Đây là công trình của các tác giả Sukriadi Sukriadi, Andi Adawiah và Ismail Ismail. Trong bối cảnh nông nghiệp toàn cầu đang chịu sức ép từ biến đổi khí hậu, thiếu hụt tài nguyên, gia tăng dân số và yêu cầu bảo đảm an ninh lương thực, nghiên cứu này đặt ra một vấn đề có ý nghĩa quan trọng: làm thế nào để ứng dụng học máy vào nông nghiệp thông minh một cách phù hợp với điều kiện của khu vực nông thôn, đặc biệt là các hộ nông dân nhỏ và những vùng còn hạn chế về hạ tầng công nghệ.

Trọng tâm của nghiên cứu là ML (Machine Learning - học máy), một nhánh của trí tuệ nhân tạo cho phép máy tính học từ dữ liệu để nhận diện quy luật, dự báo kết quả hoặc hỗ trợ ra quyết định mà không cần được lập trình thủ công cho từng tình huống cụ thể. Trong nông nghiệp, học máy có thể được sử dụng để dự báo năng suất cây trồng, phát hiện sâu bệnh, lên lịch tưới tiêu, theo dõi chất lượng đất, quản lý phân bón và hỗ trợ nông dân đưa ra quyết định chính xác hơn. Tuy nhiên, điểm mới của nghiên cứu này là không tập trung vào các trang trại công nghệ cao hay nông nghiệp quy mô lớn, mà hướng sự chú ý đến các hệ thống nông nghiệp nông thôn, nơi phần lớn nông dân còn gặp khó khăn về vốn, thiết bị, dữ liệu và năng lực sử dụng công nghệ.

Để thực hiện nghiên cứu, nhóm tác giả sử dụng phương pháp SLR (Systematic Literature Review - tổng quan tài liệu có hệ thống). Đây là phương pháp nghiên cứu nhằm thu thập, sàng lọc và phân tích các công trình khoa học đã công bố theo một quy trình rõ ràng, minh bạch và có thể kiểm chứng lại. Nghiên cứu tuân theo hướng dẫn PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses - bộ tiêu chuẩn giúp trình bày các nghiên cứu tổng quan hệ thống một cách đầy đủ và minh bạch). Từ hơn 5.000 tài liệu ban đầu, nhóm nghiên cứu đã sàng lọc và lựa chọn 496 bài viết phù hợp, bao phủ giai đoạn từ năm 2000 đến năm 2024, với thời điểm tìm kiếm dữ liệu là ngày 15/6/2025. Việc lựa chọn tài liệu dựa trên các tiêu chí như có liên quan đến nông nghiệp, có ứng dụng học máy, có khả năng áp dụng hoặc chuyển giao cho bối cảnh nông thôn và hộ nông dân nhỏ.

Kết quả nghiên cứu cho thấy số lượng công bố khoa học về học máy trong nông nghiệp đã tăng mạnh trong những năm gần đây, đặc biệt trong giai đoạn 2019 - 2024. Số bài nghiên cứu trong giai đoạn này tăng hơn bốn lần, phản ánh sự quan tâm ngày càng lớn của giới học thuật đối với nông nghiệp thông minh, trí tuệ nhân tạo và phát triển bền vững. Tuy nhiên, nhóm tác giả cũng chỉ ra rằng phần lớn các nghiên cứu hiện nay vẫn tập trung vào các hệ thống nông nghiệp có điều kiện công nghệ tốt, trong khi các khu vực nông thôn, vùng thu nhập thấp và các hộ sản xuất nhỏ vẫn chưa được nghiên cứu tương xứng.

