Plotly提供声明式API创建可交互的Web图表，支持散点图、热力图和3D表面图等数十种类型。在数据管道中嵌入Plotly可视化可实时展示数据分布和质量指标，Dash框架进一步将图表封装为可共享的Web应用，增强数据探索的交互性。在数据驱动的AI系统中，该方案对保障数据质量和模型可靠性具有重要作用。

岗位关联

需要学习Plotly交互图表，Plotly提供声明式API创建可交互的Web图表，支持散点图、热力图和3D表面图等数十种类型。AI数据管道工程 > 数据管道设计模式涵盖的这一知识点，是从概念认知走向工程落地的桥梁。

目录
  1. 可视化演示
  2. 防治效果评估基础原理
  3. 对照实验设计与防效计算
  4. 遥感大区域效果评估
  5. 经济效益综合评估
  6. 评估指标体系与持续优化
  7. AI 应用场景
  8. Python 演示
  9. 常见问答
  10. 常见误区
  11. 参考来源

可视化演示

展示Plotly图表类型（散点/热力/3D表面）、数据管道嵌入可视化、Dash Web应用三层架构，揭示声明式API的交互能力。

本节配有交互动效（进入视口后自动加载，约 3KB）。

Plotly图表类型展示 散点图/热力图/3D表面图，声明式API创建可交互Web图表 fig=go.Figure(data=[trace]) 40+图表类型支持缩放、悬停、选择等交互操作

防治效果评估基础原理

防治效果评估是植保工作的核心环节，通过科学量化手段衡量病虫害防治措施的实际成效。防治效果（Control Efficacy）是指采取某种防治措施后，病虫害发生程度相对于未防治对照的降低比例。其核心在于回答三个问题：防治措施是否有效？效果达到什么程度？是否达到预期目标？

防治效果评估包含四个维度：技术效果（病虫害种群密度、危害程度的降低幅度）、经济效果（投入产出比、成本收益率）、生态效果（对天敌、非靶标生物的影响）、社会效果（对农产品质量安全、农户收益的影响）。

对照组（Control Group）是防治效果评估的基准。科学设置对照组的核心原则包括：唯一差异原则（除防治措施外，处理组与对照组的所有其他条件应保持一致）、随机性原则（处理组与对照组的分配应随机进行，避免系统误差）、重复性原则（设置足够数量的重复，降低偶然因素影响）。

比较方法主要有：直接比较法（处理区与对照区直接对比）、前后比较法（处理区施药前后自身对比）、双重差分法（DID，结合处理前后和处理-对照双重维度比较）。

基础防效计算公式为：防效 = （对照区危害程度 - 处理区危害程度） / 对照区危害程度 × 100%。其中危害程度可用虫口密度（头/株、头/m²）、病情指数（DI, Disease Index）、被害株率（%）、叶片受害面积率（%）等指标表征。当对照区危害程度为0时，防效公式不适用，此时应使用处理区危害程度变化率进行评估。

基础防效计算公式
防效=C−TC×100%\text{防效} = \frac{C - T}{C} \times 100\%
C为对照区危害程度，T为处理区危害程度。当C=0时公式不适用。

对照实验设计与防效计算

随机区组设计（Randomized Complete Block Design, RCBD）是田间药效试验最常用的设计方法。设计要点：将试验田按土壤肥力、地势等划分为若干区组（Block），每个区组内条件尽量均匀；每个区组内包含所有处理（含对照），各处理随机排列；一般设置3-4次重复。其优点包括消除区组间土壤差异等系统误差、提高试验精度和统计检验灵敏度、统计分析简便，可使用方差分析（ANOVA）。

Abbott公式（1925年提出）是农药防效评价中最经典的校正公式，适用于处理前虫口基数相对均匀的试验。适用条件：害虫自然死亡率较低、处理前虫口基数在小区间差异不大、适用于杀虫剂短期防效评价。

Henderson-Tilton公式（1955年提出）是Abbott公式的改进版，能更好地校正处理前虫口基数差异和自然种群变化。与Abbott公式的区别：Henderson-Tilton公式在分子和分母中同时引入药前和药后虫口数；当处理前各处理虫口基数差异较大时，Henderson-Tilton公式更准确；适用于虫口自然消长明显的长期防效评价。

