病虫害检测：防治效果评估

可视化演示

可视化对照区与防治区虫口密度随时间变化，通过防效公式计算防治效果，拖动滑块调整防治力度观察效果差异。

对照实验设计

医院试用新药，会让一半病人吃新药、另一半吃长得一样的糖丸——不这样做，你说不清是药起效了，还是病人本来就快好了。果园评估打药方案也一样：农药技术员老王说化学喷雾好，生态顾问老李说生物菌好。别急着吵，先把果园划成几块：一块打化学药、一块喷生物菌，再留一块什么都不做，这块地就是“糖丸组”，叫空白对照。

有了空白对照，剩下的问题就是公平。三块地要在同一个田块、同一个时间段、用同样的水肥管理，否则就像让运动员一只脚穿钉鞋、一只脚穿拖鞋，成绩根本没可比性。还要把处理随机分配位置，避免土壤肥力差异捣乱；每个处理至少重复 3 次，偶然运气才不会左右结论。

这套设计回答的问题是：施药后病情的变化，到底有多少是“药”带来的，多少是“天气和作物自己”带来的？空白对照提供了“要是不治会怎样”的基线。评估的一切，都从这个地基开始：

有了这块“糖丸田”，果园医生才能拍着胸脯说：效果不是天气的功劳，是方案的本事。记住这个原则——没有对照的防效数据，在专业评审里一律无效。

病情指数调查

量体温不能只看“发烧了没”，还得看是 37.8℃ 还是 40.2℃。看病害也一样，只说“有病/没病”太粗糙——一棵树只有三片叶子有病，和整棵树病恹恹的，严重程度天差地别。于是调查员拿出一张“病情刻度表”：把病害按严重程度分成 0-9 级，0 级是无病斑，1 级零星病斑，3、5、7 级逐级加重，9 级是全株枯死。

调查时不能只挑长得好的或病得重的树看，那叫“幸存者偏差”——得随机选样株，每片小区抽 20-50 株，像民意调查一样有代表性。逐株看过去，记下每一株的等级，然后把所有数字汇总成一个单值，这就是病情指数（DI）。它的公式像是给每个病株发了一枚“按病级称重”的砝码，轻病少加分，重病多加码：

分级制度让“病情”这个模糊的词有了精确刻度，就像体温计把“难受”变成 38.5℃ 这个数字。后面所有防效计算，都要靠这个数字说话。

防效计算公式

医生评估一种药，会问“治愈率是多少”——治好的病人数除以原本生病的病人数。防治效果评估同样需要一个比率：被防住的病情，除以对照本来要爆发的病情。既然上一步已经用分级调查算出了两组各自的病情指数，这一步就只剩下一个干净利落的除法：

分子是“对照有、处理没有”的病情差，也就是防治真正拦下的部分；分母是对照的病情，代表“如果不治会发展成什么样子”。用对照组做分母，本身就是一种校正——即使这一年气候异常、病害自然大爆发或自然消退，标准都会被同步拉高或拉低，这叫校正防效。举例：对照区病情指数 65，处理区只有 4，防效就是 (65−4)÷65 ≈ 93.8%。

防效是果园里最常被引用的一个数，但也是最容易被误读的数。记住它永远是“相对对照而言”——没有对照，这个百分比就没有分母，也就没有意义。

遥感影像评估

几百亩果园，一株一株数要数到天荒地老，就像医生要给几千人体温，总不能挨个夹体温计。这时候就该无人机和卫星登场了——它们像一座移动的“红外热像仪”，从空中给整片果园拍一张“健康温度图”。原理很简单：健康的叶片会强烈反射近红外光（NIR），而病害导致叶绿素减少后，红色光（RED）的反射比例会变化。两者的组合就是大名鼎鼎的 NDVI（归一化植被指数）：

NDVI 的取值范围在 -1 到 1 之间，植被越茂盛健康，数值越接近 1；病田、裸地、枯叶，数值明显偏低。于是把防治区和对照区的影像分别切开统计，算出每个像元的 NDVI，就能画出整片果园的病情分布图。

