《Drones》：UAV-Based Remote Sensing and Artificial Intelligence for Climate-Smart Agriculture: A Systematic Review of Technologies, Analytics, and Applications in Smallholder Systems
基于无人机的遥感（UAV）结合人工智能（AI）已成为气候智慧农业（CSA）的关键推动力。然而，这些技术在多大程度上实现了CSA三大支柱——生产力、适应性和减缓——仍未被充分评估。本研究遵循PRISMA指南，对59篇同行评审研究进行了系统综述，考察了UAV–AI在农业系统中的应用。综述对平台配置、传感器类型、分析架构、地理分布和数据整合策略进行了分类，并评估了它们与CSA目标的契合度。结果表明，以生产力为导向的应用，包括产量估算、生物量测绘和养分评估，最为成熟；而侧重于适应性的胁迫检测也已较为完善。相比之下，以减缓为导向的应用，如碳量化和温室气体监测，仍相对不足。分析进一步揭示了一种趋势，即向多模态感知和跨尺度数据整合（将UAV观测与卫星及环境数据集关联）的逐渐融合。然而，验证方法和数据集代表性方面的显著差异限制了可推广性和可扩展性。因此，推动UAV–AI对CSA的贡献需要方法标准化、可互操作的数据治理以及加强机构能力。总体而言，这些发现将UAV–AI系统定位为气候智慧农业智能基础设施的新兴组成部分，而非孤立的监测工具。
**1. 引言**
气候变化日益压缩农业系统中的决策时间窗口，胁迫迅速发展且空间异质性显著。传统田间巡查通常仅在不可逆产量损失发生后才能检测到作物胁迫。在此背景下，基于无人机的遥感（UAV）与人工智能（AI）相结合，已演变为一种可运行的诊断框架，能够在复杂生产环境中提供及时、高分辨率的洞察。理解这种整合对于评估其在气候智慧农业（CSA）中的作用至关重要，尤其在以高变异性和有限决策支持能力为特征的小农户系统中。尽管技术快速进步，现有研究往往将UAV传感和AI分析置于精准农业的广泛领域内，与CSA目标的明确对齐有限。此外，许多研究开发于大规模或受控环境，对小农户系统的关注不足。这些系统以土地碎片化、资源受限和数字基础设施有限为标志，给UAV–AI解决方案的可扩展性和实际部署带来了重大挑战。这一差距凸显了需要一种系统性的综合研究，将这些技术置于小农户CSA系统的运行现实中。
**1.1. 基于UAV的遥感在农业监测中的进展**
过去十年，UAV已从实验成像平台转变为可运行的遥感系统，能够提供高分辨率、灵活且经济高效的农业诊断。飞行稳定性、自主导航、续航能力和载荷集成方面的进步，使其能够部署于多样化的农业生态环境中。传感器微型化和辐射校准的同步进展促进了RGB、多光谱、热成像以及激光探测与测距（LiDAR）传感器在紧凑平台上的集成，实现了对作物活力、冠层温度、生物量结构和物候动态的厘米级评估。这些发展将UAV遥感从数据采集工具重新定位为支持高级分析工作流的诊断框架。其高空间分辨率、灵活的重访能力和针对性部署使UAV系统特别适用于异质性农业景观，其中田内变异强烈影响生产力和气候风险。因此，UAV平台日益成为精准农业和气候响应性农场管理策略的核心组成部分。然而，由于成本、可及性和技术能力的限制，它们在小农户系统中的应用仍不均衡。
**1.2. AI驱动的解释与多传感器集成**
UAV平台提供高分辨率空间数据，而AI的整合将这些数据转化为可操作见解。机器学习和深度学习模型促进了复杂农业数据集中的模式识别、分类和预测分析。多传感器数据与AI建模的融合支持了集成分析工作流的开发，从而改善对作物状况、环境胁迫和系统动态的解释。这些能力对于将UAV诊断从观测工具推进到CSA中的决策支持系统至关重要。
**1.3. 气候智慧农业：诊断需求**
CSA旨在提高生产力、增强对气候变异的适应性并支持减缓目标。实现这些目标需要在管理相关尺度上能够捕捉胁迫动态、结构变异和微气候影响的空间显式诊断。此类诊断能力对于监测作物表现、检测早期胁迫信号以及支持在可变气候条件下的适应性管理至关重要。UAV遥感提供了满足这些需求的高分辨率、灵活观测能力。UAV平台与多传感器载荷及AI分析相结合，能够在农业景观中详细评估作物状况、环境胁迫和生物量动态。这些能力使UAV–AI系统成为实施关键CSA功能的潜在工具，尤其在空间异质性高的环境中。
**1.4. 小农户农业系统与技术环境**
在小农户主导的系统中，农业生产以土地碎片化、土壤异质性、多样化种植模式以及有限的金融、技术和数字资源获取为特征。这些结构性条件既影响对高分辨率诊断的需求，也影响先进传感技术部署的可行性。尽管UAV–AI系统具有潜在相关性，但现有文献仍大多将这些技术置于精准农业的广泛领域内，与CSA框架的明确整合有限。此外，相当一部分研究在大型或受控生产环境中开发和验证，这些环境的田间几何、管理实践和数据可用性相对均匀。这些条件与小农户系统存在显著差异，引发了对UAV–AI技术在不同农业情境下可转移性、可扩展性和运行相关性的重要问题。这一差距凸显了需要一种系统性的综合，将UAV传感和AI分析明确置于小农户农业的结构现实和CSA系统更广泛目标中。本综述将小农户农业系统定义为以相对较小且往往碎片化的土地持有、高空间和管理异质性、依赖家庭或本地劳动力、资本和机械化有限、以及数字基础设施、咨询服务及正规投入或产出市场获取受限为特征的生产环境。由于农场规模阈值因区域、作物系统和国家分类而异，本综述采用情境定义而非固定土地面积界限。当研究明确考察小农户农场、小规模生产者或资源受限的耕作系统时，被分类为小农户聚焦；当研究方法或发现适用于碎片化、异质性或低资源农业环境时，被分类为小农户相关。
