DOI: https://doi.org/10.3389/fpls.2026.1742689
PMID: https://pubmed.ncbi.nlm.nih.gov/41937763
تاريخ النشر: 2026-03-19
المؤلف: Aman Muhammad وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تناقش ورقة البحث التقدمات الكبيرة في تقنيات الزراعة، مع التركيز بشكل خاص على منهجيات الاستشعار عن بعد (RS) لتقدير غلة المحاصيل. وتبرز أهمية الابتكارات التقنية في تحسين قابلية التنبؤ وموثوقية المخرجات الزراعية، والتي تشمل مجالات متنوعة مثل الآلات، والأتمتة، والتكنولوجيا الحيوية، والزراعة في بيئات محكومة. تصنف الورقة منهجيات الاستشعار عن بعد المعتمدة على أربع فئات: الأساليب المعتمدة على المستشعرات، والأساليب المعتمدة على المنصات، والأساليب التحليلية والنمذجة، والنماذج المدفوعة بتعلم الآلة (ML). ومن الجدير بالذكر أن هياكل التعلم العميق (DL) تم تحديدها على أنها تتفوق على الأساليب الأخرى في مقاييس رئيسية مثل الدقة، والوضوح، والاسترجاع، ودرجة F1 بسبب قدرتها على تعلم تمثيلات معقدة والتعامل مع مجموعات بيانات كبيرة بكفاءة.
علاوة على ذلك، تتناول المقالة قيود هذه المنهجيات، مصنفة إياها إلى تحديات بيئية، وخوارزمية، وأجهزة وتشغيلية، وشبكات المستشعرات اللاسلكية (WSNs). تساعد هذه التصنيفات في تحديد القضايا الحرجة في عمليات تقدير الغلة. تؤكد الخاتمة على أن تقنية الاستشعار عن بعد قد أحدثت ثورة في مراقبة الزراعة وتقدير الغلة، مما يسهل الأطر المعتمدة على البيانات للتقييمات غير التدميرية لأداء المحاصيل. كما تشير إلى جهود البحث المستمرة لتعزيز تقدير الغلة من خلال منصات جديدة ومنهجيات قائمة على النماذج، والتي تهدف إلى تحسين أنظمة دعم القرار لاكتشاف عوامل الضغط في المحاصيل.
مقدمة
تسلط مقدمة ورقة البحث هذه الضوء على التأثير التحويلي للتقنيات مثل الاستشعار عن بعد (RS)، وشبكات المستشعرات اللاسلكية (WSNs)، وتعلم الآلة المعتمد على البيانات (ML) على الممارسات الزراعية، وخاصة في تقدير الغلة. تواجه الطرق التقليدية، التي تعتمد على العمل اليدوي وتستغرق وقتًا طويلاً، قيودًا في الزراعة الدقيقة بسبب اعتمادها على قياسات محلية تفشل في التقاط التباين داخل الحقول. هذه الطرق عرضة للأخطاء التي تؤثر عليها الخبرة الذاتية والعوامل الخارجية مثل غزو الآفات والتغيرات المناخية، مما يجعلها غير كافية للتدخلات في الوقت المناسب خلال مراحل النمو الحرجة. بالمقابل، تسهل تقنيات الاستشعار عن بعد المراقبة المستمرة وغير التدميرية لظروف المحاصيل من خلال مستشعرات متنوعة، مما يمكّن من التحول نحو الزراعة المعتمدة على البيانات والدقيقة.
تحدد الورقة الفجوات في الأدبيات الحالية حول تقدير الغلة المعتمد على الاستشعار عن بعد، مشيرة إلى أن المراجعات السابقة غالبًا ما ركزت على جوانب تكنولوجية ضيقة أو مناطق جغرافية محددة، مما يفتقر إلى إطار شامل لفهم المنهجيات والقيود المعنية. تهدف هذه الدراسة إلى تقديم تصنيف منظم لمنهجيات الاستشعار عن بعد وتوليف نقدي للتحديات التي تواجه تقدير الغلة، بما في ذلك التباين البيئي، وجودة البيانات، وقابلية التوسع، وقضايا الاتصال داخل البنى التحتية للاستشعار. ستقوم الأقسام اللاحقة من الورقة بتصنيف منهجيات تقدير الغلة المعتمدة على الاستشعار عن بعد بشكل منهجي، وفحص قيودها، ومقارنة أداء خوارزميات تعلم الآلة المختلفة، مما يساهم في فهم أكثر تماسكًا لهذا المجال المتطور.
