* Для переписки: bonface.manono@colostate.edu

Цитирование: Manono, B.O.; Mwami, B.; Mutavi, S.; Nzilu, F. Precision Farming with Smart Sensors: Current State, Challenges and Future Outlook. Sensors 2026, 26, 882. https://doi.org/10.3390/s26030882

Научный редактор: Sebania Libertino. Получено: 1 декабря 2025 г.; исправлено: 20 января 2026 г.; принято: 21 января 2026 г.; опубликовано: 29 января 2026 г.

Сельскохозяйственный сектор, жизненно важная отрасль для выживания человечества и основной источник продовольствия и сырья, сталкивается с растущим давлением из-за глобального роста населения и экологических проблем. Ограничения, связанные с производительностью, эффективностью и устойчивостью, не позволяют традиционным методам ведения сельского хозяйства адекватно удовлетворять растущий спрос на продукты питания. Точное земледелие стало преобразующей парадигмой для решения этих проблем. Он объединяет передовые технологии для улучшения процесса принятия решений, оптимизации урожайности и экономии ресурсов. Этот подход использует такие технологии, как беспроводные сенсорные сети, Интернет вещей (IoT), робототехнику, дроны, искусственный интеллект (ИИ) и облачные вычисления для предоставления эффективных и экономичных сельскохозяйственных услуг. Интеллектуальные сенсорные технологии лежат в основе точного земледелия. Они предоставляют важную информацию о состоянии почвы, росте растений и факторах окружающей среды в режиме реального времени. В этом обзоре исследуются состояние, проблемы и перспективы интеллектуальных сенсорных технологий в точном земледелии. Интеграция интеллектуальных датчиков с Интернетом вещей и искусственным интеллектом существенно изменила способы сбора, анализа и использования сельскохозяйственных данных для оптимизации урожайности, экономии ресурсов и повышения общей эффективности фермы. В обзоре рассматриваются различные типы используемых интеллектуальных датчиков, их применение и новые технологии, которые обещают внести дальнейшие инновации в сбор данных и принятие решений в сельском хозяйстве. Несмотря на прогресс, проблемы сохраняются. К ним относятся калибровка датчиков, конфиденциальность данных, совместимость и барьеры внедрения. Чтобы полностью реализовать потенциал интеллектуальных датчиков в обеспечении глобальной продовольственной безопасности и содействии устойчивому сельскому хозяйству, необходимо решить эти проблемы.

Сельское хозяйство имеет важное значение для удовлетворения глобальных потребностей в продовольствии и поставок первичных ресурсов для различных секторов экономики [1,2]. Тем не менее, поскольку традиционные методы ведения сельского хозяйства часто не могут удовлетворить растущий спрос, внедрение новых подходов, таких как умное сельское хозяйство, становится все более важным [3,4]. Технология интеллектуальных датчиков направлена ​​на решение этих критических проблем, включая сокращение численности ручного труда, нехватку пахотных земель и растущий разрыв между спросом на продовольствие и его предложением, вызванный ростом населения мира [5]. Оно быстро трансформирует сельское хозяйство, используя методы, основанные на данных, для повышения эффективности, устойчивости и производительности [6]. Точное земледелие было разработано для преодоления неэффективности, связанной с внедрением единых методов управления в различных полевых условиях [7,8]. Эта парадигма управляет сельскохозяйственными угодьями как динамической системой, учитывая конкретные изменения в почве, сельскохозяйственных культурах и условиях окружающей среды во времени и месте [9]. Исследования последовательно показывают, что производительность и устойчивость лучше всего улучшаются, когда ресурсы применяются на основе конкретных потребностей местных территорий, а не распределяются равномерно по всем полям [10]. Совершенствование основных технологий, таких как GPS, дистанционное зондирование и анализ данных, в конце двадцатого века стало поворотным моментом, сделав точное земледелие практической реальностью, а не просто идеей [11]. Этот подход расшифровывает пространственные и временные изменения внутри поля для достижения двух часто противоречивых целей: максимизация урожайности при одновременной минимизации воздействия на окружающую среду и финансовых затрат [12]. В центре этого перехода лежит сенсорная технология, которая в совокупности обеспечивает детальное обнаружение изменчивости в сельскохозяйственных системах [13]. Хотя отдельные датчики нацелены на конкретные области (почва, сельскохозяйственные культуры, климат или животноводство), их совокупная ценность проявляется в результате интеграции, когда потоки данных из нескольких источников синтезируются в ценную информацию, необходимую для принятия решений [14] (рис. 1). Таким образом, датчики функционируют не просто как инструменты измерения, но и как компоненты более широких социотехнических систем, которые определяют, как цели устойчивого развития реализуются на практике. Однако исследования также выявляют конфликт между передовыми технологиями и их практическим использованием на фермах, особенно в рамках мелких предприятий или предприятий с ограниченными ресурсами [15]. Тем не менее, зависимость точного земледелия от технологий создает проблемы в отношении точности данных, опыта пользователей и доступности [16]. На рис. 1 показана комплексная архитектура системы интеллектуальных датчиков в точном земледелии, в которой подробно показано, как различные сенсорные узлы, собирающие данные о влажности почвы, температуре окружающей среды и уровнях питательных веществ, взаимодействуют с центральным процессорным узлом через надежные протоколы беспроводной связи. Эта системная архитектура обеспечивает основанный на данных подход к управлению фермой, обеспечивая автоматическую корректировку орошения и точное использование ресурсов для повышения урожайности, минимизации отходов и обеспечения долгосрочной экологической устойчивости. Точное земледелие объединяет экономические, агрономические и экологические цели для повышения общей эффективности системы. Вместо того, чтобы сосредотачиваться исключительно на урожайности сельскохозяйственных культур, он направлен на максимизацию общего объема производства при одновременном сокращении отходов [17]. Хотя целью является улучшение качества продукции, более точные данные не всегда дают лучшие результаты [18]. Воздействие на окружающую среду самих точных систем, включая энергоемкую обработку данных и спутниковую инфраструктуру, может свести на нет повышение эффективности на фермах [19]. В технологически зрелых условиях мелкомасштабное реагирование может повысить эффективность и сократить отходы [20]. Напротив, частичное или плохо откалиброванное внедрение может подорвать предполагаемые выгоды, особенно когда пробелы в данных или ошибки во времени усиливают такие риски, как утечка питательных веществ или неравномерный стресс урожая [21]. Кроме того, чрезмерная зависимость от результатов алгоритмов может скрыть локальные агрономические нюансы, такие как реакции, специфичные для сорта, или микроклиматические эффекты, которые не поддаются формальному моделированию. В результате точность не устраняет неопределенность, а перераспределяет ее, требуя от фермеров договариваться между автоматическими рекомендациями и опытом. С экономической точки зрения точное земледелие представляет собой двойную динамику. С одной стороны, адаптивное управление ресурсами предлагает пути к снижению затрат и стабильности урожайности [22]. С другой стороны, высокие требования к капиталу и риск технической сложности усиливают существующее неравенство, отдавая предпочтение крупномасштабным или хорошо капитализированным операциям [23,24]. Следовательно, экономическая жизнеспособность точного земледелия выглядит не столько как технологическая неизбежность, сколько как функция политической поддержки, институциональных рамок и доступа к знаниям. Несмотря на широкое распространение термина «точное земледелие», консенсус по его определениям остается неуловимым. Конкурирующие названия, такие как «точное земледелие», «сельское хозяйство с учетом особенностей местности» или «умное земледелие», отражают более глубокую неясность относительно того, следует ли понимать эту концепцию в первую очередь как технологическую систему, философию управления или интегрированную социально-экономическую стратегию [25]. Эта концептуальная изменчивость способствовала инновациям, но также усложнила усилия по стандартизации практики и оценке результатов [26]. В конечном счете, литература предполагает, что сила точного земледелия заключается не в какой-то отдельной технологии, а в его способности интегрировать данные, опыт и принятие решений в рамках контекстно-зависимых сельскохозяйственных систем [27]. Это привело к призывам проводить оценку жизненного цикла, а не узкую оценку затрат и результатов [28]. Более того, недавний систематический обзор Miller et al. [29] обнаружили значительный всплеск исследований в области интеллектуальных сенсорных технологий в сельском хозяйстве, уделив особое внимание периоду 2020–2024 годов. Исследование подчеркивает как растущий интерес, так и быстрый прогресс в этой области. Эти быстрые изменения в технологиях требуют своевременного изучения интеллектуальных датчиков, в частности, определения того, где они находятся сейчас, их ограничений и будущих возможностей для более эффективного и устойчивого ведения сельского хозяйства. Именно на этом фоне данный обзор направлен на изучение текущего состояния технологий интеллектуальных датчиков в точном земледелии посредством трех ключевых задач: (i) изучить последние достижения и различные типы интеллектуальных датчиков, которые в настоящее время используются в точном земледелии, (ii) выявить и проанализировать серьезные проблемы, которые препятствуют широкому внедрению и эффективному внедрению технологий интеллектуальных датчиков в точном земледелии и (iii) изучить будущие направления и новые тенденции в разработке интеллектуальных датчиков в точном земледелии. Решая эти задачи, данный обзор призван предложить анализ того, как интеллектуальные сенсорные технологии формируют будущее точного земледелия. В нем подчеркиваются возможности и препятствия, которые необходимо преодолеть для достижения более продуктивной и устойчивой сельскохозяйственной экосистемы. Этот обзор представляет собой поэтапную техническую дорожную карту, в которой систематически исследуется роль и развитие сенсорных технологий в точном земледелии. В следующем разделе представлен краткий методологический обзор, определяющий объем и аналитический подход. Затем обсуждение переходит к функциональной роли датчиков, за которой следует классификация типов датчиков и ограничения их производительности в реальных сельскохозяйственных условиях. Эти основополагающие идеи закладывают основу для более глубокого анализа алгоритмов и моделей принятия решений, которые преобразуют необработанные данные датчиков в практические идеи для ведения сельского хозяйства. Последующие разделы посвящены интеграции датчиков в более широкие системы анализа данных, уделяя особое внимание мониторингу окружающей среды в реальном времени и мультисенсорным платформам. Затем в обзоре критически рассматриваются операционные проблемы, включая технические, экономические и инфраструктурные барьеры, которые ограничивают широкое внедрение. Заглядывая в будущее, он исследует будущие направления исследований, возникающие тенденции и соображения устойчивого развития, связанные с использованием датчиков. Статья завершается обобщением основных выводов и предложением стратегических рекомендаций по продвижению сенсорных решений в сельском хозяйстве.

Рисунок 1. Архитектура системы интеллектуальных датчиков в точном земледелии.

Чтобы создать прочную основу для этого обзора, был предпринят тщательно структурированный поиск литературы. Целью было собрать широкий спектр рецензируемых исследований и научных статей, касающихся точного земледелия и интеллектуальных сельскохозяйственных технологий. Помимо сбора данных, эта работа отображает эволюцию ключевых инноваций и текущих тенденций для выявления пробелов в интеллектуальном ландшафте этой области. Был разработан специальный многоэтапный протокол поиска, обеспечивающий как широту, так и глубину процесса поиска литературы. Стратегия началась с определения основных тематических областей, включая точное земледелие, интеграцию датчиков, искусственный интеллект (ИИ) и приложения Интернета вещей (IoT) в сельском хозяйстве. На основе этого был сформулирован целевой список ключевых слов. Они включали «умные датчики», «беспроводные сенсорные сети», «машинное обучение», «глубокое обучение» и «умное сельское хозяйство», чтобы отразить междисциплинарный характер темы. Логические операторы «И» и «ИЛИ» стратегически применялись для точной настройки запросов и максимизации релевантности в разных дисциплинах. Чтобы избежать узкого или предвзятого пула данных, были изучены разнообразные академические базы данных. В их число входили Google Scholar для широкого освещения, Scopus и Web of Science для влиятельных журналов, ScienceDirect и IEEE Xplore для понимания конкретных технологий, а также PubMed для любых перекрестных исследований в области наук о жизни. Платформы открытого доступа, такие как MDPI и DOAJ, также были включены для сбора новых исследований, еще не проиндексированных в более традиционных базах данных. Поиск был сосредоточен в первую очередь на литературе, опубликованной в период с 2005 по 2025 год, с включением более ранних источников, если они считались основополагающими или необходимыми для исторического контекста. Критерии включения подчеркивали рецензируемые исследования, имеющие прямое отношение к интеграции интеллектуальных технологий в сельское хозяйство. Статьи были выбраны на основе их методологической ясности, применимости к реальным сценариям ведения сельского хозяйства и вклада в понимание возникающих проблем и инноваций. Публикации исключались, если они не имели эмпирической направленности, выходили за рамки точного земледелия или имели ограниченную техническую значимость. В тех случаях, когда более ранние исследования давали важную информацию или вводили ключевые технологические концепции, они выборочно сохранялись. В ходе окончательного отбора источников были извлечены данные по нескольким ключевым моментам: типы и архитектуры датчиков, используемые модели искусственного интеллекта и машинного обучения, области реализации, такие как ирригация или борьба с вредителями, выявленные проблемы, такие как стоимость системы или перегрузка данными, а также стратегические направления, предложенные для будущих исследований. Этот подход был разработан не только для обобщения существующих результатов, но и для выявления практических идей, которые могли бы способствовать дальнейшим инновациям и междисциплинарному сотрудничеству. При принятии этой методологии упор был сделан на прозрачность, воспроизводимость и критическую оценку, отличительные черты строгого процесса проверки. Таким образом, поиск литературы был не пассивным объединением предшествующих работ, а целенаправленной попыткой обозначить контуры развивающейся исследовательской области.

Интегрируя традиционное зондирование с передовой обработкой и связью, интеллектуальные датчики превращают сельское хозяйство из ручного труда в динамичные операции, которые повышают производительность и одновременно сокращают человеческие усилия [30]. Они используются для мониторинга почвы, сельскохозяйственных культур, погоды и домашнего скота в режиме реального времени, тем самым улучшая управление ресурсами и заблаговременно выявляя потенциальные проблемы [31–33]. В сельском хозяйстве интеллектуальные датчики оптимизируют сельское хозяйство, предоставляя данные в режиме реального времени через интегрированные сети Интернета вещей и беспроводные сенсорные сети (WSN), что позволяет принимать более обоснованные решения [34,35]. Чтобы справиться с присущей сельскохозяйственной среде непредсказуемостью и биологической изменчивостью, интеллектуальные датчики разработаны с несколькими ключевыми характеристиками, которые обеспечивают точное управление на основе данных [36].

Интеллектуальные датчики предназначены для непрерывного сбора данных в режиме реального времени о различных параметрах окружающей среды и биологических параметрах [30,34]. Этот непрерывный поток данных обеспечивает немедленное понимание основных условий, включая влажность почвы, температуру, влажность и уровень питательных веществ, повышая четкость и практичность мониторинга окружающей среды [32,37]. Методы машинного обучения и глубокого обучения облегчают обработку и анализ собранных сельскохозяйственных данных. Этот подход поддерживает прогнозный анализ и сводит к минимуму человеческие ошибки в управлении и эксплуатации фермы [34]. Например, данные в режиме реального времени позволяют принимать динамические решения, такие как оптимизация циклов орошения на основе уровня влажности почвы или скорости испарения [38].

Эффективность интеллектуальных датчиков значительно повышается за счет их интеграции с технологиями Интернета вещей (IoT) и беспроводной сенсорной сети (WSN) [32,39]. WSN, состоящие из независимых сенсорных узлов с возможностями сбора данных и связи, развертываются на сельскохозяйственных территориях для сбора обширных данных с высоким пространственным и временным разрешением [35,40]. Эта интеграция позволяет осуществлять удаленный мониторинг и контроль сельскохозяйственных процессов, превращая традиционное сельское хозяйство в умное сельское хозяйство [32,34]. Например, интеллектуальные датчики на базе Интернета вещей облегчают мониторинг состояния сельскохозяйственных культур, отслеживание поголовья, прорастания семян и удаленный мониторинг уровня воды в резервуарах [32,41].

