Smart Agriculture: Integrating Artificial Intelligence for Efficient Supply Chain Management

方法

PRISMA 2020四阶段筛选523条记录，按环节、技术、数据集与指标编码比较

发现

混合深度学习较统计基线误差降约18%，预测联动优化可降价格波动57.9%。

机会点

可探索联邦/边缘学习、农业基础模型与统一基准，并纳入AI能耗的绿色评估。

农业供应链正承受着天气不稳定、大宗商品价格波动、收获后损失以及物流协调不畅带来的压力。人工智能（AI）为从播种到销售各阶段的决策提供了支持工具，但相关研究分散在预测、优化、传感和可解释性等不同研究群体中。本文对2020年至2026年间发表的31项研究进行了系统综述，这些研究通过PRISMA 2020四阶段筛选流程从主要学术数据库的523条记录中选出。每项研究均按供应链阶段、技术方法、数据集、基线及所报告的指标进行编码，并将提取的结果采用统一的误差与精度指标进行比较。文献语料可归为五个主题：作物产量与种植推荐、大宗商品需求与价格预测、可解释人工智能（XAI）、物联网与遥感数据生态系统，以及供应链网络优化。比较分析表明，LSTM–Prophet、CNN–BiLSTM和基于注意力的LSTM等混合深度学习设计优于统计基线，相较于ARIMA和GARCH所报告的误差降低约18%，相较于Transformer和遗传算法基线精度提升12.8%；而随机森林仍是作物推荐中最可靠的经典学习器，在田间部署的物联网系统中达到92.7%的准确率。将预测与优化相衔接的研究报告了下游效益，包括价格方差下降57.9%、农民收入增长16.5%以及节水30%–35%。主要障碍包括数据异质性、跨区域可迁移性弱、指标报告不统一以及对AI能耗成本关注有限。联邦学习与边缘学习、农业基础模型、通用基准以及绿色AI实践被确定为未来工作的优先方向。