Kecerdasan Buatan dalam Pertanian Moden: Aplikasi, Manfaat dan Cabaran Pelaksanaan

Kecerdasan buatan atau Artificial Intelligence (AI) semakin memainkan peranan penting dalam sektor pertanian moden. Jika dahulu banyak keputusan pertanian bergantung pada pengalaman petani, pemerhatian visual dan rekod manual, teknologi AI kini membolehkan pengurusan tanaman dibuat berdasarkan data yang dikumpulkan melalui sensor, kamera, dron, sistem Internet of Things (IoT) dan rekod pengeluaran.

Berdasarkan dokumen yang diberikan, AI digunakan dalam pelbagai bidang seperti pemantauan tanaman, ramalan hasil, pengairan presisi, pengesanan penyakit dan perosak, robotik pertanian serta pengurusan rantaian bekalan. Penggunaan teknologi seperti pembelajaran mesin, pembelajaran mendalam dan penglihatan komputer bertujuan meningkatkan produktiviti, penggunaan sumber secara lebih cekap dan kemampanan sistem pertanian.

Daripada pengalaman kepada pertanian berpandukan data

Salah satu perubahan paling besar yang dibawa oleh AI ialah peralihan daripada pengurusan berdasarkan pengalaman kepada pengurusan berpandukan data.

Dalam sistem tradisional, petani mungkin menentukan masa menyiram, membaja atau mengawal perosak berdasarkan pengalaman dan pemerhatian lapangan.

Dalam sistem yang menggunakan AI, keputusan boleh dibuat berdasarkan data seperti:

Kelembapan tanah;
Keadaan tanaman;
Kandungan nutrien;
Cuaca;
Rekod pengeluaran;
Imej daun;
Kehadiran perosak; dan
Pola pertumbuhan tanaman.

AI kemudian membantu menganalisis data tersebut untuk menghasilkan maklumat yang boleh digunakan dalam membuat keputusan pengurusan.

Teknologi utama dalam AI pertanian

Dokumen menyenaraikan beberapa teknologi utama yang digunakan dalam pertanian pintar:

Pembelajaran mesin atau machine learning;
Pembelajaran mendalam atau deep learning;
Penglihatan komputer;
Internet of Things atau IoT;
Sensor;
Robot;
Dron; dan
Sistem automasi.

Setiap teknologi mempunyai fungsi yang berbeza, tetapi kesemuanya boleh digabungkan dalam satu sistem pengurusan ladang.

Pembelajaran mesin

Pembelajaran mesin atau ML membolehkan komputer mengenal pasti pola daripada data yang diberikan.

Dalam pertanian, ML boleh digunakan untuk:

Meramal hasil tanaman;
Mengenal pasti pola penyakit;
Menganggarkan kesuburan tanah;
Mengoptimumkan pengairan;
Menganggarkan harga komoditi; dan
Membantu perancangan pengeluaran.

Model dibangunkan menggunakan data terdahulu. Apabila lebih banyak data berkualiti tersedia, sistem berpotensi menghasilkan ramalan yang lebih baik.

Pembelajaran mendalam

Pembelajaran mendalam atau deep learning merupakan cabang pembelajaran mesin yang banyak digunakan dalam analisis imej.

Teknologi ini sangat berguna dalam pertanian kerana banyak masalah tanaman dapat dikenal pasti melalui perubahan visual seperti:

Warna daun;
Bentuk lesi;
Bintik penyakit;
Kekurangan nutrien;
Kehadiran serangga; dan
Perubahan bentuk tanaman.

Dokumen menyenaraikan CNN atau Convolutional Neural Network sebagai teknologi untuk pengesanan penyakit dan perosak.

Penglihatan komputer

Penglihatan komputer membolehkan sistem AI menganalisis imej atau video seperti manusia melihat sesuatu objek.

Dalam pertanian, kamera boleh dipasang pada:

Telefon pintar;
Dron;
Traktor;
Robot; atau
Sistem pemantauan ladang.

Imej kemudian dianalisis untuk menentukan keadaan tanaman.

