Machine Learning and Bias-Corrected CMIP6 for Improved Streamflow Prediction in the Data-Scarce Kulfo River, Ethiopia
Deze studie toont aan dat het integreren van bias-gecorrigeerde CMIP6-klimaatprojecties met machine learning-modellen, in het bijzonder Random Forest, de nauwkeurigheid van de voorspelling van de waterafvoer in het gegevensarme Kulfo-rivierbekken aanzienlijk verbetert, waarbij een toekomstige trend van stijgende temperaturen en afnemende jaarlijkse waterafvoer met toenemende hydrologische onzekerheid onder verschillende scenario's van klimaatverandering wordt onthuld.