DOI: https://doi.org/10.3389/fpls.2025.1732979
PMID: https://pubmed.ncbi.nlm.nih.gov/41695522
تاريخ النشر: 2026-01-29
المؤلف: Tong Wang وآخرون
الموضوع الرئيسي: الاستشعار عن بعد في الزراعة
نظرة عامة
تسلط الأبحاث الضوء على تحول جذري في أبحاث النباتات مدفوعًا بالتقدم في الذكاء الاصطناعي (AI) وتقنيات التصوير. الانتقال من القياسات اليدوية إلى جمع البيانات الآلي من خلال التصنيف الظاهري القائم على الصور عالية الإنتاجية يسمح بالاكتساب الدقيق لخصائص النباتات عبر سياقات مكانية وزمنية متنوعة، بما في ذلك البيئات المسيطر عليها والإعدادات الميدانية المعقدة. يعزز دمج الذكاء الاصطناعي مع صور الأقمار الصناعية وبيانات الطائرات بدون طيار (UAV) والعوامل البيئية دقة مراقبة الخصائص وتوقعات العائد، مما يحسن تقييم أداء المحاصيل تحت ظروف بيئية متغيرة.
في الختام، فإن دمج الذكاء الاصطناعي مع تقنيات التصوير ومصادر البيانات المتنوعة يحدث ثورة في التصنيف الظاهري للنباتات، مما ينقله بعيدًا عن الطرق التقليدية التي تتطلب جهدًا كبيرًا نحو نهج متقدم قائم على البيانات وعالي الإنتاجية. لقد زادت التقدمات في هياكل الذكاء الاصطناعي المختلفة بشكل ملحوظ من دقة ومرونة الممارسات الزراعية الحديثة، مما يمهد الطريق لنتائج زراعية أكثر دقة واستدامة.
مقدمة
تسلط المقدمة الضوء على التحديات الملحة التي تواجه أنظمة الغذاء العالمية بسبب النمو السكاني السريع، وتغير المناخ، والموارد الطبيعية المحدودة، مما يستدعي استراتيجيات مبتكرة لتعزيز إنتاجية المحاصيل وضمان ممارسات زراعية مستدامة (van Dijk et al., 2021). تعتبر طرق التصنيف الظاهري التقليدية وتوقع العائد كثيفة العمالة وغير كافية لالتقاط التفاعلات المعقدة، مما يدفع إلى اعتماد الذكاء الاصطناعي (AI)، وخاصة التعلم الآلي (ML) والتعلم العميق (DL)، في الزراعة. تستفيد هذه التقنيات من التقدم في الخوارزميات وتوافر مجموعات بيانات المحاصيل الواسعة لأتمتة المهام المملة، مما يحسن دقة وكفاءة توقعات عائد المحاصيل وتقييم الخصائص (Joshi et al., 2023; Waqas et al., 2025).
تقدم المراجعة ملخصًا من جزئين لدور الذكاء الاصطناعي التحويلي في علم النبات، مع التركيز على التصنيف الظاهري القائم على الصور وتوقع العائد والخصائص من خلال الاستشعار عن بعد. من خلال تحليل صور النباتات ودمج البيانات البيئية، يسهل الذكاء الاصطناعي التطوير السريع والدقيق للمحاصيل، معالجًا التحديات التي تطرحها تغير المناخ وزيادة الطلب على الغذاء. ومع ذلك، تشير المقدمة أيضًا إلى قيود البيانات الكبيرة والتحولات في المجال التي تؤثر على تعميم النماذج عبر مناطق الزراعة البيئية المتنوعة، وخاصة في أنظمة المزارعين الصغار في جنوب آسيا، حيث يمكن أن تؤدي التباينات المكانية إلى تقليل دقة رسم خرائط العائد (Ma et al., 2021; Jain et al., 2016).
