農業大數據的專屬特征及應用現狀探討

楊一豐　蔣思凱　蔣雅茜　蔣猛　何培祥　唐章林

摘? ?要? ?大數據因其所擁有的巨大潛在價值，已經成為現代科技研究和應用的重點和熱點。從大數據產生背景出發，以大數據和農業大數據特征解析為切入點，闡述了農業大數據在國內外的發展現狀和農業大數據含義的不同表現形式，分析了農業大數據與一般大數據不同的8個專有特征，對大數據在農業育種、栽培和病蟲害防治中的應用成效進行了評述。

關鍵詞? 大數據;農業大數據;特征解析;應用研究;進展

中圖分類號：S126? ?文獻標志碼：C? ?DOI：10.19415/j.cnki.1673-890x.2019.22.026

1 大數據概念的形成與發展

21世紀全球進入了大數據時代。未來學家、社會思想家托夫勒在他的巨著《第三次浪潮》中首次提出了大數據的理念，為今后人們的研究奠定了基礎[1]。《Nature》和《Science》分別在2008年和2011年出版了大數據專刊，可見大數據對社會發展的巨大推動作用。2012年達沃斯世界經濟論壇上發表全球信息技術報告，認為大數據是這個時代的新寶藏，是復蘇經濟的新手段，是數據全球化的新紐帶。2012年美國公布了大數據研發計劃，2013年英國發布了《英國農業科技戰略》，2013年日本公布了《信息通信白皮書》[2]。

2013年中國政府把發展大數據技術寫入“十二五”規劃當中，并把它列入863計劃，設置立項了5個大數據項目[3]。中國計算機學會大數據專家委員會主編的《中國大數據技術與產業發展白皮書》于2013年正式出版，2014年該專家委員會又出版了《中國大數據技術產業發展報告》，讓更多的人了解了大數據時代背景下各相關產業的發展前景[4]。經過近5年的發展，大數據應用于我國的行政管理、公共安全、交通運輸、經濟、互聯網營銷、教育等眾多領域，在數據挖掘應用、大數據可視化分析、大數據平臺構建等方面的研究與應用方興未艾[5]。

由于大數據的定義尚無統一的標準，導致對大數據的定義的理解有多種表現形式。McKinsey咨詢公司的定義是：大數據是一些巨大數據的集合，在規定時間內采用傳統數據分析軟件工具無法對數據內容完成采集、存儲、管理和分析[6]。維基百科的定義與之近似，表述為：大數據所涉及的資料量規模巨大，是無法通過當前主流軟件工具，在適宜時間內達到采集、管理和處理的數據集。大數據是具有大量（Volume）、高速（Velocity）和多樣（Variety）的“3V”特征[7]，新一代的信息技術架構和基礎設施，可以通過快速（Velocity）的數據采集、處理、分析，從大量（Volumes）、多樣（Variety）的數據中發現和提取有價值（Value）的信息數據（4V特征）[8]，其中大數據的真實性（Veracity）是實現數據分析、應用的前提[9]。因此，大數據之大的關鍵不只是在于容量，還在于它對海量數據的交換、整合、分析和使用，從而去發現新的知識和規律，創造新的價值和內容，帶來“大知識”“大科技”“大利潤”和“大發展”[10]。

2 大數據的“5V”特征

大數據理念的產生、概念的形成與完善以及大數據技術的廣泛應用，已經經歷了近40年的發展，“5V”特征概念逐漸明晰起來。

2.1 大量（Volume）

大量是大數據所具有的最顯著特征之一。數據每時每刻都在產生、無處不在。互聯網數據中心（Internet Data Center，IDC）研究報告說，2011年全球數據總量已經達到1.8 ZB，超過人類有史以來所有印刷材料的數據總量（200 PB），預計到2020年，全球電子存儲數據量將達32 ZB[11]。

2.2 高速（Velocity）

大數據的高速不僅表現在數據量增長的速度快，對數據處理的速度也快，還表現在數據更新的速度也非常之快。如淘寶每天的交易量超過數千萬筆，新浪微博每分鐘都會發出數萬條微博[12]，以及股市行情的數據變化瞬息萬變，稍不留神就會錯過入股、拋售的最佳交易時機。

