هوش مصنوعی کشاورزی را متحول می‌کند، اما شاید بزرگ‌ترین دستاوردهای آن به کشاورزان نرسد
هوش مصنوعی بی‌سروصدا به یکی از قدرتمندترین ابزارهای کشاورزی مدرن تبدیل شده است؛ فناوری‌ای که وعده می‌دهد شیوه تولید غذا در جهان را در شرایط تشدید فشارهای اقلیمی دگرگون کند. مصطفی فرج‌پور، پژوهشگر مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی مازندران، در یک مقاله مروری انتقادی و جامع که در نشریه Discover Artificial Intelligence منتشر شده، نتایج ۱۸۶ مطالعه داوری‌شده را گردآوری و بررسی کرده است. این مطالعات که بیشتر آن‌ها بین سال‌های ۲۰۲۳ تا ۲۰۲۶ منتشر شده‌اند، کاربردهای هوش مصنوعی را در زمینه‌هایی مانند آبیاری دقیق، مدیریت مواد مغذی و خاک، پیش‌بینی عملکرد محصول، شناسایی آفات و بیماری‌ها و سامانه‌های پشتیبان تصمیم‌گیری بررسی می‌کنند. پیام اصلی این مرور پژوهشی دو وجه کاملاً متفاوت دارد: این فناوری در محیط‌های پژوهشی نتایج چشمگیری به دست می‌دهد، اما استفاده گسترده و عادلانه از آن در مزارع واقعی همچنان برای بسیاری از کشاورزان جهان دست‌نیافتنی است.
اهمیت این مسئله را به‌سختی می‌توان بیش از این تصور کرد. پیش‌بینی می‌شود جمعیت جهان تا سال ۲۰۵۰ به حدود ۹٫۷ میلیارد نفر برسد؛ جمعیتی که تأمین غذای آن مستلزم افزایش حدود ۷۰ درصدی تولید مواد غذایی در مقایسه با سطح کنونی است. تغییرات اقلیمی خشکسالی‌ها و سیل‌ها را تشدید کرده، درگیری‌های ژئوپلیتیکی زنجیره‌های تأمین را مختل کرده‌اند و خاک حاصلخیز و منابع آب شیرین همچنان رو به تخریب‌اند. کشاورزی متعارف، که در آن تمام بخش‌های یک مزرعه به‌صورت یکسان و با مقادیر استاندارد آب، کود و آفت‌کش مدیریت می‌شوند، دیگر برای مقابله با این چالش‌ها کافی به نظر نمی‌رسد. در پاسخ به این شرایط، گذار به «کشاورزی ۴.۰» یا چهارمین انقلاب کشاورزی شکل گرفته است؛ رویکردی که در آن اینترنت اشیا، تحلیل کلان‌داده‌ها، هوش مصنوعی و سامانه‌های خودکار در کنار یکدیگر قرار می‌گیرند تا مدیریت محصولات کشاورزی بر پایه داده و متناسب با شرایط هر منطقه انجام شود.
وعده‌های هوش مصنوعی شاید در هیچ حوزه‌ای به‌اندازه آبیاری دقیق ملموس نباشد. سامانه‌های مبتنی بر هوش مصنوعی، داده‌های حسگرهای مزرعه، شبکه‌های اینترنت اشیا و شبکه‌های حسگر بی‌سیم را با هم ترکیب می‌کنند تا رطوبت خاک و شرایط آب‌وهوایی را به‌طور پیوسته زیر نظر بگیرند. سپس الگوریتم‌های یادگیری ماشین و یادگیری عمیق، نیاز آبی گیاهان را پیش‌بینی می‌کنند و نحوه توزیع آب را بهینه می‌سازند. مدل‌هایی مانند پرسپترون چندلایه، ماشین بردار پشتیبان و معماری‌های بهینه‌شده شبکه عصبی، در پیش‌بینی زمان‌بندی آبیاری به دقتی بیش از ۹۹ درصد دست یافته‌اند. در برخی مطالعات نیز صرفه‌جویی در مصرف آب تا ۲۷ درصد و کاهش مصرف انرژی تا ۵۷ درصد گزارش شده است. برای نمونه، مدیریت آبیاری مبتنی بر هوش مصنوعی در کشت گوجه‌فرنگی گیلاسی، بهره‌وری مصرف آب را ۲۰٫۷ درصد افزایش داده و هم‌زمان عملکرد و کیفیت میوه را بهبود بخشیده است. روش‌های نوظهور این قابلیت‌ها را یک گام فراتر می‌برند: مدل‌های یادگیری عمیق اکنون می‌توانند وضعیت آبیاری محصول را مستقیماً از تصاویر برگ تخمین بزنند و فناوری دوقلوی دیجیتال، در ترکیب با یادگیری ماشین، به کشاورزان امکان می‌دهد پیش از مصرف حتی یک قطره آب، سناریوهای مختلف آبیاری را شبیه‌سازی کنند.
