КЛИМАТТЫК УБАКЫТ КАТАРЛАРЫН НЕЙРОНДУК ТОРЧОЛОР МЕТОДДОРУ АРКЫЛУУ БОЛЖОЛДОО (КЫРГЫЗ РЕСПУБЛИКАСЫНЫН МИСАЛЫНДА)
##semicolon##
климаттык убакыт катарлары, нейрондук тармак ыкмалары, климатты болжолдоо, LSTM, GRNN, XGBoostАннотация
Кыргыз Республикасынын мисалында абанын орточо температурасын, атмосфералык жаан-чачынын көлөмүн жана CO₂ эмиссиясын камтыган климаттык убакыт катарларын болжолдоо үчүн нейрондук торчолор методдору каралат. Болжолдоо үчүн LSTM, GRNN моделдери, ошондой эле салыштырмалуу талдоо максатында XGBoost алгоритми колдонулган. Климаттык көрсөткүчтөрдүн 2050-жылга чейинки болжолдоолору түзүлүп, ар кандай моделдер тарабынан түзүлгөн сценарийлер салыштырылды.
##submission.citations##
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).
