Los agricultores y ganaderos dependen de la producción anual de forraje para las empresas ganaderas de pastizales. Muchos modelos de predicción de regresión y aprendizaje automático (ML) han sido desarrollados para comprender la variabilidad estacional en la hierba y la producción de forraje, mejorar las prácticas de manejo y ajustar las tasas de carga. Además, las herramientas de apoyo a la toma de decisiones ayudan a los agricultores a comparar prácticas de manejo y desarrollar escenarios de pronóstico. Aunque existen numerosos estudios individuales sobre el crecimiento del forraje, modelado, predicción, economía y herramientas relacionadas, estas tecnologías no han sido revisadas de manera exhaustiva. Por lo tanto, se realizó una revisión sistemática de la literatura para sintetizar el conocimiento actual, identificar lagunas de investigación e informar a las partes interesadas. Se analizaron las características de entrada (índice de vegetación [VI], clima y parámetros del suelo), modelos (regresión y ML), herramientas relevantes y factores económicos relacionados con la producción de hierba y forraje. Entre los 85 manuscritos revisados por pares seleccionados, el Espectrómetro de Imágenes de Resolución Moderada para plataformas de satélites de teledetección y el índice de vegetación de diferencia normalizada (NDVI), la precipitación y la humedad del suelo para las características de entrada fueron los más utilizados con mayor frecuencia. Entre los modelos de ML, el modelo de bosque aleatorio fue el más ampliamente utilizado para estimar el rendimiento de la hierba y el forraje. Cuatro herramientas existentes utilizaron insumos de precipitación, evapotranspiración y NDVI para la predicción y monitoreo a gran escala de la dinámica de la hierba y el forraje. La mayoría de las herramientas disponibles para el análisis económico del forraje se basaban en hojas de cálculo y se centraban en la alfalfa. Los estudios disponibles en su mayoría utilizaron satélites de baja resolución espacial y características de VI o climáticas para la predicción a gran escala del rendimiento. Por lo tanto, futuros estudios deberían evaluar el uso de satélites de alta resolución; características de VI y clima; modelos de ML avanzados; herramientas de predicción específicas de campo; y herramientas interactivas, amigables para el usuario, basadas en la web y aplicaciones para teléfonos inteligentes en este campo.