هوش مصنوعی در زیر سطح خاک نیز روابطی را آشکار می‌کند که شناسایی آن‌ها با روش‌های سنتی زراعت دشوار بوده است. شبکه‌های عصبی مصنوعی و شبکه‌های عصبی رگرسیون تعمیم‌یافته توانسته‌اند تعاملات پیچیده و غیرخطی مؤثر بر پویایی مواد مغذی در سامانه خاک و گیاه را مدل‌سازی کنند. در نهالستان‌های مرکبات، روشی برای انتخاب ویژگی‌ها بر اساس دو معیار، هفت عنصر غذایی کلیدی مرتبط با قدرت رشد نهال‌ها را شناسایی کرد و مدل شبکه عصبی رگرسیون تعمیم‌یافته به ضریب تعیین ۰٫۹۴ رسید. در کشت تمشک سیاه، مدل‌های پرسپترون چندلایه نشان دادند که کاهش ۳۰ درصدی مصرف پتاسیم، همراه با افزایش مصرف منیزیم و مس، می‌تواند فعالیت آنتی‌اکسیدانی را تا ۸۹ درصد افزایش دهد. الگوریتم‌های یادگیری ماشین همچنین با استفاده از داده‌های ابرطیفی، در شناسایی و طبقه‌بندی انواع خاک به دقتی بیش از ۹۵ درصد دست یافته‌اند. شبکه‌های عصبی مصنوعی نیز شاخص‌های کیفیت خاک را با مقادیر ضریب تعیین نزدیک به ۰٫۹۸ برآورد کرده‌اند و امکان شناسایی عوامل محدودکننده‌ای مانند افزایش کربنات کلسیم، عدم تعادل pH و شوری خاک را فراهم آورده‌اند.
پیش‌بینی عملکرد محصولات و زمان برداشت نیز به همان سرعت پیشرفت کرده است. شبکه‌های عصبی گرافی و مدل‌های حافظه کوتاه‌مدت و بلندمدت، با شناسایی وابستگی‌های مکانی و زمانی، در پیش‌بینی عملکرد سیب‌زمینی از روش‌های متعارف بهتر عمل کرده‌اند. مدل‌های جنگل تصادفی که تصاویر چندطیفی ثبت‌شده با پهپاد را به کار گرفته‌اند، برای برآورد عملکرد گندم به ضریب تعیین ۰٫۹۰ رسیده‌اند. در همین زمینه، مدل‌های تقویت گرادیانی با ترکیب متغیرهای هواشناسی، سوابق مصرف آفت‌کش‌ها و اطلاعات خاک، دقتی چشمگیر معادل ۹۹٫۹۹ درصد ثبت کرده‌اند. سامانه‌های بینایی ماشین مبتنی بر معماری YOLO نیز توانسته‌اند عملکرد هفتگی توت‌فرنگی را با ضریب تعیین حداکثر ۰٫۹۰۸ پیش‌بینی کنند، میزان رسیدگی گوجه‌فرنگی را با خطای پیش‌بینی تنها ۶٫۸۵ درصد طبقه‌بندی کنند و تاریخ برداشت کاهو را با میانگین خطای ۲٫۳۵ روز تخمین بزنند. این قابلیت‌ها مستقیماً به برنامه‌ریزی بهتر نیروی کار، زمان‌بندی برداشت و مدیریت لجستیک زنجیره تأمین کمک می‌کنند.