**1.5. 研究目的与贡献**
本综述提供了一项PRISMA指导的综合，涵盖与CSA相关的UAV遥感和AI诊断进展，特别强调其在小农户农业系统中的适用性。它解决了在非洲及可比的农业生态环境中，将技术创新与气候韧性、生产力提升和减缓目标对齐的日益增长的需求，这些地区以小农户农业系统为主且气候脆弱性显著。通过系统评估59篇同行评审研究，本综述提供了UAV–AI整合在农业中当前状态的结构化评估。它识别了主导应用领域，包括作物监测、产量估算和环境胁迫检测，并考察了在传感架构、多传感器集成和机器学习方法方面的方法论趋势。此外，本综述评估了UAV和AI技术与CSA目标（包括生产力提升、气候适应和减缓相关监测）的明确对齐程度。本研究的核心贡献在于其明确关注技术能力与农业环境之间的交集。综述评估了UAV–AI系统在小农户环境中的适用性，突出了土地碎片化、异质性农业生态条件和技术基础设施获取受限等因素如何影响系统性能和部署可行性。通过这样做，它超越了通用技术评估，考虑UAV诊断在实际农业系统中的运行相关性。此外，综合识别了现有文献中的关键差距，包括小农户系统的有限代表性、减缓导向应用的不足以及缺乏纵向和跨尺度分析框架。它还强调了多源数据整合、混合分析建模以及将UAV数据转化为可操作管理策略的决策支持系统发展中的新兴方向。总体而言，本研究贡献了一个结构化且情境敏感的证据基础，增进了对UAV遥感和AI如何整合到气候智慧农业系统中的理解。它为未来研究提供了基础，并支持政策制定者、研究人员和发展实践者设计和实施可扩展的、数据驱动的农业解决方案，这些方案应对气候变异性以及小规模农业的结构现实。
**2. 材料与方法**
本研究采用了结构化的系统综述方法，综合UAV遥感和AI在CSA中的进展，特别强调其与小农户系统的相关性。方法学方法整合了证据识别、筛选、分类和综合的标准化程序，以确保透明度、可重复性和分析严谨性。鉴于该主题的跨学科范围，涵盖遥感、农学、计算机视觉、机器学习和精准农业，系统综述框架对于整合碎片化知识和识别跨不同研究设计及应用情境的一致模式至关重要。本研究采用的方法旨在提供结构化和可追溯的现有研究综合，同时最小化选择偏差并增强研究间的可比性。
**2.1. 系统综述框架**
本综述按照PRISMA 2020指南进行，以确保透明、可重复的报告和结构化证据综合。PRISMA 2020提供了记录搜索策略、重复处理、筛选程序、资格决策和综合过程的标准化框架，从而增强了系统综述中的方法学清晰度和可审计性。综述方案预先定义，包括搜索字符串、纳入和排除标准以及数据提取和分类程序的制定。这种预先指定减少了事后选择偏差的风险，并支持整个综述过程的方法学一致性。此外，开发了结构化编码框架，以实现对UAV平台类型、传感器模式、分析方法和应用领域在研究间的系统比较。被综述文献的多样性，涵盖农业生态环境、传感配置、数据处理工作流和机器学习架构的差异，需要一种灵活但结构化的综合方法。方法论不仅强调定量汇总，还强调描述性和主题性综合，以捕捉技术演变、方法论趋势以及UAV–AI系统在农业中的跨情境适用性。特别关注了被综述文献中小农户农业系统的代表性。在报告中，研究人员对研究从生产规模、环境异质性和运行约束方面进行了考察，从而评估UAV–AI技术如何在不同农业情境中应用。
**2.2. 文献检索策略与信息来源**
实施了一项结构化的多数据库检索策略，以识别涉及UAV遥感和AI农业诊断进展的同行评审文献。检索在Web of Science、Scopus、ScienceDirect和Google Scholar中进行，涵盖2013年至2024年的出版记录。所有检索到的记录均使用参考文献管理软件进行管理，以方便重复移除并确保筛选决策的可追溯性。检索字符串结合了UAV相关术语如“unmanned aerial vehicle”、“UAV”和“drone”，与遥感模式包括“multispectral”、“thermal”、“LiDAR”和“hyperspectral”，以及分析描述符如“machine learning”、“deep learning”、“convolutional neural network”、“random forest”和“artificial intelligence”。这些进一步与农业环境术语如“precision agriculture”、“crop monitoring”、“yield estimation”、“stress detection”和“climate-smart agriculture”关联。布尔运算符和数据库过滤器经过迭代优化以平衡敏感性和特异性。选择2013年至2024年的时间范围以捕捉UAV农业传感从探索性实验过渡到由AI支持解释的可运行多传感器诊断系统的时期。灰色文献、监管报告和技术指导文件被选择性回顾以进行背景化处理；然而，除非满足实证纳入标准，这些来源被排除在核心PRISMA综合之外。初步数据库检索共获得841条记录。经过重复移除和初步过滤，保留684条记录用于根据PRISMA 2020框架进行正式筛选。筛选和资格评估导致最终分析纳入59项研究。
**2.3. 纳入与排除标准**
纳入标准被定义以确保所选研究既反映技术相关性又反映分析严谨性，与系统综述标准一致。研究被保留的条件为：采用UAV平台进行农业传感，纳入多传感器载荷如RGB、多光谱、热成像或LiDAR系统，并对UAV数据应用机器学习或AI方法。此外，研究需报告可测量的诊断输出，包括产量估算、胁迫检测、生物量评估、病害分类或其他与CSA相关的指标。在适用情况下，特别考虑了证明与CSA及小农户或资源受限农业系统相关性的研究。这一重点反映了将UAV–AI技术置于以土地碎片化、基础设施受限和高空间变异性为特征的运行环境中的核心目标。排除标准包括：仅依赖卫星数据而无UAV整合；主要关注UAV工程设计而无农业应用；涉及农业政策或治理而无实质性传感或分析方法；缺乏足够方法学细节以支持解释；或仅包含概念性或综述性评论而无实证或技术基础。这些标准在初始筛选和全文资格评估阶段一致应用。
