
农业监测预警迈入大数据新时代
春天应该种什么?秋天卖什么能赚钱?买什么生产资料最实惠?市场价格如何变化?哪些农产品短缺和过剩了?这些都是农业生产者和经营者最关心的问题。
而政府和涉农部门则关注扶贫、管理、农业支持服务、风险预测与评估,以及贸易情况。
这些不同的农业主体想的问题都能在农业大数据和农业监测预警研究中找到答案。农业部市场司赵卓处长告诉《中国科学报》记者,近年来农业部建立了覆盖主要农产品的市场监测体系,以及18个主要农产品的供需分析机制,连续4年发布中国农业展望报告,中国农产品监测预警系统(CAMES)逐步建成,专家和分析师队伍逐步壮大,影响力不断提升。
但与发达国家相比还有不小差距,需要根据新时代要求进一步完善。近日,“全国农业大数据与监测预警学术研讨会”在江苏扬州举行,中国农学会科技情报分会理事长、农业部市场预警专家委员会秘书长许世卫希望,这次会议能进一步认识建设现代农业、实施乡村振兴战略对农业监测预警的重大需要,凝练科学技术问题,形成农业监测预警新的技术方向,为促进农业农村经济发展、质量提升、效率变革、动力转换发挥技术作用。
据悉,研讨会由中国农学会科技情报分会主办,扬州大学农学院承办。农业部市场司、农业部科教司、江苏省农委、扬州大学等领导和相关专家170多人参加会议。
农业大数据无处不在
“我是研究作物栽培出身,时刻与大面积生产、大数据稻麦诊断调控打交道、作研究、搞推广。作物种植面积与田块分布、水土资源状况、药肥使用情况、农机作业状况、粮食总产与单产、粮食物流加工与消费等,均有大数据的应用。”中国工程院院士、扬州大学教授张洪程说,准确的客观的农业大数据中,蕴含着潜在的有用的大信息,是党和政府科学决策的基础与重要参考,也是科技工作者坚持问题导向、需求导向开展科技创新研究的驱动因子。
在农业供给侧结构性改革这一新时代背景下,农业已从片面追求“量”的稳步增长逐步转向“质”的有效供给,为新时期大数据研究带来了新机遇与新挑战。张洪程认为,“质”的供给研究比“量”的供给研究要求更高。例如,为解决粮食安全,我国长期以来十分注重水稻高产品种选育与栽培,随着农业科技的发展,生产效率的追求与消费需求的转变,水稻优质品种选育,与绿色优质高效栽培已成为重大需求。基于农业大数据与监测预警,掌握国家、省、市等不同尺度的优质水稻种植区域、种植面积、种植比例、品质等级、清洁生产状况等大数据,于政府而言可明晰推进举措,于种子企业而言可明晓市场格局,于稻米企业而言可精准知晓主体产地,于消费者而言可精准下单订购。
此外,张洪程强调,在农民数量下降、新型农业经营主体快速崛起的今天,基于农业大数据与监测预警技术的创新突破,为众多的种粮大户、家庭农场主、农民专业合作社、农业企业提供更精准、更全面、更可靠的大数据服务,已成为新的重大需求。
“大数据到哪里,科技精准服务就有可能到哪里。农业大数据与监测预警,不仅可以催生农业发展新动能,创建农业技术推广新模式,而且可以提升农业供给质量,革新农业经济增长方式。”因此,张洪程认为,大数据及其应用是一个发展前景美好的新型学科,相对于发展成熟的工业服务业大数据而言,农业大数据崛起不久,方兴未艾,需要大家一起来鼓与呼。
“用好无时不在、无处不在的农业大数据,是国家的重大需求,是粮食产业转型升级发展的迫切需要。”张洪程说。
系统化、集成化、智能化
就在11月上旬,国务院副总理汪洋在首届新农民新技术创业创新大会上强调,培养新农民、推广新技术,推进农村创业创新,是促进乡村振兴的重要举措。其中的“新技术”就包括互联网、大数据、人工智能在内的信息技术,而农业监测预警,就是这些“新技术”应用的一个具体领域。
许世卫告诉记者,作为当今农业科技研究领域的重大课题之一,监测预警理论与技术的创新与应用有利于“三农”工作中实际问题的解决。在实施乡村振兴战略过程中,利用农业监测预警,可以提升调控农业生产、提高农产品品质、提升应对风险与突发事件能力,以及保障国家食物安全、提高农产品国际竞争力。
