小麦智慧管理实战指南：从传感器布局到变量施肥与预警

前两天在华北平原一个种粮大户的田头，老李捧着手机给我看一张长势图，图上靠西那片麦田一块一块地泛红。他说前年这时候就是没注意到，等肉眼看出发黄，拔节期已经过了大半，减产一成多。今年不一样了，手机上一个平台把土壤墒情、气象预警、长势图全汇总到一块，哪里该浇水、哪里要追肥，系统先提醒，他再去现场确认。

这个场景越来越常见，现代科技在小麦管理中的应用，早已不是试验田里的演示项目，而是实打实能降低损失、提高收益的生产工具。很多朋友一听到"智慧农业"四个字就觉得复杂，觉得那是大农场、大公司才玩得起的东西。我这两年跑了不少普通种植户和托管田块，想把这几年落地效果最明显的几条路径梳理一遍：传感器怎么布、遥感图怎么判读、变量施肥怎么算账、病虫害预警怎么用、估产怎么估。内容不涉及高深算法，都是能直接抄作业的细节，适合正在考虑给麦田管理升级的种植户、基层农技员，也适合刚接触智慧农业的学生和相关从业者。

1. 小麦管理正在经历一场"从经验到数据"的转身

1.1 传统巡田的局限：等你看见问题时，损失往往已经发生

小时候跟着长辈下地，判断庄稼好不好靠的是"看"。看得多了自然有经验，小麦返青偏晚、叶色发暗、底叶发黄，老把式远远扫一眼就能估个大概。但肉眼有一个绕不过去的问题：田间症状大面积可见时，生理损伤早就发生了。缺氮的麦苗从轻微叶色变浅到明显发黄，中间隔着十几天；地下根腐病在地表显现枯萎时，根系已经烂了一段；冻害更是如此，叶片组织坏死是低温过后几天才逐渐呈现的。

另一个麻烦是地块内部的差异。同样是100亩地，地势高的地方漏水保不住墒，低洼处积水回温慢，靠近田埂的西边常年风干，土壤速效养分常常差出一大截。均匀撒肥、统一浇水、看整体墒情决定作业的传统方式，注定只能照顾到"平均情况"，结果就是一部分区域施肥过量，一部分区域依然缺肥，产量和品质都被最低的那几块拖累。

还有一个容易被忽略的成本：巡田本身。200亩地靠两条腿走一圈，认真一点要花半天；用植保车路过扫一眼，又什么都看不细。等到大面积出现整齐划一的症状，比如全田叶片发黄，那基本已经进入减产的通道了。

1.2 现代科技介入之后，管理逻辑变成了一条闭环

把科技手段用在小麦管理上，本质不是取代人的经验，而是把"发现问题"和"判断措施"的时间往前移，把判断从"大概齐"变成"有数据支撑"。我习惯把它拆成五个环节，也是后面几章展开的骨架：

• 感知：用土壤墒情传感器、田间气象站、无人机和卫星遥感，持续采集土壤、气象、长势数据。
• 诊断：把数据换算成种植者能看懂的语言，比如墒情是否低于临界值、NDVI长势是否低于同生育期历史水平、积温是否达到某个生育阶段。
• 决策：结合模型给出建议，例如"该浇返青水了""下周有赤霉病高发风险，建议雨后3天内喷药"。
• 执行：通过变量施肥机、植保无人机、智能灌溉设备，把决策落实到田里。
• 验证：收获时的产量图、籽粒品质检测数据，反过来修正下一年的模型和施肥方案。

这些年我观察到，最成功的应用都不是一次性上一整套系统，而是先把某一个环节跑通。比如先只做土壤墒情监测，解决"什么时候浇水"这一个问题，半年后数据积累够了，再叠加遥感巡田和变量施肥。一口吃不成胖子，数字化种田也一样。

2. 麦田感知层：墒情传感器和气象站的"选、埋、读"

