DOI: https://doi.org/10.1038/s41598-025-03493-8
PMID: https://pubmed.ncbi.nlm.nih.gov/40425713
تاريخ النشر: 2025-05-27
المؤلف: Amanuel Kumsa Bojer وآخرون
الموضوع الرئيسي: تقييم وإدارة مخاطر الفيضانات
نظرة عامة
تدرس هذه الدراسة تأثيرات تقلب المناخ وتغيرات استخدام الأراضي/غطاء الأرض (LULC) على إنتاج المياه في حوض غيلغيل جيبي، إثيوبيا، من 1993 إلى 2023. باستخدام نماذج الهيدرولوجيا من تقييم النظام البيئي المتكامل والمقايضات (InVEST) جنبًا إلى جنب مع تقنيات التعلم الآلي، تسلط الأبحاث الضوء على التغيرات الكبيرة في غطاء الأرض، بما في ذلك انخفاض ملحوظ في الأراضي الشجرية والمراعي، بينما زادت المسطحات المائية بسبب بناء سد غيلغيل جيبي الكهرومائي. تشير النتائج إلى انخفاض في جريان السطح وإنتاج المياه، يُعزى إلى انخفاض هطول الأمطار، وزيادة التبخر، وفقدان الأراضي الرطبة والمراعي.
تكشف التحليلات أن تغيرات LULC تؤثر بشكل أكبر على جريان السطح مقارنة بتقلب المناخ، مما يؤثر على إعادة شحن المياه الجوفية وفقدان المياه من خلال التبخر. تشمل الاتجاهات الرئيسية ارتفاع متوسط درجة الحرارة إلى 34 درجة مئوية وانخفاض هطول الأمطار الشهري من 500 مم إلى 100 مم، والتي ترتبط بتوسع الأراضي المزروعة وانخفاض تغطية النباتات. تؤكد الدراسة على ضرورة دمج ديناميات المناخ واستخدام الأراضي في تخطيط موارد المياه للتخفيف من الآثار البيئية السلبية. تشير التوقعات المستقبلية إلى مزيد من الانخفاضات في هطول الأمطار وزيادات في درجات الحرارة، مما يبرز الحاجة الملحة لاستراتيجيات إدارة الأحواض المائية الفعالة لضمان استدامة موارد المياه في المنطقة.
الطرق
في هذه الدراسة، تم استخدام تقنيات الاستشعار عن بعد المتقدمة ونمذجة إنتاج المياه لتقييم التأثيرات المتكاملة لتغيرات المناخ واستخدام الأراضي/غطاء الأرض (LULC) على إنتاج المياه السطحية في حوض غيلغيل جيبي. تم تصنيف المنهجيات بشكل منهجي بناءً على تركيبها الهيكلي وطرقها التنبؤية، مما شكل إطارًا شاملاً لتقييم التغيرات البيئية. استخدمت الأبحاث عدة خوارزميات تعلم آلي، بما في ذلك الغابة العشوائية (RF)، آلة الدعم الناقل (SVM)، XGBoost، وLightGBM، لنمذجة العلاقات المعقدة بين متغيرات المناخ، وتغيرات LULC، وإنتاج المياه السطحية. تعزز RF دقة التنبؤ من خلال تجميع المخرجات من عدة أشجار قرار، بينما تستفيد SVM من البيانات التاريخية للتنبؤ بالاتجاهات المستقبلية. يُلاحظ أن XGBoost وLightGBM فعالة في معالجة مجموعات البيانات الكبيرة، حيث يقوم XGBoost بتحسين التنبؤات من خلال بناء شجرة قرار تكرارية وLightGBM تستخدم استراتيجيات مبتكرة لتحسين كفاءة التدريب.
تم تنفيذ النماذج على جهاز MITRO V15 مع معالج Intel(R) Core (TM) i7-13700H من الجيل الثالث عشر، باستخدام Scikit-Learn وواجهة برمجة التطبيقات Keras ضمن TensorFlow (الإصدار 2.10.0) لتدريب النماذج واختبارها بشكل محسّن. من خلال دمج هذه الخوارزميات المتقدمة، تهدف الدراسة إلى تطوير نماذج تنبؤية قوية توضح التفاعلات المعقدة بين متغيرات المناخ، وديناميات استخدام الأراضي، وإنتاج المياه السطحية، مما يوفر رؤى حاسمة لإدارة المياه المستدامة.
