CropProphEU

🌾 CropProphEU — 欧盟作物智能 MCP 服务

13 个 MCP 工具、5 种作物、26 个欧盟国家、123 个 NUTS2 地区 — 为欧洲农业提供产量预测、市场价值（€/ha）、风险分析、环境风险评分和投资组合优化。由 AI Agent 构建，服务于 AI Agent。

“今年 Sachsen-Anhalt 的小麦表现如何？我该如何在 100 ha 土地上实现最佳 €/ha 配置？”

pip install git+https://github.com/DasClown/CropProphEU.git

---

功能（13 个 MCP 工具）

#	工具	功能	版本
1	yield_and_value	产量 + 市场价值（€/ha） + 通俗易懂的摘要（DE/EN）	V4.6
2	europe_yield_forecast	泛欧 RF 预测，包含风险产量（P10/P50/P90）+ NDVI 校正	V4.3
3	crop_forecast	当前季节：GDD、降雨、土壤湿度、干旱指数、霜冻预警	V4.0
4	compare_regions	批量比较 20 个地区 × 5 种作物，使用实时市场价格	V5.1
5	portfolio_optimizer	AI 投资引擎：预算 → 在各地区 × 作物间实现最优配置	V5.1e
6	season_comparison	将本季与历史年份进行比较	V4.0
7	region_health	单次调用获取一个地区的所有作物信息	V4.5
8	weather_outlook	16 天天气预报	V4.0
9	climate_scenario	假设情景：+2°C、降雨量 -20% 等	V4.4
10	yield_forecast	类比年份产量匹配（侧重德国）	V3.0
11	list_regions	覆盖 26 个国家的 123 个 NUTS2 地区	V4.2
12	list_crops	作物参数（GDD 基数、生长季、霜冻敏感性）	V4.5
13	environmental_risk	全新 V5.4 — ERS（森林、侵蚀、风暴、冰雹）+ 德国的野猪破坏风险	V5.4

---

快速开始

1. 安装

pip install git+https://github.com/DasClown/CropProphEU.git

2. 作为 MCP 服务使用

CLI（stdio）：

crop-mcp

Python API：

from crop_mcp import predict_europe_yield

result = predict_europe_yield("DE11", "DE", crop="wheat", gdd=3050, precip_mm=650)
print(f"Yield: {result['predicted_yield_t_ha']} t/ha")
print(f"Revenue: ~{result['predicted_yield_t_ha'] * 239:.0f} €/ha")

3. Claude Desktop / Cursor

{
  "mcpServers": {
    "crop": {
      "command": "python3",
      "args": ["-m", "crop_mcp.server"]
    }
  }
}

4. HTTP 服务（远程 / Smithery）

pip install crop-mcp[http]
crop-mcp --http --port 8080

通过 SSE 连接：http://your-server:8080/sse

5. Docker

docker build -t crop-mcp .
docker run -p 8080:8080 crop-mcp crop-mcp --http --port 8080

---

已验证作物 — 数据完整性 ✅

每项预测都可追溯至已验证的 Eurostat 作物代码。 不会产生幻觉，也不会悄悄使用错误作物数据进行训练。

作物	Eurostat 代码	样本数	国家数	MAE（LOYO）	R²
🌾 小麦	C1100	1,603	26 (🇪🇺+🇺🇦)	11.5%	0.87
🌽 玉米	C1500	1,797	21 (🇪🇺+🇬🇧)	11.6%	0.72
🌿 大麦	C1300	1,885	26 (🇪🇺+🇬🇧)	11.2%	0.85
🌻 油菜籽	I1110	1,825	25	10.8%	0.83
🌻 向日葵	I1120	1,229	17	16.1%	0.74

⚠️ V5.1d 数据修复：油菜籽和向日葵之前使用水稻数据训练（Eurostat 代码 C2000/C2200 错误）。现已更正为工业作物代码 I1110/I1120。 德国油菜籽预测值从 7.21t 降至 2.63t——这是实际预测值，并非外推值。

---

为什么选择 CropProphEU？

能力	CropProphEU	Open-Meteo MCP	Gro Intelligence
产量预测	✅ 5 种作物	❌	✅ $10K+/yr
土壤特征	✅ 11 项属性	❌	✅
产量风险值（P10/P90）	✅	❌	✅
实时市场价格（€/ha）	✅ CBOT + MATIF	❌	✅
气候情景分析	✅	❌	✅
霜冻预警	✅	✅	❌
NDVI 卫星校正	✅	❌	❌
投资组合优化器	✅	❌	❌
多语言（DE/EN）	✅	❌	❌
环境风险	✅ V5.4	❌	❌
价格	免费	免费	$10K+/yr

