Yevheniia Babenko¹,*

Научный редактор: Vítor Carvalho

¹ Отдел систем сбора данных, Институт кибернетики имени В. М. Глушкова Национальной академии наук Украины, Киев, Украина. * Электронная почта: sarahan@nas.gov.ua

Опубликовано: 20 февраля 2026 г. | https://doi.org/10.20935/AcadEng8153

Современное сельское хозяйство развивается в условиях климатической изменчивости, дефицита ресурсов и экономической нестабильности, что требует решений, сочетающих устойчивость и эффективность. Последние достижения сосредоточены на технологиях мониторинга физиологического состояния растений, выявления стресса и оптимизации использования воды и других ресурсов. К наиболее значимым разработкам относятся сенсорные сети для регистрации индукции флуоресценции хлорофилла (CFI, эффект Каутского) и параметров окружающей среды, дополненные методами визуализации для выявления болезней и характеристики сортов. Наземные измерения также играют важную роль в калибровке спутниковых наблюдений, связывая локальные полевые данные с крупномасштабным дистанционным зондированием. Ранние методы визуальной диагностики, исторически предшествовавшие современному фенотипированию растений, сформировали концептуальную основу этих подходов и впоследствии превратились в цифровые инструменты точного земледелия. Сегодня объединение сенсорных технологий, платформ Интернета вещей (IoT) и машинного обучения позволяет создавать интеллектуальные системы поддержки принятия решений (DSS). Эти системы обеспечивают адаптивное управление сельскохозяйственными культурами на основе данных и формируют новые стандарты точного земледелия в условиях совместного воздействия климатических изменений и неопределённости мировых рынков.

Ключевые слова: сельское хозяйство; растения; умное сельское хозяйство; точное земледелие; сенсоры; спектроскопия; Интернет вещей; мониторинг растений; биоинспирированная аналитика; системы поддержки принятия решений.

Цитирование: Babenko Y. Trends and innovations in modern agriculture: from fluorescent sensors to decision support systems. AcademiaEngineering. 2026;3. https://doi.org/10.20935/AcadEng8153

В последние десятилетия развитие сельского хозяйства всё сильнее определяется климатической изменчивостью, демографическим давлением, ограниченностью ресурсов и экономической неопределённостью. Совместное действие этих факторов ускорило внедрение цифровых технологий, направленных на повышение эффективности, устойчивости и экологической стабильности систем растениеводства. В этом контексте точное земледелие сформировалось как основанная на данных парадигма, объединяющая сенсорные измерения, получение изображений, вычислительные методы и средства поддержки принятия решений для оптимизации управления растениями и полями [1].

Основная цель этого обзора заключается в обеспечении систематического и комплексного анализа информационных технологий, используемых для мониторинга растений и поддержки агрономических решений, включая сенсорные платформы, компьютерное зрение, дистанционное зондирование, модели машинного обучения и инфраструктуру Интернета вещей (IoT). Хотя существует большое количество специализированных исследований, литература остается фрагментированной между научными дисциплинами, и лишь немногие обзоры явно рассматривают, как эти технологии функционируют вместе как согласованная информационная система на уровне растений.

Современные исследования цифрового сельского хозяйства распределены между частично разобщёнными направлениями, включая фенотипирование растений, дистанционное зондирование, искусственный интеллект, инженерные решения IoT и агрономические системы поддержки принятия решений. В большинстве публикаций отдельные компоненты — спутниковые изображения, классификаторы машинного обучения или сенсорные сети — рассматриваются изолированно, без связи с биологической интерпретацией и практическим принятием решений. В результате передовые вычислительные методы нередко оптимизируют внутренние показатели качества, но слабо связаны с физиологией растений, динамикой стресса и агрономической значимостью. Этот разрыв особенно заметен в новых концепциях цифровых двойников [2] и систем поддержки принятия решений, которым необходимы не только точные измерения, но и семантическое согласование физических показателей, биологических признаков и вычислительных моделей. Для устранения разрыва требуется системный подход, при котором разнородные технологии рассматриваются не как автономные инструменты, а как элементы непрерывного информационного конвейера от растения к решению.

Этот обзор устраняет этот пробел путем систематического картирования и синтеза пяти основных технологических слоев информационной экосистемы растений: (i) сенсорные измерения на уровне растений и почвы, (ii) фенотипирование на основе компьютерного зрения, (iii) интерпретация на основе машинного обучения, (iv) интеграция данных на основе IoT и (v) системы поддержки принятия решений (DSS). Корпус публикаций был идентифицирован и отфильтрован с использованием рабочего процесса на основе PRISMA, обеспечивая прозрачность и воспроизводимость процесса отбора. На основе этого корпуса авторы вводят концептуальную архитектуру Plant-IT в качестве интегративной основы для организации и интерпретации рассмотренных технологий. Эта архитектура представляет собой не установленный стандарт, а предложенный автором синтез, полученный из перекрестного анализа литературы, предназначенный для четкого определения потока информации от измерений на уровне растений до принятия агрономических решений.

Временной анализ пяти потоков запросов Scopus дополнительно показывает поэтапное развитие информационных технологий для растениеводства. Сенсорные физиологически-ориентированные исследования (Q1) впервые появились в начале 1990-х годов, совпадая с внедрением цифровой аппаратуры растений, но показывают выраженное ускорение только после 2022-2023 гг. Исследования точного земледелия и системного уровня (Q2) демонстрируют взрывную фазу роста в 2025 году, отражающую быстрое распространение искусственного интеллекта, облачных платформ и периферийных вычислений в сельскохозяйственной практике. Исследования, ориентированные на поддержку принятия решений (Q3), появляются позже, примерно после 2002 года, и увеличиваются в основном после 2022 года, указывая на то, что замкнутый цикл интеллектуального агрономического управления остается сравнительно молодым направлением исследований. Исследования на основе дистанционного зондирования (Q4) показывают сильный рост после 2021-2022 годов, обусловленные спутниковыми группировками высокого разрешения и платформами БПЛА, в то время как анализ растений на основе компьютерного зрения (Q5) со временем увеличивается более постепенно. Эти тенденции демонстрируют эволюцию Plant-ITснизу вверх, переходя от физических измерений к восприятию, обучению и, наконец, интеллектуальным средствам принятия решений.

Современный мониторинг растений опирается на широкий набор сенсорных технологий, способных регистрировать физиологические, биохимические и структурные сигналы [3]. Гиперспектральная съёмка была продемонстрирована как эффективный подход для раннего выявления реакций на стресс, связанных с засухой, и изменений, связанных с фотосистемой, на уровне растительного покрова [4]. Параллельно анализ гиперспектральных изображений в сочетании с рабочими процессами машинного обучения систематически рассматривался как ключевое направление для выявления и идентификации заболеваний сельскохозяйственных культур [5]. Гиперспектральная обработка данных также применялась для получения содержания хлорофилла в сценариях виноградарства [6], и проксимальные обзоры оптического зондирования дополнительно подчеркивают системы мониторинга на основе изображений в точном виноградарстве [7], подчеркивая исследовательские проблемы, связанные с интеллектуальным анализом данных и развертыванием на местах [8]. Тепловизионная съёмка обеспечивает дополнительную дополнительную физиологическую информацию путем количественной оценки моделей температуры растительного покрова и динамики, связанной с транспирацией, и активно используется для обнаружения водного стресса, связанного с орошением, в полевых условиях [9]. Кроме того, тепловизионные изображения были изучены для раннего обнаружения заболеваний в задачах защиты растений, включая мониторинг пятен листьев [10].

Изображение RGB в сочетании с глубоким обучением поддерживает классификацию болезней растений на основе компьютерного зрения и распознавание симптомов [11], что подтверждается всеобъемлющими обзорами глубокого обучения и компьютерного зрения в точном земледелии [12]. Глубокое обучение на основе RGB также применялось для обнаружения симптомов вируса в реальных сельскохозяйственных условиях [13]. Недавние исследования и обзоры дополнительно подчеркивают растущее внедрение современных архитектур глубокого обучения для распознавания заболеваний листьев, включая модели EfficientNet на основе [14] и инженерно-ориентированные реализации детектора CNN [15]. Были предложены фреймворки на основе YOLO для мониторинга здоровья растений [16] в режиме реального времени, в то время как специализированные обзоры дополнительно обобщают подходы к выявлению заболеваний на основе CNN и рабочие процессы классификации [17].

Помимо 2D-визуализации, LiDAR зондирование вносит трехмерную структурную информацию для характеристики растительного покрова и анализа, связанного с биомассой, и все чаще признается в качестве высококачественного метода для точного земледелия и управления культурами [18]. Индукция флуоресценции хлорофилла (CFI) занимает четкое положение в спектре сенсорных методов в качестве неинвазивного косвенного показателя фотосинтетической эффективности и ранних стрессовых реакций, включая признаки стресса, вызванные засухой, на вегетативной стадии [19]. Параллельно растущее количество обзоров подчеркивает передовые и новые сенсорная технология за пределами классической визуализации. Гибкие датчики и материалы датчиков были обсуждены в качестве элементов для точного мониторинга сельского хозяйства [20], в то время как более широкие обзоры суммируют передовые сенсоры почвы и растений для применения в сельском хозяйстве [21]. Носимые сенсоры для растений представляют собой быстро развивающуюся категорию, позволяющую точное отслеживание физиологических сигналов и микроэкологических условий [22]. Для биохимической стресс-диагностики [23] анализ выбросов летучих органических соединений (VOC) был признан перспективным подходом для обнаружения поражённых растений [24], а наноинспирированные биосенсоры были рассмотрены как перспективные инструменты для мониторинга растений [25]. Акустические и ультразвуковые методы также обсуждались в качестве перспективных методов измерения в садоводстве и сельском хозяйстве [26]. Микрофлюидные платформы расширяют сенсорный инструментарий, позволяя пространственно-временное обнаружение корневых экссудатов и других биохимических взаимодействий растений и почв [27].

Наземные сенсорные платформы могут также служить в качестве калибровочных якорей для спутниковых наблюдений и наблюдений на основе БПЛА, поддерживая межмасштабный мониторинг и валидацию биофизических переменных, полученных из продуктов дистанционного зондирования. Это особенно актуально для переменных, связанных с ирригацией, таких как влажность почвы, где оценка на основе дистанционного зондирования требует надежной калибровки и оценки точности для сельскохозяйственных применений [28]. Индексы растительности, полученные из дистанционного зондирования, уже давно используются в сельскохозяйственном мониторинге. Их эксплуатационная надежность зависит от согласованных связей с физиологическими условиями сельскохозяйственных культур и наземных наблюдений [29]. Гиперспектральная съёмка БПЛА может обеспечить слой наблюдения промежуточного разрешения, который соединяет зондирование в масштабе участка и более широкие продукты дистанционного зондирования, тем самым усиливая переносимость и межмасштабную валидацию [30]. В этом контексте кросс-масштабные калибровочные петли необходимы для биологической интерпретируемости и эксплуатационной надежности крупномасштабных цифровых систем агромониторинга, в том числе поддерживаемых продуктами мультиспектральных изображений с высоким разрешением [31].

Помимо зондирования и фенотипирования [32], недавние исследования все чаще фокусируются на интеграции гетерогенных потоков данных в платформы на основе IoT и архитектуры DSS. Обзоры интеллектуальных датчиков и интеллектуальных рабочих процессов данных в точном земледелии подчеркивают постоянные проблемы, связанные с неоднородностью данных, метаданными и совместимостью, энергетическими ограничениями и системной масштабируемостью [33]. Аналогичным образом, систематические обзоры технологий интеллектуального зондирования с поддержкой IoT и ИИ подчеркивают необходимость надежной интеграции и управления данными в условиях зондирования [34], в то время как опросы Ag-IoT обеспечивают более широкую перспективу в инфраструктурах мониторинга сельскохозяйственных культур и окружающей среды и будущие проблемы [35].

Хотя модули машинного обучения в настоящее время широко используются для классификации изображений и прогнозирования урожайности, замкнутый цикл DSS, способный поддерживать решения по орошению, внесению удобрений или борьбе с вредителями, остается сравнительно редким. Географические информационные системы (ГИС) обеспечивают критически важную пространственную основу для интеграции данных датчиков с полевыми картами, изменчивостью почвы, распределением вредителей и климатическими записями, но их интеграция в реальном времени с инфраструктурами IoT и DSS остается ограниченной. Эта фрагментация подчеркивает необходимость системных цифровых архитектур, которые соединяют зондирование, аналитику и геопространственный интеллект в когерентные информационные системы, ориентированные на растения [36].

Объединив выбор литературы на основе PRISMA с многоуровневым архитектурным синтезом, этот обзор предоставляет структурированную карту того, как зондирование растений, компьютерное зрение, машинное обучение,

IoT и технологии DSS взаимодействуют по всему конвейеру Plant-IT. Вместо того, чтобы рассматривать эти компоненты как изолированные инновации, предлагаемая структура подчеркивает их взаимозависимость и определяет, где сохраняются интеграционные пробелы, особенно на уровне поддержки принятия решений и оперативного контроля.

13 января 2026 года в базе данных Scopus был проведен структурированный поиск литературы. Булевые запросы были применены к полям Заголовок статьи, аннотация и ключевые слова (TITLE-ABS-KEY). Пять дополнительных запросов (Q1-Q5) были разработаны для охвата сенсорные, основанные на изображениях и системные и аспектов поддержки принятия решений информационных технологий растения. Вместе пять запросов выявили 19 217 записей. После применения стандартных фильтров Scopus (предметные области AGRI, ENGI, COMP; типы документов Article, Review, Book Chapter, and Book; английский язык) сохранилось 15 163 записи. Скрининг доменных экспертов по всем пяти потокам запросов дал 70 публикаций-кандидатов, что после устранения дубликатов между запросами привело к окончательному корпусу из 65 уникальных исследований, включенных в качественный синтез (рисунок 1). Полные определения запросов приведены ниже.