这一章先讲土地和天气的感知设备，因为这是整个数据链条的地基。设备没选好、布点不对，后面所有的模型都是空中楼阁。

2.1 土壤墒情传感器怎么选、怎么埋

市面上最常见的土壤水分传感器分两类：电容式（又称频域反射类，FDR）和时域反射类（TDR）。TDR精度高但价格贵，农田大面积部署性价比不高，目前主流是FDR类探头，通过测量土壤介电常数反推含水量，价格从几百元到两三千元不等，精度足以支撑灌溉决策。

选型时别只看价格，要关注三个参数：

• 测量深度：小麦根系主要集中在0~40厘米土层，所以至少要选能测量两层深度的设备，最好是10厘米、20厘米、40厘米三个深度都能测。只测表层10厘米的数据，对判断整个根层水分状况没什么意义。
• 介质适配：部分传感器是针对壤土标定的，在黏土和沙土地上读数会偏。购买前问清楚产品是否支持当前土壤质地，或者是否有标定曲线可以修正。
• 电源与通信：太阳能供电配合4G或NB-IoT上传是田间部署的标准配置，尽量选能本地存储数据的型号，防止断网期间数据丢失。

布点是我反复强调的重点。一块地至少布3个点，沿着地块对角线或S形路线分布，点位要覆盖高、中、低三种地力区域。一个很容易犯的错误是把传感器埋在滴灌带正下方或地头喷灌覆盖区，那测到的是局部湿润区，不是地块的真实平均水平。埋设时用取土器打孔，把探头贴着原状土壁放进去，再用挖出的土分层回填压实，千万不能用干土或碎石填充，否则探头周围形成空洞，读数会明显失真。

2.2 什么样的墒情数据说明"该浇水了"

拿到墒情数据后，关键看的是土壤相对含水量，也就是当前含水量占田间持水量的比例。太抽象的话可以这么理解：田间持水量是这片土壤在重力水排完后能"攥住"的水量，它代表土壤对植物的供水上限。小麦各生育期对水分的敏感程度不同，参考区间大致如下：

注意，这个区间还要结合土质调整，沙土保水差，临界值要适当提高；黏土保水强，可以略微降低。

实际操作中我一般不看单天数据，而是看连续变化趋势。举个例子，返青期如果10厘米和20厘米层的相对含水量连续3天低于65%，且天气预报未来一周没有明显降雨，就应当安排浇返青水。反之，如果夜间有有效降雨补充，那数据曲线会自然抬升，浇水计划就可以顺延。传感器的作用不是替你拍板，而是让"等一等"和"马上浇"这个决策有了可量化的依据。

2.3 田间小型气象站：重点盯住两个关键时间窗口

气象站和墒情传感器是互补关系。墒情解决"地里有多少水"，气象站解决"天上要来什么"。一套标准的小型气象站包含空气温湿度、降雨量、风速风向、太阳辐射几个模块，价格大致在1万到3万元之间。

选址有一个硬性要求：周围30米内没有高大建筑物和成排树木遮挡，否则风速和降雨数据会失真。安装时太阳能板朝南偏西，尽量避开冬季积雪堆积的位置，数据上传用4G网络，现场没有信号覆盖的话，可以考虑LoRa传回附近的网关。

对小麦而言，气象数据最值钱的是两个窗口。第一个是春季倒春寒，晚霜冻发生时往往伴随夜间晴空、地表辐射冷却，如果气象站监测到夜间最低气温降到2℃以下且风速小于2级，就要警惕麦穗受冻风险，提前一天采取熏烟或喷施抗冻剂等临时措施。第二个是5月中下旬的干热风，当日最高气温≥30℃、14时相对湿度≤30%、风速≥3米/秒，三个条件同时满足时，干热风会加速植株蒸腾，影响灌浆。能提前48小时收到预警，就可以通过灌浆前期浇水或叶面喷施磷酸二氢钾来减轻危害。