Сельскохозяйственная среда, как правило, неструктурирована, то есть она содержит непредсказуемые элементы и требует адаптируемых сенсорных решений [42]. Интеллектуальные датчики предназначены для эффективной работы в сложных и динамичных условиях окружающей среды, в отличие от контролируемой среды в помещении [43,44]. Они преодолевают проблемы, связанные с изменением рельефа, изменением погодных условий и разнообразием расположения посевов [35,38]. Данные датчиков в сочетании с дистанционным зондированием с дронов и спутников обеспечивают детальное картографирование и понимание окружающей среды, создавая новую информацию независимо от исторических данных или фиксированных путевых точек [38,45,46]. Эта возможность жизненно важна для таких задач, как полевые исследования, составление карт местности и раннее обнаружение вредителей или болезней [35,38].

Биологические системы, включая сельскохозяйственные культуры и животноводство, характеризуются внутренней нелинейностью, временной изменчивостью и неопределенностью [36]. Интеллектуальные датчики, особенно при интеграции с программными датчиками, предлагают преобразующий подход к устранению этой изменчивости путем оценки трудноизмеримых переменных, таких как показатели стресса или показатели здоровья [36]. Они позволяют точно вносить удобрения, контролируя содержание в почве питательных веществ, таких как азот, калий и фосфор [47]. Обеспечивая подробный анализ полевых условий и роста сельскохозяйственных культур, интеллектуальные датчики помогают гарантировать, что культуры получают именно то, что им нужно, оптимизируя продуктивность и устойчивость [34]. Этот расширенный мониторинг поддерживает раннее обнаружение вредителей и гибкие стратегии управления сельскохозяйственными культурами, которые имеют решающее значение для адаптации к разнообразным и меняющимся биологическим потребностям фермы [35].

Интеллектуальные датчики являются фундаментальными компонентами точного земледелия. Они обеспечивают непрерывный мониторинг и сбор данных по различным аспектам управления фермой [40]. Их эволюция от базовых инструментов измерения до интеллектуальных сетевых систем стала ключевым фактором модернизации методов ведения сельского хозяйства [48,49]. Технологии интеллектуальных датчиков имеют множество применений в различных аспектах точного земледелия. Интеллектуальные датчики, используемые в точном земледелии, можно разделить на общие категории в зависимости от их целевого применения и измеряемых ими параметров [40,50]. Они предоставляют важные данные, которые используются для принятия решений и автоматизируют различные сельскохозяйственные процессы.

Зондирование почвы неизменно считается основополагающим элементом точного земледелия из-за центральной роли свойств почвы в регулировании доступности воды, динамики питательных веществ и развития корней [51]. Вместо того, чтобы полагаться на периодические лабораторные тесты, современные стратегии используют полевые датчики в реальном времени для отслеживания быстрых изменений, которые напрямую влияют на управленческие решения [40]. Однако сравнительные исследования показывают, что ни одна технология датчиков почвы не является универсально превосходящей. Вместо этого производительность датчика сильно зависит от контекста и требует компромисса между ключевыми факторами, такими как точность, долговечность, первоначальная стоимость и требуемая интенсивность обслуживания [52]. Среди технологий измерения влажности не существует единого метода, который был бы универсально оптимальным. Диэлектрические подходы, такие как рефлектометрия во временной области (TDR), часто упоминаются из-за их надежности при различных текстурах почвы и уровнях засоления, хотя и с более высокой стоимостью и сложностью [51]. Рефлектометрия в частотной области (FDR), предлагая большую гибкость в конструкции зонда и рабочей частоте, демонстрирует повышенную чувствительность к ошибкам калибровки, специфичным для почвы, особенно в неоднородных полевых условиях [51]. Напротив, датчики на основе емкости широко используются, поскольку они доступны по цене и просты в установке, даже если они менее точны. Это отражает общую тенденцию в точном земледелии, когда «достаточно хорошие» решения часто предпочтительнее технически более совершенных, но более дорогих альтернатив [53]. Тензиометры и датчики с гранулированной матрицей обеспечивают функционально полезные оценки количества доступной для растений воды, но их возможности ограничены требованиями к техническому обслуживанию и задержкой реагирования [51]. Хотя нейтронные зонды обеспечивают превосходное определение профиля глубины, их практическое применение ограничивают значительные нормативные, безопасные и финансовые барьеры [54]. Технологии измерения pH почвы демонстрируют аналогичный компромисс между точностью лабораторного уровня и надежностью в полевых условиях. Датчики со стеклянными электродами обеспечивают превосходную точность, но зачастую слишком хрупкие для длительного развертывания в полевых условиях [55]. Напротив, оптические датчики и датчики на основе ISFET обеспечивают большую механическую стабильность и более длительный срок службы за счет несколько меньшей точности, что делает их более подходящими для непрерывного мониторинга [56]. Хотя электропроводность (EC) является популярным показателем засоления почвы и движения питательных веществ, эксперты предупреждают, что на показания EC влияют многочисленные свойства почвы. Из-за этой сложности значения EC требуют дополнительных измерений для обеспечения точной интерпретации [57]. Усовершенствованные четырехэлектродные и частотно-селективные методы могут помочь смягчить эффекты поляризации, но за это приходится платить увеличением сложности системы [51]. Исследования в области определения питательных веществ перешли от независимого измерения отдельных переменных к использованию интегрированных платформ, которые одновременно контролируют несколько параметров [58]. Оптические методы, такие как спектроскопия отражения, предлагают быстрые и неразрушающие оценки, но имеют проблемы со специфичностью при переменном освещении и условиях почвы [59]. Электрохимические подходы с использованием ионоселективных электродов обеспечивают более высокую селективность, но сталкиваются с проблемами долговечности и дрейфа в полевых условиях [51]. Новые датчики на основе МЭМС, полимеров и наноматериалов демонстрируют повышенную чувствительность и экономическую эффективность, однако долгосрочная полевая проверка остается ограниченной [60]. Важно отметить, что исследования по интеграции датчиков NPK с машинным обучением подчеркивают, что алгоритмическая интерпретация часто так же важна, как и само аппаратное обеспечение датчиков, что усиливает необходимость совместной разработки датчиков и аналитики [61].

Визуальное обследование часто бывает слишком медленным и неточным, чтобы выявить ранний стресс урожая, особенно когда условия окружающей среды быстро меняются [62]. В таких ситуациях полагаться исключительно на то, что можно увидеть невооруженным глазом, для своевременного вмешательства неэффективно. Сенсорные методы направлены на устранение этого временного разрыва путем выявления физиологических аномалий до того момента, когда потери урожая станут необратимыми. Однако сравнительный анализ показывает, что эффективность датчиков зависит не только от спектрального разрешения или чувствительности, но также от пространственного масштаба, стратегии развертывания и механизмов интерпретации данных [63]. Мультиспектральная визуализация остается наиболее широко используемым подходом из-за баланса между стоимостью, охватом и аналитической зрелостью [64]. Индексы растительности, такие как NDVI и SAVI, являются надежными показателями биомассы и содержания хлорофилла, но их эффективность ограничена при зрелом, плотном росте. По мере утолщения полога эти индексы теряют чувствительность и достигают точки насыщения [65]. Это максимальное значение затрудняет различие между различными уровнями растительности на продвинутых стадиях роста. Гиперспектральные системы устраняют это ограничение, фиксируя непрерывные спектральные сигнатуры, позволяя различать факторы стресса со схожими визуальными симптомами [66]. Тем не менее, гиперспектральная визуализация создает проблемы, связанные с объемом данных, сложностью обработки и восприимчивостью к шуму, что может нивелировать ее теоретические преимущества в оперативном контексте [64]. Сочетание мультиспектрального скрининга с целевым гиперспектральным анализом может стать прагматичным компромиссом. Термическое зондирование использует физиологическую связь между транспирацией и температурой покрова, обеспечивая прямой индикатор водного стресса [67]. Хотя тепловидение на основе БПЛА позволяет осуществлять точное пространственное управление орошением, на его точность влияют атмосферные условия, калибровка датчиков и время полета [68]. Исследования с использованием картирования индекса стресса воды для сельскохозяйственных культур (CWSI) показали значительный потенциал для сохранения воды; однако эти исследования советуют предостерегать от зависимости исключительно от тепловых данных без учета оценок влажности почвы [69]. Носимые устройства для растений представляют собой концептуальный переход от выводов на уровне поля к измерению на уровне организма [70]. Эти устройства обеспечивают беспрецедентное временное разрешение, фиксируя динамические физиологические реакции, такие как сокодвижение и транспирация in situ [71]. Однако их использование все еще находится на экспериментальной стадии из-за постоянных проблем с поддержанием безопасных долгосрочных соединений, обеспечением стабильной мощности и эффективным расширением систем [72]. Носимые устройства для растений предоставляют более качественные данные при интеграции с платформами Интернета вещей, но в настоящее время они лучше всего работают как вспомогательные средства для исследований, а не как независимые инструменты для управления посевами [73].

Экологическое зондирование в рамках точного земледелия подчеркивает важность изменчивости микроклимата, которая часто значительно отличается от данных региональных метеостанций [74]. Распределенные сенсорные сети позволяют локализовать мониторинг температуры, влажности, ветра и осадков, улучшая прогнозирование рисков заморозков, теплового стресса и вспышек заболеваний [75]. Плотное размещение датчиков означает получение более подробных данных о конкретной области, но такое повышенное пространственное разрешение часто приводит к более высокой стоимости системы, что является существенным компромиссом, особенно при управлении крупными операциями [76]. Интеграция данных становится критическим узким местом. Хотя платформы Интернета вещей облегчают передачу данных в реальном времени и облачное хранение, исследования показывают, что системы поддержки принятия решений (DSS) часто неэффективны из-за упрощенных моделей или ограниченной контекстуальной адаптации [77]. Чтобы быть эффективными, системы поддержки принятия решений (DSS) должны отдавать приоритет вероятностным прогнозам над фиксированными прогнозами, чтобы лучше учитывать реальную неопределенность.

Точное животноводство (PLF) распространяет принципы управления на конкретных участках на отдельных животных, превращая домашний скот в динамические биологические системы, а не в единые производственные единицы [78]. В настоящее время доминируют носимые датчики, позволяющие непрерывно отслеживать активность, температуру и пищевое поведение [79]. Носимые сенсорные системы эффективно обнаруживают течку и контролируют мастит, однако им по-прежнему мешают частые ложные срабатывания и снижение производительности оборудования с течением времени [80]. Имплантируемые биосенсоры обеспечивают более высокую точность измерений, но требуют этических, экономических соображений и вопросов защиты животных, которые ограничивают их широкое распространение [81]. Исследования показывают, что системы точного животноводства (PLF) работают лучше всего, когда они используют машинное обучение для анализа данных датчиков наряду с типичным поведением животных и условиями окружающей среды [82]. Этот подход гарантирует точную интерпретацию физиологических сигналов в зависимости от конкретного контекста животного. Тем не менее, масштабируемость и доверие фермеров остаются ключевыми препятствиями на пути внедрения [83].

Исследования по обнаружению заболеваний постоянно подчеркивают преимущество систем раннего предупреждения на основе датчиков над стратегиями реагирования [84,85]. Датчики визуализации выявляют предсимптомные физиологические аномалии, а биосенсоры позволяют обнаруживать патоген-специфические заболевания на молекулярном уровне [86]. Хотя биосенсоры очень специфичны, такая точность часто ограничивает их универсальность, поскольку они обычно проектируются для обнаружения только узкого круга патогенов [87]. Анализ изображений на основе искусственного интеллекта повысил точность классификации, однако возможность переноса модели между культурами, регионами и сезонами остается ограниченной [64]. Это предполагает, что системы обнаружения заболеваний должны постоянно переучиваться и адаптироваться к местным условиям, бросая вызов предположениям об универсальной применимости [88].

Сенсорное орошение повышает эффективность точного земледелия за счет автоматизации управления водными ресурсами, что является одной из наиболее сложных задач. Эти системы используют данные в реальном времени для обеспечения точного количества воды, сокращая ручной труд и потери ресурсов [89]. В этих системах беспроводные сети (такие как Wi-Fi или ZigBee) подключают ряд разнесенных датчиков к центральному контроллеру. Этот хаб анализирует данные об окружающей среде в режиме реального времени для автоматического запуска ирригационного оборудования [75,90]. Хотя простые модели орошения, основанные на пороговых значениях, легко внедрить, они часто не могут адаптироваться к быстро меняющимся условиям окружающей среды [91]. Напротив, системы с усовершенствованным искусственным интеллектом используют нечеткую логику или нейронные сети для синхронизации данных из нескольких источников, таких как уровни влажности, прогнозы погоды и скорость испарения, для автоматизации и оптимизации графиков орошения [92]. Однако их эффективность во многом зависит от качества данных и контекстной калибровки, которые остаются неравномерными в разных регионах. Точное земледелие может сократить потребление воды на 20–50%, но эти результаты значительно различаются в зависимости от конкретной среды и реализации [15]. Эти конкретные результаты не могут быть воспроизведены в различных сельскохозяйственных условиях или в разных типах сельскохозяйственных культур [93]. Кроме того, данные о потреблении энергии, обслуживании системы и деградации датчиков с течением времени часто занижаются, что ограничивает полное понимание долгосрочной рентабельности инвестиций [94].

Прогнозная аналитика представляет собой точку сближения датчиков, вычислений и управления в точном земледелии [51]. Использование нескольких датчиков улучшает прогнозы урожайности, но только в том случае, если данные точны и собираются регулярно в течение вегетационного периода [95]. Аналогично, системы оптимизации ресурсов на основе машинного обучения демонстрируют впечатляющую точность в контролируемых условиях, однако их надежность в условиях реальной изменчивости менее очевидна [96]. Исследования неизменно показывают, что ИИ наиболее эффективен, когда он функционирует как инструмент поддержки принятия решений для людей, а не как полностью независимый субъект, принимающий решения [96]. Чтобы максимизировать упреждающее управление, модели оценки риска должны преобразовывать сложные экологические, биологические и операционные данные в четкие, действенные идеи, которые фермеры могут легко интерпретировать [97]. Таким образом, будущее поддержки принятия решений в точном земледелии заключается не только в усложнении алгоритмов, но и в согласовании технологических результатов с процессами принятия решений человеком. Интеллектуальные датчики собирают в режиме реального времени данные о критических состояниях окружающей среды и растений, позволяя принимать целенаправленные меры, оптимизирующие управление ресурсами и урожайность сельскохозяйственных культур. Однако эффективное внедрение этих технологий зависит от выбора подходящего типа датчика для конкретных сельскохозяйственных применений. В таблице 1 представлен обзор различных типов интеллектуальных датчиков, обычно используемых в точном земледелии, с подробным описанием их ключевых характеристик и основных функций, которые помогут принять решения по внедрению.

Таблица 1. Типы и характеристики интеллектуальных датчиков в точном земледелии.

Сельскохозяйственные платформы Интернета вещей соединяют датчики и устройства для предоставления данных в режиме реального времени для точного управления растениеводством и животноводством [121]. Эти платформы облегчают сбор и передачу данных об окружающей среде, что повышает производительность и сокращает затраты на рабочую силу [122]. Системы Интернета вещей используются для мониторинга различных сельскохозяйственных факторов, таких как влажность почвы, уровень питательных веществ, влажность и температура [123,124]. Например, интеллектуальная система мониторинга сельского хозяйства может использовать датчики влажности, температуры и влажности для автоматического инициирования орошения при достижении заранее определенных пороговых значений окружающей среды, обеспечивая оптимальные условия выращивания [125]. Интернет вещей также имеет решающее значение для мониторинга состояния сельскохозяйственных культур, моделей роста и потенциальных угроз, позволяя проводить профилактическое обслуживание и раннее обнаружение вредителей [35]. Платформы Интернета вещей продемонстрировали значительный потенциал в повышении эффективности сельского хозяйства; однако их реализация сталкивается с рядом проблем [126]. Ключевые ограничения включают высокие затраты на реализацию и требование к фермерам обладать специализированными техническими знаниями [127]. В отдаленных сельскохозяйственных районах плохая инфраструктура связи часто вызывает серьезные проблемы со связью [128]. Надежная передача данных зависит от уровня сигнала, а потребление процессора и емкость аккумулятора определяют, как долго узел IoT может оставаться в рабочем состоянии [122]. Кроме того, безопасность и конфиденциальность данных представляют собой критические проблемы для сетей Интернета вещей [129]. Хотя облачные вычисления могут повысить эффективность обработки, они также могут привести к высокой задержке и увеличению пропускной способности сети [130]. Некоторые исследования показывают, что туманные вычисления, альтернатива обработке данных Интернета вещей, не всегда улучшают общую производительность системы, а иногда могут ее ухудшить [131]. Несмотря на эти проблемы, платформы Интернета вещей постоянно развиваются, благодаря достижениям в таких областях, как технология LoRa, повышающая надежность связи в сельской местности [132].

