Geoməkan süni intellekti (Geospatial Artificial Intelligence, GeoAI), coğrafi informasiya sistemlərini, uzaqdan zondlamanı, məkan analitikasını və süni intellekt üsullarını məkan üzrə istinad edilmiş verilənlərlə birləşdirərək monitorinq, proqnozlaşdırma, optimallaşdırma və qərar dəstəyi yaradan fənlərarası analitik çərçivədir. Bu sistematik icmal 2019–2026 dövrünün ədəbiyyatı əsasında dəqiq kənd təsərrüfatında GeoAI tətbiqlərini araşdırır; peyk təsvirləri, UAV verilənləri, IoT və proximal sensor ölçmələri, hava/iqlim verilənləri, torpaq məlumatları və təsərrüfat idarəetmə qeydlərinin necə inteqrasiya olunduğunu qiymətləndirir. İcmalda önə çıxan tətbiq sahələri məhsuldarlığın qiymətləndirilməsi, zərərverici və xəstəliklərin aşkarlanması, torpaq parametrlərinin xəritələşdirilməsi, resursların optimallaşdırılması, iqlimə uyğunlaşma və qərar dəstəyi sistemləridir. Əsas nəticə budur ki, GeoAI yalnız yüksək model dəqiqliyindən ibarət deyil: məkan asılılığı, miqyas uyğunsuzluğu, köçürülə bilmə, qeyri-müəyyənlik, sahə doğrulaması, şərh edilə bilmə və real əməliyyat axınına inteqrasiya nəzərə alınmadıqda, coğrafi istinadlı modelə əməliyyat səviyyəli kənd təsərrüfatı qərar sistemi demək olmaz.

İcmalda PRISMA 2020 hesabatlandırma təlimatından istifadə edilmiş; Scopus və Web of Science Core Collection əsas biblioqrafik verilənlər bazaları kimi seçilmiş, Google Scholar və geriyə/irəliyə istinad axtarışı isə əlavə kəşf kanalları kimi qiymətləndirilmişdir. Sübutlar məhsul, region, sensor, alqoritm, doğrulama dizaynı və qiymətləndirmə metrikası baxımından yüksək heterogenlik göstərdiyi üçün meta-analiz aparılmamış; narrativ və tematik sintez istifadə edilmişdir.

Ədəbiyyat ümumən tək verilən mənbəyinə əsaslanan xəritələşdirmə və proqnozlaşdırma işlərindən müxtəlif sensor və qeydləri eyni qərar dəstəyi zəncirində birləşdirən sistemlərə doğru inkişaf edir. Bununla belə, məhsuldarlıq, resurs istifadəsi səmərəliliyi, ekoloji fayda və iqtisadi gəlir bütün coğrafiyalarda avtomatik yaranmır. Nəticələr məhsul növü, region, sensor keyfiyyəti, kalibrləmə, yerli aqronomik hədlər, bağlantı infrastrukturu, xərc, istifadəçi potensialı və tətbiqin real sahə şəraitində doğrulanması ilə birlikdə qiymətləndirilməlidir.

Geoməkan Süni İntellekti (GeoAI) Dəqiq Kənd Təsərrüfatında Nədir?

Geoməkan süni intellekti (GeoAI), kənd təsərrüfatı müşahidələrinin yalnız koordinatından istifadə etməklə məhdudlaşmayan; GIScience, uzaqdan zondlama, məkan statistikası, maşın öyrənməsi, dərin öyrənmə və qərar analitikasını məkan və zaman konteksti ilə birləşdirərək konkret məkanlar üçün proqnoz, xəritə, risk qiymətləndirilməsi və ya idarəetmə tövsiyəsi yaradan yanaşmalar ailəsidir.

Dəqiq kənd təsərrüfatı niyə məkan problemidir?

Tarla homogen istehsal səthi deyil. Məhsulun göstəriciləri, torpaq münbitliyi, zərərverici təzyiqi, su əlçatanlığı və idarəetməyə reaksiya eyni sahə daxilində belə məkan və zamana görə dəyişə bilər. Dəqiq kənd təsərrüfatının əsas məqsədi də bu fərqliliyi itirmədən müşahidə aparmaq və lazım gəldikdə eyni tarla daxilində fərqli idarəetmə qərarları tətbiq etməkdir.

