Россия
В статье представлен обзор текущего состояния и перспектив развития применения искусственного интеллекта (ИИ) в сельском хозяйстве. Выявлены базовые задачи и направления деятельности, в которых применение ИИ позволит повысить эффективность производительности производства. Сформулирован перечень ограничений и сложностей применения ИИ, разрешение которых позволит повысить внедряемость и применимость таких систем в сельском хозяйстве.
искусственный интеллект
Современное сельское хозяйство (область деятельности человека объединяющее агрономию, зоотехнику, ветеринарию, почвоведение, агроинженерию, экономику сельского хозяйства и ряд других направлений) также как и все общество активно использует достижения прогресса в своей деятельности. Внедрение новых технологий в аграрный сектор связанно с базовыми вызовами, с которыми сталкивается человечество:
- рост численности население требует увеличения производства продовольствия и других сопутствующих товаров;
- изменение климата – опустынивание, обезвоживание или избыточная влажность требует изменения и учета этих факторов в деятельности;
- сокращение кадров в сельском хозяйстве.
С целью повышения производительности производства, снижения рисков стихийных бедствий, санитарно-эпидемиологических факторов активно применяют средства на основе искусственного интеллекта.
Так, активно внедряются: технологии беспилотной авиации (БПЛА), позволяющие осуществлять контроль состояния полей и садов, наличие признаков болезней, вредителей, сорных растений и др.; применение смарт устройств и чипов, позволяет осуществлять контроль территориального нахождения и состояния здоровья животных и рыб; технологии интернет вещей (IoT) для обеспечения передачи данных в реальном времени о состоянии влажности и химическом составе почвы и воздуха (применимо для теплиц, коровников и др. ограниченных и замкнутых мест).
Все это требует как наличие хорошо развитой телекоммуникационной инфраструктуры, наличие вычислительных мощностей и применения новых технологий обработки данных получаемых в реальном времени.
Отдельным направлением аграрной науки, в которой необходимы инструменты применяющие инструменты машинного обучения являются проводимые исследования, направленные на разработку новых сельскохозяйственных культур и животноводства.
Тренды применения ИИ в сельском хозяйстве:
Мониторинг и диагностика состояния посевов
Применение БПЛА обладающих функциями съемки в высоком качестве, позволяет на основе применения методов машинного зрения выявлять распространение болезней и вредителей на ранних стадиях, что позволяет повысить своевременность реагирования и снижает убытки.
В качестве инструмента обработки изображения успешно применяют сверточные нейронные сети (CNN, например, AlexNet, GoogLeNet).
Известные CNN способны распознать (с точностью около 99 %) широкий перечень заболеваний сельскохозяйственных культур по фотографиям листьев (например, http://pdd.jinr.ru/). Указанное значение соответствует лабораторным испытаниям, в полевых испытаниях значения точности ниже, однако это не снижает востребованности данного подхода в сельском хозяйстве, а требует дальнейшего исследования.
Так же БПЛА с машинным зрением, позволяют оценивать объем сорных растений в полях. Автоматическое различение культурных растений и сорняков с помощью компьютерного зрения позволяет перейти к точечному (site-specific) применению гербицидов. Точность обнаружения составляет около 95 % для восьми видов сорняков [1, 2].
В качестве еще одного направления применения летательных объектов является оценка состояния посевов по данным дистанционного зондирования. С использованием спутников данные (например, Sentinel-2) и данных от БПЛА рассчитывают вегетационные индексы (NDVI, EVI, LAI), по которым модели ИИ оценивают биомассу, состояние здоровья, стрессовые факторы, стадию развития растений [2-4]. Например, компания Planet Labs предоставляет ежедневные спутниковые снимки всей поверхности Земли с разрешением 3-5 метров, которые анализируются с помощью ИИ для мониторинга сельскохозяйственных угодий.
Прогнозирование урожайности
Прогнозирование урожайности – критически важная задача для планирования производства, логистики, ценообразования и продовольственной политики. Традиционные агрометеорологические модели (например, DSSAT, (Decision Support System for Agrotechnology Transfer) – пакет моделей роста и развития сельскохозяйственных культур) основаны на физиологических процессах и требуют большого количества входных параметров. Модели ИИ дополняют и улучшают традиционные подходы. Так применение ансамблей моделей машинного обучения (Random Forest, Gradient Boosting,) превосходят классические модели по точности прогноза урожайности кукурузы и сои [5].
