Зеҳни сунъии геофазоӣ (Geospatial Artificial Intelligence, GeoAI), чаҳорчӯбаи таҳлилии байнисоҳавӣ мебошад, ки системаҳои иттилоотии ҷуғрофӣ, зондкунии фосилавӣ, таҳлили фазоӣ ва усулҳои зеҳни сунъиро бо маълумоти дорои истиноди фазоӣ муттаҳид намуда, мониторинг, пешгӯӣ, оптимизатсия ва дастгирии қабули қарорро таъмин мекунад. Ин баррасии систематикӣ татбиқҳои GeoAI-ро дар кишоварзии дақиқ бар асоси адабиёти солҳои 2019–2026 меомӯзад ва арзёбӣ мекунад, ки тасвирҳои моҳворавӣ, маълумоти UAV, ченкуниҳои IoT ва proximal sensor, маълумоти обу ҳаво/иқлим, маълумоти хок ва сабтҳои идоракунии хоҷагӣ чӣ гуна ҳамгиро карда мешаванд. Самтҳои барҷастаи татбиқ дар баррасӣ crop yield estimation, pest and disease detection, soil parameter mapping, resource optimization, climate adaptation ва decision support systems мебошанд. Хулосаи асосӣ ин аст, ки GeoAI танҳо аз дақиқии баланди модел иборат нест: агар spatial dependence, номувофиқии миқёс, transferability, uncertainty, field validation, interpretability ва ҳамгироӣ ба ҷараёни воқеии корӣ ба назар гирифта нашаванд, модели дорои истиноди ҷуғрофиро системаи амалиётии қабули қарор дар кишоварзӣ номидан мумкин нест.

Баррасӣ аз дастури ҳисоботдиҳии PRISMA 2020 истифода кардааст; Scopus ва Web of Science Core Collection ҳамчун пойгоҳҳои асосии библиографӣ истифода шудаанд ва Google Scholar ҳамроҳ бо backward/forward citation searching ҳамчун каналҳои иловагии ҷустуҷӯ арзёбӣ шудаанд. Азбаски далелҳо аз рӯи зироат, минтақа, сенсор, алгоритм, validation design ва метрикаи арзёбӣ хеле гетерогенӣ буданд, meta-analysis анҷом дода нашуд; narrative ва thematic synthesis истифода шуданд.

Адабиёт дар маҷмӯъ аз корҳои харитасозӣ ва пешгӯие, ки ба як манбаи маълумот такя мекунанд, ба системаҳоеро ҳаракат мекунад, ки сенсорҳо ва сабтҳои гуногунро дар як занҷири decision-support муттаҳид мекунанд. Бо вуҷуди ин, ҳосилнокӣ, самаранокии истифодаи захираҳо, манфиати экологӣ ва бозгашти иқтисодӣ дар ҳамаи минтақаҳои ҷуғрофӣ худкор ба вуҷуд намеоянд. Натиҷаҳо бояд бо дарназардошти навъи зироат, минтақа, сифати сенсор, calibration, ҳадҳои агрономии маҳаллӣ, инфрасохтори алоқа, хароҷот, иқтидори корбар ва тасдиқи татбиқ дар шароити воқеии саҳро арзёбӣ шаванд.

Зеҳни Сунъии Геофазоӣ (GeoAI) дар Кишоварзии Дақиқ Чист?

Зеҳни сунъии геофазоӣ (GeoAI) оилаи равишҳоест, ки бо истифода аз танҳо координатҳои мушоҳидаҳои кишоварзӣ маҳдуд намешавад; GIScience, remote sensing, spatial statistics, machine learning, deep learning ва таҳлили қарорро бо заминаи фазоӣ ва вақтӣ муттаҳид карда, барои ҷойҳои мушаххас пешгӯӣ, харита, арзёбии хатар ё тавсияи идоракунӣ истеҳсол мекунад.

Чаро кишоварзии дақиқ масъалаи фазоӣ аст?

Майдон сатҳи якхелаи истеҳсолӣ нест. Crop performance, soil fertility, pest pressure, water availability ва management response ҳатто дар дохили як қитъаи замин метавонанд вобаста ба макон ва вақт тағйир ёбанд. Ҳадафи асосии кишоварзии дақиқ низ мушоҳида кардани ҳамин фарқият бидуни аз даст додани он ва дар ҳолати зарурӣ татбиқи қарорҳои гуногуни идоракунӣ дар дохили як майдон мебошад.

