农业的数字化不是给温室装几块屏幕，而是让采集到的环境数据真正影响灌溉、通风与施肥动作。数字农业综合实训平台的教学组织，应当围绕一条完整链路：采集哪些因子、如何组网、数据怎么用、生产档案怎样留。这条链路走通了，学生才能理解传感器与阀门之间的关系。

环境因子采集与设备组网

采集因子按作物需求选择。温室内温度、空气湿度、光照强度、二氧化碳浓度是基础项，土壤侧还要测含水率、电导率与酸碱度，其中电导率反映养分浓度，数值偏高常提示盐分累积。传感器布点要避开滴灌出水口与热源，土壤探头插入深度按根系分布确定，浅根作物取 20 厘米、深根作物取 40 厘米较为常见。

组网方式按现场条件取舍。温室内部走LoRa无线组网便于扩展且功耗较低，跨区域或偏远地块用NB-IoT借助运营商网络回传更省事。学生需要配置节点地址、上报周期与网关参数，并排查常见的接入失败，例如信号强度不足、频点冲突、电池电压偏低。把网络拓扑画出来，比记住设备型号更有用。

水肥一体化执行机构与联动

执行端包括首部水泵、过滤器、施肥泵、电磁阀与滴灌管路。水肥一体机按设定比例吸入母液并与灌溉水混合，混比精度直接影响施肥均匀度，学生要在实训中实测出水口的电导率并与设定值比较，偏差较大时检查吸肥泵与流量计。过滤器前后压差是清洗周期的判据，压差过大说明滤网堵塞。

联动逻辑是教学重点：当土壤含水率低于下限且光照充足时启动灌溉，达到上限后停止；降雨传感器触发时暂停灌溉，避免水资源浪费。学生用图形化编程或简单脚本实现这套逻辑，并在实训平台上制造异常，例如阀门卡滞、管路漏水，观察系统能否通过流量对比发现异常。

数据分析与阈值预警设置

数据积累的价值在于趋势。把逐时数据按天聚合，观察昼夜温差与湿度变化规律，能帮助判断通风策略是否合理；把灌溉前后土壤含水率曲线放在一起，可以评估一次灌溉的湿润深度是否达标。教学时用两周历史数据做练习，找出其中的异常时段并推测原因，例如某日午后湿度骤降，可能与通风过度有关。

阈值设置要留死区，避免执行机构在临界点反复启停。例如含水率低于 25% 启动灌溉、高于 32% 停止，中间区间不做动作，这段差值就是死区。学生需要解释死区的作用，并针对不同作物给出不同参数。预警分提醒与告警两级，提醒用于提示关注，告警用于需要立即处理的情形，分级可以避免频繁告警导致的麻木。

农产品溯源与生产档案管理

生产档案记录品种、播种时间、投入品使用、采收批次与检测结果，是溯源的基础。学生按地块与批次建立档案，把环境数据与农事操作关联起来，形成从种子到销售的可查链条。溯源二维码只是呈现形式，真正起作用的是背后的数据是否连续、真实、可核对。

实训收尾安排一次完整复盘：从数据中找出产量差异最大的两个小区，核对两地的灌溉记录、施肥量与光照时长，提出下季改进方案。GB/T 50363关于节水灌溉的技术要求可作为灌溉制度设计的参照。数字化农业的核心竞争力，最终体现在能否用数据解释产量差异并改进下一季的生产决策。