logo821.gif (10572 bytes) 首頁          新增資料與公告

   

最新消息  :

荷蘭與 Maarel Orchids在國際市場上的突破

Westerlay Orchids的碳中和蘭花生產

農企業全面有機化的結局

 

 

數據分析與知識產業

首頁
上一層
BSE LAB 介紹
非洲產業研究中心
生醫研究之統計方法
授課資料
人文關懷
無官御史台
武漢肺炎與產業
智能生物產業
活動公告區

 

 

數位技術、大數據和農業創新

 

國立中興大學 生物產業機電工程學系 陳加忠

 
 

資訊來源:

https://doi.org/10.1007/978-3-030-50991-0_8

1 簡介

為了全球社會的未來福祉,農業創是必需的。歷史上,對世界各地的許多人來說,獲得足夠的食物都是不確定的。對於其他人來說,獲得合理安全、負擔得起的食物在某些程度上是理所當然的。對於這兩個群體來說,要展望未來,僅僅繼續我們當前的農業和糧食系統,此做法是不夠的,也不站不住腳。

該系統面臨的眾多壓力源中,有四個十分重要。預計全球人口將繼續增長,特別是在世界上糧食安全相對薄弱的地區。雖然這一挑戰表明需要生產更多的糧食,但人們越來越認識到農業生產對環境的影響,會帶來不受歡迎的直接果和長期後果。此外不斷變化、更加多變化的氣候的前景更需要提高當前農業作業的適應能力。發達國家和發展中國家的消費者都要求更加營養和要安全的食品供應。

從一個角度來看,這些挑戰令人生畏,似乎無法克服。然而這種挑戰環境對人類來說並不陌生。從歷史的角度來看,更像是一種常態而不是例外。如果社會要保持自我和進步,農業創新是必不可少。事實上在50 年前,使用複雜數學模型的知名學者自信地預測,在十年內由長期糧食短缺引起的大規模飢荒將成為世界未來的特徵(Meadows 等,1972)。然而農業創新以及社會的其他變化迎接了挑戰,並減少世界營養不良人數。

今天,數位技術和大數據等新工具正在農業生產系統中開發和應用。有效實施這些工具提供了前所未有的能力來推動創新,並有助於我們應對剛才提到的挑戰。重要的是要認識到 (1) 它們的實施,本身就是創新的一種關鍵形式,以及 (2)可以通過使用這些技術,使現有的創新系統更有效(Sonka 2016)。

雖然前景令人興奮,但這些技術的使用範圍和影響本身並不確定。本章的目的是探索有效實施的潛力。本章將採用管理作為主要視角,而非技術的視角。該視角的一個關鍵前提是,一項技術的存在,並不能保證立即或未來採用,也不能保證為其用戶和市場創造價值。相反技術的廣泛使用,將取決於其能夠使得管理人員更好地實現目標的能力。

這些管理人員可以在公共部門或私人企業工作,也可以在發達或發展中的農業環境中工作。以此視角為框架,本章包含以下五個部分。首先,將描述數位技術和大數據的關鍵要素,並確定其應用中最深刻的決策方面。這個元素可以通過一個簡單的問題來獲取,什麼是,或者可以是農業數據?

雖然正在開發的技術能力不斷提高。但在過去的二十年裡,人們一直在使用所謂的精準農業。這些經驗和教訓將成為以下第二部分的主題。大數據一詞已在社會的大部分地區變得普遍。儘管該詞的含義並沒有明確定義。本章的下一部分將確定大數據的特徵,並特別關注與分析其核心作用。本章的第四部分將描述正在興起的數位農業。此外該概念將與在整個糧食系統中採用數位技術相關的更廣泛需求和機會相關聯。以一個簡短的結論部分結束了本文。

2 什麼是或可以是農業數據?