**2.4. 研究筛选与选择过程**
筛选和选择过程遵循PRISMA 2020指南。初始搜索和数据库过滤共产生684条记录进行筛选。标题和摘要筛选排除了484条不符合预设标准（与UAV传感、AI整合或农业相关性相关）的记录。剩余90篇文章进入全文评估。经过全文评估，41项研究因研究类型不符合、方法学透明度不足或数据集重复而被排除。此过程产生了49项满足所有预设纳入标准的研究。为了解决CSA研究中术语碎片化的问题，特别是在研究报告生产力、适应或减缓结果但未明确使用“climate-smart agriculture”一词时，进行了一项有针对性的补充搜索。该补充搜索策略旨在最小化主题代表性不足并确保对CSA相关应用的全面覆盖。补充搜索使用了与主要搜索相同的数据库和时间范围：Web of Science、Scopus、ScienceDirect和Google Scholar，时间跨度为2013–2024年。搜索词结合了UAV和AI相关术语与CSA三大支柱的功能描述符。补充搜索产生了16条额外记录，其中10项研究在筛选和全文评估后符合纳入标准。因此，最终数据集包含59篇同行评审研究。
**2.5. 纳入研究的特征**
经过筛选和资格评估，共有59项研究满足纳入标准并被纳入最终综合。这些研究代表了多样化的地理区域、作物系统、UAV平台、传感器模式和分析方法，反映了当前UAV遥感和AI在农业中研究的广度。所选研究涵盖小农户和大规模农业系统，技术整合和方法学复杂性程度各异。报告的应用包括作物监测、产量估算、胁迫检测和决策支持开发，突显了UAV–AI系统在支持CSA中不断扩大的作用。
**2.6. 数据提取与技术分类**
开发了标准化的数据提取和编码方案，以实现跨研究的结构化比较，并支持对UAV遥感系统技术进展的系统评估。该方案旨在确保数据捕获的一致性，促进跨研究可比性，并为后续综合提供透明基础。提取变量包括地理区位和农业生态环境、作物系统与生产规模（报告了小农户和大规模系统的区分）、UAV平台类型学（固定翼、旋翼和混合配置）以及传感器载荷组成（包括RGB、多光谱、热成像和LiDAR系统）。记录中还包括辐射校准程序、飞行参数和预处理工作流的信息（如有）。分析方法学根据机器学习模型类别进行系统分类，包括基于树的集成方法、支持向量机、卷积神经网络、基于回归的模型以及混合或集成架构。数据融合策略被分类为特征级、模型级和决策级整合框架，以及时间整合和跨尺度整合方法（如适用）。诊断输出根据应用领域编码，包括产量估算、胁迫检测、病害分类、生物量评估以及与CSA相关的其他指标。为了增强一致性并减少解释偏差，提取的变量被映射到预定义分类类别，使异质性研究设计能够在统一分析框架内进行比较。这种结构化分类方法使得能够系统识别所综述研究中传感架构、分析工作流和应用领域的模式。生成的数据集为第3节中呈现的主题综合提供了实证基础，支持对技术趋势、跨情境适用性以及UAV–AI研究中小农户系统代表性的分析。
**2.7. 证据综合的分析框架**
由于所综述研究之间存在显著异质性，包括农业生态环境、传感配置、飞行协议、验证指标和建模方法的差异，定量荟分析在方法学上并不合适。研究设计、数据质量和报告标准的变化限制了性能指标的可比性，阻碍了跨研究的统计稳健汇总。相反，采用了结构化的描述性和主题综合方法，强调系统比较、概念整合和技术轨迹的识别，而非结果的统计汇总。叙事综合方法被广泛认为是跨学科技术综述的适当方法，因为方法学多样性和情境变异性限制了正式荟分析技术的应用。分析框架旨在捕捉四个关键维度的模式：(i) UAV平台能力和部署特征的演变，(ii) 多传感器集成和数据获取策略的进展，(iii) 用于解释UAV数据的人工智能和机器学习方法的发展，以及(iv) 将UAV观测与卫星和地面数据集关联的多源和跨尺度数据融合架构的出现。在此框架内，研究人员基于报告中的传感配置、分析方法学和诊断输出对研究进行了系统比较。特别强调了识别UAV–AI系统在农业监测中应用的重复模式，以及评估这些模式在不同农业生态环境中的可转移性。此外，综合明确考虑了UAV–AI技术在小农户农业系统中的代表性和适用性。在已有相关信息的情况下，研究人员对研究从生产规模、环境异质性和运行约束方面进行了考察，从而评估技术方法如何与小规模农业的结构现实对齐。由此产生的综合为解释技术趋势、识别研究差距和评估跨情境适用性提供了结构化基础。
**2.8. 方法学质量与偏倚风险评估**
为了评估纳入研究的方法学稳健性和潜在偏倚风险，进行了一项结构化的定性评估。由于综述文献包含异质性的UAV–AI研究而非随机干预试验，因此使用了基于领域的评估方法而非临床偏倚风险工具。每项研究根据五个标准进行评估：(i) 研究设计和实验背景的清晰度；(ii) 样本量或数据集规模的充分性；(iii) 地面真值或参考数据的可用性和质量；(iv) 验证方法，包括是否报告了交叉验证、独立验证或外部测试；以及(v) 可推广性，包括跨站点、多季节或多区域评估的证据。每个标准基于研究中报告的方法学细节和验证证据水平，被定性评为低、中或高稳健性。这些评级用于总结验证强度、数据集规模、可推广性和偏倚风险模式。
**2.9. 偏倚因素与方法学局限性**
在综述文献中识别出几个潜在的偏倚来源和方法学局限性。这些包括对报告阳性或成功诊断结果的研究的发表偏倚，可能导致高表现UAV–AI应用的过度代表。此外，研究的地理分布不均匀，研究活动集中在少数区域，而小农户农业系统的代表性相对有限，可能限制发现跨不同农业生态环境的可推广性。方法学异质性是一个进一步局限。传感器质量、辐射校准程序、飞行协议、空间分辨率和预处理工作流的差异引入了不一致性，使研究间的直接比较复杂化。机器学习模型选择、训练程序、验证策略和性能指标的差异进一步增加了报告结果的可变性。标准化数据集的有限可用性以及纵向和多季节研究的稀缺限制了评估UAV–AI诊断方法的时间稳定性和跨情境可转移性的能力。这些局限性对解释UAV–AI技术在CSA框架中的作用有影响。特别是，农业生态条件和生产系统的不均匀代表可能影响报告诊断方法捕捉与生产力、适应和减缓目标相关的变异性的程度。同样，小农户系统的代表性不足可能限制发现对以土地碎片化、资源约束和高环境变异性为特征的农业情境的适用性。为了缓解这些局限性，综述采用了透明且结构化的方法学程序，包括搜索策略的明确记录、明确定义的纳入和排除标准，以及支持跨研究一致比较的标准化数据提取和编码方案。此外，实施双流搜索策略以减少术语排除的风险，特别是在CSA背景下，相关研究可能未明确使用标准化术语。尽管采取了这些措施，但研究设计和报告实践的多样性所固有的局限性仍然存在。因此，在将发现外推到超出综述文献实证范围的情况时，尤其是在当前UAV–AI研究中代表性不足的CSA应用和小农户系统方面，应谨慎解释。
