Джузеппина Мария Кончетта Фашана¹, Микеле Массимо Маммано², Сальваторе Амато¹, Карло Греко¹,* и Санто Орландо²

¹ Университет Палермо, Департамент сельскохозяйственных, пищевых и лесных наук, Viale delle Scienze, корпус 4, 90128 Палермо, Италия

² Совет по сельскохозяйственным исследованиям и экономике (CREA), Исследовательский центр защиты и сертификации растений, Via Titina de Filippo, 21, 90135 Палермо, Италия

* Автор для корреспонденции: carlo.greco@unipa.it

Дата публикации: 27 февраля 2026 г.

doi: 10.20944/preprints202602.1230.v1

Версия не прошла рецензирование.

Прецизионное земледелие (ПЗ) преобразует производство нутрицевтических культур, обеспечивая мониторинг высокого разрешения и адаптивные стратегии управления, которые одновременно оптимизируют урожайность, стабилизируют фитохимический состав и повышают экологическую устойчивость. Экономическая и функциональная ценность нутрицевтических культур определяется биологически активными соединениями, концентрация, однородность и временная стабильность которых весьма чувствительны к пространственной и экологической изменчивости. Для преодоления этих ограничений ПЗ объединяет передовые сенсорные технологии, мультиспектральные, гиперспектральные, тепловые и LiDAR-наблюдения с применением беспилотных летательных аппаратов (БПЛА), мониторинг системы «почва–растение–атмосфера» на основе Интернета вещей (IoT), а также аналитику искусственного интеллекта (ИИ) и машинного обучения (МО) в рамках систем поддержки принятия решений, основанных на данных. В настоящем обзоре обобщены современные научные данные, показывающие, как ПЗ улучшает агрономические показатели, стабилизирует фитохимические профили и повышает эффективность использования ресурсов в нутрицевтических системах посредством прецизионного орошения, дифференцированного управления питанием, трёхмерной характеристики растительного полога и выявления стрессов в реальном времени. Особое внимание уделено Moringa oleifera Lam. как модельной нутрицевтической культуре для чувствительных к климату средиземноморских агроэкосистем. Недавние полевые применения показывают, что интеграция спектральной и тепловой съёмки с БПЛА, полученных с помощью LiDAR метрик полога и управления на основе IoT улучшает оценку полога, оптимизирует сроки уборки, повышает однородность фитохимического состава и усиливает прослеживаемость и контроль качества по всей цепочке создания стоимости. Новые разработки — включая прогностические системы поддержки принятия решений с применением ИИ, цифровые двойники и прослеживаемость на основе блокчейна — рассматриваются как ключевые факторы масштабируемого, ориентированного на качество производства нутрицевтической продукции. В совокупности имеющиеся данные определяют ПЗ как основополагающий подход к устойчивому, климатически оптимизированному и стандартизированному нутрицевтическому земледелию, полностью согласованный с парадигмами интеллектуального сельского хозяйства, основанными на датчиках, робототехнике и искусственном интеллекте.

Ключевые слова: интеллектуальное сельское хозяйство; дистанционное зондирование с БПЛА; мультиспектральная и гиперспектральная визуализация; тепловизионная съёмка; LiDAR-характеристика полога; Интернет вещей (IoT); искусственный интеллект и машинное обучение; системы поддержки принятия решений; цифровое сельское хозяйство; климатически оптимизированное сельское хозяйство.

Нутрицевтические культуры, включая лекарственные растения, ароматические травы, функциональные плодовые культуры и специальные овощи, представляют собой быстрорастущий сегмент мирового сельского хозяйства, развитие которого обусловлено повышением потребительского спроса на природные соединения, укрепляющие здоровье, и функциональные пищевые продукты. Их агрономическая, экономическая и промышленная ценность тесно связана с накоплением биологически активных молекул, таких как антиоксиданты, полифенолы, каротиноиды, витамины, флавоноиды, терпены и эфирные масла, лежащие в основе как пищевой, так и фармакологической функциональности [1,2]. Однако, в отличие от товарных культур, конкурентоспособность нутрицевтических видов зависит не только от производства биомассы или урожайности, но и от концентрации, стабильности и пространственной однородности фитохимических профилей — ключевых характеристик качества, определяющих свойства экстрактов, стандартизацию, соблюдение нормативных требований и признание в цепочках создания стоимости нутрицевтической, фармацевтической и косметической продукции [3,4].

Поэтому растущий спрос на лекарственные и ароматические растения усилил потребность в передовых стратегиях мониторинга и управления, способных обеспечивать стабильное качество продукции, прослеживаемость и долгосрочную устойчивость [5–9]. В этом контексте технологии на основе БПЛА стали эффективными инструментами при выращивании таких ароматических видов, как розмарин (Salvia rosmarinus Spenn.) и шалфей лекарственный (Salvia officinalis L.), позволяя оценивать жизнеспособность посевов, рано выявлять биотические и абиотические стрессы и оптимизировать орошение и внесение удобрений. Интеграция информации, полученной с БПЛА, поддерживает обоснованные решения о сроках уборки и способствует повышению стабильности урожайности, однородности посевов и эффективности использования ресурсов [10,11].

В средиземноморских регионах, таких как Сицилия, где сельскохозяйственные системы по-прежнему в значительной степени характеризуются традиционными методами управления и выраженной экологической неоднородностью, внедрение интеллектуального и прецизионного земледелия представляет стратегическую возможность повысить продуктивность и одновременно улучшить экологическую устойчивость [12–17]. Интеграция IoT дополнительно укрепляет устойчивые производственные системы, обеспечивая непрерывный мониторинг и регулирование ключевых почвенных, растительных и микроклиматических параметров. В частности, внедрённые на Сицилии IoT-системы с фотоэлектрическим питанием показали, что регулирование температуры и относительной влажности в реальном времени способно существенно повысить эффективность и качество послеуборочной обработки лекарственных и ароматических растений, например солнечной сушки [5,7,18,19].

В более широком масштабе центральная задача устойчивого сельского хозяйства состоит в увеличении продуктивности при одновременном снижении потребления ресурсов, производственных затрат и отрицательного воздействия на окружающую среду. Эти факторы стимулировали глобальные исследования энергоэффективных и адаптивных агросистем и способствовали внедрению подходов ПЗ для лекарственных и нутрицевтических культур, основанных на системном мониторинге и адаптивном управлении пространственной и временной изменчивостью [20]. Критическим ограничением нутрицевтического производства является присущая биосинтезу вторичных метаболитов пластичность и его нелинейная реакция на экологические, пищевые и физиологические факторы. Поэтому неоднородность свойств почвы, водообеспеченности, микроклимата и биотического стресса в пределах поля может приводить к значительной внутриполевой изменчивости фитохимического состава, нестабильному качеству и снижению рыночной стоимости [21,22]. Даже умеренные колебания температуры, радиации, водного состояния растений или обеспеченности элементами питания могут изменять метаболические пути и соотношение фенольных соединений, пигментов, витаминов и других функциональных компонентов [23].

Эта внутренняя чувствительность делает нутрицевтические культуры особенно подходящими для ПЗ, которое специально предназначено для количественной оценки пространственно-временной изменчивости и управления ею посредством мониторинга высокого разрешения и дифференцированных воздействий. Традиционным методам выращивания часто недостаёт пространственного разрешения, частоты наблюдений и физиологических косвенных показателей, необходимых для контроля связанной с качеством изменчивости в производственных циклах [24]. В отличие от них ПЗ объединяет передовые средства зондирования и аналитики — платформы БПЛА, мультиспектральную и гиперспектральную съёмку, проксимальное зондирование, сети датчиков IoT и методы МО — для непрерывной характеристики состояния культуры, факторов среды и динамики стресса [25–27].

В этой технологической экосистеме интеграция передовых сенсорных технологий фундаментально изменила мониторинг культур и управление ими, повысив точность, эффективность и устойчивость [11,28–34]. Наряду со спектральными и тепловыми подходами ключевым инструментом высокоточной трёхмерной (3D) характеристики растительного полога стал LiDAR. Излучая лазерные импульсы и измеряя время возврата отражённых сигналов, LiDAR формирует плотные облака точек, позволяющие точно и неразрушающе количественно определять высоту, ширину, объём, плотность и пористость полога, а также вертикальное распределение листвы [35,36]. Эти параметры непосредственно связаны с фотосинтетической эффективностью, регулированием микроклимата, накоплением биомассы и эффективностью использования ресурсов, поэтому они критически важны для дифференцированных решений по обрезке, графику орошения, удобрению и борьбе с вредителями [37–42].

По сравнению с традиционными методами зондирования — ручными измерениями, RGB-изображениями или мультиспектральным дистанционным зондированием — LiDAR обеспечивает более высокую структурную детализацию и пространственное разрешение, фиксирует изменчивость как внутри растения, так и между растениями и даёт более полное представление об архитектуре и динамике полога [43–49]. Это особенно важно для многолетних и древесных культур, у которых структура полога играет центральную роль в перехвате света, сглаживании микроклимата и формировании урожая [50–53]. В сочетании с мультиспектральными, тепловыми и полученными от IoT физиологическими данными LiDAR совершенствует системы поддержки принятия решений (СППР) ПЗ, связывая структурные, физиологические и биохимические аспекты продуктивности культур в единой системе, основанной на данных (рисунок 1).

Рисунок 1. Концептуальный обзор прецизионного земледелия применительно к нутрицевтическим культурам. На рисунке показана интеграция передовых технологий зондирования (съёмка с БПЛА и проксимальные датчики), мониторинга на основе IoT и анализа данных с применением ИИ в рамках прецизионного земледелия, основанного на данных. Эта интегрированная экосистема обеспечивает оптимизацию урожайности, стабилизацию фитохимического качества и экологическую устойчивость, создавая возможности для интеллектуального производства высокоценных нутрицевтических культур и ориентированных на здоровье агропродовольственных систем.

Среди новых нутрицевтических видов всё большее внимание привлекает Moringa oleifera Lam. — многофункциональная культура со значительной агропищевой, лекарственной и социально-экономической ценностью. Родом из Южной Азии, но широко возделываемая в тропических и субтропических регионах, моринга известна быстрым ростом, засухоустойчивостью и многообразным применением в пищевой и кормовой промышленности, фармацевтике и биоэнергетике [54–58]. Комплексные обзоры обобщили данные о её этнофармакологии, фитохимии и терапевтическом потенциале, подтвердив значение для функциональных пищевых продуктов и нутрицевтических применений [54,59–61].

В средиземноморских условиях, особенно на маргинальных, холмистых и полузасушливых территориях, подобных Сицилии, M. oleifera внедряется как инновационный вид, способный диверсифицировать системы земледелия и содействовать устойчивому развитию сельских районов [7,62]. Полевые исследования показывают, что её агрономические показатели и качество продукции можно существенно улучшить с помощью стратегий ПЗ. Мультиспектральный и тепловой мониторинг с БПЛА в сочетании с прецизионным орошением и управлением питанием успешно применялся для оценки жизнеспособности полога и водного стресса, оптимизации сроков уборки и увязки полевого мониторинга с последующим производством листовых ингредиентов и обогащённых пищевых продуктов [7,10,11,61–63].

