智慧农业与人工智能应用

农业为什么需要人工智能

先把一件事说清楚：农业人工智能不是让机器替人种地，而是把「看不全、算不快、记不住」这三件事交给工具，把判断和责任留在人手里。

同一作物，不同地区单产相差近六倍

下图用的是联合国粮农组织 FAOSTAT 数据库 2023 年的实际统计。同样是玉米，北美平均单产 11.1 吨/公顷，西非只有 1.9 吨/公顷，相差 5.8 倍；稻米是东亚 7.1 对东非 2.4；小麦是西欧 7.3 对西非 2.4。

AI 在农业里做的三类事

为什么过去做不到

传统巡田靠人的腿和眼，一块地看完要好几个小时。等你走到出问题的那一角，最佳处理时机可能已经过去。传感器和摄像头把「观察」变成连续记录，「判断」才第一次有了数据基础。

从“想用 AI”走到“知道为什么用”

学完本单元，能够把一个模糊的生产愿望改写成可验证的问题：对象是什么、时间窗口多长、允许的误差是多少、最终由谁采取行动。你还要能区分识别、预测和决策三类任务，并判断一个问题是否真的适合引入人工智能。

案例拆解：一块地的浇水建议

某露地番茄基地每天只能安排一次灌溉。过去按整块地的平均经验浇水，结果低洼处积水、坡顶处缺水。引入智能系统前，先把问题写成“在未来 24 小时内，哪些分区的根层含水量会低于下限，需要多少水量”。这样，摄像头负责发现萎蔫，传感器负责记录含水量，天气数据负责估计蒸散，系统再生成分区建议；技术员仍负责确认阀门、查看异常并承担结果责任。

操作步骤

1. 描述生产场景：作物、地块、关键生育期和当前痛点。
2. 把痛点改写成一个可观察的问题，写明输入、输出和截止时间。
3. 判断任务类型：需要“看懂”的用识别，需要“提前知道”的用预测，需要“比较方案”的用决策。
4. 列出人工判断不能省略的环节，并给每个环节指定责任人。
5. 设定一项结果指标和一项风险指标，试运行后再决定是否扩大范围。

练习提示与参考资料

练习时可选择一项身边的农业问题，按“问题—数据—模型—动作—复盘”五栏写出一页方案。参考资料可先查阅 FAO FAOSTAT 的作物产量与农业投入数据库，再对照本教材资料库中的农业科研与投入、作物生产与产量主题文献，核对统计口径和年份。

记住三句话

• 农业智能的价值在于缩小差距，而差距主要来自判断质量，不是耕地面积。
• 识别、预测、决策是三类不同任务，需要的数据和方法都不一样。
• 任何应用都要能说清：数据从哪来、谁执行、怎么检验效果。

数据：从采集到可用

数据不是越多越好。判断标准只有一条：这批数据能不能支撑你要做的那一个决定。

全球作物产量的长期趋势

FAOSTAT 长期统计显示，2023 年全球甘蔗产量 20.2 亿吨、玉米 12.4 亿吨、稻米 8.0 亿吨、小麦 7.9 亿吨。以 2000 年为基期，油棕、大豆、玉米的增速领先，小麦和稻米相对平缓。

常用的四类数据

数据可用性的三个检查点

• 完整性：关键时段有没有断档，坏点有没有被标记出来。
• 一致性：同一块地的多个传感器读数是否互相矛盾。
• 时效性：数据到决策之间隔了多久，是否还来得及执行。

把“有数据”变成“数据可用”

本单元结束时，你应能为一个具体决策设计最小数据集，说明每个字段的单位、采样频率、空间位置和责任人；能识别缺失、漂移、重复记录和时间错位，并知道在数据不完整时如何标注不确定性。

案例拆解：长势不均到底缺什么数据

一块玉米地出现东高西低的长势差。只看无人机影像，很容易把颜色差异直接解释为缺肥。更稳妥的做法是把地块划成网格，同步采集土壤水分、EC 值、株高、叶色、降雨和最近一次施肥记录，再把数据按同一时间戳对齐。如果东侧含水量明显偏低而养分正常，优先检查灌溉覆盖；若水分正常但叶片氮素指数偏低，再安排土壤化验和小区试验。

