Алферьев Д.А. (2018). Искусственный интеллект в сельском хозяйстве // АгроЗооТехника. Т. 1. № 4. DOI: 10.15838/alt.2018.1.4.5
Алферьев Д.А. (2020). Практика реализации сверточных нейронных сетей в сельском хозяйстве и агропромышленном комплексе // АгроЗооТехника. Т. 3. № 2. DOI: 10.15838/alt.2020.3.2.4
Архипов А.Г., Косогор С.Н., Моторин О.А. [и др.] (2019). Цифровая трансформация сельского хозяйства России. Москва: ФГБНУ «Росинформагротех». 80 с.
Богомазов С.В., Гришин Г.Е., Тихонов Н.Н. [и др.] (2015). Роль агротехнических приемов и абиотических факторов в формировании урожайности озимой пшеницы // Нива Поволжья. № 2 (35). С. 2–8.
Васюков П.П., Чуварлеева Г.В., Цыганков В.И. (2008). Влияние некоторых метеорологических факторов на урожайность озимой пшеницы // Достижения науки и техники АПК. № 1. С. 28–29.
Галушкин А.И. (2010). Нейронные сети: основы теории. Москва: Горячая линия – Телеком. 496 с.
Гвоздов А.П., Булавин Л.А., Куцев Д.Н. (2018). Урожайность зерна озимой пшеницы в зависимости от предшественников, способов обработки почвы и применения азотных удобрений // Вестник Белорусской гос. с.-х. академии. № 4. C. 94–99.
Глинушкин А.П., Севостьянов М.А., Баикин А.С. [и др.] (2022). Выявление влияния факторов внешней среды на урожайность озимых сортов пшеницы // Заметки ученого. № 5. С. 315–321.
Дудко Ю.В., Маринкин Е.Б., Владимирова Т.М. (2019). Применение нейросетевых технологий в предсказании плодородия почв с зернобобовыми культурами и прогнозировании их урожайности // Вопросы науки: инноватика, техника и технологии. № 1. С. 67–72.
Рогачев А.Ф., Мелихова Е.В. (2020). Обоснование алгоритмов и инструментария для нейросетевого прогнозирования урожайности агрокультур с использованием ретроспективных данных // Известия Нижневолжского агроуниверситетского комплекса: наука и высшее профессиональное образование. № 1 (57). С. 290–302. DOI: 10.32786/2071-9485-2020-01-29
Рунов Б.А., Новиков Н.Н. (2017). Анализ применения робототехнических средств в сельском хозяйстве // Вестник Всерос. науч.-исслед. ин-та механизации животноводства. № 2 (26). С. 113–117.
Симоненко Е.И. (2016). Влияние климатических факторов на урожайность озимой пшеницы // Актуальные проблемы гуманитарных и естественных наук. № 7-1. С. 199–202.
Шкуренко Л.В. (2013). Эффективность влияния основных факторов на формирование урожайности озимой пшеницы // Современные проблемы науки и образования. № 5.
Шутьков А.А., Анищенко А.Н. (2019). Будущее искусственного интеллекта, нейросетей и цифровых технологий в АПК // Экономика и социум: современные модели развития. Т. 9. № 4 (26). С. 508–522. DOI: 10.18334/ecsoc.9.4.100454
Benos L., Tagarakis A.C., Dolias G. [et al.] (2021). Machine learning in agriculture: A comprehensive updated review. Sensors, 21 (11), 3758. DOI: 10.3390/s21113758
Kamilaris A., Prenafeta-Boldú F.X. (2018). A review of the use of convolutional neural networks in agriculture. The Journal of Agricultural Science, 156 (3), 312–322. DOI: 10.1017/S0021859618000436
Kingma D.P., Ba J. (2015). Adam: A method for stochastic optimization. 3rd International Conference on Learning Representations (ICLR 2015). DOI: 10.48550/arXiv.1412.6980
Shamsutdinova T. (2023). Application of neural network technologies for crop yield forecasting. BIO Web of Conferences, 71. DOI: 10.1051/bioconf/20237101019
Torkashvand A.M., Ahmadipour A., Khaneghah A.M. (2020). Estimation of kiwifruit yield by leaf nutrients concentration and artificial neural network. The Journal of Agricultural Science, 158 (3), 185–193. DOI: 10.1017/S002185962000043X
Zhao X., Li Ya., Song H. [et al.] (2020). Agents affecting the productivity of pine plantations on the loess plateau in China: A study based on structural equation modeling. Forests, 11 (12), 1328. DOI: 10.3390/f11121328