TITLE-ABS-KEY ( (“plant phenotyping” OR “plant sensing” OR “crop monitoring”) AND (sensor OR “optical system” OR hyperspectral OR multispectral OR thermal OR fluorescence) ) AND (LIMIT-TO (DOCTYPE,“ar”) OR LIMIT-TO (DOCTYPE,“re”) OR LIMIT-TO (DOCTYPE,“ch”) OR LIMIT-TO (DOCTYPE,“bk”)) AND (LIMIT-TO (SUBJAREA,“AGRI”) OR LIMIT-TO (SUB- JAREA,“COMP”) OR LIMIT-TO (SUBJAREA,“ENGI”)) AND (LIMIT-TO (LANGUAGE,“English”));

TITLE-ABS-KEY ( (“precision agriculture”) AND (“computer vision” OR “image analysis” OR “machine learning” OR “deep learning”) ) AND (LIMIT-TO (DOCTYPE,“ar”) OR LIMIT-TO (DOC- TYPE,“re”) OR LIMIT-TO (DOCTYPE,“ch”) OR LIMIT-TO (DOC- TYPE,“bk”)) AND (LIMIT-TO (SUBJAREA,“AGRI”) OR LIMIT- TO (SUBJAREA,“COMP”) OR LIMIT-TO (SUBJAREA,“ENGI”)) AND (LIMIT-TO (LANGUAGE,“English”));

TITLE-ABS-KEY ( (DSS OR “decision support system” OR “agricultural decision-making”) AND (IoT OR “sensor network” OR “edge computing”) ) AND (LIMIT-TO (DOCTYPE,“ar”) OR LIMIT-TO (DOCTYPE,“re”) OR LIMIT-TO (DOCTYPE,“ch”) OR LIMIT-TO (DOCTYPE,“bk”)) AND (LIMIT-TO (SUBJAREA,“AGRI”) OR LIMIT-TO (SUBJAREA,“COMP”) OR LIMIT-TO (SUBJAREA,“ENGI”)) AND (LIMIT-TO (LANGUAGE,“English”));

TITLE-ABS-KEY ( “remote sensing” AND (БПЛА OR drone OR satellite OR GIS) AND (crop OR field) ) AND (LIMIT-TO (DOCTYPE,“ar”) OR LIMIT-TO (DOCTYPE,“re”) OR LIMIT-TO (DOCTYPE,“ch”) OR LIMIT-TO (DOCTYPE,“bk”)) AND (LIMIT- TO (SUBJAREA,“AGRI”) OR LIMIT-TO (SUBJAREA,“COMP”) OR LIMIT-TO (SUBJAREA,“ENGI”)) AND (LIMIT-TO (LAN- GUAGE,“English”));

TITLE-ABS-KEY ( ( “vegetation index” OR NDVI OR EVI OR fluorescence ) AND (plant OR crop*) NOT forestry ) AND (LIMIT-TO (DOCTYPE,“ar”) OR LIMIT-TO (DOCTYPE,“re”) OR LIMIT-TO (DOCTYPE,“ch”) OR LIMIT-TO (DOCTYPE,“bk”)) AND (LIMIT- TO (SUBJAREA,“AGRI”) OR LIMIT-TO (SUBJAREA,“COMP”) OR LIMIT-TO (SUBJAREA,“ENGI”)) AND (LIMIT-TO (LAN- GUAGE,“English”)).

Рабочий процесс PRISMA с несколькими запросами резюмируется на рисунке 1. Каждый поток запросов был проверен независимо, следуя рекомендациям PRISMA, и окончательный набор данных представляет собой объединение всех подходящих исследований после устранения дубликатов между запросами. Несколько источников в окончательном корпусе происходят из рецензируемых международных конференций, в том числе два вклада, авторами которых является настоящая исследовательская группа. Их включение методологически оправдано отсутствием эквивалентных журнальных публикаций, посвященных одним и тем же узко определенным техническим темам. В быстро развивающихся областях, таких как распределенное зондирование, встроенный мониторинг растений и поддержка принятия решений на системном уровне, места проведения конференций остаются основным средством для представления новых архитектур, экспериментальных платформ и ранних этапов реализации. Эти публикации были включены исключительно на основе их технической значимости и документально подтвержденного экспериментального контента, и они обеспечивают существенное освещение интеграции на системном уровне, которая в противном случае недостаточно представлена в журнальной литературе.

После скрининга PRISMA окончательный корпус (n = 65) был распределён по уровням архитектуры пятислойной информационных технологий для растениеводства (Plant-IT) для обеспечения покрытия полного технологического конвейера от зондирования до поддержки принятия решений (таблица 1, рисунок 2). Слои включают: сенсорный и растительный слой (измерения in situ и дистанционное зондирование сигналов растений и окружающей среды), слой компьютерного зрения (извлечение и фенотипирование на основе изображений), слой машинного обучения (распознавание образов, прогнозирование и классификация), слой интеграции IoT(передача данных, синхронизация и связь периферийных и облачных компонентов) и слой DSS (перевод обработанных данных в агрономические рекомендации).

Каждая публикация была отнесена к одному основному слою на основе ее доминирующего методологического вклада. Это картирование гарантирует, что обзор представляет собой не только отдельные методы зондирования или моделирования, но и полный поток информации от измерения на уровне растений до выхода на уровне принятия решений и позволяет идентифицировать структурные дисбалансы по конвейеру Plant-IT.

В дополнение к систематическому синтезу литературы в этом обзоре представлена авторская концептуальная структура, называемая Plant-IT. Эта структура не получена из какого-либо одного источника, но представляет собой синтетическую абстракцию, разработанную авторами посредством перекрестного анализа рассмотренного корпуса. Обзорные исследования обеспечивают эмпирическую и методологическую доказательную базу, в то время как архитектура Plant-IT служит интегративной линзой для организации, сравнения и интерпретации этих доказательств через сенсорные, компьютерное зрение, машинное обучение, IoT и уровни поддержки принятия решений.

Архитектура Plant-IT была построена после завершения скрининга PRISMA и не использовалась в качестве критерия отбора. Ее цель — обеспечить согласованное системное представление о том, как гетерогенные цифровые технологии относятся к процессам на уровне растений и агрономическому принятию решений.

Рисунок 1. Схема отбора публикаций PRISMA для нескольких поисковых запросов Q1–Q5.

Таблица 1. Основное распределение итогового корпуса публикаций (n = 65) по уровням многоуровневой архитектуры Plant-IT.

Помимо библиометрической количественной оценки, в обзоре применяется архитектурно-ориентированная аналитическая стратегия. Сенсорные технологии, платформы визуализации, методы машинного обучения, инфраструктуры IoT и DSS сравнивались с точки зрения их принципов работы, измеренных параметров, доменов приложений и уровня интеграции.

Несмотря на то, что корпус, заполненный PRISMA, фокусируется на периоде 2015–2026 годов, небольшое количество более ранних публикаций были включены, когда они представляют фундаментальные технологии или методологические вехи, которые продолжают лежать в основе современных информационных систем растений, таких как индексы растительности, флуоресцентное зондирование хлорофилла и анализ летучих соединений.

Результаты этого анализа обобщены в сравнительных таблицах и распределениях по слоям. Этот подход отдает приоритет публикациям, которые явно связывают цифровое зондирование, биологические черты растений и логику поддержки принятия решений, а не тем, которые оптимизируют алгоритмическую производительность изолированно. Таким образом, обзор выявляет структурные пробелы, где вычислительные достижения не могут быть переведены в биологически интерпретируемые и оперативно действующие знания о растениях, проблему, центральную для развития цифровых двойников, адаптивного DSS и устойчивого точного земледелия.

Кроме того, был собран небольшой набор фотографических примеров заболеваний виноградной лозы (в том числе пухлой плесени, антрактозы, повреждения европейской лозы и кроны желчи), чтобы проиллюстрировать практические визуальные характеристики, обычно рассматриваемые диагностическими системами на основе изображений. Эти изображения не использовались в качестве экспериментальных данных и не были включены в скрининг PRISMA или количественный анализ. Вместо этого они служат иллюстративным материалом для контекстуализации рассмотренных подходов к компьютерному зрению и анализу изображений и для демонстрации того, как связанные с болезнью визуальные особенности соответствуют типам сигналов, обсуждаемых в литературе.

Рисунок 2. Многоуровневая архитектура точного земледелия. Иллюстрация создана в Inkscape v1.2. Изображения являются схематическими и предназначены для визуализации.

Таким образом, фотопримеры предназначены исключительно в качестве качественной помощи для интерпретации и обсуждения, а не в качестве источника оценки или подтверждения эффективности.

Основная цель этого обзора — обеспечить комплексный анализ современных информационных технологий, используемых в мониторинге растений и DSS, включая сенсорные платформы, сенсорную диагностику растений, компьютерное зрение и дистанционное зондирование. Хотя существует множество специализированных исследований, в современной литературе отсутствуют работы, которые объединяют эти технологические направления в единую структурированную структуру.

Многие специалисты, работающие в сельском хозяйстве и растениеводстве, имеют ограниченное воздействие современных информационных технологий, аналитических конвейеров на основе данных и парадигм поддержки принятия решений. В результате ключевые концепции, такие как архитектуры DSS, многосенсорные экосистемы IoT или системы мониторинга ИИ, часто остаются неясными или фрагментированными для практиков, которые непосредственно управляют культурами и сельскохозяйственными системами. В то же время инженеры и специалисты по информатике обычно знакомы с цифровыми инфраструктурами и алгоритмическими инструментами, но не понимают специфические ограничения растений, изменчивость полей и агрономические варианты использования, которые определяют, как эти технологии должны применяться в реальных средах. Эти факторы указывают на необходимость интегративного анализа, связывающего агрономические, физиологические и технологические перспективы в единую структуру. Такой обзор предоставляет обоим сообществам единую концептуальную основу, уточняя, как модули зондирования, аналитики и DSS работают вместе. Он также демонстрирует, почему эти системы необходимы для повышения эффективности, устойчивости и принятия решений в современном сельском хозяйстве.

История технологий сенсоров для растений охватывает несколько десятилетий, но рубеж 20-го и 21-го веков ознаменовал начало их быстрого внедрения. В этот период были разработаны и испытаны переносные флуориметры для измерения CFI, также известные как эффект Каутского. В то же время появились платформы спектральной визуализации и беспилотного дистанционного зондирования [37]. Эти разработки совпали с ранними работами по паттерновым вычислениям и обработке визуальной информации [38], которые способствовали концептуальным основам современных информационных систем на основе изображений и датчиков.

Сегодня мониторинг физиологического состояния растений опирается на широкий спектр сенсорных решений, способных регистрировать физиологические, биохимические и морфологические сигналы [39]. Гиперспектральная съёмка особенно эффективна при обнаружении тонких спектральных признаков, связанных с дефицитом питательных веществ, стрессом воды или патогенной инфекцией [4]. Более доступные и доступные мультиспектральные датчики широко используются для анализа отражения навеса, оценки азота и картирования урожайности [40]. Тепловые камеры обеспечивают понимание динамики температуры растительного покрова, которые непосредственно связаны с транспирацией и водным балансом [9], что делает их незаменимыми инструментами для управления ирригацией. Камеры RGB в сочетании с искусственным интеллектом позволяют автоматизировать обнаружение заболеваний, подсчет растений и идентификацию сорняков, с преимуществом доступности, широкой доступности через смартфоны и компактные вычислительные платформы [41]. Кроме того, системы LiDAR предлагают трехмерные данные о структуре навеса и биомассе, поддерживая оценку урожайности и моделирование производительности [18]. В рамках этого набора технологий датчики индукции хлорофилла занимают отдельную нишу, поскольку они позволяют неинвазивную оценку эффективности фотосинтеза и раннее обнаружение стрессовых реакций. Пульс-амплитудно-модулированные (ПАМ) флуориметры и устройства быстрой кинетики позволяют неинвазивную оценку фотосинтетической эффективности, выявление стрессовых реакций до появления видимых симптомов [37]. Эти измерения особенно ценны для ранней диагностики и оценки культиваров.

Patco et al., в 2024 году [27], обсуждают распределенные архитектуры датчиков, управление качеством данных и интеграцию гетерогенных потоков данных (спектральных, метеорологических, почвенных и машинных журналов). Как показывают авторы, большинство существующих платформ страдают от фрагментированных протоколов и непоследовательных описаний метаданных, которые ограничивают повторное использование данных в аналитике и ИИ трубопроводах. Перспективным направлением, по их мнению, является разработка сквозных трубопроводов, от зондирования до поддержки принятия решений, где стандарты описания данных (онтологии и принципы FИИR) встроены в дизайн системы с самого начала.

Miller et al. [34] проводят систематический обзор использования IoT, искусственного интеллекта и периферийных вычислений в сельскохозяйственных приложениях. Они описывают основные категории платформ, от стационарных сенсорных узлов и мобильных роботов до БПЛА и спутниковых систем, и применяют формальные критерии для выбора бумаги (диапазон времени, тип урожая и категория задач). Целью исследования является оценка фактического уровня интеграции ИИ по всей цепочке «ощущение, обработка, управление», а не только в рамках экспериментальных прототипов. Результаты показывают, что модули ИИ преимущественно применяются для классификации изображений и прогнозирования урожайности, тогда как системы управления замкнутым контуром (автоматическая ирригация и доза питательных веществ) остаются редкостью.