對於我們中的許多人,也許是大多數人來說,數據這個詞往往不會引起什麼興奮。坦率地說,數據只是無聊的東西,因為它只是在電子表格上行和列的數位,提供的指導或見解很少。然而無論是隱含的(我們感覺到或感覺到的)還是顯性的(寫下來的)形式數據,對於我們如何做出決定都是必不可少的。一直以來,農民都被限制於根據他們可以觀察到的、感知到的和感覺到的來做出決定。這種限制是由技術和經濟強加的。數位技術和大數據正在改變與這些相關限制參數。然而這些力量將繼續決定技術採用的程度和有效性。

本節介紹技術、數據和制定決策之間的聯繫。它的第一部分使用一個非常簡單的例子來展示技術、經濟和農民決策之間的相互作用。第二部分說明新興技術如何從根本上改變可用未做為作農業決策的明確數據。本節的最後一部分更完整地描述了與數位技術相關的一些術語。

2.1 量測

你無法管理你無法衡量的東西!“You can’t manage what you don’t measure!”” 是一個短語歸因於Peter Drucker W. Edwards Deming。這句話既適用於農民,也適用於豐田或亞馬遜的管理人員(Brynjolfsson McAfee2012 )。量測與做出改進決策的能力之間的關係,對於理解數位技術影響農業管理的潛力十分重要。

這篇論文的作者受益於在美國的中西部地區一個小農場長大。在他的整個職業生涯中,從美國和全球的農民那裡學到了很多東西。讓我用個人的經驗來關注衡量和管理的聯動。在農場長大,可以量測的東西與我們提高性能的能力之間的聯繫很簡單。在那些日子裡,我們不得不將滿載的擠奶桶從奶牛帶開。牛奶桶的重量直接證明哪些奶牛產量更高。而且由於牛群中的奶牛不到 20 頭,因此也可以記住哪些奶牛產量更高,並給它們額外的部分穀物。落後的生產者獲得的糧食較少。

在同一個農場,大約有 120 只產蛋雞被安置在一座建築物中,還有足夠的空間在戶外漫遊。雞蛋每天收集兩次。

整個組的表現是可觀察的。然而無法觀察到可以提高個體鳥類性能的資訊。從技術上講,有可能建立一個生產系統,可以量測個體家禽的性能。然而,雞蛋生產的經濟性和當時可用的技術,並不能證明這種系統的成本是合理。

這個故事說明了兩個要點。一是將量測結果與農業管理行動聯繫起來的願望並不新鮮。然而考慮到可用的技術,量測的經濟學(量測成本與這樣做的好處)阻礙了我父親和其他農民獲取與利用更多數據。第二點是,對於農業管理者來說,量測既是經濟問題,也是技術問題。

2.2 什麼是農業數據或可以是農業數據?

突然什麼是數據問題有了新的答案。圖 8.1 提供了更改的直觀說明。在它的左上角,我們看到了我們習慣的數據。行和列排列良好但基本上無聊的數位。右上角的圖片是新西蘭的一個牧場。牧場是該國奶牛的主要營養來源,在整個生長季節補充施肥,是一種必要且經濟的做法。該田地中草料的不均勻圖案由施肥機上的感測器量測,以調節施肥量。當施肥機穿過田地時。在這種情況下,不均勻的草料生長就是現在是數據。

8.1 的左下角顯示了世界上使用手機是一個人最通用的感測器。特別是對於發展中國家的農業而言,手機是潛在變化的驚人來源。因為可以發送給這些人的資訊和他們現在可以提供的資訊。如圖 8.1 右下象限所示,衛星圖像可以量測植物反射率的時間變化,以提供生長估計(RIICE 2013)。圖片的重點是亞洲的水稻生產。此類資訊有許多潛在用途。一個是提供一種低成本的方法,來識別因為不利條件導致主要生產短缺的稻田。一旦確定了該領域,就可以使用類似的低成本手段向有資格獲得該保險的農民提供保險金。

雖然衛星圖像是遙感數據的一種來源,但近年來無人機系統的能力和興趣顯著增加,使得UAS作為農業數據的來源。有許多正在進行的努力,將最初專注於軍事目的的UAS技術,轉變為支持生產性農業的應用。大學已經在與農業團體合作,試驗配備感測器和其他技術的不同類型的無人駕駛飛機,以量測和保護作物健康(King 2013)。一些示例應用包括以下內容:

馬鈴薯生產監測(俄勒岡州立大學)

針對山坡葡萄園噴灑農藥(加州大學戴維斯分校)

繪製缺氮區域(堪薩斯州立大學)

檢測空氣中的微生物(弗吉尼亞理工學院和州立大學)

2.3 技術改變,"什麼可以是數據"

