MDPI·9月22日 · 周二论文农业人工智能与决策模型阅读 0
Crop recommendation in precision agriculture: a systematic literature review of methods, trends, and challenges（精准农业中的作物推荐：方法、趋势与挑战系统综述）
论文解读
81精选
速览
系统综述129篇2020-2026年文献，梳理精准农业作物推荐的方法、趋势与挑战。
方法
PRISMA协议系统综述，分析183项研究筛选出的129篇文献。
发现
集成学习（随机森林、XGBoost）表现最强，主要空白为实时部署、多源集成、跨区域验证与可解释性。
机会点
可探索可解释、可跨区域泛化的实时作物推荐系统，并融合多源遥感与物联网数据。
影响力18
信息增量22
专业深度18
信源权威13
时效性10
基于PRISMA的129篇文献系统综述，梳理作物推荐主流方法与四大研究空白，对农业AI落地有参考价值。
原文摘要
MDPI 发表精准农业作物推荐方法系统综述：从183项研究中严格筛选129篇发表于2020-2026年的文章，使用PRISMA协议进行综合分析。研究表明集成学习方法（特别是随机森林和XGBoost）在各种农业数据集的预测性能上具有强大能力；支持向量机、决策树、k近邻等传统ML方法仍被广泛使用；同时CNN和LSTM被用于遥感和时间相关农业分析。最常用的数据集来源是Kaggle，典型输入包括土壤养分（NPK）、土壤pH、天气条件和NDVI、EVI等卫星指数。研究主要研究空白：有限的实时部署、低多数据源集成、低跨区域验证、低模型可解释性。研究表明可扩展、可解释的AI系统对农业实际应用具有重要意义。
信源（1 个）