Abstract
очное прогнозирование урожайности имеет важное значение для обеспечения устойчивого развития сельского хозяйства и адаптации к кли-матическим изменениям, особенно в регионах, подверженных экстремальным погодным условиям, таких как Центральная Азия. В настоящем исследовании рассматривается применение моделей машинного обучения, таких как линейная регрессия (LR), дерево решений (DT), Random Forest (RF) и градиентный бустинг (GB), для прогнозирования урожайности фруктов и овощей на основе крупномас-штабных агроклиматических данных. После предварительной обработки данных и кодирования признаков все модели продемонстрировали высокую точность (R² > 0,90), при этом LR и GB незначительно превзошли RF менее чем на 1 %. Несмотря на небольшую разницу в показателях, модель RF продемонстрирова-ла более высокую устойчивость и интерпретируемость, сохраняя стабильность при изменчивости данных и наличии пропущенных значений. Анализ важности признаков показал, что количество осадков является наиболее значимым предик-тором, за которым следуют использование удобрений и орошение. Температура оказывает нелинейное влияние на урожайность: при температуре выше 32–34 °C производительность стабилизируется, что указывает на риск теплового стресса в засушливом климате. Полученные результаты подтверждают, что ансамблевые методы, в частности Random Forest, обеспечивают практический баланс между точностью, стабильностью и объяснимостью при прогнозировании урожайности с учетом климатических факторов в реальных условиях сельскохозяйственного производства