Применение LiDAR при выращивании M. oleifera открывает дополнительные возможности мониторинга полога. LiDAR позволяет точно оценивать динамику роста, накопление биомассы, пористость и структурную изменчивость полога — параметры, необходимые для оптимизации ресурсов, повышения продуктивности и поддержки прогностических моделей урожайности и устойчивости к засухе и волнам жары [42,44,64–70]. Совместное использование 3D-метрик высокого разрешения и систем ПЗ тем самым совершенствует СППР для дифференцированного управления и способствует климатически оптимизированному, ресурсоэффективному нутрицевтическому земледелию.

В совокупности эти достижения делают M. oleifera убедительной модельной культурой, демонстрирующей, как прецизионное земледелие, объединяющее спектральное и тепловое зондирование с БПЛА, структурную характеристику LiDAR, мониторинг IoT и аналитику ИИ, может стабилизировать нутрицевтическое качество, повышать прослеживаемость и устойчивость средиземноморских и иных чувствительных к климату производственных систем.

Прецизионное земледелие можно формально определить как основанную на данных экосистему управления, объединяющую технологии дистанционного и проксимального зондирования, геопространственную аналитику, сети мониторинга IoT и моделирование на основе МО в непрерывной адаптивной системе поддержки принятия решений [71,72]. Согласованное получение, интеграция и анализ разнородных наборов данных — гиперспектральных и мультиспектральных изображений, наблюдений с БПЛА, почвенных и растительных датчиков, физиологических измерений на уровне растений и экологических узлов IoT — позволяют с высоким разрешением и почти в реальном времени характеризовать взаимодействия «растение–почва–атмосфера» в пространстве и времени [25,73].

Эта системная и насыщенная данными парадигма особенно подходит нутрицевтическим системам, где агрономические и экономические показатели зависят не только от накопления биомассы, но также от концентрации, однородности и временной стабильности биологически активных соединений. Биосинтез вторичных метаболитов крайне чувствителен к мелкомасштабной изменчивости температуры, водного состояния растений, доступности элементов питания и светового режима, что часто вызывает выраженную внутриполевую неоднородность фитохимических профилей [74,75]. Традиционные практики, обычно основанные на пространственно единообразном внесении ресурсов и эпизодических полевых наблюдениях, не обладают требуемыми пространственным разрешением и временной непрерывностью.

Напротив, ПЗ тесно связывает зондирование, анализ данных и дифференцированные вмешательства, позволяя одновременно оптимизировать продуктивность, эффективность ресурсов и функциональное качество высокоценных нутрицевтических систем. Применения для средиземноморских ароматических видов подтверждают эту парадигму. Дистанционное зондирование с БПЛА и мультимодальное объединение RGB- и мультиспектральных изображений успешно применялись к Salvia rosmarinus Spenn. (Lamiaceae), обеспечивая точную оценку высоты полога и прогнозирование биомассы, а также надёжные показатели для мониторинга и агрономических решений [11].

Среди новых нутрицевтических культур особенно эффективной моделью управления на основе ПЗ является Moringa oleifera Lam. Нутрицевтическая ценность моринги, прежде всего её листьев, богатых витамином C, кверцетином, кемпферолом, каротиноидами и фенольными соединениями, сильно зависит от микроусловий среды. Поэтому мелкомасштабный мониторинг жизнеспособности полога, водного состояния и физиологического стресса необходим для стабилизации урожайности и фитохимического качества. Эти свойства делают M. oleifera надёжной эталонной культурой для демонстрации эффективности ПЗ в средиземноморских агроэкосистемах [62].

Нутрицевтическая ценность культур определяется сложным и динамичным спектром вторичных метаболитов, включая фенольные соединения, флавоноиды, антоцианы, каротиноиды, терпены, эфирные масла, алкалоиды и глюкозинолаты, биосинтез которых жёстко регулируется факторами среды и физиологическими реакциями растений [4,76]. Как отмечено во введении, эти соединения высокочувствительны к пространственной и временной изменчивости условий выращивания, поэтому традиционные единообразные стратегии управления недостаточны для обеспечения стабильного нутрицевтического качества.

ПЗ создаёт надёжную масштабируемую основу фитохимической оптимизации посредством дифференцированных и адаптивных стратегий, основанных на мониторинге взаимодействий культуры и среды с высоким разрешением. Ключевые вмешательства включают прецизионное орошение и регулирование водного стресса, влияющие на пути вторичного метаболизма через осмотическую адаптацию, окислительно-восстановительную сигнализацию и вызванное стрессом перепрограммирование метаболизма. При точном контроле умеренный водный дефицит способен стимулировать биосинтез фенольных соединений, флавоноидов и антиоксидантов без снижения урожайности [22,77].

Дифференцированное управление питанием, особенно азотом, калием и микроэлементами, также играет центральную роль в регулировании синтеза хлорофилла, фенилпропаноидного обмена и биосинтеза эфирных масел, влияя на продуктивность и фитохимический состав [78,79]. В контролируемых и полуконтролируемых средах дополнительная настройка достигается управлением световым спектром с помощью светодиодов, позволяющим целенаправленно изменять накопление каротиноидов, антоцианов и витаминов [80].

Эффективность этих вмешательств критически зависит от раннего выявления биохимических и физиологических изменений до появления видимых симптомов. Гиперспектральная визуализация, ближняя инфракрасная спектроскопия, измерение флуоресценции хлорофилла и физиологический мониторинг IoT позволяют выявлять тонкие метаболические переходы, связанные с дисбалансом питания, водным стрессом или фенологической стадией [81–84]. Для Moringa oleifera показано, что управляемые ПЗ графики орошения и оптимизация питания повышают концентрацию витамина C, улучшают каротиноидные профили и общую антиоксидантную способность, подтверждая эффективность прецизионных стратегий в средиземноморских условиях.

Пространственная изменчивость почвенных свойств, водообеспеченности, распределения питательных веществ, микроклимата и биотической нагрузки сильно влияет на урожайность и фитохимическую однородность нутрицевтических культур [85–88]. Поскольку биосинтез вторичных метаболитов высокочувствителен к неоднородности микросреды, характеристика внутриполевой изменчивости и управление ею необходимы для стабильного функционального качества и соответствия рыночным стандартам.

В рамках ПЗ управление пространственной изменчивостью всё чаще основывается на интеграции взаимодополняющих способов зондирования спектральных, тепловых и структурных характеристик культуры. Мульти- и гиперспектральное дистанционное зондирование предоставляет сведения о жизнеспособности полога, содержании хлорофилла, питательном статусе и биохимических косвенных показателях; тепловизионная съёмка обеспечивает пространственную оценку водного состояния и динамики стресса [89–92]. Однако эти подходы преимущественно описывают физиологическую и функциональную изменчивость и дают ограниченное представление о трёхмерной организации полога.

LiDAR стал ключевой технологией структурного измерения пространственной изменчивости. Формируя плотные трёхмерные облака точек, он позволяет неразрушающе определять архитектуру полога: высоту растений, ширину кроны, объём, пористость и вертикальное распределение биомассы. Эти признаки регулируют перехват света, циркуляцию воздуха, формирование микроклимата и транспирацию, непосредственно влияя на фотосинтетическую эффективность и накопление вторичных метаболитов. Таким образом, LiDAR служит структурным мостом между факторами среды и физиологическими реакциями, дополняя спектральные и тепловые наблюдения.

Бортовые и наземные LiDAR-системы обеспечивают мелкомасштабное картирование структурной неоднородности внутри растений и между ними и выделение зон управления, которые нельзя надёжно установить только по спектральным индексам. Для многолетних и полудревесных нутрицевтических культур, у которых архитектура полога сильно влияет на формирование урожая и фитохимическую стабильность, LiDAR-метрики являются надёжными показателями для оптимизации обрезки, оценки биомассы и долговременного управления пологом [89,92]. Интеграция с мультиспектральными и тепловыми данными позволяет интерпретировать стрессовые сигналы в их структурном контексте и снижает неопределённость решений.

Платформы БПЛА особенно эффективны для пространственного сбора RGB-, мультиспектральных, тепловых и LiDAR-данных о прецизионных ароматических культурах, обеспечивая высокое разрешение и эксплуатационную гибкость при меньших затратах по сравнению со спутниковыми и пилотируемыми авиационными платформами [7,11,19,94]. В неоднородных средиземноморских агроэкосистемах этот многослойный подход одновременно характеризует структуру полога, физиологическое состояние и экологические ограничения, повышая надёжность дифференцированного управления.

Сети датчиков IoT дополняют наблюдения БПЛА и LiDAR непрерывными точечными измерениями влажности почвы, динамики NPK, электропроводности, pH, температуры воздуха, относительной влажности, фотосинтетически активной радиации и концентрации CO₂ [95–98]. Объединение этих потоков с LiDAR-метриками и показателями дистанционного зондирования позволяет моделям МО — случайному лесу, свёрточным нейронным сетям и градиентному бустингу (например, XGBoost) — выявлять очаги структурно-физиологического стресса, прогнозировать фитохимические результаты и оптимизировать дифференцированные вмешательства [99–101].

В насаждениях Moringa oleifera при неоднородных почвенных и микроклиматических условиях Средиземноморья пространственная изменчивость часто выражена из-за различий глубины, гранулометрического состава и водоудерживающей способности почвы. Мультиспектральное и тепловое картирование с БПЛА эффективно выявляет градиенты температуры полога, концентрации хлорофилла, обеспеченности питанием и потребности в воде на сицилийских плантациях. Добавление LiDAR-метрик объёма, плотности и пористости полога создаёт важный структурный слой, обеспечивающий более полную интерпретацию изменчивости и поддержку прецизионного орошения, удобрения и обрезки. Этот структурно-физиологический подход повышает однородность листовой биомассы и стабилизирует фитохимическое качество в масштабе поля.

В целом явная интеграция LiDAR в ПЗ усиливает управление пространственной изменчивостью, расширяя анализ от поверхностных спектральных откликов до трёхмерной организации полога. Такая многомерная перспектива особенно ценна для нутрицевтических культур, где структура полога опосредует взаимодействие факторов среды и биосинтеза метаболитов. Следовательно, ПЗ с поддержкой LiDAR является решающим шагом к полностью интегрированному, ориентированному на качество и климатически оптимизированному нутрицевтическому земледелию.

ПЗ для нутрицевтических культур опирается на интегрированную технологическую экосистему, предназначенную для регистрации, интерпретации и управления пространственной и временной изменчивостью роста, физиологии и фитохимического состава культур. Оно объединяет передовые датчики, геопространственную аналитику, сети IoT и СППР на основе ИИ, обеспечивая адаптивное дифференцированное управление (таблица 1). Это особенно важно для высокоценных систем, где оптимизация урожайности должна сочетаться со стабилизацией профиля биологически активных соединений и экологической устойчивостью. Выращиваемая в средиземноморских условиях Сицилии Moringa oleifera служит эффективной моделью оценки этих методологий: её высокая физиологическая пластичность, чувствительность к факторам среды и нутрицевтическое значение позволяют непосредственно связать полевой мониторинг, управляющие воздействия и конечные показатели качества.

