مقاله انگلیسی هوش مصنوعی چه کاری می‌تواند برای سلامت خاک در کشاورزی انجام دهد؟

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی سفارش ترجمه مقالات مرتبط 

عنوان فارسی:

هوش مصنوعی چه کاری می‌تواند برای سلامت خاک در کشاورزی انجام دهد؟

عنوان انگلیسی:

What can artificial intelligence do for soil health in agriculture?

کد محصول: M2018

سال نشر: 2026

نام ناشر (پایگاه داده): الزویر

نام مجله:Computer Science Review

نوع مقاله: مروری (Review Article)

متغیر : ندارد

فرضیه: ندارد

مدل مفهومی: ندارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی: 22 صفحه PDF

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله تاکنون ترجمه نشده برای سفارش ترجمه تخصصی مقاله بر روی دکمه ذیل کلیک نمایید (کد مقاله:M2018)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده

ادغام هوش مصنوعی (AI) در تحقیقات خاک، فرصت‌های قابل توجهی را برای پیشبرد درک، مدیریت و حفاظت از اکوسیستم‌های خاک ارائه می‌دهد. این مقاله کاربردهای متنوع هوش مصنوعی را در ارزیابی سلامت خاک، مدل‌سازی پیش‌بینانه خواص خاک، و توسعه توابع پدوتراسنفر  در زمینه کشاورزی، با تأکید بر مزایای هوش مصنوعی نسبت به روش‌های تحلیلی سنتی، بررسی می‌کند. ما کاهش ماده آلی خاک، فشردگی ، و از دست دادن تنوع زیستی را به عنوان رایج‌ترین اشکال تخریب خاک که مورد توجه قرار گرفته‌اند، شناسایی می‌کنیم. روندهای قوی شامل ایجاد نقشه‌های دیجیتال خاک، به ویژه برای کربن آلی خاک و خواص شیمیایی با استفاده از سنجش از دور یا شاخص‌های قابل اندازه‌گیری آسان، و همچنین توسعه سیستم‌های پشتیبانی از تصمیم (DSS) برای برنامه‌ریزی تناوب زراعی و پایش سلامت خاک و عملکرد محصول مبتنی بر اینترنت اشیا (IoT) است. در حالی که برای مدل‌سازی پارامترهای خاک مدل‌های جنگل تصادفی  بیشتر استفاده می شوند، ماشین‌های بردار پشتیبان  و شبکه‌های عصبی نیز به طور گسترده به کار می‌روند. تحلیل ما از مجموعه‌داده‌ها، سوگیری‌های منطقه‌ای آشکاری را نشان می‌دهد، به طوری که اقلیم‌های گرمسیری، خشک، قاره‌ای ملایم و توندرا قطبی، علیرغم اهمیت کشاورزی‌شان، کمتر مورد توجه قرار گرفته‌اند. ما همچنین شکاف‌هایی را در ترکیب‌های پیش‌بین-پاسخ  برای مدل‌سازی خواص خاک برجسته می‌کنیم و به مسیرهای تحقیقاتی امیدوارکننده‌ای مانند تخمین محتوای فلزات سنگین از طریق محتوای نیتروژن معدنی خاک، زیست‌توده میکروبی یا فراوانی کرم خاکی اشاره می‌کنیم. در نهایت، ما دستورالعمل‌های عملی در مورد آماده‌سازی داده‌ها، استخراج ویژگی‌ها و انتخاب مدل ارائه می‌دهیم. در مجموع، این مطالعه پیشرفت‌های اخیر را ترکیب کرده، محدودیت‌های روش‌شناختی را شناسایی کرده و نقشه راهی برای تحقیقات آتی ترسیم می‌کند که پتانسیل تحول‌آفرین هوش مصنوعی در علوم خاک را برجسته می‌سازد.

کلمات کلیدی: هوش مصنوعی، یادگیری ماشین، کشاورزی، سلامت خاک، مدل‌سازی پارامتر خاک، سوگیری داده‌های منطقه‌ای

Abstract: The integration of artificial intelligence (AI) into soil research presents significant opportunities to advance the understanding, management, and conservation of soil ecosystems. This paper reviews the diverse applications of AI in soil health assessment, predictive modeling of soil properties, and the development of pedotransfer functions within the context of agriculture, emphasizing AI’s advantages over traditional analytical methods. We identify soil organic matter decline, compaction, and biodiversity loss as the most frequently addressed forms of soil degradation. Strong trends include the creation of digital soil maps, particularly for soil organic carbon and chemical properties using remote sensing or easily measurable proxies, as well as the development of decision support systems for crop rotation planning and IoT-based monitoring of soil health and crop performance. While random forest models dominate, support vector machines and neural networks are also widely applied for soil parameter modeling. Our analysis of datasets reveals clear regional biases, with tropical, arid, mild continental, and polar tundra climates remaining underrepresented despite their agricultural relevance. We also highlight gaps in predictor–response combinations for soil property modeling, pointing to promising research avenues such as estimating heavy metal content from soil mineral nitrogen content, microbial biomass, or earthworm abundance. Finally, we provide practical guidelines on data preparation, feature extraction, and model selection. Overall, this study synthesizes recent advances, identifies methodological limitations, and outlines a roadmap for future research, underscoring AI’s transformative potential in soil science.

