Муайянсозии саломатии растанӣ бо зеҳни сунъӣ равиши дастгирии қарор аст, ки бо омӯхтани намунаҳо дар тасвир, ченкунии спектралӣ, сенсорҳои муҳити зист ё дигар маълумоти кишоварзӣ имкон медиҳад бемориҳо ва зараррасонҳо ба таври худкор скан, тасниф, ҷойгир ё рушди онҳо пешгӯӣ карда шавад. Ин баррасӣ усулҳои зеҳни сунъиро, ки барои муайянсозии зараррасонҳо ва бемориҳои растанӣ истифода мешаванд, аз рӯи модалияти ҳискунӣ, парадигмаи омӯзиш, миқёси мушоҳида ва марҳилаи рушди беморӣ сохторбандӣ мекунад. Мониторинги зараррасонҳо дар сатҳи дом/популятсия, муайянсозии мустақими растанӣ-марказӣ ва миқёси платформаи саҳроӣ/ҳавоӣ баррасӣ мешавад, дар ҳоле ки муайянсозии беморӣ ба ташхиси RGB пас аз пайдо шудани нишонаҳои намоён ва муайянсозии pre-симптоматикӣ дар асоси тасвирбардории multispektral ва hiperspektral ҷудо мешавад. Тафсири асосии баррасӣ ин аст, ки зеҳни сунъӣ метавонад скрининги босуръат ва миқёспазирро таъмин кунад; аммо аз сабаби камии маълумот, domain shift, умумисозӣ дар шароити саҳро, фарқгузории стресси биотикӣ–абиотикӣ ва мушкили коррелятсия–сабабият набояд ҳамчун низоми мустақили ташхисӣ, ки ҷойи усулҳои тасдиқкунанда чун PCR, ELISA ва экспертизаи агрономиро мегирад, дида шавад.

Таҳқиқотҳое, ки дар манбаъ баррасӣ шудаанд, тасвирбардории RGB, multispektral, hiperspektral, термалӣ ва флуоресенсиро; сенсорҳои IoT, UAV, низомҳои роботӣ ва меъмориҳои гуногуни биниши компютериро истифода мебаранд. Усулҳои классикии омӯзиши мошинӣ метавонанд бо индексҳои спектралӣ ё хусусиятҳои текстурӣ, ки пешакӣ бароварда шудаанд, кор кунанд, дар ҳоле ки меъмориҳои омӯзиши амиқ чун CNN ва Vision Transformer метавонанд хусусиятҳоро аз тасвирҳои хом ё кубҳои маълумоти спектралӣ end-to-end омӯзанд. Дар муайянсозии объектҳо оилаҳои YOLO, R-CNN ва SSD; дар сегментатсия меъмориҳое чун U-Net, DeepLab, Mask R-CNN ва Mask2Former барҷастаанд. Бо вуҷуди ин, танҳо номи меъмории модел муваффақияти саҳроиро муайян намекунад; то чӣ андоза маҷмӯи маълумот зироат, минтақа, марҳилаи беморӣ, сенсор, равшанӣ ва шароити муҳити зистро намояндагӣ мекунад, аҳамияти калидӣ дорад.

Баррасӣ махсусан ба муайянсозии тағйироти физиологие, ки пеш аз пайдо шудани нишонаҳои намоёни беморӣ ба вуҷуд меоянд, бо сенсорҳои спектралӣ аҳамият медиҳад. Тағйирот дар минтақаҳои Red-edge, NIR ва SWIR метавонанд ба равандҳои физиологӣ чун хлорофилл, сохтори ҳуҷайравӣ ва ҳолати обии барг ҳассос бошанд. Аммо хушксолӣ, норасоии ғизо ва дигар стрессҳои абиотикӣ низ метавонанд имзоҳои спектралии монанд ба вуҷуд оранд, бинобар ин аномалияи спектралии аз ҷониби AI муайяншуда далели мустақими биологии мавҷудияти патогени муайян нест. Аз ин рӯ, манбаъ якҷоя кардани скрининги AI дар масоҳати васеъ бо тасдиқи ҳадафноки молекулавиро боэътимодтарин равиш мешуморад.

Чаро муайянсозии саломатии растанӣ масъалаи душвор аст?

Саломатии растанӣ танҳо маънои надоштани бемориро надорад. Дар баробари омилҳои биотикӣ чун зараррасонҳо, занбӯруғҳо, бактерияҳо, вирусҳо ва нематодаҳо, стрессҳои абиотикӣ чун хушксолӣ, ҳарорат, шӯрӣ, норасоӣ ё заҳролудии маводи ғизоӣ низ метавонанд фаъолияти физиологӣ ва маҳсулнокии растаниро вайрон кунанд.

Нишонаҳое, ки ин омилҳои гуногун ба вуҷуд меоранд, бисёр вақт ба ҳам монанданд. Зардшавӣ метавонад натиҷаи сирояти вирусӣ бошад, аммо аз норасоии нитроген ё обхезӣ ҳам ба вуҷуд ояд. Пажмурдашавӣ метавонад нишонаи патогени рагӣ бошад, аммо дар хушксолӣ ё стресси гармӣ низ рӯй диҳад. Осебҳои некротикӣ метавонанд на танҳо аз занбӯруғ ё бактерия, балки аз шӯрӣ, сармо ё осеби кимиёвӣ ҳам пайдо шаванд.

