Akili Bandia ya Kijiografia (Geospatial Artificial Intelligence, GeoAI), ni mfumo wa uchanganuzi wa taaluma mbalimbali unaounganisha mifumo ya taarifa za kijiografia, utambuzi wa mbali, uchanganuzi wa anga na mbinu za akili bandia na data yenye rejea za anga ili kutoa ufuatiliaji, utabiri, uboreshaji na usaidizi wa maamuzi. Mapitio haya ya kimfumo yanachunguza matumizi ya GeoAI katika kilimo sahihi kupitia fasihi ya kipindi cha 2019–2026; yanatathmini jinsi picha za satelaiti, data za UAV, vipimo vya IoT na proximal sensor, data za hali ya hewa/tabianchi, taarifa za udongo na kumbukumbu za usimamizi wa shamba zinavyounganishwa. Maeneo makuu ya matumizi katika mapitio ni crop yield estimation, pest and disease detection, soil parameter mapping, resource optimization, climate adaptation na decision support systems. Hitimisho kuu ni kwamba GeoAI si usahihi mkubwa wa modeli pekee: spatial dependence, kutolingana kwa scale, transferability, uncertainty, field validation, interpretability na uunganishaji katika mtiririko halisi wa uendeshaji visipozingatiwa, modeli yenye rejea za kijiografia haiwezi kuitwa mfumo wa maamuzi wa kilimo wa kiutendaji.

Mapitio yametumia mwongozo wa kuripoti wa PRISMA 2020; Scopus na Web of Science Core Collection zilitumika kama hifadhidata kuu za bibliografia, huku Google Scholar na backward/forward citation searching zikitumika kama njia za ziada za ugunduzi. Kwa sababu ushahidi ulikuwa na utofauti mkubwa kwa mazao, eneo, sensa, algoriti, validation design na kipimo cha tathmini, meta-analysis haikufanywa; narrative na thematic synthesis zilitumika.

Fasihi kwa ujumla inahamia kutoka kazi za ramani na utabiri zinazotegemea chanzo kimoja cha data kuelekea mifumo inayounganisha sensa na rekodi tofauti katika mlolongo mmoja wa decision-support. Hata hivyo, tija, ufanisi wa matumizi ya rasilimali, manufaa ya mazingira na faida za kiuchumi havitokei kiotomatiki katika maeneo yote. Matokeo lazima yatathminiwe pamoja na aina ya zao, eneo, ubora wa sensa, calibration, vizingiti vya kilimo vya eneo husika, miundombinu ya mawasiliano, gharama, uwezo wa mtumiaji na uthibitishaji wa matumizi katika hali halisi za shamba.

Akili Bandia ya Kijiografia (GeoAI) ni Nini katika Kilimo Sahihi?

Akili bandia ya kijiografia (GeoAI) ni familia ya mbinu isiyozuiliwa kwenye matumizi ya koordinati za uchunguzi wa kilimo pekee; inaunganisha GIScience, remote sensing, spatial statistics, machine learning, deep learning na uchanganuzi wa maamuzi na muktadha wa anga na wakati ili kutoa utabiri, ramani, tathmini ya hatari au pendekezo la usimamizi kwa maeneo mahususi.

Kwa nini kilimo sahihi ni tatizo la anga?

Shamba si uso wa uzalishaji wenye hali moja kila mahali. Crop performance, soil fertility, pest pressure, water availability na management response vinaweza kubadilika kulingana na eneo na wakati hata ndani ya shamba moja. Lengo kuu la kilimo sahihi ni kuchunguza tofauti hii bila kuipoteza na, inapohitajika, kutumia maamuzi tofauti ya usimamizi ndani ya shamba hilo hilo.

Kwa hiyo jukumu la kisayansi la GeoAI si tu “kuainisha picha ya shamba”. Mahali ambapo taarifa iliyotolewa na modeli ni halali, eneo gani inawakilisha, ni ya msimu gani, ina uhusiano kiasi gani na uchunguzi jirani na pendekezo linaweza kutekelezwa katika management scale gani pia ni sehemu ya uchanganuzi.

