Keywords
How to Cite
Abstract
Annotatsiya: Ushbu maqolada sun’iy intellekt asosida hosildorlikni bashoratlash modellarini ishlab chiqish va baholash natijalari yoritilgan. Tadqiqotda mashina o‘rganishi (Random Forest, XGBoost) va chuqur o‘rganish (LSTM, CNN-RNN gibrid modeli) usullari qo‘llanildi. Ishda turli ma’lumotlar manbalari – ob-havo ma’lumotlari, tuproq tarkibi, sug‘orish rejasi va oldingi yillarning hosildorlik ko‘rsatkichlari – asosida bashoratlash modellari ishlab chiqish usullari tahlil qilinadi. Shu bilan birga, mashina o‘rganish algoritmlari, va regressiya modellaridan foydalangan holda hosildorlikni aniqlik darajasi oshirilishi ko‘rsatildi. Natijada, ishlab chiqilgan modellarning qishloq xo‘jaligi rejalashtirishida samaradorlikni oshirish, resurslarni optimal taqsimlash va ekinlarning sifatini yaxshilash imkoniyatlari mavjudligi tasdiqlanadi. Ushbu ish qishloq xo‘jaligi sohasida SI texnologiyalarini qo‘llash bo‘yicha amaliy va nazariy tavsiyalarni taqdim etadi.Meteorologik, tuproq-agrokimyoviy va masofadan zondlash ma’lumotlari asosida o‘qitilgan modellar ekin hosildorligini yuqori aniqlikda prognoz qilishga imkon berdi. Natijalar sun’iy intellektning an’anaviy yondashuvlarga nisbatan sezilarli ustunlikka ega ekanini ko‘rsatadi.
References
1. Zhou et al., “Deep Learning Models for Crop Yield Prediction”, IEEE, 2020.
2. FAO, “Crop Monitoring and NDVI Applications”, FAO Press, 2019.
3. Monteith J.L., “Evapotranspiration and Crop Water Requirements”, 2018.
4. Goodfellow I., “Deep Learning”, MIT Press, 2016.
5. Smith, “Precision Agriculture Technologies and Applications”, Elsevier, 2021.