1. Filippi P. et. al. On crop yield modelling, predicting, and forecasting and addressing the common issues in published studies. Precision Agriculture - Springer Link. 2025. Vol. 26, DOI:https://doi.org/10.1007/s11119-024-10212-2.
2. Predictive Models Based on Artificial Intelligence to Estimate Crop Yield // Agricultureю. 2025. Volume 15, 2438. DOI:https://doi.org/10.3390/agriculture15232438.
3. Assessing the information in crop model and meteorological indicators to forecast crop yield over Europe // Agricultural Systems. 2019. Volume 168, Pages 191-202.
4. Эффективность возделывания сорговых культур в условиях центральной зоны Республики Калмыкия // Экология и строительство. 2025. No 1. C. 28–34.
5. Определение оптимальных гидротермических условий произрастания пшеницы мягкой яровой в засушливой степи Алтайского края // Экология и строительство. 2025. No 3. C. 12–22.
6. Enhancing crop yield forecasting performance through integration of process-based crop model and remote sensing data assimilation techniques / Agricultural and Forest Meteorology. 2025. Volume 372, 110696. DOI:https://doi.org/10.1016/j.agrformet.2025.110696.
7. Программирование продуктивности полевых культур: Справочник. М.: Росагропромиздат, 1989. 368 с.
8. Планирование водопользования при орошении сельскохозяйственных культур: инстр.-метод, изд. / под ред. Г.В. Ольгаренко. М.: ФГБНУ «Росинформагротех», 2014.172 с.
9. ГОСТ Р 58331.3-2019. Системы и сооружения мелиоративные. Водопотребность для орошения сельскохозяйственных культур. Общие требования [Электронный ресурс]. URL: https://vniiraduga.ru/wp-content/uploads/2019/03/GOST-R-583312-2019.pdf (Дата обращения 12.12.2025 г.).



