| Title: | Dev monitoring and forecasting of groundwater levels based on remote sensing |
| Authors: | Abduvaitov, A. A. |
| Keywords: | материалы конференций;ground water;remote sensing technologies;deep learning algorithms |
| Issue Date: | 2026 |
| Publisher: | БГУИР |
| Citation: | Abduvaitov, A. A. Dev monitoring and forecasting of groundwater levels based on remote sensing / A. A. Abduvaitov, S. Kh. Nizomov // Информационные радиосистемы и радиотехнологии : сборник материалов научно-технической конференции, Минск, 9–10 июня 2026 г. / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: В. А. Богуш [и др.]. – Минск, 2026. – С. 144–147. |
| Abstract: | This paper proposes an integrated real-time groundwater monitoring and forecasting system based on the
integration of remote sensing technologies (satellite imagery and IoT sensors) with deep learning algorithms. The system
architecture comprises four layers: data acquisition, signal preprocessing, CNN-LSTM hybrid neural network forecasting,
and multi-layer GIS visualization. Experiments conducted on 42 observation wells in the Zarafshan Valley demonstrate
that the CNN-LSTM hybrid model achieves R² = 0.93 and RMSE = 0.29 m accuracy over a 12-month forecasting horizon,
outperforming conventional methods by 31%. The anomaly detection module achieves a detection accuracy of 93.7%. |
| Alternative abstract: | В данной статье предлагается интегрированная система мониторинга и прогнозирования грунтовых
вод в режиме реального времени, основанная на интеграции технологий дистанционного зондирования
(спутниковые снимки и датчики IoT) с алгоритмами глубокого обучения. Архитектура системы включает четыре
уровня: сбор данных, предварительная обработка сигналов, прогнозирование с помощью гибридной нейронной
сети CNN-LSTM и многослойная визуализация ГИС. Эксперименты, проведенные на 42 наблюдательных
скважинах в долине Зарафшан, показывают, что гибридная модель CNN-LSTM достигает точности R² = 0,93 и
RMSE = 0,29 м на 12-месячном горизонте прогнозирования, превосходя традиционные методы на 31%. Модуль
обнаружения аномалий достигает точности обнаружения 93,7%. |
| URI: | https://libeldoc.bsuir.by/handle/123456789/64452 |
| Appears in Collections: | Информационные радиосистемы и радиотехнологии (2026)
|
