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.