7.2 大数据、人工智能与精准农业

7.2 大数据、人工智能与精准农业

本节摘要：数据进了账，下一问是划不划得来。本节把大数据与人工智能在农业里真正好用的几件事挑明——产量预测、病害识别、对靶喷洒，讲清精准农业的变量作业链怎么从处方图走到机具，再给一笔冷静的成本收益演算——感知端记完，本册管出账这一半。

上一节让数据源源不断进账，本节回答去向问题。判断应用成熟度有一把简单的尺子：看那件事在农学上是否已有清晰的判断逻辑——人工智能擅长把已有逻辑自动化放大，却变不出逻辑本身。

数据闭环：从传感到决策

大数据这一栏记的是融合与积累。单季单源的数据价值有限，历史产量图叠土壤图叠历年气象，才能回答「这块地为什么连年东头减产」这类跨账期问题——数据像复利，攒得越久越值钱。模型与预测是积累的直接受益者：作物模型把 1.3 节的积温逻辑、第 4 章的产量逻辑编成程序，输入气象与土肥数据就能推演生育进程与产量区间；预测的误差来源也老实交代——极端天气、田间管理差异与模型本身的简化，共同决定它只能给区间，不给定数。

人工智能已经真金白银好用的三件事值得单记。图像识别诊断：叶片照片识别病害，把 5.2 节的诊断三步里的「看症状」交给模型，初期识别率已经超过新手农技员，但「看分布、问管理史」仍归人管。对靶喷洒：机器视觉识别苗草，喷头只对杂草开火，5.3 节的除草剂用量账能压下去一大截。产量预测与分级：遥感加气象喂给模型，售粮排程与仓储调度（第 8 章）就能提前排兵。反之，被吹得最响的「全自动种地方案」反而最不成熟——环境太开放、变量太多，这台大账目前还得人执笔。

变量作业链与一笔演算

精准农业的落地形态是变量作业链：按网格取样或遥感长势图做出差异图，转成处方图下发给智能机具，肥、种、药按图变量施布。7.1 节的坐标与 6.1 节的智能机具，在这里接上了头。演算走一遍按长势分区的变量施肥。

# 演算：按长势分区的变量追氮（示例地块均分三个区）
base_rate = 8.0        # 常规均一追氮量，纯氮公斤每亩
zones = {
    "长势偏弱区": {"ndvi": 0.42, "rate": 10.0},
    "长势正常区": {"ndvi": 0.63, "rate": 8.0},
    "长势过旺区": {"ndvi": 0.81, "rate": 5.5},
}
area_share = {"长势偏弱区": 0.25, "长势正常区": 0.50, "长势过旺区": 0.25}
n_uniform = base_rate
n_variable = sum(z["rate"] * area_share[z] for z in zones)
urea_factor = 46 / 100      # 尿素含氮量
print(f"均一追氮 {n_uniform} 公斤每亩")
print(f"变量追氮加权 {n_variable:.2f} 公斤每亩")
print(f"弱区多补 {zones['长势偏弱区']['rate']-base_rate} 、旺区少施 {base_rate-zones['长势过旺区']['rate']} 公斤纯氮")
print(f"总用尿素变化 {abs(n_variable-n_uniform)/urea_factor:.1f} 公斤每百亩量级折算")
# 输出：变量加权 7.88 公斤每亩，总量几乎持平，但分配对齐了长势——
# 变量施肥的第一收益常不是省肥，而是把长势差抹平、让全田产量更整齐。
​

这笔演算说出精准农业的账本真相：很多场景下总投入没省多少，省的是「错配」——把肥从不需要的地方挪到需要的地方，产量与品质的方差变小。倒过头来算成本收益也简单：变量改装、处方服务与数据运维是新增固定支出，产量提升与投入节约是逐年回报，地块越规整、长势差异越稳定、规模越大，回本越快；小而碎的地块、差异本就不明显的田，先攒数据、缓上装备。

