引言：以色列农业技术的全球影响力
以色列作为一个自然资源极度匮乏的国家，却在农业领域创造了令人瞩目的成就。这个位于中东沙漠地区的国家，通过创新技术和智慧农业，不仅实现了粮食自给自足，还成为全球农业技术出口的领导者。对于移民到以色列或学习以色列经验的农业从业者来说，理解并应用这些先进技术，是在干旱环境中成功种植植物的关键。
以色列农业的核心理念是”用更少的资源生产更多”。面对年降水量不足200毫米、土壤贫瘠、蒸发量大的极端环境，以色列科学家和农民开发出了一整套完整的解决方案。这些技术不仅适用于以色列本土，也为全球干旱地区的农业发展提供了宝贵经验。
滴灌技术：革命性的水资源管理
滴灌技术的基本原理
滴灌技术是以色列农业技术皇冠上的明珠，由Netafim公司在1960年代发明。这项技术通过精确控制水和养分的输送，直接将水滴到植物根部，最大限度地减少蒸发和渗漏损失。
# 滴灌系统智能控制示例代码
import time
import random
class SmartDripIrrigationSystem:
def __init__(self):
self.soil_moisture_threshold = 30 # 土壤湿度阈值（百分比）
self.water_usage_per_plant = 0.5 # 每株植物每次用水量（升）
self.irrigation_schedule = []
def read_soil_moisture(self, sensor_id):
"""模拟读取土壤湿度传感器数据"""
# 实际应用中会连接真实的传感器
return random.uniform(20, 80)
def calculate_irrigation_need(self, plant_type, growth_stage):
"""根据植物类型和生长阶段计算需水量"""
water_needs = {
'tomato': {'seedling': 0.3, 'growth': 0.5, 'fruiting': 0.8},
'cucumber': {'seedling': 0.2, 'growth': 0.6, 'fruiting': 0.7},
'pepper': {'seedling': 0.25, 'growth': 0.4, 'fruiting': 0.6}
}
return water_needs.get(plant_type, {}).get(growth_stage, 0.5)
def should_irrigate(self, sensor_id, plant_type, growth_stage):
"""智能决策是否需要灌溉"""
current_moisture = self.read_soil_moisture(sensor_id)
required_moisture = self.soil_moisture_threshold
water_needed = self.calculate_irrigation_need(plant_type, growth_stage)
# 只有当土壤湿度低于阈值且植物确实需要水时才灌溉
if current_moisture < required_moisture:
print(f"传感器{sensor_id}：土壤湿度{current_moisture:.1f}%，低于阈值{required_moisture}%")
print(f"植物类型：{plant_type}，生长阶段：{growth_stage}")
print(f"建议灌溉量：{water_needed}升")
return True, water_needed
else:
print(f"传感器{sensor_id}：土壤湿度{current_moisture:.1f}%，无需灌溉")
return False, 0
def execute_irrigation(self, valve_id, water_amount):
"""执行灌溉操作"""
print(f"打开阀门{valve_id}，灌溉{water_amount}升")
# 实际应用中会控制真实的电磁阀
time.sleep(1) # 模拟灌溉时间
print(f"阀门{valve_id}关闭，灌溉完成")
def run_daily_schedule(self, plants_data):
"""运行每日灌溉计划"""
print("=== 开始每日智能灌溉计划 ===")
for plant in plants_data:
sensor_id = plant['sensor_id']
valve_id = plant['valve_id']
plant_type = plant['type']
growth_stage = plant['stage']
should_water, water_amount = self.should_irrigate(sensor_id, plant_type, growth_stage)
if should_water:
self.execute_irrigation(valve_id, water_amount)
print("=== 今日灌溉计划完成 ===\n")
# 使用示例
if __name__ == "__main__":
system = SmartDripIrrigationSystem()
# 模拟一个温室中的植物配置
greenhouse_plants = [
{'sensor_id': 'S1', 'valve_id': 'V1', 'type': 'tomato', 'stage': 'growth'},
{'sensor_id': 'S2', 'valve_id': 'V2', 'type': 'cucumber', 'stage': 'fruiting'},
{'sensor_id': 'S3', 'valve_id': 'V3', 'type': 'pepper', 'stage': 'seedling'},
{'sensor_id': 'S4', 'valve_id': 'V4', 'type': 'tomato', 'stage': 'fruiting'}
]
# 运行3天的灌溉计划
for day in range(1, 4):
print(f"\n📅 第{day}天")
system.run_daily_schedule(greenhouse_plants)
滴灌系统的实际优势
滴灌技术相比传统灌溉方式具有显著优势：
- 水资源利用率提高90%：传统灌溉只有30-40%的水被植物吸收，而滴灌可以达到95%以上
- 减少杂草生长：只湿润植物根部区域，其他地方保持干燥
- 防止土壤板结：避免大水漫灌造成的土壤结构破坏
- 可同时施肥：通过滴灌系统施加液体肥料（fertigation），效率提升50%
移民如何建立小型滴灌系统
对于新移民或小型农场，可以分阶段建立滴灌系统：
第一阶段：手动滴灌系统（成本最低）
- 使用5升塑料瓶，在瓶盖上钻小孔
- 倒置插入土中，缓慢滴水
- 适合家庭种植或小规模试验
第二阶段：简易自动滴灌
- 购买滴灌套件（约50-100美元）
- 包括主管、支管、滴头、过滤器
- 使用定时器控制
- 适合100-500平方米的菜园
第三阶段：智能滴灌系统
- 集成土壤湿度传感器
- 连接WiFi或手机APP控制
- 可根据天气预报调整灌溉
- 适合商业农场
水肥一体化技术：精准营养供给
水肥一体化的科学原理
水肥一体化（Fertigation）是将可溶性肥料溶解在水中，通过滴灌系统同时进行灌溉和施肥的技术。这种方法可以精确控制每株植物的营养供给，避免浪费和环境污染。
# 水肥一体化智能控制系统
class FertigationController:
def __init__(self):
self.nutrient_recipes = {
'tomato_vegetative': {
'N': 200, # 氮（ppm）
'P': 100, # 磷（ppm）
'K': 250, # 钾（ppm）
'EC': 2.0, # 电导率（mS/cm）
'pH': 6.0 # 酸碱度
},
'tomato_fruiting': {
'N': 150,
'P': 80,
'K': 350,
'EC': 2.5,
'pH': 6.2
},
'lettuce': {
'N': 180,
'P': 60,
'K': 200,
'EC': 1.5,
'pH': 5.8
}
}
self.current_recipe = None
self.ph_adjustment = {
'acid': 0.1, # 每升水添加酸的毫升数
'base': 0.1 # 每升水添加碱的毫升数
}