2.3 多樣性（Variety）

大數據的多樣性表現在數據類型和形態上，既有傳統的關系數據類型，也有以網頁、視頻、音頻、圖片等未加工的、半結構化的和非結構化的數據[13]。數據對象、數據來源、數據維度、數據的利用和數據最終產生價值等方面，都表現出多樣性的特征。

2.4 價值（Value）

大數據特征里最關鍵的一點就是價值。數據總量越大，其中的有效信息可能越多，但是數據總量與其中的有價值的信息不一定正相關。如在攝像頭的連續監控記錄中，其有用的信息可能僅有一兩秒。

2.5 真實（Veracity）

采集、儲存到的數據，必須具有真實性，只有真實而準確的數據才能通過對其海量、混雜的數據進行高速分析，幫助人們做出正確的決策，使得數據的運用、管控和治理產生真正的意義。

3 農業大數據的專屬特征

我國是一個農業大國，農業是國民經濟的命脈。農業領域是大數據產生的無盡源泉，具有浩大的數據基礎，包括了農業資源環境數據、農業生態環境數據、農業生物數據、農資數據、農業技術數據、農業生產數據等[14]。因此，利用大數據技術推動農業發展對于建設現代化農業具有十分重要意義。

3.1 農業大數據含義

對農業大數據的認識，也是一個由淺入深的漸進過程。在初期，有的專家認為，農業大數據是在大數據分析的基礎上，運用大數據理念、技術和方法，對農業領域中跨行業、跨專業的數據進行處理過程[15]。也有的專家認為，農業大數據是指在農業以及涉農相關領域所產生的全樣本不同類型數據的集合[16]。這些是對農業大數據的初步認識，難免還有些不夠全面。

王文生[17]基于更深層次的思考后認為，農業大數據是現代信息技術持續發展而產生的一種計算機技術在農業領域應用的高級階段，它是多樣性海量農業數據的抽象描述，是農業全產業鏈農業數據大集中的有效工具，是提取農業數據價值、擴大農業數據信息消費、促進農業經濟轉型升級、加快農業現代化的必經過程。

郭雷風[14]從另外的4個維度表述了他對農業大數據含義的理解：農業大數據是現代信息采集技術在農業產業鏈過程中的廣泛使用，是跨領域、跨行業、跨學科農業綜合數據集成共享平臺，是農業數據存儲與管理的重要形式，是農業產業鏈上各個環節或各個元素達成競爭與合作的平衡，是大數據協同效應的更好體現。

因此，由于對農業大數據研究與應用的目的、對象、功能、作用等角度的不同，目前描述的農業大數據定義也不盡相同。但是，農業大數據的大量、多樣、高速、真實和對產業發展的巨大價值的認識是基本一致的。

3.2 農業大數據的專屬特征

農業大數據除了具備一般大數據的特征以外，還具有泛在性、周期性、地域性、社會性、交叉性、多變性、綜合性和分散性8個特征[18]。

3.2.1 泛在性

農業與人類社會相伴發展，餐桌上的任何食材都是由農業原始產品加工而成，畜禽產品、五谷雜糧、水果蔬菜、田間生產、企業加工和市場銷售等，到處都有農業元素的體現，任何地方都是農業大數據的源頭之一，農業大數據無處不在。

3.2.2 周期性

農業生產中的動植物，受自然因素的影響，其生長都遵循有一定的規律，隨季節變化而具有周期性。因此，農業大數據將隨動植物生產周期的變化而呈現出一定的周期規律性。

3.2.3 地域性

不同的動植物生產，需要的自然資源條件是不同的。不同地域的地理位置、地形地貌、水分、熱量、土質等自然條件、生態環境以及社會經濟、技術條件和商貿環境等各不相同，因此農業大數據表現出突出的地域性特征。

3.2.4 社會性

我國每年的1號文件都是關于農業的。農業是國家政治、經濟和社會穩定的基石，農業數據是農業生產、生活、運輸、貿易的集中體現，它的變化就是整個社會狀態變化的反光鏡。

3.2.5 交叉性

農業大數據包含了品種選育、耕作技術、管理措施等作物生產的全過程，這些過程又受到氣象、資源、環境、市場、運輸、安全等的綜合影響。農業大數據呈現出跨行跨業，交叉影響的特征。

