Застосування штучного інтелекту для підвищення економічної ефективності управління землекористуванням в агропромисловому комплексі

Олена Шебаніна; Світлана Тищенко; Олександр Пархоменко; Іван Хилько; Володимир Крайній

Застосування штучного інтелекту для підвищення економічної ефективності управління землекористуванням в агропромисловому комплексі

Олена Шебаніна, Світлана Тищенко, Олександр Пархоменко, Іван Хилько, Володимир Крайній

Отримано: 10.07.2024 Доопрацьовано: 11.11.2024 Прийнято: 04.02.2025

Анотація

Метою дослідження була оцінка економічної ефективності використання штучного інтелекту (ШІ) для прогнозування екологічних змін у землекористуванні та оптимізації аграрного виробництва. Визначено, що впровадження алгоритмів машинного навчання та аналізу великих даних може значно покращити точність прогнозів щодо стану сільськогосподарських земель, оптимізувати використання ресурсів, зокрема добрив і води, та знизити витрати. Проаналізовано, як застосування ШІ може сприяти більш раціональному вибору культур і плануванню посівів та збирання врожаю, що позитивно впливає на врожайність. Додатково, у дослідженні розглянуто екологічний аспект: використання ШІ дозволяє зменшити негативний вплив на довкілля завдяки точному управлінню ресурсами та зниженню забруднення ґрунтів і водних ресурсів. Робота включала моделювання врожайності для різних кліматичних сценаріїв, що дозволяє прогнозувати можливі результати та розробляти адаптивні стратегії для стабільного розвитку агропромислового комплексу України. Дослідження продемонструвало, що впровадження ШІ в агропромисловий сектор України сприяє підвищенню ефективності землекористування, дозволяючи фермерам оперативніше реагувати на змінні кліматичні умови. За допомогою алгоритмів машинного навчання, зокрема на основі аналізу даних, зібраних із супутникових знімків і сенсорів, можна своєчасно визначати потребу рослин у добривах та воді, що забезпечує раціональне використання ресурсів і знижує виробничі витрати. Моделі прогнозування, застосовані у статті, відображають можливі сценарії врожайності на період 2025-2028 років для різних кліматичних умов, що дозволяє підприємствам краще планувати агротехнічні заходи та мінімізувати ризики. Таким чином, результати дослідження підкреслюють важливість ШІ як інструмента для довгострокового стратегічного планування в аграрному секторі

Ключові слова

прогнозування врожайності; сільське господарство; аналіз даних; інновації; машинне навчання

Деталі

DOI https://doi.org/10.32317/ekon.apk/1.2025.82

Випуск Том 32, № 1, 2025

Сторінки 82-90

[1] Akintuyi, O.B. (2024). Adaptive AI in precision agriculture: A review: Investigating the use of self-learning algorithms in optimizing farm operations based on real-time data. Research Journal of Multidisciplinary Studies, 7(2), 16-30. doi: 10.53022/oarjms.2024.7.2.0023.

[2] Azizi, J. (2024). The prospect of food security with artificial intelligence. SSRN. doi: 10.2139/ssrn.4825112.

[3] Aznar-Sánchez, J.A., Piquer-Rodríguez, M., Velasco-Muñoz, J.F., & Manzano-Agugliaro, F. (2019). Worldwide research trends on sustainable land use in agriculture. Land Use Policy, 87, article number 104069. doi: 10.1016/j.landusepol.2019.104069.

[4] Ben Ayed, R., & Hanana, M. (2021). Artificial intelligence to improve the food and agriculture sector. Journal of Food Quality, 2021(1), article number 5584754. doi: 10.1155/2021/5584754.

[5] Bhat, S.A., & Huang, N.-F. (2021). Big data and AI revolution in precision agriculture: Survey and challenges. IEEE Access, 9, 110209-110222. doi: 10.1109/ACCESS.2021.3102227.

[6] Busse, M., Zoll, F., Siebert, R., Bartels, A., Bokelmann, A., & Scharschmidt, P. (2021). How farmers think about insects: Perceptions of biodiversity, biodiversity loss and attitudes towards insect-friendly farming practices. Biodiversity and Conservation, 30, 3045-3066. doi: 10.1007/s10531-021-02235-2.