Беспроводные сенсорные сети (WSN) представляют собой группы независимых сенсорных узлов, которые контролируют и передают данные об окружающей среде, включая температуру, влажность и влажность почвы [133]. Они применяются в различных сельскохозяйственных задачах, включая мониторинг окружающей среды, интеллектуальное орошение и управление теплицами [38]. WSN предоставляют данные в режиме реального времени о погоде, почве и состоянии сельскохозяйственных культур, что позволяет фермерам принимать обоснованные решения и снижать затраты на рабочую силу [35,39]. Общие протоколы связи, такие как ZigBee, WiFi, SigFox и LoRaWAN, используются для сбора данных в WSN [39]. WSN предлагают значительные преимущества в точном земледелии, но их практическое применение сталкивается с рядом ограничений [134]. Ограниченный срок службы батареи делает энергоэффективность критически важной проблемой для сенсорных узлов, особенно с учетом того, что передача данных является основной причиной истощения мощности [135]. Экстремальные внешние условия могут поставить под угрозу надежность WSN, вызывая ухудшение сигнала и физическое повреждение оборудования [136]. Широкому внедрению препятствуют ограниченная дальность связи, высокие затраты на обслуживание батарей и высокая цена беспроводных узлов [136]. Кроме того, огромное количество данных, производимых WSN, требует упрощенных методов обработки и анализа для извлечения действенной информации [35]. Исследователи решают эти проблемы, разрабатывая надежное оборудование и энергоэффективные протоколы для оптимизации WSN для сельского хозяйства [137,138].

Дистанционное зондирование — это процесс сбора данных об объекте или территории на расстоянии, обычно с помощью спутниковых или воздушных платформ, без физического контакта с ним [30]. Эта технология необходима для эффективного наблюдения за обширными территориями, поскольку она предоставляет ключевые данные о растительности, качестве почвы и общем состоянии урожая. Широкий охват позволяет осуществлять систематический мониторинг и принимать обоснованные решения на больших территориях [139,140]. Дистанционные датчики работают во всем электромагнитном спектре, включая видимый, ближний инфракрасный, тепловой и микроволновый диапазоны [141,142]. Дистанционное зондирование обеспечивает частую обновленную информацию о состоянии сельскохозяйственных культур в различных масштабах, что делает его жизненно важным инструментом сельскохозяйственного мониторинга [143]. Это помогает выявить питание сельскохозяйственных культур, болезни, дефицит воды, заражение сорняками и повреждение насекомыми [140]. Тем не менее, различные технические ограничения ограничивают его использование при принятии сельскохозяйственных решений в режиме реального времени [141,144]. Ключевые проблемы включают сложность получения изображений, обладающих оптимальным сочетанием пространственного и спектрального разрешения, а также неблагоприятное время повторного посещения для эффективного обнаружения стресса [141,145]. Спутниковые датчики часто обеспечивают низкое спектральное разрешение и редкое время повторного посещения, что ограничивает их применение в точном земледелии [144,145]. Бортовые платформы предоставляют данные высокого разрешения, но часто слишком дороги для частого использования [141,146]. Гиперспектральная визуализация, хотя и является более продвинутой, генерирует большие объемы данных и требует сложного анализа, что ограничивает ее широкое распространение [147]. Кроме того, методы дистанционного зондирования обычно используются для разведки и в значительной степени зависят от наземных данных для обеспечения их точности [143,148].

Сельскохозяйственная робототехника и автоматизация объединяют передовые датчики и технологии для оптимизации основных задач, включая посадку, орошение, мониторинг урожая, опрыскивание и сбор урожая [149–151]. Эти системы оптимизируют урожайность сельскохозяйственных культур, сводя к минимуму вред окружающей среде [149]. Робототехника может сократить человеческий труд и управлять повторяющимися задачами, способствуя умному сельскому хозяйству [3,150]. Датчики жизненно важны для роботизированной навигации, позволяя машинам идентифицировать препятствия, маркеры полей и другие структуры окружающей среды [152]. Робототехника и автоматизация значительно повышают эффективность и точность в сельском хозяйстве [153,154]. Эти системы могут функционировать в самых разных условиях, от помещений с климат-контролем до обширных открытых площадок, автоматизируя задачи, которые обычно требуют значительного ручного труда [3,155]. Однако остаются проблемы с масштабируемостью, стоимостью и внедрением технологий [99,153]. Стоимость разработки эффективных автономных сельскохозяйственных робототехнических систем должна быть тщательно продумана, чтобы фермеры могли инвестировать в них [149]. Сложные условия и изменяющиеся полевые условия требуют надежных сенсорных и навигационных возможностей, которые постоянно совершенствуются [156]. Интеграция искусственного интеллекта и Интернета вещей с робототехникой может помочь решить эти проблемы и еще больше повысить эффективность сельского хозяйства [3,155].

Системы поддержки принятия сельскохозяйственных решений (DSS) объединяют данные и аналитические модели, чтобы помочь фермерам оптимизировать важные задачи, включая орошение, внесение удобрений и борьбу с вредителями [157,158]. Системы поддержки принятия решений (DSS) используют данные датчиков для предоставления в режиме реального времени информации об условиях окружающей среды и потребностях сельскохозяйственных культур с целью оптимизации использования ресурсов и повышения общей производительности сельского хозяйства [158]. Система поддержки принятия решений (DSS) может собирать важные данные, используя различные датчики, например, те, которые измеряют влажность почвы, температуру, влажность и уровни pH [159,160]. Эффективность DSS зависит от точности данных и доступности в режиме реального времени, оба из которых могут быть поставлены под угрозу из-за быстрого изменения условий окружающей среды [158]. Присущая изменчивость условий почвы и сельскохозяйственных культур требует получения пространственно-временных данных высокого разрешения; однако такой сбор данных остается логистически сложным и дорогостоящим [159]. Чтобы максимизировать эффективность систем поддержки принятия решений (DSS), разработчики должны обеспечить доступность данных, учитывать неопределенности модели и активно стимулировать мотивацию и участие фермеров [161]. В некоторых развивающихся регионах фермеры не так быстро, как ожидалось, внедрили технологию беспроводной сенсорной сети (WSN) для поддержки принятия решений. Следовательно, может быть более эффективным первоначально нацелиться на ученых и технический персонал, которые смогут усовершенствовать системы перед более широким внедрением [162].

Мультисенсорное объединение объединяет данные от различных датчиков с помощью сложных методов обработки, что приводит к более полной и точной интерпретации сельскохозяйственных условий [163]. Этот подход синтезирует различные потоки данных для создания более полной и точной картины окружающей среды, что ценно для таких приложений, как мониторинг урожая и управление ресурсами [164,165]. В сложных сельскохозяйственных условиях объединение данных повышает качество, надежность и надежность за счет интеграции информации из нескольких источников [163,166]. Качественный анализ данных повышает точность рекомендаций по управлению, что, в свою очередь, приводит к повышению урожайности сельскохозяйственных культур [165]. Например, сочетание гиперспектральных данных и данных LiDAR позволяет осуществлять комплексный мониторинг физических и химических изменений в различных частях отдельного растения. [119]. Робототехнические системы используют объединение нескольких датчиков для улучшения предотвращения препятствий за счет интеграции данных с ультразвуковых, инфракрасных и лазерных датчиков [167]. Однако сложность обработки огромных объемов разнообразных данных и поддержания стабильности сигнала в сложных средах остается ключевыми проблемами [147]. Оптимальная оценка производительности мультисенсорных термоядерных систем также является ключевой областью исследований [168]. Несмотря на эти сложности, объединение нескольких датчиков имеет решающее значение для повышения четкости и повышения надежности и точности восприятия в точном земледелии [163].

Подходы сельскохозяйственного зондирования различны, но дополняют друг друга, часто пересекаясь в своем практическом применении [119,120]. Платформы Интернета вещей и WSN являются основой для сбора данных на местах, обеспечивая измерения в реальном времени непосредственных факторов окружающей среды, таких как влажность почвы и температура [35,133]. Они преуспевают в микромасштабном мониторинге и автоматизации на полях или в теплицах, но их основные ограничения заключаются в потреблении энергии, возможности подключения в отдаленных районах и затратах, связанных с широкомасштабным развертыванием и обслуживанием [38,136]. Дистанционное зондирование с помощью БПЛА или спутников обеспечивает макромасштабные данные высокого разрешения, которые служат системой раннего предупреждения, дополняя детальную информацию из Интернета вещей и WSN [30,141,169]. Он особенно эффективен для мониторинга состояния сельскохозяйственных культур, оценки урожайности и выявления общих закономерностей стресса или болезней [119,140,170]. Его ограничения включают нечастое время повторного посещения, компромисс между спектральным и пространственным разрешением, а также высокие вычислительные затраты на обработку больших наборов данных [141,147,169]. Робототехника и автоматизация используют датчики Интернета вещей и беспроводных сенсорных сетей (WSN) для выполнения точных сельскохозяйственных задач, таких как посадка, опрыскивание и сбор урожая [171–173]. Несмотря на то, что они предназначены для повышения эффективности и сокращения трудозатрат, их высокие первоначальные затраты, проблемы с навигацией в динамичных средах и ограниченная масштабируемость препятствуют широкому внедрению [3,153,174]. Системы поддержки принятия решений (DSS) выступают в качестве «мозга» для этих технологий, обрабатывая данные, собранные с помощью Интернета вещей, WSN и дистанционного зондирования, чтобы генерировать действенные идеи и рекомендации для фермеров [4,175]. DSS имеют решающее значение для оптимизации использования ресурсов и управления практикой управления [176]. Эффективность системы поддержки принятия решений (DSS) зависит от высококачественных, своевременных и полных входных данных, а также от ее способности адаптироваться к разнообразным сельскохозяйственным условиям и потребностям фермеров [158,161]. Объединение нескольких датчиков повышает надежность и точность данных за счет объединения информации от нескольких разнородных датчиков для устранения индивидуальных недостатков и обеспечения более надежного восприятия окружающей среды [163]. Алгоритмы слияния необходимы для точного земледелия, систем поддержки принятия решений (DSS) и роботизированной навигации [165]. Однако их высокие вычислительные требования и присущая им сложность часто ограничивают их практическое применение [147]. По сути, устройства Интернета вещей и беспроводные сенсорные сети доставляют подробные данные в реальном времени непосредственно из операционной среды, тогда как дистанционное зондирование обеспечивает комплексный пространственный контекст. Робототехника и автоматизация используют эти данные для выполнения физических задач, а DSS интерпретирует объединенную информацию для принятия решений. Объединение мультисенсоров служит основой для этих достижений, повышая качество и надежность данных, тем самым способствуя более точному принятию решений и поддерживая повышение эффективности автоматизированных процессов. Сочетание и интеграция этих технологий имеют важное значение для развития умного сельского хозяйства [38,119].

Принятие решений с помощью интеллектуальных датчиков в сельском хозяйстве опирается на различные алгоритмы и модельные механизмы для повышения производительности и устойчивости [177]. Эти системы используют машинное обучение, Интернет вещей и беспроводные сенсорные сети для преобразования сельскохозяйственных данных в практические идеи [177–179].

Интеллектуальное принятие решений в сельском хозяйстве использует ряд алгоритмов для интерпретации данных датчиков и управления действиями [177,179,180]. Они включают в себя следующее:

В сельском хозяйстве алгоритмы машинного обучения (МО) позволяют интеллектуальным датчикам принимать автономные решения, обучаясь на основе шаблонов данных, а не следуя жесткому ручному программированию [177,181]. Эти алгоритмы используются для различных задач прогнозирования и классификации [177,178]. Например, они могут прогнозировать параметры почвы, включая содержание органического углерода и влаги, которые жизненно важны для эффективного управления ресурсами [177]. Алгоритмы машинного обучения анализируют экологические и исторические данные для прогнозирования урожайности, улучшая планирование ресурсов [178]. Интегрируя компьютерное зрение с машинным обучением, фермеры могут автоматически определять болезни сельскохозяйственных культур и засоренность сорняками по изображениям, что позволяет проводить точные вмешательства, повышающие общее качество урожая. Модели машинного обучения используют данные датчиков на ошейниках домашнего скота для прогнозирования моделей рождаемости и диагностики расстройств пищевого поведения, помогая улучшить производство [177]. Генеративно-состязательные сети (GAN), форма глубокого обучения, обнаруживают аномалии в многомерных временных рядах интеллектуальных сельскохозяйственных систем Интернета вещей [180]. Это помогает выявить необычные закономерности, которые могут сигнализировать о потенциальных проблемах, фиксируя временную зависимость и потенциальные корреляции между функциями. Чтобы оценить пригодность земли для возделывания, экспертные системы интегрируют нейронные сети и многослойные перцептроны (MLP) для обработки данных датчиков и классификации земли как очень подходящей, подходящей, умеренно подходящей или непригодной [182,183].

Системы нечеткой логики улучшают процесс принятия решений в сельском хозяйстве, обрабатывая, как правило, неточные или неполные данные датчиков, чтобы облегчить принятие тонких суждений, а не строгие бинарные результаты [184]. Интеллектуальные ирригационные системы используют нечеткие правила, основанные на экспертных знаниях, для перевода данных датчиков в точные параметры окружающей среды для автоматического управления водными ресурсами [184]. Используя нечеткую логику для интерпретации экспертных правил и данных датчиков, интеллектуальные системы обеспечивают точное, автоматизированное управление водными ресурсами и анализируют условия окружающей среды для эффективной профилактики болезней сельскохозяйственных культур [184]. Чтобы уменьшить заторы на дорогах, интеллектуальные транспортные системы используют алгоритм аналитического иерархического процесса (AHP), который обрабатывает данные сенсорной сети с учетом неопределенностей окружающей среды [185].

Модели глубокого обучения, разновидность машинного обучения, превосходно справляются с обработкой сложных данных, таких как изображения, для сельскохозяйственных приложений [180,186]. Сверточные нейронные сети (CNN), включая такие модели, как ResNet 50 и VGG 16, могут определять спелость хлопка, используя визуальную информацию из изображений [186]. Эти модели показали высокую точность классификации зрелости коробочек хлопка [186]. Они решают такие проблемы, как естественное освещение и воздействие окружающей среды, чтобы классифицировать изображения как зрелые или незрелые [186].

Помимо машинного обучения и нечеткой логики, разумному принятию решений в сельском хозяйстве способствуют и другие алгоритмы. «Умное» сельское хозяйство опирается на несколько основных робототехнических технологий: моделирование на основе машинного зрения, автоматизированные системы принятия решений, расширенное распознавание образов и интуитивные интерфейсы «человек-компьютер» [163]. В умных городах беспроводные сенсорные сети (WSN) используют иерархические структуры данных для автоматизации решений, повышения эффективности использования ресурсов и управления стихийными бедствиями [187]. Чтобы обеспечить эффективное руководство земледельцам, используются экспертные системы для облегчения принятия важных решений, особенно в таких областях, как диагностика болезней сельскохозяйственных культур [188].

Интеллектуальные датчики работают путем интеграции беспроводных сетей с периферийными вычислениями, обеспечивая немедленный сбор данных и анализ в реальном времени [179,189].

