老李在黄土岗上种了三十年地，每年开春他都蹲在田埂上，抓一把土、眯眼看看天，然后跟老伴念叨一句：“今年估摸能收四千斤。”这句话像一块石头投进水里——种子贩子、粮仓老板、保险推销员都会围过来，因为产量预测就是农业世界的“天气预报”。可惜老李的预报全靠经验和一副好腰板，说不清也传不下去。直到乡里来了个新助手小智——一套 AI 作物产量预测系统。小智把老李的“看天、踩地、翻旧账”变成了“气象数据、土壤数据、历史产量”三本账，再用算法算出明明白白的数字。本文就用老李和小智的故事，讲清楚 AI 是如何把零散数据变成产量预测，帮农户提前规划种植与销售的。

岗位关联

对 AI 从业者而言，这是理解“行业知识如何转化为数据产品”的绝佳案例：你能看到多源数据融合、时序建模、数据治理如何在一个真实场景里协同工作——这正是农业数字化领域最紧缺的算法落地能力。

目录
  1. 可视化演示
  2. 1. 产量预测概述
  3. 2. 多源数据融合
  4. 3. 数据预处理
  5. 4. 时序模型方法
  6. 5. 模型训练评估
  7. 6. 结果解读应用
  8. 7. 决策支持落地
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

多源数据融合架构——气象/土壤/遥感数据经预处理后融合输入预测模型 气象：温度/降水/辐射时序数据 土壤：pH/有机质/养分数据 遥感：NDVI/LAI植被指数 融合：早期/晚期/混合策略 Yield = Fusion(Weather_seq, Soil_static, NDVI_series, GDD_cumulative)

1. 产量预测概述

每年开春，老李蹲在田埂上抓一把土，眯眼看看天，跟老伴念叨：“今年趁着墒情好，估摸能收四千斤。”这话一出口，种子公司、粮贩子、保险员全围上来了——产量预测就是农业世界的“天气预报”，人人都想知道。可老李的预报全靠三十年经验和一副好腰板，说不清道理，也没法传给年轻人。小智翻着电脑屏幕说：“叔，这事儿能算。”

所谓产量预测，本质是回答一个问题：在已知当前气象、土壤和历史收成的情况下，未来收获季能收多少粮？传统方式靠的是经验直觉，像老李那样“拍脑袋”；AI 方式则把经验变成数据与算法——先收集历史上“什么条件对应什么产量”的样本，再让模型自己摸索规律。预测的价值不只是满足好奇心：它让农户提前预定仓储、洽谈订单、投保防灾，做到“手中有数，心中不慌”。

从数学上看，AI 产量预测就是学习一个函数：把影响产量的各种因素映射到产量数字上。气象、土壤、历史产量是输入，产量是输出，模型要做的是逼近那个隐藏在数据背后的真实关系。

小智的算法说到底就是老李经验的“数字化副本”：老李的 f 存在脑子里，小智的 f 存在服务器里，而且还会随着新数据不断更新。预测这件事，从“老师傅拍脑袋”变成了“模型算明白”。

Y=f(Xweather,Xsoil,Xhistory)+ε\displaystyle Y = f(X_{weather}, X_{soil}, X_{history}) + \varepsilon
这个公式是说：产量 Y 由某个函数 f 根据三类输入算出，再加一点随机扰动 ε。f 就是老李的经验，AI 要学习它。
  1. Y（产量目标）最终要预测的结果，例如每亩收获的粮食吨数，是模型的“答题纸”。
    Y\displaystyle Y
  2. f（预测函数）代表 AI 学到的估产经验，把输入特征变成输出产量的“黑箱操作”。
    f(⋅)\displaystyle f(\cdot)
  3. X 特征组三类输入——气象特征 X_weather、土壤特征 X_soil、历史产量 X_history，分别对应老李的“看天、踩地、翻旧账”。
    Xweather,  Xsoil,  Xhistory\displaystyle X_{weather},\; X_{soil},\; X_{history}
  4. ε（噪声项）随机误差，表示总有模型看不透的偶然因素，比如一场突如其来的冰雹。
    ε\displaystyle \varepsilon

