ПРОГНОЗИРОВАНИЕ ДАННЫХ ПОДЗЕМНЫХ ВОДОНОСНЫХ БАССЕЙНОВ С ИСПОЛЬЗОВАНИЕМ МОДЕЛЕЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
DOI:
https://doi.org/10.69891/Ключевые слова:
подземные воды искусственный интеллект прогнозирование гидрогеологические данные машинное обучение мониторинг анализ данныхАннотация
В данной статье подробно рассмотрены вопросы прогнозирования данных подземных водоносных бассейнов с использованием моделей искусственного интеллекта. В ходе исследования изучены методы анализа данных на основе гидрогеологических и гидродинамических показателей подземных вод, а также способы определения их будущих изменений. Использование моделей искусственного интеллекта, в частности, передовых архитектур, таких как Transformer, LSTM и GRU, позволяет выявлять сложные взаимосвязи между гидрогеологическими процессами и значительно повышать точность результатов прогнозирования. Эти модели способны учитывать как долгосрочные, так и краткосрочные динамические изменения, включая сезонные циклы, антропогенное воздействие и отложенные цепочки «осадки-сток-уровень-гидрохимический состав». Результаты исследования могут быть применены для мониторинга ресурсов подземных вод, их эффективного управления, предотвращения экологических проблем и совершенствования систем поддержки принятия решений. В дальнейшем целесообразным представляется совместное применение различных моделей искусственного интеллекта, а также интеграция данных из нескольких источников с целью повышения надёжности результатов прогнозирования.Библиографические ссылки
Haykin S. Neural Networks and Learning Machines. — 3rd ed. — New York: Pearson Education, 2009. — pp. 1–936.
Goodfellow I., Bengio Y., Courville A. Deep Learning. — Cambridge: MIT Press, 2016. — pp. 1–775.
Bishop C.M. Pattern Recognition and Machine Learning. — New York: Springer, 2006. — pp. 1–738.
Russell S., Norvig P. Artificial Intelligence: A Modern Approach. — 4th ed. — Pearson Education, 2021. — pp. 1–1168.
Géron A. Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow. — Sebastopol: O'Reilly Media, 2022. — pp. 1–851.
Chollet F. Deep Learning with Python. — New York: Manning Publications, 2021. — pp. 1–504.
Han J., Kamber M., Pei J. Data Mining: Concepts and Techniques. — Waltham: Morgan Kaufmann, 2011. — pp. 1–703.
Z.B. Dadajonova, B.D. Abdullaev, N. Zaynidinov, B.B. Akbaraliev, B.R. Nasibov. Intellectual processing of hydrogeological data (using the example of groundwater) // British Journal of Global Ecology and Sustainable Development. — 2024.— Vol. 32. — pp. 1–8.
Dadajonova Z.B., Abdullayev B.D., Nasibov B.R., Dadajonov B.B. Monitoring of changes in groundwater quality in irrigated lands of Kashkadarya region // Bulletin of the University of Geological Sciences. — 2024. — No. 2. — pp. 1–8.
Dadajonova Z.B., Nurmurodov J.N. Classification of deposits with underground resources using artificial intelligence technologies // Al-Fargʻoniy avlodlari electronic scientific journal. — 2025. — Vol. 1. — Issue 2.
Dadajonova Z.B. Predicting groundwater level changes using an artificial intelligence model // Scientific article. — 2026.
Zaynidinov H.N., Qobilov S.Sh. A two-dimensional hydrogeological data modeling program based on a spline model independent of nodes. — 2024.
Aggarwal C.C. Neural Networks and Deep Learning. — Cham: Springer, 2018. — pp. 1–497.
Murphy K.P. Machine Learning: A Probabilistic Perspective. — Cambridge: MIT Press, 2012. — pp. 1–1067.
Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. — New York: Springer, 2009. — pp. 1–745.
Maier H.R., Jain A., Dandy G.C., Sudheer K.P. Methods used for the development of neural networks for the prediction of water resource variables // Environmental Modelling & Software. — 2010. — Vol. 25. — No. 8. — pp. 891–909.
ASCE Task Committee on Application of Artificial Neural Networks in Hydrology. Artificial Neural Networks in Hydrology // Journal of Hydrologic Engineering. — 2000. — Vol. 5. — No. 2. — pp. 115–123.
Kratzert F., Klotz D., Brenner C., Schulz K., Herrnegger M. Rainfall-runoff modelling using Long Short-Term Memory networks // Hydrology and Earth System Sciences. — 2018. — Vol. 22. — pp. 6005–6022.
Shalev-Shwartz S., Ben-David S. Understanding Machine Learning: From Theory to Algorithms. — Cambridge: Cambridge University Press, 2014. — pp. 1–410.
Abbot M.B., Refsgaard J.C. Distributed Hydrological Modelling. — Dordrecht: Springer, 1996. — pp. 1–336.
Ian H.W., Eibe F., Hall M.A. Data Mining: Practical Machine Learning Tools and Techniques. — Burlington: Morgan Kaufmann, 2016. — pp. 1–654.
Kelleher J.D., Tierney B. Data Science. — Cambridge: MIT Press, 2018. — pp. 1–280.
LeCun Y., Bengio Y., Hinton G. Deep Learning // Nature. — 2015. — Vol. 521. — pp. 436–444.
Schmidhuber J. Deep Learning in Neural Networks: An Overview // Neural Networks. — 2015. — Vol. 61. — pp. 85–117.
Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. — 1997. — Vol. 9. — No. 8. — pp. 1735–1780.
