Machine-Learning-Based Post-Processing of Seasonal Forecasts for Water Resources Management in Southern Vietnam

Abstract

Le previsioni stagionali di portata possono supportare la gestione delle risorse idriche fornendo informazioni anticipate su condizioni più umide o più secche rispetto alla norma. Tuttavia, le previsioni stagionali grezze presentano spesso errori sistematici e richiedono un post-processing prima dell’utilizzo a scala di bacino. Questa tesi valuta metodi statistici e basati su machine learning per migliorare le previsioni stagionali di afflusso derivate da SEAS5 presso la sezione di chiusura selezionata del bacino del fiume Dong Nai, nel Vietnam meridionale, utilizzando dati di riferimento basati su ERA5.

I metodi analizzati includono una semplice correzione del bias, la regressione lineare e modelli globali di rete neurale che utilizzano la media della previsione, la dispersione dell’ensemble, la settimana di previsione e il mese di inizializzazione. Le prestazioni sono valutate nello spazio degli afflussi grezzi, delle anomalie settimanali e delle anomalie cumulative, mediante metriche basate sull’RMSE e una verifica event-based con CSI, POD, FAR e Bias Score.

I risultati mostrano che il post-processing riduce in modo consistente l’errore della previsione SEAS5 grezza. Le reti neurali globali forniscono il miglioramento maggiore nello spazio degli afflussi grezzi, mentre il modello Global NN BC mean + raw std ottiene il più basso RMSE medio delle anomalie cumulative. La semplice correzione del bias mostra prestazioni simili per alcune metriche, indicando che gran parte dell’errore è sistematica. Nel complesso, il post-processing basato su machine learning aggiunge valore, ma l’uso operativo dovrebbe considerare anche robustezza, interpretabilità e disponibilità dei dati

Seasonal streamflow forecasts can support water-resources management by providing early information on wetter- or drier-than-normal conditions. However, raw seasonal forecasts often contain systematic errors and may require post-processing before basin-scale use. This thesis evaluates statistical and machine-learning methods to improve SEAS5-derived seasonal inflow forecasts at the selected outlet of the Dong Nai River Basin in southern Vietnam, using ERA5-based reference data for evaluation.

The tested methods include simple bias correction, linear regression, and global neural-network models using forecast mean, ensemble spread, forecast week, and initialization month as predictors. Performance is assessed in raw inflow space, weekly anomaly space, and cumulative anomaly space through RMSE-based metrics and event-based verification using CSI, POD, FAR, and Bias Score.

Results show that post-processing consistently reduces the error of the raw SEAS5 forecast. Global neural networks provide the largest improvement in raw inflow space, while the Global NN BC mean + raw std model achieves the lowest mean cumulative-anomaly RMSE. Simple bias correction performs similarly for some cumulative-anomaly metrics, indicating that much of the raw forecast error is systematic. Overall, machine-learning post-processing adds value, although operational use should also consider robustness, interpretability, and data availability