Buna görə GeoAI-nin elmi vəzifəsi yalnız “tarlanın şəklini təsnif etmək” deyil. Modelin əldə etdiyi məlumatın harada keçərli olduğu, hansı sahəni təmsil etdiyi, hansı mövsümə aid olduğu, qonşu müşahidələrlə nə dərəcədə əlaqəli olduğu və tövsiyənin hansı idarəetmə miqyasında tətbiq oluna biləcəyi də təhlilin bir hissəsidir.

GeoAI ekosisteminin verilən mənbələri

Figure 1-in elmi arxitekturası

Mənbədə Figure 1 GeoAI sistemini beşqatlı məlumat axını kimi qurur. Birinci qatda peyk təsvirləri, UAV təsvirləri, proximal/IoT sensorları, hava–iqlim verilənləri və torpaq/təsərrüfat qeydləri yerləşir. İkinci qat məkan–zaman inteqrasiyasıdır: müxtəlif mənbələr standartlaşdırılır, hizalanır, birləşdirilir, keyfiyyət nəzarətindən keçirilir və sənədləşdirilir.

Üçüncü qat bulud və kənar xidmətlərdir. Verilənlərin saxlanması, axınla ötürülməsi, hesablama, konteynerlər, GIS verilənlər bazaları və API infrastrukturları burada yerləşə bilər. Dördüncü qat GeoAI analitikasıdır: məkan statistikası, maşın öyrənməsi, dərin öyrənmə, kompüter görməsi, izah edilə bilmə və qeyri-müəyyənlik təhlili.

Son qat doğrulanmış qərar dəstəyidir. Mənbə burada məhsul sağlamlığı/məhsuldarlıq proqnozları, zərərverici və xəstəlik müşahidəsi prioritetləri, resept xəritələri və suvarma/torpaq/iqlim tövsiyələri kimi çıxışları göstərir. Bu quruluş model proqnozunun son məhsul deyil, doğrulanmış kənd təsərrüfatı qərarına aparan aralıq qat olduğunu vurğulayır.

Change-of-support problemi nədir?

Müxtəlif sensorlardan gələn müşahidələr eyni şeyi eyni fiziki dayaq üzərində ölçmür. Peyk pikseli onlarla və ya yüzlərlə kvadratmetrlik səthin orta qiymətini təmsil edə bilər. UAV pikseli kanopinin daha kiçik bir hissəsini təmsil etdiyi halda, torpaq rütubəti sensoru tək nöqtə və ya məhdud hiss etmə həcmi haqqında məlumat verir.

Bu ölçmələrin hamısını ortaq 10 m, 20 m və ya başqa raster grid-ə yenidən nümunələmək riyazi olaraq ortaq koordinat sistemi yarada bilər; lakin müşahidələrin ilkin məkan dayağını eyniləşdirmir. Resampling və interpolation dispersiyanı, kovariasiyanı və məkan nümunələrini dəyişə bilər.

Buna görə multimodal GeoAI inteqrasiyası sadəcə faylları üst-üstə qoymaq prosesi deyil. Dayaq transformasiyası, miqyas uyğunluğu, zaman sinxronizasiyası və heterogen giriş qeyri-müəyyənliyinin modelə necə ötürüldüyü ayrıca qiymətləndirilməlidir.

Çoxmodallı verilənlər niyə vacibdir?

Tək sensor kənd təsərrüfatı sisteminin bütün fiziki vəziyyətini müşahidə edə bilməz. Peyk təsvirləri geniş ərazini təkrar-təkrar izləyə bilər, lakin tək bitki səviyyəsində təfərrüatı məhdud görür. UAV çox yüksək məkan təfərrüatı təmin edir, lakin geniş sahə və fasiləsiz əhatə üçün xərc arta bilər. IoT sensoru lokal olaraq çox tez-tez ölçə bilər, amma bütün sahəni təmsil etməyə bilər.

Multimodal fusion yanaşmasında bu mənbələrin bir-birini tamamlayan məlumat daşıması məqsəd qoyulur. Məsələn, məhsuldarlıq proqnozu sistemi peyk zaman sırasını hava verilənləri, torpaq kovariatları, sort məlumatı və idarəetmə qeydləri ilə birləşdirə bilər. Beləliklə model yalnız kanopi reflektansı deyil, kanopinin hansı torpaq, hava və idarəetmə şəraitində inkişaf etdiyini də qiymətləndirə bilər.