2. 多源数据融合

老李看天气要抬头，看墒情要弯腰，看账本要回屋翻抽屉，三样东西各有各的来路。小智说：“叔，你把这三大样交给我，合成一张表，我就能看得更全。”这就是多源数据融合——把来自不同渠道、不同格式、不同量纲的数据整合成统一特征，让模型像老李一样“眼观六路、耳听八方”。

第一路是气象数据，来自气象站的温度、降雨量、光照时长，它们决定光合作用的“口粮”；第二路是土壤数据，来自土壤传感器的 pH 值、有机质含量和墒情，相当于庄稼的“饭桌条件”；第三路是历史产量，来自村委会的台账，记录着这片地脾气最好的“参考系”。单看任何一路都有盲区：雨水再多，土壤贫瘠也白搭；土壤肥沃，遇上大旱照样减产。

多源融合最简单的做法是加权求和：给每类数据分配一个权重，权重越大说明它对产量的“发言权”越大。权重不是拍脑袋定的，而是模型从数据里学出来的——如果某年降雨对产量影响巨大，模型自然会提高降雨特征的权重。

老李的“望闻问切”从此变成了一张数字表格。三本单独看都有缺憾的账，合在一起就成了完整的“田地体检报告”。

Xfused=w1Xweather+w2Xsoil+w3Xhistory\displaystyle X_{fused} = w_1 X_{weather} + w_2 X_{soil} + w_3 X_{history}
融合特征 X_fused 等于三类数据分别乘以权重 w 再加总。权重就像老李分配注意力：旱年多盯降雨，涝年多盯排水。
  1. X_weather（气象分量）温度、降雨、光照等气象要素组成的向量，描述“天公作不作美”。
    Xweather\displaystyle X_{weather}
  2. w 权重（影响系数）每个数据源的说话分量，模型自动学习，代表该因素对产量的贡献大小。
    w1,w2,w3\displaystyle w_1, w_2, w_3
  3. 加法运算（线性叠加）把三类信息按权重累加，合成一个综合特征，就像老李把“看天、踩地、翻账”的结论在脑子里加总。
    w1Xweather+w2Xsoil+w3Xhistory\displaystyle w_1 X_{weather} + w_2 X_{soil} + w_3 X_{history}
  4. X_fused（融合结果）最终进入模型的综合输入，比任何单一数据源都更完整。
    Xfused\displaystyle X_{fused}

3. 数据预处理

小智兴致勃勃地打开老李的账本，却愣住了：去年那场冰雹把后半个月的记录淋得字迹全无；有几页墨水洇开，分不清是 7 还是 1；还有几天降雨量高达 300 毫米——后来一查，是传感器被鸟踩坏了。小智叹气：“数据不干净，模型再聪明也白搭。”它拿起橡皮和直尺，开始誊清账本，这正是数据预处理。

预处理有三件必修课。第一件是缺失值插补：某天数据没记上，不能整行删掉——时序数据是连续的，删掉就像连续剧跳了一集。更聪明的做法是用前后两天的平均值补上，因为天气变化通常是平缓的。第二件是噪声过滤：用“三倍标准差法则”揪出离谱的异常值，比如被鸟踩出来的 300 毫米降雨，直接标记剔除。第三件是归一化：降雨量是几百毫米、土壤 pH 是 0 到 14、产量是几吨，量纲差着上百倍，不统一会让模型误以为“数字大的更重要”，所以要把所有特征压到 0 到 1 之间。

缺失值插补最常用的公式是线性插值——用缺失点前后两个邻居的平均值来填补：

誊清账本之后，老李那些模糊的记忆变成了工整的表格。数据质量决定了预测质量的“天花板”——脏数据进，垃圾预测出；干净数据进，靠谱预测出。

xt=xt−1+xt+12\displaystyle x_t = \frac{x_{t-1} + x_{t+1}}{2}
x_t 是缺失那天的值，x_{t-1} 是前一天、x_{t+1} 是后一天。这个公式假设天气变化是“平滑过渡”的，取中间值最合理。
  1. x_t（缺失值）需要补上的那天数据，比如被冰雹淋花的降雨记录。
    xt\displaystyle x_t
  2. x_{t-1} 与 x_{t+1}（前后邻居）缺失日前一天和后一天的真实观测，它们是最可靠的参考。
    xt−1,  xt+1\displaystyle x_{t-1}, \; x_{t+1}
  3. 除以 2（取平均）在前后两个值之间取中点，相当于假设数据在这三天里线性变化。
    xt−1+xt+12\displaystyle \frac{x_{t-1} + x_{t+1}}{2}