Помимо традиционных спектральных и флуоресцентных методов, также появляются несколько инновационных направлений. Газовые датчики, способные обнаруживать летучие органические соединения (ЛОС), обеспечивают своего рода химический «инструмент прослушивания», фиксируя выбросы, которые происходят, когда растения подвергаются стрессу или инфекции. Электрохимические биосенсоры и микрофлюидные чипы позволяют выполнять быстрые, полевые анализы метаболитов, фитогормонов и патогенов, в то время как акустические датчики, хотя и менее распространенные, демонстрируют потенциал в мониторинге динамики роста и диагностике внутреннего повреждения тканей. В дополнение к этим подходам, носимые и гибкие электронные платформы позволяют непрерывно регистрировать сигналы роста, влажности и напряжения в режиме реального времени [42].

В статье Wang et al. [20] авторы обращаются к разработке и применению гибких SERS и электрохимических датчиков для обнаружения пестицидов, антибиотиков и тяжелых металлов в сельскохозяйственных продуктах и образцах окружающей среды. Как показывают исследования, объединение гибких полимерных субстратов (таких как PDMS, PVC или PMMA) с наноструктурами Ag/Auобеспечивает сверхнизкие пределы обнаружения, вплоть до 0,1 нг/mL для хлорамфеникола, 0,37 ppb для нескольких остатков пестицидов. Перспективным направлением, по мнению авторов, является интеграция композитов и гибридных материалов на основе MXene для повышения стабильности, механической прочности, чувствительности и перехода к совместимым с IoT гибким зондирующим платформам для полевого мониторинга. Вместе эти разнообразные технологии образуют дополнительный инструментарий для оценки состояния агроэкосистем.

Faqir et al. [21] предоставляет структурированный обзор передовых технологий датчиков почвы и растений, подчеркивая их роль в высокоточной диагностике и поддержке принятия решений на основе данных в сельскохозяйственных средах. Они описывают ряд устройств, от ионно-селективных электродов и волоконно-оптических зондов до многофункциональных сенсорных массивов, способных измерять влажность почвы, объемную плотность, температуру, проводимость и физиологические параметры растений. В обзоре применяются критерии сравнения, такие как точность, время отклика, долговечность и применимость на местах. Цель состоит в том, чтобы определить, какие датчики достаточно зрелы для крупномасштабного развертывания и которые остаются ограниченными лабораторными прототипами. Результаты показывают, что многофункциональные датчики с низким энергопотреблением обладают наибольшим потенциалом для практического применения.

Важно отметить, что наземные системы также функционируют в качестве ориентиров для спутникового дистанционного зондирования, включая такие платформы, как Sentinel-2, Landsat [43] и PlanetScope [31]. Эта калибровочная роль соединяет локальные измерения с крупномасштабными наблюдениями, создавая интегрированную систему мониторинга, которая охватывает от отдельных растений до целых агроландшафтов.

В статье Chamara et al. [35] обсуждаются проблемы, связанные с масштабируемостью распределенных сенсорных сетей, надежностью передачи данных и энергетическими ограничениями полевых развернутых узлов. Как показывают исследования, основные ограничения возникают из-за отсутствия унифицированных стандартов платформы, высоких затрат на обслуживание и неоднородности собранных данных, что требует обширной предварительной обработки. Перспективным направлением, по мнению авторов, является разработка модульных платформ Ag-IoT, способных интегрировать новые датчики, модели ИИ и компоненты DSS, обеспечивая тем самым долгосрочную гибкость и надежность системы.

Yan et al. [22] обобщает последние достижения в области датчиков, предназначенных для прикрепления к листьям, стеблям или корням, и постоянно измеряет физиологические сигналы. Они описывают различные форматы устройств, наклейки, обертки, клипсы, микроволокна и их основные принципы (электрохимические, оптоэлектронные и механические). Цель состоит в том, чтобы продемонстрировать, как носимые подходы расширяют возможности фенотипирования путем перевода показателей лабораторного стресса в количественно измеримые временные ряды. Результаты показывают, что эти устройства уже применяются для мониторинга состояния воды, транспирации, роста плодов и локализованных колебаний температуры. В статье освещаются такие проблемы, как поддержание безопасного крепления, снижение веса, размера устройства и обеспечение беспроводной связи в полевых условиях. Эти результаты подчеркивают, что эргономика растений должна рассматриваться так же тщательно, как эргономика человека в медицинских носимых устройствах. Авторы способствуют созданию носимых растений как отдельной области на пересечении физиологии растений, материаловедения и техники IoT.

Bucksch et al. [44] представляют систематический обзор подходов и технологий, используемых в многодатовых системах фенотипирования растений. Авторы описывают широкий спектр методов, включая спектральный анализ, 3D-сканирование, тепловизионное моделирование, приобретение RGB-VIS, а также различные методы обработки изображений и анализа сигналов, используемые для извлечения фенотипических признаков. Они применяют комплексную методологию обзора, которая объединяет информацию на решениях на уровне платформы, от статических установок камер и роботизированных структур до беспилотных воздушных систем и автоматизированных тепличных установок. Целью исследования является демонстрация потенциала мультисенсорных систем как основы масштабируемого фенотипирования и оценки производительности. Результаты обзора свидетельствуют о том, что такие системы существенно повышают точность и скорость измерений при одновременном снижении субъективности и минимизации потребности в ручном труде.

Практические применения уже подчеркивают многогранность этих инструментов в виноградарстве; визуальная диагностика в сочетании с ампелометрическими признаками поддерживает идентификацию культиваров и раннее выявление грибковых заболеваний. В пшенице применяются флуоресцентные гиперспектральные методы оценки засухоустойчивости и фотосинтетической эффективности [19]. В то время как в рисе тепловизионная обработка используется для оптимизации орошения и диагностики корневых расстройств [45]. Разнообразие таких технологий отражено в Таблице 2, в которой обобщены основные категории сенсоров для растений и репрезентативные приложения. Каждая группа вносит свой вклад в уникальные диагностические возможности, и вместе они создают комплексную методологическую основу для точного земледелия.

В рецензируемой литературе заключительный компонент этой технологической экосистемы обычно представлен DSS. Интегрируя данные датчиков, спутниковые наблюдения, погодные модели и машинное обучение, DSS предоставляет фермерам и агрономам действенные рекомендации. Растущий интерес к гибридному глубокому обучению и адаптивным алгоритмам еще больше повышает отзывчивость и надежность таких систем [42]. В целом сближение сенсорных технологий, исторических визуальных методов и алгоритмических моделей создает прочную основу для устойчивого управления агроресурсами и устанавливает новые стандарты в точном земледелии.

Каждый тип датчика нацелен на различный набор физиологических, биохимических или структурных показателей. Гиперспектральные и мультиспектральные платформы фиксируют подробную спектральную информацию, связанную со здоровьем растений и балансом питательных веществ, в то время как тепловизионная съемка выявляет стресс воды путем мониторинга изменений температуры растительного покрова. Камеры RGB и системы LiDAR вносят морфологические и структурные данные, поддерживая оценки динамики роста и биомассы.

В рамках этого спектра подходов CFI занимает отчётливую роль, обеспечивая неинвазивные средства оценки фотосинтетической эффективности и обнаружения ранних стрессовых реакций. Дополнительными методами являются газовые датчики летучих соединений, биосенсоры для метаболитов и патогенов, акустические подходы для динамики роста и микрофлюидные или носимые устройства для непрерывного мониторинга в полевых условиях. Вместе эти технологии образуют интегрированный инструментарий, поддерживающий раннюю диагностику, управление точностью и калибровку спутниковых наблюдений.

Этот обзор направлен на устранение этих пробелов путем систематизации накопленных знаний и уточнения иерархии технологий в рамках цифрового агромониторинга. Особый акцент сделан на том, что современные DSS представляют собой завершающий этап цифровизации, где неоднородные потоки данных и вычислительные методы сходятся в интерпретируемые, масштабируемые и практически применимые рекомендации.

Таблица 2. Категории сенсоров для растений.

Большинство существующих обзоров остаются фрагментированными, в первую очередь фокусируясь либо на отдельных технологиях зондирования [28], либо на изолированных алгоритмических решениях без систематического устранения их взаимосвязей в рамках полного рабочего процесса поддержки принятия решений [38]. В частности, ограниченное внимание уделяется кросс-масштабным калибровочным петлям между наземным зондированием и наблюдениями спутника/БПЛА, а также роли адаптивных алгоритмов, встроенных в реальные рабочие циклы принятия решений [28]. Заметная часть недавних обзоров умного сельского хозяйства имеет тенденцию быть чрезмерно описательной, иногда напоминающей технологические «каталоги» или обзоры в стиле маркетинга [47], где обширная информация представлена без четко структурированной инженерной основы, которая связывает зондирование, обработку данных, вывод модели и действенные выводы DSS [48]. Напротив, этот обзор консолидирует гетерогенные методы зондирования и интеллектуальные подходы анализа данных в интегрированную, инженерно-ориентированную перспективу на сквозных трубопроводах DSS.

Наконец, мы отмечаем несколько обзорных работ, выявленных в ходе поиска литературы, ориентированной на PRISMA, но исключенных из основного набора данных для систематического синтеза из-за несоответствия с заранее определенными критериями, особенно с точки зрения уровня инженерной систематизации и структурной сопоставимости технологий в жизненном цикле DSS. Ali etal. [47] обеспечивают широкий обзор технологий умного сельского хозяйства с поддержкой IoT, обобщая сенсорные инструменты и подходы, основанные на ИИ, поддерживающие устойчивое производство сельскохозяйственных культур. Работа в основном ориентирована на приложения и не формализует сквозной конвейер поддержки принятия решений, связывающий сенсорные модальности, аналитику и практически применимые результаты DSS на уровне инженерной системы. San и Kakani [48] рассматривают интеллектуальные технологии точного уничтожения сорняков в парадигме 5IR, подчеркивая связь ИИ, робототехнику, связь IoT / 5G и периферийные вычисления для обнаружения сорняков и автономных вмешательств. Основное внимание уделяется защите сельскохозяйственных культур / технологическим процессам борьбы с сорняками и не затрагивает более широкую интеграцию разнородных сенсорных данных растений в унифицированные архитектуры поддержки принятия решений. Li et al. [49] рассматривают системы мониторинга орошения на основе IoT и сенсорных сетей, включая облачную связь, измерение параметров почвы и окружающей среды и удалённый доступ. Обзор узко сосредоточен на ирригационных инфраструктурах и не охватывает современные мультисенсорные аналитики ИИ или компьютерную диагностику культур, интегрированную в рабочие процессы DSS.

Sudha и Loret [38] анализируют методы точного земледелия на основе машинного обучения, интегрированные с IoT для мониторинга и прогнозирования, выдвигая на первый план такие проблемы, как неоднородность данных и кибербезопасность. Обзор по-прежнему в основном ориентирован на алгоритмы и рамки, без подробного инженерного синтеза конкретных методов измерения и их роли в интерпретируемом, действенном дизайне DSS.

Tugnolo et al. [8] обеспечивает сфокусированный обзор проксимального оптического зондирования в виноградарстве, включая спектроскопию, мультиспектральную / гиперспектральную визуализацию и термографию для оценки созревания и состояния воды, с появляющейся интеграцией IoT / роботизированной. Этот обзор, специфичный для домена, не обобщает до кроссмодального интеллектуального сельскохозяйственного зондирования-ИИ-конвейера DSS и не охватывает неоптические потоки зондирования (например, флуоресценцию, VOC и микрофлюидику) в рамках унифицированных архитектур поддержки принятия решений. Ennaji et al. [50] обзор методов внесения удобрений и оценки состояния питательных веществ, подчеркивая прогностическое моделирование и роль данных из нескольких источников. Тем не менее, область применения ограничена управлением питательными веществами и не затрагивает более широкий набор сенсорная технология и требований интеграции DSS для целостного мониторинга стресса и болезней сельскохозяйственных культур. Guebsi et al. [51] систематически рассматривает приложения на основе БПЛА в точном земледелии, выделяя мультиспектральные / гиперспектральные полезные нагрузки, аналитику ИИ и эксплуатационные / нормативные ограничения. Акцент делается в первую очередь на платформах беспилотных летательных аппаратов и рабочих процессах дистанционного зондирования, в то время как интеграция с зондированием in situ, мультимодальным слиянием и логикой принятия решений DSS не формализована.

Gund et al. [52] представляет библиометрический обзор сельскохозяйственных цифровых двойников, картирование тематических кластеров, тенденций исследований и моделей сотрудничества. Несмотря на то, что исследование ценно для идентификации тенденций, оно не обеспечивает синтез на инженерном уровне трубопроводов зондирования-модели-решения или ориентированных на реализацию архитектур для оперативной интеграции DSS. Saiz-Rubio и Rovira-Más [53] рассматривают управление данными о культурах в интеллектуальном сельском хозяйстве, охватывая сбор данных, рабочие процессы FMIS и перспективы робототехники / ИИ. Обзор фокусируется на этапах управления данными, а не на интеграции передовых методов измерения и моделей вывода ИИ для оценки состояния урожая в режиме реального времени.