注意事项：当任一处理区药前虫口数为0时，公式不适用；当校正防效大于100%时，以100%计；当校正防效小于0%时，以0%计（表示无效）。

Abbott校正防效公式
校正防效(%)=(1−TaCa)×100%\text{校正防效}(\%) = \left(1 - \frac{T_a}{C_a}\right) \times 100\%
T_a为处理区药后虫口数，C_a为对照区药后虫口数。
Henderson-Tilton校正防效公式
校正防效(%)=(1−Ta×CbTb×Ca)×100%\text{校正防效}(\%) = \left(1 - \frac{T_a \times C_b}{T_b \times C_a}\right) \times 100\%
T_a/T_b为处理区药后/药前虫口数，C_a/C_b为对照区药后/药前虫口数。
python5 行
def abbotts_formula(T_a, C_a):    if C_a == 0:        raise ValueError('对照区虫口数为0')    efficacy = (1 - T_a / C_a) * 100    return max(0.0, min(100.0, efficacy))
python5 行
def henderson_tilton(T_a, T_b, C_a, C_b):    if T_b == 0 or C_a == 0:        raise ValueError('参数不能为0')    efficacy = (1 - (T_a * C_b) / (T_b * C_a)) * 100    return max(0.0, min(100.0, efficacy))

遥感大区域效果评估

传统田间小区域评估难以反映大范围防治效果的空间异质性。遥感技术为大规模防治效果评估提供了高效、客观、可重复的技术手段。NDVI（归一化植被指数，Normalized Difference Vegetation Index）是评估植被健康状况最常用的遥感指标。

无人机遥感空间分辨率可达厘米级（1-10cm/pixel），覆盖范围数公顷至数十公顷/架次，优势在于高精度、灵活部署、可搭载多光谱/高光谱传感器，但局限在于覆盖范围有限、受天气和空域管制影响。卫星遥感空间分辨率为米级至十米级（Sentinel-2: 10m, Landsat-8: 30m），覆盖范围数百至数千平方公里/景，优势在于大范围同步监测、历史数据丰富、成本低，但局限在于空间分辨率较低、受云层影响大。

利用遥感NDVI进行防治效果评估的基本流程：首先建立基线，获取防治前处理区和对照区的NDVI分布；然后进行变化检测，计算防治后NDVI的变化量；接着计算防效，比较处理区与对照区NDVI变化的差异；最后进行空间分析，生成防效空间分布图，识别防治薄弱区域。

大区域遥感评估需要科学的地面采样策略来验证和校准遥感数据。分层抽样（Stratified Sampling）按地形、作物类型、防治方式等分层，每层内随机抽取样点。系统抽样（Systematic Sampling）按固定间距（如500m×500m网格）布设样点。自适应采样（Adaptive Sampling）根据遥感预判结果，在NDVI异常区域增加样点，提高异常区域的评估精度。

注意事项：NDVI反映的是植被整体健康，不直接等于病虫害危害程度，需结合地面调查数据验证遥感评估结果；不同作物、不同生育期NDVI基线不同，需分别建立基线；云层遮挡会影响卫星遥感数据质量，需进行云掩膜处理。

NDVI计算公式
NDVI=NIR−RedNIR+Red\text{NDVI} = \frac{\text{NIR} - \text{Red}}{\text{NIR} + \text{Red}}
NIR为近红外波段反射率，Red为红光波段反射率。NDVI值范围为[-1, 1]，健康植被通常为0.3-0.8。
NDVI变化量
ΔNDVI=NDVIpost−NDVIpre\Delta\text{NDVI} = \text{NDVI}_{\text{post}} - \text{NDVI}_{\text{pre}}
计算防治前后NDVI的变化量，正值表示植被状况改善。
基于NDVI的防效计算
防效NDVI=ΔNDVItreatment−ΔNDVIcontrolΔNDVIcontrol×100%\text{防效}_{\text{NDVI}} = \frac{\Delta\text{NDVI}_{\text{treatment}} - \Delta\text{NDVI}_{\text{control}}}{\Delta\text{NDVI}_{\text{control}}} \times 100\%
比较处理区与对照区NDVI变化差异评估防效。
python7 行
def ndvi_efficacy(ndvi_t_pre, ndvi_t_post, ndvi_c_pre, ndvi_c_post):    delta_t = ndvi_t_post - ndvi_t_pre    delta_c = ndvi_c_post - ndvi_c_pre    if delta_c == 0:        raise ValueError('对照区NDVI无变化')    efficacy = ((delta_t - delta_c) / abs(delta_c)) * 100    return max(0.0, min(100.0, efficacy))

经济效益综合评估

防治效果的技术指标只是评估的一部分，经济效益评估能够帮助决策者判断防治措施是否具有经济可行性，为推广防治技术提供决策依据。成本效益分析（CBA）是评估防治措施经济可行性的核心方法。