Аз ин рӯ, низоми боэътимоди AI набояд танҳо ба саволи “оё дар барг минтақаи зард ҳаст?” ҷавоб диҳад. Тағйирёбандаҳои контекстӣ чун тақсимоти фазоии нишона, сарҳади осеб, текстура, дар кадом қисми растанӣ пайдо шудани он, ҷавоби спектралӣ, намии хок, ҳарорат ва рушди беморӣ дар тӯли вақт низ бояд арзёбӣ шаванд.

Зеҳни Сунъӣ барои Муайянсозии Бемориҳо ва Зараррасонҳои Растанӣ Кадом Навъҳои Маълумотро Истифода Мекунад?

Низомҳои AI, ки дар манбаъ баррасӣ шудаанд, модалиятҳои гуногунро аз тасвирҳои намоёни RGB то кубҳои маълумоти multispektral ва hiperspektral, аз тасвирҳои термалӣ ва флуоресенсӣ то маълумоти сенсорҳои IoT чун намии хок, ҳарорат ва намии нисбӣ истифода мебаранд; интихоби сенсор бошад вобаста ба ҳадаф, аз қабили муайянсозии нишонаҳои намоён, ошкор кардани тағйироти барвақти физиологӣ ё назорати саҳро дар масоҳати васеъ, тағйир меёбад.

Тасвирбардории RGB

Тасвирбардории RGB бандҳои намоёни сурх, сабз ва кабудро истифода мебарад ва маълумоти визуалии наздик ба дарки чашми инсон медиҳад. Арзиши паст ва имкони осони ҳамгироӣ бо smartphone, камера, drone ва платформаҳои роботӣ бартарии асосии он аст.

Маҳдудияти асосии RGB ин аст, ки дар бисёр ҳолатҳо танҳо тағйироти фенотипии намоёнро сабт карда метавонад. Агар беморӣ аз ҷиҳати физиологӣ оғоз шуда бошад, вале дар ранг, текстура ё морфология ҳанӯз нишонаи намоён надошта бошад, модели танҳо RGB метавонад сигнали заруриро набинад.

Тасвирбардории multispektral

Низомҳои multispektral одатан дар баробари RGB чанд банди интихобшудаи спектралӣ чун red-edge ва near-infrared-ро истифода мебаранд. Манбаъ қайд мекунад, ки низомҳои multispektral маъмулан метавонанд бо тақрибан 3–13 банд кор кунанд.

Азбаски бандҳои интихобшудаи берун аз намоён ба тағйироти хлорофилл, сохтори ҳуҷайра ё муносибати растанӣ-об ҳассосанд, онҳо метавонанд тағйироти физиологиро пеш аз нишонаҳои намоён ошкор кунанд.

Тасвирбардории hiperspektral

Тасвирбардории hiperspektral даҳҳо ё садҳо банди танги спектралиро тавлид мекунад. Манбаъ муҳокима мекунад, ки ченкуниҳои hiperspektral дар доираи тақрибан 400–2500 nm метавонанд тағйироти нозуки биокимиёвиро, ки чашми инсон фарқ карда наметавонад, ошкор созанд.

Ин ғановати маълумот ҳамзамон мушкили арзиш, ҳаҷми маълумот ва ҳисоббарориро ба вуҷуд меорад. Шумораи зиёди бандҳо метавонад аз сабаби мушкили шумораи ками намуна / шумораи зиёди хусусият хавфи overfitting-ро баланд кунад ва истифодаи real-time edge-ро душвор созад.

Тасвирбардории термалӣ

Сенсорҳои термалӣ тағйироти ҳарорати баргро пайгирӣ мекунанд. Азбаски равандҳои физиологӣ чун баста шудани стома ва тағйирёбии транспиратсия ба намунаи ҳарорат таъсир мерасонанд, онҳо метавонанд пеш аз пайдо шудани нишонаҳои намоён маълумот дар бораи стресс диҳанд.

Тасвирбардории флуоресенсӣ

Флуоресенсияи хлорофилл дар бораи ҳолати низоми фотосинтетикӣ маълумот медиҳад. Дар адабиёте, ки баррасӣ овардааст, гуфта мешавад, ки тағйирёбандаҳои марбут ба photosystem II чун Fv/Fm ва qP метавонанд дар баъзе шароити стресс нишондиҳандаи вокуниши барвақти физиологӣ бошанд.

IoT ва сенсорҳои муҳити зист

Намии хок, ҳарорати ҳаво, намии нисбӣ ва дигар мушоҳидаҳои муҳити зист худ аз худ муайянсозии патоген нестанд. Онҳо ба ҷойи ин маълумоти контекстӣ медиҳанд, ки аномалияи тасвирӣ ё спектралӣ дар кадом шароити муҳитӣ ба вуҷуд омадааст. Ҳамин тавр, масалан, фарқ кардани стресси обӣ аз тағйироти спектралие, ки аз беморӣ бармеояд, осонтар шуда метавонад.

Муносибати AI, омӯзиши мошинӣ ва омӯзиши амиқ

Artificial Intelligence (AI) соҳаи васеи таҳқиқот аст, ки таҳияи низомҳои қобили рафтори зеҳниро дар бар мегирад. Machine Learning (ML) зерсоҳаи AI мебошад, ки ба омӯзиш аз намунаҳои маълумот тамаркуз мекунад. Deep Learning (DL) бошад зерсоҳаи ML аст, ки бо шабакаҳои асабии бисёрқабата намояндагиҳоро ба таври худкор меомӯзад.

