Artificial Intelligence–Driven Precision Agriculture Systems: Engineering Frameworks for Climate-Resilient Food Production
Olumayowa J. Iyanda · Oluwadare OYEBODE · Iretiayo Adelaiye 等 4 人
综述2021-2026年AI驱动精准农业系统，提出气候韧性粮食生产工程框架。
综述机器学习、深度学习、强化学习、计算机视觉、机器人与物联网在精准农业中的应用。
CNN-LSTM混合模型和强化学习在产量预测与灌溉调度上优于单一方法，边缘计算提升实时性。
可研究边缘计算与强化学习结合的轻量级灌溉决策系统，并探索发展中国家低成本部署与标准化路径。
系统综述AI驱动精准农业的工程框架与技术路线，方法梳理扎实、结论有参考价值，但属综述类论文，产业落地影响有限。
气候变化、土壤问题、水资源短缺以及全球日益增长的粮食需求，意味着我们需要能够灵活管理资源的智能农业系统。传统农业方法对相同的投入采用固定模式，并依赖简单规则进行决策。人工智能可以帮助我们更好地管理资源，通过适应和优化资源利用来应对复杂的环境因素。本文深入探讨了人工智能驱动的精准农业系统，旨在使粮食生产对不断变化的天气更具韧性。作者综述了2021年至2026年间农业工程、计算机工程和环境系统领域的研究。作者考察了机器学习、深度学习、强化学习、计算机视觉、机器人技术及物联网传感器如何被用于作物产量预测、病害识别、灌溉优化、养分管理和田间作业自动化。我们的分析表明，混合深度学习模型（CNN-LSTM）在时空作物产量预测方面优于单一模型。在天气不可预测的情况下，强化学习算法在调整灌溉周期方面也表现更优。与传统基于云的系统相比，采用边缘计算进行系统设计可降低延迟并改善实时决策能力。然而，在理解人工智能模型的工作原理、获取足够多样化的数据、确保网络安全、制定通用标准以及使这些系统具备可负担性方面，仍存在重大挑战，尤其是在发展中国家。为应对这些问题，我们提出了一个融合人工智能分析、分布式传感器网络、自适应控制和气候风险评估的框架。作者对关键研究空白提供了重要见解，并勾勒了实现可持续、韧性和智能农业系统的技术路线图。