WSN и Интернет вещей лежат в основе точного земледелия, поскольку они позволяют собирать и передавать огромные объемы данных от различных датчиков [179,190,191]. Эти сети связывают различные устройства, обеспечивая удаленный мониторинг и автономное принятие решений на основе данных [192]. В умном сельском хозяйстве WSN с поддержкой Интернета вещей интегрируют датчики для предоставления постоянных данных о климате и почве, предоставляя фермерам информацию для точного управления водными ресурсами и приводя к улучшению производства [191,193]. Технология WSN оптимизирует сельскохозяйственные операции за счет сбора и организации важных данных, а затем их обработки в соответствии с широко принятыми общественными стандартами эффективного мониторинга и контроля [194]. Уровень передачи использует интернет-протоколы для агрегирования данных, позволяя верхним уровням эффективно получать доступ, анализировать и обрабатывать информацию [194]. Прототипы умных ферм на базе Интернета вещей используют данные для интеграции систем продовольствия, энергии и воды (FEW), демонстрируя, как этими ресурсами можно управлять целостно [179]. Технологии Интернета вещей, включая интеллектуальные датчики, сетевые топологии и анализ больших данных, необходимы для автоматизации управления теплицами, в частности для контроля внутреннего климата, управления орошением и мониторинга роста сельскохозяйственных культур [195].

Периферийные вычисления повышают эффективность сельского хозяйства за счет обработки данных в источнике, что позволяет преодолеть традиционные проблемы облачных вычислений, такие как высокая задержка и ограниченная пропускная способность [189]. Эта технология локально обрабатывает данные от сельскохозяйственных культур, датчиков и техники, перемещая вычислительную мощность на периферию сети [189]. Это улучшает процесс принятия решений в режиме реального времени для точного земледелия и управления интеллектуальной сельскохозяйственной техникой. Используя периферийные вычисления, «умные» теплицы позволяют отслеживать данные в реальном времени и автоматически принимать решения. Новые методы, такие как DLSHIForest, эффективно решают проблемы, присущие этим потокам данных, включая дрейф понятий и статистические корреляции [196].

Интеллектуальные сельскохозяйственные системы все чаще интегрируют данные из различных источников и используют передовые методы анализа для достижения полного понимания условий и операций фермы [197,198]. Чтобы обеспечить целостное представление для принятия решений, этот подход объединяет различные источники данных, включая показания датчиков, изображения и наборы данных «омики» [198]. Объединение мультиспектральных и тепловых данных со спутников (таких как Sentinel-2 или Landsat) и дронов (таких как DJI P4 Multispectral) позволяет осуществлять точное земледелие, обеспечивая надежный мониторинг урожая и выявляя конкретные области, требующие вмешательства [197]. Прогнозная аналитика использует прошлые данные для прогнозирования будущих событий путем выявления закономерностей, что позволяет принимать упреждающие решения [112]. Умные фермы анализируют эти данные, чтобы прогнозировать урожайность и рекомендовать идеальные условия окружающей среды для роста теплиц [199–201].

Разработка интеллектуальных датчиков является ключевым механизмом, позволяющим интегрировать принципы искусственного интеллекта непосредственно в сами датчики для расширения их возможностей [202]. Исследователи разработали портативные датчики с автономным питанием, которые используют алгоритмы ближайшего соседа (NEN) и модели искусственной нейронной сети (ANN) для обеспечения точных измерений солнечного излучения, температуры и влажности в режиме реального времени [203]. Эти датчики используют полусферические изображения земли-неба для оценки облачного покрова, что значительно повышает точность моделей прогнозирования солнечной радиации [203].

Интеллектуальные системы принятия решений в точном земледелии анализируют обширные данные от датчиков Интернета вещей, дронов и других источников, используя передовые алгоритмы, чтобы предоставлять фермерам действенную, основанную на данных информацию [194,204]. Для большей ясности структура описывает систему Интернета вещей для точного земледелия с четырьмя уровнями: сенсорный уровень (собирает данные через физические устройства), уровень передачи (отправляет данные по сетям), уровень мониторинга (анализирует данные для управления) и прикладной уровень (пользовательский интерфейс, поддержка принятия решений) [194,205]. Уровень мониторинга использует обобщенные данные для интеллектуального управления задачами путем регулирования алгоритмов автоматического управления, что приводит к улучшению экосистем для роста сельскохозяйственных культур [194]. Человеко-ориентированный ИИ (HCAI) объединяет экспертные знания с рабочими процессами ИИ для расширения возможностей человека в сельском и лесном хозяйстве, отдавая приоритет расширению над автоматизацией [198]. Ключевые области исследований включают интеллектуальное объединение информации, встроенную робототехнику и расширенные системы для доверенной поддержки принятия решений [198]. Вычислительные модели, такие как IndoorPlant, анализируют данные исторического контекста для оптимизации сельского хозяйства в закрытых помещениях [199,206]. Эти модели предоставляют интеллектуальные услуги, прогнозируя урожайность сельскохозяйственных культур и рекомендуя конкретные корректировки тепличных условий для повышения урожайности [199].

Интеграция данных датчиков превратила сельское хозяйство из трудоемкой операции в деятельность, основанную на знаниях, обеспечив возможность хранения, обмена и анализа обширных наборов данных для получения ценной информации [207,208]. (Данные датчиков необходимы для сельскохозяйственных исследований, обеспечивая точный мониторинг, принятие решений на основе данных и улучшение производственных процессов, качества продукции и общей эффективности сельского хозяйства [208,209].

Сельскохозяйственные данные поступают из различных источников, включая устройства Интернета вещей, датчики окружающей среды, спутниковые снимки, метеостанции и подключенную сельскохозяйственную технику [209]. Датчики используются в различных средах, в том числе в воздухе, на сельскохозяйственной технике и непосредственно в поле, для сбора широкого спектра физических и химических переменных [210,211]. Примеры включают датчики влажности почвы, температуры и питательных веществ. Гиперспектральные датчики обеспечивают больший спектральный диапазон и точность, чем традиционные датчики RGB или NIR, что позволяет проводить более детальное профилирование материалов и организмов [212]. Беспилотные авиационные системы (БПЛА) с легкими гиперспектральными датчиками предлагают экономически эффективный способ сбора данных о сельском и лесном хозяйстве [212]. Спутники дистанционного зондирования, включая Landsat, MODIS и Sentinel, предоставляют мультиспектральные данные, которые позволяют получить ценную информацию о составе почвы, погодных условиях, водных ресурсах и здоровье растительности [213]. Рисунок 2 иллюстрирует фундаментальные подходы, которые исследователи и практики используют при интеграции датчиков в сельское хозяйство. Точное земледелие во многом зависит от точного и своевременного сбора геопространственных данных о таких факторах, как влажность почвы, уровень питательных веществ и местный микроклимат. Стратегии, представленные на рисунке 2, различают традиционные, трудоемкие методы выборки и современные автоматизированные системы, подчеркивая компромиссы в разрешении данных, масштабируемости, экономической эффективности и возможностях мониторинга в реальном времени, которые в конечном итоге влияют на принятие решений.

Рисунок 2. Стратегии размещения датчиков в полевых условиях для точного земледелия.

Для извлечения значимой информации из «больших данных», генерируемых датчиками, необходимы эффективные методы обработки и анализа [209]. Обработка аэрофотоснимков включает в себя отдельные операции перед полетом, в полете и после полета, чтобы гарантировать точность и полезность данных для дальнейшего анализа [212]. Удобные для пользователя инструменты и наборы инструментов упрощают обработку гиперспектральных данных за счет автоматизации сложных математических вычислений [212]. Получение знаний на основе данных датчиков — это сложный процесс, который включает в себя объединение данных из различных источников и применение передовых аналитических методов для извлечения значимой информации [209]. К этим методам относятся следующие: перед анализом данные из различных источников необходимо нормализовать и интегрировать в единый формат [209]. Алгоритмы МО позволяют машинам обучаться без явного программирования, что делает их незаменимыми для анализа сельскохозяйственных данных для прогнозирования параметров почвы, прогнозирования урожайности сельскохозяйственных культур и выявления болезней [177]. Этот процесс включает в себя извлечение ценных закономерностей и идей из больших объемов данных для улучшения понимания и более эффективного прогнозирования будущих тенденций [214]. Чтобы повысить точность принятия решений, используется обнаружение выбросов для устранения ошибок в данных, а объединение данных датчиков объединяет несколько источников для компенсации отдельных неисправностей и повышения общей точности [215]. Анализ исторических спутниковых изображений с помощью глубокого обучения и пространственно-временного анализа выявляет скрытые модели ведения сельского хозяйства и создает подробные профили состояния сельскохозяйственных культур с течением времени. Чтобы упростить сложные наборы сельскохозяйственных данных, исследователи используют комбинацию грубой теории множеств и генетических алгоритмов для выявления и удаления избыточных атрибутов из неточной или неполной информации [216].

Информация, полученная с помощью данных датчиков и методов обнаружения знаний, существенно влияет на методы ведения сельского хозяйства, переходя к точному земледелию и точному земледелию [177,210]. точное земледелие использует датчики и программное обеспечение для эффективного распределения ресурсов, повышая как урожайность, так и экологическую устойчивость [30]. Этот подход позволяет осуществлять управление с учетом особенностей участка, адаптируя такие приложения, как орошение и удобрение, к точным потребностям растений [94]. Например, мультиагентные системы используют данные датчиков для принятия решений в сельском хозяйстве, оптимизации орошения кукурузных полей и сокращения потребления воды [208]. Датчики позволяют непрерывно отслеживать температуру, влажность и количество осадков. Эти данные необходимы для управления растениеводством, поскольку климатические условия становятся все более непредсказуемыми [123,199,217]. Мониторинг состояния растений и климатических условий в режиме реального времени обеспечивает точное вмешательство человека, обеспечивая высококачественное и экологически устойчивое сельское хозяйство. Точный мониторинг и прогнозное моделирование сокращают чрезмерное использование воды и химикатов, тем самым сводя к минимуму загрязнение окружающей среды [21].

Сенсорные технологии улучшают процесс принятия решений в сельском хозяйстве и управление ресурсами, однако ряд проблем препятствует их широкому внедрению и повышению эффективности [4,210]. Например, огромное количество и сложность данных, полученных, например, от гиперспектральных датчиков, требуют надежной калибровки и обработки [212,218]. Аналогичным образом, решающее значение имеют качество, изменчивость и масштаб данных, а также анализ и интеграция данных для создания эффективных и жизнеспособных моделей. По мере того как цифровые технологии все больше интегрируются в сельское хозяйство, опасения относительно безопасности и суверенитета данных становятся критическими этическими и социальными проблемами [219]. Решение этих проблем имеет решающее значение для эффективного внедрения точного земледелия [40,220].

Дрейф датчика, который приводит к постепенному изменению показаний с течением времени и приводит к неточностям, является серьезной проблемой в долгосрочном сельскохозяйственном использовании [221]. Это вызвано засолением почвы, старением компонентов и загрязнением такими загрязнителями, как органические вещества [222]. Хотя датчики влажности почвы склонны к дрейфу, снижающему точность с течением времени, эта проблема также затрагивает и другие приборы, такие как датчики температуры воздуха, которые могут иметь еще более высокий уровень чувствительности [223]. Для управления дрейфом датчиков необходима регулярная калибровка, а для повышения точности датчиков влажности почвы разрабатываются алгоритмы самокалибровки, использующие глубокое обучение [224,225]. Калибровка на месте использует естественные или внешние колебания температуры для получения изменяющихся во времени параметров, устраняя необходимость физического перемещения датчиков или сложного оборудования [226]. Этот метод в сочетании с мониторингом температуры позволяет обнаруживать и периодически корректировать дрейф датчика, тем самым способствуя высокоточному измерению.

Чтобы обеспечить надежные сельскохозяйственные данные, датчики должны быть откалиброваны по известным стандартам, хотя этот процесс существенно затруднен из-за неточностей, вызванных производственными отклонениями, неисправностями, старением и факторами окружающей среды [220,227]. Например, исследования показали, что без калибровки для конкретного участка точность диэлектрических датчиков влажности почвы не может быть гарантирована для всех типов почвы [228]. Для обеспечения точных измерений необходимы калибровочные кривые для конкретной почвы, поскольку различные пропорции песка, ила и глины изменяют то, как разные типы почв удерживают и перемещают воду [229]. Полевая калибровка емкостных датчиков в глинистых почвах показывает, что, хотя линейные и квадратичные модели хорошо коррелируют с гравиметрическими измерениями, повышение точности датчиков может привести к более эффективному поливу [230]. Некоторые исследования рекомендуют лабораторную калибровку вместо полевых методов, поскольку переменные окружающей среды, такие как расположение образцов, пустоты, органические остатки и плотность корней, часто вносят значительные ошибки во время полевых испытаний [231]. Инновации в технологии, такие как новые недорогие датчики влажности почвы SDI-12, оснащенные возможностью автоматического выбора уравнений калибровки для конкретной почвы, еще раз подчеркивают, почему индивидуальная калибровка имеет решающее значение [232]. Последовательная калибровка датчиков необходима для обеспечения точной информации; в противном случае показания датчиков могут со временем меняться, что приведет к ошибочному анализу и принятию неверных решений.

Сельскохозяйственные условия часто бывают суровыми, что затрудняет развертывание сенсорных систем и их электронных интерфейсов [233]. К проблемам относятся физические и технические явления, влияющие на механизмы вращения сельскохозяйственных роботов-манипуляторов. Датчики, такие как микроволновые устройства, разработаны так, чтобы преодолеть ограничения оптических или ультразвуковых технологий при использовании в сложных сельскохозяйственных условиях, подверженных пыли или дождю [200]. Экстремальные погодные условия могут привести к ухудшению качества компонентов датчиков, что может привести к сбоям в работе, снижению надежности, неточности измерений или полному отказу системы [220, 234, 235]. Это приводит к принятию неверных решений. Чтобы решить эти экологические проблемы, датчики должны иметь прочную конструкцию, использовать специальные материалы и упаковку, чтобы выдерживать экстремальные температуры, влажность и физические воздействия сельскохозяйственной среды [220]. Например, прочные датчики почвы со степенью защиты IP65 используют технологию NB-IoT для мониторинга уровня влажности и работают от батарей, что упрощает их развертывание на сельскохозяйственных полях [236]. Чтобы повысить устойчивость сельского хозяйства, исследователи должны разработать самовосстанавливающиеся датчики, способные автономно обнаруживать и устранять неисправности, вызванные экологическим стрессом.

Плохая связь в отдаленных сельскохозяйственных районах представляет собой серьезную проблему для эффективного внедрения технологий точного земледелия [4]. Интеграция сенсорных сетей с платформами Интернета вещей (IoT) обеспечивает удаленный мониторинг и анализ данных; однако эта функциональность полностью зависит от наличия надежного подключения [4,237]. Управление данными осложняется огромным объемом данных, производимых взаимосвязанными устройствами в сельскохозяйственных экосистемах, что требует интеллектуальной обработки и анализа [4,179]. Нестабильность сети является серьезной технической проблемой для WSN в сельских сельскохозяйственных районах, в первую очередь вызванной ограниченной инфраструктурой, высокими затратами на развертывание и сложностью поддержания надежного соединения на больших расстояниях [220,238]. Такие протоколы, как 802.15.4 (Bluetooth, Zigbee) и 802.11x (WLAN), имеют малый радиус действия, сложные коммуникационные стеки и требуют высокой мощности, что делает их непрактичными для покрытия больших сельских районов без дорогостоящего оборудования и обширной настройки [238]. Для площадей, превышающих 25–50 м2, эти технологии требуют многоскачковой маршрутизации или ячеистой сети, что усложняет синхронизацию устройств, энергопотребление и срок службы [238]. Являясь маломощным решением с большим радиусом действия (до 10 км), LoRa обеспечивает экономичную двустороннюю связь на обширных территориях, упрощая передачу данных за счет устранения многоскачковой синхронизации [220]. Он работает в нелицензируемых диапазонах ISM, обеспечивая гибкую связь на большие расстояния при низкой цене и бюджете мощности [238,239]. LoRaWAN — это протокол MAC-уровня, созданный на основе технологии LoRa для поддержки масштабируемости сотен тысяч устройств [238,240]. Однако это часто требует более высоких затрат и опирается на облачные сетевые сервисы, которые могут предотвратить хранение данных исключительно на месте [238]. Напротив, прямое использование LoRa предлагает недорогую альтернативу с открытым исходным кодом, которая обеспечивает полное владение данными и надежную адресную связь в удаленных районах за счет локального хранения, визуализации и управления приемопередатчиком [238]. Однако LoRa лучше всего подходит для приложений, требующих минимальной передачи данных, поскольку его низкая пропускная способность (измеряется в килобитах в секунду) не может поддерживать большие высокоскоростные передачи [238]. Чтобы продемонстрировать преимущества и простоту использования точного земледелия, будущие исследования должны развернуть крупномасштабные сети в сельскохозяйственных условиях [241].

