Севооборот способствует поддержанию устойчивых систем земледелия. Применение машинного обучения позволит более эффективно проектировать и прогнозировать продуктивность севооборотов. Традиционные методы обработки данных не отвечают требованиям интеллектуального земледелия. С целью оценки применения машинного обучения выполнено построение моделей прогнозирования продуктивности севооборотов на основе применения 6 алгоритмов: дерево решений (CART); случайный лес (RF); бутстрэп-агрегирование (Bagging); градиентный бустинг (Gradient Boosting); экстремальный градиентный бустинг (Baging XGBoost); искусственная нейронная сеть (ANN). В исследованиях использованы временные ряды данных по продуктивности 9 типов севооборотов на трех уровнях применения техногенных средств, полученные в лесостепи Приобья Новосибирской области Сибирским НИИ земледелия и химизации сельского хозяйства СФНЦА РАН в течение 1999-2019 гг. В качестве дополнительного предиктора в модели был включен показатель атмосферного увлажнения в виде стандартизированного индекса осадков (Standardized Precipitation Index – SPI), рассчитанный как средний показатель атмосферного увлажнения для мая-июля за ротацию каждого из анализируемых севооборотов. Установили, что модели, описывающие продуктивность севооборотов на основе алгоритмов ANN, Gradient Boosting и XGBoost, характеризовались наиболее высокими прогностическими способностями в зависимости от складывающихся условий атмосферного увлажнения и уровня интенсификации технологии возделывания (R2 = 0,90…0,93). Сравнительный анализ показал, что модель на основе экстремального градиентного бустинга демонстрирует наилучшие показатели с коэффициентом детерминации (R2 ) 0,93, среднеквадратичной ошибкой (RMSE) 2,34 и средней абсолютной ошибкой (MAE) 1,81. Продемонстрирована возможность применения методов машинного обучения в качестве эффективного инструментария для прогнозирования продуктивности севооборотов. /Crop rotation contributes to maintaining sustainable farming systems. The application of machine learning will enable more efficient design and prediction of crop rotation productivity. Traditional data processing methods do not meet the requirements of intelligent farming. To evaluate the application of machine learning, models for predicting crop rotation productivity were built based on six algorithms: decision tree (CART), random forest (RF), bootstrap aggregating (Bagging), Gradient Boosting, extreme gradient boosting (XGBoost), and artificial neural network (ANN). The study used time series data on the productivity of nine types of crop rotations at three levels of technogenic inputs, obtained in the forest-steppe of the Ob region in Novosibirsk Oblast by the Siberian Research Institute of Agriculture and Chemicalization of Agriculture of the SFSCA RAS during 1999-2019. As an additional predictor, the model included an atmospheric moisture indicator in the form of the Standardized Precipitation Index (SPI), calculated as the average atmospheric moisture indicator for May-July over the rotation of each analyzed crop rotation. Models describing crop rotation productivity based on ANN, Gradient Boosting, and XGBoost algorithms were characterized by the highest predictive abilities depending on the prevailing atmospheric moisture conditions and the level of cultivation technology intensification (R2 = 0.90…0.93). Comparative analysisshowed that the model based on extreme gradient boosting demonstratesthe best performance with a determination coefficient (R2 ) of 0.93, root mean square error (RMSE) of 2.34, and mean absolute error (MAE) of 1.81. The possibility of applying machine learning methods as an effective tool for predicting crop rotation productivity has been demonstrated.