0 引 言
“数据是新型生产要素，是国家基础性战略资源”［1］，以大数据、大模型为代表的新一轮科技变革正在重构全球创新版图，也进一步加速农业生产迈入数字化、智能化新时代。大数据智能农业已成为现代农业科技竞争的制高点和新业态［2］。中国正在积极推进大数据和人工智能等战略部署实施。2017年，农业部出台了首个农业大数据纲领性文件《关于推进农业农村大数据发展的实施意见》，明确了农业农村大数据发展和应用的五大基础性工作和11个重点领域，对农业农村大数据发展和应用做出总体安排。2024年6月1日，《求是》杂志刊发习近平总书记重要文章《发展新质生产力是推动高质量发展的内在要求和重要着力点》，要求以大数据、人工智能、云计算、物联网等数字技术赋能新质生产力，推进现代农业发展，保障国家粮食安全［1］。
农业大数据是推进农业现代化的核心关键要素，是智能农业的根基。智能农业对于应对农业生产在生产力、环境影响、粮食安全和可持续性方面的挑战非常重要，需要大数据来帮助更好地分析和理解复杂、多变量和不可预测的农业生产系统。遥感、物联网、云计算、机器学习等新兴数字技术通过持续监测和测量作物生长环境的各个方面，以前所未有的速度产生大量数据，而大数据治理分析和决策技术发展相对缓慢，阻碍了大数据的价值实现，迫切需要发展农业大数据分析技术对来自多源异构的大数据进行收集、存储、预处理、建模和分析，为农业生产管理和规划提供优化决策，促进农业高产高效可持续发展。大数据智能农业发展，亟待创新研发适应中国国情、农情、粮情特点的粮食安全生产大数据智能化平台，重点突破多源异构大数据高效治理、农田环境实时监控与智能决策、农机智能调度与作业等一系列关键核心技术，深入落实并践行“藏粮于地、藏粮于技”国家重大战略，为中国粮食安全生产科技自强自立提供核心支撑。
作为新质生产力，大数据服务于粮食生产全过程综合智能化管理决策，面临粮食生产大数据资源治理机制不明、全链条化粮食生产决策核心算法体系缺乏且对外依存度高、粮食生产全过程全要素的大数据平台缺乏等挑战，具体表现在数据获取、治理和安全共享的标准化和规范化，监测与决策算法在不同地域环境的迁移性和适用性，监测决策和调度作业算法及数据之间的连通，跨平台、跨系统互联互通的大数据平台架构等技术瓶颈。此外，农业大数据更多关注数据量，而对数据的时效性、多样性和准确性关注不足，大数据的可视化仍存在困难，制约了大尺度高效的生产管理分析决策算法的发展。亟需建立粮食智慧生产大数据规范标准和知识图谱，整合粮食生产大数据资源，形成适用中国粮食主产区的生产全程智能决策核心算法体系，基于数字孪生技术构建粮食生产大数据平台，打通作物生长监测、农事智能决策、农机作业处方及智能调度等粮食智慧生产全程各环节之间的信息通道，进行有机衔接，形成粮食生产全程“监测-决策-作业”一体化实时在线智能化服务。
本文系统地梳理了国内外粮食生产大数据平台及其重要核心粮食生产大数据和粮食生产全程智能决策算法的研究现状、面临的问题和发展趋势，提出了基于数字孪生和粮食生产全程决策算法的粮食生产大数据平台构思，创新数据-算法-服务全链条智能化决策服务，以形成粮食生产新质生产力。
1 国内外粮食生产大数据平台研究进展
粮食生产大数据平台是运用大数据、物联网、遥感、云计算等现代信息技术，基于粮食生产相关数据采集、处理、分析和监测决策智能算法，提供粮食生产全程智能化决策支持的综合性服务平台。
1.1 粮食生产大数据平台比较与分析
随着智慧农业和大数据技术的发展，越来越多面向粮食智慧生产的大数据平台涌现（表1）。德国拜耳（原孟山都）Climate FieldView平台与全球涉及航空成像、金融保险、土壤分析等领域的70多个平台建立合作伙伴关系，实现生产全程数据的互联互通，全球约1亿公顷的农田数据连接到FieldView平台，形成业内最大的覆盖粮食生产全要素全过程的EB级大数据，基于大数据分析和决策核心算法，提供农场尺度的气象/土壤分析、病虫害诊断，精准施肥/药、农业保险和销售管理等全生产流程决策服务。美国FBN（Farmer's Business Network）公司创新独特的基于农户网络共享的农业大数据商业模式，为农户提供农田管理决策服务、营销渠道和金融渠道。英国Agrimetrics公司基于人工智能和高分影像，将英国280万个地块边界与超过10亿个数据点联系起来，并开发和实施基于知识的服务。科迪华的Granular平台、巴斯夫的Maglis数字平台，以及约翰迪尔的John Deere Operations Center，提供农事活动、经营分析、土壤和肥料管理等精准农业活动相关的服务。国外这些数字农业平台提供全生产链条的实时在线服务，但其数据分析和决策等核心算法对外实行技术封锁和垄断。