def mix_nutrients(self, recipe_name, water_volume):
"""根据配方混合营养液"""
if recipe_name not in self.nutrient_recipes:
print(f"错误：未找到配方 '{recipe_name}'")
return None
recipe = self.nutrient_recipes[recipe_name]
self.current_recipe = recipe
print(f"\n🌱 开始配制营养液：{recipe_name}")
print(f"目标参数：")
print(f" N: {recipe['N']} ppm, P: {recipe['P']} ppm, K: {recipe['K']} ppm")
print(f" EC: {recipe['EC']} mS/cm, pH: {recipe['pH']}")
# 计算所需肥料量（简化示例）
# 实际应用中需要根据具体肥料浓度计算
n_fertilizer = water_volume * recipe['N'] / 1000 # 假设肥料浓度10%
p_fertilizer = water_volume * recipe['P'] / 1000
k_fertilizer = water_volume * recipe['K'] / 1000
print(f"需要添加肥料（假设10%浓度）：")
print(f" 氮肥：{n_fertilizer:.2f} ml")
print(f" 磷肥：{p_fertilizer:.2f} ml")
print(f" 钾肥：{k_fertilizer:.2f} ml")
return {
'N': n_fertilizer,
'P': p_fertilizer,
'K': k_fertilizer,
'EC': recipe['EC'],
'pH': recipe['pH']
}
def adjust_ph(self, current_ph, target_ph, water_volume):
"""调整pH值"""
if current_ph > target_ph:
# 需要加酸
acid_needed = (current_ph - target_ph) * self.ph_adjustment['acid'] * water_volume
print(f"当前pH {current_ph}，需要加酸 {acid_needed:.2f} ml")
return 'acid', acid_needed
else:
# 需要加碱
base_needed = (target_ph - current_ph) * self.ph_adjustment['base'] * water_volume
print(f"当前pH {current_ph}，需要加碱 {base_needed:.2f} ml")
return 'base', base_needed
def monitor_and_adjust(self, sensor_data, recipe_name):
"""实时监控并调整营养液"""
current_ec = sensor_data['EC']
current_ph = sensor_data['pH']
water_temp = sensor_data['temperature']
target_recipe = self.nutrient_recipes[recipe_name]
print(f"\n📊 实时监测数据：")
print(f" EC: {current_ec} mS/cm (目标: {target_recipe['EC']})")
print(f" pH: {current_ph} (目标: {target_recipe['pH']})")
print(f" 温度: {water_temp}°C")
adjustments = []
# EC调整
if abs(current_ec - target_recipe['EC']) > 0.2:
if current_ec < target_recipe['EC']:
adjustments.append("增加肥料浓度")
else:
adjustments.append("稀释营养液")
# pH调整
if abs(current_ph - target_recipe['pH']) > 0.3:
adj_type, amount = self.adjust_ph(current_ph, target_recipe['pH'], 100)
adjustments.append(f"调整{adj_type} {amount:.2f} ml/100L")
if adjustments:
print("需要调整：")
for adj in adjustments:
print(f" - {adj}")
else:
print("✅ 营养液参数正常，无需调整")
return adjustments
# 使用示例
if __name__ == "__main__":
controller = FertigationController()
# 配制番茄开花结果期营养液
recipe = controller.mix_nutrients('tomato_fruiting', 1000) # 1000升水
# 模拟实时监测数据
sensor_data = {
'EC': 2.7,
'pH': 6.5,
'temperature': 22
}
# 监控并调整
controller.monitor_and_adjust(sensor_data, 'tomato_fruiting')
实际应用案例
案例1：番茄温室
- 背景：1公顷温室，种植樱桃番茄
- 问题：传统灌溉导致果实裂果，品质不均
- 解决方案：安装智能滴灌+水肥一体化系统
- 结果：
- 节水60%（从每株每天2升降至0.8升）
- 产量提升35%
- 优质果率从65%提升到92%
- 肥料成本降低40%
案例2：沙漠叶菜种植
- 背景：内盖夫沙漠地区，种植生菜和菠菜
- 问题：土壤盐碱化严重，传统种植失败
- 解决方案：使用NFT（营养液膜技术）水培系统
- 结果：
- 完全不需要土壤
- 生长周期缩短30%
- 每平方米产量提升5倍
- 产品出口欧洲，溢价30%
土壤改良技术：贫瘠土壤的重生
生物炭技术：千年不腐的土壤改良剂
生物炭（Biochar）是以色列理工学院开发的土壤改良技术，通过在缺氧条件下热解有机废弃物制成。这种多孔材料可以显著改善土壤结构，提高保水保肥能力。
# 生物炭应用优化计算
class BiocharOptimizer:
def __init__(self):
self.biochar_properties = {
'porosity': 0.85, # 孔隙率
'CEC': 100, # 阳离子交换量（cmol/kg）
'water_retention': 0.6, # 持水能力
'carbon_content': 0.8, # 碳含量
'lifetime': 1000 # 土壤中稳定存在年限
}
self.soil_types = {
'sandy': {'CEC': 5, 'water_capacity': 0.1, 'organic': 0.5},
'clay': {'CEC': 25, 'water_capacity': 0.4, 'organic': 2.0},
'loam': {'CEC': 15, 'water_capacity': 0.25, 'organic': 3.0}
}
def calculate_application_rate(self, soil_type, target_improvement):
"""
计算生物炭施用量
soil_type: 土壤类型
target_improvement: 目标改善程度（0-1）
"""
base_soil = self.soil_types[soil_type]
# 计算需要改善的量
cec_deficit = max(0, 20 - base_soil['CEC']) # 目标CEC为20
water_deficit = max(0, 0.35 - base_soil['water_capacity'])
# 生物炭对CEC的贡献（每1%添加量提升CEC约0.5）
cec_contribution = self.biochar_properties['CEC'] * 0.01
# 生物炭对持水力的贡献
water_contribution = self.biochar_properties['water_retention'] * 0.01
