去年秋天一个做农资的朋友打电话给我说当地在推智慧农业他那片上千亩的小麦-玉米轮作地准备上一套大田作物四情监测系统问我哪个牌子靠谱。我反问他一句你说的四情是哪四情电话那头沉默了几秒说“不就是虫情、苗情还有天气和土壤嘛”。我当时就笑了。不是笑他外行而是这行干久了你会发现智慧农业四情监测系统这个名词在方案书里出现频率极高但真正落地时能把四情的内涵、硬件选型、点位布设、数据链条、AI识别怎么用、运维要防什么坑讲清楚的人其实不多。这篇文章不推荐具体品牌我按一个完整项目从零到落地的顺序把四情监测系统的概念、设备、布点、通信、平台、算法和运维全流程捋一遍。适合正在筹备项目的种植大户、做农业信息化的集成商以及想搞清楚这套系统到底值不值得上、怎么上的人。1. “四情”到底是什么方案评审前先把这个定义掰扯清楚很多项目做砸不是设备不好是需求没掰扯清楚。四情监测不是把一堆传感器插在地里就完事它对应的是四个完全不同的监测目标每个目标的传感器、数据频率、分析逻辑都不一样。1.1 墒情土壤水分是灌溉决策的“数据底稿”墒情就是土壤水分状况核心指标是土壤体积含水率、相对含水量附带土壤温度、电导率EC等。为什么墒情排在第一位因为水是农业生产里最大的变量大水漫灌还是精准滴灌、什么时候灌、灌多少过去全凭手感脚感现在靠数据说话。墒情传感器的主流原理是FDR频域反射法和TDR时域反射法。区别不复杂TDR靠发射电磁波、测量反射波到达时间来计算含水率精度高但贵FDR通过测量土壤介电常数变化反推含水率便宜、功耗低、响应快大田项目绝大多数选FDR就够用。注意一点FDR在盐分高的土壤里读数会飘西北盐碱地的项目要慎重选型时提前问厂家有没有针对高盐环境的补偿算法。墒情站通常分层埋设探头常见深度是10厘米、20厘米、40厘米。10厘米对应表墒看播种期能不能出苗20厘米是大部分大田作物根系主活动层40厘米看深层水分判断这次灌水是不是真的渗下去了。只看单层数据有个坑表层干了不代表根系层缺水深层湿也不代表表层够用三层联合看才能判断要不要浇水。这里必须强调一个概念绝对含水率不能直接用来判断旱涝。沙土、壤土、黏土的持水特性完全不同同样20%的体积含水率在沙土里已经接近萎蔫点在黏土里可能还偏湿。行业里更通用的做法是看相对含水量RWC即当前含水率占田间持水量的百分比。以小麦拔节期为例适宜的相对含水量是60%~75%低于55%就要启动灌溉预案。这个阈值因作物、因生育期、因土质而变化方案里一定要写清楚。1.2 苗情与虫情一个是“看长相”一个是“数虫子”苗情监测的目标是回答这几个问题出苗齐不齐、长势旺不旺、有没有缺苗断垄、株高和叶面积大概在什么水平。传统做法是农技员下田目测现在用高清球机定时抓拍再通过AI图像识别分析绿色覆盖率、株高、叶片颜色等指标。摄像机的布设位置很讲究选点要有代表性对着整个地块长势中等的区域拍别对着地头或者水肥最好的位置拍那样数据没有代表性。大田苗情监测更实用的指标是绿色覆盖率——通过图像里绿色像素占比来估算作物冠层发育情况。如果项目预算有限用固定相机普通RGB图像加上超绿指数ExG即2G-R-B阈值分割就能算出覆盖率没必要一开始就上深度学习。虫情监测解决的核心问题就一个把“数虫子”这件事自动化。传统虫情测报靠人工数虫或者用粘虫板、性诱捕器费人费力。虫情测报灯的原理是夜间用特定波长的光源把趋光性害虫诱集过来通过撞击屏让虫子落入收集装置红外烘干后自动拍照再通过图像识别计数、分类、上传。关键参数是诱虫光源波长常规用365纳米或385纳米黑光灯不同虫种对不同波长的敏感度有差异有些高端设备支持多波长切换当然价格也上去了。虫情监测的价值不只是“知道有多少虫”而是通过连续监测成虫数量曲线判断某个害虫的羽化高峰和产卵高峰从而锁定防治窗口。比如草地贪夜蛾这一类成虫连续三天诱捕量显著上升就意味着即将进入产卵和幼虫孵化期这时候组织飞防效率最高。