精準農業、大數據、數位技術和大數據分析等術語在社會和農民中經常使用。雖然這種用法很常見,但尚未就這些術語的確切含義達成共識。由於技術的快速發展性質,問題不在於缺乏定義。而是存在大量的定義,所有定義都具有一定的有效性。本節將簡要介紹數位技術、精準農業和大數據分析等術語。其目的不是提供精確或通用的定義。相反,目標是提供有助於更好地理解內容的觀點。本章後面包含進一步的討論和應用示例。

以下對數位技術的兩部分解釋通常很有用:

1. 農業數位化技術涉及:

採用感測器和技術來收集數位數據和操作機器。這些機器使用數位資訊來不同地應用輸入資訊。使用數位工具和技術來總結、分析、綜合和交流數位資訊和其他資訊,以改進決策

2. 從這個廣泛的角度來看,數位技術三種類型區分應用也很有用:

精準農業:雖然已有20 多年的歷史,但精準農業技術仍在持續顯著改進。在支持 GPS 的設備和基於機器的感測器的支持下,精準農業專注於子領域級別的量測和差別性輸入應用。管理分析側重於使用從單個農田收集的數據來提高生產力。在過去的二十年中,農民已經接觸並在許多情況下獲得了精準農業的經驗。然而當今感測器能力的進步繼續已提高精準農業作業的有效性,這代表著農民還有持續的機會選擇是否採用新的作業。

大數據分析:能夠以低廉的成本收集超大數據集的能力,推動了整個社會的大數據應用。然而海量數據集的存在只是故事的一部分。大數據分析需要廣泛的計算能力,以及應用根本不同的分析方法,以提供基於概率的見解以改進決策。

大數據分析在農業中的應用潛力是匯集來自可能數百萬英畝的許多農業作業的生產相關數據,以識別以前未知的管理資訊。

– “大數據人工智能等術語對社會來說相對較新,更不用說農業。跟踪媒體出版物中提及這些術語(用於所有用途)表明 2007 年幾乎不存在此類提及。然而到 2014 年,確定了超過 150,000 次提及。(Gandomi Haider 2015)。然而,與如此快速增長相關的媒體炒作,往往會導致此類創新管理應用的混亂和不確定性(Sonka 2015)。

大數據分析在農業中的一些應用(天氣預報、田間機器的自主操作)不需要將來自一個田地/農場的詳細農業生產數據,與來自其他農場營運的數據進行比較。

通信和社交媒體:此類別包括兩個有所不同的應用程序:

使用社交媒體與個人和商業聯繫人進行交流。

使用基於電信的無線、WIFI 和互聯網。

將從感測器收集的與生產相關的數據傳輸到可以存儲/分析該數據的設備

將調查結果傳遞給農民,和或將指令直接傳遞給機器,作為應該進行的活動

雖然通常不會出現在精準農業或大數據分析的討論中,但基於數位技術的通信能力進步,通常對於提高績效十分重要。

3 精準農業:大數據的前身

本節將簡要概述精準農業的經驗。目的並非在作為綜合評估。目的在於提供對精準農業發展的認識,確定所採用的更流行的技術,並討論關於使用這些創新,所帶來的經濟收益的公認證據。需要注意的是,精準農業和大數據並不是同義詞。

如上所述,當前的精準農業工具和技術在很大程度上沒有大數據概念的應用。然而如果不採用精準農業技術來收集至少所需的數據,就很難預見大數據方法會產生重大影響。

精準農業有幾個方面,事實上,這個概念本身並沒有被精確定義。國家研究委員會 1997 年的一份報告(National Research Council 1997)提到精準農業如下:“......作為一種管理策略,它使用資訊技術將來自多個來源的數據,帶到與作物生產相關的決策中。” 精準農業中包含的關鍵技術和作業如下:

地理參考資訊

全球定位系統

地理資訊系統和地圖軟體

產量監測和繪圖

可變速率輸入應用技術

遠程和地面感測器

作物生產建模和決策支持系統

電子通訊

精準農業一詞主要與作物生產有關。然而,精確作業(以及與此相關的大數據技術)同樣適用於畜牧業,其中地理配準可以指田地的子區域和個體動物。跟踪過程和所需工具可能不同。但是管理目標仍然是單獨管理越來越小的觀察單元。

農民和農業綜合企業管理者在精準農業的發展中發揮了重要作用。例如在 1990 年代中期,伊利諾伊州Champaign County的一群農企業專業人士聚集在一起,探索與兩種新興技術相關的機會:特定地點農業和稱為互聯網的奇怪事物(Sonka Coaldrake 1996)。這個名為 CCNetAg 的團體是當地商會聯合發起的一項倡議的一部分。

