|
資料來源:
CAB Reviews 2018
13, No. 021
Digital revolution
and Big Data: a new revolution in agriculture
S. Himesh, E.V.S.
Prakasa Rao, K.C. Gouda, K.V. Ramesh, V. Rakesh, G.N. Mohapatra, B.
Kantha Rao,.K. Sahoo and P. Ajilesh
Address: CSIR
Fourth Paradigm Institute, Bangalore 560037, India.
http://www.cabi.org/cabreviews
這篇評論考慮了大數據的作用，數字革命，物聯網（IoT）和感測器技術在農業領域的應用。集中介質在對正在進行的大數據研究工作 農業部門的基本特徵中大數據和最新發展，大數據分析工具。在隨後的章節中介質，大數據在農業領域的應用，並在提高農業生產力成功的故事例子。在目前的情況大數據和數字農業其未來的前景，並討論了其在農業部門實施的瓶頸。在物聯網，感測器技術，大數據和雲計算的推動下，農業領域正在經歷新的變革和變革。農業領域的數字革命是非常有希望的，它將使農業部門邁向更高的農業生產率和利潤水準。這種轉變過程看起來是不可逆轉的，並且不僅將徹底改變農業，而且將徹底改變整個農場到食品部門。
審查方法：本文不是對大數據或數字革命進行深入評論，而是將重點放在這些工具在提高農業部門整體生產率的應用。強調瞭如何使得大數據和數字革命相輔相成，共同推動了農業的新革命，這是典範的轉變。本文還探討了數字革命和物聯網如何推動農業領域大數據的研究和應用。除了一些最初的概念之外，大多數評論材料均來自在線資源。在相關領域工作的領先期刊，摘要，會議論文，技術，科學報告，網頁。
正在進行的研究工作
傳統的基於技術的農業正在迅速轉變為數字和知識驅動型農業。大數據在提高農業生產力方面發揮著關鍵作用。隨著GPS和感測器技術與物聯網（IoT）相結合的出現，農業中的大數據正在迅速生成。具有感測器的GPS農場設備正在產生各種（土壤，作物，天氣等）田間數據，這些數據可以即時傳輸到中央伺服器。有關土壤，天氣，氣候，作物等的數字消息對於數字農業和預測性數據分析十分重要。物聯網的爆炸性增長和移動數據的滲透更進一步推動了傳統農業向數字農業的轉變。一些公司現在正在根據農業歷史數據（作物產量，天氣，土壤，種子和肥料）制定最佳的作物計劃方法，以提高農場的生產力和盈利能力。可以使用數據分析和物聯網開發有價值的決策支持系統（DSS）工具，以提高農場生產力。基於客觀信息開發的DSS工具有助於精確農業，從而降低投入成本並最大化收益（澳大利亞農業研究所，研究報告2016）。
根據Bronson和Knezevic
[1]的說法，“農業正在經歷數字革命”。新的信息和通信技術（ICT）和IoT創新正在農業與食品行業的收集，通信，建檔，數據分析和決策中迅速發展。曳引機現在裝有感測器，可以收集農場等級的數據（作物和土壤數據）。農民可以參考數據以做出明智的決定（作物選擇，灌溉等）。例如，綜合田間系統目的使用於現場數據收集（土壤，雜草和天氣），並幫助農民做出無風險或低風險的決策。由加拿大國家農業信息服務（NAIS）開發的農業氣候影響報告員（AIR）提供了一系列尺度的氣候和天氣數據：地方，區域和國家。食品公司使用數據分析，了解消費者的喜好食品。這反過來又影響農業活動。
