Основная цель этой исследовательской работы — применить модель глубокой нейронной сети для прогнозирования временных рядов переменных, характеризующих состояние окружающей среды. Точное прогнозирование снежного покрова и нормализованного разностного вегетационного индекса NDVI является важным вопросом для надёжности и эффективности гидрологического моделирования и прогнозирования распространения леса. В этой работе изучается модель с долговременной кратковременной памятью LSTM для прогнозирования временных рядов снежного покрова, температуры и NDVI. Искусственные нейронные сети широко используются для прогнозирования временных рядов благодаря их адаптивному характеру вычислений. LSTM и рекуррентные нейронные сети являются одними из нескольких архитектур, представленных в классе искусственных нейронных сетей. LSTM — это разновидность рекуррентной нейронной сети, способная изучать долгосрочные зависимости. Авторы следовали стратегии от грубой до точной, предоставляя обзоры различных связанных исследовательских материалов и подкрепляя их анализом LSTM для набора данных Химачал-Прадеш (Himachal Pradesh) по мере их сбора. Экологические факторы индийского региона Химачал-Прадеш прогнозируются с использованием набора данных, состоящего из температуры, снежного покрова и вегетационного индекса в качестве параметров за 2001–2017 гг. В настоящее время доступные инструменты и методы делают представленную систему более эффективной для быстрой оценки, настройки и улучшения анализа факторов, связанных с окружающей средой.