3. 天上巡田：卫星与无人机如何把长势差异"拍"出来

墒情和气象解决的是"水、温、气"的问题，但小麦长得怎么样，每块地有没有缺肥、有没有病虫害造成的早衰，光看地面数据还是不够。遥感巡田是这几年进步最快、降本最明显的技术，值得单独展开。

3.1 卫星遥感怎么选：免费数据、付费服务和适用规模

卫星遥感的逻辑很简单：不同健康状态的麦田，反射光谱不同。健康的绿色植被在近红外波段反射率高，在红光波段反射率低；叶片发黄、缺氮或受旱时，近红外反射下降、红光反射升高。把这两个波段组合成归一化植被指数（NDVI），就能把长势差异变成一张可量化的图。

选卫星时主要看三个指标：空间分辨率、重访周期和成本。欧盟的Sentinel-2卫星数据免费开放，空间分辨率10米，一颗卫星重访周期5天，对千亩级以上的规模种植户来说足够用，能追踪整个生育期十几期的长势变化。Landsat系列分辨率30米、重访16天，数据也免费，但对小块麦田来说分辨率偏低。国产高分系列的分辨率和重访表现也不错，部分数据收费。综合看，普通种植户更务实的做法是通过第三方农业数据平台订阅，平台把原始卫星数据加工成NDVI图、长势等级图，按面积收费，通常每亩每年几十元到一百多元，省去下载、大气校正、云掩膜这些繁琐的预处理工作。

卫星遥感也有明显短板：云层遮挡时拿不到有效影像，春季连续阴雨可能十天半个月都等不来一张晴空影像；而且10米分辨率意味着一个像元覆盖100平方米，地里的田埂、水沟、电线杆都会混进去。所以卫星遥感适合宏观巡田找问题区域，不适合精确诊断单株尺度的异常。

3.2 无人机多光谱：把问题区域放大看清楚

卫星发现某块地长势异常后，下一杆子就是无人机上场。无人机多光谱相机的优势是空间分辨率达到厘米级，而且可以选择在多云天飞行，不受云层影响。常见配置是集成蓝、绿、红、红边、近红外五个波段的多光谱相机，除了NDVI，还能计算叶绿素敏感的红边植被指数（NDRE），更不容易在高密度麦田里饱和。

飞行的几个实操细节值得记录：

• 飞行高度60~120米，太高则单张图片覆盖面积大但分辨率下降，太低则作业效率低；
• 航向重叠度不低于75%，旁向重叠度不低于60%，否则后期拼图容易错位；
• 起飞前在田边铺一块标准反射率校准板，每个架次起飞和降落时都要拍一次，换算反射率时用，这是很多人容易跳过但又极其关键的一步，不做校准，后期两张图的NDVI数值之间没法横向比较；
• 有条件的用RTK定位或者至少PPK后处理，消除不同架次之间的厘米级位置偏差。

设备成本方面，多光谱相机单买约2万到8万元，一体化多光谱无人机整机约8万到15万元。如果自己只有几百亩地，不必急着买，可以找当地的飞防组织或农服公司租用，一次巡田按亩计价，成本压力小得多。

3.3 实例：一片"发黄麦田"的完整判读过程

2023年4月底，我给一个农场的麦田做无人机巡田，多光谱影像显示西北坡地有一片约30亩的区域NDRE明显低于周边，像一块补丁。收到图之后，我没有直接下结论"缺氮，赶紧追肥"，而是按这条链路核查：

1. 排除数据问题：回看当天的曝光、校准板数据、拼接误差，确认异常区域不是飞行架次拼接错位产生的伪影；
2. 查气象记录：前一周有一次夜间低温降到1.5℃，坡地冷空气下沉，这个区域很可能是轻度的低温伤害；
3. 田间挖根查病：用铲子随机取十几株麦苗，扒开茎基部和根系，没有发现纹枯病和根腐病的典型症状，排除土传病害；
4. 叶绿素仪实测：SPAD读数比正常区域低6~8个值，结合叶片形态判断存在缺氮叠加轻微冻害；
5. 决策：对这片区域单独追施尿素5公斤/亩，并叶面喷施芸苔素内酯帮助恢复，其余区域不动。