الطرق
توضح منهجية البحث الموضحة في هذا القسم نهجًا منهجيًا لمراجعة الأدبيات حول الاستشعار عن بعد (RS) وتقدير الغلة من 2015 إلى 2025. تم استخدام استراتيجية كلمات مفتاحية منظمة تركز على تقدير الغلة، والاستشعار عن بعد، ومراقبة المحاصيل، وشبكات المستشعرات اللاسلكية (WSNs) للبحث في عدة قواعد بيانات علمية موثوقة، بما في ذلك IEEE، وMDPI، وWiley، وFrontiers، وSpringer، وElsevier. حددت هذه العملية في البداية 150 منشورًا، والتي تم فحصها لاحقًا لتنتج 140 دراسة ذات صلة. بعد استبعاد المقالات التحريرية لضمان الصرامة العلمية وإجراء تقييم للجودة، تم اختيار 135 ورقة لتحليل متعمق.
تركز المراجعة بشكل كبير على تقدير الغلة المعتمد على الاستشعار عن بعد، والذي يشكل الأساس المنهجي لت quantifying إنتاجية المحاصيل من خلال البيانات المكانية والطيفية والزمنية. تلخص هذه القسم الأساليب الحالية التي تستخدم بيانات الأقمار الصناعية، والطائرات بدون طيار (UAV)، والاستشعار القريب لتقدير الغلة، مع التأكيد على مبادئها التشغيلية والافتراضات التحليلية. لتعزيز الوضوح، يتم تصنيف المنهجيات إلى ثلاث مجموعات: (i) الأساليب المعتمدة على المستشعرات، (ii) الأساليب المعتمدة على المنصات، و(iii) الأساليب التحليلية والمعتمدة على النمذجة. تم تضمين مخطط تدفق (الشكل 2) لتوضيح التصنيف والتصنيف الفرعي لهذه المنهجيات، مما يسهل التقييم النقدي لأداء النماذج، وقابلية التوسع، والموثوقية.
النتائج
يقدم قسم النتائج تحليلًا شاملاً لتطور الممارسات الزراعية، مع التأكيد على المسار المستقبلي الذي يتأثر بالتقنيات المتقدمة مثل الاستشعار عن بعد (RS)، وشبكات المستشعرات اللاسلكية (WSNs)، والطائرات بدون طيار، والأقمار الصناعية، والآلات الآلية المتصلة من خلال إنترنت الأشياء (IoT). يوضح الشكل 7 هذا التقدم ويبرز التنظيم المنهجي للبيانات الزراعية التاريخية من قبل مجموعات بحثية متنوعة، والتي يتم الاستفادة منها لاحقًا من قبل الباحثين الذين يستخدمون خوارزميات تعلم الآلة (ML) لتحسين دقة تقدير غلة المحاصيل.