许世卫长期从事农业监测预警研究,他表示,我国的农业监测预警工作已经进行了几十年的深入研究和大量实践。
在农业部等部委的大力支持下,在一系列国家科研项目及国际合作项目的支撑下,以及多个科研单位监测预警团队的不懈努力下,中国农业监测预警工作取得显著进展,青年一代研究人才不断成长。近十年来,构建了农业监测预警理论基础,突破了信息分类关键技术和系统研发难题,促进了农业信息分析学学科的形成;围绕农业发展中的一系列重大问题和需求,如农业自然灾害、作物病虫害、自然资源监测和农产品市场监测等,取得了不少研究成果;对现代农业管理的应急调度及信息权威发布等发挥技术支撑作用,如农业部开展基本全覆盖的18个品种监测预警,成立由农业部市场预警专家委员会、农业部全产业链信息分析预警团队组成的分析力量,
2014~2017年连续召开4届中国农业展望大会等;优秀团队、青年人才不断涌现,全国形成了较大规模、较高质量的农业监测预警研究团队和研究力量。其中,以许世卫为首席科学家的中国农业科学院农业监测预警团队,作为全国农业信息监测预警研究的国家专业队伍,培养了一支年轻化、专业化的专业人才队伍,在理论与方法研究、技术与设备研发、分析预警与精准化服务创新应用等方面开展了长期研究,取得了良好成效。
而目前,我国的农业监测预警已进入到以信息感知与智能分析为特征的快速发展阶段。
“农业监测预警已经步入大数据时代,正向着系统化、集成化、智能化方向发展。这就需要我们构筑新的协作平台,不断创新理论和技术,突破重大关键问题,共同推动成果应用和学科发展。”许世卫说。
农业监测预警的未来
“信息化已经使很多不可能成为了可能,颠覆了人们已有的观念。而大数据有望成为驱动农业信息监测预警的创新力量,推动农业市场化、现代化在新时代实现质的飞跃。”赵卓指出。他建议,下一步,农业监测预警要运用大数据技术优化信息采集;提升信息分析预警的专业性,如粮食产量预测、土壤空间数据挖掘、作物病虫害预警、气象产量预报等;增强服务精准性,更多聚焦于把握消费趋势变化、消费者行为等,把消费需求准确传递给生产者。
那么,未来的农业监测预警究竟会是怎样?许世卫为大家描绘了一幅蓝图。
首先,大数据应用将贯穿农业监测预警过程始终。包括宏观与微观相结合;数据处理、挖掘、分析,变“大”为“小”;抽取出农业监测预警的最关键的数据指标;归纳提炼农业信息流变化特征、内在机制、演变规律与影响路径等。
其次,实时感知与个性服务成为研究与应用重点。各环节智能化程度提高,实现“环境可测、生产可控、质量可溯”的实时感知;发展农业物联网技术,完善农产品全产业链监测体系建设,推动传统农业管理方式变革,减少生产管理中的传统路径依赖,建立市场导向的现代农业管理制度;探索建立涉农信息共享机制,形成全行业、可比较的基础数据库;完善工作机制、模型和方法,继续开展中国农业展望活动,发布权威农业市场信息。
“最终以向2亿多农户和成千上万其他农业经营主体提供全流程、多层次、低成本、个性化信息服务为目标,实现农业信息服务‘进村入户’。”许世卫说。
其三,以问题为导向的数据智能处理将取得突破。人工智能、数据挖掘、机器学习、数学建模、深度学习等前沿技术将应用到农业监测预警中,尽最大可能解决模型空间与真实世界的值差难题,实现各应用领域上覆盖农业全产业链的全程监测预警,并最终形成多品种巨系统、模型集群巨系统、时空巨系统和功能巨系统。
其四,国内外技术融合将产生深刻变革,多部门合作发展完善中国特色农业监测预警体系。通过跨学科、跨领域合作,拓展全球农业监测预警研究与合作平台,加强农业信息监测预警人才队伍建设,尤其是青年人才的储备,并由政府引领发展完善小农经营模式下的中国特色农业监测预警体系,推动农业监测预警向更快、更准、更高的方向发展。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03