表1 国内外主要粮食生产大数据平台Table 1 Big data platforms for grain production in China and abroad |
| 国 内 | 国 外 |
|---|---|
| 中化现代农业平台（Modern Agriculture Platform， MAP）：涵盖遥感、气象等基础数据，数据规模PB级；提供品种规划、测土配肥、定制植保、农机服务、农业金融和农用柴油供应等“7+3”服务项目，服务时效3~5天；将服务1 500多个示范农场，覆盖面积约200万公顷（https：//www.sinochem.com.cn/） | Climate FieldView（德国拜耳）：涵盖遥感、金融保险、土壤分析等70多个生产模块，覆盖生产全要素全过程大数据达EB级；基于大数据分析和决策核心算法，提供农场尺度的气象/土壤分析、病虫害诊断，精准施肥/药、农业保险、销售管理等全生产流程实时在线服务，为全球约1亿公顷农田提供服务（https：//www.climatefieldview.co.uk） |
| 爱科农智慧种植决策系统：以自主研发的植物-土壤-大气连续体模型为基础，提供地力评估、田间环境大数据分析、农作物分布与长势分析、科学水肥管理、灾害预警、产量预测六大服务，并致力于打造了1.33万公顷爱科农试验示范基地“超级田”（https：//www.aikenong.com.cn） | xarvio数字农业服务平台（巴斯夫）：包括三个主要产品：xarvio SCOUTING， xarvio FIELD MANAGER和xarvio HEALTHY FIELDS，提供拍照识别农田和病虫害杂草、种植规划及生产决策、植保策略等服务（https：//www.basf.com/） |
| 大疆智慧农业服务平台：提供无人机快速巡田、长势分析、农机作业指导和监管等服务（https：//ag.dji.com） | 美国FBN：利用大数据技术引导农业革命，创新独特的基于农业大数据的商业模式，提供农田管理决策服务和农资及农产品营销渠道和金融渠道（https：//www.fbn.com/） |
国内先正达集团中化（长势监测及施肥决策）、大疆（植保决策）、爱科农（施肥种植决策）等公司也先后构建了大数据平台，利用“遥感+气象”为农户提供种植服务。国内农业大数据平台大多只覆盖部分区域以及部分生产环节与场景，缺乏生产全程的服务能力，且服务时效性、场景适应性等方面还无法支撑规模化粮食生产的快速决策响应，服务对象多为农场或种植大户。需要针对中国农业生产场景复杂多样和不同层次农业经营主体的特点，研发具备高度适应性和灵活性的定制化全生产链条服务。
1.2 主要粮食生产大数据现状
粮食生产大数据涉及环节多，数据庞大，信息复杂，呈现多维度、海量多源异构的特征，增加了智能分析过程的复杂性。按照数据主题可分为：作物品种数据、农情监测与调查数据、农业资源与环境数据、农机及作业调度数据、农业生产资料数据、社会化服务数据等。数据获取来源包括地面传感器、机载星载传感器（卫星和无人机遥感）、政府和第三方组织收集的调查统计数据、经营主体和社会服务组织的记录数据、网络爬取数据、众源采集数据等。按存储格式可以分为结构化、半结构化或非结构化数据，涵盖各种格式、尺度和专题的文本、图像和视频数据等。
高空间、高光谱、高时间分辨率遥感数据，NCEP （National Centers for Environmental Prediction），ERA5 （The Fifth Generation ECMWF Atmospheric Reanalysis of The Global Climate）和中国第一代全球大气和陆面再分析产品 （The First Generation of Global Land Surface ReAnalysis Products of China Meteorological Administration, CMA-RA）等大气再分析数据［3, 4］是智能农业重要的数据源。近年来随着物联网和高分多模态遥感技术的发展，构建了“空天地”一体化农情监测体系，产生海量的农业大数据，奠定了智慧农业的重要根基，带来了智慧农业以模型驱动为主转向，以数据驱动为主的重要转变。