# 计算所需添加比例
cec_needed = cec_deficit / cec_contribution if cec_contribution > 0 else 0
water_needed = water_deficit / water_contribution if water_contribution > 0 else 0
# 取最大值并考虑目标改善程度
application_rate = max(cec_needed, water_needed) * target_improvement
# 限制在合理范围内（5-20%）
application_rate = max(5, min(20, application_rate))
print(f"\n🔬 土壤分析与生物炭施用方案")
print(f"原始土壤类型：{soil_type}")
print(f"原始CEC：{base_soil['CEC']} cmol/kg")
print(f"原始持水力：{base_soil['water_capacity']}")
print(f"目标改善程度：{target_improvement*100}%")
print(f"\n建议生物炭添加量：{application_rate:.1f}% (体积比)")
print(f"即每公顷添加 {application_rate * 10000:.0f} 升生物炭")
return application_rate
def estimate_benefits(self, application_rate, soil_type, crop_type):
"""估算施用生物炭后的效益"""
base_soil = self.soil_types[soil_type]
# 改善后的土壤参数
improved_cec = base_soil['CEC'] + application_rate * 0.5
improved_water = base_soil['water_capacity'] + application_rate * 0.006
# 节水效益
water_saving = (improved_water - base_soil['water_capacity']) * 100
# 预计产量提升（基于研究数据）
yield_increase = min(30, application_rate * 1.5) # 最多提升30%
# 碳封存（吨CO2/公顷）
carbon_sequestration = application_rate * 2.5
print(f"\n📊 预期效益分析")
print(f"改善后CEC：{improved_cec:.1f} cmol/kg")
print(f"改善后持水力：{improved_water:.3f}")
print(f"预计节水：{water_saving:.1f}%")
print(f"预计产量提升：{yield_increase:.1f}%")
print(f"碳封存：{carbon_sequestration:.1f} 吨CO2/公顷")
return {
'water_saving': water_saving,
'yield_increase': yield_increase,
'carbon_sequestration': carbon_sequestration
}
# 使用示例
if __name__ == "__main__":
optimizer = BiocharOptimizer()
# 沙漠地区的沙质土壤
print("="*50)
print("案例：沙漠地区沙质土壤改良")
print("="*50)
rate = optimizer.calculate_application_rate('sandy', 0.8) # 80%改善目标
benefits = optimizer.estimate_benefits(rate, 'sandy', 'tomato')
生物炭的实际应用方法
制作生物炭：
- 原料选择：农业废弃物（秸秆、果壳、木屑）、修剪的树枝
- 热解设备：使用简易窑炉或专业设备（如台湾的”黑金”生物炭窑）
- 热解条件：缺氧环境，温度400-600°C，时间2-4小时
- 后处理：冷却后筛分，去除杂质
施用方法：
- 基施：种植前混入土壤，每公顷5-20吨
- 追施：在作物行间开沟施入
- 堆肥混合：与堆肥一起发酵，提升堆肥质量
- 液体炭：将生物炭浸泡在营养液中，制成液体肥料
微生物菌剂技术
以色列科学家从沙漠植物根际分离出有益微生物，这些微生物能在极端环境下生存并帮助植物吸收养分。
# 微生物菌剂应用指南
class MicrobialInoculant:
def __init__(self):
self.strain_info = {
'Azospirillum': {
'function': '固氮菌',
'host_plants': ['谷物', '蔬菜', '果树'],
'application_rate': '10^8 CFU/克',
'benefits': '提供氮素，促进根系生长'
},
'Bacillus_subtilis': {
'function': '生防菌',
'host_plants': ['所有作物'],
'application_rate': '10^9 CFU/克',
'benefits': '抑制病原菌，增强抗病性'
},
'Pseudomonas': {
'function': '解磷菌',
'host_plants': ['豆类', '叶菜'],
'application_rate': '10^7 CFU/克',
'benefits': '溶解土壤中难溶磷'
},
'Mycorrhiza': {
'function': '菌根真菌',
'host_plants': ['茄果类', '根茎类'],
'application_rate': '100 spores/克',
'benefits': '扩大根系吸收面积，提高抗旱性'
}
}
self.application_methods = {
'seed_coating': {
'description': '种子包衣',
'rate': '1-2克/千克种子',
'timing': '播种前',
'efficiency': '高'
},
'root_dipping': {
'description': '蘸根',
'rate': '10克/10升水',
'timing': '移栽时',
'efficiency': '极高'
},
'soil_application': {
'description': '土壤浇灌',
'rate': '50-100克/亩',
'timing': '生长季',
'efficiency': '中等'
},
'foliar_spray': {
'description': '叶面喷施',
'rate': '20克/亩',
'timing': '早晨或傍晚',
'efficiency': '快速'
}
}
def select_strains(self, crop_type, soil_condition):
"""根据作物和土壤条件选择菌株"""
print(f"\n🦠 微生物菌剂选择方案")
print(f"作物类型：{crop_type}")
print(f"土壤条件：{soil_condition}")
recommended = []
# 固氮菌适用于大多数作物
if crop_type in self.strain_info['Azospirillum']['host_plants']:
recommended.append('Azospirillum')
# 解磷菌适用于缺磷土壤
if '缺磷' in soil_condition or '贫瘠' in soil_condition:
recommended.append('Pseudomonas')
# 生防菌适用于病害多发环境
if '病害' in soil_condition:
recommended.append('Bacillus_subtilis')
# 菌根真菌适用于干旱条件
if '干旱' in soil_condition:
recommended.append('Mycorrhiza')
print(f"\n推荐菌株组合：")
for strain in recommended:
info = self.strain_info[strain]
print(f" {strain} ({info['function']})")
print(f" 适用：{', '.join(info['host_plants'][:3])}...")