1.3 灾情气象站与图像联动兜底的那一层灾情监测主要应对的是倒春寒、干热风、冰雹、大风、暴雨、持续干旱这类气象灾害。硬件基础是田间小型气象站常见配置包括空气温湿度、风速风向、降雨量、太阳总辐射、大气压预算充足可以加叶面湿度传感器叶面湿度对病害预警很有价值——低温高湿环境是很多真菌性病害的温床这个数据比单纯看空气湿度更贴近作物真实环境。需要明确一点田间的气象站不是用来做天气预报的而是用来做“微气候记录和本地化预警”的。系统监测到风速超过某级、降雨达到某量级、温度突破某个阈值马上在平台里生成预警事件提醒管理人员赶在灾害窗口前采取措施比如大风来临前撤掉遮阳网、倒春寒来临前提前灌水保温。灾害预警最好与当地气象台官方预警联动使用田间的实时数据作为补充和核实而不是替代。大田里的另一个“灾”是倒伏、积水这类可见异常目前也有一些项目用摄像头图像识别来检测但受角度、光线影响误报率偏高建议把图像识别作为辅助主要灾情判断还是以气象数据为主。2. 大田硬件选型与布点先算清楚功耗再掏钱很多项目前期规划把设备配置写得很豪华结果上线一个月后频繁离线一查原因十有八九是供电不够或者通信链路没设计好。这一章先把硬件选型和点位策略讲透。2.1 核心传感器怎么选参数对比里藏着门道针对四情监测几类核心设备的选型要点我整理成一个表方案评审时直接对照看设备类型核心参数注意事项墒情传感器FDR测量精度±2%~3%、防护等级、探头材质高盐土质需补偿算法埋设深度可定制苗情摄像机像素400万以上、光学变焦、夜视能力大田光线变化大需宽动态范围虫情测报灯光源波长、拍照像素、诱虫范围、烘干效率确认是否支持AI计数耗电大户务必单独供电小型气象站传感器精度、采样频率、数据接口风速风向宜用超声波式机械式大风天易失效数据采集器RTU/DTU接口数量、协议兼容、宽温范围支持4G Cat.1具备断线重连与本地缓存供电系统太阳能板功率、电池类型与容量磷酸铁锂优于铅酸按冬季最恶劣工况设计一个常见的认识误区是“探头越贵越好”。在大田场景真正决定数据质量的往往是安装方式。墒情传感器要在埋设点把土挖开按原土层回填压实让探头与土壤紧密接触。很多项目打孔直接把探头塞进去周围留了空隙水分和空气分布不均读出来的数据忽高忽低完全没法用。这类安装细节我会在第5章展开讲。2.2 布点密度与位置点位错了数据再准也没用布点密度没有统一标准我给一个可参考的经验值墒情站按每100~200亩一个点虫情测报灯按每200~300亩一个气象站一般一片地块一个苗情摄像机根据地块形态设置两到四个取样区。地块特别零碎的话点位只增不减。点位选择有几个特别容易踩的坑。墒情传感器千万别放在田埂边上田埂土壤水分蒸发快测出来总是偏干也别放在滴灌带正下方灌溉时那个位置的水分异常偏高读数没有代表性。正确的做法是放在地块中间偏代表性位置并且远离进水口和低洼积水点。虫情测报灯的位置要离田边20米左右太靠近路边容易受路灯、车灯干扰影响诱虫效果灯体要固定在牢固的立杆上底座用混凝土浇筑避免大风吹歪或倒下。气象站要求周围空旷离大树、建筑物至少10米以上风速风向传感器离地高度建议2米以上有条件做到3米更好。虫情灯和墒情站看的是“点”苗情摄像机看的也是“点”。为了避免单点数据失真很多项目会设置重复采样点比如一个苗情监测点对着固定区域拍摄另一个点每隔几天通过人工巡田拍照做校验。AI模型识别结果和人工巡田数据互相印证才能保证判断不跑偏。2.3 供电与通信一整套设备的“命门”大田环境基本不可能拉市电所以所有节点都要靠太阳能蓄电池供电。这里我强烈建议把功耗估算做在选型之前而不是选完设备再配太阳能板。以一个墒情气象一体站为例采集器待机和传感器采集平均功耗约1瓦4G模块定期上报数据平均功耗约0.5瓦整机平均功耗1.5瓦一天耗电36瓦时。