۱. مقدمه

  بخش کشاورزی یکی از ارکان حیاتی اقتصاد ملی و تأمین‌کننده امنیت غذایی کشور است و نقش راهبردی آن در تحقق توسعه پایدار و عدالت اجتماعی همواره مورد تأکید سیاست‌های کلی کشاورزی بوده است. با وجود این، چالش‌هایی همچون محدودیت منابع آبی، تغییرات اقلیمی، پراکندگی واحدهای بهره‌برداری، و ضعف در نظام داده‌های کشاورزی موجب شده است که بهره‌وری تولید و کارایی منابع طبیعی در سطح مطلوب قرار نگیرد.

  سیاست‌های کلی کشاورزی بر توسعه پایدار با حفاظت از منابع طبیعی، تأمین امنیت غذایی از منابع داخلی، نوسازی نظام تولید مبتنی بر دانش و فناوری‌های نو، ارتقای بهره‌وری آب و خاک، و بهبود معیشت روستاییان تأکید دارد. تحقق این اهداف مستلزم تحول در نظام پایش، داده‌برداری و تصمیم‌سازی کشاورزی کشور است. در واقع، دستیابی به کشاورزی کارآمد و پایدار بدون ایجاد یک نظام هوشمند رصد و تحلیل داده‌های مزرعه‌ای ممکن نیست.

  در دهه اخیر، فناوری‌های نوین سنجش از دور، پهپادها و الگوریتم‌های هوش مصنوعی، ابزارهای کارآمدی برای جمع‌آوری و تحلیل داده‌های دقیق کشاورزی فراهم کرده‌اند. در حالی که ماهواره‌ها توان رصد گسترده و منظم را در سطح ملی ایجاد می‌کنند، پهپادها امکان مشاهده‌ی جزئیات مزرعه را با دقت سانتی‌متری فراهم می‌سازند. تلفیق این دو منبع داده، زمینه‌ساز طراحی نظام‌های نوین پایش کشاورزی هوشمند است که می‌تواند هم‌زمان از دقت محلی و پوشش منطقه‌ای بهره‌مند شود.

  با این حال، نظام آمارگیری و پایش کشاورزی ایران هنوز به‌صورت سنتی و مبتنی بر گزارش‌های نمونه‌گیری یا بازدیدهای میدانی عمل می‌کند. این روش‌ها علاوه بر هزینه بالا و زمان‌بر بودن، از دقت و جامعیت کافی برخوردار نیستند و نمی‌توانند به نیازهای سیاست‌گذاری مدرن پاسخ دهند. در چنین شرایطی، توسعه یک سامانه‌ی ملی هوشمند بر پایه تلفیق داده‌های چندمنبعی می‌تواند به‌عنوان گام نخست در نوسازی نظام تولید و تصمیم‌سازی کشاورزی کشور عمل کند. پژوهش حاضر در پاسخ به این نیاز، چارچوبی تحت عنوان «شبکه ترکیبی کشاورزی» ارائه می‌دهد که مبتنی بر تلفیق داده‌های پهپادی و ماهواره‌ای است و به‌صورت بومی‌سازی‌شده برای شرایط اقلیمی و زیرساختی ایران طراحی شده است. این چارچوب با رویکرد یادگیری عمیق چندمنبعی و قابلیت استقرار در سخت‌افزارهای لبه‌ای، ابزار تحلیلی نوینی را برای رصد بلادرنگ وضعیت مزارع، پیش‌بینی عملکرد و شناسایی تنش‌های گیاهی فراهم می‌سازد. از منظر سیاستی، این پژوهش در راستای سیاست‌های کلی کشاورزی با هدف توسعه پایدار، صیانت از منابع پایه و تأمین امنیت غذایی از منابع داخلی تدوین شده است. همچنین، در زمینه نوسازی نظام تولید مبتنی بر دانش نوین و ارتقای بهره‌وری آب و نهاده‌ها هم‌راستا است. در نهایت، پیاده‌سازی میدانی این سامانه می‌تواند زمینه‌ساز ارتقای سطح درآمد و معیشت روستاییان از طریق کاهش هزینه‌های تولید و افزایش بهره‌وری باشد. این چارچوب با تلفیق داده‌های ماهواره‌ای  Sentinel-2و پهپادی با وضوح بالا و بهره‌گیری از معماری هیبریدی CNN-Transformer  با سازوکار توجه متقابل)امکان پایش بلادرنگ وضعیت مزارع، پیش‌بینی عملکرد محصول و شناسایی زودهنگام تنش‌های گیاهی (آبی، تغذیه‌ای و آفات) را فراهم می‌آورد. قابلیت استقرار مدل بر روی سخت‌افزارهای لبه‌ای پایش آفلاین و کم‌هزینه را در مناطق فاقد دسترسی به اینترنت ممکن می‌سازد. از این رو، مسئله اصلی این پژوهش آن است که چگونه می‌توان با تلفیق داده‌های پهپادی و ماهواره‌ای و بهره‌گیری از یک معماری یادگیری عمیق ترکیبی، سامانه‌ای دقیق، مقیاس‌پذیر و قابل اتکا برای پایش هوشمند کشاورزی ایران طراحی کرد؟ پاسخ به این پرسش، می‌تواند زمینه را برای گذار از روش‌های سنتی و پرهزینه پایش به سمت یک چارچوب داده‌محور، هوشمند و سیاست‌پذیر فراهم کند.