**3. 结果**
本PRISMA综述包含的59项研究涵盖了UAV遥感和AI驱动分析在农业系统中的广泛应用。综述文献反映了UAV平台配置、传感器模式、分析方法、地理分布、作物系统和数据整合策略的显著多样性。本节呈现了纳入研究实证特征的结构化综合。分析旨在捕捉UAV–AI部署的关键维度，包括平台类型学和运行特征、传感器模式和光谱方法、机器学习和AI方法学以及多源数据整合模式。此外，记录了研究的地理分布以及生产系统（特别是小农户与大农业环境）的代表程度。在综述文献中，应用集中在作物监测、产量估算和环境胁迫检测，越来越多地使用多传感器配置和数据融合技术。结果还记录了所采用的分析框架范围，从经典机器学习模型到深度学习架构，以及集成UAV–AI诊断工作流的演变。在已有相关信息的情况下，综述研究还根据其在CSA中的适用性进行了表征，包括与生产力、适应和减缓导向功能的对齐。这些应用在异质性和小农户农业系统中实施的程度被记录下来，为后续评估不同生产情境下的技术适用性提供了基础。本节的发现为第4节发展的主题解释和批判性分析提供了实证基础。
**3.1. 所选研究概述**
综述文献包含59篇经过PRISMA指南选择过程的同行评审研究，反映了UAV应用在多样化农业情境中的广泛范围。这些研究中浮现的一个核心主题是UAV平台选择强烈受景观结构和运行需求的影响，多旋翼、固定翼和混合系统具有不同的功能优势。为了提供综述文献的定量概览，在59项研究中进行了描述性频率分析。多光谱传感器是最常报告的传感器类型，出现在42项研究中（71.2%），其次是高光谱传感器20项（33.9%），RGB图像14项（23.7%），热传感器10项（16.9%），LiDAR 5项（8.5%），SAR/雷达2项（3.4%）。由于多项研究使用了多个传感器，这些类别并非互斥。在与CSA的对齐方面，46项研究（78.0%）主要与生产力导向应用相关，9项（15.3%）与适应导向应用相关，4项（6.8%）与减缓导向应用相关。数据融合在26项研究中报告（44.1%），而32项研究（54.2%）主要依赖单传感器工作流，1项研究（1.7%）未明确融合方法。这些模式确认了以生产力为导向、多光谱和产量为重点的UAV–AI应用占主导，而减缓导向和多源整合的应用相对代表性不足。在小农户和碎片化农业景观中，多旋翼UAV被主要使用，因其高机动性、悬停能力和垂直起降功能。这些特性使其能够在不规则田间几何形状和空间受限环境中进行精确数据采集。相反，大规模农业系统倾向于固定翼和混合UAV平台，它们提供更长的飞行续航、更高的运行效率和更广的空间覆盖，使其适合监测广阔且连续的农田。图2展示了基于景观结构和运行需求的UAV平台功能分化。在小农户和碎片化农业系统（左），多旋翼UAV因其高机动性、悬停能力和垂直起降功能而被主要使用，使其能够在不规则和空间受限的田块中进行精确数据采集。相反，大规模农业系统（右）倾向于固定翼和混合UAV平台，它们提供更长的飞行续航、更高的运行效率和更广的空间覆盖，使其适合监测广阔且连续的农田。除了平台选择，综述研究一致强调传感器集成在增强UAV系统分析能力中的重要性。多光谱和热数据尤其被广泛应用于评估作物健康、检测胁迫条件和支持位点特异性管理干预。这些传感能力与适当的平台选择相结合，构成了后续分析工作流（涉及预处理、特征提取和AI驱动建模）的基础。这些平台和传感器配置共同构成了更高级分析工作流的基础，这些工作流将UAV数据与用于农业决策的计算模型整合。为了提供UAV平台能力及其在不同农业情境中适用性的结构化比较，表2总结了与CSA相关的主要运行特征、传感器配置和部署考虑，特别是小农户系统。比较突显多旋翼UAV因其运行灵活性和对碎片化田间条件的适用性而在小农户系统中应用最广，而固定翼和混合平台更适合大规模农业监测。表3总结了综述文献中识别的主要UAV–AI应用领域，包括传感器类型、分析方法、输出及其在小农户系统中与CSA的相关性。
**3.2. UAV–AI分析框架与传感器集成**
综述研究报告了UAV遥感和AI在农业系统中的广泛应用。这些应用涵盖作物健康监测、产量估算、病害检测、土壤测绘和水胁迫评估。多传感器数据与机器学习和深度学习方法的整合使得能够生成空间显式的见解，支持位点特异性管理和气候智慧农业实践。UAV遥感与AI的整合使得高分辨率空间数据能够转化为用于农业决策的可操作见解。这一过程可以被概念化为一个结构化的多阶段分析工作流，包括数据获取、预处理、特征提取和基于模型的解释，最终产生与CSA目标一致的决策支持输出。图3展示了从UAV多传感器数据获取到预处理、特征提取和AI建模，再到与CSA相关的诊断输出和决策支持系统的综合UAV–AI分析框架。表3总结的应用领域说明了农业中UAV–AI支持的分析功能范围。在此基础上，以下部分考察了将UAV数据获取与AI驱动解释和决策支持系统联系起来的底层分析框架。
**3.2.1. UAV平台与传感器数据获取**
分析工作流从UAV数据获取开始，其中平台选择决定空间覆盖、分辨率和运行效率。综述研究中报告的传感器模式包括RGB、多光谱、高光谱、热成像和LiDAR系统。多光谱传感器使用最广泛，使得能够推导植被指数如归一化植被指数（NDVI）用于产量估算、生物量评估和胁迫检测。RGB传感器支持高分辨率视觉分析，包括植物计数、冠层覆盖估计和病害症状识别。高光谱传感器提供用于养分状态评估和病害分类的详细光谱特征。热传感器检测与水胁迫相关的冠层温度异常。LiDAR系统贡献结构信息，包括冠层高度和生物量估算。