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على تطور ودمج تقنيات التعلم الآلي (ML) والتعلم العميق (DL) المختلفة في التصنيف الظاهري للنباتات والاستشعار عن بعد. كانت طرق التعلم الآلي التقليدية مثل الغابات العشوائية (RF) وآلات الدعم الناقل (SVM) وتوقعات الجينوم الأفضل غير المتحيزة (GBLUP) أساسية للتوقعات الظاهرية المبكرة. ومع ذلك، قدم ظهور التعلم العميق هياكل متقدمة مثل الشبكات العصبية التلافيفية (CNNs) والشبكات العصبية المتكررة (RNNs) والمحولات، التي تعزز بشكل كبير تحليل البيانات المعقدة وعالية الأبعاد. من الجدير بالذكر أن الشبكات العصبية التلافيفية كانت محورية في التصنيف الظاهري القائم على الصور، مما يمكّن من استخراج الخصائص تلقائيًا من صور النباتات، بينما وسعت المحولات (ViTs) القدرات التحليلية من خلال التقاط الاعتماديات بعيدة المدى في البيانات المرئية.
علاوة على ذلك، تناقش الورقة التحديات المتعلقة بنقل تقنيات التصنيف الظاهري القائم على الصور من البيئات المسيطر عليها إلى ظروف الحقل الواقعية. تؤكد على أهمية التكيف القوي للنموذج من خلال استراتيجيات التكيف في المجال ونشر النماذج الخفيفة على الأجهزة الطرفية مثل الطائرات بدون طيار والهواتف الذكية. يتم تسليط الضوء على تقنيات مثل الشبكات التنافسية التوليدية (GANs) والتعلم شبه الذاتي كطرق فعالة لتحسين تعميم النماذج عبر إعدادات زراعية متنوعة. بشكل عام، يُظهر دمج هذه المنهجيات المتقدمة تعزيز كفاءة وقابلية توسيع تحليل البيانات في التصنيف الظاهري للنباتات، معالجًا التحديات المستمرة في هذا المجال.
القيود
تعتبر قيود البيانات الزراعية الحالية ونماذجها كبيرة، خاصة في سياق توقع العائد والتحليل الظاهري. تشير الأبحاث إلى أنه بينما يمكن أن تحسن الشبكات العصبية التلافيفية العميقة (CNNs) المدمجة مع تقنيات تجميع الفرق من دقة التقسيم على صور المحاصيل المحدودة المعلّمة (Zhan et al., 2024)، فإن تطبيقها في توقع العائد باستخدام مؤشر الفرق النباتي الطبيعي (NDVI) وبيانات المناخ قد أظهر نتائج مختلطة. على وجه الخصوص، في الجزائر من 2002 إلى 2018، كانت هذه الطرق المتقدمة أقل أداءً مقارنة بنماذج التعلم الآلي الأبسط ومعايير NDVI، مما يبرز التحديات التي تطرحها مجموعات البيانات الصغيرة (Sabo et al., 2023).
علاوة على ذلك، تتميز أنظمة الإنتاج الزراعي بتباين مكاني وزمني كبير، مما يعقد تطوير نماذج الذكاء الاصطناعي الموثوقة. تؤدي البلاستيك الظاهري للنباتات إلى تباينات في الخصائص بناءً على الظروف البيئية، مثل طول اليوم وتوافر المغذيات، والتي تعتبر حاسمة لفهم التباينات الهيكلية والتنموية في المحاصيل (Poorter et al., 2019). بالإضافة إلى ذلك، تعيق التوافر غير المتكافئ ومشاركة البيانات عبر محاصيل ومناطق ومقاييس إنتاج مختلفة التحليل الشامل (Wu et al., 2023). تقدم منصات التصنيف الظاهري عالية الإنتاجية (HTP) بيانات قيمة قائمة على المستشعرات؛ ومع ذلك، فإن التغطية الجغرافية والزمنية المحدودة لمجموعات البيانات الحالية، إلى جانب التنسيق غير المتسق، تقيد قابليتها للمقارنة وتطبيقها الأوسع (Danilevicz et al., 2021).
DOI: https://doi.org/10.3389/fpls.2025.1732979
PMID: https://pubmed.ncbi.nlm.nih.gov/41695522
Publication Date: 2026-01-29
Author(s): Tong Wang et al.
Primary Topic: Remote Sensing in Agriculture
Overview
The research highlights a transformative shift in plant research driven by advancements in artificial intelligence (AI) and imaging technologies. The transition from manual measurements to automated data collection through high-throughput image-based phenotyping allows for the precise acquisition of plant traits across diverse spatial and temporal contexts, including both controlled environments and complex field settings. AI’s integration with satellite imagery, unmanned aerial vehicle (UAV) data, and environmental factors enhances the accuracy of trait monitoring and yield predictions, thereby improving the assessment of crop performance under varying environmental conditions.