Vyanzo vya data katika mfumo ikolojia wa GeoAI

Muundo wa kisayansi wa Figure 1

Chanzo kinaweka mfumo wa GeoAI katika Figure 1 kama mtiririko wa taarifa wa tabaka tano. Tabaka la kwanza lina satellite imagery, UAV imagery, proximal/IoT sensors, weather–climate data na soil/farm records. Tabaka la pili ni spatial–temporal integration: vyanzo tofauti vinasanifishwa, vinaoanishwa, vinaunganishwa, vinapitia udhibiti wa ubora na vinawekewa nyaraka.

Tabaka la tatu ni cloud na edge services. Uhifadhi wa data, streaming, computation, containers, GIS databases na miundombinu ya API vinaweza kuwepo hapa. Tabaka la nne ni GeoAI analytics: spatial statistics, machine learning, deep learning, computer vision, explainability na uncertainty analysis.

Tabaka la mwisho ni validated decision support. Chanzo kinaonyesha hapa matokeo kama crop-health/yield forecasts, pest and disease scouting priorities, prescription maps na irrigation/soil/climate advisories. Muundo huu unasisitiza kwamba utabiri wa modeli si bidhaa ya mwisho, bali ni tabaka la kati linaloelekea kwenye uamuzi wa kilimo uliothibitishwa.

Tatizo la Change-of-support ni nini?

Uchunguzi kutoka sensa tofauti haupimi kitu kilekile juu ya msingi uleule wa kimwili. Pikseli moja ya satelaiti inaweza kuwakilisha wastani wa uso wa makumi au mamia ya mita za mraba. Pikseli ya UAV inaweza kuwakilisha sehemu ndogo zaidi ya kanopi, ilhali sensa ya unyevu wa udongo hutoa taarifa kuhusu nukta moja au sensing volume yenye mipaka.

Kuweka vipimo hivi vyote kwenye 10 m, 20 m au raster grid nyingine ya pamoja kupitia resampling kunaweza kuunda mfumo wa pamoja wa koordinati kihisabati; lakini hakufanyi spatial support asilia za uchunguzi kuwa sawa. Resampling na interpolation zinaweza kubadilisha variance, covariance na mifumo ya anga.

Kwa hiyo uunganishaji wa multimodal GeoAI si suala la kuweka faili juu ya faili nyingine pekee. Jinsi support transformation, scale compatibility, temporal synchronization na heterogeneous-input uncertainty vinavyoingizwa kwenye modeli lazima itathminiwe kando.

Kwa nini data za multimodal ni muhimu?

Sensa moja haiwezi kuona hali yote ya kimwili ya mfumo wa kilimo. Satellite imagery inaweza kufuatilia eneo kubwa mara kwa mara lakini huona kwa ukomo maelezo ya mmea mmoja. UAV hutoa maelezo ya juu sana ya anga lakini gharama ya ufunikaji wa eneo kubwa na wa kuendelea inaweza kuongezeka. Sensa ya IoT inaweza kupima mara nyingi katika eneo maalum lakini huenda isiwakilishe shamba lote.

Katika mbinu ya multimodal fusion, vyanzo hivi vinakusudiwa kubeba taarifa zinazokamilishana. Kwa mfano, mfumo wa yield forecasting unaweza kuunganisha satellite time series na weather data, soil covariates, taarifa za cultivar na management records. Hivyo modeli inaweza kutathmini si canopy reflectance pekee bali pia mazingira ya udongo, hali ya hewa na usimamizi ambamo kanopi imekua.

Maeneo sita makuu ya matumizi yaliyojitokeza katika mapitio

Ni mbinu zipi za AI zinazotumika?

Hitimisho kuu la mapitio si kwamba “algoriti moja ni bora kuliko zote”. Familia tofauti za modeli hutumika kwa miundo tofauti ya data na majukumu tofauti.

