大数据推动农业现代化应用研究许世卫，王东杰，李哲敏（中国农业科学院农业信息研究所/中国农业科学院智能化农业预警技术与系统重点开放实验室/农业部农业信息服务技术重点实验室，北京 100081）摘要：中国农业发展面临资源环境约束日益趋紧，农产品国内外市场“双重挤压”，农业稳产、农民增收困难等严峻挑战，亟需转型升级、优化结构和提质增效。大数据作为一种与材料和能源一样重要的新型战略资源，在生产要素耦合、农业系统协同等方面发挥着重要作用，正成为驱动农业现代化发展的重要力量。目前，大数据技术在农业信息获取、分析处理和综合服务等方面取得了多方面的研究进展，并在精准生产决策、食品安全保障、消费需求挖掘和市场贸易引导等方面开始应用。面对当前及未来一段时期内农业转型升级的艰巨性和漫长性，应该建立大数据技术创新与组织创新的双重驱动机制。技术上，重点加强数据科学与农业科学交叉融合，夯实现代农业基准数据基础，快速突破适农智能模型分析处理技术以及推动数据服务持续创新；组织上，树立数据意识，加强数据立法，完善数据顶层治理结构，尤其要处理好数据安全与数据开放共享等关系。关键词：大数据；现代农业；转型升级；应用研究Application Research on Big Data PromoteAgricultural ModernizationXU Shi-wei, WANG Dong-jie, LI Zhe-min(Agricultural Information Institute of Chinese Academy of Agricultural Sciences/Key Laboratory of Intelligent Agricultural EarlyWarning Technology and System of Chinese Academy of Agricultural Sciences/Key Laboratory of Agro-Information ServicesTechnology, Ministry of Agriculture, Beijing 100081)Abstract: Chinese agriculture is facing increasing challenges: the constraints of resources and the environment is increasinglytightening, the price difference between domestic and international markets is enlarging, and the growth in agriculture output andfarmers' income is becoming hard to achieve. So, Chinese agriculture has a urgent need of transformation and upgrading, optimizingthe structure, and improving the quality and efficiency. Big data, as a strategic resource such as material and energy, which plays animportant role in the production factors coupling, collaboration, and other aspects of agricultural systems, is becoming an importantdriving power of agricultural modernization development. At present, big data technology has made progress in agriculturalinformation acquisition, analysis, processing, services, and applied in the precise production decision, food security, miningconsumer’s demand, guide trade and market. Facing the difficulties of agriculture transformation and upgrading, both of technologyinnovation and organization innovation need to be formed. On the one hand, developing a data cross fusion, laying solid foundationof modern agricultural benchmark data, breaking an agricultural intelligent model analysis processing system and development andpromoting the continuous innovation in data service; On the other hand, setting up data consciousness, strengthening legislation, andimproving the governance structure on top of the data, in particular, to deal with data security and data sharing.Key words: big data; modern agriculture; transformation and upgrading; application3430 中 国 农 业 科 学 48卷0 引言在中国经济进入新常态，增速放缓背景下，农业面临如何继续强化基础地位、促进农民持续增收的重大课题；在国内生产成本快速攀升，大宗农产品价格普遍高于国际市场的“双重挤压”下，农业面临如何创新支持保护政策、提高农业竞争力的重大考验；在资源短缺，污染加重“双重约束”下，农业面临如何保障农产品有效供给和质量安全、提升农业可持续发展能力的重大挑战；在城乡资源要素流动加速、城乡互动联系增强、城镇化深入发展背景下，农业面临如何加快新农村建设步伐、实现城乡共同繁荣的重大问题。