Аз ин рӯ вазифаи илмии GeoAI танҳо “тасниф кардани сурати майдон” нест. Ҳамчунин бояд муайян шавад, ки маълумоти бадастомадаи модел дар куҷо эътибор дорад, кадом минтақаеро ифода мекунад, ба кадом фасл тааллуқ дорад, бо мушоҳидаҳои ҳамсоя то чӣ андоза вобаста аст ва тавсия дар кадом management scale татбиқшаванда аст.

Манбаъҳои маълумоти экосистемаи GeoAI

Меъмории илмии Figure 1

Дар Figure 1 манбаъ системаи GeoAI-ро ҳамчун ҷараёни иттилоотии панҷқабата месозад. Дар қабати аввал satellite imagery, UAV imagery, proximal/IoT sensors, weather–climate data ва soil/farm records ҷойгиранд. Қабати дуюм spatial–temporal integration мебошад: манбаъҳои гуногун стандартизатсия, ҳамоҳанг, якҷоя, аз назорати сифат гузаронида ва ҳуҷҷатгузорӣ мешаванд.

Қабати сеюм cloud ва edge services мебошад. Нигоҳдории маълумот, streaming, computation, containers, GIS databases ва инфрасохтори API метавонанд дар ин ҷо ҷой гиранд. Қабати чорум GeoAI analytics мебошад: spatial statistics, machine learning, deep learning, computer vision, explainability ва uncertainty analysis.

Қабати охирин validated decision support мебошад. Манбаъ дар ин ҷо crop-health/yield forecasts, pest and disease scouting priorities, prescription maps ва irrigation/soil/climate advisories-ро нишон медиҳад. Ин сохтор таъкид мекунад, ки пешгӯии модел маҳсулоти ниҳоӣ нест, балки қабати миёнаест, ки ба қарори тасдиқшудаи кишоварзӣ мебарад.

Масъалаи Change-of-support чист?

Мушоҳидаҳо аз сенсорҳои гуногун як чизро дар як дастгирии физикӣ чен намекунанд. Як пиксели моҳворавӣ метавонад миёнаи даҳҳо ё садҳо метри мураббаъ сатҳро ифода кунад. Пиксели UAV қисми хеле хурдтари канопиро ифода мекунад, дар ҳоле ки сенсори намии хок дар бораи як нуқта ё sensing volume-и маҳдуд маълумот медиҳад.

Аз нав намунагирии ҳамаи ин ченкуниҳо ба grid-и умумии 10 m, 20 m ё дигар raster grid метавонад аз нигоҳи математикӣ системаи умумии координатӣ созад, аммо spatial support-и аслии мушоҳидаҳоро яксон намекунад. Resampling ва interpolation метавонанд variance, covariance ва намунаҳои фазоиро тағйир диҳанд.

Аз ин рӯ ҳамгироии multimodal GeoAI танҳо гузоштани файлҳо рӯйи ҳам нест. Бояд алоҳида арзёбӣ шавад, ки support transformation, scale compatibility, temporal synchronization ва heterogeneous-input uncertainty чӣ гуна ба модел ворид мешаванд.

Чаро маълумоти бисёрмодалӣ муҳим аст?

Як сенсор наметавонад тамоми ҳолати физикии системаи кишоварзиро мушоҳида кунад. Satellite imagery метавонад минтақаи васеъро пайдарпай назорат кунад, аммо ҷузъиёти як растаниро маҳдуд мебинад. UAV ҷузъиёти хеле баланди фазоӣ медиҳад, вале барои фарогирии васеъ ва доимӣ хароҷот зиёд шуда метавонад. Сенсори IoT метавонад дар як нуқта хеле зуд-зуд чен кунад, аммо метавонад тамоми майдонро намояндагӣ накунад.

Дар равиши multimodal fusion ҳадаф ин аст, ки ин манбаъҳо маълумоти якдигарро пурракунанда дошта бошанд. Масалан, системаи yield forecasting метавонад satellite time series-ро бо weather data, soil covariates, маълумоти cultivar ва management records якҷоя кунад. Ҳамин тавр модел на танҳо canopy reflectance, балки шароити хок, обу ҳаво ва идоракуниеро низ арзёбӣ мекунад, ки канопӣ дар онҳо рушд кардааст.

Шаш самти асосии татбиқ дар баррасӣ

Кадом усулҳои AI истифода мешаванд?

