Geco Strategic Weed Management 正在拓展一种不同于喷雾器经过前即时识别杂草的农业 AI。软件用多年影像和田间历史，在下一次干预前估计持续性杂草区域。EMILI 报告称，截至 2026 年 1 月，该产品已在北美商业化，并用于七国的 160 多家农场；2023 年还只在加拿大西部三家农场试验。这证明了覆盖范围，却尚未证明农场能够持续获利。
经济上的区别很重要。更多种子或更强的除草剂可能改善作物，也会增加成本。Geco 的主张是利用历史证据判断额外支出应集中在哪里。它与曼尼托巴省 EMILI 及全国性 AIVA Network 的试验，旨在把预测区域与实测杂草、收获结果、机械作业联系起来，而非只是生成漂亮的彩色地图。
种子库策略，不是给地下种子拍照
杂草种子库是土壤中或附近具有活力的种子储备。有些本季萌发，有些继续休眠，形成未来压力。除草成功后的田地看似干净，这些储备仍可能存在。创始人 Greg Stewart 在 Country Guide 报道中的介绍，将关注点从今天可见的植株转向反复出现的种群，以及持续削减最严重集中区域的行动。
公司称通常分析五年的田间历史和 100 多张卫星影像，将 AI 与农艺模型结合；无人机或光学喷雾器数据也可补充。这是依据重复观测作推断，不是卫星直接统计地下种子。其价值取决于能否把杂草信号与作物胁迫、自生植株、残茬、裸土、病害及正常田间差异分开。
输出把田地分成管理区域。提高播种密度，可加强作物对光、水和养分的竞争；残效除草剂则在土壤中保持一段时间的活性，针对萌发杂草。耕作和收获期杂草种子控制也是选项。轮作、抗性、土壤、设备和现有防草方案，仍决定哪项干预合适。地图不取代农艺师，也不为所有农场开同一种处方。
处方文件将区域转成兼容播种机、喷雾器、耕作工具或自主机械的变量投入指令。Geco 称可配合现有设备品牌，不要求专用平台。这降低了一道门槛，却不能免除准确记录、文件准备和真实兼容性核查。只有设备能在合适的田间作业窗口使用预测，预测才有操作价值。
在 AI 部署仍有限的市场中增长
EMILI 的全称是 Enterprise Machine Intelligence and Learning Initiative，于 2023 年开始与 Geco 合作。超过 160 家农场的报告未披露纳入面积、处方使用频率、续约或多年留存。这些指标比单纯农场数量更能反映实际参与。一家初创企业扩张，也不等于加拿大农业普遍使用 AI。
Farm Credit Canada 与 Deloitte 的采用分析报告称，2025 年第二季度仅 1.8% 的加拿大农业企业使用 AI，其他行业为 12.2%。农村网络、资金限制、人才短缺、基础设施碎片化和治理不确定性都是障碍。因此，Geco 面对的是部署困难且不均衡的环境，并非已全面自动化的行业。
EMILI 在曼尼托巴提供土地、历史记录、无人机观测与地面巡查。AIVA 通过阿尔伯塔、安大略和萨斯喀彻温的合作伙伴扩大验证。项目涵盖小麦、大豆、马铃薯、玉米、黑麦、大麦、油菜和蚕豆；另有南瓜、洋葱的机器人路径试验。冠层、生长阶段、土壤、天气与杂草种类各异，从一块小麦田迁移到别处马铃薯田的表现，应接受测试而非直接假定。
早期验证涉及抗除草剂的地肤（kochia）和野燕麦，它们对依赖少数除草剂类别的草原地区方案构成难题。加拿大农业和农业食品部的地肤研究指出，一株可产生 30,000 粒种子，并描述了抗性扩大。这使持续性热点值得干预：集中昂贵措施可能有用，但生物学上的重要性不能单独证明经济回报。
三项试验把预测接到田间作业
EMILI 的最初田间验证将卫星模型与无人机影像、实地巡查对照，在受试田块可靠识别了较大斑块。这支持利用广泛可得的卫星数据生成处方，但没有证明所有物种、作物、田块或生长阶段都能取得同样表现。
当前 AIVA 试验首先通过生长季四次巡查，将卫星区域与观测到的物种和密度比较，使核查成为流程的一部分。重复影像能降低异常季节的影响，却不能消除天气、施药时机、通行条件和作物变化造成的歧义。