Penglihatan komputer boleh digunakan bersama IoT dan sensor untuk menilai kesihatan tanaman, sifat tanah dan keadaan nutrien.

Pemantauan tanah dan tanaman

Salah satu aplikasi utama AI ialah pemantauan tanah serta tanaman.

Teknologi yang digunakan termasuk:

Penglihatan komputer;
IoT; dan
Sensor.

Fungsinya ialah menilai:

Kesihatan tanaman;
Keadaan tanah; dan
Status nutrien.

Maklumat daripada sistem ini membantu pengusaha mengesan perubahan lebih awal sebelum masalah menjadi terlalu serius.

Sensor dalam pertanian

Sensor boleh mengukur pelbagai parameter secara berterusan.

Antara data yang berpotensi dikumpulkan ialah:

Kelembapan tanah;
Suhu;
Kelembapan udara;
Keamatan cahaya;
Paras air; dan
Keadaan persekitaran.

Apabila sensor disambungkan kepada sistem IoT, data boleh dihantar dan dianalisis secara masa nyata.

Dokumen menekankan penggunaan sensor bersama IoT dalam pemantauan pertanian presisi.

IoT menghubungkan ladang dengan data

Internet of Things atau IoT membolehkan pelbagai peranti berkomunikasi melalui rangkaian.

Dalam sistem pertanian, IoT boleh menghubungkan:

sensor ? sistem pengumpulan data ? AI ? keputusan pengurusan

Sebagai contoh, sistem pengairan boleh menerima data kelembapan tanah dan kemudian menentukan sama ada tanaman memerlukan air.

Pendekatan seperti ini mengurangkan kebergantungan pada jadual penyiraman tetap.

Ramalan hasil tanaman

AI turut digunakan untuk meramal hasil tanaman.

Teknologi yang disebut dalam dokumen termasuk:

Pembelajaran mesin;
Pembelajaran mendalam; dan
Analisis siri masa.

Selain meramal pengeluaran tanaman, teknologi ini turut digunakan untuk meramalkan harga komoditi.

Ramalan hasil boleh membantu petani merancang:

Pekerja;
Penuaian;
Logistik;
Penyimpanan;
Pemasaran; dan
Jualan.

Data siri masa

Siri masa ialah data yang direkodkan mengikut tempoh tertentu.

Contohnya:

Hasil setiap musim;
Hujan bulanan;
Harga mingguan;
Suhu harian;
Kelembapan tanah setiap jam.

AI boleh mencari pola dalam data tersebut dan menghasilkan ramalan tentang keadaan masa hadapan.

Pengairan presisi

Pengairan presisi ialah salah satu aplikasi AI yang mempunyai potensi besar dalam penggunaan sumber air.

Dokumen menyatakan bahawa gabungan:

IoT;
Pembelajaran mesin; dan
Data masa nyata

boleh digunakan untuk mengurus pengairan secara lebih tepat.

Tujuannya ialah membekalkan air apabila tanaman benar-benar memerlukannya, bukan semata-mata berdasarkan jadual tetap.

Penjimatan air 6–11%

Salah satu contoh yang diberikan ialah platform QUHOMAirrigation yang diuji pada tanaman strawberi di Cyprus.

Sistem tersebut berjaya mengurangkan penggunaan air sekitar 6 hingga 11% berbanding kaedah pengairan konvensional atau penjadualan empirikal.

Dapatan ini menunjukkan bahawa AI bukan sekadar digunakan untuk meningkatkan hasil, tetapi juga untuk mengurangkan penggunaan input.

Pengesanan penyakit tanaman

AI boleh membantu mengesan penyakit lebih awal dengan menganalisis imej tanaman.

CNN dan pemprosesan imej digunakan untuk mengenal pasti perubahan visual yang berkaitan dengan serangan penyakit.

Pengesanan awal penting kerana penyakit yang dikenal pasti ketika masih terhad pada kawasan kecil lebih mudah dikendalikan berbanding selepas merebak ke seluruh ladang.

Pengesanan perosak

Pendekatan yang sama boleh digunakan untuk perosak.

Imej tanaman atau perangkap boleh dianalisis bagi:

Mengenal pasti serangga;
Mengira populasi;
Mengenal pasti kawasan serangan; dan
Menentukan pola penyebaran.

