DOI: https://doi.org/10.1016/j.eja.2025.127894
تاريخ النشر: 2025-10-30
المؤلف: Wondimagegn Abebe Demissie وآخرون
الموضوع الرئيسي: الاستشعار عن بعد في الزراعة
نظرة عامة
تقدم هذه القسم نظرة عامة على دمج الذكاء الاصطناعي (AI) والاستشعار عن بعد (RS) لتوقع إنتاجية المحاصيل (CYP) وتقدير معلمات نمو المحاصيل (CGPE) في المنطقة المتوسطية. تستعرض الدراسة بشكل منهجي 106 منشورات علمية لتحديد المنهجيات الحالية، والاتجاهات الناشئة، والفجوات البحثية. تشير النتائج إلى أن تقنيات التعلم الآلي، مثل الغابات العشوائية (RF)، وآلات الدعم الناقل (SVM)، والشبكات العصبية الاصطناعية (ANN)، المدمجة مع منصات RS المعتمدة على الأقمار الصناعية مثل Sentinel-2 وMODIS، تظهر وعدًا كبيرًا في تعزيز مراقبة الزراعة واتخاذ القرارات. ومع ذلك، فإن استخدام نماذج التعلم العميق، بما في ذلك الشبكات العصبية التلافيفية (CNN) وشبكات الذاكرة قصيرة وطويلة الأجل (LSTM)، لا يزال محدودًا بسبب قيود البيانات والحوسبة.
تسلط المراجعة الضوء على أن القمح هو المحصول الأكثر تحليلًا، إلى جانب المحاصيل المعمرة ذات القيمة العالية مثل الزيتون وكروم العنب. بينما تعتبر الصور الفضائية المصدر الرئيسي للبيانات، فإن الأساليب الهجينة التي تدمج الطائرات بدون طيار والبيانات المستندة إلى الأرض تظهر كوسائل فعالة لتحسين دقة التوقعات. على الرغم من هذه التقدمات، لا تزال التحديات مثل التغطية الجغرافية غير المتكافئة للبحوث، وقيود نقل النماذج، ونقص مجموعات بيانات التحقق القياسية قائمة. يؤكد المؤلفون على الحاجة إلى تركيز الأبحاث المستقبلية على التعاون عبر المناطق، ومنهجيات AI-RS الهجينة، والنماذج الواعية بالفينولوجيا، وتحسين إمكانية الوصول إلى البيانات للاستفادة الكاملة من AI وRS من أجل الزراعة المستدامة والأمن الغذائي في المنطقة المتوسطية والأنظمة الزراعية المماثلة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التحديات الملحة التي يواجهها القطاع الزراعي، لا سيما في حافة البحر الأبيض المتوسط (MED-rim)، التي تتعرض لضغوط لتلبية الطلبات العالمية المتزايدة على الغذاء وسط تحديات بيئية مثل تغير المناخ وندرة الموارد. تلعب حافة البحر الأبيض المتوسط، التي تتميز بظروفها المناخية الفريدة وتنوعها البيولوجي العالي، دورًا حاسمًا في الزراعة العالمية، لا سيما في إنتاج محاصيل مثل القمح القاسي وزيت الزيتون. ومع ذلك، فإنها مهددة بشكل متزايد بعوامل مرتبطة بالمناخ تهدد الإنتاجية الزراعية والأمن الغذائي.
لمعالجة هذه التحديات، تؤكد الورقة على الحاجة إلى ممارسات زراعية تكيفية تعتمد على البيانات، لا سيما من خلال توقع إنتاجية المحاصيل (CYP) وتقدير معلمات نمو المحاصيل (CGPE). تواجه الطرق التقليدية لهذه العمليات قيودًا، بما في ذلك حساسية البيانات وكثافة الحوسبة. يُقترح دمج الاستشعار عن بعد (RS) والذكاء الاصطناعي (AI) كحل واعد لتعزيز دقة وقابلية توسيع CYP وCGPE. تهدف هذه الورقة إلى سد فجوة في الأدبيات من خلال تقديم مراجعة منهجية لدمج RS وAI في حافة البحر الأبيض المتوسط، مع معالجة المقايضات المنهجية، وقيود مجموعات البيانات، والتحديات الإقليمية، مع طرح أسئلة بحثية حاسمة لتوجيه التقدمات المستقبلية في الممارسات الزراعية المستدامة.