**3.2.2. 预处理与数据协调**
获取后，原始UAV数据经过预处理以确保空间和辐射一致性。这一阶段包括地理配准、正射影像生成、辐射校准和降噪，这些对于生成分析就绪数据集至关重要。在许多研究中，预处理还涉及时间对齐和环境变异校正，以确保飞行任务间的可比性。这些步骤对于最小化误差和增强下游分析输出的可靠性至关重要。
**3.2.3. 特征提取与多源整合**
特征提取将预处理数据转化为描述作物状况和环境状态的有意义变量。常见特征包括植被指数如NDVI、热梯度、冠层结构指标和基于纹理的描述符。综述研究中强调的一个关键进展是多源数据的整合，其中UAV信息与辅助数据集（如土壤属性、天气数据和卫星图像）相结合。这种多源整合增强了分析深度并提高了预测模型的稳健性，特别是在异质性农业环境中。为了应对单源数据方法的局限性，近期研究越来越多地采用结构化数据融合策略，在多个分析层面整合UAV信息与互补数据集，包括数据级、特征级、模型级、决策级、时间整合和跨尺度整合框架。这些融合方法在第3.5节中更详细地讨论。
**3.2.4. AI建模与诊断分析**
AI模型应用于提取的特征以生成预测性和诊断性输出。常见方法包括机器学习算法如随机森林（Random Forest）、支持向量机（SVM）和梯度提升（Gradient Boosting），以及深度学习模型，特别是卷积神经网络（CNN）用于基于图像的分析。这些模型用于一系列应用，包括作物分类、产量预测、病害检测和胁迫绘图。模型类型的选择通常受数据可用性、计算需求和可解释性需求的影响，尤其是在小农户农业环境中。
**3.2.5. 决策支持系统与CSA成果**
AI模型生成的输出通过决策支持系统转化为可操作的建议。这些系统提供关于灌溉调度、养分管理、病虫害防治和收获规划的指导，从而实现位点特异性管理实践。通过将UAV诊断与管理干预联系起来，这些系统有助于CSA的核心目标，包括生产力提升、气候适应和通过提高资源利用效率实现的减缓。
**3.2.6. 反馈机制与自适应UAV部署**
UAV–AI框架的一个重要特征是纳入反馈机制，实现系统自适应优化。分析输出通知后续UAV任务，允许在已识别的胁迫或变异区域进行目标数据收集。这种反馈循环增强了监测效率并支持迭代决策，特别是在动态农业环境中。在小农户系统中，这种自适应方法对于在变异性和约束条件下优化资源利用至关重要。
**3.3. 综合、研究差距与未来方向**
综述研究共同表明，UAV遥感与AI整合为增强农业监测、诊断和决策提供了一个强大框架。在多样化的农业生态系统中，配备多传感器载荷的UAV平台能够获取高分辨率空间数据，而AI驱动分析方法有助于将这些数据转化为可操作见解。这种整合支持作物健康评估、产量估算、胁迫检测和位点特异性管理等关键功能，与CSA的目标紧密对齐。从本综述中浮现的一个主要综合是UAV平台、传感器模式和分析模型的互补角色。平台选择决定运行可行性和空间覆盖，传感器配置定义收集的生物物理信息的类型和质量，而AI模型提供解释复杂数据集的分析能力。这些组件共同构成一个互联系统，使得在小农户和大规模耕作系统中都能实现精准农业实践。然而，该系统的有效性取决于平台能力、传感器选择和分析目标之间的对齐。尽管取得了这些进展，仍存在几个关键研究差距。这些差距包括有限的多源数据整合、小农户系统的代表性不足、计算约束、模型泛化限制、与决策支持系统的整合薄弱、经济和运行障碍、有限的减缓导向应用以及标准化方法的缺乏。表4总结了已识别的关键研究差距和相应的未来研究重点。综合突显了技术能力与系统级实施之间的一致不平衡，特别是在小农户系统中，数据整合、可及性和可扩展性方面的挑战仍然显著。解决这些差距对于使UAV–AI技术与CSA的更广泛目标保持一致至关重要。
**3.3.1. 跨数据源的有限整合**
虽然许多研究采用多传感器UAV数据，但相对较少的研究将UAV观测与土壤属性、天气数据和卫星图像等其他数据流完全整合。在综述文献中，大多数研究仅依赖UAV光谱数据，只有少数研究在集成框架中纳入了土壤、天气或卫星数据集。缺乏全面的多源整合限制了捕捉农业系统完整复杂性的能力，并降低了预测模型的稳健性。未来研究应优先开发整合UAV、卫星和地面观测数据的集成数据框架，以提高分析精度，增强系统级理解，并支持可扩展的CSA应用。
**3.3.2. 小农户系统的代表性不足**
尽管UAV技术在农业研究中日益应用，但在小农户和资源受限环境中的实施仍然有限。许多研究在受控实验环境或大规模商业耕作系统中进行，未能充分反映小农户农业的特征变异性、碎片化和物流约束。这种不平衡表明存在偏向资源充足生产系统的研究偏见，可能限制了发现对小农户主导区域的相关性和适用性。需要针对具体情境的研究，评估UAV–AI系统在真实小农户条件下的可行性、成本效益和可扩展性，特别是在CSA干预最关键的地区。
**3.3.3. 数据处理与计算约束**
UAV–AI系统的采用通常受数据预处理工作流的复杂性和高分辨率图像及高级分析模型相关的计算需求所制约。几项研究隐含依赖专业软件平台和高性能计算环境，这些在低资源环境中可能不易获得。UAV数据的大量需要大量的存储、处理能力和技术专长，从而限制了可及性和运行可扩展性。未来研究应关注开发简化、自动化和基于云的预处理管线，以减少技术障碍，增强可用性，并促进在多样化农业系统中的更广泛采用。
**3.3.4. 模型泛化与可转移性**
许多为农业应用开发的AI模型高度情境特异，可能无法有效推广到不同作物、农业生态区或管理系统。模型性能通常在狭义定义的数据集内评估，跨独立区域或时间条件的验证有限。环境因素、传感器配置和数据质量的变异性进一步限制了这些模型的可转移性，引发对其外部有效性和运行可靠性的担忧。需要开发稳健、可转移的建模方法，纳入多样化数据集和自适应学习策略，以实现跨异质性农业环境的一致性能。
