| تعداد نشریات | 285 |
| تعداد نشریات سازمان | 83 |
| تعداد شمارهها | 3,139 |
| تعداد مقالات | 34,918 |
| تعداد مشاهده مقاله | 50,383,614 |
| تعداد دریافت فایل اصل مقاله | 90,276,988 |
مروری بر هوش مصنوعی و کاربردهای آن در علوم خاک | ||
| مدیریت اراضی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 21 بهمن 1404 | ||
| نوع مقاله: مروری | ||
| شناسه دیجیتال (DOI): 10.22092/lmj.2026.370937.396 | ||
| نویسندگان | ||
| رضا حسن پور* 1؛ محمدرضا خانزاده ریکآبادی2؛ علیرضا توسلی1؛ حسین رضایی2 | ||
| 1بخش تحقیقات خاک و آب، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی آذربایجان شرقی، سازمان تحقیقات، آموزش و ترویج کشاورزی، تبریز | ||
| 2گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه تبریز، تبریز | ||
| چکیده | ||
| در دهههای اخیر، تحقیقات گستردهای به توسعه و کاربرد هوش مصنوعی در علوم خاک اختصاص یافته است. اگرچه بخش عمدهای از کاربردهای کنونی هوش مصنوعی در علوم خاک به یادگیری ماشین مربوط میشود، اما این فناوری حوزههای دیگری مانند تجزیهوتحلیل تصویر دیجیتال، پردازش زبان طبیعی، سیستمهای خبره و نمایش دانش را نیز در برمیگیرد. هدف این مقاله مروری، ارائه یک بررسی جامع از نقش و کاربردهای هوش مصنوعی در علوم خاک است. در ابتدا، تاریخچه و تعاریف هوش مصنوعی مرور شده و سپس یک طبقهبندی معمول از هوش مصنوعی در سه حوزه سنجش و تعامل، استدلال و تصمیمگیری و یادگیری و پیشبینی ارائه شده است. در ادامه، کاربردها و الگوریتمهای مرتبط با هر حوزه در علوم خاک بررسی شدهاند. یافتههای اصلی نشان میدهد: الف) کاربردهای هوش مصنوعی در علوم خاک متنوع بوده و شامل سیستمهای پشتیبانی تصمیمگیری، طبقهبندی تصویر، پیشبینی با یادگیری ماشین و سیستمهای خبره میشوند. ب) در حال حاضر، کاربرد هوش مصنوعی در علوم خاک تقریباً بهطور کامل با یادگیری ماشین گرهخورده است؛ ج) کاربردهای یادگیری ماشین بهطور عمده در نقشهبرداری رقومی خاک و توسعه توابع انتقالی خاک دیده میشوند و د) بخش عمدهای از کاربردهای هوش مصنوعی بر اهداف پیشبینی متمرکز هستند. بااینحال، چند استثنای قابلتوجه فراتر از این کاربردها، بهویژه در پردازش زبان طبیعی، توسعه مدلهای شناختی خاک و یادگیری ماشین تفسیرپذیر مشاهده میشود. بر اساس این یافتهها، تمرکز بیش از حد بر پیشبینی با هوش مصنوعی، همراه با کاهش قابلیت توضیح و نبود ادغام مؤثر دانش خاک در الگوریتمها، از چالشهای مهم این حوزه میباشد. افقهای آینده در این زمینه شامل بهرهگیری از هوش مصنوعی برای استخراج دادهها از متون نیمرخهای خاک قدیمی بهمنظور بازیابی منابع جدید اطلاعات خاک و نیز بهکارگیری پردازش زبان طبیعی برای ساخت فراتحلیلهایی از متون علمی خاکشناسی است. این کاربردهای نوظهور میتوانند سهم بسزایی در تحقیقات علوم خاک ایفا کنند. | ||
| کلیدواژهها | ||
| سیستمهای خبره؛ نقشهبرداری رقومی خاک؛ هوش مصنوعی؛ یادگیری ماشین | ||
| عنوان مقاله [English] | ||
| A review on artificial intelligence and its applications in soil science | ||
| نویسندگان [English] | ||
| Reza Hassanpour1؛ Mohammad Reza Khanzadeh Rik Abadi2؛ Alireza Tavasolee1؛ Hossein Rezaei2 | ||
| 1Soil and Water Research Department, East Azerbaijan Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Tabriz, Iran. | ||
| 2Department of Soil Science and Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, Iran | ||
| چکیده [English] | ||
| Over the past few decades, extensive research has been devoted to the development and application of artificial intelligence (AI) in soil science. Although many current applications of AI in soil science are related to machine learning, this technology also encompasses areas such as digital image analysis, natural language processing, expert systems, and knowledge representation. The aim of this review article is to provide a comprehensive overview of the roles and applications of AI in soil science. First, the history and definitions of AI are reviewed, followed by a common classification of AI into three domains: sensing and interaction, reasoning and decision-making, and learning and prediction. Subsequently, the applications and algorithms associated with each domain in soil science are examined. The main findings indicate that: (a) AI applications in soil science are diverse, including decision support systems, image classification, machine learning-based prediction, and expert systems; (b) currently, the use of AI in soil science is almost entirely linked to machine learning; (c) machine learning applications are primarily seen in digital soil mapping and the development of soil transfer functions; and (d) a significant portion of AI applications focuses on predictive goals. However, several notable exceptions extend beyond these applications, particularly in natural language processing, the development of cognitive soil models, and interpretable machine learning. Based on these findings, an overemphasis on AI-based prediction, coupled with reduced explainability and the lack of effective integration of soil knowledge into algorithms, constitutes major challenges in the field. Future directions include leveraging AI to extract data from legacy soil profile texts for new soil information retrieval, as well as applying natural language processing to construct meta-analyses from soil science literature. These emerging applications have the potential to make a substantial contribution to soil science research. | ||
| کلیدواژهها [English] | ||
| Artificial Intelligence, Expert Systems, Digital Soil Mapping, Machine Learning | ||
|
آمار تعداد مشاهده مقاله: 50 |
||