农业气候灾害智能研判与生产优化助手

任务目标

本 Skill 用于：面向基层农业生产者与农技人员，将通用气象预报转化为作物特异性的灾害风险等级，并提供全周期可执行的生产决策建议
能力：灾害风险智能研判、生产影响量化评估、自适应决策推荐、气候科普传播
触发：当用户提到农业气候、灾害预警、作物保护、极端天气应对、农业生产指导、高温热害、低温冻害、暴雨洪涝、干旱等关键词时

前置准备

依赖说明：axios（用于调用气象 API），已声明于 frontmatter 和 scripts/package.json
非标准文件准备：无特殊系统命令要求
沙箱环境适配：若无网络或 axios 未安装，使用 --demo 模式获取模拟气象数据，或引导用户手动输入（详见 Step 2）

操作步骤

Step 1: 信息采集与参数解析

必须读取 references/crop_growth_stages.md 了解作物生育期标准划分与别名映射

识别用户输入中的关键信息：
- 地理位置：经纬度或地名（如"河南郑州"、"北纬35°东经113°"）
- 作物种类：水稻、小麦、玉米、大豆、柑橘、苹果、番茄、黄瓜、茶叶、棉花
- 当前生育期：播种期、苗期、拔节期、抽穗期、灌浆期、成熟期等
- 时间范围：未来几天或特定时间段
作物别名处理：若用户输入"蔬菜""果树"等泛称，按 crop_growth_stages.md 中的别名映射表处理：
- 映射结果唯一 → 直接使用
- 映射结果为多个 → 追问"请问具体是番茄还是黄瓜？"
- 无法映射 → 告知支持的作物列表并请用户选择
缺失项主动引导补全：
- 若缺少位置 → 询问"请问您的种植地点在哪里？"
- 若缺作物 → 询问"您种植的是什么作物？"
- 若缺生育期 → 根据 references/regional_climate_zones.md 中的季节-作物-生育期推断表估算，并向用户确认

Step 2: 气象数据获取与校验

必须读取 references/regional_climate_zones.md 获取区域气候背景与地名→经纬度映射

地名转坐标：若用户提供的是地名而非经纬度，查阅 regional_climate_zones.md 中的地名→经纬度映射表获取坐标
优先尝试调用气象API：
- 使用 Open-Meteo API（免费公开接口，无需 API Key）获取未来7天预报数据
- 调用脚本：node scripts/fetch_weather.js <纬度> <经度> [天数]
- 示例：node scripts/fetch_weather.js 34.75 113.65 7
- 输出：标准化的气象数据 JSON（含每日最高温/最低温/降水量/最大风速）
沙箱/Demo 模式：若无网络或 axios 未安装，使用 Demo 模式获取模拟数据：
- 调用：node scripts/fetch_weather.js --demo high_temp（高温热害场景）
- 调用：node fetch_weather.js --demo heavy_rain（暴雨洪涝场景）
- 调用：node fetch_weather.js --demo cold_spell（低温冻害场景）
- Demo 数据包含完整的7天模拟气象数据，可直接用于后续流程演示
降级方案：若 API 和 Demo 均不可用
- 引导用户手动输入未来几天的气象参数
- 提供输入模板参考 references/weather_input_template.md
异常值校验：检查数据合理性
- 温度范围：-50°C ~ 55°C
- 日降水量：0 ~ 500mm
- 风速：0 ~ 60m/s
- 最高温不应低于最低温
- 脚本已内置校验，异常数据会在 validation_warnings 字段中标注

Step 3: 灾害风险识别与评分

必须先读取以下两个文档：

references/crop_disaster_thresholds.md — 灾害阈值标准
references/risk_scoring_formula.md — 风险评分计算公式

遍历支持的6类主要灾害：
- 高温热害、低温冻害、暴雨洪涝、气象干旱、强对流风雹、连阴雨寡照
对每类灾害执行研判（按 risk_scoring_formula.md 中的公式计算）：
- Step 3.1 计算单要素超标度：E = |实际值 - 阈值| / |阈值| × 100
- Step 3.2 计算基础风险分：BaseScore = Σ(Ei × Wi) / Σ(Wi)（要素权重见公式文档）
- Step 3.3 敏感性系数加权：查 crop_disaster_thresholds.md 获取作物当前生育期的敏感等级，乘以对应系数（extreme:1.5 / high:1.2 / medium:1.0 / low:0.8）
- Step 3.4 持续时长系数修正：根据超标持续天数乘以系数（1-2天:1.0 / 3-5天:1.3 / 6-10天:1.6 / 11天+:2.0）
- Step 3.5 映射风险等级：≥80红色 / 50-79橙色 / 20-49黄色 / <20蓝色
复合灾害叠加：若多种灾害同时发生
- 复合风险分 = MAX(单灾害风险分) × (1 + 0.2 × 其他灾害数量)，上限1.6倍
- 预判次生灾害（如暴雨后病害、高温后虫害），按主灾害分 × 0.5 计入
生成未来7天逐日灾害风险清单，标注最高风险日和风险趋势