太阳能板按当地等效日照4小时、充电效率0.7、安全余量1.4来计算太阳能板功率约等于36除以4除以0.7再乘1.4约18瓦工程上选20~30瓦的板子比较稳妥。电池按连续3个阴雨天设计36瓦时乘3等于108瓦时12伏系统折算9安时选12伏12安时磷酸铁锂电池。这个计算过程可以直接套用到任何节点。虫情测报灯是真正的耗电大户因为红外烘干和诱虫灯工作时功耗很高峰值可能到150瓦左右一天累计工作两三个小时。按这个算虫情灯节点需要配200瓦太阳能板和12伏100安时磷酸铁锂电池而且建议专门独立供电不要和其他传感器共用一路电源避免烘干时段把整个节点的电压拉垮。通信方案的选择同样决定项目成败。我的建议很直接如果地块在运营商4G信号覆盖范围内优先选4G Cat.1方案模组成本低、平台接入简单、全国覆盖成熟如果地块偏远没信号再考虑LoRa加自建网关把数据汇聚到某个有网的点上传NB-IoT在小包低频场景可以用但一定要确认当地运营商覆盖情况有些区域覆盖弱会导致设备上线率惨不忍睹。通信方案覆盖依赖功耗时延适用场景4G Cat.1运营商基站中等百毫秒级主流选择直接上云NB-IoT运营商窄带网最低秒级小包低频上报需核实覆盖LoRa4G网关自建网关极低秒级无信号区自己维护网关3. 数据从地头到手机MQTT链路、阈值逻辑与推送设计设备通电只是第一步数据能不能稳定地上来、上来之后怎么变成有用的告警信息才是系统价值的核心。3.1 报文结构、平台接入与数据存储大田场景的网络环境不稳定数据上报一定要用MQTT这类长连接协议而不是HTTP定时请求。HTTP每次都要建连网络一抖就失败MQTT保持长连接、断线自动重连更适合弱网环境。平台侧可以部署EMQX这类MQTT Broker设备端通过DTU直接接入。主题设计可以按设备维度来组织比如agri/{deviceId}/telemetry # 监测数据上报 agri/{deviceId}/event # 事件上报设备开机、告警等 agri/{deviceId}/command # 平台下发指令一条墒情数据的JSON报文可以设计成这样{ deviceId: SH-001, timestamp: 2025-04-10T10:00:0008:00, type: soil_moisture, values: { depth10: 22.3, depth20: 25.1, depth40: 28.6, soilTemp10: 18.5, ec10: 0.42 } }数据存储要优先考虑时序数据库比如TDengine或InfluxDB。别用关系型数据库硬扛墒情数据一天采集几十次一块地一年能攒几万条记录时序数据库在写入性能和按时间聚合查询上有明显优势。大屏可视化可以直接接Grafana也可以用EMQX采集数据后配合自研后台和手机端小程序做展示和推送。3.2 阈值设置的“迟报误报”平衡术这是整个系统最容易被忽视的环节。很多项目上线后三天两头告警时间一长大家就麻木了真正出问题时反而没人看这就是“狼来了”效应。阈值设置的核心原则是引入持续时间和二次确认机制过滤掉瞬时噪声。以墒情告警为例不要只判断“当前值低于阈值”就触发。土壤水分变化是缓变过程正常情况下不会突然跳水。更合理的规则是相对含水量低于60%且持续2小时以上触发黄色预警低于50%且持续1小时以上触发红色预警。如果某个数据点突然跌到5%又马上恢复正常大概率是传感器瞬时故障直接忽略。虫情告警也一样连续3天诱虫量超过阈值才预警单日数值高可能是杂虫干扰或者夜间环境特殊。下表是一个参考阈值设计监测项黄色预警红色预警确认机制墒情相对含水量低于60%持续2小时低于50%持续1小时排除传感器跳动结合天气预报决定是否灌溉虫情诱虫量连续3天超过日常基线连续3天超基线且气象条件适发结合气温和湿度综合判断大风平均风速达到6级平均风速达到8级同步官方气象预警互相印证阈值不能一套用到底不同作物、不同生育期的适宜水分范围和耐旱能力差异很大。