۲. مروری بر پیشینه پژوهش

تحول نظام کشاورزی و دستیابی به بهره‌وری پایدار، نیازمند تلفیق دانش‌های نوین داده‌محور با سیاست‌های کلان کشاورزی است. در راستای تحقق بندهای ۴ و ۵ سیاست‌های کلی کشاورزی که بر «نوسازی نظام تولید بر مبنای دانش نوین و بومی‌سازی فناوری‌های روز» و «ارتقای بهره‌وری از آب و سایر نهاده‌های تولید» تأکید دارند، مطالعات متعددی در سطح جهانی و ملی انجام گرفته است. این بخش، مروری بر مهم‌ترین پژوهش‌های بین‌المللی و داخلی در زمینه‌ی استفاده از فناوری‌های سنجش از دور، یادگیری ماشین، و تلفیق داده‌های چندمنبعی در کشاورزی دارد و در نهایت، خلأهای پژوهشی کشور را در ارتباط با اهداف سیاستی مشخص می‌سازد. با بررسی مقالات دهه اخیر، معماری‌ نوین یادگیری ماشین همچون شبکه‌های گرافی(GNN)، ترنسفورمرهای بینایی(ViT)  و مدل‌های یادگیری نیمه‌نظارتی و خودنظارتی انتخاب و ارزیابی شدند. در واقع، پیشرفت معماری‌های نوین یادگیری ماشین از جمله شبکه‌های عصبی پیچشی، شبکه‌های عصبی بازگشتی، شبکه‌های گرافی، و ترنسفورمرهای بینایی زمینه را برای تحلیل دقیق‌تر داده‌های مکانی و زمانی فراهم کرده است. این مدل‌ها در مقایسه با روش‌های سنتی، توانسته‌اند در شناسایی الگوهای پیچیده رشد گیاه، تشخیص تنش‌های آبی، پیش‌بینی عملکرد و طبقه‌بندی محصولات، دقت و کارایی بیشتری ارائه دهند. بنابراین، مرور پیشینه در این پژوهش صرفاً معرفی مطالعات پیشین نیست، بلکه تلاشی برای نشان دادن مسیر تحول علمی، شناسایی ظرفیت‌های موجود، و آشکارسازی خلأهای پژوهشی است که همچنان در حوزه پایش هوشمند کشاورزی ایران وجود دارد. در چند بخش زیر به تشریح این موارد پرداخته می‌شود.

۲.۱. سنجش از دور و هوش مصنوعی در پایش کشاورزی

  امروزه استفاده از هوش مصنوعی در کشاورزی به ابزاری مؤثر برای تحقق بند ۲ سیاست‌ها تبدیل شده است. در واقع هوش مصنوعی می‌تواند ابزاری مؤثر برای تحقق سیاست‌های کلان کشاورزی از جمله «تأمین امنیت غذایی با تکیه بر تولید از منابع داخلی» باشد. با تحلیل دقیق داده‌های رشد و سلامت محصولات، دولت‌ها می‌توانند پیش‌بینی‌های قابل اعتمادی درباره‌ی عملکرد محصولات داشته باشند و سیاست‌های حمایتی و یارانه‌ای را بر پایه داده‌های واقعی تنظیم کنند.

  سنجش از دور به‌ویژه با گسترش ماهواره‌های چندطیفی مانند  Sentinel-2، به ابزاری کلیدی در پایش کشاورزی تبدیل شده است. این فناوری با فراهم‌آوردن داده‌هایی با پوشش وسیع و زمان‌بندی منظم، امکان رصد روندهای رشد گیاهی، نوع محصول و وضعیت سلامت زراعی را فراهم کرده است. با این حال، محدودیت‌هایی چون دقت مکانی پایین‌تر نسبت به داده‌های زمینی و تأثیرپذیری از شرایط جوی، ضرورت ترکیب آن با روش‌های پیشرفته تحلیلی را دوچندان کرده است. در این راستا، بهره‌گیری از الگوریتم‌های یادگیری ماشین و یادگیری عمیق، تحول بزرگی در تحلیل داده‌های سنجش از دور ایجاد کرده است. مدل‌هایی نظیر شبکه‌های عصبی پیچش(CNN)، حافظه بلندمدت(LSTM)، و ترنسفورمرهای بینایی (ViT) توانسته‌اند دقت طبقه‌بندی محصولات کشاورزی، پیش‌بینی عملکرد و تشخیص تنش‌های گیاهی را به‌طور معناداری افزایش دهند (Saini & Rao, 2023; Khaki et al., 2020). به‌عنوان مثال، پژوهشی در هند نشان داد که ترکیب داده‌های Sentinel-2 با LSTM و CNN منجر به دستیابی به دقتی بالاتر از ۹۰ درصد در تشخیص نوع محصول گردیده است (Singh et al., 2021).

کاربرد هوش مصنوعی در کشاورزی به ابزاری کلیدی برای تحقق بند ۲ سیاست‌ها (تأمین امنیت غذایی از منابع داخلی) تبدیل شده است، زیرا امکان پیش‌بینی دقیق عملکرد محصول و تنظیم سیاست‌های حمایتی بر پایه داده‌های واقعی را فراهم می‌کند. سنجش از دور، به‌ویژه با ماهواره‌های چندطیفی مانند Sentinel-2، پوشش گسترده و منظم برای رصد روندهای رشد گیاهی، طبقه‌بندی محصولات و تشخیص تنش‌های سلامت زراعی ارائه می‌دهد. با این حال، محدودیت‌های دقت مکانی و تأثیرات جوی، لزوم ادغام با مدل‌های یادگیری عمیق را ضروری می‌سازد. مدل‌هایی نظیر CNN،LSTM  و ViT دقت طبقه‌بندی محصولات، پیش‌بینی عملکرد و تشخیص تنش‌های گیاهی را به‌طور معناداری افزایش داده‌اند (Saini & Rao, 2023 ; Khaki et al., 2020). برای نمونه، ترکیب Sentinel-2 با LSTM و CNN در هند دقت بالای ۹۰٪ در طبقه‌بندی محصولات را به‌دست آورد (Singh et al., 2021).

۲.۲. تلفیق تصاویر پهپاد و ماهواره در کشاورزی

  یکی از چالش‌های اساسی نظام‌ پایش کشاورزی، محدودیت هر یک از منابع داده‌ای به‌تنهایی است. تصاویر ماهواره‌ای با وجود پوشش وسیع، دقت مکانی محدودی دارند، در حالی که تصاویر پهپادی دارای دقت بالا ولی پوشش محدود هستند. تلفیق این دو منبع داده در سیاست‌های کلان کشاورزی بند 5 یعنی «بهره‌برداری بهینه از نهاده‌ها» و بند 4 «به‌کارگیری فناوری‌های نوین» نیز تلویحاً مورد تأکید قرار گرفته، رویکردی نوین برای بهبود دقت و کارآمدی نظام‌های تصمیم‌گیری در کشاورزی محسوب می‌شود. در واقع ترکیب تصاویر پهپادی با داده‌های ماهواره‌ای رویکردی نوین در جهت غلبه بر محدودیت‌های هر یک از این منابع محسوب می‌شود. پهپادها با وضوح مکانی بسیار بالا و امکان پرواز در زمان دلخواه، توانایی شناسایی تنش‌های گیاهی موضعی را دارند. در مقابل، ماهواره‌ها با پوشش وسیع و داده‌های زمانی منظم، امکان پایش منطقه‌ای و روندهای بلندمدت را فراهم می‌کنند. تلفیق این دو، منجر به تصویری جامع از وضعیت مزرعه می‌گردد (Gómez-Chova et al., 2020). در سال‌های اخیر، مدل‌های متعددی برای تلفیق داده‌های چندمنبعی توسعه یافته‌اند. برای نمونه، چن و همکاران (2022) با استفاده از ترکیب CNN و شبکه‌های عصبی گرافی (GNN) توانستند طبقه‌بندی دقیقی از مزارع گندم و ذرت در چین ارائه دهند. همچنین ژانگ و همکاران (2023) نشان دادند که بهره‌گیری از تلفیق مبتنی بر توجه (attention-based fusion) میان تصاویر پهپاد و ماهواره، موجب بهبود چشمگیر در تشخیص زودهنگام تنش آبی و آفات در مزارع شد.