Гиперспектральная визуализация (HSI) — один из наиболее мощных неразрушающих инструментов мониторинга нутрицевтических культур благодаря регистрации сотен смежных узких спектральных полос, содержащих детальную информацию о биохимических и структурных свойствах растений. Спектральные сигнатуры тесно связаны с метаболическими путями пигментов, водным состоянием, накоплением биомассы и вторичных метаболитов, включая фенольные соединения, флавоноиды, антоцианы и каротиноиды [25,102–104]. Это позволяет количественно оценивать витамин C и антиоксидантную активность с помощью PLSR, метода опорных векторов, случайного леса и свёрточных нейронных сетей [105–107]. В поле более масштабируемым дополнением служит мультиспектральная съёмка. Индексы NDVI, NDRE, GNDVI и VARI применяются к M. oleifera для оценки жизнеспособности, хлорофилла и фитохимической зрелости в неоднородных сицилийских насаждениях, раннего обнаружения дефицита воды и питания, выделения зон управления и оптимизации уборки. Размещение гипер- и мультиспектральных датчиков на БПЛА обеспечивает быстрый мониторинг высокого разрешения при изменчивых почвенных и микроклиматических условиях [108–110].

Тепловые инфракрасные датчики на БПЛА обеспечивают пространственную оценку водного состояния растений по температуре полога. Для нутрицевтических культур это особенно важно, поскольку водный статус непосредственно влияет на биосинтез вторичных метаболитов и функциональное качество [111–115]. Индекс водного стресса культуры CWSI выявляет стресс до видимых симптомов и поддерживает упреждающее прецизионное орошение. В сицилийских системах M. oleifera тепловой мониторинг с БПЛА интегрирован в управление орошением; графики на основе CWSI существенно сокращали расход воды и одновременно увеличивали концентрацию фенольных соединений и антиоксидантов в листьях [7,11].

IoT составляет основу непрерывного мониторинга ПЗ в реальном времени. Распределённые сети измеряют влажность и температуру почвы, электропроводность, NPK и pH наряду с температурой воздуха, относительной влажностью, ФАР и CO₂; датчики сокодвижения, температуры листа и флуоресценции хлорофилла непосредственно характеризуют физиологическое состояние. Энергоэффективные протоколы LoRaWAN, ZigBee и Wi‑Fi передают данные в СППР почти в реальном времени [116]. Непрерывность необходима из-за быстрой реакции фитохимического биосинтеза на среду [117]. У M. oleifera на Сицилии управляемое IoT орошение повысило водоотдачу, однородность полога, содержание витамина C и каротиноидов и антиоксидантную способность [61].

LiDAR является центральной технологией 3D-характеристики полога многолетних и полудревесных нутрицевтических культур. Плотные облака точек позволяют точно и неразрушающе оценивать высоту, объём, плотность, пористость и вертикальное распределение листвы, связанные с фотосинтезом, микроклиматом, биомассой и ресурсопотреблением. Для M. oleifera полевые опыты на Сицилии показали, что воксельные LiDAR-метрики надёжно оценивают объём, плотность и внутреннюю пористость полога, интенсивность обрезки, неоднородность роста и распределение биомассы. Наземный LiDAR давал наибольшую плотность точек и лучшую детализацию внутренней архитектуры, а низковысотный БПЛА-LiDAR обеспечивал компромисс между точностью и пространственным масштабом. Интеграция с мультиспектральными, тепловыми и IoT-данными улучшает орошение, питание и оценку устойчивости к жаре и засухе, поддерживает прогноз биомассы и климатически оптимизированное управление.

Многокомпонентные данные БПЛА, гиперспектральных датчиков, LiDAR и IoT требуют аналитических систем для высокой размерности и временной сложности. ИИ и МО обеспечивают распознавание закономерностей, прогнозирование и оптимизацию на протяжении производственного цикла. CNN извлекают спектральные и структурные признаки, обнаруживают болезни и прогнозируют фитохимические свойства; рекуррентные модели LSTM прогнозируют динамику влажности почвы, рост и накопление метаболитов [118–120]. Случайный лес и XGBoost применяют для классификации стресса и оценки питательного статуса [121]. Эти методы встраиваются в СППР, объединяющие сенсорные данные, факторы среды и прогнозные модели для оптимизации орошения, удобрения и уборки [73]. Для M. oleifera такие СППР поддерживают управление питанием и прогноз пиков накопления фенольных соединений и антиоксидантов [61].

Водообеспеченность — ведущий фактор синтеза вторичных метаболитов. Интеллектуальные системы по влажности почвы регулируют подачу воды в реальном времени, предотвращая дефицит и переувлажнение [121]. Регулируемое дефицитное орошение (RDI) повышает концентрацию фенольных соединений, флавоноидов и антиоксидантов и сокращает расход воды [122]. Тепловая съёмка дополняет почвенные датчики пространственными показателями водного стресса [123]. На плантациях M. oleifera на Сицилии капельное орошение под контролем IoT совместно с RDI сократило водопотребление примерно на 30–40% и улучшило биохимические профили листьев.

Доступность элементов питания определяет биомассу и фитохимический состав. ПЗ объединяет картирование плодородия, спектральную диагностику и дифференцированное внесение в соответствии с локальным спросом. SPAD-метры, портативная спектроскопия листьев и вегетационные индексы быстро оценивают азотный статус и дисбалансы [124]. Для листьев M. oleifera азот и калий регулируют витамин C, каротиноиды и антиоксидантную способность [60]. Сицилийские опыты показали повышение эффективности питания, биомассы и стабильности фитохимического состава на неоднородных почвах.

Широкое внедрение ПЗ ограничивает стоимость, особенно для малых производителей. Однако недорогие мультиспектральные камеры, датчики IoT с открытым исходным кодом, микроконтроллеры, смартфонная визуализация и облачные платформы демократизируют доступ. Они позволяют выявлять стресс, контролировать влажность и питание и поддерживать базовые решения без дорогостоящей инфраструктуры [125–129]. Кооперативные модели совместного использования БПЛА, сенсоров и аналитических услуг дополнительно снижают затраты. Для средиземноморских производителей моринги это создаёт масштабируемый путь к повышению водоотдачи, стабильности качества и доходов.

Рисунок 2. Концептуальное представление ПЗ как основанной на данных экосистемы управления пространственной и временной изменчивостью нутрицевтических культур. Данные БПЛА, проксимальных датчиков, LiDAR и IoT объединяются аналитикой ИИ и СППР для дифференцированного орошения, питания, защиты и выбора срока уборки, обеспечивая урожайность, качество и устойчивость.

ПЗ повышает продуктивность за счёт раннего выявления ограничений, пространственно точного применения ресурсов и непрерывной адаптации. Мультиспектральные индексы выявляют зоны низкой жизнеспособности и направляют локальное орошение и питание; тепловая съёмка предупреждает водный стресс; LiDAR улучшает оценку биомассы и управление архитектурой; IoT обеспечивает своевременное воздействие. Исследования высокоценных культур сообщают о росте урожайности и стабильности при меньших ресурсах [130–138]. Для M. oleifera сочетание этих средств повышало листовую биомассу примерно на 12–18%, выравнивало полог и уменьшало потери от стресса, особенно при водном дефиците.

Качество определяется концентрацией и однородностью витаминов, фенольных соединений, флавоноидов, каротиноидов, антоцианов, эфирных масел и антиоксидантов. ПЗ регулирует их формирование путём точного управления водой, питанием, светом и сроками уборки [139–142]. Контролируемый умеренный водный стресс активирует осмотическую адаптацию, редокс-сигнализацию и метаболическое перепрограммирование, повышая фенольные соединения и антиоксидантную активность при улучшении водоотдачи [143–145]. Точная настройка азота и калия регулирует хлорофилл, каротиноиды, антоцианы и другие метаболиты качества [1,146–148]. Гипер- и мультиспектральная визуализация неразрушающе оценивает общие фенолы, антиоксидантную активность, хлорофилл и пигменты почти в реальном времени [2,60,81,149–152]. Совместно с тепловыми и LiDAR-данными она связывает биохимию с архитектурой, микроклиматом и стрессом. В системах M. oleifera ПЗ повысило витамин C, каротиноиды, хлорофилл и общую антиоксидантную способность и выровняло фитохимические профили; NDRE и VARI эффективно определяли оптимальные окна уборки.

ПЗ позволяет разъединить рост продуктивности и качества с интенсификацией ресурсов. Интегрированное орошение сокращает потребление воды примерно на 25–40% без ущерба урожаю или качеству [71,123,153–157], синхронизируя подачу с физиологической потребностью и предотвращая потери урожая, вымывание, гипоксию корней и метаболическое разбавление. Дифференцированное удобрение снижает потери удобрений, вымывание нитратов, сток фосфора и загрязнение почв и вод при сохранении питания [158–161]. Раннее выявление вредителей и болезней спектральными, тепловыми и структурными средствами сокращает профилактические пестициды и нецелевые эффекты [162–164]. Меньшее число операций и затрат удобрений снижает выбросы парниковых газов. Природная засухо- и жароустойчивость моринги дополнительно усиливается стабилизацией водного состояния и питания; на Сицилии это обеспечило больше продукции и лучшее качество при существенно меньших ресурсах [7,62].

В совокупности интеграция мультиспектральных, тепловых, LiDAR-, IoT- и ИИ-технологий одновременно повышает урожайность, стабилизирует качество и снижает экологическое воздействие, переводя производство от ресурсоёмкого к климатически оптимизированному и ориентированному на качество.

ПЗ повышает конкурентоспособность, сокращая затраты, стабилизируя урожай и качество и увеличивая рыночную стоимость. Это критично для фармацевтических, косметических и функциональных пищевых рынков со строгими требованиями к составу, прослеживаемости и однородности [2]. Оптимизация орошения, удобрения и защиты снижает переменные затраты и климатически и почвенно обусловленную волатильность. Мониторинг позволяет поставлять сырьё с более высокой и однородной концентрацией активных веществ для премиальных сегментов стандартизированных экстрактов, эфирных масел, антиоксидантных порошков и функциональных ингредиентов. Данные высокоценных систем показывают положительную отдачу инвестиций благодаря водоотдаче, снижению потерь удобрений, здоровью культур и качеству [165–167]. Для моринги повышение антиоксидантной способности, витамина C, каротиноидов и однородности увеличивает ценность порошков, экстрактов, чаёв и обогащённых продуктов. Цифровая прослеживаемость на основе БПЛА, IoT и СППР повышает прозрачность, соблюдение норм и доверие потребителей, укрепляя позицию продукции моринги в европейских и международных цепочках стоимости [61].

Несмотря на существенные агрономические, фитохимические, экологические и экономические преимущества ПЗ, его широкое внедрение сдерживается взаимосвязанными техническими, экономическими, инфраструктурными и социально-институциональными барьерами. Они влияют на масштабируемость, доступность и долговременную устойчивость, особенно в регионах мелких и фрагментированных хозяйств, таких как Средиземноморье. Для Moringa oleifera и других высокоценных культур необходим баланс технологического потенциала, эксплуатационной осуществимости и социально-экономической и институциональной среды.

