本网讯 近年来,数字农业的优势显而易见,我国也在农业数字化建设中取得了明显成效,如设施装备条件明显得到改善,各类传感器、遥感卫星的研发应用;政策支持体系得到初步建立等。然而农业数字化实现过程中也面临诸多亟须解决的问题,比如天空地一体化数据获取能力较弱,农业基础数据资源体系建设尚不完善等。制约数字农业发展的因素有很多,笔者从技术推广角度、农作物遥感制图角度、低空无人机遥感角度以及农业模型角度,浅谈我国农业数字化面临的挑战。
全球粮食安全是21世纪全世界面临的关键挑战之一,农业粮食与食物体系尽快转型是应对这一挑战的重要举措。当前数字技术的普遍性、便携性和移动性正在改变着农业和粮食生产,这意味着数字化是农业转型发展的一条重要路径。在世界范围内,数字农业技术已经被广泛应用于农业领域且发展迅速,发达国家在数字农业上进行了大量投资,将数字农业作为战略重点和优先发展方向。粮农组织也制定了电子农业战略指南并开发多种应用程序、数据库和平台,旨在为世界各国农业数字化提供服务支持。在我国,政府高度重视农业数字化转型问题,自2015年开始规划数字农业的实施方案,2020年农业农村部发布《数字农业农村发展规划(2019—2025年)》,计划到2025年健全农业农村数据采集体系、天空地一体化观测网络,基本建成农业农村云平台等。
数字农业技术在生产实践中应用还很低
目前,虽然我国可落地应用的数字农业技术发展迅速,但在农业生产实践中推广应用的比例还很低。除了技术本身以及技术应用条件等客观原因外,生产经营主体在技术采用过程中所面临的知识约束也不容忽视。先进的农业技术能否转化为现实的生产力,取决于其是否为农户所采用。农户采用一项新技术,首先需要对该技术形成一定的认知,理解其是如何发挥作用的。在采用数字农业技术时,农户形成认知和正确理解的难度很高,需要克服巨大的知识门槛。
相较于传统技术,数字农业技术具有以下几个特点:前沿科技和交叉学科知识的含量高,以大数据、物联网、人工智能、遥感等技术为支撑,数字、计算、空间等科学知识等与传统农业科学、气象环境、经管等知识的结合构成其基本原理;以抽象无形的数据为关键要素,数据是数字农业技术产生智能的基础,为机械设备提供不易直观理解的“智慧”功能;软件和硬件结合使用,数字农业技术一般通过人机交互界面软件(如手机App)来操作硬件,数据和算法通过软件实现对机械设备的精准化、自动化控制。这些特征无论对数字农业技术的用户还是推广人员,都带来了知识上的挑战。
为了帮助经营主体克服知识约束,可以利用数字化技术开展农技推广。传统的农技推广方式难以有效帮助农户降低采用数字农业技术的知识门槛,而视频、虚拟现实(VR)等新兴可视化和传播工具能够作为有力的工具。具体而言,通过这些工具将农户使用一项新技术的实景过程、新技术的基本原理等内容,按照操作环节或知识点制作成(系列)短视频,通过在农户所在的互联网社交平台上分享这些短视频来实现知识和新技术在生产经营主体中的传播。这种方式使得知识的呈现形式有吸引力,能够激发农户学习和模仿;内容生动直观和本地化,易于农户理解和接受;传播和交流成本低,受众面广。除了在政府的农技推广中采用这些先进的方式外,还可以赋予涉农科研人员一定的农技推广职责,鼓励其发挥自身科技优势,探索和实施先进的农技推广手段。
农作物遥感制图仍处于起步阶段
农作物种植面积和空间分布信息是农作物长势监测、产量估算和水资源管理的基础数据,也是农作物结构调整和布局优化的主要依据。遥感技术因其高时效、大范围和低成本的优点,迅速成为了农作物种植面积和空间分布信息获取的主要手段。
