第 6 章 數據驅動的產量與週期預測

## 引言 在前一章中，我們已經建立了一套完整的多光譜感測與生理監測體系。然而，單純的監測數據僅能告訴我們「現在正在發生什麼」，而**數據驅動的預測**則能告訴我們「未來將會發生什麼」。 在城市農業的場景中，空間與資源極度昂貴，任何關於種植週期、養分投放或收割時機的誤差，都可能導致巨大的經濟損失或產品質量的下降。本章將深入探討如何透過數學建模、統計分析與機器學習技術，將實時感測數據轉化為預測模型，建立一套自動化的生產決策支持系統（DSS）。 ## 6.1 建立作物生長曲線的數理模型 為了預測產量，我們首先必須定義作物的「標準生長曲線」。在受控環境農業（CEA）中，大多數作物的生物量增加通常遵循 **S型曲線（Sigmoid Curve）**。 ### 1.1.1 生長階段劃分 透過數據模型，我們將作物生命週期區分為三個核心階段，並在每個階段建立對應的預測指標： * **建立期（Establishment Phase）**：從播種到幼苗成型。此時段重點在於根系發展與初步葉綠素積累。 * **生長期（Growth Phase）**：快速擴張期。這是預測產量（生物量）的核心階段，關鍵變量包括 DLI（日照積分）與營養液 EC（電導率）。 * **成熟與高品質累積期（Maturation & Quality Accumulation）**：此階段目標轉向風味、含糖量或次生代謝產物的提升。 ### 1.1.2 關鍵參數建模 我們利用非線性回歸（Non-linear Regression）來擬合生產數據，核心公式如下： $$Y = \frac{L}{1 + e^{-k(t-t_0)}}$$ *其中：$Y$ 為預測生物量，$L$ 為最大潛在產量，$k$ 為生長速率，$t$ 為時間，$t_0$ 為生長曲線的中點。* 透過此模型，系統可以自動比對當前產量與標準曲線的偏差。若偏差超過 $\pm 10\%$，系統將啟動預警機制，檢查環境參數（如溫度、CO2濃度）是否偏離設定值。 ## 6.2 多維度變數與預測演算法 單一的生長曲線不足以應對複雜的都市農業變數。我們需要整合多維度的數據輸入來提高預測精確度。 ### 6.2.1 線性與非線性融合預測 除了基礎的生長曲線外，我們引入以下演算法來優化預測： 1. **動態時間規整（Dynamic Time Warping, DTW）**：用於比對不同批次、不同環境下的作物成長軌跡，識別異常成長點。 2. **隨機森林（Random Forest）與梯度提升樹（XGBoost）**：處理多變量交互作用，例如「光照強度 $\times$ 溫濕度 $\times$ 營養配比」對最終產量的影響。 3. **LSTM（長短期記憶網路）**：處理時序數據，預測未來 7-14 天內的產量趨勢，便於與下游物流供應鏈接軌。 | 預測目標 | 主要輸入變量 | 應用算法 | 實務目標 | | :--- | :--- | :--- | :--- | | 生長速度 | DLI, 溫度, $\text{CO}_2$ | 線性回歸 / 多變量線性模型 | 優化光照與環境配比 | | 預估收穫重量 | 多光譜 NDVI, 葉面積指數(LAI) | 機器學習（RF, XGBoost） | 供應鏈產量預估 | | 品質成熟度 | 累積溫度, 甜度指數 | 時序分析 (LSTM) | 精準觸發收割指令 | ## 6.3 動態資源配比與預測優化 預測的最終目的不是為了生成報告，而是為了**自動化優化**。當系統預測到產量可能低於預期時，自動執行以下校正策略： 1. **預警式施肥（Predictive Fertigation）**：若預測顯示作物在生長中期將面臨營養匱乏，系統將自動增加硝酸鹽或鉀離子的配比。 2. **光照動態補償**：根據預測的生長曲線斜率，動態調整 LED 的 PAR（光合有效輻射）強度，以確保在預定的收穫日期達到目標產量。 3. **精準收穫預警**：當預測模型顯示作物進入「成熟高峰期」時，系統會計算出最佳的收穫窗口（Harvest Window），減少因過度生長導致的組織纖維化。 ## 6.4 供應鏈與產量預測的連動 在城市農場中，產量預測直接影響到下游的零售配送。透過 API 接口，系統可將產量預測數據與城市的物流配送系統連結。例如： * **預估產量 $\rightarrow$ 訂單匹配**：若預計 5 天後有 100kg 生菜可供，自動發送通知至鄰近的零售商。 * **產量波動緩衝**：若預測數據顯示某區塊產量下降，系統會自動調度其他區域的產量以填補缺口。 ## 6.5 章節總結與實務清單 數據驅動的預測技術將我們的操作從「被動反應」轉變為「主動控制」。透過精確的數據建模，我們可以大幅降低損耗，並在單位面積內實現極致的生產效率。 在進入下一章「自動化分揀與收割系統應用」前，請確保您的數據建模系統滿足以下實務標準： 1. [ ] **基準數據庫建立**：是否已累積至少 3 個完整生長周期的歷史數據，用於建立基礎預測模型？ 2. **變量相关性分析**：是否已過濾掉非關鍵因素（如每日隨機波動的濕度波動），僅保留對生長有顯著影響的關鍵變量（如 DLI, EC）？ 3. **模型校準週期**：預測模型是否每 30 天進行一次自動校準，以適應新批次的種子或更動的環境參數？ 4. **預警閾值設定**：是否針對「預測產量偏離」設定了明確的警報等級（警告、嚴重、危險）？ 5. **供應鏈對接測試**：預測產量數據是否能導出為標準化的 CSV 或 JSON 格式，供外部物流系統讀取？ 透過這些預測技術的整合，我們不僅在建立一個農場，更是在建立一個**高度自動化的生產引擎**。這正是實現都市糧食韌性的技術基石。