操作步骤

1. 先写决策：要决定灌溉、施肥、病害复核还是收获排程。
2. 画出数据清单，给每个字段补上单位、位置、频率和来源。
3. 设计抽样点，覆盖地块边缘、中心、低洼处和代表性长势区。
4. 进行质量检查：范围、时间连续性、传感器间差异和人工记录一致性。
5. 保留原始值、清洗值与修改原因，形成可追溯的数据版本。

练习提示与参考资料

可用一张纸制作“数据字典”：字段名、含义、单位、来源、更新周期、允许范围、缺失处理。参考 FAO 数据库的元数据说明，练习区分产量、面积、单产以及投入量等不同指标，避免把不同分母的数据放在同一张表里。

小任务

一块地块出现长势不均。请先写出你要用来判断成因的三类数据，并说明每类数据分别排除哪种可能。

感知：让机器看懂农田

图像识别听起来神秘，拆开看就是三步：给人看过的样本打标签、让模型从样本里找规律、用没见过的样本检验它是否真的学会了。

化肥投入的区域失衡，比识别更难解

认知农田不仅靠摄像头，也靠投入数据。FAOSTAT 统计显示，全球单位耕地氮肥用量从 1961 年的 8.6 千克/公顷增至 2023 年的 70.7 千克/公顷，约 8 倍。但区域差距极大：亚洲 113.1、大洋洲 75.3、美洲 68.5、欧洲 47.6，而非洲只有 15.7 千克/公顷，亚洲是非洲的 7 倍。

从图像到结论的三步

1. 采集并标注样本，明确要区分的类别。
2. 训练模型，让它在样本上找出区分特征。
3. 用未参与训练的样本检验，观察错分发生在什么条件下。

识别最容易失手的四种情况

让机器看见差异，也让人看见它的边界

学习本单元后，你应能读懂一个图像识别流程，知道样本如何标注、训练集与测试集为何分开，并用混淆矩阵中的误报和漏报解释模型表现。你还要学会为不同光照、品种、生育期和拍摄角度安排代表性样本。

案例拆解：病斑识别不能只看准确率

番茄温室用摄像头识别早疫病。测试集准确率达到 92%，但样本大多来自晴天、正面叶片。上线后，夜间补光和叶片重叠造成漏报，缺镁症状又被误报成病害。改进时应分别统计“漏掉的病叶”和“误报的健康叶”，并在低光、遮挡、不同品种的场景中重新抽样。只有当错误类型与实际损失相匹配，阈值才有意义。

操作步骤

1. 定义类别边界，写清“健康、疑似、确诊”分别依据什么。
2. 按时间、地块和环境条件采集样本，避免同一株植物的近似照片同时进入训练和测试。
3. 由至少两名有经验人员独立标注，分歧样本进入复核集。
4. 用未见过的场景测试，分别记录误报率、漏报率和人工复核耗时。
5. 设置“无法判断”通道，把低置信度样本送给人工，而不是强行分类。

练习提示与参考资料

练习可画一张二分类混淆矩阵，设想“误报一次”和“漏报一次”各造成什么后果，再决定阈值偏向哪一侧。延伸阅读可查阅教材资料库中的农业病害识别、农药与投入品主题文献，并将论文中的实验条件与本地田间条件逐项对照。

小任务

基地想用摄像头自动判断病害。请列出两个必须由人工复核的场景，并说明理由。

预测：把风险提前算出来

识别回答「现在是什么」，预测回答「接下来会怎样」。农业里真正值钱的往往不是识别，而是提前量——早三天知道，就能提前安排。

气候变化的压力正在加速

预测为什么要做？因为气候基准本身在移动。FAOSTAT 的气候统计显示，全球陆地气温距平从 1961 年的 +0.21℃ 升至 2024 年的 +2.11℃。区域差异明显：2025 年欧洲 +2.71℃、美洲 +1.95℃、非洲 +1.32℃。