Хулосаи асосии баррасӣ ин нест, ки “як алгоритм аз ҳама дигарҳо беҳтар аст”. Оилаҳои гуногуни модел барои сохторҳои гуногуни маълумот ва вазифаҳо истифода мешаванд.

Random Forest ва дигар усулҳои ensemble дар tabular soil data ва маҷмӯаҳои миёнаҳаҷми remote-sensing ба сабаби устуворӣ ва шарҳпазирӣ зиёд истифода мешаванд. CNN-ҳо дар вазифаҳои ба тасвир асосёфтаи crop-health, segmentation ва pest/disease detection пешсафанд. Моделҳои sequence ба монанди RNN, LSTM ва GRU барои weather, crop-growth ва yield time series истифода мешаванд.

Vision Transformer ва системаҳои hybrid CNN–Transformer барои моделсозии контексти васеътари тасвир ва multimodal representations таҳқиқ мешаванд. Graph-based models метавонанд дар масъалаҳое истифода шаванд, ки нишон додани робитаҳо байни мушоҳидаҳо ба таври возеҳ муфид аст.

Дар сатҳи GeoAI workflow, multimodal fusion, GIS-based spatial analysis, Explainable AI (XAI), uncertainty quantification, digital twins ва cloud–edge processing меъмории системаро дар атрофи модел ташкил медиҳанд.

Чаро Explainable AI ва uncertainty якҷоя муҳиманд?

Вақте модел ба қарори воқеии идоракунӣ, масалан irrigation, fertilization ё pesticide application таъсир мерасонад, танҳо нишон додани синфи пешгӯӣ кофӣ нест. Агроном ё деҳқон метавонад донистан хоҳад, ки кадом маълумот ба қарор таъсир расонд ва модел дар ин қарор то чӣ андоза боэътимод аст.

Баррасӣ равишҳои XAI ба монанди SHAP, LIME, Grad-CAM, surrogate models ва attention visualization-ро муҳокима мекунад. Uncertainty quantification метавонад prediction ё prescription-и дорои эътимоди пастро барои field inspection нишонгузорӣ кунад.

Ин ду қабат ба саволҳои гуногун ҷавоб медиҳанд: explainability ба “модел чаро чунин гуфт?”; uncertainty ба “ба гуфтаи модел то чӣ андоза метавон эътимод кард?” равона шудааст.

Чаро Маълумоти Географӣ Истинодшуда Танҳо Худаш GeoAI-и Ҳақиқӣ Нест?

Доштани координата ё нишон дода шудан дар харита reasoning-и воқеии фазоиро кафолат намедиҳад; манбаъ таъкид мекунад, ки GeoAI бояд spatial dependence, covariance, support, scale, regional heterogeneity, spatial validation ва transferability-ро аз sampling то марҳилаи қарор ба таври возеҳ ба ҳисоб гирад.

Вобастагии фазоӣ

Мушоҳидаҳои кишоварзие, ки аз нигоҳи ҷуғрофӣ ба ҳам наздиканд, метавонанд шароити умумии хок, топография, иқлим, обёрӣ ё идоракуниро мубодила кунанд. Аз ин рӯ фарзияи классикии мушоҳидаҳои мустақил ҳамеша дуруст нест.

Омори фазоӣ метавонад ин вобастагиро тавассути covariance, variogram, kriging, spatial Bayesian models ё дигар spatial models ба таври возеҳ модел кунад. Хусусияти “geospatial”-и GeoAI низ танҳо аз сутуни latitude/longitude не, балки аз он бармеояд, ки ин робитаҳо чӣ гуна ба сохтори таҳлилӣ ворид карда мешаванд.

Spatial leakage

Масалан, агар аз ду пиксели хеле наздики як майдон яке ба таври тасодуфӣ ба training ва дигаре ба test афтад, намунаи test метавонад аз маълумоти омӯзишӣ мустақил набошад. Модел хусусиятҳои фазоии минтақаро аллакай ба таври ғайримустақим дидааст.

Дар чунин ҳолат random train–test split метавонад performance metric-и аз оддӣ баландтар диҳад. Манбаъ вобаста ба intended deployment истифодаи spatially blocked validation, leave-location-out, cross-region validation ё temporal holdout-ро тавсия медиҳад.