Использование сверточных LSTM-сетей для прогнозирования урожайности на основе спутниковых данных и метеорологических наблюдений, интегрируя пространственные и временные зависимости.
Управление ирригацией и водными ресурсами
Орошаемое земледелие потребляет около 70% мирового забора пресной воды. ИИ оптимизирует ирригацию, определяя оптимальное время, объем и распределение полива. Системы на основе ИИ интегрируют данные датчиков влажности почвы, метеоданные, спутниковые снимки, прогнозы погоды и модели эвапотранспирации для расчета водного баланса в реальном времени. ИИ-управляемая ирригация сокращает расход воды на 20-30 % при сохранении урожайности. В качестве инструмента динамического управления ирригацией в условиях неопределенности применяют обучение с подкреплением (модель обучается оптимальной стратегии полива, балансируя между экономией воды и рисками снижения урожайности) [6].
Автономная сельскохозяйственная техника и робототехника
Одним из самых распространенных направлений применения ИИ в сельском хозяйстве является разработка автономных сельскохозяйственных машин и роботов:
Автономные тракторы. Компании John Deere, CNH Industrial, AGCO разрабатывают полностью автономные тракторы, использующие компьютерное зрение, LIDAR и GPS для навигации по полю, обхода препятствий и выполнения агротехнических операций без оператора. В 2022 году John Deere представил серийный автономный трактор 8R с системой TruePath [7].
Роботы для прополки. Роботы (FarmWise, Carbon Robotics) используют компьютерное зрение для идентификации сорняков и их механического или лазерного уничтожения без применения гербицидов [7].
Роботы для уборки урожая. Уборка деликатных культур (ягоды, фрукты, овощи) – трудоемкая операция, требующая ручного труда. Роботы с компьютерным зрением и мягкими манипуляторами (Octinion, Dogtooth Technologies, Abundant Robotics) обучаются определять зрелость плодов и аккуратно собирать урожай [8].
Роботизированное доение. Роботы-доильщики кампаний Lely Astronaut, DeLaval VMS используют компьютерное зрение и машинное обучение для автоматического присоединения доильных стаканов, контроля качества молока, обнаружения мастита [9].
Животноводство
Системы компьютерного зрения и сенсоры (акселерометры, GPS-трекеры, датчики руминации) отслеживают двигательную активность, пищевое поведение, социальные взаимодействия животных с целью мониторинга здоровья и поведения животных. Модели ИИ обнаруживают ранние признаки заболеваний (хромота, мастит, респираторные инфекции), эструс, стресс задолго до появления клинических симптомов [10].
Прогнозирование продуктивности. Модели машинного обучения прогнозируют молочную продуктивность коров, привесы, конверсию корма на основе генетических, кормовых и средовых факторов [11].
Управление кормлением. ИИ-системы оптимизируют рационы кормления, балансируя между стоимостью кормов, продуктивностью и здоровьем животных. Системы автоматического кормления (DeLaval, Lely, GEA) адаптируют рацион индивидуально для каждого животного [12].
Мировой опыт (ключевые проекты)
John Deere – крупнейший мировой производитель сельхозтехники, инвестировавший свыше 1 миллиарда долларов в технологии ИИ. Приобретение Blue River Technology (2017), система See&Spray, автономные тракторы.
Climate Corporation (Bayer) – платформа Climate FieldView, использующая ИИ для управления полями, оптимизации посева и внесения удобрений.
Indigo Agriculture – применение ИИ и микробиологии для повышения устойчивости культур.
BASF Digital Farming (xarvio) – платформа xarvio FIELD MANAGER для мониторинга посевов и рекомендаций по защите растений на основе ИИ.
Проект MARS (Mobile Agricultural Robot Swarms) (Европа) – рой мобильных роботов для точного посева, разработка Fendt/AGCO.
Alibaba ET Agricultural Brain – платформа ИИ для свиноводства (распознавание животных, мониторинг здоровья) и растениеводства.
Pinduoduo Smart Agriculture Competition – соревнования по выращиванию клубники с помощью ИИ, где ИИ-команды превзошли опытных фермеров по урожайности.
Phytech – ИИ-платформа для управления ирригацией на основе данных сенсоров растений.
Применение ИИ в сельском хозяйстве России
Текущее состояние
Россия обладает значительным потенциалом для применения ИИ в сельском хозяйстве: 197 миллионов гектаров сельскохозяйственных угодий (крупнейшая площадь в мире), развитая система аграрного образования и науки, растущий уровень цифровизации [13].