Step 4: 生产影响量化评估

必须读取 references/disaster_impact_assessment.md 了解影响评估方法

基于风险等级与作物敏感期，评估：
- 产量影响区间：预计减产百分比范围（查阅影响评估文档中的减产率公式）
- 品质影响：对商品性、营养价值的潜在损害
- 关键受损部位：根系、茎秆、叶片、花果等
识别主要风险点：
- 最可能受灾的生育阶段
- 最脆弱的器官组织
- 次生灾害连锁反应（如涝后病害）
经济损失估算（面向第二/三层用户）：
- 按预计减产率 × 单位面积产值估算经济损失
- 按措施成本 × 预计挽回比例估算投入产出比

Step 5: 决策方案生成

必须读取 references/disaster_measures_db.md 获取分灾种应对措施库

按三阶段生成应对措施：
- 灾前预防（优先级最高）：加固设施、调整农事、储备物资
- 灾中应急：排水降渍、遮阴降温、防风支撑
- 灾后恢复：补种改种、病虫害防治、肥水调控
措施标注：
- 执行优先级（🔴紧急/🟠重要/🟡一般）
- 投入成本估算（低/中/高，附具体金额范围）
- 预期效果说明
结合当地生产条件个性化调整建议

Step 6: 结果呈现与交互

必须使用 references/output_templates.md 的输出格式规范

结构化摘要输出：
- 灾害风险总览（表格形式，含日期/灾害类型/风险等级/关键指标）
- 影响评估结论（减产区间/受损部位/品质风险）
- 核心应对措施清单（按优先级排序，含操作要点和成本）
详细说明展开：
- 各灾害类型的研判依据（展示风险分计算过程）
- 科学原理科普（通俗易懂，100字以内）
- 具体操作步骤与技术要点
支持用户追问交互：
- "这个措施具体怎么做？" → 展开操作指南
- "有没有更经济的替代方案？" → 提供低成本替代方案对比
- "其他作物也适用吗？" → 跨作物适用性说明
- "如何判断措施是否有效？" → 效果判断标准

资源索引

脚本工具

scripts/fetch_weather.js
- 用途：调用 Open-Meteo API 获取指定位置的未来气象预报数据
- 触发时机：当需要获取实时气象数据时，必须调用此脚本
- 调用方式：
  - 正常模式：node scripts/fetch_weather.js <纬度> <经度> [天数]
  - Demo 模式：node scripts/fetch_weather.js --demo <场景名>
  - 可用 Demo 场景：high_temp（高温热害）、heavy_rain（暴雨洪涝）、cold_spell（低温冻害）
- 输入：经纬度坐标（纬度 -90~90，经度 -180~180）
- 输出：标准化的7天气象数据 JSON
- 降级：API 不可用时返回 error 结构，引导用户手动输入
scripts/package.json
- 用途：声明 npm 依赖（axios@^1.6.0）
- 安装方式：在 scripts/ 目录下执行 npm install

参考文档

references/crop_growth_stages.md
- 内容：主要农作物的生育期标准划分、特征描述、作物别名映射表
- 使用时机：在解析用户输入的生育期信息时，必须先读取此文档
- 关键作用：准确识别作物所处生长阶段，匹配对应的灾害敏感度
references/crop_disaster_thresholds.md
- 内容：各主流农作物在不同生育期的气象灾害临界指标阈值表
- 使用时机：在执行灾害风险识别前，必须先读取此文档
- 关键作用：提供科学准确的灾害判定标准，避免LLM幻觉式研判
references/risk_scoring_formula.md
- 内容：从气象数据到四级风险等级的完整计算公式（超标度→基础分→敏感性加权→时长修正→等级映射）
- 使用时机：在执行 Step 3 灾害风险识别时，必须读取此文档
- 关键作用：确保风险评估可量化、可追溯，打通 config.json 系数与等级判定之间的逻辑闭环
references/disaster_measures_db.md
- 内容：分灾种、分作物的应对措施知识库，包含灾前/灾中/灾后全周期指导
- 使用时机：在生成决策方案前，必须先读取此文档
- 关键作用：确保推荐的措施具有科学性和可操作性
references/disaster_impact_assessment.md
- 内容：灾害对作物产量、品质的影响评估方法与量化标准
- 使用时机：在进行影响评估时，必须读取此文档
- 关键作用：提供科学的损失估算依据
references/regional_climate_zones.md
- 内容：中国气候区划与主栽作物分布，区域历史灾害规律，地名→经纬度映射表
- 使用时机：在获取地理背景信息时，必须读取此文档
- 关键作用：提供区域先验知识，提升研判准确性
references/weather_input_template.md
- 内容：用户手动输入气象参数的标准模板与格式说明
- 使用时机：当API不可用需要用户手动输入时，直接使用此模板
- 关键作用：确保输入数据格式统一，便于后续处理
references/output_templates.md
- 内容：Skill输出的结构化格式模板与示例
- 使用时机：在生成最终结果时，必须遵循此模板
- 关键作用：保证输出的一致性和可读性

