В данной работе представлен анализ текущего состояния и перспектив развития технологий измерения расхода дизельного топлива при проведении энергетической оценки машинно-тракторных агрегатов. Исследование охватывает как российские, так и зарубежные разработки, с акцентом на инновационные цифровые технологии, применяемые в данной сфере. Особое внимание уделяется выявлению ключевых тенденций и направлений эволюции измерительных систем

Сравниваются статистический MAD-критерий, Isolation Forest, XGBoost, автокодировщик последовательностей и каскады MAD+IF и MAD+IF+SeqAE на данных корпоративных информационных систем. Эксперименты проведены на наборе ULB Credit Card Fraud (0,17 % мошеннических операций) и на сессионном наборе, собранном агрегацией журнала платёжной КИС (4,3 % аномалий). Оценка выполнена по F1, PR-AUC и функция ущерба с разными весами ошибок. При наличии разметки лучший результат даёт XGBoost (F1 = 0,81 и 0,77); среди методов без учителя на транзакциях предпочтителен Isolation Forest без SMOTE (F1 = 0,17 против 0,12 с балансировкой). Каскад MAD+IF после подбора порогов на валидации сокращает объём записей, передаваемых на углублённый анализ, на 58 % относительно полного потока; добавление SeqAE качество не повышает, но увеличивает время обработки. Полученные выводы могут использоваться при построении систем внутреннего контроля и финансового мониторинга

В работе освещены данные полевых испытаний, осуществленных в УОХ «Кубань» КубГАУ (Краснодарский край). Предмет исследований –Краснодарский 377 (гибрид кукурузы). Схема опыта. Фактор А (прием обработки почвы): вспашка (25–27 см) и дискование (10–12 см). Фактор В (норма удобрения): 1) контроль (N0P0К0), 2) N60P60К60 (рекомендация), 3) N120P120К120 (интенсив). Агротехника и методика – общеупотребительны. Длительное проведение опытов в стационаре по выращиванию полевых культур показало, что структура урожая более рационально слагалась на фоне применения удобрений согласно интенсивной норме под отвальную обработку почвы (вспашку). Фактическая урожайность больше всего была реализована при внесении удобрений по норме N120P120К120 (интенсив) под вспашку – 7,42 т/га. На 0,46 т/га уступает ему вариант с внесением удобрений по дисковке по норме N120P120К120 (интенсив) – 6,96 т/га. Применение удобрений по норме N60P60К60 (рекомендация) способствовало урожайности в 6,67 и 6,61 т/га, соответственно по вспашке и дисковке. Отсутствие удобрений способствовало снижению на 0,3 т/га урожайности на варианте с дискованием по сравнению с контролем до 5,03 т/га. Максимальную урожайность получили при внесении удобрений по норме N120P120К120 (интенсив) под вспашку – на 39,2 % выше контроля. Внесение удобрений по норме N60P60К60 (рекомендация) под вспашку привело ко второму результату по опыту – 25,1 % выше контроля. Меньше всего показатели уровня рентабельности были в отсутствии удобрения: по вспашке это 88 %, а по дисковке – 87 %. Максимальным уровень рентабельности был на варианте с внесением удобрений по норме N60P60К60 (рекомендация) – 135 %, что выше контроля на 47 %

В статье рассматривается подход к автоматизированной обработке данных дистанционного зондирования Земли (ДЗЗ) на основе методов искусственного интеллекта. Система обеспечивает полный цикл работы с космическими снимками – от загрузки и предобработки до формирования итогового отчёта. Использованы Google Earth Engine, алгоритмы Random Forest и SVM, данные из восьми источников ДЗЗ и языковые модели. Апробация проведена на примерах мониторинга нарушений лесного покрова Иркутской области (2019–2024 гг.) и землеустроительной оценки сельскохозяйственных угодий в двух регионах России (Московская область и Краснодарский край). Точность классификации: 65,6 % для RF и 64,6 % для SVM. Система носит исследовательский характер и требует дальнейшей верификации перед практическим применением

В статье проанализированы четыре гибрида кукурузы в условиях центральной зоны Краснодарского края. Выявлены наиболее продуктивные и технологичные. Результаты работы позволяют сельхозпроизводителям подобрать наиболее перспективные гибриды в соответствии с поставленной целью, а селекционерам использовать как ценный материал для создания новых линий

Современный рынок недвижимости характеризуется высокой динамичностью и сложностью. Для принятия обоснованных решений всем его участникам, необходимы специализированные инструменты анализа, которые выходят за рамки традиционных методов и предлагают новые подходы к пониманию рыночных процессов. В современных условиях, когда рынок недвижимости генерирует и обрабатывает огромные наборы данных, необходимо использование математического и программного инструментария для эффективного извлечения ценной информации и создания интеллектуальных систем поддержки принятия решений. В статье описано приложение, предназначенное для кластеризации объектов недвижимости с целью выявления комплексных взаимосвязей между различными параметрами объектов и формирования типологий, отражающих реальную структуру рынка. Продемонстрированы его возможности при анализе рынка жилой недвижимости Твери. Приложение показало способность формировать детализированные профили рыночных сегментов и предоставлять новые инсайты для стратегического планирования