新常态、新背景下，这些系统性难题能否解决,直接关系到农业的转型升级和持续发展。纵观农业发展历史，农业每一次大的跨越都离不开基础科学的飞跃，孟德尔、摩尔根的遗传学理论和李比希的植物矿质营养学说的出现，推动了现代育种技术和农业化学技术的发展，给世界农业发展带来了第一次农业技术革命[1]。如今现代信息技术和生物技术成为了推动农业发展的新型主导力量。信息化和农业现代化成为“四化同步”战略的重要组成部分。但是农业现代化是“四化同步”中的短板，需要信息化这个新型杠杆的强力撬动。据相关研究测算，信息化投入（信息化发展指数）增长1.00%，GDP 增长1.14%，是资本投入贡献率的1.60 倍，是劳动投入的4.50 倍[2]。从1936 年图灵机的发明到1945 年冯·诺依曼机的出现，再到万维网的发明，人类仅仅用了几十年的时间就进入了IT 互联时代。而随着物联网、云计算、移动互联，“互联网+”等的发展，海量数据爆炸式增长，人类社会正在快步进入DT 大数据时代。信息化已经成为中国经济转型升级的重要力量，以大数据为代表的信息生产力已经成为支撑国家经济发展的新型动力。大数据时代的到来并非偶然发生，而是信息技术指数级发展，农业数字化不断推进的必然结果，信息化的基础是数字化，数字化过程中产生了大数据。首先，以互联网技术、传感感知技术、射频识别技术等为代表的现代信息技术的快速发展，使得数据的产生无处不在，无时不有，人类生产数据的能力空前加强；其次，信息技术的增长超越了线性约束，摩尔定律发挥了重要作用，18 个月左右计算性能提高一倍、存储价格下降一半、带宽价格下降一半，使得人类保存数据的能力显著增强；再次，随着联网用户和设备数量的急速攀升，联入网络的价值显著增加（梅特卡夫定律），进一步推动了信息技术的快速成长[3]，数据挖掘、机器学习等智能方法和算法的应用，使得数据的处理分析显著增强。可以这么说，大数据的应运而生得益于数据产生、存储和挖掘等一系列技术的升级。根据国际数据公司（IDC）预测，到2020 年，全球数据量将达到40 ZB。如果把物理客观世界看成一个维度，那么数据就是物理世界在另一个纬度信息空间上的映射和痕迹，物理世界的一切就都可以通过大数据反映出来。海量的数据在运动中形成了数据流，帮助我们更好的认识物理世界和我们自身。究竟什么是大数据呢？从学术界和企业界的定义来看，目前从数据特征出发对大数据进行定义的占据主流，认为大数据是涵盖规模（volume）、类型（variety）、价值（value）、速度（velocity）、精度（veracity）和复杂度（complexity）等基本特征的数据集及其相关的一系列技术体系[4-5]。从技术发展的角度来看，大数据是一个动态、复合、发展的概念，是一种未来发展的技术趋势，是一种科研范式的改变，是一种与材料和能源一样重要的新型战略资源。目前，互联网行业是大数据应用的领跑者，农业正在与大数据加速融合拓展。大数据已经得到政府、学术界和企业界普遍的重视，2015 年国务院相继发布《国务院办公厅关于运用大数据加强对市场主体服务和监管的若干意见》和《国务院关于积极推进“互联网+”行动的指导意见》。大数据发展的环境得到持续完善[6]。从技术发展的角度来看，大数据正在从热炒概念向实际应用转化，其发展前景依然广阔。根据Gartner 在2014 年发布的《技术成熟度曲线特别报告》（Hype Cycle Special Report），“数据科学”成为了新面孔，大数据相关技术的演进在未来一段时间内仍将展现出强大的生命力，相关市场的营收也将不断放大（图1）[7]。未来，数据资源将成为国家新型战略资源，数据能力将成为现代农业发展的新型力量和推动国家进步的新型竞争力。但同时值得注意的是，大数据在异构性、规模性、时间性、复杂性、隐私性等方面仍面临巨大挑战[8]，真正的科学大数据如农业科学大数据能在农业科学中发挥作用还有很长的路要走。1 大数据对现代农业发展的作用中国农业的根本问题是效率不高、效益不强、效能不够，原因在于各生产要素缺乏耦合效应，产业链衔接不紧，农业大系统循环性、协同性不够。这导致17 期 许世卫等：大数据推动农业现代化应用研究 3431图1 2014 技术成熟度曲线[7]Fig. 1 The hype cycle in 2014[7]了农业发展较为粗放，而这种粗放是与长期以来农业基准数据资源薄弱、数据结构不合理、数据细节程度不够、数据标准化、规范化水平差等原因紧密相连。随着物联网、云计算、移动互联等技术的突破，更多的数据得到收集，数据流动性得到了最大程度释放，数据分析和服务能力得到显著增强，大数据逐渐成为了农业生产的定位仪、农业市场的导航灯和农业管理的指挥棒。1.1 大数据是现代农业生产经营的“定位仪”中国要强，农业必须强。2014 年，中国粮食生产实现创纪录的“十一连增”，总产达到6 071 亿公斤。但这个“十一连增”代价很大，效率很低。中国农业从业人员2.7 亿，但劳动生产率仅为世界的64%；有效灌溉面积0.63 亿公顷，但农田灌溉水有效利用系数仅为0.52，远低于发达国家0.7—0.8 的水平；喷洒农药180 万吨，但利用率仅为35%，比发达国家低10个百分点；化肥施用折纯量5 900 万吨，但综合利用率大概在30%左右；农机总动力10.7 亿千瓦，农作物耕种收综合机械化水平达到61%，农业科技进步贡献率55.6%[9] ，但仍低于大多数发达国家（75%以上）。显然，这种拼资源、拼消耗的粗放发展方式在资源约束日益趋紧的情况下难以为继。今后要做强农业，依靠什么？靠土地？1.2 亿公顷耕地的红线已经岌岌可危。靠劳动力？十多年来农村劳动力减少了8 000 多万人，谁来种地成为新的问题。靠政策？最低收购价和临时收储政策在国内外市场价格倒挂的背景下，同样面临新的挑战。靠科技？单项科技面临边际效益递减的趋势。当前中国农业生产就像一艘巨型航母，外在装备都已具备，但是缺乏精准“定位和导航”，无法精准生产。中国已近30 年未组织全国性土壤肥力普查和肥料效益研究，对水资源的调查评估也较为欠缺。想要立足国土资源整体，布局优势生产区，但“家底”不清，基准数据缺乏。大数据的兴起，恰恰为改变这种困境找到了出路。农业大数据可以挖掘农业资源间的发展潜力、搭配关系和最佳使用途径，精确计算最优化配置模式，帮助农业实现生产需求变化与资源变化的深度耦合，做到农业“全要素、全过程、全系统”生产的一体化。依靠数据驱动，才能使传统农业从主要追求产量和依赖资源消耗的粗放经营转到数量质量效益并重、注重提高竞争力、注重农业科技创新、注重可持续的集约发展上来，才能走产出高效、产品安全、资源节约、环境友好的现代农业发展道路。