1. 课程导入与农业气象时序数据概览
农业气象时序数据分析，是把“随时间变化的天气环境”与“随时间变化的作物生长状态”放在同一条时间轴上理解的一门技术。它关心的不是某一天的气温是多少，而是气温、降水、辐射、土壤水分这些变量在连续时间上如何变化、变化到什么程度会触发作物的关键生理响应，以及我们能否据此提前做出灌溉、通风、施药或收获的决策。本课程围绕这条主线展开，最终目标是让学习者能够独立完成从数据获取、清洗、特征构造、建模预测到决策输出的完整链路。
学习目标
完成本课程后，学习者应能达成四个层次的能力。第一是数据层：能识别农业气象数据的常见来源、采样频率、量纲与质量缺陷，能对缺失值、异常值和时区问题做出合理处理。第二是分析层：能构造积温、滑动平均、水分盈亏、干旱指数等具有农学意义的时序特征，并能读懂趋势、周期与突变。第三是建模层：能针对监测、预测两类任务选择合适的时序方法，理解模型输入窗口、预测步长与评价指标之间的关系。第四是决策层：能把预测结果转换为可执行的农事建议，并说明建议的置信边界与风险。
农业气象时序数据的三大来源
地面气象站是最传统也最可靠的数据源。自动气象站通常以 10 分钟或 1 小时为间隔采集气温、相对湿度、风速风向、降水量、总辐射和地温，部分站点还观测土壤体积含水率。它的优势是精度高、连续性好、量纲明确；局限是空间代表性有限，一个站点往往只能代表周边几公里到十几公里的范围，且设备故障、传感器漂移会造成成段缺失或系统性偏差。
遥感数据提供面状覆盖。以 Sentinel-2、Landsat 8/9 为代表的光学影像可反演植被指数（如 NDVI、EVI），以 MODIS 地表温度产品可获取区域热状况，气象卫星则可提供云顶温度、降水估计等。遥感的时间分辨率与空间分辨率往往互相制约，光学影像还受云雨遮挡影响，形成不规则的时间间隔，这与气象站的等间隔序列在处理方法上有明显差别。
物联网与田间传感器填补了站点与遥感之间的尺度空隙。部署在田间的土壤墒情仪、冠层温度计、小型气象站可以做到 5～15 分钟级采样，并通过 NB-IoT、LoRa 或 4G 回传。这类数据贴近作物实际生长环境，但受供电、通信和安装质量影响，容易出现跳变、重复上报和时间戳错乱，清洗工作量通常最大。
核心分析任务：监测、预测、决策
三类数据最终服务于三类任务，而这三类任务对时序处理的要求并不相同。
监测任务关注“现在处于什么状态”。典型做法是对关键指标设定农学阈值，例如以土壤体积含水率低于田间持水量的 60% 作为灌溉预警线，或以连续 3 天日平均气温低于 12℃ 作为水稻低温冷害的观察条件。监测的技术难点不在阈值本身，而在如何用滑动窗口平滑掉传感器噪声，避免单点跳变引发误报。常用手段是取 6 小时或 24 小时滑动中位数，再与阈值比较。
预测任务关注“接下来会怎样”。农业气象预测通常分为两类：一类是纯气象要素预测，如未来 72 小时逐时气温；另一类是基于气象驱动的农学量预测，如积温累积、开花期、土壤水分消退。前者可用 ARIMA、梯度提升或时序深度模型；后者往往需要把气象预测结果代入积温模型或水量平衡模型。预测的关键参数是输入窗口长度与预测步长，二者共同决定了模型能“看多远的历史、报多远的未来”。
决策任务关注“该做什么”。它把监测与预测结果映射为操作，例如“未来 48 小时最低气温将降至 2℃，且当前处于拔节期，建议在傍晚前完成熏烟或覆盖”。决策环节必须给出触发条件、执行时限和不确定性说明，否则建议无法落地。
整体课程框架
课程按“数据—方法—任务—项目”四段推进。数据段讲清三类来源的获取、对齐与清洗；方法段覆盖描述性时序分析（趋势、周期、突变）、特征工程（积温、滑动统计、水分盈亏）与预测建模（统计模型与机器学习模型）；任务段分别落地监测告警、短期预测与决策规则；项目段以一个完整案例贯穿，把前面各段的方法串成可运行的流水线。每段都配有可复现的示例数据与参数，示例中的数值均为教学假设，用于说明计算过程，不代表真实田块实测结果。
实战项目介绍
贯穿课程的项目是“某设施番茄大棚的霜冻与灌溉联合预警”。项目假设拥有三类数据：棚外自动气象站 1 小时数据（气温、湿度、风速、降水）、棚内物联网传感器 10 分钟数据（空气温度、土壤体积含水率）、以及每 5 天一幅的 Sentinel-2 NDVI 序列。项目要完成四件事：把三种不同频率的序列对齐到统一时间轴；构造日积温、24 小时滑动最低温、土壤水分亏缺三个特征；用历史序列建立未来 24 小时棚内最低温的预测；最后依据预测值与番茄苗期耐受阈值生成预警等级。
以特征构造为例，日积温按“日均温减去生物学零度”累加，番茄苗期取生物学零度 10℃，若某日日均温为 16.5℃，则该日有效积温为 6.5℃·d。土壤水分亏缺可用“田间持水量减去当前体积含水率”表示，假设田间持水量为 0.32 m³/m³，实测为 0.24 m³/m³，则亏缺为 0.08 m³/m³，结合根层深度 0.3 m 可换算为约 24 mm 的水量亏缺。这些计算都会在后续章节中逐步展开并验证。
需要提前建立的一个观念是：农业气象时序数据的价值不在于数据量大，而在于时间戳可信、量纲一致、农学含义清晰。一条时间错位两小时的温度序列，可能让霜冻预警完全失效；一个未剔除的传感器跳变，可能让灌溉建议提前数天触发。因此本课程会把相当篇幅放在数据质量与特征可解释性上，而不是一味追求复杂模型。