独特之处：唯一一款免费的 MCP 服务，覆盖欧盟农业，并通过单一流程实现从土壤 → 产量 → 市场价值 → 环境风险 → 投资组合优化。

---

V5.4 — 环境风险评分 + 野生动物损害 🌍🐗

功能	说明
环境风险评分	根据森林覆盖率、玉米种植面积、土壤侵蚀、风暴和冰雹风险综合计算 → 🟢🟡🔴
德国野生动物损害	DJV 狩猎统计数据 + 林缘指数 + 玉米种植面积占比 → 估算每公顷损失金额
红绿灯系统	🟢 low (<35), 🟡 moderate (35-65), 🔴 high (≥65)
MCP 工具	environmental_risk(region='DE26') → 即时分析，包括野生动物损害

Maßbach 示例（DE26 下弗兰肯）：

{
  "overall_risk": "🔴 high",
  "ers_level": "🟡 moderate",
  "wild_boar_risk": {"level": "🔴 high", "loss_eur_ha": 158},
  "management": ["Waldrandstreifen 3-6m", "Drückjagd Nov-Dez", "8-Tage-Anzeigefrist §36 BayJG"]
}

V5.4 — 测试与 CI 🧪

措施	状态
pytest	16 项测试，全部通过（tests/test_crop_mcp.py）
CI（GitHub Actions）	✅ 每次推送时运行 — 页眉中的徽章显示为绿色
Git LFS	*.pkl + 大型 .json 文件通过 LFS 管理（已从 Git 树中移除）

运行测试：

pip install -e ".[test]"
pytest tests/ -v

---

模型准确度

指标	数值
LOYO MAE（小麦）	0.599 t/ha（11.5%）
前向验证（训练集 ≤2022，测试集 2023-24）	0.794 t/ha（15.0%）
R²（LOYO）	0.871
R²（前向）	0.628

在欧盟核心地区（DE、FR、BE、NL、AT、CZ）的准确度最高，这些地区的训练数据较为密集。

各作物表现（V5.2）

作物	算法	主要特征	关键发现
🌾 小麦	RF 200 trees	solar_kwh (35%)	南北梯度起主导作用
🌽 玉米	RF 200 trees	clay_pct (42%)	玉米对土壤极为敏感
🌿 大麦	Ridge	clay_pct (27%)	所有作物中覆盖最广
🌻 油菜籽	RF 200 trees	coarse_pct (28%)	已修正 — 现有 1,825 个真实样本
🌻 向日葵	Ridge	silt_pct (24%)	覆盖 17 个国家（修复后）

---

实时市场价格

作物	来源	€/t（2026 年 5 月）	市场
小麦	✅ CBOT ZW=F + MATIF 溢价	239	Euronext MATIF
玉米	✅ CBOT ZC=F + MATIF 溢价	189	Euronext MATIF
大麦	✅ 参考价（AMI 区域数据）	190	AMI 区域交易所
油菜籽	✅ 参考价	470	Euronext MATIF（ECO）
向日葵	✅ 参考价	420	ICE / 黑海

生产成本按国家和作物分别计算（V5.3+）。参见 market_prices.py → COUNTRY_PRODUCTION_COSTS（28 个欧盟国家 × 5 种作物）。数据来源：FADN、KTBL、ARVALIS。示例：

国家	小麦	玉米	大麦	油菜籽	向日葵
🇩🇪 DE	650	700	600	780	650
🇫🇷 FR	700	650	600	750	600
🇵🇱 PL	550	600	500	650	550
🇷🇴 RO	450	500	400	550	450
🇪🇸 ES	600	650	550	700	—

ℹ️ 完整表格：crop_mcp/market_prices.py 中的 COUNTRY_PRODUCTION_COSTS 字典

---

数据源

来源	数据	访问方式
Eurostat	作物产量（apro_cpshr）——25 年以上数据，代码经过验证	免费，无需密钥
NASA POWER	GDD、降水量、太阳辐射、土壤湿度	免费，无速率限制
Open-Meteo	16 天预报、GDD	免费，无需密钥
SoilGrids v2（ISRIC）	11 项属性：SOC、pH、N、CEC、黏土、沙土、粉土、bdod（容重）、cfvo（粗颗粒）、AWC、粗颗粒	免费 REST API
LUCAS Soil（ESDAC）	约 20K 个田间采样点的土壤质地 + 粗颗粒	免费下载
Sentinel-2 NDVI	植被指数（Copernicus STAC + Planetary Computer 备用方案）	免费，无需身份验证
Yahoo Finance	CBOT 小麦/玉米期货、EUR/USD 实时行情	免费，无需密钥