第二项试验组合基准或提高播种量，以及基准或提高残效除草剂用量。选定区域的增播幅度约 25%–50%。研究人员将记录杂草压力、产量及蛋白质含量，把检测地图与农艺、收入联系起来；这些增量本身不是适合所有作物的统一建议。
第三项试验在南瓜、洋葱田，将按杂草优先规划的机器人除草路线与传统直线比较。机器人每日能力有限，优先级可能因此有价值，人工巡查也可采用相同逻辑。摄像喷雾器问的是“这里现在长着什么”，Geco 问的是“哪里跨季反复有压力”。预测、近距检测和人工核实能够互补，不必成为彼此排斥的技术。
一项可喜的播种结果，不代表所有客户的回报
2025 年，Geco 与 EMILI 在 Innovation Farms 一块田上，用三条各宽 120 英尺的地带测试增播。选定杂草区多播 25% 种子。EMILI 报告产量提高 7%、杂草减少 29%；Stewart 称额外种子成本带来七倍回报。归属与分母都重要：这是一个季节的具体处理结果，不是软件全部费用的七倍回报，更不是所有客户的共同回报。
机制是已知的作物竞争，Geco 提供的是定向层。在低压力区普遍加种可能浪费，而高价除草剂也可能只在持续压力足够大时值得使用。2026 年小麦试验测试基准/提高播种量与残效处理的四组合，Olds College 在阿尔伯塔开展类似的重复区组试验。农艺和经济比较要等杂草压力、收获产量测定后进行。
完整回报计算须包括软件、农艺时间、额外种子或药剂、机械作业、处方准备、巡查和操作复杂性，并区分“定向”与“单纯多投入处理”的效果。某年有利降雨或田间差异可能放大收益；防止未来种子回落，也可能创造当季收获看不见的价值。策略跨季运行，因此必须多年评估。
跨作物重复验证同样重要：竞争强的小麦冠层不同于宽行蔬菜，油菜经济性也不同于大豆。EMILI 独立于 Geco 模型收集观测，AIVA 可检验曼尼托巴之外的迁移，增加可信度但尚未决定结果。公开证据仍缺客户利润分布、失败率、纳入面积和多年留存。这界定了仍需证明的部分，并非否定早期结果。
算法无法凭空消除影像分辨率限制
卫星有广域覆盖与历史档案，包括从未接受无人机勘测的田地。它们可能发现大型重复斑块，却漏掉小植株，或将数种特征混在一个像素中。云层会中断采集，残茬、土色、阴影、冠层闭合及生长阶段会增加分类难度。重复观测与补充影像有帮助，但信号仍需地面验证。
一项经同行评审的 2026 年无人机研究，在夏季休耕田将三种无人机方法与地面相机参考数据比较。所有方法都低估杂草：RGB 漏检 41%–65%，近红外 48%–73.5%，YOLO 模型 78%–85%。关键在于，这不是对 Geco 或其多年卫星方法的评估。它说明算法复杂不自动补足影像细节不足，不能把这些百分比套给 Geco。
持续性区域比施药日精确数清每株幼小杂草更宽泛，可能更适合卫星数据。但误报浪费投入，漏报可能让抗性种群继续结籽。两类成本不对称，随物种、抗性、作物价值、处理成本及预计结籽量改变。通用准确率不能代替测量依据错误区域采取行动的后果。
剩下的决策属于农场与验证者
数据治理也很重要：作物历史、影像、处方地图能透露敏感经营表现。所有权、储存、再用与可携带性条款需要清楚，农艺软件与机械之间也应无需反复手动准备就能传输。作业前准备文件可降低联网需求，但农村宽带不足仍可能拖慢上传、支持和新影像。农艺师仍需质疑异常区域，结合种植与抗性历史选择干预。
下一阶段证据应同时包含变量试验的重复净回报、AIVA 不同站点按物种区分的误报漏报，以及在真实设备中的集成。如果效果集中于特定作物，就应缩小适用范围，而非宣称普遍精准。机器人路径试验尤其具体，因为它问真实机器应先去哪里，而不是仪表盘看起来是否可信。
Geco 的实质主张是，多季证据能让昂贵除草更有选择性。未解问题在于，哪些情况下这种选择性能降低未来压力，又不制造更高当前成本。跨季记录处理区与未处理区，并结合当地杂草历史、完整操作成本比较，比单纯商业覆盖更有说服力。
Google News 聚合入口提供另一条阅读报道的路径；它不是新增田间研究，也不是 Geco 官方声明。