Application of remote-sensing and machine-learning in studying the climatic and anthropogenic drivers of water bodies drying in data-scarce transboundary basins
Akbari, Mahdi (2023-10-06)
https://urn.fi/URN:ISBN:9789526238029
Kuvaus
Tiivistelmä
Abstract
An unsustainable anthropogenic action upstream has environmental consequences such as lake drying downstream, and climatic drivers can in turn intensify the human impact. The independence of hydrological boundaries and political borders increases the complexity of transboundary water resources management, causing a lack of transparency and information. In this thesis, the lack of data was tackled by remote sensing and machine learning. These models/products were evaluated by in-situ records to investigate the spatiotemporal accuracy. Thus, deep learning and random forest (RF) methods were trained by local rain gauge observations and compared against global gridded remote-sensing precipitation products to determine the best option for solving data issues. Then, the developed framework was applied to determine the climatic and anthropogenic drivers of water bodies drying in some transboundary basins (e.g., Caspian Sea, Tigris River, and Helmand River). Also, the costs of lake drying on the economy of the surrounding region were compared against the economic gain (e.g., agricultural development). The standardized indices for precipitation (SPI) and discharge (SDI) were utilized to detect anthropogenic or climatic droughts that change the inflow downstream. Also, River Impact (RI) index was used to classify the level of river flow alteration in different locations. It was found that although training machine learning methods require local observations and increase the complexity of modeling, they considerably outperform global remote sensing alternatives. In the studied area (Tanzania), the trained RF had the best Pearson correlation coefficient (0.53), root mean square error (6.9 mm), and bias (-2%) among globally widely used precipitation products. Mitigating the issue of information in the studied transboundary basins helped quantify the share of different factors (climate or human) in drying the studied lakes. In the Helmand (Hamun Lake) and Tigris River basins, it was found that the water resource regulations upstream are the leading cause of environmental and social costs downstream. However, in the Caspian Sea basin, the water level of the sea is decreasing mainly due to climatic variations in recent years. Also, twenty-five thousand square km of the Caspian Sea is vulnerable to sea water level fluctuation. Although Kazakhstan has no control over the main feeding rivers to this sea, major part of the vulnerable area (70%) is in this country, followed by Russia (5055 km2), Iran (1089 km2), Azerbaijan (578 km2), and Turkmenistan (482 km2). Since last two decades, the Hamun Lake drying was a very expensive disaster for the people living in the Sistan region of Iran, which has negative huge impact (about half billion US dollar) on the economy of the region. This led to migration from this region due to high rate of unemployment and dust storms. In transboundary basins, unilateral flow legislations by upstream states are unsustainable and cause political and security challenges and crises. On the other hand, inclusive collaboration, and water resource management among all states within a transboundary basin will mitigate the lack of transparency on ongoing hydrological processes, minimize negative outcomes downstream, and improve sustainability.
Tiivistelmä