مدل‌های اخیر مانند(Gómez-Chova et al., 2020). CMTNet (هیبریدی CNN-Transformer برای طبقه‌بندی hyperspectral از UAV؛ Guo et al., 2025 ) و CTFuseNet (فیوژن چندمقیاسی CNN-Transformer برای segmentation محصولات؛ Xiang et al., 2023 ) دقت تشخیص تنش آبی و آفات را به‌طور چشمگیری بهبود بخشیده‌اند. همچنین، مدل‌های هیبریدی مانند MSCNN-VSS برای تشخیص بیماری محصولات از تصاویر UAV دقت PA ۰.۹۴ را به‌دست آورده‌اند (Frontiers in Plant Science, 2025 ).

۲.۳. تجارب بین‌المللی و داخلی در کاربرد سنجش از دور در آمار کشاورزی

مطالعه تجارب جهانی نشان می‌دهد که بسیاری از کشورها با بهره‌گیری از فناوری‌های سنجش از دور و یادگیری ماشین، توانسته‌اند نظام آمارگیری کشاورزی خود را به‌روز و هوشمند کنند. در برزیل، با استفاده از سامانه‌های هوش مصنوعی و تصاویر ماهواره‌ای، بیش از ۵ میلیون واحد بهره‌برداری روستایی شناسایی و نقشه‌برداری شدند (da Silva et al., 2021). در ایالات متحده، وزارت کشاورزی این کشور (USDA) از ترکیب سنجش از دور و یادگیری ماشین در پروژه Cropland Data Layer استفاده کرده و نقشه‌های محصول‌محور سالانه را تولید می‌نماید (Johnson et al., 2020). همچنین در اتحادیه اروپا، داده‌های Sentinel-2 در چارچوب سیاست مشترک کشاورزی (CAP) برای راستی‌آزمایی پرداخت یارانه‌ها در سطح قطعه‌ای به‌کار گرفته می‌شود (Copernicus, 2022).

مطالعات اخیر مانند باقرپور و همکاران (Bagherpour et al., 2014 ) پیش‌بینی خشکسالی کشاورزی در گلستان با سنجش از دور و ماشین لرنینگ یا مدل‌سازی خاک در مناطق خشک مرکزی ایران  پیشرفت‌هایی نشان می‌دهند، اما همچنان هماهنگی نهادها (مانند سازمان هوافضا و مرکز آمار) ضعیف است، که با بند ۳ سیاست‌ها (اصلاح ساختار بهره‌برداری) در تعارض است. محدودیت‌هایی مانند کمبود داده‌های برچسب‌خورده و زیرساخت محاسباتی روستایی، توسعه مدل‌های هوش مصنوعی ملی را مانع می‌شود (Abdali et al., 2024 ).

برخی از کاستی‌ها در سایر پژوهش‌ها به شرح زیر است:

۲.۴. وضعیت زیرساخت سنجش از دور در ایران

در ایران، با وجود توان علمی بالا و فعالیت‌های پراکنده در حوزه سنجش از دور، زیرساخت داده‌ای بخش کشاورزی هنوز از پراکندگی، جزیره‌ای بودن و فقدان هم‌افزایی بین نهادهای داده‌ای رنج می‌برد. نبود هماهنگی میان سازمان هوافضا وزارت جهاد کشاورزی و مرکز آمار ایران، موجب کندی در شکل‌گیری سامانه‌های یکپارچه پایش زراعی شده است. این چالش در تضاد با بند 3 سیاست‌های کلی کشاورزی است که بر «اصلاح ساختار و نظام بهره‌برداری با تشویق کشاورزان و حمایت مؤثر دولت در واگذاری منابع آب و خاک» تأکید دارد.

افزون بر این، نبود بانک‌های داده‌ی برچسب‌خورده، محدودیت دسترسی به تصاویر با وضوح بالا، و ضعف در زیرساخت محاسباتی در مناطق روستایی، مانع از توسعه‌ی الگوریتم‌های هوش مصنوعی در مقیاس ملی شده است. این وضعیت، لزوم طراحی یک مدل بومی‌سازی‌شده و سازگار با محدودیت‌های محیطی ایران را آشکار می‌سازد. مدلی که هم‌زمان پاسخ‌گوی الزامات فنی و اهداف سیاستی در زمینه‌ی خودکفایی، بهره‌وری، و پایداری زیست‌محیطی باشد بسیار ضروری است.

۲.۵. خلأهای پژوهشی شناسایی‌شده

بر اساس بررسی‌های صورت‌گرفته، می‌توان مهم‌ترین خلأهای موجود را چنین برشمرد:

• فقدان چارچوب‌های تلفیقی منسجم برای ترکیب داده‌های پهپادی و ماهواره‌ای در کشاورزی ایران؛ (نقض بند ۱ و ۵ سیاست‌ها).
• نبود زیرساخت داده‌ای هماهنگ بین نهادهای کشاورزی و آماری برای استقرار سامانه‌های ملی پایش (در تعارض با بند ۳ سیاست‌ها).
• بهره‌برداری محدود از مدل‌های پیشرفته یادگیری عمیق نظیر ترنسفورمرها و GNN؛ (در راستای بند ۴ و ۶ سیاست‌ها).
• نبود مدل‌های بومی‌سازی‌شده برای شرایط خاص اقلیمی نیمه‌خشک ایران؛
• کمبود جدی داده‌های برچسب‌خورده برای آموزش مدل‌های یادگیری نظارتی؛
• و نبود چارچوب‌های شفاف تبیینی جهت پذیرش نهادی و سیاست‌گذاری (در راستای بند ۹ سیاست‌ها).

این موارد، ضرورت طراحی یک چارچوب بومی‌سازی‌شده و فناورانه را برای به‌کارگیری یادگیری ماشین در نظام آمارگیری کشاورزی ایران آشکار می‌سازد.