1.2 大数据是现代农业市场消费的“导航灯”中国要富，农民必须富。2014 年农民增收实现“十一连快”，全年农民人均纯收入9 892 元，同比3432 中 国 农 业 科 学 48卷增长9.2%。但是与城镇居民相比，仍存在很大差距。从整体情况来看，中国一家一户的传统经营模式仍占主导地位，大市场小生产背景下，农产品“滞销卖难”仍然频繁出现，增产不增收，已渐成当前国内农业生产的头号杀手和影响农民增收的重要障碍。究其原因是信息滞后，信息利用程度不高，农业生产难以与市场对接，难以与消费匹配。一方面，农民缺乏需求信息，市场需要什么不知道，只能凭经验种植，上年什么赚钱种什么，结果扎堆种植，生产过剩，造成“滞销卖难”；另一方面，即使有信息，但是因为信息更新慢、推送不畅、针对性差，农民面对这些信息往往收不到、看不懂、用不上。据不完全统计，中国有3 000 多个涉农网站，国家发展改革委员会、农业部、商务部等纷纷建立了价格监测系统，但是实际利用效果仍待提高。大数据技术的兴起，在实时捕捉消费需求、跟踪市场变化、个性化推送等方面，为现代农业的发展开启了“导航灯”。近几年，电子商务、微商营销等大数据应用从星星之火发展到燎原之势。2014 年阿里平台上经营农产品的卖家数量达到76.21 万个，农产品销售483.02 亿元，同比增长69.83%[10]。农产品电子商务与大数据技术的融合正在成为农民增收的新业态，促使农业生产从“生产导向”向“消费导向”转变，帮助农民念好“山海经”、唱好“林草戏”、打好“果蔬牌”。1.3 大数据是现代农业管理决策的“指挥棒”当前，国内外农业环境发生了重大变化，中国与世界的联系日益一体化，中国已经成为农产品净进口国，但是中国农业市场信息数据资源研究与建设仍然滞后，大量“三农”信息的缺失、滞后、封闭严重制约了全球视角下开展农业管理决策的科学性、系统性、高效性和精准性。以农业部为例，截至2014 年5 月底，共有12 个司局和9 家部属事业单位直接开展农业信息监测统计工作，已经建立了21 套统计报表制度，针对75 项监测统计科目，每年开展300 张报表，5 万个（次）的指标调查，加上行业管理监测数据、农业地理空间数据，已经形成了复合型数据获取组织模式。但是随着社会主义市场经济体制改革的深入，也出现了诸如消费数据缺失，信息交叉重复、匹配性差，部门内外信息难以充分共享等问题，导致农产品价格大幅上涨或质量安全出现问题时，国际环境发生重大变化时，不能及时发现源头，不能迅速制定应急方案，以致于延误了解决事件的最佳时机。大数据时代要求数据做到公开共享，强调数据的挖掘和利用，数据只有在使用中才能产生巨大的价值。2012 年美国启动了“大数据研究与发展计划”，2013年启动了“从数据到知识到行动：建立新的伙伴关系”的大数据计划；日本和英国卡梅伦政府也相继启动了旨在促进大数据研究和应用的计划。强调数据驱动决策，用大数据支撑话语权，用大数据支撑决策权，真正把数据作为管理决策的指挥棒。中国要想在国际市场中掌握主动权，就必须抓紧建立数据采集、利用、共享的体系。2 大数据核心技术在农业领域的研究进展从各大IT 公司的大数据处理流程来看，基本上可以分成数据获取、数据存储、数据分析处理和数据服务应用等几大环节。农业作为信息技术的应用部门，其生产、流通、消费、市场贸易等过程，分别融入在大数据的流程之中，根据大数据的获取、分析处理和服务应用等方面开展了大量集成创新，取得了重要研究进展（图2）。图2 大数据分析流程图Fig. 2 The flow chart of data analysis17 期 许世卫等：大数据推动农业现代化应用研究 34332.1 大数据获取技术根据农业大数据来源的领域分类，大致可以分为农业生产数据、农业资源与环境数据、农业市场数据和农业管理数据[11]。针对不同领域的农业大数据，大数据获取技术主要包括感知技术[12]（传感器、遥感技术等）、识别技术（RIFD、光谱扫描、检测技术）、移动采集技术[13]（智能终端、APP）等。第一，感知技术主要是从不同尺度感知动植物生命与环境信息。在地域范围，重点考虑对地观测的资源宏观布局，需要遥感、便携式GPS 面积测绘仪、农业飞行器等；在区域范围，重点考虑动植物生长信息的时空变异性，需要基于WebGIS 的动植物生长信息的动态检测平台等；在视域范围，重点考虑动植物生态环境的复杂性，需要动植物营养、病害及周围环境污染信息的采集测试传感器；在个域范围，重点考虑动植物信息探测中环境因素干扰，需要动植物营养病害快速无损测试仪、活体无损测量仪等。第二，识别技术主要是针对农产品质量安全开展监测。包括食品安全溯源的RFID 技术[14-15]，主要保证农产品原料、加工、销售全环节的追踪可溯。农产品质量安全快速无损检测技术[16]，主要是应用红外光谱、X 射线、计算机视觉等无损检测技术在农产品品质分析、产地环境监测、农业投入品评价和商品流通监控等环节应用。第三，智能移动采集技术主要针对农产品市场、营销、管理信息的采集。如农信采[17]采集农产品价格信息，农业管理信息系统[18]的应用等。传统的大数据获取技术在材料选择、结构设计、性能指标上相对单一，如种植业中的传感技术只能测量气温、湿度、CO2 等信息，而随着物联网技术的发展，其传感器材料已经从液态向半固态、固态方向发展，结构更加小型化、集成化、模块化、智能化；性能也向检测量程宽、检测精度高、抗干扰能力强、性能稳定、寿命长久方向发展[19]，目前研发的一些传感器已经可以用来监测植物中的冠层营养状态、茎流、虫情等。未来中国的大数据获取技术改进的重点将是在信息技术与农业的作物机理、动物的行动状态和市场的实时变化紧密结合，将在提升信息获取的广度、深度、速度和精度上突破。2.2 大数据分析处理技术在大数据环境下，由于数据量的膨胀，数据深度分析以及数据可视化、实时化需求的增加，其分析处理方法与传统的小样本统计分析有着本质的不同。大数据处理更加注重从海量数据中寻找相关关系和进行预测分析。例如，谷歌做的流行病的预测分析[20]，亚马逊的推荐系统[21]，沃尔玛的搭配销售[22]，都是采用相关分析的结果。数据分析技术在经历了商务智能、统计分析和算法模型之后，目前进入到了大平台处理的阶段，主要是基于MapReduce、Hadoop 等分析平台[23]，同时结合R、SAS 等统计软件，进行并行计算。近两年来，内存计算逐渐成为高实时性大数据处理的重要技术手段和发展方向。