Dokumen mengaitkan pengesanan awal perosak dan penyakit dengan usaha mengurangkan kehilangan tanaman.

Mengurangkan penggunaan racun

Jika serangan perosak dapat dikesan secara tepat mengikut lokasi, kawalan boleh dilakukan secara lebih bersasar.

Pendekatan ini berpotensi mengurangkan penggunaan:

Pestisid;
Herbisid; dan
Input pertanian lain.

Dokumen menyatakan bahawa AI membantu menghasilkan lebih banyak dengan sumber lebih sedikit serta mengurangkan penggunaan air, pestisid dan herbisid.

Robotik pertanian

Robotik merupakan satu lagi bidang penting dalam pertanian berasaskan AI.

Dokumen menyenaraikan penggunaan:

Robot;
Dron; dan
Sistem automasi

untuk melaksanakan beberapa kerja pertanian.

Antara tugas yang boleh dilakukan ialah:

Kawalan rumpai;
Penyemburan; dan
Penuaian automatik.

Robot kawalan rumpai

Robot pertanian boleh dibangunkan untuk mengenal pasti perbezaan antara tanaman dengan rumpai.

Selepas rumpai dikenal pasti, sistem boleh melakukan kawalan secara lebih tepat berbanding penyemburan seluruh kawasan.

Pendekatan seperti ini berpotensi mengurangkan penggunaan herbisid.

Dokumen tidak memberikan model robot atau kadar pengurangan herbisid tertentu.

Penyemburan automatik

Dron atau robot boleh membantu melakukan penyemburan secara automatik.

Dengan gabungan GPS, kamera dan AI, penyemburan boleh disasarkan kepada kawasan tertentu.

Keuntungan utama pendekatan ini ialah potensi meningkatkan ketepatan aplikasi bahan pertanian dan mengurangkan pembaziran.

Penuaian automatik

Robot turut digunakan bagi penuaian tanaman tertentu.

Cabaran utama robot penuaian ialah sistem perlu dapat:

Mengenal pasti buah;
Menentukan tahap sesuai dituai;
Menganggarkan kedudukan;
Mengelakkan kerosakan; dan
Mengendalikan buah secara berhati-hati.

Dokumen meletakkan penuaian automatik sebagai antara fungsi utama robotik pertanian.

Dron dalam pertanian

Dron membolehkan kawasan ladang diperhatikan dari udara.

Imej yang dikumpulkan boleh digunakan dalam:

Pemantauan tanaman;
Pemetaan;
Pengesanan kawasan bermasalah;
Penyemburan; dan
Penilaian variasi pertumbuhan.

AI membantu menukar imej tersebut kepada maklumat yang boleh digunakan dalam pengurusan ladang.

Pemetaan pertanian

Dokumen menyatakan bahawa teknik pembelajaran mesin seperti:

Random Forest; dan
Support Vector Machine atau SVM

digunakan dalam pemetaan pertanian.

Aplikasinya merangkumi:

Pengurusan sumber spatial;
Pengesanan perosak; dan
Penambahbaikan sistem pengairan.

Random Forest

Random Forest merupakan algoritma pembelajaran mesin yang menggabungkan banyak pokok keputusan.

Dalam pertanian, algoritma ini boleh digunakan untuk mengelaskan atau meramal sesuatu keadaan berdasarkan banyak pemboleh ubah.

Dokumen menyenaraikannya sebagai teknik penting dalam pemetaan pertanian.

Support Vector Machine

SVM ialah satu lagi algoritma yang digunakan untuk pengelasan dan ramalan.

Dalam konteks pertanian, ia boleh membantu membezakan kelas berdasarkan data seperti:

Tanaman sihat dan berpenyakit;
Jenis tanah;
Kawasan tanaman;
Tahap tekanan; atau
Kategori penggunaan tanah.

Namun, dokumen tidak memberikan contoh kadar ketepatan SVM tertentu.

AI dan rantaian bekalan pertanian

AI tidak hanya digunakan di ladang.

