0 引 言
习近平总书记提出：“要用大数据提升国家治理现代化水平。要建立健全大数据辅助科学决策和社会治理的机制，推进政府管理和社会治理模式创新，实现政府决策科学化、社会治理精准化、公共服务高效化。”［1］为落实党中央决策部署，适应时代发展迫切需要，农业农村部于2021年成立了农业农村部大数据发展中心。2024年，国家数据局会同中央网信办、农业农村部等部门在《“数据要素x”三年行动计划（2024—2026年）》中提出提升农业生产数智化水平，推进产业链数据融通创新［2］。同年，农业农村部在《全国智慧农业行动计划（2024—2028年）》中提出打造国家农业农村大数据平台［3］。农业生产大数据建设得到空前的重视。
数据作为重点要素服务中国千行百业，搭建起了居民、生产者、消费者、企业主体连接各类机构的桥梁，为居民生产和生活提供了便利。美团［4］通过对餐食购买过程的门店、菜品、递送等百亿级数据要素进行积累，构建了含有Query-POI（Point of Interest）点击行为和Tag-POI关联信息支持图学习的知识图谱，为非结构化数据挖掘提供有效工具，提高了餐饮商家和用户对接效率。滴滴出行［5］基于大量的出租车、驾驶员、出行地点、行驶路线数据，能够准确地预测从出发地到目的地的持续时间，得益于有效的数据治理，能够支撑每天数十亿条的TTE（Travel Time Estimation）查询，从而高效匹配出租车与出行人员，减少出行过程消耗时间。抖音［6］积累了海量的视频、用户偏好，以及人机交互数据，通过用户画像进行内容推荐，以提升用户对平台内容的黏性。此外，大数据治理在医疗［7］、交通［8］，工业生产［9］等领域均有较好的应用。农业场景方面，国家农业信息化工程技术研究中心［10-12］以涉农专家知识、行业垂直领域业务平台、生产过程服务等数据为基础，围绕农业知识服务数据治理、数据驱动农事服务与农情研判，以及面向智慧蔬菜农场作业场景开展了理论和应用研究，实现了农业知识在线服务。中国农业科学院农业信息研究所［13］针对农产品市场进行了较长时间的数据治理，采集和分析市场价格数据、市场影响要素等，实现了不同区域、多维数据的农产品市场价格波动性分析。佳格天地［14］基于气象和地理信息数据的管理分析，采用深度学习的方法预测降雨，达到了较好的效果。类似的农业数据治理场景包括农业遥感数据［15, 16］、农业生产数据管控数据［17］、农业技术与知识服务数据［18］，以及智慧化生产作业［19］等新质生产力。
本文针对农业生产核心数据缺失、数据质量不高、共享开放不足、开发利用不够、治理机制不明的问题。从农业生产大数据治理关键技术、基本场景和发展方向三个方面。首先阐述不同场景下适宜匹配的数据治理技术和方法，涵盖农业生产数据的获取、处理、存储、交换、管理、分析、安全的全生命周期的多个环节的治理方法；而后介绍农业生产数据治理的基本场景，明确数据治理类型、治理过程和不同场景下的数据治理目标，涵盖数据驱动农业生产的不同类型的平台与服务范式，并明晰农业生产过程产前、产中和产后三个阶段的数据治理推动数据要素服务全链条生产并衍生价值；最后对农业大数据治理的未来进行展望。
1 农业生产大数据治理关键技术
如图1所示，农业生产大数据治理和应用主要包括关键技术和场景适配应用，关键技术作为场景的基本支撑，通过数据匹配工具、算力匹配工具、网络适配中间件、模型匹配中间件、场景匹配中间件和业务柔性组配工具将治理的关键技术高效、稳定地应用在农业生产管理场景中。其中关键技术主要包括数据获取与处理技术、数据存储与交换技术、数据管理技术、数据分析技术、大模型技术和数据安全保障技术。
1.1 农业生产数据获取与处理技术
农业生产大数据治理的前提条件是数据获取，该阶段需要尽可能地采集准确、完整、可靠的高质量数据，并根据实际业务需要进行处理。数据类型主要包括文本资料数据、物联网数据、遥感数据、移动终端数据、专家知识数据、跨平台交互数据等，其中物联网数据、遥感数据、终端类数据具有海量、实时性特征，需要在农业生产过程重点处理。
物联网数据获取与处理方面，设施、大田类监测设备通常将多要素类型传感器感知生产环境数据和感知后的数据集中到总线，通过微控制器连接通信终端，通信模块将数据传输至云端，实现数据的实时上报。由于数据传输过程中通信中断、信息堵塞、断电等情况时有发生，数据的完整性难以保障。于景鑫等［20］对中国21个省份、970个监测站、6 000万条土壤墒情数据采取了深度学习校验插补建模，构建了多源土壤墒情大数据。乔小丹等［21］通过基于贝叶斯优化的XGBoost补偿模型，提升了非色散红外CO2传感器测量精度。肖雪朋等［22］基于边缘计算采用多模态感知融合算法进行传感器异常数据检测，使用滑动窗口方式处理数据流无限的问题，减轻了服务器压力，降低了数据传输延迟，较传统静态异常检测方法有较好的提升。