预测能力从哪来

为什么预报会不准

• 历史数据太短，没覆盖过极端年份。
• 关键变量缺失，比如没有记录实际灌溉量。
• 地块之间差异大，用一个模型套所有地块。
• 气候基准本身在移动，旧模型逐渐失准。

把预测结果翻译成有时间窗口的动作

本单元要求你理解预测值、概率、置信区间和风险等级的区别，并能把“未来三天高风险”改写成可执行的预案。预测的价值不在于永远正确，而在于让准备、复核和资源调度提前发生。

案例拆解：病害风险预警如何避免狼来了

某葡萄园的病害模型综合叶面湿度、温度、降雨和风速，每 6 小时更新一次。系统给出 72 小时风险概率：低于 30% 只增加巡查，30% 至 60% 加密取样并检查通风，超过 60% 才启动植保人员复核。每次预警都记录“是否命中、提前多久、采取了什么动作”，季末再调整阈值。这样可以把模型的误差转化为可管理的成本，而不是频繁报警导致人员失去信任。

操作步骤

1. 确定预测对象和提前量，例如未来 24 小时需水量或 72 小时病害风险。
2. 整理历史记录，补齐实际发生时间、处置时间和最终结果。
3. 把概率转换为低、中、高风险区间，为每个区间写明动作。
4. 记录预测发布时刻、执行时刻和实际结果，计算命中、漏报和提前量。
5. 遇到极端天气或数据超出历史范围时，暂停自动执行并转人工会商。

练习提示与参考资料

练习可以制作一张“风险—动作”表，并为每个等级加入复核人、截止时间和升级条件。参考 FAO 气候变化与农业主题资料，以及教材资料库中的水资源与灌溉、气候变化与农业文献，比较不同地区模型校准所需的变量。

小任务

给「未来三天病害高风险」这个预测结果，各写一条低风险、中风险、高风险时应采取的动作。

决策：在互相冲突的目标间取舍

省水、省肥、保产量、控成本，这几个目标经常互相拉扯。决策不是找一个完美答案，而是说清楚你优先保什么、可以让什么。

投入的氮，近一半没有进入作物

决策为什么难？因为投入和产出之间并非线性。FAOSTAT 统计显示，全球耕地氮盈余达 54.3 千克/公顷（亚洲 95.2，非洲 12.8），而作物只吸收了投入氮的 55.3%——其余约一半进入了水体与大气。

把建议变成可执行方案

1. 明确当前要解决的首要问题，其余目标作为约束条件。
2. 给出具体的动作、时机和数量区间，而不是方向性口号。
3. 指定执行人和执行方式，说明哪些环节允许自动、哪些必须人工确认。
4. 设定检验指标与复查时间，用结果反过来修正参数。

三个必须保留人工的环节

用约束、指标和复盘把建议变成决策

本单元结束时，你应能区分目标、约束和指标：目标说明希望改善什么，约束说明哪些底线不能突破，指标说明怎样判断做得好不好。面对省水、省肥、保产和控成本的冲突，要能解释取舍，而不是只给一个看似精确的数字。

案例拆解：分区变量施肥的四个版本

同一块地可提出四种方案：全田统一施肥、按土壤氮素分区、按长势分区、按产量目标分区。比较时要把施肥量、肥料成本、产量、蛋白品质、氮肥利用率和环境风险放在同一张表里。若低产区是缺水造成，直接增加氮肥反而会浪费投入；若高产区已接近倒伏风险，继续追肥也可能降低收益。AI 可以计算组合，但最终排序要由生产目标和底线决定。

操作步骤

1. 写出首要目标，并把其他目标改写为约束或次级指标。
2. 划分管理分区，给每区设置投入上限、下限和允许的调整幅度。
3. 生成至少两个可比较方案，说明每个方案的收益、成本和风险。
4. 指定谁批准、谁执行、谁复核，保留建议版本和实际执行记录。
5. 在固定时间复盘，比较预测值与实际产量、品质和资源消耗。

