[AI書庫] 3.3 作物發育階段（DVS/DVI）預測模擬
人工智慧在糧食作物農業領域的應用
3.3 作物發育階段（DVS/DVI）預測模擬
金京鎮 律師
| 上一節 | 3.2 精準灌溉與變率施肥（VRA）控制 |
| 目錄 | 返回完整目錄 |
| 下一節 | 4.1 作物基因體大數據與泛基因體（Pan-genome）建置 |
6月的一個早晨，剛完成插秧的稻田旁，農民看著手機。螢幕上浮著一句短句：預報這片稻田的稻子會在8月15日前後抽穗。從秧盤移來的幼苗還不到腳踝高，掌中的機器卻已經標出了兩個月後的一天。
那一天不會單獨到來。約在抽穗前20天，必須再施一次肥；抽穗日前後幾天，稻田水要加深，以防止冷害與高溫傷害。抽穗後，防治稻熱病與稻麴病的用藥時機就定下來；等穀粒完全成熟，聯合收割機進田的日期和送往烘乾場的順序也會定下來。因此，預測稻子何時抽穗，就是決定一整年耕作日曆的工作。
舊方法，是把溫度一天天累積起來計算。在氣溫停在某個門檻以下時，水稻生長速度幾乎不會起來；只有超過門檻的部分，才會累積成當天的生長量。這個門檻稱作基準溫度，把當日平均氣溫減去基準溫度的值，如同每天放進撲滿般累積的算法，稱作有效積溫（GDD）。若相減結果小於0，當天就只放進0。水稻一天也不缺地填滿這個撲滿，隨之成長。
把積溫換算成生長刻度的值，依模型不同稱為DVS或DVI。有些水稻模型把插秧定為0、抽穗定為1、成熟定為2。但把0.2固定為幼苗期、0.5固定為分蘗期、1.5固定為灌漿期的規則，並非所有品種和模型都共通。基準點和中間階段會隨作物、品種與計算式而校正。要以一個數字讀取田野，必須先說明產生該數字的模型如何定義它。
然而，水稻不只對氣溫作出反應，也感知白晝變短。水稻是夜晚變長後，才會從長葉長莖轉換為長穗的植物，因此盛夏白晝開始縮短的訊號也反映在生長速度上。稻田缺水、根部乾燥時，發育會變慢；反過來，曾遭遇缺水的水稻也可能急著抽穗。氣溫、日長和水，這三項共同決定一天的發育速度。
農民長久使用的方法，是熟悉的日曆：插秧後過幾天就抽穗的經驗法則。但每年春秋氣溫起伏不定，按此方式訂出的抽穗日與實際日期相差一週至近半個月的年份並不罕見。肥料太早施，水稻會徒長倒伏；太晚施，穗數又會減少。錯過一個日期的代價，回到的是整片稻田的收穫。沒有別的算法的時代，只能把誤差歸咎於天意，等待下一年。
機器學習加在積溫算法上的，大致有兩件事。其一，是讓含有物理規律的模型和從紀錄尋找規律的模型並列。APSIM、DSSAT，以及在日本依水稻特性修訂的SIMRIW等作物生長模型，以方程式解出溫度、水與氮在水稻內如何運作。長短期記憶（LSTM）或Transformer等人工神經網路，並不依賴方程式，而是從數萬塊稻田的過去紀錄學習模式。把兩種模型接起來，方程式無法解釋的那片稻田特性，便由神經網路補足。
若把水稻只能從0走向2、不能倒退的事實定為規則，也能避免神經網路把發育階段倒著算的錯誤。
同一片農區裡，早熟種與中晚熟種會一起栽種。若只用一個地區平均氣溫來計算發育指數，先成熟和晚成熟的品種就會混在同一套計算裡。因此，計算會分別加入每個品種不同的基準溫度與日長感應性，讓它們即使緊鄰，也各自畫出不同曲線。
另一件事，是用從天空拍下的照片即時修正計算。衛星與無人機拍攝稻田後，會得到葉面積指數等顯示葉片茂密程度的數值。將這個數值與計算中水稻的狀態比較，只按誤差大小向前或向後推移的方法，稱為資料同化。它像導航每次收到實際位置訊號，就重新告知預計抵達時間。幾個月前訂下的計算不可能原封不動地吻合，拍下稻田的一張張照片會一點一點把計算拉回來。
往這項校正工作裡看，會看到一種稱為粒子濾波的方法。電腦裡先複製數百塊一模一樣的稻田，讓每一塊在略有不同的假設下計算發育指數。進來一張衛星照片後，與該照片得出較接近答案的複製本會被給予更大權重，答案相差很遠的複製本則被濾除。集合卡爾曼濾波的方法原理也相近，每次只依觀測值與計算值之間的差距，稍微修正預測。
韓國首枚農林衛星於2026年7月7日從美國范登堡太空軍基地發射，並成功完成首次通訊。它具有5公尺解析度、120公里觀測幅寬與約3天週期的觀測能力。但2026年仍會進行初期運行與影像校正，正規任務預定於2027年開始。現在還不是用現在式寫作稻米和大豆生長影像已每3天下送到農家的階段。
把這類每3天一次的觀測匯集到數千塊稻田，就能事先描繪一個地區，乃至一個國家，今年的水稻能收多少。農林畜產食品部規劃把這樣匯集的發育資訊，與大豆、白菜等其他作物的供需展望一併檢視，在價格突然上漲或下跌之前爭取應對時間。預測一片稻田抽穗日的計算，就這樣連到處理餐桌物價的計算。
能依農民問題說明計算結果的管道，也正在準備。農村振興廳正在開發名為「AI Isak」的AI代理，將農業技術資料與語言模型結合。其正式2026年工作計畫記載的服務預定時間是2027年。目前已在農家手機上運作的病蟲害影像診斷，和未來會以對話解釋抽穗日和開花期的AI Isak，開始時間不同。
若這個日期晚一天，實際會發生什麼？在抽穗前20至25天左右的幼穗形成期，水稻體內的稻穗正在形成，施用氮肥的期間只有幾天。錯過這幾天而晚施，容易只讓莖徒長倒伏；太早施，則會在稻穗結粒前肥效耗盡，穀粒數減少。發育指數0.75這一個數字，決定何時打開肥料袋。
灌水日的窗口也很窄。抽穗期前後幾天，稻田水必須比平時更深，稻穗才能正常形成花粉，並承受寒氣與異常高溫。這些水若晚一天灌，花粉已經受損；若早一天排掉，真正危險那天稻田卻是乾的。在輪作水稻、大豆與小麥的稻田裡，前一種作物的收穫日和後一種作物的播種日都繫在這一項計算上，因此一天的誤差也會推遲下一種作物的播種計畫。
