[论文解读] Information Fusion in Smart Agriculture: Machine Learning Applications and Future Research Directions

Aashu, Kanchan Rajwar+4 more|arXiv (Cornell University)|May 23, 2024

Smart Agriculture and AIAgricultural and Biological Sciences被引用 3

一句话总结

本文综述了机器学习（ML）在智慧农业中的应用，突出展示了物联网（IoT）、无人机和自动化系统等人工智能驱动技术如何提升精准农业、作物监测和灌溉效率。文章识别了关键的机器学习模型、实际应用案例以及未来研究方向，强调通过农业4.0中的数据驱动决策实现产量提升、浪费减少和可持续发展。

ABSTRACT

Machine learning (ML) is a rapidly evolving technology with expanding applications across various fields. This paper presents a comprehensive survey of recent ML applications in agriculture for sustainability and efficiency. Existing reviews mainly focus on narrow subdomains or lack a fusion-driven perspectives. This study provides a combined analysis of ML applications in agriculture, structured around five key objectives: (i) Analyzing ML techniques across pre-harvesting, harvesting, and post-harvesting phases. (ii) Demonstrating how ML can be used with agricultural data and data fusion. (iii) Conducting a bibliometric and statistical analysis to reveal research trends and activity. (iv) Investigating real-world case studies of leading artificial intelligence (AI)-driven agricultural companies that use different types of multisensors and multisource data. (v) Compiling publicly available datasets to support ML model training. Going beyond existing previous reviews, this review focuses on how machine learning (ML) techniques, combined with multi-source data fusion (integrating remote sensing, IoT, and climate analytics), enhance precision agriculture by improving predictive accuracy and decision-making. Case studies and statistical insights illustrate the evolving landscape of AI driven smart farming, while future research directions also discusses challenges associated with data fusion for heterogeneous datasets. This review bridges the gap between AI research and agricultural applications, offering a roadmap for researchers, industry professionals, and policymakers to harness information fusion and ML for advancing precision agriculture.

研究动机与目标

• 提供对机器学习在农业中应用的全面综述，重点关注智慧农业、精准农业和农业4.0。
• 识别并分析在农业数据分析和决策支持系统中应用最有效的机器学习模型与技术。
• 突出展示人工智能在作物监测、灌溉和农场自动化中的实际应用，体现其对生产效率与可持续性的现实影响。
• 探讨农业中人工智能采纳存在的研究空白，并提出推动该领域发展的未来研究方向。
• 通过整合当前趋势、挑战与机遇，为研究人员和从业者提供支持，推动人工智能驱动的农业创新。

提出的方法

• 对近期关于农业中机器学习应用的研究进行系统性文献综述，重点关注作物产量预测、病害检测和资源优化等应用。
• 基于性能与适用性，对随机森林、支持向量机和深度学习等主流机器学习模型在农业任务中的分类与评估。
• 通过分析涉及物联网传感器、无人机和自动化灌溉系统的实际案例，评估机器学习在田间作业中的集成效果。
• 评估大数据与实时数据处理在通过机器学习实现动态、自适应农业系统中的作用。
• 通过分析市场趋势与部署案例，评估基础设施、成本与可扩展性方面的挑战。
• 通过识别边缘人工智能、可解释人工智能以及与气候建模的整合等未探索领域，预测未来研究方向。

实验结果

研究问题

• RQ1 在作物产量预测和病害检测等农业应用中，哪些机器学习模型展现出最高的准确率与可靠性？
• RQ2 像自动化灌溉和基于无人机的监测等人工智能驱动系统，如何提升农场效率并减少资源浪费？
• RQ3 全球农业中人工智能广泛采纳的主要技术、经济与基础设施障碍是什么？
• RQ4 如何通过融合多样化数据源（如卫星、传感器、气象数据）的信息来增强精准农业中的决策能力？
• RQ5 在推动人工智能在可持续且可扩展的农业系统中集成方面，哪些未来研究方向最为关键？

主要发现

• 随机森林和深度学习等机器学习模型在作物健康分类和产量预测方面表现出高准确率，已在农场中实现生产力与盈利能力的显著提升。
• 结合实时机器学习与历史气象数据的自动化灌溉系统，显著减少人工与水资源浪费，同时维持理想的土壤条件，从而提高平均产量。
• 无人机与高光谱成像结合深度学习，可实现作物胁迫与病害的早期检测，支持基于预警的精准作物保护系统。
• 无人驾驶拖拉机与机器人农业预计在未来十年内成为主流，降低对人工劳动的依赖，提升运营效率。
• 尽管潜力巨大，但高昂的初始成本、数据隐私问题以及基础设施限制等因素仍阻碍人工智能在农业中的广泛采纳，尤其是在发展中国家。
• 物联网、人工智能与大数据在智慧农业中的整合正在推动农业向数据驱动、可持续且高度高效的产业转型，近年来已显现出显著的增长趋势。