İcmalda önə çıxan altı tətbiq sahəsi

Hansı AI üsulları istifadə olunur?

İcmalın əsas nəticəsi “bir alqoritm digərlərinin hamısından üstündür” deyil. Müxtəlif model ailələri müxtəlif verilən strukturları və tapşırıqlar üçün istifadə olunur.

Random Forest və digər ensemble üsulları cədvəlli torpaq verilənlərində və orta həcmli uzaqdan zondlama verilənlərində davamlılıq və şərh edilə bilmə səbəbindən tez-tez istifadə olunur. CNN-lər təsvir əsaslı məhsul sağlamlığı, segmentasiya və zərərverici/xəstəlik aşkarlanması tapşırıqlarında önə çıxır. RNN, LSTM və GRU kimi ardıcıllıq modelləri hava, məhsul inkişafı və məhsuldarlıq zaman sıraları üçün istifadə olunur.

Vision Transformer və hibrid CNN–Transformer sistemləri daha geniş təsvir kontekstini və multimodal təsvirləri modelləşdirmək üçün araşdırılır. Qraf əsaslı modellər isə müşahidələr arasındakı əlaqələrin açıq təqdim edilməsinin faydalı olduğu problemlərdə istifadə edilə bilər.

GeoAI iş axını səviyyəsində multimodal fusion, GIS əsaslı məkan təhlili, Explainable AI (XAI), qeyri-müəyyənliyin kəmiyyətləşdirilməsi, rəqəmsal əkizlər və bulud–kənar emal modelin ətrafındakı sistem arxitekturasını təşkil edir.

Explainable AI və qeyri-müəyyənlik niyə birlikdə vacibdir?

Model suvarma, gübrələmə və ya pestisid tətbiqi kimi real idarəetmə qərarına təsir etdikdə yalnız proqnoz sinfini göstərmək kifayət deyil. Aqronom və ya fermer hansı verilənin qərara təsir etdiyini və modelin bu qərara nə qədər əmin olduğunu bilmək istəyə bilər.

İcmal SHAP, LIME, Grad-CAM, surrogate models və attention visualization kimi XAI yanaşmalarını müzakirə edir. Qeyri-müəyyənliyin kəmiyyətləşdirilməsi isə etibarı aşağı olan proqnoz və ya reseptlərin sahə yoxlaması üçün işarələnməsinə kömək edə bilər.

Bu iki qat fərqli suallara cavab verir: explainability “model niyə belə dedi?” sualına; uncertainty isə “modelin dediyinə nə qədər etibar etmək olar?” sualına yönəlir.

Coğrafi İstinadlı Verilən Təkbaşına Niyə Həqiqi GeoAI Deyil?

Verilənin koordinat daşıması və ya xəritədə göstərilməsi həqiqi məkan reasoning-i təmin etmir; mənbə GeoAI-nin spatial dependence, covariance, support, scale, regional heterogeneity, spatial validation və transferability kimi məkan xüsusiyyətlərini nümunə götürmədən qərar mərhələsinə qədər açıq şəkildə nəzərə almalı olduğunu müdafiə edir.

Məkan asılılığı

Coğrafi baxımdan bir-birinə yaxın kənd təsərrüfatı müşahidələri ortaq torpaq, topoqrafiya, iqlim, suvarma və ya idarəetmə şəraitini paylaşa bilər. Buna görə klassik müstəqil müşahidə fərziyyəsi həmişə keçərli deyil.

Məkan statistikası bu asılılığı covariance, variogram, kriging, spatial Bayesian models və ya digər spatial models vasitəsilə açıq şəkildə modelləşdirə bilər. GeoAI-nin “geospatial” xüsusiyyəti də yalnız latitude/longitude sütunundan deyil, bu əlaqələrin analitik quruluşa necə daxil edilməsindən yaranır.

Spatial leakage

Məsələn, eyni tarlanın bir-birinə çox yaxın iki pikselindən biri təsadüfi olaraq training, digəri test qrupuna düşərsə, test nümunəsi təlim verilənlərindən müstəqil olmaya bilər. Model regionun məkan xüsusiyyətlərini artıq dolayı yolla görmüş olur.

Bu halda random train–test split normaldan daha yüksək performance metric yarada bilər. Mənbə intended deployment-a uyğun spatially blocked validation, leave-location-out, cross-region validation və ya temporal holdout kimi daha çətin dizaynların istifadəsini tövsiyə edir.