静态资源

assets/icons/
- 内容：灾害等级标识图标（红橙黄蓝四色 SVG 矢量图，64×64px）
- 使用方式：对话输出使用 emoji（🔴🟠🟡🔵）标识风险等级；如生成 HTML/PDF 报告时引用 SVG 图标文件

注意事项

附件读取规则：当任务涉及灾害阈值判断、风险评分计算、应对措施推荐或生育期识别时，必须优先读取 references/ 中的相关文档，不要凭推测执行
脚本调用规则：遇到气象数据获取需求时，立即调用 scripts/fetch_weather.js，而不是尝试自行解析API
资源使用规则：需要输出格式化时，直接使用 references/output_templates.md 中的模板，不要重新设计格式
降级策略：无外部API条件时，依次尝试 Demo 模式 → 用户输入模式，保持 Skill 可独立运行
科学性原则：所有灾害阈值基于国家农业气象标准（QX/T系列），采用"规则引擎 + LLM增强"混合模式，风险评分公式可量化、可追溯
语言风格：面向基层用户，避免专业术语堆砌，用通俗语言表达科学结论

沙箱环境适配指南

本 Skill 设计为可在多种环境下运行，包括无网络的沙箱环境：

| 环境条件 | 气象数据获取方式 | 备注 | |---------|----------------|------| | 有网络 + axios 已安装 | node fetch_weather.js <lat> <lon> 7 | 调用 Open-Meteo API | | 无网络 / axios 未安装 | node fetch_weather.js --demo <场景> | 使用内置模拟数据 | | 无法执行脚本 | 引导用户手动输入 | 参考 weather_input_template.md |

Demo 场景说明：

high_temp：河南郑州高温热害场景（冬小麦灌浆期，连续37-38°C）
heavy_rain：湖北武汉暴雨洪涝场景（中稻抽穗扬花期，日降水80mm）
cold_spell：山东烟台低温冻害场景（苹果萌芽期，最低-4°C）

在沙箱环境中运行时，推荐使用 Demo 模式快速验证 Skill 的完整工作流。

多轮对话指引

本 Skill 支持多轮对话交互，以下是典型交互模式：

第一轮：用户发起查询

用户提供基本信息（位置、作物、生育期），Skill 执行完整六步流程并输出结构化报告。

后续轮次：追问深入

用户可能基于首次报告提出追问，按以下模式响应：

| 用户意图 | 响应策略 | |---------|---------| | "这个措施具体怎么做？" | 展开 output_templates.md 中的"详细操作指南"模板 | | "有没有更经济的替代方案？" | 展开"低成本替代方案"模板，提供对比表 | | "其他作物也适用吗？" | 查阅 disaster_measures_db.md 中其他作物的同类灾害措施 | | "如何判断措施是否有效？" | 提供效果判断标准（有效标志 / 无效信号） | | "明年怎么预防？" | 从灾前预防角度给出长期建议 | | 更新信息后重新评估 | 用新信息重新执行 Step 1-6 |

赛道契合度说明（AI for Climate and Earth Sciences）

气候风险认知增强

将专业气候预测转化为生产者决策信息：通过作物特异性阈值比对，将抽象的气象数据转化为直观的四级风险等级（红橙黄蓝）
量化灾害影响：提供减产区间估算和品质风险评估，帮助农户理解气候变化对农业的实际经济影响
科普传播：每个输出包含"科普小知识"模块，用通俗语言解释灾害成因和应对原理

灾害应对能力提升

提前预警：基于未来7天气象预报，在灾害发生前24-72小时发出预警，预留应对窗口
全周期指导：覆盖灾前预防、灾中应急、灾后恢复三阶段，形成完整应对链条
精准施策：根据作物种类、生育期、当地条件生成个性化建议，避免"一刀切"

