用遥感基础模型预测作物产量：把不确定性挡在供应链外

12 月的供应链计划会议里，最难拍板的往往不是“卖不卖得动”，而是“货到底从哪来、什么时候到”。对农产品与农资行业来说，产量不确定性会像多米诺骨牌一样传导：原料采购、仓网布局、运输运力、加工排产、库存安全水位，哪个环节押错了，最后都会变成成本和损耗。

我一直觉得，农业产量预测不是农业自己的事，而是供应链透明化的前置条件。最近一篇研究提出了 FARM 框架：把大型地理空间基础模型微调成“田块内像素级产量回归模型”，能在 30 米尺度输出连续产量地图，并在加拿大草原油菜数据上做到 RMSE 0.44、R² 0.81。这类方法不只是“更准”，关键是“更可用”——它把产量预测从“县级均值”推进到“地块内差异”，让物流与供应链的决策颗粒度真正跟上精细化运营。

作为“人工智能在环境保护与生态治理”系列的一篇，这个话题还有另一层意义：当我们能更早、更细地看到产量风险，就能更少依赖事后补救（加急运输、过量施肥、过度灌溉），从而把碳排、面源污染和土地压力一起降下来。

FARM 到底解决了什么：从“估个大概”到“给到能执行的地图”

FARM 的核心贡献很明确：把多时相卫星影像变成“像素级、连续值”的产量预测，输出的是一张可以直接拿去做运营动作的“产量热力图”。相比常见的分类（高/中/低产）或粗粒度统计（县级平均），连续回归更贴近真实业务，因为供应链需要的是“差多少、差在哪、何时会差”。

研究里用到的底座是一个大规模预训练的地理空间基础模型（Prithvi-EO-2.0-600M），FARM 通过微调把它适配到农业回归任务上。实测结果显示：

• 在加拿大草原油菜数据集上，模型达到 R² 0.81，意味着能解释大部分产量波动。
• RMSE 0.44（论文口径下的误差指标）提供了“可量化的可信度”，便于在业务上设置预警阈值。
• 更关键的是：用独立的高分辨率收割机产量监测数据验证后，少量真实标签微调也能明显优于“从零训练同架构”。

一句话概括：基础模型把“看天吃饭的数据稀缺”变成“少量标注也能落地”。

为什么这对物流与供应链更重要：预测不是目的，提前动作才是

直接答案：更早、更细的产量预测，会让供应链从“被动响应”变成“提前布置”。 这对 LEADS 场景尤其关键，因为企业买的不是一篇论文，而是一条能省钱、能控风险、能减排的执行路径。

1）采购与定价：把合同谈判从“经验”拉回“数据”

农产品的采购合同、保底价、基差策略，最怕的是信息不对称。田块内产量回归能让采购侧更早识别：

• 哪些产区是“稳产盘”，适合锁量锁价；
• 哪些产区风险升高，需要更保守的采购承诺；
• 哪些田块可能出现局部减产，提前准备替代来源。

这类信息如果在收割前 4–8 周就能稳定输出，谈判策略会完全不同：不是等行情发酵后追着市场跑，而是提前把风险写进合同结构里。

2）仓网与运力：从“平均分配”改成“按热区调度”

传统做法常用“区域平均产量”来决定仓储备货和干线运力，结果是：有的仓爆仓、有的仓闲置；某些线路突然拥堵，只能加价找车。

像素级产量地图提供了一种更“物流化”的表达方式：你能把产量预测直接叠加到集货半径、道路网络、装卸能力上，做更接近现实的资源分配。

可以落到三个动作上：

1. 提前调整集货点与临时堆场：把临时设施放在“高产热区”附近，缩短田间到集货点的短驳距离。
2. 分层锁定运力：高确定性区域锁定长期运力，风险区域保留弹性运力池。
3. 动态预约卸货窗口：减少旺季“车等仓、仓等车”的无效排队。

3）加工排产：让工厂不再被“原料到货波动”牵着走

对油菜籽压榨、粮食烘干等加工企业来说，原料波动会直接影响能耗与损耗：临时加班、频繁启停设备、烘干负荷突变都意味着额外成本。

当产量预测能细到田块内差异，排产逻辑也可以更细：

• 把“高水分风险区域”的到货安排到烘干能力更充足的时段；
• 把“高产集中到货”的峰值提前摊平；
• 对可能减产的区域，提前规划替代原料路径，减少临时调拨。

技术点拆开讲：为什么“基础模型微调”更适合农业这种数据稀缺场景

直接答案：农业的标注贵、慢、且不统一；微调可以用更少的真实标签，把通用遥感能力迁移到具体作物与区域。

预训练到底带来了什么？

地理空间基础模型通常在海量、多源、多时相的遥感数据上学习“通用表征”：植被季相变化、地表反射特征、空间纹理、时间序列趋势等。农业产量预测需要的，恰好是这些“通用能力”在具体作物上的落地。