Дар татбиқҳои классикии ML муҳаққиқ метавонад аввал хусусиятҳое чун индекси спектралӣ, омори ранг ё тавсифгари текстураро барорад ва баъд аз алгоритмҳое чун Support Vector Machine, Decision Tree ё Random Forest истифода кунад.

Дар DL меъмориҳое чун CNN ё Vision Transformer метавонанд хусусиятҳоро мустақиман аз пикселҳои хом, куби маълумоти hiperspektral ё силсилаи вақт омӯзанд. Бартарии он автоматикунонии қисми feature engineering аст; камбудӣ бошад одатан ниёз ба маълумоти нишондодашуда ва захираҳои ҳисоббарории хеле бештар мебошад.

Вазифаҳои биниши компютерӣ чӣ гуна аз ҳам фарқ мекунанд?

Оилаҳои асосии моделҳо

Баррасӣ оилаҳои R-CNN, YOLO ва SSD-ро дар муайянсозии объект; сохторҳое чун U-Net, DeepLab, Mask R-CNN ва Mask2Former-ро дар сегментатсия шарҳ медиҳад. CNNҳо намунаҳои маҳаллии тасвирро бо филтрҳои конволютсионӣ меомӯзанд, дар ҳоле ки меъмориҳои Vision Transformer тасвирро ба пайдарпайии patch ҷудо карда, бо self-attention контексти васеътарро моделсозӣ мекунанд.

Оилаи YOLO махсусан аз сабаби inference-и босуръат ва локализатсияи объект дар таҳқиқоти pest detection-и баррасишуда васеъ истифода шудааст. Аммо муқоисаи худи баррасӣ нишон медиҳад, ки як оилаи меъморӣ метавонад дар муҳитҳои гуногун натиҷаҳои хеле фарқкунанда диҳад.

Чӣ Гуна Бемории Растаниро Пеш аз Пайдо Шудани Нишона Муайян Кардан Мумкин Аст?

Муайянсозии pre-симптоматикӣ ба он асос меёбад, ки тағйироти физиологие, ки беморӣ пеш аз пайдо кардани осеби намоён дар миқдори хлорофилл, фаъолияти фотосинтетикӣ, сохтори ҳуҷайравӣ, интиқоли об ё ҳарорати барг ба вуҷуд меорад, бо сенсорҳои multispektral, hiperspektral, термалӣ ё флуоресенсӣ чен карда шаванд ва ин намунаҳои заиф аз ҷониби AI омӯхта шаванд; аммо чунин аномалия худ аз худ ташхиси қатъии патогени муайян нест.

Рушди стресс дар тӯли вақт

Тибқи чорчӯбаи консептуалии манбаъ, стресс аввал дар сатҳи молекулавӣ ва ҳуҷайравӣ оғоз мешавад. Тағйирот дар ифодаи ген, сатҳи гормонҳо, синтези сафеда ва равандҳое чун reactive oxygen species бо чашм дида намешаванд.

Сипас метавонанд тағйироти физиологие пайдо шаванд, ки бо сенсор чен мешаванд, аз ҷумла самаранокии фотосинтез, инъикоси спектралӣ, ҳарорат ва ҳолати об. Зардшавӣ, осеб, некроз ё тағйироти морфологии намоён бошад, метавонанд дар марҳилаҳои баъдӣ равшан шаванд.

Ҳадафи AI дар муайянсозии барвақт фарқ кардани сигнали заифи сенсорӣ дар ҳамин қабати дуюми беморӣ пеш аз пайдо шудани нишонаи намоён аст.

Red-edge: 700–740 nm

Баррасӣ дар заминаи таҳқиқоти Botrytis cinerea меорад, ки минтақаи red-edge дар тақрибан 700–740 nm метавонад ба тағйироти миқдори хлорофилл ва фаъолияти photosystem II ҳассос бошад.

NIR: 750–900 nm

Минтақаи Near-infrared бо якпорчагии ҳуҷайравӣ ва сохторӣ алоқаманд аст. Тағйироте чун пешрафти сироят ба бофтаи мезофилл метавонад рафтори инъикоси NIR-ро тағйир диҳад.

SWIR: 1400–1900 nm

Минтақаи Short-wave infrared ба миқдори оби барг хеле ҳассос аст. Азбаски стресси биотикии аз патоген ба вуҷудомада метавонад интиқоли обро дар дохили растанӣ тағйир диҳад, баъзе таҳқиқоте, ки баррасӣ овардааст, гузориш медиҳанд, ки тағйироти SWIR метавонанд тақрибан 1–3 рӯз пеш аз нишонаҳои намоён чен карда шаванд.

Чаро NDRE, PRI ва SIPI истифода шуда метавонанд?

Vegetation indices чун NDRE, PRI ва SIPI аз таркибҳои муайяни бандҳо нишондиҳандаҳои марбут ба пигментҳои растанӣ ё ҳолати фотосинтетикиро ба даст меоранд. Баррасӣ меорад, ки ин индексҳо дар баъзе шароити барвақти стресси биотикӣ метавонанд нисбат ба NDVI ҳассостар бошанд.

Аммо махсус таъкид мешавад, ки як индекс ба патогени муайян махсус нест. Ҷойивазкунии red-edge метавонад дар норасоии нитроген, тағйироти банди обии SWIR дар хушксолӣ ва хлорози намоён дар норасоии оҳан ҳам рӯй диҳад. Аз ин рӯ, танҳо бо як threshold хулосаи “дар ин растанӣ ҳатман сирояти занбӯруғӣ ҳаст” дуруст нест.