print(f" 效益：{info['benefits']}")
return recommended
def create_application_plan(self, strains, area_hectares):
"""制定施用计划"""
print(f"\n📋 施用计划（{area_hectares}公顷）")
total_cost = 0
for strain in strains:
info = self.strain_info[strain]
# 计算用量
if strain == 'Mycorrhiza':
rate_per_ha = 5 # 公斤/公顷
else:
rate_per_ha = 2 # 公斤/公顷
total_amount = rate_per_ha * area_hectares
cost_per_kg = 50 # 假设价格
total_cost += total_amount * cost_per_kg
print(f"\n{strain} ({info['function']}):")
print(f" 总用量：{total_amount:.1f} 公斤")
print(f" 成本：{total_amount * cost_per_kg:.0f} 元")
print(f" 施用方法：{self.application_methods['seed_coating']['description']}")
print(f" 施用时间：{self.application_methods['seed_coating']['timing']}")
print(f"\n💰 总成本：{total_cost:.0f} 元")
print(f"💡 预计增产：15-30%")
print(f"💧 节水效果：20-40%")
# 使用示例
if __name__ == "__main__":
microbe = MicrobialInoculant()
# 案例：番茄种植
strains = microbe.select_strains('番茄', '干旱 缺磷 病害风险')
microbe.create_application_plan(strains, 2) # 2公顷
智能温室技术：创造可控环境
智能温室的系统集成
以色列智能温室集成了多种传感器和自动化设备，能够实时监测和调节环境参数。
# 智能温室环境控制系统
import json
from datetime import datetime
class SmartGreenhouse:
def __init__(self, area_sqm):
self.area = area_sqm
self.sensors = {
'temperature': {'current': 25, 'target': 25, 'range': (18, 30)},
'humidity': {'current': 60, 'target': 65, 'range': (50, 80)},
'light': {'current': 50000, 'target': 80000, 'range': (30000, 120000)},
'co2': {'current': 400, 'target': 800, 'range': (400, 1500)},
'soil_moisture': {'current': 35, 'target': 40, 'range': (25, 60)}
}
self.actuators = {
'heater': {'status': False, 'power': 5000}, # 瓦
'cooler': {'status': False, 'power': 3000},
'ventilation': {'status': False, 'power': 2000},
'humidifier': {'status': False, 'power': 500},
'dehumidifier': {'status': False, 'power': 800},
'led_lights': {'status': False, 'power': 10000},
'co2_generator': {'status': False, 'power': 100},
'irrigation': {'status': False, 'flow': 0}
}
self.weather_forecast = {}
self.energy_cost = 0.8 # 元/度
self.water_cost = 5 # 元/立方米
def read_sensors(self):
"""模拟读取传感器数据"""
# 实际应用中会连接真实的传感器
# 这里模拟一些随机波动
for key in self.sensors:
current = self.sensors[key]['current']
target = self.sensors[key]['target']
# 模拟环境变化
change = (target - current) * 0.1 + random.uniform(-2, 2)
self.sensors[key]['current'] = max(0, current + change)
def check_actuators(self):
"""检查并控制执行设备"""
actions = []
# 温度控制
temp = self.sensors['temperature']
if temp['current'] < temp['range'][0]:
self.actuators['heater']['status'] = True
self.actuators['cooler']['status'] = False
actions.append("开启加热器")
elif temp['current'] > temp['range'][1]:
self.actuators['heater']['status'] = False
self.actuators['cooler']['status'] = True
actions.append("开启制冷器")
else:
self.actuators['heater']['status'] = False
self.actuators['cooler']['status'] = False
# 湿度控制
humidity = self.sensors['humidity']
if humidity['current'] < humidity['range'][0]:
self.actuators['humidifier']['status'] = True
self.actuators['dehumidifier']['status'] = False
actions.append("开启加湿器")
elif humidity['current'] > humidity['range'][1]:
self.actuators['humidifier']['status'] = False
self.actuators['dehumidifier']['status'] = True
actions.append("开启除湿器")
else:
self.actuators['humidifier']['status'] = False
self.actuators['dehumidifier']['status'] = False
# 光照控制（考虑时间）
hour = datetime.now().hour
light = self.sensors['light']
if hour < 6 or hour > 18: # 夜晚
if light['current'] < light['range'][0]:
self.actuators['led_lights']['status'] = True
actions.append("开启补光灯")
else:
self.actuators['led_lights']['status'] = False
else:
self.actuators['led_lights']['status'] = False
# CO2控制
co2 = self.sensors['co2']
if co2['current'] < co2['range'][0]:
self.actuators['co2_generator']['status'] = True
actions.append("开启CO2发生器")
else:
self.actuators['co2_generator']['status'] = False
# 通风控制（基于温度和湿度）
if temp['current'] > (temp['range'][1] - 2) or humidity['current'] > (humidity['range'][1] - 5):
self.actuators['ventilation']['status'] = True
actions.append("开启通风")
else:
self.actuators['ventilation']['status'] = False
return actions
def calculate_energy_consumption(self):
"""计算能耗"""
total_power = 0
for name, device in self.actuators.items():
if device['status']:
total_power += device['power']
# 换算为度电（千瓦时）
energy_kwh = total_power / 1000
cost = energy_kwh * self.energy_cost
return energy_kwh, cost
def predict_optimal_settings(self, crop_type, growth_stage):
"""根据作物和生长阶段预测最优环境参数"""
crop_profiles = {
'tomato_seedling': {
'temperature': (22, 25),
'humidity': (70, 80),
'light': (60000, 80000),