伊利諾伊大學商務部和國家超級計算應用中心作為一家志願企業,CCNetAg 為農民、農企業管理者和大學研究人員提供了一種工具,以共同探索採用這些工具。精準農業的關鍵要素如下:

連接到農田的衛星所指示的地理配準。

主要農業營運由以下方面指導,並正在獲取以下數位資訊:

土壤特性

營養應用

種植

作物偵察

收穫

1997 年以來,技術取得了進步,儘管與一般類別仍然相關。例如農業機械的自動轉向功能變得更加普遍。現在可以對種植過程進行主動、詳細的量測(記錄跳躍發生的位置)。此外監控農業機械運行狀態的能力,現在與電子通信相結合,以在機器操作可能超出可接受範圍時發出信號。雖然已經有許多出版物描述了精準農業,但對採用經濟學進行獨立評估的報告數量要少得多。評估一項技術是否有淨收益的一種方法,是監控其市場採用情況。幾年來,普渡大學食品和農業商業中心和 CropLife 雜誌就精準農業的採用情況,對農業資材供應商進行了調查。主要集中在在美國中西部和南部地區。這項工作是對該技術應用的特別有用的評估。從 2017 年的報告中可以看出,關鍵的精準農業作業得到了採用(Erickson 等,2017 )。

為本研究提供資材的作物資材經銷商處於獨特的有利地位,能夠理解和報告這些技術的採用情況。他們的公司為評估和採用精準農業的生產者提供資材(肥料、殺蟲劑和種子)和服務。

早期對精準農業的興趣集中在特定地點的投入應用和產量監測器的使用。如圖 8.3 所示,網格採樣是一種與特定地點的石灰和肥料施用相關的做法,目前在近一半的作物種植面積上採用。預計到 2020 年,覆蓋面積將增加到 10 英畝中的 6 英畝。 GPS 輔助產量監測器也有類似的採用率。在過去的十年中,使用GPS導航系統已經迅速增加到估計超過60%的流行使用。預期持續強勁增長至2020年的預期。支持作物生產利用衛星圖像和無人機為工具是最近。目前田區使用的比例分別19%和6%。有趣的是,僅用了 3 年無人機覆蓋的面積預計將增加三倍以上至22%

Erickson(2017) 描述了可變速率技術 (VRT) 作業的相對一致的採用模式。在 2000 年代初期,採用比率處於個位數水準。從那時起,覆蓋面積穩步增加。然而最常用的做法是施用石灰,目前僅占總面積的 40%。這些模式也很有趣,因為這 15 年來玉米和大豆的價格制度非常不同。當 2008 年之前的產出價格較低時,採用的驅動因素可能是降低成本。可能在後來的價格較高時,增加產量是一個更重要的因素。

媒體和營銷關注有時會模糊精準農業和大數據之間的區別。一些交流似乎表明,大數據只是精準農業作業的最新流行語。事實並非如此,這兩個概念的主要區別如下:

雖然農民擁有來自每個田地的多種類型的精確數據,但額外的數據源自然存在並起源於籬笆之外(其他農民田區)。訪問使用這些資訊會帶來技術和組織方面的挑戰。

精準農業採用跨領域地圖層的比較,作為其主要分析方法。單個因素的影響,例如被阻塞的瓷磚線或掩埋的籬笆,通常可以從地圖上觀察到。然而識別多個生產因素和多年之間的複雜相互作用需要更複雜的工具。

如前所述,精準農業已有 20 多年的經驗。匯總從產量監控器和特定於站點的輸入操作,收集的所有數位資訊將產生極其龐大的數據集。但是,該數據目前位於驅動器、磁盤驅動器和各台式電腦。除非/直到可以訪問和匯總數據,否則無法進行大規模分析。

精準農業和大數據都源於資訊和通信技術的出現和應用。如前所述它們不是同義詞。也就是說如果不使用精準農業作業產生的數據,就很難預見大數據方法會產生重大影響。

大數據的4個維度

儘管起源相對較新,但已經進行了許多嘗試來定義大數據。例如:

