Ключевым моментом повышения урожайности возделываемых сельскохозяйственных культур является подготовка почвы к весенним работам. Боронование почвы является одним из основных агротехнологических этапов подготовки почвы к посевным работам. Необходимость проведения боронования обуславливается сохранением влажности почвы в связи с интенсивным испарением её через образовавшиеся трещины из-за пересыхания. Данный вид работ способствует: – улучшению состояния плодородного слоя почвы за счёт его рыхления; – измельчению образовавшихся комьев от предыдущих операций; –улучшению аэрации. После данной агротехнологической операции почва обретает такое необходимое физическое свойство как пористость, способствующая лучшему доступу воздуха. Особенно этот вид агротехнологической операции важен в тех регионах, где подготовку почвы к весенним посевным работам невозможно осуществить сразу после уборки урожая по ряду специфических причин. В этих сложившихся условиях подготовку почвы к весенним работам проводят непосредственно перед посевными работами. С целью повышения урожайности и поддержания плодородности почвы широкое применение получили тяжёлые дисковые бороны и дискаторы. При их использовании обеспечивается: – уничтожение сорняков; – улучшение влагоудерживающих свойств почвы; – повышение её аэрации; – структурного состава; –снижение сроков её подготовки к посевным работам; – заделка остатков от предыдущей культуры; – разрыхление верхнего плодородного слоя почвы; – выравнивание её поверхности. Это особенно важно при проведении посевных работ и дальнейшем уходе за посевами и уборки урожая. Исходя из вышесказанного в условиях, когда подготовка почвы происходит непосредственно перед посевными работами, а также с целью снижения энергозатрат наиболее приемлемым является использование тяжёлых дисковых борон. Проведенные исследования показали, что в условиях Амурской области использование тяжелых дисковых борон будет особенно актуально для крестьянско–фермерских хозяйств с небольшой посевной площадью. В связи с тем, что почвы представляют собой тяжёлый суглинок, возникает необходимость адаптации данных сельскохозяйственных агрегатов, а именно: –оптимизация силовых нагрузок на опорные поверхности энергетического средства; – оптимизация силовых нагрузок на рабочие органы почвообрабатывающего орудия

В представленной статье рассматривается фундаментальная научная проблема «черного ящика» в современных системах искусственного интеллекта и обосновывается переход к парадигме объяснимого искусственного интеллекта (Explainable AI — XAI). Целью работы является обоснование научного приоритета отечественной школы под руководством профессора Е. В. Луценко в создании интерпретируемых интеллектуальных систем. Автором доказывается, что разработанный им автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий — интеллектуальная система «Эйдос» — представляют собой исторически первую и методологически наиболее полную реализацию концепции XAI в мире. Особое внимание в работе уделяется публикации 2003 года, в которой задолго до формирования мирового мейнстрима были предложены нелокальные интерпретируемые нейронные сети прямого счета. В статье подробно раскрывается математическая модель системы, базирующаяся на оригинальной системной теории информации (СТИ) и модифицированной семантической мере Харкевича. Описан технологический цикл функционирования системы — десятиэтапный алгоритм «когнитивного конфигуратора», позволяющий преобразовывать эмпирические данные в объяснимые знания. В отличие от популярных западных методов интерпретации (LIME, SHAP), работающих по принципу post-hoc, АСК-анализ реализует принцип «интерпретируемости по дизайну», где каждый весовой коэффициент имеет четкий физический смысл — количество информации или знаний в битах о влиянии соотвествующего значения фактора на переход объекта моделирования в каждое из будущих состояний, соответствующих классам. Практическая значимость исследования подтверждается многолетней апробацией системы в критически важных отраслях: агрономии, медицине, психологии и экономике. Приведены данные о защите 10 докторских и 13 кандидатских диссертаций на базе данной методологии. Описана технологическая эволюция системы «Эйдос» за 45 лет — от мейнфреймов 1980-х годов до современной реализации 2025 года на языке Python с использованием DuckDB и GPU-вычислений. В заключении подчеркивается, что АСК-анализ является самостоятельной научной парадигмой, возвращающей исследователю контроль над логикой принятия решений ИИ и обеспечивающей фундамент для создания доверенных интеллектуальных систем в условиях цифровой экономики

