农业大数据应用的主要任务与关键技术

随着互联网技术和信息技术的不断发展，大数据技术得到了迅速发展和应用。 大数据在农业行业的应用， 尤其对传统农业的改造与转型， 推动了农业资源共享与科学决策， 日益受到我国中央和地方各级政府的重视。今天，我们聊一聊农业大数据应用的主要任务与关键技术。

农业大数据应用的主要任务是什么？

基于目前我国该领域的数据和技术基础，目前研究应集中于大数据技术在农业生产精细化、智能化管理中的机制、方法与模型，大数据在农业经营管理中的大规模数据集关联分析方法、模型与产品等理论研究，并适当加强涉农资源的集成和共享，以及数据专业人才的建设。

利用国内外先进软硬件技术和低成本的第三方云计算和云存储商业设施，结合各部门自建的私有云环境，搭建农业领域大数据并行计算环境及实时计算服务平台，研究大数据的分布式计算环境来支持大数据的并行计算、存储和快速存取，以及通用的分布式计算调度应用程序接口，为农业大数据分析的各种算法模型进行大数据化改造和运算提供基础支撑。

农业大数据处理关键技术有哪些？

数据采集技术：确定农业分析主题和相关多要素数据集相关 因素，研究网络爬虫和开放数据收割等自动数据获取工具大数据技术应用，面向不同主题开展数据资源获取技术研究与工具研发，实现不间断的数据连续获取与人工干预的数据清洗处理；利用数据抽取转换装载工具，面向异质多源结构化及非结构化数据进行数据的抽取、聚合、转换、装载与清洗等工作，建立面向多数据维度的主题数据仓库，为数据分析提供优质原料；研究关联数据仓库技术，建立不同多维数据集的数据切片、聚集和重组工具，为灵活的多维数据分析提供高度适用数据。

数据识别和融合技术：农业数据识别的重点是主要农田卫片识别技术。主要编制模拟人类图像识别活动的计算机程序，研究图像识别模型。从大量信息和数据出发，在专家经验和已有认识的基础上，利用计算机和数学推理的方法对形状、模式、曲线、数字、字符格式和图形自动完成识别、评价。包括对样本进行特征选择，寻找分类的规律，以及根据分类规律对未知样本集进行分类和识别。农业数据融合的重点是对来自人工采集、网络、文献、物联网和卫片的各种信息源给出的有用信息的采集、传输、综合、过滤、相关及合成，以便辅助人们对农业生产和市场的现状和未来进行判定、规划、探测、验证、诊断。要求决策者在最短的时间内，对农业生产和市场作出最准确的判断，以便对农业管理实施最有效的指挥控制。

农业生产管理和农产品市场分析模型：农业生产管理模型的重点是研究面向农业生产的大数据挖掘和机器学习模型，通过算法训练、调优实现农业生产智能模型的优化，使之能够为农业生产精细管理软硬件系统、智能农业机械提供有效输出，并以通用组件化的形式提供服务，实现农业生产的智能化、自动化、精细化、及时性管理响应与决策。农产品市场分析模型的研究重点是研究农产品市场全要素大数据综合分析大数据挖掘与机器学习模型，实现基于宏观经济、生产、市场、价格、购买等多种要素的大规模关联数据分析，并研发可视化决策工具，以交互式可视化的形式面向农业生产者与经营者提供服务，达到研究和了解市场需求，研究如何做到最大限度满足市场需求，研究采用更好的方式和方法，使产品和服务有计划地进入到最具利润潜力的市场的目标。

涉农信息资源如何实现集成与共享？

目前我国农业信息资源主要由涉农公共机构 采集，主要集中于县级农业、畜牧、林业、水利、气象等涉农部门，通过农村信息化示范省建设项目，省级农村信息综合服务平台和国家农村信息综合服务平台集成部分信息资源，但信息资源的共享滞后的难题至今没有彻底解决。在大数据体系建设中“有路无车”和“有车无货”的现象依然十分严重。基于利益冲突甚至许多公共信息资源也不能通过农村信息化示范省项目实现共享，应当继续以项目带动形式逐步完成全国涉农大数据资源的集成和共享。在国家层面也应进一步加大政策力度，通过建立积极的规则和制度，推动建立公益性非涉密公共信息共享机制。

推动大数据应用人才建设

目前，大部分研究学科越来越依赖于数据的分析处理，越来越多的科学正在变为数据科学，以此需要的数据分析专员也越来越多。将来各行业竞争力的核心在于大数据，而大数据的核心在于拥有优秀的数据专员。目前国内专门培养数据科学领域的研究生还非常少，国内教育和科研机构应加大培养数据分析人才的广度和深度。另外，农业教育和科研机构在日常学生培养过程中，也应考虑开设大数据方向的课程和科研训练。

（编辑：广西网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!