علاوة على ذلك، يفسر القسم بشكل نقدي نتائج الدراسات المعتمدة على تعلم الآلة في تقدير غلة المحاصيل، مستخدمًا الرسوم البيانية العمودية لتسهيل التحليل المقارن لنماذج تعلم الآلة المختلفة. يأخذ هذا التحليل في الاعتبار مصادر البيانات المتنوعة، وأنواع المحاصيل، والظروف التجريبية، بهدف تقديم فهم أعمق لأداء النماذج بدلاً من مجرد تلخيص المقاييس العددية. بالإضافة إلى ذلك، تم تضمين مخطط تدفق لتوضيح آليات الأمن السيبراني في الوقت الحقيقي التي تدعم عمليات تقدير الغلة، مما يبرز أهمية تدريب الوعي للموظفين والمصادقة متعددة العوامل (MFA) في حماية البيانات الزراعية من تهديدات التصيد الاحتيالي والهندسة الاجتماعية.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدمات في الأساليب المعتمدة على المستشعرات والأساليب المعتمدة على المنصات لتقدير الغلة في الزراعة، مع التأكيد على تكامل تقنيات الاستشعار المختلفة. تستخدم التقنيات المعتمدة على المستشعرات أجهزة مثل المستشعرات متعددة الطيف، والهايبر الطيفية، والأشعة تحت الحمراء الحرارية (TIR)، وLiDAR، ورادار الفتحة الاصطناعية (SAR) لجمع بيانات بيولوجية وكيميائية حيوية حاسمة، مما يمكّن من التنبؤ الدقيق بالغلة وتحسين إدارة المزارع. على سبيل المثال، تستخدم المستشعرات متعددة الطيف مؤشرات نباتية مثل مؤشر الفرق النباتي الطبيعي (NDVI) لتقييم محتوى الكلوروفيل، بينما توفر المستشعرات الهايبر الطيفية رؤى كيميائية حيوية مفصلة من خلال دقة طيفية دقيقة. تقيس مستشعرات TIR درجة حرارة السطح للإشارة إلى حالة المياه في النباتات، وتلتقط تقنية LiDAR الخصائص الهيكلية للأسطح، مما يعزز تقدير الكتلة الحيوية. يعمل تكامل هذه التقنيات مع نماذج تعلم الآلة (ML) على تحسين توقعات الغلة من خلال تحليل مجموعات بيانات معقدة.
تسهل الأساليب المعتمدة على المنصات، بما في ذلك الأقمار الصناعية، والطائرات بدون طيار، والأنظمة الأرضية، المراقبة القابلة للتوسع لخصائص المحاصيل. يوفر الاستشعار المعتمد على الأقمار الصناعية قدرات متعددة الزمن، على الرغم من أنه حساس لظروف الطقس، مما يدفع لاستكشاف أنظمة هجينة تجمع بين مصادر بيانات متنوعة لتحسين الموثوقية. توفر الطائرات بدون طيار بيانات عالية الدقة على مستويات محلية، بينما تغطي الأنظمة الجوية المأهولة مناطق أكبر، مما يعزز التنبؤ بالغلة من خلال جمع بيانات واسعة النطاق. تقدم المنصات الأرضية، على الرغم من انخفاض قابلية التوسع، تقييمات عالية الدقة ويمكن أن تتحقق من النماذج التنبؤية. بشكل عام، يعزز تكامل التقنيات التحليلية والنمذجة المتقدمة، بما في ذلك نماذج محاكاة نمو المحاصيل واستراتيجيات دمج البيانات، من قوة ودقة تقدير الغلة، مما يدعم الممارسات الزراعية المستدامة.
القيود
ت outlines قسم القيود في تقدير الغلة المعتمد على الاستشعار عن بعد (RS) عدة تحديات حرجة تؤثر على دقة وموثوقية تقديرات الغلة. تشمل القيود البيئية الاضطرابات الجوية، والتغيرات الموسمية، وتقلبات رطوبة التربة، التي تؤثر على جودة البيانات وتعقد القياسات الطيفية. تنشأ القيود الخوارزمية عندما يتم تطبيق النماذج المطورة في سياق جغرافي واحد على مناطق مختلفة دون مراعاة عوامل التباين المحلية، مما يؤدي إلى احتمالية عدم الدقة في التقديرات.
تعيق القيود الطيفية والإشعاعية تقديرات الغلة المعتمدة على الاستشعار عن بعد. غالبًا ما تفتقر المستشعرات متعددة الطيف التقليدية إلى الدقة الطيفية اللازمة لاكتشاف التغيرات الطفيفة في مورفولوجيا المحاصيل، مما يقلل من فعاليتها في تحديد الضغط الفسيولوجي والتغيرات الفينولوجية. بالإضافة إلى ذلك، يمكن أن تؤدي ظروف مؤشر مساحة الورقة العالية (LAI) إلى تشبع في المؤشرات النباتية، مما يؤدي إلى استجابات انعكاسية غير خطية تعيق تقييمات إمكانيات الغلة. تضيف الت inconsistencies الإشعاعية، الناجمة عن انحراف معايرة المستشعرات والاضطرابات الجوية، إلى عدم اليقين في تقييمات الغلة. تحد القيود المتعلقة بالأجهزة والتشغيل، بما في ذلك مشكلات أداء المستشعرات والقيود الطاقية للطائرات بدون طيار (UAVs)، من القدرة على مراقبة مناطق زراعية كبيرة بفعالية. تؤكد هذه التحديات على الحاجة الملحة لحلول أجهزة مبتكرة وفعالة من حيث التكلفة مصممة لتقدير الغلة الزراعية، خاصة في البيئات ذات الموارد المحدودة.