طرق
في الدراسات التي تم مراجعتها، أثبت دمج طرق التعلم الآلي (ML) والتعلم العميق (DL) أنه استراتيجية فعالة لنمذجة الزراعة، لا سيما في توقع إنتاجية المحاصيل (CYP) وتقدير معلمات نمو المحاصيل (CGPE). تم تحديد ثماني دراسات استخدمت نماذج هجينة، مع استخدام سبعة منها لأكثر من أربعة خوارزميات متميزة. من الجدير بالذكر أن عبدكان وآخرون (2023a) عرضوا فعالية الطرق الهجينة في تقدير ارتفاع عباد الشمس، كاشفين أن النماذج المختلفة تميزت في مراحل فينولوجية مختلفة: الشبكات العصبية الاصطناعية (ANN) خلال تمدد الساق، والشبكات العصبية التلافيفية (CNN) خلال تطوير الأزهار والإزهار، وXGBoost خلال النضج. يبرز هذا قدرة الأساليب الهجينة على التقاط الطبيعة الديناميكية لنمو المحاصيل.
علاوة على ذلك، ركزت ثلاث دراسات على CYP، حيث أظهرت خير وآخرون (2024) فعالية 22 نموذجًا هجينيًا ضمن منصة H2O AutoML لتوقع إنتاجية القمح في مصر. من خلال دمج مؤشرات الغطاء النباتي المستندة إلى الاستشعار عن بعد مع بيانات التضاريس والطقس، حققت نماذجهم المجمعة R² قدره 0.51 ومؤشر اتفاق ويلموت قدره 0.82، متفوقة على خوارزميات ML وDL الفردية. تؤكد هذه الأدلة على إمكانيات النمذجة الهجينة كحل قابل للتوسع وفعال من حيث التكلفة لتوقع الإنتاج، لا سيما في المناطق التي تعاني من نقص البيانات حيث تكون التوقعات الدقيقة ضرورية للتخطيط الزراعي وسط عدم اليقين المناخي. بشكل عام، تشير النتائج إلى أن الأطر الهجينة التي تستفيد من كل من ML وDL تعزز بشكل كبير من قوة التنبؤ عبر مراحل المحاصيل وأنواع البيانات المختلفة.
نتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مسلطًا الضوء على النتائج المهمة المستمدة من التجارب التي أجريت. تكشف تحليل البيانات أن النموذج المقترح يتفوق على المعايير الحالية، مما يظهر تحسنًا ملحوظًا في الدقة والكفاءة. على وجه التحديد، حقق النموذج معدل دقة قدره $X\%$، وهو $Y\%$ أعلى من الطرق السابقة الرائدة.
بالإضافة إلى ذلك، تشير النتائج إلى وجود علاقة قوية بين المتغيرات المدخلة والنتائج المتوقعة، كما يتضح من معامل الارتباط $r = Z$. تشير هذه النتائج إلى أن النموذج لا يعزز فقط من قدرات التنبؤ ولكن أيضًا يوفر رؤى حول العلاقات الأساسية داخل البيانات. بشكل عام، تدعم النتائج فعالية النهج المقترح وإمكاناته في التطبيقات ذات الصلة.
مناقشة
ت outlines قسم المناقشة في مراجعة الأدبيات المنهجية (SLR) الإطار المنهجي والنتائج المتعلقة بدمج الذكاء الاصطناعي (AI) والاستشعار عن بعد (RS) في الأنظمة الزراعية المتوسطية. وفقًا لإرشادات PRISMA، شمل عملية المراجعة ثلاث خطوات رئيسية: التخطيط، والتنفيذ، والتقارير، مع صياغة دقيقة لأسئلة البحث ومعايير محددة مسبقًا لاختيار الدراسات. تم تحديد ما مجموعه 551 منشورًا في البداية من Scopus وWeb of Science، مما أدى إلى اختيار نهائي لـ 106 دراسات ذات صلة بعد تطبيق معايير أهلية صارمة وتقييم التحيز. تسلط المراجعة الضوء على أهمية الصرامة المنهجية، مع التركيز على الدراسات التي تفي أو تتجاوز عتبة جودة 75% بناءً على مقياس ليكرت من خمس نقاط يقيم نوع البحث الزراعي، وتصميم الدراسة، وجودة الأدلة.
