فهرست نشریات علمی دسترسی آزاد ایران

هدف: این مطالعه تحلیل پیشرفت‌های اخیر هوش مصنوعی و یادگیری ماشین در کشاورزی دقیق است تا نشان دهد این فناوری‌ها چگونه به بهینه‌سازی فرآیندهای کشاورزی، افزایش بهره‌وری و پاسخ به چالش‌های زیست‌محیطی و نیاز به تأمین غذای جمعیت رو به رشد کمک می‌کنند. با توجه به افزایش تقاضا برای کشاورزی دقیق و اتکا به فناوری‌های نوین، پژوهش به دنبال شناسایی روندها، چالش‌ها و فرصت‌های موجود در این حوزه می‌باشد. روش پژوهش: این پژوهش با رویکرد تحلیلی و بر مبنای علم‌سنجی انجام شده است. جامعه آماری شامل مطالعات مرتبط با هوش مصنوعی و یادگیری ماشین در کشاورزی دقیق است که در پایگاه اسکوپوس در بازه زمانی 2000 تا 2025 نمایه شده‌اند. برای جستجوی مقالات، از کلمات کلیدی “هوش مصنوعی”، “یادگیری ماشین”، “کشاورزی دقیق” و “تکنولوژی‌های نوین کشاورزی” استفاده شد. در نهایت، 750 مقاله به عنوان جامعه آماری انتخاب و تحلیل شدند. برای ترسیم شبکه موضوعی مطالعات، از نرم‌افزار VOSviewer بهره‌گیری شد. همچنین، به منظور بررسی روابط بین داده‌ها، از آزمون همبستگی پیرسون استفاده گردید. یافته‌ها: بر اساس تحلیل انجام‌شده، کلیدواژه “کشاورزی دقیق” با ۲۳۱ بار وقوع، به‌عنوان محور اصلی تحقیقات شناسایی شده است و این تاکید نشان‌دهنده تمایل فزاینده محققان به بهینه‌سازی فرایندها و بهبود کارایی از طریق فناوری‌های نوین است. همچنین، کلیدواژه‌های "هوش مصنوعی (AI)" و "یادگیری ماشین (ML)" به ترتیب با ۱۹۵ و ۱۷۶ بار تکرار، گویای تلاش پژوهشگران برای حل چالش‌های کشاورزی از طریق تحلیل داده‌های بزرگ و پیش‌بینی الگوهای آب‌وهوایی است. تحلیل روند انتشار در بازه‌های زمانی مختلف نشان می‌دهد که از ۲۰۰۰–۲۰۰۵ تنها ۲۷ مقاله وجود داشته و این عدد به ۳۸۷ مقاله در بازه ۲۰۲۰–۲۰۲۵ رسیده است. این روند صعودی به‌ویژه از سال ۲۰۱۵ به بعد با شتاب بیشتری دنبال شده است که گواهی است دال بر پذیرش گسترده‌تری از این فناوری‌ها برای بهینه‌سازی تولیدات و کاهش هزینه‌ها. بررسی خوشه‌های واژگانی نیز نشان داد که خوشه "کشاورزی دقیق" با واژگانی مانند "مزارع"، "تأمین غذا" و "فناوری کشاورزی" به بهینه‌سازی فرآیندها و افزایش بهره‌وری اشاره دارد و ارتباطات میان این عناصر به تصمیم‌گیری و پیش‌بینی‌های مبتنی بر داده مربوط می‌شود. خوشه "یادگیری ماشین" با واژگانی مانند "یادگیری عمیق" و "ماشین‌های بردار پشتیبان" به تکنیک‌های یادگیری ماشین و کاربردهای آن‌ها در تحلیل داده‌های کشاورزی می‌پردازد. خوشه "اینترنت اشیاء" با واژگانی همچون "حسگرها" و "سنجش از دور" به جمع‌آوری داده‌ها از دستگاه‌ها و به‌کارگیری داده‌ها در محیط‌های زراعی اشاره دارد. همچنین، خوشه "یادگیری سیستم‌ها" با واژگانی مانند "تصمیم‌گیری" و "اتوماسیون" بر استفاده از الگوریتم‌ها و سیستم‌های یادگیری برای اتوماسیون کشاورزی متمرکز است و اهمیت ویژه‌ای در تحلیل داده و بهینه‌سازی عملکرد محصولات دارد. نتایج تحلیل همبستگی پیرسون نیز به‌طور خاص نشان‌دهنده رابطه مثبت و معنادار (P < 0.01)، بین تعداد مقالات منتشر شده و سال انتشار است که گواهی بر افزایش توجه به AI و ML در کشاورزی دقیق در سال‌های اخیر است و بیانگر تأثیر فناوری‌های نوین و دسترسی به داده‌ها بر روند پژوهش‌هاست. نتیجه‌گیری: نتایج نشان داد که روند رو به رشد و تنوع موضوعی در آینده پژوهش‌های کشاورزی دقیق روشن و امیدوارکننده است. این یافته‌ها می‌تواند مبنای محکمی برای پژوهش‌های آتی و توسعه سیاست‌های مؤثر در کشاورزی دقیق باشد و به بهبود عملکرد و بهره‌وری، همچنین مدیریت منابع در مواجهه با تغییرات زیست‌محیطی و رشد جمعیت کمک شایانی نماید. با توجه به اهمیت همسو شدن پژوهش‌های علمی با نیازهای عملی مزرعه‌ها، استقرار چارچوب‌های پژوهشی منسجم، ارتقای زیرساخت‌های داده‌ای، و تشویق مشارکت فعال کشاورزان و صنایع مرتبط از اولویت‌های کلیدی آینده محسوب می‌شود. به این ترتیب، آینده کشاورزی دقیق می‌تواند با افزایش کارایی، کاهش هزینه‌ها، بهبود پایداری زیست‌محیطی و کاهش خطرات ناشی از نوسانات اقلیمی و منابع محدود، نقشی کلیدی در تأمین امنیت غذایی ایفا کند.