Machine learning and remote sensing for smallholder precision agriculture in Ethiopia

尽管机器学习（ML）与遥感（RS）常被标榜为撒哈拉以南非洲农业韧性的终极解决方案，但实验室验证的计算成熟度与小农户田间实用性之间仍存在深刻的“实施鸿沟”。本系统综述依据系统综述和荟萃分析首选报告条目（PRISMA）2020指南开展，批判性地分析了为何针对大规模单一种植优化的复杂模型在埃塞俄比亚碎片化、间作化的景观中失效。通过综合四个领域的实证证据——季内作物产量预测、数字土壤制图、实时生物胁迫检测和农业气象建模——本综述揭示了粗分辨率卫星观测与亚公顷微地块之间的根本性尺度错配。该批判性分析将局部数据稀缺、硬件约束和“最后一公里”连接鸿沟确定为阻碍从宏观像元向可操作、因地制宜的农业智能转化的主要摩擦点。本研究超越简单的总结，提出了一条以去中心化边缘计算、tinyML优化和推广服务体系重构为核心的战略路线图，旨在将数字智能融入小农户的日常决策。这些结构性转变对于弥合数字鸿沟、保障埃塞俄比亚在日益加剧的气候变率下的国家粮食安全至关重要。本综述凸显了数字农业在可持续发展目标（SDGs）背景下的重要意义，特别是通过提升作物生产力和增强小农系统韧性来回应SDG 2（零饥饿）和SDG 13（气候行动）。