目录
✨ 导语：天气不可控，但影响可以预测
📦 一、数据准备：融合农业与气象
⚡ 二、极端天气如何“定义”？
🔧 三、模型选择与结构设计
🔁 时间序列模型：LSTM
🎯 非时序模型：XGBoost / LightGBM
🧪 四、案例实战：用LSTM预测小麦产量下降风险（受极端天气影响）
📈 五、模型解释与风险感知
🧠 六、拓展：极端气象早期预警系统
🧾 总结
📚 推荐阅读
本节关键词：农业气象、极端天气、LSTM、XGBoost、气象预测、作物产量模拟、AI建模
✨ 导语：天气不可控，但影响可以预测
气候变化加剧下，极端天气事件（干旱、洪水、热浪、寒潮等）对农业系统的冲击日益严重。它们可能导致作物减产、耕期延迟甚至农业灾害。而随着人工智能与气象建模的融合，我们有了更强大的工具，去预测未来风险、模拟响应机制并进行更科学的农业决策。
本讲将系统介绍如何构建“AI + 农业气象”的建模方案，涵盖：
-
关键变量选择（气象+农业数据）
-
极端天气定义与标签化
-
模型选择（时序建模如 LSTM、非时序如 XGBoost）
-
实战演示：预测未来极端天气对小麦产量的影响
📦 一、数据准备：融合农业与气象
为了建立模型，我们至少需要两个维度的数据：
| 数据类型 | 示例变量 |
|---|---|
| 🌤️ 气象数据 | 降水、气温、湿度、风速、太阳辐射、土壤湿度等 |
| 🌱 农业数据 | 作物类型、播种时间、产量、管理措施、品种信息 |
可用数据来源：
-
中国气象科学数据共享服务平台（CMA）
-
NASA POWER、ERA5（全球气象再分析数据）
-
国家统计局农业产量年鉴
-
自行采集（如物联网气象站）
时间粒度建议：逐日 or 旬度，利于识别时间动态特征。
⚡ 二、极端天气如何“定义”？
我们通常按统计分布定义极端天气。例如：
-
极端高温：气温高于历史第 95 百分位
-
极端干旱：连续10天降水 < 1mm
<