'co2': (600, 800)
},
'tomato_fruiting': {
'temperature': (25, 28),
'humidity': (60, 70),
'light': (80000, 120000),
'co2': (800, 1000)
},
'lettuce': {
'temperature': (18, 22),
'humidity': (60, 70),
'light': (40000, 60000),
'co2': (400, 600)
}
}
profile = crop_profiles.get(f"{crop_type}_{growth_stage}")
if profile:
print(f"\n🎯 {crop_type} {growth_stage} 最优环境参数：")
print(f" 温度：{profile['temperature'][0]}-{profile['temperature'][1]}°C")
print(f" 湿度：{profile['humidity'][0]}-{profile['humidity'][1]}%")
print(f" 光照：{profile['light'][0]:,}-{profile['light'][1]:,} lux")
print(f" CO2：{profile['co2'][0]}-{profile['co2'][1]} ppm")
# 更新目标值
self.sensors['temperature']['target'] = sum(profile['temperature'])/2
self.sensors['humidity']['target'] = sum(profile['humidity'])/2
self.sensors['light']['target'] = sum(profile['light'])/2
self.sensors['co2']['target'] = sum(profile['co2'])/2
return profile
else:
print(f"未找到 {crop_type} {growth_stage} 的配置文件")
return None
def run_control_cycle(self, crop_type, growth_stage):
"""运行一个控制周期"""
print(f"\n{'='*60}")
print(f"🌱 智能温室控制系统 - {datetime.now().strftime('%Y-%m-%d %H:%M')}")
print(f"作物：{crop_type}，生长阶段：{growth_stage}")
print(f"{'='*60}")
# 读取传感器
self.read_sensors()
# 显示当前状态
print("\n📊 当前环境参数：")
for key, sensor in self.sensors.items():
current = sensor['current']
target = sensor['target']
status = "✅" if sensor['range'][0] <= current <= sensor['range'][1] else "⚠️"
print(f" {key:15}: {current:6.1f} (目标: {target:6.1f}) {status}")
# 检查并控制设备
actions = self.check_actuators()
if actions:
print("\n🔧 执行操作：")
for action in actions:
print(f" - {action}")
else:
print("\n✅ 环境参数正常，无需调整")
# 计算能耗
energy_kwh, energy_cost = self.calculate_energy_consumption()
print(f"\n⚡ 能耗统计：")
print(f" 当前功率：{sum([d['power'] for d in self.actuators.values() if d['status']])} W")
print(f" 今日能耗：{energy_kwh:.2f} kWh")
print(f" 今日电费：{energy_cost:.2f} 元")
# 保存日志
self.save_log(crop_type, growth_stage, energy_cost)
return {
'actions': actions,
'energy_kwh': energy_kwh,
'energy_cost': energy_cost
}
def save_log(self, crop_type, growth_stage, energy_cost):
"""保存运行日志"""
log_entry = {
'timestamp': datetime.now().isoformat(),
'crop': crop_type,
'stage': growth_stage,
'sensors': {k: v['current'] for k, v in self.sensors.items()},
'energy_cost': energy_cost
}
# 实际应用中会保存到数据库或文件
# 这里仅打印
print(f"\n💾 日志已记录")
# 使用示例
if __name__ == "__main__":
# 创建一个500平方米的智能温室
greenhouse = SmartGreenhouse(area_sqm=500)
# 设置作物信息
crop = 'tomato'
stage = 'fruiting'
# 设置最优参数
greenhouse.predict_optimal_settings(crop, stage)
# 运行3个控制周期（模拟3天）
for day in range(1, 4):
print(f"\n\n{'#'*60}")
print(f"📅 第{day}天")
print(f"{'#'*60}")
greenhouse.run_control_cycle(crop, stage)
# 模拟第二天的环境变化
if day < 3:
# 随机改变一些环境参数
greenhouse.sensors['temperature']['current'] += random.uniform(-3, 3)
greenhouse.sensors['humidity']['current'] += random.uniform(-10, 10)
greenhouse.sensors['co2']['current'] += random.uniform(-50, 50)
智能温室的关键组件
传感器网络：
- 温度传感器：监测空气温度，精度±0.5°C
- 湿度传感器：监测相对湿度，精度±3%
- 光照传感器：监测光合有效辐射（PAR）
- CO2传感器：监测二氧化碳浓度
- 土壤湿度传感器：监测根区水分状况
- pH/EC传感器：监测营养液参数
自动化设备：
- 自动卷膜系统：调节通风和温度
- 湿帘风机系统：降温
- LED补光系统：光谱可调，节能高效
- CO2发生器：燃烧天然气产生CO2
- 自动喷雾系统：调节湿度
水源多元化：从空气中获取水分
雾水收集技术
以色列开发了高效的雾水收集系统，从空气中提取水分，特别适合沿海多雾地区。
# 雾水收集系统效率计算
class FogWaterCollector:
def __init__(self):
self.collection_efficiency = {
'mesh_type_A': 0.3, # 收集效率（升/平方米/小时）
'mesh_type_B': 0.5,
'mesh_type_C': 0.7
}
self.fog_density = {
'light': 0.5, # 克/立方米
'medium': 1.0,
'heavy': 2.0
}
self.wind_speed_effect = {
'low': 0.7, # < 2 m/s
'medium': 1.0, # 2-5 m/s
'high': 0.8 # > 5 m/s
}
def calculate_water_yield(self, mesh_type, fog_intensity, wind_speed, area_sqm, hours):
"""
计算雾水收集量
mesh_type: 网格类型
fog_intensity: 雾强度
wind_speed: 风速（m/s）
area_sqm: 收集面积（平方米）
hours: 收集时间（小时）
"""
base_rate = self.collection_efficiency[mesh_type]
fog_factor = self.fog_density[fog_intensity]
# 风速影响
if wind_speed < 2:
wind_factor = self.wind_speed_effect['low']
elif 2 <= wind_speed <= 5:
wind_factor = self.wind_speed_effect['medium']
else:
wind_factor = self.wind_speed_effect['high']
# 计算每小时产量
hourly_yield = base_rate * fog_factor * wind_factor * area_sqm
# 总产量
total_yield = hourly_yield * hours
print(f"\n🌫️ 雾水收集计算")
print(f"收集网格：{mesh_type}")
print(f"雾强度：{fog_intensity} (密度 {self.fog_density[fog_intensity]} g/m³)")
print(f"风速：{wind_speed} m/s (影响因子 {wind_factor})")
print(f"收集面积：{area_sqm} m²")
print(f"收集时间：{hours} 小时")
print(f"每小时产量：{hourly_yield:.2f} 升")
print(f"总产量：{total_yield:.2f} 升")
return total_yield
def compare_mesh_types(self, fog_intensity, wind_speed, area_sqm):
