Realization and analysis of Artificial Intelligence appearance in Agricultural system

方法

IEEE式综述，对比传统机器学习与CNN/LSTM/Transformer方法。

发现

识别数据集多样性、模型泛化与可解释性、边缘计算等关键研究空白。

机会点

可探索可解释AI与多模态数据融合在小农户低成本智能农业中的落地路径。

农业日益被期望在最大限度减少水、化肥、能源、化学品和劳动力使用的同时生产更多粮食。气候不可预测性、土壤退化、水资源短缺、作物病害、病虫害、杂草以及产量不确定性，使农业决策变得更加复杂。本研究提出了一套面向农业人工智能的IEEE风格综述与实施方法。本文考察了若干重要应用，包括作物推荐、作物产量估算、病害与虫害识别、杂草识别、土壤与养分管理、智能灌溉、天气预报、牲畜监测、农业机器人以及采后管理。本文提出了一种多层AI赋能农业系统，其中通过物联网、无人机、卫星和田间设备获取传统传感器、图像处理和历史信息；处理后的信息被提供给机器学习（ML）/深度学习模型；随后产生的决策被传送给农民或自动执行器。本文将决策树（DT）、随机森林、K近邻（KNN）、支持向量机（SVM）和人工神经网络（ANN）等传统模型与基于CNN、LSTM和Transformer的技术进行了概念性对比。报告还指出了在数据集多样性、模型泛化与解释、计算效率、网络安全、田间验证以及小规模农户成本等方面存在的重大研究空白。面向可持续智能农业，本文提出了基于可解释AI、边缘智能、混合AI和多模态数据融合的未来研究路径。