Machine Learning and Bias-Corrected CMIP6 for Improved Streamflow Prediction in the Data-Scarce Kulfo River, Ethiopia
Cette étude démontre que l'intégration de projections climatiques CMIP6 corrigées des biais avec des modèles d'apprentissage automatique, particulièrement la Forêt Aléatoire, améliore significativement la précision de la prédiction du débit des cours d'eau dans le bassin du fleuve Kulfo, caractérisé par une pénurie de données, révélant une tendance future de hausse des températures et de baisse du débit annuel avec une incertitude hydrologique accrue sous divers scénarios de changement climatique.