《Agricultural Research》：A Critical Review of Literature on the Application of Machine Learning Algorithms in Cropland Suitability Modelling
编辑推荐：
土地适宜性分析（Land Suitability Analysis, LSA）是优化土地利用、作物产量和可持续性的关键过程。机器学习（Machine Learning, ML）方法为传统适宜性建模提供了稳健的替代方案。本研究采用批判性方法，综述了机器学习算法在
土地适宜性分析（Land Suitability Analysis, LSA）是优化土地利用、作物产量和可持续性的关键过程。机器学习（Machine Learning, ML）方法为传统适宜性建模提供了稳健的替代方案。本研究采用批判性方法，综述了机器学习算法在作物种植适宜性建模中的应用进展、局限性、空白与机遇。自2012年以来，最大熵模型（Maxent, 42%）和随机森林（Random Forest, RF, 25%）主导了相关应用。此外，中分辨率成像光谱仪（MODIS）和陆地卫星（Landsat）因其光谱和时间分辨率而被越来越多地用于适宜性评估。本研究识别了最敏感的遥感衍生变量（如归一化差异植被指数（NDVI）、增强型植被指数（EVI）和地表温度（LST）），这些变量可用于模拟生物物理环境因子，并强调了地理空间技术在作物适宜性建模中的作用。机器学习的效果受到对大容量、高质量数据集需求的制约。与分析层次过程（Analytic Hierarchy Process, AHP）和模糊逻辑的集成可以解决这些局限性，其中AHP可纳入专家判断以确定标准权重，模糊逻辑则可处理环境数据中的不确定性和不精确性。社会经济因素（如土地权属、市场准入）应被集成以提高可靠性。遥感与物联网（Internet of Things, IoT）同机器学习的集成可实现作物实时监测。
**文献检索技术与相关来源识别**
文献检索于2024年9月12日从Web of Science、Scopus和Science Direct数据库进行。检索限定于摘要、关键词和标题，使用预定义的检索字符串。检索获得的记录随后进入全文筛选以进行资格评估。确定的检索词用于查询数据库以获取与综述相关的文献。通过Google Scholar访问无法获取的出版物。年份和地理范围不设限制以确保全面覆盖。文章出版筛选与排除过程的流程图如图1所示。纳入标准要求研究聚焦于作物LSA、使用机器学习、同行评审出版物、全文可获取且以英文撰写。具体标准包括：（1）聚焦于特定作物或一般农田/农业用地生产的土地适宜性分析；（2）至少使用一种机器学习算法预测作物生产的土地适宜性；（3）发表于Web of Science、Scopus或Science Direct等知名索引数据库认可的同行评审期刊；（4）可通过开放获取或机构访问获取全文；（5）以英文撰写以保证一致性并避免翻译偏差。检索共获得451篇文章（Science Direct：89篇；Scopus：141篇；Web of Science：221篇）。检索结果导入Endnote参考文献管理软件进行进一步筛选。在筛选过程中，排除了重复出版物、非英文文章及其他不符合选择标准的出版物。筛选保留了26篇文章；通过向后参考文献检索新增7篇，共计33篇（图1）。使用Microsoft Excel提取并分析了出版年份、算法、作物类型、变量、卫星来源和地点等数据。
**作物生产土地适宜性分析（LSA）技术概述**
LSA通过优化土地利用和管理资源来促进可持续实践。根据先前研究，LSA方法可分为传统方法和现代方法。传统方法包括FAO方法、MCDA、AHP和模糊逻辑，需要将已知土地特征与特定作物需求进行匹配。MCDA提供了评估多个冲突标准的框架；AHP通过成对比较和专家判断构建决策结构；模糊逻辑则处理环境数据中的不确定性和不精确性。尽管这些方法提供了系统化评估多样环境和社会经济因素（如土壤类型、降雨量和市场准入）的方法，但多项研究强调其局限性。AHP对专家判断的依赖会通过不一致的权重引入主观性和偏差。