遥感数据获取与处理方面，Xu等［23］研发了地面感知的表型设备，由三台数字相机组成，能够有效获取不同角度、不同光照条件下的高通量玉米穗信息，并将数据进行了融合处理，为玉米表型数据采集和高通量分析提供支撑。赵胜利等［24］介绍了无人机遥感在作物生长监测的系统组成、数据获取关键指标，以及匹配监测传感器的特点，借助无人机遥感监测成本低、时效强、抗干扰、高分辨的优势，通过在作物生长监测、精准灌溉、精准施肥领域应用，实现低空监测体系数据的精细化采集处理。庄家煜等［25］研究了高空遥感为主的卫星数据监测和应用体系，表明通过卫星数据监测具有范围广、信息量大、持续时间长的优势，通过卫星监测数据的获取和处理能够为土地资源勘测、农作物种植环境监测、农作物长势监测与产量评估、农业灾害监测与应急管理提供较好的支撑。Huang等［26］通过分析安装在高分辨率卫星、载人飞机、无人机和地面结构的传感器，提出了适合农业遥感大数据的四层十二级的遥感数据管理结构，为后续基于遥感面向区域和农场尺度研究提供参考。
终端类数据获取与处理方面，农机终端是农事作业的重要工具之一，Yin等［27］和Shang等［28］研究了基于农机终端多传感器对深松耕、收获环节进行作业参数、作业数量、作业质量的实时监测，同时将农机作业过程中的多源数据进行融合，通过边缘计算提升数据的处理效率，为农机作业大数据的积累和分析奠定了基础。通过智能手机获取的图像、影像、位置信息等能够为农业技术服务提供优质数据源，Wang等［29］和Wang等［30］通过2017年上线的中国农技推广信息服务平台从手机端采集的2 000万条结构化问句中获取，并进行了覆盖品种选择、病虫草害、土壤肥料等12种问句类型的智能化分类、向量化、相似度匹配等处理，是构建智能问答系统的基础。
1.2 农业生产数据存储与交换技术
农业生产数据存储和交换分别是数据治理的基石和桥梁。数据存储技术主要是包括关系型数据库、非关系型数据库、空间数据库，为了提升农业生产数据信息的归集、检索效率，近年面向农业技术服务、农业资产数据管理等场景开始使用图数据库的组织形式。数据交换技术主要包括物联网常用的消息队列遥测传输（Message Queuing Telemetry Transport, MQTT）等协议，基于抽取-转换-加载（Extract- Transform-Load, ETL）工具或数据镜像的数据库同步技术、基于表现层状态转换（Representational State Transfer, RESTful）或简单对象访问协议（Simple Object Access Protocol, SOAP）的接口技术和基于Hadoop或Spark的分布式数据交换。
数据存储方面，刘智臣［31］在农业大数据生产决策系统中提出了基于Hadoop集群分布式存储子系统构建，支持本地和云端部署，并在5G物联网生产系统验证了可行性。尹向东等［32］提出了适用于农业物联网数据库集群系统优化方法，分别通过虚拟服务器（Linux Virtual Server, LVS）算法实现流量分发以保障负载均衡，采用MyCat代理中间件实现读写分离，借助Keepalived实现高可用保障服务，以Grid数据复制形式保障数据一致性，系统优化后性能得到提高。黄宇杰等［33］面向贵州大量、范围广的农业资源特点，参照国家和行业标准制定了农业资源信息数据库规范体系，为农业空间和专题数据组织提供依据。杨贵军等［34］介绍了能够应用于粮食生产大数据治理的MySQL、Oracle等结构化关系数据库，InfluxDB等时序数据库、Hadoop分布式文件系统（Hadoop Distributed File System, HDFS），以及NoSQL非结构化数据库，为平台研发提供技术支撑。
图数据库构建方面，借助图结构存储查询便捷的优势，李攀等［35］开展了结合天气预报和水稻生育期水分调控灌溉试验，采用Neo4j图数据库构建了灌溉决策知识图谱，为灌溉策略的研究提供基础。彭雨侬等［36］通过构建知识图谱来处理玉米生产过程的半结构化专家表格栽培数据、非结构化的光学字符识别（Optical Character Recognition, OCR）技术书籍识别后生成的TXT文档，为命名实体识别等工作提供支撑。Lyu等［37］通过预训练模型构建了具有双流结构的文本图像学习方法，以图数据库的形式提供多模态问答、知识查询、农产品推荐服务。Zhang等［38］针对重要农艺性状调控多表性鉴定，采用知识图谱模式进行基因型与性状之间关联，采用Neo4j图数据库存储1 235 591个节点和547 224个关系，为知识驱动模型预测调控基因提供较好的基础。
数据交换技术方面，目前比较权威的农业生产数据主要来源包括联合国粮食及农业组织（Food and Agriculture Organization of the United Nations, FAO）、美国农业部和中国国家图书馆等。陈金龙等［39］实现了EC、pH、控制信号高精度传输，经由JSON格式文件规范化后，由控制器通过RS232通信透传至4 G 数据传输单元（Data Transfer Unit, DTU）模块，经过MQTT协议远程传输至云平台，保障了远程通信的稳定可靠。FAO、美国农业部［40］通过ETL、数据镜像、数据库同步等技术支持数据交互保障一致性和稳定性。农业农村部大数据发展中心的大数据公共平台基座，通过跨部门涉农数据共享交换接口，为农业生产数据共享提供基础支撑［41］。国家农业科学数据中心［42］面向公众提供学术论文、项目数据、科学研究数据，以及各类专题数据集。浙江省［43］、江苏省［44］面向社会公众共享JSON、XML、API、RDF等形式的数据以支撑农业生产服务。
