AI Roles in 4R Crop Pest Management—A Review
Notice bibliographique
Résumé
Insect pests are a major threat to agricultural production, causing significant crop yield reductions annually. Integrated pest management (IPM) is well-studied, but its precise application in farmlands is still challenging due to variable weather, diverse insect behaviors, crop variability, and soil heterogeneity. Recent advancements in Artificial Intelligence (AI) have shown the potential to revolutionize pest management by implementing 4R pest stewardship: right pest identification, right method selection, right control timing, and right action taken. This review explores the roles of AI technologies within the 4R framework, highlighting AI models for accurate pest identification, computer vision systems for real-time monitoring, predictive analytics for optimizing control timing, and tools for selecting and applying pest control measures. Innovations in remote sensing, UAV surveillance, and IoT-enabled smart traps further strengthen pest monitoring and intervention strategies. By integrating AI into 4R pest management, this study underscores the potential of precision agriculture to develop sustainable, adaptive, and highly efficient pest control systems. Despite these advancements, challenges persist in data availability, model generalization, and economic feasibility for widespread adoption. The lack of interpretability in AI models also makes some agronomists hesitant to adopt these technologies. Future research should focus on scalable AI solutions, interdisciplinary collaborations, and real-world validation to enhance AI-driven pest management in field crops.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».