4. 时序模型方法

庄稼生长就像一集接一集的连续剧：昨天的雨水影响今天的苗情，今天的苗情决定明天的长势。老李之所以估得准，是因为他“追剧”追了三十年——他记得去年五月中旬那场暴雨压低了灌浆，也记得前年日照充足让籽粒饱满。小智要学的，就是这种“带着记忆看数据”的本事，这正是时序模型。

普通回归模型把每个样本当成独立的个体，就像每集连续剧都从头看、互不关联。但产量数据不是这样的：5 月的干旱会影响 6 月的株高，6 月的株高又会影响 7 月的穗数。时序模型专门处理这种先后依赖。LSTM（长短期记忆网络）是其中的代表，它像一个有“记忆小本子”的观众，一边看新剧情，一边决定哪些旧剧情值得记住、哪些该忘掉。

LSTM 最核心的部件叫“遗忘门”，它决定上一刻的记忆有多少能留到这一刻。这个小开关由一个公式控制：

有了记忆单元，小智在 9 月评估产量时，还能想起来 40 天前那场暴雨——这正是老李“追剧式”直觉的算法化。时序模型让预测不再“断章取义”，而是看完整条时间线再开口。

ft=σ(Wf⋅[ht−1,xt]+bf)\displaystyle f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)
遗忘门 f_t 输出一个 0 到 1 之间的数，1 表示“全记住”，0 表示“全忘掉”。模型在训练中学会何时该记、何时该忘。
  1. f_t（遗忘门输出）一个 0 到 1 的数值，控制多少旧记忆被保留——像老李决定“去年那场暴雨要记牢，前年那顿饺子就算了”。
    ft\displaystyle f_t
  2. h_{t-1}（上一步的记忆）模型在上一时刻保存的内部状态，浓缩了此前所有天气对庄稼的影响。
    ht−1\displaystyle h_{t-1}
  3. W_f 与 b_f（待学习的参数）模型的“旋钮”，训练时不断调整，决定哪些历史信息重要。
    Wf,  bf\displaystyle W_f, \; b_f
  4. σ（Sigmoid 函数）把任意数值压到 0 和 1 之间，让输出可以解释为“保留比例”。
    σ(⋅)\displaystyle \sigma(\cdot)

5. 模型训练评估

模型建好了，能不能上岗还得考试。老李给小智出了套“模拟考”：用过去 10 年的数据，前 9 年当课本，最后 1 年当考题。他特别强调：“千万不能拿考题当课本背！”这就是训练集与测试集划分的核心思想——模型只能从训练集学习规律，测试集则用来检验它是否真的学会了，而不是死记硬背。

时序数据的划分有个铁律：必须按时间顺序切，前 80% 作为训练集、后 20% 作为测试集，绝不能随机打乱。为什么？因为天气和庄稼有“连续剧情”，一旦打乱，模型等于提前偷看了未来——就像老李看连续剧先看大结局，再回头推理剧情，当然“十拿九稳”，但一到真实世界就露馅。

评估成绩用什么尺子？最常用的是 RMSE（均方根误差），它衡量预测值和真实值之间的平均偏差：

模拟考 85 分不等于正式考试 85 分，但至少心里有底。小智把测试集误差打印出来给老李看：“叔，平均每亩误差不到 0.2 吨。”老李点点头，这才让它在自家田里正式上岗。

RMSE=1n∑i=1n(yi−y^i)2\displaystyle RMSE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2}
每个样本的真实产量 y_i 减去预测产量 ŷ_i，先平方、再平均、最后开方。RMSE 越小说明预测越准，而且它对“大错误”格外严厉。
  1. y_i（真实产量）秋收时实际过秤的产量，是考试的“标准答案”。
    yi\displaystyle y_i
  2. ŷ_i（预测产量）模型给出的预估数字，是考生的“答题内容”。
    y^i\displaystyle \hat{y}_i
  3. 平方运算把误差放大，让偏离大的预测受更多“惩罚”——错 1 单位记 1，错 2 单位记 4。
    (yi−y^i)2\displaystyle (y_i - \hat{y}_i)^2
  4. 平均后开方把所有误差平方平均再开方，恢复到原来的量纲，得到“平均错多少”。
    1n∑i=1n(⋅)\displaystyle \sqrt{\frac{1}{n}\sum_{i=1}^{n}(\cdot)}