Random Forest na mbinu nyingine za ensemble hutumika mara nyingi kwenye tabular soil data na seti za data za remote-sensing za ukubwa wa kati kwa sababu ya uthabiti na urahisi wa kutafsiri. CNN zinaongoza katika majukumu ya crop-health, segmentation na pest/disease detection yanayotegemea picha. Miundo ya sequence kama RNN, LSTM na GRU hutumika kwa weather, crop-growth na yield time series.

Vision Transformer na mifumo ya hybrid CNN–Transformer inachunguzwa kwa ajili ya kuunda modeli za muktadha mpana wa picha na multimodal representations. Graph-based models zinaweza kutumika katika matatizo ambako uwakilishaji wa wazi wa uhusiano kati ya uchunguzi ni muhimu.

Katika kiwango cha GeoAI workflow, multimodal fusion, GIS-based spatial analysis, Explainable AI (XAI), uncertainty quantification, digital twins na cloud–edge processing huunda usanifu wa mfumo unaozunguka modeli.

Kwa nini Explainable AI na uncertainty ni muhimu kwa pamoja?

Ikiwa modeli inaathiri uamuzi halisi wa usimamizi kama irrigation, fertilization au pesticide application, kuonyesha tu daraja la utabiri hakutoshi. Mtaalamu wa kilimo au mkulima anaweza kutaka kujua data gani iliathiri uamuzi na modeli ina uhakika kiasi gani kuhusu uamuzi huo.

Mapitio yanajadili mbinu za XAI kama SHAP, LIME, Grad-CAM, surrogate models na attention visualization. Uncertainty quantification inaweza kusaidia kuweka alama prediction au prescription zenye uhakika mdogo kwa field inspection.

Tabaka hizi mbili hujibu maswali tofauti: explainability hujibu “kwa nini modeli ilisema hivyo?”; uncertainty hujibu “tunaweza kuamini kiasi gani kile modeli ilichosema?”.

Kwa Nini Data Yenye Rejea za Kijiografia Pekee Si GeoAI Halisi?

Kuwa na koordinati au kuonyeshwa kwenye ramani hakuhakikishi spatial reasoning halisi; chanzo kinasisitiza kwamba GeoAI lazima ishughulikie wazi spatial dependence, covariance, support, scale, regional heterogeneity, spatial validation na transferability kuanzia sampling hadi hatua ya uamuzi.

Utegemezi wa anga

Uchunguzi wa kilimo ulio karibu kijiografia unaweza kushiriki hali za udongo, topografia, tabianchi, umwagiliaji au usimamizi. Kwa hiyo dhana ya kawaida ya uchunguzi huru si sahihi kila wakati.

Spatial statistics zinaweza kuunda modeli ya utegemezi huu wazi kupitia covariance, variogram, kriging, spatial Bayesian models au spatial models nyingine. Sifa ya “geospatial” ya GeoAI haitokani na safu ya latitude/longitude pekee, bali na jinsi mahusiano haya yanavyoingizwa katika muundo wa uchanganuzi.

Spatial leakage

Kwa mfano, ikiwa kati ya pikseli mbili za shamba moja zilizo karibu sana moja itaingia kwa nasibu kwenye training na nyingine kwenye test, sampuli ya test inaweza isiwe huru dhidi ya data za mafunzo. Modeli itakuwa tayari imeona kwa njia isiyo ya moja kwa moja sifa za anga za eneo hilo.

Katika hali hiyo random train–test split inaweza kutoa performance metric kubwa kuliko kawaida. Chanzo kinapendekeza matumizi ya spatially blocked validation, leave-location-out, cross-region validation au temporal holdout kulingana na intended deployment.

Deep learning haitoi spatial reasoning kiotomatiki

CNN inaweza kujifunza texture ya picha vizuri sana; lakini si lazima iwakilishe muundo wa ujirani wa kijiografia au spatial scale ambayo picha hiyo ni halali. Transformer pia haipati geographic reasoning halisi kwa sababu ya usanifu wake pekee ikiwa positional au spatial representation haijaundwa kwa maana.

Kwa hiyo accuracy kubwa pekee si ushahidi wa GeoAI halisi. Pia lazima ionyeshwe modeli ni halali kwa field, region, season, sensor na spatial scale gani.

