Cybersecurity Threats in Digital Agriculture: A Systematic Review on Emerging Risks and Protective Strategies for Farmers
Notice bibliographique
Résumé
The rapid digitization of agriculture-driven by the Internet of Things (IoT), Artificial Intelligence (AI), drones and cloud-based farm management systems-has significantly enhanced productivity, precision and sustainability. However, this technological integration has concurrently exposed the agricultural sector to escalating cybersecurity threats. This systematic review synthesizes evidence from 100 peer-reviewed and grey literature sources (2013–2025) to identify, categorize and analyze cyber risks specific to digital farming ecosystems. Following PRISMA-inspired screening protocols, 78 studies met inclusion criteria based on relevance, methodological rigor and geographic diversity. Findings reveal that ransomware, phishing, denial-of-service (DoS) and IoT-based attacks are the most prevalent threats with documented cases causing operational disruptions, livestock loss, financial fraud and supply chain paralysis—as observed in incidents involving AGCO (USA), Federated Co-op (Canada) and Swiss dairy farms. Critically, smallholder farmers in developing economies such as India remain highly vulnerable due to low digital literacy and inadequate infrastructure. This review makes a unique contribution by integrating technological, policy and farmer-centric perspectives to provide a holistic understanding of cybersecurity within Agriculture 4.0. It evaluates existing mitigation frameworks, including India’s National Cyber Security Policy (2013) and Digital Agriculture Mission (2021–2025), while proposing advanced solutions such as AI-driven threat detection, blockchain-secured data ledgers, and cyber-resilient agritech design. A 13-point cybersecurity protocol for farmers is validated through empirical case studies. The study concludes that implementing these measures through collaborative policymaking, targeted digital literacy initiatives, and secure-by-design agritech systems can significantly strengthen cyber resilience in agriculture, ensuring both technological progress and farmer protection. This work fills a critical gap in agrarian cybersecurity literature and offers actionable insights for policymakers, extension services, and technology developers.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».