Сергей Владимирович Шайтура — кандидат технических наук, доцент кафедры информационных тех- нологий и управляющих систем
г. Королев, Московская область
Sergey V. Shaitura — Cand. Sci. (Tech.), Assoc. Prof. of the Department of Information Technologies and Control System
Korolev, Moscow Region
Наталья Петровна Семичевская — кандидат технических наук, доцент, доцент кафедры информацион- ных систем и цифровых технологий
Москва
Nataliya P. Semichevskaya — Cand. Sci. (Tech.), Assoc. Prof., Assoc. Prof. of the Department of Information Systems and Digital Technologies
Moscow
Наталья Сергеевна Шайтура — кандидат физико-математических наук, старший преподаватель кафедры высшей математики
Москва
Nataliya S. Shaitura — Cand. Sci. (Phys.-Math.), Senior Lecturer of the Higher Mathematics Department
Moscow
В статье рассматриваются современные подходы к прогнозированию урожайности сельскохозяйственных культур в аграрных регионах юга России с использованием технологий искусственного интеллекта (нейронных сетей). Актуальность темы обусловлена высокой значимостью южных регионов (Краснодарский и Ставропольский края, Ростовская область и др.) в продовольственной безопасности России и необходимостью оперативного и точного прогнозирования урожая. Цель данной работы — разработать, применить и сделать оценку моделей прогнозирования урожайности сельскохозяйственных культур на юге России с использованием методов искусственного интеллекта, основанных на нейронных сетях различного типа. Рассмотрены методология и инструментарий применения нейросетевых алгоритмов (LSTM, CNN, MLP) для прогнозирования урожайности на основе данных 2020–2025 гг., включая статистические показатели урожайности, метеорологические данные и индексы растительности (NDVI). Представлены результаты моделирования, демонстрирующие преимущество LSTM-модели по точности прогноза по сравнению с другими моделями. Приведены графики и таблицы, иллюстрирующие фактическую и прогнозируемую урожайность, а также сравнительный анализ ошибок моделей. Проведена оценка результатов — сравнительная точность и ошибки прогнозов различных моделей. Рассмотрены ограничения проведенного исследования, к которым относятся непредставительность контрольных выборок, а также несовершенство системы сбора статистической информации. В связи с этим предложены направления дальнейших исследований, таких как расширение объема данных, обработка и подготовка данных к анализу, использование гибридных моделей, улучшение интерпретируемости моделей.
The article discusses modern approaches to predicting crop yields in the agricultural regions of southern Russia using artificial intelligence technologies (neural networks). The relevance of this topic is due to the high importance of the southern regions (Krasnodar Territory, Stavropol Territory, Rostov Region, etc.) in Russia’s food security, and the need for prompt and accurate crop forecasting. The purpose of this work is to develop, apply and evaluate models for predicting crop yields in southern Russia using artificial intelligence methods based on various types of neural networks. Methodology and tools of neural network algorithms application (LSTM, CNN, MLP) are considered to predict crop yields based on data from 2020 to 2025, including statistical indicators of crop yields, meteorological data, and vegetation indices (NDVI). The article presents the results of modeling, which demonstrate the advantage of the LSTM model in terms of prediction accuracy compared to other models. The results section includes graphs and tables that illustrate the actual and predicted crop yields, as well as a comparative analysis of the model errors.
The authors declare that there are no conflicts of interest present.