Mesías-Ruiz et al. [54] предоставляет контекстный обзор, позиционирующий точную защиту сельскохозяйственных культур в качестве основного приложения Agriculture 5.0, где системы с поддержкой машинного обучения поддерживают полный рабочий цикл восприятия - анализа - решения - исполнительного воздействия. Обзор вводит взгляд на эволюцию сельского хозяйства 1.0 в сельское хозяйство 5.0, предлагает таксономию подходов ML для задач защиты сельскохозяйственных культур и сообщает обширный библиометрический анализ, охватывающий большой набор алгоритмов и тематических исследований, ориентированных на выявление и контроль заболеваний, сорняков и вредителей. Кроме того, авторы обобщают широкий набор поддерживающих технологий (например, интеллектуальные датчики, проксимальное и дистанционное зондирование, телекоммуникации, беспилотные летательные аппараты и робототехника на основе ИИ), определяя защиту сельскохозяйственных культур как кибер-физическую систему принятия решений в режиме реального времени. Обзор ориентирован на защиту сельскохозяйственных культур и не обеспечивает единый синтез на основе слоя Plant-IT, охватывающий зондирование, компьютерное зрение, интеграцию ML без изображения, IoT и сельскохозяйственную DSSкак согласованную архитектуру в нескольких областях сельскохозяйственных решений (например, ирригация, управление питательными веществами и оперативная работа в масштабе фермы DSS).

Mahmood et al. [55] представляет специальную систему обзора и классификации для оперативного мониторинга на уровне ферм в интеллектуальном сельском хозяйстве, касающуюся непрерывного управления полевыми операциями на основе данных (например, обработка почвы, посадка и распыление). Авторы предлагают концептуальную модель, описывающую поток данных к информации от получения данных на основе зондирования и позиционирования до принятия решений и выполнения действий, явно отличая оперативный контроль в реальном времени от стратегического анализа. Ключевым вкладом является классификация оперативного мониторинга на три функциональные роли: материальный учет, логистический учет и прогнозное обслуживание, связанное с перспективой онтологии фермы и информационными системами управления фермой (FMISs). Хотя эта работа обеспечивает сильный ориентированный на операции взгляд на мониторинг и выполнение решений, она по-прежнему сосредоточена на рабочих процессах машин / операций и не интегрирует зондирование растений / почв, фенотипирование компьютерного зрения и мультимодальную аналитику ML в унифицированную многоуровневую архитектуру Plant-IT, связывающую как биологические сигналы, так и оперативные решения DSS.

Наряду с подходами к зондированию, визуализации и машинному обучению последние разработки в области точного земледелия демонстрируют растущую зависимость от геопространственных технологий. Географические информационные системы (ГИС) обеспечивают пространственную основу, необходимую для интеграции гетерогенных данных мониторинга растений с полевыми картами, слоями изменчивости почвы, моделями распространения вредителей и климатическими записями. В результате платформы GISиграют решающую роль в контекстуализации выходов датчиков, обеспечении принятия пространственных решений и поддержке крупномасштабного планирования ресурсов. Несмотря на этот прогресс, рабочие процессы с поддержкой GIS остаются фрагментированными, а их интеграция с инфраструктурой зондирования в реальном времени и IoT по-прежнему ограничена. Этот разрыв подчеркивает необходимость целостных цифровых архитектур, которые объединяют сенсорные, аналитические и геопространственные слои в рамках согласованной системы.

Технологии дистанционного зондирования (RS) стали краеугольным камнем современного точного земледелия, позволяя отслеживать рост сельскохозяйственных культур, стрессовые условия и прогнозировать урожайность в нескольких пространственных и временных масштабах.

Интеграция GPS, GIS, спутниковых датчиков и БПЛА значительно расширила возможности для сбора данных высокого разрешения для управления культурами [43]. В исследовании Lin [56] автор исследует роль готовых данных анализа наблюдения Земли (EO-ARD) в укреплении рабочих процессов агрогеоинформатики для спутникового сельскохозяйственного мониторинга. В работе систематически анализируется, как стандартизированные, предварительно обработанные наборы данных EO смягчают давние проблемы, связанные с неоднородностью датчиков, сложными цепочками предварительной обработки и ограниченной воспроизводимостью в приложениях дистанционного зондирования с несколькими датчиками. По мнению автора, основная проблема заключается в отсутствии согласованных, готовых к анализу инфраструктур данных, способных поддерживать масштабируемый анализ временных рядов и интеграцию машинного обучения в рамках различных спутниковых миссий. На основе этих выводов можно сделать вывод о том, что современное точное земледелие, основанное на дистанционном зондировании, требует надежных EO-ориентированных рамок стандартизации данных и унифицированных конвейеров данных для обеспечения воспроизводимого, ИИ-готового мониторинга и прогностического моделирования.

Одним из наиболее широко применяемых результатов RS является использование VIs, полученного из спектральной отражательной способности. Индексы [57], такие как NDVI, GNDVI, EVI и NDRE, используются для оценки содержания хлорофилла, LИИ, биомассы [58] и состояния воды растений. Эти показатели обеспечивают косвенные, но надежные измерения физиологического состояния растений и широко используются для диагностики абиотических напряжений, прогнозирования урожайности и управления ирригацией.

Arruda et al. [6] анализируют связь между спектральными сигнатурами листьев и параметрами флуоресценции хлорофилла. Они описывают физические модели взаимодействий светлых тканей и применяют методы ML (PLSR, случайные леса, нейронные модели) для прогнозирования физиологических показателей на основе спектров отражения. Целью исследования является разработка неинвазивного метода оценки фотосинтетической активности, который может быть развернут на удаленных платформах, включая БПЛА. Результаты подтверждают, что конкретные спектральные области (красный край, ближний инфракрасный и зеленый диапазоны) обеспечивают высокоточные оценки параметров, связанных с флуоресценцией, сопоставимые с флюорометрией PAM на основе контакта.

Спутниковые платформы, такие как Landsat, Sentinel-2, MODIS и QuickBird, предоставляют спектральные данные с различным разрешением и временем повторного посещения. Хотя эти системы необходимы для крупномасштабного мониторинга, они часто ограничены облачным покровом, интервалами повторного посещения и пространственным разрешением при применении на полевом или растительном уровне [28]. Недавние достижения в БПЛА на основе изображений и гиперспектральных датчиков устранили некоторые из этих ограничений, предлагая более высокую пространственную детализацию и гибкость в сборе данных [12]. Несмотря на эти достижения, приложения RS в мониторинге сельскохозяйственных культур сталкиваются с заметными ограничениями. Большинство подходов опираются на спутниковые индексы, которые дают косвенные оценки состояния растений, но не имеют подтверждения истинности земли на органном или клеточном уровне. Этот разрыв подчеркивает необходимость в полевых датчиках, способных непосредственно обнаруживать реакции растений, таких как флуоресцентные зонды для фотосинтетической активности.

В статье Menon et al. [59] авторы обращаются к использованию моделей глубокой регрессии и многовременных спутниковых изображений для оценки урожайности сельскохозяйственных культур. Как показывает представленное исследование, включение спектральных полос вместе с локальным пространственным контекстом значительно повышает точность прогнозирования, особенно в условиях ограниченных данных о грунтовой правде. По мнению авторов, перспективным направлением для дальнейшего развития является расширение этой структуры до многоисточниковых наборов данных (например, погодных и почвенных свойств), использование спутниковых продуктов с более высоким разрешением и интеграция таких моделей в автономные компоненты поддержки принятия решений с поддержкой ИИenabled для точного земледелия.

Кроме того, объединение индексов на основе RS с сенсорными сетями IoT и цифровыми двойниками предлагает многообещающий путь для более адаптивных и отзывчивых сельскохозяйственных систем. В этом контексте разработка систем поддержки принятия решений, основанных на биоиндустрии, и диагностических инструментов для конкретных заболеваний (например, визуальных атласов болезней сельскохозяйственных культур, подтвержденных наземными данными) может дополнить традиционный мониторинг на основе RS. Эта синергия между индексами на основе спутников и проксимальными сенсорными сетями может создать многоуровневую основу для устойчивого, адаптивного к климату сельского хозяйства. В таблице 3 обобщены широко используемые индексы растительности, их формулы, измеренные параметры, приложения и ограничения в контексте точного земледелия.

Современные сенсорные сети часто интегрируются в платформы IoT и связаны с аналитикой на основе ИИ, включая CNN, RNN и гибридные модели глубокого обучения для автоматического распознавания моделей, указывающих на болезнь, нападение вредителей или стресс окружающей среды. Такие системы позволяют непрерывные потоки данных из нескольких источников (например, температура листьев, спектральный ответ и химические выбросы), которые сливаются и обрабатываются в режиме реального времени для обеспечения поддержки принятия решений.

Таблица 3. Вегетационные индексы, применяемые в точном земледелии.

В последние годы методы CV и распознавания изображений стали ключевыми в продвижении диагностики болезней растений [11]. Традиционные методы визуального осмотра ограничены субъективностью, трудоемкостью и задержкой обнаружения. Напротив, автоматизированные системы CV используют мощные алгоритмы, такие как CNN и трансформаторы [60], для анализа сложных визуальных моделей на листьях, стеблях и фруктах, что позволяет быстро и точно идентифицировать проблемы со здоровьем растений. Отобранные исследования и модели, используемые в диагностике заболеваний растений на основе изображений, приведены в таблице 4. Модели глубокого обучения, особенно CNN, продемонстрировали исключительную производительность при классификации различных лиственных заболеваний по нескольким культурам. Например, модель PlantVillage CNN, обученная на большом общедоступном наборе данных, может точно различать 38 различных классов заболеваний [14].

Такие модели требуют обширных маркированных данных и могут быть чувствительны к изменениям освещения и фона. Легкие архитектуры, такие как MobileNetV3, облегчают обнаружение заболеваний в режиме реального времени на мобильных устройствах, преодолевая разрыв между исследованиями и полевым приложением [61]. Несмотря на компромисс между скоростью и точностью, эти модели позволяют осуществлять мониторинг in situ, который доступен и масштабируем для фермеров и агрономов. Рамки обнаружения объектов, такие как YOLOv5, расширяют возможности CV путем локализации симптомов заболевания на уровне листа или пятна, что имеет решающее значение для точного управления заболеваниями и целевых вмешательств [16]. Тем не менее, требование к подробным аннотациям и проблемы в обнаружении мелких или перекрывающихся симптомов остаются ограничивающими факторами. Совсем недавно модели на основе трансформаторов, такие как ViT, продемонстрировали многообещающие результаты в обработке сложных и шумных фонов, часто встречающихся в естественных полевых условиях. Эти модели превосходят в извлечении глобальной контекстной информации, но требуют вычислительных усилий и требуют больших наборов данных для эффективного обучения.

Salka et al. [62] предоставляет всесторонний обзор сверточных нейронных сетей, используемых для обнаружения и классификации заболеваний листьев растений. Авторы подробно описывают процедуры подготовки набора данных, архитектуры CNN и критерии оценки, демонстрируя существенное улучшение диагностической точности по сравнению с традиционными подходами. Эти результаты подчеркивают важность устранения ограничений набора данных и изменчивости полевых условий. Работа способствует созданию методологической основы для разработки более надежных и переносимых моделей CV в патологии растений.

Увеличение данных с использованием GANs решает проблему нехватки маркированных данных для редких заболеваний путем синтеза реалистичных изображений, улучшения обобщения моделей. Тем не менее, синтетическое качество данных и потенциальные предубеждения, введенные во время обучения GAN, должны тщательно управляться. Интеграция платформ аэрофотосъемки, таких как БПЛА, с глубоким обучением еще больше усиливает наблюдение за болезнями, обеспечивая крупномасштабное пространственное покрытие и мультимодальное слияние данных, включая RGB, тепловые и гиперспектральные вводы. Эти технологии позволяют раннее обнаружение стресса и точное картирование вспышек заболеваний, но требуют опыта в работе БПЛА и сложной обработке данных. Механизмы внимания, встроенные в архитектуры CNN, усиливают локализацию признаков, улучшают диагностическую точность, особенно для тонких симптомов заболевания. Повышенная сложность модели может привести к переоборудованию, когда данные обучения ограничены. Сближение CV, передового машинного обучения [63] и слияния данных с несколькими датчиками представляет беспрецедентные возможности для точного земледелия. Будущие направления исследований включают разработку надежных моделей, устойчивых к изменчивости окружающей среды, повышение интерпретируемости и развертывание удобных платформ для конечных пользователей.

В статье Jin et al. [9] представлена комплексная основа использования тепловизионной обработки для обнаружения водного напряжения в хлопке при плёночном капельном орошении. Авторы подчеркивают, что температура поверхности листьев является чувствительным биофизическим индикатором, отражающим изменения скорости транспирации, стоматальной проводимости и режима орошения. По мнению авторов, правильная интерпретация тепловых сигнатур требует учета переменных окружающей среды, таких как солнечное излучение, влажность воздуха и микроклиматические вариации по полю. В исследовании применяются сверточные нейронные сети для классификации уровней стресса на основе пространственных тепловых паттернов, извлеченных из инфракрасных изображений. С учетом этих выводов можно сделать вывод о том, что сочетание тепловизоров с моделями глубокого обучения позволяет надежно, неразрушающим и в режиме реального времени обнаруживать водный стресс. Этот подход предоставляет практикующим специалистам передовой инструмент для оптимизации стратегий орошения и повышения эффективности использования воды.

Тугрул и соавторы [10] исследуют методологию раннего обнаружения заболевания листьев Cercospora в сахарной свекле с использованием инфракрасных тепловых изображений. Авторы описывают структурированный трубопровод, который включает в себя получение теплового изображения, экстракцию признаков, предварительную обработку и обучение классификаторов ML, таких как SVM и случайный лес. В исследовании применяются методы расширенного картирования температуры, чтобы выделить тонкие аномалии в ткани листа, связанные с ранней активностью патогенов, которые остаются невидимыми в визуализации RGB. Цель работы заключается в разработке надежного и воспроизводимого рабочего процесса, подходящего для развертывания в реальном поле. Результаты показывают, что тепловизор может значительно идентифицировать ранние стадии инфекции до появления видимых симптомов, превосходя обычные методы визуального осмотра. Это подтверждает потенциал анализа теплового изображения в качестве практического инструмента раннего наблюдения за болезнями в точном земледелии.