النتائج
تسلط نتائج الدراسة على حوض غيلغيل جيبي الضوء على التأثير الكبير لتغيرات المناخ واستخدام الأراضي على إنتاج المياه، مما يبرز أهمية طرق التحقق المتقاطع القوية في نماذج التعلم الآلي. أدت تطبيقات BayesianSearchCV لتحسين المعلمات الفائقة ونهج التحقق المتقاطع المتقدم إلى دقة تنبؤية عالية لتدفق المياه المتوسط والحد الأقصى، مع قيم $R^2$ تتجاوز 0.99 خلال فترات التدريب. ومع ذلك، أظهرت توقعات تدفق المياه الدنيا تباينًا، مما يشير إلى مجالات لتحسين النموذج. أظهر نموذج SVM أداءً قويًا عبر عوامل المناخ المختلفة، محققًا قيم $R^2$ تصل إلى 0.95 لسرعة الرياح القصوى وقيمًا مرتفعة باستمرار لدرجات الحرارة الدنيا والقصوى، والإشعاع الشمسي، وهطول الأمطار.
بالإضافة إلى ذلك، كشفت تحليل الحساسية الكمي أن تغيرات استخدام الأراضي، وخاصة إزالة الغابات، كان لها تأثير أكثر وضوحًا على جريان السطح مقارنة بتقلب المناخ، مما زاد من التدفق السريع بنسبة 22% وقلل من التدفق الأساسي بنسبة 15%. ساهم تغير المناخ في تقليل إنتاج المياه بنسبة 8%، ويرجع ذلك أساسًا إلى زيادة التبخر وانخفاض هطول الأمطار، مع تأثيرات كبيرة خلال مواسم الجفاف. أكدت بيانات التدفق الملاحظة هذه النتائج، مشيرة إلى زيادة صافية في الإنتاج بنسبة 14% ولكن أيضًا تسلط الضوء على اتجاهات مقلقة مثل ارتفاع تدفقات الذروة وانخفاض التدفقات الأساسية. تؤكد هذه النتائج على الحاجة الملحة لسياسات إدارة الأراضي الفعالة لمعالجة تدهور الهيدرولوجيا في الحوض.
المناقشة
تركز قسم المناقشة في ورقة البحث على حوض غيلغيل جيبي في إثيوبيا، مع التأكيد على خصائصه الجغرافية والمناخية، التي تؤثر بشكل كبير على إنتاج المياه. يمتد الحوض على مساحة 961.21 كم²، ويتميز بتضاريس متنوعة، مع ارتفاعات تتراوح من 1,100 م إلى 3,341 م فوق مستوى سطح البحر، مما يؤدي إلى أنماط هطول أمطار متباينة من 990 مم في الأراضي المنخفضة إلى 2,500 مم في المرتفعات. تستخدم الدراسة بيانات جريان موثوقة وتأخذ في الاعتبار تقلب المناخ والأنشطة الاجتماعية والاقتصادية في الحوض لتقييم تأثيرات تغيرات المناخ واستخدام الأراضي/غطاء الأرض (LULC) على إنتاج المياه.
يتم تسليط الضوء على معالجة البيانات كأمر حاسم لتصنيف LULC بدقة، باستخدام صور الأقمار الصناعية عالية الجودة من لاندسات وتقنيات تصحيح جوي متقدمة. تدمج الدراسة بيانات هيدرولوجية مناخية من مصادر متعددة، بما في ذلك المعهد الإثيوبي للأرصاد الجوية وناسا، لإنشاء مجموعة بيانات شاملة لنمذجة إنتاج المياه. تُستخدم نماذج التعلم الآلي، مثل الغابة العشوائية وXGBoost، لتحليل التفاعلات بين تغيرات LULC وتقلب المناخ، مع ضمان تحسين المعلمات الفائقة لدقة النموذج. يتم استخدام نموذج InVEST لمحاكاة ديناميات إنتاج المياه، مع دمج بيانات التربة المحلية لمعالجة قيود افتراضات خصائص التربة الموحدة. بشكل عام، تؤكد الأبحاث على أهمية دمج البيانات الهيدرولوجية، والاستشعار عن بعد، وبيانات المناخ لتعزيز الفهم وإدارة موارد المياه في حوض غيلغيل جيبي.
DOI: https://doi.org/10.1038/s41598-025-03493-8
PMID: https://pubmed.ncbi.nlm.nih.gov/40425713
Publication Date: 2025-05-27
Author(s): Amanuel Kumsa Bojer et al.
Primary Topic: Flood Risk Assessment and Management
Overview
This study investigates the impacts of climate variability and land use/land cover (LULC) changes on water yield in the Gilgel Gibe watershed, Ethiopia, from 1993 to 2023. Utilizing the Integrated Valuation of Ecosystem Services and Tradeoffs (InVEST) hydrological models alongside machine learning techniques, the research highlights significant alterations in land cover, including a notable decrease in shrubland and grasslands, while water bodies increased due to the construction of the Gilgel Gibe hydroelectric dam. The findings indicate a decline in surface runoff and water yield, attributed to reduced precipitation, increased evapotranspiration, and the loss of wetlands and grasslands.