这种主观性不仅可能导致不准确的结果，还可能限制模型中考虑的标准范围，因为过于复杂的框架常因计算约束而被回避。实践中，超过10个变量会使AHP复杂化，因判断不一致而降低可靠性。与此同时，基于GIS的MCDA等方法常缺乏精度评估（交叉验证、混淆矩阵、ROC），限制了其输出的可靠性。这些局限性凸显了对灵活、数据驱动的LSA方法的需求，特别是能够容纳众多环境参数间复杂交互并提供透明精度评估的方法。尽管精度评估在作物生产LSA系统中至关重要，但早期研究在应用此类方法时往往忽视验证过程。因此，现代适宜性方法如机器学习已被提出作为克服传统方法局限性的有前景的替代方案。
机器学习模型能够处理大型数据集和多样变量，提供稳健的LSA替代方案，同时包含不同数据类型，如气候、土壤和地形因子。在作物生产LSA系统中，机器学习模型的应用基于农民在已适合作物种植的 locations 进行耕种的假设。与传统技术（如AHP）依赖预定义标准和主观判断来评估作物适宜性不同，机器学习模型是归纳式的、数据驱动的，需要大量高质量数据集。因此，拥有大量可靠训练数据时，机器学习为传统LSA方法提供了更高效和创新的选择，特别是通过自动化特征选择和对大型数据集的可扩展性。近期研究证实了机器学习在作物适宜性建模中的有效性，提高了精度和决策能力。这些方法不仅提高了预测精度，还促进了农民的实时决策，使其能够优化资源配置并提高作物产量。
**机器学习在作物生产土地适宜性中的应用**
综述文献显示，在33项研究中，Maxent是作物适宜性建模中最常用的机器学习模型（15项研究，45%），其次是RF（8项研究，25%）、SVM（4项研究，12%）、ANN（3项研究，9%）、Logistic回归（LR）（1项研究，3%）、一般朴素贝叶斯（GNB）（1项研究，3%）和极端梯度提升（XGBoost）（1项研究，3%）。值得注意的是，在所有综述的机器学习模型中，Maxent是唯一被特征化为仅存在模型的物种分布模型（SDM），因为它需要集成作物地理仅存在点（训练时不需要不存在数据）和输入环境变量进行预测。例如，有研究使用历史作物地理分布数据结合环境变量（如气候（降水）、土壤（pH值、土壤有机质））和社会经济数据来模拟水稻、小麦、玉米和大豆生产的LSA。该研究展示了Maxent算法的重要性，特别是在数据可用性有限的农业背景下，允许仅基于已知作物发生点和环境变量进行建模。其他研究也报告了类似观察。基于这些文献，显然Maxent在缺乏真实地理不存在点且样本量较低的情况下具有产生精确预测的能力。Maxent主要被用于气候敏感型作物如玉米、小麦和水稻。然而，Maxent也被应用于其他非气候敏感型作物如NUCS。例如，一项研究使用Maxent模拟了南非各省的豆豆、芋头、苋菜和高粱等被忽视和未充分利用作物物种（NUCS）的适宜性（当前和未来分析）。这展示了Maxent在气候敏感型和非气候敏感型作物中的灵活性，并突显了其通过建模多样环境条件的能力。图3展示了2012年至2024年机器学习算法使用趋势，证明了Maxent算法自2011年以来的持续使用。此外，Maxent的受欢迎程度可归因于其产生合理精度（即ROC > 0.80）的有效性。例如，在一项研究中，Maxent模型在玉米作物适宜性建模中优于RF。此外，Maxent作为独立应用程序以及通过包括ArcGIS Pro、R包、Python库和基于Web的平台在内的各种编程环境均可轻松获取，且为开源，使其对研究人员广泛可用。
从图2的结果来看，RF占适宜性研究的25%。RF模型是由Breiman（2001）开发的集成监督机器学习模型，常用于回归和分类目的。尽管该模型的有效性已在农业监测系统（如作物产量预测和农业作物分类）的回归和分类研究中得到广泛验证，但其在作物适宜性建模中的使用相对较新。自2020年以来，RF在适宜性建模中的使用有所增加（图3），显示出其有效性。然而，在一些研究中，RF的精度低于GNB和Maxent。例如，一项研究比较了RF与Maxent在美国玉米种植LSA中的性能，并确定Maxent的性能优于RF（敏感性 = 0.81；NPV = 0.81 vs. 敏感性 = 0.55；NPV = 0.81）。有限的发生点数据导致了差距、过拟合和泛化能力差。RF的精度取决于足够的训练数据。
