农业数据类型与特征：理解数据本质是图表选择的前提
农业数据可视化之所以困难，根源不在于“画图技巧”，而在于对数据本身属性的理解。同一组数字，如果被当作时间序列处理，可能适合折线图；如果被当作分类数据，则可能适合柱状图。选错图表，往往不是审美问题，而是对数据类型的误判。本章将系统梳理农业领域最常见的五种数据类型——时间序列、空间、分类、比例、关系，并逐一分析它们对图表选择的决定性影响。
2.1 时间序列数据：农业中最常见、也最容易被误读的类型
核心原理
时间序列数据是按时间顺序采集的观测值，在农业中几乎无处不在：每日气温、逐小时土壤湿度、月度降雨量、年度产量、连续多日的市场价格波动。这类数据的本质特征是顺序性和连续性——每个数据点都与前后点存在时间上的依赖关系。农业时间序列往往还带有明显的季节性周期（如生长季、雨季）和趋势性（如长期气候变化）。
判断方法
判断一组数据是否为时间序列，只需问三个问题：
- 是否有明确的时间戳？（日期、小时、分钟）
- 时间间隔是否均匀？（每日、每周、每月）
- 分析目标是否涉及变化趋势或周期？
如果三个答案都是“是”，那么这组数据应优先考虑时间序列图表。
图表选择策略
| 时间序列特征 | 推荐图表 | 适用场景 | 注意事项 |
|---|---|---|---|
| 单一变量连续变化 | 折线图 | 温度日变化、产量年际变化 | X轴必须等距，避免跳点 |
| 多变量对比 | 多折线图 | 不同品种生长速率对比 | 颜色区分，图例清晰 |
| 累积总量 | 面积图 | 累计降雨量、累计产值 | 注意基线从零开始 |
| 周期性规律 | 日历热力图 | 全年病害发生频率 | 颜色梯度需有明确含义 |
| 密集数据点 | 平滑曲线+置信区间 | 传感器高频数据 | 避免过度平滑丢失细节 |
常见误区
- 误区一：将时间序列数据做成柱状图。柱状图适合分类比较，不适合展示连续变化趋势。
- 误区二：忽略时间间隔不均匀的问题。如果数据有缺失日期，折线图会错误地连接跨越缺失期的点。
- 误区三：同时展示过多时间序列。超过5条折线时，图表会变得难以阅读，应使用小多图或交互式筛选。
2.2 空间数据：从地块到区域的农业地理信息
核心原理
空间数据带有地理位置属性，在农业中表现为：土壤采样点的养分分布、不同地块的产量差异、遥感影像中的植被指数、病虫害的空间扩散范围。空间数据的核心价值在于位置关系——邻近区域往往具有相似的环境特征，空间自相关是农业生态的基本规律。
判断方法
识别空间数据的标志：
- 数据包含经纬度、行政区划、地块编号等位置信息
- 分析目标涉及“在哪里”“分布如何”“扩散方向”
- 数据点之间存在地理邻近性
图表选择策略
| 空间数据类型 | 推荐图表 | 适用场景 | 工具建议 |
|---|---|---|---|
| 离散采样点 | 散点地图 | 土壤采样点分布 | QGIS、ArcGIS |
| 区域聚合数据 | 分级统计图（Choropleth） | 各省粮食产量 | ECharts、Mapbox |
| 连续表面数据 | 等值线图、热力图 | 温度分布、降雨量插值 | Python Basemap |
| 遥感影像 | 假彩色合成图 | NDVI植被指数 | ENVI、QGIS |
案例拆解：精准施肥中的空间可视化
某水稻种植合作社在120亩地块上采集了48个土壤样本，检测速效氮含量。初始分析使用普通柱状图展示各样本值，完全无法指导施肥。改用插值热力图后，清晰呈现了氮含量从西北向东南递减的空间梯度，据此将地块划分为三个施肥管理区，节省化肥成本约18%。
关键步骤：
- 将采样点坐标和氮含量数据导入GIS软件
- 使用反距离加权（IDW）插值生成连续表面
- 按氮含量阈值（如<100ppm、100-150ppm、>150ppm）分级设色
- 叠加地块边界和灌溉渠位置，辅助决策
2.3 分类数据：品种、类型与离散属性的可视化
核心原理
分类数据是离散的、无序的类别标签，在农业中包括：作物品种（水稻/小麦/玉米）、病害类型（稻瘟病/纹枯病/白叶枯病）、农机品牌、土壤质地（砂土/壤土/黏土）等。分类数据的核心特征是互斥性——每个观测值只能属于一个类别，类别之间没有天然的数值顺序。
判断方法
问自己：这些数值能做加减乘除吗？如果不能，它们就是分类数据。例如，“品种A”和“品种B”不能相加得到“品种C”。
图表选择策略
| 分类数据场景 | 推荐图表 | 适用场景 | 注意事项 |
|---|---|---|---|
| 类别数量比较 | 柱状图/条形图 | 各品种种植面积 | 类别多时用水平条形图 |