从天上俯瞰，翠绿与枯黄在屏幕上泾渭分明，哪里防治到位、哪里还在蔓延，一眼便知。大区域的防效报告，从此不需要人扛着记录本走完整个乡。

综合评估指标

病人出院，医生不会只看“退烧了没”，还会看有没有副作用、花了多少钱、多久能康复。防治方案也是一样：某个农药防效 95%，但它贵得让整季果园亏本，或者毒性大得吓跑蜜蜂，就不是一个好方案。于是评估报告不能只给一个防效数字，而要像体检报告一样列出一整页指标：病情指数、防效、每亩成本、挽回的产量价值、化学农药减用量。最后，用权重把它们揉成一个综合评分：

这里的 E 是防治效果（防效百分数），B 是经济效益（挽回产值），C 是防治成本（农药、人工、施药设备），w1、w2、w3 是人为设定的权重。要注意，B 和 C 的量纲与 E 不同，实际使用时先各自标准化到 0-100 的分数，再乘权重，这样才公平。假如果园老板最在意省钱，就把 w3 调大；假如政府项目要求绿色减药，就把“农药减量”单独作为一档硬指标。

报告解读也有讲究：只看防效会盲目选贵药，只看成本会错过高效方案。综合分才是果园医生开给老板的那句最终诊断——“这套方案，值不值得继续用”。

评估应用优化

复查不是终点，而是下个疗程的起点。果园医生看完这一季的评估报告，会做三件事：第一，比较化学方案和生物方案的综合分；第二，看看成本高在哪里、减药空间有多大；第三，把结论记进“病历”，明年春天提前调整。评估的最终价值，是让决策有据可依。这里最常用的经济账，是投入产出比：

比如一亩果园不打药会损失 2000 元，打药花了 500 元，挽回损失 1800 元，ROI 就是 (1800−500)÷500 = 260%，也就是说每花 1 元防治费，大约净赚 2.6 元。如果某个方案防效很高但 ROI 很低，就要考虑减少施药次数、换成更便宜的生物制剂，或者只在病害预警的窗口期精准施药。

这样，每一次评估都变成下一次防治的知识积累。果园不再靠经验碰运气，而是靠数据越走越准——这正是 AI 在农业里最踏实的落地方式。

AI 应用场景

Python 演示

class TrialEvaluator:    """防治效果评估器：计算病情指数与防效"""     def __init__(self, grade_levels, max_grade=9):        self.grade_levels = grade_levels        self.max_grade = max_grade     def severity_index(self, grade_counts, total_plants):        """按病情指数公式计算，grade_counts 是各病级的株数"""        total_score = sum(g * c for g, c in zip(self.grade_levels, grade_counts))        return total_score / (total_plants * self.max_grade) * 100     def control_effect(self, ctrl_di, treat_di):        """防效 = (对照病情指数 - 处理病情指数) / 对照病情指数"""        return (ctrl_di - treat_di) / ctrl_di * 100  def main():    levels = [0, 1, 3, 5, 7, 9]    evaluator = TrialEvaluator(levels)     ctrl_counts = [30, 12, 18, 22, 14, 4]   # 空白对照区：100 株    treat_counts = [78, 12, 6, 3, 1, 0]     # 处理区：100 株    total = 100     ctrl_di = evaluator.severity_index(ctrl_counts, total)    treat_di = evaluator.severity_index(treat_counts, total)    ce = evaluator.control_effect(ctrl_di, treat_di)     print("对照组病情指数: {:.1f}".format(ctrl_di))    print("处理组病情指数: {:.1f}".format(treat_di))    print("防治效果: {:.1f}%".format(ce))  if __name__ == "__main__":    main()

1. self.grade_levels = grade_levels记住病级表（0、1、3、5、7、9），后面所有加权都靠它。
2. sum(g * c for g, c in zip(...))逐级相乘再求和，相当于“总病情负担”。
3. total_plants * self.max_grade归一化分母，把分数压到 0-100 区间。
4. return total_score / (...) * 100病情指数的核心计算，对应正文公式 DI。
5. (ctrl_di - treat_di) / ctrl_di防效公式的代码表达，分子是防住的病情。
6. ctrl_counts = [...]对照区各级病株数模拟，相当于“不治”的真实世界。
7. treat_counts = [...]处理区各级病株数模拟，注意 0 级占多数。
8. if __name__ == "__main__":可执行入口，保证脚本既能被导入也能独立运行。

常见误区

面试题