AGRITECH INSIGHT · 2026

智慧農業任務難度全景圖

遙感監測 × 表型檢測 × 智慧決策

逐任務 × 逐作物 × 逐場景拆解真實技術壁壘

「玉米不分櫱,水稻分櫱數未知;果樹三維結構複雜,小麥冠層相對均質——作物特性才是任務難度的隱變數」

50+ 評估條目 7 作物型別 5 難度梯度

SSS 地獄 SS 困難 S 中等 A 入門 B 基礎

·遙感監測

產量估算與預測

水稻產量畫素級預測 — SSS 97

技術要點:多時相 · SAR+光學 · 分櫱不確定

難點:水稻分櫱數高度可變(單株3~30+),有效穗數難以遙感推斷;南方多雲多雨導致關鍵生育期光學影像嚴重缺失;稻田水背景干擾光譜訊號。

對比:玉米產量預測僅SS級82分——單稈不分櫱,穗數≈株數,結構確定性高。

果樹產量逐樹估算 — SSS 96

技術要點:3D冠層 · 果實遮擋 · 大小年

難點:樹冠三維結構複雜,果實被葉片嚴重遮擋;大小年現象導致歷史資料不穩定;品種/樹齡/修剪差異巨大。遙感只能看到冠層頂部,果實資訊幾乎完全丟失。

大豆產量預測 — SS 90

技術要點:分枝 · 莢數變異 · LAI飽和

難點:大豆分枝多且莢數變異極大(幾十到上百);冠層封行後LAI飽和導致後期遙感區分度差。分枝/莢數不確定性類似水稻分櫱問題。

小麥產量縣級預測 — SS 88

技術要點:時序 · 氣象耦合 · 冬/春麥差異

難點:冬小麥越冬期遙感訊號弱;分櫱成穗率受凍害/乾旱影響大且難遙感監測。種植區雲量相對少但華北田塊碎片化嚴重。

玉米產量縣級預測 — SS 82

技術要點:時序NDVI · 結構簡單 · 授粉脅迫

難點:不分櫱、單穗為主,結構確定性高;但授粉期高溫脅迫影響大。

對比:比水稻(-15分)——無分櫱變數,關鍵期晴天率高。

作物分類與製圖

蔬菜種類精細製圖 — SS 88

種類極多(幾十種),各自生育期僅1-3個月且頻繁輪作;地塊極碎片化;訓練標籤極度匱乏。類別數比大田作物高一個數量級。

大豆/花生精細分類 — SS 80

豆科作物光譜極為相似;花生匍匐 vs 大豆直立在10m解析度下難捕捉;雜豆麵積小、樣本稀缺。公認遙感難題。

水稻單/雙季·早/中/晚稻分類 — SS 78

早稻/中稻過渡期重疊;南方地塊極碎片化(<1畝);嚴重依賴SAR但後向散射對品種不敏感。對比簡單二分類(+38分)。

玉米大宗作物二分類 — A 40

玉米與小麥/大豆物候差異顯著;Sentinel-2時序+隨機森林可達90%+ OA。最簡單的分類場景。

病蟲害與脅迫監測

水稻稻瘟病早期預警(潛育期) — SSS 93

潛育期無可見症狀,光譜變化在噪聲量級內;與氮素過量、紋枯病等混淆;需耦合溫溼度條件。已顯症後的檢測降至S級(-25)。

果樹黃龍病/腐爛病監測 — SSS 91

需單木級檢測但衛星解析度不足;黃龍病潛伏期長達數年,早期症狀與缺素混淆;樹冠混合背景光譜。

玉米草地貪夜蛾/玉米螟 — SS 85

蟲害造成的葉片穿孔/缺刻在遙感尺度訊號微弱;間接透過LAI下降檢測但與乾旱脅迫混淆。蟲害遙感普遍難於病害。

小麥條鏽病大範圍監測 — SS 80

條鏽病有明顯黃化光譜響應但初發點微小;需追蹤空間擴散動態;與缺氮黃化混淆度高。比稻瘟病(-13),症狀出現較早。

植被引數反演 · 基礎預處理

通用植被覆蓋下土壤水分反演 — SSS 90

微波被植被衰減;L波段穿透好但km級解析度;根區水分需耦合水文模型。裸土水分監測降至S級。

水稻LAI反演(含水背景) — SS 78

稻田水層影響背景反射率,PROSAIL需考慮水面鏡面反射。比旱地作物LAI(-12)——水背景增加不確定性。

玉米小麥LAI反演 — S 66

NDVI在LAI>3時嚴重飽和;旱地背景相對穩定;紅邊波段可緩解。

通用NDVI/EVI植被指數時序 — A 38

波段運算成熟,GEE幾行程式碼完成。注意雲掩膜和平滑方法選擇。

通用影像預處理(輻射/幾何校正) — B 30

標準化流程,Sen2Cor/LaSRC一鍵執行。

·表型檢測

根系表型

通用根系田間原位三維成像 — SSS 98

土壤不透明,目前無任何手段能在田間非破壞性獲取完整根系三維結構。CT/MRI限於盆栽且吞吐極低。表型領域公認的"聖盃"級難題。