投入成本（C）包括直接成本（农药/生物制剂费用、施药人工费、机械燃油费）和间接成本（培训费用、防护装备费用、环境监测费用）。产出效益（B）包括直接效益（挽回产量损失 = 产量 × 挽回损失率 × 农产品单价）和品质效益（农产品品质提升带来的溢价）。

核心经济指标：净收益 = B - C，益本比（B/C）= B / C，投资回报率（ROI）= (B - C) / C × 100%。当B/C > 1时，防治措施在经济上可行；当B/C < 1时，需要重新评估防治方案。

环境效益评估关注防治措施对农业生态系统的综合影响，评估指标包括：农药残留风险指数、天敌种群恢复率、生物多样性指数（Shannon-Wiener指数）、农药环境风险商（RQ）。当RQ < 1时，环境风险可接受。

综合效益评估方法包括：多指标综合评分法（综合得分 = 求和（权重 × 标准化得分））、模糊综合评价法（建立评价因素集、确定权重向量、构建隶属度矩阵、模糊合成运算、综合评价结果）、层次分析法（AHP，构建层次结构模型、构造判断矩阵、计算权重向量、一致性检验、综合排序）。

益本比（B/C）
B/C=BC\text{B/C} = \frac{B}{C}
B为产出效益，C为投入成本。B/C > 1时防治措施在经济上可行。
投资回报率（ROI）
ROI=B−CC×100%\text{ROI} = \frac{B - C}{C} \times 100\%
反映单位投资的回报水平，ROI越高经济可行性越强。
环境风险商（RQ）
RQ=PECPNEC\text{RQ} = \frac{\text{PEC}}{\text{PNEC}}
PEC为预测环境浓度，PNEC为预测无效应浓度。RQ < 1时环境风险可接受。
python7 行
def cost_benefit_analysis(pesticide_cost, labor_cost, yield_value, loss_rate, efficacy):    total_cost = pesticide_cost + labor_cost    saved_loss = yield_value * loss_rate * efficacy    net_benefit = saved_loss - total_cost    bc_ratio = saved_loss / total_cost    roi = (net_benefit / total_cost) * 100    return {'total_cost': total_cost, 'saved_loss': saved_loss, 'net_benefit': net_benefit, 'bc_ratio': bc_ratio, 'roi': roi}

评估指标体系与持续优化

建立科学的评估指标体系是防治效果评估规范化、标准化的基础。完整的防治效果评估指标体系应涵盖四个维度：技术效果（权重建议0.35）、经济效果（权重建议0.30）、生态效果（权重建议0.20）、社会效果（权重建议0.15）。

二级指标包括：技术效果维度的校正防效(%)、持效期（天）、速效性（药后1天防效）；经济效果维度的益本比(B/C)、亩均净收益（元）；生态效果维度的天敌安全性指数、农药残留风险指数；社会效果维度的农户满意度(%)。

指标标准化方法：正向指标使用 si = (xi - xmin) / (xmax - xmin)，反向指标使用 si = (xmax - xi) / (xmax - xmin)。标准化后所有指标值在[0, 1]范围内，便于比较和加权汇总。

将PDCA（Plan-Do-Check-Act）循环应用于防治效果评估体系优化：P（计划）阶段制定评估方案，明确评估指标和标准，设定评估目标值；D（执行）阶段按方案开展田间试验和调查，收集遥感数据、经济数据；C（检查）阶段分析评估结果，对比目标值，识别评估过程中的偏差来源；A（改进）阶段根据检查结果优化评估指标，调整权重分配，完善数据采集方法。每次循环将评估体系的成熟度提升一个等级，最终建立适合本地区、本作物的最优评估方案。

评估结果的可视化呈现对于决策沟通至关重要。常用可视化方法包括：雷达图（展示多维度评估结果，直观对比各维度表现）、热力图（展示防效空间分布，识别防治薄弱区）、趋势折线图（展示历年防效变化趋势）、箱线图（展示各处理防效的分布特征和变异度）。

多指标综合评分
综合得分=∑i=1nwi×si\text{综合得分} = \sum_{i=1}^{n} w_i \times s_i
w_i为第i个指标的权重，s_i为标准化得分。
正向指标标准化
si=xi−xmin⁡xmax⁡−xmin⁡s_i = \frac{x_i - x_{\min}}{x_{\max} - x_{\min}}
正向指标（数值越大越好）的标准化公式。
反向指标标准化
si=xmax⁡−xixmax⁡−xmin⁡s_i = \frac{x_{\max} - x_i}{x_{\max} - x_{\min}}
反向指标（数值越小越好）的标准化公式。

