最新！赵春江院士团队：国内外粮食生产大数据平台对比

      粮食生产大数据平台是运用大数据、物联网、遥感、云计算等现代信息技术，基于粮食生产相关数据采集、处理、分析和监测决策智能算法，提供粮食生产全程智能化决策支持的综合性服务平台。

      1 粮食生产大数据平台比较与分析

随着智慧农业和大数据技术的发展，越来越多面向粮食智慧生产的大数据平台涌现（表 1）。德国拜耳（原孟山都） Climate FieldView 平台与全球涉及航空成像、金融保险、土壤分析等领域的 70 多个平台建立合作伙伴关系，实现生产全程数据的互联互通，全球约 1 亿公顷的农田数据连接到 FieldView 平台，形成业内最大的覆盖粮食生产全要素全过程的 EB 级大数据，基于大数据分析和决策核心算法，提供农场尺度的气象/土壤分析、病虫害诊断，精准施肥/药、农业保险和销售管理等全生产流程决策服务。美国 FBN （Farmer's Business Network）公司创新独特的基于农户网络共享的农业大数据商业模式，为农户提供农田管理决策服务、营销渠道和金融渠道。英国 Agrimetrics 公司基于人工智能和高分影像，将英国 280 万个地块边界与超过 10 亿个数据点联系起来，并开发和实施基于知识的服务。科迪华的 Granular 平台、巴斯夫的 Maglis 数字平台，以及约翰迪尔的 John Deere Operations Center，提供农事活动、经营分析、土壤和肥料管理等精准农业活动相关的服务。国外这些数字农业平台提供全生产链条的实时在线服务，但其数据分析和决策等核心算法对外实行技术封锁和垄断。

国内先正达集团中化（长势监测及施肥决策）、大疆（植保决策）、爱科农（施肥种植决策）等公司也先后构建了大数据平台，利用“遥感+气象”为农户提供种植服务。国内农业大数据平台大多只覆盖部分区域以及部分生产环节与场景，缺乏生产全程的服务能力，且服务时效性、场景适应性等方面还无法支撑规模化粮食生产的快速决策响应，服务对象多为农场或种植大户。需要针对中国农业生产场景复杂多样和不同层次农业经营主体的特点，研发具备高度适应性和灵活性的定制化全生产链条服务。

2 主要粮食生产大数据现状

粮食生产大数据涉及环节多，数据庞大，信息复杂，呈现多维度、海量多源异构的特征，增加了智能分析过程的复杂性。按照数据主题可分为：作物品种数据、农情监测与调查数据、农业资源与环境数据、农机及作业调度数据、农业生产资料数据、社会化服务数据等。数据获取来源包括地面传感器、机载星载传感器（卫星和无人机遥感）、政府和第三方组织收集的调查统计数据、经营主体和社会服务组织的记录数据、网络爬取数据、众源采集数据等。按存储格式可以分为结构化、半结构化或非结构化数据，涵盖各种格式、尺度和专题的文本、图像和视频数据等。

高空间、高光谱、高时间分辨率遥感数据，NCEP （National Centers for Environmental Prediction），ERA5 （The Fifth Generation ECMWF Atmospheric Reanalysis of The Global Climate）和中国第一代全球大气和陆面再分析产品（The First Generation of Global Land Surface ReAnalysis Products of China Meteorological Administration, CMA-RA）等大气再分析数据是智能农业重要的数据源。近年来随着物联网和高分多模态遥感技术的发展，构建了“空天地”一体化农情监测体系，产生海量的农业大数据，奠定了智慧农业的重要根基，带来了智慧农业以模型驱动为主转向，以数据驱动为主的重要转变。

国内外已经形成了诸多粮食生产相关大数据（表 2）。美国在农业大数据方面起步较早，通过规范农业信息获取、分析、发布和服务机制，保证了数据的真实性、可靠性、一致性和权威性，并于 2009 年建成国家级大数据共享库（https://data.gov/），至今已形成了覆盖气象、土壤、水文、农业调查等 10 大类近 500 个数据库 30 余年的农业大数据。欧盟农业资源监测部门（Monitoring Agricultural ResourceS, MARS）、美国 Crop Explorer、中国农业科学院农业遥感监测系统（China Agricultural Remote Monitoring System, CHARMS），以及中国科学院 Crop Watch 均可提供全球或全国农情监测和产量预报服务。

中国粮食生产大数据存在管理分散、标准不统一，时效性、可靠性和类别覆盖度都有待提升，数据管理标准规范及安全共享机制缺乏等问题，且缺乏全生产链条集中式数据共享服务和直接面向农户的落地应用，导致生产决策算法建模验证难、知识挖掘难和智能决策难。建立类型齐全的数据目录框架，构建多源异构数据获取、清洗和安全共享的标准规范，并从海量数据中快速清洗、甄别出有效信息，是构建粮食生产大数据并推动标准化、精准化、智能化服务的瓶颈和挑战。