1.3 农业生产数据管理技术
农业生产数据管理技术包括元数据管理技术、数据仓库构建技术、主数据管理技术和数据血缘分析技术。
主数据管理方面，Pansara［51］介绍了主数据管理作为AgTech公司的一项重要技术来保障财务数据、天气数据、传感器数据等大量实时数据的可用性、一致性和准确性。农业农村部大数据发展中心于2023年组织开展农业农村大数据主数据规范行业标准编制工作，规定农业农村大数据主数据的分类、名称、格式、值域、来源方式、准入规则，以及标准代码集［52］，为中国农业农村大数据治理提供参考。郜小飞等［53］提出了面向主数据质量改进的评估模型、工具和流程，有效解决了数据不一致、完整性差和高错误率问题。郑诗雨［54］通过对存量的编码数据清洗，后续增量主数据质量控制，逐步提升主数据库中数据质量，提升了组织的整体数据“质量”和响应“效率”。
1.4 农业生产数据分析技术
农业生产数据分析技术包括众包标注技术、单模态数据分析技术和多模态数据分析技术。
数据众包标注是智能化分析的必要过程，数据标注的质量将直接影响分析过程和结果。Laso Bayas等［58］使用GeoWiki众包工具通过来自世界各地80多名参与者审查了近36 000个样本单位，相关数据可用于生成高分辨率遥感地图，支持农田识别与分类。Hadi等［59］通过印度尼西亚国家规模的众包标注实现了土地覆盖数据集构建，主要的做法是构建绘图社区和公民科学社区，并对绘图过程进行演示，专家针对十七个详细类别和七个通用类别进行指导。姜京池等［60］在农学专家指导下针对农业书籍3.7万个实体、3.5万个实体关系，以及农业百科中1.1万个实体、1.5万个实体关系，提出了主动学习与众包标注结合的农业知识标注体系，从实体识别、关系抽取任务中证明主动学习可实现标注成本的节约，提升标注效率和模型训练结果。
在单模态数据分析方面，Wang等［61］针对设施生产土壤温度在病虫害管理和作物长势的精确调控提出了ReSSA-iTransformer预测模型，土壤温度预测准确率达到98.51%，能够通过稳定的预测面向农事生产提供数据参考。Yu等［62］通过Transformer全局建模和双向长短期记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）局部处理深度学习架构，采用相对位置编码和混合稀疏注意力增强特征提取，并通过时间前途策略实现计算效率优化，实现5~18种输入特征对6~48小时不同时长的日光温室冬季温度预测，为设施栽培提供支持。Yadav等［63］使用了2003—2013年的美国农业部数据，采用随机森林、决策树和装袋回归等机器学习模型和探索性数据分析来预测作物产量，实现了98.59%的准确性，提供了优化农业生产效能的可行模式。Wu等［64］针对露地蔬菜生产土壤准备、起垄、移栽、播种等不同任务，研究了作业任务顺序、距离约束，基于无人驾驶机具行驶距离和机具更换成本，建立了扩展任务成本函数，基于公式的捆绑算法和时间窗口优化，解决无人化作业生产中的任务冲突并优化了分配任务。高发瑞等［65］基于水稻生产大数据提出改进YOLOv8模型实现了少参数量计算，达到95.2%的准确率，为稻田中的杂草控制提供支持。
在多模态数据分析方面，Cao等［36］提出了有效的多模态自监督学习框架（Multi-Model Self-Supervised Learning, MMSSL），集成了图像、文本的对比学习，引入交叉注意力机制为学习模块提供了蒙版分支，帮助解码器进行准确的解码预测，实现了少量样本黄瓜病害识别，且识别准确率达到95%。沈伟豪等［66］通过观测遥感影像、社交媒体文本、地理信息数据等洪涝灾害发生的多源异构数据，构建了多模态知识图谱并实现了知识抽取，分别通过深度残差全卷积神经网络分析遥感数据、利用地理逆编码将影像数据转化为文本，并进行命名实体识别、关系抽取，以及相似度匹配等进行知识表达与关联，实现农业受灾面积、农作物类型、农作物价值的功劳灾害评估。Wang等［67］在收获-运输操作场景中，使用定义了拓扑结构构建了农场电子地图，建立了多收割机任务分配模型，提出了基于最近邻启发式的贪婪最小-最大负载平衡算法获取收割机任务序列，并基于任务序列完成全过程规划，整体操作时间平均减少29.8分钟，为收获-运输及类似场景调度和规划提供支撑。袁立存等［68］提出了一种多模态知识图谱水稻施肥判别方法，提取了返青肥、分蘖肥、穗肥、粒肥4个施肥器跨模态特征短语，结合对比语言-图像预训练（Contrastive Language-Image Pre-Training, CLIP）模型得到与图像匹配的节点权重组成具有跨模态的新的三元组，计算输入信息的综合匹配度，并使用大田采集的生产图像验证，水稻施肥判别准确率达到86.2%，为水稻施肥期自动确定提供技术支撑。
1.5 农业生产大模型技术
