病害预测模型听起来很技术，落到田间其实就三件事：喂给它什么数据、怎么训练、训完怎么用。输入变量要收齐哪五类，什么叫发病、什么叫未发病要先定义清楚，温湿光雨怎么变成可计算的信号，规则、统计和机器学习三种建模思路各有什么取舍，以及甲地好用的模型为什么不能直接搬到乙地。评价模型时不能只盯准确率，漏报和提前量同样要看；训完的结果还要接回田间的监测、行动与再训练。模型只是把已知规律算得更快，能不能用取决于数据质量与适用边界。

01/08 丨预测要先收齐五类输入变量

病原压力看种类、数量与活性——真菌（疫霉、炭疽、白粉等）、细菌与病毒，还要看田间菌源基数和孢子传播强度；寄主状况看品种抗病性、植株长势（营养、树势、徒长或早衰）、叶片果实等感病部位状态，以及处在苗期、花期还是结果期。病原基数越高、寄主越敏感，发生风险就越大，这两项是风险的两端。

环境条件提供温度、空气湿度、叶面持续湿润时间、降雨与土壤湿度、光照与通风，图上示意读数是26.8℃、湿度88%、叶面湿润12h、降雨8.4mm。媒介传播涵盖蓟马、粉虱、蚜虫等昆虫，也有雨水飞溅、农事操作、种苗与灌溉水带菌这些路径。管理措施则是整枝打杈与株型、水肥（避免偏施氮肥）、清除病残体的田间卫生、药剂种类与时机、轮作与种苗健康。华昇金玛植保系统课把这五类并列，是要说明预测是一张网，缺任何一类，判断都会偏。

02/08 丨先定义清楚什么叫发病

样本和标签是所有病害识别与预测模型的地基。四个等级要分清：健康（未发病，叶片浓绿无病斑、果实正常）、可能潜伏感染（外观正常但可能已侵染，需结合检测或后续观察）、发病初期（出现明显病斑，如炭疽、白粉的早期症状）、发病严重（病斑扩展、组织坏死、果实腐烂）。健康与严重两头容易判，中间两档的判断往往含糊。

定义清楚之后要落成四步。样本单位先定采什么——叶片（病斑、形态）、果实（外观、病斑）、整株（生长状态）还是地块（环境与发生情况）；标签定义按生产与研究目标给出可执行标准，未发病记0、可能潜伏记0或待定、发病（初期与严重）记1；时间对齐要求照片、样本与记录来自同一时间同一地块，像案例里地块HS-01-3、日期2024-12-08、作物草莓、调查人田某那样可追溯。常见的标注错误是把轻微病斑标为健康、把生理黄化当病害、不同病害混为一类、不同时期的照片混在一起标注，这些都会让模型学错。

03/08 丨把温湿光雨变成模型特征

原始观测数据里躺着空气温度、空气湿度、光照强度、降雨量、叶面湿度（有/无及时长）、通风状态（开/关及时长）、病害发生级别这些记录。它们还不能直接进模型，要先做特征提取与计算：温度算成日均温、日内高温、日内低温，湿度算成高湿持续时长（>90%RH），降雨算成日降雨量与连续降雨天数，叶面湿度算成叶面湿润时长，通风算成通风时长与换气频率，病害算成近7天发生等级。

算完之后才转换成模型特征，也就是T.mean（日均温）、T.max（日内高温）、H.high（高湿时长）、Rain（日降雨量）、LW.hours（叶面湿润时长）、Vent（通风时长）、Disease7（近7天病害等级），再用于风险评估与趋势预测。教学表里10/01到10/07的示意数据显示，10/04那天湿度92%、降雨18mm、叶面湿润11小时、通风只有1小时，病害等级也升到“中”——叶面有水的持续时间是许多真菌病害侵染的核心条件，这条特征比单看温度更贴近风险。

04/08 丨三种建模思路各有取舍

规则模型把专家经验写成可执行条件，例如“连续3天湿度>85%且温度在20–28℃，判定番茄早疫病发生风险高”。它的好处是简单直观、适合基层快速预警，局限是规则固定、难适应复杂情况，也比较依赖专家经验。统计模型从历史调查数据与环境因子里找规律做概率预测，能给出发病率预测并分析关键影响因子，但需要较多高质量历史数据，对非线性关系拟合有限。

