摘要：基于人工智能技术构建土壤作物动态信息智能系统，包含系统查询、动态监控、智能决策、结果输出四部分，并构建了人工智能的变量施肥决策模型。分析了模型中的数据输入、机器学习算法选择、模型训练与验证、施肥决策制定。变量施肥决策模型依据作物需肥规律与土壤供肥能力，为农户提供科学精准的施肥方案，有效提升肥料利用效率，对改善芜湖地区砂姜黑土区农业生产效益、保护生态环境具有重要意义。

　　关键词：人工智能；砂姜黑土区；土壤作物信息系统；变量施肥；智能决策

　　1.引言

　　如何将人工智能技术运用到农业生产中使其更好地服务于农业，从而实现农业现代化是很多农业工作者重点关注的课题。在农业信息化不断发展的前提下，精细农业是一种将3S技术、感知技术、智能决策技术和变量输入等技术相结合的现代农业生产管理技术体系，是现代农业发展的必经之路，它符合农业生产“高产、优质、高效、生态、安全”的要求，是加快农业现代化发展的有效技术手段[1]。

　　2.安徽省芜湖地区砂姜黑土特性及农业生产现状

　　2.1土壤理化特性

　　芜湖地区的砂姜黑土主要是呈现中性至微碱性，经检测其pH值通常在7.0—7.5之间。土壤黏粒含量整体较高，为30%—40%，黏土矿物以蒙脱石为主。蒙脱石本身具有较强的胀缩性，当土壤发生干燥时容易收缩开裂，而湿润时又会膨胀黏闭，土壤整体的通气性和透水性相对较差。砂姜黑土中有机质含量普遍较低，平均约为1.0%—1.5%，全氮含量在0.08%—0.12%，速效磷含量为5—10mg/kg，速效钾含量为80—120mg/kg，土壤养分供应能力有限，很难满足芜湖地区农作物高产的实际需求。此外，砂姜黑土区土壤剖面中下部存在砂姜层，砂姜含量在10%—30%不等，其分布深度和含量对土壤水分运移和根系生长产生显著影响[2]。

　　2.2农业种植模式

　　芜湖地区的主要种植制度为稻麦轮作，水稻种植面积约占耕地总面积的60%，小麦占40%。芜湖地区水稻种植过程中，由于砂姜黑土排水不畅可能会出现较为严重的田间积水情况，影响水稻根系的养分供给，可能会出现僵苗、烂根等现象。其次，芜湖地区小麦生长期间的土壤黏重板结，麦苗根系下扎困难，春季返青期生长缓慢，且土壤保水保肥能力差，在干旱季节易受旱情影响。传统种植模式下，农户施肥缺乏科学指导，对化肥使用的数量掌握不当，而磷、钾肥及中微量元素肥料施用不足直接影响了土壤的养分，进一步降低了土壤质量和作物产量。据统计，芜湖地区砂姜黑土区水稻平均产量为7500—9000kg/hm2，小麦平均产量为4500—6000kg/hm2，低于全省平均水平，提升空间较大。

　　3.土壤作物动态信息智能系统架构

　　3.1系统结构设计

　　人工智能系统结构设计包括数据结构、逻辑处理和通讯模式。C/S和B/S是常用结构。在B/S中，客户端仅负责数据提交和获取，服务器处理业务逻辑并返回结果，数据传输依赖网络，安全性依赖服务器口令数据库，网络条件差时实用性受限[3]。因此，针对设计系统的具体应用环境以及对业务逻辑的要求，研究提出了一种基于C/S结构的开发方法，其系统总体结构如图1所示。

　　3.2系统查询

　　系统查询模块是在用户登录进入该系统后完成的一项重要操作。使用者可通过图形界面，即时查询使用者所处区域之土壤肥力状况、土壤温度、湿度等资料。在数据库查询模块中，使用者可以利用这个功能来查询系统中的历史资料，还可以查阅使用者的作业记录，同时还可以了解常见的病虫害及杀虫剂使用情况。

　　3.3动态监控

　　利用人工智能技术可以实现对土壤温度、湿度的实时测量。通过田间的无线传感器获取现场的实时信息，并通过网络传输至服务器端。其中，历史资料指的是储存在服务器内的资料，也就是传感器将数据上传后所储存的历史资料。短信息预警模块是对采集到的数据进行处理，如果采集到的湿度值超出了系统设置的阈值，则会发出报警信息。

　　3.4智能决策

　　肥力评估模块是指通过对所收集的土壤肥力数据进行分析，并按照土壤肥力评估准则对土壤肥力等级进行分类评估，从而实现对作物的精准施肥及产量预报。产量预报模块的核心是构建产量模型，设计的系统所使用的产量预报模型是基于对农作物精准施肥的研究结果而编制的。精准施肥模块依据田间肥力资料中碱解氮、速效磷、速效钾的含量，结合地力评估结果和使用者投入的预估产量，对其进行合理的施肥。病虫害草害诊断模块是使用者根据所选的症状状况，对常见的虫害、杂草进行诊断，该模块的主要作用是快速、准确地向使用者提供诊断，并给出合理的意见[4]。