AI 应用场景

水稻稻飞虱防治效果综合评估

阶段：数据工程

解决的问题：某水稻种植合作社在300亩稻田中开展了稻飞虱防治试验。试验采用随机区组设计，设3个处理（新型杀虫剂A、常规杀虫剂B、空白对照CK），3次重复，共9个小区。药前和药后3天、7天、14天分别调查虫口密度。同时利用无人机搭载多光谱相机获取NDVI影像，并进行经济效益核算。

具体案例：某水稻种植合作社在300亩稻田中开展了稻飞虱防治试验。试验采用随机区组设计，设3个处理（新型杀虫剂A、常规杀虫剂B、空白对照CK），3次重复，共9个小区。药前和药后3天、7天、14天分别调查虫口密度。同时利用无人机搭载多光谱相机获取NDVI影像，并进行经济效益核算。

Python 演示

python114 行
#!/usr/bin/env python3"""病虫害防治效果综合评估计算程序""" import numpy as npfrom typing import Dict, Tuple class PestControlEvaluator:    """病虫害防治效果评估器"""     def abbotts_formula(self, T_a: float, C_a: float) -> float:        """Abbott校正防效公式"""        if C_a == 0:            raise ValueError("对照区药后虫口数为0，Abbott公式不适用")        efficacy = (1 - T_a / C_a) * 100        return max(0.0, min(100.0, efficacy))     def henderson_tilton(self, T_a: float, T_b: float, C_a: float, C_b: float) -> float:        """Henderson-Tilton校正防效公式"""        if T_b == 0 or C_a == 0:            raise ValueError("药前虫口数或对照区药后虫口数为0，公式不适用")        efficacy = (1 - (T_a * C_b) / (T_b * C_a)) * 100        return max(0.0, min(100.0, efficacy))     def ndvi_efficacy(self, ndvi_t_pre: float, ndvi_t_post: float,                      ndvi_c_pre: float, ndvi_c_post: float) -> float:        """基于NDVI的防治效果评估"""        delta_t = ndvi_t_post - ndvi_t_pre        delta_c = ndvi_c_post - ndvi_c_pre        if delta_c == 0:            raise ValueError("对照区NDVI变化量为0，无法计算防效")        efficacy = ((delta_t - delta_c) / abs(delta_c)) * 100        return max(0.0, min(100.0, efficacy))     def cost_benefit_analysis(self, pesticide_cost: float, labor_cost: float,                              yield_value: float, loss_rate: float,                              efficacy: float) -> Dict:        """成本效益分析"""        total_cost = pesticide_cost + labor_cost        saved_loss = yield_value * loss_rate * efficacy        net_benefit = saved_loss - total_cost        bc_ratio = saved_loss / total_cost if total_cost > 0 else float('inf')        roi = (net_benefit / total_cost) * 100 if total_cost > 0 else float('inf')        return {            "total_cost": round(total_cost, 2),            "saved_loss": round(saved_loss, 2),            "net_benefit": round(net_benefit, 2),            "bc_ratio": round(bc_ratio, 2),            "roi": round(roi, 1)        }     def calculate_weighted_score(self, scores: Dict[str, float],                                 weights: Dict[str, float]) -> float:        """多指标加权综合评分"""        return round(sum(scores[k] * weights.get(k, 0) for k in scores), 4)     def run_full_evaluation(self, experiment_data: Dict) -> Dict:        """运行完整评估流程"""        results = {"efficacy": {}, "ndvi": {}, "economic": {}}        for treatment in experiment_data.get("treatments", []):            t_name = treatment["name"]            T_a, T_b = treatment["post_count"], treatment["pre_count"]            C_a = experiment_data["control"]["post_count"]            C_b = experiment_data["control"]["pre_count"]            results["efficacy"][f"{t_name}_abbott"] = self.abbotts_formula(T_a, C_a)            results["efficacy"][f"{t_name}_ht"] = self.henderson_tilton(T_a, T_b, C_a, C_b)            if "ndvi" in treatment:                delta_t = treatment["ndvi"]["post"] - treatment["ndvi"]["pre"]                delta_c = experiment_data["control"]["ndvi"]["post"] - experiment_data["control"]["ndvi"]["pre"]                