Стратегия развития агропромышленного и рыбохозяйственного комплексов Российской Федерации на период до 2030 года предусматривает цифровую трансформацию отрасли. Национальная программа «Цифровая экономика Российской Федерации» включает направление цифровизации сельского хозяйства.
Российские компании и проекты
- Cognitive Pilot (дочерняя компания Сбера и Cognitive Technologies) – системы автопилотирования для комбайнов и тракторов, работающие на основе компьютерного зрения и ИИ. Установлены на более чем 3000 машин.
- «Геомир» – спутниковый мониторинг сельскохозяйственных угодий.
- «АгроСигнал» – платформа мониторинга и управления сельхозпроизводством.
- ExactFarming – платформа точного земледелия.
- SmartAgro (МТС) – IoT-платформа для сельского хозяйства.
Ограничения и сложности внедрения ИИ в сельском хозяйстве
Качество и доступность данных – сельское хозяйство характеризуется высокой пространственной и временной вариабельностью: каждое поле уникально, условия меняются год от года. Качественные размеченные датасеты для обучения моделей (ground truth) дороги и трудоемки в создании. Многие разработки выполнены на ограниченных датасетах, не отражающих реальное разнообразие условий.
Перенос моделей между условиями – модели, обученные в одних агроклиматических условиях, часто плохо работают в других (проблема domain shift). Модель, обученная распознавать болезни пшеницы в Канаде, может быть неэффективна в условиях Краснодарского края из-за различий в сортах, климате, фоне освещения.
Инфраструктурные ограничения – сельские районы во многих странах, включая Россию, характеризуются ограниченным доступом к интернету, электроэнергии, квалифицированным кадрам. Это создает барьеры для внедрения ИИ-технологий, требующих подключения к облачным сервисам и технической поддержки.
Экономические барьеры – высокая стоимость внедрения (датчики, дроны, программное обеспечение, обучение персонала), длительный срок окупаемости и неопределенность экономического эффекта сдерживают внедрение, особенно в малых и средних хозяйствах.
Перспективы развития
Цифровые двойники ферм – концепция «цифрового двойника» (digital twin) – виртуальной модели фермы, интегрирующей данные о почвах, климате, культурах, технике, экономике и позволяющей моделировать сценарии и оптимизировать решения. ИИ является вычислительным ядром цифровых двойников.
Рой роботов и мультиагентные системы – Переход от крупногабаритной техники к роям мелких автономных роботов, способных совместно выполнять задачи (посев, прополка, уборка) с минимальным воздействием на почву. Мультиагентные системы на основе ИИ координируют действия роботов.
Вертикальное земледелие и контролируемые среды – ИИ управляет всеми параметрами среды (свет, температура, влажность, CO₂, питание) в вертикальных фермах и теплицах, максимизируя продуктивность при минимальных ресурсах. Компании Plenty, AeroFarms, AppHarvest используют ИИ для оптимизации выращивания.
Интеграция ИИ с биотехнологиями – конвергенция ИИ, геномного редактирования (CRISPR), синтетической биологии и высокопроизводительного фенотипирования ускоряет создание новых сортов и пород с заданными характеристиками: устойчивость к засухе, болезням, повышенная продуктивность, улучшенные питательные свойства.
Заключение
Искусственный интеллект трансформирует сельское хозяйство и аграрную науку, предлагая решения для ключевых глобальных вызовов: обеспечение продовольственной безопасности растущего населения, адаптация к изменению климата, устойчивое использование природных ресурсов, компенсация дефицита кадров.
Применение ИИ охватывает все этапы сельскохозяйственного производства: от селекции и посева до уборки, хранения и доставки потребителю. Компьютерное зрение диагностирует болезни растений, модели машинного обучения прогнозируют урожайность, нейронные сети оптимизируют ирригацию и питание растений, автономные роботы выполняют полевые операции, большие языковые модели консультируют фермеров и анализируют научную литературу.
В аграрной науке ИИ ускоряет селекцию (геномное прогнозирование), автоматизирует фенотипирование, моделирует агроэкосистемы, обрабатывает экспериментальные данные, создает цифровые карты почв и открывает новые закономерности в сложных биологических системах.
Вместе с тем внедрение ИИ в аграрный сектор сталкивается с объективными ограничениями: недостаток качественных данных, проблемы переноса моделей между условиями, инфраструктурные и экономические барьеры, вопросы интерпретируемости и доверия пользователей. Преодоление этих ограничений требует скоординированных усилий научного сообщества, агробизнеса, разработчиков технологий и государственной политики.
