Научная работа посвящена разработке нейросетевой модели на языке программирования Python для решения технологической задачи прогнозирования урожайности картофеля в условиях ограниченного объема агроклиматических данных. Разработанная программа рассматривается как элемент цифровой трансформации технологических процессов в растениеводстве, ориентированный на оптимизацию использования сельскохозяйственной техники и материальных ресурсов в агропромышленном комплексе. В исследовании использованы данные за 2022–2024 гг. о климатических условиях, типах почв и фактической урожайности картофеля по агропредприятиям Ульяновской области. Для обеспечения качества исходной информации проведена комплексная предобработка данных, включающая устранение пропущенных значений, фильтрацию статистических выбросов и нормализацию числовых параметров. Создана модель нейронной сети с использованием библиотек TensorFlow и Keras с архитектурой, включающей входной слой, два скрытых слоя по 64 нейрона и выходной слой. Особенностью исследования является работа с ограниченным объемом данных (15 наблюдений за 3 года), в связи с чем для предотвращения переобучения были применены методы регуляризации (L2, Dropout) и аугментации данных. Архитектура оптимизирована методом подбора гиперпараметров, а для оценки надежности модели применено перекрестное проверочное разделение данных. Валидация модели на тестовой выборке показала, что разработанная нейронная сеть обеспечивает среднюю абсолютную ошибку (MAE) 0,32 т/га и коэффициент детерминации (R²) 0,87. Модель превзошла по качеству прогноза множественную линейную регрессию (MAE = 0,45 т/га, R² = 0,75) и случайный лес (MAE = 0,38 т/га, R² = 0,81). Полученные результаты демонстрируют потенциал разработанного программного обеспечения для повышения эффективности планирования агротехнологических операций. Рекомендуется внедрение модели в качестве программного модуля систем поддержки принятия решений при управлении технологическими процессами в картофелеводстве.