• “大數據一詞是指從儀器、感測器、互聯網交易、電子郵件、視頻、點擊流和/或當今可用的所有其他數位源和/或未來(NSF 2012)。

大數據是指傳統 IT 和軟體/硬體工具在可容忍的時間內無法感知、獲取、管理和處理的數據集(Chen et al. 2014

大數據是指數據量、獲取速度或數據表示(多樣性)。這些限制了使用傳統關係方法進行有效分析的能力,或者需要使用顯著的水準擴展來進行高效處理(Cooper and Mell 2012)。

大數據是一種大容量、高速和多樣化的資訊資產,需要具有成本效益的創新資訊處理形式,以增強洞察力和決策制定(Gartner IT Glossary 2012)。

 通常使用三個維度(圖 8.2)來描述大數據現象:容量、速度和多樣性(Manyika 等,2011 )。每個維度都為數據管理帶來了挑戰,也帶來了推進業務決策的機會。這三個維度側重於數據的性質。然而,僅有數據是不夠的。分析是大數據隱藏的秘密武器

稍後討論的分析是指越來越複雜的方法,通過它可以從可用數據中形成有用的見解。當今世界上 90% 的數據都是在過去兩年中創建的IBM 2012)。近年來,類似於 IBM 的觀察及其對數據量的強調陳述,變得越來越普遍。大數據的體積維度沒有具體的量化術語。相反大數據是指大小超出典型數據庫軟體工具所收集、存儲、管理和分析能力的數據集。這個定義是故意主觀的;沒有單一的標準來說明數據集需要多大與多新。該標準可能因行業和應用而異。

GE 提供了一家公司使用大數據的例子。它現在收集每天來自 1000 萬個感測器的 5000 萬條數據(Hardy 2014)。GE 在渦輪機上安裝感測器以收集有關葉片健康的資訊。通常,一台燃氣輪機每天可以產生 500 GB 的數據。如果使用這些數據可以將能源效率提高 1%GE 可以幫助客戶總共節省 3000 億美元(Marr 2014)。

速度維度是指在事件發生時獲取、理解和反應事件的能力。有時僅僅知道已經發生了什麼是不夠的相反,我們想知道正在發生了什麼。我們都熟悉觸手可及的實​​時交通資訊。谷歌地圖通過使用谷歌地圖應用程序分析道路上手機的速度來提供實時交通資訊(Barth 2009)。根據不斷變化的交通狀況和對影響擁堵因素的廣泛分析,谷歌地圖可以即時建議替代路線,以確保更快、更順暢地行駛。

對於對零售感興趣的分析師來說,預測銷售很重要。Brynjolfsson McAfee (2012) 報告了監控移動電話流量以推斷 Black 上一家主要零售商的停車場中有多少人。在週五為美國假日購物季的開始,作為估計零售額的一種方式。

多樣性作為大數據的一個維度,可能是這三個特徵中最新穎、最耐人尋味的一個。對於我們中的許多人來說,數據指的是有意義地排列在行和列中的數位。對於大數據來說,現實上什麼是數據被瘋狂地擴展。以下只是一些可轉換為資訊的數據類型:

金融交易

閱讀本文時眼睛的運動

製造過程中的轉螺絲

跟踪客戶檢查過的網頁

植物照片

• GPS 位置

文字

手機對話

生產摩托車的工廠中的風扇速度、溫度和濕度

從無人機或衛星拍攝的植物生長圖像

問題

該各種尺寸是 什麼是或可能是非農數據?緊密相連的討論” 本章前面介紹。基本上數位技術,包括在精密農業作業中採用的那些,被收集作為以前。只能被觀察或感測到的顯式數據的資訊。此外在許多情況下,這個過程可以在具有經濟合理的成本來實現。很多時候,可以直接採用的是新的可用數據,而無需進一步的分析。在其他情況下,有效地利用這些資訊,需要提供新的分析方法,大數據的分析方面的應用。

一些以農業為導向的學者(Coble 等,2016Weersink 等,2018)將真實性作為大數據的第四個維度。在這種情況下,真實性指的是大數據分析中使用的數據品質。事實上農業分析有著悠久的傳統,它強調需要準確的數據,經常使用的短語垃圾進入;垃圾出去,舉例說明了這種擔憂。但是,正如將在下一節分析中討論的那樣,這些工具和技術也可以從不太準確的數據中產生有用的見解。因此,此處不將真實性作為大數據維度包括在內。