Модели искусственного интеллекта в сельском хозяйстве испытывают трудности с поиском информации и ее эффективным применением, поскольку «сенсорная сеть» часто предоставляет зашумленные, полные ошибок данные, вызванные изменчивостью окружающей среды, неточностями датчиков и переходными событиями [220]. Чтобы устранить эти ограничения, алгоритмы обнаружения интегрируются с методами классификации, такими как деревья решений или случайные леса, чтобы точно идентифицировать посторонние элементы даже среди зашумленных данных [242]. Точность модели ИИ можно повысить с помощью структурированного трехэтапного процесса: надежная предварительная обработка для устранения шума и устранения недостающих данных, комплексное представление признаков и категоризация на основе ансамблей [220]. Эти усилия делают сельскохозяйственный ИИ более надежным и надежным при обработке сложных и зашумленных данных.

Высокая стоимость приобретения сенсорных устройств является существенным ограничением, особенно для фермеров в развивающихся или бедных регионах [243,244]. Хотя промышленные датчики выигрывают от квалифицированной рабочей силы, их использование в сельском хозяйстве сдерживается высокими затратами и отсутствием систем технической поддержки [29,128]. Чтобы сделать их более доступными, ключевой задачей на будущее остается снижение потребительских цен [243]. Высокие затраты на внедрение также являются общим барьером для решений точного земледелия, объединяющих передовые датчики и Интернет вещей.

Нехватка электроэнергии в полевых условиях является распространенным ограничением для беспроводных сенсорных сетей (WSN) в сельском хозяйстве [75,245]. Эту проблему можно решить, используя солнечные панели для эффективной и устойчивой подзарядки батарей [75]. Процесс включает установку солнечных панелей в зоне воздействия прямых солнечных лучей, которые затем преобразуют солнечный свет в электричество для пополнения заряда батарей [246]. Потребление энергии является критическим фактором для WSN, которые лежат в основе развития Интернета вещей в сельском хозяйстве. При разработке систем сельскохозяйственного мониторинга на основе датчиков необходимо учитывать низкое энергопотребление для автономного мониторинга [247].

Развертыванию точного земледелия препятствуют ограниченные технические знания фермеров и сложность управления данными [4,244]. Чтобы полностью максимизировать потенциал точного земледелия, необходимо также эффективно решить серьезные проблемы, связанные с безопасностью данных и конфиденциальностью информации [4,244]. Кроме того, традиционные системы мониторинга ограничены ограниченной емкостью хранилища данных и плохой мобильностью устройств [248]. Эти проблемы составляют основную часть более широкой дискуссии о целесообразности и устойчивости технологий WSN и IoT в современных методах ведения сельского хозяйства.

Чтобы в полной мере использовать преимущества сенсорных технологий в сельском хозяйстве, необходимы эффективные инструменты управления данными и совместимости [249]. Однако разнообразие сельскохозяйственных датчиков, включая почвенные зонды, дроны и спутники, препятствует разработке унифицированных систем [250]. Эти технологии часто опираются на собственные форматы и изолированные платформы, создавая неоднородность данных, что затрудняет плавную интеграцию и анализ [250]. Ключевые проблемы включают отсутствие стандартизации, необходимость использования сложных протоколов совместимости, интеграцию различных потоков данных (Интернет вещей, изображения) в единые структуры, а также техническую экспертизу, необходимую для сложных систем [249]. Решения часто включают в себя объединение данных на основе искусственного интеллекта, стандартизированные структуры и разработку виртуальных датчиков, но преодоление этих технических и практических барьеров имеет решающее значение для настоящего точного земледелия [251].

Современные спутниковые датчики имеют ограничения в управлении посевами в режиме реального времени, поскольку они не могут одновременно обеспечивать высокое пространственное и спектральное разрешение с частыми повторными посещениями, необходимыми для обнаружения стресса сельскохозяйственных культур [252]. Сбор, обработка и анализ гиперспектральных данных затруднены их огромным объемом, многочисленными спектральными полосами (высокая размерность) и сложной природой, затрудняющей интерпретацию [147,253]. Оптические датчики широко применимы; однако их внедрение ограничено из-за высокой стоимости приобретения [254]. Химический анализ почвы имеет решающее значение для точного земледелия, но современные методы часто являются дорогостоящими и отнимают много времени. Чтобы преодолеть эти ограничения, исследователи разрабатывают «мобильные» датчики, которые могут эффективно предоставлять данные в реальном времени [255]. Приложения Bluetooth в сельском хозяйстве можно улучшить за счет оптимизации системы, а проблемы передачи и радиочастот можно решить с помощью модернизированных антенн [245]. Успешное внедрение датчиков в точное земледелие сталкивается с рядом серьезных препятствий. Эти проблемы, подробно описанные в Таблице 2, охватывают техническую, экономическую и практическую области. Внедрению препятствуют три основных препятствия: ненадежная связь с данными в сельской местности, значительные капитальные и операционные затраты, а также потребность в специализированных человеческих ресурсах для управления и интерпретации сгенерированных данных. Устранение этих препятствий имеет решающее значение для максимизации потенциала сенсорных систем в повышении эффективности и устойчивости сельскохозяйственного сектора (Таблица 2).

Сенсорные технологии развиваются от дополнительных дополнений к необходимой инфраструктуре точного земледелия. Этот сдвиг вызван острой необходимостью максимизировать производительность ферм, одновременно справляясь с нехваткой рабочей силы, растущими затратами и повышая требования к устойчивому развитию [258]. Хотя датчики переводят управление от периодического наблюдения к почти непрерывному измерению, этот переход по своей сути не является преобразующим. Его ценность зависит от способности фермы преобразовывать данные в своевременные действия, поддерживаемые надежным соединением, надлежащим обучением и последовательным обслуживанием. Объединение датчиков (камеры, LiDAR и радар) обеспечивает более высокий уровень автоматизации, обеспечивая точный мониторинг в реальном времени и быстрое машинное обнаружение аномалий [273]. К рыночному оптимизму следует относиться с осторожностью, поскольку прогнозы роста часто различаются в зависимости от того, включает ли «умное сельское хозяйство» оборудование, программное обеспечение и услуги как отдельные или объединенные категории. Несмотря на разные методы отчетности, большинство прогнозов указывают на устойчивый рост [40,274]. Патентная активность служит основным индикатором инновационного импульса. В период с 1960 по 2021 год патенты на точное земледелие росли в среднем на 15,1% в год, причем в последние годы этот рост лидировали в США и Китае [274]. Хотя патенты отражают намерения исследований и коммерциализации, они являются несовершенным показателем изменений на фермах. Они часто не отражают фактические темпы внедрения и склонны перепредставлять страны с сильными стимулами в области интеллектуальной собственности или агрессивными стратегиями патентования [275]. Отслеживая переход к системам земледелия с интенсивным использованием данных, Тей и др. [274] выделяет четыре волны инноваций: моторизованную механизацию (1960–1999 гг.), механическую автоматизацию (2000–2009 гг.), цифровую механизацию (2010–2019 гг.) и цифровую автоматизацию (2020–2021 гг.), отмечая, что внедрение в реальном мире часто отстает от этих технологических тенденций. Успех в точном земледелии зависит от инструментов, которые облегчают принятие экономически обоснованных решений с учетом специфики конкретного участка в различных условиях. В конечном счете, получение экологических выгод требует точной калибровки и последовательного внедрения, а не только наличия технологий [276].

Ввиду необходимости повышения эффективности и устойчивости сельскохозяйственное зондирование неоднократно оценивалось как быстрорастущая технология в современном сельском хозяйстве [277,278]. По одной часто цитируемой оценке, объем рынка подключенного сельского хозяйства в 2018 году составил около 1,8 млрд долларов США, а к 2023 году прогнозируется, что он вырастет примерно до 4,3 млрд долларов США, что отражает совокупный годовой темп роста около 19,5% [277]. Другие прогнозы предсказывали рост индустрии умного сельского хозяйства с более чем 5 миллиардов долларов США в 2016 году до почти 15,3 миллиардов долларов США к 2025 году [6]. Эти цифры показывают положительную тенденцию, но являются ориентировочными, а не окончательными. Такие факторы, как границы рынка, географический охват и наличие услуг (по сравнению с просто датчиками), могут привести к различиям в исследованиях [6]. Более ясный способ понять текущие рыночные тенденции — сконцентрироваться на фундаментальных технологических уровнях, обеспечивающих их реализацию. Датчики становятся меньше и дешевле, сети совершенствуются (хотя и неравномерно), аналитика становится более доступной, а автоматизация все больше интегрируется в оборудование и рабочие процессы [6,279]. Хотя эти достижения упрощают переход от данных к действиям, долгосрочный успех часто определяется практическими барьерами, а не техническими. Ключевые проблемы, такие как совместимость данных, ремонтопригодность оборудования, высокая стоимость подписки и ненадежная связь в сельской местности, часто не позволяют пилотным программам стать постоянными системами [278]. Перспективы для конкретного региона, такие как прогнозы для Китая на период до 2025 и 2035 годов, также зависят от политической поддержки и развития инфраструктуры, а не только от интересов фермеров [280]. В конечном счете, внедрение обусловлено центральным «треугольником ограничений»: растущим спросом на продовольствие, ограниченностью ресурсов и давлением на окружающую среду. Эти факторы требуют перехода к управлению, основанному на измерениях, позиционированию сенсорных и вычислительных технологий в качестве основных рычагов оптимизации сельского хозяйства [281].

Модели внедрения неравномерны в разных регионах, и различия заключаются не только в доступности технологий. Они часто отслеживают размер фермы, доступ к капиталу, возможности подключения, экосистемы торговцев оборудованием и то, могут ли консультативные услуги преобразовать результаты датчиков в практические, заслуживающие доверия рекомендации [258,282]. Измерение внедрения осложняется противоречивыми показателями в разных исследованиях: некоторые отслеживают владение, другие фокусируются на активном использовании, и многие не могут провести различие между первоначальным испытанием и устойчивым развертыванием. Из-за этих расхождений межрегиональные сравнения часто кажутся более точными, чем они есть на самом деле [258]. Наконец, точное земледелие хорошо развито в традиционных системах, но недостаточно исследовано в органических, хотя эти две системы имеют совершенно разные эксплуатационные ограничения и наборы инструментов [282].

Внедрение точного земледелия особенно развито в Северной Америке, особенно в Соединенных Штатах. Системы наведения на основе GPS являются основной точкой входа для фермеров из-за непосредственных эксплуатационных преимуществ, которые они обеспечивают, таких как точность рулевого управления, уменьшение перекрытия и экономия времени без необходимости интерпретации сложных данных [283]. Как только GPS-наведение будет установлено, оно станет основой для рабочих процессов с географической привязкой, таких как дистанционное зондирование, картирование почвы и урожайности, а также карты принятия решений, которые поддерживают управление с более высоким пространственным разрешением. Технологии с переменной скоростью (VRT) иллюстрируют, как внедрение часто переходит от картирования к действию. Системы VRT используют данные испытаний почвы, карт урожайности и дистанционного зондирования для настройки норм внесения удобрений, семян и пестицидов на поле. Использование этой технологии быстро расширилось, особенно для посева и борьбы с вредителями при производстве кукурузы, сои и озимой пшеницы [284]. Внедрение масштабируется во всех размерах ферм и регионах, но ускоряется на более крупных предприятиях. Эти фермы лучше поглощают постоянные затраты, такие как оборудование, подписки и обучение на большей площади, и обычно обладают управленческими возможностями, необходимыми для сложных рабочих процессов с данными [285]. Хотя технология может быть доступна, ее производительность не гарантируется. Преимущества зависят от высококачественных данных, точной агрономической интерпретации и точной калибровки оборудования. Следовательно, результаты могут существенно различаться в зависимости от полевых условий и дисциплины управления, даже при использовании идентичной технологии.

Исследования в области цифрового сельского хозяйства в Европе расширяются, однако недостаточная представленность мелких ферм рискует исказить результаты в пользу возможностей более крупных и лучше финансируемых сельскохозяйственных операций [286]. Несмотря на низкий базовый уровень текущего использования цифровых технологий, опрос мелких фермеров на юге Германии показал, что потенциал внедрения робототехники в коровниках, управления секциями и приложений с переменной нормой составляет 15–20% [287]. Этот вывод подчеркивает ключевой аспект внедрения технологий: «зависимость от пути». Это означает, что предварительное использование более простых инструментов (таких как автоматические доильные машины или цифровые записи) делает более вероятным позднее внедрение более продвинутых технологий [287]. Таким образом, усыновление — это постепенный процесс, а не внезапный скачок. Первые успехи снижают риск и укрепляют уверенность, необходимую для перехода на следующий уровень. Согласно опросу Габриэля и Гандорфера, проведенному в 2023 году [286], наиболее популярными инструментами являются те, которые обеспечивают немедленную полезность и автоматизацию с минимальными трудностями. Пользователи предпочитают системы, которые экономят время и снижают рабочую нагрузку, системам, требующим постоянного внимания или сложного управления данными. В настоящее время среди наиболее используемых технологий основное внимание уделяется удобным для пользователя решениям по автоматизации, которые снижают рабочую нагрузку фермеров.

Несмотря на высокий уровень развития умного сельского хозяйства в Азиатско-Тихоокеанском регионе, его внедрение остается резко разделенным. В то время как промышленные операции продвигаются вперед, мелкие фермеры сталкиваются со значительными препятствиями, особенно в отношении затрат, технического обучения и инфраструктуры, которые определяют темпы инноваций [258]. В Индии, где выращивание яблок часто страдает от низкой урожайности, предлагаются беспроводные сенсорные сети (WSN) для оптимизации мониторинга и управления посевами [288]. В более широком смысле, этот регион часто используется для иллюстрации того, как зондирование Интернета вещей в сочетании с машинным обучением может перевести сельское хозяйство в сторону адаптивных, основанных на данных решений, по крайней мере, в условиях, когда условия развертывания благоприятны [6]. Сообщенные примеры включают в себя ирригационные системы с поддержкой Интернета вещей, позволяющие экономить более 30% воды, а также подходы к автоматизации на основе обучения, направленные на повышение эффективности борьбы с вредителями и болезнями [6]. Основная проблема заключается в масштабировании, поскольку успешные пилотные проекты часто с трудом переходят к полной реализации. Чтобы добиться успеха, им необходимы надежные соединения, надежная интеграция данных между устройствами и бизнес-модели, которые остаются прибыльными, несмотря на высокие первоначальные или периодические затраты [289]. В регионах с ограниченными ресурсами эти ограничения могут доминировать в разговоре о внедрении больше, чем техническая осуществимость [6].

Во многих странах Африки уровень внедрения ниже, чем в более промышленно развитых регионах. Это отставание обычно вызвано ограниченной инфраструктурой, высокими затратами и неадекватными услугами поддержки, а не отсутствием интереса со стороны пользователей [290]. Растущее давление на устойчивость и продовольственную безопасность ускоряет внедрение технологий, повышающих производительность, и эта тенденция, вероятно, будет усиливаться по мере совершенствования систем финансирования и доставки [291]. Например, стратегии экономического роста и сокращения бедности в Нигерии основаны на повышении производительности сельского хозяйства за счет внедрения современных технологий [292]. Исследования показывают постоянный разрыв в внедрении: хотя осведомленность о технологиях часто превышает 70%, фактическое внедрение остается низким. В настоящее время наиболее распространено внедрение улучшенных сортов сельскохозяйственных культур (более 70%) и умеренное применение удобрений (56%), гербицидов (52%) и механизированной обработки почвы (43%) [293]. Высокие затраты и ограниченный доступ к технологиям представляют собой серьезные препятствия, поскольку они указывают на то, что информационные кампании сами по себе недостаточны. Даже когда фермеры понимают преимущества этих инструментов, они все равно могут столкнуться с финансовыми ограничениями или ненадежной доступностью, что препятствует внедрению [294].