Россия, обладая крупнейшими в мире сельскохозяйственными угодьями и сильной школой аграрной науки, имеет значительный потенциал для становления лидером в области ИИ-агротехнологий. Реализация этого потенциала требует инвестиций в инфраструктуру, подготовку кадров на стыке аграрных наук и ИИ, создание открытых датасетов и развитие отечественных ИИ-платформ для сельского хозяйства.
Будущее сельского хозяйства – это симбиоз многовековых агрономических знаний и передовых технологий ИИ, направленный на устойчивое, эффективное и экологически ответственное производство продовольствия для всего человечества.
1. Мониторинг биомассы лука с помощью RGB изображений, полученных с помощью БПЛА / М. А. Морено, Д. Эрнандес, Х. Ортега, Р. Бальестерос // Precis. Agric. – 2018. – Т. 19. – С. 840-857. – DOI:https://doi.org/10.1007/s11119-018-9560-y. EDN: https://elibrary.ru/OQOVLG
2. Анализ урожайности и внесения удобрений в посевы ячменя по снимкам с беспилотных летательных аппаратов: подход на основе глубокого обучения / Р. Васкес, Х. Де Ла Кальеха, А. Моралес Рейес, М. Хименес Лисаррага, С. Родригес Санчес, Х. Дж. Эскаланте // Int. J. Remote Sens. – 2019. – Т. 40. – С. 2493-2516. – DOI:https://doi.org/10.1080/01431161.2019.1577571.
3. Воздушная гиперспектральная и тепловизионная съёмка с высоким разрешением для раннего выявления вертициллёзного увядания оливковых деревьев с использованием флуоресцентных, температурных и узкополосных спектральных индексов / П. Дж. Зарко Техада, К. Лусена, Дж. А. Навас Кортес, Р. Кальдерон // Remote Sens. Environ. – 2013. – Т. 139. – С. 231–245. – DOI:https://doi.org/10.1016/j.rse.2013.07.031.
4. Сегментация изображений для обнаружения плодов и оценки урожайности в яблоневых садах / Дж. П. Андервуд, С. Барготи // J. Field Robot. – 2017. – Т. 34. – С. 1039-1060. – DOI:https://doi.org/10.1002/rob.21699.
5. A fuzzy optimized hybrid ensemble model for yield prediction in maize soybean intercropping system / A. Ikram, S. Ikram, E.-S. M. El kenawy, A. Hussain, A. H. Alharbi, M. M. Eid // Front. Plant Sci. – 2025. – Sec. Technical Advances in Plant Science. – Vol. 16. – URL: (дата обращения: 26.02.2026). DOI: https://doi.org/10.3389/fpls.2025.1567679
6. Медведев, М. А. Применение искусственного интеллекта в сельском хозяйстве / М. А. Медведев, В. М. Чайковский // Инжиниринг и технологии. – 2023. – Т. 8, № 2. – С. 1–4. – DOI:https://doi.org/10.21685/2587-7704-2023-8-2-9. DOI: https://doi.org/10.21685/2587-7704-2023-8-2-10; EDN: https://elibrary.ru/VTTXLX
7. Тракторный прорыв: первый беспилотник от John Deere выходит в поля // Своё фермерство. – URL: (дата обращения: 26.02.2026).
8. 12 революционных роботов в сельском хозяйстве // Своё фермерство. – URL: (дата обращения: [вставьте дату 26.02.2026).
9. Дояр, пастух, уборщик и раздатчик кормов: роботы в животноводстве // Своё фермерство. – URL: (дата обращения: 26.02.2026).
10. Искусственный интеллект в ветеринарии // Биомолекула. — URL: (дата обращения: [вставьте дату]).
11. A review of machine learning models applied to genomic prediction in animal breeding / N. Chafai, I. Hayah, I. Houaga, B. Badaoui // Sec. Livestock Genomics. – 2023. – Vol. 14. – URL: (дата обращения: 26.02.2026). DOI: https://doi.org/10.3389/fgene.2023.1150596
12. Умные фермы: роль ИИ в мониторинге здоровья сельскохозяйственных животных // Ведомости. – 2025. – 19 ноября. – URL: (дата обращения: 26.02.2026).
13. Роль цифровизации в повышении производительности АПК обсудили на пленарном заседании «Золотой осени» // Официальный сайт Министерства сельского хозяйства РФ. – URL: (дата обращения: 26.02.2026).
