Artificial Intelligence based on behavioral recognition and optimization for low carbon fertilization in agriculture

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

🔬研究者:AIと農業の融合研究に携わる研究者は、時系列データからの行動認識と最適化の統合手法を参考にできる。

🏢実務担当者:農業法人や農業ITベンダーは、本手法を基にした低炭素施肥システムの実装可能性を検討できる。

🏛政策担当者:農業分野のカーボンニュートラル政策担当者は、AI技術を活用した排出削減策の一例として参照できる。

本研究は、動的な養分トレンドを捉えられず低炭素精密管理に限界がある従来の施肥モニタリング手法の制約に対し、マルチソース農業時系列データに基づく施肥行動認識と低炭素意思決定最適化のためのデータ駆動型アプローチを提案することで対処する。従来手法は時間的連続性に欠け、リアルタイムの行動識別や炭素排出制約付き意思決定を支援できない。長短期記憶（LSTM）モデルは、長系列の異種センサーデータを処理し、環境ノイズ下での散発的な施肥イベントを正確に認識できる能力から選択され、一方MILPは、作物の窒素要求量と環境安全性の制約の下で炭素排出を最小化する全体的に最適な施肥計画を定式化するために使用される。土壌、気象、作物成長センサーを展開してエッジ・クラウド協調アーキテクチャを構築することにより、本手法はマルチソース異種農地データのリアルタイム収集と特徴抽出を可能にする。双方向LSTMネットワークとアテンション機構を組み合わせた行動認識モデルを開発し、施肥イベントとその時間的・空間的パラメータを正確に注釈付けする。炭素等価量は、窒素動的バランスとライフサイクル炭素排出係数に基づいて計算される。炭素排出最小化を目的関数とし、作物の窒素要求量と環境安全性を制約として、混合整数線形計画法（MILP）モデルを構築し、低コスト・高収量の施肥計画を生成する。結果は、システムの予測誤差が30日目で8.5%であり、炭素排出強度が0.365 kgCO₂-eq/kg肥料に低減され、試験圃場条件下での行動認識精度と炭素排出制御効果の点で、このAI駆動型意思決定フレームワークの実現可能性を支持することを示している。

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。

This study addresses the limitation of conventional fertilization monitoring methods that fail to capture dynamic nutrient trends for low-carbon precision management by proposing a data-driven approach for fertilization behavior recognition and low-carbon decision optimization based on multi-source agricultural time-series data. Traditional approaches lack temporal continuity and are unable to support real-time behavioral identification or carbon emission-constrained decision-making. The long short-term memory (LSTM) model is selected for its ability to process long-sequence heterogeneous sensor data and accurately recognize sparse fertilization events under environmental noise, while MILP is used to formulate a globally optimal fertilization plan that minimizes carbon emissions subject to crop nitrogen demand and environmental safety constraints. By deploying soil, meteorological, and crop growth sensors to establish an edge-cloud collaborative architecture, this method enables real-time collection and feature extraction of multi-source heterogeneous farmland data. A behavior recognition model combining a bidirectional LSTM network with an attention mechanism is developed to accurately annotate fertilization events and their temporal and spatial parameters. Carbon equivalent is calculated based on nitrogen dynamic balance and lifecycle carbon emission factors. Using carbon emission minimization as the objective function and crop nitrogen requirement and environmental safety as constraints, a mixed integer linear programming (MILP) model is constructed to generate a low-cost, high-yield fertilization plan. Results show that the system’s prediction error is 8.5% on day 30, and carbon emission intensity is reduced to 0.365 kgCO₂-eq/kg fertilizer, supporting the feasibility of this AI-driven decision framework in terms of behavior recognition accuracy and carbon emission control effectiveness under the tested plot conditions.

• openalex https://doi.org/10.1038/s41598-026-57895-3first seen 2026-06-17 05:03:34 · last seen 2026-06-17 07:11:23