پیاده‌سازی هوش مصنوعی در کشاورزی، نیازمند مدل‌هایی است که نه تنها دقیق، بلکه شفاف و قابل اعتماد باشند. در حالی که مدل‌های یادگیری عمیق در مجموعه داده‌های استاندارد به عملکرد چشمگیری دست یافته‌اند، اعتبار داخلی و قابلیت تعمیم‌پذیری آنها اغلب به‌جای راستی‌آزمایی، مفروض انگاشته می‌شود. این پژوهش، یک تحقیق روش‌شناختی در مورد شکاف میان دقت بالا و قابلیت اطمینان تشخیصی واقعی، به ویژه در بستر مجموعه داده‌های کنترل‌شده و آزمایشگاهی، ارائه می‌دهد. تحقیق ما با توسعه یک معماری هیبریدی آغاز شد که به دقت بالای ۹۸.۶۱٪ در مجموعه داده PlantVillage دست یافت. با این حال، یک تحلیل تفسیرپذیری متعاقب با استفاده از Layer-GradCAM نشان داد که موفقیت مدل به طور قابل توجهی بر ویژگی‌های جعلی پس‌زمینه استوار است؛ رفتاری که عموماً با عنوان «یادگیری میان‌بُر» شناخته می‌شود. برای بررسی نظام‌مند این پدیده، ما آزمایش‌های تکمیلی با مدل‌های قویاً قاعده‌مندسازی‌شده، شامل یک مدل پایه CNN، انجام دادیم. اگرچه این مدل‌ها دقت بالایی را حفظ کردند، پدیده یادگیری میان‌بُر، هرچند کاهش یافته بود، اما به طور کامل حذف نشد. یافته‌های ما نشان می‌دهد که دقت بالا در مجموعه داده‌های استاندارد مانند PlantVillage می‌تواند معیاری فریبنده برای ارزیابی اعتمادپذیری در کاربردهای دنیای واقعی باشد. این پژوهش، چالش اصلی در این حوزه را بازتعریف کرده و استدلال می‌کند که اعتبارسنجی دقیق و مبتنی بر XAI باید بخشی جدایی‌ناپذیر از فرآیند ارزیابی مدل باشد و بر تلاش برای افزایش جزئی دقت در مجموعه داده‌های اریب، اولویت یابد. در نهایت، این مقاله یک تحلیل انتقادی از محدودیت‌های چنین مجموعه داده‌هایی ارائه داده و بر نقش اساسی تفسیرپذیری در توسعه هوش مصنوعی قابل اتکا برای کاربردهای کشاورزی تأکید می‌ورزد.