DOI: https://doi.org/10.3389/fpls.2026.1742689
PMID: https://pubmed.ncbi.nlm.nih.gov/41937763
Publication Date: 2026-03-19
Author(s): Aman Muhammad et al.
Primary Topic: Smart Agriculture and AI
Overview
The research paper discusses the significant advancements in agricultural technologies, particularly focusing on Remote Sensing (RS) methodologies for estimating crop yields. It highlights the importance of technical innovations in improving the predictability and reliability of agricultural outputs, encompassing various domains such as machinery, automation, biotechnology, and controlled environment farming. The paper systematically classifies RS-based methodologies into four categories: Sensor-Based approaches, Platform-Based approaches, Analytical and Modeling-based methods, and Machine Learning (ML)-driven models. Notably, Deep Learning (DL) architectures are identified as outperforming other methods in key metrics like accuracy, precision, recall, and F1-score due to their ability to learn complex representations and handle large datasets efficiently.
Furthermore, the article addresses the limitations of these methodologies, categorizing them into Environmental, Algorithmic, Hardware and Operational, and Wireless Sensor Networks (WSNs) challenges. This classification aids in identifying critical issues in yield estimation processes. The conclusion emphasizes that RS technology has revolutionized agricultural monitoring and yield estimation, facilitating data-driven frameworks for non-invasive assessments of crop performance. It also points to ongoing research efforts to enhance yield estimation through newer platforms and model-based approaches, which aim to improve decision-support systems for detecting stress factors in crops.
Introduction
The introduction of this research paper highlights the transformative impact of technologies such as Remote Sensing (RS), Wireless Sensor Networks (WSNs), and data-driven Machine Learning (ML) on agricultural practices, particularly in yield estimation. Traditional methods, which are manual and labor-intensive, face limitations in precision agriculture due to their reliance on localized measurements that fail to capture within-field variability. These methods are prone to errors influenced by subjective experience and external factors like pest infestations and climatic variations, making them inadequate for timely interventions during critical growth stages. In contrast, RS technologies facilitate non-destructive, continuous monitoring of crop conditions through various sensors, enabling a shift towards data-driven, precision-based farming.
The paper identifies gaps in existing literature on RS-based yield estimation, noting that previous reviews have often focused on narrow technological aspects or specific geographic regions, lacking a comprehensive framework for understanding the methodologies and limitations involved. This study aims to provide a structured categorization of RS methodologies and critically synthesize the challenges faced in yield estimation, including environmental variability, data quality, scalability, and communication issues within sensing infrastructures. The subsequent sections of the paper will systematically classify RS-based yield estimation approaches, examine their limitations, and compare the performance of different ML algorithms, ultimately contributing to a more cohesive understanding of this evolving field.
Methods
The research methodology outlined in this section details a systematic approach to reviewing literature on remote sensing (RS) and yield estimation from 2015 to 2025. A structured keyword strategy focusing on yield estimation, RS, crop monitoring, and wireless sensor networks (WSNs) was employed to search multiple reputable scientific databases, including IEEE, MDPI, Wiley, Frontiers, Springer, and Elsevier. This process initially identified 150 publications, which were subsequently screened to yield 140 relevant studies. After excluding editorials to ensure scientific rigor and conducting a quality assessment, 135 papers were selected for in-depth analysis.