ANN在LSA中的使用较为罕见。尽管先前的研究和综述已证明ANN在农业作物产量预测中的有效性，但在作物适宜性建模研究中关于此模型效用的信息缺乏，仅识别出两篇出版物（图3）。尽管ANN模型不常使用，但一些研究展示了ANN在适宜性建模中的有效性。例如，ANN模型在多篇研究中产生了高预测精度。通常，ANN需要大量训练数据集进行适宜性建模。然而，数据收集成本限制了ANN在资源受限地区的使用。尽管如此，只要有足够的作物存在点数据以及影响特定作物生长的土地和作物特征数据，ANN可以产生更精确的预测结果。
GNB、XGBoost、GLM和AdaBoost的应用较少。尽管XGBoost和AdaBoost等模型被设计用于处理复杂数据集，但小型嘈杂数据集增加了这些模型的过拟合风险。这一局限性使得此类机器学习模型与其他模型相比效果较差，因此不常被使用。例如，在一项水稻生产LSA建模研究中，GLM的精度低于Maxent和RF。类似性能不佳的情况也在茶叶生产适宜性建模中被报告，其中RF（AUC = 0.860）优于GNB（AUC = 0.566）、AdaBoost（AUC = 0.731）和XGBoost（AUC = 0.819）的精度。虽然这些机器学习模型具有潜力，但其应用并不总是产生优于替代方法的结果。尽管使用有限，一些模型已展示出最优预测精度。例如，一项研究发现GNB在预测水稻种植适宜性方面比常用的RF模型更有效。必须指出的是，模型精度在很大程度上取决于输入变量和作物/土地特征。此外，模型预测精度还受地面实况数据（如详细描述适合作物生长区域的实地验证作物存在记录）质量和数量的影响。理想情况下，足够的地面实况数据可使各机器学习模型获得合理精度。
**影响作物适宜性建模的因素**
适宜性建模依赖于详细的土地和作物特征。作物适宜性建模的一个关键方面涉及选择与制备相关的输入变量。作物适宜性建模主要受一系列生物物理因素的影响，包括地形、土壤和气候变量，而社会经济因素虽然重要，但常被视为次要变量。在缺乏此类信息的情况下，可使用源自遥感图像的次级数据集（如MODIS、Landsat系列）来提供生物物理景观特征（如土壤属性和地表温度）的洞察。适宜性模型的精度在很大程度上依赖于这些变量的选择和质量，包括空间分辨率、时间一致性以及针对地面实况数据的验证等因素。
关键气候变量包括温度、降水、湿度、太阳辐射。太阳辐射因其对光合作用至关重要而被纳入，而相对湿度对蒸腾和养分吸收等过程至关重要。此外，温度等气候变量影响作物发芽率和生长，而降水变化可导致干旱或涝渍，两者均影响整体作物生长和产量。从综述文献来看，WorldClim是最常使用的气候数据集（10项研究）。与文献一致，WorldClim是领先的全球气候数据集，提供包括降水和温度在内的长期历史和预测记录。WorldClim提供19个生物气候变量和1–340公里分辨率下的月气候数据，这使其广受欢迎。部分综述文献依赖气象站数据。然而，此类数据集存在若干缺点，例如，与水体和海拔的邻近性变化可能因稀疏站网未捕捉到的微气候效应而导致某些地区的不精确。因此，WorldClim数据集频繁使用为作物适宜性建模提供了显著有价值的数据。尽管WorldClim数据集在作物适宜性建模中具有价值，但存在显著局限性，包括粗分辨率（网格单元内的物理和环境特征可能变化数百米）。此外，19个生物气候变量的有限范围在建模植物和生物分布方面存在不确定性，因为植物生长依赖于温度和降水之外的额外因素（如土壤特征）。
土壤物理和化学性质对适宜性建模至关重要。土壤化学特性包括土壤有机碳（SOC）、土壤磷和氮含量、土壤pH值等因子，而物理特性包括土壤类型、质地、湿度和容重。这些属性在作物适宜性中的考量因作物而异，因为不同作物对最佳生长和产量的土壤养分需求不同。例如，土壤pH值因其在控制各种养分化学形态及其化学反应中的作用而被纳入，而SOC构成土壤肥力的基础，包含对植物生长至关重要的养分。土壤质地等土壤特性对确定持水能力至关重要，因为它们影响土壤体积内孔隙的分布。因此，此类土壤特性被纳入作物适宜性模型以确定最佳作物生产的适宜区域。