国内外已经形成了诸多粮食生产相关大数据（表2）。美国在农业大数据方面起步较早，通过规范农业信息获取、分析、发布和服务机制，保证了数据的真实性、可靠性、一致性和权威性，并于2009年建成国家级大数据共享库（https://data.gov/），至今已形成了覆盖气象、土壤、水文、农业调查等10大类近500个数据库30余年的农业大数据。欧盟农业资源监测部门（Monitoring Agricultural ResourceS, MARS）、美国Crop Explorer、中国农业科学院农业遥感监测系统（China Agricultural Remote Monitoring System, CHARMS），以及中国科学院Crop Watch均可提供全球或全国农情监测和产量预报服务。
表2 国内外主要粮食生产大数据Table 2 The big data of grain production in China and abroad |
| 数据类型 | 国内 | 国外 | |
|---|---|---|---|
| 农业综合大数据 | 全国农业科教云平台：全国节水肥料、栽培植保、农情调度、春耕生产、市场等13类涉农信息（www.agricoop.net）； 农业农村部大数据发展中心：以农业农村用地一张图中中国10亿多地块信息为基础，涵盖农情、农事、农机、农资、农技、销售和金融等方面数据（https：//www.abdc.org.cn/） | 美国农业部：气象、土壤、水文、农业调查等近10大类近30年农业大数据（www.nass.usda.gov；fas.usda.gov/data）； 欧盟农业部Agri-food Data Portal：作物类别、种植结构、生育期、农情、灾害监测和市场交易等方面的数据（agridata.ec.europa.eu） | |
| 农业专题大数据 | 农情监测数据 | 中国农业科学院CHARMS系统、中国科学院CropWatch系统，提供全球或全国农情监测和产量预报服务（http：//cropwatch.com.cn/） | 美国CropExplorer和欧盟MARS提供全球农情监测和粮食安全评估数据（https：//ipad.fas.usda.gov/cropexplorer/； https：//joint-research-centre.ec.europa.eu/monitoring-agricultural-resources-mars_en） |
| 生产数据 | 中化MAP涵盖遥感、气象、土壤、种植、农田管理等数据，线上服务农田超667万公顷，数据规模PB级（https：//www.sinochem.com.cn/） | FBN涵盖地块、种植、气象、病虫害、市场、物流、农资等数据，汇集0.563亿公顷1 000亿个数据点农田数据和6 800个品种的信息（https：//www.fbn.com/） | |
| 气象数据 | 中国气象科学数据中心大气再分析数据CMA-RA：1979年至今，10 km逐时（http：//www.nmic.cn/） | 欧洲中期天气预报中心ERA5，1940年至今，0.1°逐时；美国NCEP，1948年至今，2.5°逐6小时。（https：//www.ecmwf.int/） | |
| 农机作业数据 | 全国农机作业远程监测与智能管理调度平台监管全国13个省6.8万台农机，作业地块1 800万个、面积2 666万公顷，总数据55 TB | 德国科乐收（CLAAS）公司研发的TELEMATICS系统能够访问机器性能参数、电子数据、作业数据，并进行远程故障维修和智能运维服务（https：//www.claas.co.uk/） | |