The analysis reveals that LULC changes exert a more substantial influence on surface runoff compared to climate variability, affecting groundwater recharge and water loss through evapotranspiration. Key trends include a rise in mean temperature to 34 °C and a decrease in monthly precipitation from 500 mm to 100 mm, which are linked to the expansion of cultivated land and diminished vegetation cover. The study underscores the necessity of integrating climate and land use dynamics into water resource planning to mitigate adverse environmental impacts. Future projections indicate further declines in precipitation and increases in temperature, emphasizing the urgency for effective watershed management strategies to ensure the sustainability of water resources in the region.
Methods
In this study, advanced remote sensing techniques and water yield modeling were employed to evaluate the integrated effects of climate and land-use/land-cover (LULC) changes on surface water yield in the Gilgel Gibe Watershed. The methodologies were systematically categorized based on their structural composition and predictive approaches, forming a comprehensive framework for assessing environmental changes. The research utilized several machine learning algorithms, including Random Forest (RF), Support Vector Machine (SVM), XGBoost, and LightGBM, to model the intricate relationships among climate variables, LULC changes, and surface water yield. RF enhances prediction accuracy by aggregating outputs from multiple decision trees, while SVM leverages historical data to forecast future trends. XGBoost and LightGBM are noted for their efficiency in processing large datasets, with XGBoost refining predictions through iterative decision tree construction and LightGBM employing innovative strategies to improve training efficiency.
The models were executed on an MITRO V15 device with a 13th Gen Intel(R) Core (TM) i7-13700H processor, utilizing Scikit-Learn and the Keras API within TensorFlow (version 2.10.0) for optimized model training and testing. By integrating these advanced algorithms, the study aims to develop robust predictive models that elucidate the complex interactions between climate variables, land-use dynamics, and surface water yield, ultimately providing critical insights for sustainable water management.
Results
The results of the study on the Gilgel Gibe watershed highlight the significant influence of climate and land use changes on water yield, emphasizing the importance of robust cross-validation methods in machine learning models. The application of BayesianSearchCV for hyperparameter optimization and a walk-forward cross-validation approach yielded high predictive accuracy for mean and maximum streamflow, with $R^2$ values exceeding 0.99 during training periods. However, minimum streamflow predictions showed variability, indicating areas for model refinement. The SVM model demonstrated strong performance across various climate factors, achieving $R^2$ values up to 0.95 for maximum wind speed and consistently high values for minimum and maximum temperatures, solar radiation, and precipitation.
Additionally, a quantitative sensitivity analysis revealed that land-use changes, particularly deforestation, had a more pronounced effect on surface runoff than climate variability, increasing quick flow by 22% and reducing baseflow by 15%. Climate change contributed to an 8% reduction in water yield, primarily due to increased evapotranspiration and decreased precipitation, with significant impacts during dry seasons. Observed discharge data corroborated these findings, indicating a net yield increase of 14% but also highlighting concerning trends such as higher peak flows and lower baseflows. These results underscore the critical need for effective land management policies to address hydrological degradation in the watershed.
Discussion
The discussion section of the research paper focuses on the Gilgel Gibe watershed in Ethiopia, emphasizing its geographical and climatic characteristics, which significantly influence water yield. The watershed, spanning an area of 961.21 km², is characterized by diverse topography, with elevations ranging from 1,100 m to 3,341 m above sea level, leading to varying precipitation patterns from 990 mm in the lowlands to 2,500 mm in the highlands. The study utilizes reliable runoff data and considers the watershed’s climatic variability and socio-economic activities to assess the impacts of climate and land-use/land-cover (LULC) changes on water yield.
Data preprocessing is highlighted as crucial for accurate LULC classification, employing high-quality Landsat satellite imagery and advanced atmospheric correction techniques. The study integrates hydroclimatic data from multiple sources, including the Ethiopian Meteorological Institute and NASA, to create a comprehensive dataset for modeling water yield. Machine learning models, such as Random Forest and XGBoost, are utilized to analyze the interactions between LULC changes and climate variability, with hyperparameter optimization ensuring model accuracy. The InVEST model is employed to simulate water yield dynamics, incorporating localized soil data to address the limitations of uniform soil property assumptions. Overall, the research underscores the importance of integrating hydrogeological, remote sensing, and climate data to enhance understanding and management of water resources in the Gilgel Gibe watershed.