Machine Learning Prediction of Early-Season Wildfire Risk in Ghana’s Guinea Savannah Using Multi-Source Data and CMIP6 Climate Scenarios
Deze studie ontwikkelt en evalueert een hoogwaardig machine learning-prototype voor het voorspellen van het risico op vroege bosbranden in de Guinea-savanne van Ghana door multi-bronnen van omgevings- en menselijke gegevens te integreren, waarbij een superieure nauwkeurigheid wordt aangetoond ten opzichte van traditionele indices, terwijl het met de kanttekening dat het een onderzoeksinstrument blijft en geen volledig gevalideerd operationeel waarschuwingssysteem is, illustratieve toekomstige projecties biedt onder CMIP6-klimaatscenario's.