In conclusion, the integration of AI with imaging technologies and diverse data sources is revolutionizing plant phenotyping, moving it away from traditional, labor-intensive methods towards a sophisticated, data-driven high-throughput approach. The advancements in various AI architectures have notably increased the precision and adaptability of modern agricultural practices, paving the way for more accurate and sustainable agricultural outcomes.
Introduction
The introduction highlights the pressing challenges faced by global food systems due to rapid population growth, climate variability, and limited natural resources, necessitating innovative strategies to enhance crop productivity and ensure sustainable agricultural practices (van Dijk et al., 2021). Traditional phenotyping and yield forecasting methods are labor-intensive and inadequate for capturing complex interactions, prompting the adoption of artificial intelligence (AI), particularly machine learning (ML) and deep learning (DL), in agriculture. These technologies leverage advancements in algorithms and the availability of extensive crop datasets to automate tedious tasks, thereby improving the accuracy and efficiency of crop yield predictions and trait assessments (Joshi et al., 2023; Waqas et al., 2025).
The review presents a two-part summary of AI’s transformative role in plant science, focusing on image-based phenotyping and yield and trait prediction through remote sensing. By analyzing plant images and integrating environmental data, AI facilitates the rapid and precise development of crops, addressing the challenges posed by climate change and increasing food demands. However, the introduction also notes significant data limitations and domain shifts that affect model generalization across diverse agroecological zones, particularly in smallholder systems in South Asia, where spatial heterogeneity can lead to reduced yield mapping accuracy (Ma et al., 2021; Jain et al., 2016).
Discussion
The discussion section of the research paper highlights the evolution and integration of various machine learning (ML) and deep learning (DL) techniques in plant phenotyping and remote sensing. Traditional ML methods such as Random Forest (RF), Support Vector Machines (SVM), and Genomic Best Linear Unbiased Prediction (GBLUP) have been foundational for early phenotypic predictions. However, the advent of DL has introduced advanced architectures like Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), and Transformers, which significantly enhance the analysis of complex, high-dimensional data. Notably, CNNs have been pivotal in image-based phenotyping, enabling the automated extraction of traits from plant images, while Vision Transformers (ViTs) have expanded analytical capabilities by capturing long-range dependencies in visual data.
Furthermore, the paper discusses the challenges of transferring image-based phenotyping techniques from controlled environments to real-world field conditions. It emphasizes the importance of robust model adaptation through domain adaptation strategies and the deployment of lightweight models on edge devices such as drones and smartphones. Techniques like Generative Adversarial Networks (GANs) and semi-self-supervised learning are highlighted as effective methods for improving model generalization across diverse agricultural settings. Overall, the integration of these advanced methodologies is shown to enhance the efficiency and scalability of data analysis in plant phenotyping, addressing longstanding challenges in the field.
Limitations
The limitations of current agricultural data and modeling approaches are significant, particularly in the context of yield prediction and phenotypic analysis. Research indicates that while deep convolutional neural networks (CNNs) combined with ensemble bagging techniques can improve segmentation accuracy on limited labeled crop images (Zhan et al., 2024), their application in yield forecasting using normalized difference vegetation index (NDVI) and climate data has shown mixed results. Specifically, in Algeria from 2002 to 2018, these advanced methods underperformed compared to simpler machine learning models and NDVI baselines, underscoring the challenges posed by small datasets (Sabo et al., 2023).
Moreover, agricultural production systems are characterized by significant spatial and temporal variability, complicating the development of reliable AI models. The phenotypic plasticity of plants leads to variations in traits based on environmental conditions, such as day length and nutrient availability, which are critical for understanding structural and developmental variations in crops (Poorter et al., 2019). Additionally, the uneven availability and sharing of data across different crops, regions, and production scales hinder comprehensive analysis (Wu et al., 2023). High-throughput phenotyping (HTP) platforms offer valuable sensor-based data; however, the limited geographic and temporal coverage of existing datasets, along with inconsistent formatting, restrict their comparability and broader applicability (Danilevicz et al., 2021).