大數據和物聯網將徹底改變農業作業和農業食品領域的營運。現在大數據已在農業領域得到廣泛應用，涵蓋了整個農業生命週期以及相關實行，包括從收穫後加工到食品加工及其營銷。面對氣候變化和市場脆弱性，具有適當分析功能的大數據可用於目標干預，以實現農業生產力及其可持續性。國際熱帶農業中心（CIAT）的科學家已使用大數據 實用程序，根據氣候變化為小型農民設計量身定制的耕作策略（https://ccafs.cgiar.org）。應用的大數據 分析技術用於調查氣候變異性對水稻產量的影響；找出導致稻米減產的原因，確定生產品種以及哥倫比亞特定地點的理想播種時間。這些有針對性的干預措施，可望使每公頃水稻產量增加1-3噸。只要有相關數據可用（歷史氣候和農作物產量數據，耕作方法等），類似的數據分析就可以在其他地方用於解決類似的問題。以動態和成功的管理大數據將是關鍵。在農業食品部門而對不斷變化的氣候和極端的不利影響永續方式。在CIAT的科學家正在推動 在數據驅動的農業。他們的努力贏得了聯合國全球脈衝的大數據氣候挑戰獎（https://ccafs.cgiar.org/bigdata#.WifOAYVOLvU）。
大數據 應用程序在解決諸如糧食安全，可持續性，農場生產力和利潤等全球性問題上，可以走很長的路。大數據的應用範圍遠遠超出了農業和覆蓋整個供應鏈。物聯網的發展，農業中作物對象和設備的無線連接以及供應鏈產生了許多即時訪問的新數據集。大數據 設置為導致智慧農業Smart
Farming，SF的範圍和操作發生重大變化。在規模和速度這是從來沒有見過。業務分析正在成為一個真正的遊戲規則，重塑新的商業模式[2]。
從農場到食品的作業和研究，其整個週期在本質上跨學科面對不同的科學家，農藝專家，遺傳學家環境工程師，氣象，氣候和生態學家。大數據和物聯網共同為農業和食品工業開闢了新的可能性[3]。但是，由於許多瓶頸，例如互聯網普及率有限[4]，帶寬等，因此對發展中國家的這一新興領域並未給予太多重視。然而，移動電話和移動寬帶連接的迅速普及，發展中國家正在開闢新的領域。因此以數據為導向的智慧農業的機會也很大[5]。
在開發國家，由大數據 驅動的應用程序主要集中在提高大規模商業農業的生產力和效率上。而在發展中國家，這些應用程序主要集中在系統問題上，例如農業市場和供應鏈管理。與開發國家不同，在開發國家中，大數據驅動的農業活動是由私人參與者推動的。而公共部門和非政府組織則是發展中國家的主要參與者[6]。據聯合國糧農組織（世界農業），到2100年，氣候變化可能會危及全球和地方糧食安全（HTTP： / /www.fao.org/3/ A-y4252e.pdf）。大數據分析在理解和減輕與氣候有關的風險中可以發揮重要作用。
大數據的基本功能
現有和新興的數據分析和物聯網技術，為農場到食品領域的大數據 應用提供了極大潛力。大數據的一般的特徵在於三種主要功能或尺寸：體積，速度，種類。大數據 的捲維度不一定與大小有關，因為物聯網和感測器的數據規模正在迅速增長，並且大數據的規格大小也在不斷增加。大數據的維度在主觀上被描述為那些數據集，其大小超出了常規數據庫工具處理它們的能力。同樣，跨部門的大數據概念也不相同。大數據 的大小可以從TB級到PB級不等。速度維度是指即時獲取，處理，理解和解釋數據的能力，基本上是數據處理的速度。多樣性維度是新穎而有趣的[7]，但簡單來說，它是代表數據類型的數量（圖像，文本，數字等）。大型公司農場使用配備感測器的精密無人機來收集各種農業數據（生長，雜草，疾病）。但是個人和邊緣農民可以使用平板電腦和智能手機，水分感測器等設備收集有用的數據。
大數據分析的一些工具
數據分析目的在從數據中獲取知識和智慧，這是一個自下而上的過程，如圖1所示。
Figure 1 Data to
wisdom (https://en.wikipedia.org/wiki/ DIKW_pyramid).