6. 结果解读应用

小智第一次汇报预测结果就说：“今年亩产大约 3.7 吨。”老李追问：“为啥？”小智推推眼镜：“上半年雨水偏多两成，会压一压灌浆，但日照时长补回来了，所以总产略涨，浮动范围在 ±5% 左右。”老李乐了：“这才像话，光报个数字，谁知道靠不靠谱。”这正说明了预测结果解读的三个层次：点预测、置信区间、因素归因。

点预测是最直观的单一数字——“3.7 吨”，但模型心里清楚，这个数字有不确定性。于是要给出置信区间：有 95% 的把握产量落在 3.5 到 3.9 吨之间。区间越窄，说明模型越有把握；区间很宽时，农户就该多留缓冲。其次是因素归因：哪个因素推高了产量、哪个因素拖了后腿，就像体检报告要说明“红细胞偏低是因为缺铁”。

置信区间的计算公式是这样的：

老李拿到的不再是冷冰冰的数字，而是一份“产量体检报告”：有结论、有范围、有原因。如果模型预测产量将低于某条警戒线，还会触发预警——老李就能提前买保险、调灌溉，把风险摁在萌芽里。

y^±z×σn\displaystyle \hat{y} \pm z \times \frac{\sigma}{\sqrt{n}}
点预测 ŷ 居中，上下浮动一个幅度：z 是置信系数（95% 置信度时约 1.96），σ 是预测误差的标准差，n 是样本量。样本越多、误差越小，区间越窄。
  1. ŷ（点预测）模型认为最可能的产量值，是区间的中心。
    y^\displaystyle \hat{y}
  2. z（置信系数）决定区间宽度的“倍数”，95% 置信度对应约 1.96，追求更高置信度则 z 更大。
    z\displaystyle z
  3. σ/√n（标准误）预测的不确定性度量，样本量 n 越大，这个幅度越小，区间越窄。
    σn\displaystyle \frac{\sigma}{\sqrt{n}}
  4. ±（上下界）把中心值加上和减去浮动幅度，得到区间 [ŷ - z·SE, ŷ + z·SE]。
    ±\displaystyle \pm

7. 决策支持落地

预测的终点不是一张报表，而是田地里的行动。老李看完小智的报告，做了三件事：预测丰收，他扩种了五亩玉米，提前联系粮仓锁定烘干线；预测降雨偏少，他减少了氮肥采购，把钱省下来搞滴灌；预测价格波动，他决定收获后先存一部分，等行情回暖再卖。小智说：“叔，预测不是给你看的，是给你用的。”

把预测转化为决策的数学工具是“期望收益”：不同天气场景下，产量和价格不同，收益也不同。决策者应该选择期望收益最高的方案。比如“扩种玉米”这个方案，要算：风调雨顺时赚多少（概率 60%）、一般年景赚多少（概率 30%）、灾年亏多少（概率 10%），加权平均后才是它的期望收益。公式长这样：

第二年，小智学习了新一年的真实气象和产量数据，模型参数更新，预测更准。老李的种地账本从“拍脑袋”变成了“算期望”，而小智也从“新来的帮手”变成了“田里的军师”。AI 预测落地，靠的不是一锤子买卖，而是年复一年的迭代信任。

E[Profit]=∑i=1mPi×Profiti\displaystyle E[Profit] = \sum_{i=1}^{m} P_i \times Profit_i
期望收益 E[Profit] 等于把所有可能场景的概率 P_i 乘以对应收益 Profit_i，再加总。它帮老李在不确定中做最不后悔的选择。
  1. P_i（场景概率）模型给出的各种情景发生概率，如“丰收”60%、“平年”30%、“歉收”10%。
    Pi\displaystyle P_i
  2. Profit_i（场景收益）每种情景下的净收益，既算卖粮的钱，也算化肥、灌溉的成本。
    Profiti\displaystyle Profit_i
  3. 连加号求和把每个概率与收益相乘后累加，得到“平均下来能赚多少”。
    ∑i=1mPi×Profiti\displaystyle \sum_{i=1}^{m} P_i \times Profit_i
  4. E[Profit]（期望收益）决策的“平均账本”，哪个方案期望收益高，就优先选哪个。
    E[Profit]\displaystyle E[Profit]