Dokumen menyatakan bahawa AI turut digunakan dalam pengurusan rantaian bekalan untuk:

Mengoptimumkan logistik;
Meramal permintaan; dan
Mengurus inventori.

Pengurusan yang lebih baik boleh membantu mengurangkan pembaziran makanan.

Ramalan permintaan

Ramalan permintaan membantu menentukan jumlah produk yang mungkin diperlukan pasaran.

Jika pengeluaran dan permintaan dapat diselaraskan, risiko:

Terlebih pengeluaran;
Kekurangan bekalan;
Penyimpanan terlalu lama; dan
Pembaziran

boleh dikurangkan.

Dokumen tidak memberikan angka khusus pengurangan pembaziran menggunakan AI.

Pemuliaan tanaman

AI turut digunakan dalam pemuliaan atau pembiakbakaan tanaman.

Dokumen menyatakan bahawa AI boleh membantu:

Kemajuan genetik; dan
Pemilihan biji benih optimum untuk keadaan cuaca tertentu.

Sistem AI boleh menggabungkan data:

Genetik;
Cuaca;
Prestasi tanaman; dan
Ciri agronomi.

Ini membantu pembiak baka memilih bahan yang paling berpotensi.

AI untuk pertanian mampan

Salah satu manfaat utama AI ialah keupayaannya membantu petani menghasilkan lebih banyak dengan penggunaan sumber yang lebih rendah.

Dokumen mengaitkan AI dengan pengurangan penggunaan:

Air;
Pestisid; dan
Herbisid.

Pada masa yang sama, sistem pertanian perlu mengekalkan kesuburan tanah.

Pendekatan ini sejajar dengan konsep pertanian mampan yang cuba mengimbangi produktiviti dengan pemeliharaan sumber.

Kecekapan penggunaan sumber

AI boleh membantu menentukan bila dan di mana sesuatu input perlu digunakan.

Contohnya:

Input	Peranan AI
Air	Pengairan berdasarkan data masa nyata
Pestisid	Aplikasi selepas pengesanan serangan
Herbisid	Kawalan rumpai secara bersasar
Tenaga kerja	Automasi kerja tertentu
Masa	Pemantauan dan analisis automatik

Pendekatan ini berpotensi mengurangkan pembaziran input.

Cabaran kos

Walaupun teknologi AI menawarkan banyak kelebihan, kos masih menjadi salah satu halangan utama.

Dokumen menyatakan bahawa kos tinggi mengehadkan penggunaan secara meluas dalam kalangan petani.

Kos bukan hanya melibatkan pembelian peralatan, tetapi juga:

Sensor;
Kamera;
Komputer;
Perisian;
Sambungan internet;
Penyelenggaraan; dan
Latihan pengguna.

Kekurangan infrastruktur

AI memerlukan infrastruktur yang menyokong pengumpulan dan pemindahan data.

Dokumen menyebut infrastruktur tidak mencukupi sebagai salah satu cabaran.

Di kawasan luar bandar, masalah seperti sambungan internet atau bekalan tenaga boleh mengehadkan penggunaan teknologi digital.

Pengetahuan teknikal petani

Teknologi yang canggih tidak semestinya berguna jika sukar digunakan.

Dokumen menyatakan bahawa pengetahuan teknikal yang terhad dalam kalangan petani merupakan antara faktor yang merencatkan penerimaan AI.

Ini menunjukkan bahawa latihan pengguna sama penting dengan pembangunan teknologi.

Isu privasi data

Penggunaan AI melibatkan pengumpulan data dalam jumlah besar.

Dokumen menyebut kebimbangan privasi sebagai salah satu halangan pelaksanaan.

Data pertanian mungkin merangkumi:

Lokasi ladang;
Pengeluaran;
Penggunaan input;
Hasil;
Keadaan tanah; dan
Maklumat operasi.

Oleh itu, sistem perlu mempunyai mekanisme pengurusan dan perlindungan data yang sesuai.

AI sukar digeneralisasikan

Salah satu cabaran teknikal penting ialah model yang dibangunkan pada satu ladang mungkin tidak berfungsi dengan baik di ladang lain.

Dokumen menyatakan bahawa keupayaan generalisasi model masih lemah.