Deep learning reasoning-и фазоиро худкор таъмин намекунад

CNN метавонад texture-и тасвирро хеле хуб омӯзад; аммо сохтори ҳамсоягии ҷуғрофӣ ё миқёси фазоиро, ки тасвир дар он эътибор дорад, ҳатман ифода намекунад. Transformer низ агар positional ё spatial representation маънодор сохта нашуда бошад, танҳо ба сабаби меъмории модел reasoning-и воқеии ҷуғрофӣ пайдо намекунад.

Аз ин рӯ accuracy-и баланд худ аз худ далели GeoAI-и ҳақиқӣ нест. Ҳамчунин бояд нишон дода шавад, ки модел барои кадом field, region, season, sensor ва spatial scale эътибор дорад.

Фарқи mapped output ва spatially informed product

Prediction-и моделро ба харита табдил додан мумкин аст; аммо натиҷаи хариташуда ва маҳсулоти фазоӣ тасдиқшуда як чиз нестанд. Spatially informed workflow sampling strategy, spatial dependence, support, validation geography, uncertainty ва scale-ро ҳуҷҷатгузорӣ мекунад ва ба корбар мефаҳмонад, ки модел дар куҷо татбиқшаванда аст.

Figure 3: Pipeline-и амалиётии GeoAI

Дар шакл технологияҳое ба монанди Amazon S3, EC2, Kubernetes, Jupyter, SageMaker, PostGIS, RDS, DynamoDB, GeoServer, WMS ва WFS ҳамчун намуна нишон дода шудаанд. Манбаъ ин маҳсулотро меъмории ҳатмӣ намешуморад; AWS, Azure, Google Cloud, инфрасохтори open-source, hybrid ё on-premises метавонанд ҳамон занҷири функсионалиро амалӣ кунанд.

Усул ва Натиҷаҳои Таҳқиқот

Саволҳои таҳқиқотии баррасӣ

Баррасии систематикӣ бар асоси панҷ саволи асосӣ сохта шудааст: самтҳои ҳозираи татбиқи GeoAI ва таҳаввули онҳо; усулҳои GeoAI/ML ва манбаъҳои маълумоти истифодашаванда; далелҳо оид ба productivity, resource efficiency, environmental sustainability ва operational decision making; мушкилоти техникӣ, амалиётӣ, иҷтимоӣ-иқтисодӣ ва идоракунӣ, ки татбиқи васеъмиқёсро маҳдуд мекунанд; холигиҳои таҳқиқотӣ барои системаҳои насли ояндаи GeoAI.

Стратегияи ҷустуҷӯи адабиёт

Нашрияҳои то соли 2019 на барои васеъ кардани ҳавзи асосии empirical evidence, балки барои шарҳи асосҳои зарурии spatial/geostatistical/remote-sensing/AI methods, пешниҳоди conceptual framework-и васеъ истифодашаванда ё фароҳам кардани benchmark context барои тафсири адабиёти навтар нигоҳ дошта шуданд.

Мантиқи дохилкунӣ ва хориҷкунӣ

Барои дар доираи баррасӣ мондани таҳқиқот бояд байни масъалаи кишоварзӣ, маълумоти spatial ё georeferenced ва аналитикаи AI робитаи равшан вуҷуд дошта бошад. Таҳқиқоте, ки танҳо AI истифода мебаранд, вале geospatial component надоранд, ва таҳқиқоте, ки танҳо GIS/remote sensing истифода мекунанд, вале AI analytical component надоранд, хориҷ карда шуданд.

Short abstract, poster, editorial, opinion, non-English record ва сабтҳое, ки аз нигоҳи методологӣ арзёбӣ намешаванд, низ хориҷ карда шуданд. Journal quartile ё impact-factor cut-off истифода нашуд; нуфузи маҷалла ҳамчун ивазкунандаи methodological quality қабул нашуд.

Номувофиқии дохилиманбаъ дар ҳисобҳои PRISMA

Ду шакли ҳисоботдиҳӣ ба як натиҷаи 290 сабт мерасанд; аммо тақсимоти категорияҳои duplicate ва ineligible бо ҳам мувофиқат намекунад. Манбаъ барои ин reconciliation-и алоҳида пешниҳод намекунад. Verianla ҳеҷ яке аз ин арзишҳоро хомӯшона ҳамчун “дуруст” қабул намекунад.

