ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЕКТА В ПРОГНОЗИРОВАНИИ УРОЖАЙНОСТИ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР
Статья поступила в редакцию: 01.06.2026
Статья принята к публикации: 04.06.2026
Статья опубликована: 01.07.2026
Ключевые слова:
прогнозирование урожайности, искусственный интеллект, спутниковый мониторинг, цифровизация сельского хозяйства, технологические факторы, климатическая адаптация.Аннотация
Данная статья посвящена использованию искусственного интеллекта для прогнозирования урожайности сельскохозяйственных культур. Авторы оценивают, как менялась и прогрессировала точность прогнозных моделей с 2021 по 2024 год в пяти ведущих сельскохозяйственных регионах мира. К тому же была проанализирована экономическая выгода от внедрения ИИ-систем не только для крупных агропредприятий, но и небольших фермерских хозяйств. В рассматриваемом исследовании объясняются причины повышения точности прогнозов, например, расширение спутниковых группировок, увеличение частоты съемок, а также объемов данных для обучения различных моделей. Была проведена оценка сокращения потерь урожая от шести видов угроз. Кроме того, сравнивается внедрение ИИ-технологий в различных странах в динамике за 7 лет.
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
Список литературы
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.