Perbezaan boleh berpunca daripada:

Varieti;
Tanah;
Cuaca;
Sistem pengurusan;
Kamera;
Cahaya; dan
Tahap serangan penyakit.

Tiada dua ladang yang benar-benar sama

Dokumen menekankan bahawa replikasi keputusan antara ladang sukar kerana tiada dua ladang yang mempunyai keadaan yang sama.

Ini merupakan cabaran besar dalam pembangunan AI pertanian.

Sistem yang sangat tepat dalam satu eksperimen mungkin memerlukan kalibrasi semula sebelum digunakan di lokasi lain.

Kualiti data menentukan kualiti AI

Keberkesanan AI sangat bergantung pada:

Kualiti data;
Kepelbagaian data; dan
Ketersediaan data.

Jika data latihan tidak mewakili keadaan sebenar, model boleh menghasilkan ramalan yang tidak tepat.

Prinsip mudahnya ialah:

data yang lemah ? model yang lemah.

Kebolehtafsiran model

Dokumen turut menyebut kebolehtafsiran yang rendah sebagai masalah AI.

Sesetengah model boleh menghasilkan ramalan yang tepat tetapi sukar menjelaskan mengapa sesuatu keputusan dibuat.

Dalam pertanian, penjelasan penting kerana petani perlu memahami mengapa sistem mencadangkan tindakan seperti:

Menyiram;
Menyembur;
Membaja; atau
Menuai.

Prestasi masa nyata

Model AI juga perlu berfungsi dalam keadaan sebenar yang berubah dengan cepat.

Dokumen menyatakan bahawa prestasi masa nyata masih tidak memuaskan dalam persekitaran pertanian yang kompleks.

Ladang mempunyai perubahan berterusan pada:

Cahaya;
Hujan;
Suhu;
Angin;
Pertumbuhan tanaman; dan
Keadaan tanah.

Keadaan ini lebih sukar dikendalikan berbanding persekitaran makmal.

Agriculture 5.0

Dokumen memperkenalkan konsep Agriculture 5.0, yang menekankan AI berpusat manusia atau human-centered AI.

Pendekatan ini tidak melihat AI sebagai pengganti manusia sepenuhnya.

Sebaliknya, teknologi perlu digabungkan dengan:

Pengalaman petani;
Pengetahuan agronomi;
Pertimbangan manusia; dan
Keupayaan AI.

Paradoks Moravec

Dokumen turut menyebut paradoks Moravec.

Konsep ini menunjukkan bahawa sesetengah tugas yang kelihatan mudah bagi manusia boleh menjadi sangat sukar untuk AI.

Sebagai contoh, manusia mungkin cepat mengenali buah yang rosak hanya dengan melihat dan menyentuhnya, tetapi robot perlu:

Memproses imej;
Mengenal pasti objek;
Menganggar tekstur;
Menentukan kedudukan; dan
Membuat keputusan.

Oleh itu, teknologi tidak semestinya menggantikan pengalaman manusia dalam semua situasi.

Model rangkaian ringan

Salah satu arah masa depan yang disebut ialah pembangunan model rangkaian ringan.

Model seperti ini direka supaya memerlukan:

Kuasa pengkomputeran lebih rendah;
Memori lebih kecil;
Masa pemprosesan lebih cepat.

Ini penting untuk penggunaan di telefon pintar, dron atau peranti ladang yang mempunyai kapasiti pengkomputeran terhad.

Pembelajaran pemindahan

Transfer learning atau pembelajaran pemindahan turut disenaraikan sebagai arah masa depan.

Kaedah ini membolehkan model yang telah dilatih untuk satu tugas digunakan sebagai asas bagi tugas lain.

Dalam pertanian, pendekatan ini berpotensi mengurangkan keperluan mengumpul dataset baharu yang sangat besar bagi setiap tanaman.

Namun, dokumen tidak memberikan contoh aplikasi spesifik.

Robot pertanian berbadan pintar

Dokumen menyebut embodied intelligent robots sebagai salah satu perkembangan masa hadapan.