**3.3.5. 与决策支持系统的有限整合**
尽管众多研究展示了UAV–AI系统的分析能力，但相对较少将这些输出转化为最终用户的可操作决策支持工具。大多数研究输出仍停留在地图、指数或预测模型层面，缺乏融入农场管理工作流的明确途径。这种分析输出与可操作建议之间的脱节是采用的关键障碍。未来努力应优先将UAV–AI输出整合到用户友好的决策支持系统中，为农民、推广服务机构和政策制定者提供及时、情境特异且可解释的指导，从而增强这些技术在CSA框架内的实际相关性。
**3.3.6. 经济与运行可行性**
UAV–AI系统相关的经济和运行要求对广泛采用构成重大障碍，尤其是在小农户环境中。UAV平台、传感器载荷、数据处理基础设施和技术培训的成本可能令人望而却步。此外，运行挑战包括法规限制、维护要求和有限的技术专长进一步约束了实施。值得注意的是，相对较少的研究在真实耕作条件下提供明确的成本效益分析或经济验证。未来研究应纳入全面的经济评估，并探索可扩展的部署模式，如合作UAV服务、基于推广的配送系统和共享数据基础设施，以增强可负担性、可及性和长期可持续性。这些差距突出显示了未来研究的优先领域。
**3.4. 在气候智慧农业中的应用**
综述研究报告了UAV–AI系统在农业监测和管理中的多种应用。常见应用领域包括产量估算、作物分类、生物量评估和环境胁迫信号的检测。UAV分析用于生成作物活力、养分状态和病害发生率的空间显式表示，支持识别田内变异。热数据和光谱数据用于检测早期胁迫条件，包括水分亏缺和养分不平衡。总的来说，这些应用通过将高分辨率作物诊断与生产力提升、适应规划和资源利用效率改进联系起来，支持CSA的运行目标。几项研究还报告将UAV诊断与地理空间平台和数据处理管线整合，以支持更广泛的监测功能，包括作物评估和产量预测。在报告的情况下，应用延伸到异质性农业系统，包括以碎片化和小块田地为特征的环境。在综述研究中，UAV–AI系统的应用在包括异质性和小农户主导环境在内的多种农业情境中有所报告；然而，生产规模的明确识别在文献中记录不一致。在提及小农户系统的地方，应用通常与地块级诊断相关，包括作物监测、胁迫检测和局部管理干预，反映了高分辨率UAV观测对碎片化田间条件的适用性。
**3.5. 多源整合与数据融合模式**
几项研究报告将UAV数据与互补数据集整合，包括卫星图像、原地测量、土壤传感器和气象记录。这些整合使用一系列数据融合方法实施，包括特征级融合、模型级融合、决策级融合、跨多个观测时期的时间整合以及UAV与卫星数据之间的跨尺度链接。特征级融合涉及在模型开发前组合来自多个数据源的原始或派生变量，使得能够在统一特征空间内联合分析光谱、热环境和环境属性。模型级融合指整合独立训练模型的输出，通常通过集成或元学习框架，而决策级融合在解释阶段组合模型预测以支持诊断输出。时间整合方法纳入跨不同作物生长阶段的重复UAV观测，跨尺度整合将高分辨率UAV数据与卫星平台的更广空间覆盖链接。这些整合策略使得能够将精细分辨率UAV观测与提供时间连续性和环境背景的数据集相结合。综述研究报告了此类方法在作物监测、产量估算和胁迫检测中跨不同空间和时间尺度的应用。UAV–AI分析管线在表3中说明，而主要数据融合架构和相关分析方法在表5中综合。在报告的情况下，这些整合策略应用于异质性农业环境，包括小农户系统，其中跨尺度和多时间数据源用于捕捉与碎片化田间结构和多样化管理条件相关的变异性。综合表明，特征级和时间融合方法在小农户系统中特别有效，因为它们能够整合异质性数据集并捕捉季节变异性，从而提高了基于UAV–AI的决策支持系统的稳健性。
**3.6. 主要发现总结**
对59篇PRISMA选择研究的综合揭示了UAV遥感和AI在农业诊断中应用的持续模式。在综述文献中，多光谱传感与植被指数分析相结合是评估作物状况的最常报告方法，支持产量估算、生物量评估和胁迫检测等应用。RGB成像常用于高分辨率视觉分析，而热成像和LiDAR传感器应用于更专业的情境，包括水胁迫检测和结构表征。在分析方法学方面，经典机器学习方法包括集成模型和基于回归的技术在多样化数据集中广泛使用，而深度学习框架特别是卷积神经网络在基于图像的诊断中日益应用。综述研究指示了从单一算法实施向混合和集成分析框架的进展，反映了数据驱动和领域特定建模方法的日益整合。应用领域集中在作物监测、产量预测和环境胁迫因素检测，多项研究报告使用UAV诊断来捕捉田内变异性。这些应用对应于与CSA相关的关键功能领域，包括通过产量估算实现生产力提升、通过胁迫检测和监测实现适应性，以及在一定程度上通过结构和生物量测量衍生的减缓相关指标。多传感器配置和多源数据整合方法日益报告，包括将UAV观测与卫星数据、地面测量和环境数据集结合以支持跨尺度分析。在生产环境被描述的情况下，这些方法应用于异质性农业环境，包括以碎片化土地持有和可变管理条件为特征的小农户系统，其中高分辨率和多时间观测用于在精细尺度上捕捉空间变异性。研究的地理分布表明集中在少数区域，特别是亚洲、北美和欧洲，其他区域的代表性相对有限。相当一部分研究未明确报告地理位置或生产规模，小农户和大规模农业系统之间的明确区分在文献中记录不一致。
**4. 分析综合与讨论**
前一部分呈现了所选研究的结构化综合，突出了UAV遥感和AI整合在农业系统中的关键技术趋势、应用领域和持续研究差距。基于这些发现，本节从描述性综合推进到分析性解释，考察这些技术如何共同促进CSA的更广泛目标。综述研究的方法学质量差异显著，特别是在验证强度、数据集规模、可推广性和偏倚风险方面。采用稳健验证方法的研究通常表现出更高的可推广性和较低的偏倚风险，而基于有限数据集的研究可转移性降低。这些模式突显了严格验证框架对于可扩展的UAV–AI应用在CSA中的重要性。具体而言，讨论整合了跨研究的见解，以评估UAV–AI系统在农业决策框架中的功能角色，评估其与CSA核心支柱生产力、适应和减缓的对齐程度，并识别影响其可扩展性和实际适用性的系统性约束。通过将技术能力与农艺、环境和社会经济维度联系起来，本节提供了关于UAV–AI使能农业系统机遇和局限性的全面视角，包括第3.3节中识别的关键挑战。