Таблица 4. Модели компьютерного зрения и распознавания изображений.

Интеграция датчиков также играет решающую роль в ГТЭС для селекции и отбора генотипов. Объединив мультиспектральные и тепловизионные изображения с алгоритмами машинного обучения, исследователи могут неразрушающе измерять такие черты, как фотосинтетическая производительность, эффективность использования воды и морфологическая пластичность по различным генотипам. Обычная практика визуальной оценки при фенотипировании растений и мониторинге здоровья часто ограничена субъективностью, изменчивостью между наблюдателями и трудоемкостью. Благодаря достижениям в области CV, ML и DL, технологии на основе изображений теперь предлагают высокопроизводительные, последовательные и объективные альтернативы для выявления болезней растений, оценки биомассы, мониторинга стадий роста и оценки дефицита питательных веществ [68]. Многочисленные модели были успешно реализованы для классификации болезней в листьях, включая CNN; архитектуры обучения передаче, такие как VGG16, ResNet50 и InceptionV3; и, в последнее время, модели на основе внимания (например, трансформаторы зрения), которые повышают интерпретируемость и фокусируются на критических областях поверхности листьев [65].

Спектральная и гиперспектральная съёмка, интегрированная с CV, позволяет раннее выявление физиологического стресса до появления визуальных симптомов. БПЛА и платформы на базе смартфонов, оснащенные моделями ИИ, позволяют диагностировать в режиме реального времени и осуществлять крупномасштабный мониторинг, делая эти инструменты доступными даже для мелких фермеров. Несмотря на значительный прогресс, остаются проблемы, включая адаптацию домена в различных условиях освещения, необходимость в больших аннотированных наборах данных и генерализуемость для различных видов растений. Интеграция с данными датчиков (например, температура, влажность и флуоресценция) становится стратегией для мультимодальных систем принятия решений.

Технологии компьютерного зрения стали критическим инструментом раннего выявления болезней растений, позволяющим быстрое вмешательство и минимизировать потерю урожайности. Недавние исследования показывают, что CNN и гиперспектральная съёмка могут достичь высокой точности классификации при выявлении симптомов заболевания на уровне листьев даже в полевых условиях с переменным освещением и окклюзией. Например, для обнаружения порошковой плесени и ржавчины листьев в зерновых культурах был применен многоступенчатый конвейер CNN, достигающий более 95% точности при одновременном снижении ложных срабатываний посредством многоспектрального сплава [5].

Авторы определяют фенотипирование растений как процесс, управляемый данными, направленный на количественную характеристику роста растений, стрессовых реакций и характеристик, связанных с выходом, с использованием технологий высокопроизводительных измерений. К ним относятся RGB, тепловая, гиперспектральная, мультиспектральная, флуоресценция и LiDAR, развернутые как на контролируемых внутренних платформах, так и в полевых системах, таких как БПЛА, мобильные козлы и спутниковый мониторинг.

Основываясь на их анализе, авторы показывают, что современные платформы фенотипирования способны генерировать массивные многомерные наборы данных, описывающие структуру растений, физиологию и динамику стресса в режиме реального времени. Однако они также подчеркивают, что текущие исследования остаются ограниченными плохой стандартизацией, недостаточным охватом видов и сред и слабой интеграцией между зондированием, анализом данных и системами поддержки принятия решений [69].

В рамках этого обзора мы представляем разработанный автором иллюстративный атлас болезней, полученный из исторических материалов полевых испытаний (Национальный научный центр «Институт виноградарства и виноделия имени В. Я. Таирова» НААС Украины, Школа Аппробаторе, 2011) и дополненный недавними полевыми наблюдениями. Атлас (рисунок 3) состоит из черно-белых контурных рисунков характерных симптомов заболевания, включая пятна листьев, образцы некроза и обесцвечивание, с двуязычными этикетками на латыни (название болезни) и английском языке (общее название). Материал организован по классу патогенов (грибковые, бактериальные, вирусные и физиологические расстройства) и предназначен как концептуальная и визуальная ссылка, а не как источник количественных данных. Цель этого атласа в рамках обзора — обеспечить стандартизированный визуальный язык, который помогает связать разнообразный анализ изображений и методы компьютерного зрения, представленные в литературе, с биологически значимыми симптомами. Атлас не используется для обучения модели, оценки производительности или экспериментальной проверки. Вместо этого он служит интерпретационным и педагогическим инструментом, поддерживающим обсуждение визуального фенотипирования и технологий распознавания заболеваний.

В концептуальном расширении архитектуры Plant-IT представления симптомов на основе атласа могут быть цифровым образом аннотированы с метаданными, такими как стадия роста, класс тяжести или контекст окружающей среды. Такие стандартизированные представления могут, в принципе, сочетаться с индикаторами на основе датчиков (например, флуоресценция хлорофилла или сигналы теплового стресса) в будущих системах поддержки принятия решений для повышения раннего обнаружения и интерпретируемости. Эта концепция представлена как перспективный сценарий интеграции, а не как реализованная или оцененная система.

Черно-белые контурные рисунки показывают типичные шаблоны симптомов (пятна листьев, некроз и обесцвечивание) для выбранных заболеваний виноградной лозы. Атлас используется в этом обзоре в качестве визуальной справочной основы для поддержки обсуждения диагностики растений на основе изображений и не является частью набора данных PRISMA.

Вдохновленные природой и биоинспирированные вычислительные подходы, включая роевой интеллект, эволюционную оптимизацию и нейросимволические гибриды, широко освещались в литературе как эффективные инструменты для классификации, распознавания образов и задач поддержки принятия решений в сельском хозяйстве. Их адаптивные и распределенные принципы проектирования делают их особенно устойчивыми к шуму, отсутствующим данным и гетерогенным входам, которые характерны для реальных сельскохозяйственных зондирующих сред. Кроме того, их вычислительная экономичность облегчает развертывание на устройствах с низким энергопотреблением, в то время как их биологические метафоры часто улучшают интерпретируемость и доверие пользователей. При интеграции в структуры зондирования с широким участием и DSS такие подходы поддерживают переход к климатически оптимизированному и регенеративному сельскому хозяйству, позволяя мелкозернистому управлению почвой, водой и здоровьем растений, основанному на данных.

Рисунок 3. Иллюстративный атлас болезней винограда. Иллюстрация создана в Inkscape v1.2. Изображения являются схематическими и предназначены для визуализации.

Интеграция датчиков мониторинга растений в архитектуры IoT преобразовала управление сельским хозяйством от реактивного к предиктивному принятию решений. Связывая гетерогенные сенсорные устройства с централизованными или распределенными платформами данных, IoT позволяет в режиме реального времени собирать, передавать и анализировать данные о здоровье растений в беспрецедентных масштабах [17]. Система мониторинга растений на основе IoT обычно организована в несколько взаимосвязанных слоев. На уровне датчиков распределенные узлы, оснащенные флуоресценцией, спектральными, термическими или почвенными зондами, собирают физиологические и экологические данные в режиме реального времени. Эти измерения передаются через уровень связи, который опирается на беспроводные протоколы малой мощности, такие как LoRaWAN, Zigbee или NB-IoT, чтобы обеспечить надежное покрытие [70] в крупных сельскохозяйственных районах. Слой обработки затем агрегирует, фильтрует и анализирует поступающие данные, используя облачные или краевые вычислительные блоки для обеспечения своевременной и эффективной обработки.

На уровне приложений обработанная информация доставляется через приборные панели, мобильные приложения или автоматизированные системы управления, которые поддерживают планирование орошения, планирование внесения удобрений и управление заболеваниями. Экспериментальная сеть авторов IoT использует переносные датчики флуоресценции, Floratest, развернутые в тепличной и открытой средах. Эти узлы взаимодействуют через шлюзы LoRaWAN с аналитическим бэкэндом, способным обнаруживать отклонения от нормальной флуоресцентной кинетики, вызывая раннее предупреждение.

Как показано в работе Wang et al. [20], гибкие электрохимические датчики на основе лазерного графена, BiNP@LIG или Ndoped LEGзначительно повышают селективность и снижают стоимость обнаружения тяжелых металлов, таких как Pb2+, Cd2+ и Hg2+. Эти результаты подчеркивают необходимость учитывать ограничения традиционных аналитических методов (например, HPLC или GC-MS), которые являются дорогостоящими, требуют лабораторной инфраструктуры и непригодны для сельскохозяйственного мониторинга на месте. Работа авторов способствует созданию единой технологической базы для разработки гибких датчиков, предлагая четкую классификацию материалов и излагая направления будущей интеграции с полевыми диагностическими системами с поддержкой IoT.

Цифровой двойник представляет собой динамическое, виртуальное представление физического актива или системы, постоянно обновляемое данными датчиков в реальном времени. В сельском хозяйстве цифровые двойники растений моделируют физиологические процессы, взаимодействие с окружающей средой и прогрессирование заболеваний. Такие модели могут прогнозировать реакцию сельскохозяйственных культур на различные стратегии орошения, внесения удобрений или борьбы с вредителями. Интегрируя параметры, полученные из датчиков (например, фотосинтетическая эффективность от данных флуоресценции, температуры растительного покрова и влажности почвы) в двойника, фермеры могут проверить сценарии вмешательства практически перед их применением в полевых условиях, уменьшая риск и отходы ресурсов.

В статье Chamara et al. [35] авторы дают всеобъемлющий обзор концепции Ag-IoT, которая охватывает сенсорные сети, протоколы связи и аналитические платформы для мониторинга сельскохозяйственных культур и окружающей среды. Авторы подчеркивают, что Ag-IoT следует рассматривать не как совокупность независимых устройств, а как многоуровневую киберфизическую систему, обеспечивающую непрерывный поток данных из поля в аналитические модули. По мнению авторов, эффективная реализация Ag-IoTтребует скоординированной работы по уровням зондирования, подключения и интеллекта. Исходя из этого анализа, можно сделать вывод, что будущие системы будут опираться на архитектуры с высокой совместимостью и стандартизированные протоколы связи.

В статье Mansoor et al. [71] приводится подробное исследование структурных компонентов экосистем IoT, включая уровни зондирования, подключения, управления данными и автоматизированной обработки. В разделе «Тенденции интеллектуальных датчиков» авторы демонстрируют, как различные типы датчиков (влажность, температура, рН, уровни питательных веществ, электропроводность, индикаторы напряжения и позиционные датчики) интегрированы в многослойные платформы IoT. В разделе «IoT и интеграция датчиков» очерчиваются типичные архитектуры, использующие LoRaWAN, 5G, периферийные вычисления и облачную аналитику для обработки больших наборов данных и моделей ИИ. Полученные данные свидетельствуют о том, что основные узкие места включают проблемы стандартизации данных, совместимости устройств, энергопотребления, долговечности окружающей среды и кибербезопасности [72]. В качестве перспективного направления авторы подчеркивают переход к гибридным системам IoT с передовыми автоматизированными циклами управления (например, интеллектуальным орошением и автоматизацией теплиц) и встроенной прогнозной аналитикой для выявления заболеваний и прогнозирования урожайности.

Блокчейн-технологии решают ключевые проблемы в сельском хозяйстве IoT, в частности, в отношении аутентичности данных, безопасного обмена и соответствия стандартам сертификации [73]. В рамках предлагаемой архитектуры каждый пакет данных, генерируемый сенсорным узлом, хешируется и хранится в распределенном реестре. Такой подход обеспечивает защиту от несанкционированной модификации; обеспечивает полную историческую запись экологических и физиологических параметров; и предлагает проверяемые данные, которым могут доверять регуляторы, покупатели и исследователи. Такая интеграция особенно ценна для высокоценных культур, где прозрачная, прослеживаемая гарантия качества может оправдать премиальные цены.

Параллельно использование цифровых двойников, управляемых IoT, открывает новые возможности для точного земледелия. Благодаря постоянному обновлению виртуальных моделей растений с помощью сенсорных входов в режиме реального времени эти системы могут обнаруживать стресс или заболевание до того, как станут очевидными визуальные симптомы, оптимизировать графики орошения и внесения удобрений и минимизировать ресурсы для снижения воздействия на окружающую среду. Важно отметить, что цифровые двойные архитектуры по своей сути масштабируемы, что позволяет гибко развертывать их от небольших исследовательских участков до крупных коммерческих ферм.

DSS интегрирует принципы биологических систем в вычислительные модели, чтобы помочь в сложном принятии решений, особенно в сельском хозяйстве, мониторинге растений и экологической оценке (примеры в таблице 5). Эти системы используют адаптивность, самоорганизацию и распознавание образов, вдохновленное естественным интеллектом, таким как роевое поведение, сигнализация растений и нейронная обработка, для улучшения принятия решений в условиях неопределенности.

Таблица 5. Примеры биоинспирированных систем поддержки принятия решений в сельском хозяйстве.

В последние годы биологически вдохновенные модели стали неотъемлемой частью интеллектуальных DSS, особенно в сельском хозяйстве [77], мониторинге окружающей среды и медицинской диагностике. Такие системы имитируют биологические процессы, такие как рой, рост растений, нейронная обработка или эволюционная адаптация, для обеспечения надежных, адаптивных и эффективных решений сложных задач. В отличие от традиционных алгоритмических подходов, DSS может эффективно работать в условиях неопределенности, неполных данных и изменяющихся сред. Например, системы, основанные на роевом интеллекте (такие как модели роя муравьев или частиц), успешно используются в сельскохозяйственном планировании, контроле за ирригацией и мониторинге сельскохозяйственных культур. Значительный прорыв также был сделан в интеграции алгоритмов биоинспирированной оптимизации в фреймворки DSS, которые обрабатывают принятие решений с несколькими критериями. К ним относятся модели, вдохновленные динамикой хищника-жертвы, иммунными реакциями, фотосинтезом или навигацией на животных.