小麦拔节期和灌浆期的适宜含水量不同玉米苗期怕涝后期相对耐旱。方案设计阶段就要把这些规则做到平台里运行一段时间后再根据实际反馈调整参数。我见过不少项目平台功能都有但规则库是空的一直靠人工看原始数据那就失去了“监测”的意义。3.3 推送和应用联动自动控制要克制数据从田间到手机最终的呈现形式不能只是一张大屏。管理人员需要的是分级推送黄色预警推给技术员红色预警推给项目经理和种植承包户。推送渠道用微信小程序或者App都可以关键是内容要能看懂——不能只推一条“SH-001设备墒情异常”要推“3号地块20厘米土层相对含水量52%低于拔节期适宜下限建议明天上午安排灌溉”。再往上走一层是联动控制比如墒情低的时候自动启动水肥一体机灌溉土壤湿度恢复后自动停止。这个功能技术上不难实现但我的建议是大田场景初期一定要克制先做系统建议、人工确认执行跑通一个生长季、积累足够数据之后再尝试半自动闭环。原因很简单传感器故障、土壤非均质、轮灌制度冲突任何一个环节出问题自动灌溉都可能变成“自动闯祸”。农业项目不怕慢怕的是不可控。4. 苗情虫情的AI识别落地大田环境比实验室残酷得多四情监测里最“技术”的部分就是苗情和虫情的图像识别。很多集成商在这里栽跟头原因是把实验室里的模型指标直接搬到了大田结果识别准确率断崖式下跌。4.1 数据采集与标注七成工作量都在这里AI识别在大田场景最大的挑战不是模型而是数据。拿虫情识别来说虫情测报灯拍出来的照片里有完整的害虫、被撞碎的残肢、枯叶、灰尘、水渍光线在不同天气下也是忽明忽暗。用开源数据集训练出来的模型在标准样张上准确率能到90%以上一到本地大田可能只剩70%甚至更低原因就是背景差异太大、目标形态差异太大。解决思路只有一个本地采集、本地标注、本地微调。项目部署前先让设备试运行一到两周把真实环境下的照片攒下来挑出有效的训练样本用x-anylabeling这类标注工具给虫子打框、打类别标签。大田虫害的目标通常很小一只蛾子在640×640的图片里可能只有几十个像素标注时要把这类小目标单独处理否则模型很难学到特征。类别不平衡的问题也很突出优势虫种照片多稀有虫种照片少可以先用图像增强旋转、翻转、亮度变化、Mosaic拼接扩充少样本类别。如果你没有专职算法工程师也可以找第三方数据标注团队但标注规范和验收标准一定要提前定好。4.2 模型训练与部署轻量化方案够用选择模型时别一上来就上大模型。四情监测的特征是定时抓拍、周期识别不需要毫秒级实时反馈对推理速度的要求并不苛刻一个轻量级的YOLOv8s甚至YOLOv5s就够用了。训练框架可以直接用Ultralytics开源的YOLO工具链把标注好的数据整理成标准结构就能开始训练yolo taskdetect modetrain modelyolov8s.pt datainsect.yaml epochs150 imgsz640 batch16 device0训练完导出ONNX格式部署到边缘盒子或者服务器上。如果设备端有AI算力比如Jetson系列或者带NPU的边缘计算终端就在端上推理节省流量如果没有就压缩图片上传云端识别。跑通一个检测模型的核心不是训练精度刷到多高而是预标注稳定、推理链路可靠、新增样本能持续回流训练集。我建议把识别结果和人工复核流程结合起来每周随机抽检一部分识别结果发现误识别较多的类别就把对应图片导出来补标注、重新训练。4.3 提升识别效果的技术细节几个实战里验证过的技术细节可以显著提升大田AI识别的效果。拍照时段要选好苗情摄像机尽量在上午10点到下午2点之间拍照这个时间段光线相对均匀阴影干扰小。虫情测报灯拍照时每次连拍两三张取清晰度最高的那张再送识别能过滤掉虫子烘干后姿态模糊的干扰帧。另外识别模型不要只看单张图可以结合统计信息做后处理比如某个设备一晚上诱虫量是500只识别结果突然出现一个物种计数为零其他物种计数爆表这种异常分布很可能就是识别模型出了偏差需要人工复核。