Внедрение требует значительных вложений в датчики, БПЛА, гиперспектральные и тепловые приборы, LiDAR, IoT и программное обеспечение обработки и анализа, а также периодических затрат на обслуживание, хранение, лицензии и поддержку. Для малых и средних производителей это серьёзный барьер. Смартфонные системы, потребительские БПЛА и открытые платформы IoT дешевеют, но всё равно требуют базовых навыков и инфраструктуры. На Сицилии ограниченный капитал остаётся одним из главных препятствий для M. oleifera и новых нутрицевтических систем.

Разнородные многомерные данные БПЛА, гиперспектральной и тепловой съёмки, LiDAR, IoT и МО требуют компетенций в агрономии, физиологии, науке о данных, геоанализе и ИТ. Многие производители зависят от внешних консультантов, что увеличивает затраты и снижает автономность. Недостаток интуитивных СППР именно для нутрицевтических культур особенно критичен для M. oleifera, для которой стандартизированные процессы, пороги и проверенные правила ещё разрабатываются.

Экосистема ПЗ фрагментирована: датчики, платформы и программы разных производителей используют закрытые архитектуры и несовместимые форматы. Это затрудняет интеграцию, межплатформенную аналитику и многокомпонентные СППР. Для совместной оптимизации урожая и фитохимического качества необходимы структурные LiDAR-, спектральные, физиологические и экологические сведения. Отсутствие стандартных протоколов, открытых архитектур и согласованных метаданных ограничивает масштабируемость, воспроизводимость и переносимость.

IoT, облачная аналитика и решения почти в реальном времени требуют надёжной цифровой инфраструктуры, однако холмистые, внутренние и удалённые средиземноморские районы часто имеют слабое широкополосное покрытие. Это задерживает передачу, ограничивает облачную обработку и практическое использование ИИ. Недостаточное электроснабжение нарушает долговременную работу распределённых датчиков и непрерывность данных.

Распространение ПЗ зависит от регулирования, финансовых стимулов и консультационных служб. Фрагментированные нормы, нехватка целевых субсидий, программ обучения, государственно-частных партнёрств и координации исследований, консультантов и производителей препятствуют трансферу технологий. Для M. oleifera отсутствие стандартных агрономических протоколов, сертификации и показателей качества осложняет включение в коммерческие системы и регулируемые цепочки стоимости.

Генетическая, фенотипическая и биохимическая изменчивость сортов, режимов и сред осложняет калибровку датчиков, спектральные модели и прогноз реакции на воду, питание и стресс. Инструменты для массовых культур нельзя напрямую переносить без полевой проверки. У M. oleifera генотипы African, Indian, PKM1 и PKM2 различаются отражением, архитектурой, водоотдачей и накоплением фитохимических веществ; необходимы генотип- и место-специфические модели [56,61].

Многие технологии перспективны в экспериментах, но мало проверены в коммерческих системах на протяжении нескольких сезонов и площадок. Для M. oleifera длительные опыты нужны для уточнения порогов орошения, калибровки спектральных и структурных индексов фитохимического прогноза и разработки устойчивых генотип-средовых стратегий Средиземноморья.

Внедрение определяется также культурой и восприятием фермеров (рисунок 3). Неприятие риска, недоверие к цифровым средствам, неопределённая окупаемость и приверженность традиционным практикам снижают принятие. В ремесленных нутрицевтических системах переход требует целевого обучения, совместных исследований, демонстрационных хозяйств и эффективной передачи знаний.

Рисунок 3. Концептуальная схема связи барьеров, решений и эффектов прецизионного нутрицевтического земледелия. Ограничения — начальная стоимость, сложность, несовместимость данных, слабая инфраструктура, биологическая изменчивость и институциональные барьеры — сопоставлены с недорогими открытыми датчиками, удобными СППР, стандартными архитектурами, обучением и поддерживающей политикой. Результаты: стабильность урожая, фитохимическое качество, ресурсоэффективность, климатическая устойчивость и конкурентоспособность, особенно в цепочках M. oleifera Средиземноморья.

Будущее ПЗ в нутрицевтических системах определяется сближением быстрых инноваций, спроса на функциональные и оздоровительные продукты и давления климата, дефицита ресурсов и экологического регулирования (рисунок 4). Рост населения и климатическая изменчивость требуют эффективных, адаптивных и оперативных систем с устойчивостью и качеством [94]. ПЗ перейдёт от пилотов к зрелым масштабируемым коммерческим моделям. По мере повышения точности, доступности и совместимости датчиков, ИИ, автоматизации и цифровой инфраструктуры оно будет обеспечивать сквозное управление цепочками стоимости. Для M. oleifera ПЗ стратегически важно для масштабирования, стабилизации качества и устойчивости; уже показано, что БПЛА, сенсоры и ИИ повышают продуктивность, устойчивость и однородность, хотя остаются вопросы управления данными, рынка и обучения [20].

Рисунок 4. Перспективы ПЗ в нутрицевтических системах. Сенсоры, фенотипирование с БПЛА, ИИ и цифровые двойники совместно с контролируемой средой, блокчейн-прослеживаемостью и недорогими средствами обеспечат переход от пилотных решений к массовому внедрению климатически устойчивых, ресурсоэффективных и ориентированных на качество систем; Moringa oleifera показана как репрезентативная культура Средиземноморья и полузасушливых зон.

Следующее поколение гипер-, мультиспектральных, тепловых и LiDAR-датчиков даст более высокое пространственное, спектральное и временное разрешение при меньших размерах, энергопотреблении и стоимости. Сверхлёгкие гиперспектральные приборы БПЛА и недорогие проксимальные, носимые и внутрипологовые датчики обеспечат непрерывный мониторинг. Для M. oleifera будут уточнены маркеры витамина C, каротиноидов, хлорофилла, антиоксидантной способности и архитектуры. 3D-модели и LiDAR-реконструкция улучшат оценку биомассы и неоднородности, переводя фенотипирование от косвенных признаков к механистическим связям структуры и функции.

ИИ переведёт управление от описательного и реактивного к прогнозному, предписывающему и упреждающему. МО и глубокое обучение улучшат раннее обнаружение болезней, прогноз накопления фитохимических веществ и динамическую оптимизацию воды и питания. Цифровые двойники — виртуальные копии культур, полей или систем — позволят моделировать рост, развитие полога и биохимические реакции в сценариях «генотип × среда × управление». Для M. oleifera они обеспечат генотип-специфическое моделирование водного стресса, питания и микроклимата и подбор стратегии для урожая и качества, особенно при учащении экстремальных событий в Средиземноморье.

Слияние ПЗ с теплицами, фабриками растений и вертикальными фермами открывает круглогодичное производство с контролем микроклимата, спектра и питания. Настройка светодиодного спектра регулирует биосинтез каротиноидов, флавоноидов, фенолов и витаминов. Хотя морингу традиционно выращивают в поле, плотное и защищённое выращивание вместе с климат-контролем, фертигацией и спектральным освещением может давать стандартизированную листовую биомассу, порошки и экстракты для строгих требований фармацевтики, косметики и функционального питания.

Прозрачность, прослеживаемость и сертификация становятся центральными требованиями. ПЗ создаёт цифровую основу блокчейн-систем, документирующих методы выращивания, условия среды, воздействия и фитохимические свойства всего цикла. Цифровые паспорта порошков, чаёв и экстрактов M. oleifera могут подтверждать происхождение, методы, устойчивость и биохимическое качество, укрепляя доверие, соблюдение норм и доступ к высокоценным рынкам [56,60].

Равное внедрение требует доступных масштабируемых решений для малых и средних производителей. Недорогие датчики, открытые IoT-платформы, смартфонная диагностика и облачная аналитика демократизируют технологии; упрощённые ориентированные на пользователя СППР снижают технические и когнитивные барьеры. Модульные комплекты для M. oleifera на Сицилии могут в реальном времени сообщать о влажности, питании, состоянии полога и стрессе без запретительных инвестиций.

Рост температуры, изменение осадков и экстремальные явления усиливают ограничения. ПЗ станет центральным для адаптивного орошения, прогноза стресса и моделирования взаимодействия генотипа и среды. Засухоустойчивая и теплолюбивая M. oleifera получит дополнительную устойчивость за счёт стабилизации водного состояния, снижения теплового стресса и выбора уборки в пик фитохимической выраженности, что делает её стратегической культурой Средиземноморья.

Большинство моделей создано для зерновых, кукурузы и сои. Нужны видо- и генотип-специфические модели для моринги, шафрана, розмарина, орегано, лаванды и ягодных культур, основанные на многолетних многоцентровых опытах, спектральных библиотеках и биохимических базах. Они улучшат прогноз фитохимической динамики, графики воды и питания и долгосрочное планирование. Особенно ценны видоспецифические пороги вегетационных индексов, например правила NDVI для СППР удобрения, орошения и уборки [10] (рисунок 5).

Рисунок 5. Дорожная карта будущего ПЗ нутрицевтических культур с акцентом на Moringa oleifera. Она объединяет зондирование высокого разрешения и 3D-фенотипирование, ИИ и цифровые двойники, контролируемую среду и вертикальные системы, блокчейн-прослеживаемость и недорогие открытые инструменты. Их сближение ведёт к климатически устойчивым, ориентированным на качество и ресурсоэффективным системам с генотип-специфическим управлением и стандартизированными фитохимическими профилями.

ПЗ стало преобразующей парадигмой нутрицевтического производства, обеспечивая беспрецедентные возможности мониторинга, интерпретации и активного регулирования экологических и физиологических факторов урожая и фитохимического качества. Интеграция передовых датчиков, мультиспектрального и теплового мониторинга БПА, сетей IoT «почва–растение–атмосфера» и аналитики ИИ позволяет мелкомасштабно характеризовать пространственную и временную изменчивость, определяющую концентрацию, стабильность и однородность активных соединений. Это критично для культур, чья ценность выходит за пределы биомассы и включает стандартизацию, прослеживаемость и биохимическую стабильность.

Обобщённые данные показывают многомерные агрономические, качественные и экологические преимущества. Прецизионное орошение, дифференцированное питание и обнаружение стресса улучшают стабильность урожая, однородность полога и накопление биомассы и целенаправленно стимулируют фенолы, флавоноиды, каротиноиды, витамины и антиоксиданты. Одновременно сокращается вода, повышается эффективность питания, уменьшаются пестициды и выбросы. Поэтому ПЗ — основа климатически оптимизированных, ресурсоэффективных и ориентированных на качество систем.

Moringa oleifera представляет особенно убедительную модель. В полузасушливых условиях Сицилии её пластичность и отклик на прецизионные воздействия позволяют оптимизировать орошение и уборку, стабилизировать фитохимические профили и выравнивать листовую биомассу посредством спектральных и тепловых БПЛА-данных, IoT, LiDAR и СППР ИИ. Это подтверждает пригодность моринги и демонстрирует масштабирование новых видов в чувствительных агроэкосистемах.

