USING ARTIFICIAL INTELLIGENCE TO PREDICT THE YIELD OF AGRICULTURAL CROPS
Статья поступила в редакцию: 01.06.2026
Статья принята к публикации: 04.06.2026
Статья опубликована: 01.07.2026
Keywords:
yield forecasting, artificial intelligence, satellite monitoring, digitalization of agriculture, technological factors, and climate adaptation.Abstract
This article focuses on the use of artificial intelligence for crop yield forecasting. The authors evaluate how the accuracy of forecast models has changed and improved from 2021 to 2024 in five leading agricultural regions worldwide. Additionally, they analyze the economic benefits of implementing AI systems not only for large agricultural enterprises but also for small farms. The study explains the reasons for the increase in forecast accuracy, such as the expansion of satellite constellations, increased frequency of imagery, and the availability of data for training various models. The assessment of crop loss reduction from six types of threats was carried out. In addition, the implementation of AI technologies in various countries is compared in dynamics over 7 years.
Информация о публикации
Финансирование: Исследование выполнено без привлечения внешнего финансирования, если иное не указано авторами.
Вклад авторов: Все авторы внесли существенный вклад в подготовку статьи, ознакомились с окончательной версией рукописи и одобрили ее к публикации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов, если иное не указано в публикации.
Правообладатель: Издательский дом «Академический».
Лицензия: Статья распространяется на условиях лицензии Creative Commons Attribution 4.0 International (CC BY 4.0).
Машиночитаемый файл метаданных: JATS XML
References
Гурнович Т.Г., Лягоскина Н.Р., Литвиненко Е.В., Борсковец М.С. Цифровая трансформация сельскохозяйственного производства в России // Естественно-гуманитарные исследования. 2023. № 1 (45). С. 110-116. EDN: IZPMES.
Продовольственная и сельскохозяйственная организация Объединённых Наций (ФАО). The State of Food and Agriculture 2023. Using AI for early warning systems in crop production - Rome: FAO Publications, 2024. 210 p.
Kamilaris A., Prenafeta-Boldú F.X. Deep learning in agriculture: A survey // Computers and Electronics in Agriculture. 2018. Vol. 147. P. 70-90. DOI: 10.1016/j.compag.2018.02.016 EDN: VFAIQR.
Van Klompenburg T., Kassahun A., Catal C. Crop yield prediction using machine learning: A systematic literature review // Computers and Electronics in Agriculture. 2020. Vol. 177. P. 105709. DOI: 10.1016/j.compag.2020.105709 EDN: KYRWYS.
Wolanin A., Camps-Valls G., Gómez-Chova L., Mateo-García G., van der Tol C., Zhang Y., Guanter L. Estimating crop primary productivity with Sentinel-2 and Landsat 8 using machine learning methods trained with radiative transfer simulations // Remote Sensing of Environment. 2019. Vol. 225. P. 441-457. DOI: 10.1016/j.rse.2019.02.018 EDN: XUOVAK.
Wolanin A., Mateo-García G., Camps-Valls G., Gómez-Chova L., Meroni M., et al. Estimating and understanding crop yields with explainable deep learning in the Indian Wheat Belt // Environmental Research Letters. 2020. Vol. 15. No. 2. P. 024019. DOI: 10.1088/1748-9326/ab68ac EDN: NOEMVJ.