FARM 的思路是：

• 用预训练模型作为特征提取与时空建模的底座；
• 通过微调，把输出从“通用表征”变成“连续产量值”；
• 用有限的高质量地面真实数据（比如产量监测）进行校准。

为什么连续回归比分类更“能用”？

业务侧最常见的误区是：做个高/中/低产区分类就够了。但供应链要算的是：

• 需要多少车次、多少吨位、多少仓容；
• 什么时候形成峰值；
• 缺口是多少，补货成本多大。

这些都依赖连续数值。连续回归的价值不在“看起来更高级”，而在“能直接进计划模型”。

可执行的预测，必须能进入你的补货公式、运力模型和仓储约束里，而不是停留在一张漂亮的分级图。

把产量预测放进“环境保护与生态治理”的叙事：少折腾一次，就是少排放一次

直接答案：更早发现风险，能减少供应链的“应急动作”，而应急动作往往最耗能、最浪费。

我在项目里见过太多类似场景：

• 临近收割才发现减产，紧急跨区调拨，干线里程上升；
• 为了保量临时加大施肥/灌溉，带来面源污染压力；
• 产量集中爆发导致仓储挤兑，粮食露天堆放，霉变损耗上升；
• 加急运输与临时租仓叠加，碳排与成本一起上去。

把 FARM 这类模型用在“生态治理”里，落点其实很具体：

• 减少食物损耗：更平滑的物流节奏意味着更少霉变与破损。
• 减少无效运输：运力按真实热区配置，少跑冤枉路。
• 减少过度投入：对低产风险区域先做诊断（病虫害、干旱、土壤问题），再做定量投入。

这些都属于“用预测替代补救”，是很实在的减排路径。

落地路线图：供应链团队怎么从 0 到 1 用起来（不靠堆人）

直接答案：先用 8–12 周做一条最小闭环：数据—预测—计划—复盘。

第一步：明确你要优化的 KPI（别一上来就追模型分数）

建议从供应链结果指标倒推：

• 运输：车等时长、单位吨公里成本、旺季加价率
• 仓储：爆仓次数、临时库比例、库内损耗率
• 采购：缺口率、现货补货比例、合同偏差成本
• ESG：应急运输占比、食物损耗量、能耗峰值

第二步：建立“产量预测→计划参数”的翻译层

很多团队卡在这里：预测做出来了，但计划系统吃不进去。可以先做三类参数化输出：

1. 区域可供量曲线：按周输出可供量与置信区间。
2. 热区清单：Top N 高产聚集网格/田块，用于运力与堆场布置。
3. 风险预警：低于阈值的区域触发备选供应、弹性运力池。

第三步：用“小标签策略”解决数据难题

FARM 的实验结论对落地很友好：少量高质量标签比大量粗标签更值钱。我的建议是：

• 优先接入 收割机产量监测、地块产量结算数据、烘干站过磅数据等“业务自然产生的真值”。
• 做 分层抽样标注：在不同土壤类型、不同管理方式、不同地形区各取一部分样本，避免只在“好地块”上学得很好。
• 每季做一次 滚动微调：把当季真实产量回流，提升下一季稳定性。

第四步：把模型嵌进 SOP，而不是停在报告里

如果你希望它真的帮你省钱，至少要落到两个机制：

• 计划例会机制：每周更新可供量区间，触发运力锁定或释放。
• 异常处理机制：当预测与到货偏差超过阈值，明确谁来调整采购、谁来调度仓网、谁来补运力。

读者常问的三个问题（以及我的态度）

预测这么细，会不会“看得见但用不上”？

会，前提是你没有把它接到计划参数里。我的经验是：先做 3 个能影响动作的输出（可供量曲线、热区清单、风险预警），别追求一上来全自动。

卫星 30 米分辨率够吗？

对“供应链层面的资源规划”往往够用，因为你关心的是热区聚集与区域供给强弱，而不是每一垄地的细节。真正需要更细分辨率的，多在农艺管理端；供应链端更看重“稳定、连续、可复用”。

基础模型会不会水土不服？

会，所以微调和本地校准是必选项。好消息是：FARM 证明了少量真实标签微调就能显著优于从零训练，这让跨区域推广的成本下降很多。

现在该做什么：把“从田到仓”的预测链路跑通

供应链里最贵的不是算法，而是波动。产量预测越早进入计划，越能把波动关在门外。 对农产品、农资、加工与物流企业而言，FARM 这类“基础模型微调 + 连续回归 + 像素级地图”的路径，提供了一个现实的落地点：不要求你拥有完美数据，也不要求你一次性重建系统，只要你愿意先做一个能闭环的最小场景。

如果你正在做年度仓网规划、旺季运力招标，或要把 ESG 指标从口号变成管理动作，我建议从一件事开始：选一个核心作物、一个重点产区，用当季数据跑一次“预测—计划—复盘”。 你会很快看清：到底是模型不够准，还是组织还没准备好用准。

下一季收割之前，你希望自己手里拿到的是“差不多的平均数”，还是一张能直接指导运力、仓容与排产的产量地图？