3. 处方图生成原理
处方图是变量施肥作业的核心指令集，它将农艺决策转化为空间显式的施肥量地图。生成处方图需要融合多源数据，并通过特定的算法模型将土壤养分、作物生长状况和产量潜力映射为每个管理单元或栅格像元的推荐施肥量。本节将系统阐述基于土壤养分采样、遥感影像和产量地图的三种主流处方图生成方法，并对比栅格与矢量两种处方图格式的技术特点。
3.1 基于土壤养分采样的处方图生成
该方法是最经典、最直接的处方图生成方式，其核心逻辑是“缺什么补什么，缺多少补多少”。通过网格采样或分区采样获取土壤养分含量，再依据目标产量和肥料利用率计算施肥量。
核心步骤：
- 采样设计： 根据田块大小和变异程度，确定网格采样（如 1 公顷/点）或分区采样（按土壤类型或地形分区）。
- 实验室分析： 测定土壤碱解氮、有效磷、速效钾、有机质、pH 等关键指标。
- 空间插值： 使用克里金（Kriging）或反距离加权（IDW）法，将离散采样点数据插值为连续养分分布图。
- 施肥模型计算： 结合目标产量、养分平衡公式和肥料当季利用率，计算每个栅格或分区的推荐施肥量。
养分平衡法计算公式示例：
推荐施氮量 (kg/ha) = (目标产量需氮量 - 土壤供氮量) / 氮肥当季利用率
其中：
- 目标产量需氮量 = 目标产量 (kg/ha) × 每百公斤籽粒需氮量 (kg)
- 土壤供氮量 = 土壤碱解氮含量 (mg/kg) × 换算系数 × 有效土层深度
适用场景： 该方法适用于土壤养分空间变异大、且历史产量数据或遥感数据缺乏的田块。其优点是机理明确，缺点是采样和分析成本较高，时效性相对较差。
3.2 基于遥感影像的处方图生成
遥感技术能够快速、无损地获取作物冠层信息，反映作物生长的实时状况。基于遥感的处方图生成通常采用“植被指数-养分诊断”模型，通过归一化植被指数（NDVI）或叶绿素指数等反演作物氮素营养状况，进而生成追肥处方图。
| 步骤 | 输入数据 | 处理方法 | 输出结果 |
|---|---|---|---|
| 1. 影像获取与预处理 | 多光谱卫星影像（如 Sentinel-2）或无人机影像 | 辐射定标、大气校正、几何校正 | 地表反射率影像 |
| 2. 植被指数计算 | 红波段、近红外波段反射率 | NDVI = (NIR - Red) / (NIR + Red) | NDVI 空间分布图 |
| 3. 氮素营养诊断 | NDVI 图、作物品种参数 | 建立 NDVI 与植株氮浓度或叶绿素含量的回归模型 | 氮素营养指数（NNI）图 |
| 4. 施肥量决策 | NNI 图、目标产量 | 根据 NNI 阈值划分施肥等级（如：严重缺乏、轻度缺乏、正常、过量） | 变量追肥处方图 |
注意事项： 遥感方法对天气条件敏感（云层遮挡），且 NDVI 在作物生长后期易出现饱和现象。建议结合地面校验点进行模型校准，避免单一指数导致的误判。
3.3 基于产量地图的处方图生成
产量地图是过去管理效果的“成绩单”，它隐含了土壤生产力的空间差异。基于产量地图的处方图生成方法，通常利用多年产量数据来识别高产区和低产区，并结合土壤养分库的变化趋势来制定下一季的基肥处方。
- 数据需求： 至少 3-5 年的产量监测数据（带地理坐标），最好经过产量数据清洗（去除机械误差、重叠区等）。
- 核心逻辑： 高产区往往养分消耗量大，需要适当增加投入以维持高产；低产区则需分析限制因子（如土壤障碍层、排水不良），而非简单增肥。
- 常用方法： 产量稳定性分区法。将多年产量图进行叠加分析，划分为“稳定高产”、“稳定低产”、“波动区”等类别，为每个类别设定不同的施肥策略。
产量稳定性分区示例：
| 分区类型 | 产量特征 | 推荐施肥策略 |
|---|---|---|
| 稳定高产 | 多年产量均高于平均值的 10% 以上 | 维持高水平施肥，侧重微量元素补充 |
| 稳定低产 | 多年产量均低于平均值的 10% 以上 | 优先改良土壤障碍因子，适当降低施肥量 |
| 波动区 | 产量年际间变化大 | 采用保险施肥策略，结合当年气象预报调整 |
3.4 栅格与矢量处方图格式对比
处方图最终需要以机器可读的格式输出。目前主流的格式分为栅格（Raster）和矢量（Vector）两大类，它们在数据组织方式、精度和文件大小上存在显著差异。
| 对比维度 | 栅格格式（如 GeoTIFF） | 矢量格式（如 Shapefile） |
|---|---|---|
| 数据单元 | 规则网格（像元），每个像元一个施肥量值 | 不规则多边形（分区），每个分区一个施肥量值 |
| 空间精度 | 取决于像元大小（如 10m × 10m），精度高但数据量大 | 取决于分区边界，边界内部均一，数据量小 |
| 施肥机适配 | 适用于连续变量控制（如实时变速马达） | 适用于分段控制（如分区通断式施肥机） |
| 生成复杂度 | 直接由插值或模型计算得到，自动化程度高 | 需要先进行分区聚合或矢量化处理，步骤较多 |
| 典型应用 | 精细变量追肥、科研试验 | 大规模商业作业、农机兼容性要求高的场景 |
格式选择建议： 如果施肥机支持连续变速控制，且田块变异复杂，优先选用栅格格式（如 GeoTIFF，像元大小建议为作业宽幅的 1-2 倍）。如果施肥机仅支持分区控制，或为了降低文件大小和控制器计算负担，则选用矢量格式（如 Shapefile，分区数量建议控制在 5-10 个以内）。
3.5 多源数据融合生成处方图
在实际应用中，单一数据源往往存在局限性。最先进的处方图生成策略是融合土壤采样、遥感影像和产量地图三种数据源，利用机器学习或数据同化技术，生成综合性的处方图。
- 数据融合层次：
- 输入层融合： 将土壤养分图、NDVI 时序图、产量稳定性图作为多通道输入，送入回归模型（如随机森林、XGBoost）预测施肥量。
- 决策层融合： 分别用三种方法生成初步处方图，然后通过加权投票或贝叶斯平均法得到最终处方。
- 优势： 综合利用了土壤本底信息（采样）、作物实时信息（遥感）和历史表现信息（产量），显著提高了处方图的鲁棒性和准确性。
- 挑战： 数据配准要求高，计算复杂度大，且需要足够的样本数据来训练融合模型。
融合处方图生成流程总结：
输入数据:
├── 土壤养分图 (插值后)
├── 遥感植被指数图 (NDVI/REIP)
└── 产量稳定性分区图
处理流程:
1. 数据重采样至统一空间分辨率 (如 10m)
2. 特征提取与标准化
3. 训练机器学习模型 (目标变量: 实测施肥量或产量)
4. 模型推理生成融合处方图
5. 输出为栅格或矢量格式
输出: 综合变量施肥处方图