3.2.6 多變性

農業產業鏈上的每個環節都受眾多復雜因素的影響，使得農業大數據時時刻刻都可能發生變化。在不同的時間和空間尺度下，農業氣象數據、農產品價格數據、農業生產環境數據等等，差異性非常之大。

3.2.7 綜合性

農業數據的相互關聯性特征非常顯著。一個數據往往直接或間接地與多個數據相關和相互作用。大家熟悉的作物產量數據實際上是品種、土壤、氣候、農藝管理等數據的綜合體現，其農產品價格數據實際上是農業市場政策、農業生產狀況與農村經濟水平和社會供需平衡等的綜合反映。

3.2.8 分散性

事實上，農業大數據在數據的采集和組織方面都是分散的，相互關聯而又完整的數據不多見。不同環節的農業數據可能分別屬于政府、科研、高校、企業等不同的單位，也可能分散在科研、生產、流通、加工、儲藏和消費的各個生產流通過程中。

4 農業大數據的發展概況

農業大數據已經引起全球的高度重視。英國在頒布的《英國農業技術戰略》中強調，大數據能推動農業的巨大發展，農業大數據的開放問題在國際論壇上得到了廣泛的討論;2015年，美國聯邦農業部開放了土壤實時數據，幫助農民隨時獲取與農場生產相關的數據[14]。利用大數據服務農業生產方面，法國、德國[19-21]和美國[22]都在運用農業大數據服務農業;利用分析氣象大數據預測災害，為農民推薦購買適宜的保險[23]。國外的農業大數據已基本上形成了規范、精準、智能的應用格局。

眾多科學家相繼開展有關農業大數據的研究，并發表了研究結果，認為大數據將對精準農業的發展產生深刻影響[24]，將為解決農業問題提供更好的服務[25]，預測天氣防災害，提高農作物產量和質量[26]，利用多元線性回歸等數據挖掘技術進行農業數據的利用[27]。

我國十分重視農業大數據的發展。山東農業大學成立了第一個農業大數據產業技術創新戰略聯盟[23]。溫孚江高興地觀察到，盡管我國大數據研究起步晚了一點，但農業大數據的研究卻遙遙領先[15]。許世衛認為，未來農產品監測預警發展的重要趨勢就是將大數據在農產品監測預警領域進行廣泛的應用[28]。孫忠富等分析了大數據在農業上的需求、主要應用領域及其在智慧農業中的關鍵地位[29]。柳平增認為我國渤海糧倉科技示范工程大數據平臺建設與投入使用就是農業大數據平臺在智慧農業中的具體應用典范[30]。

5 農業大數據的重點應用領域

5.1 在農業育種領域的應用

常規農業育種技術主要是通過化學、物理和種間雜交等技術手段來獲取子代的農業優選性狀，但育種時間長和選擇準確性低是嚴重降低育種效率的兩個重要因子。DNA重組和基因編輯技術的運用，極大地縮短了作物優良品種的選育時間，提高了目的性狀的育種精確性。因此，一大批抗病蟲且高產優質的優良品種不斷產生，農業大數據在其中起到了關鍵的作用[31]。

隨著高通量技術的廣泛運用和從成本降低，DNA芯片和二代測序技術已成為新品種選育的先進方法。海量基因組資源和基因標記資源，使得性狀圖譜和分子標記育種更加便捷[32]。同時，父系、母系和子系的群體都可以進行低成本高效率地測序，大大增加了優良性狀的識別率[33]。農業育種性狀，大多是由多基因控制，農業大數據可以利用國際高通量數據，對有價值的單核苷酸做分子標記，從而建立SNP標記數據庫，有利于快速篩選到目的基因片段[34]。根據完整的基因組信息和清楚的分子標記，就可以運用鋅指核酸酶技術[35]、TALEN系統[36]和基因編輯技術Cas9[37]改變基因組結構，快速獲得目的性狀，縮短育種時間。當然，這也是現代農業育種面臨的核心研究技術。

5.2 在農業栽培領域的應用

農業栽培已經從群體監控向單體監控的精細化管理轉變。“精準農業”的概念應運而生。運用小型電子傳感器，可以追蹤單粒種子的生長環境、種植技術、農藝管理、收獲儲藏等過程，為農民、農業管理員提供有價值的信息。農戶可通過手機APP輕松地達到實時了解土壤質量、選定高收益品種，獲取最優施肥方案、決定最佳收獲時間等目的[38]。