Tofauti kati ya mapped output na spatially informed product

Prediction ya modeli inaweza kugeuzwa kuwa ramani; lakini matokeo yaliyowekwa kwenye ramani si sawa na bidhaa iliyothibitishwa kianga. Spatially informed workflow huandika sampling strategy, spatial dependence, support, validation geography, uncertainty na scale, na humweleza mtumiaji modeli inaweza kutumika wapi.

Figure 3: Pipeline ya GeoAI ya kiutendaji

Katika mchoro, teknolojia kama Amazon S3, EC2, Kubernetes, Jupyter, SageMaker, PostGIS, RDS, DynamoDB, GeoServer, WMS na WFS zinaonyeshwa kama mifano. Chanzo hakifafanui bidhaa hizi kama usanifu wa lazima; AWS, Azure, Google Cloud, miundombinu ya open-source, hybrid au on-premises inaweza kutekeleza mlolongo uleule wa kazi.

Mbinu na Matokeo ya Utafiti

Maswali ya utafiti ya mapitio

Mapitio ya kimfumo yameundwa kuzunguka maswali makuu matano: maeneo ya sasa ya matumizi ya GeoAI na mabadiliko yake; mbinu za GeoAI/ML na vyanzo vya data vinavyotumika; ushahidi kuhusu productivity, resource efficiency, environmental sustainability na operational decision making; changamoto za kiufundi, kiutendaji, kijamii-kiuchumi na kiutawala zinazozuia matumizi kwa kiwango kikubwa; na mapengo ya utafiti kwa mifumo ya GeoAI ya kizazi kijacho.

Mkakati wa kutafuta fasihi

Machapisho ya kabla ya 2019 hayakuhifadhiwa ili kupanua hifadhi kuu ya empirical evidence, bali ili kueleza misingi ya spatial/geostatistical/remote-sensing/AI methods zinazohitajika, kutoa conceptual framework inayotumika sana au kuunda benchmark context ya kutafsiri fasihi mpya zaidi.

Mantiki ya kujumuisha na kuondoa

Ili utafiti ubaki ndani ya wigo, lazima kuwe na uhusiano wazi kati ya tatizo la kilimo, data za spatial au georeferenced na uchanganuzi unaotegemea AI. Tafiti zilizotumia AI pekee bila geospatial component, na tafiti zilizotumia GIS/remote sensing pekee bila AI analytical component, ziliondolewa.

Short abstract, poster, editorial, opinion, non-English record na rekodi zisizoweza kutathminiwa kimetodolojia pia ziliondolewa. Journal quartile au impact-factor cut-off haikutumika; hadhi ya jarida haikuchukuliwa kama mbadala wa methodological quality.

Kutolingana ndani ya chanzo katika hesabu za PRISMA

Njia mbili za kuripoti zinafikia rekodi zile zile 290; hata hivyo mgawanyo wa makundi ya duplicate na ineligible haupatani. Chanzo hakitoi maelezo tofauti ya reconciliation kwa hili. Verianla haikubali kimya kimya mojawapo ya thamani hizi kama “sahihi”.

Mtiririko baada ya screening

Kikomo cha tafsiri: Thamani ya 134 ni idadi ya ripoti zinazostahili kabla ya cross-pathway deduplication na multiple reports reconciliation zinazohusiana na utafiti uleule. Chanzo kinasema wazi kuwa thamani hii si idadi iliyothibitishwa ya tafiti za kipekee.

Uchimbaji wa data

Mtafiti mmoja alikodi kutoka kila rekodi inayostahili taarifa za publication year, study type, crop/agricultural system, country/region, application domain, sensing platform, data source, spatial/temporal scale, algorithm, evaluation metric, reported outcome, implementation barrier na future-research need.

Mbinu ziligawanywa katika familia kama traditional ML, DL, Transformer-based models, object detection/segmentation, multimodal fusion, GIS spatial analysis, XAI, uncertainty quantification, digital twins na dashboard-based decision support.

