В статье представлен обзор современных цифровых технологий и решений на основе искусственного интеллекта (ИИ), применяемых для мониторинга производственного цикла в растениеводстве. Рассматриваются ключевые направления цифровизации агропромышленного комплекса – внедрение Интернета вещей (IoT), беспроводных сенсорных сетей, беспилотных летательных аппаратов (БПЛА), спутникового зондирования и алгоритмов машинного обучения. Эти технологии позволяют получать детализированные данные о состоянии посевов, влажности почвы, микроклимате и обеспечивать точное управление ресурсами. Показано, что использование цифровых систем и ИИ способствует росту урожайности на 20-30 %, снижению расхода воды и удобрений на 40-60 %, повышению точности прогнозирования урожайности до 90-95 %. Особое внимание уделено интеграции периферийного ИИ (edge AI), обеспечивающего обработку данных непосредственно на ферме, что повышает надёжность и снижает сетевые задержки. Отмечены барьеры внедрения – высокая стоимость оборудования, ограниченная цифровая инфраструктура и дефицит компетенций у сельхозпроизводителей. Сделан вывод, что сочетание IoT и ИИ является ключевым фактором перехода к устойчивому, ресурсосберегающему и высокотехнологичному сельскому хозяйству будущего. Показано, что основными ограничениями являются высокие капитальные затраты, слабая инфраструктура связи в сельских районах, отсутствие стандартов данных и недостаточный уровень цифровой грамотности фермеров

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

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

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 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

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