5.3 在農業病蟲害防治領域的應用

隨著全球貿易的增加，農業病蟲害日益全球化，并具有種類多、影響大、暴發成災的特點，農業和農產品受到病蟲害的影響越來越嚴重，成為全球主要的農業災害之一，它的發生范圍和嚴重程度對全球經濟、特別是農業生產常造成重大損失。農業大數據在農作物病蟲害測控預警上的應用成為現代農業農作物病蟲害監測防治的重要決策依據。

2013年美國迪爾公司開始使用一種新的傳感器系統來實時監控病蟲害狀況。將傳感器收集到的信息存儲在農業大數據中，與挖掘的其他農業生產參數一起進行分析，預測病蟲害的發生，監測病蟲害發生實況，提供有效的防控措施，最大限度地降低病蟲害造成的經濟損失，增加農業產量和農業收益。

生物殺蟲、殺菌劑是防治農業病蟲害的有效措施，這些生物藥劑主要是作用在基因水平上，對環境友好。RNAi保護環境、殺死害蟲，可以起到生物防治的作用[39]。農業大數據存儲的高通量數據可以作為挖掘有用信息的來源，利用這些信息深入開展農業病蟲害機理的研究[40]，開發新的有效的生物防控技術。

6 結束語

大數據因為所擁有的巨大潛在價值，已經成為了現代科技研究和應用的重點和熱點。大數據在農業領域的應用還處于摸索期，雖然概念和方向都比較明確，但是許多核心技術并未實現實踐應用，需要更多這種既懂農業技術又懂信息技術的跨專業人才。只有真正的理解了大數據技術的核心點，才能在農業政策制定、農業生產管理、農業栽培育種、病蟲害預警預報、產量質量改善、產品效益提高等方面充分發揮大數據優勢。大數據對推動農業的革命性進步作用巨大，農業大數據的應用前景十分廣泛，將是下一個創新、競爭和生產力的前沿。

參考文獻：

[1] 阿爾文.托夫勒.第三次浪潮[M].黃明堅譯.北京：中信出版社，2006.

[2] 王文生，郭雷風.關于我國農業大數據中心建設的設想[J].大數據，2016，2（1）：28-34.

[3] 天津大學.863項目“面向大數據的先進存儲結構及關鍵技術”啟動會[EB/OL].[2013-04-01].http：∥cs.tju.edu.cn/xwzx/xwdt/20130401103608433EtH.shtml.

[4] 梁吉業，馮晨嬌，宋鵬.大數據相關分析綜述[J].計算機學報，2016，39（1）：1-18.

[5] 王一鶴，楊飛，王卷樂，等.農業大數據研究與應用進展[J].中國農業信息，2018，30（4）：48-56.

[6] Manyika J， Chui M， Brown B， et al. Big data： The next frontier for innovation， competition， and productivity[J]. McKinsey Global Institute， 2011： 1-137

[7] Laney D. 3D data management： controlling data volume， velocity， and variety[J]. Application Delivery Strategies， 2001.

[8] Gantz J， Reinsel D. Extracting value from chaos[J]. IDC iView， 2011： 1-12

[9] IBM. What is big data？ [EB/OL].[2014-03-19]. http：//www901.ibm.com/software/data/bigdata.

[10] 涂子沛.大數據[M].桂林：廣西師范大學出版社，2012：54-58.

[11] 陳如明.大數據時代的挑戰、價值與應對策略[J].移動通訊：2012中國國際信息通訊展專刊，2012（17）：14-15.

[12] 劉智慧，張泉靈.大數據技術研究綜述[J].浙江大學學報（工學版），2014，48（6）：957-972.

[13] 陶雪嬌，胡曉峰，劉洋.大數據研究綜述[J].系統仿真學報，2013，25（S1）：142-146.

[14] 郭雷風.面向農業領域的大數據關鍵技術研究[D].北京：中國農業科學院，2016.

[15] 溫孚江.農業大數據研究的戰略意義與協同機制[J].高等農業教育，2013（11）：3-6.

[16] 宋長青，柳平增，任萬明，等.實施現代農業大數據工程的理性思考[J].中國現代教育裝備，2016（15）：111-114.