| 类别占比 | 饼图/环形图 | 收入来源构成 | 不超过6个类别 |
| 类别间多维比较 | 雷达图 | 不同品种的性状对比 | 指标需标准化 |
| 类别频次分布 | 帕累托图 | 病害发生频次排序 | 结合累计百分比曲线 |
2.4 比例数据：构成与占比的精确表达
核心原理
比例数据描述部分与整体的关系，在农业中表现为：种植结构占比（粮食作物/经济作物/饲料作物）、农业收入构成、化肥氮磷钾配比、灌溉用水来源比例等。比例数据的核心特征是总和约束——所有部分之和等于100%（或1）。
判断方法
如果数据满足：所有值相加等于一个固定总数，且分析目标是“各部分占多少”，这就是比例数据。
图表选择策略
| 比例数据场景 | 推荐图表 | 适用场景 | 注意事项 |
|---|---|---|---|
| 静态构成 | 饼图/环形图 | 年度收入构成 | 类别少且差异明显时使用 |
| 多组构成对比 | 堆叠柱状图 | 不同年份种植结构变化 | 注意基线对齐 |
| 比例随时间变化 | 百分比堆叠面积图 | 各作物占比的年度变化 | 适合展示长期趋势 |
| 子类别细分 | 旭日图 | 农产品品类层级占比 | 层级不宜超过3层 |
2.5 关系数据：变量间的关联与因果探索
核心原理
关系数据关注两个或多个变量之间的关联性，在农业中表现为：施肥量与产量的关系、温度与病虫害发生率的关系、土壤pH与微量元素有效性的关系、农机作业时长与油耗的关系。关系数据的核心价值在于发现规律——通过可视化识别正相关、负相关、非线性关系或聚类模式。
判断方法
当分析目标是“A如何影响B”“哪些因素与结果相关”时，数据就属于关系型。典型特征：每个观测值包含多个维度的数值变量。
图表选择策略
| 关系数据类型 | 推荐图表 | 适用场景 | 注意事项 |
|---|---|---|---|
| 两个连续变量 | 散点图 | 施肥量vs产量 | 添加趋势线辅助判断 |
| 三个连续变量 | 气泡图 | 施肥量、灌溉量vs产量 | 气泡大小代表第三维 |
| 多个变量相关性 | 相关性矩阵热力图 | 土壤各养分指标间关系 | 使用颜色梯度表示r值 |
| 变量间网络关系 | 网络图 | 农业供应链关系 | 节点大小代表重要性 |
案例拆解：寻找产量限制因子
某马铃薯种植基地连续三年记录了每块地的产量、氮肥施用量、降雨量和土壤有机质含量。初始分析分别绘制了各因素与产量的单变量柱状图，无法发现关键限制因子。
改用散点图矩阵后，发现：
- 产量与氮肥施用量呈明显正相关（r=0.72）
- 产量与降雨量呈倒U型关系（过量降雨反而减产）
- 土壤有机质与产量相关性较弱（r=0.28）
进一步用气泡图（X轴=氮肥，Y轴=降雨量，气泡大小=产量）发现，高产区集中在“中等降雨+高氮肥”区域，据此优化了水肥管理方案，平均增产12%。
2.6 数据类型判断流程与综合决策框架
核心原理
实际农业数据往往混合多种类型。例如，一个数据集可能同时包含时间（月份）、空间（地块编号）、分类（作物品种）和数值（产量）。此时需要先明确分析主目标，确定主导数据类型，再考虑辅助维度。
判断流程
- 第一步：明确分析目标——是要看趋势、看分布、看占比、还是看关系？
- 第二步：识别主导数据类型——根据目标确定最核心的数据维度
- 第三步：考虑辅助维度——时间、空间、分类等作为分组或着色维度
- 第四步：选择主图表——根据主导数据类型选择基础图表
- 第五步：叠加辅助信息——用颜色、形状、大小等编码辅助维度
综合决策表
| 分析目标 | 主导数据类型 | 辅助维度 | 推荐图表组合 |
|---|---|---|---|
| 产量年度变化 | 时间序列 | 品种（分类） | 多折线图+颜色区分品种 |
| 病害空间分布 | 空间 | 严重程度（数值） | 地图+气泡大小 |
| 不同品种产量对比 | 分类 | 年份（时间） | 分组柱状图 |
| 施肥量与产量关系 | 关系 | 地块类型（分类） | 散点图+颜色区分地块 |
| 收入构成变化 | 比例 | 年份（时间） | 百分比堆叠面积图 |
2.7 本章总结与实操建议
农业数据可视化没有“万能图表”，只有“适合的数据类型+适合的图表”这一黄金组合。在实际工作中，建议遵循以下原则：
- 先定性，后定量：动手画图前，先用本章的判断方法明确数据类型
- 主次分明：确定一个主导数据类型，其他维度作为辅助编码
- 迭代验证：画出初稿后，问自己“这张图回答了最初的问题吗？”
- 善用工具：Excel适合快速探索，Python/R适合复杂分析，BI工具适合交互式展示