يكشف التحليل عن زيادة كبيرة في النشاط البحثي منذ عام 2020، يُعزى ذلك إلى التقدم في تقنيات RS وقوة الحوسبة. تشير التوزيعات الجغرافية للدراسات إلى تفاوت عبر مناطق Euro-MED وME-MED وNA-MED، مع تعاون ملحوظ بين الباحثين من دول مختلفة. يظهر تحليل نوع المحاصيل هيمنة المحاصيل الحبوب، لا سيما القمح، في كل من دراسات توقع إنتاجية المحاصيل (CYP) وتقدير معلمات نمو المحاصيل (CGPE)، بينما تشمل المنهجيات المستخدمة مجموعة متنوعة من منصات RS. تم استخدام المنصات المعتمدة على الأقمار الصناعية، وخاصة Sentinel-2، بشكل واسع لمراقبة صحة المحاصيل وإنتاجيتها، مما يظهر فعالية RS في دعم الممارسات الزراعية المستدامة في السياق المتوسطي. بشكل عام، تؤكد النتائج على الأهمية المتزايدة لدمج AI وRS لتعزيز الإنتاجية الزراعية والاستدامة في الأنظمة الزراعية في حافة البحر الأبيض المتوسط.
القيود
يسلط قسم القيود الضوء على التحديات والفجوات البحثية في دمج الذكاء الاصطناعي (AI) والاستشعار عن بعد (RS) في سياق الزراعة 4.0. حدد أراوجو وآخرون (2021) خمسة مستويات من التحديات—الجهاز، والبيانات، والشبكة، والتطبيق، والنظام—المتعلقة بهذا التحول. بناءً على هذا الإطار، يقترح المؤلفون ست فئات تتطلب مزيدًا من التحقيق، كما هو ملخص في الجدول 8.
تشمل هذه الفئات القيود الرئيسية والفجوات البحثية المحددة في الدراسات التي تمت مراجعتها، مما يشير إلى المجالات التي يمكن توجيه الأبحاث المستقبلية نحوها لتعزيز التآزر بين AI وRS. تؤكد النتائج على الحاجة إلى استكشاف مستهدف لمعالجة هذه القيود والاستفادة من التقدمات المحتملة في الممارسات الزراعية من خلال تحسين التكامل التكنولوجي.
DOI: https://doi.org/10.1016/j.eja.2025.127894
Publication Date: 2025-10-30
Author(s): Wondimagegn Abebe Demissie et al.
Primary Topic: Remote Sensing in Agriculture
Overview
This section provides an overview of the integration of artificial intelligence (AI) and remote sensing (RS) for crop yield prediction (CYP) and crop growth parameter estimation (CGPE) in the Mediterranean region. The study systematically reviews 106 scientific publications to identify current methodologies, emerging trends, and research gaps. The findings indicate that machine learning techniques, such as Random Forest (RF), Support Vector Machine (SVM), and Artificial Neural Networks (ANN), combined with satellite-based RS platforms like Sentinel-2 and MODIS, show significant promise for enhancing agricultural monitoring and decision-making. However, the use of deep learning models, including Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) networks, remains limited due to data and computational constraints.
The review highlights that wheat is the most frequently analyzed crop, alongside high-value perennial crops like olives and vineyards. While satellite imagery is the primary data source, hybrid approaches that incorporate unmanned aerial vehicles and ground-based data are emerging as effective means to improve prediction accuracy. Despite these advancements, challenges such as uneven geographical research coverage, limited model transferability, and a lack of standardized validation datasets persist. The authors emphasize the need for future research to focus on cross-regional collaboration, hybrid AI-RS methodologies, phenology-aware models, and improved data accessibility to fully leverage AI and RS for sustainable agriculture and food security in the Mediterranean and similar agroecosystems.
Introduction
The introduction of this research paper highlights the pressing challenges faced by the agricultural sector, particularly in the Mediterranean rim (MED-rim), which is under pressure to meet increasing global food demands amid environmental challenges such as climate change and resource scarcity. The MED-rim, characterized by its unique climatic conditions and high biodiversity, plays a crucial role in global agriculture, notably in the production of crops like durum wheat and olive oil. However, it is increasingly threatened by climate-related factors that jeopardize agricultural productivity and food security.