"""比较不同网格类型的效率"""
print(f"\n📊 网格类型效率对比（{fog_intensity}雾，{wind_speed}m/s风速）")
print("-" * 60)
results = {}
for mesh_type in self.collection_efficiency:
yield_ = self.calculate_water_yield(
mesh_type, fog_intensity, wind_speed, area_sqm, 8
)
results[mesh_type] = yield_
# 排序
sorted_results = sorted(results.items(), key=lambda x: x[1], reverse=True)
for i, (mesh, yield_val) in enumerate(sorted_results, 1):
print(f"{i}. {mesh}: {yield_val:.2f} 升/8小时")
return sorted_results
def estimate_annual_yield(self, location_data, mesh_type, area_sqm):
"""估算年产量"""
print(f"\n📅 年产量估算")
print(f"地点：{location_data['name']}")
print(f"网格类型：{mesh_type}")
print(f"收集面积：{area_sqm} m²")
total_annual = 0
for month, data in location_data['monthly_fog'].items():
days = data['days']
intensity = data['intensity']
wind = data['wind_speed']
hours_per_day = data['hours']
daily_yield = self.calculate_water_yield(
mesh_type, intensity, wind, area_sqm, hours_per_day
)
monthly_yield = daily_yield * days
print(f" {month}: {monthly_yield:.1f} 升")
total_annual += monthly_yield
print(f"\n💧 年总产量：{total_annual:.0f} 升 ({total_annual/1000:.1f} 立方米)")
# 转换为灌溉用水量
irrigation_days = 120 # 假设灌溉季节120天
daily_irrigation = total_annual / irrigation_days
print(f"灌溉季节日均用水：{daily_irrigation:.1f} 升/天")
return total_annual
# 使用示例
if __name__ == "__main__":
collector = FogWaterCollector()
# 比较不同网格类型
collector.compare_mesh_types('medium', 3, 10)
# 模拟以色列沿海地区数据
location_data = {
'name': '以色列沿海地区',
'monthly_fog': {
'1月': {'days': 15, 'intensity': 'medium', 'wind_speed': 3, 'hours': 6},
'2月': {'days': 12, 'intensity': 'medium', 'wind_speed': 2.5, 'hours': 5},
'3月': {'days': 8, 'intensity': 'light', 'wind_speed': 3, 'hours': 4},
'4月': {'days': 5, 'intensity': 'light', 'wind_speed': 2, 'hours': 3},
'5月': {'days': 2, 'intensity': 'light', 'wind_speed': 2, 'hours': 2},
'6-9月': {'days': 0, 'intensity': 'light', 'wind_speed': 0, 'hours': 0},
'10月': {'days': 3, 'intensity': 'light', 'wind_speed': 2, 'hours': 3},
'11月': {'days': 10, 'intensity': 'medium', 'wind_speed': 2.5, 'hours': 5},
'12月': {'days': 18, 'intensity': 'medium', 'wind_speed': 3, 'hours': 6}
}
}
collector.estimate_annual_yield(location_data, 'mesh_type_C', 20)
海水淡化与循环利用
以色列是海水淡化技术的领导者，Sorek海水淡化厂是世界上最大的反渗透海水淡化厂之一。
小型海水淡化系统：
- 反渗透膜：去除99.8%的盐分
- 能量回收：利用高压废水的能量，节能40%
- 预处理：防止膜污染
- 成本：每立方米约0.5-0.8美元
废水循环利用：
- 以色列85%的废水经过处理后用于农业灌溉
- 三级处理（过滤+消毒）达到灌溉标准
- 滴灌系统可安全使用处理后的废水
数据驱动的精准农业
无人机与卫星监测
# 作物健康监测与变量施肥
import numpy as np
from typing import Dict, List
class PrecisionAgricultureMonitor:
def __init__(self):
self.ndvi_threshold = 0.6 # 归一化植被指数阈值
self.crop_health_zones = {
'healthy': {'ndvi_range': (0.7, 1.0), 'action': '维持'},
'stressed': {'ndvi_range': (0.5, 0.7), 'action': '增加水肥'},
'severe_stress': {'ndvi_range': (0.0, 0.5), 'action': '紧急干预'}
}
self.nutrient_deficiency_signs = {
'nitrogen': {'ndvi': 0.55, 'color': '黄绿', 'location': '老叶'},
'phosphorus': {'ndvi': 0.60, 'color': '暗绿带紫', 'location': '全株'},
'potassium': {'ndvi': 0.58, 'color': '叶缘焦枯', 'location': '老叶'},
'iron': {'ndvi': 0.50, 'color': '黄化', 'location': '新叶'}
}
def calculate_ndvi(self, nir_band, red_band):
"""
计算NDVI（归一化植被指数）
NDVI = (NIR - Red) / (NIR + Red)
范围：-1到1，值越大表示植被越健康
"""
ndvi = (nir_band - red_band) / (nir_band + red_band + 1e-6)
return ndvi
def analyze_field_image(self, image_data: Dict[str, np.ndarray]):
"""
分析田间图像数据
image_data: 包含近红外和红光波段的字典
"""
print("\n📷 无人机图像分析")
print("=" * 50)
nir = image_data['nir']
red = image_data['red']
# 计算NDVI
ndvi_map = self.calculate_ndvi(nir, red)
# 统计
avg_ndvi = np.mean(ndvi_map)
std_ndvi = np.std(ndvi_map)
print(f"平均NDVI: {avg_ndvi:.3f}")
print(f"NDVI标准差: {std_ndvi:.3f}")
# 分区分析
healthy_area = np.sum((ndvi_map >= 0.7) & (ndvi_map <= 1.0))
stressed_area = np.sum((ndvi_map >= 0.5) & (ndvi_map < 0.7))
severe_area = np.sum(ndvi_map < 0.5)
total_area = ndvi_map.size
print(f"\n📊 作物健康分区：")
print(f" 健康区域: {healthy_area/total_area*100:.1f}% ({healthy_area}像素)")
print(f" 轻度胁迫: {stressed_area/total_area*100:.1f}% ({stressed_area}像素)")
print(f" 严重胁迫: {severe_area/total_area*100:.1f}% ({severe_area}像素)")
# 生成变量施肥处方图
prescription = self.generate_prescription_map(ndvi_map)
return {
'ndvi_map': ndvi_map,
'avg_ndvi': avg_ndvi,
'prescription': prescription,
'health_status': {
'healthy': healthy_area/total_area,
'stressed': stressed_area/total_area,
'severe': severe_area/total_area
}
}
def generate_prescription_map(self, ndvi_map):
"""生成变量施肥处方图"""
prescription = np.zeros_like(ndvi_map)