بااین‌حال، شناسایی آفات و بیماری‌ها حوزه‌ای است که دستاوردهای هوش مصنوعی در آن بیش از سایر زمینه‌ها به کاربرد عملی در دنیای واقعی نزدیک شده‌اند. شبکه‌های عصبی کانولوشنی برای تشخیص آلودگی مرکبات به مگس میوه مدیترانه‌ای به دقتی بیش از ۹۸ درصد دست یافته‌اند. همچنین، یک مدل سفارشی شبکه عصبی کانولوشنی برای تشخیص بیماری‌های سیب‌زمینی، هنگام اجرا روی سخت‌افزار تعبیه‌شده NVIDIA Jetson Nano که برای استفاده میدانی مناسب است، دقت ۹۵ درصدی داشته است. مدل YOLO-NAS نیز برای شناسایی پنج بیماری مهم لوبیای معمولی به میانگین دقت متوسط حداکثر ۹۷٫۹ درصد رسیده و در یک برنامه پشتیبان تصمیم‌گیری مبتنی بر اندروید به کار گرفته شده است. پژوهشگران تنها به تحلیل تصاویر بسنده نکرده‌اند؛ یک مدل ترکیبی شامل شبکه عصبی کانولوشنی و شبکه حافظه کوتاه‌مدت و بلندمدت دوطرفه، با تحلیل سیگنال‌های صوتی حشرات، توانسته است آن‌ها را با دقت ۹۸٫۹۱ درصد شناسایی کند و آفات را پیش از بروز آسیب قابل مشاهده در محصولات تشخیص دهد. برنامه‌های کاربردی موبایلی مانند Plantix، Leaf-Byte و Bioleaf نیز نشان می‌دهند که ابزارهای بینایی ماشین مبتنی بر تلفن همراه، برخلاف بیشتر کاربردهای دیگر هوش مصنوعی بررسی‌شده در این پژوهش، به دست کشاورزان رسیده‌اند.
بااین‌حال، نگران‌کننده‌ترین یافته این مرور به عملکرد مدل‌ها پس از خروج از محیط آزمایشگاهی مربوط می‌شود. مدل‌های جنگل تصادفی برای پیش‌بینی عملکرد محصول، که در اعتبارسنجی متعارف ضریب همبستگی ۰٫۸۱ داشتند، هنگام ارزیابی با اعتبارسنجی متقابل مکانی ــ روشی که خودهمبستگی جغرافیایی را در نظر می‌گیرد ــ به ضریب ۰٫۳۹ سقوط کردند. این افت ۵۲ درصدی در بررسی شش مزرعه واقع در یک واحد کشاورزی در کانادا مشاهده شد. در مجموعه‌داده‌ای ۲۷ساله درباره ذرت شیرین که دو منطقه در ایالات متحده را پوشش می‌داد، موقعیت جغرافیایی و سال، نه متغیرهای زراعی، مهم‌ترین عوامل پیش‌بینی عملکرد بودند. الگوی مشابهی در پیش‌بینی کربن آلی خاک نیز دیده شد؛ مزیت یادگیری ماشین در مقایسه با مدل‌های مبتنی بر فرایند، هنگام استفاده از روش اعتبارسنجی‌ای که هر بار یک مکان را از داده‌های آموزش کنار می‌گذارد، به‌شدت کاهش یافت. به بیان دیگر، بسیاری از مدل‌ها به‌جای یادگیری روابطی که در مناطق مختلف قابل تعمیم باشند، الگوهای مختص به یک مکان را شناسایی می‌کنند. در نتیجه، ارقام دقت منتشرشده در پژوهش‌ها به‌طور نظام‌مند قابلیت اطمینان این سامانه‌ها را در شرایط واقعی بیش از حد نشان می‌دهند.