results["ndvi"][t_name] = self.ndvi_efficacy(                    treatment["ndvi"]["pre"], treatment["ndvi"]["post"],                    experiment_data["control"]["ndvi"]["pre"], experiment_data["control"]["ndvi"]["post"]                )            if "economic" in treatment:                econ = treatment["economic"]                eff = results["efficacy"][f"{t_name}_ht"] / 100                results["economic"][t_name] = self.cost_benefit_analysis(                    econ["pesticide_cost"], econ["labor_cost"],                    econ["yield_value"], econ["loss_rate"], eff                )        return results     def print_report(self, results: Dict) -> None:        """打印评估报告"""        print("=" * 50)        print("    病虫害防治效果综合评估报告")        print("=" * 50)        for key, value in results.get("efficacy", {}).items():            method = "Abbott" if "abbott" in key else "H-T"            treatment = key.rsplit("_", 1)[0]            print(f"  {treatment} ({method}): {value:.1f}%")        if results.get("economic"):            print("\n【经济效益分析】")            for key, value in results["economic"].items():                print(f"  {key}: 净收益={value['net_benefit']}元/亩, B/C={value['bc_ratio']}") # 示例运行if __name__ == "__main__":    evaluator = PestControlEvaluator()    data = {        "control": {"pre_count": 92, "post_count": 105, "ndvi": {"pre": 0.68, "post": 0.62}},        "treatments": [            {"name": "新型杀虫剂A", "pre_count": 85, "post_count": 15,             "ndvi": {"pre": 0.72, "post": 0.78},             "economic": {"pesticide_cost": 45.0, "labor_cost": 30.0, "yield_value": 1800.0, "loss_rate": 0.35}},            {"name": "常规杀虫剂B", "pre_count": 78, "post_count": 28,             "ndvi": {"pre": 0.70, "post": 0.74},             "economic": {"pesticide_cost": 25.0, "labor_cost": 30.0, "yield_value": 1800.0, "loss_rate": 0.35}}        ]    }    results = evaluator.run_full_evaluation(data)    evaluator.print_report(results)    scores = {"技术效果": 0.85, "经济效果": 0.72, "生态效果": 0.68, "社会效果": 0.90}    weights = {"技术效果": 0.35, "经济效果": 0.30, "生态效果": 0.20, "社会效果": 0.15}    print(f"\n综合评分: {evaluator.calculate_weighted_score(scores, weights):.4f}")
目的：实现防治效果综合评估的完整Python程序，包含Abbott公式、Henderson-Tilton公式、NDVI评估和经济效益分析
  1. class PestControlEvaluator:定义防治效果评估器类，封装所有评估方法
  2. def abbotts_formula(self, T_a: float, C_a: float) -> float:Abbott公式实现：直接比较处理区与对照区药后虫口数，计算校正防效百分比
  3. def henderson_tilton(self, T_a: float, T_b: float, C_a: float, C_b: float) -> float:Henderson-Tilton公式：同时引入药前基数进行校正，适用于虫口基数差异较大的情况
  4. def ndvi_efficacy(self, ndvi_t_pre: float, ndvi_t_post: float, ndvi_c_pre: float, ndvi_c_post: float) -> float:NDVI防效评估：比较处理区与对照区NDVI变化方向，正值表示处理区植被状况优于对照
  5. def cost_benefit_analysis(self, pesticide_cost: float, labor_cost: float, yield_value: float, loss_rate: float, efficacy: float) -> Dict:成本效益分析核心函数：计算总成本、挽回损失、净收益、益本比和投资回报率
  6. def calculate_weighted_score(self, scores: Dict[str, float], weights: Dict[str, float]) -> float:多指标加权综合评分：实现多维度评估体系的量化汇总
  7. def run_full_evaluation(self, experiment_data: Dict) -> Dict:完整评估流程：遍历所有处理，依次执行防效计算、NDVI评估和经济效益分析
  8. def print_report(self, results: Dict) -> None:评估报告输出：格式化打印防效和经济效益的全部结果
  9. evaluator = PestControlEvaluator()创建评估器实例，准备运行示例数据
  10. results = evaluator.run_full_evaluation(data)运行完整评估：处理水稻稻飞虱防治试验数据，计算两个处理的所有评估指标
  11. evaluator.print_report(results)打印格式化的评估报告，展示防效和经济效益结果

