收益：
- 能够将气象数据（温度、降水、GDD、霜冻风险、湿度）连接到农业决策窗口
- 能够将天气预报、物候与人工智能相结合，生成喷洒/收获/防霜计划草案
- 能够正确解释预测的不确定性和概率表达式，并通过农艺师的判断来管理风险
几乎农业中的每一个决定都与天气交织在一起：何时播种、何时喷洒、何时浇水、何时收获、晚上会霜冻吗？经验丰富的农民通过观察天空了解很多信息，但现在也可以通过数字方式读取天气：温度、降水、湿度、风、太阳辐射及其预报。本单元教您将气象数据连接到农业决策窗口，将天气预报和植物发育与人工智能结合起来以生成时序草案，以及 - 最关键的问题 - 正确解读预测的不确定性。因为天气预报是概率性的；将其视为确定性是最昂贵的错误之一。
农业的关键气象变量
温度不仅仅是一个数字；而是一个数字。它是植物发育的引擎。为了测量这一点，使用GDD（生长度日）：从产品的基础温度中减去日平均温度并进行累加。 GDD是比日历更可靠的“生物钟”；它根据热量积累来预测植物将处于哪个阶段以及某些害虫何时出现。
降水量和湿度决定了水预算和疾病风险。长时间的叶子湿润和高湿度会引发许多真菌病害；这就是为什么一些疾病警报系统直接监测湿度-温度组合的原因。
霜冻风险对果园来说是生死攸关的问题，尤其是在花期；零下几个小时的温度可能会毁掉整个产品。霜冻预报对于及时采取防护措施（灌溉、风力机防霜）至关重要。
风直接影响喷洒决策：在大风中，农药会漂移，无法到达目标并损害邻近地块/环境。
变量
相关决定
人工智能贡献
GDD（热量积累）
物候、害虫发生
阶段/出现时间预测
降水量+叶面湿度
疾病风险、灌溉
风险窗口警告
霜冻（最低温度）
防冻保护触发器
危险的夜晚标志
风
喷涂时间
合适的窗户推荐
湿度+温度
疾病模型
临界条件组合
阅读预测的不确定性
本单元最重要的思想是：天气预报是一种可能性，而不是一种承诺。 “明天有70%的雨”这句话并不意味着“肯定会下雨”；这意味着十分之七的类似情况会经历降水。预报的可靠性随着时间的推移而迅速下降：1-2天的预报相当可靠，7天的预报是一个粗略的趋势，14天的预报几乎是气候平均值。人工智能可以用漂亮的句子来掩盖这种歧义；你的工作就是让它保持可见。
提示：当询问 AI 基于天气的决策时，请说“包括概率和置信期，不要具体”。与“将喷洒推迟到明天”相比，诸如“明天的风力可能较低，但有 2 天的不确定性”之类的输出更有用。
三个迷你案例：从数字来看
案例 1 - GDD 的计时。根据日历，苹果园预计将在“五月中旬”出现害虫。 GDD监测显示，当年热量积累较晚；发布被推迟 11 天后。监测陷阱证实了 GDD 的预测，并且喷药没有过早浪费，而是在出苗时进行。
情况 2 - 误读概率。一家生产商根据“60% 降雨量”的预测取消了灌溉；雨没有来，植物遭受了两天的压力。经验教训：60% 的人不确定。下一次，结合土壤湿度传感器评估预测概率来做出决定；如果湿度低，则无需等待降雨即可进行少量灌溉。
案例 3 - 防霜冻保护。 AI显示未来三天霜冻的可能性很低，但工程师还监测了雷达和当地电台，知道未来5天的不确定性。随着关键夜晚的临近，天气预报变得更加严酷。及时启动防冻灌溉，花朵保住了。如果一个人盲目相信遥远的预测，就会措手不及。
弱提示/强提示
弱提示：
这周我什么时候应该喷药？
强力提示：
您的角色：支持农业气象的农学家。解释下面 7 天的天气预报（日期、最低/最高温度、降水概率、风、湿度）。任务：- 列出适合喷洒的窗口；证明风和降水限制的合理性。 - 在每个建议中添加预测的可能性及其不确定性的天数。 - 使用精确的语言；表达为“最有可能/不确定”。 - 标记是否存在有引发真菌病风险的湿度+温度组合。 - 请注意，我需要与传感器/场一起做出决定。预测：[7天数据]
强烈的提示强调概率和不确定性，禁止精确的语言，并且不将决策归因于单一来源。
四个可复制模板
1）GDD计算器和物候：
产品[..]，基础温度[..]°C。当前日平均值。用温度累积GDD，并根据当前累积预测可能的发育阶段。说明不确定性；写下需要通过现场观察确认。
2）喷涂窗口：
根据7天的风雨预报，推荐2个最适合喷洒的窗口。写下每个的风速、降水概率和漂移风险。如果没有合适的窗口，请说清楚。
3）霜冻风险预警：
在接下来的夜晚，分钟。评估温度和霜冻的可能性。标记有可能低于临界阈值（开花时~0°C）的夜晚，并写下预测的不确定性。此外，建议我应该观看哪个本地资源。
4）疾病风险窗口：
根据该作物的叶湿润持续时间和湿度/温度数据标记真菌病风险增加的窗口。做出诊断；仅在“条件适宜，加大监测”级别进行预警。
常见错误
- 将概率误认为确定性。 “60%降水量”并不是保证；不要根据单一猜测做出决定。
- 依靠遥远的预测。提前7天是趋势；随着预测的临近，做出关键的决定。
- GDD 混合基础温度。每个产品的基础都不同；错误的基础将会改变所有的积累。
- 无视风。在大风中喷洒意味着漂移和环境破坏。
- 信任单一来源。卫星、雷达、本地站和现场一起更加可靠。
注意：在防冻、喷洒和收获等时间决策中盲目依赖远程预报的代价高昂。将预测视为概率分布，并在接近关键夜晚/白天时更新决策。
综上所述
气象数据是农业决策的时间轴：GDD 确定物候和害虫出现、湿度-温度疾病风险、分钟。温度决定霜冻风险，风力决定喷洒窗口。人工智能在结合这些数据并生成调度大纲方面非常强大，但预测是概率性的，其置信度会随着时间的推移而降低。让人工智能远离精确的语言，让概率和不确定性变得可见，利用传感器和现场做出决策，并在关键时刻依靠当前的预测。
应用任务
准备一份具有代表性的 7 天天气预报表（最低/最高温度、降水概率、风、湿度）。用本单元中的“喷洒窗口”和“霜冻风险预警”模板交给AI。在输出中，考虑AI是否以确定性或概率说话，是否指定不确定期，以及在没有可用窗口的情况下是否诚实地说出来。写下您将使用哪些额外资源来做出决定，而不仅仅是猜测。
清单
- [ ] 我将下雨/霜冻的可能性解释为一种可能性，而不是一种确定性。
- [ ] 我考虑了预测的置信期（随着时间的临近而更新）。
- [ ] 我根据产品正确使用了GDD基准温度。
- [ ] 我检查了喷涂决策中的风/漂移风险。
- [ ] 我根据工程师的判断做出了关键的时间决策，并得到了许多资源和领域的支持。