　　3.5结果输出

　　咨询结果打印模块是使用者可通过土壤作物动态信息智能系统自带的打印功能，将咨询结果打印出来。通过土壤作物动态信息智能系统的精准施肥、估产、病虫草害等功能，使用者可以直接将重要的数据打印出来，方便用户进行生产指导。信息提示是一种通过手机短信方式向用户发送查询结果的信息，方便用户对查询结果快速、便捷地录入。

　　4.人工智能变量施肥决策模型构建

　　4.1模型输入数据

　　模型输入数据大多是土壤作物动态信息智能系统采集的数据，涉及土壤养分含量，可以将当地多年的农业生产数据，如施肥量与作物产量的关系数据纳入模型训练，借此提高模型的精确性与适应水平。

　　4.2机器学习算法选择

　　用随机森林回归算法构建变量施肥模型，集成多决策树提升泛化和抗干扰能力。研究中将土壤养分含量、作物所处生长阶段、气象数据等作为决策树输入特征，将作物处于不同生长阶段时所需的最佳施肥量作为输出标签，借助大量历史数据对随机森林模型进行训练，通过调整决策树的数量、节点分裂准则等参数优化模型的效能，使其能够准确预估不同土壤以及作物条件下的合理施肥量。

　　4.3模型训练与验证

　　系统获取近5年芜湖地区的农田土壤、作物及气象数据，依照70%训练集、20%验证集、10%测试集的比例加以划分。在整个训练阶段，凭借训练集数据对随机森林模型进行训练，同时调整模型的各项参数，使模型在验证集上达成最优性能水平。同时利用均方根误差（RMSE）、平均绝对误差（MAE）等指标对模型进行评价，保证模型预测结果与实际施肥量间的误差在可接受界限内。通过多次训练及优化，测试集上模型所达到的RMSE是12kg/hm2，MAE测得为9kg/hm2，表明模型在预测方面有较高的精准度。

　　4.4施肥决策制定

　　依照训练好的变量施肥决策模型，结合实时收集的土壤作物动态信息，系统可为农户提供精准的施肥建议。在作物不同的生长阶段，模型根据土壤养分状况以及作物需肥规律，计算氮、磷、钾等肥料恰当的施用量和施用时间。例如，在水稻分蘖阶段时，若土壤中速效氮的含量低于100mg/kg，模型预估这个阶段水稻每亩需要8—10kg的氮，便建议农户追施适量的氮肥；在小麦拔节阶段时，结合土壤有效磷与速效钾含量以及小麦生长所需，给出科学的磷钾肥施用方案，系统也考虑气象因素对肥料利用率的影响，比如在降水多的阶段可以适当减少氮肥施用量，防止肥料淋溶流失。

　　5.应用效果评估指标

　　为检验安徽省芜湖地区砂姜黑土土壤作物动态信息智能系统及变量施肥决策模型的应用效果，采用肥料利用率、作物产量、土壤质量改善状况等作为主要评估指标，对比应用系统前后农田肥料投入量与作物吸收养分量的变化，以此计算肥料利用率。作物产量以应用系统前后同面积农田的实际收获产量作为参照；土壤质量的改善情况借助监测土壤有机质含量、土壤容重、土壤孔隙度等指标的变化进行评估。

　　6.结语

　　研究构建了基于人工智能技术的安徽芜湖地区砂姜黑土区土壤作物动态信息智能系统及变量施肥决策模型，该系统能够通过实时监测土壤和作物动态信息实现对农作物的精准施肥决策。但研究仍存在一些局限性，一方面目前基于人工智能技术的传感器网络的覆盖范围有限，部分偏远农田难以实时获取数据；另一方面研究未论证在极端天气情况下系统的实际运行情况。因此，在后续的研究中将增加研究时间，优化变量施肥决策模型，提高其鲁棒性和适应性。

参考文献

　　[1]阮俊瑾,赵伟时,董晨,等.球混式精准灌溉施肥系统的设计与试验[J].农业工程学报,2015,31(S2):131-136.

　　[2]赵阳阳.长期秸秆全量还田对砂姜黑土理化特性和夏玉米产量的影响[D].安徽农业大学,2021.

　　[3]刘雅雯.AI激活乡村人力资源管理动能[J].村委主任,2025(10):107-109.

　　[4]杜盼,孙道宗,李震,等.基于故障树分析法的柑橘病虫害诊断专家系统[J].华南农业大学学报,2022,43(04):106-112.