Konsep ini merujuk kepada robot yang bukan sahaja menjalankan arahan, tetapi turut mempunyai kemampuan:

Melihat;
Menganalisis persekitaran;
Membuat keputusan; dan
Bertindak secara fizikal.

Robot seperti ini berpotensi melakukan kerja yang lebih kompleks dalam ladang.

Model bahasa besar untuk pertanian

Model bahasa besar atau Large Language Models (LLM) turut disebut sebagai teknologi masa hadapan dalam pertanian.

Dalam konteks dokumen, teknologi ini masih dilihat sebagai arah perkembangan.

LLM berpotensi menjadi sebahagian daripada sistem sokongan maklumat pertanian, tetapi dokumen tidak memberikan aplikasi khusus atau bukti keberkesanannya di ladang.

Ringkasan aplikasi utama AI

Jadual pada halaman pertama dokumen merumuskan lima domain utama AI seperti berikut:

Domain	Teknologi	Fungsi
Pemantauan tanah dan tanaman	Penglihatan komputer, IoT, sensor	Menilai kesihatan tanaman, tanah dan nutrien
Ramalan hasil	ML, DL, siri masa	Meramal hasil dan harga komoditi
Pengairan presisi	IoT, ML, data masa nyata	Mengurangkan penggunaan air
Penyakit dan perosak	CNN, pemprosesan imej	Pengesanan awal
Robotik	Robot, dron, automasi	Kawalan rumpai, penyemburan dan penuaian

AI bukan sekadar automasi

Salah satu perkara penting daripada dokumen ialah AI tidak hanya bermaksud menggantikan manusia dengan mesin.

Peranannya lebih luas, termasuk:

Membantu keputusan;
Menganalisis data;
Mengesan pola;
Meramal risiko;
Mengoptimumkan penggunaan input; dan
Meningkatkan ketepatan pengurusan.

Pendekatan Agriculture 5.0 pula menekankan bahawa teknologi dan kepakaran manusia perlu saling melengkapi.

Potensi terbesar AI dalam pertanian

Berdasarkan dokumen, potensi AI boleh diringkaskan kepada empat matlamat utama:

Pertama, meningkatkan produktiviti.
AI membantu mengoptimumkan pengeluaran melalui ramalan, pemantauan dan automasi.

Kedua, mengurangkan penggunaan input.
Pengairan, pestisid dan herbisid boleh digunakan dengan lebih tepat.

Ketiga, mengurangkan kehilangan hasil.
Penyakit dan perosak boleh dikesan lebih awal.

Keempat, meningkatkan kemampanan.
Penggunaan sumber yang lebih cekap membantu mengurangkan tekanan terhadap persekitaran.

Batas sebenar AI di ladang

Walaupun potensinya besar, AI masih mempunyai beberapa batas utama:

Cabaran	Implikasi
Kos tinggi	Sukar diterima petani kecil
Infrastruktur terhad	Sistem digital sukar digunakan
Pengetahuan teknikal	Memerlukan latihan
Privasi data	Memerlukan kawalan pengurusan data
Generalisasi lemah	Model tidak semestinya sesuai di semua ladang
Data tidak mencukupi	Ketepatan model menurun
Kebolehtafsiran rendah	Sukar menjelaskan keputusan AI
Prestasi masa nyata	Cabaran dalam keadaan ladang kompleks

Oleh itu, pembangunan AI pertanian perlu memberi perhatian bukan sahaja kepada ketepatan algoritma, tetapi juga kos, kebolehgunaan, latihan petani, kualiti data dan kesesuaian teknologi dengan keadaan sebenar di ladang.

Kata kunci: kecerdasan buatan, AI dalam pertanian, pertanian pintar, Agriculture 5.0, pertanian presisi, pembelajaran mesin, pembelajaran mendalam, penglihatan komputer, Internet of Things, IoT, sensor pertanian, dron pertanian, robot pertanian, ramalan hasil, pengairan presisi, penyakit tanaman, pengesanan perosak, CNN, Random Forest, SVM, rantaian bekalan pertanian, automasi pertanian, human-centered AI, transfer learning, model bahasa besar, kemampanan pertanian

Sumber Rujukan

Aijaz, N., Lan, H., Raza, T., Yaqub, M., Iqbal, R., & Pathan, M. S. (2025). Artificial intelligence in agriculture: Advancing crop productivity and sustainability. Journal of Agriculture and Food Research.