传统上，此类数据可通过实地调查和实验室分析获得，尽管这些方法通常成本高、耗时且可获取性有限。从综述文献来看，只有三项研究采用这种方法。先前研究已强调土壤实地数据调查的若干局限性，包括劳动密集且在全球和区域尺度上不可行。在所有土壤数据集中，SoilGrids是最常使用的土壤数据集（4项研究）。ISRIC是一个免费提供的全球土壤信息数据集，提供约1125个来自不同土壤清单（源自国家资源保护服务（NRCS）和联合国粮食及农业组织）的参考集合的协调土壤剖面。此外，SoilGrids以250米空间分辨率和0.540至0.834的决定系数（R2）精度提供全球尺度土壤信息。此外，SoilGrids提供10种土壤属性，即有机碳密度、SOC储量、容重、黏粒含量、粗碎片、砂粒含量、粉粒含量、阳离子交换量（CEC）、氮含量和土壤pH值。尽管许多研究在作物适宜性建模中采用SoilGrids数据集，但也注意到若干局限性。SoilGrids的分辨率（250米）限制了特定地点应用。此外，由于专业知识和资源有限（特别是在撒哈拉以南非洲（SSA）等资金紧张的发展中地区），缺乏详细土壤信息。
然而，由于SSA缺乏详细的土壤信息来源，Rothamsted Research Institute开发了新数据库——决策农业创新解决方案（iSDAsoil），这是最先进的非洲土壤数据库，以30米空间分辨率提供土壤信息。与SoilGrids数据集不同，iSDAsoil提供覆盖整个非洲大陆的20多种土壤属性，包括重要土壤变量（如土壤阳离子（钠、镁、硫、铁和锌））、土壤至基岩深度、粉粒、黏粒和砂粒含量，精度更高（R2 = 0.80）。此外，先前研究已报道该数据库在作物适宜性建模中的重要性，特别是在缺乏土壤样本信息的大面积区域。尽管iSDAsoil（30米分辨率）提供详细的非洲土壤数据，但在综述研究中未被使用。该数据库相当新，且iSDAsoil仅向非洲国家提供土壤信息。此外，虽然iSDAsoil提供的土壤属性范围比其他数据库更广，但其数据仅限于两个标准深度区间（0–20厘米和20–50厘米），相比之下，SoilGrids等数据库提供跨七个不同标准深度区间的土壤信息。这一局限性通过限制根区分析（特别是对需要更深土壤属性数据的深根作物）而影响建模。
地形变量在作物适宜性建模中发挥重要作用，因为它们影响阳光照射、水分可用性和土壤性质等因素，所有这些都影响生长条件和潜在作物产量。根据综述文献，坡度、坡向和地形湿度指数（TWI）是常见的地形预测因子，因为其对作物生长和产量有显著影响。例如，坡度影响土壤侵蚀、水分排水、土壤肥力和微气候条件，进而影响作物生长。坡向显示坡面方向，影响作物接收的阳光量、湿度水平和温度梯度，最终影响作物生长，而TWI由坡度和上游贡献区派生，确定地形对作物产量变异的影响，并影响种植系统中水分的分布。这些地形变量共同为理解物理环境如何影响作物生产力提供了有价值的洞见，因此将其纳入作物适宜性建模可提高预测精度。
研究注意到DEM在某些作物（如水稻、玉米、小麦）适宜性建模中的重要作用，超过70%的综述出版物包含了DEM。DEM提供关于地形的关键信息，包括坡度、海拔、TWI和坡向，这些对理解作物生产中的复杂交互至关重要。因此，DEM衍生变量提高了机器学习在LSA中的精度和稳健性，从而改善预测性能、更明智的决策和更可持续的农业实践。SRTM派生的DEM在作物适宜性建模研究中发挥了关键作用，出现在四篇综述研究中。SRTM的主导使用归因于其免费可获取性和中等空间分辨率，这对作物适宜性建模至关重要。此外，高分辨率DEM在作物适宜性建模中发挥关键功能，提供地形信息的精细尺度变化，显著提高预测模型的精度。这允许更精确地评估坡度、坡向和海拔等因素，这些因素对潜在产量有影响。因此，将高分辨率DEM纳入作物适宜性评估通过识别作物种植的最佳区域促进可持续农业实践。