В статье Cancela et al. [78] авторы выделяют ключевые вопросы, связанные с внедрением Big Data и DSS в сельском хозяйстве. В представленных исследованиях центральная задача заключается в преобразовании больших объемов гетерогенных данных, включая измерения датчиков, спутниковые наблюдения и климатические записи, в структурированную и аналитически полезную информацию. Авторы подчеркивают, что современные сельскохозяйственные системы требуют высокой воспроизводимости, прозрачности и отзывчивости аналитических моделей, что делает стандартизацию данных, надежные конвейеры обработки и интеграцию гетерогенных источников информации существенной.

Перспективным направлением, по мнению авторов, является переход от изолированных локальных систем сбора данных к масштабным, многоинституциональным платформам, объединяющим сенсорные сети, модели роста сельскохозяйственных культур, инфраструктуры IoT, инструменты прогнозирования и модули поддержки принятия решений. Такая архитектура позволяет разрабатывать масштабируемые экосистемы DSS, пригодные для мониторинга, прогнозирования урожайности, управления ресурсами и оценки климатических рисков.

В обзоре Vidya Madhuri et al. [36] искусственный интеллект рассматривается как базовая технология, обеспечивающая возможность для систем борьбы с вредителями следующего поколения. Авторы анализируют, как модели машинного обучения и глубокого обучения поддерживают обнаружение вредителей, оценку рисков, мониторинг и прогнозирование, и как эти результаты интегрированы в экспертные системы и системы поддержки принятия решений для защиты сельскохозяйственных культур. С технической точки зрения этот подход позволяет перейти от реактивного борьбы с вредителями к прогнозированию и превентивному принятию решений, где рекомендации генерируются на основе полевых данных в реальном времени и изученных моделей риска. Ключевая идея этой работы заключается в позиционировании борьбы с вредителями на основе ИИ в качестве операционного уровня DSS, который напрямую связывает зондирование и аналитику с своевременными агрономическими решениями на местном уровне, тем самым снижая потери урожая и улучшая общую производительность.

В статье Фаласчетти и др. [15] авторы рассматривают проблемы разработки компактных моделей глубокого обучения для диагностики болезней растений на ресурсо-сдержанных встраиваемых устройствах. Как показывает проведенное исследование, стандартные модели CNN обладают избыточной вычислительной сложностью, что препятствует их непосредственному развертыванию на встраиваемых платформах. Перспективным направлением, по мнению авторов, является использование методов сжатия нейронных сетей (обрезка фильтров), которые значительно уменьшают размер модели и время вывода при сохранении высокой точности, тем самым позволяя практическую интеграцию таких решений в портативные сельскохозяйственные DSS.

В статье Pandey и Mishra [79] авторы обращаются к использованию основанных на ИИ инструментов диагностики, прогнозирования и управления агропродовольственными системами. Как показывают представленные исследования, методы ИИ значительно повышают точность мониторинга сельскохозяйственных культур, прогнозирования урожайности, управления водными ресурсами и оптимизации цепочки поставок. По мнению авторов, перспективным направлением для будущего развития является более глубокая интеграция технологий edge-ИИ, автономных роботизированных платформ и систем ИИ IoT, предназначенных для поддержки устойчивого и устойчивого сельскохозяйственного производства.

Недавние разработки демонстрируют возможность объединения данных в реальном времени от различных датчиков с адаптивными алгоритмами. Например, системы мониторинга здоровья растений могут использовать флуоресценцию, мультиспектральные данные и данные на основе изображений, обработанные с помощью нейронных моделей, вдохновленных обработкой сигналов мозга (например, пиковые нейронные сети).

Недавние исследования адаптивных человеко-машинных интерфейсов (HMIs) в контексте Industry 5.0 обеспечивают важную концептуальную перспективу для разработки систем поддержки принятия решений следующего поколения. В систематическом обзоре литературы Meftah et al. [80] анализирует, как адаптивный HMIs способствует процессам принятия решений, подчеркивая ориентированный на человека дизайн, прозрачность, доверие, контекстную осведомленность и долгосрочное удобство использования.

В контексте сельского хозяйства системы поддержки принятия решений работают в условиях неопределенности, разнородных потоков данных и сильной зависимости от экспертного суждения. Подобно промышленным операторам, агрономы и управляющие фермами взаимодействуют со сложными цифровыми платформами, которые интегрируют сенсорные сети, продукты дистанционного зондирования, прогнозные модели и эксплуатационные ограничения. Результаты, представленные для Industry 5.0 HMI, предполагают, что эффективные DSS должны не только обеспечивать алгоритмические результаты, но и адаптировать свои интерфейсы к контексту пользователя, когнитивной нагрузке и целям принятия решений. Это включает в себя четкую визуализацию доверия к системе, объяснимые рекомендации и механизмы, которые поддерживают доверие пользователей и подотчетность.

С точки зрения растительности адаптивные интерфейсы DSS позволяют более эффективно переводить физиологические сигналы растений и показатели окружающей среды в действенные агрономические решения [81]. Контекстно-осознанный HMI может динамически регулировать уровень детализации, пороги оповещения и способы взаимодействия на основе стадии урожая, тяжести стресса и динамики окружающей среды. Такая адаптивность особенно актуальна в точном земледелии, где решения, связанные с ирригацией, управлением заболеваниями и распределением ресурсов, должны сбалансировать биологическую изменчивость с экономическими и экологическими ограничениями.

В исследованиях адаптивного HMI в рамках парадигмы Industry 5.0 подчеркивается, что системы поддержки принятия решений в сельском хозяйстве должны быть спроектированы как социально-технические системы, в которых операторы-люди остаются активным и информированным элементом цикла управления. Включение принципов адаптивного интерфейса в архитектуры Plant- IT повышает прозрачность, интерпретируемость и эксплуатационную надежность выходов DSS. Такие интерфейсы облегчают структурированное представление данных датчиков с несколькими источниками и прогнозов моделей, поддерживая обоснованное принятие решений в условиях неопределенности [23]. С инженерной точки зрения, этот подход повышает удобство использования и надежность системы, тем самым улучшая практическую интеграцию передовых сенсорная технология, аналитики и автоматизации в реальных сельскохозяйственных средах.

В обзоре авторов [2] технология цифрового двойника (DT) в сельском хозяйстве рассматривается в качестве базовой основы для систем поддержки принятия решений на основе данных. В исследовании DT рассматривается как виртуальное, постоянно обновляемое представление физических сельскохозяйственных активов, включая сельскохозяйственные культуры, домашний скот, машины и условия окружающей среды, интеграция данных датчиков в реальном времени, инфраструктуры IoT и аналитических моделей. С технической точки зрения этот подход позволяет синхронизировать гетерогенные потоки данных, моделирование сельскохозяйственных процессов в реальном времени и прогнозный анализ альтернативных сценариев управления. В результате системы на основе ДТ обеспечивают возможность оценки воздействия вмешательств, таких как планирование орошения, стратегии внесения удобрений, управление оборудованием или борьба с вредителями, до их физической реализации. Ключевая идея обзорной работы заключается в том, что цифровые двойники превращают традиционные сельскохозяйственные DSS из статических, основанных на правилах инструментов в динамические, адаптивные и управляемые симуляцией системы, где принятие решений поддерживается непрерывной обратной связью между физическими процессами и их виртуальными аналогами, тем самым повышая операционную эффективность, оптимизацию ресурсов и устойчивость.

Такие системы способны не только классифицировать состояния (например, больные или здоровые растения), но и рекомендовать оптимальные стратегии лечения, основанные на нескольких взаимодействующих параметрах — почве, климате, наличии воды и других.

На основе анализируемой литературы интерпретация многомерных данных, полученных из сенсорных сетей, спектральных систем и платформ дистанционного зондирования, по-прежнему ограничена несколькими структурными и методологическими ограничениями. Одной из наиболее устойчивых проблем является отсутствие стабильных информационных каналов, которые соединяют физические сигналы низкого уровня с индексами более высокого уровня, моделями и уровнями поддержки принятия решений. Исследования последовательно сообщают, что данные, происходящие из гетерогенных методов измерения, часто трудно сравнивать или сплавлять из-за различий в пространственном разрешении, временной гранулярности, процедурах калибровки и протоколах записи [33].

Гиперспектральные и тепловые измерения очень чувствительны к освещению, влажности, ветру и свойствам листовой поверхности, что усложняет стандартизацию в разных местах и сезонах. Аналогичные эффекты наблюдаются в системах компьютерного зрения, где изменения освещения, угла камеры, фона или оборудования для приобретения приводят к значительному снижению точности классификации, даже когда используются глубокие нейронные сети.

В этом контексте архитектура Plant-IT, предложенная в данном обзоре, должна пониматься как концептуальный синтез, а не установленный технический стандарт. Она была получена из перекрестного анализа выделенного PRISMA корпуса и служит интегративной абстракцией для организации гетерогенных технологий в рамках когерентной киберфизической структуры на уровне растений.

Основным ограничением, выявленным в литературе, является отсутствие унифицированных форматов данных, онтологий и конвенций о метаданных. Эта фрагментация снижает переносимость моделей и подрывает воспроизводимость, особенно когда наборы данных из различных сенсорных сетей и платформ объединяются для рабочих процессов машинного обучения [42]. Эти проблемы становятся более серьезными в масштабе, где все большее число устройств перегружают каналы связи и ограничивают обмен данными в реальном времени.

Смещение вычислений к сенсору или периферийному устройству, широко рассматривается как перспективное, но технически сложное направление. Энергетические ограничения, тепловое рассеивание, аппаратные затраты и ограниченная память ограничивают развертывание передовых моделей ИИ на маломощных устройствах. Хотя носимые и гибкие сенсоры для растений открывают новые возможности для непрерывного физиологического мониторинга, они также требуют решений для биосовместимости, механической стабильности и долгосрочной долговечности в полевых условиях.

В совокупности рассмотренные данные свидетельствуют о том, что прогресс в точном земледелии в меньшей степени зависит от изолированных технологических достижений и в большей степени от согласованности полного информационного конвейера, от физического измерения и связи посредством стандартизированной обработки и биологически значимой интерпретации до интеграции поддержки принятия решений. Современные исследования все чаще подчеркивают семантически согласованные потоки данных, гибридные архитектуры IoT с периферийной аналитикой и мультимодальный синтез датчиков в качестве предпосылок для таких интегрированных систем.

Недавние разработки в области компьютерного зрения и глубокого обучения, включая сверточные сети, детекторы на основе YOLO и трансформаторы зрения, демонстрируют высокую производительность для распознавания заболеваний в контролируемых условиях (16). Однако их надежность на уровне поля остается ограниченной изменчивостью освещения, неполными наборами данных обучения, качеством аннотации и вычислительными требованиями. съёмка с БПЛА и GAN на основе увеличения расширяют возможности мониторинга, но вводят дополнительные проблемы, связанные с слиянием данных, маркировкой и оперативным развертыванием.

На системном уровне сенсорный мониторинг с поддержкой IoT и новые концепции цифровых двойников растений сигнализируют о переходе от реактивного к прогностическому сельскому хозяйству [81]. Измерения в реальном времени флуоресцентной кинетики, температуры растительного покрова и влажности почвы позволяют динамически корректировать стратегии орошения и внесения удобрений. Тепловизионные исследования ирригационного стресса [9] и ранней активности патогенов [10] дополнительно демонстрируют, что физиологически релевантные аномалии могут быть обнаружены и количественно оценены с помощью конвейеров машинного обучения. Эти результаты подтверждают ценность интеграции тепловых, спектральных и физиологических показателей в унифицированный DSS, хотя ограничения в калибровке, атмосферной коррекции и кросс-платформенной гармонизации сохраняются.

Технологии распределенного реестра и инфраструктуры данных на основе блокчейна предлагают дополнительные преимущества, обеспечивая прослеживаемость, происхождение и целостность данных. Тем не менее, высокие затраты на внедрение, отсутствие стандартизированных протоколов калибровки и сложность синхронизации мультимодальных потоков данных остаются значительными барьерами для принятия.

Предыдущие поколения сельскохозяйственных экспертных систем были в значительной степени основаны на правилах и, следовательно, жесткими и трудными для поддержания. Напротив, биоинспирированные и природоподобные DSS, включая роевой интеллект, эволюционные вычисления и нейросимволические подходы, обеспечивают адаптивные, шумоустойчивые и вычислительно эффективные альтернативы. Их биологически обоснованные структуры часто улучшают интерпретируемость и доверие по сравнению с чисто основанными на данных моделями «черного ящика», что особенно важно в эксплуатационных сельскохозяйственных средах.

Важнейшим стимулирующим фактором для будущих информационных систем растений является накопление и курирование структурированных ресурсов знаний, включая стандартизированные фенотипические наборы данных, долгосрочные архивы датчиков и атласы визуальных заболеваний. Эти ресурсы поддерживают обучение передаче, улучшают обнаружение редких событий и повышают стабильность результатов поддержки принятия решений по культурам, регионам и сезонам.

Сближение физиологии растений, сенсорной инженерии, объяснимых инфраструктур ИИ, IoT и DSS, таким образом, представляет собой жизнеспособный путь к климатически умному и устойчивому сельскому хозяйству. Успех будет зависеть от разработки доступных, стандартизированных и ориентированных на пользователя систем, способных к непрерывному обучению и адаптации.