它是一种在体系结构层面的解决办法，它可以和不同的计算模式相结合，从基本的数据查询分析计算到批处理和流式计算，再到迭代计算和图计算，目前比较典型的有SAP 的HANA，微软Trinity，UC Berkeley AMPLab 的Spark等。在农业领域，数据处理正从传统的数据挖掘、机器学习[24]、统计分析向着动植物数字化模拟与过程建模分析、智能分析预警模型系统等演进（如图3）。在生物学领域，大数据的分析作用已经凸显，基因测序，数字育种[25]已经采用了大数据算法和模型；作物模型方面，国际上获得广泛认可的通用作物生长模型有荷兰WOSOFT 系列，美国DSSAT 系列，澳大利亚APSIM 系列，FAO 的AQUACROP 等。在植物数字化模拟方面，国际上已经有了OpenAlea、GroIMP、VTP 等用于植物建模和分析的开源项目。农产品市场监测预警模型系统方面，具有代表性的是经合组织和联合国粮农组织（OECD-FAO）的AGLINK-COSIMO模型、FAO 全球粮食和农业信息及预警系统（GIEWS）、美国农业部（USDA）的国家-商品联系模型与美国粮食和农业政策研究所（FAPRI）的FAPRI模型和中国农业科学院农业信息研究所的CAMES 模型等。总体来看，由于农业生产过程发散，生产主体复杂，需求千变万化，与互联网大数据相比，针对农业的异质、异构、海量、分布式大数据处理分析技术依然缺乏，今后农业大数据的分析处理应该将信息分析处理技术与农业生理机理关键期结合、市场变化过程紧密结合。2.3 大数据服务应用技术目前大数据服务技术已在互联网广告精准投放、商品消费推荐、用户情感分析、舆情监测等广泛应用。在农业上，随着农业部“信息进村入户”工程、“物联网区试工程”、12316 热线、国家农业云服务平台等的建设和推动，中国的农业信息服务体系逐步得到完善，“三农”对信息的需求也更加迫切。3434 中 国 农 业 科 学 48卷原始数据：资源环境、生产、流通、消费、管理数据Raw Data: Resources and Environment, Production, Circulation, Consumption, Management数据导入： 提取-转换-加载Data Import: Extract-Transform-Load批处理Batch交互分析Transactional analysis流处理Stream processing数据存储 (Data Storage): SQL和No SQL数据挖掘 (Data Mining) (Data Warehouse, BI, OLAP, BPM) 作物生长机理Crop growthmechanism动物生长轨迹Animal growthtrajectory农产品市场规律Agriculturalproducts marketrule动植物数字化模拟、过程建模分析、智能分析预警模型系统Digital simulation of animals and plants, Process modeling analysis, Intelligent analysis of early warning system model可视化分析与呈现Visual analysis and rendering内存分析In-memoryanalytics图3 农业大数据分析流程图Fig. 3 Agricultural big data analysis process国际上有关农业信息服务技术的研究主要集中在农业专家决策系统、农村综合服务平台和农业移动服务信息终端、农业信息资源与增值服务技术以及信息可视化等方面[26]。国内近些年，先后开展了智能决策系统、信息推送服务、移动终端等。在大数据时代，针对农业产前、产中、产后各环节的关联，开发大数据关联的农业智能决策模型技术；针对大众普遍关注食品安全的状况，开发大数据透明追溯技术；针对农民看不懂、用不上等问题，结合移动通信技术、多媒体技术，开发兼具语音交互、信息呈现、多通道交互的大数据可视化技术。3 大数据在农业现代化发展中的应用成效大数据的应用，一方面可以全息立体反映客观事物，洞悉全样本数据特征，促进事物之间的深度耦合，提升效能；另一方面是通过数据间的关联特征，预测事物未来发展趋势，增强预见性。目前，从农业生产、经营、消费、市场、贸易等不同环节来看，大数据在精准生产决策、食品安全监管、精准消费营销、市场贸易引导等方面已经有了较为广泛的应用。3.1 发挥要素耦合效应，提升精准生产决策大数据的作用不仅仅在于更好发现自身价值，还在于帮助其他要素更好认识自身，发挥要素间耦合作用，提升他物价值，促进“价值双增”。国内外在改变农业粗放生产上，围绕气象预报、水肥管理、作物育种、病虫害预报、高效养殖等方面已经开展了大量的应用。美国天气意外保险公司（ The ClimateCorporation）利用250 万个采集点获取的天气数据，结合大量天气模拟、海量植物根部构造和土质分析等信息对意外天气风险做出综合判断。美国硅谷土壤抽样分析服务商Solum 利用软、硬件系统实现精准土壤抽样分析，给土壤“号脉开方”[27]。在中国农业部印发《2014 年种植业工作要点》中，要求各地推进配方肥到田和施肥方式转变，利用“大数据”与相关化肥生产企业合作推广配方肥。泰国、越南、印度尼西亚等国基于遥感信息与作物保险的监测计划（Remotesensing-based Information and Insurance for Crops inEmerging economies，RIICE）在水稻上得到广泛应用，通过采用欧洲航天局卫星实时获取水稻的生长数据，进行生长跟踪、产量预测[28]。美国农业部研究所开始在部分农场采用高光谱航空遥感影像和地面观测数据结合的方式进行面状病虫害监测，利用全球的病虫害17 期 许世卫等：大数据推动农业现代化应用研究 3435数据发现害虫的传播规律[29]。国际种业巨头如美国杜邦先锋、孟山都、圣尼斯公司及瑞士先正达等纷纷采用现代信息技术开展智能育种，加快“经验育种”向“精确育种”的转变[30]。在英国，大多数的养牛、养猪和养鱼场都实现了从饲料配制、分发、饲喂到粪便清理、圈舍等不同程度智能化、自动化管理。3.2 跟踪流通全程，保障食品安全质量受制于传统农产品流通渠道复杂，层级繁多，监管不透明，公众缺乏知情权和监督权，中国食品安全事件频发，给消费者造成了重大伤害。大数据技术的发展使得全面、多维感知农产品流通成为可能。