Бразилия лидирует в секторе цифрового сельского хозяйства Латинской Америки благодаря быстрой интеграции сенсорных технологий [295]. Одним из примеров из литературы является мобильная сеть, предназначенная для автоматизированного сбора и управления данными в центрально-западном регионе Бразилии. Благодаря интеграции дистанционного зондирования, GPS, бортовых вычислений, связи и регистрации данных система обеспечивает пространственный контекст, необходимый для мониторинга таких операций, как обработка почвы, посадка и сбор урожая [296]. Основная сила этого подхода заключается в его намерении выйти за рамки единообразного применения за счет использования измерений, специфичных для конкретного объекта, для принятия оперативных решений и направления входных данных именно туда, где они необходимы [297]. Следует отметить, что точное земледелие работает лучше всего при последовательной калибровке, квалифицированных операторах и стабильной инфраструктуре. Поскольку эти условия варьируются в зависимости от фермы, результаты операций с хорошими ресурсами могут не отражаться на меньших размерах или менее связанных между собой фермах [298].

Передовые сенсорные технологии способствуют повышению эффективности, основанной на данных, и устойчивым практикам в сельском хозяйстве [40]. Эти достижения имеют решающее значение для обеспечения глобальной продовольственной безопасности, поскольку население растет, а ресурсы сокращаются [40,299].

Сенсорные технологии способствуют цифровой революции в сельском хозяйстве, позволяя фермерам оптимизировать операции и управление ресурсами с помощью интегрированных систем данных [40]. Интеграция Интернета вещей и искусственного интеллекта с интеллектуальными датчиками позволяет фермерам собирать и анализировать данные более эффективно, чем когда-либо прежде [40]. Современные сельскохозяйственные системы теперь объединяют робототехнику, дроны и анализ больших данных для повышения точности. Эта синергия позволяет фермерам точно отслеживать и управлять жизненно важными факторами, включая здоровье сельскохозяйственных культур, состояние почвы, использование воды и обнаружение вредителей [33]. Исследователи разрабатывают усовершенствованные оптические датчики для предоставления данных в режиме реального времени, содействия устойчивому управлению ресурсами и смягчения последствий депопуляции в сельских районах.

Растет тенденция использования специализированных датчиков для различных сельскохозяйственных применений. Исследователи разрабатывают доступные датчики почвы и интеллектуальные системы для предоставления данных в режиме реального времени об уровне влажности, содержании питательных веществ и общем состоянии почвы [300]. Это обеспечит точную ирригацию и внесение удобрений, что повысит урожайность сельскохозяйственных культур и одновременно сократит отходы [300]. Датчики здоровья сельскохозяйственных культур, включая гиперспектральную визуализацию и технологии на базе дронов, совершают революцию в сборе данных и принятии решений, предоставляя передовые методы обнаружения болезней, вредителей и факторов стресса в сельскохозяйственных культурах [40]. Датчики окружающей среды и мобильные приложения предоставляют климатические данные в режиме реального времени и точный анализ почвы. Это позволяет фермерам мгновенно контролировать уровень питательных веществ и слои почвы, чтобы улучшить стратегии адаптивного земледелия [193]. Автоматизируя доставку воды и питательных веществ, автоматизированные системы оптимизируют использование ресурсов, минимизируют отходы и способствуют более здоровому росту растений, сочетая преимущества точного орошения с эффективным внесением удобрений [301]. Дроны модернизируют воздушные задачи, предлагая более быстрые и детальные альтернативы для получения изображений, съемки и картографирования по сравнению с традиционными методами [302]. Протоколы связи, такие как Zigbee, Wi-Fi и LoRaWAN, имеют решающее значение для бесперебойной передачи данных в интеллектуальных сельскохозяйственных системах [39]. Машинное обучение и глубокое обучение теперь анализируют огромные наборы данных датчиков, чтобы обеспечить прогнозную информацию [303]. Такая автоматизация улучшает процесс принятия решений и снижает риск человеческой ошибки. Будущее интеллектуальных сенсорных технологий в точном земледелии характеризуется постоянными инновациями, направленными на повышение эффективности, устойчивости и возможностей принятия решений [304]. Новые тенденции указывают на сдвиг в сторону передовых материалов, автономных систем и сложного анализа данных [305,306]. Будущее интеллектуальных датчиков в точном земледелии демонстрирует значительные перспективы, обусловленные постоянными усилиями в области исследований и разработок, направленными на устранение текущих ограничений и расширение их функциональных возможностей [306].

Достижения в области материаловедения открывают путь для датчиков с беспрецедентными возможностями [307]. Борофен, двумерный материал, обладает рядом исключительных свойств: электронных, механических и сенсорных, которые обещают разработку высокочувствительных, гибких и масштабируемых сенсорных платформ, подходящих для различных сельскохозяйственных применений [307]. Эти передовые платформы обеспечивают явные преимущества с точки зрения чувствительности и гибкости. Исследования полимерных нанокомпозитов и наноматериалов способствуют разработке биоразлагаемых, экономичных и универсальных сенсоров [307]. Эти инновации направлены на улучшение мониторинга полей с помощью сельскохозяйственных технологий, которые одновременно уменьшают воздействие на окружающую среду [308].

Развитие автономных систем позволит значительно сократить ручной труд и расширить возможности сбора данных. Продолжающаяся миниатюризация датчиков делает устройства меньше, портативнее и экономичнее без ущерба для точности [31,40,258]. Будучи миниатюрными и энергоэффективными, датчики обеспечат большую доступность, упрощенную эксплуатацию, повышенную практичность и более длительный срок службы [308]. Внедрение передовых технологий беспроводной связи, в том числе LoRaWAN, 5G, 6G, LoRa и NB-IoT, имеет решающее значение для обеспечения малой задержки, энергоэффективности и масштабируемости связи на различных участках фермы [31,107,309]. Эти достижения поддерживают непрерывный мониторинг и быструю передачу данных, улучшая оперативность системы [310]. Интеграция автономных роботов и дронов, оснащенных интеллектуальными датчиками, обеспечит динамический сбор данных, автономную навигацию и улучшенное пространственное разрешение для мониторинга почвы, здоровья сельскохозяйственных культур и параметров окружающей среды [262,311]. Это облегчит такие задачи, как целенаправленная борьба с вредителями, точное опрыскивание и управление домашним скотом. Дроны, оснащенные технологией дистанционного зондирования, являются важнейшим компонентом точного земледелия, позволяя принимать решения на основе данных для оптимизации методов ведения сельского хозяйства [312]. Быстрое развитие и интеграция интеллектуальных датчиков в точное земледелие привели к значительным инновациям и новой эре сельского хозяйства, управляемого данными. Чтобы дать всесторонний обзор будущей траектории развития месторождения, на рисунке 3 показаны прогнозируемые будущие тенденции и технологическая эволюция этих датчиков. Это подчеркивает движение к большей миниатюризации, интеллекту и мультимодальности. На рисунке показаны ключевые разработки, такие как интеграция с искусственным интеллектом и машинным обучением для прогнозной аналитики, появление гибких датчиков на базе дронов, а также расширение возможностей подключения через Интернет вещей (IoT). Эти достижения имеют решающее значение для решения глобальных проблем продовольственной безопасности и оптимизации управления ресурсами с помощью высокоэффективных автоматизированных систем.

Рисунок 3. Прогнозируемые будущие тенденции и технологическая эволюция интеллектуальных датчиков в точном земледелии.

Быстрое накопление сельскохозяйственных данных требует передовых методов анализа для интерпретации информации и выработки практических и полезных рекомендаций [313–315]. Для управления потоком данных от интеллектуальных датчиков расширенная аналитика в реальном времени и периферийные вычисления станут стандартом [104,316]. Использование машинного обучения в «умном» сельском хозяйстве направлено на то, чтобы облегчить полям «передачу» действенных данных, тем самым повышая эффективность ферм и урожайность [311]. Интегрируя данные от различных типов датчиков, он предлагает тщательный, многомерный взгляд на полевые условия [317,318], что повышает точность, устраняет ограничения отдельных датчиков и повышает устойчивость к изменениям в окружающей среде [319]. Это дает фермерам практическое руководство по точной настройке графиков полива, составлению планов внесения удобрений и выбору наиболее эффективных методов защиты своих посевов. Они позволяют использовать системы принятия решений в реальном времени, повышают точность прогнозирования и поддерживают улучшенную оптимизацию ресурсов и операционную эффективность [233,315,320,321]. Технология блокчейн изучается для повышения безопасности, надежности и прозрачности данных в умном сельском хозяйстве [322]. Он может обеспечить безопасное хранение данных датчиков, улучшить отслеживаемость цепочки поставок и обеспечить доверие между заинтересованными сторонами, особенно в отношении владения данными и транзакций [322]. Чтобы дать стратегический обзор развития сферы сельскохозяйственного мониторинга, в Таблице 3 представлены прогнозируемые достижения в области сенсорных технологий с акцентом на ключевые тенденции. Эта дорожная карта подчеркивает переход от простого сбора данных к системам прогнозирования, автоматизации и устойчивого земледелия. Он определяет основные направления исследований для решения текущих проблем, связанных с калибровкой датчиков, совместимостью данных и барьерами внедрения.

Таблица 3. Будущие технологические дорожные карты интеллектуальных датчиков в сельском хозяйстве.

Будущие направления исследований и разработок сосредоточены на трех ключевых областях: улучшение плавной интеграции различных источников данных для предоставления полных и высококачественных данных для систем искусственного интеллекта; повышение надежности и объяснимости моделей ИИ и разработка систем, которые эффективно сочетают человеческий интеллект и искусственный интеллект для повышения производительности и возможностей человека [198,324,325]. Чтобы обеспечить эффективное внедрение сенсорных технологий в сельском хозяйстве, исследователям еще предстоит преодолеть ряд технических пробелов и проблем с внедрением [40]. Ключевые проблемы включают калибровку датчиков, конфиденциальность данных и проблемы совместимости различных систем [40]. Интеграция нескольких источников данных сложна, а получение высококачественных данных, необходимых для точного моделирования и прогнозов, создает значительные препятствия. Например, даже несмотря на развитие технологий дистанционного зондирования, их широкое использование ограничено из-за отсутствия ключевой информации об их адекватности, применимости и экономической выгоде [244]. Точно так же исследования гиперспектральных изображений в настоящее время ограничены проблемами управления огромными объемами данных, многомерными пространствами признаков и сложными аналитическими требованиями [326]. Высокие первоначальные затраты на датчики и инфраструктуру, а также крутая кривая обучения препятствуют внедрению среди мелких фермеров с ограниченными ресурсами [40,128]. Существуют опасения по поводу безопасности и конфиденциальности сельскохозяйственных данных, а также отсутствие адекватной цифровой грамотности среди фермеров [327]. Долгосрочная ценность датчиков для специалистов сельского хозяйства ограничена, если датчики разрабатываются без четкого и конкретного применения [40]. Дистанционное зондирование в первую очередь фокусируется на влажности почвы и состоянии урожая в сезон, оставляя при этом такие аспекты, как уплотнение почвы, подпочвенный дренаж и мониторинг качества зерна, сравнительно игнорируя [169]. В исследованиях до сих пор нет ясности в отношении долгосрочных последствий развертывания массовых датчиков для окружающей среды и того, действительно ли эти технологии поддерживают устойчивые результаты. Задача поддержания производительности и прибыльности ферм при минимизации воздействия на окружающую среду представляет собой важнейшую и постоянную область исследований.

Сельскохозяйственные датчики способствуют устойчивости за счет оптимизации управления ресурсами, минимизации вреда для окружающей среды и повышения операционной эффективности [328]. Датчики позволяют точно управлять ресурсами, такими как вода и удобрения, что приводит к сокращению отходов и загрязнения [40]. Ирригационные системы на основе Интернета вещей могут сократить потребление воды до 50%, сохраняя при этом урожайность, а точный мониторинг питательных веществ может снизить расход удобрений на 20–40% [329]. Такое сокращение затрат на сельское хозяйство помогает свести к минимуму деградацию почвы и загрязнение воды, что соответствует целям устойчивого роста и защиты окружающей среды [330]. Использование передовых сенсорных технологий также помогает смягчить воздействие на окружающую среду и продвигать углеродно-нейтральные практики [301]. Оптимизируя урожайность и снижая производственные затраты, датчики способствуют экономической жизнеспособности ферм [40]. Использование данных для принятия решений повышает эффективность и прибыль ферм, обеспечивая долгосрочную устойчивость сельскохозяйственного бизнеса. Например, автоматизированные системы борьбы с вредителями, основанные на искусственном интеллекте и датчиках, могут добиться значительного повышения эффективности и снижения воздействия на окружающую среду [171]. Сенсорные технологии также способствуют глобальной продовольственной безопасности, оптимизируя методы ведения сельского хозяйства для повышения урожайности и обеспечения стабильного снабжения продовольствием растущего населения [331]. Они также могут помочь сократить физический труд, необходимый для ведения сельского хозяйства, делая карьеру в сельском хозяйстве более привлекательной и эффективной. Однако для обеспечения социальной справедливости и предотвращения расширения цифрового разрыва фермеры должны иметь равный доступ как к технологиям, так и к обучению, необходимому для их использования.

Интеллектуальные сенсорные технологии играют решающую роль в продолжающейся трансформации сельского хозяйства. Они предлагают беспрецедентные возможности для эффективного и устойчивого сельского хозяйства, основанного на данных. Обеспечивая непрерывное наблюдение и точные действия, эти технологии решают важные проблемы, включая нехватку достаточных ресурсов, продовольственную безопасность и изменение глобального климата. Интеграция различных датчиков с платформами Интернета вещей, технологиями дистанционного зондирования, робототехникой и передовой аналитикой искусственного интеллекта создает целостную систему. Эта система предназначена для повышения производительности и одновременного сведения к минимуму воздействия на окружающую среду. Несмотря на значительные достижения и огромный потенциал, сохраняются такие проблемы, как высокие первоначальные затраты, техническая сложность, управление данными, калибровка датчиков, конфиденциальность данных, совместимость и необходимость цифровой грамотности среди фермеров.

Устранение этих препятствий посредством постоянных исследований, технологических инноваций и поддерживающей политики будет иметь решающее значение для широкого внедрения и дальнейшего развития интеллектуальных сенсорных технологий в сельском хозяйстве, что в конечном итоге будет способствовать более устойчивому и продуктивному будущему сельского хозяйства. Технологии следующего поколения предоставляют средства для решения этих проблем. Улучшенные материалы датчиков, миниатюрные устройства, передовые беспроводные технологии, такие как 5G и 6G, а также сложная аналитика искусственного интеллекта, включая приложения для объединения нескольких датчиков и цифровых двойников, открывают значительный потенциал для решения этих проблем. Содействие сотрудничеству между политиками, поставщиками технологий, исследователями и фермерами в сочетании с поддерживающей политикой, стандартизацией и наращиванием потенциала имеет важное значение для максимизации преимуществ интеллектуальных сенсорных технологий в точном земледелии во всем мире. Этот прогресс позволит внедрить передовые сельскохозяйственные системы, которые улучшат как урожайность, так и прибыльность, одновременно поддерживая твердую приверженность охране окружающей среды.

Вклад автора: БОМ: концептуализация, исследование, методология, проверка, визуализация, написание — оригинальный проект, контроль. Б.М.: Концептуализация, исследование, валидация, надзор. С.М.: Валидация, Визуализация. Ф.Н.: Валидация, Визуализация. Все авторы прочитали и согласились с опубликованной версией рукописи.

Финансирование: Данное исследование не получило внешнего финансирования.

Заявление Институционального наблюдательного совета: Неприменимо.

Заявление об информированном согласии: Не применимо.

Заявление о доступности данных: В этом исследовании не было создано или проанализировано никаких новых данных.

