ПИСКОМ ДАРЁСИ ОҚИМИНИ ТУРЛИ ПРОГНОЗЛАШ МОДЕЛЛАРИ АСОСИДА БАҲОЛАШНИНГ ИЛМИЙ АСОСЛАРИ

Admin bo'lib kirish (www.admin.slib.uz)

Tizim sinov (TEST) rejimida ishlamoqda! Murojat uchun @slib_support

Eski talqinga o'tish link

9 январ 2026

Asosiy til:O'zbek

ПИСКОМ ДАРЁСИ ОҚИМИНИ ТУРЛИ ПРОГНОЗЛАШ МОДЕЛЛАРИ АСОСИДА БАҲОЛАШНИНГ ИЛМИЙ АСОСЛАРИ

Fan yo'nalishi:

6960dbe00897b.pdf

PDF

Gidrometeorologiya va atrof-muhit monitoringi

Maqola chop etish see more

MAQOLA ANNOTATSIYASI

Ушбу мақолада Писком дарёси ҳавзасидаги метеорологик маълумотлар асосида Machine Learning (ML) моделларидан фойдаланиб сув сарфини прогнозлаш имкониятлари ўрганилди. Мақолади Писком дарёси оқими билан метеорологик омиллар орасидаги боғланишлар Random Forest, XGBoost ва LSTM моделлари асосида кўрилди ҳамда уларнинг аниқлиги турли баҳолаш кўрсаткичлари (MAE, RMSE, R² ва NSE) орқали таққосланди. Таҳлиллар шуни кўрсатдики, Random Forest модели Писком дарёси сув сарфини юқори аниқлик билан прогнозлашда энг самарали натижани берди. Тадқиқот натижалари дарё оқимини миқдорий баҳолаш ва сув ресурсларини бошқаришда ML моделлари самарали восита бўлиши мумкинлигини кўрсатади.

MUALIFLAR

Teglar

# расход воды# сув сарфи# Machine Learning# river basin# дарё ҳавзаси# дарё оқими# речной сток# river flow# meteorological factors# речной бассейн# метеорологик омиллар# метеорологические факторы# random forest# LSTM# XGBoost# прогнозлаш аниқлиги.# модели прогноза речного стока# точность прогноза.# water discharge forecasting# river flow forecasting models# forecasting accuracy.

Maqolani baholang

0

0 ta

Maqola idintifikatorlari

ROI:

https://eroi.uz/11.0191/A0126-0006

DOI:

Mavjud emas

Foydalanilgan adabiyotlar

Шульц В.Л., Машрапов Р. Ўрта Осиё гидрографияси. – Тошкент: Ўқитувчи, 1969. – 327 б.

Nishonov B. E., Abdurakhmanov, M. M. Evaluation of ERA5 reanalysis data with observed data in the Akhangaran River Basin // Hydrometeorology and Environmental Monitoring, 2025. №1. – PP. 28-38.

Kratzert F., Klotz D., Brenner C., Schulz K., Herrnegger M. Rainfall–runoff modelling using long short-term memory (LSTM) networks // Hydrology and Earth System Sciences, 2023. №2. – PP. 19-48.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel V., Thirion B., Grisel O., Duchesnay É. Machine Learning in Python // Journal of Machine Learning Research, 2021. №5. – PP. 23-39.

Электрон ресурслар: UN “World Population Prospects 2022”. URL: https://www.un.org

Machine Learning Tutorial. URL: https://www.geeksforgeeks.org/machine-learning

XGBoost Tutorials. URL: https://xgboost.readthedocs.io/en/stable/tutorials/model.html

LSTM Tutorials. URL: https://scikit-learn.org/stable/modules/ensemble.html