3.4 农业：产量预测与精准种植

3.4 农业：产量预测与精准种植

农业AI指用卫星与无人机影像、土壤传感和历史气象数据辅助产量预测、病虫害识别与变量施药的软件系统。本节审计它在数据最稀疏、环境最恶劣的现场里还能剩下多少成色。

一年只有一个生长季

农业AI的所有限制都来自一个物理事实：一年只有一个生长季。别的行业数据按天回流，农业的标签按年回流——一块田今年的产量标签，要等到收获才有。这意味着模型验证一轮要一年，三年的数据积累在农业里只是三个样本点。审计农业AI项目，先看它宣称用了几年、几个地块的数据；三年以下的数据训练出的模型谈"精准"，成色存疑。

第二个限制是环境恶劣。实验室里九成五的病虫害识别模型，装到植保无人机上会遇到反光、露水、药雾遮挡、不同机型相机色偏；田间网络不稳，推理要跑在边缘设备上。部署环境的每一项都在侵蚀实验室指标。

import random

random.seed(52)

def field_accuracy(lab_accuracy=0.95, glare=0.04, dew=0.03,
                  camera_shift=0.02, edge_compute=0.01):
    """示意：实验室精度逐项折损到田间。"""
    a = lab_accuracy
    a *= (1 - glare)          # 强反光误判
    a *= (1 - dew)            # 叶面露水遮挡病斑
    a *= (1 - camera_shift)   # 相机色偏导致分布偏移
    a *= (1 - edge_compute)   # 边缘端模型压缩的精度损失
    return a

print("实验室精度 95.0%% -> 田间估计 %.1f%%" % (field_accuracy() * 100))
print("阴天反光加重时  -> 田间估计 %.1f%%" % (field_accuracy(glare=0.08) * 100))
# 五个百分点的折损听着不致命，但别忘了第2.2节的教训：
# 患病率低的场景里，几个点就足以击穿阳性预测值。
​

变量施药的经济学

精准种植的明星应用是变量施药：按地块的杂草密度差异，控制喷头逐行调节药量。它的成色要从农资账上核：节省的农药钱减去系统加装成本（视觉模块、变量泵、调试），再除以作物亩产值的基数。经济作物（果园、蔬菜）亩产值高、用药量大，回收期普遍可行；大田粮食作物亩利润薄，同一套硬件三年回不了本。同一个技术，换个作物成色天差地别——这是第3.5节毛利显微镜的预演。

def vra_payback(acres=500, chem_cost_per_acre=120, save_rate=0.30,
                hardware=180000, annual_service=15000):
    """变量施药回收期：节省药费 vs 硬件加服务费。"""
    annual_saving = acres * chem_cost_per_acre * save_rate
    net = annual_saving - annual_service
    if net <= 0:
        return None
    return hardware / net

for crop, acres, chem in [("经济作物(果园)", 500, 400), ("大田(粮食)", 2000, 80)]:
    y = vra_payback(acres=acres, chem_cost_per_acre=chem)
    if y:
        print("%s: 回收期约 %.1f 年" % (crop, y))
    else:
        print("%s: 年节省不抵服务费，无回收期可言" % crop)
# 典型输出：果园 1~2 年回本，大田 5 年以上甚至无解。
# 决定成色的不是识别算法，是作物经济结构。
​

产量预测的诚实口径

卫星影像加气象数据做县级产量预测，精度可以做到相当好；做到地块级立刻变难；做到"帮某个农户决定今年种什么"则基本超出当前能力边界——决定种什么的变量太多（行情、轮作、劳力、补贴），产量模型只覆盖其中一角。审计产量预测时核对预测粒度和验证口径：是县级 aggregates 的回测，还是地块级的留出验证？前者漂亮但用途有限（适合收储和保险定价），后者才是种植决策需要的。

图：农业AI的约束漏斗

漏斗的三层对应三个审计问题：项目方报的是哪一层的精度；从第一层到第二层的折损有没有实测数据；第三层的经济核算做没做。三层问题问完，一个农业AI项目的真实成色基本就摸清了——多数宣传材料只展示漏斗最宽的那一层。

结果、解读与变式

背景（一年一季的物理约束）、操作（精度折损链、施药经济学、预测粒度核对）、结果（作物经济结构决定回收期）完整。解读：农业AI的成色底线由数据回流速度和亩均利润共同封顶，诚实的项目会把"县级预测、经济作物优先"写在第一页。变式：水产养殖的溶氧预测、畜牧的体征监测、温室的环境调控是同构场景，其中温室因为环境可控、数据回流快，反而是农业里成色最好的现场——封闭环境战胜了季节约束。下一节把四个现场放到毛利显微镜下做横向复盘。

农业AI的第三条路：绕开标签

除了等一年的田间标签，还有一条绕行路线：用模拟与迁移减轻标签饥渴。作物生长模型（农学领域积累的机理方程）可以生成大量仿真数据，让模型先在仿真里学个大概，再用少量真实田块数据微调；不同作物之间也可以迁移共享底层特征（叶片形态、行距纹理）。这类混合路线在公开研究里已有效果，但审计口径要清醒：仿真与迁移都引入了域差，微调集的真实数据量仍然决定最终成色的下限。把它当作省标签的手段可以，当作无标签的替代不行——农业的物理约束不讲情面，这一点在评审任何"少量数据解决大问题"的农业方案时都值得重复一遍。

政策变量的位置

最后记一个非技术但权重极高的变量：补贴。农机购置补贴、智慧农业试点专项会直接改变3.4节那笔回收期账的分子或分母——硬件成本被补贴覆盖后，原本五年回本的大田方案可能两年就达标。审计农业项目要问清账期内的补贴政策与到位概率，这不是取巧，是行业现实。反过来也要警惕为拿补贴而上马的项目：补贴到期之日往往就是系统停用之时，审计报告里应标注项目的"补贴依赖度"。

补一句关于部署形态的观察：农业AI的硬件迭代周期与作物周期错位，也影响成色。摄像头与传感设备装在露天，三年一换；作物一季一茬；而算法模型随数据每季更新。三种周期纠缠的结果是系统任何时刻都由"不同代际的部件"拼成，兼容性维护成为常态。采购时选模块化可更换的硬件方案、避免整机绑死一家供应商，是比挑选算法更能延长项目寿命的决策。