Information Fusion in Smart Agriculture: Machine Learning Applications and Future Research Directions

要約

機械学習（ML）は、さまざまな分野でアプリケーションを拡大する急速に進化するテクノロジーです。
このペーパーでは、持続可能性と効率性に関する農業における最近のMLアプリケーションに関する包括的な調査を紹介します。
既存のレビューは、主に狭いサブドメインに焦点を当てているか、融合駆動型の視点を欠いています。
この研究では、農業におけるMLアプリケーションの複合分析を提供し、5つの重要な目的を構成しています。（i）収穫前、収穫、および収穫後の段階でML技術を分析します。
（ii）農業データとデータ融合でMLをどのように使用できるかを示す。
（iii）研究の傾向と活動を明らかにするために、書誌および統計分析を実施します。
（iv）さまざまな種類のマルチセンサーとマルチソースデータを使用する主要な人工知能（AI）駆動型の農業会社の実世界のケーススタディの調査。
（v）MLモデルトレーニングをサポートするために、公開されているデータセットをコンパイルします。
既存の以前のレビューを超えて、このレビューでは、機械学習（ML）技術とマルチソースデータフュージョン（リモートセンシング、IoT、および気候分析の統合）と組み合わせて、予測精度と意思決定を改善することにより精密な農業を強化する方法に焦点を当てています。
ケーススタディと統計的洞察は、AI駆動型のスマート農業の進化する景観を示していますが、将来の研究の方向性は、不均一なデータセットのデータ融合に関連する課題についても説明しています。
このレビューは、AIの研究と農業アプリケーションのギャップを埋め、研究者、業界の専門家、政策立案者が情報融合とMLを活用して精密農業を進めるためのロードマップを提供します。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google