2、农业数据基础：掌握农业数据类型、数据来源与采集方式

农业数据可视化的工作起点，不是选择图表工具，而是理解数据本身。农业领域的数据具有多源异构、时空关联、尺度差异大、噪声多的特点。如果对数据类型和采集链路没有清晰认知，后续的图表选型极易出现“有图无义”或“错图误判”的问题。本章将系统梳理农业数据的六大核心类型、主流数据来源与采集方式，并给出数据质量评估与预处理的基本框架，为后续图表选型打下坚实的数据底座。

2.1 农业数据六大核心类型

农业数据可视化首先需要明确“你在看什么数据”。不同数据类型决定了图表的坐标轴含义、时间粒度、空间粒度和更新频率。以下六类数据是农业数据可视化的主体内容。

2.2 数据来源与采集方式详解

理解数据来源有助于判断数据质量、缺失模式和噪声来源。农业数据采集方式可分为地面、空天、机械和人工四大类。

2.2.1 地面传感器网络（IoT）

土壤墒情传感器、气象站、虫情测报灯等设备通过LoRa、NB-IoT、4G/5G等协议回传数据。这类数据精度高、频率高，但覆盖范围有限，且设备维护成本较高。典型采样频率为10分钟~1小时一次。

2.2.2 卫星遥感与无人机

卫星遥感（如Sentinel-2、Landsat、高分系列）提供多光谱影像，可反演NDVI、LAI、土壤含水量等指标，空间分辨率10m~30m，重访周期3~16天。无人机搭载可见光、多光谱或热红外相机，空间分辨率可达厘米级，适合小范围精细监测，但受天气和空域限制。

2.2.3 农机作业终端

现代农机装备有GPS/北斗定位、CAN总线数据接口和作业传感器。播种机记录粒距和播深，收割机记录产量分布和含水率，深松机记录作业深度。这些数据通过车载终端上传至云平台，形成高密度的作业轨迹和农事操作记录。

2.2.4 人工调查与农事记录

物候观测、病虫害调查、产量测产等仍需人工完成。这类数据主观性较强，但包含丰富的管理信息（如施肥时间、品种、灌溉方式），是解释其他数据变化的重要辅助信息。

2.2.5 公共数据平台与市场系统

气象局公开数据、农业农村部统计年鉴、批发市场价格系统、期货交易所数据等，为区域对比和宏观分析提供基础。这类数据口径统一，但时效性相对滞后。

2.3 数据质量评估与预处理流程

农业数据往往存在缺失、异常、重复和时空不对齐等问题。在进入可视化之前，必须完成以下预处理流程。

1. 缺失值处理：气象站临时故障导致小时数据缺失，可采用线性插值或邻近站点回归填补；土壤数据缺失较多时，考虑空间插值（Kriging、IDW）。
2. 异常值检测：温度超出物理范围（如-40℃以下）、土壤湿度超过饱和含水量等，需结合领域知识设定阈值，使用3σ原则或箱线图法识别。
3. 时空对齐：将不同来源的数据统一到相同的时间粒度和空间网格。例如，将卫星反演的土壤水分（10m分辨率）与地面传感器点数据匹配时，需做空间聚合或缓冲分析。
4. 单位与格式标准化：统一温度单位（℃/℉）、降水单位（mm/inch）、面积单位（亩/公顷）等。
5. 数据降噪：农机轨迹数据存在漂移点，需使用卡尔曼滤波或滑动平均平滑处理。

2.4 实战场景：智慧农场数据整合与可视化准备

某3000亩智慧农场需要建设一套数据可视化看板，用于管理决策。该农场已部署：5套田间气象站、20个土壤墒情传感器、2台带产量监测的收割机、1台无人机（多光谱），并接入当地批发市场价格API。

初始目标：看板需展示实时气象、土壤墒情、作物长势（NDVI）、收获期产量分布和当日市场价格。

关键输入数据：

• 气象站：温度、湿度、降水、风速，每10分钟一条，已连续运行2年。
• 土壤传感器：10cm/30cm/60cm三层水分和温度，每小时一条。
• 无人机：每两周飞行一次，生成NDVI影像（5cm分辨率）。
• 收割机：产量传感器每秒记录一次，含GPS坐标和含水率。
• 市场API：每日玉米、大豆批发价。

分析判断过程：

首先，团队发现气象站有3%的数据缺失（集中在冬季），土壤传感器有2个点位信号漂移。通过线性插值修复气象数据，对漂移点位做校准后保留。其次，无人机NDVI影像与地面作物调查数据结合，验证了长势反演的准确性。产量数据按10m×10m网格聚合，生成产量分布图。最后，将市场价格与本地气象、产量数据关联，发现降雨量与玉米价格的滞后相关性，为看板增加了“天气-价格”联动分析模块。

实际操作步骤：

1. 清洗气象数据：剔除超出物理范围的记录，按小时聚合。
2. 土壤数据：对2个异常点位做现场排查，更换传感器后重新校准。
3. NDVI影像：使用QGIS进行辐射定标和大气校正，计算区域平均NDVI。
4. 产量数据：去除收割机转弯时的低速无效记录，按网格聚合。
5. 市场数据：按日平均价格生成时间序列。

结果对比：预处理后的数据在看板上呈现清晰趋势：7月高温少雨导致NDVI下降，8月灌溉后恢复；产量分布图显示东侧地块产量明显高于西侧，经排查为土壤质地差异所致。市场数据与本地气象叠加后，发现连续降雨后一周内叶菜价格平均上涨12%。

风险与代价：数据清洗耗时约2周，占项目总工期的30%。但若跳过清洗直接可视化，错误结论可能导致灌溉决策失误，损失远超清洗成本。

复盘经验：农业数据可视化项目，60%的时间应花在数据准备上。建立自动化的数据质量检查脚本（如缺失率、范围校验）可大幅提升效率。

2.5 常见误区与总结复盘