Deep learning məkan reasoning-i avtomatik təmin etmir

CNN təsvir teksturasını çox yaxşı öyrənə bilər; lakin təsvirin coğrafi qonşuluq quruluşunu və ya hansı məkan miqyasında keçərli olduğunu mütləq təmsil etmir. Transformer də positional və ya spatial representation mənalı qurulmadıqda yalnız model arxitekturasına görə həqiqi coğrafi reasoning qazanmır.

Buna görə yüksək accuracy təkbaşına həqiqi GeoAI sübutu deyil. Modelin hansı field, region, season, sensor və spatial scale üçün keçərli olduğu da göstərilməlidir.

Mapped output ilə spatially informed product arasındakı fərq

Model prediction-ı xəritəyə çevrilə bilər; lakin xəritələnmiş çıxış ilə məkan baxımından doğrulanmış məhsul eyni şey deyil. Spatially informed workflow nümunə götürmə strategiyasını, spatial dependence, support, validation geography, uncertainty və scale məlumatını sənədləşdirir və istifadəçiyə modelin harada tətbiq oluna biləcəyini izah edir.

Figure 3: Əməliyyat GeoAI pipeline-ı

Şəkildə Amazon S3, EC2, Kubernetes, Jupyter, SageMaker, PostGIS, RDS, DynamoDB, GeoServer, WMS və WFS kimi texnologiyalar nümunə kimi göstərilir. Mənbə bu məhsulları məcburi arxitektura kimi müəyyən etmir; AWS, Azure, Google Cloud, açıq mənbə, hibrid və ya on-premises infrastrukturlar eyni funksional zənciri həyata keçirə bilər.

Tədqiqatın Metodu və Nəticələri

İcmalın tədqiqat sualları

Sistematik icmal beş əsas suala uyğun qurulmuşdur: GeoAI-nin cari tətbiq sahələri və onların təkamülü; istifadə olunan GeoAI/ML üsulları və verilən mənbələri; məhsuldarlıq, resurs səmərəliliyi, ekoloji dayanıqlılıq və əməliyyat qərarverməsi üzrə sübutlar; genişmiqyaslı tətbiqi məhdudlaşdıran texniki, əməliyyat, sosial-iqtisadi və idarəetmə problemləri; növbəti nəsil GeoAI sistemləri üçün tədqiqat boşluqları.

Ədəbiyyat axtarış strategiyası

2019-dan əvvəlki nəşrlər əsas empirik sübut hovuzunu genişləndirmək üçün deyil; zəruri spatial/geostatistical/remote-sensing/AI metodlarının əsaslarını izah etmək, geniş istifadə olunan conceptual framework təqdim etmək və ya daha yeni ədəbiyyatın şərhi üçün benchmark context yaratmaq məqsədilə saxlanılmışdır.

Daxiletmə və xaricetmə məntiqi

Tədqiqatın əhatədə qalması üçün kənd təsərrüfatı problemi, məkan və ya georeferenced verilənlər və AI əsaslı analitika arasında açıq əlaqə olmalıdır. Yalnız AI istifadə edən, lakin geospatial component daşımayan tədqiqatlar və yalnız GIS/remote sensing istifadə edən, lakin AI analytical component daşımayan tədqiqatlar xaric edilmişdir.

Qısa abstract, poster, editorial, opinion, non-English record və metodoloji baxımdan qiymətləndirilə bilməyən qeydlər də xaric edilmişdir. Journal quartile və ya impact-factor cut-off istifadə edilməmiş; jurnal nüfuzu methodological quality-nin əvəzedicisi kimi qəbul edilməmişdir.

PRISMA sayımlarındakı mənbədaxili uyğunsuzluq

İki hesabatlandırma forması eyni 290 qeyd nəticəsinə çatır; lakin duplicate və ineligible kateqoriyalarının bölgüsü bir-biri ilə uyğun gəlmir. Mənbə bunun üçün ayrıca reconciliation izahı vermir. Verianla bu dəyərlərdən birini səssizcə “doğru” qəbul etmir.

Screening-dən sonrakı axın

Şərh həddi: 134 dəyəri cross-pathway deduplication və eyni tədqiqatı təsvir edən multiple reports reconciliation əməliyyatından əvvəlki uyğun hesabatların sayıdır. Mənbə bu dəyərin doğrulanmış unikal tədqiqat sayı olmadığını açıq şəkildə bildirir.