目前，技术层面上，在产地环境、产品生产、收购、储存、运输、销售、消费全产业链条上，物联网、RFID 技术得到广泛应用，一批监测新技术如“食品安全云”和“食安测”等应用软件陆续开发[31]；制度层面上，中国利用大数据开展食品安全监管的力度不断加强，2015 年6 月国务院新出台了《关于运用大数据加强对市场主体服务和监管的若干意见》，明确提出建立产品信息溯源制度，对食品、农产品等关系人民群众生命财产安全的重要产品加强监督管理，利用物联网、射频识别等信息技术，建立产品质量追溯体系，形成来源可查、去向可追、责任可究的信息链条，方便监管部门监管和社会公众查询；商业层面上，阿里巴巴，京东商场等电商企业利用大数据保障食品溯源。如辽宁省大洼县盛产稻田米和稻田蟹，2015 年加入阿里农业满天星计划，开始农产品溯源探索，针对不同类型农产品的成长特点，通过二维码来承载产品名、产品特征、产地、种植人、生长周期、生长期施肥量、农药用量、采摘上市日期等不同的溯源信息。3.3 挖掘用户需求，促进产销精准匹配传统的农业发展思维更多关注生产，在乎的是够不够吃的问题，而在消费结构升级的情况下，应该转向怎么才能吃得健康，吃得营养。大数据在这方面正在驱动商业模式产生新的创新。利用大数据分析，结合预售和直销等模式创新，国内电商企业促进了生产与消费的衔接和匹配，为农产品营销带来了新的机遇。截止2014 年12 月，全国涌现了19 个淘宝镇，211 个淘宝村，以淘宝村为代表的农村电子商务正在深刻改变中国农村的面貌[32]，变革着中国传统农产品营销的模式。连锁型的社区生鲜超市M6 于2005 年前开始了数据化管理，物品一经收银员扫描，总部的服务器马上就能知道哪个门店，哪些消费者买了什么。2012 年，M6 的服务器开始从互联网上采集天气数据，然后，从中国农历正月初一开始推算，分析不同节气和温度下，顾客的生鲜购买习惯会发生哪些变化，进而实现精准订货、存储和精准配货[33]。未来还可以将食品数据，与人体的健康数据、营养数据连接起来，这样可以根据人体的健康状况选择适当的食物。3.4 捕捉市场变化信号，引导市场贸易预期市场经济中最重要的是信息，利用信息引导市场和贸易有助于控制国际市场话语权和掌握世界贸易主导权。以美国为例，其收集信息、利用信息的做法值得借鉴。19 世纪60 年代，为了弥补农村市场中出现的信息不对称，美国农业部在全国雇用了几万名监测员，形成了一个农情监测网络，每月定期发布各种农产品的交易情况和价格波动，同时通过免费邮寄、张贴海报的方式把信息送到各大农场。时至今日，美国已经形成了一套庞大、规范的农业信息发布体系，其定期发布的年度《农业中长期展望报告》、月度《世界农产品供需预测报告》和周度《农作物生长报告》[34]，成为引导全球农产品市场变化的风向标。美国的农民仅占全国人口的2%，但2%的农民不仅养活了3 亿多美国人，而且其农产品出口还位居全球第一。目前美国政府仍在致力于数据的开放和共享，创建了data.gov网站，链接到348 个农业数据集，提供政府采集的原始数据，供私人领域开发者分析数据、提出决策。与发达国家相比，中国的信息发布和数据利用仍有很大前进空间。2003 年起，农业部推出《农业部经济信息发布日历》制度，主要发布生产及市场经济信息。2014 年中国召开了中国农业展望大会，发布了《中国农业展望报告（2014—2023）》，结束了中国没有展望会议的历史，开启了提前发布市场信号、有效引导市场、主动应对国际变化的新篇章。在中国成为世界农产品进口大国的背景下，如何有效利用信息，把握市场和贸易话语权和定价权是必须修炼的功课。4 主要结论和建议4.1 主要结论大数据已经成为一种新兴的战略资源。大数据是一种以数据驱动农业现代化发展的新兴战略资源，通过与其他实体要素的耦合，能够进一步提高农业生产力。随着信息技术进步的加速，未来数据将同物质、能量一样，成为现代农业转型升级的重要动力。从目前的发展与应用来看，大数据仍是一个非常年轻而富有前景的研究领域，在资源效率提升、生产布局优化、产业安全监管、市场有效引导等方面已经展现了强大3436 中 国 农 业 科 学 48卷的能力。没有信息化就没有农业现代化，所以，要重视大数据时代的到来，加强理论与方法的深入研究，发挥大数据的驱动作用，助力信息化成为现代农业发展的制高点，帮助现代农业实现弯道超车。与此同时，我们也应该看到数据的爆炸，在创造重要机遇的同时也带来了巨大的挑战。大数据科学对数据模型、服务软件和系统能力建设等方面提出了挑战。开展适农大数据技术研究迫在眉睫。鉴于涉农数据的大量涌现，中国亟需开展以下技术研究：第一，多元数据标准融合技术。针对耕地、育种、播种、施肥、植保、收获、储运、农产品加工、销售、畜牧业生产等环节，针对数字、文字、视频、音频等不同格式、不同业务载体的海量数据，建立基准数据工程，整合成标准统一的数据源；第二，海量数据组织管理技术。完成海量数据的存储、索引、检索和组织管理，突破了农业异质数据转换、集成与调度技术，实现海量数据的快速查询和随时调用；第三，加强适农大数据分析挖据技术。围绕病虫害综合防治、粮食产量预测等重点领域，开展并行高效农业数据挖掘算法，建立智能机理预测分析模型；围绕农产品品种、气象、环境、生产履历、产量、空间地理、遥感影像等数据资源建立农业协同推理和智能决策模型；围绕农产品市场信息开展多品种市场关联预测技术和农产品市场预警多维模拟技术。4.2 相关建议农业从转型升级到迈向现代化，必然是一个漫长和艰难的过程，要推动其发展必须依靠技术创新和组织创新的双轮驱动。一方面，以大数据为核心，围绕数据学科与农业学科体系建设、基础理论研究、基准数据构建、智能模型研发、系统平台搭建，形成以大数据为核心的适合现代农业发展的技术系统体系；另一方面，要加强数据意识，完善数据立法，在保证信息安全的前提下实现数据开放共享。4.2.1 加强数据科学与农业科学的融合，完善数据科学理论方法体系 国内外实践表明，农业信息学科的新概念、新理论、新方法的创新，是引领农业信息技术重大变革，促使农业生产发生巨大飞跃的重要引擎。数据密集型科学成为科研的第四范式，将加速信息技术科学与现代农业相关学科的融合发展。但数据要形成一门科学还需要更加注重大数据的基础理论研究、科学方法创新，更加注重大数据学科体系的建设，目前国内外一些大学和研究机构已经开展了大数据专业，并且开始招生。今后应该在大数据生命周期、演化与传播规律，数据科学与农业相关学科之间的互动融合机制，以及大数据计算模型、作物模型与模拟、智能控制理论与技术、农业监测预警技术，大数据可视化呈现与精准化推送等方面加强研究，形成系统性、全面性、深入化的理论支撑。