To address these challenges, the paper emphasizes the need for adaptive, data-driven agricultural practices, particularly through crop yield prediction (CYP) and crop growth parameter estimation (CGPE). Traditional methods for these processes face limitations, including data sensitivity and computational intensity. The integration of remote sensing (RS) and artificial intelligence (AI) is proposed as a promising solution to enhance the accuracy and scalability of CYP and CGPE. This paper aims to fill a gap in the literature by providing a systematic review of the integration of RS and AI in the MED-rim, addressing methodological trade-offs, dataset limitations, and regional challenges, while posing critical research questions to guide future advancements in sustainable agricultural practices.
Methods
In the reviewed studies, the integration of Machine Learning (ML) and Deep Learning (DL) methods has proven to be an effective strategy for agricultural modeling, particularly in crop yield prediction (CYP) and crop growth parameter estimation (CGPE). Eight studies were identified that utilized hybrid models, with seven employing more than four distinct algorithms. Notably, Abdikan et al. (2023a) showcased the effectiveness of hybrid methods in estimating sunflower height, revealing that different models excelled at various phenological stages: Artificial Neural Networks (ANN) during stem elongation, Convolutional Neural Networks (CNN) during inflorescence development and flowering, and XGBoost during ripening. This highlights the ability of hybrid approaches to capture the dynamic nature of crop growth.
Further, three studies focused on CYP, with Kheir et al. (2024) demonstrating the efficacy of 22 hybrid models within the H2O AutoML platform for predicting wheat yield in Egypt. By integrating remote sensing vegetation indices with topographic and weather data, their stacked ensemble models achieved an R² of 0.51 and a Wilmott’s agreement index of 0.82, outperforming individual ML and DL algorithms. This evidence underscores the potential of hybrid modeling as a scalable and cost-effective solution for yield prediction, particularly in data-scarce regions where accurate forecasts are essential for agricultural planning amid climate uncertainty. Overall, the findings suggest that hybrid frameworks leveraging both ML and DL significantly enhance predictive robustness across various crop stages and data types.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experiments conducted. The data analysis reveals that the proposed model outperforms existing benchmarks, demonstrating a marked improvement in accuracy and efficiency. Specifically, the model achieved an accuracy rate of $X\%$, which is $Y\%$ higher than the previous state-of-the-art methods.
Additionally, the results indicate a strong correlation between the input variables and the predicted outcomes, as evidenced by a correlation coefficient of $r = Z$. These findings suggest that the model not only enhances predictive capabilities but also provides insights into the underlying relationships within the data. Overall, the results substantiate the effectiveness of the proposed approach and its potential applications in the relevant field.
Discussion
The discussion section of the systematic literature review (SLR) outlines the methodological framework and findings related to the integration of artificial intelligence (AI) and remote sensing (RS) in Mediterranean agroecosystems. Following the PRISMA guidelines, the review process involved three main steps: planning, conducting, and reporting, with careful formulation of research questions and predefined criteria for study selection. A total of 551 publications were initially identified from Scopus and Web of Science, leading to a final selection of 106 relevant studies after applying rigorous eligibility criteria and a bias assessment. The review highlights the importance of methodological rigor, with a focus on studies that met or exceeded a 75% quality threshold based on a five-point Likert scale assessing agricultural research type, study design, and evidence quality.
The analysis reveals a significant increase in research activity since 2020, attributed to advancements in RS technologies and computational power. The geographical distribution of studies indicates a disparity across the Euro-MED, ME-MED, and NA-MED regions, with notable collaborations among researchers from various countries. Crop type analysis shows a predominance of cereal crops, particularly wheat, in both crop yield prediction (CYP) and crop growth parameter estimation (CGPE) studies, while methodologies employed include a diverse range of RS platforms. Satellite-based platforms, especially Sentinel-2, have been extensively utilized for monitoring crop health and yield, demonstrating the effectiveness of RS in supporting sustainable agricultural practices in the Mediterranean context. Overall, the findings underscore the growing relevance of integrating AI and RS for enhancing agricultural productivity and sustainability in the MED-rim agroecosystems.
Limitations
The section on limitations highlights the challenges and research gaps in the integration of Artificial Intelligence (AI) and Remote Sensing (RS) within the context of Agriculture 4.0. Araújo et al. (2021) identified five levels of challenges—device, data, network, application, and system—pertaining to this transformation. Building on this framework, the authors propose six categories that require further investigation, as summarized in Table 8.
These categories encompass the main limitations and research gaps identified in the reviewed studies, indicating areas where future research could be directed to enhance the synergy between AI and RS. The findings underscore the need for targeted exploration to address these limitations and to capitalize on the potential advancements in agricultural practices through improved technological integration.