落地的边界感

给这套体系立两条纪律。其一，先台账后装备：没有两三年的规范台账（产量图、施药记录、土壤化验），精准农业就没有可学习的账底，模型再好也是无米之炊。其二，人执最终笔：模型给区间、给候选方案，定夺权留在懂第 1 到第 6 章农学账的人手里——技术放大的是判断力，不是替代判断力。数智台账到此把「进账」与「出账」两册记齐，下一章收庄稼落仓的账。

完整案例：变量施肥的第一个整季

背景：某千亩粮食农场决定在夏玉米上试水变量追氮，此前两年已积累了产量图与土壤化验。操作：先把历史产量图按高低切成三个管理区，各取土化验折出目标产量差；再以 7.1 节的拔节期长势图校核分区边界，合成处方图下发给改装的追肥机；追肥后四十天用长势图复核对账。结果：变量区总用氮量与均一区持平，但收获时变量区产量直方图明显收窄——低产区抬升、过旺区略降后倒伏减少，全季净增收主要来自整齐度。解读：变量施肥的兑现公式是「分区准 + 病因清」——把因排水不良减产的地块硬补氮，只会越补越亏；分区是数据活，病因是农学活，缺一都不成立。变式：若无历史产量图，可先按土壤图与长势图做粗分区试一年，把首年结果当作下一年的底账。

从概念到订单：数字服务的采购账

农场主面对的是一摞服务菜单，采购账要会算。遥感巡田服务按亩按次计价，价值在「早发现问题」，适宜规模连片地块；数据平台按年订阅，要看清它的台账口径是否与你的账本兼容、导出是否自由——数据被锁在别人平台里，等于账本押在柜台上。无人机植保按亩服务，与第 6 章的药账合并算。托管服务则是把整段作业外包，验收指标照 6.1 节的表执行。采购的总原则是「先记自由账，再买服务账」：自己的原始数据自己留底，服务到期可换供应商，数据资产不被绑架——这一条在签约前问清楚，比比价更值钱。

产量图为什么会说谎

产量图是变量作业的对账底账，但把原始产量图直接当真会翻车——收割机上的产量传感器在三种情况下会说谎。其一，进料延迟：籽粒从割台进入传感器要走十几秒，机器刚下地与掉头转弯那几秒的读数张冠李戴，地图两端的尖刺与空腔多半是它——清洗规则是把每个来回的首尾各截掉一段再算。其二，速度与流量互相捣乱：地头减速、桥上停顿的时段，流量读数没停，折出来的亩产被吹高——清洗时按行进速度过滤，速度低于阈值的点不进账。其三，水分没折算：产量传感器测的是湿重，同一块地清晨与午后、雨前与雨后，含水率能差好几个点，不折标准含水率（谷物通常折到百分之十四上下）的跨年对比全是假账——好些收割机连了水分传感器自动折算，没连的就按测产取样人工折。清洗后的产量图还要过最后一道农学审核：异常低值点不一定是地力差，可能是排水口、碱斑、漏播带或那年的一场雹——把低值点圈出来下地核实，记上成因标签，产量图才算从「数据」升格成「台账」。这条清洗纪律不重要吗？想一想它的下游：变量施肥的处方、土地流转的议价、保险定损的凭证，全押在这张图上。垃圾进、垃圾出，账本的第一美德是原始凭证干净。

本节要点回顾

• 成熟度标尺：AI 放大已有农学逻辑，先有逻辑后有算法，逻辑不清的事先别托付。
• 三件真金白银：图像诊断、对靶喷洒、产量预测已可算账，全自动种地仍在路上。
• 数据复利：历史产量图叠多源账本才有跨季洞察，台账越久模型越准。
• 变量作业链：差异图、处方图、智能机具三段接力，第一收益是抹平长势差。
• 两条纪律：先台账后装备，模型给区间、人执最终笔。