《Smart Agricultural Technology》：From Prediction to Environmental Resilience: Artificial Intelligence, Data Scarcity, and Adaptive Agricultural Systems in sub-Saharan Africa
尽管对人工智能（AI）在非洲农业中的应用兴趣日益增长，但关于AI如何在数据稀缺的持续约束下促进农业韧性的证据仍然零散。现有研究主要关注AI工具在产量预测、气候预测和农场管理方面的技术性能，而很少关注数据限制如何影响其在支持撒哈拉以南非洲（SSA）适应性农业系统方面的有效性。本系统综述通过综合关于AI应用、数据可用性和SSA农业韧性建设结果之间关系的实证证据来填补这一空白。遵循PRISMA 2020框架，研究人员从Scopus、Web of Science和Google Scholar检索了2010年至2026年间发表的同行评审研究。共有98项研究符合纳入标准，并进行了主题综合。综述确定了四个相互关联的主题：（i）AI赋能的气候预测和早期预警系统，（ii）适应性作物和土壤管理，（iii）AI驱动的决策支持和咨询系统，以及（iv）塑造AI部署的制度与治理条件。研究结果表明，AI可以改善气候风险监测、产量预测和农场层面决策；然而，其有效性经常受到有限且碎片化的数据集、薄弱的数字基础设施、不足的技术能力和治理挑战的制约。除了分类AI应用之外，该综述还发展了一种以韧性为导向的分析视角，解释了数据稀缺如何影响AI系统在环境变异下支持适应的能力。研究人员强调，未来的进展将取决于本地化数据生态系统、可互操作的数字基础设施、更强大的治理框架以及将本土知识与AI赋能决策支持相结合。这些发现为设计情境敏感的AI策略提供了基础，这些策略旨在加强撒哈拉以南非洲的适应性农业系统和环境韧性。
1. Introduction. 该部分指出撒哈拉以南非洲（SSA）是全球气候最脆弱的地区之一，农业为主要生计来源，但面临雨养农业、基础设施薄弱、机械化有限和气候信息获取不足等结构性约束。环境变化导致产量波动、粮食不安全，传统适应手段难以应对。人工智能（AI）被视为提升农业适应性和决策支持的技术路径，但现有研究过多关注预测精度，忽视其在数据稀缺环境下如何转化为环境韧性。本研究将焦点从预测转向更广泛的韧性构建，强调AI的长期价值取决于其能否提升适应性能力和环境韧性。系统综述旨在整合AI、数据稀缺、适应性农业系统和环境韧性之间的关系，填补SSA背景下缺乏综合分析的空白。环境韧性在此定义为农业系统承受、响应和恢复气候干扰并维持生态功能、生产力和生计安全的能力。
2. Literature synthesis on climate change and agriculture-resilience in SSA. 该部分综述了SSA农业在气候变化下的韧性文献。农业是SSA生计和出口的核心，但生产力增长缓慢，低于亚洲和拉丁美洲。结构性约束包括灌溉不足、市场不发达、土壤退化等。气候变化作为威胁乘数，加剧了生产风险，未来气温升高和降水变异将导致产量进一步下降。韧性概念在文献中定义不一，包括产量稳定、恢复能力、适应能力等，但缺乏一致性。
2.1. Conventional, emerging, and digital adaptation pathways system perspective. 该部分比较了三种适应路径：传统（本土）策略（如作物多样化、间作）、新兴农艺技术（如耐旱品种、保护性农业）和数字/AI策略。传统策略成本低但受极端气候限制；新兴技术理论韧性高但采用率低；AI通过提高预测和决策能力补充前两者。AI性能高度依赖数据质量、空间分辨率和情境相关性，在数据稀缺环境中模型鲁棒性和可迁移性受限。
2.2. Theoretical and conceptual framework. 基于韧性理论和风险管理决策视角，该框架将农业系统视为动态社会-生态实体，需吸收、适应和恢复气候冲击。概念框架包含五个相互关联的组件：气候与环境压力（如降水变异、干旱、洪水等）、AI技术与干预（包括早期预警、精准农业、决策支持和数字平台）、农业成果与韧性（分为即时、中期、长期和系统层面）、赋能条件（基础设施、人力能力、政策治理和本土知识整合）以及反馈学习机制。该框架为分析AI如何中介环境变异与韧性之间的关系提供了基础。
