Precision Agriculture Using AI for Crop Yield Prediction and Disease Detection: A Comprehensive Review of Machine Learning and Deep Learning Approaches for Sustainable, Data-Driven Farming

方法

文献综述，梳理数据源、预处理、模型性能、案例与部署趋势。

发现

两类任务模型已较成熟，但大规模落地受数据、资源与可解释性制约。

机会点

联邦学习、边缘部署与可解释AI在田间小样本、多区域场景的落地验证仍属空白。

摘要 精准农业将人工智能（AI）与田间传感器相结合，以提高农业产量并减少资源消耗。本文深入探讨了机器学习（ML）和深度学习（DL）方法在两项关键功能中的应用：基于环境和土壤信息预测作物产量，以及利用叶片图像识别植物病害。我们考察了该学科的历史演变，概述了常见的数据来源和预处理方法，评估了主流模型家族在各基准分析中报告的效能，展示了代表性案例研究工作流程，并评估了AI辅助农业的资源与经济影响。我们对区域部署趋势进行了更深入的考察，阐明了阻碍大规模实施的实际与技术障碍，并提出了联邦学习、边缘部署和可解释AI等未来研究方向。本评估旨在为探索这一快速发展的领域的学者和专业人士提供一份全面的参考资源。