Ключевые слова
Как цитировать
Аннотация
В данной статье рассматривается применение цифровых технологий в сельском хозяйстве и их влияние на урожайность и эффективность фермерских хозяйств. В ходе исследования были изучены отечественные и зарубежные научные источники, уделено внимание возможностям цифрового мониторинга, дистанционного зондирования, прогнозирования урожая на основе искусственного интеллекта и систем «умного земледелия» в условиях Узбекистана. Сравнительный анализ с международной практикой позволил выявить преимущества и существующие проблемы внедрения цифровых технологий в аграрный сектор. Результаты показывают, что использование цифровых инструментов способствует экономии водных ресурсов, устойчивому росту урожайности и повышению конкурентоспособности фермерских хозяйств. Полученные выводы обладают важным научно-практическим значением для совершенствования управления сельским хозяйством и ускорения процессов цифровой трансформatsiи.
Библиографические ссылки
1. Wolfert, S., Ge, L., Verdouw, C., & Bogaardt, M.-J. (2017). Big Data in Smart Farming – A review. Agricultural Systems, 153, 69–80. https://doi.org/10.1016/j.agsy.2017.01.023 Wageningen University & Research
2. You, J., Li, X., Low, M., Lobell, D. B., & Ermon, S. (2017). Deep Gaussian Process for Crop Yield Prediction Based on Remote Sensing Data. Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence, 31(1). https://doi.org/10.1609/aaai.v31i1.11172 aaai.org
3. Fan, J., Bai, J., Li, Z., Ortiz-Bobea, A., & Gomes, C. P. (2022). A GNN-RNN Approach for Harnessing Geospatial and Temporal Information: Application to Crop Yield Prediction. Proceedings of the AAAI Conference on Artificial Intelligence, 36(11), 11873-11881. https://doi.org/10.1609/aaai.v36i11.21444 ojs.aaai.org
4. Zhu, X., Cai, F., Tian, J., Williams, T. K.-A., et al. (2025). Dynamic gating-enhanced deep learning model with multi-source remote sensing synergy for optimizing wheat yield estimation. Frontiers in Plant Science, 16:1640806. https://doi.org/10.3389/fpls.2025.1640806 Frontiers
5. Abdelbaki, A., & Udelhoven, T. (2022). A Review of Hybrid Approaches for Quantitative Assessment of Crop Traits Using Optical Remote Sensing: Research Trends and Future Directions. Remote Sensing, 14(15), 3515. https://doi.org/10.3390/rs14153515 MDPI
6. Lu, L., Tian, G., & Hatzenbuehler, P. (2022). How agricultural economists are using big data: a review. China Agricultural Economic Review, 14(3), 494-508. https://doi.org/10.1108/CAER-09-2021-0167 Emerald
7. Erdanaev, E., Kappas, M., & Wyss, D. (2022). Irrigated Crop Types Mapping in Tashkent Province of Uzbekistan with Remote Sensing-Based Classification Methods. Sensors, 22(15), 5683. https://doi.org/10.3390/s22155683 MDPI
8. Babakholov, T., Abdullaev, A., & Sharipov, S. (2024). An accuracy assessment of satellite-based cotton yield estimation using panel data regression: a case study of Uzbekistan. Environment, Development and Sustainability. https://doi.org/10.1007/s10668-024-05220-1 SpringerLink
9. Conrad, C., Lamers, J. P. A., Ibragimov, N., Löw, F., & Martius, C. (2016). Analysing irrigated crop rotation patterns in arid Uzbekistan by the means of remote sensing: A case study on post-Soviet agricultural land use. Journal of Arid Environments, 124, 150-159. https://doi.org/10.1016/j.jaridenv.2015.08.008 CIFOR-ICRAF
10. Gerts, J., et al. (2020). Multi-temporal monitoring of cotton growth through the vegetation profile classification for Tashkent province, Uzbekistan. GeoScape, 14(1), 62-69. https://doi.org/10.2478/geosc-2020-0006 Sciendo
11. Asamov, R. B. (2025). Digital transformation and the impact of modern technologies on agricultural management in Uzbekistan. Yashil Iqtisodiyot va Taraqqiyot, 3(2). https://doi.org/10.5281/zenodo.15017273 green-eco.uz
12. Gulyamov, S. S., Mamadiyarov, D. U., & Rasulova, M. T. (2024). Application of digital technologies for ensuring agricultural productivity. British Journal of Global Ecology and Sustainable Development, 25, 6-20. journalzone.org
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Copyright (c) 2026 Jumayeva, G.J. (Muallif)