Роль алгоритмов машинного обучения в оптимизации сельскохозяйственного производства: обзор международного опыта и адаптация к условиям Эфиопии

Актуальность исследования обусловлена необходимостью повышения эффективности сельскохозяйственного производства в условиях растущей потребности в продовольственной безопасности, особенно в странах с низким уровнем экономического развития, таких как Эфиопия. Основная цель работы заключается в исследовании возможностей применения алгоритмов машинного обучения для оптимизации агропроизводственных процессов и адаптации международного опыта к специфическим условиям Эфиопии. Методологический подход включает анализ современной научной литературы, посвященной использованию машинного обучения в сельском хозяйстве, и систематизацию успешных практик применения таких алгоритмов, как CNN, LSTM, RNN и Q-Learning. Проведено исследование особенностей сельскохозяйственного сектора Эфиопии, включая существующие барьеры для внедрения передовых технологий. Результаты работы демонстрируют, что алгоритмы машинного обучения обладают значительным потенциалом для повышения урожайности, улучшения мониторинга состояния почвы и культур, а также прогнозирования климатических рисков. В частности, использование данных, полученных с беспилотников и сенсоров, способствует созданию точных моделей для управления процессами в сельском хозяйстве. Выявлены ключевые препятствия, такие как недостаток финансирования, отсутствие специализированной инфраструктуры для обработки данных и низкая доступность технологий. Выводы исследования подчеркивают необходимость привлечения государственных и международных инвестиций, создания адаптированных баз данных и разработки моделей, учитывающих локальные особенности. Представленные материалы имеют практическую ценность для разработки стратегий цифровизации сельского хозяйства и предотвращения продовольственных кризисов в странах с аналогичными проблемами.

1. Алехина Е.С. Развитие профессиональных компетенций персонала в сельском хозяйстве и его влияние на повышение качества и производительности. Вестник науки. 2023;1(12):32–42.

2. Русакова К.А. Технологии искусственного интеллекта, машинного обучения и обработки данных в сельском хозяйстве. В сборнике: Беларусь в современном мире: Материалы XVII Международная научная конференция студентов, магистрантов, аспирантов и молодых ученых: Часть 1, 23–24 мая 2024 года, Гомель, Беларусь. Гомель: Гомельский государственный технический университет имени П.О. Сухого; 2024. С. 143–146.

3. Халдурдыева М., Мовламова Л., Тайлакова А., Аннаев М. Влияние цифровизации на эффективность агропромышленного комплекса. Ceteris Paribus. 2024;(5):49–52.

4. Ронжин А.Л., Савельев А.И. Системы искусственного интеллекта в решении задач цифровизации и роботизации агропромышленного комплекса. Сельскохозяйственные машины и технологии. 2022;16(2):22–29. https://doi.org/10.22314/2073-7599-2022-16-2-22-29

5. Гончарова Я.В., Панков В.В. Существующие аспекты внедрения машинного обучения в агропромышленных комплексах. В сборнике: Инновационные технологии и технические средства для АПК, 11–12 ноября 2021 года, Воронеж, Россия. Воронеж: Воронежский государственный аграрный университет им. Императора Петра I; 2021. С. 223–227.

6. Кошкаров А.В. Методы машинного обучения в цифровом сельском хозяйстве: алгоритмы и кейсы. Международный журнал перспективных исследований. 2018;8(1):11–26. (На англ.). https://doi.org/10.12731/2227-930X-2018-1-11-26

7. Archana S., Kumar P.S. A Survey on Deep Learning Based Crop Yield Prediction. Nature Environment and Pollution Technology. 2023;22(2):579–592. https://doi.org/10.46488/NEPT.2023.v22i02.004

8. Benos L., Tagarakis A.C., Dolias G., Berruto R., Kateris D., Bochtis D. Machine Learning in Agriculture: A Comprehensive Updated Review. Sensors. 2021;21(11). https://doi.org/10.3390/s21113758

9. Van Klompenburg T., Kassahun A., Catal C. Crop yield prediction using machine learning: A systematic literature review. Computers and Electronics in Agriculture. 2020;177. https://doi.org/10.1016/j.compag.2020.105709

10. Liakos K.G., Busato P., Moshou D., Pearson S., Bochtis D. Machine Learning in Agriculture: A Review. Sensors. 2018;18(8). https://doi.org/10.3390/s18082674

11. Meshram V., Patil K., Meshram V., Hanchate D., Ramkteke S.D. Machine learning in agriculture domain: A state-of-art survey. Artificial Intelligence in the Life Sciences. 2021;1. https://doi.org/10.1016/j.ailsci.2021.100010

12. Oikonomidis A., Catal C., Kassahun A. Deep learning for crop yield prediction: a systematic literature review. New Zealand Journal of Crop and Horticultural Science. 2022;51(1). https://doi.org/10.1080/01140671.2022.2032213

13. Veeragandham S., H S. A Review on the Role of Machine Learning in Agriculture. Scalable Computing: Practice and Experience. 2020;21(4):583–589. https://doi.org/10.12694/scpe.v21i4.1699

14. Akintuyi O.B. Adaptive AI in precision agriculture: A review: Investigating the use of self-learning algorithms in optimizing farm operations based on real-time data. Open Access Research Journal of Multidisciplinary Studies. 2024;07(02):016–030​. https://doi.org/10.53022/oarjms.2024.7.2.0023

15. Elavarasan D., Durairaj Vincent P.M. Crop Yield Prediction Using Deep Reinforcement Learning Model for Sustainable Agrarian Applications. IEEE Access. 2022;8:86886–86901. https://doi.org/10.1109/ACCESS.2020.2992480

16. Girma Y., Kuma В. A meta analysis on the effect of agricultural extension on farmers’ market participation in Ethiopia. Journal of Agriculture and Food Research. 2022;7. https://doi.org/10.1016/j.jafr.2021.100253

17. Zerssa G., Feyssa D., Kim D.-G., Eichler-Löbermann B. Challenges of Smallholder Farming in Ethiopia and Opportunities by Adopting Climate-Smart Agriculture. Agriculture. 2021;11(3). https://doi.org/10.3390/agriculture11030192

18. Wendimu G.Y., Moral M.T. The challenges and prospects of Ethiopian agriculture. Cogent Food & Agriculture. 2021;7(1). https://doi.org/10.1080/23311932.2021.1923619

19. Wassie S.B. Natural resource degradation tendencies in Ethiopia: a review. Environmental Systems Research. 2020;9. https://doi.org/10.1186/s40068-020-00194-1