Ground truth чӣ гуна бояд сохта шавад?

Ҳангоми нишонагузории бемории намоён бо bounding box ё segment mask, аннотатсияҳои мутахассисони phytopathologist метавонанд ҳамчун ground truth истифода шаванд. Агар якчанд annotator бошад, метавон аз меъёрҳои мувофиқат чун Cohen's Kappa ё Fleiss' Kappa истифода кард.

Дар муайянсозии спектралии pre-симптоматикӣ ground truth масъалаи душвортар аст. Азбаски растанӣ метавонад зоҳиран солим бошад, танҳо ба нишонаи тасвир такя кардан мумкин нест. Дар таҳқиқоти назоратшудае, ки манбаъ баррасӣ мекунад, инокулятсияи патоген анҷом дода шуда, ҳолати сироят бо усулҳое чун PCR ё ELISA тасдиқ шудааст. Ин тасдиқ барои нишон додани он муҳим аст, ки сигнали спектралӣ воқеан аз намунаи сироятшуда меояд, на танҳо аз хушксолӣ ё стресси дигар.

Чаро дақиқии лабораторӣ кофӣ нест?

Муҳити лабораторӣ назорати замина, равшанӣ ва шароити стрессро осон мекунад. Дар саҳрои воқеӣ бошад, соя, кунҷи тағйирёбандаи офтоб, пӯшиши баргҳо, борон, шабнам, чанг, морфологияҳои гуногуни cultivar ва чанд стресс метавонанд ҳамзамон ҳузур дошта бошанд.

Аз ин рӯ, манбаъ байни се сатҳи validation фарқ мегузорад: controlled laboratory benchmark, real field validation ва cross-domain validation дар domain-е, ки аз зироат/минтақаи таҳияи модел фарқ мекунад. Охирин махсусан барои фаҳмидани он, ки модел воқеан умумисозӣ мекунад ё не, душвор аст.

Се миқёси мушоҳида дар муайянсозии зараррасонҳо

Баррасӣ усулҳои pest monitoring-ро ба се синфи васеъ ҷудо мекунад. Мониторинги бар пояи дом тамоюлҳои популятсияро бо шумориши худкори ҳашарот дар домҳои часпак пайгирӣ мекунад. Муайянсозии растанӣ-марказӣ худи ҳашарот ё осеби аз он дар барг пайдошударо мустақиман ҷойгир мекунад. Назорати саҳроӣ/ҳавоӣ бошад, бо UAV ё тасвирбардории масоҳати васеъ кӯшиш мекунад дар минтақаҳои калонтар харитаи хатар созад.

Низоми дом метавонад барои шумориш ва пешгӯӣ миқёспазир бошад; аммо нишон намедиҳад, ки ҳашарот дар кадом растании мушаххаси саҳро осеб мерасонад. Низомҳои растанӣ-марказӣ қарори маҳаллитар медиҳанд, вале пӯшидани баргҳо, мураккабии замина ва тағйироти равшанӣ муайянсозиро душвор мекунанд. Мушоҳидаҳои UAV бартарии масоҳати васеъ доранд, аммо метавонанд тафсилоти сатҳи як барг ё осеби хурдро аз даст диҳанд.

Чаро миқёси мушоҳида бояд metadata-и стандартӣ бошад?

Манбаъ таъкид мекунад, ки миқёсҳои барг, растанӣ, канопӣ ва минтақавӣ танҳо аз ҷиҳати ҳалли тасвир не, балки аз ҷиҳати сенсор, меъмории модел, аннотатсия ва усули ground-truth низ фарқ мекунанд. Аз ин рӯ, пешниҳод мешавад, ки дар benchmark-ҳои оянда дар баробари метрикаи иҷроиш миқёси фазоии арзёбӣ низ ба таври возеҳ гузориш шавад.

Усул ва Натиҷаҳои Таҳқиқот

Ин Review чӣ гуна сохторбандӣ шудааст?

Таҳқиқот таҷрибаи нав ё маҷмӯи маълумоти нав эҷод намекунад. Муаллифон таҳқиқоти мавҷудаи AI-based pest ва disease detection-ро ба таври мавзӯӣ тасниф карда, аз рӯи модалияти сенсор, парадигмаи модел, миқёси татбиқ ва муайянсозии pre-/post-симптоматикӣ муқоиса мекунанд.

Дар PDF ҷараёни PRISMA, search string-и пурраи пойгоҳи маълумот, санаи ҷустуҷӯ, шумораи сабтҳои аввалия, duplicate elimination, formal inclusion/exclusion criteria ё quality/risk-of-bias score гузориш нашудааст. Аз ин рӯ, ҷадвалҳои ин ҷо бояд на ҳамчун андозаҳои таъсири муштараки систематикии мета-таҳлилӣ, балки ҳамчун ҷадвалҳои баррасии сохторбандие хонда шаванд, ки намунаҳои намояндагии усул ва иҷроишро дар соҳа ҷамъ мекунанд.

Table 2: Натиҷаҳои намояндагӣ аз таҳқиқоти муайянсозии зараррасон

Ин ҷадвал нишон медиҳад, ки ҳатто зери як тамғаи “pest detection” иҷроиш метавонад дар доираи васеъ тағйир ёбад. Аммо он ки mAP ё precision дар як таҳқиқот аз дигараш баландтар аст, худ аз худ алгоритми беҳтарро исбот намекунад. Шумораи намудҳои ҳадаф, андозаи pest, ҳалли тасвир, замина, муҳити санҷиш ва ҷудокунии train/test фарқ мекунанд.