农业生产大模型服务的构建以生成式大模型构建为基础，图2介绍了农业生产生成式大模型搭建架构，主要包括5个部分。一是农业生产大数据算力管理层，包括以GPU为主的硬件支撑体系和以流量分配、任务调度、弹性扩展等任务为主的软件支撑；二是农业生产数据处理与管理层，包括农业数据的分类，去重、过滤、筛选等梳理流程，数据语义对齐和知识能力、价值安全等评测；三是通用模型层，包括预训练、对齐、强化学习等通用训练模型，批处理、蒸馏、剪枝等通用模型部署，以及通用模型评测；四是农业生产行业模型层，包括基于DeepSeek等通用模型面向农业生产进行微调训练和对齐训练形成行业模型，并根据行业应用场景需要对模型进行部署和评测；五是农业生产应用层，通过人机交互的形式进行农业生产规划、智能识别、信息检索、农事咨询等业务，同时能够赋能农业平台开发人员，提供农业智能平台代码生成与工具包。
优质的农业数据预处理技术有助于大模型构建质量的保障。李道亮等［69］介绍了农业多模态数据融合技术在作物识别、形状分析、产量预测、胁迫分析，以及病虫害诊断中的进展，分析了多模态数据融合存在数据利用程度低、有效特征提取难的问题，针对性提出数据对齐、对比学习、注意力机制改进，以及分级融合等方式。Li等［70］提出了一种基于对比视觉-语言监督的远程感知场景分类模型，引入伪标记技术、学习策略以提升零样本遥感场景分类性能，RS-CLIP方法实现了少样本场景下85%以上的遥感数据分类准确率。Barbedo［71］提出了基于系数表示的多传感器数据融合技术，处理过程包括数据清洗、冗余变量检测、字典生成和系数回归，能够实现数据的半自动化监测，并在湿度趋势预测中误差低于6%，为大模型提供实时的环境监测语料。
在农业大模型训练、部署和评测方面，深度求索团队［72-74］构建并开源了DeepSeek系列技术，其中在DeepSeek-V2［75, 76］中提出了DeepSeekMoE，通过稀疏激活使计算不随规模呈线性增长，实现细粒度专家知识的共享和路由，通过多头潜在注意力机制（Multi-Query Latent Attention, MLA）技术实现低秩压缩以降低KV cache占用空间。在DeepSeek-V3［77］中优化了架构，减少流水线气泡，让节点件实现All to All通信，并提出了多令牌预测（Multi-Token Prediction, MTP）实现一次性多个节点预测。在DeepSeek-R1［78］中提出了后训练阶段强化学习完全代替监督微调，采用群体相对策略优化（Group Relative Policy Optimization, GRPO）算法去除过程价值评分模型，模型参数达到671 B，不再依赖传统的监督微调，通过大规模强化学习，让模型在不断试错和优化中，自主地掌握推理技巧，大幅提升推理能力，该模型是各行业私有化部署的主要模型。相关技术在多场景下取得了前沿水平，能够面向农业提供在线服务、业务调用，以及私有化部署，为生产智能化赋能。
依托大模型产生了面向农业场景服务。中国农业大学基于DeepSeek等大模型打造了面向农业生产的神农大模型，具备农业文本语义理解、文本摘要生成、多模态交互智能推理等功能，能够为农户、农业专家等提供较好的服务。国家农业信息化工程技术研究中心基于DeepSeek等大模型基础能力和小模型调度能力打造了奇稷大模型，面向全国农业技术推广体系提供智能问答、农情解析、病虫害诊断等开放式在线交互服务，贯通农户、农技人员和管理机构，形成智能化知识服务体系。哈尔滨工业大学发布了“天工开悟”大模型，通过平台端和手机端融合的方式提供基于大模型的在线问答、作物生长监测与数据分析在大田和设施农业广泛应用。
1.6 农业生产数据安全保障技术
随着国家对数据安全愈加重视，农业生产数据安全是保障农业信息化、农业大数据、农业人工智能的压舱石。其主要内容包括数据加密技术、访问控制技术、隐私计算技术、区块链与密码增强技术、人工智能驱动威胁检测技术等在农业生产场景的应用，本文主要从农业物联网、网络设备和大数据、人工智能技术保障农业生产数据安全两个方面进行介绍。
在物联网、网络设备为主的农业生产数据安全方面，Demestichas等［79］针对农业农村部门的信息系统从边缘层、接入层、网络层、中间件层和应用层进行了技术、威胁，以及安全应对措施的分析，介绍了固件更新、非必要端口关闭、Telnet禁用、加密通信使用、强密码、驱动程序加密、账户锁定、设备定期评估等传统应对方式，以及基于支持向量机、K近邻、决策树、深度可信网络、卷积神经网络、生成对抗网络等人工智能应对方法。Nikander等［80］通过对芬兰6家农业环境网络和连接设备详细检查，发现了网络拓扑结构、恶意软件保护、系统备份处理、网络连接性，以及管理人员安全意识不尽如人意，且通常情况下，农民并不知道网络配置及设备详细信息，提出在未来技术推广应用，网络及设备安全审查需要提升，避免出现不必要的网络威胁。徐海萍［81］设计了一种农业机械设备状态监测与分析安全管理系统，能够对农机运行状态进行实时监测，避免超负荷使用带来安全隐患，并在小麦收割机、玉米收割机，以及块茎类作物收获机上进行了验证，能够进行状态监测。魏若璇［82］针对大量的农业生产数据管理问题，提出要平衡数据价值挖掘与安全防护之间关系，建立数据安全长效机制，完善安全制度和规范，构建数字乡村数据安全综合治理体系，强化各类农业生产系统安全防护，提升人才培养等措施落地。
