Changes in precipitation patterns, temperature, and other climatic variables have been shown to modify thehydrological cycle and hydrological systems, potentially resulting in a shift in river runoff behavior and an increasedrisk of floods. There have been several instances of devastating floods throughout Europe’s history, which haveresulted in devastation and enormous economic losses. As a result of the effects of climate change, floods areoccurring more frequently in Sweden as well as across Europe. Research on the subject of flood prediction has beengoing on for decades, where particularly data-driven models have advanced in recent years. This study examinedtwo different machine learning (data-driven) models for forecasting river discharge in the Nissan River: Linearregression and Random Forrest regression (RFR), with the use of ECMWF Reanalysis v5 ( ERA5 ) data and historicaldischarge data. The Linear regression model yielded a r2 score of 0.45 and could not be considered an acceptablemodel. The RFR model had a r2 score of 0.71. This implies, given ERA5 reanalysis data, that one might generatea moderately performing machine learning model for Nissan river. An additional investigation was carried out,to see if the trained model could be used with EC-EARTH CMIP6 future projection. The findings resulting fromapplying the EC-EARTH CMIP6 future data on the trained RFR indicated too many uncertainties, necessitatingmore investigation before any conclusions can be drawn.

Efter att EU införde ett ramverk år 2000 rörande regionens vattenanvändning, vattendirektivet, beslöt Sveriges regering att från och med sommaren 2020 ompröva rikets vattendammar. I de fall rådande vattenanvändning inte uppfyller de krav som anges i ramverket kan dammutrivning bli aktuellt. Syftet med studien är undersöka och utveckla en metod att utvärdera förändringar av strömhabitat uppströms ett vattendrag efter en dammutrivning. Studieområdet utgörs och begränsas av datamängden i form av flygfoton insamlade med UAV vid två tillfällen över samma område. Även batymetriska data över vattendragets botten från en bottenskanning har använts således även Lantmäteriets nationella höjdmodell. Två fotogrammetriprogram användes i arbetet, dels för att skapa en ortomosaik från flygfoton men även för att utföra en bildnormalisering. GIS programvaran ArcGIS Pro tillhandahåller flera algoritmer för klassificering av raster. Algoritmerna SVM och RT, viktades mot varandra och SVM användes vidare i metoden. Med olika generaliserings-verktyg kunde strömhabitat identifieras och förstärkas. Även olika terrängmodeller skapades från flygfoton och Lantmäteriets nationella höjdmodell. Dessa granskades mot varandra utifrån olika aspekter som variationer i bland annat detaljrikedom, generaliseringsgrad och återspeglandet av vattenytan.  Slutsatsen av studien är att klassificering av strömhabitat kan göras i ett GIS-program med en lägesosäkerhet på mellan 25 och 40 %, beroende på vilka strömhabitat som ska klassificeras. Efter utrivningen uppstod 17 zoner med förändrade strömhabitat vilket var två mer än vad prognoser förutsatt. Vidare påverkades vattenvolymen markant då en minskning på ca 40 % skedde från 2018 till 2020. En areal av ca 1,5 hektar berördes då gammal älvbotten blev torrlagd i samband med dammutrivningen. Ett samband syntes mellan avståndet från kraftverket och torrlagd botten då dessa ytor sågs minska i storlek i takt med att avståndet ökade. Att undersöka vart vattennivån påverkats som mest var inte möjligt i brist på data. Studien har utvecklat en metod att analysera en dammutrivnings påverkan på ett vattendrag med data från UAV och bottenskanning.