# 根据NDVI值决定施肥量
# NDVI低的区域需要更多肥料
prescription[ndvi_map < 0.5] = 1.5 # 高施肥
prescription[(ndvi_map >= 0.5) & (ndvi_map < 0.7)] = 1.0 # 正常施肥
prescription[ndvi_map >= 0.7] = 0.8 # 低施肥
print(f"\n🌱 变量施肥处方生成：")
print(f" 高施肥区（NDVI<0.5）: {np.sum(prescription==1.5)/prescription.size*100:.1f}%")
print(f" 正常施肥区（0.5≤NDVI<0.7）: {np.sum(prescription==1.0)/prescription.size*100:.1f}%")
print(f" 低施肥区（NDVI≥0.7）: {np.sum(prescription==0.8)/prescription.size*100:.1f}%")
return prescription
def detect_nutrient_deficiency(self, ndvi_map, color_map):
"""检测营养元素缺乏"""
print(f"\n🔍 营养元素缺乏检测：")
deficiencies = []
for nutrient, signs in self.nutrient_deficiency_signs.items():
# 模拟基于NDVI和颜色的检测
if np.mean(ndvi_map) < signs['ndvi']:
deficiencies.append({
'nutrient': nutrient,
'severity': 'high',
'location': signs['location'],
'color': signs['color']
})
if deficiencies:
for defi in deficiencies:
print(f" ⚠️ {defi['nutrient']}缺乏")
print(f" 特征：{defi['color']}，出现在{defi['location']}")
print(f" 建议：叶面喷施{defi['nutrient']}肥")
else:
print(" ✅ 未检测到明显营养缺乏")
return deficiencies
def generate_irrigation_schedule(self, prescription_map, crop_type):
"""根据处方图生成灌溉计划"""
print(f"\n💧 变量灌溉计划：")
# 基础灌溉量（升/公顷/天）
base_irrigation = {
'tomato': 25000,
'cucumber': 30000,
'pepper': 20000,
'lettuce': 15000
}
base_amount = base_irrigation.get(crop_type, 20000)
# 根据处方图调整
# 高施肥区需要更多水
high_zones = np.sum(prescription_map == 1.5)
normal_zones = np.sum(prescription_map == 1.0)
low_zones = np.sum(prescription_map == 0.8)
total_zones = prescription_map.size
high_ratio = high_zones / total_zones
normal_ratio = normal_zones / total_zones
low_ratio = low_zones / total_zones
# 计算加权平均
adjusted_amount = (
base_amount * 1.2 * high_ratio +
base_amount * 1.0 * normal_ratio +
base_amount * 0.8 * low_ratio
)
print(f" 基础灌溉量：{base_amount} 升/公顷/天")
print(f" 高施肥区（+20%）：{high_ratio*100:.1f}%")
print(f" 正常区：{normal_ratio*100:.1f}%")
print(f" 低施肥区（-20%）：{low_ratio*100:.1f}%")
print(f" 调整后平均：{adjusted_amount:.0f} 升/公顷/天")
return adjusted_amount
# 使用示例
if __name__ == "__main__":
monitor = PrecisionAgricultureMonitor()
# 模拟无人机拍摄的图像数据（近红外和红光波段）
# 创建一个100x100的模拟图像
np.random.seed(42)
nir_band = np.random.uniform(0.3, 0.9, (100, 100))
red_band = np.random.uniform(0.1, 0.6, (100, 100))
# 健康区域
nir_band[20:40, 20:40] = 0.85
red_band[20:40, 20:40] = 0.15
# 胁迫区域
nir_band[60:80, 60:80] = 0.45
red_band[60:80, 60:80] = 0.35
image_data = {'nir': nir_band, 'red': red_band}
# 分析
result = monitor.analyze_field_image(image_data)
# 检测营养缺乏
monitor.detect_nutrient_deficiency(result['ndvi_map'], None)
# 生成灌溉计划
monitor.generate_irrigation_schedule(result['prescription'], 'tomato')
人工智能预测模型
# 作物生长预测与病害预警
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
class AICropPredictor:
def __init__(self):
self.model = RandomForestRegressor(n_estimators=100, random_state=42)
self.is_trained = False
# 以色列常见作物病害数据库
self.disease_database = {
'powdery_mildew': {
'conditions': {'humidity': (70, 95), 'temperature': (18, 28)},
'risk_threshold': 0.7,
'prevention': '降低湿度，增加通风，喷施硫磺'
},
'botrytis': {
'conditions': {'humidity': (85, 100), 'temperature': (15, 22)},
'risk_threshold': 0.6,
'prevention': '去除病叶，控制浇水，使用生物防治'
},
'fusarium': {
'conditions': {'temperature': (25, 30), 'soil_moisture': (70, 90)},
'risk_threshold': 0.5,
'prevention': '轮作，使用抗病品种，土壤消毒'
}
}
def prepare_training_data(self, historical_data_path=None):
"""准备训练数据"""
if historical_data_path:
# 从文件加载真实数据
df = pd.read_csv(historical_data_path)
else:
# 生成模拟数据
np.random.seed(42)
n_samples = 1000
data = {
'temperature': np.random.uniform(15, 35, n_samples),
'humidity': np.random.uniform(40, 95, n_samples),
'soil_moisture': np.random.uniform(20, 90, n_samples),
'light_intensity': np.random.uniform(30000, 120000, n_samples),
'co2_level': np.random.uniform(400, 1200, n_samples),
'days_since_planting': np.random.randint(1, 120, n_samples),
'fertilizer_amount': np.random.uniform(50, 200, n_samples),
'yield': np.random.uniform(2000, 8000, n_samples)
}
df = pd.DataFrame(data)
# 添加相关性
df['yield'] = (
3000 +
df['temperature'] * 30 +
df['light_intensity'] * 0.02 +
df['co2_level'] * 2 +
df['fertilizer_amount'] * 10 +
np.random.normal(0, 200, n_samples)
)
return df
def train_model(self, df):
"""训练预测模型"""
features = ['temperature', 'humidity', 'soil_moisture',
'light_intensity', 'co2_level', 'days_since_planting',
'fertilizer_amount']
target = 'yield'
X = df[features]
y = df[target]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
self.model.fit(X_train, y_train)
self.is_trained = True