۳. مواد و روش‌ها

در این پژوهش، هدف اصلی طراحی و پیاده‌سازی چارچوبی فناورانه و بومی برای نوسازی نظام پایش کشاورزی ایران بوده است؛ چارچوبی که بتواند همسو با سیاست‌های کلی کشاورزی، به ارتقای بهره‌وری منابع تولید، بهبود نظام تصمیم‌سازی و تحقق کشاورزی پایدار یاری رساند. انتخاب روش‌شناسی تحقیق بر پایه‌ی اصول علمی سنجش از دور، یادگیری ماشین و داده‌کاوی مکانی صورت گرفت، اما طراحی و جهت‌گیری کلی آن به‌گونه‌ای تنظیم شد که اهداف کلان سیاستی کشور، یعنی توسعه پایدار، تأمین امنیت غذایی، افزایش بهره‌وری آب و خاک، و بهبود معیشت بهره‌برداران نیز در متن فرایند تحقیق نهادینه شود. برای تحقق این هدف، نخست داده‌های مورد نیاز از دو منبع اصلی شامل تصاویر پهپادی و داده‌های ماهواره‌ای چندطیفی گردآوری شد. داده‌های پهپادی توسط پهپاد چندطیفی Phantom 4 Pro مجهز به حسگر MicaSense RedEdge برداشت گردید تا اطلاعات دقیق از وضعیت مزارع در مراحل مختلف رشد گیاه فراهم شود. این داده‌ها در سطح محلی و با وضوح مکانی بالا جمع‌آوری شدند و با داده‌های ماهواره‌ای Sentinel-2 که نمایی منطقه‌ای و منظم از سطح زمین ارائه می‌دهد، تلفیق شدند. ترکیب این دو منبع، هم دقت و هم جامعیت پایش را افزایش داد و امکان بررسی هم‌زمان تغییرات خردمقیاس و کلان‌مقیاس را فراهم کرد. در واقع، این بخش از کار مصداقی از اجرای بندهای چهارم و پنجم سیاست‌های کلی کشاورزی است که بر نوسازی نظام تولید بر مبنای دانش نوین و بهره‌گیری علمی از منابع تأکید دارد.

انتخاب مناطق مطالعاتی نیز با رویکردی سیاستی و نه صرفاً فنی انجام شد. سه استان قزوین، یزد و گلستان به‌عنوان نمونه‌هایی از اقلیم‌های متفاوت انتخاب شدند تا عملکرد مدل در شرایط متنوعی از حیث منابع آب، نوع محصولات و نظام بهره‌برداری سنجیده شود. قزوین به‌عنوان منطقه‌ای با کشاورزی ترکیبی دیم و آبی، یزد به‌عنوان نماد کشاورزی در مناطق خشک با محدودیت شدید منابع آبی، و گلستان به‌عنوان نمونه‌ای از مناطق پرمحصول و مرطوب انتخاب شدند. این تنوع اقلیمی، امکان ارزیابی جامع مدل را در بستر واقعی فراهم ساخت و گامی در راستای بند پنجم سیاست‌های کلی کشاورزی، یعنی ارتقای بهره‌وری از آب و سازگاری با شرایط متنوع محیطی، محسوب می‌شود.

در ادامه، داده‌های زمینی مورد نیاز برای آموزش و ارزیابی مدل گردآوری شد. این داده‌ها شامل شاخص‌های سلامت گیاه نظیر NDVI، محتوای کلروفیل (SPAD)، شاخص سطح برگ (LAI)، رطوبت و شوری خاک و عملکرد واقعی محصولات بودند. جمع‌آوری داده‌ها به‌صورت میدانی و با مشارکت مستقیم کشاورزان محلی انجام شد. بدین ترتیب، علاوه بر تأمین داده‌های علمی لازم برای آموزش مدل، نوعی پیوند تعاملی میان پژوهشگران و بهره‌برداران ایجاد شد که خود در راستای بند نهم سیاست‌های کلی کشاورزی، یعنی «توانمندسازی و مشارکت روستاییان و کشاورزان در فرآیند توسعه و تصمیم‌سازی» قرار دارد.

داده‌های مورد نیاز از دو منبع اصلی تأمین شدند:

تصاویر پهپادی: با استفاده از پهپاد مجهز به حسگر چندطیفی ۵ باند طیفی+ RGB، وضوح مکانی بالا در مراحل مختلف رشد گیاهان برداشت شد. این داده‌ها اطلاعات دقیق محلی از وضعیت مزارع را فراهم می‌کنند.

تصاویر ماهواره‌ای: داده‌های Sentinel-2 با وضوح مکانی ۱۰–۲۰ متر، ۱۳ باند طیفی) برای پوشش گسترده منطقه‌ای و پایش زمانی منظم استفاده شد.

ترکیب این دو منبع، دقت محلی پهپاد را با پوشش گسترده ماهواره ادغام کرد و امکان بررسی هم‌زمان تغییرات ریزمقیاس و کلان‌مقیاس را فراهم آورد. این رویکرد مستقیماً مصداق اجرای بندهای چهارم و پنجم سیاست‌های کلی کشاورزی (نوسازی نظام تولید مبتنی بر دانش نوین و بهره‌برداری بهینه از نهاده‌ها) است. منطق روش‌شناسی پژوهش بر سه اصل، چندمقیاسی بودن داده‌ها (ملی–منطقه‌ای–مزرعه‌ای)

چندمنبعی بودن اطلاعات طیفی و مکانی و یادگیری عمیق مبتنی بر هم‌جوشی هوشمند داده‌ها استوار است. در واقع فرآیند کلی پژوهش شامل مراحل زیر است:

انتخاب مناطق با رویکرد سیاستی و فنی انجام شد. سه استان قزوین (کشاورزی ترکیبی دیم-آبی)، یزد (نماد کشاورزی در مناطق خشک با محدودیت شدید منابع آبی) و گلستان (نمونه‌ای از مناطق مرطوب و پرمحصول) انتخاب شدند تا عملکرد مدل در شرایط متنوع اقلیمی، منابع آب و نظام‌های بهره‌برداری سنجیده شود. این تنوع، امکان ارزیابی جامع مدل در بستر واقعی ایران را فراهم ساخت و گامی عملی در جهت بند پنجم سیاست‌ها (ارتقای بهره‌وری از آب و سازگاری با شرایط متنوع محیطی) محسوب می‌شود. داده‌های مرجع میدانی شامل شاخص‌های سلامت گیاه، محتوای کلروفیل، شاخص سطح برگ، رطوبت و شوری خاک و عملکرد واقعی محصولات بودند. جمع‌آوری داده‌ها به‌صورت میدانی و با مشارکت مستقیم کشاورزان محلی انجام شد. این مشارکت نه‌تنها دقت علمی را افزایش داد، بلکه پیوند تعاملی میان پژوهشگران و بهره‌برداران ایجاد کرد که با بند نهم سیاست‌ها (توانمندسازی و مشارکت روستاییان در فرآیند توسعه و تصمیم‌سازی) هم‌راستا است.