Validation ilikodiwa kama tabaka tofauti la ushahidi

Kipimo cha modeli na validation design vilikodiwa tofauti. Tafiti, inapowezekana, ziliainishwa kama random validation, temporally independent validation, spatially independent validation, external-site validation au field/operational validation.

Tofauti hii ni muhimu sana. Modeli kuwa na accuracy kubwa kwenye random split haithibitishi kuwa itatoa mafanikio yale yale katika shamba au eneo jingine. Vivyo hivyo, kutabiri soil moisture au disease probability hakumaanishi kwamba prediction hiyo imeboresha management decision halisi.

Maeneo ya tathmini ya ubora

Kwa Nini Usahihi Mkubwa wa Modeli katika GeoAI Hauthibitishi Mafanikio ya Kiutendaji?

Accuracy kubwa, F1, R² au prediction metric inayofanana huonyesha tu mafanikio ya modeli katika evaluation design fulani; kwa mafanikio ya kiutendaji ya kilimo sahihi, modeli lazima iweze kuhamishwa kwa maeneo na vipindi vipya, uncertainty yake ijulikane, matokeo yabadilishwe kuwa uamuzi wa usimamizi unaotekelezeka, na uamuzi huo uthibitishwe dhidi ya maji, input, mavuno, gharama au matokeo mengine halisi ya shambani.

Ngazi za ushahidi kutoka sensing hadi action

Chanzo kinaeleza mantiki ya hatua nne kwa kutumia hasa mfano wa irrigation:

Kwa hiyo uthibitishaji wa kiutendaji unapaswa kulinganisha matokeo kama water application, water-use efficiency, crop yield/quality, energy consumption, irrigation timing na over-/under-irrigation dhidi ya conventional management au baseline inayofaa.

Tija na utabiri

Yield prediction ni mojawapo ya maeneo ya GeoAI yaliyopevuka zaidi katika mapitio. Kutumia satellite time series, weather, soil, cultivar na management-zone information kwa pamoja kunaweza kutoa prediction context pana kuliko modeli inayotegemea vegetation index moja.

Hata hivyo, chanzo hakikokotoi ongezeko moja la pamoja la accuracy kwa modeli zote hizi. Kwa sababu tafiti zina crop, region, metric na validation design tofauti, thamani ya pamoja ya performance ya meta-analytic haikutolewa.

Ugunduzi wa wadudu na magonjwa

CNN, Vision Transformer, object detector na segmentation zinatumika zaidi kwa crop stress, pest na disease symptoms. Hata hivyo, performance ya controlled image dataset inaweza kutobaki sawa illumination, phenology, cultivar, background na disease severity vinapobadilika.

Operational pest/disease management inahitaji cross-domain transferability na field-scale validation.

Ramani ya udongo

Katika tafiti za GeoAI soil mapping, field samples, proximal sensing, terrain attributes, satellite products na environmental covariates zinaweza kuunganishwa. Thamani ya agronomic ya remote sensing huongezeka inapounganishwa na ground truth.

Kwa uhamishaji kwenda mashamba mapya, spatially blocked validation, local calibration, uncertainty estimates na agronomically interpretable management outputs ni muhimu.

Uboreshaji wa rasilimali

Resource optimization inajumuisha irrigation, fertilization, pesticide application na machinery operations. Haitoshi model recommendation ziweze kuzalishwa kiufundi tu; lazima zilingane na local agronomic thresholds, equipment constraints, farmer risk tolerance na labor requirements.

Uendelevu wa mazingira

Matumizi madogo ya water, fertilizer au pesticide yanaweza kuwa na manufaa kwa runoff, pollution au emissions. Hata hivyo environmental footprint ya teknolojia ya kidijitali haiwezi kupimwa kwa input reduction ya shambani pekee.

Vipengele vya mzunguko wa maisha kama device manufacturing, electricity demand, cloud/data infrastructure na rebound effects pia vinapaswa kuzingatiwa. Kwa hiyo utafiti hauwasilishi environmental sustainability gains kama matokeo yasiyo na masharti.