Наконец, в недавних докладах по вопросам политики и промышленности подчеркивается растущее значение биорешений, таких как микробные консорциумы, ферменты, биопестициды и биоудобрения, в качестве климатически адаптивных альтернатив синтетическим производственным ресурсам [23]. В сочетании с цифровыми цифровыми технологиями мониторинга растений эти биологические инновации могут контролироваться, оптимизироваться и проверяться в режиме реального времени. Эта синергия отражает более широкий сдвиг в сторону сельскохозяйственных систем, которые руководствуются не только технологической точностью, но и экологическими принципами, тем самым повышая устойчивость в условиях климатических и ресурсных ограничений.

В этом обзоре синтезируются современные знания о технологиях зондирования, методах компьютерного зрения, архитектурах IoT и системах поддержки принятия решений, которые вместе составляют технологическую основу точного земледелия. Анализ показывает, что, несмотря на значительный прогресс в области дистанционного зондирования, спектральной диагностики, носимых и гибких сенсоров для растений, фенотипирования на основе машинного обучения и распределенных платформ IoT, эти технологии остаются в значительной степени фрагментированными и редко интегрируются в единые, сквозные рабочие процессы. В большинстве существующих исследований рассматриваются изолированные компоненты, такие как гиперспектральная съёмка, флуоресценция хлорофилла, вычисления на уровне края или мониторинг почвы, тогда как эффективные сельскохозяйственные системы требуют согласованной совместимости на всех уровнях, от сбора данных и интерпретации сигналов до аналитики и поддержки принятия решений.

Временной анализ пяти потоков запросов Scopus (Q1-Q5) показывает поэтапную эволюцию информационных технологий для растениеводства. Сенсорные исследования, ориентированные на физиологию (Q1), впервые появились в начале 1990-х годов, отражая внедрение цифровых приборов в науку о растениях, но заметное ускорение произошло только в последние несколько лет, с 133 публикациями в 2023 году, совпадающими с конвергенцией физиологии растений, машинного обучения и высокопроизводительных измерений. Системные и точные исследования в области сельского хозяйства (Q2) показывают длительное историческое присутствие, но вступили в фазу взрывного роста в 2025 году, достигнув 1566 публикаций, параллельно с быстрым развертыванием аналитики, основанной на ИИ, периферийных вычислений и облачных сельскохозяйственных платформ. Исследования, ориентированные на поддержку принятия решений (Q3), представляют собой самый молодой слой поля, возникающий только после 2002 года и демонстрирующий устойчивый рост в первую очередь после 2022 года, что указывает на то, что замкнутый цикл интеллектуального агрономического управления является относительно недавней разработкой. Исследования на основе дистанционного зондирования (Q4) проводились в течение десятилетий, но показывают выраженный перелом тенденции около 2021-2022 годов, обусловленную наличием спутниковых группировок с высоким разрешением и платформ съёмки с БПЛА. Напротив, анализ растений, ориентированный на компьютерное зрение (Q5), демонстрирует устойчивое, но умеренное увеличение, как правило, порядка 10-20 публикаций в год, что отражает постепенное созревание фенотипирования на основе изображений и выявления заболеваний, а не одно разрушительное расширение. Вместе эти тенденции иллюстрируют эволюцию Plant-IT снизу вверх, продвигаясь от раннего цифрового зондирования и дистанционного наблюдения к восприятию на основе машинного обучения и, только недавно, к системной интеграции и интеллекту поддержки принятия решений.

Основной вклад этого обзора заключается в систематической интеграции 65 рецензируемых исследований в многоуровневое представление Plant-IT, которое явно отображает поток информации от зондирования на уровне растений до результатов на уровне принятия решений. Сама архитектура представляет собой предложенную автором концептуальную основу, основанную на рассмотренных доказательствах, но не претендующую на соответствие какой-либо одной существующей реализации.

Центральным выводом является критическая потребность в гармонизированных стандартах данных, семантических структурах и совместимых протоколах связи, которые позволяют гетерогенным датчикам и аналитическим модулям работать как части единой киберфизической системы. Полученные результаты также подчеркивают важность приближения интеллекта к сенсорному слою посредством предварительной обработки с поддержкой ИИ, энергоэффективной связи и встроенного контроля качества. Такие разработки необходимы для достижения масштабируемости, надежности и оперативной реакции в сельскохозяйственных средах, где связь, климатическая изменчивость и ограничения ресурсов ограничивают применимость чисто облачных решений.

В обзоре далее выявляется постоянный разрыв в знаниях между технологическими инновациями и практическим внедрением. Сельскохозяйственным специалистам часто не хватает четкого понимания архитектур DSS и цифровых рабочих процессов, в то время как инженеры и специалисты по данным могут быть не знакомы с физиологическими, агрономическими и экологическими ограничениями, которые формируют поведение датчиков и интерпретацию данных.

Предоставляя интегрированную технологическую карту зондирования, анализа изображений, инфраструктур IoT и модулей поддержки принятия решений, этот обзор способствует устранению этого разрыва и содействует более информированному междисциплинарному развитию.

Заглядывая вперед, перспективные направления исследований включают многофункциональные и энергоавтономные сенсорные системы, архитектуры ИИ на периферийных устройствах, GIS-интегрированные платформы принятия решений и носимые устройства для растений, способные к долгосрочному физиологическому мониторингу. Не менее важным является переход к стандартизированным, совместимым цифровым экосистемам, которые поддерживают прозрачный поток данных с поля на уровни поддержки принятия решений высокого уровня. Консолидируя текущие научные данные и излагая структурные требования для будущих систем, этот обзор обеспечивает своевременный и методологически обоснованный вклад как в сельскохозяйственное, так и в технологическое сообщество.

Автор признает использование DeepL Translator v1.55.0 и Google Translate для редактирования и уточнения языка. Эти инструменты были использованы для повышения лингвистической ясности и обеспечения точной терминологии, для обеспечения беглости и технической точности в переведенном тексте. Все изменения были тщательно рассмотрены и подтверждены автором для обеспечения точности, соответствия академическим стандартам и целостности исследований. Автор полностью поддерживает соблюдение Academia.edu Journals руководящих принципов COPE по ИИ в публикационной этике и подтверждает, что это использование управлялось ответственно и этично.

Это исследование не получило внешнего финансирования.

Автор заявляет, что у них нет конкурирующих интересов.

Никакие новые данные не были созданы или проанализированы в этом исследовании. Обмен данными не применим к этой статье.

Получено: 20 September 2025

Принято: 10 February 2026

Опубликовано: 20 February 2026

Документы Academia Engineering следует цитировать как Academia Engineering 2026, ISSN 2994-7065, https://doi.org/ 10.20935/AcadEng8153. Официальной аббревиатурой журнала является Acad.

Журналы Academia.edu остаются нейтральными в отношении юрисдикционных требований в опубликованных картах и институциональных связях. Все претензии, выраженные в этой статье, являются исключительно претензиями авторов и не обязательно представляют собой претензии их аффилированных организаций или издателей, редакторов и рецензентов. Любой продукт, который может быть оценен в этой статье, или претензия, которая может быть сделана его производителем, не гарантируется или не одобряется издателем.

© 2026 Авторское право Автор. Эта статья является статьей открытого доступа, распространяемой в соответствии с условиями лицензии Creative Commons Attribution (CC BY) (https://creativecommon s.org/licenses/by/4.0/).

1. Alirezazadeh P, Schirrmann M, Stolzenburg F. Improving deep learning-based plant disease classification with attention mechanism. Gesunde Pflanz. 2023;75(1):49–59. doi: 10.1007/s10343-022-00796-y

2. Zhang R, Zhu H, Chang Q, Mao Q. A comprehensive review of digital twins technology in agriculture. Agriculture. 2025;15(9):903. doi: 10.3390/agriculture15090903

3. Chen Z, Yin J, Farhan SM, Liu L, Zhang D, Zhou M, et al. A comprehensive review of obstacle avoidance for autonomous agricultural machinery in multi-operational environment. Artif Intell Agric. 2026;16(1):139–63. doi: 10.1016/j.aiia.2025.10.001

4. Roy B, Sagan V, Haireti A, Newcomb M, Tuberosa R, LeBauer D, et al. Early detection of drought stress in durum wheat using hyperspectral imaging and photosystem sensing. Remote Sens. 2024;16(1):155. doi: 10.3390/rs16010155

5. García-Vera YE, Polochè-Arango A, Mendivelso-Fajardo CA, Gutiérrez-Bernal FJ. Hyperspectral image analysis and machine learning techniques for crop disease detection and identification: a review. Sustainability. 2024;16(14):6064. doi: 10.3390/su16146064

6. de Arruda DC, Ducati JR, Pithan PA, Thum AB, Hoff R. Hyperspectral data analysis for chlorophyll content derivation in vineyards. Ciênc Rural. 2024;54:e20220558. doi: 10.1590/0103-8478cr20220558

7. Bono A, Guaragnella C, D’Orazio T. A perspective analysis of imaging-based monitoring systems in precision viticulture: technologies, intelligent data analyses and research challenges. Artif Intell Agric. 2026;16(1):62–84. doi: 10.1016/j.aiia.2025.08.001

8. Tugnolo A, Oliveira HM, Giovenzana V, Beghi R, Bianchi D, Pampuri A, et al. Proximal optical sensing for vineyard control and management: a review. J Agric Eng. 2025;56(3):1642. doi: 10.4081/jae.2025.1642

9. Jin K, Zhang J, Wang Z, Zhang J, Liu N, Li M, et al. Application of deep learning based on thermal images to identify the water stress in cotton under film-mulched drip irrigation. Agric Water Manag. 2024;299:108901. doi: 10.1016/j.agwat.2024.108901

10. Tuğrul KM. Early detection of sugar beet cercospora leaf spot disease using machine learning-assisted thermal image processing method. Sugar Tech. 2025;27(3):954–64. doi: 10.1007/s12355-025-01553-x

11. Yani NANA, Fauzi SSM, Zaki NAM, Ismail MH. A systematic literature review on leaf disease recognition using computer vision and deep learning approach. J Inf Syst Eng Bus Intell. 2024;10(2):232–49. doi: 10.20473/jisebi.10.2.232-249

12. Upadhyay A, Chandel NS, Singh KP, Chakraborty SK, Nandede BM, Kumar M, et al. Deep learning and computer vision in plant disease detection: a comprehensive review of techniques, models, and trends in precision agriculture. Artif Intell Rev. 2025;58(3):92. doi: 10.1007/s10462-024-11100-x

13. Singh C, Randhawa GS, Farooque AA, Gill YS, Kumar KM L, Singh M, et al. Evaluation of deep learning models for RGB image-based detection of potato virus y strain symptoms (O, NO, and NTN) in potato plants. Smart Agric Technol. 2025;10:100755. doi: 10.1016/j.atech.2024.100755

14. Atila Ü, Uçar M, Akyol K, Uçar E. Plant leaf disease classification using EfficientNet deep learning model. Ecol Inform. 2021;61:101182. doi: 10.1016/j.ecoinf.2020.101182

15. Falaschetti L, Manoni L, Di Leo D, Pau D, Tomaselli V, Turchetti C. A CNN-based image detector for plant leaf diseases classification. HardwareX. 2022;12:e00363. doi: 10.1016/j.ohx.2022.e00363

16. Rana A, Vaidya P. YOLO-based deep learning framework for real-time multi-class plant health monitoring in precision agriculture. Sci Rep. 2026;16(1):197. doi: 10.1038/s41598- 025-29132-w

17. Khan SU, Alsuhaibani A, Alabduljabbar A, Almarshad F, Altherwy YN, Akram T. A review on automated plant disease detection: motivation, limitations, challenges, and recent advancements for future research. J King Saud Univ Comput Inf Sci. 2025;37(3):34. doi: 10.1007/s44443-025- 00040-3

18. Farhan SM, Yin J, Chen Z, Memon MS. A comprehensive review of LiDAR applications in crop management for precision agriculture. Sensors. 2024;24(16):5409. doi: 10.3390/s24165409

19. Bürling K, Cerovic ZG, Cornic G, Ducruet JM, Noga G, Hunsche M. Fluorescence-based sensing of droughtinduced stress in the vegetative phase of four contrasting wheat genotypes. Environ Exp Bot. 2013;89:51–9. doi: 10.1016/j.envexpbot.2013.01.003

20. Wang XH, Wen YH, Li PY, Li YX, Qin HY, Zhao JX, et al. Flexible sensors for precision agriculture: a mini review. TrAC Trends Anal Chem. 2024;180:117946. doi: 10.1016/j.trac.2024.117946

21. Faqir Y, Qayoom A, Erasmus E, Schutte-Smith M, Visser HG. A review on the application of advanced soil and plant sensors in the agriculture sector. Comput Electron Agric. 2024;226:109385. doi: 10.1016/j.compag.2024.109385

22. Yan X, Pang Y, Niu K, Hu B, Zhu Z, Tan Z, et al. Wearable sensors for plants: status and prospects. Biosensors. 2025;15(1):53. doi: 10.3390/bios15010053

23. Kergaravat B, Plener L, Castan M, Grizard D, Chabrière E, Daude D. Enzymes, proteins, and peptides as promising biosolutions for crop production. J Agric Food Chem. 2025;73(19):11546–55. doi: 10.1021/acs.jafc.5c01107

24. Jansen RMC, Wildt J, Kappers IF, Bouwmeester HJ, Hofstee JW, van Henten EJ. Detection of diseased plants by analysis of volatile organic compound emission. Annu Rev Phytopathol. 2011;49:157–74. doi: 10.1146/annurev-phyto- 072910-095227

25. Kumar V, Arora K. Trends in nano-inspired biosensors for plants. Mater Sci Energy Technol. 2020;3:255–73. doi: 10.1016/j.mset.2019.10.004

26. Király A, Farkas D, Dobránszki J. Ultrasound in plant life and its application perspectives in horticulture and agriculture. Horticulturae. 2025;11(3):318. doi: 10.3390/horticulturae11030318