這項通知不只會出現在一片稻田。同一座水庫水源由下游數百筆稻田分用，這些稻田都會一起收到計算結果。插秧日期、稻田朝向和土壤深度每筆都有些微不同，即使種相同品種，也會有發育指數拉開的稻田；水利組合便依照這個差距重排供水順序。
完全成熟後，收穫日相差幾天也會影響品質，因為必須事先安排聯合收割機作業和烘乾場順序。積溫與天氣預報可用來校正憑經驗訂下的日期。但誤差能減少多少，會隨地區、品種、播種日與評估年份而不同。把日期縮小一天會連到產量的百分之多少，也必須連同颱風、降雨與烘乾場等待時間一起量測，才會知道。
這一兩天並不會在一片稻田結束。在一座村莊裡，一台聯合收割機由多個農家輪流使用，前面一片稻田的收穫日只要出錯，後面等待的下一片、再下一片都會依序延後。發育指數計算把多塊稻田的預定日同時並排顯示，讓整座村子預先安排聯合收割機順序也容易得多。
熱浪與熱帶夜打亂了發育日曆的前提。玉米若在開花期同時遇上高溫與缺水，花粉與授粉過程可能受損。極端高溫研究以超過32度的KDD作為小麥與玉米的熱壓力指標。小麥的寒害也必須連同品種、發育階段、暴露溫度和時間一起看。即使日曆日期正確，當日天氣若超出過去範圍，穀粒也可能空癟。
昆蟲與真菌的發育也以相同方式計算。啃食玉米葉的草地貪夜蛾，氣溫上升後從幼蟲長成蛾的速度加快，這個速度同樣可用積溫計算。問題在於，害蟲生長速度與玉米生長速度，在同一個夏天會以不同方式變動。有些年份，害蟲會比往年早半個月長出翅膀，偏偏在作物最脆弱的發育階段遇上害蟲群。因此，近來的病蟲害預測模型把作物發育指數與害蟲發育速度並列，朝著預先找出兩者重疊的危險幾天的方向前進。
從2025年刊於國際期刊Earth's Future的研究團隊分析可見，美國小麥與玉米在乾旱和熱浪重疊時，產量和實際可收穫的穀粒比例，即所謂可收穫分率，都會下降；但下降幅度因作物所處發育階段而不同。這表示，開花期前後遭遇熱浪的田地，和在更早時期遭遇熱浪的田地，即使經歷相同高溫，所受損害也不同。一篇2025年國際期刊評論論文彙整園藝作物的積溫模型，同樣指出，既有公式只會把氣溫超過門檻的部分加起來，沒有把過熱日反而停止生長的情況納入計算。
因此，近來模型會把過熱日的熱量另行分開，像扣分一樣修改計算法。
發育指數計算不只瞄準今年夏天的一天。把政府間氣候變遷專門委員會（IPCC）提出的多種未來氣候情境放進同一個公式，也能事先描繪30年後這片稻田的抽穗日會比現在提前多少。若放入如現在般持續排放溫室氣體的情境，就會出現水稻抽穗日每年逐漸提前的曲線；若放入大幅減排情境，曲線就會平緩得多。
計算愈精密，留下的問題也愈多。無論水稻或小麥，每個品種的基準溫度與對日長的反應程度都不同，因此每當有新品種出現，就必須在可以人工控制溫度與光照的實驗室裡種上幾個月，才能取得該品種固有的數字。這種實驗室稱為人工氣候室。那裡能任意調整溫度與日照長度，從秧田到抽穗日，將水稻生長全程提前觀察。然而，新品種每年會湧出數十種，人工氣候室的一個隔間沒有時間把那麼多品種都種一遍。
因此，尚未完成試驗的品種會借用外觀相似既有品種的數字放入計算；若兩個品種的基準溫度實際相差約半度，這半度穿越整個盛夏，便會膨脹成幾天誤差。近來也出現把高速表型技術與逆算方法結合的嘗試：前者用相機同時拍攝數百株幼苗，讀出其生長速度；後者由該速度反推基準溫度，藉此縮短待在實驗室的期間。沒有氣象觀測站的山區稻田，只能用距離與海拔估算鄰近觀測站的數值填入，因此計算再精密，該稻田自身的誤差仍會存在。
有些農民若發育指數告訴他的日期，與自己長久以目測估出的日期相差超過一天，便會懷疑計算。實際上，雖然罕見，模型也曾遇上異常乾燥的春天或晚霜而錯過幾天，所以這份懷疑不能說完全沒有根據。也有農家因為要重新學習手機通知與感測器數值的麻煩，以及初期設備費用，用了幾年後又回到舊日曆。
數位孿生正朝著在電腦中仿造稻田與果園、預先跑多種天氣和灌溉情境的方向發展。2026年，在智利葡萄園與多項作物研究中，蒐集資料的試驗正在進行；但還不能稱為已證明能減少實際灌溉量、並具自主施肥效果的商業系統。當發育指數到達某個值，人工智慧便讓無人機起飛的畫面，也應留作未來自動化情境，而不是現在的成果。
再回到6月的那片稻田。手機螢幕上8月15日這個數字，是至今累積的積溫、每3天到來的衛星照片，以及過去數年天氣共同造出的一天。長年往來於這片稻田的人，現在把自己的估計疊在那個數字上。那一天會不會真的吻合，還是6月底襲來的一場熱浪會把整套計算搖得粉碎，至今無人知道。
資料來源與參考文獻
1. Xiao, K., Zhou, X., Gui, H., Tian, Y., Chen, X., Li, Y., Matomela, N., & Xin, Q. (2025). Drought and extreme heat reduce wheat and maize production in the United States by lowering both crop yields and harvestable fraction. Earth's Future, 13(12), e2024EF005557. https://doi.org/10.1029/2024EF005557
