تحلیل پیشرفت های اخیر هوش مصنوعی و یادگیری ماشین در کشاورزی دقیق با رویکرد علم سنجی: روندها، چالش ها و فرصت ها

هدف: این مطالعه تحلیل پیشرفت های اخیر هوش مصنوعی و یادگیری ماشین در کشاورزی دقیق است تا نشان دهد این فناوری ها چگونه به بهینه سازی فرآیندهای کشاورزی، افزایش بهره وری و پاسخ به چالش های زیست محیطی و نیاز به تامین غذای جمعیت رو به رشد کمک می کنند. با توجه به افزایش تقاضا برای کشاورزی دقیق و اتکا به فناوری های نوین، پژوهش به دنبال شناسایی روندها، چالش ها و فرصت های موجود در این حوزه می باشد.روش پژوهش: این پژوهش با رویکرد تحلیلی و بر مبنای علم سنجی انجام شده است. جامعه آماری شامل مطالعات مرتبط با هوش مصنوعی و یادگیری ماشین در کشاورزی دقیق است که در پایگاه اسکوپوس در بازه زمانی ۲۰۰۰ تا ۲۰۲۵ نمایه شده اند. برای جستجوی مقالات، از کلمات کلیدی “هوش مصنوعی”، “یادگیری ماشین”، “کشاورزی دقیق” و “تکنولوژی های نوین کشاورزی” استفاده شد. در نهایت، ۷۵۰ مقاله به عنوان جامعه آماری انتخاب و تحلیل شدند. برای ترسیم شبکه موضوعی مطالعات، از نرم افزار VOSviewer بهره گیری شد. همچنین، به منظور بررسی روابط بین داده ها، از آزمون همبستگی پیرسون استفاده گردید.یافته ها: بر اساس تحلیل انجام شده، کلیدواژه “کشاورزی دقیق” با ۲۳۱ بار وقوع، به عنوان محور اصلی تحقیقات شناسایی شده است و این تاکید نشان دهنده تمایل فزاینده محققان به بهینه سازی فرایندها و بهبود کارایی از طریق فناوری های نوین است. همچنین، کلیدواژه های "هوش مصنوعی (AI)" و "یادگیری ماشین (ML)" به ترتیب با ۱۹۵ و ۱۷۶ بار تکرار، گویای تلاش پژوهشگران برای حل چالش های کشاورزی از طریق تحلیل داده های بزرگ و پیش بینی الگوهای آب وهوایی است. تحلیل روند انتشار در بازه های زمانی مختلف نشان می دهد که از ۲۰۰۰–۲۰۰۵ تنها ۲۷ مقاله وجود داشته و این عدد به ۳۸۷ مقاله در بازه ۲۰۲۰–۲۰۲۵ رسیده است. این روند صعودی به ویژه از سال ۲۰۱۵ به بعد با شتاب بیشتری دنبال شده است که گواهی است دال بر پذیرش گسترده تری از این فناوری ها برای بهینه سازی تولیدات و کاهش هزینه ها. بررسی خوشه های واژگانی نیز نشان داد که خوشه "کشاورزی دقیق" با واژگانی مانند "مزارع"، "تامین غذا" و "فناوری کشاورزی" به بهینه سازی فرآیندها و افزایش بهره وری اشاره دارد و ارتباطات میان این عناصر به تصمیم گیری و پیش بینی های مبتنی بر داده مربوط می شود. خوشه "یادگیری ماشین" با واژگانی مانند "یادگیری عمیق" و "ماشین های بردار پشتیبان" به تکنیک های یادگیری ماشین و کاربردهای آن ها در تحلیل داده های کشاورزی می پردازد. خوشه "اینترنت اشیاء" با واژگانی همچون "حسگرها" و "سنجش از دور" به جمع آوری داده ها از دستگاه ها و به کارگیری داده ها در محیط های زراعی اشاره دارد. همچنین، خوشه "یادگیری سیستم ها" با واژگانی مانند "تصمیم گیری" و "اتوماسیون" بر استفاده از الگوریتم ها و سیستم های یادگیری برای اتوماسیون کشاورزی متمرکز است و اهمیت ویژه ای در تحلیل داده و بهینه سازی عملکرد محصولات دارد. نتایج تحلیل همبستگی پیرسون نیز به طور خاص نشان دهنده رابطه مثبت و معنادار (P < ۰.۰۱)، بین تعداد مقالات منتشر شده و سال انتشار است که گواهی بر افزایش توجه به AI و ML در کشاورزی دقیق در سال های اخیر است و بیانگر تاثیر فناوری های نوین و دسترسی به داده ها بر روند پژوهش هاست. نتیجه گیری: نتایج نشان داد که روند رو به رشد و تنوع موضوعی در آینده پژوهش های کشاورزی دقیق روشن و امیدوارکننده است. این یافته ها می تواند مبنای محکمی برای پژوهش های آتی و توسعه سیاست های موثر در کشاورزی دقیق باشد و به بهبود عملکرد و بهره وری، همچنین مدیریت منابع در مواجهه با تغییرات زیست محیطی و رشد جمعیت کمک شایانی نماید. با توجه به اهمیت همسو شدن پژوهش های علمی با نیازهای عملی مزرعه ها، استقرار چارچوب های پژوهشی منسجم، ارتقای زیرساخت های داده ای، و تشویق مشارکت فعال کشاورزان و صنایع مرتبط از اولویت های کلیدی آینده محسوب می شود. به این ترتیب، آینده کشاورزی دقیق می تواند با افزایش کارایی، کاهش هزینه ها، بهبود پایداری زیست محیطی و کاهش خطرات ناشی از نوسانات اقلیمی و منابع محدود، نقشی کلیدی در تامین امنیت غذایی ایفا کند.

کلیدواژه ها:

هوش مصنوعی ، کشاورزی دقیق ، یادگیری ماشین ، اینترنت اشیاء ، کشاورزی هوشمند ، یادگیری سیستم ها ، تحلیل داده ها ، پیش بینی های آب وهوایی ، اتوماسیون کشاورزی