3. Methods. 采用PRISMA 2020框架，于2025年4月至11月检索Scopus、Web of Science和Google Scholar，限制2010-2025年同行评审英文文献。使用关键词组合如“artificial intelligence”、“climate variability”、“agriculture”、“sub-Saharan Africa”等。初始检索获1,279条记录，去重后914篇，标题和摘要筛选剔除635篇，余279篇进行全文评估。根据方法学质量、数据相关性和分析严谨性，最终纳入98篇研究进行主题综合。
3.1. Study area. SSA包括撒哈拉以南47个国家，生态区多样（从干旱萨赫勒到热带森林）。农业是经济支柱，超过60%人口依赖农业，主要为雨养农业，高度依赖季节性天气。该区域面临干旱、洪水、病虫害等气候冲击，但数字基础设施和卫星覆盖的扩展为AI整合提供了机会。
3.2. Data Sources. 系统检索使用数据库特定搜索字符串，结合布尔运算符和短语搜索。检索词覆盖AI、气候变异、农业和地理范围。筛选过程包括标题/摘要评估和全文审查，使用结构化资格清单。排除标准包括非英语、主题不相关、重复或无法获取等。最终98篇研究纳入综合。
4. Conceptualizing Artificial Intelligence in Agriculture-resilience transformation. AI定义为通过算法模拟人类认知功能的计算系统，在农业中涵盖机器学习、计算机视觉、自然语言处理等工具。在SSA，AI工具被认为能增强农民韧性、优化资源分配和缓解气候风险。
4.1. Machine learning-based predictive models. 机器学习（ML）模型（如随机森林、支持向量机、深度神经网络）用于产量预测、病虫害预警和气候风险评估。这些模型从历史数据中学习非线性关系，使农业从被动管理转向主动管理，提升产量稳定性。
4.2. Remote sensing and computer vision tools. 遥感与计算机视觉（CV）技术（如卫星图像、无人机、传感器）监测作物健康、土壤水分、养分胁迫和病虫害。植被指数（NDVI、SAVI、EVI）用于量化作物活力。早期检测支持精准干预，并便于景观尺度气候脆弱性评估。但云污染和分辨率限制影响有效性。
4.3. AI-driven decision support systems (DSS). AI驱动的决策支持系统（DSS）整合气候模型、土壤数据、作物生长模拟和实时传感器，提供种植日期、灌溉、施肥等具体推荐。通过综合异构数据流，减少不确定性。本土知识整合可增强DSS接受度，移动平台扩展可及性，但数字素养和语言障碍是挑战。
4.4. Robotics and smart mechanization. AI驱动的机器人（如自动驾驶拖拉机、除草机器人、精准播种机）利用机器视觉和强化学习实现精准操作，减少劳动力需求。在SSA，高成本和土地碎片化限制采用，但结合DSS和数字平台可作为长期路径。
4.5. Digital advisory and mobile-based AI platforms. 数字咨询平台（手机应用、短信、AI聊天机器人）利用自然语言处理（NLP）和预测分析提供个性化建议。这些平台弥合推广服务缺口，支持实时决策，并可通过本地语言和语音交互提高可及性。持续学习算法使平台动态适应变化条件。
5. Applications of Artificial Intelligence for extreme weather resilience in SSA. SSA气候变异表现为干旱、洪水、热浪和降雨模式变化，AI通过数据驱动预测和自动化增强应对能力。AI工具（ML、深度学习、计算机视觉、物联网）分析多维数据集，优于传统方法，但有效性依赖数据质量、计算基础设施和机构准备。
5.1. Early warning systems and AI-enhanced climate forecasting. AI整合卫星观测、历史天气数据和水文指标，提高气候预测精度和时效性，生成早期警报。
5.1.1. AI-driven drought prediction. 融合遥感、土壤水分、蒸散发等数据，使用随机森林、LSTM、CNN等模型预测干旱时空特征，支持种植调整和应急准备。
5.1.2. Flood and storm forecasting. AI水文模型集成降水、径流、地形数据，使用LSTM和CNN预测洪水和风暴，帮助农民保护资产、调整种植，支持机构灾害管理。
5.1.3. Heatwave and rainfall variability monitoring. ML分析温度记录和大气模式，监测热浪和降雨变异，预测极端温度事件和降雨异常，支持种植时间调整和作物选择。