除海拔外，综述文献中的其他遥感衍生变量包括归一化差异植被指数（NDVI）、土壤调节植被指数（SAVI）、归一化差异洪水指数（NDFI）、归一化差异水分指数（NDWI）、增强型植被指数（EVI）、地表温度（LST）、归一化差异耕作指数（NDTI）、归一化燃烧比（NBR）、亮度指数（BI）和短波红外（SWIR）。有趣的是，遥感特征和植被指数如NDVI、SAVI、EVI和LST是作物适宜性建模中常用的输入变量，其中植被指数（VIs）如NDVI是最常用的。通常，NDVI被广泛认可用于作物健康、胁迫和生产力评估。因此，NDVI已被有效应用于监测作物的时空变化，而其他研究已使用它来验证某些作物的位置（包括玉米、烟草、大豆、水稻和马铃薯）并确定有效作物产量区域。其他植被指数如SAVI和EVI提供了在不同环境条件下土壤特征和潜在作物生长的宝贵洞察。例如，先前研究已将SAVI确定为最重要的土壤相关指数，特别是在作物适宜性建模中，作为土壤含水量变化的指标，而EVI因其校正茂密植被区域背景效应的能力而对确定最佳作物产量区域很重要。遥感LST数据（即MODIS、Landsat）在作物适宜性建模研究中至关重要，因为它们是作物温度的重要代理，影响作物生长并影响发芽等生理过程。
**用于作物适宜性建模的传感器**
遥感（RS）传感器的选择受传感器特性、成本及其为特定目标（如作物健康监测和适宜性建模）提供相关数据的能力影响。本综述结果显示，仅三种遥感传感器（即MODIS、Landsat 8和Sentinel-2）先前已被用于采用机器学习方法的作物适宜性建模。这些传感器免费提供，具有大幅宽（单次通过覆盖广泛地理区域），使其适用于跨大型农业区域的作物适宜性建模和土地适宜性建模。此外，综述文章揭示了传统中到粗空间分辨率被动传感器（如MODIS和Landsat系列）与机器学习集成用于作物适宜性建模时的有效性。MODIS提供250米空间分辨率和关键波段（如红波段和近红外波段），重访周期为1天，这对LSA有价值并支持近实时监测。此外，该传感器提供长期历史数据，使其在作物适宜性建模的趋势分析中有用。例如，一项研究使用MODIS衍生的NDVI和SAVI光谱特性结合其他环境变量（如土壤深度、坡度和海拔）模拟多哥和贝宁的水稻种植土地适宜性。Landsat系列影像的效用可归因于其相比MODIS更精细的空间分辨率（30米）以及关键波段的存在，如提供土壤水分洞察的SWIR（通过水吸收特征）和通过发射热辐射估算LST的热波段，两者均为作物适宜性建模中的关键因素。一项研究使用Landsat 8光谱衍生的LST、SWIR、NDVI等结合提升决策树算法，实现了0.910的AUC，优于决策森林（0.765）和神经网络（0.756）等其他算法。在其研究中，Landsat光谱衍生变量的纳入有效提高了模型精度（AUC = 0.910）。尽管中到粗分辨率传感器具有效用，但近期出版物已采用新发射的Sentinel-2多光谱成像仪（MSI），其具有更精细的空间分辨率（10米）和战略定位波段（即近红外和SWIR）用于作物LSA。例如，一项研究使用Sentinel-2 MSI衍生的植被指数（表2）结合多种机器学习模型（包括RF和GNB）增强水稻种植的模型预测。这展示了在作物种植LSA中将遥感与机器学习相结合的有效性。
**机器学习模型在作物适宜性建模中的局限、差距与机遇**
机器学习算法在作物适宜性建模中的主要挑战之一是其总体假设，即农民在其生物物理最佳位置种植作物。然而，一些研究工作如Estes等人（2013）和Heumann等人（2011）的研究结果与这一假设相矛盾。例如，Estes等人（2013）通过表明农民的土地利用决策受社会经济因素、土地权属和市场准入而非生物物理适宜性影响来挑战这一假设，表明经济约束往往凌驾于生态建议之上。然而，由于获取社会经济数据集的困难性和各地区农业实践的可变性，尚无研究在不同条件下系统验证这些假设。尽管如此，这一发现表明在预测作物适宜性时强烈需要考虑社会经济因素，因为预测是为农民的利益而做出的。
此外，机器学习算法是数据驱动的模型，需要大量训练数据集（即样本数量）以产生精确预测，但在某些情况下，数据可能稀缺。尽管仅存在模型如Maxent仅需存在数据，但其他模型如ANN需要大量高质量数据，在大多数农业背景下（特别是发展中国家）可能无法获得。此类约束源于缺乏财政支持和资金，无法进行机器学习算法所需的连续（如温度）和分类（如土地利用类型）数据收集。在数据稀缺的情况下，机器学习技术可与AHP和模糊逻辑模型结合，以生成高精度和可靠的作物适宜性模型。AHP方法在数据有限时特别有用，而模糊逻辑可处理数据不确定性和不精确性。这种方法不仅增强模型的预测精度，还整合专家知识并有效管理不确定性，使其成为未来农业研究和实践的重要策略。