پس از گردآوری داده‌ها، مجموعه‌ای از عملیات پیش‌پردازش با هدف استانداردسازی و هم‌ترازی داده‌ها اجرا شد. تصحیح رادیومتریک تصاویر پهپادی برای یکسان‌سازی نور و زاویه تابش، حذف پوشش ابر از داده‌های ماهواره‌ای با استفاده از الگوریتم Fmask، و هم‌ترازسازی مکانی دقیق میان داده‌های دو منبع به کمک نقاط کنترل زمینی از جمله این مراحل بود. در تمام این فرآیندها تلاش شد که کیفیت داده‌ها تا سطح استانداردهای بین‌المللی ارتقا یابد تا امکان تحلیل دقیق و قابل اعتماد فراهم شود. این گام از منظر سیاستی، تحقق عملی بند چهارم سیاست‌های کلی کشاورزی بود که بر استفاده از دانش نوین و فناوری‌های بومی برای افزایش کارایی نظام تولید تأکید دارد.

در گام بعد، معماری شبکه‌ی ترکیبی کشاورزی توسعه یافت. این شبکه با الهام از ساختارهای یادگیری عمیق چندمنبعی طراحی شد تا بتواند به‌صورت هم‌زمان ویژگی‌های فضایی دقیق تصاویر پهپادی و اطلاعات طیفی-زمانی تصاویر ماهواره‌ای را تحلیل کند. در این معماری، دو مسیر مجزا برای پردازش داده‌های پهپادی و ماهواره‌ای در نظر گرفته شد که در مرحله‌ای میانی از طریق سازوکار توجه متقابل در یک لایه ترنسفورمر با یکدیگر ادغام می‌شوند.

شکل 2 : معماری هیبریدی مدل پژوهش

مسیر پهپادی: با ۲۳ میلیون پارامتر و ۵۰ لایه برای استخراج ویژگی‌های فضایی.

مسیر ماهواره‌ای: با ۱۲ لایه توجهی، ۷۶۸ بعد پنهان و ۸۶ میلیون پارامتر برای تحلیل ویژگی‌های جهانی و زمانی.

تلفیق این داده‌ها با سازوکار توجه متقابل در لایه میانی ترنسفورمر انجام می‌شود. این تلفیق، مدلی با دقت بالا و تعمیم‌پذیری خوب در اقلیم‌های متنوع ایران ایجاد کرد. آموزش مدل با optimizer Adam نرخ یادگیری ۰.۰۰۱، batch size=32، ۵۰ epoch و اعتبارسنجی متقاطع ۵-تایی انجام شد. نتیجه‌ی این تلفیق، مدلی است که نه‌تنها از دقت بالایی برخوردار است، بلکه توانایی تعمیم به شرایط مختلف اقلیمی ایران را نیز دارد. این مدل در واقع بازتاب عملی سیاست نوسازی نظام تولید مبتنی بر دانش نوین است و بیانگر کاربرد واقعی فناوری‌های پیشرفته در خدمت خودکفایی و پایداری کشاورزی کشور است. با توجه به محدودیت‌های زیرساختی در بسیاری از مناطق روستایی، مدل توسعه‌یافته برای اجرا در محیط‌های فاقد اینترنت نیز بهینه‌سازی شد. نسخه‌ی نهایی مدل بر روی سکوی سخت‌افزاری NVIDIA Jetson Xavier NX پیاده‌سازی گردید که با مصرف انرژی پایین، قابلیت اجرای بلادرنگ را فراهم می‌کند. بهینه‌سازی از طریق کوانتیزاسیون و حذف ساختاری پارامترها انجام شد و نتیجه آن مدلی بود که با کاهش بیش از یک‌سوم حجم محاسباتی، بدون افت محسوس در دقت، توانست به‌صورت آفلاین و با باتری قابل حمل فعالیت کند. این بخش از کار نه‌تنها بُعد فناورانه پژوهش را تقویت کرد، بلکه از منظر سیاستی، در راستای بند ششم سیاست‌های کلی کشاورزی قرار دارد که بر «گسترش زیرساخت‌ها، کاهش زیان تولید و متعادل‌سازی سطح سودآوری بخش کشاورزی نسبت به سایر بخش‌ها» تأکید دارد.

ارزیابی مدل با استفاده از شاخص‌های آماری متداول از جمله دقت کلی، میانگین هم‌پوشانی (mIoU) و امتیاز F1 انجام شد. علاوه بر ارزیابی فنی، اثرات اقتصادی و زیست‌محیطی نیز مورد بررسی قرار گرفت تا میزان تحقق اهداف سیاستی سنجیده شود. یافته‌ها نشان داد که استفاده از این سامانه می‌تواند موجب کاهش مصرف آب و کود، کاهش بازدیدهای میدانی و به تبع آن کاهش هزینه‌های عملیاتی شود. این نتایج از منظر سیاستی، مستقیماً در جهت تحقق بندهای اول، پنجم و نهم سیاست‌های کلی کشاورزی است که توسعه پایدار، بهره‌وری منابع و ارتقای معیشت روستاییان را هدف قرار داده‌اند.

در پایان، نتایج مدل به‌صورت نقشه‌های مکانی از وضعیت محصولات زراعی، شاخص‌های سلامت گیاه و الگوهای تنش آبی مصورسازی شد. این نقشه‌ها نه‌تنها ابزار علمی تحلیل داده بلکه مبنای تصمیم‌گیری در سیاست‌گذاری‌های کلان کشاورزی هستند. داده‌های مکانی دقیق حاصل از مدل می‌تواند در برنامه‌ریزی الگوی کشت، پایش تولید، تخصیص هدفمند یارانه‌ها و مدیریت منابع آبی کشور به کار گرفته شود. از این منظر، بخش پایانی پژوهش عملاً پلی میان فناوری و سیاست است و نشان می‌دهد که چگونه نوآوری داده‌محور می‌تواند مستقیماً در خدمت سیاست‌های کلی کشاورزی کشور قرار گیرد.

