NEURAL NETWORK METHODS FOR FORECASTING CLIMATE TIME SERIES (CASE STUDY OF THE KYRGYZ REPUBLIC)
Keywords:
climate time series, neural network methods, climate forecasting, LSTM, GRNN, XGBoostAbstract
Neural network methods for forecasting climate time series are examined using the Kyrgyz Republic as a case study. The study focuses on time series of mean air temperature, atmospheric precipitation, and CO₂ emissions. LSTM and GRNN models, as well as the XGBoost algorithm, are applied for comparative analysis. Forecasts of climate indicators up to 2050 are obtained, and the scenarios produced by different models are compared.
References
1. Подрезов О.А. Изменение современного климата Северного, Северо-Западного Кыргызстана (температура и осадки 1930–2010 гг.) / О.А. Подрезов, А.О. Подрезов. Бишкек: Изд-во КРСУ, 2017. 324 с.
2. Ю.А. Подрезова, О.А. Подрезов. Изменения климата Бишкека за столетие 1930–2030 гг. /Вестник КРСУ. 2021. Том 21. № 12. С.192-198.
3. Сулайманова С.М., Абдрасакова А.Б. Анализ климатических данных с помощью нейронных сетей / Вестник КГУСТА, Вып. 77 (3), Бишкек, 2022г. – С.1217 – 1222. То же: [Электронный ресурс]. – Режим доступа: https://www.elibrary.ru/item.asp?id=49803702
4. Абдрасакова А.Б., Сулайманова С.М. Применения рекуррентных нейронных сетей LSTM для прогнозирования временных рядов среднемесячной температуры воздуха /МУИТ. Наукаи инновационные технологии. №4, 2023г. – С.5 – 7. То же: [Электронный ресурс]. – Режим доступа: https://elibrary.ru/item.asp?id=61486574
5. Определяемый на национальном уровне вклад Кыргызской Республики ОНУВ3.0, г.Бишкек, 2025 г. 99 стр. Подготовлено при поддержке Программы развития ООН в Кыргызской Республике в рамках проекта ПРООН «Климатическая перспектива». https://unfccc.int/sites/default/files/2025-10/NDC3.0_Kyrgyzstan_Russian_30-09-2025.pdf
6. A Hybrid ARIMA-LSTM-XGBoost Model with Linear Constraints for Transformer Oil Temperature Forecasting (2025, Energies MDPI)
7. Li, Z. Extracting spatial effects from machine learning model using local interpretation method: An example of shap and xgboost. Comput. Environ. Urban Syst. 96, 101845. https://doi.org/10.1016/j.compenvurbsys.2022.101845 (2022).
8. Liu, W., Liu, W. D. & Gu, J. Predictive model for water absorption in sublayers using a joint distribution adaption based xgboost transfer learning method. J. Petrol. Sci. Eng. 188, 106937. https://doi.org/10.1016/j.petrol.2020.106937 (2020).