Kestämätön ihmisperäinen toiminta valuma-alueiden yläosilla aiheuttaa ympäristövaikutuksia, kuten alueiden alapuolisissa osissa tapahtuvaa järvien kuivumista. Ilmastolliset tekijät voivat puolestaan voimistaa näitä vaikutuksia. Hydrologisten ja poliittisten rajojen riippumattomuus toisistaan monimutkaistaa ylirajallisten vesivarojen hallintaa, mikä aiheuttaa läpinäkymättömyyttä ja tiedon puutetta. Tässä väitöskirjassa tätä pyrittiin edistämään kaukokartoitusmenetelmien ja koneoppimisen avulla. Käytettyjä malleja verrattiin paikallisesti tehtyihin mittauksiin. Syväoppimis- (deep learning) ja satunnaismetsämenetelmiä (random forest - RF) koulutettiin paikallisesti mitatulla sademäärällä ja verrattiin globaaleihin kaukokartoitusmenetelmin määritettyihin sademäärähiloihin, jotta pystyttiin löytämään tietoaukkoja parhaiten paikkaavia menetelmiä. Tämän jälkeen kehitettyä viitekehystä sovellettiin vesimuodostumien kuivumiseen liittyviin ilmasto- ja ihmisperäisten ajureiden määrittämiseen joillakin ylirajallisilla vesimuodostumilla (esim. Kaspianmeri, Tigris-joki, Helmand-joki). Myös järven kuivumisen vaikutuksia ympäröivän alueen talouteen verrattiin kuivattamisesta saatavaan taloudelliseen hyötyyn (esim. maatalouden kehittämiseen). Standardoidut sademäärän (SPI) ja virtauksen (SDI) indeksit otettiin käyttöön, jotta voitiin havaita ihmis- tai ilmastoperäisiä kuivuuksia. Myös jokiympäristöille sovellettiin omaa tunnuslukua RI (River Impact), jota käytettiin virtausten muutosten tason luokitteluun eri paikoissa. Huomattiin, että vaikka koneoppimismenetelmien kouluttaminen edellyttää paikallisia havaintoja ja lisää mallinnuksen monimutkaisuutta, ne suoriutuvat huomattavasti paremmin kuin globaalit kaukokartoitusmenetelmät. Eräällä tutkitulla alueella (Tansania) koulutetulla RF:llä oli paras Pearsonin korrelaatio (0.53), neliöllinen keskihajonta (6.9 mm) ja poikkeama (-2 %) verrattuna maailmanlaajuisesti laajasti käytettyihin sademääräaineistoihin. Tietojen puutteen lieventäminen tutkituissa ylirajallisissa vesistöissä auttoi määrittämään erilaisten tekijöiden (ilmasto tai ihminen) osuutta tutkittujen järvien kuivumisessa. Helmandissa (Hamun-järvi) ja Tigris-joen valuma-alueilla havaittiin, että vesivarojen säännöstely yläjuoksulla on ympäristöllisten ja sosiaalisten paineiden pääsiallinen aiheuttaja vesistön alapuolisissa osissa. Sen sijaan Kaspianmeren viimeaikaisen tason vaihtelun pääasiallinen syy on ollut ilmaston vaihtelussa. Lisäksi 25000 km2 Kaspianmeren alasta on haavoittuvaista vedenpinnan vaihtelulle. Vaikka Kazakstanilla ei ole vaikutusvaltaa tämän vesistön laskeviin pääjokiin, suurin osa pinnan vaihtelulle alttiista alueesta (70 %) sijaitsee sen alueella, seuraavina Venäjä (5055 km2), Iran (1089 km2), Azerbaidžan (578 km2) ja Turkmenistan (482 km2). Viimeisten kahden vuosikymmenen aikana tapahtunut Hamun-järven kuivuminen on ollut taloudellinen katastrofi Iranin Sistanin alueella (n. 0,5 mrd. Yhdysvaltojen dollaria). Tämä johti muuttoliikkeeseen alueelta korkean työttömyyden ja pölymyrskyjen vuoksi. Ylirajallisten vesistöjen yläpuolisilla alueilla esiintyvät yksipuoliset säädökset ja sääntelyt ovat kestämättömiä ja aiheuttavat poliittisia ja turvallisuuteen kohdistuvia haasteita ja kriisejä. Toisaalta kaikkien osapuolten välinen osallistava yhteistyö ja vesivarojen hallinta tällaisten vesistöalueiden valtioiden kesken lieventää läpinäkymättömyyttä jatkuvissa hydrologisissa prosesseissa, pienentää negatiivisia vaikutuksia vesistöjen alapuolisilla alueilla sekä parantaa kestävyyttä.
Original papers
Original papers are not included in the electronic version of the dissertation.