Verilənlərin çıxarılması

Tək tədqiqatçı hər uyğun qeyddən publication year, study type, crop/agricultural system, country/region, application domain, sensing platform, data source, spatial/temporal scale, algorithm, evaluation metric, reported outcome, implementation barrier və future-research need məlumatlarını kodlaşdırmışdır.

Metodlar traditional ML, DL, Transformer-based models, object detection/segmentation, multimodal fusion, GIS spatial analysis, XAI, uncertainty quantification, digital twins və dashboard-based decision support kimi ailələrə bölünmüşdür.

Validation ayrıca sübut qatı kimi kodlaşdırıldı

Model metrikası ilə validation design bir-birindən ayrıca kodlaşdırılmışdır. Tədqiqatlar mümkün olduqda random validation, temporally independent validation, spatially independent validation, external-site validation və ya field/operational validation kimi təsnif edilmişdir.

Bu fərqləndirmə kritik əhəmiyyət daşıyır. Modelin random split üzərində yüksək accuracy göstərməsi fərqli tarla və ya regionda eyni uğuru göstərəcəyini sübut etmir. Eyni şəkildə soil moisture və ya disease probability proqnozlaşdırmaq həmin prediction-ın real management decision-ı yaxşılaşdırdığını göstərmir.

Keyfiyyət qiymətləndirmə sahələri

GeoAI-də Yüksək Model Dəqiqliyi Niyə Əməliyyat Uğurunu Sübut Etmir?

Yüksək accuracy, F1, R² və ya oxşar prediction metrikası yalnız müəyyən evaluation dizaynındakı model uğurunu göstərir; əməliyyat səviyyəli dəqiq kənd təsərrüfatı uğuru üçün modelin yeni məkan və dövrlərə köçürülə bilməsi, qeyri-müəyyənliyinin bilinməsi, çıxışın tətbiq edilə bilən idarəetmə qərarına çevrilməsi və həmin qərarın su, input, məhsuldarlıq, xərc və ya digər real sahə nəticələri üzərində doğrulanması lazımdır.

Sensing ilə action arasındakı sübut pillələri

Mənbə xüsusilə irrigation nümunəsindən istifadə edərək dörd mərhələli məntiqi izah edir:

Buna görə əməliyyat doğrulaması water application, water-use efficiency, crop yield/quality, energy consumption, irrigation timing və over-/under-irrigation kimi nəticələri conventional management və ya uyğun baseline ilə müqayisə etməlidir.

Məhsuldarlıq və proqnozlaşdırma

Yield prediction icmalda nisbətən yetkin GeoAI sahələrindən biridir. Satellite time series, weather, soil, cultivar və management-zone məlumatının birlikdə istifadəsi tək vegetation index-ə əsaslanan modeldən daha əhatəli prediction context təmin edə bilər.

Lakin mənbə bütün bu modellər üçün ortaq accuracy artımı hesablamır. Tədqiqatların fərqli crop, region, metric və validation dizaynları olduğuna görə meta-analitik ortaq performans dəyəri yaradılmamışdır.

Zərərverici və xəstəlik aşkarlanması

CNN, Vision Transformer, object detector və segmentation üsulları crop stress, pest və disease symptoms üçün genişlənməkdədir. Buna baxmayaraq controlled image dataset performansı illumination, phenology, cultivar, background və disease severity dəyişdikdə eyni qalmaya bilər.

Operational pest/disease management üçün cross-domain transferability və field-scale validation tələb olunur.

Torpaq xəritələşdirilməsi

GeoAI soil mapping tədqiqatlarında field samples, proximal sensing, terrain attributes, satellite products və environmental covariates birləşdirilə bilər. Remote sensing-in aqronomik dəyəri ground truth ilə əlaqələndirildikdə artır.

Yeni tarlalara ötürülmə üçün spatially blocked validation, local calibration, uncertainty estimates və agronomically interpretable management outputs vacibdir.

Resursların optimallaşdırılması

Resource optimization sahəsi irrigation, fertilization, pesticide application və machinery operations-u əhatə edir. Model recommendation-larının yalnız texniki olaraq yaradılması kifayət deyil; onların local agronomic thresholds, equipment constraints, farmer risk tolerance və labor requirements ilə uyğun olması lazımdır.

