Artificial intelligence for sustainable soil systems: Advances in prediction, mapping and sustainable management of soil health and properties: A critical review

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:A comprehensive review of AI applications in soil science, highlighting strengths and limitations of various algorithms.

🏢実務担当者:Provides insights into AI tools for precision soil management and potential cost savings in agricultural operations.

土壌は、食料安全保障、生物多様性、気候調整の基盤である一方、集約的農業、気候変動、土地不足により加速的な劣化に直面している。人工知能（AI）は、機械学習（ML）および深層学習（DL）を含み、不均一で高次元の土壌データを処理するための変革的な能力を提供し、特性（例：土性、有機炭素、水分、栄養分）の正確な予測、デジタルマッピング、センサー/IoTによるリアルタイムモニタリング、精密管理を可能にする。本批判的レビューは、主要データベース（Google Scholar、Scopus、Web of Science、IEEE Xplore、ScienceDirect、MDPI、Nature）にわたる系統的検索に基づき、過去10年間の進展を総合する。我々は、主要なアルゴリズムであるランダムフォレスト（RF）、サポートベクターマシン（SVM）、人工ニューラルネットワーク（ANN）、畳み込みニューラルネットワーク（CNN）、長短期記憶（LSTM）を評価し、非線形パターンを捕捉する能力を強調する一方で、解釈可能性、データ品質、地域的偏り、小規模農家システムへの拡張性における限界を批判的に検討する。AIは予測精度において伝統的手法を一貫して上回る（例：複数の研究でRFが土壌有機炭素に対して90〜95%の予測精度を達成）が、高いコスト、農家の訓練不足、発展途上地域におけるインフラ格差、モデルの不透明性といった障壁が依然として存在する。説明可能なAI、連合学習、デジタルツイン、ハイブリッド物理情報モデル、エッジコンピューティングなどの新興ソリューションは、より高いアクセシビリティと信頼性を約束する。我々は、食料安全保障と気候レジリエンスに関する世界的目標に沿った、公平で持続可能な土壌管理を推進するための学際的協力の優先事項を概説する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Soil is fundamental to food security, biodiversity and climate regulation, yet faces accelerating degradation from intensive agriculture, climate change and land scarcity. Artificial Intelligence (AI), encompassing Machine Learning (ML) and Deep Learning (DL), offers transformative capabilities for handling heterogeneous, high-dimensional soil data, enabling accurate prediction of properties (e.g., texture, organic carbon, moisture, nutrients), digital mapping, real-time monitoring via sensors/IoT, and precision management. This critical review synthesizes developments over the past decade, based on a systematic search across major databases (Google Scholar, Scopus, Web of Science, IEEE Xplore, ScienceDirect, MDPI, Nature). We evaluate dominant algorithms, Random Forest (RF), Support Vector Machines (SVM), Artificial Neural Networks (ANN), Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM), highlighting their ability to capture non-linear patterns while critiquing limitations in interpretability, data quality, regional bias and scalability for smallholder systems. AI consistently outperforms traditional methods in predictive accuracy (e.g., RF achieving 90-95% predictive accuracy for soil organic carbon across multiple studies), yet barriers persist: high costs, limited farmer training, infrastructure gaps in developing regions, and model opacity. Emerging solutions such as explainable AI, federated learning, digital twins, hybrid physics-informed models and edge computing promise greater accessibility and trustworthiness. We outline priorities for interdisciplinary collaboration to advance equitable, sustainable soil management aligned with global goals for food security and climate resilience.

• openalex https://doi.org/10.33545/2618060x.2026.v9.i6se.5867first seen 2026-07-20 04:47:06