5.2. Precision agriculture and AI-enabled farm management for extreme weather. 精准农业利用传感器、无人机、卫星和物联网，实现灌溉、养分、病虫害管理的精准化。AI优化资源使用，减少极端天气损失，推动从被动应对向主动适应转变。
5.3. AI-driven risk management and climate insurance. AI通过多源数据建模改进风险评估，支持指数保险设计，自动理赔验证（如遥感检测洪水损害），提高效率并降低基础风险。AI还支持情景模拟和金融平台整合，增强农民财务韧性。
6. Opportunities and potentials of AI in agriculture and environmental sustainability. AI在SSA农业中提供增强韧性、提高效率、加强决策和促进长期转型的潜力。
6.1. Enhanced climate resilience and risk management. ML预测模型和DSS生成具体地点预报，帮助农民提前应对干旱、洪水等风险，减少不确定性，支持景观尺度脆弱性评估。
6.2. Enhance productivity and resource-use efficiency. AI推荐精准灌溉、施肥方案，计算机视觉早期检测胁迫，减少浪费。精准农业提高资源利用效率，特别在资源受限的小农户中价值显著。
6.3. Strengthening smallholder decision-making and adaptive capacity. 数字平台和DSS提供实时、情境化建议，增强农民对气候和市场风险的适应能力，促进事前决策和持续学习。
6.4. Long-term food system transformation and sustainability. AI整合预测、DSS、精准农业和数字平台，推动农业向数据驱动、气候智能型转型。系统级数据支持区域规划、价值链优化，减少产后损失，促进粮食安全、收入稳定和环境可持续性。
7. Future of agriculture and environmental sustainability in SSA. 非洲联盟2063议程强调包容可持续发展，AI需与SSA情境适配，平衡小规模与大规模农业，保护传统知识，采用生态农业技术。
7.1. Digital infrastructure and connectivity limitations. 农村电力、互联网和移动网络覆盖不足限制AI平台功能，影响早期预警和决策支持，加剧城乡数字鸿沟。
7.1.1. Data availability, quality, and interoperability. 农业数据碎片化、不完整、过时，降低AI模型准确性。数据互操作性不足，缺乏标准化接口，限制跨部门集成，阻碍综合决策支持系统开发。
7.1.2. High costs, affordability and policy barriers. 硬件、软件和维护成本高昂，小农户难以负担，导致AI采用集中于大型农场。缺乏综合AI战略、数据治理框架和法规，以及部门间协调不足，限制规模化应用。
7.1.3. Institutional policy, and regulatory challenges. 机构碎片化，政策缺乏协调，数据治理和AI伦理规则不明确，知识产权和共享机制不完善，削弱合作和投资。机构能力建设不足，难以有效设计、实施和监测AI干预。
7.1.4. Environmental and sustainability trade-offs. AI驱动的集约化可能增加资源消耗和碳足迹，需与生态农业原则对齐，结合本土知识，确保技术生态适宜，促进长期环境管理。
7.2. Knowledge gaps and future research directions for AI-Driven food systems in SSA. 现有研究碎片化、短期化，缺乏对数据稀缺环境下的鲁棒性、本地适应性和长期影响的研究。需跨学科研究，整合技术、社会经济、环境和政策分析，开发情境敏感、包容性强的AI框架，支持公共健康、生态恢复和农村转型。
8. Conclusion and policy recommendations. AI在SSA有潜力增强气候韧性，但受基础设施、数据、成本和治理约束。建议投资农村数字基础设施和互操作数据系统，建立负责任AI监管框架，推广补贴和公私合作金融机制，开展跨学科长期研究。AI应与环境可持续性和社会公平目标对齐，确保作为包容性发展催化剂而非新排斥形式的驱动源。
