农业 Agent：结合 IoT 传感器数据，Agent 自动决策灌溉和施肥策略

凌晨三点，你手机弹出一条通知："北区3号地块，土壤湿度低于38%，预计未来6小时无雨，建议立即启动滴灌60分钟。"这背后没有值班的人，只有一个农业Agent，它盯着土壤里的传感器，做了你本来打算天亮了才做的事。

你可能觉得这不过是把"湿度低就浇水"写成了程序。但真正的农业Agent没那么简单——它要在噪声、故障、未知天气里做决策，而且错了的代价是一季收成。

数据不会告诉你该浇水，它只告诉你现在有多湿

一套标准农田IoT系统通常部署这些传感器：土壤湿度（FDR或电容式）、土壤EC值、pH、地表温度、光照、雨量、风速，以及作物叶片湿度。

但传感器输出的是毫伏或计数，不是"该浇水"。传统做法是定一个阈值：湿度低于30%就开阀。这个逻辑在地块均一、传感器准确、天气稳定的试验田里能跑通，但真实农场里，同一个地块的土壤湿度可能相差10个百分点。

我参与过一个小型滴灌项目，基于物联网平台，用阈值规则控制。当时我们设的是土壤体积含水量低于35%启动灌溉30分钟。前两周一切正常，第三周连续阴天，蒸发量极低，但控制器每天照样定时浇水。

问题出在哪？湿度传感器读数是34%，低于阈值，系统就开阀。但阴天的水分损失很小，土壤里其实并不缺可供植物吸收的水。系统看到的是局部湿度，却不知道天气和作物状态。

直到我翻到一篇关于精准农业的文章，才意识到：灌溉决策本质上是一个控制问题，需要状态估计，而不是单一阈值比较。阈值规则是开环控制，它会盲目执行，而真正的Agent需要闭环：根据当前状态+未来预测，决定动作。

一个完整的农业Agent通常由三层构成：

推理层的思路很关键：传感器测量只是对真实世界的一次抽样，而且误差很大。一个埋得浅的传感器可能受表层蒸发影响，读数比根系深处低5%。你不能直接拿它当决策输入，而要估计一个"置信区间"。

举个具体例子：电容式土壤湿度传感器的输出会受温度漂移影响，早晨和中午同一块地的读数能差8%。如果你直接用早上的读数判断，就会在作物最需要水的时段误判。卡尔曼滤波器会把历史读数、当前测量、土壤水分平衡方程三者加权融合，输出一个比任何单一读数都接近真值的估计。这不是数学炫技，而是每天都要面对的现实。

在这种框架下，基于模型预测控制（MPC）的灌溉策略：

目标：未来24小时土壤水分维持在40%~55%；输入：当前土壤湿度估计值、未来降雨概率、作物蒸腾系数；计算：若预测7小时后湿度低于38%则现在启动滴灌并考虑降雨修正；约束：单次灌溉不超过40mm。

这个逻辑不是一条固定规则，而是在每个时间步重新计算。天气预测变了，决策也变。传感器坏了，它还能用上一小时的数据推。

水和肥在土壤里会耦合：水分亏缺会抑制作物吸收养分，肥料浓度过高又会改变渗透势，让水分更难被根系吸收。所以农业Agent必须同时处理灌溉和施肥，也就是水肥一体化。

常见的做法是：Agent先在目标产量和作物生育期的约束下，算出养分需求曲线，再结合当前EC和水分状态，决定浇多少水、配多少肥。

这也是为什么很多农业Agent会内置一个作物生长模型，而不是单纯查表。

你可以把作物生长模型理解成一个"虚拟田"：你给模型灌入气候、土壤、管理策略，它输出未来几周的产量和品质预测。Agent在这个虚拟田上试错，选出最优策略，然后应用到真实田块。

我见过一套AI施肥系统，预测结果很准，但农户问："它凭什么让我多施20斤氮？"技术员答不上来。后来项目黄了。

农业决策的容错率极低。工业上算法错了可以重跑一遍，农业上错了就是几个月损失。所以Agent需要的不是更高的精度，而是可解释的理由。

好的农业Agent会在给农民推送建议时，同时生成一行自然语言解释："北区土壤湿度29%，且未来两天无雨，当前处于抽穗期，蒸腾旺盛，建议今晚灌溉25mm。"这个解释至少让人可以验证逻辑，而不是盲从。