
大数据产业:未开放的农业之花
当前,大数据已快速发展为新一代的信息技术和服务业态,成为了国家基础性战略资源。农业农村是大数据生产和应用的重要领域之一,农业农村大数据已成为现代农业新型资源要素。
在当下全球科技、经济发展格局下,数据已经成为了一种生产力和竞争力。当前,大数据已快速发展为新一代的信息技术和服务业态,成为了国家基础性战略资源。农业农村是大数据生产和应用的重要领域之一,农业农村大数据已成为现代农业新型资源要素。
近年来,农业大数据可谓炙手可热。但相比于其他行业,农业农村大数据的采集、发布和应用仍面临着种种亟待化解的困境。
我国农业大数据尚未形成
涉及面广泛的农业大数据尤为庞大和复杂,可谓是最大的大数据。
根据农业的特点和农业全产业链切分,农业大数据可分为农业环境与资源大数据、农业生产大数据、农业市场大数据和农业管理大数据等。而从行业来看,农业的大数据则可分为成种植业、农资及养殖业等不同的行业,其中还可再细分成不同的品种和产品。
中国农业大学信息与电气工程学院教授李道亮曾在今年5月举办的中国大数据产业峰会上指出,农业大数据主要来自四个方面:物联网、生物信息数据、资源环境数据、农业统计数据。而从应用来看,农业大数据主要在五个方面:第一是基础研究,第二是农业智能生产,第三是农产品市场行情预测与物流,第四是农产品质量安全,第五是农业资源整合共享与服务平台。
李道亮告诉《中国科学报》记者,目前我国的大数据概括来说有两大类,一类是微观的,主要来自企业;另一类是宏观的,来自政府部门。
随着大数据的战略资源地位越来越凸显,不少农业领域企业纷纷布局深耕大数据,甚至由此转型。孟山都公司中国总裁在今年上半年就透露,孟山都近几年的战略方向是数据科学在农业上的应用。2014年,大北农集团提出“智慧大北农”战略,推出“三网一通”,据了解,其在全国分布了上万名业务员,记录猪场生产情况、搜集客户信息,以不断更新数据。
但李道亮也表示,无论是从政府层面来看,还是从企业层面来看,目前中国的农业大数据“还没有形成”。
“这是目前最大的问题。”李道亮告诉记者,这是长期形成的局面,短时间内很难改变。“这与我们过去不重视积累有关,也与我们的科研机制、政府部门的工作体制有关”。
2013年,农业部市场与经济信息司时任司长张合成曾撰文指出,我国在数据采集、发布、应用等方面与决策需要存在较大差距,数据采集和发布还处于初级阶段,亟须从体制层面进行改革。
根源在于缺乏完整数据体系
“现在国内农业企业在有意识地涉足大数据,但能兼顾做全产业链的企业屈指可数。”山东卓创资询集团畜牧业产业群经理李霞在接受《中国科学报》记者采访时表示。
她介绍,以畜牧业产业群为例,做全产业链的大数据意味着要从饲料原料的供需入手,到养殖、流通环节,再到下游屠宰加工环节,环环相扣,实现数据间的引用和佐证。“很多企业做的大数据大都是自己熟悉和擅长的领域。”李霞告诉记者。
在李道亮看来,目前做大数据最“热”的是在企业,打造大数据平台,既可为企业生产经营提供决策依据,同时也利于掌握数据话语权。“只有行业里的大企业才能真正形成和掌握大数据”。
在中国大数据产业峰会论坛上,李道亮总结了我国大数据面临的问题:农业大数据缺乏,大数据模型缺乏长期的积累,大数据缺乏与行业产业的结合,大数据缺乏必要的规范。
李道亮告诉《中国科学报》记者,由于条块管理等原因,各部门间数据不共享,造成了农业大数据的缺乏。“现在从政府层面来说,事实上就是在着力打破这种局面,实现资源共享,有了资源共享,才能形成大数据,才能再分析大数据。”
说到数据的积累,李霞也表示,“数据采集的工作量是非常庞大的,需要不断甄别、筛选、更新,长时间积累形成的数据才是有价值的。”
一位不愿具名的业内人士告诉《中国科学报》记者,目前中国的市场行业尤其是农业领域对大数据的分析需求和使用远不及国外。“归根到底,还是需要扎实的、高精确度的、完整的数据体系。”
人才缺口亟待补上
约半个月前,农业部印发了《全产业链农业信息分析预警第二批试点方案》,旨在通过试点,组建全产业链农业信息分析预警团队,形成分析反应快速、信息内容全面、预测判断准确的工作格局。
记者了解到,目前国家在农业信息采集和分析方面的人员“缺口很大”,且“并不专业”。
武汉工程大学管理学院的明均仁指出,当前农业信息人才队伍主要存在以下问题:专业型农业信息人才严重缺乏,农业信息人才队伍结构失衡,农业信息活动工作流程不规范,农业信息人才薪酬管理体系不健全等。
而李霞则用“断层”来形容当前相关领域的人才现状。“行业内有领衔的专家学者和国家级的信息预警分析师,”她解释道,“但是,再往下走就没有了。”
在身处农业信息采集分析一线多年的李霞看来,做信息采集和分析应该“接地气”,真正通过实地考察,了解相关的行业和产业,“相信从方法上,信息采集分析人员肯定是熟知的,但是做这项工作更为重要的是,对行业的了解,在领域内积累的资源。”李霞说。
此外,李霞认为,还需要形成好的组织架构和采集流程,“简单说,就是怎么采集、什么时间更新、怎么检查监督,这都需要一连串配套。”
明均仁建议,将农业信息化人才培养纳入我国高等教育学科培养体系,构建农业信息人才多元培养体系。
山东农业大学农业大数据研究中心常务副主任宋长青曾撰文指出,要根据农业大数据发展和现代农业应用需求,制定农业大数据技术和应用人才培养计划,建立多学科融合的协同创新团队。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
R 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 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01CDA 数据分析师:企业数字化转型的核心引擎 —— 从能力落地到价值跃迁 当数字化转型从 “选择题” 变为企业生存的 “必答题”, ...
2025-09-01数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29