最终收获时，这片区域产量比周边只低了2%~3%，说明干预及时。这个案例想说明一件事：遥感数据永远只是线索，真正的结论要下到地里去验证。把"图上有异常"翻译成"该打什么药、该追多少肥"，靠的是农艺判断，这正是系统无法替代人的地方。

4. 从长势图到处方图：变量施肥和精准施药怎么落地

4.1 均匀施肥为什么在规模化麦田"失灵"

过去施肥的逻辑很朴素：一亩地定一个量，播种机或撒肥机匀速走一遍，看起来公平合理。但公平不等于精准。土壤养分的空间变异是客观存在的，同一块田里，速效氮可能从60毫克/公斤到120毫克/公斤不等，地形起伏又造成水肥运移差异。按统一标准施肥，养分高的区域继续过量，养分低的区域依然不足，既浪费肥料，又影响群体整齐度。小麦抽穗后一眼望过去"高高低低、参差不齐"，大多就是这个原因。

变量施肥的思路，是把"一块地一个施肥量"变成"地块内每个小网格都有独立的施肥量"。低产区域少施，高产区域多施，最终让全田养分供应更接近均匀，或者更准确地说，更接近目标产量所需。

4.2 处方图的核心计算逻辑

处方图是变量施肥的"施工图"，生成过程一般分四步：

第一步，采集数据。包括土壤养分采样数据、遥感长势图、前一年的产量图。没有条件逐点采土的，至少要先有一份高分辨率的NDVI或NDRE长势图，它能间接反映地力差异。

第二步，确定目标产量。以当地近3年最高产量为基准，结合当年墒情和品种潜力定一个目标。比如目标产量定为每亩500公斤。

第三步，算施肥量。这里有一个常用的目标产量法估算逻辑：每生产100公斤小麦籽粒，植株大约要从土壤中吸收3公斤左右的氮，那么500公斤目标产量对应的需氮量大约是15公斤/亩。假设土壤供氮能力为6公斤/亩，当季有机肥再补充1公斤/亩，还缺8公斤/亩。氮肥利用率按40%估算，则需施氮量为8÷0.4=20公斤/亩。折算成尿素（含氮46%）大约是43.5公斤/亩。同样是这个公式，不同网格的土壤供氮量不同，算出来的施氮量自然不同。

第四步，划分施肥等级。通常情况下，把施肥量分成低、中低、中、高、中高5个等级就够了，每个等级对应一个排肥量，不需要做到每个网格都独立控制，否则机器执行难度大、故障率高。

处方图生成后是一个带坐标属性的文件，导入变量施肥机的控制终端。机器上的GPS定位系统实时判断当前位置，控制器根据处方图上该位置的施肥量等级，自动调节排肥轴转速或排肥口开度，实现边走边变。作业速度要维持稳定，通常控制在8~10公里/小时，速度波动太大，实际施肥量就会偏离处方。

4.3 变量作业的配套设备与注意事项

变量施肥机是目前最成熟的执行端设备，主流产品已经在国产播种机、撒肥机上实现模块化选装，价格比普通机具高3万到8万元不等。如果暂时没有条件上变量施肥机，也可以先做"分区处方、恒量执行"，也就是把地块划成几个管理区，每个区用不同的固定施肥量，用普通撒肥机分区域作业，投入低很多，效果也比"全田一个量"好。