长势判断方面如果只是想估算绿色覆盖率超绿指数阈值分割就能胜任如果要做叶面积指数、倒伏检测这类复杂任务再考虑用分割模型。5. 部署运维最容易翻车的环节供电、信号、标定、雷击设备装完真正的考验才开始。大田环境比工厂、城市恶劣得多很多系统上线后数据断断续续不是设备质量问题是运维细节没做到位。5.1 冬天供电“尿崩”太阳能系统不能按夏天算北方项目最容易在冬天出现大范围离线。太阳能板在冬季发电量大幅下降晴天短、光照弱加上低温下电池活性降低原本按夏天峰值日照设计的供电系统到了冬天直接不够用。解决办法是设计时按最恶劣季节计算太阳能板功率留出不低于40%的冗余电池容量按连续阴雨天3~5天设计优先选磷酸铁锂电池。安装太阳能板时角度也要根据当地纬度调整冬天太阳高度角低把板子支架倾斜到接近当地纬度发电量会明显改善。还有一个小细节太阳能板表面要定期清洁大田扬尘大一层灰就能让发电效率下降两成。5.2 信号盲区与设备离线先查天线和SIM卡设备离线最常见的原因不是设备坏了而是通信链路出了问题。设备用的物联网SIM卡流量耗尽、运营商信号在某段时间波动、天线接头松动进水都会导致离线。建议在设备端配置心跳上报和断线重连机制平台侧要有设备在线率统计任何设备离线超过24小时自动生成运维工单。信号盲区的处理方案一是给DTU加外置高增益天线找个信号相对好的高点把天线架起来二是用LoRa中继把附近节点的数据汇聚到一个有4G信号的网关再上传。另外物联网卡建议做双运营商备份一张移动卡加一张电信卡信号差时自动切换大田网络环境不稳定这个冗余很值得。5.3 传感器漂移与校准节奏传感器长期在野外工作漂移是必然的。墒情传感器埋在地下周围土壤会慢慢板结盐分不断积累读数会逐渐偏离真实值。气象站的雨量筒容易被落叶、灰尘堵住风速计轴承磨损后启动风速变大大风天数据就会偏低。所以必须建立固定的巡检和校准制度。我建议的节奏是每周远程检查一遍数据看数值范围是否合理每月现场清洁一次太阳能板、雨量筒和虫情灯镜头每季度用标准方法校准一次传感器墒情传感器可以用烘干称重法做对比把探头挖出来重新标定后再埋回每年做一次线缆绝缘检查、支架紧固和电池容量测试。校准记录要留档这样数据出现疑问时可以回溯。周期检查内容异常处理每周设备在线率、墒情数值范围、虫情图片质量离线超24小时现场排查每月太阳能板清洁、电池电压、雨量筒清理、镜头擦拭电压偏低检查充电回路每季度墒情传感器烘干校准、气象站数据对比、接地电阻测试误差超5%重新标定每年线缆绝缘、支架紧固、电池容量测试电池容量衰减超20%建议更换5.4 雷击、鼠咬和鸟粪大田环境里的非典型故障大田空旷雷击是最大的安全威胁。立杆和设备一定要做防雷接地接地电阻尽量做到10欧姆以下电源线和信号线加装浪涌保护器线缆有条件优先埋地敷设架空线容易感应雷击。鼠咬线缆是最容易被忽略的问题田里老鼠多经常把信号线咬断。布线时可以用PVC管保护在容易进鼠的位置涂防咬涂料或者定期检查线缆外皮。鸟粪则主要影响太阳能板和镜头在太阳能板下方加装驱鸟装置或者在板子上方拉几条细线能明显减少鸟类停留。虫情灯还有一个特有的故障——虫尸堆积。红外烘干后的虫子如果不及时清理堆积多了会堵住拍照通道影响后续识别。所以要定期清理虫情灯的收集仓同时在平台上记录清理时间运维有据可查。5.5 给准备上系统的人一句实在话把整套系统从头到尾做一遍之后我的体会是四情监测系统真正难的不是硬件也不是软件而是数据能不能持续、稳定地积累下来以及有没有人真的读懂这些数据并做出决策。很多项目把大量预算花在设备上却没有配置专人去处理告警、分析趋势、调整阈值最后变成一堆昂贵摆件。建议从墒情和气象这对最基础的组合起步先把灌溉决策的数据闭环跑通再逐步叠加虫情和苗情让每个环节都能看到实际价值系统才能真正用起来。