在以大数据、人工智能新一代技术为主的农业生产安全方面，区块链技术、数据安全标准和多端协同管理策略是保障农业生产数据安全的重要手段。Zhao等［83］针对农业物联网安全提出了基于区块链快速可靠的数据存储方法，通过RC5加密，将网关收集的同一批数据合成一个交易，通过修改区块链配置规则确保数据存储效率，为农业物联网分散数据收集提供支持。齐鹏［84］针对中国农业数据跨境传输规则标准制定，参照全面与进步跨太平洋伙伴关系协定（Comprehensive and Progressive Agreement for Trans-Pacific Partnership, CPTTP）、区域全面经济伙伴关系协定（Regional Comprehensive Economic Partnership, RCEP）从数据安全分级分类标准、数据风险管理标准、数据传输合理安全标准和跨境数据传输处理流程四个方面，提供了构建建议。Zenella等［85］介绍了农业大数据、人工智能应用过程中涵盖了各种各样的资源，大数据带来了兼容性、资源受限、大规模数据暴露等问题，传统的保护方案可能面临失效，这也为未来的智能化安全保障提供了机遇。杨昊天等［86］介绍了SUNets（Satellite-Assisted Unmanned device Networks）的未来“云-网-端”农业架构，分析该架构面向跨区域农机调度和田间管理服务过程的服务，并提出未来需要保障协同安全、数据安全和通信安全。许继平等［87］将工业互联网标识解析技术与联邦学习结合，设计了粮食供应链隐私数据要素协同计算架构，通过横向与纵向联邦学习模型实现跨主体数据的安全协同，在不泄露原始数据的前提下提升了风险评估准确率，为农业隐私数据的跨环节协同治理提供了可落地的技术方案。Hazrati等［88］提供了缓解精准农业潜在数据安全威胁的建议，分为以人为中心的解决方案、基于技术的解决方案和物理层面的解决方案，以及降低农业技术提供商安全风险的实践建议，对农业大数据安全标准的实践应用具有参考价值。
1.7 小结
以上六类技术涵盖农业生产大部分数据治理的流程和类型，单项或多项的技术组合应用能够有效支撑农业数据服务场景，技术和场景之间的串联主要通过数据匹配工具、算力匹配工具、网络适配中间件、模型匹配中间件、场景匹配中间件和业务柔性组配工具实现。为了使数据处理更加高效，全流程数据治理各环节需要采纳国家、农业农村部发布的相关标准。一方面能够促进下游软硬件的数据治理范式的统一；另一方面能够随时接入到国家农业农村大数据平台，避免因标准不一而产生的二次开发工作。
2 农业生产大数据治理场景与服务案例
农业生产大数据治理场景主要面向农业生产的“土、肥、水、种、密、保、管、工”8大流程，24个环节（见图3），通过数据标准、关键技术支持产前、产中和产后大数据分析、管理与决策，以保障高效的生产活动。其中产前环节主要包括作物品种、种植环境、农事经验等数据对种植过程的整体管理和方案进行设计规划，旨在确保生产过程的有效性和针对性。产中环节是数据要素赋能生产的核心阶段，在该环节中，本文重点介绍农作物全生育期的数据感知、农机生产智能作业，以及生产中农业技术智能化服务三类场景。产后环节主要是对已经开展的生产过程进行综合评价总结，以指导下一阶段的高效生产。此外，结合中国现代农业产业园、农业科技园区、合作社等不同尺度的数字化管理，介绍数据治理在不同类型园区综合管理方面的作用。
2.1 农业生产产前数据治理场景
在种植方案生成方面，Harahap和Ramadhani［89］针对产前对种子、肥料、杀虫剂的需求，构建了基于网络的预生产管理系统已达到最佳生产力，系统能够帮助农民模拟种植过程的建议，计算种子、肥料和农药种植过程所需要的量和投入时机，避免不必要的使用，促进耕作的可持续发展。Sun［90］通过分析作物之间的替代性和互补性，以及销售量、销售价格和种植成本之间相关性，计算每种作物的Spearman相关系数，得到预期销售量与种植成本之间的强相关性，并用K均值聚类进行分类，解析出类别间的替代方案，用蒙特卡罗模拟获得最佳作物方案，实现2024—2030年期间的最佳种植策略，从而提供科学合理的种植策略。Rana等［91］基于巴基斯坦Vehari市2007—2022年的菠菜价格历史数据，使用自回归移动平均、随机森林和长短期记忆网络进行预测，通过对农产品价格趋势的分析，帮助当地农民有效规划作物种植。
2.2 农业生产产中数据治理场景
农业生产产中数据治理主要是通过常年的数据积累，融合农艺经验、农机智能化、信息精确服务等优势，实现农机智慧化作业和农业技术知识精准供给，为农民提供简单易用高效的服务，从而保障高效优质的生产。