Ekoloji dayanıqlılıq

Daha az water, fertilizer və ya pesticide istifadəsinin runoff, pollution və ya emissions üzərində fayda yaratmaq potensialı var. Lakin rəqəmsal texnologiyanın environmental footprint-i yalnız tarladakı input reduction ilə ölçülə bilməz.

Device manufacturing, electricity demand, cloud/data infrastructure və rebound effects kimi həyat dövrü komponentləri də nəzərə alınmalıdır. Buna görə tədqiqat environmental sustainability gains-i şərtsiz nəticə kimi təqdim etmir.

İqtisadi və əməliyyat tətbiqolunabilirliyi

Initial investment, subscription costs, connectivity, equipment compatibility, technical support və user training adoption-u müəyyən edə bilər. Mənbə gələcəkdə model metric-lərinə əlavə olaraq return on investment, implementation cost, labor saving və operational resilience kimi göstəricilərin də qiymətləndirilməsini tövsiyə edir.

GeoAI qarşısındakı əsas maneələr

Gələcək tədqiqat istiqamətləri

Multimodal AI fusion

Gələcək multimodal sistemlərdə müxtəlif feature-ları yalnız bir vektorda birləşdirmək kifayət hesab edilmir. Spatial support, temporal frequency, measurement uncertainty və sensor failure mode kimi fərqlərin arxitektura daxilində açıq şəkildə idarə olunması tövsiyə edilir.

Generative AI

GAN və diffusion modelləri nadir pest events, imbalanced disease classes və ya az etiketlənmiş crop stages üçün synthetic training data təmin edə bilər. Lakin generated samples real bioloji və məkan paylanmalarını poza bilər.

Buna görə synthetic-data tədqiqatları yalnız aggregate accuracy deyil, spatial generalization, calibration, uncertainty və field transfer üzərindəki təsiri də hesabatlandırmalıdır.

Explainable AI

XAI yalnız hansı pixel və ya variable-ın vacib olduğunu göstərməklə məhdudlaşmamalıdır. İzahın hansı coğrafiyada, hansı scale-də və hansı uncertainty altında keçərli olduğu da bildirilməlidir.

Edge AI

UAV, robot, smart trap, irrigation controller və dense IoT networks böyüdükcə field-side processing əhəmiyyət qazanır. Edge AI latency və bandwidth tələblərini azalda bilər; lakin lightweight models, compression, sensor-quality control və bağlantı kəsildikdə təhlükəsiz fallback behavior lazımdır.

Data privacy və participatory design

Kənd təsərrüfatı verilənləri land productivity, input use, təsərrüfat praktikaları və location-specific vulnerabilities haqqında həssas kommersiya məlumatı daşıya bilər. Consent, confidentiality, geoprivacy və ownership buna görə sistem dizaynına sonradan əlavə edilən deyil, əsas komponentlər olmalıdır.

Mənbə gələcək sistemlərin farmer, agronomist, advisor, cooperative və platform provider-larla birlikdə layihələndirilməsini müdafiə edir.

AI regulation

GeoAI irrigation, fertilization, pesticide application, credit, insurance və ya sustainability reporting üzərində təsirli olduqda accountability, liability, transparency və data rights daha kritik hala gəlir.

Operational sistemlər üçün validation geography, auditability, uncertainty communication, privacy protection və human oversight üzrə minimum gözləntilərin müəyyən edilməsi tövsiyə olunur.

Foundation models

Foundation models müxtəlif crops, regions, sensors və tasks arasında reusable representations təmin edə bilər. Böyük dil modelləri və DINOv2/DINOv3 kimi self-supervised vision modelləri bu istiqamətin ümumi texnoloji nümunələri kimi müzakirə olunur.

Lakin agricultural foundation model-lar spatial transfer, phenological robustness, sensor compatibility, bias, explainability və uncertainty baxımından doğrulanmadan general-purpose agricultural solution kimi qəbul edilməməlidir.

Tədqiqatın dəstəklədiyi nəticələr

İcmal GeoAI ədəbiyyatının isolated mapping və isolated prediction-dan multimodal, integrated decision-support workflows istiqamətinə doğru inkişaf etdiyini dəstəkləyir.

İcmal satellite, UAV, IoT, weather, soil və management data-nın birlikdə istifadəsinin müxtəlif məkan və zaman məlumat mənbələrini bir-birini tamamlayacaq şəkildə birləşdirə biləcəyini dəstəkləyir.