Конфликт интересов: Автор Фэйт Нзилу работала в компании Ecodev Associates Limited. Остальные авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

1. Hemathilake, D.M.; Gunathilake, D.M. Agricultural productivity and food supply to meet increased demands. In Future Foods; Academic Press: Cambridge, MA, USA, 2022; pp. 539–553. [CrossRef]

2. Manono, B.O.; Moller, H.; Benge, J.; Carey, P.; Lucock, D.; Manhire, J. Assessment of soil properties and earthworms in organic and conventional farming systems after seven years of dairy farm conversions in New Zealand. Agroecol. Sustain. Food Syst. 2019, 43, 678–704. [CrossRef]

3. Katiyar, S.; Farhana, A. Smart agriculture: The future of agriculture using AI and IoT. J. Comput. Sci. 2021, 17, 984–999. [CrossRef]

4. Mansoor, S.; Iqbal, S.; Popescu, S.M.; Kim, S.L.; Chung, Y.S.; Baek, J.H. Integration of smart sensors and IOT in precision agriculture: Trends, challenges and future prospectives. Front. Plant Sci. 2025, 16, 1587869. [CrossRef]

5. Anap, V.N.; Gaikar, P.S.; Jadhav, R.M.; Lohale, S.H. Artificial Intelligence in Agriculture: Innovations, Challenges, and Future Prospects. J. Sci. Res. Rep. 2025, 31, 267–273. [CrossRef]

6. Eze, V.H.; Eze, E.C.; Alaneme, G.U.; BUBU, P.E.; Nnadi, E.O.; Okon, M.B. Integrating IoT sensors and machine learning for sustainable precision agroecology: Enhancing crop resilience and resource efficiency through data-driven strategies, challenges, and future prospects. Discov. Agric. 2025, 3, 83. [CrossRef]

7. Sharma, P.; Kumar, P.; Singh, P.K.; Rana, A.K. “Precision Agriculture Farming” Enhancing Farming Efficiency through Technology Integration. In Proceedings of the 2024 1st International Conference on Advances in Computing, Communication and Networking (ICAC2N), Greater Noida, India, 16–17 December 2024; IEEE: Piscataway, NJ, USA, 2024; pp. 365–370. [CrossRef]

8. El-Ansary, D.O. Smart Farming and Orchard Management: Insights and Innovations. Curr. Food Sci. Technol. Rep. 2025, 3, 10. [CrossRef]

9. Cisternas, I.; Velásquez, I.; Caro, A.; Rodríguez, A. Systematic literature review of implementations of precision agriculture. Comput. Electron. Agric. 2020, 176, 105626. [CrossRef]

10. Biswas, P.; Kumar, A. Advances in Soil and Plant Nutrient Management of Potatoes. In Advances in Research on Potato Production; Springer Nature: Cham, Switzerland, 2025; pp. 205–229. [CrossRef]

11. Khan, N.; Babar, M.A. Innovations in precision agriculture and smart farming: Emerging technologies driving agricultural transformation. Innov. Emerg. Technol. 2024, 11, 2430004. [CrossRef]

12. Monteiro, A.; Santos, S.; Gonçalves, P. Precision agriculture for crop and livestock farming—Brief review. Animals 2021, 11, 2345. [CrossRef] [PubMed]

13. Kumar, S.; Kumar, N.; Saini, R.K. Energy-saving sensors for precision agriculture in Wireless Sensor Network: A review. In Proceedings of the 2019 Women Institute of Technology Conference on Electrical and Computer Engineering (WITCON ECE), Dehradun, India, 22–23 November 2019; IEEE: Piscataway, NJ, USA, 2019; pp. 65–70. [CrossRef]

14. Prakash, C.; Singh, L.P.; Gupta, A.; Lohan, S.K. Advancements in smart farming: A comprehensive review of IoT, wireless communication, sensors, and hardware for agricultural automation. Sens. Actuators A Phys. 2023, 362, 114605. [CrossRef]

15. Papadopoulos, G.; Arduini, S.; Uyar, H.; Psiroukis, V.; Kasimati, A.; Fountas, S. Economic and environmental benefits of digital agricultural technologies in crop production: A review. Smart Agric. Technol. 2024, 8, 100441. [CrossRef]

16. Mešić, A.; Jurić, M.; Donsì, F.; Maslov Bandić, L.; Jurić, S. Advancing climate resilience: Technological innovations in plant-based, alternative and sustainable food production systems. Discov. Sustain. 2024, 5, 423. [CrossRef]

17. Mgendi, G. Unlocking the potential of precision agriculture for sustainable farming. Discov. Agric. 2024, 2, 87. [CrossRef]

18. Finco, A.; Bucci, G.; Belletti, M.; Bentivoglio, D. The economic results of investing in precision agriculture in durum wheat production: A case study in central Italy. Agronomy 2021, 11, 1520. [CrossRef]

19. Singh, A.; Singh, R.; Singh, K.; Upadhyaya, Y.R.; Sharma, A.K.; Brym, Z.; Sharma, L.K.; Singh, H. Estimating plant height, nitrogen uptake and above-ground biomass using UAV multispectral imaging coupled with machine learning in industrial hemp (Cannabis sativa L.). Ind. Crops Prod. 2025, 237, 122130. [CrossRef]

20. Mana, A.A.; Allouhi, A.; Hamrani, A.; Rehman, S.; El Jamaoui, I.; Jayachandran, K. Sustainable AI-based production agriculture: Exploring AI applications and implications in agricultural practices. Smart Agric. Technol. 2024, 7, 100416. [CrossRef]

21. Getahun, S.; Kefale, H.; Gelaye, Y. Application of precision agriculture technologies for sustainable crop production and environmental sustainability: A systematic review. Sci. World J. 2024, 2024, 2126734. [CrossRef] [PubMed]

22. van Mourik, S.; van der Tol, R.; Linker, R.; Reyes-Lastiri, D.; Kootstra, G.; Koerkamp, P.G.; van Henten, E.J. Introductory overview: Systems and control methods for operational management support in agricultural production systems. Environ. Model. Softw. 2021, 139, 105031. [CrossRef]

23. Tey, Y.S.; Brindal, M. A meta-analysis of factors driving the adoption of precision agriculture. Precis. Agric. 2022, 23, 353–372. [CrossRef]

24. Hundal, G.S.; Laux, C.M.; Buckmaster, D.; Sutton, M.J.; Langemeier, M. Exploring barriers to the adoption of internet of things-based precision agriculture practices. Agriculture 2023, 13, 163. [CrossRef] https://doi.org/10.3390/s26030882

25. Raj, E.F.; Appadurai, M.; Athiappan, K. Precision farming in modern agriculture. In Smart Agriculture Automation Using Advanced Technologies: Data Analytics and Machine Learning, Cloud Architecture, Automation and IoT; Springer: Singapore, 2022; pp. 61–87. [CrossRef]

26. Belal, A.A.; El-Ramady, H.; Jalhoum, M.; Gad, A.; Mohamed, E.S. Precision farming technologies to increase soil and crop productivity. In Agro-Environmental Sustainability in MENA Regions; Springer International Publishing: Cham, Switzerland, 2021; pp. 117–154. [CrossRef]

27. Bretas, I.L.; Dubeux, J.C., Jr.; Cruz, P.J.; Oduor, K.T.; Queiroz, L.D.; Valente, D.S.; Chizzotti, F.H. Precision livestock farming applied to grazingland monitoring and management—A review. Agron. J. 2024, 116, 1164–1186. [CrossRef]

28. Núñez-Cárdenas, P.; Diezma, B.; San Miguel, G.; Valero, C.; Correa, E.C. Environmental LCA of precision agriculture for stone fruit production. Agronomy 2022, 12, 1545. [CrossRef]

29. Miller, T.; Mikiciuk, G.; Durlik, I.; Mikiciuk, M.; Łobodzińska, A.; Śnieg, M. The IoT and AI in Agriculture: The Time Is Now—A Systematic Review of Smart Sensing Technologies. Sensors 2025, 25, 3583. [CrossRef]

30. Shafi, U.; Mumtaz, R.; García-Nieto, J.; Hassan, S.A.; Zaidi, S.A.; Iqbal, N. Precision agriculture techniques and practices: From considerations to applications. Sensors 2019, 19, 3796. [CrossRef]

31. Kumar, R.; Mishra, R.; Gupta, H.P.; Dutta, T. Smart sensing for agriculture: Applications, advancements, and challenges. IEEE Consum. Electron. Mag. 2021, 10, 51–56. [CrossRef]

32. Priya, P.; Kaur, G. Smart sensors for smart agriculture. In Artificial Intelligence and IoT-Based Technologies for Sustainable Farming and Smart Agriculture; IGI Global Scientific Publishing: Hershey, PA, USA, 2021; pp. 175–191. [CrossRef]

33. Sadiq, F.K.; Anyebe, O.; Tanko, F.; Abdulkadir, A.; Manono, B.O.; Matsika, T.A.; Abubakar, F.; Bello, S.K. Conservation agriculture for sustainable soil health management: A review of impacts, benefits and future directions. Soil Syst. 2025, 9, 103. [CrossRef]

34. Gupta, H.P.; Song, H.; Sikdar, B.; Dutta, T.; Faigl, J. Guest Editorial Special Issue on Smart Sensing for Agriculture. IEEE Sens. J. 2021, 21, 17419. [CrossRef]

35. Shifna, N.F.; Thaiyalnayaki, S. A Smart Survey Analysis using Wireless Sensor Networks in Agriculture. In Proceedings of the 2024 11th International Conference on Computing for Sustainable Global Development (INDIACom), New Delhi, India, 28 February–1 March 2024; IEEE: Piscataway, NJ, USA, 2024; pp. 478–482. [CrossRef]

36. Badreldin, N.; Cheng, X.; Youssef, A. An Overview of Software Sensor Applications in Biosystem Monitoring and Control. Sensors 2024, 24, 6738. [CrossRef]

37. Karim, S.; Shaikh, F.K. Wireless sensor network–based smart agriculture. In Opportunistic Networking; CRC Press: Boca Raton, FL, USA, 2017; pp. 239–264. [CrossRef]

38. Goyal, S.; Sharma, S.K.; Parashar, A. Smart agriculture using wireless sensor networks. In Integration of WSNs into Internet of Things; CRC Press: Boca Raton, FL, USA, 2021; pp. 121–134. [CrossRef]

39. Mowla, M.N.; Mowla, N.; Shah, A.S.; Rabie, K.M.; Shongwe, T. Internet of Things and wireless sensor networks for smart agriculture applications: A survey. IEEe Access 2023, 11, 145813–145852. [CrossRef]

40. Aarif, K.O.M.; Alam, A.; Hotak, Y. Smart sensor technologies shaping the future of precision agriculture: Recent advances and future outlooks. J. Sens. 2025, 2025, 2460098. [CrossRef]

41. Manono, B.O. Effects of Salinity on Seed Germination: Mechanisms, Impacts, and Mitigation Strategies. Seeds 2026, 5, 1. [CrossRef]

42. Lazarus, S.B.; Tsourdos, A.; Zbikowski, R.; White, B.A. Unstructured environmental mapping using low cost sensors. In Proceedings of the 2008 IEEE International Conference on Networking, Sensing and Control, Sanya, China, 6–8 April 2008; IEEE: Piscataway, NJ, USA, 2008; pp. 1080–1085. [CrossRef]

43. Shahid, Z.K.; Saguna, S.; Åhlund, C. Correction: Detecting Anomalies in Daily Activity Routines of Older Persons in Single Resident Smart Homes: Proof-of-Concept Study. JMIR Aging 2024, 7, e58394. [CrossRef]

44. Kolski, S.; Macek, K.; Ferguson, D.; Siegwart, R. SMART Navigation in Structured and Unstructured Environments. In Proceedings of the 2006 IEEE/RSJ International Conference on Intelligent Robots and Systems, Beijing, China, 9–15 October 2006; IEEE: Piscataway, NJ, USA, 2006; p. 9. [CrossRef]

45. Qu, C.; Boubin, J.; Gafurov, D.; Zhou, J.; Aloysius, N.; Nguyen, H.; Calyam, P. Uav swarms in smart agriculture: Experiences and opportunities. In Proceedings of the 2022 IEEE 18th International Conference on e-Science (e-Science), Salt Lake City, UT, USA, 11–14 October 2022; IEEE: Piscataway, NJ, USA, 2022; pp. 148–158. [CrossRef]

46. Román, A.; Heredia, S.; Windle, A.E.; Tovar-Sánchez, A.; Navarro, G. Enhancing georeferencing and mosaicking techniques over water surfaces with high-resolution unmanned aerial vehicle (uav) imagery. Remote Sens. 2024, 16, 290. [CrossRef]

47. Barrettino, D. Sensor Systems for Smart Agriculture. In Proceedings of the 2022 IEEE 13th Latin America Symposium on Circuits and System (LASCAS), Santiago, Chile, 1–4 March 2022; IEEE: Piscataway, NJ, USA, 2022; pp. 1–4. [CrossRef]

48. Ivanov, S.; Bhargava, K.; Donnelly, W. Precision farming: Sensor analytics. IEEE Intell. Syst. 2015, 30, 76–80. [CrossRef]

49. Karunathilake, E.M.; Le, A.T.; Heo, S.; Chung, Y.S.; Mansoor, S. The path to smart farming: Innovations and opportunities in precision agriculture. Agriculture 2023, 13, 1593. [CrossRef] https://doi.org/10.3390/s26030882

50. Yin, H.; Cao, Y.; Marelli, B.; Zeng, X.; Mason, A.J.; Cao, C. Soil sensors and plant wearables for smart and precision agriculture. Adv. Mater. 2021, 33, 2007764. [CrossRef] [PubMed]

51. Thingujam, U.; Prabha, D.; Ghosh Bag, A.; Thingujam, V.; Darshan, N.P.; Dutta, S.; Gorain, S. From point sensing to intelligent systems: A comprehensive review on advanced sensor technologies for soil health monitoring. Discov. Sens. 2025, 1, 27. [CrossRef]

52. Biney, J.K.; Houška, J.; Kachalova, O.; Volánek, J.; Agyeman, P.C.; Abebrese, D.K.; Azizabadi, E.C.; Badreldin, N. Significance of Planet SuperDove and refined Sentinel-2 imagery fusion for enhanced soil organic carbon prediction in croplands. Catena 2025, 254, 108902. [CrossRef]

53. Thilakarathne, N.N.; Bakar, M.S.; Abas, P.E.; Yassin, H. A cloud enabled crop recommendation platform for machine learning- driven precision farming. Sensors 2022, 22, 6299. [CrossRef] [PubMed]

54. Neagu, R.; Golenev, S.; Werner, L.; Berner, C.; Gilles, R.; Revay, Z.; Ziegele, L.; Plomp, J.; Märkisch, B.; Gernhäuser, R. 4D Tomography for neutron depth profiling applications. Nucl. Instrum. Methods Phys. Res. Sect. A Accel. Spectrometers Detect. Assoc. Equip. 2024, 1065, 169543. [CrossRef]

55. Zheng, S.; Yang, F.; Huang, S.; Li, H.; Chen, Z.; Zhu, M.; Yao, H.; Li, J.; Ma, J. An Autonomous pH Sensor for Real-Time High-Frequency Monitoring of Ocean Acidification in Estuarine and Coastal Areas. Anal. Chem. 2025, 97, 27113–27121. [CrossRef] [PubMed]

56. Jimenez-Jorquera, C.; Orozco, J.; Baldi, A. ISFET based microsensors for environmental monitoring. Sensors 2009, 10, 61–83. [CrossRef]

57. Kim, H.N.; Park, J.H. Monitoring of soil EC for the prediction of soil nutrient regime under different soil water and organic matter contents. Appl. Biol. Chem. 2024, 67, 1. [CrossRef]

58. Escamilla-García, P.E.; Rivera, A.E.; Rivera-González, G.; Tovar, L.C. Digitalization-based nutrient management to achieve both food security and environmental sustainability. In Point Source Nitrogen Pollution; Elsevier: Amsterdam, The Netherlands, 2026; pp. 155–170. [CrossRef]