| 农业知识图谱 | 中国农业科学院农业信息研究所构建了农业专业知识服务系统，包含2 000万条农业知识规则，其中粮食生产相关知识不足20% （https：//agri.nais.net.cn/index.html） | Google公司2020年发布了面向通用领域的包含570亿实体关系的大规模知识图谱，但农业领域知识图谱及知识挖掘的应用较少（https：//cloud.tencent.com/developer/news/716354） | |
1.3 粮食生产大数据算法发展现状
在大数据获取治理方面，国际上主流通用的3种数据治理框架，包括数据管理协会（Data Management Association, DAMA）框架，数据治理研究所（Data Govermance Institute, DGI）框架和国际商业机器（International Business Machine, IBM）框架，其中IBM提出的大数据治理框架实践性较强。基于数据治理框架建立了多源异构农业大数据提取、清洗、汇聚、融合、挖掘、安全和存储共享等系列获取治理算法及规范［8-10］。国内在大数据治理方面也取得了较大进步，一站式的通用型大数据治理服务平台已经成功应用，例如，亿信华辰打造了数据全生命周期的智能化产品线，打通数据治理各个环节，可快速满足各类不同数据治理场景（https://www.esensoft.com/）。但是，当前在粮食生产大数据治理方面还缺乏配套系统化的治理框架及算法，需要针对粮食生产中“多用户、多场景、多模态、全过程、分布式”特点建立基于人工智能（Artificial Intelligence, AI）的复杂数据治理算法，简化数据治理，从而远离“数据黑洞”。
在种植规划方面，主要发展了基于进化算法［11］、混合整数规划、决策树、强化学习［12-14］和博弈论［15］等算法的多尺度多目标规划模型。Von Lücken等［11］采用非支配性排序遗传算法III（Non-dominated Sorting Genetic Algorithm III, NSGA III）等多种多目标进化算法解决一个多目标作物轮作规划问题，包括成本最小化、作物多样化、养分平衡、利润最大化等。Fenz等［12］研发了一种使用强化学习进行作物轮作规划的数据驱动新方法，具有更好的灵活性和可扩展性。Hajimirzajan等［14］采用多阶段混合整数线性规划模型，综合考虑供应链成本、产量、耕地和水资源高效利用等目标，构建全国尺度可持续种植战略框架。多目标种植规划算法，涉及的参数众多，尤其是落实到地块单元的规划，对农业大数据提出了更高的要求，数据量、数据类型和空间精度难以满足规划算法的需求，使得地块单元种植规划往往难以实施。
在农作物生长监测方面，主要采用统计模型、遥感模型与作物生长机理模型等方法。随着多源多模态遥感大数据的涌现，推动了近年来作物生长监测算法的迅猛发展和广泛应用。机理模型耦合深度学习成为主流方法，应用于作物分类［16, 17］、长势监测［18-20］、产量估算［21-24］、病虫害识别［25-28］。Zhao等［23］提出一种基于遥感生物量与作物模型和迁移学习方法相结合的新型混合算法，实现测产精度与计算效率的均衡，提升了估产效率，并发布了中国30 m分辨率冬小麦估产遥感产品［24］。Lamba等［27］结合混合卷积神经网络和支持向量机，预测稻瘟病等水稻病害达到了98.43%的准确率。基于遥感大数据的全球和区域尺度农情监测已经进入业务化运行阶段，但针对农场或地块尺度的田间管理决策依然存在着高时空信息和时效性需求难以满足，算法迁移方法有待发展等问题。
在肥水药精准决策方面，主要发展了基于车载传感器的氮充足指数变量施肥算法［29-31］，基于遥感和物联网获取的土壤和作物长势信息结合变量灌溉决策算法［32, 33］，以及基于机器视觉的病虫害识别与作物对靶变量施药算法［34-36］。例如，Gobbo等［31］提出了一种作物模型、车载GreenSeeker传感器和天气预报相结合的氮肥施用模型，并证实了在产量、氮效率和经济方面的效益。Corbari等［33］提出遥感驱动的土壤水分平衡模型和气象预报耦合的智能灌溉决策算法。田间管理决策算法一般基于简化的经验模型和作物机理模型，面临算法模型本地化困境，基于多年田间历史大数据的自适应决策算法将成为新的发展方向。在农机调度方面发展了基于多目标优化、机器学习算法的田间路径规划［37, 38］，以及区域内和跨区多机调度优化算法［39, 40］。例如Utamima等［39］发展了基于人工蜂群算法的收割机田间路径规划优化方法。李子康等［40］设计了基于深度强化学习的收割机协同调度优化算法，利用注意力机制马尔可夫决策网络和近端策略优化算法，用于减少收割机省内协同作业的成本。目前农机调度算法多以作业效率或成本为核心进行优化，对基于大数据的作业时间窗口考虑较少。基于遥感环境和农情监测确定适宜作业时间窗口的播收农机作业时空调度算法，尤其是针对中国夏收农机跨区调度算法，还有待进一步发展。