机器学习模型从气象、遥感影像、田间影像、土壤、作物生长指标等多源数据里自动学习复杂模式，输出风险预测、早期预警、空间分布与趋势，还能给出特征重要性。它的短板是要大量数据与算力、可解释性偏弱、对数据质量要求高。三者面对的输入都是气象数据、田间监测、遥感影像、历史数据与作物信息，但走到风险等级和防治建议上的路径不同，选哪一种要看数据家底和实际需求。

05/08 丨训练要好，泛化更要好

数据要分三份各司其职：训练集约70%用于学规律，验证集约15%用于调参和选模型，测试集约15%只在收尾评估一次、检验真实的泛化能力，三部分宜来自不同地块、不同时间以保证多样性。只看训练集效果就下结论，很容易踩过拟合——模型太复杂会把训练集的细节和噪声一起记住，甚至把偶然的斑点、光照、背景当成特征，结果训练集漂亮、验证集和测试集掉下来。

训练过程中要用验证集持续评估，它相当于一场模拟考试：一旦发现验证集效果不再提升甚至变差，就该减少模型复杂度、增加数据与数据增强、上正则化，或者用早停。图上两组对比很直观——过拟合模型在旧地块98%、到不同地块只有62%、新园区58%；泛化模型在旧地块96%、不同地块91%、新园区88%。真实田间病害变化大，不能只看一处地块，不同地块、不同年份、不同管理方式都能识别，模型才谈得上用于生产。

06/08 丨评价模型要看漏报与提前量

混淆矩阵把结果分四格：实际发病且预测发病是真正例80，实际发病却预测未发病是漏报20，实际未发病却预测发病是误报30，两边都判没中才是真阴性170。据此算出准确率83.3%（整体判对比例）、召回率80.0%（实际发病中被识别出的比例，看漏报）、精确率72.7%（预测发病中真正发病的比例，看误报），还有提前量3–7天。

为什么不能只看准确率？漏报的代价更大——病害已在田间扩散、错过防控窗口，短时间大面积发生，产量和品质损失往往不可逆，像炭疽病这类一旦暴发防治成本很高；误报也有成本，会造成不必要的用药与人工投入、抬高成本并带来药剂残留风险。提前量决定主动权，第0天发出预警、第5天病斑才开始出现，这3–7天正好用来备药、排人力、挑合适天气窗口。

07/08 丨异地模型不能直接照搬

在A地训练好的模型直接用到B地，表现可能天差地别。南方设施大棚是28–32℃、相对湿度80–95%、滴灌为主、以霜霉病为主，模型在训练地拿到准确率92%、召回率90%；搬到北方露天果园——18–30℃、昼夜温差大、湿度40–70%、雨养为主、褐斑病与轮纹病为主——准确率掉到56%、召回率48%，误报率升到32%、漏报率40%，已经不能直接使用。

差异来自四件事：气候环境不同会改变病原流行节奏；作物品种的抗病性、叶片形态和生育期不同，病斑表现差异明显；栽培管理的密度、修剪、灌溉与施肥改变田间小气候；病原菌的种类、致病力与生理小种存在地区差异，识别特征得重新学。校准的路径是收集本地数据（图像+气象+管理）、做小样本微调（迁移学习或增量训练）、田间验证并调整阈值、再随季节持续迭代。立足本地实际，数据才能服务田间。

08/08 丨从监测到再训练的闭环

闭环是六步一环：①监测采集（田间巡查、拍照记录、观察症状）→②数据上传（手机拍照、位置时间症状一并记录）→③智能预报（如预计3天内发生、发生概率78%，给出施用时间、重点区域与注意事项）→④田间行动（精准用药、综合防控、落实到田）→⑤效果复盘（防治后再次调查，对比病害发生率、病情指数与植株长势）→⑥模型再训练（积累新数据、优化模型、提升预报精度），再回到监测。

华昇金玛植保系统课提醒，要让预报带出动作，生物与化学手段得排进档案。病害预防场景里，可以在定植前后用枯草芽孢杆菌（高活芽孢，灌根/基施500g/亩·次）打底，或在大棚冲施三结义微生物菌剂（1–2L/亩·次，避开强光高温）；大田飞防则用美添健·禾（飞防/叶面800–1000倍，按亩用药液量配）。图上把全流程可追溯、行动有据可查、效果科学评价、持续迭代提升四项特性并列，说的是同一件事：把每次预报变成下一次更准的基础。