农机生产智能作业场景主要是农业生产机械化作业过程的大数据体系构建（见图4），分别面向生产过程中的种植数据、农机具数据、作业数据、环境数据和管理数据等从治理数据源、数字化资源管理单元、阶段管理目标和综合治理目标形成业务治理链条。孟志军等［95］构建了农机深松耕作业监管平台，解决了是否进行了深松作业，面积是多少，作业深度是否达标等问题，通过信息感知、传输网络、云计算平台、云服务提供构建了兼具机具监测、信息管理、作业监督的治理体系，实现了农机深松整地作业面积、作业质量的远程实时监测，有效降低了人工核查成本，有效预防了人工检测漏洞，防范了套补违法行为。罗锡文等［96］介绍了基于田间生产时间、长期数据积累探索出的无人农场模式，包括作业环境、作业对象、作业机械装备信息的数字化感知，土地整治、耕整、种植、播种、田间管理和收获方案智能决策技术，农机自动导航和农机精准化作业技术，农作物生长、农机运维和农场经营管理的智慧化管理技术，呈现了农业生产数据治理面向生产场景全方位的治理路径，为解决“谁来种地”和“如何种地”提供了重要途径。
农业生产过程数据知识服务主要是为农户提供生产过程中的品种选择、病虫害防控、水肥灌溉、产后存储管理、农产品销售等农业技术知识。中国农技推广信息服务平台搭建了中国农业技术推广管理人员、农业技术人员、农业专家、农民对接的桥梁，自2017年上线至今，累计培训资源、技术服务、问答资源、农情监测资源、生产服务日志、政策法规、政府通知公告、专家成果等过亿条，通过知识的有效组织，提供全天候跨地域的技术服务，大数据在服务过程中能够面向不同用户、不同组织结合不同的画像提供定制化的服务，有效解决农业技术服务供需不匹配、技术产业转移能力不足的问题［97］。基于平台运行过程产生的海量数据，借助数据处理和贯穿农业生产全链条的多场景图像、文本、视频多模态语义分析［98-100］，形成具有针对性的专业知识库和场景服务。如图5所示，依托平台进一步融合大数据治理技术，在数据清洗与配准融合阶段实现多模态数据以及时序信息的融合，便于大数据业务处理，在农业知识数据语义分析与质量管理阶段，面向产前产中产后分别实现气象、水文、土壤、环境、投入品、农机以及综合效益的分析，并结合语义分析形成知识链，提供种植规划、农技服务和效益评价服务以保障农业生产质量，在数据仓库构建与服务阶段，进一步地对用户体系、资源画像、数据湖仓和基础资源进行整合调度，以保障综合服务指令。
2.3 农业生产产后数据治理场景
农业生产产后环节数据治理主要包括对产量预估和效益评价，为下一茬的可持续种植提供条件，同时为农户产品质量保障和卖出高产优价提供必要决策依据。
产量预估方面主要是通过卫星数据、无人机数据监测的手段，在生长过程中进行产量预估。Ren等［101］通过无人机多传感器数据结合成熟基因组信息，收集了高光谱和RGB图像，提取了植被指数和纹理特征，结合成熟基因组信息采用高斯回归模型获得了较好的效果，能够为大豆成熟度产量估计提供参考。Chen等［102］通过冠层光谱估算小麦茎秆生物量，考虑了遥感和作物物候以及生物量分配规律，建立了新型的叶干干重（Leaf Dry Biomass, LDB）和茎秆干重（Stem Dry Biomass, SDB）两组分、两参数（物候变量和光谱植被指数）分层模型（Tc/Tp-SDB），分析得到普通最小二乘回归的SDB和LDB数值与物候变量存在强关联，分层模型具有估算冬小麦不同生长季节和生长阶段的SDB方面能力，从而支撑作物生长状态分析。Li等［103］以采用叶片高光谱和田间样品含氮量数据，提出了一种堆叠式集成学习方法，机器学习算法作为第一层，Lasso算法作为第二层，实现了高光谱对白萝卜多个生长阶段的氮营养元素含量的准确估计，为白萝卜的营养元素相关的品质保障提供依据。Xue等［104］基于2021—2022年天津宁河区稻田多生长阶段遥感数据，结合了分层线性模型与典型植被指数和气象数据估计稻谷的产量和质量，实现了对拔节期、抽穗期和灌浆期中的产量、淀粉和蛋白质质量的估测，在年际和区域尺度具有较好的扩展性。陈悦等［105］建立了小麦-玉米轮作耕地遥感估产模型，利用2018—2019年Sentinel-2影像，通过对比时序特征分类与支持向量机算法，实现了冬小麦-夏玉米轮作耕地播种面积的优选提取，并采用插值组-随机森林模型实现了93.4%的估产精度。李阳等［106］通过分析前茬玉米季长势遥感和产量信息，融合小麦拔节期、关键期季成熟期长势遥感信息、播前施肥信息及土壤特性信息等多时多模态数据，基于高斯过程回归（Gaussian Process Regression, GPR）算法建立了麦玉轮作小麦产量估算模型，表明多模态参数相比低模态模型精度更高，模型参数影响由大到小分别为施肥信息、小麦遥感信息、土壤特性信息、玉米作物信息，为麦-玉轮作体系土壤-作物数据的综合利用提供可行方法。
