АЙЫЛ ЧАРБА СЕКТОРУНУН КӨРСӨТКҮЧТӨРҮН МАШИНАЛЫК ОКУТУУ ЫКМАЛАРЫН КОЛДОНУУ МЕНЕН БОЖОМОЛДОО: ЭКОНОМИКАЛЫК АСПЕКТ

Эсенбек Белек уулу, Тургунбек Жумалиев, Самыйбек Бегалиев, Айнура Дыйканова, Самара Жусупбекова, Тологон Керимов
Кабыл алынган убакыт: 10.12.2025
Түзөтүлгөн: 05.06.2026
Кабыл алынган: 01.07.2026
Барактар: 154 –168
Алуу булагы: Том 4, № 2, 2026
Макаланы жүктөө
Макаланы жүктөө

Аннотация

Дүйнө калкынын өсүшү шартында, 2050-жылга карата ал дагы 2 миллиард адамга көбөйүшү мүмкүн, бул азык-түлүккө болгон муктаждыкты 60% га жогорулатат. Бул агрардык экономика үчүн салттуу пландаштыруу ыкмаларынан жогорку тактыктагы санариптик моделдерге өтүүнү талап кылган олуттуу чакырык болуп саналат. Машиналык окутуу «айыл чарбанын ылдамдаткычы» катары өндүрүш циклдерин оптималдаштырууга жана экономикалык тобокелдиктерди азайтууга мүмкүндүк берет. Изилдөөнүн максаты — агрардык сектордун негизги экономикалык көрсөткүчтөрүн божомолдоодо машиналык окутуу алгоритмдерин колдонуу натыйжалуулугун изилдөө. Изилдөөдө маалыматтарды интеллектуалдык талдоо ыкмалары, анын ичинде random forest, таяныч векторлор ыкмасы (support vector machine) жана градиенттик бустинг колдонулган. Моделдердин тактыгы орточо абсолюттук пайыздык ката көрсөткүчүнүн негизинде бааланган. Натыйжада ыкмаларды колдонуу түшүмдүүлүк менен рыноктук бааларды 10% дан ашпаган ката менен божомолдоого мүмкүндүк берери аныкталды. Маалыматтарды талдоо жасалма интеллект технологияларын киргизүү агрардык ишканалардын жалпы фактордук өндүрүмдүүлүгүн жогорулатууга, логистикалык жана ресурстук чыгымдарды (жер семирткичтерди, сууну пайдаланууну) кыскартууга өбөлгө түзөөрүн көрсөттү. Ошондой эле аба ырайы сыяктуу тышкы факторлор топурактын генотипине караганда божомолдун тактыгына көбүрөөк таасир этери белгиленди. Алынган моделдер фермердик чарбалар жана мамлекеттик органдар тарабынан негизделген башкаруу чечимдерин кабыл алууда, азык-түлүк коопсуздугун камсыз кылууда жана агроөнөр жай комплексинин дүйнөлүк рыноктогу атаандаштыкка жөндөмдүүлүгүн жогорулатууда колдонулат.

Негизги сөздөр

жасалма интеллект, АӨКтүн санариптик трансформациясы, нейрондук тармактар, регрессиялык талдоо, агроөнөр жай комплекси, азык-түлүк коопсуздугу, математикалык моделдөө

Цитаталоо

Belek uulu, E., Zhumaliev, T., Begaliev, S., Dyikanova, А., Zhusupbekova, S., & Kerimov, Т. (2026). FORECASTING AGRICULTURAL SECTOR INDICATORS USING MACHINE LEARNING METHODS: AN ECONOMIC ASPECT. Global Scholars’ Space, 4(2), 154-168.