Utekelezekaji wa kiuchumi na kiutendaji

Initial investment, subscription costs, connectivity, equipment compatibility, technical support na user training vinaweza kuamua adoption. Chanzo kinapendekeza kwamba siku zijazo, pamoja na model metrics, viashiria kama return on investment, implementation cost, labor saving na operational resilience vitathminiwe pia.

Vikwazo vikuu vya GeoAI

Mwelekeo wa utafiti wa baadaye

Multimodal AI fusion

Katika mifumo ya multimodal ya baadaye, kuunganisha feature tofauti katika vector moja pekee hakuonekani kuwa kunatosha. Inapendekezwa tofauti katika spatial support, temporal frequency, measurement uncertainty na sensor failure mode zisimamiwe wazi ndani ya usanifu.

Generative AI

Miundo ya GAN na diffusion inaweza kutoa synthetic training data kwa pest events adimu, imbalanced disease classes au crop stages zenye lebo chache. Hata hivyo generated samples zinaweza kupotosha usambazaji halisi wa kibaolojia na wa anga.

Kwa hiyo tafiti za synthetic-data zinapaswa kuripoti si aggregate accuracy pekee bali pia athari kwenye spatial generalization, calibration, uncertainty na field transfer.

Explainable AI

XAI haipaswi kuishia katika kuonyesha pixel au variable gani ni muhimu. Pia inapaswa kuonyesha maelezo ni halali katika jiografia gani, scale gani na chini ya uncertainty gani.

Edge AI

Kadiri UAV, robot, smart trap, irrigation controller na dense IoT networks zinavyoongezeka, field-side processing inakuwa muhimu zaidi. Edge AI inaweza kupunguza mahitaji ya latency na bandwidth; hata hivyo lightweight models, compression, sensor-quality control na fallback behavior salama inapokatika connectivity zinahitajika.

Data privacy na participatory design

Data za kilimo zinaweza kubeba taarifa nyeti za kibiashara kuhusu land productivity, input use, taratibu za shamba na location-specific vulnerabilities. Kwa hiyo consent, confidentiality, geoprivacy na ownership vinapaswa kuwa vipengele vya msingi vya usanifu wa mfumo, si nyongeza za baadaye.

Chanzo kinapendekeza mifumo ya baadaye ibuniwe pamoja na farmer, agronomist, advisor, cooperative na platform provider.

AI regulation

GeoAI inapokuwa na ushawishi katika irrigation, fertilization, pesticide application, credit, insurance au sustainability reporting, accountability, liability, transparency na data rights huwa muhimu zaidi.

Kwa mifumo ya operational, inapendekezwa kuweka matarajio ya chini kuhusu validation geography, auditability, uncertainty communication, privacy protection na human oversight.

Foundation models

Foundation models zinaweza kutoa reusable representations kati ya crops, regions, sensors na tasks tofauti. Miundo mikubwa ya lugha na self-supervised vision models kama DINOv2/DINOv3 zinajadiliwa kama mifano ya jumla ya kiteknolojia ya mwelekeo huu.

Hata hivyo agricultural foundation model hazipaswi kukubaliwa kama general-purpose agricultural solution kabla ya kuthibitishwa kwa spatial transfer, phenological robustness, sensor compatibility, bias, explainability na uncertainty.

Hitimisho zinazoungwa mkono na utafiti

Mapitio yanaunga mkono kwamba fasihi ya GeoAI inaelekea kutoka isolated mapping na isolated prediction kwenda multimodal, integrated decision-support workflows.

Mapitio yanaunga mkono kwamba matumizi ya pamoja ya satellite, UAV, IoT, weather, soil na management data yanaweza kukamilishana kama vyanzo tofauti vya taarifa za anga na wakati.

Mapitio yanaunga mkono kwamba kuna matumizi muhimu ya predictive na decision-support katika maeneo ya yield estimation, pest/disease detection, soil mapping, irrigation na resource optimization.

Mapitio yanaunga mkono kwamba georeferenced input pekee haitoshi kwa spatial AI halisi na kwamba spatial dependence, scale, support, validation geography na uncertainty lazima zizingatiwe.