生产效益评价方面主要包括基于数据农业生产环境、投入品、农产品市场价格方面的分析。Zhang等［107］通过在东北地区连续三年试验过程中对覆膜与非覆膜滴灌玉米地冠层净辐射、土壤蒸发、作物蒸腾、作物生长和产量，覆膜处理相比非覆膜处理，平均作物系数低3.2%~5.5%，成熟阶段提前4~5天，产量增加5.9%~8.8%，水分利用率增加了10.7%~13.1%，为玉米田精细灌溉提供参考。徐霖［108］将数据挖掘技术应用在土壤图设计和土壤状态分析，采用Weka数据挖掘工具完成土壤肥力与产量等级分类，解析出土壤碱解氮、有效磷和速效钾的空间分布趋势，实现了开安镇的土壤肥力分级与产量预测，为提高农药和化肥利用率降低生态危害提供支撑。菅毅等［109］在喀斯特断陷盆地地区采用逼近理想解排序法（Technique for Order Preference by Similarity to Ideal Solution, TOPSIS）对番茄品质、产量、灌水利用效率进行综合评价，发现交替地下滴灌的综合效益最好，番茄品质和水分利用率较高，灌水下限控制在田间持水量65%~75%可取得较好的收益。许世卫等［110］构建了不同监测预警对象条件下深度学习综合预测方法，采用生成对抗与残差网络协同生产量模型、变分自编码器岭回归消费预测模型、自适应变换器价格预测模型，在玉米单产、生猪消费量和番茄市场价格预测上精确度显著提升，为中国农产品市场监测预警提供了新的有效分析方法。Chen等［111］针对福州包菜市场价格，研究了自然气候、意外事件等相关因素影响，采用小波分析降低价格数据噪声，并进行数据归一化，通过长短期记忆网络进行模型预测，取得较好结果，能够为市场价格分析提供方法。Li等［112］采用分解-去噪-聚合的思想构建了改进粒子群优化遗传算法预测模型，通过最优权重的确定，通过2014—2023年山东从价格历史数据，分析出冬季高夏季低的周期性和季节性波动模式，组合模型预测稳定性较好，能够帮助相关从业者和消费者做出合理的决策，同时为农民种植选择提供参考。
2.4 农业园区综合治理与服务案例
中国根据地域特色、产业类型、农业科研等不同类型、职能，以及地方社会化服务组织、农民的需要，建立了现代农业产业集群、国家级/省级现代农业产业园区、现代农业科技园等组织。
国家级产业园区，以扎赉特旗国家现代农业产业园为例，于2018年以古庙、五道河子、巨宝、乌鸦站、巴岱、好力保、先锋、水田等村为主，打造覆盖6 667 hm2水稻种植的智慧农场［113, 114］（见图6），同步建设了兴安稻场农旅休闲区，实现了“园区即景区”。此外，通过智慧农业平台为科研团队提供前沿科技探索的海量数据支撑。为进一步促使数据要素价值充分发挥，构建了物联网环境数据、虫情数据、水井水位数据、作物长势数据“四情”监测数据仓库，并将遥感监测数据、农机作业质量监管数据、区域特色农业技术服务数据、农产品溯源数据分门别类地按照主题进行管理，以智慧农业平台Web端、掌上产业园App端和小程序端提供多端共融的服务，在数据共享与交换方面，为园区粮食生产企业、合作社、系统二次开发单位、合作科研单位提供数据接口，园区积累了近6年的水稻生产记录，在生产环节为生产主体提供数字化决策依据，在农产品品质保障方面，定期为生产企业提供检测服务，同时为扎赉特旗大米走向全国提供数字化支持。
2.5 国家级与企业级农业生产大数据治理与服务案例
在国家级和企业级农业生产大数据治理方面，日本构建了WAGRI（Agricultural Data Collaboration Platform）平台［118］，在大数据预测、农机资源利用、信息技术服务、智能农产品运行等方面起到了重要作用，打破了数据壁垒，实现了数据共享，改善了数据服务，为推动智能化、高品质的农业生产提供了数据支撑，发挥了数据要素价值，其数据治理模式值得中国借鉴。国家农业信息化工程技术研究中心接入监管农机28.5万套，数据轨迹数据量170亿条，并制定了《农机作业远程监测管理平台数据交换技术规范》行业标准［119］；中国农业大学构建了国家农机作业大数据平台，接入农机54万辆，覆盖农田分布、作物种植、作业效率等多维度信息，通过智能算法分析农机在田间与道路作业状态，生成热力图辅助决策［120］。
基于底层数据治理支持农业生产的案例包括面向基础服务的遥感数据共享平台（https://www.cpeos.org.cn/#/）、天地图（https://www.tianditu.gov.cn/），以及百度地图开发平台（https://lbsyun.baidu.com/）、高德开放平台（https://lbs.amap.com/）等能够支持遥感地图定制化服务的，以平台地图功能为底座，根据农业生产需要选择定位功能、导航功能、天气功能、地块围栏等能够面向多场景提供农业园区管理、农机作业监管、无人驾驶、产量监测等服务。
农业统计数据与知识资源案例类平台包括中国农业农村信息网（https://www.agri.cn/）、布瑞克农业农村大数据（http://www.agdata.cn/）和国家农业图书馆（https://www.nais.net.cn/），通过多源数据的有效治理，能够面向农业管理人员、农业科研人员、农业生产人员提供“三农”资讯、农业气象数据、农产品市场价格数据、农业期货数据、农业土壤普查数据、农业期刊数据、产业专题数据、产销对接数据、数据超市等服务。