Ҷараён пас аз screening

Ҳадди тафсир: 134 арзиш шумораи гузоришҳои мувофиқ пеш аз cross-pathway deduplication ва multiple reports reconciliation мебошад, ки як таҳқиқотро тавсиф мекунанд. Манбаъ равшан мегӯяд, ки ин арзиш шумораи тасдиқшудаи таҳқиқоти беназир нест.

Ихроҷи маълумот

Як таҳқиқотчӣ аз ҳар сабти мувофиқ 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 ва future-research need-ро кодгузорӣ кардааст.

Усулҳо ба оилаҳое монанди traditional ML, DL, Transformer-based models, object detection/segmentation, multimodal fusion, GIS spatial analysis, XAI, uncertainty quantification, digital twins ва dashboard-based decision support гурӯҳбандӣ шудаанд.

Validation ҳамчун қабати ҷудогонаи далел кодгузорӣ шуд

Метрикаи модел ва validation design ҷудогона кодгузорӣ шудаанд. Таҳқиқотҳо то ҳадди имкон ҳамчун random validation, temporally independent validation, spatially independent validation, external-site validation ё field/operational validation тасниф шуданд.

Ин фарқгузорӣ аҳамияти калидӣ дорад. Accuracy-и баланди модел дар random split исбот намекунад, ки дар майдон ё минтақаи дигар ҳамон муваффақият ба даст меояд. Ҳамчунин пешгӯии soil moisture ё disease probability нишон намедиҳад, ки он prediction воқеан management decision-ро беҳтар кардааст.

Самтҳои арзёбии сифат

Чаро Дақиқии Баланди Модел дар GeoAI Муваффақияти Амалиётиро Исбот Намекунад?

Accuracy-и баланд, F1, R² ё метрикаи монанди prediction танҳо муваффақияти моделро дар як evaluation design-и муайян нишон медиҳад; барои муваффақияти амалиётии кишоварзии дақиқ модел бояд ба ҷойҳо ва давраҳои нав интиқол дода шавад, uncertainty-и он маълум бошад, натиҷа ба қарори идоракунии татбиқшаванда табдил дода шавад ва он қарор аз рӯи об, input, ҳосилнокӣ, хароҷот ё дигар натиҷаҳои воқеии саҳро тасдиқ гардад.

Зинаҳои далел аз sensing то action

Манбаъ махсусан бо мисоли irrigation мантиқи чормарҳилаиро шарҳ медиҳад:

Аз ин рӯ validation-и амалиётӣ бояд натиҷаҳои water application, water-use efficiency, crop yield/quality, energy consumption, irrigation timing ва over-/under-irrigation-ро бо conventional management ё baseline-и мувофиқ муқоиса кунад.

Ҳосилнокӣ ва пешгӯӣ

Yield prediction дар баррасӣ яке аз самтҳои нисбатан пухтаи GeoAI мебошад. Истифодаи якҷояи satellite time series, weather, soil, cultivar ва management-zone information метавонад нисбат ба модели такякунанда ба як vegetation index prediction context-и фарогиртар фароҳам орад.

Аммо манбаъ барои ҳамаи ин моделҳо афзоиши ягонаи accuracy ҳисоб намекунад. Азбаски таҳқиқотҳо crop, region, metric ва validation design-ҳои гуногун доранд, арзиши умумии мета-таҳлилии performance ҳосил карда нашудааст.

Муайянкунии зараррасон ва беморӣ

CNN, Vision Transformer, object detector ва segmentation барои crop stress, pest ва disease symptoms бештар истифода мешаванд. Бо вуҷуди ин performance-и controlled image dataset ҳангоми тағйири illumination, phenology, cultivar, background ва disease severity метавонад ҳамон тавр намонад.

Барои operational pest/disease management cross-domain transferability ва field-scale validation зарур аст.

Харитасозии хок

Дар таҳқиқоти GeoAI soil mapping field samples, proximal sensing, terrain attributes, satellite products ва environmental covariates метавонанд якҷоя карда шаванд. Арзиши агрономии remote sensing ҳангоми пайваст шудан ба ground truth бештар мегардад.

Барои интиқол ба майдонҳои нав spatially blocked validation, local calibration, uncertainty estimates ва agronomically interpretable management outputs муҳиманд.

Оптимизатсияи захираҳо

Resource optimization irrigation, fertilization, pesticide application ва machinery operations-ро дар бар мегирад. Танҳо аз ҷиҳати техникӣ тавлид кардани model recommendation кофӣ нест; онҳо бояд бо local agronomic thresholds, equipment constraints, farmer risk tolerance ва labor requirements мувофиқ бошанд.