مدل پیشنهادی یک شبکه ترکیبی کشاورزی مبتنی بر CNN-Transformer است که از دو شاخه مستقل پهپادی و ماهواره‌ای تشکیل شده است که از طریق هم‌جوشی پیوند میان آن‌ها رخ خواهد داد. منطق انتخاب معماری به شرح زیر خواهد بود:

     CNN برای استخراج ویژگی‌های مکانی دقیق از تصاویر پهپادی

     Transformer برای مدل‌سازی وابستگی‌های بلندبرد طیفی و مکانی

     معماری دوشاخه برای حفظ استقلال اطلاعات هر منبع پیش از ادغام

این انتخاب مبتنی بر مطالعات پیشین در حوزه ViT، CNN و مدل‌های هیبریدی و با هدف افزایش دقت و پایداری مدل انجام شده است. برای ارزیابی عملکرد مدل، از شاخص‌های زیر استفاده شد:

     Accuracy (دقت کلی)

     mIoU (میانگین هم‌پوشانی)

      F1-score

     RMSE (ریشه میانگین مربعات خطا)

به‌منظور بررسی معناداری آماری نتایج، از آزمون t-test با سطح معناداری کمتر از 0.01 استفاده شد. مدل پیشنهادی با روش‌های زیر مقایسه شد:

·        Random Forest

·        LSTM

·        GNN

·        ResNet-50

·        ViT-Base Transformer

این مدل‌ها به‌عنوان نمایندگان روش‌های کلاسیک، بازگشتی، گرافی و ترنسفورمری انتخاب شدند تا مقایسه‌ای جامع میان رویکرد پیشنهادی و طیف متنوعی از الگوریتم‌ها صورت گیرد.

در مجموع، روش‌شناسی این پژوهش تلاشی برای پیوند میان علم داده و سیاست‌گذاری عمومی است. نتیجه کار نه‌فقط یک مدل هوش مصنوعی دقیق برای پایش کشاورزی، بلکه گامی در جهت تحقق حکمرانی داده‌محور در بخش کشاورزی ایران است. این چارچوب نشان می‌دهد که اگر سیاست‌های کلی کشاورزی به‌صورت نظام‌مند در طراحی فناورانه لحاظ شوند، می‌توان هم‌زمان به سه هدف بنیادین کشور یعنی خودکفایی در تولید، پایداری در بهره‌برداری و عدالت در توسعه روستایی دست یافت.

۴. یافته‌ها

تحلیل داده‌ها و اجرای مدل شبکه ترکیبی کشاورزی در سه استان منتخب کشور، تصویر روشنی از ظرفیت‌های بالقوه تلفیق داده‌های پهپادی و ماهواره‌ای برای مدیریت هوشمند کشاورزی ایران ارائه کرد. نتایج این پژوهش نشان داد که کاربرد فناوری‌های داده‌محور نه‌تنها از منظر فنی و علمی، بلکه از دیدگاه سیاستی و نهادی نیز می‌تواند تحول‌آفرین باشد. در شرایطی که بخش کشاورزی ایران با محدودیت منابع، پراکندگی اراضی، تغییرات اقلیمی و نوسانات بازار روبه‌روست، ایجاد یک نظام هوشمند مبتنی بر داده‌های دقیق و بهنگام می‌تواند به‌عنوان پشتوانه‌ای برای سیاست‌های توسعه پایدار و خودکفایی ملی عمل کند. اجرای مدل در سه منطقه قزوین، یزد و گلستان نشان داد که سامانه توانسته است محصولات مختلف را با دقتی بالاتر از ۹۱ درصد طبقه‌بندی کند. این میزان دقت در شناسایی و تفکیک محصولات، به‌ویژه در مناطق با ساختار زراعی پیچیده، گواهی است بر کارآمدی چارچوب طراحی‌شده. تحلیل خروجی‌ها نشان داد که در قزوین، مرز میان مزارع گندم، جو و ذرت با دقت بالا بازشناسی شد؛ در یزد، مدل توانست تفاوت باغات پسته، اراضی شور و مناطق غیرزراعی را به‌خوبی مشخص کند؛ و در گلستان، تراکم مزارع برنج و کلزا به‌صورت دقیق و هم‌زمان با داده‌های زمینی منطبق شد. در واقع این دقت در شناسایی و تفکیک محصولات، به‌ویژه در ساختارهای زراعی پیچیده، گواهی بر کارآمدی چارچوب طراحی‌شده است:

·       در قزوین: مرز مزارع گندم، جو و ذرت با دقت بالا ۰.۸۹mIoU = بازشناسی شد.

·       در یزد: تفاوت باغات پسته، اراضی شور و مناطق غیرزراعی به‌خوبی با امتیاز ۰.۹۳ F1-score = مشخص گردید.

·       در گلستان: تراکم مزارع برنج و کلزا با داده‌های زمینی با دقت ۹۲.۱٪ منطبق بود.

این سطح از دقت، زمینه‌ساز برنامه‌ریزی کشت هدفمند و استفاده بهینه از نهاده‌هاست و با بندهای چهارم و پنجم سیاست‌های کلی کشاورزی مبنی بر نوسازی نظام تولید و ارتقای بهره‌وری از آب و خاک انطباق دارد.

تحلیل مقایسه‌ای نشان داد که در روش‌های سنتی تلفیق، دقت به دلیل افت هم‌افزایی کاهش می‌یابد، اما در معماری پیشنهادی با سازوکار توجه متقابل توانایی مدل در تشخیص الگوهای پیچیده و بهره‌برداری از ویژگی‌های مکمل پهپادی و ماهواره‌ای به‌طور چشمگیری افزایش خواهد یافت. علاوه بر مدل‌های پایه، مقایسه با رویکردهای پیشرفته‌تر نیز برتری چارچوب پیشنهادی را تأیید کرد (جدول ۱ را مشاهده کنید). برای مثال، مدل LSTM پایه که عمدتاً بر تحلیل سری‌های زمانی Sentinel-2 تمرکز داشت، دقت ۸۳.۷٪ و RMSE ۰.۵۸ تن/هکتار به‌دست آورد، در حالی که مدل پیشنهادی به دلیل ادغام ویژگی‌های فضایی-زمانی، بهبود معناداری نشان داد (t-test، p<0.01). همچنین، GNN ساده برای مدل‌سازی روابط فضایی مزارع RMSE ۰.۵۵ داشت که همچنان پایین‌تر از مدل هیبریدی بود. این بهبود ۱۵-۲۰٪ نسبت به مدل‌های پایه و ۶-۱۰٪ نسبت به رویکردهای پیشرفته‌تر، سرمایه‌گذاری بر دانش نوین و هوش مصنوعی را توجیه می‌کند و تجلی عملی بند ۴ سیاست‌ها (نوسازی نظام تولید مبتنی بر دانش و بومی‌سازی فناوری‌های روز) است.

