انقلاب فناوریهای بینایی ماشین و حسگرهای پیشرفته در کشاورزی کنترلشده، امکان تشخیص دقیق و حتی پیشنشانگانی تنشهای زیستی و غیرزیستی را فراهم کرده است. با این حال، یک شکاف راهبردی، تبدیل این خروار دادههای دقیق به تصمیمهای کنترلی خودکار و پیشگیرانه را متوقف کرده است: سامانههای پایش سلامت گیاه اغلب در لایه «تشخیص وضعیت فعلی» متوقف میمانند و سامانههای کنترل هوشمند اقلیم و آبیاری نیز عمدتاً بر مبنای حفظ نقاط تنظیم محیطی (دما، رطوبت و CO₂)و بدون درنظرگرفتن سیگنالهای مستقیم سلامت گیاه عمل میکنند. این مرور ساختاریافته با روش PRISMA-lite، بهعنوان نسخه سادهشده چارچوب PRISMA برای گزارش مرورها،و تحلیل ۴۴ مطالعه نهایی از ۵۲۳ رکورد اولیه در پایگاه اسکوپوس، بهطور کمّی به این سؤال پرداخته است که "چرا زنجیره عملیاتی تشخیص زودهنگام، پیشبینی ریسک و اقدام کنترلی، هنوز در گلخانهها بسته نشده است؟" یافتهها نشان میدهند ٪۶۶ مطالعات دارای پایش سلامت و ٪۳۶دارای مؤلفه کنترل هستند، اما تنها ٪۱۱ (۵ مطالعه) موفق به اتصال خروجی سلامت گیاه (مانند شاخص تنش آبی یا فشار آفت) به یک حلقه کنترل خودکار شدهاند. شکاف اصلی در یک گام حیاتی پنهان است: فقدان مدلهای پیشبینیکنندهای که بتوانند خروجی تشخیصی را به یک «امتیاز ریسک کمّی» با افق زمانی مشخص (مثلاً احتمال پژمردگی در ۲۴ ساعت آینده) تبدیل کنند و آن را بهعنوان یک متغیر حالت در اختیار کنترلکننده پیشبین قرار دهند. حلقه بیرونی سامانههای سلامتمحور پیشنهادی ما، مسیر "پایش پیوسته، تبدیل دادهها به شاخص کمی ریسک، پیشبینی روند سلامت، و اقدام کنترلی پیشگیرانه" را ترسیم میکند. این مقاله استدلال میکند که نسل بعدی گلخانههای هوشمند باید از معماریهای "محیطمحور" به "گیاهمحور" گذار کنند؛ چشماندازی که با کاهش توأمان مصرف آب، سموم و انرژی، پایداری اقتصادی و زیستمحیطی تولید در اقلیمهای شکنندهای چون ایران را تضمین خواهد کرد.