İcmal yield estimation, pest/disease detection, soil mapping, irrigation və resource optimization sahələrində faydalı predictive və decision-support tətbiqlərinin mövcud olduğunu dəstəkləyir.

İcmal georeferenced input-un təkbaşına həqiqi spatial AI üçün kifayət olmadığını və spatial dependence, scale, support, validation geography və uncertainty-nin nəzərə alınmalı olduğunu dəstəkləyir.

İcmal trustworthy GeoAI üçün explainability, uncertainty quantification, interoperability, field validation və operational integration-ın model accuracy qədər vacib olduğunu dəstəkləyir.

Tədqiqatın dəstəkləmədiyi nəticələr

İcmal hər hansı AI arxitekturasının bütün precision-agriculture problemlərində ən yaxşı model olduğunu göstərmir.

İcmal yüksək random-validation accuracy-nin cross-region və ya field deployment uğuruna zəmanət verdiyini göstərmir.

İcmal georeferenced CNN və ya Transformer-ın avtomatik olaraq spatial reasoning etdiyini göstərmir.

İcmal bütün GeoAI tətbiqlərinin yield, water saving, fertilizer reduction və ya environmental impact baxımından dəqiq və eyni ölçüdə fayda verdiyini göstərmir.

İcmal rəqəmsal kənd təsərrüfatının ekoloji təsirinin hər bir halda müsbət olduğunu göstərmir.

İcmal foundation model və ya generative AI sistemlərinin mövcud specialized geospatial üsullarını əvəz etməyə hazır olduğunu göstərmir.

İcmal PRISMA Figure 2-dəki 134 dəyərinin dəqiq olaraq 134 unikal müstəqil tədqiqat olduğunu göstərmir.

İcmalın öz məhdudiyyətləri

Əsas systematic search başlıca Scopus və Web of Science-a əsaslanır; gray literature, proprietary deployment və bəzi regional publications çatışmaya bilər.

Yalnız İngilis dilində nəşrlərin systematic screening-ə daxil edilməsi bəzi regionların ədəbiyyatda olduğundan daha az təmsil olunmasına səbəb ola bilər.

GeoAI sürətlə dəyişən sahə olduğuna görə ən yeni sistemlər peer-reviewed ədəbiyyatda hələ yer almamış ola bilər.

Araşdırılan tədqiqatlar arasında crop, geography, sensor, scale, model, validation və metric baxımından yüksək heterogenlik var; buna görə statistical meta-analysis aparılmamışdır.

Title/abstract screening, full-text eligibility assessment, quality assessment və data extraction tək tədqiqatçı tərəfindən aparılmışdır. Independent duplicate assessment olmaması selection bias, missed-study və coding-error riskini artırır.

Mənbədəki PRISMA narrative ilə Figure 2-nin screening-dən əvvəlki çıxarma kateqoriyaları bir-biri ilə tam uyğun gəlmir.

Mənbə və Metod Qeydi

Orijinal başlıq: Geospatial Artificial Intelligence in Precision Agriculture: A Systematic Review of Applications, Multimodal Data Integration, and Decision Support

Müəllif: César de Oliveira Ferreira Silva

Afiliyasiya: StormGeo, São Paulo 05110903, Brazil.

Corresponding author: PDF-də ayrıca corresponding-author işarəsi göstərilmir; tək müəllifin əlaqə e-poçtu təqdim olunur.

Jurnal: AI and Precision Agriculture

Nəşriyyat: MDPI

Cild / Say / Məqalə: 1 / 1 / 4

DOI: 10.3390/aipa1010004

Tarixlər: Alındı: 4 İyul 2026; yenidən işlənildi: 17 Sentyabr 2026; qəbul edildi: 20 Sentyabr 2026; dərc edildi: 22 Sentyabr 2026.

Mənbə növü: Systematic Review.

Rəyçilik: Məqalə beynəlxalq rəyli AI and Precision Agriculture jurnalında dərc edilmişdir.

Versiya: Version of Record.

Lisenziya: Creative Commons Attribution (CC BY). PDF-də görünən lisenziya sətrində versiya nömrəsi ayrıca yazılmadığından lisenziya versiyası təxmin edilməmişdir.

Review reporting framework: PRISMA 2020.

