| DC Field | Value | Language |
|---|
| dc.contributor.author | Abduvaitov, A. A. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2026-07-07T06:30:22Z | - |
| dc.date.available | 2026-07-07T06:30:22Z | - |
| dc.date.issued | 2026 | - |
| dc.identifier.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. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/64452 | - |
| dc.description.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%. | en_US |
| dc.language.iso | en | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | ground water | en_US |
| dc.subject | remote sensing technologies | en_US |
| dc.subject | deep learning algorithms | en_US |
| dc.title | Dev monitoring and forecasting of groundwater levels based on remote sensing | en_US |
| dc.type | Article | en_US |
| local.description.annotation | 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%. | en_US |
| Appears in Collections: | Информационные радиосистемы и радиотехнологии (2026)
|
