Ключові слова
машинне навчання
прогнозування врожайності
аграрні технології
Big Data
Як цитувати
Кількість переглядів 17
Анотація
У статті розглянуто сучасні підходи до застосування штучного інтелекту (ШІ) для прогнозування врожайності сільськогосподарських культур. Проаналізовано традиційні методи оцінки врожайності та їхні обмеження, окреслено переваги використання алгоритмів машинного навчання та нейронних мереж. Представлено методологію збору та обробки даних, результати практичного застосування моделей ШІ, а також перспективи інтеграції інтелектуальних систем у аграрний сектор. Додатково підкреслено економічну значимість прогнозування врожайності: за даними ОЕСР, у 2022–2024 рр. трансферти фермерам у 54 країнах зросли більш ніж на 20% порівняно з доковідним періодом, тоді як інвестиції в інновації скоротилися відносно розміру сектору. Це створює ризики для продовольчої безпеки та підкреслює актуальність застосування ШІ.
Посилання
Іванов В., Петренко О. Прогнозування врожайності на рівні полів [Електронний ресурс] //
Український журнал дистанційного зондування. – 2024. – № 1. – Режим доступу: https://ujrs.org.ua/ujrs/article/view/275.
Григоренко С., Коваленко Л. Підхід та модель прогнозування врожайності озимої пшениці із застосуванням машинного навчання [Електронний ресурс] // Вісник Львівського національного університету природокористування. Серія «Агроінженерні дослідження». – 2024. – № 28. – Режим доступу: https://visnyk.lnup.edu.ua/index.php/agroengineering/article/view/394.
Бондаренко І., Шевченко М. Метод прогнозування врожайності кукурудзи на зерно з використанням нечітких когнітивних карт [Електронний ресурс] // Український журнал дистанційного зондування. – 2024. – № 1. – Режим доступу: https://ujrs.org.ua/ujrs/article/view/261.
Кравченко А., Мельник Д. Дані дистанційного зондування та машинне навчання
для прогнозування врожайності основних культур на регіональному рівні [Електронний ресурс] / Херсонський державний аграрно-економічний університет. – 2025. – Режим доступу: https://dspace.ksaeu.kherson.ua/bitstream/handle/123456789/11242/remote-sensing-data-and-machine-learning-to-predict-yields-of-major-crops-on-regional-scale.pdf (https://www.google.com/search?q=https://dspace.ksaeu.kherson.ua/bitstream/handle/123456789/11242/remote-sensing-data-and-machine-learning-to-predict-yields-of-major-crops-on-regional-scale.pdf).
Нгуєн П., Лі Дж. Прогнозування врожайності культур із використанням глибинного навчання та дистанційного зондування [Електронний ресурс] // Journal of Engineering Research and Reports. –
– Vol. 24, Iss. 3. – Режим доступу: https://journaljerr.com/index.php/JERR/article/view/858.
Шарма Р., Сінгх А. Оцінка врожайності культур із використанням глибинного навчання та супутникових знімків [Електронний ресурс] // International Journal of Intelligent Systems and Applications in
Engineering. – 2023. – Vol. 11, Iss. 8. – Режим доступу: https://ijisae.org/index.php/IJISAE/article/view/3301.
Ткаченко О., Іваненко С. Порівняльна оцінка алгоритмів машинного навчання для прогнозування врожайності пшениці з використанням кліматичних індикаторів та супутникових індексів рослинності [Електронний ресурс] // Східноєвропейський журнал підприємницьких технологій. – 2025. – № 1(133). – Режим доступу: https://journals.uran.ua/eejet/article/view/340563.
Чен М., Ван Л. Мультимодальна інтеграція даних та ансамблеве глибинне навчання для точного прогнозування врожайності культур [Електронний ресурс] // arXiv. – 2025. – Режим доступу: https://arxiv.org/abs/2502.06062.
Ковальчук В., Мельник І. Інтеграція методів машинного та глибинного навчання
для прогнозування врожайності соняшника [Електронний ресурс] // Управління розвитком складних систем. – 2024. – № 57. – Режим доступу: https://mdcs.knuba.edu.ua/article/view/315914 (https://www.google.com/search?q=https://mdcs.knuba.edu.ua/article/view/315914).
OECD. Agricultural Policy Monitoring and Evaluation 2025 : Making the Most of the Trade and Environment Nexus in Agriculture [Електронний ресурс] / OECD. – Paris : OECD Publishing, 2025. – 714 p. – Режим доступу: https://doi.org/10.1787/a80ac398-en.
Петров Г., Захаров А. Метод прогнозування вологості ґрунту із застосуванням машинного навчання у системах «розумного» землеробства [Електронний ресурс] // Український журнал інформаційних технологій. – 2024. – № 6(1).
Тези доступні на умовах Creative Commons Attribution-ShareAlike 4.0 International License.