[17] 王文生，郭雷風.農業大數據及其應用展望[J].江蘇農業科學，2015，43（9）：1-5.

[18] 吳重言，吳成偉，熊燕玲，等.農業大數據綜述[J].現代農業科技，2017（17）：290-292，295.

[19] Chute C， Ullman- Cullere M， Wood G. Some experiences and opportunities for big data in translational research[J]. GENETICS in Medicie， 2013，15（10）： 802-809.

[20] Gu M， Li XP， Cao YY.Optical storage arrays： a perspective for future big data storage. Light Science & Applications[J]. 2014，58：1-11.

[21] Haluk D， Dursun D. Leveraging the capabilities of service-oriented decision support systems： putting analytics and bigdata in cloud[J]. Decision Support Systems， 2013， 55： 412-421.

[22] 溫孚江，宋長青.農業大數據應用、研究與展望[J].農業網絡信息，2017（5）：31-36.

[23] 張浩然，李中良，鄒騰飛，等.農業大數據綜述[J].計算機科學，2014，41（11A）：387-392.

[24] Russo J. Big Data & Precision Agriculture[M]. PrecisionAg， 2013.

[25] Srinivasulu P， Babu MS， Venkat R， et al. Cloud service oriented architecture （CSoA） for agriculture through internet ofthings （IoT） and big data. IEEE International Conference on Electrical， Instrumentation and Communication Engineering[C]. IEEE， 2017： 1-6.

[26] Bendre MR， Thool RC， Thool VR. Big data in precision agriculture： Weather forecasting for future farming. International Conference on Next Generation Computing Technologies[C]. IEEE， 2016： 744-750.

[27] Majumdar J， Naraseeyappa S， Ankalaki S. Analysis of agriculture data using data mining techniques： application of bigdata[J]. Journal of Big Data， 2017， 4（1）： 20.

[28] 許世衛，王東杰，李哲敏.大數據推動農業現代化應用研究[J].中國農業科學，2015，48（17）：3429-3438.

[29] 孫忠富，杜克明，鄭飛翔，等.大數據在智慧農業中研究與應用展望[J].高中國農業科技導報，2013，15（6）：63-71.

[30] 柳平增.農業大數據平臺在智慧農業中的應用——以渤海糧倉科技示范工程大數據平臺為例[J].高科技與產業化，2015（5）：68-71.

[31] Lusser M， Parisi C， Rodr íguez-Cerezo E. Deployment of new Biotechnologies in plant breeding[J]. Nature Biotechnology， 2012， 30（3）： 231-239.

[32] Fox JL. Mars collaborates to sequence Africas neglected food crops[J]. Nature Biotechnology， 2013， 31（7472）： 415.

[33] Varshney RK， Nayak SN， May GD， et al. Next generation sequencing technologies and their implications for crop genetics and breeding[J]. Trends in Biotechnology， 2009， 27（9）： 522-530.

[34] Wilkinson PA， Winfield MO， Barker G ， et al. CerealsDB 2.0： an integrated resource for plant breeders and scientists. BMC Bioinformatics[J]. 2012， 13（3）： 219.

[35] Urnov FD， Rebar EJ， Holmes MC， et al. Genome editing with engineered zinc finger nucleases[J]. Nature Reviews Genetics， 2010， 11（9）： 636-646.

[36] Bedell VM， Wang Y， Campbell JM， et al. In vivo genome editing using a high-efficiency TALEN system[J]. Nature， 2012， 491（7422）： 114-118.

[37] Mali P， Esvelt KM， Church GM. Cas9 as a versatile tool for engineering biology[J]. Nature Methods， 2013，10（10）： 957-963.

[38] 孫曉勇，劉子瑋，孫濤，等.大數據在農業研究領域中的應用與發展[J].中國蔬菜，2015，1（10）：1-5.

[39] Wang YB， Zhang H， Li HC， et al. Second-generation sequencing supply an effective way to screen RNAi targets in large Scale for potential application in pest insect control[J]. PloS One， 2011， 6（4）： e18644.

[40] Rafiqi M， Ellis JG， Ludowici VA， et al. Challenges and progress towards understanding the role of Effectors in plant-fungal interactions[J]. Current Opinion in Plant Biology， 2012，15（4）： 477-482.

（責任編輯：敬廷桃）