مشکل بازتولیدپذیری نتایج نیز بر این چالش می‌افزاید. بررسی مطالعات اولیه شاخص نشان می‌دهد که تنها اقلیتی کوچک از پژوهش‌ها مجموعه‌داده‌های واقعاً عمومی منتشر می‌کنند و هیچ‌یک مخزن عمومی کاملی در اختیار نمی‌گذارند که تمام مراحل فرایند مدل‌سازی را پوشش دهد. در بیشتر مطالعات گفته شده است که داده‌ها فقط با درخواست در دسترس قرار می‌گیرند؛ رویکردی که موانع تکرار و بررسی مستقل نتایج را به‌طور قابل توجهی افزایش می‌دهد. از میان مطالعات بررسی‌شده مبتنی بر تصویر، تنها سه پژوهش روش حاشیه‌نویسی و برچسب‌گذاری داده‌ها را با جزئیات معنادار توضیح داده‌اند و هیچ‌کدام آماری کمی از میزان توافق میان برچسب‌گذاران، مانند کاپای کوهن، گزارش نکرده‌اند. اعتبارسنجی متقابل متعارف با روش k-fold نیز، اگر بدون توجه به ساختار جغرافیایی یا زمانی داده‌ها اجرا شود، برآوردهایی بیش از واقع از عملکرد مدل به دست می‌دهد. بااین‌حال، نمونه‌های امیدوارکننده‌ای هم وجود دارند. مجموعه معیار OpenPlant، تعداد ۴۱ مخزن عمومی را در یک مجموعه‌داده واحد شامل ۶۳۵٬۱۷۶ تصویر از ۱٬۱۶۷ گونه گرد آورده و کد کامل ارزیابی را نیز منتشر کرده است. مجموعه‌داده PlantSeg هم ماسک‌های بخش‌بندی در سطح پیکسل را برای تصاویر بیماری‌های گیاهی ثبت‌شده در شرایط واقعی فراهم می‌کند. این نمونه‌ها ثابت می‌کنند که رعایت اصول دقیق و انتشار آزاد داده‌ها از نظر فنی امکان‌پذیر است.
شاید مهم‌ترین دستاورد مفهومی این مرور، صورت‌بندی پدیده‌ای باشد که نویسنده آن را «شکاف تاب‌آوری اقلیمی» می‌نامد؛ زنجیره‌ای علّی در چهار مرحله که توضیح می‌دهد هوش مصنوعی چگونه ممکن است به‌جای کاهش نابرابری‌های جهانی در توان سازگاری با تغییرات اقلیمی، آن‌ها را تشدید کند. حدود ۷۰ درصد کاربردهای هوش مصنوعی در کشاورزی در مناطق معتدل و برخوردار از داده متمرکز شده‌اند، درحالی‌که مناطق خشک و کشورهای کم‌درآمد، که اغلب بیشترین آسیب‌پذیری را در برابر تغییرات اقلیمی دارند، به‌شدت در مجموعه‌داده‌های آموزشی کم‌نمایی شده‌اند. مدل‌هایی که عمدتاً با داده‌های مناطق بیش‌نمایی‌شده آموزش می‌بینند، روابط وابسته به موقعیت جغرافیایی را فرا می‌گیرند و ممکن است هنگام استفاده در مناطق دیگر عملکرد مناسبی نداشته باشند. از سوی دیگر، جوامعی که در داده‌های آموزشی کمتر نمایندگی شده‌اند، اغلب همان جوامعی هستند که توان مالی کمتری برای تأمین هزینه‌های زیرساختی حسگرها، اتصال به شبکه و پردازش رایانه‌ای مورد نیاز برای بهره‌گیری از ابزارهای هوش مصنوعی دارند. این بررسی هشدار می‌دهد که اگر این مشکلات برطرف نشوند، هوش مصنوعی به‌جای آنکه نیرویی برای کاهش نابرابری باشد، به عاملی برای تشدید بی‌عدالتی اقلیمی موجود تبدیل خواهد شد.