Mapitio yanaunga mkono kwamba kwa trustworthy GeoAI, explainability, uncertainty quantification, interoperability, field validation na operational integration ni muhimu sawa na model accuracy.

Hitimisho ambazo utafiti hauungi mkono

Mapitio hayaonyeshi kwamba usanifu wowote wa AI ndio modeli bora kwa matatizo yote ya precision-agriculture.

Mapitio hayaonyeshi kwamba random-validation accuracy kubwa inahakikisha mafanikio ya cross-region au field deployment.

Mapitio hayaonyeshi kwamba CNN au Transformer yenye georeferenced input hufanya spatial reasoning kiotomatiki.

Mapitio hayaonyeshi kwamba matumizi yote ya GeoAI yanatoa manufaa ya uhakika na ya ukubwa sawa katika yield, water saving, fertilizer reduction au environmental impact.

Mapitio hayaonyeshi kwamba athari ya mazingira ya kilimo kidijitali huwa chanya katika kila hali.

Mapitio hayaonyeshi kwamba foundation model au generative AI systems ziko tayari kuchukua nafasi ya mbinu zilizopo za specialized geospatial.

Mapitio hayaonyeshi kwamba thamani 134 katika PRISMA Figure 2 ni tafiti huru za kipekee 134 kwa uhakika.

Mapungufu ya mapitio yenyewe

Systematic search kuu inategemea hasa Scopus na Web of Science; gray literature, proprietary deployment na baadhi ya regional publications zinaweza kukosekana.

Kuingiza machapisho ya Kiingereza pekee katika systematic screening kunaweza kufanya baadhi ya maeneo yaonekane chini ya kiwango chao halisi katika fasihi.

Kwa kuwa GeoAI ni eneo linalobadilika haraka, mifumo mipya zaidi inaweza kuwa bado haijaonekana katika peer-reviewed literature.

Kuna heterogeneity kubwa kati ya tafiti zilizochunguzwa kwa crop, geography, sensor, scale, model, validation na metric; kwa hiyo statistical meta-analysis haikufanywa.

Title/abstract screening, full-text eligibility assessment, quality assessment na data extraction zilifanywa na mtafiti mmoja. Kutokuwepo kwa independent duplicate assessment huongeza hatari ya selection bias, missed-study na coding-error.

PRISMA narrative ndani ya chanzo haipatani kikamilifu na makundi ya kuondoa kabla ya screening katika Figure 2.

Maelezo ya Chanzo na Mbinu

Kichwa asilia: Geospatial Artificial Intelligence in Precision Agriculture: A Systematic Review of Applications, Multimodal Data Integration, and Decision Support

Mwandishi: César de Oliveira Ferreira Silva

Uhusiano wa taasisi: StormGeo, São Paulo 05110903, Brazil.

Corresponding author: PDF haionyeshi alama tofauti ya corresponding-author; barua pepe ya mawasiliano ya mwandishi pekee imetolewa.

Jarida: AI and Precision Agriculture

Mchapishaji: MDPI

Juzuu / Toleo / Makala: 1 / 1 / 4

DOI: 10.3390/aipa1010004

Tarehe: Imepokewa: 4 Julai 2026; imerekebishwa: 17 Septemba 2026; imekubaliwa: 20 Septemba 2026; imechapishwa: 22 Septemba 2026.

Aina ya chanzo: Systematic Review.

Mapitio ya kitaalamu: Makala imechapishwa katika jarida la kimataifa la AI and Precision Agriculture lenye mapitio ya kitaalamu.

Toleo: Version of Record.

Leseni: Creative Commons Attribution (CC BY). Kwa kuwa mstari wa leseni unaoonekana katika PDF haujaandika nambari ya toleo kando, toleo la leseni halijakadiriwa.

Review reporting framework: PRISMA 2020.

Kipindi kikuu cha machapisho: 2019–2026; baadhi ya tafiti za msingi za zamani zilizokuwa muhimu kimetodolojia au kidhana zimehifadhiwa.

Hifadhidata kuu: Scopus na Web of Science Core Collection.