Переход к крупному масштабу сдерживают инвестиции, несовместимые данные, слабая инфраструктура и необходимость калибровок для культур и генотипов. Нужны доступные датчики, открытые стандарты, удобные СППР, обучение, консультационные службы и многолетняя многоцентровая валидация. Сближение зондирования, цифровых двойников, автономных платформ, недорогих носимых датчиков, LED-контроля микроклимата и блокчейн-прослеживаемости создаст прогнозные, предписывающие и прозрачные модели. Для моринги и других культур это означает генотип-специфическое управление, стандартизированную продукцию, климатическую устойчивость, соблюдение норм и доверие потребителей.

В заключение, ПЗ обеспечивает прочную научно-технологическую основу устойчивой интенсификации и повышения ценности нутрицевтических культур. Соединяя мониторинг высокого разрешения, аналитику и адаптивное управление, оно переводит практику от ориентации только на урожай к совместной оптимизации продуктивности, качества и устойчивости. По мере усиления климатического давления и спроса на оздоровительные продукты интегрированные с ПЗ нутрицевтические системы будут играть центральную роль в создании устойчивых, эффективных и высококачественных агропродовольственных цепочек Средиземноморья и других регионов.

Вклад авторов: концепция — G.M.C.F. и C.G.; методология — G.M.C.F., S.A. и M.M.M.; программное обеспечение — S.O.; валидация — C.G. и S.O.; формальный анализ — M.M.M.; исследование — G.M.C.F. и C.G.; ресурсы — M.M.M.; курирование данных — C.G. и S.O.; подготовка первоначального текста — G.M.C.F., S.A. и C.G.; рецензирование и редактирование — C.G., S.A. и S.O.; визуализация — M.M.M.; руководство — C.G. и S.O.; администрирование проекта — C.G. и M.M.M.; привлечение финансирования — C.G. Все авторы прочли опубликованную версию рукописи и согласились с ней.

Финансирование: исследование не получало внешнего финансирования.

Заявление о доступности данных: исходные данные, подтверждающие выводы статьи, предоставляются авторами по запросу.

Конфликт интересов: авторы заявляют об отсутствии конфликта интересов.

1. Rai, M., & Ingle, A. Role of nanotechnology in agriculture with special reference to management of insect pests. Applied microbiology and biotechnology 2012, 94(2), 287-293.

2. Zude-Sasse, M., Akbari, E., Tsoulias, N., Psiroukis, V., Fountas, S., & Ehsani, R. Sensing in Precision Horticulture. Sensing approaches for precision agriculture 2021, 221-251.

3. Bian, X., Wang, L., Ma, Y., Yu, Y., Guo, C., & Gao, W. A flavonoid concentrate from Moringa oleifera Lam. leaves extends exhaustive swimming time by improving energy metabolism and antioxidant capacity in mice. Journal of Medicinal Food 2024, 27(9), 887-894.

4. Moghimi, A., Yang, C., & Anderson, J. A. Aerial hyperspectral imagery and deep neural networks for high- through put yield phenotyping in wheat. Computers and Electronics in Agriculture 2020, 172, 105299.

5. Greco, C.; Agnello, A.; La Placa, G.; Mammano, M.M.; Navickas, K. Biowaste in a circular bioeconomy in Mediterranean area: A case study of compost and vermicompost as growing substrates alternative to peat. Riv. Studi Sulla Sostenibilità 2019, 2, 345–362.

6. Greco, C.; Comparetti, A.; Fascella, G.; Febo, P.; La Placa, G.; Saiano, F.; Mammano, M.M.; Orlando, S.; Laudicina, V.A. Effects of Vermicompost, Compost and Digestate as Commercial Alternative Peat-Based Substrates on Qualitative Parameters of Salvia officinalis. Agronomy 2021, 11, 98.

7. Greco, C., Gaglio, R., Settanni, L., Alfonzo, A., Orlando, S., Ciulla, S., & Mammano, M. M. Monitoring Moringa oleifera Lam. in the Mediterranean Area Using Unmanned Aerial Vehicles (UAVs) and Leaf Powder Production for Food Fortification. Agriculture 2025a, 15(13), 1359.

8. Comparetti, A.; Greco, C.; Mammano, M.M.; Navickas, K.; Orlando, S.; Venslauskas, K. Valorisation of urban green areas for producing renewable energy and biochar as growing substrate of Sicilian aromatic and nutraceutical species in a circular economy. Riv. Studi Sulla Sostenibilita 2019, 2 (Suppl. S2), 299–314.

9. Comparetti, A.; Greco, C.; Orlando, S.; Ciulla, S.; Mammano, M.M. Comparison of mechanical, assisted and manual harvest of Origanum vulgare L. Sustain. For. 2022, 14, 2562.

10. Greco, C., Catania, P., Orlando, S., Vallone, M., & Mammano, M. M. Assessment of Vegetation Indices as Tool to Decision Support System for Aromatic Crops. Lect. Notes Civ. Eng. 2024, 521 LNCE,322–331. https://doi.org/10.1007/978-3-031-63504-5_33.

11. Greco, C., Gaglio, R., Settanni, L., Sciurba, L., Ciulla, S., Orlando, S., & Mammano, M. M. Smart farming technologies for sustainable agriculture: A case study of a Mediterranean aromatic farm. Agriculture 2025b, 15(8), 810.

12. Balafoutis, A.T.; Beck, B.; Fountas, S.; Tsiropoulos, Z.; Vangeyte, J.; van der Wal, T.; Soto-Embodas, I.; Gómez-Barbero, M.; Pedersen, S.M. Smart Farming Technologies—Description, Taxonomy and Economic Impact. Springer: Berlin/Heidelberg, Germany 2017; pp. 21–77. ISBN 978-3-319-68713-1.

13. Mesgaran, M.B.; Madani, K.; Hashemi, H.; Azadi, P. Iran’s land suitability for agriculture. Sci. Rep. 2017, 7, 1–12.

14. Virk, A. L., Noor, M. A., Fiaz, S., Hussain, S., Hussain, H. A., Rehman, M., ... & Ma, W. Smart farming: an overview. Smart village technology: concepts and developments 2020, 191-201.

15. Abhinav, S.; Jain, A.; Gupta, P.; Chowdary, V. Machine learning applications for precision agriculture: A comprehensive review. IEEE Access 2021, 9, 4843–4873.

16. Kwaghtyo, D.K.; Eke, C.I. Smart farming prediction models for precision agriculture: A comprehensive survey. Artif. Intell. Rev. 2023, 56, 5729–5772.

17. Petrovìc, B.; Bumbálek, R.; Zoubek, T.; Kuneš, R.; Smutný, L.; Bartoš, P. Application of precision agriculture technologies in Central Europe-review. J. Agric. Food Res. 2024, 15, 101048

18. Greco, C.; Campiotti, A.; De Rossi, P.; Febo, P.; Giagnacovo, G. Energy consumption and improvement of energy efficiency for the European agricultural-food system. Riv. Studi Sulla Sostenibilità 2020, 92–103

19. Greco, C., Serio, G., Viola, E., Barbera, M., Mammano, M. M., Orlando, S., ... & Gaglio, R. Exploring the Functional Properties of Leaves of Moringa oleifera Lam. Cultivated in Sicily Using Precision Agriculture Technologies for Potential Use as a Food Ingredient. Antioxidants 2025c.

20. Kumar, V., Zadokar, A., Kumar, P., Sharma, R., Sharma, R., Siddiqui, M. W., Irfan, M., & Chandora, R. Advancing medicinal plant agriculture: Integrating technology and precision agriculture for sustainability. 2025, Peer J, 13(4). https://doi.org/10.7717/peerj.19058

21. Aftab, T. A review of medicinal and aromatic plants and their secondary metabolites status under abiotic stress. Journal of Medicinal Plants 2019, 7(3), 99-106.

22. Matías, J., Rodríguez, M. J., Carrillo-Vico, A., Casals, J., Fondevilla, S., Haros, C. M., ... & Reguera, M. From ‘farm to fork’: Exploring the potential of nutrient-rich and stress-resilient emergent crops for sustainable and healthy food in the Mediterranean region in the face of climate change challenges. Plants 2024, 13(14),

1914.

23. Vidican, R., Mălinaș, A., Ranta, O., Moldovan, C., Marian, O., Ghețe, A., ... & Cătunescu, G. M. Using remote sensing vegetation indices for the discrimination and monitoring of agricultural crops: A critical review. Agronomy 2023, 13(12), 3040.

24. Sharma, S. Precision agriculture: Reviewing the advancements technologies and applications in precision agriculture for improved crop productivity and resource management. Reviews In Food and Agriculture 2023, 4(2), 45-49.

25. Mahlein, A. K. Plant disease detection by imaging sensors–parallels and specific demands for precision agriculture and plant phenotyping. Plant disease 2016, 100(2), 241-251.

26. Zarco-Tejada, P. J., González-Dugo, V., & Berni, J. A. Fluorescence, temperature and narrow-band indices acquired from a UAV platform for water stress detection using a micro-hyperspectral imager and a thermal camera. Remote sensing of environment 2012, 117, 322-337.

27. Jabed, M. A., & Murad, M. A. A. Crop yield prediction in agriculture: A comprehensive review of machine learning and deep learning approaches, with insights for future research and sustainability. Heliyon 2024, 10(24).

28. Greco, C.; Catania, P.; Orlando, S.; Vallone, M.; Mammano, M.M. Assessment of vegetation indices as tool to decision support system for aromatic crops. In International Conference on Safety, Health and Welfare in Agriculture and Agro-food Systems. Cham: Springer Nature Switzerland. 2023a, pp. 322-331.

29. Pierpaoli, E.; Carli, G.; Pignatti, E.; Canavari, M. Drivers of precision agriculture tech-nologies adoption: a literature review. Procedia Technology 2013, 8(2013) 61-69.

30. Fountas, S.; Malounas, I.; Athanasakos, L.; Avgoustakis, I.; Espejo-Garcia, B. AI-assisted vision for agricultural robots. AgriEngineering 2022, 4(3), 674-694.

31. Louta, M.; Karagiannis, P.; Papanikolopoulou, V.; Vouraki, S.; Tsipis, E.; Priskas, S.; Arsenos, G.F. A Decision Support System for Dairy Sheep and Goat Production. Animals 2023, 13,1495.

32. Akhter, R.; Sofi, S.A. Precision agriculture using IoT data analytics and machine learning. Journal of King Saud University-Computer and Information Sciences 2022, 34(8), 5602-5618.

33. Sharma, S.; Srushtideep, A. Precision agriculture and its future. International Journal of Plant & Soil Science 2022, 34(24), 200-204.

34. Mourtzis, D.; Angelopoulos, J.; Panopoulos, N. Unmanned Aerial Vehicle (UAV) path planning and control assisted by Augmented Reality (AR): The case of indoor drones. International Journal of Production Research 2024, 62(9), 3361-3382.

35. Colaço, A.F.; Molin, J.P.; Rosell-Polo, J.R.; Escolà, A. Application of light detection and ranging and ultrasonic sensors to high-throughput phenotyping and precision horticulture: current status and challenges. Horticulture research 2018, 5.