练习提示与参考资料

练习可用“三方案决策表”完成：方案、预期产量、投入成本、氮肥利用率、风险、人工工作量。参考教材资料库中的化肥与养分、土壤与碳主题文献，注意区分氮盈余、利用率和施用强度等指标。

小任务

为「分区变量施肥」写一条可执行方案，至少包含动作、时机、数量区间，以及养分利用率指标。

落地：从演示到长期可用

实验室里跑通，和在地里连续三年不出问题，是两件事。决定成败的常常不是算法，而是电、网、人和维护。

各国的饭碗，靠贸易连在一起

落地还要看外部环境。FAOSTAT 统计显示，2022 年 86 个国家的小麦进口依赖度中位数为 60%，玉米 48%、大豆 58%，而稻米只有 1%。小麦依赖度高的国家集中在中东、北非、拉美与撒哈拉以南非洲。

容易被忽略的现实约束

评估一个方案是否值得做

• 是否针对一个真实存在、且已被明确表述的问题。
• 数据来源是否稳定，异常情况是否有人处理。
• 投入与预期收益是否匹配，多久能回收。
• 换地块、换品种后能否调整继续使用。
• 是否保留了人工复核与应急处理通道。

用运行机制检验一个项目能不能活下来

学习本单元后，你应能从技术、组织、成本和责任四个方面评估智慧农业项目，写出试点、验收、维护、故障切换和退出机制。落地不是把演示系统搬到田里，而是让系统在断网、换人、换季和设备老化时仍能工作。

案例拆解：温室系统的三个月试点

一个温室项目先选择两栋结构相近的棚，一栋使用智能通风建议，另一栋保持原管理方式，连续记录温度、湿度、用电量、病害发生率和商品率。试点前写清“什么结果算成功”，并安排每周校准传感器、每月复盘告警。若网络中断，控制器切换到本地规则；若传感器失效，系统只发出提示，不自动打开阀门。三个月后，团队根据数据决定扩大、修改或停止，而不是根据一次演示的视觉效果拍板。

操作步骤

1. 选定小范围试点，写出基线、目标值、观察周期和停止条件。
2. 画出责任矩阵：设备、数据、模型、执行、审核和对外沟通分别由谁负责。
3. 设计断网、断电、传感器漂移和人员缺席时的降级流程。
4. 核算一次性采购、软件服务、校准、培训和人工复核的全生命周期成本。
5. 按周记录运行日志，按月检查效果，形成可交接的操作手册。

练习提示与参考资料

练习可为一个智慧农场项目写五条责任条款，再补一张“故障—响应—恢复—复盘”表。参考 FAO 农食系统与排放、贸易与粮食市场主题资料，理解一个农场的技术效果还会受到能源、物流、价格和供应链的影响。

小任务

为一个智慧农场项目列出五条必须写进合同的责任条款，覆盖设备维护、数据权属与故障处理。

直接输入课程问题，与助教进行对话，也可以根据回答继续追问。

随堂练习

先完成题目，提交后会给出对应的复习建议。

老师上传作业 · 学生在线提交

老师在下面上传作业（支持文字、图片、Word、PDF），学生用同一链接领取题目、填写答案、上传图片或附件，并在截止时间前提交。作业与提交记录都由老师统一管理。

四条说明

• 老师切到「老师·上传作业」，填写标题、班级、截止时间，粘贴题目文字并上传 Word / PDF / 图片，点「发布作业」。
• 学生切到「学生·做作业」，填好姓名后打开作业，写答案并上传图片或附件，点「提交作业」；同一姓名可重交覆盖。
• 老师在「提交统计」查看已交名单、导出 CSV；页面会自动标注「未提交」的学生（以老师上传的名单为准）。
• 在「学生历史」里选一位学生，可看他每份作业的提交情况与完成率；点提交记录上的「看该生历史」也能直接跳转。