59. Islam, M.; Bijjahalli, S.; Fahey, T.; Gardi, A.; Sabatini, R.; Lamb, D.W. Destructive and non-destructive measurement approaches and the application of AI models in precision agriculture: A review. Precis. Agric. 2024, 25, 1127–1180. [CrossRef]

60. Zhu, J.; Liu, X.; Shi, Q.; He, T.; Sun, Z.; Guo, X.; Liu, W.; Sulaiman, O.B.; Dong, B.; Lee, C. Development trends and perspectives of future sensors and MEMS/NEMS. Micromachines 2019, 11, 7. [CrossRef]

61. Senoo, E.E.; Anggraini, L.; Kumi, J.A.; Karolina, L.B.; Akansah, E.; Sulyman, H.A.; Mendonça, I.; Aritsugi, M. IoT solutions with artificial intelligence technologies for precision agriculture: Definitions, applications, challenges, and opportunities. Electronics 2024, 13, 1894. [CrossRef]

62. Panda, D.; Mohanty, S.; Das, S.; Senapaty, J.; Sahoo, D.B.; Mishra, B.; Baig, M.J.; Behera, L. From spectrum to yield: Advances in crop photosynthesis with hyperspectral imaging. Photosynthetica 2025, 63, 196. [CrossRef]

63. Sishodia, R.P.; Ray, R.L.; Singh, S.K. Applications of remote sensing in precision agriculture: A review. Remote Sens. 2020, 12, 3136. [CrossRef]

64. Haq, S.I.; Wang, G.; Khan, S.N.; Song, C.; Ma, C.; Zhang, X.; Lan, Y. Multi-Dimensional Optical Remote Sensing in Agriculture: Spectral, Angular, and Spatial Scaling for Crop Stress Monitoring. Smart Agric. Technol. 2025, 12, 101583. [CrossRef]

65. Singh, K.; Yadav, M.; Barak, D.; Bansal, S.; Moreira, F. Machine-Learning-Based Frameworks for Reliable and Sustainable Crop Forecasting. Sustainability 2025, 17, 4711. [CrossRef]

66. Ram, B.G.; Oduor, P.; Igathinathane, C.; Howatt, K.; Sun, X. A systematic review of hyperspectral imaging in precision agriculture: Analysis of its current state and future prospects. Comput. Electron. Agric. 2024, 222, 109037. [CrossRef]

67. Smigaj, M.; Agarwal, A.; Bartholomeus, H.; Decuyper, M.; Elsherif, A.; de Jonge, A.; Kooistra, L. Thermal infrared remote sensing of stress responses in forest environments: A review of developments, challenges, and opportunities. Curr. For. Rep. 2024, 10, 56–76. [CrossRef]

68. Awais, M.; Li, W.; Cheema, M.J.; Zaman, Q.U.; Shaheen, A.; Aslam, B.; Zhu, W.; Ajmal, M.; Faheem, M.; Hussain, S.; et al. UAV-based remote sensing in plant stress imagine using high-resolution thermal sensor for digital agriculture practices: A meta-review. Int. J. Environ. Sci. Technol. 2023, 20, 1135–1152. [CrossRef]

69. Jamshidi, S.; Zand-Parsa, S.; Niyogi, D. Assessing crop water stress index of citrus using in-situ measurements, landsat, and sentinel-2 data. Int. J. Remote Sens. 2021, 42, 1893–1916. [CrossRef]

70. Li, X.H.; Li, M.Z.; Li, J.Y.; Gao, Y.Y.; Liu, C.R.; Hao, G.F. Wearable sensor supports in-situ and continuous monitoring of plant health in precision agriculture era. Plant Biotechnol. J. 2024, 22, 1516–1535. [CrossRef]

71. Muthumalai, K.; Gokila, N.; Haldorai, Y.; Rajendra Kumar, R.T. Advanced wearable sensing technologies for sustainable precision agriculture–a review on chemical sensors. Adv. Sens. Res. 2024, 3, 2300107. [CrossRef]

72. Lee, G.; Wei, Q.; Zhu, Y. Emerging wearable sensors for plant health monitoring. Adv. Funct. Mater. 2021, 31, 2106475. [CrossRef]

73. Zhang, C.; Kong, J.; Wu, D.; Guan, Z.; Ding, B.; Chen, F. Wearable sensor: An emerging data collection tool for plant phenotyping. Plant Phenomics 2023, 5, 0051. [CrossRef] https://doi.org/10.3390/s26030882

74. Faisal, M.H.; Cukurtepe, H. EnviroSense: AI-Driven Microclimate Control for Sustainable Agriculture Using Edge Computing. In Intelligent Computing-Proceedings of the Computing Conference; Springer Nature: Cham, Switzerland, 2025; pp. 261–278. [CrossRef]

75. Li, W.; Awais, M.; Ru, W.; Shi, W.; Ajmal, M.; Uddin, S.; Liu, C. Review of sensor network-based irrigation systems using IoT and remote sensing. Adv. Meteorol. 2020, 2020, 8396164. [CrossRef]

76. Garcia, H.; Marquez, M.; Arguello, H. Super-Resolution in Compressive Coded Imaging Systems via l2–l1–l2 Minimization Under a Deep Learning Approach. In Proceedings of the 2020 Data Compression Conference (DCC), Virtual, 24–27 March 2020; IEEE: Piscataway, NJ, USA, 2020; pp. 53–62. [CrossRef]

77. Selvam, A.P.; Al-Humairi, S.N. The impact of iot and sensor integration on real-time weather monitoring systems: A systematic review. Res. Sq. 2023. preprint. [CrossRef]

78. Niloofar, P.; Francis, D.P.; Lazarova-Molnar, S.; Vulpe, A.; Vochin, M.C.; Suciu, G.; Balanescu, M.; Anestis, V.; Bartzanas, T. Data-driven decision support in livestock farming for improved animal health, welfare and greenhouse gas emissions: Overview and challenges. Comput. Electron. Agric. 2021, 190, 106406. [CrossRef]

79. Lamanna, M.; Bovo, M.; Cavallini, D. Wearable collar technologies for dairy cows: A systematized review of the current applications and future innovations in precision livestock farming. Animals 2025, 15, 458. [CrossRef] [PubMed]

80. Jhilta, A.; Jadhav, K.; Singh, R.; Negi, S.; Sharma, N.; Verma, R.K. Advanced Precision Veterinary Technologies and Smart Boluses: Innovations in Drug Delivery, Health Monitoring, and Future Perspectives. J. Drug Deliv. Sci. Technol. 2025, 115, 107563. [CrossRef]

81. Jafer, M.T.; Sikalu, T.C. Smart Biosensor-Based Health Monitoring System for Early Disease Detection in Livestock. Natl. J. Anim. Health Sustain. Livest. 2025, 3, 82–88.

82. Compte, A.; Yan, Y.; Cortés, X.; Escalera, S.; Jacques-Junior, J.C. Housed pig identification and tracking for precision livestock farming. Expert Syst. Appl. 2025, 293, 128466. [CrossRef]

83. Wongpiyabovorn, O.; Wang, T.; Menendez, H.; Yago, A.L. Precision Livestock Farming Technologies in Beef Cattle Production: Current and Future. Choices 2025, 40, 1–8. [CrossRef]

84. Buja, I.; Sabella, E.; Monteduro, A.G.; Chiriacò, M.S.; De Bellis, L.; Luvisi, A.; Maruccio, G. Advances in plant disease detection and monitoring: From traditional assays to in-field diagnostics. Sensors 2021, 21, 2129. [CrossRef]

85. Esposito, M.; Palma, L.; Belli, A.; Sabbatini, L.; Pierleoni, P. Recent advances in internet of things solutions for early warning systems: A review. Sensors 2022, 22, 2124. [CrossRef]

86. Cubero, J.; Zarco-Tejada, P.J.; Cuesta-Morrondo, S.; Palacio-Bielsa, A.; Navas-Cortés, J.A.; Sabuquillo, P.; Poblete, T.; Landa, B.B.; Garita-Cambronero, J. New approaches to plant pathogen detection and disease diagnosis. Phytopathology 2024, 14, 1989–2006. [CrossRef]

87. Dyussembayev, K.; Sambasivam, P.; Bar, I.; Brownlie, J.C.; Shiddiky, M.J.; Ford, R. Biosensor technologies for early detection and quantification of plant pathogens. Front. Chem. 2021, 9, 636245. [CrossRef]

88. Avola, G.; Matese, A.; Riggi, E. An overview of the special issue on “precision agriculture using hyperspectral images”. Remote Sens. 2023, 15, 1917. [CrossRef]

89. Champness, M.; Vial, L.; Ballester, C.; Hornbuckle, J. Evaluating the performance and opportunity cost of a smart-sensed automated irrigation system for water-saving rice cultivation in temperate Australia. Agriculture 2023, 13, 903. [CrossRef]

90. Abdelmoneim, A.A.; Kimaita, H.N.; Al Kalaany, C.M.; Derardja, B.; Dragonetti, G.; Khadra, R. IoT sensing for advanced irrigation management: A systematic review of trends, challenges, and future prospects. Sensors 2025, 25, 2291. [CrossRef]

91. Dahane, A.; Kechar, B.; Meddah, Y.; Benabdellah, O. Automated irrigation management platform using a wireless sensor network. In Proceedings of the 2019 Sixth International Conference on Internet of Things: Systems, Management and Security (IOTSMS), Granada, Spain, 22–25 October 2019; IEEE: Piscataway, NJ, USA, 2019; pp. 610–615. [CrossRef]

92. Patil, S.B.; Kulkarni, R.B.; Patil, S.S.; Kharade, P.A. Machine learning based precision agriculture model for farm irrigation to optimize water usage. In IOP Conference Series: Earth and Environmental Science; IOP Publishing: Bristol, UK, 2024; Volume 1285, p. 012026. [CrossRef]

93. Abdelmoneim, A.A.; Al Kalaany, C.M.; Dragonetti, G.; Derardja, B.; Khadra, R. Comparative analysis of soil moisture-and weather-based irrigation scheduling for drip-irrigated lettuce using low-cost Internet of Things capacitive sensors. Sensors 2025, 25, 1568. [CrossRef]

94. Ali, A.; Hussain, T.; Zahid, A. Smart irrigation technologies and prospects for enhancing water use efficiency for sustainable agriculture. AgriEngineering 2025, 7, 106. [CrossRef]

95. Alahmad, T.; Neményi, M.; Nyéki, A. Applying IoT sensors and big data to improve precision crop production: A review. Agronomy 2023, 13, 2603. [CrossRef]

96. Elashmawy, R.; Uysal, I. Precision agriculture using soil sensor driven machine learning for smart strawberry production. Sensors 2023, 23, 2247. [CrossRef] [PubMed]

97. SS, V.C.; Hareendran, A.; Albaaji, G.F. Precision farming for sustainability: An agricultural intelligence model. Comput. Electron. Agric. 2024, 226, 109386. [CrossRef] https://doi.org/10.3390/s26030882

98. Nadporozhskaya, M.; Kovsh, N.; Paolesse, R.; Lvova, L. Recent advances in chemical sensors for soil analysis: A review. Chemosensors 2022, 10, 35. [CrossRef]

99. Singh, H.; Halder, N.; Singh, B.; Singh, J.; Sharma, S.; Shacham-Diamand, Y. Smart farming revolution: Portable and real-time soil nitrogen and phosphorus monitoring for sustainable agriculture. Sensors 2023, 23, 5914. [CrossRef]

100. Toselli, M.; Baldi, E.; Ferro, F.; Rossi, S.; Cillis, D. Smart farming tool for monitoring nutrients in soil and plants for precise fertilization. Horticulturae 2023, 9, 1011. [CrossRef]

101. Woodgate, W.; Van Gorsel, E.; Hughes, D.; Suarez, L.; Jimenez-Berni, J.; Held, A. THEMS: An automated thermal and hyperspectral proximal sensing system for canopy reflectance, radiance and temperature. Plant Methods 2020, 16, 105. [CrossRef]

102. Pineda, M.; Barón, M.; Pérez-Bueno, M.L. Thermal imaging for plant stress detection and phenotyping. Remote Sens. 2020, 13, 68. [CrossRef]

103. Liang, X.; Yu, S.; Ju, Y.; Wang, Y.; Yin, D. Multi-scale remote-sensing phenomics integrated with multi-omics: Advances in crop drought–heat stress tolerance mechanisms and perspectives for climate-smart agriculture. Plants 2025, 14, 2829. [CrossRef]

104. Rivera, A.; Ponce, P.; Mata, O.; Molina, A.; Meier, A. Local weather station design and development for cost-effective environmen- tal monitoring and real-time data sharing. Sensors 2023, 23, 9060. [CrossRef] [PubMed]

105. Salam, A. Internet of things for environmental sustainability and climate change. In Internet of Things for Sustainable Commu- nity Development: Wireless Communications, Sensing, and Systems; Springer International Publishing: Cham, Switzerland, 2024; pp. 33–69. [CrossRef]

106. Leong, W.Y.; Leong, Y.Z.; San Leong, W. Poultry precision: Exploring the impact of IoT sensors on smart farming practices. In Proceedings of the 2024 IEEE International Workshop on Electromagnetics: Applications and Student Innovation Competition (iWEM), Taoyuan, Taiwan, 10–12 July 2024; IEEE: Piscataway, NJ, USA, 2024; pp. 1–2. [CrossRef]

107. Pagano, A.; Croce, D.; Tinnirello, I.; Vitale, G. A survey on LoRa for smart agriculture: Current trends and future perspectives. IEEE Internet Things J. 2022, 10, 3664–3679. [CrossRef]

108. Teixeira, S.C.; Gomes, N.O.; Calegaro, M.L.; Machado, S.A.; de Oliveira, T.V.; Soares, N.D.; Raymundo-Pereira, P.A. Sustainable plant-wearable sensors for on-site, rapid decentralized detection of pesticides toward precision agriculture and food safety. Biomater. Adv. 2023, 155, 213676. [CrossRef]

109. Qu, C.C.; Sun, X.Y.; Sun, W.X.; Cao, L.X.; Wang, X.Q.; He, Z.Z. Flexible wearables for plants. Small 2021, 17, 2104482. [CrossRef]

110. Kim, D.; Zarei, M.; Lee, S.; Lee, H.; Lee, G.; Lee, S.G. Wearable Standalone Sensing Systems for Smart Agriculture. Adv. Sci. 2025, 12, 2414748. [CrossRef]

111. Remya, S.; Anjali, T.; Abhishek, S. The power of vision transformers and acoustic sensors for cotton pest detection. IEEE Open J. Comput. Soc. 2024, 5, 356–367. [CrossRef]

112. Kumar, R.; Channi, H.K.; Banga, H.K. Data analytics in agriculture: Predictive models and real-time decision-making. In Smart Agritech: Robotics, AI, and Internet of Things (IoT) in Agriculture; Wiley-Scrivener: Beverly, MA, USA, 2024; pp. 169–200. [CrossRef]

113. Noh, M.J. Artificial Intelligence Analysis for Crop Survival Prediction in Smart Agriculture. Smart Media J. 2025, 14, 19–26. [CrossRef]

114. Rekiek, S.; Jebari, H.; Ezziyyani, M.; Cherrat, L. AI-Driven Pest Control and Disease Detection in Smart Farming Systems. In International Conference on Advanced Intelligent Systems for Sustainable Development; Springer Nature Switzerland: Cham, Switzerland, 2024; pp. 801–810. [CrossRef]

115. Zhang, M.; Si, Y.; Fu, Y.; An, J.; Zhang, Q.; Zhang, Y.; Zhang, H.; Yu, Y.; Zhang, D.; Fang, Y. Exploration of the Plant World: Application and Innovation of Plant-Wearable Sensors for Real-Time Detection. Crit. Rev. Anal. Chem. 2025, 1–7. [CrossRef] [PubMed]

116. Radhika, V.; Ramya, R.; Abhishek, R. Machine learning approach-based plant disease detection and pest detection system. In International Conference on Communications and Cyber Physical Engineering; Springer Nature Singapore: Singapore, 2018; Volume 2023, pp. 191–200. [CrossRef]