AI 应用场景

农业气象服务平台的区域产量预报

阶段：多源数据融合 + 时序模型推理

解决的问题：传统平台只报“天气”，农户看完仍不知道对收成影响多大。AI 平台把气象预报、土壤墒情、历史产量融合进模型，直接输出“未来三个月本县玉米预计亩产 3.6~4.0 吨”，让天气预警变成产量预警。

具体案例：某省农业气象中心接入 200 个气象站数据与 3 万条地块产量记录，按县为粒度训练 LSTM 模型。2024 年夏季高温来临时，平台提前 45 天发出“灌浆期热害减产预警”，农户据此提前灌溉降温，全县玉米平均减产幅度比邻县低 6 个百分点。

农业保险公司的产量定损与风控

阶段：数据预处理 + 模型训练评估 + 置信区间

解决的问题：传统农险理赔靠人工查勘，成本高、争议大。AI 用气象卫星和地面传感器数据重建“如果没受灾本该收多少”，并结合置信区间给出赔付参考范围。

具体案例：某保险公司用过去 15 年气象与产量数据训练基准产量模型，当保单地块遭遇干旱时，系统自动对比实际产量与预测区间下限。若实际产量显著低于区间下限，直接触发快速理赔，平均理赔周期从 22 天缩至 5 天，欺诈赔付率下降 18%。

农资企业的种植规划与精准营销

阶段：决策支持落地 + 持续迭代

解决的问题：农资企业不知道农户明年种什么、需要多少化肥种子，营销像撒胡椒面。AI 结合产量预测和种植结构数据，提前预判区域农资需求。

具体案例：东北某农资集团根据 AI 产量预测，发现某区域玉米预计增产、大豆持平，于是把复合肥推广资源向玉米区倾斜，并针对预测减产区域推送节水灌溉设备。一个春耕季，区域销售额增长 12%，而库存积压下降 30%。

Python 演示

python51 行
import numpy as npfrom sklearn.ensemble import RandomForestRegressorfrom sklearn.metrics import mean_squared_errorfrom sklearn.model_selection import train_test_split np.random.seed(42)n = 60  # 模拟 60 个生长季样本 # 生成模拟多源数据: 温度(正弦波动+噪声), 降雨(正弦波动+噪声), 土壤肥力(均匀分布)temps = 18 + 8 * np.sin(np.linspace(0, 6 * np.pi, n)) + np.random.randn(n) * 0.5rains = 500 + 120 * np.sin(np.linspace(0, 4 * np.pi, n)) + np.random.randn(n) * 20soils = np.random.uniform(50, 90, n) # 产量由三个特征决定, 加上随机误差yield_actual = 0.8 + 0.015 * temps + 0.002 * rains + 0.02 * soils + np.random.randn(n) * 0.1 # 模拟数据缺失: 第 10 到 14 个样本的降雨记录丢失rains[10:15] = np.nan # 线性插补缺失值: 用前后最近的非缺失值取平均for i in range(len(rains)):    if np.isnan(rains[i]):        left = i - 1        right = i + 1        while left >= 0 and np.isnan(rains[left]):            left -= 1        while right < len(rains) and np.isnan(rains[right]):            right += 1        if left >= 0 and right < len(rains):            rains[i] = (rains[left] + rains[right]) / 2        elif left >= 0:            rains[i] = rains[left]        else:            rains[i] = rains[right] # 多源数据融合: 拼接成特征矩阵X = np.column_stack([temps, rains, soils]) # 按时间顺序划分训练集和测试集, 不打乱时序X_train, X_test, y_train, y_test = train_test_split(X, yield_actual, test_size=0.2, shuffle=False) # 训练随机森林回归模型model = RandomForestRegressor(n_estimators=200, random_state=42)model.fit(X_train, y_train) # 预测并评估pred = model.predict(X_test)rmse = np.sqrt(mean_squared_error(y_test, pred))print(f"RMSE: {rmse:.3f}")print("测试集真实产量:", y_test[:3].round(2))print("测试集预测产量:", pred[:3].round(2))
目的：完整演示“数据生成 → 缺失插补 → 多源融合 → 时序划分 → 模型训练 → 误差评估”的作物产量预测流水线，是正文知识点的可运行浓缩版。
  1. rains[10:15] = np.nan人为制造数据缺失，模拟传感器故障或记录丢失。
  2. while left >= 0 and np.isnan(rains[left]):从缺失位置向前寻找最近的有效观测值。
  3. rains[i] = (rains[left] + rains[right]) / 2核心插补逻辑：取前后两个有效值的平均，对应正文线性插值公式。
  4. X = np.column_stack([temps, rains, soils])把三类数据合成特征矩阵，实现多源融合。
  5. train_test_split(..., shuffle=False)保持时间顺序划分数据集，避免“偷看未来”的数据泄漏。
  6. model.fit(X_train, y_train)用前 80% 数据训练随机森林模型，让它学习特征到产量的映射。
  7. np.sqrt(mean_squared_error(y_test, pred))计算测试集 RMSE，评估模型真实预测能力。