[7] Chen, L., et al. (2023). Artificial intelligence-based solutions for climate change: A review. Environmental Chemistry Letters, 21(5), 2525-2557. doi: 10.1007/s10311-023-01617-y.

[8] Dadashpoor, H., Azizi, P., & Moghadasi, M. (2019). Land use change, urbanization, and change in landscape pattern in a metropolitan area. Science of the Total Environment, 655, 707-719. doi: 10.1016/j.scitotenv.2018.11.267.

[9] Espinel, R., Herrera-Franco, G., Rivadeneira García, J.L., & Escandón-Panchana, P. (2024). Artificial intelligence in agricultural mapping: A review. Agriculture, 14(7), article number 1071. doi: 10.3390/agriculture14071071.

[10] Fedorchuk, M., Popov, A., & Fedorchuk, V. (2024). Addressing the spatial shortcomings of agricultural land use: Legal aspects and obstacles. Studia Iuridica Lublinensia, 33(4), 57-72. doi: 10.17951/sil.2024.33.4.57-72.

[11] Feijóo, C., et al. (2020). Harnessing artificial intelligence (AI) to increase wellbeing for all: The case for a new technology diplomacy. Telecommunications Policy, 44(6), article number 101988. doi: 10.1016/j.telpol.2020.101988.

[12] Hafiyya, R.M., Jemsheer, A.P., Nabhan, P.A., Melethil, S., Mohammed, N., & Muhammed Murshid, A.P. (2024). AI-enhanced precision crop rotation management for sustainable agriculture. In Proceedings of the international conference on e-mobility, power control and smart systems (pp. 1-6). Thiruvananthapuram: IEEE. doi: 10.1109/ICEMPS60684.2024.10559310.

[13] Hossain, A., et al. (2020). Agricultural land degradation: Processes and problems undermining future food security. In S. Fahad, M. Hasanuzzaman, M. Alam, H. Ullah, M. Saeed, I.A. Khan & M. Adnan (Eds.), Environment, climate, plant and vegetation growth (pp. 17-61). Cham: Springer. doi: 10.1007/978-3-030-49732-3_2.

[14] Jha, K., Doshi, A., Patel, P., & Shah, M. (2019). A comprehensive review on automation in agriculture using artificial intelligence. Artificial Intelligence in Agriculture, 2, 1-12. doi: 10.1016/j.aiia.2019.05.004.

[15] Laktionov, I., Diachenko, G., Rutkowska, D., & Kisiel-Dorohinicki, M. (2023). An explainable AI approach to agrotechnical monitoring and crop diseases prediction in Dnipro region of Ukraine. Journal of Artificial Intelligence and Soft Computing Research, 13(4), 247-272. doi: 10.2478/jaiscr-2023-0018.

[16] Leal Filho, W., et al. (2022). Deploying artificial intelligence for climate change adaptation. Technological Forecasting and Social Change, 180, article number 121662. doi: 10.1016/j.techfore.2022.121662.

[17] Li, H., Zhao, Y., & Zheng, F. (2020). The framework of an agricultural land-use decision support system based on ecological environmental constraints. Science of the Total Environment, 717, article number 137149. doi: 10.1016/j.scitotenv.2020.137149.

[18] Mema, O., Jojic, E., Laze, P., Khramov, M., & Lymar, O. (2024). Application of analytical hierarchical process in assessing the suitability of land for growing grain crops. Scientific Horizons, 27(12), 79-89. doi: 10.48077/scihor12.2024.76.

[19] Peng, Y., Xiao, Y., Fu, Z., Dong, Y., Zheng, Y., Yan, H., & Li, X. (2019). Precision irrigation perspectives on the sustainable water-saving of field crop production in China: Water demand prediction and irrigation scheme optimization. Journal of Cleaner Production, 230, 365-377. doi: 10.1016/j.jclepro.2019.04.347.

[20] Prakash, S., & Verma, A.K. (2022). Anthropogenic activities and biodiversity threats. International Journal of Biological Innovations, 4(1), 94-103. doi: 10.46505/IJBI.2022.4110.

[21] Ryan, M. (2023). The social and ethical impacts of artificial intelligence in agriculture: Mapping the agricultural AI literature. AI & Society, 38(6), 2473-2485. doi: 10.1007/s00146-021-01377-9.

