農業這件事，過去就是拚經驗和運氣。老農民看葉子、聞味道、摸果實，判斷該不該採收。但現在英國有些果園開始換個做法：拿手機拍影片，讓 AI 幫忙判斷什麼時候該下田。
這不是什麼科幻情節,而是 2026 年已經在部分農場實際運作的事。問題核心很簡單：草莓這種東西熟了就得馬上採,晚兩天整批可能就爛掉。傳統靠經驗判斷,但極端天氣一來,經驗值就會失準。
手機影像辨識協助改善產量與採收預測
2026年,英國部分果園與莓果農場開始採用影像辨識和人工智慧工具,協助預測生長與採收。農民透過手機、無人機或農用車輛拍攝作物影像,系統結合天氣預報、品種資訊與歷史產量資料,提供未來數週的產量預測與成熟度判斷。
傳統農業高度依賴農民的經驗判斷,但極端天氣、勞力安排與易腐作物的採收壓力,增加了農民對預測工具的需求。特別是草莓、覆盆子這類易腐作物,成熟期極短,若無法及時掌握採收時機,作物損失風險較高。英國FruitCast共同創辦人Raymond Martin表示:「草莓作物成熟時必須採收,否則整批作物可能很快受到病害影響。」
三套系統,各自處理不同的時間壓力
目前市面上主要有三套 AI 預測工具在跑,各有各的應用場景:
1. Vivid Machines(針對採收窗口較寬的作物)
主要服務蘋果這類採收期比較有彈性的作物。有些蘋果品種的收成窗口可達約三週,系統透過影像辨識技術協助農民安排採收排程,降低因時機判斷失誤造成的損失。
2. FruitCast(專攻易腐莓果,降低採收風險)
針對草莓、覆盆子、黑莓、藍莓這類高風險作物設計。可以處理無人機影像、工作人員步行拍攝的手機影片,以及農用車輛上的攝影機影像。根據官方資料,一週前的產量預測平均與實際採收量誤差在10%內,三週前則在17%內。核心價值不是預測得多準,而是讓農民提早知道「大概什麼時候會爆量」,好調度人力和通路。
3. Fruit Forecast(手機上傳影片,降低設備門檻)
農民選 50 株代表性植株,每週從向陽面和陰影面用手機拍影片上傳。系統結合天氣預報、品種資訊與果重,產生未來四週的採收預估。降低了影像資料蒐集的門檻,但其商業成本、適用範圍與實際普及程度仍需個別評估。
技術挑戰:影像品質與校準成本
聽起來很理想,但實務上有幾個問題得面對。
第一,影像辨識的準確度高度依賴影像品質、天氣條件、品種資料,以及歷史產量。不同農場的環境差異很大,無法直接套用通用模型。這意味著初期導入時,農民得花時間「訓練」這套系統,持續提供高品質影像與資料,才能慢慢提升預測效果。
第二,部分網友對 AI 農業工具的可靠性表示疑慮,認為現階段影像辨識技術在某些應用場景的準確度仍有提升空間。這不是技術做不到,而是成本、時間、資料品質都會影響最後結果。
從經驗判斷到數據輔助的轉變
這些工具不會取代農民的經驗,但確實改變了部分決策方式。過去完全靠經驗的判斷核心,開始納入影像辨識與數據分析的輔助。
當莓果與蘋果的採收時機能透過數據協助判斷,農業或許不再只是靠天吃飯,而是逐步朝向「經驗與數據並重」的方向發展。至少對某些作物來說,這套邏輯已經開始運作了。