Akbari, M., Baubekova, A., Roozbahani, A., Gafurov, A., Shiklomanov, A., Rasouli, K., Ivkina, N., Kløve, B., & Torabi Haghighi, A. (2020). Vulnerability of the Caspian Sea shoreline to changes in hydrology and climate. Environmental Research Letters, 15(11), 115002. https://doi.org/10.1088/1748-9326/abaad8
Akbari, M., Mirchi, A., Roozbahani, A., Gafurov, A., Kløve, B., & Haghighi, A. T. (2022). Desiccation of the transboundary Hamun Lakes between Iran and Afghanistan in response to hydro-climatic droughts and anthropogenic activities. Journal of Great Lakes Research, 48(4), 876–889. https://doi.org/10.1016/j.jglr.2022.05.004
Faramarzzadeh, M., Ehsani, M. R., Akbari, M., Rahimi, R., Moghaddam, M., Behrangi, A., Klöve, B., Haghighi, A. T., & Oussalah, M. (2023). Application of machine learning and remote sensing for gap-filling daily precipitation data of a sparsely gauged basin in East Africa. Environmental Processes, 10(1), 8. https://doi.org/10.1007/s40710-023-00625-y
Ghajarnia, N., Akbari, M., Saemian, P., Ehsani, M. R., Hosseini‐Moghari, S., Azizian, A., Kalantari, Z., Behrangi, A., Tourian, M. J., Klöve, B., & Haghighi, A. T. (2022). Evaluating the evolution of ECMWF precipitation products using observational data for Iran: From ERA40 to ERA5. Earth and Space Science, 9(10), e2022EA002352. https://doi.org/10.1029/2022EA002352
Akbari, M., & Torabi Haghighi, A. (2022). Satellite-based agricultural water consumption assessment in the ungauged and transboundary Helmand Basin between Iran and Afghanistan. Remote Sensing Letters, 13(12), 1236–1248. https://doi.org/10.1080/2150704X.2022.2142074
Torabi Haghighi, A., Akbari, M., Noori, R., Danandeh Mehr, A., Gohari, A., Sönmez, M. E., Abou Zaki, N., Yilmaz, N., & Kløve, B. (2023). The impact of Turkey’s water resources development on the flow regime of the Tigris River in Iraq. Journal of Hydrology: Regional Studies, 48, 101454. https://doi.org/10.1016/j.ejrh.2023.101454
Akbari, M., Rozbahani, A., Hajimoradi, A., Miri, A., Labbaf, M., Madani, K., Kløve,
B., and Torabi Haghighi, A. (2023). Costs of the Lake Hamun death for the Sistan human life. Manuscript submitted for publication.
Osajulkaisut
Osajulkaisut eivät sisälly väitöskirjan elektroniseen versioon.
Akbari, M., Baubekova, A., Roozbahani, A., Gafurov, A., Shiklomanov, A., Rasouli, K., Ivkina, N., Kløve, B., & Torabi Haghighi, A. (2020). Vulnerability of the Caspian Sea shoreline to changes in hydrology and climate. Environmental Research Letters, 15(11), 115002. https://doi.org/10.1088/1748-9326/abaad8
Akbari, M., Mirchi, A., Roozbahani, A., Gafurov, A., Kløve, B., & Haghighi, A. T. (2022). Desiccation of the transboundary Hamun Lakes between Iran and Afghanistan in response to hydro-climatic droughts and anthropogenic activities. Journal of Great Lakes Research, 48(4), 876–889. https://doi.org/10.1016/j.jglr.2022.05.004
Faramarzzadeh, M., Ehsani, M. R., Akbari, M., Rahimi, R., Moghaddam, M., Behrangi, A., Klöve, B., Haghighi, A. T., & Oussalah, M. (2023). Application of machine learning and remote sensing for gap-filling daily precipitation data of a sparsely gauged basin in East Africa. Environmental Processes, 10(1), 8. https://doi.org/10.1007/s40710-023-00625-y
Ghajarnia, N., Akbari, M., Saemian, P., Ehsani, M. R., Hosseini‐Moghari, S., Azizian, A., Kalantari, Z., Behrangi, A., Tourian, M. J., Klöve, B., & Haghighi, A. T. (2022). Evaluating the evolution of ECMWF precipitation products using observational data for Iran: From ERA40 to ERA5. Earth and Space Science, 9(10), e2022EA002352. https://doi.org/10.1029/2022EA002352
Akbari, M., & Torabi Haghighi, A. (2022). Satellite-based agricultural water consumption assessment in the ungauged and transboundary Helmand Basin between Iran and Afghanistan. Remote Sensing Letters, 13(12), 1236–1248. https://doi.org/10.1080/2150704X.2022.2142074
Torabi Haghighi, A., Akbari, M., Noori, R., Danandeh Mehr, A., Gohari, A., Sönmez, M. E., Abou Zaki, N., Yilmaz, N., & Kløve, B. (2023). The impact of Turkey’s water resources development on the flow regime of the Tigris River in Iraq. Journal of Hydrology: Regional Studies, 48, 101454. https://doi.org/10.1016/j.ejrh.2023.101454
Akbari, M., Rozbahani, A., Hajimoradi, A., Miri, A., Labbaf, M., Madani, K., Kløve,
B., and Torabi Haghighi, A. (2023). Costs of the Lake Hamun death for the Sistan human life. Manuscript submitted for publication.
Kokoelmat
- Avoin saatavuus [34516]