美国、欧盟等发达国家和地区已经完成“农作物一张图”研制,并实现了业务化运行。例如,美国农业部的农情遥感监测系统已在2012年实现了全美30米空间分辨率农作物分布图的快速生产和定期更新,覆盖的农作物类型达121种。然而,受农业地理景观破碎、种植结构复杂、人为活动干扰强等多问题交织影响,我国基于遥感技术的“农作物一张图”研制仍处于起步探索阶段,尚缺乏精度高、现势性强、时空连续的农作物空间分布数据产品。这导致以作物分布图为基础数据的农作物估产、农作物结构调整、农业水资源管理等一系列研究和政策的发展受到阻碍。
随着卫星平台和遥感技术的不断发展,不同空间分辨率、不同光谱分辨率、不同时间观测频率的数据蓬勃发展。一方面,面对如此多的遥感数据平台,如何针对研究区域特点和制图目标,选取合适的多源遥感数据,研究适用于多源遥感数据的自动处理和数据挖掘方法,是目前农作物制图的重要环节。另一方面,如何结合线上和线下的农作物样本数据获取方式,拓展农作物样本的数量和类型,也是目前大区域农作物制图的重要发展方向。
低空无人机遥感尚未得到充分利用
低空无人机遥感作为一项对地观测的新兴技术,由于机动灵活、易于部署而被行业快速接纳和应用。在农业领域,无人机遥感逐步展现出巨大潜力,在作物长势监测方面可以得到与传统人工调查相近的结果精度,但效率却提升巨大,同时也可以获得传统卫星遥感平台中许多无法直接获得的作物长势特征,比如株高、生物量等。其对工作环境的适应性较好,数据采集可以按照实际需要来执行,容易获取理想的时序观测数据,突破了传统调查和卫星遥感调查模式的局限。
虽然,目前低空无人机遥感在农业生产信息获取过程的高效性被广泛接受,但其所具备高通量、高频次、高精度的特点并没有得到认识和充分利用。未来如果将这些优点用在作物生长模型优化,高通量作物表型获取辅助育种,天空地一体化观测等方面,势必对这些领域产生极大的推动作用。
农业模型在落地上遭遇瓶颈
农业模型涉及农业生产的各个环节,旨在定量化描述农业系统内外部要素间的相互关系。农业模型的研究尺度涵盖了从细胞、器官、个体、群体、区域到全球等不同层次,可为智慧农业中的信息感知、信息传输、决策支持提供有力的科学工具。农业模型从20世纪60年代发展至今,已经形成了一系列的模型产品。
随着传感器设备开发以及人工智能技术的高速发展,数据获取和分析已经具备了相应的技术储备。目前,智慧农业研究成果主要集中在传感器的开发、农业生产可视化等方面,在智能决策上的应用比较缺乏。农业模型在落地上遭遇瓶颈,主要体现在研究力量不足、实践积累不足、缺乏农业综合模型、推广力度不够等方面。
针对以上农业模型落地困难的原因,可以从以下两方面采取应对措施:一是设置农业模型相关专业。例如在智慧农业专业中系统地进行农业模型(包含植物、土壤、气象、植物保护等专业背景知识、遥感等监测技术、机械化田间管理技术、经济社会管理等学科)的学习,同时学习作物生产实践,并在作物生产中实践农业模型,全口径培养专业的储备型人才。二是与政府、公司等机构共同建设智慧农业生产实践基地。一方面借助机构的力量,让学生可以了解实际生产需求,另一方面,通过构建应用场景,让学生和社会实际了解农业模型,为模型的多学科融合以及推广奠定基础。农业生产中的水肥管理优化关乎着作物生产和环境保护,是农业模型发展和应用很好的突破口,同时也是能够将自然和经济社会的发展融合体现的研究对象。
(国际食物政策研究所高级研究员 游良志)
责任编辑:王志宏
【关于我们】【组织机构】【咨询投诉】【留言选登】【联系我们】 |