36. Sandonís-Pozo, L.; Rufat, J.; Pascual, M.; Villar, J.M.; Arnó, J.; Escolà, A.; Rosell-Polo, J.R.; Martínez- Casasnovas, J.A. LiDAR-derived indices and their relationship with productivi-ty and oil quality attributes in high-density olive orchards. Smart Agricultural Technology 2025, 12(2025) 101213. https://doi.org/10.1016/j.atech.2025.101213.

37. Ouda, S.; Zohry, A.E.H. Climate-smart agriculture 2022, Springer International Publishing

38. Alexandridis, T.K.; Andrianopoulos, A.; Galanis, G.; Kalopesa, E.; Dimitrakos, A.; Katsogiannos, F.; Zalidis, G. An integrated approach to promote precision farming as a measure toward reduced-input agriculture in Northern Greece using a spatial decision support system. Comprehensive Geographic Information Systems 2017, 1, 315-52.

39. Behmann, J.; Mahlein, A.K.; Rumpf, T.; Römer, C.; Plümer, L. A review of advanced machine learning methods for the detection of biotic stress in precision crop protection. Precision agriculture 2015, 16(3), 239- 260

40. Peña, J.M.; Torres-Sánchez, J.; de Castro, A.I.; Kelly, M.; López-Granados, F. Weed mapping in early-season maize fields using object-based analysis of unmanned aerial vehicle (UAV) images. PloS one 2013, 8(10) e77151.

41. Bendig, J.; Bolten, A.; Bennertz, S.; Broscheit, J.; Eichfuss, S.; Bareth, G. Estimating biomass of barley using crop surface models (CSMs) derived from UAV-based RGB imaging. Remote sensing 2014, 6(11), 10395-

10412.

42. Pádua, L.; Marques, P.; Hruška, J.; Adão, T.; Peres, E.; Morais, R.; Sousa, J.J. Multi-temporal vineyard monitoring through UAV-based RGB imagery. Remote Sensing 2018, 10(12), 1907.

43. Adão, T.; Hruška, J.; Pádua, L.; Bessa, J.; Peres, E.; Morais, R.; Sousa, J.J. Hyperspectral imaging: A review on UAV-based sensors, data processing and applications for agriculture and forestry. Remote sensing 2017, 9(11), 1110.

44. Hosoi, F.; Omasa, K. Estimating vertical plant area density profile and growth parameters of a wheat canopy at different growth stages using three-dimensional portable lidar imaging. ISPRS Journal of Photogrammetry and Remote Sensing 2009, 64(2), 151-158.

45. Torres-Sánchez, J.; López-Granados, F.; Borra-Serrano, I.; Peña, J.M. Assessing UAV-collected image overlap influence on computation time and digital surface model accuracy in olive orchards. Precision Agriculture 2018, 19(1), 115-133.

46. Rosell, J.; Sanz, R. A review of methods and applications of the geometric character-ization of tree crops in agricultural activities. Computers and Electronics in Agriculture 2012, 81,124–141.

47. Moorthy, I.; Miller, J.R.; Berni, J.A.J.; Zarco-Tejada, P.; Hu, B.; Chen, J. (2011) Field characterization of olive (Olea europaea L.) tree crown architecture using terrestrial laser scanning data. Agricultural and Forest Meteorology 2011, 151, 204–214.

48. Karim, M.R.; Reza, M.N.; Jin, H.; Haque, M.A.; Lee, K.H.; Sung, J.; Chung, S.O. Application of LiDAR sensors for crop and working environment recognition in agriculture: a review. Remote Sensing 2024, 16,

4623.

49. Béland, M.; Widlowski, J.L.; Fournier, R.A. A model for deriving voxel-level tree leaf area density estimates from ground-based LiDAR. Environmental Modelling & Software 2014, 51, 184–189.

50. Hatfield, J.L.; Prueger, J.H. Variable atmospheric, canopy, and soil effects on energy and carbon fluxes over crops. Improving Modeling Tools to Assess Climate Change Effects on Crop Response 2016, 7, 195-216.

51. Haboudane, D.; Miller, J.R.; Tremblay, N.; Zarco-Tejada, P.J.; Dextraze, L. Integrated Narrow-Band Vegetation Indices for Prediction of Crop Chlorophyll Content for Application to Precision Agriculture. Remote Sensing of Environment 2002, 81, 416-426. https://doi.org/10.1016/S0034-4257(02)00018-4

52. Popescu, S.C.; Zhao, K.; Neuenschwander, A.; Lin, C. Satellite lidar vs. small footprint airborne lidar: Comparing the accuracy of aboveground biomass estimates and forest structure metrics at footprint level. Remote Sensing of Environment 2011, 115(11), 2786-2797.

53. PEñA, A. L. F. R. E. D. O.; Gryning, S. E.; Floors, R. R. Lidar observations of marine boundary-layer winds and heights: a preliminary study. Meteorologische Zeitschrift 2015, 24(6), 581-589.

54. Garofalo, G.; Buzzanca, C.; Ponte, M.; Barbera, M.; D’Amico, A.; Greco, C.; ... & Gaglio, R. Comprehensive analysis of Moringa oleifera leaves’ antioxidant properties in ovine cheese. Food Bioscience 2024, 61, 104974.

55. Greco, C.; Catania, P.; Orlando, S.; Vallone, M.; Mammano, M.M. An Innovative Indoor and Controlled Sustainable Snail Breeding System. In International Conference on Safety, Health and Welfare in Agriculture and Agro-food Systems (pp. 243-253). Cham: Springer Nature Switzerland. 2023b.

56. Greco, C.; Gaglio, R.; Settanni, L.; Alfonzo, A.; Orlando, S.; Ciulla, S.; Mammano; M.M. Monitoring Moringa oleifera Lam. in the Mediterranean Area Using Unmanned Aerial Vehicles (UAVs) and Leaf Powder Production for Food Fortification. Agriculture 2025d, 15(13), 1359.

57. Leone, A.; Spada, A.; Battezzati, A.; Schiraldi, A.; Aristil, J.; Bertoli, S. Cultivation, genetic, ethnopharmacology, phytochemistry and pharmacology of Moringa oleifera leaves: An overview. International journal of molecular sciences 2015, 16(6), 12791-12835.

58. Rockwood, J.L.; Anderson, B.G.; Casamatta, D.A. Potential uses of Moringa oleifera and an examination of antibiotic efficacy conferred by M. oleifera seed and leaf extracts using crude extraction techniques available to underserved indigenous populations. International Journal of Phytotherapy Research 2013, 3(2), 61-71.

59. Gupta, R., Mathur, M., Bajaj, V. K., Katariya, P., Yadav, S., Kamal, R., & Gupta, R. S. Evaluation of antidiabetic and antioxidant activity of Moringa oleifera in experimental diabetes. Journal of diabetes 2012, 4(2), 164-171.

60. Gupta, S., Kumar, D., Aziz, A., AbdelRahman, M. A., Fiorentino, C., D’Antonio, P., & Moursy, A. R. Modern optical sensing technologies and their applications in agriculture. African Journal of Agricultural Research 2024, 20(10), 896-909.

61. Greco, C., Catania, P., Orlando, S., Calderone, G., & Mammano, M. M. Rosemary Biomass Estimation from UAV Multispectral Camera. Lect. Notes Civ. Eng., 2025e, 586 LNCE, 615–623. https://doi.org/10.1007/978-3- 031-84212-2_76

62. Salsi, G., Greco, C., Laudicina, V. A., Lucia, C., Muscarella, S. M., Greco, G., ... & Mammano, M. M. Preliminary results of Moringa oleifera Lam. grown in a semi-arid Mediterranean environment in a climate change scenario. Frontiers in Sustainable Food Systems 2025, 9, 1576147.

63. Gadhwal, M. Precision irrigation management through thermal and multispectral remote sensing: An integration of sensing systems and analytical techniques. Kansas State University, 2023.

64. Cánovas-García, F.; Alonso-Sarría, F.; Gomariz-Castillo, F.; Oñate-Valdivieso, F. Modification of the random forest algorithm to avoid statistical dependence problems when classifying remote sensing imagery. Computers & Geosciences 2017, 103, 1-11.

65. Wu, D.; Johansen, K.; Phinn, S.; Robson, A. Suitability of airborne and terrestrial laser scanning for mapping tree crop structural metrics for improved orchard management. Remote Sensing 2020, 12, 1647.

66. Perna, C.; Pagliai, A.; Sarri, D.; Lisci, R.; Vieri, M. Can a Light Detection and Ranging (LiDAR) and Multispectral Sensor Discriminate Canopy Structure Changes Due to Prun-ing in Olive Growing? A Field Experimentation. Sensors 2024, 24, 7894.

67. Madec, S.; Baret, F.; De Solan, B.; Thomas, S.; Dutartre, D.; Jezequel, S.; Comar, A. High-throughput phenotyping of plant height: comparing unmanned aerial vehicles and ground LiDAR estimates. Frontiers in plant science 2017, 8, 2002.

68. Tsoulias, N.; Fountas, S.; Zude-Sasse, M. Estimating the canopy volume using a 2D LiDAR in apple trees. In IV International Symposium on Horticulture in Europe-SHE 2021. 2021. 1327, pp. 437-444

69. Vigani, M.; Rodríguez-Cerezo, E.; Gómez-Barbero, M. The determinants of wheat yields: The role of sustainable innovation, policies and risks in France and Hungary. JRC Science and Policy Reports 2015, EUR,

27246.

70. Zarco-Tejada, P.J.; Diaz-Varela, R.; Angileri, V.; Loudjani, P. Tree height quantification using very high resolution imagery acquired from an unmanned aerial vehicle (UAV) and automatic 3D photo- reconstruction methods. European journal of agronomy 2014, 55, 89-99.

71. Getahun, S., Kefale, H., & Gelaye, Y. Application of precision agriculture technologies for sustainable crop production and environmental sustainability: A systematic review. The Scientific World Journal 2024(1),

2126734.

72. Tsouros, D. C., Bibi, S., & Sarigiannidis, P. G. A review on UAV-based applications for precision agriculture. Information 2019, 10(11), 349.

73. Adamchuk, V. I., Hummel, J. W., Morgan, M. T., & Upadhyaya, S. K. On-the-go soil sensors for precision agriculture. Computers and electronics in agriculture 2004, 44(1), 71-91.

74. Tabussam, N., Rana, R. M., Shah, M. K. N., Ahmad, M. S., Sajjad, M., & Lu, Y. Nutraceutical profiling of elite onion germplasm and breeding hybrids with improved nutraceutical quality. Plos one 2022, 17(1), e0262705.

75. Isah, T. Stress and defense responses in plant secondary metabolites production. Biological research 2019, 52.

76. Al Murad, M., Razi, K., Jeong, B. R., Samy, P. M. A., & Muneer, S. Light emitting diodes (LEDs) as agricultural lighting: Impact and its potential on improving physiology, flowering, and secondary metabolites of crops. Sustainability 2021, 13(4), 1985.

77. Franco-Navarro, J. D., Padilla, Y. G., Álvarez, S., Calatayud, Á., Colmenero-Flores, J. M., Gómez-Bellot, M. J., ... & Acosta-Motos, J. R.. Advancements in Water-Saving Strategies and Crop Adaptation to Drought: A Comprehensive Review. Physiologia Plantarum 2025, 177(4), e70332.