4.1分析

以最小的滯後時間訪問從不同來源生成的大量數據,聽起來很有吸引力。然而,經理們很快就會問:我用這些東西做什麼? 如果分析能力沒有類似的進步,僅僅獲取更多數據,不太可能對農業產生重大影響。

分析及其相關的最新術語,數據科學是大數據能有能力實際上有助於提高農業部門績效的關鍵因素。數據科學是指從數據中泛化提取知識的研究(Dhar 2013)。正在開發基於數據科學的工具以使在該領域實施。儘管這些努力還處於早期階段。相關的分析概念同樣日趨成熟,其使用也在不斷完善(Davenport 2013; Watson 2013)。分析工作可以歸類為以下三種類型之一:

描述性工作,側重於記錄所發生的事情。

預測性工作,探索會發生什麼。

規定性工作,確定應該發生什麼(考慮到所採用的最佳化算法)。

大型零售商亞馬遜最近推出了一種提供預測功能的工具(Bensinger 2014)。這個獲得專利的工具將使亞馬遜經理能夠進行所謂的預期運輸。這種方法甚至在客戶點擊購買之前就開始交付包裹。亞馬遜打算裝箱和運輸那些在特定地區的客戶想要但尚未訂購的產品。在決定運送什麼商品時,亞馬遜的分析過程會考慮之前的訂單、產品搜索、願望清單、購物車內容、退貨,甚至Internet 用戶的光標懸停在項目上修多久。

在農業應用和分析方面,有兩個關鍵點值得特別考慮:

第一個:繼續上一節中介紹的真實性討論。當然,努力收集和使用準確的數據是謹慎的。然而獲得完美數據的成本通常很高,而且考慮到大數據方法,通常不需要生成資訊部可以改進決策。

例如,在該國每條道路的每一英里處,放置感測器來量測實際交通量,在技術上是可能的。然而感測器和底層系統聚合和傳達資訊的成本高得令人望而卻步。然而,使用代理資訊(主要來自手機和用於其他目的的感測器),允許以低成本建立和傳遞對即時交通狀況的有用預測。

儘管數據科學家可以使用多種數學和統計方法,但一個關鍵原則是使用貝葉斯推理和條件概率(Polson Scott2018 )。本質上,通過對大量相關數據的分析,分析人員可以自信地預測存在感興趣的條件是因為某些因素的存在。舉個簡單的例子,如果是工作日早上 8 點(這不是節假日),並且主要高速公路上的手機信號從一個塔到另一個塔的移動速度非常慢,那麼沿線很可能交通擁堵高速公路。

當然這樣的預測是概率性的,在每種情況下都可能不準確。尤其是在潛在條件發生變化的情況下。但是,通過仔細分析和實施,可以有效地利用不完美的數據來改進農業決策。例如大玉米田區農民接收到其負責的田地的衛星地圖。顏色用於識別田間條件,綠色表示植物生長旺盛。正如一位農民向本章作者報告的那樣,以深綠色標記的區域代表著作物長勢非常好,或者雜草叢生。無論哪種情況,農民值得花時間進行實地調查。

在農業中,與大多數領域一樣,描述性工作最為常見,甚至相對較少。然而,在生產性農業中,知道發生了什麼,即使非常準確和精確,可能無法提供關於未來應該做什麼的有用見解。

生產性農業是複雜的,生物、天氣和人類活動相互作用。已採用基於科學的方法來辨別作物和牲畜生產為何以這種方式發生的原因。實際上,相對於大數據主題,將其視為小數據過程可能會有所幫助。

該過程從實驗室研究開始,採用科學方法作為通過實驗獲取知識的系統過程。事實上科學方法目的在確保實驗研究的結果不是偶然發生的(Herren 2014)。然而,留在實驗室的結果並沒有導致農田的創新和進步。在美國,美國農業部州立大學和私人企業合作開發科學進步。一個高效但分佈式的系統出現了,在該系統中,在實驗室中獲得的知識在實驗地塊上進行測試和改進,然後再擴展到農業生產者。

