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。
系统综述2016-2026年智慧农业中代理式、自主与可解释AI研究，揭示可解释性主导、自主性不足及验
系统综述撒哈拉以南非洲农业数字化对粮食安全的影响，发现其提升生产力但采用不均。
系统综述2020-2026年精准农业在玉米生产中的应用，纳入129项研究，评估技术、应用及产量优化效
系统综述撒哈拉以南非洲性别响应型气候智慧农业，评估公平、获取与参与。
Frontiers in Conservation Science发表的气候智能型农业(CSA)系统综述。CSA为应对气候变化提供改善农业生产力、恢复力与碳固存的途径。文献检索自Web of Science与Scopus数据库,检索遵循PRISMA指南直至2026年3月,并通过混合方法评价工具(MMAT)进行质量评价。随后,研究采用理论-情境-方法(TCM)与前置因素-决策-结果(ADO)框架对文献进行文献计量分析,以映射CSA文献中的主题演变与关键研究问题。结果显示CSA研究正在快速扩展,碳固存、再生农业与低排放农业已形成明确的主题集群。CSA在粮食安全、农场收入与产量方面持续表现出效益,并有助于多项可持续发展目标(SDGs)。
发表于《Agronomy》(Basel) 2026年第16卷第13期1241:基于PRISMA 2020框架,对Scopus数据库2018-2026年196项合格研究进行系统综述,聚焦土壤理化性质、数字土壤制图、灌溉管理和作物产量预测。研究显示机器学习与深度学习模型主导近期研究,随机森林、支持向量机、梯度提升、人工神经网络、卷积神经网络、长短期记忆架构是最常报告的技术。主要数据来源包括原位传感器、实验室测量、遥感影像和环境协变量,常通过多源数据融合框架集成。结果表明基于树的集成模型在不同土壤属性上提供稳健性能,深度学习模型对时空预测和遥感应用特别有效。挑战涉及数据质量与可用性、跨区域模型可迁移性和复杂模型有限的可解释性。
2026年8月26日发表于Elsevier期刊《Artificial Intelligence in Agriculture》的系统综述(PRISMA 2020框架),纳入2021—2025年95项同行评议研究:机器学习模型诊断植物病害准确率>99%,灌溉控制器提取88%水分利用效率,机器人能看、数、收作物。51.58%论文发表于Q1期刊,36.84%为Q2期刊,JCR影响因子2.2-14.0。主题分布:环境监测23.15%、温室控制与保护栽培21.05%、病虫害检测21.05%、水培16.84%、产量预测13.68%。方法学:经典机器学习25.26%、IoT/AIoT 22.11%、深度学习与计算机视觉13.68%。审稿人指出多数研究仅通过单地点单季节的train-test或k-fold交叉验证,缺乏独立外部验证,发布准确率可能高估实际适用性。[预印本边界说明:已发表于同行评审期刊]
原文标题: AI-driven approaches in precision agriculture for strawberry production: A systematic literature review。作者: Effrosyni Bitakou、Svetlana Vujić et al.本文系统综述了人工智能在精准农业中应用于草莓生产的研究进展，覆盖机器学习、深度学习、计算机视觉与机器人等技术在草莓产量预测、果实品质分级、病虫害早期诊断、灌溉施肥精准调控、采收机器人等核心场景的应用。研究发现AI方法可显著提升草莓生产效率与资源利用率，但田间多站点外部验证仍不足，未来研究应进一步关注数据异质性、模型可解释性、田间部署成本与农户接受度。本文为草莓产业从传统经验种植向数据驱动智能生产转型提供路线图与未来研究方向。
按PRISMA范围综述方法，从2,070项研究中筛选2016—2026年间的54项实证研究。结果显示86%研究集中在2016—2021年发布；地理分布以肯尼亚（28%）、埃塞俄比亚（12%）和多国SSA研究（16%）为主；方法偏量化，随机对照试验占47%、比较调查26%、面板数据16%；65%研究聚焦农资与增产技术，仅9%关注价值链或市场导向创新；70%研究将扩展框架为'横向扩散'。促进因素以信息/推广/社会网络（60%）和金融可及性（30%）为主，主要障碍为资金约束（23%）、可及性（21%）和知识缺口（16%）；仅不足15%研究显式考虑系统维度，提示需从扩散中心论转向系统导向整合方法。