Колдонулган булактар

  1. Akhavizadegan, F., Ansarifar, J., Wang, L., Huber, I., & Archontoulis, S. V. (2021). A time-dependent parameter estimation framework for crop modeling. Scientific Reports, 11(1). https://doi.org/10.1038/s41598-021-90835-x
  2. Bouras, E. H. (2021). Water requirement and cereal yields in the Southern Mediterranean : observation, seasonal forecast and impact of climate change. HAL (Le Centre Pour La Communication Scientifique Directe). https://theses.hal.science/tel-03616186
  3. Brinkhoff, J., Dunn, B. W., Dunn, T., Schultz, A., & Hart, J. (2025). Forecasting field rice grain moisture content using Sentinel-2 and weather data. Precision Agriculture, 26(1). https://doi.org/10.1007/s11119-025-10228-2
  4. Cartolano, A., Cuzzocrea, A., & Pilato, G. (2024). Analyzing and assessing explainable AI models for smart agriculture environments. Multimedia Tools and Applications, 83(12), 37225. https://doi.org/10.1007/s11042-023-17978-z
  5. Chaterji, S., DeLay, N. D., Evans, J., Mosier, N. S., Engel, B. A., Buckmaster, D. R., Ladisch, M. R., & Chandra, R. (2020). LATTICE: Machine Learning, Data Engineering, and Policy Considerations for Digital Agriculture at Scale. HAL (Le Centre Pour La Communication Scientifique Directe). https://hal.archives-ouvertes.fr/hal-03096467
  6. Huber, F., Engler, H., Kicherer, A., Herzog, K., Töpfer, R., & Steinhage, V. (2023). Grouping Shapley Value Feature Importances of Random Forests for explainable Yield Prediction. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2304.07111
  7. Krishna, P. A., Narayana, G. V. S., Kotha, S. K., & Pattnayak, D. (2026). Machine Learning Based Agricultural Price Forecasting for Major Food Crops in India Using Environmental and Economic Factors. 7. https://doi.org/10.3390/blsf2025054007
  8. Paudel, D. (2023). Machine learning for large-scale crop yield forecasting. https://doi.org/10.18174/588095
  9. Proceedings of the 20th Conference on Computer Science and Intelligence Systems (FedCSIS). (2025). Annals of Computer Science and Information Systems, 43. https://doi.org/10.15439/978-83-973291-6-4
  10. Ryo, M. (2022). Explainable artificial intelligence and interpretable machine learning for agricultural data analysis. Artificial Intelligence in Agriculture, 6, 257. https://doi.org/10.1016/j.aiia.2022.11.003
  11. Ugwu, O. P.-C., Ogenyi, F. C., Alum, E. U., Eze, V. H. U., Basajja, M., Ugwu, J. N., Ugwu, C. N., Ejemot-Nwadiaro, R. I., Okon, M. B., Egba, S. I., & Ejim, U. D. (2025). Implementing artificial intelligence and machine learning algorithms for optimized crop management: a systematic review on data-driven approach to enhancing resource use and agricultural sustainability. Cogent Food & Agriculture, 11(1). https://doi.org/10.1080/23311932.2025.2569982
  12. Мauina, G., Aitimova, U., Kadyrova, A., Adikanova, S., Syzdykpayeva, A., Seitakhmetova, Z., Alimagambetova, A., & Shekerbek, A. (2025). Assessing external factors of the agro-industrial complex efficiency based on data. Bulletin of Electrical Engineering and Informatics, 14(5), 4100. https://doi.org/10.11591/eei.v14i5.10459
  13. Hasan, M., Marjan, M. A., Uddin, M. P., et al. Ensemble machine learning-based recommendation system for effective prediction of suitable agricultural crop cultivation. Journal of Agriculture and Food Research, 2023. https://doi.org/10.1016/j.jafr.2023.100902
  14. Sabitov, B., Kartanova, A. Dzh., Kurmanbek uulu, T., et al. Modeling and forecasting tasks of agriculture based on machine learning. Issyk-Kul Research Series, 2023. http://issyk-kul.research.kg/120
  15. Botero-Valencia, J., García Pineda, V., Valencia-Arías, A., et al. Machine Learning in Sustainable Agriculture: Systematic Review and Research Perspectives. Sustainability, 2025. https://doi.org/10.3390/su152115320
  16. Nayak, G. H. H., Alam, M. W., Singh, K. N., et al. Exogenous variable driven deep learning models for improved price forecasting of TOP crops in India. Frontiers in Sustainable Food Systems, 2024. https://doi.org/10.3389/fsufs.2024.1352495
  17. Lionel, B. M., Musabe, R., Gatera, O., et al. A comparative study of machine learning models in predicting crop yield. Agricultural Data Science, 2025. https://doi.org/10.1007/s44147-024-00412-w
  18. Aldawoud, R., & Sbaï, Z. Multi-level Optimization-based Ensemble Machine Learning for Efficient Crop Yield Prediction in Saudi Arabia. Arabian Journal for Science and Engineering, 2025. https://doi.org/10.1007/s13369-024-09852-w
  19. Manjunath, M., & Prince Palayyan, B. An Efficient Crop Yield Prediction Framework Using Hybrid Machine Learning Model. Applied Sciences, 2023. https://doi.org/10.3390/app132312658
  20. Elbeltagi, A., Srivastava, A., Cao, X., et al. An interpretable machine learning approach based on SHAP, Sobol and LIME values for precise estimation of daily soybean crop coefficients. Agricultural Water Management, 2025. https://doi.org/10.1016/j.agwat.2024.109153