通用沖洗根系形態分析 — A 42

WinRHIZO軟體成熟,沖洗後掃描背景乾淨。但破壞性取樣、通量低。對比田間根系(-56分)。

株型與結構表型

水稻分櫱數動態計數(田間) — SSS 92

分櫱密集重疊,頂檢視幾乎不可分;分櫱數隨生育期持續變化(先增後減);水面反光/泥水乾擾。目前無可靠自動化方案,仍大量依賴人工。

對比:玉米株數計數僅S級55分——每穴1株、單稈直立,完全不同量級。

小麥分櫱數估算 — SS 88

分櫱密集且相互遮擋;成穗率40%-70%波動大。比水稻(-4)——無水層干擾但分櫱更密且更細小。

大豆分枝數與節數計數 — SS 80

分枝模式因品種差異大(無限結莢 vs 有限型);大葉片嚴重遮擋節點。比水稻分櫱(-12)——分枝數少但葉片遮擋更嚴重。

玉米株高/穗位高自動測量 — S 55

單稈直立,LiDAR/DSM提取容易;穗位高需側視角。對比水稻分櫱計數差距37分。

器官計數與檢測

大豆莢數估算 — SS 87

莢小而密(單株幾十到幾百);葉片嚴重遮擋;成熟前莢與莖色相近。公認最難的計數任務之一。

水稻穗數田間計數 — SS 82

穗灌漿後彎曲下垂;密度極高、穗間重疊嚴重;水面反光增加噪聲。比小麥穗(+7)——彎穗增加複雜度。

小麥穗數田間計數 — S 75

穗與莖葉顏色相近(尤其灌漿前);密植下穗重疊。成熟期穗發黃後相對容易。

玉米果穗/雄穗計數 — S 55

目標大、每株1-2穗、間距清晰。大目標+低密度=計數類最簡單之一。

基礎表型測量

通用葉片病斑面積率 — 田間S65 / 室內A48

場景對比:田間(S級65)光照/背景複雜 vs 實驗室(A級48)受控條件。同一任務,場景差25+分。

通用受控環境葉片面積測量 — B 30

白色背景下葉片分割幾乎100%準確;OpenCV閾值分割即可。

·智慧決策與建模

作物模型與數字孿生

通用多源資料作物數字孿生 — SSS 96

需將DSSAT/APSIM與深度學習端到端耦合;實時資料同化極其困難。目前全球僅有概念驗證級Demo。

通用G×E×M互動預測 — SSS 95

基因型×環境×管理三重互動組合爆炸;百萬級SNP特徵維度;多環境配對資料嚴重不足。新環境外推時精度急劇下降。

水稻精準生育期模擬 — SS 78

感溫/感光性因品種差異大;需逐品種標定。比玉米GDD(-12)——玉米溫度-發育關係最簡潔。

玉米生育期GDD預測 — S 66

積溫(GDD)模型成熟;品種間差異透過RM分級標準化。極端溫度修正是主要改進方向。

精準管理決策

果園精準修剪決策 — SS 88

需理解枝幹年齡、花芽位置、通風透光;高度依賴經驗知識難以形式化。將果農數十年經驗轉化為演算法的挑戰。

水稻變數施肥處方 — S 75

需在分櫱期和穗分化期分別決策;過量氮導致倒伏/稻瘟病風險。生物風險反饋增加決策複雜度。

玉米小麥變數施肥處方 — S 65

NDVI/NDRE驅動的變數施氮已有成熟方案(GreenSeeker等)。精準農業中最成熟的應用之一。

通用基於閾值的簡單預警 — B 32

邏輯清晰(NDVI<閾值→預警);無需訓練模型;部署簡單。

·核心洞察

作物特性才是難度的"隱變數"

同一個「產量預測」,水稻因分櫱不確定性達 SSS 97,玉米因單稈確定性僅 SS 82,差距15分。

同一個「穗/莢計數」,大豆莢因小+密+遮擋達 SS 87,玉米穗大目標僅 S 55。

同一個「株型分析」,玉米株高是 S 55,但水稻分櫱計數直接跳至 SSS 92。

決定難度的三大作物因素:

1 器官數量確定性(分櫱/分枝 vs 單稈)

2 冠層結構(密閉/透明、矮稈/高稈)

3 種植環境(水田/旱地、露地/溫室)

僅用"任務名稱"評估難度是粗糙的——必須繫結具體作物和場景才有參考價值。

·評估維度與方法

綜合評分(滿分100)基於五個維度加權。每個任務錨定到具體作物和場景,同一任務不同作物獨立評分。

資料獲取 25% — 感測器成本、雲/雨/遮擋、標註工作量

演算法挑戰 25% — 模型複雜度、多源融合、計算資源

泛化難度 20% — 跨區域/年份/品種遷移能力

作物特異性 15% — 器官確定性、冠層結構、種植模式

落地成熟度 15% — 商業產品、大規模應用、工具生態