شکل 3 : سلامت گیاه (گندم)

شکل4 : تابع زیان آموزش و اعتبار

شکل5  : دقت آموزش و مدل

جدول ۱: مقایسه عملکرد مدل پیشنهادی با روش‌های پایه و پیشرفته

شکل 6 : مقایسه مدل‌ها

توضیح جدول: مقادیر دقت با فاصله اطمینان ۹۵٪ گزارش شده‌اند. بهبود مدل پیشنهادی (شبکه ترکیبی کشاورزی) نسبت به سایرین از نظر آماری معنادار بود (p<0.01). از نظر عملیاتی نیز، نتایج نشان داد که استفاده از این سامانه می‌تواند منجر به صرفه‌جویی قابل توجه در منابع تولید شود. با تکیه بر نقشه‌های دقیق آبیاری و سلامت گیاه، مصرف آب در مناطق نمونه به‌طور میانگین ۲۳ درصد کاهش خواهد یافت. در همین راستا، میزان مصرف کودهای ازته و فسفاته نیز بین ۱۸ تا ۲۶ درصد کمتر خواهد شد، و بازدیدهای میدانی کارشناسان کشاورزی تا حدود ۴۲ درصد کاهش خواهد یافت. این یافته‌ها مستقیماً با بندهای اول و پنجم سیاست‌های کلی کشاورزی همسو است که توسعه پایدار با صیانت از منابع پایه و بهره‌برداری علمی از نهاده‌ها را هدف قرار داده‌اند. کاهش مصرف آب و نهاده‌های شیمیایی، نه‌تنها بهره‌وری را افزایش می‌دهد، بلکه در سطح کلان به حفظ منابع طبیعی و ارتقای تاب‌آوری زیست‌محیطی کشور کمک می‌کند. در بعد فناورانه، مدل طراحی‌شده توانست با بهره‌گیری از سخت‌افزار لبه‌ای NVIDIA Jetson Xavier NX، داده‌ها را به‌صورت بلادرنگ و در محیط‌های فاقد اینترنت پردازش کند. توان عملیاتی بالا، مصرف انرژی پایین و قابلیت استفاده آفلاین، نشان‌دهنده آن است که فناوری‌های پیشرفته نیز می‌توانند در بستر کشاورزی ایران، با شرایط واقعی و محدودیت‌های زیرساختی سازگار شوند. این نتیجه در عمل، تحقق بند ششم سیاست‌های کلی کشاورزی است که بر گسترش زیرساخت‌ها، کاهش زیان تولید و افزایش جذابیت سرمایه‌گذاری در این بخش تأکید دارد. استفاده از سخت‌افزارهای بومی‌شده و کم‌هزینه، راه را برای بهره‌برداری کشاورزان کوچک‌مقیاس از فناوری‌های نو باز می‌کند و عدالت فناورانه در توسعه روستایی را محقق می‌سازد.

تحلیل نتایج نشان داد که در مدل‌های سنتی، تلفیق داده‌های چندمنبعی به روش‌های ساده مانند ادغام اولیه، باعث افت دقت می‌شد، اما در معماری پیشنهادی که از سازوکار توجه متقابل بهره می‌گیرد، توانایی مدل در تشخیص الگوهای پیچیده و هم‌افزایی میان داده‌های پهپادی و ماهواره‌ای به شکل چشمگیری افزایش یافت. این نوآوری نشان می‌دهد که سرمایه‌گذاری بر دانش نوین و هوش مصنوعی می‌تواند بازده بالایی در بهبود تصمیم‌سازی کشاورزی داشته باشد. به بیان دیگر، شبکه ترکیبی کشاورزی نه‌فقط یک مدل علمی، بلکه تجلی بند چهارم سیاست‌های کلی کشاورزی؛ یعنی همان «نوسازی نظام تولید مبتنی بر دانش و بومی‌سازی فناوری‌های روز» است. فراتر از جنبه‌های فنی، نتایج به‌دست‌آمده پیامدهای اقتصادی و اجتماعی مهمی نیز دارد. کاهش مصرف آب و نهاده‌ها موجب کاهش هزینه‌های تولید و افزایش سود خالص بهره‌برداران شد. در عین حال، کاهش نیاز به بازدیدهای میدانی و ارزیابی‌های دستی، کارایی خدمات ترویجی و نظارتی دولت را بالا برد. به این ترتیب، مدل پیشنهادی به بهبود رابطه میان دولت و بهره‌بردار، ارتقای کارایی سیاست‌های حمایتی و افزایش اعتماد در زنجیره تولید کمک می‌کند. این دستاوردها در راستای بندهای هفتم و نهم سیاست‌های کلی کشاورزی قرار می‌گیرند؛ بندهایی که بر ساماندهی نظام تولید، بهبود رابطه مبادله بخش کشاورزی با سایر بخش‌ها و ارتقای سطح درآمد و زندگی روستاییان تأکید دارند.

در تحلیل آثار زیست‌محیطی، داده‌ها نشان دادند که استفاده از مدل در برنامه‌ریزی آبیاری و کوددهی دقیق، نه‌تنها موجب کاهش اتلاف منابع می‌شود بلکه انتشار آلاینده‌های ناشی از مصرف بی‌رویه کود و انرژی را نیز کم می‌کند. این امر به‌ویژه در مناطق خشک و نیمه‌خشک کشور اهمیت دارد، جایی که مدیریت نادرست آب و نهاده‌ها می‌تواند منجر به فرسایش خاک، افزایش شوری و کاهش بهره‌وری بلندمدت شود. بر این اساس، فناوری‌های داده‌محور همچون شبکه ترکیبی کشاورزی می‌توانند نقشی کلیدی در تحقق کشاورزی کم‌نهاده، پایدار و سازگار با اقلیم ایران ایفا کنند؛ همان هدفی که بند نخست سیاست‌های کلی کشاورزی یعنی «توسعه پایدار با حفاظت از منابع طبیعی پایه» بر آن تأکید دارد.