Table 3: Натиҷаҳои намояндагӣ аз таҳқиқоти муайянсозии беморӣ

mAP, precision, Dice ва accuracy дар сатрҳои гуногун як меъёри математикӣ нестанд. Илова бар ин, онҳо дар маҷмӯаҳои маълумот ва вазифаҳои гуногун чен шудаанд. Аз ин рӯ, ҷадвал leaderboard нест.

Чаро Дақиқии Баланди AI Маънои Эътимоднокии Воқеии Саҳроиро Надорад?

Ҳатто агар модели беморӣ ё зараррасони растанӣ дар маҷмӯи маълумоти назоратшуда accuracy ё mAP-и баланд ба даст орад, тақсимоти маълумот дар cultivar, минтақа, камера, рӯшноӣ, шароити обу ҳаво ё марҳилаи бемории дигар метавонад тағйир ёбад; агар модел ба ҷойи нишонаи воқеии биологӣ коррелятсияҳои тасодуфии замина ё сенсорро омӯхта бошад, иҷроиши саҳро метавонад шадидан коҳиш ёбад.

Domain shift

Domain shift фарқи байни тақсимоти маълумоти омӯзишӣ ва маълумоти истифодаи воқеӣ мебошад. Моделе, ки барги помидори дар гармхона парваришшударо дар тасвир мешиносад, метавонад дар cultivar-и дигар, заминаи дигари хок ё нури офтоби саҳрои кушод ҳамон иҷроишро нигоҳ надорад.

Дар низомҳои hiperspektral ва multispektral масъала метавонад боз ҳам мураккабтар бошад. Фарқи калибровкаи сенсор, атмосфера, кунҷи офтоб ва тағйири дастгоҳ метавонад имзои спектралии ченшударо тағйир диҳад.

Номутавозунии синфҳо

Дар маҷмӯаҳои воқеии маълумоти кишоварзӣ растаниҳои солим метавонанд аз намунаҳои бемор хеле бештар бошанд. Дар ин ҳолат истифодаи танҳо accuracy хатарнок аст. Масалан, дар маҷмӯи фарзиявии маълумот бо prevalence-и беморӣ %10, модели ба ҳама намунаҳо “солим” мегӯяд, %90 accuracy мегирад; аммо ягон бемориро намеёбад.

Аз ин рӯ, манбаъ муҳокима мекунад, ки меъёрҳое чун каҷи Precision–Recall, F1-score ва Matthews Correlation Coefficient метавонанд дар маҷмӯаҳои маълумоти номутавозун иттилооти бештар диҳанд.

Камбуди маълумоти нишондодашуда

Барои бемориҳои нодир, патогенҳои нав ва cultivar-ҳои хоси минтақа тасвирҳои кофӣ набошанд. Барои марҳилаи барвақти сироят масъала душвортар аст; вақте нишонаи намоён вуҷуд надорад, тавлиди нишонаи дуруст донишҳои экспертӣ ва аксаран тасдиқи лабораториро талаб мекунад.

Манбаъ active learning, semi-supervised learning, transfer learning, data augmentation ва тавлиди маълумоти синтетикӣ бо generative AI-ро аз равишҳое мешуморад, ки ин маҳдудиятро кам карда метавонанд. Бо вуҷуди ин, маълумоти синтетикӣ ҳамчун ҷойгузини пурраи маълумоти воқеии саҳроӣ, ки эксперт тасдиқ кардааст, пешниҳод намешавад.

Коррелятсия сабабият нест

Низоми trap-based AI метавонад аз ҳарорат, намӣ ва шумораи ҳашарот тамоюли ояндаи популятсияро пешгӯӣ кунад; аммо модел шояд механизми тухмгузории ҳашаротро аз ҷиҳати биологӣ “нафаҳмида” бошад.

Ба ҳамин монанд, модели hiperspektral AI метавонад аномалияи спектралии марбут ба сироятро шиносад, вале ҳамин аномалия метавонад аз стресси дигари биологӣ ё абиотикӣ ҳам ба вуҷуд ояд.

Аз ин фарқият бармеояд, ки predictive accuracy-и баланд ва “донистани сабаби беморӣ” як иддао нестанд.

Равиши AI + тасдиқи молекулавӣ

Қавитарин меъмории амалие, ки баррасӣ пешниҳод мекунад, истифодаи AI ҳамчун қабати screening-и зуд дар масоҳатҳои калон аст. Низом растаниҳо ё минтақаҳои шубҳанокро интихоб мекунад; сипас танҳо дар ҳамин намунаҳо PCR, ELISA ё санҷиши дигари тасдиқкунанда истифода мешавад.

Ин сохтор бидуни татбиқи санҷишҳои гарони молекулавӣ ба тамоми саҳро мушоҳидаи масоҳати васеъ медиҳад ва пешгӯии ба коррелятсия асосёфтаи AI-ро бо ташхиси аз ҷиҳати биологӣ махсус дастгирӣ мекунад.

Мушкилоти техникӣ ва амалиётии саҳро

Дар шароити воқеии саҳро тағйир ёфтани рӯшноии табиӣ дар тӯли рӯз, сояҳо, specular reflection, гузаштани абрҳо ва ҳарорати ранг метавонанд тақсимоти тасвирии моделҳоро тағйир диҳанд. Борон ё шабнам намуди баргро дигар мекунад, дар ҳоле ки чанг метавонад ба сифати сенсор таъсир расонад.

