A causality-informed multi-task learning framework for seasonal hydrological forecasting in the Zambezi watercourse

Climate change is increasing the frequency and intensity of extreme weather events such as tropical cyclones, floods, and droughts. Among these, droughts are especially dangerous due to their slow onset, long duration and wide impacts on society, ecosystem, agriculture and energy production. Africa is especially vulnerable to such events. Subseasonal to Seasonal (S2S) forecasting has emerged as a crucial tool to bridge the gap between short-term weather forecasts and long-term climate projections, providing information on a seasonal scale. A key drivers of S2S predictability are the large-scale climate teleconnections, which influence hydroclimatic variability through ocean–atmosphere interactions. Yet, the combined influence of multiple oceanic modes in the Pacific, Indian, and Atlantic basins — such as the El Ni\~{n}o–Southern Oscillation (ENSO), Pacific Decadal Oscillation (PDO), Indian Ocean Dipole (IOD) and North Atlantic Oscillation (NAO) — has remained difficult to quantify. This thesis aims to develop a machine learning framework to improve S2S streamflow forecasting in the Zambezi Watercourse, specifically targeting the detection of drought phenomena through streamflow reduction. In particular, three key locations are being analyzed: Upper Zambezi, Kafue, and Luangwa rivers, which are the inflows to the largest dams in the system. This framework follows three steps. Firstly, the Niño Index Phase Analysis (NIPA) is applied to identify lagged Sea Surface Temperature (SST) regions correlated with the streamflow, from which principal components are extracted to represent major climate teleconnection patterns. Secondly, a Neural Granger Causality model is employed to identify and select the most influential climate teleconnection predictors for each location with single-site models. Lastly, the study explores multi-task learning architectures that exploit shared information across the three locations. The multi-task learning configurations improved the performance of the model across all sites, indicating a superior ability to reproduce low-flow conditions by exploiting regional shared information.

Il cambiamento climatico ha aumentato la frequenza e l'intensità di fenomeni estremi quali cicloni tropicali, piene e siccità. Tra questi, le siccità risultano particolarmente pericolose per via del loro lento sviluppo, lunga durata e impatti estesi su società, ecosistema, agricoltura e produzione di energia. L'Africa è particolarmente vulnerabile a questo tipo di eventi. Le previsioni da sub-stagionali a stagionali (S2S) stanno emergendo come uno strumento essenziale per colmare il divario tra previsioni del tempo sul breve periodo e proiezioni climatiche sul lungo periodo, fornendo informazioni su una scala temporale stagionale. Gli elementi chiave per la prevedibilità su questa finestra temporale sono le teleconnessioni climatiche che influenzano la variabilità delle grandezze idroclimatiche regionali attraverso interazioni tra oceano e atmosfera. Tuttavia, l’influenza combinata di più modalità oceaniche nei bacini del Pacifico, Indiano e Atlantico rimane difficile da quantificare. Questa tesi vuole sviluppare un framework che utilizzi le tecniche di machine learning per migliorare le previsioni dell'afflusso su una scala sub-stagionale/stagionale nel bacino idrografico del fiume Zambezi, mirando in particolare al rilevamento di fenomeni di siccità tramite la riduzione dell'afflusso. Sono tre i punti in studio, i fiumi Upper Zambezi, Kafue e Luangwa che corrispondono all'afflusso in ingresso alle più grandi dighe presenti nel bacino. Questo framework segue tre step. In primo luogo, l'utilizzo del Niño Index Phase Analysis (NIPA), applicato per identificare le regioni di temperatura superficiale del mare correlate con l'afflusso e per estrarne le componenti principali per rappresentare le teleconnessioni climatiche più influenti. In seguito è stato utilizzato un modello di rete neurale che sfrutta la causalità di Granger per identificare e selezionare le teleconnessioni climatiche influenti come previsori per ogni location con dei modelli single-site. Infine, lo studio esplora modelli di apprendimento multi-task: architetture che sfruttano l'informazione condivisa dai tre punti in analisi. La configurazione di apprendimento multi-task migliora la prestazione del modello in tutti i punti, indicando un'abilità superiore nel riprodurre le condizioni di basso afflusso grazie all'informazione condivisa.