logo
calendar9 Yanvar 2026
view30
Основной язык:Узбекский

НАУЧНЫЕ ОСНОВЫ ОЦЕНКИ СТОКА РЕКИ ПСКЕМ НА ОСНОВЕ РАЗЛИЧНЫХ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ

Область науки:
pdf

6960dbe00897b.pdf

PDF

Гидрометеорология и мониторинг окружающей среды

Гидрометеорология и мониторинг окружающей среды

Опубликовать статьюsee more

АННОТАЦИЯ СТАТЬИ

quote
В данной статье исследованы возможности прогнозирования расхода воды в бассейне реки Пскем на основе метеорологических данных с использованием моделей машинного обучения (ML). В статье изучены взаимосвязи между стоком реки Пскем и метеорологическими факторами на основе моделей Random Forest, XGBoost и LSTM, а их точность сравнивалась с использованием различных метрик оценки (MAE, RMSE, R² и NSE). Анализ показал, что модель Random Forest обеспечивает наилучшую точность при прогнозировании расхода воды реки Пскем. Результаты исследования свидетельствуют о том, что модели машинного обучения могут быть эффективным инструментом для предварительной оценки стока реки и управления водными ресурсами.

АВТОРЫ

D.Turgunov

Научно-исследовательский гидрометеорологический институт,

U.Balkhiev

Научно-исследовательский гидрометеорологический институт,

K.Gofurjonov

Научно-исследовательский гидрометеорологический институт,

Теги

# 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.

ДРУГИЕ СТАТЬИ ЭТОГО ЖУРНАЛА

Оценить статью

0
оценок: 0
5
4
3
2
1

Идентификаторы статьи

ROI:

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

DOI:

Недоступно

Список литературы

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

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