The Ukrainian Industry 4.0 strategy envisages the positioning of Ukraine as a high-tech, post-industrial country, integrated into global technological chains of value creation and producing unique engineering services and high-quality products. In particular, for the needs of the territorial communities of Ukraine in the conditions of war, the uninterrupted operation of agro-food supply chains and ensuring the ecological safety of these territories has become especially important. This paper explores the possibilities of creating a unified digital information space in a modern cloud-based enterprise resource planning (ERP) system to improve the management of all subjects in the territorial community and facilitate the transition to the Industry 4.0 technology landscape.

The agrarian sector of Ukraine is an integral part of the country’s economy

The activity of the “Industry 4

Стан сьогодення зумовлює розвиток різноманітних розробок та інновацій в галузі інформаційних технологій, що можуть мати подвійне призначення та використовуватися як у мирний так і у військовий час. Короткий перелік наведених у роботі проектів в напрямку переозброєння ЗСУ засвідчує про інтенсивну діяльність в пошуку реалістичних, простих та економічних рішень, які в короткі терміни нададуть змогу Силам оборони України перемогли в протистоянні. Наряду з позитивними відгуками зарубіжних військових експертів стосовно розвитку та застосування технологій направлених на обороноздатність держави, існує ряд практичних напрямків, які потребують нагального вирішення. Одним із таких напрямків є боротьба з БПЛА ворога, які він активно застосовує для вирішення різноманітних завдань. В роботі запропоновано концепцію побудови апаратно-програмного комплексу виявлення БПЛА з використанням штучного інтелекту в загальному вигляді та розглянута можливість подальшого розвитку запропонованого концепту.

Accurate crop-yield forecasting is difficult when only small official-statistics datasets are available. This study evaluates a reproducible pre-season regional forecasting workflow for wheat, maize, and sunflower in Poltava region, Ukraine, using harmonised AgroStats records for 2010–2024. The analysis is based on one annual regional time series per crop; it is therefore a benchmark of temporal forecasting from official statistics rather than a gridded yield-prediction or spatial-mapping study. Forecast accuracy is assessed with mean absolute error (MAE), root mean squared error, and mean absolute percentage error. To avoid information leakage, feature transformations, imputations, scaling, and hyperparameter choices are performed only within the corresponding historical training window under a forward temporal design: training set 2010–2018, validation set 2019–2021, and held-out test set 2022–2024. In addition to ElasticNet, XGBoost, and LightGBM, the study compares transparent baseline forecasting methods: Naive, FORECAST.LINEAR, LINEST, and autoregressive integrated moving averag. Under the conservative lag-only scenario, the best 2022–2024 test results are obtained for maize (LightGBM, MAE 0.69 t ha ⁻¹ ) and sunflower (LightGBM, MAE 0.04 t ha ⁻¹ ), whereas for wheat the linear-trend baseline remains slightly better (MAE 0.49 t ha ⁻¹ versus 0.54 t ha ⁻¹ for ElasticNet). Supplementary analyses show that extended lag structures can improve selected crops and that seasonal NASA Prediction of Worldwide Energy Resources climate aggregates improve maize forecasts (MAE 0.52 t ha ⁻¹ ) but not wheat or sunflower. SHapley Additive exPlanations are used descriptively to examine whether the selected models rely on agronomically plausible predictors. The findings should be interpreted as crop-specific evidence under a small annual dataset: machine learning does not guarantee superiority over simple baselines, but it can provide a reproducible comparison framework and useful gains for selected regional forecasting tasks.