Dealing with agriculture, it is valuable to know an amount of moisture in a soil and to know how to forecast the stored soil moisture within particular period. Forecasting the stored soil moisture works for planning an extent and structure of crop production areas and adjustment of plant-growing programs. Having known about an amount of moisture in one-meter soil and the depth of precipitation in a vegetation season shall help farmers to determine a seeding time, type of fertilizers depending on soil quality and to work out an irrigation schedule as well. In this regard, over the last few years some vigorous activities applied to machine training methods of the weather forecast have been launched in the world. The goal of present research is to develop an artificial neuron network which shall afford an opportunity to figure out a stored soil moisture prior to outgoing to winter in a short-term. North Kazakhstan Region agrometeorological measuring stations for the period from 2012 to 2022 were used in the course of the neuron network training. The Levenberg-Marquardt algorithm aimed at non-linear regression models optimization was chosen for network training. The algorithm includes sequential approximation of initial parameter values to a local optimum. The mean squared error (MSE) function and the correlation coefficient ensure accuracy and precision of forecasts. As a result, 7 neural networks under MATLAB environment using the Levenberg-Marquardt algorithm, with different input and output data, and with different number of learning iterations came to realization. Following analysis of the results, the choice was fallen on the ANN9 best network offering minimum error function and actual data maximum correlation. The neural network obtained fits for use to make efficient decisions in the North Kazakhstan region agricultural sector in the short term.

The development of mathematical models for detecting moving objects in real-time video streams is a significant task, especially in light of the growing demands for security and process automation. This paper proposes a detection system based on the Faster Region-Based Convolutional Neural Network (Faster R-CNN) model, utilizing various backbone architectures, including Residual Network-50 (ResNet-50), Feature Pyramid Network (FPN), MobileNet Version 3 Large, and Efficient Network-B0 (EfficientNetB0) with a Self-Attention mechanism. The model extracts object features by combining deep neural networks and scaling mechanisms, enabling adaptation to various operating conditions. Experimental results demonstrate that the proposed approach achieves high accuracy, with the MobileNet Version 3 Large model achieving 95.70% accuracy and the Residual Network-50 model reaching 100% accuracy within the first three training cycles (epochs). The Faster Region-Based Convolutional Neural Network model using Efficient Network-B0 with the Self-Attention mechanism reaches 100% accuracy by the third training cycle, maintaining consistent performance throughout the remaining training cycles. The model with the Residual Network-50 and Feature Pyramid Network backbone architecture shows an average loss reduction from 0.0922 in the first training cycle to 0.0102 by the 15th training cycle, confirming its high stability and performance. Future research could focus on optimizing the proposed approach to handle even more complex and dynamic video sequences and improving data processing to reduce computational costs and increase processing speed.

Представленное исследование посвящено вопросам оптимизации и анализу процессов, от которых зависит эффективность использования земельных и производственных ресурсов в сельском хозяйстве. Центральная идея работы заключается в создании информационной системы, способной поддерживать процесс принятия решений на основе методов математического программирования. Такая система помогает обосновывать выбор культур с точки зрения максимизации экономической отдачи при соблюдении принципов рационального землепользования. В рамках исследования была проведена сравнительная оценка четырёх подходов к оптимизации: жадного алгоритма, генетического алгоритма, метод ветвей и границ и алгоритма полного перебора. Каждый из них рассматривался с позиции вычислительных затрат, точности решения и устойчивости к изменениям параметров модели. Сравнение позволило выявить алгоритмы, которые наиболее надёжно и эффективно справляются с задачами распределения площадей под посевы и формирования структуры культур. Результаты моделирования показали, что сочетание линейного и целочисленного программирования даёт наиболее сбалансированный итог: решения остаются достаточно точными, а вычисления - быстрыми. На этой основе была разработана информационная система, включающая комплексную модель выбора культур. Она опирается на анализ фундаментальных экономико-математических характеристик, таких как урожайность, затраты на производство, рыночная стоимость продукции и доступная площадь земель. Полученные результаты могут применяться в системах стратегического планирования аграрного сектора, в управлении сельскохозяйственными организациями и при создании цифровых решений, направленных на устойчивое и экономное использование земельных ресурсов.

В данной статье рассматриваются основные вопросы искусственного интеллекта и его внедрения в повседневную жизнь людей в виде систем управления мехатронных систем. Благодаря интенсивному внедрению последних достижений научно-технического прогресса появилась новая элементная база, новые технологии реализации принципов и законов создания искусственного интеллекта. Мехатроника - самостоятельная фундаментальная техническая наука как основа современного технологического оборудования. Мехатроника — одна из самых перспективных инженерных областей, представляющая собой сочетание междисциплинарных инженерных курсов, таких как механика, электротехника, электроника, робототехника, информатика, системы управления и разработка продуктов. Поэтому в современных условиях развития техники промышленные предприятия, в том числе и горнодобывающие, более нуждаются в специалистах, владеющих навыками управления сложным технологическим оборудованием и одновременно электропневматикой, электрогидравликой и электромеханикой. Для того, чтобы разбираться в современных системах автоматики и мехатроники, нужно не только знать их составляющие, но и уметь настраивать и настраивать работу этих систем. С быстрым развитием научных вычислений технология искусственного интеллекта широко используется в мехатронике. В статье описывается связь и сочетание мехатроники и технологий искусственного интеллекта. Методы анализа, сравнительного анализа и аналитического исследования направлены на определение рациональности сочетания мехатронной инженерии и технологий искусственного интеллекта. В статье рассматривается, как мехатроника с использованием технологии искусственного интеллекта может удовлетворить потребности развития современного общества.

This study presents a spatially aware machine learning model for probabilistic groundwater potential assessment using multimodal geospatial data derived from topography, hydrotopography, climate, soil, land use, Sentinel-1 SAR, and water balance variables. The model incorporates spatially consistent data partitioning, leakage-controlled model development, and probabilistic forecasting to improve the robustness and transferability of groundwater potential assessment. A total of 2402 spatial observations, including 601 groundwater-related locations and 1801 spatially filtered pseudo-absence samples, were used to evaluate eleven machine learning and deep learning models. The proposed hybrid framework achieved the best overall validation results with ROC-AUC of 0.9319, PR-AUC of 0.8363, F1-measure of 0.8226, balanced accuracy of 0.8847, and MCC of 0.7613. Independent spatial block testing further demonstrated strong generalization ability, showing ROC-AUC of 0.9535, PR-AUC of 0.9002, F1-measure of 0.7983, balanced accuracy of 0.8594, and MCC of 0.7336. Comparative experiments demonstrated that the proposed framework remains competitive with state-of-the-art machine learning and deep learning approaches while providing robust probabilistic estimates in spatially separated validation. The resulting groundwater potential maps identify areas with environmental conditions similar to known groundwater observations and provide a reliable basis for prioritizing hydrogeological studies, groundwater exploration, and regional water resources planning in data-poor settings.