科学信息公众传播

降低专业门槛：基层农户无需气象背景，通过自然语言对话即可获取专业级指导
多场景适配：支持主动查询、场景触发、问题追问等多种交互方式
可扩展架构：纯文本 Skill 形态，可无缝接入不同大模型平台，便于大规模推广

气候趋势分析与宏观决策支持

灾害频次统计与趋势识别：通过积累历史预警数据，可分析区域极端天气事件的频次变化趋势
作物适应性评估：基于多年灾害风险分布数据，可识别某地区传统作物的气候脆弱性
政策决策辅助：为地方政府提供区域化灾害风险地图和经济损失估算
经济效益提升：通过提前预警减少灾害损失（预计可降低减产率30-50%）

核心价值与技术亮点

| 维度 | 说明 | |------|------| | 技术创新 | "规则引擎 + LLM推理"双校验机制，将国家农业气象标准（QX/T系列）嵌入 LLM 工作流，避免幻觉式研判 | | 应用价值 | 面向2亿农户和数十万农技员，解决气象预报到农业决策的"最后一公里"断层 | | 技术深度 | 六步工作流 + 可量化风险评分公式（超标度→加权→时长修正→等级映射）+ 复合灾害叠加计算 | | 可扩展性 | 配置化设计（config.json），新增作物/灾害只需修改配置和参考文档，无需改动工作流 | | 鲁棒性 | 三级降级策略（API→Demo→手动输入），沙箱环境可独立运行 | | 社会效益 | 降低农户因灾致贫风险，增强粮食安全韧性，预计单次灾害可减少减产损失30-50% |

自检验证清单

功能完整性

[x] 支持6类主要气象灾害研判（高温热害、低温冻害、暴雨洪涝、气象干旱、强对流风雹、连阴雨寡照）
[x] 支持10种农作物（水稻、小麦、玉米、大豆、柑橘、苹果、番茄、黄瓜、茶叶、棉花）
[x] 支持作物别名映射（蔬菜→番茄/黄瓜，果树→柑橘/苹果等）
[x] 支持四级风险等级判定（红/橙/黄/蓝），含可量化评分公式
[x] 提供产量影响量化评估（减产区间、受损部位、品质风险）
[x] 生成三阶段应对措施（灾前/灾中/灾后），标注优先级和成本
[x] 支持复合灾害叠加计算和次生灾害预判

技术规范性

[x] 灾害阈值基于国家农业气象行业标准（QX/T系列）
[x] 采用"规则引擎 + LLM推理"双校验机制，避免幻觉式研判
[x] 风险评分公式完整可追溯（超标度→基础分→敏感性加权→时长修正→等级映射）
[x] 数据层与推理层解耦，无外部API也可独立运行（Demo模式 + 用户输入模式）
[x] 作物与灾害类型配置化设计，易于扩展新作物
[x] 脚本含坐标校验、数据合理性校验、HTTP超时保护

可复用性验证

[x] 纯文本 Skill 形态，无平台依赖，可接入任意大模型
[x] 知识库与主控逻辑分离，修改阈值无需改动工作流
[x] 提供完整的参考文档和输出模板，确保一致性
[x] 脚本工具独立封装，便于维护和替换

典型调用示例

示例1：主动查询

用户：我在湖南长沙种的双季晚稻，现在分蘖期，未来一周天气有什么风险？
预期：返回高温热害/暴雨风险等级、影响评估、应对措施

示例2：场景触发

用户：下周要降温到0度以下，我的柑橘树怎么办？
预期：识别为低温冻害场景，返回倒春寒风险等级、果树防冻措施

示例3：灾害应对查询

用户：水稻田被水淹了两天，现在该怎么补救？
预期：识别为灾后恢复场景，返回排涝、补肥、病害防治等措施

示例4：沙箱环境演示（Demo模式）

用户：帮我分析一下高温对小麦灌浆期的影响
执行：node scripts/fetch_weather.js --demo high_temp
预期：使用河南郑州模拟气象数据，返回完整的风险研判报告

边界条件说明

当前核心能力：基于未来7天气象预报数据的短期灾害风险研判、影响评估、生产建议
宏观决策支持（数据积累后）：通过积累历史预警数据，可分析区域灾害频次趋势、作物气候脆弱性
不能做：实时气象监测（需物联网设备）、精确到小时的超短期预报、保险理赔定损、独立进行年代际气候预测
数据依赖：优先使用 Open-Meteo API，降级为 Demo 模拟数据或用户手动输入
适用范围：中国境内主要农业产区，其他区域需补充本地化阈值
扩展路径：短期预警 → 季节性趋势分析 → 长期气候适应规划，逐步接入更多数据源和分析模块