**4.1. UAV传感与人工智能在气候智慧农业系统中的整合**
对59篇所选研究的综合表明，UAV遥感和AI在农业系统中的整合最好被概念化为一个结构化的多阶段分析框架，连接数据获取、处理和决策支持。UAV平台、传感器载荷和AI模型并非作为孤立的技术组件运行，而是作为更广泛系统内的相互依赖元素运作，旨在为农业管理生成空间显式和时间相关的洞察。如图3所示，配备多传感器载荷（包括RGB、多光谱、热成像和LiDAR传感器）的UAV平台提供跨异质性景观的作物和土壤条件的高分辨率观测。这些数据流经过摄影测量工作流处理，并使用基于AI的方法（如分类、回归和聚类模型）进行分析，从而实现作物胁迫检测、产量变异估算和管理分区识别。在综述文献中，UAV–AI系统一致展示出对CSA三大核心支柱（生产力、适应和减缓）做出贡献的能力。从生产力角度看，高分辨率图像与机器学习技术相结合增强了作物监测、产量预测和投入优化。在适应性方面，UAV–AI系统能够在可变气候条件下早期检测水胁迫、养分缺乏和病害爆发。减缓维度通过改善资源利用效率和环境监测得以支持，包括优化投入施用以及使用LiDAR和多光谱数据评估生物量和碳动态。尽管展示了这些能力，但第3.3节综合并总结于表4的发现表明，当前实施仍然碎片化，并受数据整合、可扩展性和经济可行性方面的限制所约束。对减缓导向应用的更详细考察揭示了为什么这一CSA支柱比生产力和适应性成熟度较低。在综述文献中，减缓相关性最常见是间接的，通过生物量估算、冠层结构评估、资源利用效率或碳相关代理来实现，而非直接测量温室气体通量。这种滞后反映了若干技术和方法学瓶颈。碳估算通常需要可靠的生物量模型、LiDAR或运动结构衍生的冠层指标、异速校准和地面验证。温室气体监测更具挑战性，因为UAV图像通常捕捉间接指标而非通量，需要与土壤测量、涡度协方差或箱式观测、环境传感器和过程模型整合。未来的进展可能依赖于结合UAV-LiDAR、多光谱和热传感、重复时间观测、地面校准数据集和碳核算框架，以将减缓应用从基于代理的评估推进到更稳健的监测和验证系统。
**4.2. 从分析能力到系统级整合**
从本综述中浮现的一个核心见解是，UAV–AI应用在农业中的主要限制并非分析能力的缺乏，而是系统级整合的缺失。许多研究在特定分析任务如分类、病害检测和产量预测中报告了高性能，但这些应用通常孤立开发，并未嵌入全面的农业管理系统。向集成UAV–AI系统的过渡需要多种数据源、分析工具和决策过程的融合。将UAV观测与卫星数据、土壤信息和气候变量整合能够实现农业生态系统动态的更全面表示，并提高预测精度。这种多源整合对于捕捉影响作物性能的环境、土壤和管理因素之间的相互作用至关重要。同样重要的是将分析输出转化为可操作知识。虽然许多研究生成高分辨率地图和预测输出，但相对较少展示它们融入运行决策框架或咨询系统。弥合这一差距需要开发以用户为中心的决策支持系统，将复杂的分析输出转化为实用的、情境特异的建议。
**4.3. 对小农户和气候脆弱农业系统的启示**
综述文献中小农户系统的有限代表性引发了对UAV–AI技术可扩展性和包容性的重要关切。小农户农业系统以高空间变异性、土地碎片化和有限的金融与技术资源获取为特征，这些影响了先进技术的适用性和采用。为了更系统地说明小农户证据基础，进一步检查纳入研究以识别那些明确针对小农户系统或直接与碎片化、异质性或资源受限农业环境相关的研究。表6总结了综合中识别的小农户聚焦和小农户相关研究，包括地理环境、作物或生产系统、传感配置、分析方法以及报告的实施相关信息。如表6所示，几项UAV–AI研究在技术上与小农户农业相关，因为它们涉及异质性田地、地块级诊断、产量估算、胁迫检测或局部作物监测。然而，证据基础在技术性能方面强于实施准备度。大多数研究未报告田地大小、UAV服务交付模式、成本结构、采用率或推广途径。这表明未来研究应将UAV–AI性能评估与经济分析、参与式设计和基于服务的部署模式配对，以减少对个人UAV所有权的需求。尽管本综述强调UAV–AI系统与小农户农业的相关性，但证据基础仍不均衡。几项纳入研究明确涉及或直接适用于小农户和碎片化农业系统，特别是在高空间变异性、不规则田地边界、有限投入获取和薄弱咨询基础设施约束常规监测方法的环境中。示例包括使用UAV衍生的NDVI估算撒哈拉以南非洲复杂耕作系统中玉米活力和产量，在坦桑尼亚使用UAV监测异质性小农户作物田地，使用UAV-卫星评估异质性小农户田地中的产量和肥料响应，以及使用UAV多光谱评估小农户农场中的玉米叶面积指数。这些研究展示了UAV–AI方法在地块级作物监测、产量估算、胁迫检测和碎片化景观中局部管理支持方面的技术潜力。然而，综述文献也表明，小农户相关性通常是推断的而非系统记录的。许多研究报告技术性能指标如分类精度、植被指数关系或预测误差，但提供的关于田地大小、农场所有权结构、农民参与、部署成本、UAV服务模式、采用率或与推广及咨询系统整合的信息有限。因此，文献在证明技术可行性方面强于在证明真实小农户条件下的运行可行性。这一差距对CSA有重要影响。在小农户系统中，UAV–AI技术的价值不仅取决于模型是否能检测胁迫或预测产量，还取决于信息是否能以可负担的方式交付、在当地解释并转化为及时的管理行动。关于合作UAV服务、推广中介无人机部署、共享数据平台、低成本传感工作流和面向农民的咨询界面的证据仍然有限。这些实施维度至关重要，因为对许多小农户而言，个人拥有UAV平台和先进传感器可能不现实。因此，UAV平台、传感器系统、分析模型、决策支持工具和实施机制的整合构成了CSA的系统级架构。如表7所总结，UAV–AI系统的有效性不仅取决于单个技术组件，还取决于数据获取、处理、建模、决策支持、系统整合、实施路径和反馈机制的协调。这种系统视角对以小农户农业尤为重要，其中碎片化田地、有限基础设施和受限技术能力需要情境敏感和面向服务的部署模式。表7突出表明，UAV–AI系统实现气候智慧并非仅仅通过生成高分辨率数据，而是通过将数据与决策、决策与行动、行动与反馈联系起来。对于小农户系统，最有前景的路径可能涉及共享UAV服务、推广支持的分析、可互操作的数据系统和参与式决策支持工具，以降低成本、提高可及性并加强地方能力。因此，未来研究应从概念验证精度评估转向现场测试的实施研究。优先领域应包括记录农场和地块大小、生产系统、服务交付模式、成本结构、农民参与、咨询途径和采用约束。研究还应评估UAV–AI建议是否能带来产量稳定性、投入利用效率、气候胁迫韧性和农民决策信心的可测量改进。此类证据将加强从UAV–AI作为诊断技术向作为小农户系统气候智慧农业智能可扩展组件的过渡。