В работе показаны результаты полевых испытаний, осуществленных в УОХ «Кубань» КубГАУ (Краснодарский край). Предмет исследований –чернозем выщелоченный, обрабатываемый под посев кукурузы. Схема опыта (способ основной обработки почвы): отвальный (вспашка на 25–27 см) и безотвальный (чизелевание на 25–27 см). Методики и агротехника – общепринятые. В длительном стационарном опыте при возделывании кукурузы на зерно установлено, что более оптимальным структурное состояние почвы формировалось при проведении отвальной обработки почвы (вспашки). На системе отвальной обработки почвы в фазу всходов коэффициент структурности равен 2,80, а на безотвальном способе 2,03, что на 0,73 меньше по сравнению с контролем. В фазу цветения кукурузы разница между отвальным и безотвальным способом обработки составила 1,21, при коэффициенте структурности на контроле 2,41. К полной спелости кукурузы коэффициент структурности на отвальной обработке 1,60, а на безотвальной 1,09 разница в пользу вспашки 0,51. В течение вегетации растений кукурузы под действием антропогенных, природных и биотических факторов почва уплотняется. Установлено, что плотность сложения пахотного слоя в первой половине вегетации была близкой к оптимальной (1,20–1,29 г/см3). К концу вегетации плотность достигла неблагоприятных показателей, происходило ее уплотнение до 1,38–1,41 г/см3. Влагообеспеченность метрового слоя почвы в начале вегетации растений кукурузы не зависела от варианта основной обработки почвы и варьировали в пределах 78,9–81,6 мм соответственно при норме 145 мм. В фазу цветения запасы соответственно равнялись 84,0–89,0 мм. В фазу полной спелости запасы продуктивной влаги отсутствовали. Вегетационный период кукурузы по запасам влагообеспеченности был неудовлетворительным

Развитие цифрового сельского хозяйства сопровождается активным внедрением беспилотных авиационных систем (БАС). Ключевой проблемой является обеспечение стабильной связи для передачи больших объемов данных в реальном времени. В статье представлен сравнительный анализ трёх сетевых архитектур: 4G, 5G и самоорганизующихся Ad-Hoc сетей. Анализ выполнен по системе критериев, включающей технические, экономические и эксплуатационные параметры. Определены границы эффективного применения каждой технологии и сформулированы рекомендации по их использованию в зависимости от агротехнологических задач и экономических условий сельхозпредприятия

Задачей нашего исследования было изучение породного состава агролесомелиоративных защитных насаждений, а также биометрических показателей деревьев и их экологического состояния. Была рассчитана средневзвешенная категория состояния изученных лесополос, проведен фаунистический срез в лесополосах и на полях озимой пшеницы. На основании полученных данных сделаны рекомендации по восстановлению лесополос западной части Динского района. Были проанализированы данные по благотворному влиянию лесополос разного типа конструкции на урожайность озимой пшеницы на полях района

В статье рассматривается применение анализа тональности инвесторов в моделях прогнозирования цен акций на китайском рынке акций класса A. Цель состоит в повышении точности прогнозирования за счёт интеграции многоисточниковых индикаторов тональности. На основании собранных комментариев новостных каналов и на инвесторских форумах за период с 2020 по 2024 годы построены индикаторы тональности, чтобы максимально сохранить информацию и снизить субъективную предвзятость. При экспериментировании с моделями LSTM и GRU прогнозирование цен акций проводились с различными комбинациями индикаторов тональности. Результаты показали наилучшую прогностическую способность у модели GRU. Включение в модель первой главной компоненты, как обобщённого индикатора тональности снизило ошибку прогнозирования и улучшило качество модели. Исследование показывает, что на китайском рынке учёт тональности инвесторов может улучшить прогностические возможности моделей