无论作物生长、土壤水分和养分数学模型，它们模型都需要事先输入许多参数，包括气象、作物、品种、土壤和田间管理，涉及的参数较多，实现对每个参数的标定与校准是智能水肥决策引擎必须完成的数据准备阶段的重要工作。因此，需要根据数学模型中输入参数的敏感性和数值进行标定与校准，对于不敏感的参数或低敏感性的参数，也可先采用相关作物数学模型默认值或通过相关文献查阅确定，然后再进行参数调整；对于与品种有关，敏感性较高且平面空间变异性较大的参数，先通过现场图像观测数据并经分析计算得到估算值，再通过优化算法最后确定。

农业生产现场通过气象传感器记录的数据和邻近气象站点观测的日平均温度，计算出与品种相关的积温参数，如出苗至开花阶段的有效积温 TSUM1 与开花至成熟的有效积温 TSUM2。数学模型可以根据作物品种需要分成多于两个以上的生育期，只是每个品种生育期都需要通过观测标定有效积温常量。作物生育期引擎采用机器学习方法通过现场图像确定生育期出现的时间点，采用现场平均气温确定生育期出现的有效积温，采用邻近区域种植两年内同一品种的生育期已经标定的有效积温参数值作为作物的生育期有效积温也是常用的方法。

此外，数学模型的重要土壤参数（田间持水量、凋萎系数和初始可利用水含量）是通过现场含水量传感器数据分析给定。同理，如：对于每个种植现场作物不同生育期的根、茎、叶、贮存器官的同化分配系数，也是通过图像观测数据分析后获得。对于缺失数据则采用最近的，已经标定的参数。其它参数值也可以查阅文献确定或采用数学模型的默认值。后面文章将介绍智能引擎中采用的几种数据或参数的整理和标定方法。