Anwendungen von Machine Learning und Deep Learning bei foliarer Nährstoffmangelerkennung: Eine systematische Übersicht

Die automatische Erkennung von foliaren Nährstoffmängeln mittels Computer Vision stellt eine vielversprechende Alternative innerhalb der Präzisionslandwirtschaftspraktiken dar, da sie die Abhängigkeit von Laboranalysen und die Subjektivität der visuellen Inspektion reduziert. Diese systematische Übersicht kartiert und vergleicht die Anwendung von Machine Learning (ML) und Deep Learning (DL) Techniken zur ernährungsbedingten Diagnostik bei verschiedenen Kulturen, hebt methodologische Trends, Barrieren bei der Modelladoption unter Feldbedingungen und bestehende Forschungslücken hervor. Nach den PRISMA-Richtlinien (PRISMA-P und PRISMA-2020) wurden Suchläufe in den Datenbanken Scopus, IEEE Xplore und Web of Science anhand eines definierten Zeitrahmens sowie expliziter Ein- und Ausschlusskriterien durchgeführt, was zu 200 eingeschlossenen Artikeln führte (2012–2026; letzte Suche am 2. Februar 2026). Die Ergebnisse zeigen eine Dominanz von DL-basierten Ansätzen und RGB-Bildgebung, mit Anwendungen in Kulturen wie Reis und bei Makronährstoffen, hauptsächlich Stickstoff (N), Phosphor (P) und Kalium (K), und berichten seit 2020 einen deutlichen Anstieg der Veröffentlichungen. Obwohl viele Studien eine hohe Leistung berichten, stammen die Nachweise überwiegend aus kontrollierten Umgebungen und proprietären Datensätzen, was die Vergleichbarkeit, Reproduzierbarkeit und Generalisierbarkeit der Modelle für reale Szenarien einschränkt. Dementsprechend umfassen die wichtigsten Forschungslücken eine begrenzte Validierung unter Feldbedingungen, die als Haupthürde für die praktische Anwendung identifiziert wurde; die Unterrepräsentation von Mikronährstoffen und Mehrfachmangeldiagnosen; sowie den Bedarf an leichtgewichtigen Architekturen, die für den Einsatz in mobilen und Edge-Computing-Anwendungen geeignet sind. Es wird geschlossen, dass ML- und DL-Techniken vielversprechende Alternativen für automatisierte Nährstoffdiagnosen bieten; jedoch sind Fortschritte bei der Datenstandardisierung, offenen Datensätzen und Validierungen unter realen Feldbedingungen entscheidend, um diese Technologien in der Praxis zu etablieren.