因此在農業中,科學知識需要有效地整合到實現預測和規範分析的努力目標。

即使存在這種額外的複雜性,基於新興數據科學功能的工具的潛力為更有效地最佳化操作,和為農業部門創造價值提供了重要的希望。

5 數位農業和食品系統

至此,本章重點介紹了可能影響大數據和數位技術,影響農業創新方式的個別技術和概念。本節將嘗試描繪我們可能稱之為數位農業的未來環境的更統一圖景。首先重點將繼續放在生產性農業層面。重點將強調管理能力,這在大多數情況下將取決於多種技術因素。將提供說明性示例。其次生產性農業只是更廣泛的糧食系統的一個組成部分。一個越來越多地使用數位技術和大數據來提高效率和效果的系統。本節的第二部分將探討這些努力與生產性農業內的實施之間的聯繫。還將討論社對該系統作用的會期望。

5.1 潛在數位農業的組成部分

本節將嘗試描繪可以為未來數位農業中的農民提供資訊的多個組成部分。這不是預測,因為這些組件目前在某種程度上正在被使用。相反討論將有望提供有關跨技術能力,整合時存在的潛力的見解。當然,人們需要記住這樣的現實因為某件事在技術上是可行的,管理者可能沒有足夠的理由採用這種創新。

8.4 以圖形方式標識了可以形成數位農業的幾個組成部分。將提供每個示例以說明它們的潛在應用。

之前已經詳細討論過精準農業。雖然許多農民經常使用,但技術能力的進步不斷提供新的機會。例如嵌入在玉米播種機中的感測器現在可以感應每個犁溝中的土壤水分、深度和其他因素,以在種植時完成最佳化種子的放置。同樣先前的討論涉及大數據應用。農民現在可以訂閱提供極其本地化的天氣資訊根據從數千英畝的生產分析中獲得的見解,以及他們自己的經驗獲得農藝指導的服務。隨著獲取更多數據以及繼續的研究和開發,此類服務的能力可能會增加。

物聯網是一個與精準農業密切相關的概念,它也值得單獨考慮。監測田間狀況以告知灌溉決策的感測器就是一個例子。類似地,糧倉中的感測器可以持續監測糧倉中的狀況。在這兩種情況下,相關系統都可以將實際和過去狀態通知管理人員。可以在需要時採取行動,並可以記錄可用於改進系統內演算法的資訊。

以工廠為基礎的製造業與大部分農業之間的主要區別在於,農業發生在開闊的地方,而且距離很遠。因此監控正在發生的事情一直是農場面臨的歷史性挑戰。如前所述,正在使用遙感來克服這種限制。數據來源可以來自衛星、固定翼飛機、UAS、固定設備或它們的某種組合。例如在澳大利亞,正在努力將牧場狀況的衛星監測與監測動物體重的感測器聯繫起來。使用演算法以估計使用該數據來推薦,何時將動物從有被過度放牧危險的圍場轉移到另一個更合適的圍場。在發展中國家的應用特別令人興奮,因為以前收集資訊的方法既昂貴又不足。或許遙感數據與其他資訊來源相結合,可以改善這些環境中的農業和糧食系統。以類似於手機顯著改善發展中國家通信方式的方式。這種農業系統顯著改善是可能的。

本章的第二部分描述了 1950 年代的一個故事,以說明農民一直希望利用其營運中的證據來提高農場的績效。量測的高成本或不可行性歷來限制了他們這樣做的能力。這裡被標記為農場研究,似乎有大量的創新和實驗,集中在農民可以應用的數位技術,來學習如何改進自己的營運的方式(穀物研究發展委員會 2016)。這種興趣體現在個體農民的行動、農民群體(包括合作社)的努力以及與資材提供者的合作。這些努力之所以令人振奮,是因為有收益的可能性,而且還因為以前農民從未獲得過的,加強管理控制的潛力。

最後,協調是數位農業的一個十分重要的方面。這種協調可能涉及相對簡單的技術。例如非洲國家的一群女農民了解到,如果有足夠的雞可以裝滿貿易商的卡車,他們可以使用手機通知貿易商。貿易商可以為他們的雞支付更高的價格。相比之下協調可能涉及將本地天氣預報與最有效使用設備的物流模型相結合,以實現大型農業經營。

8.4 提供了農業中關鍵子部門的高級視野圖。事實證明,這有助於考慮與大數據相關的未來競爭動態。在該圖中遺傳學子部門因其與大數據的聯繫而被單獨標識。該類別中的許多公司也有能力作為資材營運供應商。資材供應類別是指向農民提供設備、種子、肥料和化學品的供應商,以及金融和管理服務的供應商。生產性農業部門由農業公司組成,從資源匱乏的小農到家族企業,再到大公司的子公司。第一類加工商是指聚集、運輸和初步加工農產品,但是不直接向消費者銷售的公司。最後一部分涉及食品製造商和零售商。這些類型的活動在此合併,是因為它們對使用大數據工具,更好地了解消費者的共同興趣。

