Machine Learning and Bias-Corrected CMIP6 for Improved Streamflow Prediction in the Data-Scarce Kulfo River, Ethiopia
Diese Studie zeigt, dass die Integration von bias-korrigierten CMIP6-Klimaprojektionen mit maschinellen Lernmodellen, insbesondere Random Forest, die Genauigkeit der Abflussvorhersage im datenarmen Kulfo-Flussbecken signifikant verbessert und einen zukünftigen Trend steigender Temperaturen sowie sinkender jährlicher Abflüsse bei zunehmender hydrologischer Unsicherheit unter verschiedenen Klimawandelszenarien aufzeigt.