کاربرد روش های هوش مصنوعی در تحلیل تنش خشکی و عملکرد گیاهان

تنش خشکی یکی از مهم ترین بلایایی است که تاثیر مخربی بر عملکرد محصولات کشاورزی و منابع آب سطحی می گذارد. با توجه به ماهیت غیر قابل پیش بینی و غیرخطی شرایط اقلیمی، راهکارهای سنتی برای پیش بینی این امر مناسب به نظر نمی رسند بنابراین استفاده از تکنولوژی نوین هوش مصنوعی ضرورت پیدا کرده است. پژوهش حاضر با هدف بررسی و مرور کاربرد روش های هوش مصنوعی در تحلیل تنش خشکی و ارزیابی عملکرد گیاهان انجام شده است. در این مطالعه، کاربرد مدل های مختلف یادگیری ماشین (مانند SVM، Random Forest، ANN) و یادگیری عمیق (به ویژه مدل های مبتنی بر LSTM) در پیش بینی شاخص های خشکسالی مورد ارزیابی قرار گرفت همچنین مرور پژوهش های پیشین نشان داد که ترکیب روش های هوش مصنوعی با جمع آوری داده از طریق سنجش از دور (نظیر شاخص های NDVI و SVI) باعث افزایش دقت در پایش خشکسالی کشاورزی و تخمین عملکرد محصولات زراعی تحت شرایط تنش آبی می شود. در نهایت، نتایج به دست آمده حاکی از آن است که توسعه مدل های هیبریدی و پیشرفته هوش مصنوعی، ابزاری کارآمد و قابل اطمینان برای مدیریت بهینه منابع آب، کاهش آسیب پذیری بخش کشاورزی و تضمین امنیت غذایی در مواجهه با تغییرات اقلیمی فراهم می آورد.

کلیدواژه ها:

هوش مصنوعی ، تنش خشکی ، پیش بینی عملکرد محصول ، یادگیری عمیق ، سنجش از دور