常见问答

Abbott公式和Henderson-Tilton公式在防治效果计算中有什么区别？各适用于什么场景？
两个公式的主要区别在于对药前虫口基数的处理方式。Abbott公式仅使用药后虫口数进行比较，形式为 (1 - 处理区药后虫口数/对照区药后虫口数) × 100%，适用于处理前各小区虫口基数相对均匀、害虫自然死亡率较低的情况。Henderson-Tilton公式同时引入了药前和药后虫口数，形式为 (1 - (处理区药后虫口数 × 对照区药前虫口数) / (处理区药前虫口数 × 对照区药后虫口数)) × 100%，当处理前各小区虫口基数差异较大时，该公式能更准确地校正基数差异，适用于虫口自然消长明显的长期防效评价。
如何利用NDVI遥感数据进行大区域防治效果评估？需要注意哪些问题？
利用NDVI进行大区域防效评估的基本流程：首先获取防治前处理区和对照区的NDVI基线数据；其次计算防治后NDVI的变化量；然后比较处理区与对照区NDVI变化差异来评估防效。需要注意的是：(1) NDVI反映的是植被整体健康状况，不直接等于病虫害危害程度，需结合地面调查验证；(2) 不同作物、不同生育期NDVI基线不同，需分别建立基线；(3) 云层遮挡会影响卫星遥感数据质量，需进行云掩膜处理；(4) 空间分辨率限制可能导致小面积防治效果评估不准确。
在防治效果经济效益评估中，如何判断一项防治措施是否具有经济可行性？
判断防治措施经济可行性的核心指标包括：(1) 净收益 = 挽回损失 - 总成本，净收益为正说明防治有经济效益；(2) 益本比（B/C）= 挽回损失/总成本，当B/C > 1时防治措施在经济上可行；(3) 投资回报率（ROI）= (挽回损失 - 总成本)/总成本 × 100%。需要注意的是，经济效益评估还应考虑间接效益（如品质提升溢价）和长期效益（如减少抗药性发展），以及环境和社会效益等非经济因素。
随机区组设计在田间药效试验中有什么优势？如何正确设置？
随机区组设计（RCBD）的优势包括：(1) 通过区组划分消除土壤肥力、地势等环境因素的系统误差，提高试验精度；(2) 每个区组内包含所有处理，保证各处理在相对均匀条件下比较；(3) 统计分析简便，可使用方差分析（ANOVA）进行假设检验。正确设置步骤：首先根据土壤肥力梯度将试验田划分为若干区组（每个区组内条件尽量均匀），然后在每个区组内随机分配各处理（含对照），一般设置3-4次重复。

常见误区

误区防治效果越高越好，应该追求100%的防效，将害虫全部消灭。

正解追求100%的防效既不经济也不科学。从经济角度看，当防效超过一定阈值（通常85%-90%）后，继续增加投入带来的边际效益递减。从生态角度看，保留少量害虫种群有助于维持天敌昆虫的食物来源，防止害虫抗药性的快速产生。综合防治（IPM）提倡将害虫种群控制在经济阈值以下，而非彻底消灭。

为何常见：这种观念源于对「彻底消灭害虫」的朴素愿望，加上农药广告往往强调「高效」「速杀」等概念，导致农户和部分技术人员忽视了生态平衡和经济效益的最优平衡点。

误区NDVI值越高说明防治效果越好，可以直接用NDVI绝对值来判断防效。

正解NDVI反映的是植被整体健康状况，受作物品种、生育期、水肥条件等多种因素影响，不同田块的NDVI绝对值不可直接比较。正确的做法是比较防治前后的NDVI变化量，并且必须与对照区进行对比。如果对照区因病虫害导致NDVI大幅下降，而处理区NDVI保持稳定，即使处理区NDVI绝对值不高，也说明防治效果良好。

为何常见：遥感数据直观可见，容易让人产生「数值越高越好」的直觉。但NDVI是多因素综合作用的结果，忽视对照组的比较会导致对防治效果的误判。

误区只要益本比大于1，防治措施就值得大面积推广。

正解仅凭B/C > 1判断防治措施是否值得推广是不够全面的。还需要考虑：(1) 风险评估——病虫害发生的不确定性；(2) 规模效应——小面积试验的经济效益在大面积推广时可能因组织成本等因素而降低；(3) 环境和社会成本——部分防治措施虽经济可行，但可能造成严重的环境问题；(4) 长期可持续性——短期经济可行的措施可能在长期使用后因抗药性等问题失效。

为何常见：B/C > 1是一个直观、简单的判断标准，容易让人产生「经济可行即可推广」的简化思维。实际上，农业生产系统的复杂性决定了需要综合评估技术、经济、生态和社会四个维度。

参考来源