植保无人机的变量施药同理。根据病虫害监测或长势图生成施药处方图，无人机在长势弱、病害重的区域自动加大流量，其他区域保持常规用量。注意两点：一是变量施药对雾滴粒径和风场要求高，风速超过3级要停飞，否则处方图执行得再精确，药液也被吹跑了；二是农药喷施不像施肥可以后续补漏，执行前一定要检查喷头是否有堵塞，有一组喷头堵了，整行麦田就成了漏防区。

水肥一体化上，变量思路同样适用。滴灌系统按轮灌区分组，每个轮灌区根据墒情传感器数据和处方图设定不同的灌溉量和追肥浓度。小麦这种大田作物，滴灌在干旱半干旱地区效果尤其明显，能实现随水追肥，肥料利用率比撒施高不少。

4.4 算一笔账

有人问，变量施肥折腾这一圈到底值不值？分享一个实际项目的数据：一块460亩的麦田，土壤速效氮变异系数达到28%，实施变量施肥后，当季氮肥用量比往年统一施肥平均减少了9.6%，产量不但没降，反而因为群体整齐度改善，平均增产4.2%。按当时尿素价格和麦价折算，每亩净收益增加约35元。这个数字在不同地块会有波动，但趋势是明确的：地块面积越大、地力差异越明显，变量作业的回报就越高。而地势平坦、地力均匀的小地块，变量施肥的收益有限，更适合先把资金投到墒情和气象监测上。

5. 积温模型与病虫害预警：提前7天知道该不该打药

5.1 积温模型：播期、拔节和抽穗的时间推断

小麦的生育进程受温度主导，把每天的平均气温累加起来，用"积温"预测生育期，是农业气象学里很成熟的工具。对种植户来说，积温模型最实用的场景有两个。

一个是播期设计。冬小麦冬前要达到壮苗标准，需要积累足够的热量。华北平原一般要求冬前主茎有5~7片叶、3~5个分蘖，这需要500℃左右的活动积温。如果某年秋季气温偏低，积温积累慢，播期就要适当提前；秋季偏暖的年份，则要适当推迟，防止冬前旺长。过去大家靠"今年冷得早还是晚"的感觉来定播期，现在直接用气象站数据算，误差能控制在一周以内。

另一个是生育期预测。返青拔节之后，根据未来一段时间的天气预报累加积温，可以推算抽穗期大约在几号，再结合田间发育调查进行修正。知道抽穗期有什么用？它直接关系到赤霉病防控时机。赤霉病防治的关键窗口是小麦抽穗扬花期，药剂喷早了没到感病期，喷晚了已经侵入颖壳来不及，提前预测抽穗期，就能提前锁定施药窗口。

5.2 条锈病和赤霉病的预警指标

病虫害预警不是玄学，核心是把"病害发生三要素"拆成可观测的指标：感病寄主、致病菌、适宜环境。在小麦上，最典型的两个例子是条锈病和赤霉病。

条锈病喜凉，发病适温在9~16℃之间，叶片有露水或结雾时长维持在4小时以上时，孢子容易侵入。春季雨水偏多年份，条锈病往往在4月份快速蔓延。预警系统会综合气象站的温度、湿度、叶片湿润时长数据，当条件连续满足一定时长，就推送"条锈病发生风险偏高，建议尽快田间查病"。

赤霉病更依赖花期天气：小麦抽穗扬花期如果遇到连续3天以上阴雨、日均气温15~25℃、空气湿度大，赤霉病就有暴发条件。很多农服平台的赤霉病预警模型，就是把气象预报和当地小麦抽穗期预报结合，提前3~7天推送"施药窗口建议"。这是我对现代科技在小麦管理中的应用里，体感最直接的一个。

5.3 预警推送之后，最考验人的是"是否行动"

预警系统的价值，最终要靠人的行动来兑现。我见过一个反面的真实案例。2023年5月上旬，某植保站推送赤霉病高风险预警，建议扬花期前完成预防性施药，但农场负责人看了天气预报觉得"雨下不大，再等等"，结果第二天连续降雨，等雨停后补喷时，部分麦穗已经出现枯白的症状。后来算账，那一片减产约15%，教训相当深刻。