BIGDATA Analytics是指收集，組織，固化，分析和建模以發現模式和趨勢的過程。有許多標準的大數據 分析工具：Hadoop，MapReduce，HDFS，HIVE，HBase。Hadoop是用於數據存儲和運行分析的資源後多任務軟件。MapReduce是用於集群中並行和分佈式算法的大數據 處理的編程模型。HDFS是基於Java的文件系統，具有模塊化，可伸縮性和可靠性。可以在4500個伺服器的單個群集中存儲多達200PB的數據，處理近十億個文件和塊。HIVE也能夠分析存儲在Hadoop
HDFS中的大數據集。HBase是一個分佈式數據庫，目的在處理具有數十億行和數百萬列的大型表，並且可以提供對大數據的實時讀寫訪問[8]。農業正確地適合的大數據在數量上(美國地3.5億英畝農場)，速度(一台曳引機，現在以5Hz對每個操作，記錄100秒的數據點），種類（作物類型，土壤健康數據，天氣，疾病，數據格式）。
大數據在農業中的重要性
大數據的支持者承諾，可做到以前無法做到的精確度，信息存儲，處理和分析水準[9]。信息和通信技術的採用，移動寬帶連接，在發展中國家是一個非常快速的速度增長。上述因素的結合提供了前所未有的機遇會，大數據的應用由於分辨率環境，氣候和經濟數據的可用性增加，再加上可負擔得起的計算能力，已經引起人們對大數據經濟學，氣候變化和農業等許多領域中大規模使用的巨大興趣。解決農業領域許多懸而未決的新問題所必需的計算工具和數據現在變得越來越容易獲得，這有可能釋放出從生產力到風險管理等農業領域，令人難以置信的各種可能性的機會[10]
。
農業是印度等許多發展中國家經濟的重要部門，該國僱用了很大一部分勞動力（<50％）。改進天氣和氣候知識使行業更加富有成效。雨水灌溉農業仍然是一項冒險的業務，因為農業生產波動的80％是降雨變化的結果。在許多以雨水灌溉農業為標準的發展中國家，好雨季代表著農作物的豐產，糧食安全的提高和經濟的健康。降雨失敗和自然災害（如洪水和乾旱）的發生可能導致作物歉收，糧食不安全，飢荒，生命損失。氣候多變性和惡劣天氣事件是造成農業災害的原因。大數據分析可以補充傳統的天氣預報和氣候預測，從而在很大程度上降低對農業的風險。
意識到巨大的機會，許多大型科技公司（Google，IBM）和初創企業吸引極大的興趣，並進行了大規模投資以利用大數據 在農業和相關行業中[2]。大數據 和農業公司的新興格局如圖2所示。孟山都（Monsanto）和John
Deere等農業公司在開發基於大數據的工具（土壤，天氣和種子）方面進行了大量投資，以幫助農民提高產量和利潤率。孟山都是新興的大領導者，在這個空間由工作大數據分析進行。在其農業業務鏈，從氣候計畫重刑，是作式生產至基因工程。
Figure 2
Different stake holders of Big Data in agriculture and its allied
sectors (source: [2]).
數字農業和大數據：當前場景
SF 系統對於ICT和大數據 的使用仍處於早期開發階段。SF利用ICT和大數據 ，可以可視化為網絡物理農場管理週期，包括收穫後和食物供應鏈運作。SF是一個強調在物理網絡農場管理週期中使用ICT的系統。物聯網和雲計算等新技術有望利用該系統，並在農業中引入更多的機器人和人工智慧。數字農業是由大數據現象驅動的，在大數據現象中，可以收集，分析大量海量數據並將其用於決策。隨著智慧感測器，物聯網，雲計算和即時數據生成的出現，傳統的耕作方式將轉變為現代的數據驅動和數據支持的SF
[11]。
與僅僅考慮田間可變性的精密農業不同，SF超越了包括從農場到食物的整個週期，並通過即時事件觸發的情境和情勢感知得到了增強。SF的概念性網絡物理系統如圖3所示。整個系統由物聯網，智慧設備和感測器驅動。由大數據分析驅動的SF系統科是可持續農業和糧食安全的關鍵[12]。
Figure 3 The
cyber-physical management cycle of Smart Farming enhanced by cloud-based
event and data management (source: [12]). In such a system, intelligent
decision can be made by combining on-site field data and weather data to
minimize the risk to farmer
圖3通過基於雲的事件和數據管理增強了智能農業的網絡物理管理週期（來源：[12]）。
在這樣的系統中，可以通過結合現場實地數據和天氣數據來做出明智的決策，以最大程度地降低對農民的風險
該IOTS結合了集約，高產，優質，高效，生態可持續發展的一個新的農業。基於物聯網技術的設施農業是新的，並且是現代數據驅動的SF的新興趨勢。“設施農業”通常由感知層（數據感知獲取），傳輸層（數據傳輸）和應用程序層組成。應用層主要負責數據分析，預警，自動控制和科學決策。設施農業由RFIDS，感測器（光，溫度，濕度，壓力，CO2，植物生長），具有GPRS的無線數據傳輸，智能消息處理和雲計算組成。圖4顯示了典型的設施農業[13]。
Figure 4 The Facility Agriculture-based on IoT
technologies [13].