2. Chowdhury, P., Maiti, B., Mudi, L. K., & Chatterjee, S. (2026). Artificial intelligence for sustainable agriculture: A review of machine learning and deep learning techniques for crop growth and yield prediction. International Journal of Applied Resilience and Sustainability, 2(3), 176-207. https://doi.org/10.70593/deepsci.0203007
3. Patil, N., Raut, K., Bhusari, S., & Gharge, A. (2025). Digital twin integration with generative AI and foundation models for real-time precision agriculture and crop resilience. International Journal of Research in Agronomy, 8(12S), 170-177. https://doi.org/10.33545/2618060x.2025.v8.i12sc.4355
4. Kamangir, H., Sams, B. S., Dokoozlian, N., Sanchez, L., & Earles, J. M. (2026). CMAViT: Integrating climate, management, and remote sensing data for crop yield prediction with multimodal vision transformers. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 19, 8932-8945. https://doi.org/10.1109/jstars.2026.3669511
5. Kollipara, Y. V. P., & El-Gayar, O. (2026). AI-driven crop yield prediction for climate-resilient agriculture. Conference Proceedings of the International Conference on Agriculture, Food Security and Safety, 94-106. https://doi.org/10.32789/agrofood.2025.5107
6. Makouate, H. F., & Zude-Sasse, M. (2025). Advances in Growing Degree Days Models for Flowering to Harvest: Optimizing Crop Management with Methods of Precision Horticulture, a Review. Horticulturae, 11(12), 1415. https://doi.org/10.3390/horticulturae11121415
7. Kalisetti, V. S., Sudharshanam, U., Venkata, N. K. M., Mandla, R., Akula, S., Bedika, M., Dharavath, B., Dogga, S., Ramakrishna Babu, A., & Javaji, C. (2025). Smart agriculture: A climate-driven approach to modelling and forecasting fall armyworm populations in maize using machine learning algorithms. Frontiers in Plant Science, 16, Article 1636412. https://doi.org/10.3389/fpls.2025.1636412
8. 農林畜產食品部. (2026). 韓國首個農林衛星時代揭幕，以每3天觀測整個韓半島啟動科學農政轉型. 農林畜產食品部農產業創新政策官科學技術政策課新聞稿（2026. 7. 5.）. https://www.mafra.go.kr/bbs/home/792/578337/artclView.do
9. 農民新聞. (2025, November 19). 農村振興廳推動將「AI Isak」擴展為農業技術資訊服務. https://www.nongmin.com/article/20251119500634
10. FreshFruitPortal. (2026, June 17). Innovative digital twin model targets growers' real-world irrigation and traceability needs in 2026. https://www.freshfruitportal.com/news/2026/06/17/twin-model/