Trong các phương pháp học máy được sử dụng, nghiên cứu nhắc đến một số mô hình tiêu biểu như CNN, SVM, RF và LSTM. CNN (Convolutional Neural Network - mạng nơ-ron tích chập) là mô hình thường dùng để xử lý hình ảnh, chẳng hạn như nhận diện lá cây bị bệnh, phát hiện sâu hại hoặc phân loại cây trồng qua ảnh chụp từ điện thoại, drone hoặc vệ tinh. SVM (Support Vector Machine - máy véc-tơ hỗ trợ) là một thuật toán phân loại, thường dùng để tách dữ liệu thành các nhóm khác nhau, ví dụ phân biệt cây khỏe và cây bệnh. RF (Random Forest - rừng ngẫu nhiên) là mô hình kết hợp nhiều “cây quyết định” để đưa ra dự báo ổn định hơn, thường được sử dụng trong dự báo năng suất hoặc đánh giá độ màu mỡ của đất. LSTM (Long Short-Term Memory - mạng ghi nhớ dài ngắn hạn) là mô hình phù hợp với dữ liệu theo thời gian, ví dụ dự báo thời tiết, nhu cầu tưới nước hoặc quá trình sinh trưởng của cây trồng.

Về ứng dụng thực tiễn, học máy trong nông nghiệp nông thôn được sử dụng nhiều nhất trong các lĩnh vực như giám sát cây trồng, phát hiện bệnh cây, nhận diện sâu hại, quản lý tưới tiêu và dự báo năng suất. Đặc biệt, các nhiệm vụ dựa trên hình ảnh, như phát hiện bệnh qua ảnh lá cây, được xem là phổ biến hơn cả vì hình ảnh tương đối dễ thu thập bằng điện thoại thông minh hoặc thiết bị bay không người lái. Điều này phù hợp với điều kiện của nhiều khu vực nông thôn, nơi việc lắp đặt hệ thống cảm biến phức tạp còn khó khăn, nhưng người dân có thể tiếp cận các công cụ ghi hình đơn giản hơn.

Tuy nhiên, nghiên cứu cũng nhấn mạnh rằng việc triển khai học máy trong nông nghiệp nông thôn đang đối mặt với nhiều rào cản. Trước hết là hạn chế về hạ tầng số. Nhiều khu vực nông thôn còn thiếu kết nối internet ổn định, nguồn điện không bảo đảm, thiếu thiết bị thông minh và thiếu hệ thống lưu trữ dữ liệu. Điều này khiến các mô hình học máy khó được triển khai theo thời gian thực hoặc khó cập nhật thường xuyên. Thứ hai là tình trạng khan hiếm dữ liệu. Học máy cần dữ liệu lớn, chính xác và có gắn nhãn để huấn luyện mô hình, nhưng ở khu vực nông thôn, dữ liệu về đất đai, cây trồng, thời tiết, sâu bệnh và tập quán canh tác thường phân tán, thiếu chuẩn hóa hoặc chưa được thu thập đầy đủ. Thứ ba là hạn chế về năng lực số của người nông dân. Ngay cả khi có công nghệ, nếu người sử dụng không hiểu cách đọc kết quả, không biết cách áp dụng khuyến nghị hoặc không tin tưởng vào hệ thống, công nghệ đó cũng khó phát huy hiệu quả.

Một điểm đáng chú ý trong nghiên cứu là các tác giả không chỉ xem học máy như một công cụ kỹ thuật, mà còn đặt nó trong mối quan hệ với phát triển bền vững. Ở đây, bền vững không chỉ có nghĩa là tăng năng suất, mà còn bao gồm ba chiều cạnh. Thứ nhất là bền vững môi trường, tức là sử dụng nước, phân bón, thuốc bảo vệ thực vật và tài nguyên đất một cách hiệu quả hơn. Thứ hai là bền vững kinh tế, tức là giúp nông dân giảm chi phí, hạn chế rủi ro và nâng cao thu nhập. Thứ ba là bền vững xã hội, tức là bảo đảm các hộ nông dân nhỏ, nhóm yếu thế và cộng đồng nông thôn cũng có thể tiếp cận, hiểu và hưởng lợi từ công nghệ số.

Nghiên cứu cũng chỉ ra sự bất cân đối về địa lý trong các công trình liên quan đến học máy và nông nghiệp. Phần lớn nghiên cứu tập trung ở châu Á và châu Âu, trong khi châu Phi hạ Sahara và Mỹ Latinh còn ít được đại diện. Điều này cho thấy sự phát triển của nông nghiệp thông minh trên thế giới chưa đồng đều. Những khu vực có nhu cầu lớn về công nghệ nông nghiệp thích ứng với điều kiện khó khăn lại thường là nơi có ít nghiên cứu, ít dữ liệu và ít nguồn lực triển khai. Do đó, nếu không có chính sách hỗ trợ, khoảng cách số trong nông nghiệp có thể tiếp tục gia tăng.