數字農業的一些工具
IT，物聯網，感測器和雲計算的出現推動了新一代智慧設備的發展。這些設備可以幫助。農業作業的智慧管理，即時現場數據生成，提高農場生產率和盈利能力。e-Kisaan平板電腦裝有有關支持IT的農業，教育和衛生的信息，並已分發給印度南部省份（Karnataka）的農民。這款平板電腦是在農民之間共享最佳實作並促進更高水準互動的催化劑。該工具提供了有關天氣，食品加工，肥料，農藥，種子，作物組合等的一系列消息。除與農業相關的內容外，平板電腦還提供了其他信息，例如教育，電子政務，雨水收集和基本信消息。衛生保健。農民可以通過交互為目的創建呼叫中心聯絡。該工具的Android版本正在開發中。
Plantix是病蟲害管理工具。這種現代的數字工具使農民可以使用手機識別病蟲害並提供補救措施。app“
Plantix”的關鍵功能是自動疾病診斷。農民可以上傳其感染農作物的照片，app將提供診斷。除了提供診斷和減輕疾病的步驟外，該app還提供有關在下一個種植季節預防該疾病的消息。還為農民提供了防治病蟲害的生物處理方法。鑑於印度過度使用化學農藥，該app還有助於傳播減少農藥的最佳實作方法。該app還具有一個疾病庫，如果沒有連接網路，農民可以直接參考。目前，該數據庫擁有6萬張照片，涵蓋了印度的30種作物，全球的60種作物，並針對200多種作物疾病制定了處方。每一次農民上傳一個診斷照片，這將是時間標記和地理參考。因此該數據庫還促進了監測病蟲害爆發，並可以發送特定位置的預警消息。可以在任何基於Android的移動設備上下載該app。為了解決連接問題，可以拍攝照片，然後在Internet連接可用時上傳。這是在印度南部省份（Telangana）實施的試點項目的一部分。http：//www.icrisat.org/mobile-app-for-pest-and-disease-management-of。
AgDNA（http://agdna.com）是最流行的基於雲網絡平台的app，在使農民獲得最大收益。該工具幫助農民在他們的活動的色域，從土壤到倉儲作者：農場計劃，庫存管理，農藝的見解，設備最佳化，財務記錄和電子市場。同樣，這將啟用基於物聯網的數據驅動的SF。AgDNA通過幫助農民最大化利潤和生產力，正在改變農業的未來。這是一個企業級的精確農業平台，將數據科學和物聯網相結合，可幫助農業社區降低投入成本，並最大程度地提高農場生產力和利潤率。AgDNA被認為是世界上最智慧的農業平台之一。
孟山都（Monsanto）田間程式可用於水，肥料和播種等的空間可變應用。可通過從農民獲得反饋信息來改進此田間程式。一般來說，開發預測分析工具至少需要5年的數據（產量，肥料，種子）（研究報告，2016，澳大利亞農業研究所）。http://www.crdc.com.au/sites/default/files/pdf/ Big_Data_Report_web.pdf。
IntelliSense物聯網將成為高效和生態可持續農業的重要工具。它對提高農業發展水平，提高農業綜合效率及其轉化具有重要意義[13]。
大數據在農業中的未來和瓶頸
在大數據被打翻是農業中的第四次革命。據AgDNA的CEO，農業部門已作好準備，通過推動見證巨大破壞，大數據網站（www。linkedin.com/pulse/data/fourth-rev olution農業保turne）。GPS的問世和地理定位特定地點的數據早在1980年明尼蘇達大學使用土壤樣本數據來改變石灰應用時就為農業數字化轉型奠定了基礎。許多類似AgDNA的AgTech公司都在開發強大的分析工具和軟件，以瞭解數據並幫助農業降低風險做出明智的決策。從農場到食品過程的未來，數據分析將推動作物計劃，灌溉，肥料施用，疾病控制，收割和收穫後加工，運輸，到最終用戶的食品供應鏈。技術和工具，模擬，建模，大數據，遙感數據，地理信息系統（GIS），自動氣象站（AWS）和IoT的組合可用於開發綜合農業管理和DSS，如圖5所示。
Figure 5 Conceptual
diagram of agriculture management and decision support system.
