International Journal of Artificial Intelligence and Machine Learning 2026, 6(9s)·9月5日 · 周六论文农业人工智能与决策模型阅读 2
From Orbit to Leaf: A Critical Systematic Review of Artificial Intelligence for Multi-Scale Crop Monitoring and Soybean Leaf Disease Diagnosis（IJAIML 2026, 6(9s), 471-498）
论文解读
81精选
速览
系统综述AI用于多尺度作物监测与大豆叶病诊断，提出FRI评估标准与报告协议。
方法
PRISMA筛选84项研究，提出AGRI-CRITIC八维评估与FRI指数。
发现
报告准确率中位93.9%但FRI仅37.5，小样本导致乐观偏差，仅22.6%达到田间就绪。
机会点
可开发考虑样本量与田间条件的模型评估方法，或构建跨尺度数据集以提升实际部署可靠性。
影响力18
信息增量24
专业深度20
信源权威12
时效性7
系统综述揭示AI作物监测报告准确率与田间实用性差距，提出评估标准与报告协议，对智慧农业落地有重要参考价值。
原文摘要
依据PRISMA 2020筛选4286篇记录，保留2019—2026年84项主要研究（41项轨道、17项航空、26项近距），以大豆叶病识别为近距测试案例。引入AGRI-CRITIC八维评估标准并综合为Field Readiness Index（FRI）。中位报告准确率93.9%但中位FRI仅37.5/100，仅22.6%研究超过田间就绪阈值60，且报告准确率与评估集大小呈1.9%/十倍样本负相关——小样本乐观的标志。识别七类反复失败模式，发布FIELD-READY十项报告协议与三阶段研究议程。