Зацерковний, Віталій ІвановичВіталій ІвановичЗацерковнийВорох, ВікторВікторВорохГлоба, ОльгаОльгаГлоба0000-0002-5923-1028Мірончук, Тетяна АндріївнаТетяна АндріївнаМірончук0000-0001-6779-0236Плічко, Людмила ВолодимирівнаЛюдмила ВолодимирівнаПлічко2026-03-102026-03-102025-06-30Zatserkovnyi, V., Vorokh, V., Hloba, O., Mironchuk, T., & Plichko, L. (2025). Utilizing GIS, GPS, remote sensing, and AI in the study of soil characteristics. Visnyk of Taras Shevchenko National University of Kyiv. Geology, 3(110), 98-107. https://doi.org/10.17721/1728-2713.110.11UDC 005.631.11:00410.17721/1728-2713.110.11https://ir.library.knu.ua/handle/15071834/12262Background. Modern agriculture faces numerous challenges associated with climate change, economic factors, and increasing demands for production efficiency. The implementation of advanced technologies, particularly Geographic Information Systems (GIS), Remote Sensing (RS), Global Navigation Satellite Systems (GNSS/GPS), and Artificial Intelligence (AI), allows for the optimization of agrotechnical processes and improved productivity in precision farming. Methods. This study examines the application methods of GIS, GPS, RS, and AI in precision agriculture. It employs the analysis of satellite and aerial imagery, spatial modelling techniques, geostatistics, and machine learning for yield prediction and optimization of management decisions. Additionally, the use of sensor systems for field data collection and their integration into digital agricultural platforms is analysed. Results. The study implemented a comprehensive model for assessing soil characteristics by combining GIS, GPS, remote sensing, and artificial intelligence methods. The results confirmed the effectiveness of using digital maps and satellite images for spatial interpolation of soil parameters (such as potassium, moisture, and humus content), yield mapping, and real-time crop monitoring. GPS navigation ensured high accuracy in machinery positioning and soil sampling, while machine learning algorithms (particularly LAI-based models and Random Forest) demonstrated yield prediction accuracy above 80 %. A crop rotation model built using Python libraries enabled the development of an optimal five-year rotation plan, considering soil types, climatic conditions, and potential yield. Variability maps and zoning results served as the basis for scenario-based field management at the enterprise level. Conclusions. The integration of GIS, GPS, RS, and AI into agricultural practices significantly enhances the accuracy of soil analysis and the efficiency of agroprocess management. The developed model enables the automation of decision-making processes based on large volumes of spatial and field data, contributing to cost reduction, increased productivity, and preservation of soil fertility. The implementation experience in the Kyiv region has demonstrated its practical applicability and potential for scaling within the framework of modern precision agriculture.Вступ. Сучасне сільське господарство наражається на численні виклики, пов'язані з кліматичними змінами, економічними факто-рами та зростаючими вимогами до ефективності виробництва. Впровадження передових технологій, зокрема геоінформаційних систем (ГІС), дистанційного зондування землі (ДЗЗ), глобальних навігаційних супутникових систем (GPS) та штучного інтелекту (ШІ), дає змогу оптимізувати агротехнічні процеси та підвищити продуктивність у прецизійному землеробстві. Методи. У роботі розглянуто методи застосування ГІС, GPS, ДЗЗ та ШІ у точному землеробстві. Використано аналіз супутникових та аерофотознімків, методи просторового моделювання, геостатистику, машинне навчання для прогнозування врожайності та оптимізації управлінських рішень. Також досліджено використання сенсорних систем для збору польових даних та їх інтеграції у цифрові платформи агровиробництва. Результати. У ході дослідження реалізовано комплексну модель оцінки ґрунтових характеристик на основі поєднання ГІС, GPS, дистанційного зондування та методів штучного інтелекту. Результати підтвердили ефективність використання цифрових карт і супутникових знімків для просторової інтерполяції параметрів ґрунту (вміст калію, вологи, гумусу), побудови карт врожайності та моніторингу посівів у реальному часі. Використання GPS-навігації забезпечило високу точність позиціонування техніки й польового відбору проб, а алгоритми машинного навчання (зокрема, моделі на основі LAI та Random Forest) показали точність прогнозу врожайності понад 80%. Побудована модель сівозміни із залученням бібліотек Python дала змогу сформувати оптимальний п'ятирічний план ротації культур з урахуванням типів ґрунтів, кліматичних умов і потенційної врожайності. Карти варіабельності та результати зонування стали основою для сценарного управління полем на рівні аграрного підприємства. Висновки. Інтеграція ГІС, GPS, ДЗЗ та штучного інтелекту в аграрну практику суттєво підвищує точність аналізу ґрунтових характеристик і ефективність управління агропроцесами. Побудована модель дає змогу автоматизувати процеси прийняття рішень на основі великого обсягу просторових і польових даних, сприяє зниженню витрат, підвищенню врожайності та збереженню родючості ґрунтів. Досвід впровадження моделі в умовах Київської області засвідчив її практичну придатність і потенціал до масштабування в рамках сучасного точного землеробства.engeographic information systems (GIS)remote sensing (RS)global navigation satellite systems (GNSS/GPS)artificial intelligence (AI)precision agriculture (PA)geoinformation technologies (GIT)APSIM (Agricultural Production Systems Simulator)DSSAT (Decision Support System for Agrotechnology Transfer)геоінформаційні системи (ГІС)дистанційне зондування Землі (ДЗЗ)глобальні навігаційні супутникові системи (GPS) та штучний інтелект (ШІ)прецизійне землеробство (ПЗ)геоінформаційні технології (ГІТ)Стаття