AI-Enabled Smart and Precision Agriculture: Smart Sensors, IoT, Deep Learning, Computer Vision, and Decision Support: A Comprehensive Survey

人工智能（AI）正日益与智能传感器、物联网（IoT）网络、机器学习、深度学习及计算机视觉相融合，以支撑因地制宜的精准农业管理。然而，在计算基准上的优异表现并不必然转化为可靠的决策、有效的田间干预，或农业生产率与资源效率方面可衡量的提升。本综述性研究系统梳理并批判性综合了农业传感、物联网架构、数据处理、多模态传感器融合、预测建模、计算机视觉、决策优化及自动执行等方面的进展，重点探讨测量可靠性、模型泛化能力、决策可行性、干预精度与经核实的农业成效之间的关系。所综述文献表明，上述技术在作物监测、产量预测、病害与杂草识别、精准灌溉及部分自动化作业中展现出良好前景。然而，评估方案异质、独立田间验证有限、传感器校准难题、分布偏移、互操作性障碍及部署成本等因素制约了运行可靠性与泛化能力。为应对这些相互关联的挑战，本综述提出一种基于文献的参考架构，将农业观测、数据集成、AI推理、受约束决策、物理干预与成效反馈相衔接，并以不确定性评估、人工监督与跨层保障为支撑。该架构为概念性框架，尚未经实证验证。未来研究重点包括可复现的田间评估、具有代表性的农业数据集、不确定性感知与可解释AI、资源高效计算、可互操作基础设施及经济包容性部署。本综述认为，AI赋能精准农业的实际价值应通过可靠的干预措施、可持续的资源利用及经证实的农业成效来评估，而非仅凭预测性能。