從策略角度來看,重要的是要強調大數據工具已經被廣泛使用。特別是在該行業的兩端。食品製造公司和食品零售層公司花費大量資源不斷加深對消費者的了解。通過應用大數據分析獲得的洞察力,可以讓管理人員預測和反應消費者的擔憂。在該行業的上游,生物資訊學和其他大數據工具被用來加速研發過程,提高該行業的基因組能力。圖 8.4 在一般層面上確定了自然存在於每個子行業中,並有可能在大數據應用中發揮重要作用的關鍵利益。

農業經營跨越時空發生。因此提供輸入、生產和匯總輸出的物流消耗了大量資源。資訊和通信技術的進步與大數據分析相結合,提供了減少所需資源量。無謂損失是一個術語,它描述了可以通過加強公司內部和公司之間的協調來減少的低效率系統。即使在先進的農業環境中,減少無謂的損失也被認為是大數據創新的一個有吸引力的潛在用途。

在這種情況下,無謂損失是指資材和產出(何時何地)交付的過程。對於許多人來說,一個更有趣的問題是大數據的應用是否可以從根本上改變關於應該做什麼的決策。我們能否進一步最佳化農業生產的生物對象,尤其是在更大的糧食和農業系統的背景下?早些時候有人指出,新的感測技術提供了監測和記錄農業生產實際發生的情況的潛力。由此產生的數據可能會提供以前所未有的詳細程度、時間和空間以及低成本。此外分析能力可以結合不同的數據來源來辨別以前未知的模式並提供以前無法獲得的見解。

這些創新的應用結果將是最佳化農業生產系統,同時減少其對環境的影響並提高盈利能力。在考慮這種可能最佳化的演變時,需要解決兩個相互關聯的因素:

生產性農業涉及具有相當大的不確定性的生物過程。因此即使人們確切地知道在一個生產季節發生了什麼,以及在這些情況下哪些操作可以最佳化性能,但該資訊可能無法很好地預測下一季應該發生哪些操作。

有一些人斷言,收集分佈在大地理區域的大量農業數據將提供足夠的資訊,以便可以估計天氣和位置的影響。這樣做將使大數據分析能夠回答這個問題,為什麼會發生生產變異?

農業科學一直致力於辨別農業生產的原因。其他人認為,農業科學技術和知識需要與大數據技術相結合,才能真正最佳化系統性能,而不是僅僅依靠大數據分析。

在當今大多數農業生產系統中,即使對發生的事情的了解,不一定存在於一個組織內。此外正如精準農業所指出的那樣,生產層面的個體實體通常沒有產生足夠數據的規模,也沒有分析該數據所需的能力。

由於這兩個因素,需要跨組織邊界的協作,才能充分利用大數據在農業中應用的潛在好處。除了技術有效性之外,還有許多因素會影響這種利用的速度和範圍。這些與知識產權和競爭動態,以及可用經濟利益的大小有關。此類障礙並非不可超越,既可以視為障礙,也可以視為機遇。然而如何解決這些問題將對大數據對農業績效的最終貢獻產生重大影響。

除了直接的經濟影響外,社會還對農業的社會和環境影響有著濃厚的興趣。食品安全與保障是每個社會的公共利益。減輕農業經營對環境的負面影響越來越受到關注,而且這種關注不僅限於發達國家的公民。除了公共部門的興趣,一些消費者群體對生產食品的做法和方法表達了興趣和擔憂。因此除了基於公共部門的監管之外,私人企業食品製造商和零售商,越來越需要有關其採用做法的文件。

有趣的是技術創新,例如前面提到的那些,有可能為它們的社會和環境影響提供更好的證據。其中包括更精確地量測和監控的工具和分析方法,以更好地理解和影響預測。

6 最後評論

從歷史上看,農業創新一直是改善個人和社會福祉的關鍵因素。雖然通過這種創新取得了很大進展,但還需要完成更多工作。尤其是在世界滿足不斷增長人口需求的同時,需要減少農業生產可能對自然環境造成的壓力。本章探討了影響數位技術和大數據的有效實施,在多大程度上有助於迫切需要的農業創新的因素。