在农业生产综合效益评价方面，基于熵权TOPSIS（Technique for Order Preference by Similarity to An Ideal Solution）方法、数据包络分析法和多模型法，建立综合指标评价体系对经济效益、生态效益和社会效益进行评估［41, 42］。针对评价指标定量化及不确定性问题，Kiran Kumara等［41］采用文献荟萃分析方法，整合大量研究文献结果进行南亚地区保护性农业对碳固定、温室气体排放、耗水及成本收益的影响评估。中国农业综合效益评估通常基于统计数据、投入品和产出调研数据进行各类型效益的间接表征，且时效性滞后，而直接效益指标的定量化存在模型复杂、参数获取困难等问题，遥感和物联网大数据的发展为农业综合效益评估方法和技术的更新升级提供了契机。在粮食安全预警决策方面，通常采用一般均衡模型或局部均衡模型对农产品供需进行分析和预测，并采用综合粮食安全阶段分类法（Integrated Food Security Phase Classification, IPC）［43］作为主要指标，进行粮食安全临界点即警限的诊断。如经济合作与发展组织（Organization for Economic Co-operation and Development, OECD）和联合国粮农组织（Food and Agriculture Organization of the United Nations, FAO）开发了递归动态局部均衡模型AGLINK-COSIMO。Krishnamurthy等［44］结合IPC指标、遥感衍生环境变量和临界点理论进行遥感对干旱和粮食安全预警的诊断和识别，以增强现有饥荒预警系统的有效性。
此外，粮食生产监测决策算法多围绕单个环节展开，相互不连通，迫切需要形成粮食生产全程“监测-决策-作业”全链条协同的综合决策方法和平台。
2 粮食生产大数据平台研究构思
针对中国粮食生产智能管理中存在的大数据标准规范和共享机制不健全、大数据体系不完备、利用不充分，核心智能算法对外依赖性强，生长监测和决策智能算法效率、迁移性和适应性有待提高，大数据平台缺失、用户界面友好性不足等关键技术瓶颈，亟需构建多源异构粮食生产大数据治理技术和标准，自主创新粮食生产全程大数据智能分析算法，形成完善的面向粮食主产区应用的“数据获取-信息提取-知识构建-智能决策”全链条标准化算法体系，研发基于数字孪生的粮食生产全程大数据智能化平台及典型应用场景，并在粮食主产区进行示范应用。
2.1 粮食生产大数据平台总体框架设计
粮食生产大数据平台系统总体架构（图1）分为资源层、服务层、应用层和用户层。其中资源层主要构建数据基础和存储计算资源；服务层提供数据和算法基础服务，隔离后端复杂性；应用层对接生产决策业务，与用户直接交互；用户层提升用户触达和易用性。
数据是进行算法研发、系统搭建和示范应用的基础，因此需要对粮食生产全程大数据的关键数据类型、获取途径、存储模式和访问方式等进行规划和设计。结合大数据治理技术体系，采用基于云化抽取-转换-加载（Extract-Transform-Load, ETL）和流数据处理技术的粮食生产大数据高效存储技术，搭建基于主数据仓库、分布式数据仓库、Hadoop集群协作的粮食生产数据库，设计开发数据中台系统，在对多源异构原始数据元数据管理支持下，进一步按照业务管理单元对数据进行提取，构建标签化组织的数据集，实现主题和时间维度的数据快速检索，为业务系统提供统一的数据访问途径，实现数据的高效利用，为算法验证、系统开发和示范应用提供基础。基于一致性和可扩展性等原则，采用分层架构设计和搭建大数据中台，满足数据完整规范的存储访问需求。