# 评估模型
train_score = self.model.score(X_train, y_train)
test_score = self.model.score(X_test, y_test)
print(f"✅ 模型训练完成")
print(f" 训练集R²: {train_score:.3f}")
print(f" 测试集R²: {test_score:.3f}")
# 特征重要性
importance = self.model.feature_importances_
print(f"\n📊 特征重要性：")
for feature, imp in zip(features, importance):
print(f" {feature:20}: {imp:.3f}")
return train_score, test_score
def predict_yield(self, conditions: Dict):
"""预测产量"""
if not self.is_trained:
print("❌ 模型未训练，请先训练模型")
return None
# 准备输入数据
features = ['temperature', 'humidity', 'soil_moisture',
'light_intensity', 'co2_level', 'days_since_planting',
'fertilizer_amount']
X = np.array([[conditions[feature] for feature in features]])
prediction = self.model.predict(X)[0]
print(f"\n🎯 产量预测结果：")
print(f" 预测产量: {prediction:.0f} 公斤/公顷")
print(f" 输入条件：")
for feature, value in conditions.items():
print(f" {feature:20}: {value}")
return prediction
def predict_disease_risk(self, conditions: Dict):
"""预测病害风险"""
print(f"\n🦠 病害风险预测：")
risks = {}
for disease, info in self.disease_database.items():
risk_score = 0
# 检查每个条件
for condition, (min_val, max_val) in info['conditions'].items():
if condition in conditions:
value = conditions[condition]
if min_val <= value <= max_val:
# 条件匹配，增加风险分数
risk_score += 0.3
# 越接近最适范围，风险越高
mid = (min_val + max_val) / 2
distance = abs(value - mid)
range_width = max_val - min_val
risk_score += 0.2 * (1 - distance / (range_width / 2))
risk_score = min(1.0, max(0.0, risk_score))
risks[disease] = risk_score
if risk_score > info['risk_threshold']:
print(f" ⚠️ {disease}: 高风险 ({risk_score:.2f})")
print(f" 预防措施: {info['prevention']}")
elif risk_score > info['risk_threshold'] * 0.7:
print(f" ⚡ {disease}: 中等风险 ({risk_score:.2f})")
print(f" 建议: 密切监测")
else:
print(f" ✅ {disease}: 低风险 ({risk_score:.2f})")
return risks
def generate_optimization_suggestions(self, current_conditions, target_yield):
"""生成优化建议"""
print(f"\n💡 优化建议（目标产量：{target_yield} 公斤/公顷）：")
suggestions = []
# 温度优化
if current_conditions['temperature'] < 22:
suggestions.append("提高温度至22-28°C（使用加热器或覆盖保温）")
elif current_conditions['temperature'] > 30:
suggestions.append("降低温度至25-28°C（增加通风或遮阳）")
# 光照优化
if current_conditions['light_intensity'] < 60000:
suggestions.append("增加补光（LED灯）或改善温室透光率")
# CO2优化
if current_conditions['co2_level'] < 600:
suggestions.append("补充CO2至800-1000 ppm")
# 水肥优化
if current_conditions['soil_moisture'] < 30:
suggestions.append("增加灌溉频率")
elif current_conditions['soil_moisture'] > 70:
suggestions.append("减少灌溉，防止根系缺氧")
if current_conditions['fertilizer_amount'] < 100:
suggestions.append("增加施肥量至120-150单位")
for i, suggestion in enumerate(suggestions, 1):
print(f" {i}. {suggestion}")
return suggestions
# 使用示例
if __name__ == "__main__":
predictor = AICropPredictor()
# 准备数据并训练
df = predictor.prepare_training_data()
predictor.train_model(df)
# 当前条件
current_conditions = {
'temperature': 24,
'humidity': 65,
'soil_moisture': 35,
'light_intensity': 75000,
'co2_level': 700,
'days_since_planting': 45,
'fertilizer_amount': 120
}
# 预测产量
predicted_yield = predictor.predict_yield(current_conditions)
# 预测病害风险
predictor.predict_disease_risk(current_conditions)
# 生成优化建议
predictor.generate_optimization_suggestions(current_conditions, 6000)
实际应用指南：从理论到实践
第一阶段：评估与规划（1-2个月）
1. 土壤和水源评估
- 土壤测试：检测pH、EC、有机质、NPK含量
- 水质分析：检测盐分、重金属、微生物
- 气候数据：收集温度、降水、蒸发量历史数据
2. 技术选择 根据评估结果选择合适的技术组合：
- 严重缺水：滴灌 + 雾水收集 + 废水循环
- 土壤贫瘠：生物炭 + 微生物菌剂 + 水肥一体化
- 极端气候：智能温室 + 人工光源
3. 预算规划
- 小型家庭农场（亩）：5000-20000美元
- 中型农场（1-10亩）：20000-100000美元
- 大型农场（>10亩）：100000美元以上
第二阶段：基础设施建设（2-4个月）
滴灌系统安装：
- 水源准备：安装过滤器（120目以上）
- 主管道：使用PE管，直径根据面积选择
- 支管：使用滴灌带或滴箭
- 施肥罐：安装文丘里施肥器或注肥泵
- 控制器：安装定时器或智能控制器
土壤改良：
- 生物炭施用：每公顷5-20吨，深耕20-30厘米
- 微生物菌剂：播种时拌种或移栽时蘸根
- 有机肥：配合生物炭使用，每公顷3-5吨
第三阶段：种植与优化（持续）
种植管理：
- 品种选择：选择耐旱、耐盐品种
- 种植密度：根据滴灌布局优化
- 覆盖物：使用黑色地膜或秸秆覆盖
数据收集：
- 每日记录环境参数
- 每周测量作物生长
- 每月分析投入产出
持续优化：
- 根据数据调整灌溉和施肥方案
- 逐步引入更多智能设备
- 建立适合当地条件的技术体系
成本效益分析
投资回报周期
案例：1公顷番茄温室
初始投资：
- 滴灌系统：8000美元
- 智能控制系统：5000美元
- 生物炭和菌剂：2000美元
- 温室建设：15000美元
- 总计：30000美元
年度运营成本：
- 水费：500美元（节水60%）
- 肥料：1500美元（精准施肥）
- 电费：2000美元
- 人工：3000美元
- 总计：7000美元
收益：
- 产量：150000公斤（传统种植80000公斤）
- 价格：1.5美元/公斤（优质产品溢价）
- 总收入：225000美元
- 净利润：218000美元
投资回报周期：约1.7个月
长期效益
- 水资源节约：60-90%，在缺水地区价值巨大
- 土壤改良：一次投入，效果持续10-20年
- 碳封存：生物炭可封存大量CO2，可能获得碳信用
- 技术输出：可将经验推广，创造额外收入
结论与建议
以色列农业技术的核心在于精准、高效、可持续。对于移民或学习者来说，成功的关键在于：
- 循序渐进：从简单技术开始，逐步升级
- 数据驱动：建立监测系统，用数据指导决策
- 本地化：根据当地条件调整技术参数
- 持续学习：关注新技术发展，不断优化
这些技术不仅解决了干旱环境的种植难题，还创造了高附加值的农业产业。通过合理应用，任何干旱地区都能实现农业的可持续发展，为移民创造稳定的生计和事业机会。
记住，以色列的成功不是因为天赋的资源，而是因为持续的创新和对技术的执着追求。这种精神和技术，正是移民在新土地上开创事业所需要的。