78. Sharma, P., Jha, A. B., & Dubey, R. S.. Oxidative stress and antioxidative defense system in plants growing under abiotic stresses. In Handbook of Plant and Crop Stress, Fourth Edition 2019, (pp. 93-136). CRC press.

79. Garza-Alonso, C. A., González-García, Y., Pérez-Labrada, F., & Juárez-Maldonado, A. Nanotechnology to Improve Plant Secondary Metabolite Production. In Agricultural Sustainability through Nanotechnology (pp. 129-146). CRC Press 2025.

80. Wu, W., Wu, H., Liang, R., Huang, S., Meng, L., Zhang, M., ... & Zhu, H. Light regulates the synthesis and accumulation of plant secondary metabolites. Frontiers in Plant Science 2025, 16, 1644472.

81. Tosin, R. Advanced Methodologies for the Diagnosis of Agronomic Processes Based on Systems Biology for Precision Agriculture (Doctoral dissertation, Universidade do Porto (Portugal)), 2024.

82. Avola, G., Matese, A., & Riggi, E. An overview of the special issue on “precision agriculture using hyperspectral images”. Remote Sensing 2023, 15(7), 1917.

83. Sarić, R., Nguyen, V. D., Burge, T., Berkowitz, O., Trtílek, M., Whelan, J., ... & Čustović, E. Applications of hyperspectral imaging in plant phenotyping. Trends in plant science 2022, 27(3), 301-315.

84. Xu, R., Li, C., & Bernardes, S. Development and testing of a UAV-based multi-sensor system for plant phenotyping and precision agriculture. Remote Sensing 2021, 13(17), 3517.

85. Kuo, C. G., Schafleitner, R., Schreinemachers, P., & Wopereis, M. Vegetables and climate change: pathways to resilience. 2020 (No. WorldVeg Publication 20-843).

86. Martínez-Peña, R., Vélez, S., Vacas, R., Martín, H., & Álvarez, S. Remote sensing for sustainable pistachio cultivation and improved quality traits evaluation through thermal and non-thermal UAV vegetation indices. Applied Sciences 2023, 13(13), 7716.

87. Panwar, E., Singh, D., Sharma, A. K., & Kumar, H. Monitoring wheat crop biochemical responses to random rainfall stress using remote sensing: a multi-data approach. IEEE Access, 2024.

88. Witkowicz, R., Skrzypek, E., Gleń-Karolczyk, K., Krupa, M., Biel, W., Chłopicka, J., & Galanty, A.Effects of application of plant growth promoters, biological control agents and microbial soil additives on photosynthetic efficiency, canopy vegetation indices and yield of common buckwheat (Fagopyrum esculentum Moench). Biological Agriculture & Horticulture 2021, 37(4), 234-251.

89. Žalohar, J. Remote Sensing in Conservation and Farming. 2025

90. Psiroukis, V., Papadopoulos, G., Darra, N., Koutsiaras, M. G., Lomis, A., Kasimati, A., & Fountas, S. Unmanned aerial vehicles applications in vegetables and arable crops. In Unmanned Aerial Systems in Agriculture. 2023. Academic Press. (pp. 71-91).

91. Dlamini, C. M., Odindi, J. O., Mutanga, O., & Matongera, T. N. The Use of Unmanned Aerial Vehicles (UAV) Remotely Sensed Data and Machine Learning Techniques to Predict Maize Yield. 2024

92. Gerhards, M., Schlerf, M., Rascher, U., Udelhoven, T., Juszczak, R., Alberti, G., ... & Inoue, Y. Analysis of airborne optical and thermal imagery for detection of water stress symptoms. Remote Sensing 2018, 10(7),

1139.

93. Gerhards, M., Schlerf, M., Mallick, K., & Udelhoven, T. Challenges and future perspectives of multi- /Hyperspectral thermal infrared remote sensing for crop water-stress detection: A review. Remote Sensing 2019, 11(10), 1240.

94. Aslan, M. F., Durdu, A., Sabanci, K., Ropelewska, E., & Gültekin, S. S. A Comprehensive Survey of the Recent Studies with UAV for Precision Agriculture in Open Fields and Greenhouses. Applied Sciences (Switzerland) 2022, 12(3). https://doi.org/10.3390/app12031047

95. Postolache, S., Sebastião, P., Viegas, V., Postolache, O., & Cercas, F. IoT-based systems for soil nutrients assessment in horticulture. Sensors 2022, 23(1), 403.

96. Alhasnawi, B. N., Jasim, B. H., & Issa, B. A. Internet of things (IoT) for smart precision agriculture. Iraqi Journal for Electrical and Electronic Engineering 2020, 16(1), 28-38.

97. García, L., Parra, L., Jimenez, J. M., Lloret, J., & Lorenz, P. IoT-based smart irrigation systems: An overview on the recent trends on sensors and IoT systems for irrigation in precision agriculture. Sensors 2020, 20(4),

1042.

98. Abuzanouneh, K. I. M., Al-Wesabi, F. N., Albraikan, A. A., Al Duhayyim, M., Al-Shabi, M., Hilal, A. M., ... & Muthulakshmi, K. Design of machine learning based smart irrigation system for precision agriculture. Computers, Materials & Continua 2022, 72(1).

99. Yu, S., Fan, J., Lu, X., Wen, W., Shao, S., Liang, D., ... & Zhao, C. Deep learning models based on hyperspectral data and time-series phenotypes for predicting quality attributes in lettuces under water stress. Computers and Electronics in Agriculture 2023, 211, 108034.

100. Farmonov, N., Amankulova, K., Szatmári, J., Sharifi, A., Abbasi-Moghadam, D., Nejad, S. M. M., & Mucsi, L. Crop type classification by DESIS hyperspectral imagery and machine learning algorithms. IEEE Journal of selected topics in applied earth observations and remote sensing 2023, 16, 1576-1588.

101. Wang, C., Liu, B., Liu, L., Zhu, Y., Hou, J., Liu, P., & Li, X. A review of deep learning used in the hyperspectral image analysis for agriculture. Artificial Intelligence Review 2021, 54(7), 5205-5253.

102. Tayade, R., Yoon, J., Lay, L., Khan, A. L., Yoon, Y., & Kim, Y. Utilization of spectral indices for high- throughput phenotyping. Plants 2022, 11(13), 1712.

103. Bhargava, A., Sachdeva, A., Sharma, K., Alsharif, M. H., Uthansakul, P., & Uthansakul, M. Hyperspectral imaging and its applications: A review. Heliyon 2024, 10(12).

104. Raghav, M., Dubey, A., & Singh, J. Hyperspectral Imaging for Detection and Classification of Plant Primary and Secondary Metabolites: A Review. Phytochemical Analysis 2025.

105. Mahajan, G. R., Das, B., Murgaokar, D., Herrmann, I., Berger, K., Sahoo, R. N., ... & Kulkarni, R. M. Monitoring the foliar nutrients status of mango using spectroscopy-based spectral indices and PLSR- combined machine learning models. Remote Sensing 2021, 13(4), 641.

106. Hafsah, S., Ahmad, F., Arianti, N. D., Saputra, E., & Hartuti, S. Rapid and non-destructive determination of vitamin C and antioxidant activity of intact red chilies using visible near-infrared spectroscopy and machine learning tools. Case Studies in Chemical and Environmental Engineering 2023, 8, 100435.

107. Eshkabilov, S., & Simko, I. Assessing Contents of Sugars, Vitamins, and Nutrients in Baby Leaf Lettuce from Hyperspectral Data with Machine Learning Models. Agriculture 2024, 14(6), 834.

108. Wang, Y., An, J., Shao, M., Wu, J., Zhou, D., Yao, X., ... & Zhu, Y. A comprehensive review of proximal spectral sensing devices and diagnostic equipment for field crop growth monitoring. Precision Agriculture 2025, 26(3), 54.

109. Surendran, U., Nagakumar, K. C. V., & Samuel, M. P. Remote sensing in precision agriculture. In Digital agriculture: A solution for sustainable food and nutritional security. Cham: Springer International Publishing 2025, (pp. 201-223)

110. ARAYA, N., GOKOOL, S., AMOO, S., SITHOLE, N., MULOVHEDZI, N., & NDAYAKUNZE, A. DETERMINING THE WATER USE, WATER AND NUTRITIONAL WATER PRODUCTIVITY OF MORINGA UNDER VARYING CROP MANAGEMENT PRACTICES. 2024.

111. Santesteban, L. G., Di Gennaro, S. F., Herrero-Langreo, A., Miranda, C., Royo, J. B., & Matese, A. High- resolution UAV-based thermal imaging to estimate the instantaneous and seasonal variability of plant water status within a vineyard. Agricultural Water Management 2017, 183, 49-59.

112. Pineda, M., Barón, M., & Pérez-Bueno, M. L. Thermal imaging for plant stress detection and phenotyping. Remote Sensing 2020, 13(1), 68.

113. Gerhards, R., Kollenda, B., Machleb, J. et al. Camera-guided Weed Hoeing in Winter Cereals with Narrow Row Distance. Gesunde Pflanzen 2020, 72, 403–411. https://doi.org/10.1007/s10343-020-00523-5

114. Wen, T., Li, J. H., Wang, Q., Gao, Y. Y., Hao, G. F., & Song, B. A. Thermal imaging: The digital eye facilitates high-throughput phenotyping traits of plant growth and stress responses. Science of The Total Environment 2023, 899, 165626.

115. Messina, G., & Modica, G. Applications of UAV thermal imagery in precision agriculture: State of the art and future research outlook. Remote Sensing 2020, 12(9), 1491.

116. Ullah, U., Usama, M., Muhammad, Z., & Akbar, A. AI-enabled low-powered wireless area networks for quality air. In Low-Power Wide Area Network for Large Scale Internet of Things. CRC Press, 2024. (pp. 100-141).

117. Bhargava, K., Ivanov, S., McSweeney, D., & Donnelly, W. Leveraging fog analytics for context-aware sensing in cooperative wireless sensor networks. ACM Transactions on Sensor Networks 2019, (TOSN), 15(2), 1-35.

118. Kannan, J., Palani, T., Selvakumar, D., Dhashnamurthi, V., Shanmugam, V., Duraisamy, K., & Mannu, J.. Computational Approaches in Multi-Omics for Crop Improvement. Current Bioinformatics, 2025. https://doi.org/10.2174/0115748936402493250905065506

119. Liang, L., Shi, H., Wang, Z., Wang, S., Li, C., & Diao, M. Research on time series prediction model for multi- factor environmental parameters in facilities based on LSTM-AT-DP model. Frontiers in Plant Science, 2025, 16, 1652478.

120. Gómez-García, R., Campos, D. A., Aguilar, C. N., Madureira, A. R., & Pintado, M. Valorisation of food agro-industrial by-products: From the past to the present and perspectives. Journal of Environmental Management 2021, 299, 113571.

121. Ahmad, Q. U. A., Biemans, H., Moors, E., Shaheen, N., & Masih, I. The impacts of climate variability on crop yields and irrigation water demand in South Asia. Water 2021, 13(1), 50.

