Unveiling the potential of sustainable agriculture: A comprehensive survey on the advancement of AI and sensory data for smart greenhouses
Notice bibliographique
Résumé
The intersection of Artificial Intelligence (AI) and the Internet of Things (IoT) has propelled the agricultural industry into a new era of efficiency and sustainability. Among the diverse applications of AI and IoT in agriculture, Smart Greenhouses (SGHs) are particularly notable for their transformative potential in revolutionizing crop cultivation practices. Moreover, the adoption of SGH technologies has significant implications for agricultural sustainability and environmental conservation. By minimizing resource waste and reducing reliance on chemical inputs, SGHs mitigate the environmental impact of traditional farming practices. The aim of this comprehensive survey is evaluating the state-of-the-art literature on SGH development using AI and sensory data. In addition, this survey is one of the first to bridge the gap between academic research and industrial applications of AI-powered SGHs, offering a holistic view of the field’s progress and future prospects. This work also critically examines the technical level of the surveyed works and their alignment with the current AI trends. This comprehensive survey follows a well-defined review protocol and inclusion criteria. A total of 88 studies, industrial projects, related datasets from different research sources, namely, IEEE, SpringerLink and Science Direct were included in the review. The survey critically assesses both academic and industrial SGH projects, identifying key research gaps and the lag in adopting recent AI innovations. • The scarcity of multimodal and synthetic datasets is a significant research gap in the field of smart greenhouses. • A novel research direction, namely Cognitive Smart Greenhouses (CSGH), is introduced. • A critical analysis of the surveyed literature reveals key challenges, including a notable gap between academic research and industrial practices. • The smart greenhouse literature lacks focus on secure decentralized AI training methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,010 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».