在算法中台方面，根据算法适用性和参数特点等将算法分为基本算法和专业算法进行分级管理。基本算法成熟度高、普适性强、输入参数均可从地块属性获得、无需人工输入参数、输出数据稳定易解释，自动化的计算过程以基础算法为主；专业算法针对特定应用，需要人为调节输入参数；输出数据需要进行个例解释，计算过程由用户手动调用执行。业务流程主要分为原子算法（独立的单个算法，可以是基本算法或专业算法）的管理、自定义算法（通过对原子算法的组合实现）和算法运行调度三部分。
粮食生产决策服务系统服务内容分为典型场景和定制场景两种服务模式。典型场景可以覆盖产前、产中、产后主要环节，根据典型决策业务中的流程，设计功能和流程，匹配相应的模型算法，并对结果数据展现进行定制化开发。定制场景是为了满足新的或者临时的业务需求而开发的功能，用户可以通过配置流程和模型生成定制场景，配置后可直接按预设流程进行手动或自动运行，以满足特定应用需求。
2.2 粮食生产大数据平台关键技术与创新
2.2.1 粮食生产大数据获取与治理机制及标准
数据获取不规范、治理不完善、数据分散、共享不充分等问题，严重制约着粮食生产大数据的应用与发展，亟需建立跨时空、跨模态多源异构粮食生产大数据标准化获取与全生命周期动态管理技术，构建高效服务响应与防护加密协同的数据安全共享技术，实现粮食生产大数据高效智能治理，建立适合中国农业生产特征的标准化技术与规范。如图2所示，大数据获取与治理涵盖三个环节，在大数据获取技术与知识挖掘方面，构建“星-空-地-网”多尺度多模态数据的标准化获取技术，综合采用数据挖掘、属性抽取、知识合并等方法建立高效数据挖掘及高质量知识抽取方法；在大数据治理技术方面，建立以数据智能清洗、配准融合、元数据自动提取、全生命周期管理和质量管理等关键技术为基础的粮食生产大数据治理技术；在大数据安全共享技术方面，构建具有分布式数据高效接入、数据加密与脱敏、链上链下协同存储和高频服务的区块链安全共享技术。在大数据存储方面，通常的关系数据库不足以支持大数据应用程序。针对多源异构数据特点，需要根据不同的数据类型匹配不同的存储方案。结构化数据，如业务运行数据和元数据采用MySQL、Oracle等关系数据库存储，物联网设备数据采用InfluxDB等时序数据库存储，图像视频等非结构化数据采用HDFS（Hadoop Distributed File System, Hadoop分布式文件系统）或NoSQL数据库存储。数据在管理单元尺度上进行逻辑或物理重构，通过部分冗余存储提高后续计算效率。以此为基础，制定适合中国农业生产特征的粮食生产大数据标准与规范，构建涵盖多源异构粮食生产大数据的采集方法、样本标准、治理方法、分类管理、质量管理等大数据获取和管理标准体系，制定数据开放、交换和访问机制、安全保密等大数据安全和共享标准体系，为粮食生产大数据平台研发和应用提供技术和标准支撑。
2.2.2 粮食生产知识图谱
从粮食生产本地构建、农业知识抽取、跨媒体知识补全、农业知识推理等方面开展粮食生产知识图谱构建全过程、全生命周期的关键技术研究。在粮食生产本体构建方面，研究半自动的粮食生产本体构建方法，确保本体库能够随着知识领域的扩展而演化，探索能够实现不同本体库融合的映射方法。在农业知识抽取方面，针对农业数据结构零散、模态多样的问题，利用多源知识融合与网页正文抽取等技术，实现互联网、物联网等环境下多源异构农业大数据的自动挖掘及知识图谱三元组自动抽取相关的核心算法。在跨媒体知识补全方面，针对现有单一特征空间的农业知识图谱无法应对跨媒体数据环境下的知识推理问题，采用图像理解、视觉摘要等前沿跨媒体智能计算技术挖掘跨媒体农业数据中的细粒度知识。在农业知识推理方面，构建融合数据驱动与知识引导的农业知识推理、演化与生成框架。研究使用生成式大语言模型与知识图谱融合实现农业知识的双向驱动与推理，打造数据驱动与知识引导融合的农业知识推理与生成技术体系（图3），为更高智能水平的农业应用服务研发提供开放式的环境支撑。
2.2.3 粮食生产全程大数据智能决策算法