Дар канопии зич пӯшидани баргҳо метавонад зараррасонҳои хурд ё нишонаҳои бемориро дар баргҳои дохилӣ пинҳон кунад. Фарқиятҳои табиии ранг, шакл ва текстураи cultivar-ҳои гуногун низ метавонанд бо нишонаи беморӣ омехта шаванд.

Монеаҳои иҷтимоӣ-иқтисодӣ

На танҳо алгоритми низоми AI, балки таҷҳизот ва инфрасохтори зарурӣ низ татбиқпазириро муайян мекунанд. Баррасӣ меорад, ки камераҳои hiperspektral-и дар drone истифодашаванда метавонанд тақрибан аз 15.000–100.000 доллари ИМА боло раванд; низомҳои multispektral метавонанд тақрибан дар доираи 3000–8000 доллари ИМА бошанд. Ин арзишҳо намунаҳои бозории контекстӣ аз манбаъҳои истифодашудаи баррасӣ мебошанд ва нархи ҷории универсалӣ барои ҳар дастгоҳ нестанд.

Ин фарқи арзиш махсусан дар хоҷагиҳои хурд мувозинат байни дақиқии мутлақи модел ва дастрасиро талаб мекунад. Муаллифон таъкид мекунанд, ки агар низоми гаронтар accuracy-и каме баландтар диҳад, ин худ аз худ маънои таъсири бештари food-security нисбат ба технологияи арзонтар ва хеле дастрасро надорад.

Самтҳои оянда

Чаро Explainable AI танҳо heatmap нест?

Манбаъ мегӯяд, ки saliency ё class-activation heatmap метавонад нишон диҳад, ки модел ба кадом қисми тасвир нигоҳ кардааст, аммо ин на ҳамеша барои деҳқон ё агроном шарҳи биологӣ медиҳад.

Масалан, бо сурх таъкид кардани як қисми муайяни барг шарҳ намедиҳад, ки он сигнал сирояти занбӯруғӣ, норасоии нитроген ё осеби гербисид аст. Низоми муфидтари explainability бояд тавонад фаҳмонад, ки қарор ба кадом хусусияти физиологӣ ё спектралӣ асос ёфтааст ва чаро бо стрессҳои алтернативӣ мувофиқат намекунад.

Edge AI

Edge AI мақсад дорад тасвир ё маълумоти сенсорро бе фиристодан ба абр дар таҷҳизоти маҳаллии drone, трактор ё роботи саҳроӣ коркард кунад. Ин равиш метавонад дар минтақаҳои пайвастшавии заиф кор кунад, latency-ро кам ва махфияти маълумотро зиёд кунад.

Баррасӣ ин меъмориро барои дахолати ҳадафноки real-time муҳим мешуморад. Аммо байни меъмориҳои калони модел ва маҳдудиятҳои қувва ва хотираи таҷҳизоти edge мувозинати муҳандисии ҷиддӣ вуҷуд дорад.

Мувозинат байни foundation model ва lightweight model

Баррасӣ муҳокима мекунад, ки foundation model-ҳои махсуси кишоварзӣ метавонанд аз маҷмӯаҳои бисёр калон ва гуногуни тасвирҳои растанӣ намояндагиҳои умумӣ омӯзанд. Бо вуҷуди ин, ҷойгир кардани visual backbone-ҳои бузурги умумӣ мустақиман дар таҷҳизоти саҳроӣ метавонад душвор бошад.

Манбаъ ҳамчун мисол меорад, ки backbone-и синфи ViT-B/14 метавонад тақрибан 86 миллион параметр дошта бошад; YOLOv8-nano бошад бо тақрибан 3.2 миллион параметр метавонад дар низомҳои embedded дар синфҳои қувваи зери 5 W real-time кор кунад.

Аз ин рӯ, яке аз самтҳои пешниҳодшуда барои давраи наздик истифодаи foundation model барои омӯзиши пешакии offline дар маълумоти бузурги кишоварзӣ ва сипас distill кардани намояндагии омӯхташуда ба моделҳои хурди вазифа-махсус барои интиқол ба дастгоҳҳои edge мебошад.

Band selection дар маълумоти hiperspektral

Садҳо band-и низоми hiperspektral дар ҳар татбиқ яксон иттилоотӣ нестанд. Усулҳои dimensionality-reduction чун PCA ё LDA метавонанд андозаи маълумотро кам кунанд, аммо муносибатҳои ғайрихаттии беморӣ–спектрро аз даст диҳанд.

Баррасӣ representation learning-и бар autoencoder асосёфта ва AI-driven band selection-ро яке аз самтҳои муҳимми оянда мешуморад. Агар боэътимод нишон дода шавад, ки барои бемории муайян ба ҷойи 200 band танҳо 3–5 band-и интихобшуда метавонанд маълумоти ташхисии монанд диҳанд, арзиши сенсор ва сарбории коркард метавонад ба таври назаррас кам шавад. Манбаъ ин нуқтаро ҳамчун ҳадафи технологие баррасӣ мекунад, ки бояд дар оянда тасдиқ шавад; онро ҳамчун натиҷаи универсалии аллакай бадастомада пешниҳод намекунад.

Меъёрҳои арзёбии марҳилаи барвақт

Дар муайянсозии беморӣ арзиши кишоварзии false negative ва false positive яксон нест. False negative метавонад сирояти воқеиро аз даст диҳад ва ба паҳншавии он имкон диҳад; false positive бошад метавонад ба тасдиқ ё табобати нолозим оварда расонад.

