Analysing the capability of a catchment's spectral signature to regionalize hydrological parameters

Abstract

La gestión de los recursos hídricos en cuencas no aforadas es compleja debido a las incertidumbres que rodean a los parámetros hidrológicos que caracterizan el comportamiento de los caudales. Estos parámetros suelen definirse mediante enfoques de regionalización, en los que los patrones de respuesta hidrológica de las cuencas no aforadas se infieren a partir de los de las cuencas aforadas. Los métodos basados en la regresión que utilizan propiedades físicas derivadas de fuentes de datos cartográficos son ampliamente utilizados. Las técnicas actuales de teledetección ofrecen nuevas oportunidades para la regionalización de los parámetros hidrológicos, ya que la respuesta hidrológica depende de los atributos físicos relacionados con las respuestas espectrales de una superficie terrestre determinada. Además, los enfoques de aprendizaje automático no se han aplicado específicamente a la regionalización de parámetros hidrológicos en zonas boscosas. Este trabajo estudia la capacidad de la firma espectral de una cuenca basada en datos de Sentinel-1 y Sentinel-2 para abordar una regionalización basada en regresión de parámetros de modelos hidrológicos utilizando un enfoque de aprendizaje automático. La modelización hidrológica se llevó a cabo mediante el modelo HBV-light. Probamos el algoritmo de bosque aleatorio en varios escenarios de regionalización: el nuevo enfoque usando la firma espectral de las cuencas, el método tradicional usando propiedades físicas y una fusión de estos métodos. Los resultados de la calibración fueron excelentes (mediana de KGE = 0,83), y los parámetros regionalizados alcanzaron un buen rendimiento, en el que los tres escenarios mostraron casi la misma bondad de ajuste (mediana de KGE = 0,45-0,50). Se observó que la eficacia depende del entorno climático y que las predicciones en cuencas húmedas mostraron un mejor rendimiento que las de las cuencas más secas. El enfoque físico (mediana de KGE = 0,71) mostró un mejor rendimiento que el enfoque espectral (mediana de KGE = 0,64) en las cuencas húmedas, mientras que la regionalización espectral (mediana de KGE = 0,33) mejoró el escenario físico en las cuencas más secas (mediana de KGE = 0,25). Nuestros resultados confirman que la regionalización sigue siendo un reto en climas más secos, como en el entorno mediterráneo. El nuevo enfoque espectral mostró resultados prometedores y resultó eficaz en el análisis de la relación entre la respuesta espectral del territorio y sus características hidrológicas, especialmente, cuando no se dispone de datos cartográficos.

Water resource management in ungauged catchments is complex due to uncertainties around the hydrological parameters that characterize streamflow behaviour. These parameters are usually defined by regionalization approaches, in which the hydrological response patterns of ungauged basins are inferred from those of gauged basins. Regression-based methods using physical properties derived from cartographic data sources are widely used. The current remote sensing techniques offer new opportunities for the regionalization of hydrological parameters since the hydrological response depends on the physical attributes related to the spectral responses of a given land surface. Moreover, machine learning approaches have not been specifically applied to the regionalization of hydrological parameters in forested areas. This work studies the capability of a catchment's spectral signature based on Sentinel-1 and Sentinel-2 data to address a regression-based regionalization of hydrological model parameters using a machine learning approach. Hydrological modelling was conducted by the HBV-light model. We tested the random forest algorithm in several regionalization scenarios: the new approach using the catchments' spectral signature, the traditional method using physical properties and a fusion of these methods. The calibration results were excellent (median KGE = 0.83), and the regionalized parameters achieved good performance, in which the three scenarios showed almost the same goodness of fit (median KGE = 0.45–0.50). We found that the effectiveness depends on the climatic environment and that predictions in humid catchments exhibited better performance than those in the driest catchments. The physical approach (median KGE = 0.71) exhibited better performance than the spectral approach (median KGE = 0.64) in humid catchments, whereas spectral regionalization (median KGE = 0.33) enhanced the physical scenario in the driest catchments (median KGE = 0.25). Our results confirm that regionalization is still challenging in drier climates, such as in the Mediterranean environment. The new spectral approach showed promising results and it was effective in the analysis of the relationship between the spectral response of the territory and its hydrological characteristics, specially, where no cartographic data is available.