无需任何 API 密钥——所有数据源均免费且公开。

---

输出示例

德语（默认）：

Weizen – Region DEE0 (DE)
Ertrag: 7.35 t/ha (Spanne 6.50–8.20)
Temperatur: warm (2950°C Wärmesumme)
Niederschlag: ausreichend (480 mm)
Bodenfeuchte: feucht (48%)
Modellabweichung: ±11.5% (1603 Samples, 26 Länder)
Vergleich zu 2024: +0.15 t/ha (im Rahmen des Vorjahres)
Marktwert: 1.757 €/ha @ 239 €/t
Kosten: 650 €/ha → Deckungsbeitrag: 1.107 €/ha

英语（使用 language="en"）：

Wheat – Region DEE0 (DE)
Yield: 7.35 t/ha (range 6.50–8.20)
Temperature: warm (2950°C GDD)
...

---

架构

crop-mcp/
├── crop_mcp/
|├── server.py                 # 857 Zeilen — Pydantic-Modelle + Tool-Registry + MCP-Init
│   ├── tools/                  # **V5.4e** — Handler in logische Module aufgeteilt
│   │   ├── weather.py          # weather_outlook, crop_forecast, season_comparison, region_health
│   │   ├── yield_tools.py      # yield_forecast, europe_yield_forecast, yield_and_value, climate_scenario
│   │   ├── market.py           # compare_regions, portfolio_optimizer
│   │   ├── info.py             # list_regions, list_crops
│   │   ├── environmental.py    # environmental_risk (V5.4)
│   │   └── helpers.py          # Shared utilities (NDVI correction, frost, language)
│   ├── europe_model_api.py       # RF (200 trees) + Yield-at-Risk + NDVI correction
│   ├── environmental_risk.py     # V5.4 — ERS + Wildschaden DE
│   ├── ndvi_correction.py        # Sentinel-2 NDVI correction factor (±30%)
│   ├── market_prices.py          # Live CBOT/MATIF via Yahoo Finance
│   ├── feature_cache.py          # Sub-second historical queries
│   ├── simulate_yield.py         # Analog-year matching
│   ├── auto_update.py            # Monthly retrain cron
│   ├── core/regions.py           # 123 NUTS2 regions
│   └── sources/                  # Weather, soil, NDVI, Eurostat, FAOSTAT fetchers
├── models/                       # .pkl files ➜ download from Releases
├── data/                         # Training data ➜ download from Releases (or generated by build)
├── tests/                        # V5.4 — 16 pytest tests
├── .github/workflows/ci.yml      # V5.4 — CI workflow (lokal, benötigt PAT mit workflow-Scope für Push)
├── pyproject.toml
└── README.md

关键设计原则：

• 不产生幻觉——每项产量预测都可追溯至经过验证的 Eurostat 数据
• 实时价格——通过 Yahoo Finance 获取 CBOT 小麦/玉米行情，每小时更新
• 自动更新——每月通过 cron 使用最新 Eurostat 数据重新构建模型
• 无需 API 密钥——所有数据源均免费且公开
• AI 服务 AI——专为 Agent 构建，无仪表板

---

构建与训练

# Build training data (25 min per crop)
python3 build_europe.py --crop corn

# Train model (2 min)
python3 train_europe_fast.py --crop corn

# Auto-update monthly (cron: 1st of month at 06:00)

---

商业应用场景

• 农业交易部门：“按当前 MATIF 价格，Picardie 的小麦值多少钱？”
• 农场咨询：“本季表现与过去 5 年相比如何？”
• 保险 / 风险：按地区和作物计算风险产量（P10/P50/P90）
• 欧盟政策分析：气候情景对各国产量的影响
• 投资：用于 100 公顷以上土地配置决策的投资组合优化器

---

🤝 获取帮助与参与贡献

渠道	用途
💬 GitHub Discussions	编码前提问、功能构想、社区交流
🐛 GitHub Issues	Bug 报告、已确认的功能请求
📖 CONTRIBUTING.md	开发环境设置、分支命名、提交规范、代码风格

欢迎新贡献者！请参阅 CONTRIBUTING.md 开始参与。

---

许可证

MIT——可免费使用、修改和分发。

为需要真实、可验证作物情报的 AI Agent 倾情打造。 ❤️