Ajith, S., Vijayakumar, S., & Elakkiya, N. (2025). Yield prediction, pest and disease diagnosis, soil fertility mapping, precision irrigation scheduling, and food quality assessment using machine learning and deep learning algorithms. Discover Food, 5.

Ali, Z., Muhammad, A., Lee, N., Waqar, M., & Lee, S. (2025). Artificial intelligence for sustainable agriculture: A comprehensive review of AI-driven technologies in crop production. Sustainability.

Benos, L., Tagarakis, A., Dolias, G., Berruto, R., Kateris, D., & Bochtis, D. (2021). Machine learning in agriculture: A comprehensive updated review. Sensors, 21.

Elbasi, E., Mostafa, N., AlArnaout, Z., Zreikat, A., Cina, E., Varghese, G., Shdefat, A., Topcu, A., Abdelbaki, W., Mathew, S., & Zaki, C. (2023). Artificial intelligence technology in the agricultural sector: A systematic literature review. IEEE Access, 11, 171–202.

Espinel, R. L., Herrera-Franco, G., Rivadeneira García, J. L., & Escandón-Panchana, P. (2024). Artificial intelligence in agricultural mapping: A review. Agriculture.

Ge, C., Zhang, G., Wang, Y., Shao, D., Song, X., & Wang, Z. (2025). Research status and development trends of artificial intelligence in smart agriculture. Agriculture.

Gupta, N., Gupta, P., Nadeem, D., A., A., & Elahi, A. (2022). Artificial intelligence in agriculture. International Journal for Research in Applied Science and Engineering Technology.

Holzinger, A., Fister, I., Fister, I., Kaul, H., & Asseng, S. (2024). Human-centered AI in smart farming: Toward Agriculture 5.0. IEEE Access, 12, 62199–62214.

Javaid, M., Haleem, A., Khan, I., & Suman, R. (2022). Understanding the potential applications of artificial intelligence in agriculture sector. Advanced Agrochem.

Linaza, M., Posada, J., Bund, J., Eisert, P., Quartulli, M., Döllner, J., Pagani, A., Olaizola, I. G., Barriguinha, A., Moysiadis, T., & Lucat, L. (2021). Data-driven artificial intelligence applications for sustainable precision agriculture. Agronomy.

Nautiyal, M., Joshi, S., Hussain, I., Rawat, H., Joshi, A., Saini, A., Kapoor, R., Verma, H., Nautiyal, A., Chikara, A., Ahmad, W., & Kumar, S. (2025). Revolutionizing agriculture: A comprehensive review on artificial intelligence applications in enhancing properties of agricultural produce. Food Chemistry: X, 29.

Oliveira, R., & Silva, R. D. S. (2023). Artificial intelligence in agriculture: Benefits, challenges, and trends. Applied Sciences.

Pandey, D. K., & Mishra, R. (2024). Towards sustainable agriculture: Harnessing AI for global food security. Artificial Intelligence in Agriculture.

Sharma, K., & Shivandu, S. K. (2024). Integrating artificial intelligence and Internet of Things (IoT) for enhanced crop monitoring and management in precision agriculture. Sensors International.

Subeesh, A., & Mehta, C. R. (2021). Automation and digitization of agriculture using artificial intelligence and Internet of Things. Artificial Intelligence in Agriculture.

Talaviya, T., Shah, D. J., Patel, N., Yagnik, H., & Shah, M. (2020). Implementation of artificial intelligence in agriculture for optimisation of irrigation and application of pesticides and herbicides. Artificial Intelligence in Agriculture.

Taneja, A., Nair, G., Joshi, M., Sharma, S., Sharma, S., Jambrak, A., Roselló-Soto, E., Barba, F. J., Castagnini, J. M., Leksawasdi, N., & Phimolsiripol, Y. (2023). Artificial intelligence: Implications for the agri-food sector. Agronomy.

Post Views: 11