**4.4. UAV–AI技术在气候智慧农业中的系统级整合**
基于前述讨论，UAV–AI系统在作为协调的气候智慧农业系统而非孤立的传感或建模工具组织时最为有效。这需要跨数据获取、处理、分析建模、决策支持、实施路径和反馈机制的整合。如表7所总结，每个组件对CSA成果的贡献不同，同时也呈现特定的约束和小农户相关实施需求。第3节的发现突出了UAV遥感和AI在农业系统中日益增长的整合，特别是在CSA背景下。虽然第3.1至3.5节呈现了技术发展、应用领域和分析方法，但本节将这些发现置于更广泛的系统视角下解释，重点强调小农户系统、可扩展性以及生产力、适应和减缓目标之间的平衡。UAV平台、传感器系统、分析模型和决策支持机制的整合构成了CSA的全面框架。这一集成框架突显UAV–AI系统的有效性不仅取决于单个技术组件，还取决于它们在社会技术和制度背景下的协调，特别是在小农户系统中。UAV–AI技术在CSA中的系统级整合总结于表8，该表将关键技术组件与其功能角色、CSA支柱和实施约束联系起来。
**4.5. 新兴研究差距与未来方向**
未来研究应优先开发集成且可扩展的UAV–AI系统，使技术能力与农业环境的复杂性对齐。一个关键优先是推进多源数据整合框架，将UAV观测与卫星图像、土壤数据和气候变量相结合，以增强分析稳健性和系统级理解。这种整合在异质性和数据稀疏环境中尤为重要，其中单源观测不足以捕捉农业生态系统的完整变异性。同时，需要开发稳健且可转移的AI模型，能够在多样化农业生态条件下保持性能。使用异质性数据集、跨区域验证和自适应学习策略来改进模型泛化将对更广泛适用性至关重要。这在小农户系统中尤其重要，其中土壤属性、作物管理实践和环境条件的变异性挑战了在受控或均质条件下训练的模型的可靠性。将分析输出转化为可操作见解仍然是一个关键挑战。未来努力应聚焦于设计以用户为中心的决策支持系统，提供直观、情境特异的建议，特别是对在资源约束下经营的小农户。这些系统必须优先考虑可解释性、简单性和可及性，确保复杂的分析输出转化为能在田间立即实施的实用指导。解决经济和运行障碍对可扩展性也至关重要。合作式和基于服务的UAV部署模式，结合云和边缘计算解决方案，为改善可及性和减少技术约束提供了有前景的路径。在小农户环境中，共享服务模式（如社区无人机服务或推广促进的UAV操作）可以减少个人所有权的需求，同时使高分辨率诊断的获取成为可能。这些方法还支持成本分摊、能力建设和地方专长的发展。此外，小农户系统中的基础设施限制，包括有限的互联网连接、计算资源获取受限和技术培训差距，需要开发轻量级、离线能力和移动兼容的分析平台。边缘计算和简化处理管线可在低资源环境中实现近实时分析的关键作用，减少对集中数据处理系统的依赖。加强制度框架和推广系统对支持采用同样至关重要。将UAV–AI技术纳入咨询服务可以增强知识转移，确保技术创新转化为实际农业应用。推广人员可作为中间人，将数据驱动的见解转化为相关建议，同时促进农民与分析系统之间的反馈。最后，未来研究应更加重视参与式和情境特异性的技术开发方法。让农民、推广服务和地方利益相关者参与UAV–AI系统的设计和实施，可以提高采用率、相关性和长期可持续性。在小农户系统中，社会经济和文化因素强烈影响技术采纳，这种参与式框架对于确保UAV–AI创新不仅在技术上有效，而且在经济和社会上可行至关重要。
**5. 结论**
本研究提供了PRISMA指导的综合，涵盖UAV遥感和AI在农业中的应用，特别强调其与CSA目标的对齐及其在小农户系统中的适用性。发现表明，UAV–AI整合已演变为一个稳健的诊断和分析框架，能够在多样化农业环境中实现高分辨率监测、预测建模和数据驱动的决策支持。分析揭示了应用在CSA支柱间成熟度的明显不平衡。以生产力为导向的应用，包括产量估算、生物量评估和养分监测，已较为成熟；而以适应为导向的能力，特别是胁迫检测和早期预警系统，正在继续扩展。相比之下，以减缓为导向的应用，如碳核算和温室气体监测，仍然相对不发达，突显了当前研究格局中的一个关键差距。除了技术进步，综合强调了方法学严谨性和数据代表性在决定UAV–AI系统可靠性和可扩展性方面的重要性。验证方法的变异性、有限的跨站点评估以及跨空间和时间尺度的不充分整合限制了许多模型的可推广性。这些局限性在小农户系统中尤为突出，其中土地碎片化、资源约束和数字基础设施有限对实施提出了额外挑战。发现进一步突显了一个向多模态感知和跨尺度数据整合的新兴转变，将UAV观测与卫星数据和环境数据集联系起来。这种融合反映了从孤立数据采集向集成分析生态系统的转变，能够支持更全面和适应性更强的决策过程。然而，实现这一潜力需要标准化验证框架、可互操作的数据治理系统以及将分析输出转化为可操作建议的制度机制方面的协调进展。展望未来，未来研究应优先开发可扩展、情境感知的UAV–AI系统，明确与小农户农业的运行现实对齐。这包括设计在多样化多区域数据集上训练的模型以提高可推广性，以及建立标准化验证方案以增强跨研究的可比性和可重复性。还需要更加重视减缓导向的应用，特别是在碳监测、土壤有机质评估和温室气体估算等领域。将UAV数据与卫星观测、地面传感器和气候数据集整合将进一步支持多尺度分析框架的发展，能够捕捉复杂的农业生态系统动态。此外，未来努力应关注通过将UAV–AI技术纳入推广服务、合作平台和数字咨询系统，将分析输出转化为可操作的决策支持系统。低成本传感、边缘计算和以用户为中心的界面设计的进步对于提高小农户的可及性和采用率至关重要。最终，UAV–AI系统不应仅被视为监测工具，而应被视为嵌入农艺实践、制度结构和政策框架中的气候智慧农业智能系统的基础组成部分，支持韧性、数据驱动和可持续的农业转型。
