由印度農業研究委員會與美國維吉尼亞理工大學研究團隊開發了人工神經網路(ANN)模型來估算垂直軸轉子型行間除草工具的具體能量需求，使用垂直軸轉子(RVA)進行土壤研究，以轉子與吃水、力矩、速度感測器和數據記錄不同操作參數範圍內工具所使用的動力。所開發的 ANN模型能夠高精度預測RVA的特定能量需求。研究結果強調了人工神經網路作為一種在特定實驗條件下模擬土壤與工具相互作用的有效技術潛力，對未來將優化並提高農具在農田間的性能效率。

由中東美國大學研究團隊將機器學習演算法整合至現代農業，透過分析從農場收集之數據，結合感測器，農民可以對影響作物生長因素做出更明智的判斷，整合這些技術可以提高作物產量，同時最大限度地減少浪費，從而改變現代農業，未來可協助農民盡早發現作物疾病，提高作物生產效率，避免面臨糧食短缺時價格提升。

由日本國家農業與食品研究組織NARO開發了一種透過結合物聯網攝影機和費洛蒙誘捕器，自動捕捉及處理昆蟲，並每天從遠端收集捕獲和殺死的害蟲圖像，以往的害蟲調查需要人工定期前往調查區域進行害蟲統計和處置，但這項技術節省了勞動力，並且可以每天測量及收集害蟲數據，該技術有望於數據應用害蟲精準治理。

由中國農業科學院與華中農業大學研究團隊利用機器深度學習分析豬隻姿態檢測，檢測豬的站立、側臥、趴臥、坐姿等姿勢，可以全面評估豬的心理和生理狀況，並預測豬的異常或有害行為，評估養殖條件，未來有望提高豬隻產量。隨著智慧農業引進養殖業，有效且適用的農畜姿態檢測方法成為智慧、自動化農業不可或缺的方式。

由阿拉伯與埃及大學研究團隊提出基於深度學習之框架稱為「DenseHHO」，設計了一種新穎的卷積神經網路(CNN)模型架構設計，透過選擇最合適的參數，使用 Harris Hawk 最佳演算法Harris Hawk優化(HHO)對噴霧無人機捕獲的雜草影像進行分類，研究結果所提出的方法能夠檢測非結構化現場環境中的雜草，準確率達到97%以上，是最佳化雜草檢測策略中準確度最高的。

農業部林業試驗所指出，以「點雲」打造的數位森林已在現代森林經營中發揮作用，不僅提供更多資訊及工具，也為森林經營者提供更多選擇，以實現永續及高效森林管理，此數位化方法有望在未來的研究及實踐中發揮關鍵作用，促進森林經營不斷的改進和進步。

由韓國世宗大學農業工程系研究團隊提出了一種基於圖對圖翻譯模型的數據增強方法，透過補充這些不足的病葉圖像來解決數據偏差，所提出方法在健康和患病葉子影像之間進行轉換，並利用注意力機制(attention)來創建更明顯疾病紋理反映影像，並進行了實驗來驗證這種數據增強方法是否可以進一步提高植物早期診斷分類模型的性能，實驗中使用PlantVillage資料集，利用生成影像和原始影像建立擴展資料集，並透過測試集評估分類模型的效能。

由法國巴黎計算機電子工程學院實驗室與巴黎文理研究大學研究團隊提出一種智慧農業管理和監視系統設計方法，以養蜂業應用為例，由於蜜蜂的消失，產業受到了危機的影響，運用基於感測器和開放數據架構來幫助業者做決策，例如：搭載感測器之設備以及收集蜂箱數據並向養蜂人顯示通知和警報，研究結果提出的架構可以在不同技術成熟度級別的背景下使用，是為農業4.0開發可廣用的架構。