4.2.2 构建农业基准数据，夯实现代农业发展基础支撑 现代农业基准数据，是指现代农业建设过程中涉及的生产、经营、管理等各种活动所依赖的标准化、基础性、系统性数据。当前，中国农业数据尚存在农业基准数据资源薄弱、数据结构不合理、数据细节程度不够、数据标准化、规范化水平差等问题，针对这些问题，建议结合农业部大田长期监测工作，建立现代农业自然资源基准数据、现代农业生产基准数据、现代农业市场基准数据、现代农业管理基准数据。以基准数据建设为契机，制定和完善数据采集、传输、存储和汇交标准，对数据采集的内容、方式、时间、地点，数据传输的速率、方式、冗余和编码标准，数据存储格式、存储方式、存储安全、数据结构汇交方法以及数据汇交内容、汇交分类、汇交范围等制定标准和规范，只有这样，才能为现代农业发展决策提供坚实的基础支撑。4.2.3 加强智能模型系统研发，推动农业智能转型数据的处理和分析能力是大数据技术的核心。针对农业领域数据海量、分散、异构等现象而难以集成，不能挖掘其巨大潜在价值现状。重点开展农业大数据智能学习与分析模型系统关键技术研究，利用人工智能、数据挖掘、机器学习、数学建模、深度学习等技术，在充分理解农业领域知识的基础上，针对所要解决的实际问题，建立有效的数学模型对数据进行处理，并根据处理的结果对模型进行修正，以完成自主学习校正模型的过程，并利用最终形成的模型对海量数据进行处理，以进行预测，发现其中蕴含的模式和规律，辅助农业决策，实现决策的智能化、精确化和科学化。4.2.4 倡导数据开放，服务引领农业发展 数据的应用是大数据的最终目的，数据开放是社会管理创新的一种有效手段和助推器。目前，数据公开、软件开源与数据共享已经成为了全球发展的重要潮流[35]。数据的开放共享有助于新常态下中国农业的健康发展。以农产品为例，中国已经成为世界上最重要的农产品进口国，但是在很多品种上缺乏定价权和话语权，一个重要原因就是主要的贸易国对中国主要农产品的产量、面积，甚至消费、库存等情况甚至比我们还清楚，他们通过这些基本信息，了解到供求情况，摸清了我17 期 许世卫等：大数据推动农业现代化应用研究 3437们的底线，所以在国际贸易中我们总是处于被动地位。未来农业的发展，信息对市场的服务和引领是一门必修课。一是要加强数据立法，为农业信息公开提供法律保障；二是形成数据开发的体制和机制，保证在数据会商、开放标准、发布规范等方面的切实可行；三是以召开中国农业展望大会和发布中国农业展望报告为契机，形成具有中国特色的农产品监测预警和信息发布制度，最终通过数据的开放，为生产决策、市场监测、农业管理提供信息支撑，引领现代农业发展。References[1] 张润志, 王大生. 农业新技术革命与中国农业发展. 中国科学院院刊, 1998, 2: 113-117.Zhang R Z, Wang D S. New technology revolution of agriculture andChina’s agricultural development. Bulletin of Chinese Academy ofSciences, 1998, 2: 113-117. (in Chinese)[2] 杨培芳. 信息生产力发展前景及其重大影响. 边缘革命2.0, 2013.12Yang P F. Information productivity and its significant impact on thedevelopment prospects. Edge Revolution 2.0, 2013.12. (in Chinese)[3] 阿里研究院. 信息经济呈现十大浪潮. http://www.aliresearch.com/blog/article/detail/id/20046.htmlAli Research. Information economy presents ten wave. http://www.aliresearch.com/blog/article/detail/id/20046.html (in Chinese)[4] Manyika J, Chui M, Brown B, Bughin J, Dobbs R, Roxburgh C, HungByers A. Big data: The next frontier for innovation, competition, andproductivity. http://www. mckinsey. com/Insights/MGI/Research/Technology_and_Innovation/Big_data_The_next_frontier_ for_innovation.[5] Hey T. The Fourth Paradigm–Data-Intensive Scientific Discovery.E-Science and Information Management. Berlin: Springer BerlinHeidelberg, 2012: 1-1.[6] GigaOM. Putting Big Data to Work: Opportunities for Enterprises.2011.3 http://en.wikipedia.org/wiki/Big_data[7] http://www.jifang360.com/news/2014822/n693761045.html[8] 工信部电信研究院大数据白皮书(2014 年). http://www.cctime.com/html/2014-5-12/20145121139179652.htmBig Data White Paper of Telecommunications Research Institute ofMIIT. http://www.cctime.com/html/2014-5-12/20145121139179652.htm (in Chinese)[9] 李家洋. 2014 年我国农业科技进步贡献率达56%. 