[22] Shams, M.Y., Gamel, S.A., & Talaat, F.M. (2024). Enhancing crop recommendation systems with explainable artificial intelligence: A study on agricultural decision-making. Neural Computing and Applications, 36(11), 5695-5714. doi: 10.1007/s00521-023-09391-2.

[23] Shebanin, V., Shebanina, O., Kormyshkina, I., Reshetilov, G., & Kormyshkin, Iu. (2024). Development of monitoring and evaluation mechanisms for the efficiency of the management system for the comprehensive recovery of territorial communities. Scientific Bulletin of Mukachevo State University. Series “Economics”, 11(4), 147-159. doi: 10.52566/msu-econ4.2024.147.

[24] Shebanina, O., Kormyshkin, Iu., Kliuchnyk, A., Reshetilov, G., & Zhebko, O. (2024). Management of sustainable land use projects in accordance with EU requirements. Scientific Horizons, 27(10), 148-161. doi: 10.48077/scihor10.2024.148.

[25] Singh, R., Srivastava, S., & Mishra, R. (2020). AI and IoT based monitoring system for increasing the yield in crop production. In Proceedings of the international conference on electrical and electronics engineering (pp. 301-305). Gorakhpur: IEEE. doi: 10.1109/ICE348803.2020.9122894.

[26] Srivastav, A.L., Dhyani, R., Ranjan, M., Madhav, S., & Sillanpää, M. (2021). Climate-resilient strategies for sustainable management of water resources and agriculture. Environmental Science and Pollution Research, 28(31), 41576-41595. doi: 10.1007/s11356-021-14332-4.

[27] State Statistics Service of Ukraine. (n.d.). Agriculture. Crop production. Retrieved from https://www.ukrstat.gov.ua/operativ/menu/menu_u/cg.htm.

[28] Talaviya, T., Shah, D., Patel, N., Yagnik, H., & Shah, M. (2020). Implementation of artificial intelligence in agriculture for optimisation of irrigation and application of pesticides and herbicides. Artificial Intelligence in Agriculture, 4, 58-73. doi: 10.1016/j.aiia.2020.04.002.

[29] Usigbe, M.J., Asem-Hiablie, S., Uyeh, D.D., Iyiola, O., Park, T., & Mallipeddi, R. (2024). Enhancing resilience in agricultural production systems with AI-based technologies. Environment, Development and Sustainability, 26(9), 21955-21983. doi: 10.1007/s10668-023-03588-0.

[30] Vidric, V., Paulus, C., Grebner, S., Treiber, M., Mayr, M., & Mandler, A. (2023). Re/upskilling the agricultural labour force: Micro-credentials as innovative LLL Strategy. In Proceedings of the 51^st annual conference of the European Society for Engineering Education (SEFI). Dublin: Technological University Dublin. doi: 10.21427/BNHC-RF97.

[31] Vrochidou, E., Tsakalidou, V.N., Kalathas, I., Gkrimpizis, T., Pachidis, T., & Kaburlasos, V.G. (2022). An overview of end effectors in agricultural robotic harvesting systems. Agriculture, 12(8), article number 1240. doi: 10.3390/agriculture12081240.

[32] Vyshnevska, O., Dovgal, O., Kozachenko, L., & Velychko, O. (2022). Priorities and features of guaranteeing psychological security in conditions of sustainable society development. Financial and Credit Activity: Problems of Theory and Practice, 6(47), 447-457. doi: 10.55643/fcaptp.6.47.2022.3921.

[33] Wang, S., Bai, X., Zhang, X., Reis, S., Chen, D., Xu, J., & Gu, B. (2021). Urbanization can benefit agricultural production with large-scale farming in China. Nature Food, 2(3), 183-191. doi: 10.1038/s43016-021-00228-6.

[34] Yağ, İ., & Altan, A. (2022). Artificial intelligence-based robust hybrid algorithm design and implementation for real-time detection of plant diseases in agricultural environments. Biology, 11(12), article number 1732. doi: 10.3390/biology11121732.

Shebanina, O., Tyshchenko, S., Parkhomenko, O., Khylko, I., & Krainii, V. (2025). Application of artificial intelligence to improve the economic efficiency of land use management in the agricultural sector. Ekonomika APK, 32(1), 82-90. https://doi.org/10.32317/ekon.apk/1.2025.82