Манбаъ пешниҳод мекунад, ки benchmark-ҳои оянда ин арзиши асимметриро ба назар гиранд ва sensitivity барои марҳилаҳои pre-симптоматикӣ, барвақт-симптоматикӣ ва дер-симптоматикӣ ҷудогона гузориш шавад. Хусусан тавсия мешавад, ки pre-симптоматикӣ sensitivity дар баробари overall mAP яке аз меъёрҳои асосӣ бошад.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

Баррасӣ дастгирӣ мекунад, ки AI барои сканкунии тасвирӣ ва сенсории зараррасонҳо ва бемориҳои растанӣ оилаи васеи усулҳоро пешниҳод мекунад.

Баррасӣ дастгирӣ мекунад, ки маълумоти RGB барои нишонаҳои намоён қавӣ ва дастрас аст; маълумоти multispektral ва hiperspektral бошад метавонад ба баъзе тағйироти физиологӣ пеш аз нишонаҳои намоён дастрасӣ диҳад.

Баррасӣ дастгирӣ мекунад, ки иҷроиши модел на танҳо ба меъморӣ, балки ба сифати маълумот, domain, сенсор, зироат, марҳилаи беморӣ ва шароити муҳити зист сахт вобаста аст.

Баррасӣ дастгирӣ мекунад, ки якҷоя кардани AI ҳамчун воситаи screening-и масоҳати васеъ бо ташхиси молекулавӣ ва экспертизаи агрономӣ аз ҷиҳати илмӣ нисбат ба ташхиси мустақили AI бештар асоснок аст.

Баррасӣ дастгирӣ мекунад, ки multimodal sensing, XAI, edge computing, foundation models ва cross-domain validation самтҳои муҳимми ояндаи таҳқиқот дар соҳа мебошанд.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

Таҳқиқот нишон намедиҳад, ки ягон меъмории YOLO, Transformer ё CNN дар ҳамаи зироатҳо ва минтақаҳо “беҳтарин” аст.

Таҳқиқот нишон намедиҳад, ки laboratory accuracy-и баланд бо ҳамон шакл ба шароити воқеии саҳро мегузарад.

Таҳқиқот нишон намедиҳад, ки модели AI метавонад ба ҷойи PCR ё ELISA мавҷудияти биологии патогени муайянро қатъӣ исбот кунад.

Таҳқиқот нишон намедиҳад, ки як vegetation index ё band-и спектралӣ дар ҳамаи шароит стрессҳои биотикӣ ва абиотикиро боэътимод фарқ мекунад.

Таҳқиқот фоизҳои гуногуни Table 2 ва Table 3-ро ҳамчун натиҷаҳои мустақиман муқоисашаванда, ки зери як benchmark умумӣ чен шудаанд, пешниҳод намекунад.

Таҳқиқот нишон намедиҳад, ки истифодаи AI барои ҳамаи деҳқонон аз ҷиҳати иқтисодӣ мувофиқ аст ё сенсорҳои гарон дар ҳар ҳолат арзиши бештари кишоварзӣ эҷод мекунанд.

Маҳдудиятҳои асосӣ

Баррасӣ зироат, зараррасон, патоген, муҳит, сенсор, маҷмӯи маълумот, модел ва метрикаҳои иҷроиши хеле гуногунро фаро мегирад. Ин гетерогенӣ барои дидани тамоюлҳои умумӣ арзишманд аст, аммо муқоисаи мустақими миқдориро байни таҳқиқот маҳдуд мекунад.

Дар дохили Review formal PRISMA-based systematic-review selection protocol гузориш нашудааст. Аз ин рӯ, имкони мустақилона ва айнан такрор кардани интихоби манбаъ ва фарогирии адабиёт маҳдуд аст.

Қисми муҳими таҳқиқоти баррасишуда ба зироатҳои бисёр таҳқиқшаванда чун помидор, бодиринг, ангур, картошка ва қаламфур тамаркуз мекунад. Интиқолпазирии модели барои як зироат таҳияшуда ба зироат, cultivar ё минтақаи агроэкологии дигар дар бисёр ҳолатҳо мустақиман санҷида нашудааст.

Таҳқиқоти pre-симптоматикӣ sensing махсусан дар маълумоти лабораторӣ ва муҳити назоратшуда қавӣ ҳастанд; дар муҳити табиии саҳро, ки якчанд стресси биотикӣ ва абиотикӣ ҳамзамон ҳузур доранд, масъалаи validation душвортар аст.

Ёддошт оид ба Манбаъ ва Усул

Унвони аслӣ: A Review on Artificial Intelligence Methods for Plant Disease and Pest Detection

Муаллифон: Nikolaos Giakoumoglou; Dimitrios Kapetas; Kleanthis Marios Papadopoulos; Panagiotis Christakakis; Tania Stathaki; Eleftheria Maria Pechlivani

Муаллифи мукотиба: Eleftheria Maria Pechlivani

Муассиса 1: Department of Electrical and Electronic Engineering, Imperial College London, London, United Kingdom.

Муассиса 2: Centre for Research and Technology Hellas, Information Technologies Institute, Thessaloniki, Greece.

Маҷалла: AI and Precision Agriculture

Ношир: MDPI

Ҷилд / Шумора / Мақола: 1 / 1 / 2

DOI: 10.3390/aipa1010002

Санаҳо: Гирифта шуд: 27 Феврал 2026; бознигарӣ шуд: 28 Май 2026; қабул шуд: 1 Июл 2026; нашр шуд: 14 Июл 2026.