新华网.http://big5.qstheory.cn/gate/big5/news.xinhuanet.com/legal/2015-01/28/c_127428873.htmLi J Y. China's agricultural science and technology contribution rate of56% in 2014. Xinhuanet. http://big5.qstheory.cn/gate/big5/ news.xinhuanet.com/legal/2015-01/28/c_127428873.htm (in Chinese)[10] 阿里农产品电子商务白皮书（2014）. http://www.aliresearch.com/blog/article/detail/id/20459.htmlAli agricultural e-commerce White Paper (2014). http://www.aliresearch. com/blog/article/detail/id/20459.html (in Chinese)[11] 许世卫. 农业大数据与农产品监测预警. 中国农业科技导报, 2014,16(5): 14-20.Xu S W. Agricultural big data and monitoring and early warning ofagricultural products. Journal of Agricultural Science and Technology,2014, 16(5): 14-20. (in Chinese)[12] 姚元森, 廖桂平, 赵星, 陈艳, 赵丽敏, 雷梦龙. 农作物生长环境信息感知技术研究进展. 作物研究, 2013, 27(1): 58-63.Yao Y S, Liao G P, Zhao X, Chen Y, Zhao L M, Lei M L. Reseachprogress of crop growth environment information perceptiontechniques. Crop Reseach, 2013, 27(1): 58-63. (in Chinese)[13] 罗锡文, 臧英, 周志艳. 精细农业中农情信息采集技术的研究进展. 农业工程学报, 2006, 22(1): 167-173.Luo X W, Zang Y, Zhou Z Y. Reseach progress in farming informationacquisition technique for precision agriculture. Transactions of theChinese Society of Agricultural Engineering, 2006, 22(1): 167-173.(in Chinese)[14] 杨天和, 褚保金. “从农田到餐桌”食品安全全程控制技术体系研究.食品科学, 2005, 26(3): 264-268.Yang T H, Zhu B J. Study on comtrol system of food safety farm totable. Food Science, 2005, 26(3): 264-268. (in Chinese)[15] 侯春生, 夏宁. RFID 技术在中国农产品质量安全溯源体系中的应用研究. 中国农学通报, 2010, 26(3): 296-298.Hou C S, Xia N. RFID technology in the application of China'sagricultural product quality safety traceability system research.Chinese Agricultural Science Bulletin, 2010, 26(3): 296-298. (inChinese)[16] 潘立刚, 张缙, 陆安祥, 马智宏, 韩平. 农产品质量无损检测技术研究进展与应用. 农业工程学报, 2008, 24(S2): 325-330.Pan L G, Zhang J, Lu A X, Ma Z H, Han P. Review on non-destructivedetermination technology for agricultural product quality.Transactions of the Chinese Society of Agricultural Engineering, 2008,24(S2): 325-330. (in Chinese)[17] Xu S W, Kong F T, Li Z M, Li Z Q, Zhang Y E, Lv Y, Tian Z W, WangD J, Yu H P. Design and implementation of portable agriculturalproduct holographic market information collection terminal. AdvancedMaterials Research, 2013, 2162(628): 359-366.[18] 刘忠. 中国农业管理信息系统发展现状、问题、趋势与对策. 农业3438 中 国 农 业 科 学 48卷工程学报, 2005, 21(S1): 201-206.Liu Z. Status, questions, trend and strategy of management informationsystem for agriculture in China. Transactions of the Chinese Society ofAgricultural Engineering, 2005, 21(S1): 201-206. (in Chinese)[19] 中国传感器产业发展白皮书. 2014. http://www.iotcn.org.cn/uploadfile/2014/1024/20141024034220988.pdfChina's white paper of sensor industry development. http://www.iotcn.org.cn/uploadfile/2014/1024/20141024034220988.pdf (in Chinese)[20] Lazer D, Kennedy R, King G, Vespignani A. The parable of GoogleFlu: Traps in big data analysis. Science, 2014, 343 (6176): 1203-1205.[21] Linden G, Smith B, York J. Amazon.com recommendations:Item-to-item collaborative filtering. Internet Computing, Institute ofElectrical and Electronics Engineers, 2003, 7(1): 76-80.