Устувории экологӣ

Коҳиши истифодаи water, fertilizer ё pesticide метавонад барои runoff, pollution ё emissions манфиат дошта бошад. Аммо environmental footprint-и технологияи рақамӣ танҳо бо input reduction дар саҳро чен карда намешавад.

Device manufacturing, electricity demand, cloud/data infrastructure ва rebound effects низ ҳамчун қисмҳои давраи ҳаёт бояд ба назар гирифта шаванд. Аз ин рӯ таҳқиқот environmental sustainability gains-ро натиҷаи бечунучаро намешуморад.

Имконияти иқтисодӣ ва амалиётӣ

Initial investment, subscription costs, connectivity, equipment compatibility, technical support ва user training метавонанд adoption-ро муайян кунанд. Манбаъ тавсия медиҳад, ки дар оянда илова бар model metric, нишондиҳандаҳое чун return on investment, implementation cost, labor saving ва operational resilience низ арзёбӣ шаванд.

Монеаҳои асосӣ дар роҳи GeoAI

Самтҳои таҳқиқоти оянда

Multimodal AI fusion

Дар системаҳои multimodal-и оянда танҳо якҷоя кардани feature-ҳои гуногун дар як вектор кофӣ ҳисоб намешавад. Тавсия мешавад, ки фарқиятҳо дар spatial support, temporal frequency, measurement uncertainty ва sensor failure mode дар дохили меъморӣ ба таври возеҳ идора шаванд.

Generative AI

Моделҳои GAN ва diffusion метавонанд барои pest events-и нодир, imbalanced disease classes ё crop stages-и камнишондодашуда synthetic training data фароҳам кунанд. Аммо generated samples метавонанд тақсимоти воқеии биологӣ ва фазоиро вайрон кунанд.

Аз ин рӯ таҳқиқоти synthetic-data бояд на танҳо aggregate accuracy, балки таъсир ба spatial generalization, calibration, uncertainty ва field transfer-ро низ гузориш диҳанд.

Explainable AI

XAI набояд танҳо бо нишон додани кадом pixel ё variable муҳим аст маҳдуд шавад. Ҳамчунин бояд нишон дода шавад, ки шарҳ дар кадом ҷуғрофия, кадом scale ва дар зери кадом uncertainty эътибор дорад.

Edge AI

Бо афзоиши UAV, robot, smart trap, irrigation controller ва dense IoT networks, field-side processing муҳимтар мешавад. Edge AI метавонад latency ва bandwidth-ро кам кунад; аммо lightweight models, compression, sensor-quality control ва fallback behavior-и бехатар ҳангоми қатъи пайвастшавӣ лозим аст.

Data privacy ва participatory design

Маълумоти кишоварзӣ метавонад дар бораи land productivity, input use, амалияҳои хоҷагӣ ва location-specific vulnerabilities маълумоти ҳассоси тиҷоратӣ дошта бошад. Аз ин рӯ consent, confidentiality, geoprivacy ва ownership бояд ҷузъҳои асосии тарҳи система бошанд, на чизе ки баъдтар илова мешавад.

Манбаъ ҷонибдор аст, ки системаҳои оянда дар ҳамкорӣ бо farmer, agronomist, advisor, cooperative ва platform provider таҳия шаванд.

AI regulation

Вақте GeoAI ба irrigation, fertilization, pesticide application, credit, insurance ё sustainability reporting таъсир мерасонад, accountability, liability, transparency ва data rights аҳамияти бештар мегиранд.

Барои системаҳои operational муайян кардани интизориҳои ҳадди ақал оид ба validation geography, auditability, uncertainty communication, privacy protection ва human oversight тавсия мешавад.

Foundation models

Foundation models метавонанд байни crops, regions, sensors ва tasks-и гуногун reusable representations фароҳам кунанд. Моделҳои бузурги забонӣ ва self-supervised vision models ба монанди DINOv2/DINOv3 ҳамчун намунаҳои технологии ин самт баррасӣ мешаванд.

Аммо agricultural foundation model-ҳо пеш аз тасдиқ аз рӯи spatial transfer, phenological robustness, sensor compatibility, bias, explainability ва uncertainty набояд general-purpose agricultural solution ҳисобида шаванд.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

Баррасӣ дастгирӣ мекунад, ки адабиёти GeoAI аз isolated mapping ва isolated prediction ба сӯи multimodal, integrated decision-support workflows ҳаракат дорад.