Навъи манбаъ: Review. Таҳқиқот таҷрибаи нав ё маҷмӯи нави маълумот тавлид намекунад.

Таснифи усули баррасӣ: Баррасии илмии сохторбандишуда ва фарогир. Азбаски PDF ҷараёни formal PRISMA, search strategy-и пурра, шумораи интихоби таҳқиқот, inclusion/exclusion protocol ё meta-analytical pooling-ро гузориш намекунад, ҳамчун systematic review ё meta-analysis тасниф нашудааст.

Доираи асосӣ: AI-based pest monitoring, plant disease detection, computer vision, multispectral/hyperspectral sensing, pre-симптоматикӣ detection, validation, generalization ва field deployment.

Зироатҳои асосии баррасишуда: Помидор, бодиринг, ангур, картошка ва қаламфур. Манбаъ инчунин татбиқҳоро дар пахта, биринҷ, гандум, ҷуворимакка, дарахтони мевадиҳанда ва дигар зироатҳо қисми доира мешуморад.

Модалиятҳои асосии sensing: RGB, multispektral, hiperspektral, термалӣ, флуоресенсия, LiDAR ва сенсорҳои муҳитии IoT.

Вазифаҳои асосии AI: Classification, object detection, semantic/instance/panoptic segmentation, forecasting ва regression.

Оилаҳои асосии моделҳо: Support Vector Machine, Decision Tree, Random Forest, CNN, Vision Transformer, R-CNN, YOLO, SSD, U-Net, DeepLab, Mask R-CNN ва Mask2Former.

Равиши validation: Expert annotation, ҳангоми зарурат annotator agreement; дар нишонаҳои спектралии pre-симптоматикӣ инокулятсияи назоратшуда ва тасдиқи PCR/ELISA; фарқи laboratory, field ва cross-domain validation.

Ҷадвалҳои манбаъ: Table 1 нишонаҳои умумии визуалиро дар стрессҳои биотикӣ ва абиотикӣ; Table 2 таҳқиқоти AI-based pest detection; Table 3 таҳқиқоти AI-based plant disease-ро муқоиса мекунад.

Шакли илмӣ: Дар PDF-и манбаъ шакли аслии маълумот вуҷуд надорад; мундариҷаи визуалии илмӣ асосан тавассути ҷадвалҳо ва синтези методологии матнӣ пешниҳод мешавад.

Иҷозатнома: Creative Commons Attribution (CC BY). Азбаски дар матни намоёни PDF рақами версия алоҳида зикр нашудааст, версия тахмин карда нашудааст.

Маблағгузорӣ: Лоиҳаи E-SPFdigit; European Union Horizon Europe research and innovation programme, Grant Agreement No. 101157922.

Кумитаи ахлоқ: Татбиқ намешавад.

Розигии огоҳона: Татбиқ намешавад.

Дастрасии маълумот: Review маълумоти нав тавлид ё таҳлил накардааст; иттилооти истифодашуда аз таҳқиқоти қаблан нашршуда ва дар адабиёт зикршуда гирифта шудааст.

Изҳороти истифодаи AI: Муаллифон ҳангоми омода кардани мақола модели калони забонии Claude (Anthropic)-ро барои кӯмак ба таҳияи лоиҳа ва бознигарии порчаҳои интихобшуда истифода кардаанд. Матни бо ёрии AI таҳияшуда аз ҷониби муаллифон баррасӣ ва тасдиқ шудааст. Тибқи изҳороти манбаъ, воситаи AI барои таҳлили маълумот, ҷустуҷӯи адабиёт ё санҷиши истинодҳо истифода нашудааст.

Бархӯрди манфиатҳо: Муаллифон хабар додаанд, ки бархӯрди манфиатҳо вуҷуд надорад.

Саҳми муаллифон: Консептуализатсия аз ҷониби ҳамаи муаллифон анҷом дода шудааст. Усул ва нармафзор ба Nikolaos Giakoumoglou ва Dimitrios Kapetas; formal analysis ба ҳамин ду муаллиф; куросияи маълумот ба ҳамин ду муаллиф; лоиҳаи аслӣ ба Nikolaos Giakoumoglou, Kleanthis Marios Papadopoulos ва Dimitrios Kapetas; визуализатсия ба Nikolaos Giakoumoglou; назорат ба Tania Stathaki ва Eleftheria Maria Pechlivani; идоракунии лоиҳа ва гирифтани маблағгузорӣ ба Eleftheria Maria Pechlivani тааллуқ дорад. Ҳамаи муаллифон ба бознигарӣ ва таҳрир саҳм гузоштаанд.

Маҳдудияти асосии методологӣ: Таҳқиқотҳо аз ҷиҳати сенсор, зироат, маҷмӯи маълумот, вазифа ва метрикаи иҷроиш гетерогении баланд доранд; Table 2–3 meta-analysis ё benchmark-и умумӣ нест.

Ҳадди асосии тафсири илмӣ: AI метавонад дар идоракунии саломатии растанӣ screening-и босуръат ва васеъ таъмин кунад; аммо пешгӯии модел тасдиқи сабабӣ ё молекулавии патоген нест. Қавитарин модели истифода якҷоя кардани скрининги AI бо донишҳои фитопатологӣ, мушоҳидаи муҳити зист ва ҳангоми зарурат усулҳои тасдиқкунанда чун PCR/ELISA мебошад.