Durch die Integration dynamischer, satellitenbasierter Saattermine in das prozessbasierte Ernte-Klimamodell Noah-MP-Crop wird das Sorghum Wachstum im semiariden östlichen Nil-Becken realistischer simuliert. Im Vergleich zu fixen Saatterminen verbessern dynamische Pflanzdaten die Modellgüte

Mittels Machine-Learning-Methoden — insbesondere Quantile Regression Forests (QRF) — werden kontinuierliche tägliche Sedimentgraphen (1990–2020) für zwei Einzugsgebiete im Oberen Blauen Nil-Becken rekonstruiert und erstmals zur Kalibrierung des gekoppelten hydro-sedimentologischen Modells WASA-SED

Durch regionale Verbesserung von ECMWF-Vorhersageprodukten (SEAS5 und sub-saisonale Vorhersagen) mittels statistischer und Deep-Learning-basierter Post-Processing-Methoden wird ein nahtloses S2S-Vorhersagesystem für das Blaue Nil-Becken entwickelt. Obwohl die aufbereiteten meteorologischen

Untersuchung des Potenzials eines gekoppelten hydro-meteorologischen Saisonvorhersagesystems für Abfluss und Sedimenttransport im Oberen Blauen Nil-Becken (Äthiopien), flussaufwärts des GERD-Staudamms, mit einer Vorhersagereichweite von bis zu sieben Monaten. Durch die Kombination des ECMWF-SEAS5

Gemeinsame Präsentation des Karlsruher Instituts für Technologie, der Universität Augsburg, der Universität Potsdam und adelphi

Auftaktveranstaltung der BMBF-Fördermaßnahme GRoW