导出提供三张表：提交清单（按作业列全部提交）、班级成绩汇总（作业 × 学生交叉表，含未交名单）、个人历史（某位学生的全部作业明细与完成率）。

附件以加密文本形式随记录保存在云端表里，不需要额外的文件服务器。若网络不可用，页面会退回到本机缓存模式，恢复网络后刷新即可重新同步。

开启云同步（一次性设置）

作业中心与本页「实时申报」共用同一个 Supabase 项目。若项目地址已失效或尚未建表，页面会自动以本机模式运行，功能不受影响，只是每人各自保存、不能自动汇总。

• 到 supabase.com 新建项目，在 Project Settings → API 里找到 Project URL 与 anon/public key。
• 把这两项填入同目录的 supabase-config.js（复制 supabase-config.example.js 改名即可），保存后重新发布页面。
• 在 Supabase 的 SQL Editor 执行下面的建表 SQL，然后点「检查表状态」确认可用。

口令：老师端默认口令为 agri2026，可在页面源码里搜索 HW_TEACHER_PIN 修改。

为一个生产场景设计智能方案

选择一个场景与问题，系统会按本教材的分析框架给出一份方案骨架，请在此基础上补充你的判断。

生产场景

主要问题

可用条件

本教材的核心链条

链条上任何一环缺失，方案都难以长期运转。缺的常常不是算法，而是执行和校正。

学完这门课，你会带走什么

这封信会根据你的学习进度自动生成。读完六个单元、做过练习、交过作业之后，再回来看一次。

留一句给未来的自己

写下的这句话会保存在本机浏览器，下次打开这门课还能看到。

上报你的实际生育期与田间情况

把本场实测的生育期日期报上来，用于校正模型参数。这是"模型—实测—再校正"闭环里的关键一步。

AI 通俗解读

把专业文献里的结论，用本科生能看懂的话讲清楚。每篇都标注来源与加工状态，可选主题浏览。

上传 PDF 生成通俗解读

支持上传农业相关文献的 PDF（与本课程主题相关即可）。上传后系统会读取正文、生成通俗解读，并从你的代付点中扣除 50 点。

点数与充值

两种使用模式：代付模式（平台代付模型费，按篇计费，开箱即用）；BYOK 模式（你自带 API Key，模型费自负，按功能订阅）。

余额与营收（分开记账）

数据图表、动图与参考书目

这里汇总本教材用到的全部资料：20 张 FAOSTAT 数据图表、3 个动态演示，以及 15 个主题共 88 篇开放获取文献。

价格、装备与课堂记录

截图与动图单独归档，保留原始比例，便于课堂对照和资料核查。

麦浪粒子：从作物田间到数字世界

本片以小麦田为主题，展示农业场景的粒子化表达，可作为教材首页、课堂导入和成果展示的重点视频。

用真实气象数据推算小麦与大豆的生育期

本模块把前面几个单元讲的方法落成一个能算的工具：取当地近 10 年真实逐日气温，按积温与光周期规律逐年推算，给出生育期分布，而不是一个确定日期。

选择作物与地点

当前田间天气

—

这些参数是怎么来的

上面这次推算用到了五个参数。左边三列是你能在田间或电脑前直接拿到的，右边一列是要靠计算或拟合得到的。凡是带计算的，都不用手算，点「工具算」即可。

各阶段落在哪几天

把同一套模型往前推十年

上面的结果是「用过去 10 年的实际气温各推算一次」，回答的是"往年通常几号成熟"。下面换一个问法：把模型套用到未来 10 年，在气候趋势下给出成熟期的预测区间，用于安排跨年度的品种与农事计划。

这些参数是怎么来的

页面里每个参数都不是凭空给的。左边一列你能自己动手拿到，右边一列交给工具计算。搞清楚这一点，才算真正会用生育期模型。

拍一张叶片照片

说清楚：这是颜色占比的启发式判断，不是深度学习模型，不能替代营养诊断与病虫害鉴定。小麦拔节后与大豆不同生育期的叶色特征差异较大。

—绿色占比

—黄褐占比

—暗色占比

参考判断：—

—

模型里的三个参数是什么

下面三个参数是作物生育期模型的核心，各品种默认值已按公开的农业气象资料整理，可在"关于"页查看说明。