در نهایت، یافته‌های این پژوهش تأیید می‌کند که تلفیق علم داده و سیاست‌گذاری کشاورزی، زمینه‌ساز ایجاد یک نظام هوشمند تصمیم‌سازی است. داده‌های مکانی دقیق حاصل از مدل می‌تواند در تدوین سیاست‌های یارانه‌ای، بیمه محصولات کشاورزی، پایش تغییرات کاربری زمین و ارزیابی اثرات اقلیمی به‌کار رود. به بیان دیگر، نتایج این تحقیق فراتر از یک ابزار فنی، بنیانی برای حکمرانی داده‌محور در کشاورزی ایران فراهم می‌کند. چنین حکمرانی‌ای می‌تواند فرآیند تصمیم‌گیری را از حالت توصیفی و سنتی به وضعیت تحلیلی و پیش‌نگرانه ارتقا دهد؛ وضعیتی که در آن سیاست‌ها نه بر اساس حدس و تجربه، بلکه بر پایه‌ی داده‌های واقعی و تحلیل‌های علمی تنظیم می‌شوند. به‌طور کلی، نتایج این پژوهش نشان داد که با به‌کارگیری فناوری‌های نوین، می‌توان اصول سیاست‌های کلی کشاورزی را از سطح شعار به عرصه عمل آورد. چارچوب شبکه ترکیبی کشاورزی نمونه‌ای عینی از پیوند میان علم، فناوری و سیاست است؛ پیوندی که می‌تواند مسیر دستیابی به کشاورزی پایدار، خودکفا و دانش‌محور را در ایران هموار سازد و جایگاه کشور را در عرصه امنیت غذایی و مدیریت هوشمند منابع ارتقا دهد.

۵. نتیجه‌گیری

پژوهش حاضر با هدف تحقق عملی سیاست‌های کلی کشاورزی جمهوری اسلامی ایران و نوسازی نظام پایش کشاورزی کشور، چارچوبی نوآورانه و بومی با عنوان شبکه ترکیبی کشاورزی ارائه داد. این چارچوب با تلفیق داده‌های پهپادی با وضوح بالا و داده‌های ماهواره‌ای چندطیفی، و با بهره‌گیری از معماری‌های یادگیری عمیق مبتنی بر ترنسفورمر، توانست بستری فناورانه برای پایش مستمر، دقیق و پایدار محصولات زراعی در ایران فراهم سازد. نتایج میدانی در سه منطقه با اقلیم‌های متفاوت (قزوین، یزد و گلستان) نشان داد که مدل توسعه‌یافته با دقت طبقه‌بندی ۹۱.۴٪، mIoU  برابر ۰.۸۸ و F1-score برابر ۰.۹۲، عملکرد برتر در شناسایی تنش‌های گیاهی (آبی، تغذیه‌ای و آفات) دارد. علاوه بر جنبه‌های فنی، دستاوردهای سیاستی مهمی به همراه دارد. استفاده از سامانه‌ی پیشنهادی موجب کاهش ۲۳ درصدی مصرف آب، ۱۸ تا ۲۶ درصدی مصرف کود شیمیایی و ۴۲ درصدی بازدیدهای میدانی خواهد شد که این موارد به‌طور مستقیم با سیاست‌های کلی کشاورزی (توسعه پایدار کشاورزی و ارتقای بهره‌وری از آب و نهاده‌ها) هم‌راستا هستند.

از منظر راهبردی، مدل شبکه ترکیبی کشاورزی مصداق عملی سیاست‌های کلی کشاورزی است که بر «نوسازی نظام تولید بر مبنای دانش نوین و بومی‌سازی فناوری‌های روز» تأکید دارد. طراحی مدل برای اجرا بر سخت‌افزارها امکان پیاده‌سازی آن در مناطق فاقد زیرساخت اینترنتی را فراهم کرده است؛ بدین ترتیب، عدالت فناورانه و دسترسی متوازن به فناوری‌های هوشمند در مناطق روستایی تحقق می‌یابد. از منظر اقتصادی و نهادی، توسعه‌ی چنین سامانه‌ای می‌تواند به تحقق سیاست‌های کلی کشاورزی نیز یاری رساند؛ زیرا داده‌های مکانی دقیق و به‌روز، مبنایی برای سرمایه‌گذاری هدفمند، بیمه هوشمند محصولات، و اصلاح نظام بازار کشاورزی فراهم می‌سازد. داده‌های خروجی این سامانه می‌تواند در تنظیم الگوی کشت، هدفمند کردن یارانه‌ها، و تعیین دقیق هزینه‌ی تمام‌شده‌ی محصولات اساسی نقش‌آفرین باشد. از منظر علمی، یافته‌ها بیانگر آن است که استفاده از معماری‌های هیبریدی در تحلیل داده‌های کشاورزی، نسبت به مدل‌های تک‌منظوره، توان بیشتری در استخراج هم‌زمان ویژگی‌های محلی و الگوهای گسترده مکانی–زمانی دارد. این مسئله به‌ویژه در شرایط متنوع اقلیمی و مدیریتی ایران اهمیت دوچندان می‌یابد؛ زیرا سامانه‌های پایش کشاورزی باید بتوانند در محیط‌های ناهمگن و تحت فشار منابع، عملکرد قابل اتکایی داشته باشند.

در سطح ملی، پیاده‌سازی سامانه شبکه ترکیبی کشاورزی در چارچوب «نظام آماری کشاورزی هوشمند ایران» می‌تواند پایه‌ای برای تحقق بند 2 سیاست‌های کلی یعنی «تأمین امنیت غذایی با تکیه بر تولید داخلی و ارتقای سلامت مواد غذایی» باشد. این نظام با ارائه داده‌های دقیق و به‌هنگام، امکان تصمیم‌گیری مبتنی بر شواهد (Evidence-based Decision Making) را در سیاست‌گذاری کشاورزی فراهم می‌کند.

از منظر توسعه پایدار، این چارچوب در راستای سیاست‌های کلی کشاورزی، به حفاظت از منابع طبیعی، کاهش فشار بر منابع آب زیرزمینی و ارتقای بهره‌وری انرژی کمک می‌کند. تلفیق فناوری با داده‌های بومی، موجب می‌شود که کشاورزی ایران نه‌تنها به سمت خودکفایی در محصولات اساسی حرکت کند، بلکه از نظر زیست‌محیطی نیز در مسیر پایداری قرار گیرد.

در آینده، استفاده از تصاویر راداری  (SAR)پیاده‌سازی مدل بر سخت‌افزارهای ارزان‌تر، و آزمون آن در مقیاس کشوری، می‌تواند گام‌های بعدی در مسیر توسعه این چارچوب به‌شمار آید. پژوهش حاضر گواهی بر آن است که تلفیق علم داده، بینایی رایانه‌ای و تخصص کشاورزی می‌تواند نقشی تعیین‌کننده در شکل‌دهی نسل آینده آمارگیری و تصمیم‌سازی هوشمند در بخش کشاورزی ایفا کند.