Əsas nəşr dövrü: 2019–2026; metodoloji və ya konseptual baxımdan zəruri olan bəzi daha köhnə əsas tədqiqatlar saxlanılmışdır.

Əsas verilənlər bazaları: Scopus və Web of Science Core Collection.

Supplementary discovery: Google Scholar və backward/forward citation searching.

Scopus axtarış tarixi: 2 İyul 2026.

Web of Science axtarış tarixi: 4 İyul 2026.

Dil məhdudiyyəti: English.

Əsas synthesis metodu: Narrative və thematic synthesis; statistical meta-analysis aparılmamışdır.

Research questions: Application domains; GeoAI/ML methods və data sources; agricultural effectiveness; implementation/adoption barriers; future research directions.

Application-domain sinifləri: Crop yield estimation; pest and disease detection; soil parameter mapping; resource optimization; climate adaptation; decision support systems.

Əsas GeoAI texnikaları: Multimodal fusion, GIS-based spatial analysis, spatial statistics, XAI, uncertainty quantification, digital twins, real-time/near-real-time processing.

Əsas ML/DL üsulları: Random Forest, ensemble methods, SVM, XGBoost, CNN, RNN, LSTM, GRU, Vision Transformer, YOLO/object detection, DNN və graph-based models.

Əsas verilən mənbələri: Satellite imagery, UAV imagery, IoT/proximal sensing, weather/climate data, soil measurements, vegetation indices və farm-management records.

Validation təsnifatı: Random; temporally independent; spatially independent; external-site; field/operational validation.

PRISMA kritik qeydi: Narrative method text screening-dən əvvəl 194 duplicate + 99 outside-scope + 49 other removal bildirərkən Figure 2, 127 duplicate + 166 automation-ineligible + 49 other removal göstərir. Hər iki yol 290 screened record-a çatır, lakin kateqoriya bölgüləri uyğun gəlmir.

134 sayının statusu: Database pathway-dən 128 və supplementary pathway-dən altı eligible report olmaqla 134, cross-pathway deduplication və multiple-report reconciliation-dan əvvəlki combined eligible-report sayıdır; doğrulanmış unique-study count kimi istifadə edilməməlidir.

Əsas məkan metodoloji anlayışı: Change-of-support problem; satellite pixel, UAV pixel, point sensor və management zone fərqli spatial support-ları təmsil edir və yalnız common-grid resampling bu fərqi aradan qaldırmır.

Əsas validation xəbərdarlığı: Spatially dependent müşahidələrdə random train–test splitting spatial leakage və optimistic performance yarada bilər; intended deployment-a uyğun spatially blocked, leave-location-out, cross-region və ya temporal validation qiymətləndirilməlidir.

Maliyyələşdirmə: Tədqiqat xarici maliyyələşdirmə almamışdır.

Verilənlərə əlçatanlıq: Data və materials corresponding author-dan əsaslandırılmış sorğu əsasında əldə edilə bilər.

Author Contributions: Mənbədə ayrıca Author Contributions bölməsi yoxdur.

AI istifadəsi bəyanatı: Acknowledgments bölməsinə görə müəllif ChatGPT 5.4-dən mətni yenidən işləmək və mənbədə “LETAX code” kimi yazılmış kodu düzəldib optimallaşdırmaq üçün istifadə etmiş; çıxışı özü nəzərdən keçirib redaktə etmiş və nəşr məzmununa görə məsuliyyəti öz üzərinə götürmüşdür.

Maraqların toqquşması: Müəllif StormGeo əməkdaşıdır. Mənbə tədqiqatın potensial maraqlar toqquşmasına səbəb ola biləcək kommersiya və ya maliyyə əlaqələri olmadan aparıldığını bəyan edir.

Əsas systematic-review məhdudiyyəti: Başlıca Scopus/Web of Science əhatəsi, English-only screening, sürətlə dəyişən ədəbiyyat və bütün screening/extraction proseslərinin tək tədqiqatçı tərəfindən aparılması sübutların əhatəsini və seçim/kodlaşdırma etibarlılığını məhdudlaşdırır.

Əsas elmi şərh həddi: GeoAI ədəbiyyatı dəqiq kənd təsərrüfatı üçün güclü prediction, monitoring və decision-support imkanları göstərir; lakin yüksək model metrikası coğrafi transferability, əməliyyat təsiri, iqtisadi dəyər və ya environmental sustainability-nin avtomatik sübutu deyil.