Supplementary discovery: Google Scholar na backward/forward citation searching.

Tarehe ya utafutaji wa Scopus: 2 Julai 2026.

Tarehe ya utafutaji wa Web of Science: 4 Julai 2026.

Kizuizi cha lugha: English.

Mbinu kuu ya synthesis: Narrative na thematic synthesis; statistical meta-analysis haikufanywa.

Research questions: Application domains; GeoAI/ML methods na data sources; agricultural effectiveness; implementation/adoption barriers; future research directions.

Makundi ya application-domain: Crop yield estimation; pest and disease detection; soil parameter mapping; resource optimization; climate adaptation; decision support systems.

Mbinu kuu za GeoAI: Multimodal fusion, GIS-based spatial analysis, spatial statistics, XAI, uncertainty quantification, digital twins, real-time/near-real-time processing.

Mbinu kuu za ML/DL: Random Forest, ensemble methods, SVM, XGBoost, CNN, RNN, LSTM, GRU, Vision Transformer, YOLO/object detection, DNN na graph-based models.

Vyanzo vikuu vya data: Satellite imagery, UAV imagery, IoT/proximal sensing, weather/climate data, soil measurements, vegetation indices na farm-management records.

Uainishaji wa Validation: Random; temporally independent; spatially independent; external-site; field/operational validation.

Dokezo muhimu la PRISMA: Narrative method text inaripoti kabla ya screening 194 duplicate + 99 outside-scope + 49 other removal, huku Figure 2 ikionyesha 127 duplicate + 166 automation-ineligible + 49 other removal. Njia zote mbili zinafikia 290 screened record lakini mgawanyo wa makundi haupatani.

Hali ya nambari 134: Database pathway ina 128 na supplementary pathway ina eligible report sita, hivyo 134 ni combined eligible-report kabla ya cross-pathway deduplication na multiple-report reconciliation; haipaswi kutumika kama unique-study count iliyothibitishwa.

Dhana kuu ya kimetodolojia ya anga: Change-of-support problem; satellite pixel, UAV pixel, point sensor na management zone huwakilisha spatial support tofauti na common-grid resampling pekee haiondoi tofauti hiyo.

Onyo kuu la validation: Katika uchunguzi wenye spatial dependence, random train–test splitting inaweza kusababisha spatial leakage na optimistic performance; spatially blocked, leave-location-out, cross-region au temporal validation inayolingana na intended deployment inapaswa kutathminiwa.

Ufadhili: Utafiti haukupokea ufadhili wa nje.

Upatikanaji wa data: Data na materials zinaweza kupatikana kutoka kwa corresponding author kwa ombi lenye sababu.

Author Contributions: Chanzo hakina sehemu tofauti ya Author Contributions.

Tamko la matumizi ya AI: Kulingana na sehemu ya Acknowledgments, mwandishi alitumia ChatGPT 5.4 kurekebisha maandishi na kusahihisha pamoja na kuboresha msimbo ulioandikwa katika chanzo kama “LETAX code”; alikagua na kuhariri matokeo mwenyewe na akachukua wajibu wa maudhui ya chapisho.

Mgongano wa maslahi: Mwandishi ni mfanyakazi wa StormGeo. Chanzo kinaeleza kwamba utafiti ulifanywa bila mahusiano ya kibiashara au kifedha ambayo yangeweza kuleta mgongano wa maslahi.

Kizuizi kikuu cha systematic-review: Utegemezi mkubwa kwa Scopus/Web of Science, English-only screening, fasihi inayobadilika haraka na kufanywa kwa screening/extraction zote na mtafiti mmoja hupunguza upana wa ushahidi na uaminifu wa uteuzi/ukodishaji.

Kikomo kikuu cha tafsiri ya kisayansi: Fasihi ya GeoAI inaonyesha uwezo mkubwa wa prediction, monitoring na decision-support kwa kilimo sahihi; lakini model metric kubwa si ushahidi wa moja kwa moja wa geographic transferability, athari ya kiutendaji, thamani ya kiuchumi au environmental sustainability.