A significant focus of the review is on RS-based yield estimation, which serves as the methodological foundation for quantifying crop productivity through spatial, spectral, and temporal data. This section synthesizes existing approaches utilizing satellite, UAV, and proximal sensing data for yield prediction, emphasizing their operational principles and analytical assumptions. To enhance clarity, the methodologies are categorized into three groups: (i) Sensor-Based Approaches, (ii) Platform-Based Approaches, and (iii) Analytical and Modeling-Based Approaches. A flowchart (Figure 2) is included to illustrate the categorization and sub-categorization of these methodologies, facilitating a critical evaluation of model performance, scalability, and robustness.
Results
The Results section presents a comprehensive analysis of the evolution of agricultural practices, emphasizing the future trajectory influenced by advanced technologies such as remote sensing (RS), wireless sensor networks (WSNs), drones, satellites, and automated machinery interconnected through the Internet of Things (IoT). Figure 7 illustrates this progression and underscores the systematic organization of historical agricultural data by various research groups, which is subsequently leveraged by researchers employing machine learning (ML) algorithms for enhanced crop yield estimation accuracy.
Furthermore, the section critically interprets the outcomes of ML-based studies in crop yield estimation, utilizing bar graphs to facilitate a comparative analysis of different ML models. This analysis considers varying data sources, crop types, and experimental conditions, aiming to provide a deeper understanding of model performance rather than merely summarizing numerical metrics. Additionally, a flow diagram is included to illustrate the real-time cybersecurity mechanisms that support yield estimation processes, highlighting the importance of employee awareness training and multi-factor authentication (MFA) in safeguarding agricultural data against phishing and social engineering threats.
Discussion
The discussion section of the research paper highlights the advancements in sensor-based and platform-based approaches for yield estimation in agriculture, emphasizing the integration of various sensing technologies. Sensor-based techniques utilize devices such as multispectral, hyperspectral, thermal infrared (TIR), LiDAR, and Synthetic Aperture Radar (SAR) to gather critical biophysical and biochemical data, enabling accurate yield forecasting and improved farm management. For instance, multispectral sensors leverage vegetation indices like the Normalized Difference Vegetation Index (NDVI) to assess chlorophyll content, while hyperspectral sensors provide detailed biochemical insights through fine spectral resolution. TIR sensors measure canopy temperature to indicate plant water status, and LiDAR technology captures structural characteristics of canopies, enhancing biomass estimation. The integration of these technologies with machine learning (ML) models further refines yield predictions by analyzing complex datasets.
Platform-based approaches, including satellite, UAV, and ground-based systems, facilitate scalable monitoring of crop traits. Satellite-based sensing offers multitemporal capabilities, although it is sensitive to weather conditions, prompting the exploration of hybrid systems that combine various data sources for improved reliability. UAVs provide high-resolution data at localized levels, while manned aerial systems cover larger areas, enhancing predictive yield forecasting through extensive data collection. Ground-based platforms, despite lower scalability, offer high-resolution assessments and can validate predictive models. Overall, the integration of advanced analytical and modeling techniques, including crop growth simulation models and data fusion strategies, enhances the robustness and accuracy of yield estimation, supporting sustainable agricultural practices.
Limitations
The section on limitations in remote sensing (RS)-based yield estimation outlines several critical challenges that affect the accuracy and reliability of yield predictions. Environmental limitations include atmospheric disturbances, seasonal variability, and soil moisture fluctuations, which compromise data quality and complicate spectral measurements. Algorithmic limitations arise when models developed in one geographic context are applied to different regions without accounting for local variability factors, leading to potential inaccuracies in predictions.
Spectral and radiometric limitations further hinder RS-driven yield estimations. Conventional multispectral sensors often lack the necessary spectral resolution to detect subtle variations in crop morphology, which diminishes their effectiveness in identifying physiological stress and phenological changes. Additionally, high leaf area index (LAI) conditions can cause saturation in vegetation indices, resulting in non-linear reflectance responses that obscure yield potential assessments. Radiometric inconsistencies, stemming from sensor calibration drift and atmospheric disturbances, add to the uncertainty in yield evaluations. Hardware and operational limitations, including sensor performance issues and energy constraints of unmanned aerial vehicles (UAVs), restrict the ability to monitor large agricultural areas effectively. These challenges underscore the urgent need for innovative, cost-effective hardware solutions tailored for agricultural yield estimation, particularly in resource-constrained settings.