这个案例说明，预警是概率判断，不是确定性结论，但它提示的是一个"花小钱防大灾"的机会窗口。赤霉病预防用药成本每亩在十几元到二十元，一旦发病减产损失往往是几十上百元。所以我的建议是：接到高风险预警后，如果田间已进入扬花期，只要天气条件允许施药，宁可早打一天，也不要冒延迟的风险。预警之后到田间看一眼，重点看抽穗进度和近期天气，这个动作不能省。

6. 收获前的估产和品质预报：数据对售粮决策的作用

6.1 遥感估产与地面测产怎么结合

收获前后最关心的问题是：今年到底能打多少粮？遥感估产的基本逻辑是，NDVI等植被指数与叶面积指数、生物量高度相关，生育中后期累计的植被指数又与最终产量存在统计关系。用卫星或无人机影像，建立"植被指数-产量"回归模型，粗略估产误差通常可以控制在5%~10%。这个精度作为趋势判断完全够用，但要想更靠谱，必须和地面测产结合。

地面测产有一套标准动作：在田间选取有代表性的样点，每个点量1平方米或1米双行，数出有效穗数、每穗粒数，再结合千粒重估算产量。公式很朴素：

产量（公斤/亩）= 每亩有效穗数 × 每穗粒数 × 千粒重（克） ÷ 1000 × 0.85（折算系数）

这个公式里的0.85是经验系数，用来校正理论产量和实际产量之间的差距。把遥感估产看成一个整体趋势，把地面测产看成对这一趋势的校验，两者结合，心里就有底了。

6.2 品质预测、分仓收储与订单农业

产量之外，品质预测这几年越来越受重视。小麦的品质指标里，籽粒蛋白质含量和面筋含量直接决定了它能卖到哪个价位。蛋白质的形成主要受生育后期氮素供应影响，花后追氮会影响蛋白含量。因此，在灌浆期通过遥感反演植株氮素营养状况，配合成熟期籽粒抽样检测，就可以对不同地块的品质做出预判。

这个预判在实际售粮中非常有用。同一批麦子，品质不齐的混在一起卖，只能按最低等级定级，损失肉眼可见。按预判结果提前把麦田分成优质粮区和普通粮区，成熟后分仓收储、分价销售，优质麦卖优价，普通麦走大宗渠道，这是数据种田最直接的变现方式。有订单农业合作时，这个数据还能作为履约佐证，和收储企业谈判时更有底气。

6.3 历年数据积累的价值

很多人忽视了数据的时间价值。第一年做墒情监测、遥感巡田、测产记录，感觉自己只是多了几张图几个表格；但到第二年、第三年，这些数据和当季数据进行同比，就能发现很多规律：哪块地总在春天缺水，哪块地每年都是病虫害首发区，哪块地的肥料利用率始终偏低。把这些规律叠加到当年的气象和墒情数据里，做出的决策会越来越贴近自家地块的真实脾气。

收获机的测产数据导出后，和历年的遥感长势图叠在一张地图上，两年以后你比任何人都了解自己的地。这些积累下来的数据，不但在内部决策中用得上，去跟银行谈农贷、跟保险公司谈产量险、跟收储企业谈订单时，都可以作为佐证材料，这是技术之外的另一层价值。

我个人在实际项目里最大的体会是：技术方案越简单、越聚焦越好。不要试图第一年就把所有设备买齐，先上土壤墒情传感器和气象站，把"浇水""防冻"这两个最基础的问题解决掉；第二年再引入遥感巡田，把长势图看懂；第三年有条件再上变量施肥。每一步都先把数据闭环跑通，再谈扩大范围。最后分享一个小技巧：每次巡田发现异常区域，随手用手机拍下当时田间的照片，和遥感图、最终产量对起来，这些现场的影像资料，是模型和数据之外最宝贵的一手判断依据。