122. Cotera, R. V., Guillaumot, L., Sahu, R. K., Nam, C., Lierhammer, L., & Costa, M. M. An assessment of water management measures for climate change adaptation of agriculture in Seewinkel. Science of the Total Environment 2023, 885, 163906.

123. Gago, J., Douthe, C., Coopman, R. E., Gallego, P. P., Ribas-Carbo, M., Flexas, J., ... & Medrano, H. UAVs challenge to assess water stress for sustainable agriculture. Agricultural water management 2015, 153, 9-19.

124. Gitelson, A. A., & Merzlyak, M. N. Non-destructive assessment of chlorophyll carotenoid and anthocyanin content in higher plant leaves: principles and algorithms. 2004

125. Saranwong, S., Sornsrivichai, J., & Kawano, S. Prediction of ripe-stage eating quality of mango fruit from its harvest quality measured nondestructively by near infrared spectroscopy. Postharvest biology and technology 2004, 31(2), 137-145.

126. Zhang, C., & Kovacs, J. M. The application of small unmanned aerial systems for precision agriculture: a review. Precision agriculture 2012, 13(6), 693-712.

127. Bousquet, E., Mialon, A., Rodriguez-Fernandez, N., Prigent, C., Wagner, F. H., & Kerr, Y. H. Influence of surface water variations on VOD and biomass estimates from passive microwave sensors. Remote Sensing of Environment 2021, 257, 112345.

128. Mansoor, S., Iqbal, S., Popescu, S. M., Kim, S. L., Chung, Y. S., & Baek, J. H. Integration of smart sensors and IOT in precision agriculture: trends, challenges and future prospectives. Frontiers in Plant Science 2025, 16, 1587869.

129. Aman, M., Khan, Z. U., Khan, J., Mashori, A. S., Ali, A., Jabeen, N., ... & Li, F.. A Comprehensive Review on Crop Stress Detection: Destructive, Non-Destructive, and ML-Based Approaches. Frontiers in Plant Science 2025, 16, 1638675.

130. Sharma, H., Sidhu, H., & Bhowmik, A. Remote Sensing Using Unmanned Aerial Vehicles for Water Stress Detection: A Review Focusing on Specialty Crops. Drones 2025, 9(4), 241.

131. Vera-Esmeraldas, A., Pizarro-Oteíza, S., Labbé, M., Rojo, F., & Salazar, F. UAV-Based Spectral and Thermal Indices in Precision Viticulture: A Review of NDVI, NDRE, SAVI, GNDVI, and CWSI. Agronomy 2025, 15(11), 2569.

132. Han, S., Liu, J., Zhou, G., Jin, Y., Zhang, M., & Xu, S. InceptionV3-LSTM: A deep learning net for the intelligent prediction of rapeseed harvest time. Agronomy 2022, 12(12), 3046.

133. Peng, W., & Karimi Sadaghiani, O. A review on the application of machine learning in production of woody biomass from natural and planted forests. Journal of Renewable and Sustainable Energy 2023, 15(3).

134. [134] Hernández Hernández, G. C., Gómez Gómez, J., & Jiménez-Cabas, J. Predictive Models Based on Artificial Intelligence to Estimate Crop Yield: A Literature Review. Agriculture 2025, 15(23), 2438.

135. Bounoua, I., Saidi, Y., Yaagoubi, R., & Bouziani, M. (2024). Deep learning approaches for water stress forecasting in arboriculture using time series of remote sensing images: Comparative study between convlstm and cnn-lstm models. Technologies 2024, 12(6), 77.

136. Marques, P., Pádua, L., Sousa, J. J., & Fernandes-Silva, A. Advancements in remote sensing imagery applications for precision management in olive growing: A systematic review. Remote Sensing 2024, 16(8),

1324.

137. Joana Gil-Chávez, G., Villa, J. A., Fernando Ayala-Zavala, J., Basilio Heredia, J., Sepulveda, D., Yahia, E. M., & González-Aguilar, G. A. Technologies for extraction and production of bioactive compounds to be used as nutraceuticals and food ingredients: An overview. Comprehensive Reviews in Food Science and Food Safety 2013, 12(1), 5-23.

138. Mishra, H. Nanobiostimulants and Precision Agriculture: A Data-Driven Approach to Farming and Market Dynamics. In Nanobiostimulants: Emerging Strategies for Agricultural Sustainability. Cham: Springer Nature Switzerland 2024. (pp. 365-398)

139. Riar, C. S., & Panesar, P. S. (Eds.). Bioactive Compounds and Nutraceuticals from Plant Sources: Extraction Technology, Analytical Techniques, and Potential Health Prospects. CRC Press, 2024.

140. Pant, P., Pandey, S., & Dall’Acqua, S. The influence of environmental conditions on secondary metabolites in medicinal plants: A literature review. Chemistry & Biodiversity 2021, 18(11), e2100345.

141. Prinsloo, G., & Nogemane, N. The effects of season and water availability on chemical composition, secondary metabolites and biological activity in plants. Phytochemistry Reviews 2018, 17(4), 889-902

142. Qaderi, M. M., Martel, A. B., & Strugnell, C. A. Environmental factors regulate plant secondary metabolites. Plants 2023, 12(3), 447.

143. Chai, Q., Gan, Y., Zhao, C., Xu, H. L., Waskom, R. M., Niu, Y., & Siddique, K. H. Regulated deficit irrigation for crop production under drought stress. A review. Agronomy for sustainable development 2016, 36(1), 3.

144. Yang, B., Fu, P., Lu, J., Ma, F., Sun, X., & Fang, Y. Regulated deficit irrigation: an effective way to solve the shortage of agricultural water for horticulture. Stress Biology 2022, 2(1), 28.

145. Chen, Y., Leng, Y. N., Zhu, F. Y., Li, S. E., Song, T., & Zhang, J. Water-saving techniques: physiological responses and regulatory mechanisms of crops. Advanced Biotechnology 2023, 1(4), 3.

146. Zude, M. PRODUCT MONITORING AND PROCESS CONTROL IN THE HORTICULTURAL SUPPLY CHAIN. Progress in Food Engineering Research and Development 2008, 1.

147. Zhang, Q., Liu, M., & Ruan, J. Metabolomics analysis reveals the metabolic and functional roles of flavonoids in light-sensitive tea leaves. BMC plant biology 2017, 17(1), 64.

148. Gorai, T., Yadav, P. K., Choudhary, G. L., & Kumar, A. Site-specific crop nutrient management for precision agriculture—A review. Curr. J. Appl. Sci. Technol 2021, 40, 37-52.

149. Velusamy, P., Rajendran, S., Mahendran, R. K., Naseer, S., Shafiq, M., & Choi, J. G. Unmanned Aerial Vehicles (UAV) in precision agriculture: Applications and challenges. Energies 2021, 15(1), 217.

150. Mostafa, H., Saha, K. K., Tsoulias, N., & Zude-Sasse, M. Using LiDAR technique and modified community land model for calculating water interception of cherry tree canopy. Agricultural Water Management 2022, 272, 107816.

151. Dabek, A., Mantovani, L., Mirabella, S., Vignati, M., & Cinquemani, S. Advancements in Non-Destructive Detection of Biochemical Traits in Plants Through Spectral Imaging-Based Algorithms: A Systematic Review. Algorithms 2025, 18(5), 255.

152. Szechyńska-Hebda, M., Hołownicki, R., Doruchowski, G., Sas, K., Puławska, J., Jarecka-Boncela, A., ... & Włodarek, A. Application of Hyperspectral Imaging for Early Detection of Pathogen-Induced Stress in Cabbage as Case Study. Agronomy 2025, 15(7), 1516.

153. Smith, R. J., Baillie, J. N., McCarthy, A. C., Raine, S. R., & Baillie, C. P. Review of precision irrigation technologies and their application. National Centre for Engineering in Agriculture Publication 2010, 1003017(1).

154. Bwambale, E., Abagale, F. K., & Anornu, G. K. Smart irrigation monitoring and control strategies for improving water use efficiency in precision agriculture: A review. Agricultural Water Management 2022, 260,

107324.

155. Lakhiar, I. A., Yan, H., Zhang, C., Wang, G., He, B., Hao, B., ... & Rakibuzzaman, M. A review of precision irrigation water-saving technology under changing climate for enhancing water use efficiency, crop yield, and environmental footprints. Agriculture 2024, 14(7), 1141.

156. Xing, Y., & Wang, X. Precision agriculture and water conservation strategies for sustainable crop production in arid regions. Plants 2024, 13(22), 3184.

157. Ali, A., Hussain, T., & Zahid, A. Smart irrigation technologies and prospects for enhancing water use efficiency for sustainable agriculture. AgriEngineering 2025, 7(4), 106.

158. Betteridge, K., Schnug, E., & Haneklaus, S. Will site specific nutrient management live up to expectation. Agriculture and Forestry Research 2008, 4(58), 283-294.

159. Singh, A. K. Precision agriculture in india–opportunities and challenges. Indian Journal of Fertilisers 2022, 18(4), 308-331.

160. Meena, D. K., Brahma, D., Dawar, R., Patidarand, A., & Singh, T. Site-specific nutrient management for enhancing nutrient use efficiency. Site-specific nutrient management for enhancing nutrient use efficiency, 2023. 1-4.

161. Nakachew, K., Yigermal, H., Assefa, F., Gelaye, Y., & Ali, S. Review on enhancing the efficiency of fertilizer utilization: Strategies for optimal nutrient management. Open Agriculture 2024, 9(1), 20220356.

162. Ferguson, R. B., Gebbers, R., Yang, C., Zhang, C., Kovacs, J. M., Walters, D., ... & Chen, G. Precision agriculture for sustainability 2018, (Vol. 52). Burleigh Dodds Science Publishing.

163. Ferguson, R. B., Pane, C., Sudduth, K. A., Franzen, D. W., & Denton, A. M. Instant Insights: Proximal sensors in agriculture. Burleigh Dodds Science 2023, Publishing. (Vol. 63).

164. Taylor, B., Casey, J., Luke, B., Beale, T., Beeken, J., Edgington, S., ... & Godwin, J. EO4AgroClimate: improving modelling of pests and biological control agents to adapt to changing climates. agriRxiv 2023,

20230121664.

165. Ayerdi Gotor, A., Marraccini, E., Leclercq, C., & Scheurer, O. Precision farming uses typology in arable crop-oriented farms in northern France. Precision Agriculture 2020, 21(1), 131-146.

166. Chen, X. The role of modern agricultural technologies in improving agricultural productivity and land use efficiency. Frontiers in Plant Science 2025, 16, 1675657.

167. Khaspuria, G., Khandelwal, A., Agarwal, M., Bafna, M., Yadav, R., & Yadav, A. Adoption of precision agriculture technologies among farmers: A comprehensive review. Journal of Scientific Research and Reports 2024, 30(7), 671-686 Disclaimer/Publisher’s Note: The statements, opinions and data contained in all publications are solely those of the individual author(s) and contributor(s) and not of MDPI and/or the editor(s). MDPI and/or the editor(s) disclaim responsibility for any injury to people or property resulting from any ideas, methods, instructions or products referred to in the content.