पत्ती पोषण दोष के लिए मशीन लर्निंग और डीप लर्निंग के अनुप्रयोग: एक व्यवस्थित समीक्षा

कंप्यूटर विज़न के माध्यम से पत्ती पोषण दोषों का स्वचालित पता लगाना प्रिसिजन कृषि प्रथाओं में एक आशाजनक विकल्प प्रस्तुत करता है, जो प्रयोगशाला विश्लेषणों पर निर्भरता और दृश्य निरीक्षण से जुड़ी व्यक्तिपरकता को कम करता है। यह व्यवस्थित समीक्षा विभिन्न फसलों में पोषण निदान के लिए मशीन लर्निंग (ML) और डीप लर्निंग (DL) तकनीकों के आवेदन को मानचित्रित और तुलना करती है, जिसमें कार्यप्रणालीगत प्रवृत्तियों, क्षेत्रीय परिस्थितियों में मॉडल अपनाने में बाधाओं और मौजूदा अनुसंधान अंतरालों को उजागर किया गया है। PRISMA दिशानिर्देशों (PRISMA-P और PRISMA-2020) का पालन करते हुए, Scopus, IEEE Xplore, और Web of Science डेटाबेस में परिभाषित समय सीमा और स्पष्ट समावेशन और बहिष्करण मानदंडों का उपयोग करके खोज की गई, जिसके परिणामस्वरूप 200 लेख शामिल हुए (2012–2026; अंतिम खोज 2 फरवरी 2026)। परिणाम दर्शाते हैं कि DL आधारित दृष्टिकोण और RGB इमेजरी का प्रभुत्व है, जिनका उपयोग मुख्य रूप से चावल जैसी फसलों और मैक्रोन्यूट्रिएंट्स, विशेषकर नाइट्रोजन (N), फास्फोरस (P), और पोटैशियम (K) में केंद्रित है, तथा 2020 से प्रकाशनों में उल्लेखनीय वृद्धि हुई है। यद्यपि कई अध्ययन उच्च प्रदर्शन रिपोर्ट करते हैं, प्रमाण मुख्यतः नियंत्रित वातावरण और स्वामित्व वाले डेटासेट्स से प्राप्त हुए हैं, जो मॉडल की तुलना, पुनरुत्पादकता, और वास्तविक दुनिया की परिस्थितियों में सामान्यीकरण को सीमित करते हैं। तदनुसार, मुख्य अनुसंधान अंतरालों में क्षेत्रीय स्थितियों में सीमित प्रमाणीकरण, जो प्राथमिक व्यावहारिक बाधा है; सूक्ष्म पोषक तत्वों और बहु-दोष निदान का कम प्रतिनिधित्व; और मोबाइल एवं एज-कंप्यूटिंग अनुप्रयोगों में तैनाती के लिए उपयुक्त हल्के वास्तुकला की आवश्यकता शामिल है। निष्कर्षतः, ML और DL तकनीकें स्वचालित पोषण निदान के लिए आशाजनक विकल्प प्रस्तुत करती हैं; हालांकि, डेटा मानकीकरण, खुले-एक्सेस डेटासेट्स, और वास्तविक क्षेत्र स्थितियों में प्रमाणीकरण में सुधार इन तकनीकों को व्यावहारिक अनुप्रयोगों में मजबूत करने के लिए आवश्यक हैं।