Keywords: Artificial intelligence, Machine learning, Agriculture, Soil health, Soil parameter modeling, Regional data bias

۱. مقدمه و انگیزه

کشاورزی با یک چالش دوگانه روبرو است: تأمین تقاضای رو به رشد جهانی برای غذا، خوراک دام، انرژی و فیبر، در عین حال که پایداری منابع طبیعی را نیز تضمین کند. تقاضای فزاینده برای محصولات کشاورزی ناشی از رشد جمعیت، مصرف سرانه بالاتر کالری ، و تغییر در ترجیحات رژیم غذایی به سمت محصولات مبتنی بر حیوانات، به ویژه در کشورهای در حال توسعه است [۱،۲]. این روندها فشار قابل توجهی را بر سیستم‌های کشاورزی وارد می‌کنند تا تولید را تشدید کرده و در عین حال اثرات زیست‌محیطی را به حداقل برسانند…

1. Introduction and motivation Agriculture faces a dual challenge: meeting the rising global demand for food, feed, energy, and fiber while ensuring the sustainability of natural resources. The increasing demand for agricultural products is driven by population growth, higher per capita calorie consump-tion, and shifts in dietary preferences towards animal-based products, particularly in developing countries [1,2]. These trends exert signif-icant pressure on agricultural systems to intensify production while minimizing environmental impacts…

۲.۱. روش‌شناسی

با الهام از فرآیندهای مرور نظام‌مند ادبیات (SLR) شرح داده شده در [۴۱،۴۲]، SLR انجام شده در این مقاله شامل مراحل زیر است: (۱) تعریف سؤالات پژوهش (RQs) (به جدول ۱ مراجعه کنید)، (۲) شناسایی مقالات مرتبط از طریق انتخاب کلمات کلیدی جستجو و مترادف‌های مناسب، و به دنبال آن (۳) فیلتر کردن مقالات بر اساس غربالگری چکیده و معیارهای شمول (ICs) و معیارهای عدم شمول (ECs) از پیش تعریف شده. در نهایت (۴) استخراج داده‌ها از مقالات باقیمانده با استفاده از سؤالات استخراج داده (DEQs). (۴) در نهایت خروجی مقاله برای پاسخ به RQs تعریف شده در مرحله (۱) استفاده خواهد شد…

2.1. Methodology Inspired by the SLR processes described in [41,42] the SLR con-ducted in this paper consists of the following steps: (1) The definition of RQs (see Table 1), (2) identification of relevant articles by selecting appropriate search keywords and synonyms, followed by (3) article filtering based on abstract screening and predefined inclusion criteria (ICs) and exclusion criteria (ECs). Last but not least (4) the extraction of data from the remaining articles using data extraction questions (DEQs). The output of step (4) will eventually be used to answer the RQs defined in step (1)…

۴. نتیجه‌گیری و چشم‌انداز

ادغام هوش مصنوعی در تحقیقات سلامت خاک، پتانسیل تحول‌آفرینی در پیشبرد درک، پایش و مدیریت اکوسیستم‌های خاک، به ویژه در کشاورزی، از خود نشان داده است. این مقاله طیف گسترده‌ای از راه‌حل‌های مبتنی بر هوش مصنوعی از مدل‌سازی پیش‌بینانه و نقشه‌های دیجیتال خاک (DSM) گرفته تا سیستم‌های پشتیبانی از تصمیم (DSS) و هوش مصنوعی قابل توضیح (XAI)، را که در حال حاضر به چالش‌های سلامت خاک می‌پردازند، برجسته کرده است. جدول ۶ بینش‌های کلیدی این مطالعه و همچنین شکاف‌های تحقیقاتی شناسایی‌شده و مسیرهای تحقیقاتی آتی را خلاصه می‌کند…

4. Conclusions and outlook The integration of AI in soil health research has shown transformative potential in advancing our understanding, monitoring, and management of soil ecosystems, particularly in agriculture. From predictive modeling and DSM to DSS and XAI, this work has highlighted the wide range of AI-driven solutions currently addressing soil health challenges. Table 6 summarizes the key insights of this work as well as identified research gaps and future research directions…

مقالات مرتبط با این موضوع

مقالات 2026 مدیریت مقالات 2026  مدیریت فناوری اطلاعات مقالات 2026 درباره کاربردهای هوش مصنوعی و یادگیری ماشین