企业级专题数据典型案例，一是德国拜耳Vyconic通过大数据筛选和模型预测实现性状组合的最优化，InVigor基于历史产量数据和抗病性表现分析，为种植者提供种植建议，降低风险，提高收益。二是美国约翰迪尔整合农机作业与气象、土壤数据库，为玉米、大豆等作物提供定制化种植方案，配合AutoTrac自动导航系统，实现厘米级路径规划，减少重复作业以提升燃油利用效率。三是以色列耐特菲姆通过大数据整合传感器环境监测数据、实时灌溉监测数据、供肥配方等，显著提高节水效率。中国大疆智慧农业平台（https://ag.dji.com/cn/smartfarm-web）和极飞农业数据共享平台（https://www.xa.com/brands/xai）依托植保无人机、农业无人车等智能作业装备，结合智慧农场、社会化服务提供植保作业状态、轨迹、位置、作业质量等数据，共享租赁、社会化服务记录、农事作业记录等服务，相关的数据能够作为作业监管的参考依据，实现数据要素价值的产生。
2.6 小结
中国在农业生产全生育期数据服务具有丰富的场景化应用，主要分为面向科研数据服务和面向生产管理数据服务两类。科研数据服务方面，主要基于对特定场景下的生产或试验数据持续积累，根据较为清晰的研究目标进行数据范式、模型、算法的研究，实现前沿技术探索和验证，场景化服务相对较少，如水稻、小麦、玉米的产量预测通常是在片区或试验地级别的高精度解析与拟合，但是跨区域的数据范式、模型迁移、服务评价能力有限，今后将提升技术场景迁移能力和服务范式定制能力；生产管理数据服务方面，无人机植保社会化服务、农业知识资源服务、农业农村大数据公共平台底座等服务已经取得了较好的应用，但部分应用和数据管理模式仍然相对封闭，打通跨区域、跨主题、跨场景的业务链条与服务范式是必行之路，如图7所示，农业生产大数据治理的目标在于实现农业生产数据资产的可见、农业生产数据流转的可知、农业生产数据风险的可识、农业生产数据状态的可管和农业生产数据趋势的可控，通过以上举措将显著提升中国农业生产大数据治理进程，有效赋能农业生产管理效能。
3 农业大数据治理未来重点发展方向
得益于中国迅猛的科技发展进程和基础设施扎实的建设，中国育种大数据、表型大数据、农机大数据、农业知识大数据，以及农业大模型已经走在世界前列。着眼未来，中国农业大数据治理主要有以下五个重点发展方向。
3.1 推动农业生产大数据治理标准的制定与落地
农业生产大数据治理标准体系构建是数据要素赋能农业高质量发展必要条件。农业农村部大数据发展中心已经着眼布局并实施农业农村元数据、主数据、数据仓库、主题数据、数据共享交换、数据存储等标准集的构建，未来将在底层进行数据格式与范式的打通。通过数据治理标准的制定和实施，农业生产数据资源将得到有效整合、数据交换共享难度将逐步降低、数据壁垒将被打破，促使农业数据拥有机构侧重于数据价值的挖掘，切实地为数据要素推动农业生产效率的提升、农产品质量的改善、农业可持续发展和农业国际竞争力的增强。
3.2 构建农业生产大数据治理通用资源池
大数据资源池的构建是农业生产大数据治理的重要中枢，向上连接着数据标准体系，向下连接着农业数据的处理、分析和应用，农业数据资源体系构建的质量直接决定着面向农业生产场景服务的质量。在农业资源体系构建的基础上，要充分发挥平台化的治理能力，面向业务场景和数据要素目标匹配数据仓库构建、资源动态管理、价值实时分析和数据交互共享的范式，为后续的农业生产场景化驱动提供支撑。需要通过数据治理驱动农业生产业务、数据衍生服务，充分发挥农业数据要素的作用，夯实数字产业化、产业数字化的基础。
3.3 扩展农业生产大数据治理多元化应用场景
随着数字农业和大数据技术的发展，未来新农人的生产模式将会发生颠覆式变化，由传统的经验种植改变为依靠智能机具，进一步提升至依靠数据管理，城乡数字化差距将减小，数据驱动的模式将越来越重要。中国不同地区发展侧重点不同，产业需求差异大，因此农业生产大数据治理场景需要做到因地制宜，要有面向不同场景治理不同生产资料的适应性、扩展性和可用性。同时要做到因人而异，相同的业务面向不同级别的管理需求、不同机构的应用需求、不同用户的生产需求要具有一定的针对性和时效性。
3.4 适应大模型驱动下的农业生产大数据治理新范式
大模型时代的到来将快速重塑千行百业，农业生产大数据治理需要考虑基于大模型驱动下（见图8）的治理新范式，大模型的辅助决策、自然语言处理、知识与推理，以及交互能力将在农业生产建议生成及推荐、农业生产智能问答、多尺度跨媒体农事数据分析和无人化作业体系多机器协同等方面得到较好的应用。从数据量上，相较传统的治理有海量增加；从组织形式上，将不再完全依托单一的关系数据库结构；从应用场景上，遵循小前端、大后端的形式；从数据分析上，不可解释性显著提升；目前的数据治理主要是在语料库的构建、数据预处理，以及模型评测方面。未来随着大模型的构建、使用，不断地人机交互迭代，人和机器相互之间更加了解，将可能出现代理形式或者分工形式的数据治理模式。
3.5 强化农业生产大数据安全与隐私保护
数据安全治理将对未来基于数据要素生产模式起到关键性作用。农业数据管理人员需要对支撑农业生产的软件、硬件设备进行准确的分级分类管理。农业生产数据治理安全对人工智能技术的依赖将逐步提升，通过不同的智能体进行网络安全、访问安全、数据安全、隐私保护安全、入侵检测等常规操作。比起技术安全保障更为重要的是相关人员安全意识的提升，包括农业系统平台开发人员、农业系统平台管理员和操作人员，特别是中国农民在信息系统方面的安全意识还比较淡薄，需要对数据安全进行全民普及，提升整体数据治理意识。