به گفته نویسنده، پیشرفت در این زمینه مستلزم اقدام هماهنگ در سه حوزه است. نخست، پژوهشگران باید گزارش عملکرد مدل‌ها را با استفاده از اعتبارسنجی متقابل مستقل از نظر مکانی به یک رویه استاندارد تبدیل کنند و توسعه روش‌هایی مانند یادگیری انتقالی و مدل‌های ترکیبی مبتنی بر اصول فیزیکی را در اولویت قرار دهند؛ روش‌هایی که قابلیت تعمیم به مناطق کم‌داده را دارند. دوم، سرمایه‌گذاری در داده‌ها و زیرساخت‌ها باید به مناطق خشک و کم‌درآمدی که کمتر مورد توجه قرار گرفته‌اند هدایت شود، نه اینکه تمرکز منابع در اقتصادهای مناطق معتدل بیشتر شود. سوم، چارچوب‌های سیاست‌گذاری باید یارانه تأمین تجهیزات برای کشاورزان خرد را با الزام به شفافیت مدل‌ها از طریق هوش مصنوعی توضیح‌پذیر و ارائه شواهد معتبر از ارزیابی آن‌ها در مناطق مختلف همراه کنند؛ زیرا دسترسی به سخت‌افزار به‌تنهایی نمی‌تواند ضعف مدل‌های غیرقابل‌اعتماد را جبران کند. تکنیک‌های نوظهوری مانند یادگیری فدرال، یادگیری پیوسته، یادگیری خودنظارتی، تولید تقویت‌شده با بازیابی اطلاعات و هوش مصنوعی عامل‌محور نیز ظرفیت فنی قابل توجهی دارند. مدل‌های زبانی بزرگ هم تاکنون توانایی چشمگیری نشان داده‌اند: در ۷۸ درصد از موارد ارزیابی‌شده، پاسخ‌های ChatGPT به پرسش‌های کشاورزان برنج در نیجریه، امتیاز بالاتری از پاسخ‌های کارشناسان ترویج کشاورزی انسانی دریافت کرده‌اند. بااین‌حال، نتیجه‌گیری این مرور روشن است: بدون مداخله هدفمند در پژوهش، داده‌ها و حکمرانی، انقلاب هوش مصنوعی در کشاورزی به سود کسانی تمام خواهد شد که کمترین نیاز را به آن دارند و کشاورزانی که بیش از همه در معرض خطرات اقلیمی‌اند، همچنان در انتظار ابزارهایی خواهند ماند که اساساً برای شرایط و نیازهای آن‌ها طراحی نشده‌اند.
موضوع پژوهش: کاربردهای هوش مصنوعی در کشاورزی دقیق، پایداری و سازگاری با تغییرات اقلیمی و کاهش اثرات آن
عنوان مقاله پژوهشی: کاربردهای کنونی هوش مصنوعی برای پیشبرد کشاورزی، پایداری و کاهش اثرات اقلیمی
مشخصات منبع: Farajpour, M. (2026). Current applications of artificial intelligence for advancing agriculture, sustainability and climate mitigation. Discover Artificial Intelligence, 6(1), Article 1525. https://doi.org/10.1007/s44163-026-02540-1
اعتبار تصویر: تولیدشده با هوش مصنوعی
شناسه DOI: 10.1007/s44163-026-02540-1
کلیدواژه‌ها: هوش مصنوعی، کشاورزی دقیق، یادگیری ماشین، کشاورزی هوشمند اقلیمی، یادگیری عمیق، بینایی ماشین، دوقلوهای دیجیتال، هوش مصنوعی توضیح‌پذیر، مدل‌های زبانی بزرگ، کشاورزی خرده‌مالکان، بهینه‌سازی آبیاری، شکاف تاب‌آوری اقلیمی