[22] Waller M A, Fawcett S E. Data science, predictive analytics, and bigdata: a revolution that will transform supply chain design andmanagement. Journal of Business Logistics, 2013, 34(2): 77-84.[23] Chen H, Chiang R H L, Storey V C. Business Intelligence andAnalytics: From Big Data to Big Impact. MIS quarterly, 2012, 36(4):1165-1188.[24] Ma C, Zhang H H, Wang X. Machine learning for Big Data analyticsin plants. Trends in plant science, 2014, 19(12): 798-808.[25] Marx V. Biology: The big challenges of big data. Nature, 2013,498(7453): 255-260.[26] 陈威, 郭书普. 中国农业信息化技术发展现状及存在的问题. 农业工程学报, 2013, 29(22): 196-205.Chen W, Guo S P. Current situation and existing problems ofagricultural informatization in China. Transactions of the ChineseSociety of Agricultural Engineering, 2013, 29(22): 196-205. (in Chinese)[27] 大数据吹响智慧农业的号角. http://www.china-cloud.com/yunzixun/yunjisuanxinwen/20130807_21011.htmlBlowing the wisdom agriculture horns of big data. http://www.chinacloud.com/yunzixun/yunjisuanxinwen/20130807_21011.html (in Chinese)[28] Sonka S, IFAMR I. Big Data and the Ag sector: More than lots ofnumbers. International Food and Agribusiness Management Review,2014, 17(1): 1.[29] Garrett K A. Agricultural impacts: Big data insights into pest spread.Nature Climate Change, 2013, 3(11): 955-957.[30] 康乐, 王海洋. 我国生物技术育种现状与发展趋势. 中国农业科技导报, 2014, 16(1): 16-23.Kang L, Wang H Y. Status and prospect of agrobiotechnology- basedbreeding in China. Journal of Agricultural Science and Technology,2014, 16(1): 16-23. (in Chinese)[31] 形成全国首朵“食品安全云”贵州利用大数据保群众舌尖上的安全.http://gzrb.gog.com.cn/system/2014/12/18/013983006.shtmlAs the first cloud of “food safety”, Guizhou use big data to protect thefood safety. http://gzrb.gog.com.cn/system/2014/12/18/013983006.shtml (in Chinese)[32] 全国淘宝村增至211 个, 阿里推出淘宝村三大扶持措施.http://www.aliresearch.com/blog/article/detail/id/20048.htmlThe taobao village increased to 211 in the country, Ali launchedtaobao village three supportive measures. http://www.aliresearch.com/blog/article/detail/id/20048.html (in Chinese)[33] 生鲜超市M6 的大数据实验. http://tech.ccidnet.com/art/40911/20130513/4927167_1.html. 2013-05-13The big data experiment of fresh supermarket M6. http://tech.ccidnet.com/art/40911/20130513/4927167_1.html. 2013-05-13 (in Chinese)[34] 许世卫. 美国农产品信息分析预警工作考察报告. 农产品市场周刊, 2012 (21): 58-60.Xu S W. US agricultural information analysis and early warninginvestigation report. Agricultural Market Weekly, 2012(21): 58-60. (inChinese)[35] 诸云强, 孙九林, 王卷乐, 杨雅萍. 论地球数据科学与共享. 国土资源信息化, 2015, (1): 3-9.Zhu Y Q, Sun J L, Wang J L, Yang Y P. Study on Earth data scienceand data sharing. Land and Resources Informatization, 2015, (1): 3-9.(in Chinese)（责任编辑 张晶，杨鑫浩）