The integration of artificial intelligence (AI) with adaptive crop monitoring has emerged as a crucial element in the environmental modeling of dynamic agricultural landscapes. AI-driven mapping has fundamentally transformed cartographic solutions across engineering, natural, and technical sciences by embedding automation into methodologies. This is particularly vital for Geographic Information Systems (GIS) where the automation of spatial data processing is critical. Given that agricultural landscapes undergo seasonal and yearly transformations, precise environmental forecasting becomes increasingly important. This study presents an overview of recent methodological advancements in three interdisciplinary areas: the environmental monitoring of agricultural landscape dynamics in soil studies, the application of AI in GIS through machine learning (ML) and deep learning (DL) techniques, and bibliometric analysis. The tools utilize the R-based libraries including Bibliometrix, Treemap, and Wordcloud, alongside the Mendeley reference system. The research explores the deployment of novel AI and ML methodologies in scalable data-driven analysis within agriculture and soil studies, addressing associated issues with their application. This review draws upon a comprehensive selection of over 100 papers from recognized databases such as Scopus, Web of Science (WoS), PubMed, and Google Scholar, providing an in-depth examination of AI applications in soil and environmental studies. Additionally, the study outlines future perspectives for AI in environmental analysis by identifying best practices for AI implementation in GIS and advocating for systematic benchmarking in remote sensing pertinent to soil studies. Duboka integracija procesa vođenih vještačkom inteligencijom (AI) s adaptivnim dizajnom praćenja usjeva pojavila se kao ključna pokretačka snaga za modeliranje okoliša dinamičnih poljoprivrednih pejzaža. Mapiranje zasnovano na vještačkoj inteligenciji pred- stavlja fundamentalnu promjenu za kartografska rješenja u inženjerstvu, prirodnim i tehničkim naukama, jer ugrađuje automatizaciju u metodologije. Ovo je posebno važno za geografske informacione sisteme (GIS) gdje je automatizacija obrade prostornih podataka neophodna. Poljoprivredni pejzaži se transformišu sezonski i godišnje, što zahtijeva precizno predviđanje okoliša. U ovoj studiji dajemo pregled nedavnih metodoloških napredaka u tri interdisciplinarna područja: praćenje okoliša dinamike poljoprivrednih pejzaža u studijama tla, primjena vještačke inteligencije u GIS-u (tehnike mašinskog učenja (ML) i dubokog učenja (DL)) i bibliometrijska analiza korištenjem biblioteka zasnovanih na R-u (Bibliometrix, Treemap i Wordcloud) i Mendeley referentnog sistema. Istražujemo kako su nove metodologije vještačke inteligencije i strojnog učenja primijenjene na skalabilnu analizu zasnovanu na podacima u poljoprivredi i studijama tla i raspravljamo o pitanjima povezanim s njihovom primjenom. Ovaj pregled se zasniva na kritičkom skupu od preko 100 radova indeksiranih u priznatim bazama podataka Scopus, Web of Science (WoS), PubMed i Google Scholar za dubinsku analizu primjene umjetne inteligencije u studijama tla i okoliša. Iznosimo buduće perspektive za umjetnu inteligenciju u analizi okoliša, iden- tificirajući najbolje prakse za implementaciju umjetne inteligencije u GIS-u i sistematsko poređenje vrijednosti u daljinskom istraživanju tla.
Polina Lemenkova (Thu,) studied this question.