本研究观察到关于机器学习在作物适宜性中效用的文献存在若干空白。例如，尽管ANN在产生高预测精度方面具有潜力（如本综述所观察），但在作物适宜性建模中对其效用的研究较少（占综述研究的8%）。人工神经网络因其理解输入变量和输出之间非线性关系的能力而在其他领域已被证明有效。此外，ANN在训练期间具有从输入数据自动学习相关特征的能力，减少了其他机器学习模型通常需要的广泛特征工程需求。这与依赖手动专家判断和预定义标准权重而非数据驱动特征学习的传统AHP方法形成对比。此外，由于高计算需求、缺乏大型标记训练数据集以及深度学习模型的可解释性有限，利用深度卷积神经网络（DCNN）进行作物适宜性建模的研究不足。此类模型常用于农业领域，特别是在作物产量预测、胁迫和病害检测、作物类型分类和灌溉优化中，其在空间模式识别方面的卓越能力使其与土地适宜性制图高度相关。鉴于其基于高质量数据集进行精确预测的已证能力及整合不存在和仅存在数据的能力，此类算法对于开发最佳作物生产的作物适宜性模型至关重要。
基于本研究发现，未来研究应考虑纳入更多社会经济变量，如农场规模、信贷获取、劳动力可用性、市场邻近性和土地权属，这些在文献中已被指出至关重要，特别是对作物适宜性建模。为解决已观察到的空白，本研究建议使用ANN和DCNN模型以实现优化和精确的模型预测。具体而言，DCNN可通过使用标记不存在数据的监督学习纳入潜在不存在区域，使其能够从作物存在和不存在的位置学习。这解决了其他机器学习模型（如仅依赖仅存在点的Maxent）的关键局限性，此类模型无法显式建模不存在信息。此外，应考虑传统和机器学习方法的集成，特别是当数据稀缺时，以互补各模型方法的局限性。此类混合模型可通过结合AHP的透明度与机器学习的预测能力来提高可解释性，并通过提供更可解释和稳健的适宜性评估增强利益相关者信任。此外，未来研究应利用遥感物联网（IoT）设备（如土壤水分传感器、气象站和作物冠层温度传感器）来增强数据收集、实时作物监测和预测，以实现更明智的决策。IoT设备允许持续监测对作物生长至关重要的环境条件，如土壤水分、温度和湿度。来自这些设备的实时数据可输入需要最新信息以开发精确作物适宜性模型的机器学习算法。这种集成可支持适应性管理实践，如动态种植建议，并为作物失败或干旱风险启用早期预警系统，使农民和政策制定者能够主动响应变化的环境条件。
**结论**
本研究的主要目的是批判性综述现有文献，评估机器学习在作物适宜性建模中的作用、趋势、挑战、新兴空白和未来机遇。研究发现揭示了Maxent和RF算法是基于预测精度的作物适宜性建模研究中最有效的机器学习模型。虽然影响作物适宜性的因素（如气候、土壤和地形）已被广泛采用，但很少有研究使用机器学习纳入社会经济因素（如土地权属、劳动力可用性、市场准入）。土壤数据源通常提供低分辨率数据集，在某些情况下，数据可能不完整，特别是在资金有限的地区（如撒哈拉以南非洲）。尽管新开发的iSDAsoil提供详细的高分辨率土壤数据集，但研究结果表明，由于其近期发布和有限的土壤属性数据集，尚无研究利用此类数据的效用。遥感数据集与有效算法的结合已被证明可在作物适宜性评估中提供最佳精度。值得注意的是，在作物适宜性建模中起关键作用的遥感衍生变量包括海拔、NDVI、EVI、SAVI和LST。这些变量主要来自粗分辨率星载传感器（如MODIS和Landsat），部分来自多光谱Sentinel-2影像。批判性综述还表明，虽然机器学习算法在作物适宜性建模中至关重要，但它们也存在主要局限性（如过拟合、可解释性问题、数据依赖性），包括其假设和对高质量模型训练数据的需求。在这方面，研究建议将传统方法如AHP和模糊逻辑与机器学习算法集成以应对此类挑战，具体而言，AHP贡献了结构化专家判断以确定标准权重，而模糊逻辑处理环境数据中的不确定性和不精确性。此外，研究建议利用IoT设备，其可提供作物生长的实时数据，并可输入机器学习算法以优化模型性能和更好的决策，从而实现适应性管理、作物失败早期预警系统和精准农业。
