پیش بینی و مدیریت ریسک های اقلیمی چندلایه در کشاورزی: مروری نظام مند بر ادغام مدل های هوش مصنوعی و داده های بومی با چشم اندازی برای ایران

بخش کشاورزی ایران به طور ذاتی در معرض مخاطرات اقلیمی مرکب قرار دارد. سیستم های مدیریت ریسک سنتی به دلیل ناتوانی در پردازش پیچیدگی و عدم قطعیت ذاتی این مخاطرات کارایی لازم را از دست داده اند. همزمان انقلاب داده های محیطی و پیشرفت های سریع در هوش مصنوعی (AI) به ویژه یادگیری عمیق (DL) پارادایم جدیدی برای درک و پیش بینی ریسک های چندلایه ارائه می دهند. این مقاله مروری تحلیلی با هدف بررسی نظام مند چگونگی ادغام مدل های هوش مصنوعی با داده های بومی برای رسیدگی به این چالش و تدوین یک چارچوب مفهومی بومی برای ایران انجام شده است. با استفاده از روش شناسی مبتنی بر دستورالعمل PRISMA، بیش از ۵۰ مقاله معتبر در بازه ۲۰۱۸-۲۰۲۴ مورد بررسی قرار گرفت. یافته ها نشان می دهد که موثرترین رویکردها مبتنی بر معماری های هیبریدی مانند CNN-LSTM هستند که داده های سنجش از دور با وضوح مختلف را با لایه های حیاتی داده های بومی خاک، مدیریت کشت و منابع آب تلفیق می کنند. با این حال یک شکاف تحقیقاتی عمده در زمینه مدل سازی تحت شرایط کم داده (Data-Scarce) و توسعه چارچوب های «تفسیرپذیر Explainable» برای کاربران نهایی وجود دارد. در نتیجه پیاده سازی موفق در ایران مستلزم ایجاد یک «پایگاه داده ملی هوشمند کشاورزی اقلیمی» و سرمایه گذاری بر توسعه مدل های هوش مصنوعی است که با چالش های داده ای خاص کشور سازگار باشند. این مرور نقشه راهی برای پژوهشگران و سیاست گذاران جهت گذار از مدیریت واکنشی به مدیریت پیش بینانه و تاب آور ریسک های اقلیمی در کشاورزی ایران ترسیم می کند. در این گذار سرنوشت ساز آینده کشاورزی ایران یا هوشمند خواهد بود، یا اساسا با مخاطره ای وجودی روبه رو است. انتخاب امروز ما سرنوشت فردای میدان های زراعی این سرزمین را رقم خواهد زد.

کلیدواژه ها:

هوش مصنوعی ، یادگیری عمیق ، داده های بومی ، سنجش از دور ، کشاورزی ایران