El rápido avance de la inteligencia artificial está transformando la agricultura al permitir el monitoreo de enfermedades de las plantas basado en datos y el apoyo a la toma de decisiones. El virus del mosaico del trigo transmitido por el suelo (SBWMV) es una enfermedad viral transmitida por el suelo que representa una seria amenaza para la producción de trigo en múltiples zonas ecológicas. Debido a la variabilidad regional en las condiciones ambientales y las expresiones de síntomas, evaluar con precisión la gravedad de las infecciones por mosaico del trigo transmitido por el suelo (WSBM) sigue siendo un desafío persistente. Para abordar esto, el problema se formula como un proceso de toma de decisiones en grupo a gran escala (LSGDM), donde cada parcela de cultivo se trata como un tomador de decisiones virtual independiente, proporcionando sus propias evaluaciones de gravedad. Este enfoque de modelado refleja la heterogeneidad espacial de la enfermedad y permite un mecanismo estructurado para reconciliar evaluaciones divergentes. Primero, para cada sitio, se registran las observaciones de campo de los síntomas de infección y se representan utilizando números difusos intuicionistas (IFNs) para capturar la incertidumbre en la detección. En segundo lugar, se utiliza un modelo de redes neuronales convolucionales bayesianas (Bayesian-GCN) para construir un mecanismo de propagación de confianza espacial, inferiendo valores de confianza faltantes y preservando las dependencias regionales. En tercer lugar, se emplea un método de agrupamiento espectral mejorado para agrupar parcelas con síntomas y comportamientos de evaluación similares. En cuarto lugar, se introduce un mecanismo de retroalimentación para ajustar iterativamente las evaluaciones a nivel de parcela basándose en un conjunto de indicadores de decisión agrícola definidos utilizando un conjunto de aproximación rugosa de multi-granulación (ADISs-MGRS). Una vez que se alcanza el consenso, se generan clasificaciones finales de las parcelas candidatas a partir de los indicadores, proporcionando una base interpretable y basada en evidencia para estrategias de prevención específicas. Al utilizar el conjunto de datos de WSBM recopilado en 2017-2018 de Walla Walla Valley, en la frontera entre Oregón y Washington, Estados Unidos, y realizar una ampliación de datos para la validación, junto con experimentos comparativos y análisis de sensibilidad, este estudio demuestra que el modelo LSGDM impulsado por IA que integra un agrupamiento espectral mejorado y mecanismos de retroalimentación ADISs-MGRS supera a los modelos tradicionales en términos de eficiencia de consenso y robustez en la toma de decisiones. Esto proporciona un valioso apoyo para la toma de decisiones multipartita en contextos agrícolas complejos.