27. Patko D, Gunatilake UB, Gonzalez-Gaya B, Dupuy LX, Basabe-Desmonts L, Benito-Lopez F. Spatial and temporal detection of root exudates with a paper-based microfluidic device. Soil Biol Biochem. 2024;195:109456. doi: 10.1016/j.soilbio.2024.109456

28. Teixeira AC, Bakon M, Lopes D, Cunha A, Sousa JJ. A systematic review on soil moisture estimation using remote sensing data for agricultural applications. Sci Remote Sens. 2025;12:100328. doi: 10.1016/j.srs.2025.100328

29. Kumawat RK, Tiwari G, Ramakrishnan RS, Bhayal D, Debnath S, Thakur S, et al. Remote sensing related tools and their spectral indices applications for crop management in precision agriculture. Int J Environ Clim Change. 2023;13:171–88. doi: 10.9734/ijecc/2023/v13i11665

30. Matese A, Di Gennaro SF, Orlandi G, Gatti M, Poni S. Assessing grapevine biophysical parameters from unmanned aerial vehicles hyperspectral imagery. Front Plant Sci. 2022;13:898722. doi: 10.3389/fpls.2022.898722

31. Roy DP, Huang H, Houborg R, Martins VS. A global analysis of the temporal availability of PlanetScope high spatial resolution multi-spectral imagery. Remote Sens Environ. 2021;264:112586. doi: 10.1016/j.rse.2021.112586

32. Centorame L, Gasperini T, Ilari A, Del Gatto A, Foppa Pedretti E. An overview of machine learning applications on plant phenotyping, with a focus on sunflower. Agronomy. 2024;14(4):719. doi: 10.3390/agronomy14040719

33. Soussi A, Zero E, Sacile R, Trinchero D, Fossa M. Smart sensors and smart data for precision agriculture: a review. Sensors. 2024;24(8):2647. doi: 10.3390/s24082647

34. Miller T, Mikiciuk G, Durlik I, Mikiciuk M, Łobodzińska A, Śnieg M. The IoT and AI in agriculture: the time is now—a systematic review of smart sensing technologies. Sensors. 2025;25(12):3583. doi: 10.3390/s25123583

35. Chamara N, Islam MD, Bai G, Shi Y, Ge Y. Ag-IoT for crop and environment monitoring: past, present, and future. Agric Syst. 2022;203:103497. doi: 10.1016/j.agsy.2022.103497

36. Vidya Madhuri E, Rupali JS, Sharan SP, Sai Pooja N, Sujatha GS, Singh DP, et al. Transforming pest management with artificial intelligence technologies: the future of crop protection. J Crop Health. 2025;77(2):48. doi: 10.1007/s10343- 025-01109-9

37. Babenko Y. Methodological fundamentals of information system design in crop production. Cybern Comput Technol. 2022;(2):95–105. doi: 10.34229/2707-451X.22.2.10

38. Sudha SP, Loret JBS. A review on machine learningbased precision agriculture techniques for crop farming monitoring with IOT. Discov Environ. 2026;4(1):10. doi: 10.1007/s44274-025-00305-8

39. Wu J, Chen B, Reynolds G, Xie J, Liang S, O’Brien MJ, et al. Chapter three—Monitoring tropical forest degradation and restoration with satellite remote sensing: a test using Sabah biodiversity experiment. Adv Ecol Res. 2020;62:117–46. doi: 10.1016/bs.aecr.2020.01.005

40. Loconsole D, Elia M, Conversa G, De Lucia B, Cristiano G, Elia A. Soil moisture sensing technologies: principles, applications, and challenges in agriculture. Agronomy. 2025;15(12):2788. doi: 10.3390/agronomy15122788

41. Shin J, Chang YK, Heung B, Nguyen-Quang T, Price GW, Al-Mallahi A. A deep learning approach for RGB image-based powdery mildew disease detection on strawberry leaves. Comput Electron Agric. 2021;183:106042. doi: 10.1016/j.compag.2021.106042

42. Batistatos MC, de Cola T, Kourtis MA, Apostolopoulou V, Xilouris GK, Sagias NC. AGRARIAN: a hybrid AIdriven architecture for smart agriculture. Agriculture. 2025;15(8):904. doi: 10.3390/agriculture15080904

43. Meghraoui K, Racharak T, Ait El Kadi K, Bensiali S, Sebari I. A new integrated neurosymbolic approach for crop-yield prediction using environmental data and satellite imagery at field scale. Artif Intell Geosci. 2025;6(1):100125. doi: 10.1016/j.aiig.2025.100125

44. Bucksch A, Atta-Boateng A, Azihou AF, Battogtokh D, Baumgartner A, Binder BM, et al. Morphological plant modeling: unleashing geometric and topological potential within the plant sciences. Front Plant Sci. 2017;8:900. doi: 10.3389/fpls.2017.00900

45. Desmedt W, Kudjordjie EN, Chavan SN, Desmet S, Nicolaisen M, Vanholme B, et al. Distinct chemical resistance-inducing stimuli result in common transcriptional, metabolic, and nematode community signatures in rice root and rhizosphere. J Exp Bot. 2022;73(22):7564–81. doi: 10.1093/jxb/erac375

46. Karukayil A, Mota JFC, Cheein FA. 3D crop reconstruction: a review of hyperspectral and multispectral approaches. Comput Electron Agric. 2026;241:111282. doi: 10.1016/j.compag.2025.111282

47. Ali A, Hussain T, Tantashutikun N, Hussain N, Cocetta G. Application of smart techniques, internet of things and data mining for resource use efficient and sustainable crop production. Agriculture. 2023;13(2):397. doi: 10.3390/agriculture13020397

48. San CT, Kakani V. Smart precision weeding in agriculture using 5IR technologies. Electronics. 2025;14(13):2517. doi: 10.3390/electronics14132517

49. Li W, Awais M, Ru W, Shi W, Ajmal M, Uddin S, et al. Review of sensor network-based irrigation systems using iot and remote sensing. Adv Meteorol. 2020;2020:14. doi: 10.1155/2020/8396164

50. Ennaji O, Vergütz L, El Allali A. Machine learning in nutrient management: a review. Artif Intell Agric. 2023;9:1–11. doi: 10.1016/j.aiia.2023.06.001

51. Guebsi R, Mami S, Chokmani K. Drones in precision agriculture: a comprehensive review of applications, technologies, and challenges. Drones. 2024;8(11):868. doi: 10.3390/drones8110686

52. Gund R, Badgujar CM, Samiappan S, Jagadamma S. Application of digital twin technology in smart agriculture: a bibliometric review. Agriculture. 2025;15(17):1799. doi: 10.3390/agriculture15171799

53. Saiz-Rubio V, Rovira-Más F. From smart farming towards agriculture 5.0: a review on crop data management. Agronomy. 2020;10(2):207. doi: 10.3390/agronomy10020207

54. Mesías-Ruiz GA, Pérez-Ortiz M, Dorado J, de Castro AI, Peña JM. Boosting precision crop protection towards agriculture 5.0 via machine learning and emerging technologies: a contextual review. Front Plant Sci. 2023;14:1143326. doi: 10.3389/fpls.2023.1143326

55. Mahmood GG, Sacco P, Carabin G, Mazzetto F. Farm-level operational monitoring in smart agriculture: review and classification framework. Sustainability. 2026;18(1):419. doi: 10.3390/su18010419

56. Lin L. Empowering agro-geoinformatics with earth observation analysis ready data: opportunities and challenges. Comput Electron Agric. 2026;242:111348. doi: 10.1016/j.compag.2025.111348

57. Hatfield JL, Prueger JH, Sauer TJ, Dold C, O’Brien P, Wacha K. Applications of vegetative indices from remote sensing to agriculture: past and future. Inventions. 2019;4(4):71. doi: 10.3390/inventions4040071

58. Gamon JA, Peñuelas J, Field CB. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency. Remote Sens Environ. 1992;41(1):35–44. doi: 10.1016/0034-4257(92)90059-S

59. Menon AS, J A, Sankaran R, P K. Deep learning based farm-level crop yield prediction using multi-temporal satellite data for complex engineering application. Smart Agric Technol. 2025;12:101562. doi: 10.1016/j.atech.2025.101562

60. M. S, C.d. J, Lingappa M. 1D convolutional neural networks-based soil fertility classification and fertilizer prescription. Ecol Inform. 2023;78:102295. doi: 10.1016/j.ecoinf.2023.102295

61. Xin X, Sun J, Shi L, Yao K, Zhang B. Application of hyperspectral imaging technology combined with ECA- MobileNetV3 in identifying different processing methods of Yunnan coffee beans. J Food Compos Anal. 2025;143:107625. doi: 10.1016/j.jfca.2025.107625

62. Salka TD, Hanafi MB, Rahman SMSAA, Zulperi DBM, Omar Z. Plant leaf disease detection and classification using convolution neural networks model: a review. Artif Intell Rev. 2025;58(10):322. doi: 10.1007/s10462-025-11234-6

63. Meraj T, Sharif MI, Raza M, Alabrah A, Kadry S, Gandomi AH. Computer vision-based plants phenotyping: a comprehensive survey. iScience. 2024;27(1):108709. doi: 10.1016/j.isci.2023.108709

64. Rahman ZU, Asaari MSM, Ibrahim H, Abidin ISZ, Ishak MK. Generative adversarial networks (GANs) for image augmentation in farming: a review. IEEE Access. 2024;12:179912–43. doi: 10.1109/ACCESS.2024.3505989

65. Aboelenin S, Elbasheer FA, Eltoukhy MM, El-Hady WM, Hosny KM. A hybrid framework for plant leaf disease detection and classification using convolutional neural networks and vision transformer. Complex Intell Syst. 2025;11(2):142. doi: 10.1007/s40747-024-01764-x

66. Baek ET. Attention score-based multi-vision transformer technique for plant disease classification. Sensors. 2025;25(1):270. doi: 10.3390/s25010270

67. Gole P, Bedi P, Marwaha S, Haque MA, Deb CK. TrIncNet: a lightweight vision transformer network for identification of plant diseases. Front Plant Sci. 2023;14:1221557. doi: 10.3389/fpls.2023.1221557

68. Chettri K, Sen B, Ghosal P. Deep learning for precision agriculture: a systematic review of methods, challenges, and future directions. Knowl Inf Syst. 2026;68(1):35. doi: 10.1007/s10115-025-02625-w

69. Fu X, Jiang D. High-throughput phenotyping: the latest research tool for sustainable crop production under global climate change scenarios. In: Liu F, Li X, Hogy P, Jiang D, Brestic M, Liu B, editors. Sustainable crop productivity and quality under climate change: responses of crop plants to climate change. Amsterdam: Elsevier; 2022. p. 313–81. doi: 10.1016/B978-0-323-85449-8.00003-8

70. Mowla MdN, Mowla N, Shah AFMS, Rabie KM, Shongwe T. Internet of Things and wireless sensor networks for smart agriculture applications: a survey. IEEE Access. 2023;11:145813–52. doi: 10.1109/ACCESS.2023.3346299

71. Mansoor S, Iqbal S, Popescu SM, Kim SL, Chung YS, Baek JH. Integration of smart sensors and IOT in precision agriculture: trends, challenges and future prospectives. Front Plant Sci. 2025;16:1587869. doi: 10.3389/fpls.2025.1587869

72. Mansoor S, Karunathilake EMBM, Tuan TT, Chung YS. Genomics, phenomics, and machine learning in transforming plant research: advancements and challenges. Hortic Plant J. 2025;11(2):486–503. doi: 10.1016/j.hpj.2023.09.005

73. Mane AE, Tatane K, Chihab Y. Transforming agricultural supply chains: leveraging blockchain-enabled java smart contracts and IoT integration. ICT Express. 2024;10(3):650–72. doi: 10.1016/j.icte.2024.03.007

74. Miele A, Lippi M, Gasparri A. Discrete-time distributed potential-based coordination in networked multi-agent systems. IEEE Control Syst Lett. 2025;9:1472–7. doi: 10.1109/LCSYS.2025.3579769

75. Mousa AK, Croock MS, Abdullah MN. Fuzzy based decision support model for irrigation system management. Int J Comput Appl. 2014;104(9):14–20. doi: 10.5120/18230-9177

76. Barbosa-Caro JC, Wudick MM. Revisiting plant electric signaling: challenging an old phenomenon with novel discoveries. Curr Opin Plant Biol. 2024;79:102528. doi: 10.1016/j.pbi.2024.102528

77. Dobrota C, Carpa R, Butiuc-Keul A. Analysis of designs used in monitoring crop growth based on remote sensing methods. Turk J Agric For. 2021;45(6):730–42. doi: 10.3906/tar- 2012-79

78. Cancela H, Higgins A, Pagès-Bernaus A, Plà-Aragonès LM. Prologue—BigData and DSS in agriculture. Comput Electron Agric. 2019;161:1–3. doi: 10.1016/j.compag. 2019.05.004

79. Pandey DK, Mishra R. Towards sustainable agriculture: harnessing AI for global food security. Artif Intell Agric. 2024;12:72–84. doi: 10.1016/j.aiia.2024.04.003

80. Meftah S, Sahnoun M, Messaadia M, Benslimane SM. Enhancing decision-making in industry 5.0 through adaptive human–machine interfaces: a systematic literature review. Comput Stand Interfaces. 2026;96:104091. doi: 10.1016/j.csi.2025.104091

81. Iatrou M, Papadopoulos A. Machine learning vs. langmuir: a multioutput xgboost regressor better captures soil phosphorus adsorption dynamics. Crops. 2025;5(4):55. doi: 10.3390/crops5040055