常见误区

误区气象站的数据那么全，把温度、湿度、风速、气压、蒸发量全塞进模型，预测一定更准。

正解数据不是越多越好。多源融合讲究“相关”与“对齐”——风速和最终产量的关系可能很弱，硬塞进去只会引入噪声和计算负担。就像给厨师堆一百种调料，不如挑出和这道菜最配的五六种。正确做法是用相关系数和特征重要性筛选，砍掉冗余特征，模型更轻、更稳、更可解释。

为何常见：人的直觉是“信息多 = 决策准”，却忽略了模型会把无关特征中的噪声也一并放大。

误区为了让训练集和测试集“分布更均匀”，我把历史数据随机打乱再划分，这样评估更客观。

正解时序数据一旦打乱，等于让模型“偷看未来”——昨天的台风、今天的干旱、明天的丰收全混在一起，模型学到的规律是幻象。必须按时间顺序切分：前 80% 做训练集、后 20% 做测试集。就像老李看连续剧，不能先看大结局再倒推剧情，那样推理出来的“规律”到新一季必然失灵。

为何常见：通用机器学习教程常讲“随机划分以消除数据顺序影响”，给初学者留下了不考虑时间维度的思维定式。

误区AI 说今年亩产 3.7 吨，那我就按 3.7 吨签销售合同、租粮仓，肯定不会错。

正解任何预测都有不确定性，气象本身就无法完全预知。专业做法是看置信区间：如果 95% 区间是 3.5~3.9 吨，按 3.5 吨规划仓储能保证不爆仓，按 3.9 吨准备销售渠道能抓住行情。预测不是“算命”，而是给决策提供有边界的参考。

为何常见：机器学习输出一个数字时，界面上没有自动显示不确定性，用户容易把“点估计”当作“必然结果”。

误区模型在过去的 10 年数据上做到 99% 准确率，太优秀了，直接部署上线！

正解训练集准确率高可能只是“背答案”——模型把历史数据背得滚瓜烂熟，遇到新情况却一塌糊涂，这叫过拟合。真正要看测试集表现：模型在没见过的年份数据上误差多大。就像小智模拟考次次满分，但正式考试若只会背原题，照样不及格。用独立测试集和交叉验证评估泛化能力才是硬标准。

为何常见：训练误差天然低于测试误差，初学者看到训练集上的漂亮数字就兴奋，忽略了“考试要考新题”这个常识。

面试题

Q1. 作物产量预测中，以下哪组数据最应该作为模型输入？

单选题 · easy

  • A.只靠气温数据
  • B.只靠土壤数据
  • C.只用历史收成
  • D.多源数据融合← 正确答案

答案：D。产量由气象、土壤、历史产量共同决定，单一数据源都有盲区。D 选项对应正文的“三本账合成一本”——多源融合才能让模型像老李一样全面估产。A、B、C 都只覆盖了某一个侧面，信息不完整。

Q2. 时序数据中出现少量缺失值时，最推荐的做法是？

单选题 · easy

  • A.直接删除整行
  • B.用前后数据插补← 正确答案
  • C.仅保留完整年
  • D.用固定零值填充

答案：B。时序数据是连续剧情，删除整行或整年相当于跳过一集，会破坏连续性。固定零值填充则歪曲真实信息。线性插补用前后有效值取平均，假设变化平缓，是最稳妥的基础方案，对应正文的 x_t = (x_{t-1} + x_{t+1})/2。