Từ kết quả tổng quan, nhóm tác giả đưa ra một số định hướng quan trọng. Trước hết, cần phát triển các mô hình học máy chi phí thấp, nhẹ và có thể hoạt động ngoại tuyến, tức là vẫn sử dụng được ngay cả khi không có internet liên tục. Những mô hình này có thể chạy trên điện thoại thông minh, thiết bị nhỏ hoặc các hệ thống điện toán biên, phù hợp với điều kiện nông thôn. Tiếp theo, cần thúc đẩy việc thu thập và gán nhãn dữ liệu có sự tham gia của người dân địa phương. Nông dân, cán bộ khuyến nông và cộng đồng địa phương có thể cùng đóng góp hình ảnh, thông tin mùa vụ và dữ liệu thực tế để xây dựng bộ dữ liệu phù hợp với từng vùng. Ngoài ra, cần tăng cường đào tạo kỹ năng số cho nông dân, giúp họ không chỉ sử dụng công cụ mà còn hiểu được ý nghĩa của các khuyến nghị do hệ thống đưa ra.

Về chính sách, nghiên cứu nhấn mạnh rằng chuyển đổi số trong nông nghiệp nông thôn không thể chỉ dựa vào doanh nghiệp công nghệ hay cá nhân nông dân. Nhà nước, khu vực tư nhân, viện nghiên cứu, tổ chức phát triển và cộng đồng nông dân cần cùng tham gia. Các chính sách đầu tư hạ tầng số nông thôn, hỗ trợ thiết bị cảm biến, xây dựng nền tảng chia sẻ dữ liệu, trợ giá cho công nghệ phù hợp và phát triển dịch vụ khuyến nông số sẽ là điều kiện quan trọng để học máy có thể đi vào thực tiễn sản xuất.

Bên cạnh những đóng góp quan trọng, nghiên cứu cũng thừa nhận một số hạn chế. Do chỉ lựa chọn các tài liệu bằng tiếng Anh và ưu tiên tài liệu có thể truy cập mở, kết quả tổng quan có thể chưa phản ánh đầy đủ các sáng kiến địa phương được công bố bằng ngôn ngữ khác. Điều này đặc biệt quan trọng vì nhiều mô hình nông nghiệp nông thôn hiệu quả có thể được ghi nhận trong các báo cáo khu vực, tài liệu bản địa hoặc các nghiên cứu không xuất bản trên các tạp chí quốc tế. Vì vậy, các nghiên cứu tiếp theo cần mở rộng phạm vi sang nguồn tài liệu đa ngôn ngữ và cơ sở dữ liệu khu vực để giảm thiên lệch ngôn ngữ.

Kết luận, bài nghiên cứu “Ứng dụng học máy cho nông nghiệp thông minh bền vững tại khu vực nông thôn” khẳng định rằng học máy có tiềm năng lớn trong việc thúc đẩy nông nghiệp thông minh, nâng cao năng suất, giảm lãng phí tài nguyên và hỗ trợ phát triển bền vững tại khu vực nông thôn. Tuy nhiên, tiềm năng này chỉ có thể trở thành hiện thực nếu công nghệ được thiết kế phù hợp với điều kiện của nông dân nhỏ, chi phí thấp, dễ sử dụng, có khả năng hoạt động trong môi trường hạ tầng hạn chế và gắn với nhu cầu thực tế của cộng đồng địa phương. Nghiên cứu vì vậy không chỉ đóng góp về mặt học thuật khi hệ thống hóa xu hướng ứng dụng học máy trong nông nghiệp nông thôn, mà còn gợi mở một định hướng quan trọng cho chính sách và thực tiễn: nông nghiệp thông minh chỉ thực sự bền vững khi nó bao trùm, dễ tiếp cận và phục vụ trực tiếp cho người nông dân.