印度等國家/地區，農業是經濟的重要組成部分，佔GDP的15％和就業的50％。但是，目前只有30-60％的產量。還有巨大的潛力來提高印度農業部門的績效和生產力[14]。
在發展中國家，邊緣農民的土地持有面積（2-5英畝）支離破碎，他們所面臨的資源和市場的獲取受到限制，通常被認為是成功實施新技術和發展新能力的主要障礙。基於大數據的解決方案[15]。相對而言，對發展中經濟體，在農業食品價值鏈中，基於大數據的解決方案的潛力的關注有限[4]。數據安全性，數據所有權和數據品質仍然存在許多問題。
(註解)：這是印度學界的神話故事，發表於2018年6月，作者專業背景未知。
References
Bronson K, Knezevic
I. Big Data in food and agriculture. Big Data & Society 2016;3(1):1–5:
DOI: 10.1177/ 2053951716648174.
Wolfert S, Ge L,
Verdouw C, Boggardt M-J. Big Data in Smart Farming – a review.
Agricultural Systems 2017;153:69–80.
Woodard JD. Data
science and management for large scale empirical applications in
agricultural and applied economics research. Applied Economic
Perspectives and Policy 2016;38(3):373–88.
Kshetri N. The
emerging role of Big Data in key development issues: opportunities,
challenges, and concerns. Big Data and Society 2014;1(2):1–20. DOI:
10.1177/ 2053951714564227.
Salami A,
Kamara AB, Brixiova Z. Smallholder Agriculture in East Africa: Trends,
Constraints, and Opportunities. Working Paper Series 2010 #105. African
Development Bank. Available from: URL:
http:/www.afdb.org/
(last accessed 5 July 2015).
Protopop L,
Shanoyan A. Big Data and smallholder farmers: Big Data applications in
the agri-food supply chain in developing countries. International Food
and Agribusiness Management Review 2016:19.A:173–90.
Steve S. Big Data
and the Ag sector: more than lots of numbers. International Food and
Agribusiness Management Review 2014;17(1):1–20.
Surya P, Laurence
P, Ashok K. The role of Big Data analytics in agriculture sector.
International Journal Advanced Research in Biology, Engineering, Science
and Technology (IJARBEST) 2016;10(2):830–8.
Datafloq (2015)
John Deere is revolutionizing farming with Big Data. Available from:
URL: https://datafloq.com/read/
johndeere-revolutionizing-farming-big-data/511
(last accessed 15 July 2015 ). Available from: URL: https://
datafloq.com/read/ john-deere-revolutionizing-farming-big-data/511.
Woodard JD. Big
Data and Ag-Analytics: an open source, open data platform for
agricultural and environmental finance, insurance, and risk.
Agricultural Finance Review 2016;76(1):15–26. https://doi.org/10.1108/AFR-03-2016-0018.
Sundmaeker H,
Verdouw C, Wolfert S, Pérez Freire L.
Internet of food
and farm 2020. In Vermesan O, Friess P, editors. Digitising the Industry
– Internet of Things Connecting Physical, Digital and Virtual Worlds.
River Publishers, Gistrup/Delft; 2016. pp. 129–51.
Wolfert J, Sørensen
CG, Goense D. A Future Internet Collaboration Platform for Safe and
Healthy Food from Farm to Fork, Global Conference (SRII), 2014 Annual
SRII. IEEE, San Jose, CA, USA, pp. 266–73.
Zhou L, Song L, Xie
C, Zhang J. Applications of Internet of Things in the facility
agriculture. 6th Computer and Computing Technologies in Agriculture (CCTA)
2012;6:297–303. DOI:10.1007/978-3-642-36124-1_36.
Yadav R, Rathod J,
Nair V. Big Data meets small sensors in precision agriculture.
International Journal of Computer Applications (0975 – 8887),
Applications of Computers and Electronics for the Welfare of Rural
Masses (ACEWRM) 2015;1–4.
Jack BK.
Constraints on the Adoption of Agricultural Technologies in Developing
Countries. White paper, Agricultural Technology Adoption Initiative
2011: J-PAL (MIT) and CEGA (UC Berkeley):2–55.
|