Q3. 为什么时序预测必须按时间顺序划分训练集和测试集？

单选题 · mid

  • A.为了提升训练速度
  • B.防止未来数据泄漏← 正确答案
  • C.使模型参数更少
  • D.方便绘制曲线图

答案：B。按时间划分的核心目的是防止“偷看未来”。如果随机打乱，模型会从测试期的数据里学到本不该提前知道的信息，测试成绩虚高，上线就露馅。这和速度、参数数量、绘图都无关。老李看连续剧不能先看结局也是这个道理。

Q4. LSTM 遗忘门输出接近 0 时表示什么？

单选题 · mid

  • A.记住所有历史信息
  • B.丢弃该部分信息← 正确答案
  • C.放大当前时刻输入
  • D.跳过当前时刻输出

答案：B。遗忘门输出是 0 到 1 之间的比例，接近 0 表示“这段旧记忆基本忘掉”，接近 1 表示“记住”。这正是 LSTM 的智慧所在：模型学会在产量预测中忘掉无关旧事，比如 60 天前一场对产量毫无影响的小雨。

Q5. 对降水量和土壤肥力做归一化的主要目的是？

单选题 · mid

  • A.增大样本数量
  • B.统一特征量纲← 正确答案
  • C.消除随机噪声
  • D.提高数据精度

答案：B。降雨量几百毫米、pH 值 0 到 14、产量几吨，数值范围差异巨大。若不归一化，模型可能误以为“数值大的特征更重要”，收敛也慢。归一化把各特征压到同一尺度，让模型公平地看待每个因素。它不增样本、不消噪、不改变数据本身精度。

Q6. 相比 MAE，RMSE 作为评估指标的特点是？

单选题 · hard

  • A.对大误差更敏感← 正确答案
  • B.计算更加简单
  • C.完全不考虑误差
  • D.只统计正误差

答案：A。RMSE 先平方再开方，平方运算会让大误差被放大——错 2 记 4，错 3 记 9。因此 RMSE 对“离谱预测”格外严厉，适合产量预测这种“错太多会亏大钱”的场景。MAE 则对所有误差一视同仁，不特别惩罚大误差。

Q7. AI 产量预测对农户最直接的价值是？

单选题 · easy

  • A.提前规划种销← 正确答案
  • B.降低土壤肥力
  • C.增加灌溉次数
  • D.缩短生长周期

答案：A。预测的价值在于给决策留出提前量：丰收前订好粮仓、减产前买好保险、雨少前改滴灌。它不改变土壤本身，也不直接增加灌溉或缩短生长周期，而是让农户在正确的时间做正确的安排，做到“手中有数，心中不慌”。

Q8. 以下哪些属于产量预测的多源数据？

多选题 · mid

  • A.气象站温度← 正确答案
  • B.土壤传感器← 正确答案
  • C.历年收成← 正确答案
  • D.卫星遥感影像← 正确答案

答案：ABCD。多源融合的核心就是“越多维度的真实信息越好”。温度代表气象，土壤传感器代表地力，历年收成是历史基线，卫星影像能反映作物长势和面积。四者合起来，模型才能如老李般“看天、踩地、翻旧账、望远方”。

Q9. 数据预处理环节通常包含哪些操作？

多选题 · hard

  • A.缺失值插补← 正确答案
  • B.噪声点过滤← 正确答案
  • C.特征归一化← 正确答案
  • D.随机打乱数据

答案：ABC。预处理三件套是插补缺失、过滤噪声、归一化量纲，对应正文的“誊清账本”三步。随机打乱是训练集的划分策略，不是预处理操作，而且对时序数据恰恰是禁忌——打乱会导致数据泄漏。

Q10. 关于预测置信区间，正确的理解是？

多选题 · extreme

  • A.区间反映不确定性← 正确答案
  • B.中心点一定真实
  • C.可辅助风险评估← 正确答案
  • D.区间越窄一定越好

答案：AC。置信区间表达的是“真实值大概落在这个范围内”，它是不确定性的度量，也是风险决策的输入——区间越宽就多备缓冲。但中心点只是最可能的估计，不代表一定真实。区间窄可能是模型把握高，也可能是因为样本太少而“盲目自信”，所以“越窄越好”是误区。