Баррасӣ дастгирӣ мекунад, ки истифодаи якҷояи satellite, UAV, IoT, weather, soil ва management data метавонад манбаъҳои гуногуни иттилооти фазоӣ ва вақтӣро пурра кунад.

Баррасӣ дастгирӣ мекунад, ки дар самтҳои yield estimation, pest/disease detection, soil mapping, irrigation ва resource optimization татбиқҳои муфиди predictive ва decision-support вуҷуд доранд.

Баррасӣ дастгирӣ мекунад, ки georeferenced input танҳо барои spatial AI-и ҳақиқӣ кофӣ нест ва spatial dependence, scale, support, validation geography ва uncertainty бояд ба ҳисоб гирифта шаванд.

Баррасӣ дастгирӣ мекунад, ки барои trustworthy GeoAI explainability, uncertainty quantification, interoperability, field validation ва operational integration ба қадри model accuracy муҳиманд.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

Баррасӣ нишон намедиҳад, ки ягон меъмории AI дар ҳамаи масъалаҳои precision-agriculture беҳтарин модел аст.

Баррасӣ нишон намедиҳад, ки random-validation accuracy-и баланд муваффақияти cross-region ё field deployment-ро кафолат медиҳад.

Баррасӣ нишон намедиҳад, ки CNN ё Transformer-и georeferenced худкор spatial reasoning анҷом медиҳад.

Баррасӣ нишон намедиҳад, ки ҳамаи татбиқҳои GeoAI аз рӯи yield, water saving, fertilizer reduction ё environmental impact манфиатҳои қатъӣ ва ба андозаи яксон медиҳанд.

Баррасӣ нишон намедиҳад, ки таъсири экологии кишоварзии рақамӣ дар ҳама ҳолат мусбат аст.

Баррасӣ нишон намедиҳад, ки foundation model ё generative AI systems омодаанд усулҳои specialized geospatial-и мавҷударо иваз кунанд.

Баррасӣ нишон намедиҳад, ки арзиши 134 дар PRISMA Figure 2 маҳз 134 таҳқиқоти беназири мустақил аст.

Маҳдудиятҳои худи баррасӣ

Systematic search-и асосӣ асосан ба Scopus ва Web of Science такя мекунад; gray literature, proprietary deployment ва баъзе regional publications метавонанд кам намояндагӣ шаванд.

Ба systematic screening танҳо дохил кардани нашрияҳои англисӣ метавонад боис шавад, ки баъзе минтақаҳо дар адабиёт аз воқеият камтар намояндагӣ шаванд.

Азбаски GeoAI соҳаи зудтағйирёбанда аст, системаҳои навтарин ҳанӯз дар peer-reviewed literature ҷой нагирифта метавонанд.

Дар байни таҳқиқоти баррасишуда аз рӯи crop, geography, sensor, scale, model, validation ва metric гетерогении баланд вуҷуд дорад; аз ин рӯ statistical meta-analysis анҷом дода нашуд.

Title/abstract screening, full-text eligibility assessment, quality assessment ва data extraction аз ҷониби як таҳқиқотчӣ анҷом дода шуданд. Набудани independent duplicate assessment хатари selection bias, missed-study ва coding-error-ро зиёд мекунад.

PRISMA narrative дар манбаъ бо категорияҳои хориҷкунии пеш аз screening дар Figure 2 пурра мувофиқат намекунад.

Ёддошт оид ба Манбаъ ва Усул

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

Муаллиф: César de Oliveira Ferreira Silva

Аффилиатсия: StormGeo, São Paulo 05110903, Brazil.

Corresponding author: Дар PDF аломати ҷудогонаи corresponding-author нишон дода нашудааст; почтаи электронии тамоси муаллифи ягона пешниҳод шудааст.

Маҷалла: AI and Precision Agriculture

Ношир: MDPI

Ҷилд / Шумора / Мақола: 1 / 1 / 4

DOI: 10.3390/aipa1010004

Санаҳо: Қабул шуд: 4 Июл 2026; бозбинӣ шуд: 17 Сентябр 2026; пазируфта шуд: 20 Сентябр 2026; нашр шуд: 22 Сентябр 2026.

Навъи манбаъ: Systematic Review.

