1814-8476 Управленческий учет Management accounting 1814-8476 Издательский дом "Академический" 6315 https://uprav-uchet.ru/index.php/journal/article/view/6315 ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЕКТА В ПРОГНОЗИРОВАНИИ УРОЖАЙНОСТИ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР USING ARTIFICIAL INTELLIGENCE TO PREDICT THE YIELD OF AGRICULTURAL CROPS Гурнович Т.Г. Гурнович Т.Г. Gurnovich T.G. Курбала А.Д. Курбала А.Д. Kurbala A.D. mb613@mail.ru Гамаюнов Н.М. Гамаюнов Н.М. Gamayunov N.M. Бочин М.В. Бочин М.В. Bochin M.V. Кубанский государственный аграрный университет имени И. Т. Трубилина Kuban State Agrarian University named after I. T. Trubilin 01 07 2026 2026 7 268 273 04 05 2026 25 06 2026 2026 Издательский дом "Академический" Academic Publishing House Материал распространяется на условиях лицензии Creative Commons Attribution 4.0 International (CC BY 4.0). This work is licensed under a Creative Commons Attribution 4.0 International License (CC BY 4.0). https://uprav-uchet.ru/index.php/journal/article/view/6315

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.

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.

 Ключевые слова прогнозирование урожайности искусственный интеллект спутниковый мониторинг цифровизация сельского хозяйства технологические факторы климатическая адаптация. Keywords yield forecasting artificial intelligence satellite monitoring digitalization of agriculture technological factors and climate adaptation. 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.