Баррасии ҳамтоён: Мақола дар маҷаллаи байналмилалии баррасишавандаи AI and Precision Agriculture нашр шудааст.

Версия: Version of Record.

Иҷозатнома: Creative Commons Attribution (CC BY). Азбаски дар сатри намоёни иҷозатнома дар PDF рақами версия алоҳида навишта нашудааст, версияи иҷозатнома тахмин карда нашудааст.

Review reporting framework: PRISMA 2020.

Давраи асосии нашр: 2019–2026; баъзе таҳқиқоти асосии кӯҳнатаре, ки аз нигоҳи методологӣ ё консептуалӣ заруранд, нигоҳ дошта шудаанд.

Пойгоҳҳои асосии маълумот: Scopus ва Web of Science Core Collection.

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

Санаи ҷустуҷӯи Scopus: 2 Июл 2026.

Санаи ҷустуҷӯи Web of Science: 4 Июл 2026.

Маҳдудияти забон: English.

Усули асосии synthesis: Narrative ва thematic synthesis; statistical meta-analysis анҷом дода нашуд.

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

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

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

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

Манбаъҳои асосии маълумот: Satellite imagery, UAV imagery, IoT/proximal sensing, weather/climate data, soil measurements, vegetation indices ва farm-management records.

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

Ёддошти муҳими PRISMA: Narrative method text пеш аз screening 194 duplicate + 99 outside-scope + 49 other removal гузориш медиҳад, дар ҳоле ки Figure 2 127 duplicate + 166 automation-ineligible + 49 other removal нишон медиҳад. Ҳар ду роҳ ба 290 screened record мерасанд, аммо тақсимоти категорияҳо мувофиқат намекунад.

Вазъи рақами 134: Аз database pathway 128 ва аз supplementary pathway шаш eligible report гирифта шуда, 134 combined eligible-report шумораи пеш аз cross-pathway deduplication ва multiple-report reconciliation мебошад; он набояд ҳамчун unique-study count-и тасдиқшуда истифода шавад.

Мафҳуми асосии методологии фазоӣ: Change-of-support problem; satellite pixel, UAV pixel, point sensor ва management zone spatial support-ҳои гуногунро ифода мекунанд ва танҳо common-grid resampling ин фарқро аз байн намебарад.

Огоҳии асосии validation: Дар мушоҳидаҳои spatially dependent, random train–test splitting метавонад spatial leakage ва optimistic performance ба вуҷуд орад; spatially blocked, leave-location-out, cross-region ё temporal validation-и мувофиқ ба intended deployment бояд арзёбӣ шавад.

Маблағгузорӣ: Таҳқиқот маблағгузории берунӣ нагирифтааст.

Дастрасии маълумот: Data ва materials метавонанд аз corresponding author бо дархости асоснок гирифта шаванд.

Author Contributions: Дар манбаъ бахши ҷудогонаи Author Contributions вуҷуд надорад.

Баёнияи истифодаи AI: Тибқи бахши Acknowledgments, муаллиф ChatGPT 5.4-ро барои бозбинӣ кардани матн ва ислоҳу оптимизатсияи коде, ки дар манбаъ ҳамчун “LETAX code” навишта шудааст, истифода бурдааст; натиҷаро худаш санҷида ва таҳрир кардааст ва масъулияти мундариҷаи нашрро бар уҳда гирифтааст.

Бархӯрди манфиатҳо: Муаллиф корманди StormGeo аст. Манбаъ изҳор мекунад, ки таҳқиқот бидуни муносибатҳои тиҷоратӣ ё молиявие гузаронида шудааст, ки метавонистанд бархӯрди эҳтимолии манфиатҳоро ба вуҷуд оранд.

Маҳдудияти асосии systematic-review: Фарогирии асосан Scopus/Web of Science, English-only screening, адабиёти зудтағйирёбанда ва иҷрои ҳамаи screening/extraction аз ҷониби як таҳқиқотчӣ фарогирии далелҳо ва эътимоднокии интихоб/кодгузориро маҳдуд мекунанд.

Ҳадди асосии тафсири илмӣ: Адабиёти GeoAI барои кишоварзии дақиқ имкониятҳои қавии prediction, monitoring ва decision-support нишон медиҳад; аммо метрикаи баланди модел далели худкори geographic transferability, таъсири амалиётӣ, арзиши иқтисодӣ ё environmental sustainability нест.