粮食生产全程大数据智能决策算法是利用粮食生产大数据对粮食生产全过程进行精准化管理和智能化控制的纽带。面向大农场的粮食生产决策方法难以适应中国复杂的农业环境与多样化的粮食生产场景，亟需发展自主可控的粮食生产全程智能决策技术体系（图4）。在产前种植规划算法方面，构建统筹供需平衡、耕地产能、作物生产力和综合效益多目标协同优化的三大粮食作物种植格局时空规划算法，生成主产区、省域、县域和规模农场等多尺度种植规划“一张图”。在产中生产决策算法方面，创新大数据与机理模型协同的作物生长全程遥感监测模型、信息与农艺融合的种肥水药投入优化决策算法、农机与信息融合的农机路径规划与多机协同调度作业算法，实现“监测-决策-作业”一体化联动管控。在产后评估算法方面，建立多模型集群学习的粮食面积、产量趋势预测模型，并研发粮食作物供需致险因子识别及风险预警算法；构建基于多指标/多模型和荟萃分析的区域和农场尺度粮食生产，以及智慧农业技术的生态社会经济综合效益评价算法。
2.2.4 基于数字孪生的典型应用场景构建
粮食生产场景复杂多样，采用常规方式分场景独立构建应用费时费力。数字孪生技术通过实时传感、连接映射和仿真预测，实现复杂系统虚实融合，可以实现实体对象全生命周期的物理世界和信息世界间的“连接-感知-决策控制”过程。数字孪生技术为智慧农业提供可视化智能解决方案，被认为是下一代农业数字化范式，推进粮食生产大数据平台提质升级。农业数字孪生能够融合土壤、作物长势、物联网、气象预报，以及无人机和卫星影像等多源数据，并将机器学习模型、大数据分析和决策支持系统纳入数字化转型框架，使用户获得农田可视化动态场景，并进行各种虚拟实验，从而在有效灌溉计划、最佳施肥方法和有效的病虫害管理策略等关键方面做出科学及时的选择，提高整体农场生产力和可持续性［45, 46］。
研发基于数字孪生技术的粮食生产场景快速搭建模型，对生产全程全要素的数据进行数字世界映射，并对算法模型驱动和仿真分析过程进行封装，可大大降低生产场景数字化构建的成本和难度，满足粮食生产中典型场景构建和场景化服务的需求。
如图5所示，在粮食生产大数据平台应用层构建数字孪生农场，以数据和模型驱动数字孪生系统，实现农场孪生场景的自动数据同步、预测仿真和干预反馈。利用作物监测数据进行孪生场景渲染，提供直观、高精度、可测量的数据展示；利用农情预测数据进行场景变化模拟，及早发现作物生长问题；模拟管理干预措施（灌溉、施肥），对预期效果进行可视化表示，优化对策。搭建数字孪生应急管理系统（干旱、洪涝等），将物理世界的数据，如天气、地形、降雨、土壤类型，以及模拟土壤和作物行为的模型信息作为数字孪生的输入数据。数字孪生概念框架包括土壤代理（包括水文模型和土壤数据）、作物代理（包括作物模型和蒸发数据）和农田化身（农田的数字表达，如地质模型和天气数据），土壤代理和作物代理的信息输入到农田化身，并以物联网系统或遥感监测系统作为物理世界与虚拟世界的数据转换和连接。利用数字孪生系统的水文模型和作物模型集成模拟、空间分析与动态仿真能力，模拟区域内洪涝或干旱等不同灾害条件下对农田和作物的影响，分析防灾减灾措施及其效果，评估灾害风险，优化应急预案，增强灾害应对能力。
在农场尺度基于地块和种植数据，通过数据驱动的小场景渲染实现可视化，基于作物生长模型驱动孪生场景动态仿真；在区域尺度基于基础地理数据和大范围农情监测数据，通过三维地理信息系统实现大场景的数据映射和可视化，以三维时空分析驱动孪生场景动态仿真。
3 粮食生产大数据平台发展建议与展望
当今时代，数字技术、数字经济是世界科技革命和产业变革的先机，是新一轮国际竞争重点领域。中国农业生产正向规模化、集约化、数字化和智能化生产模式转换，当前推动生产方式加速演进的主要动力来自数字化技术。对于粮食生产数字化需要重点考虑开放共生机制，形成多平台、多技术、多服务的联动作用。此外要强化平台应用场景和服务定位，才能实现粮食生产大数据平台高效可持续应用，形成粮食生产智能化的新质生产力。为此，对于粮食生产大数据平台的发展提出以下几点建议和展望。
3.1 建设开放共生的粮食生产大数据平台
粮食生产大数据平台建设需要面对生产链条长、影响因素多、需求多样化等挑战，难以依靠单一数据、单一模型算法和单一平台解决，需要统筹利用多种信息资源建设开放型的粮食大数据平台，方可实现产业数字化，进而促进通信技术、自动化技术、物联网、大数据和人工智能等在农业生产领域的技术产业化快速发展。因此，为了建设开放共生型的粮食生产大数据平台，需要在以下三个方面加强协同攻关。
（1）作物与环境传感器开放接入机制。当前国内外关于粮食作物生产相关监测传感器非常丰富，例如用于作物长势、土壤水分温度、作物病害监测及农机作业等相关的传感器生产厂家达到上百家［47］，大数据平台建设要充分考虑各类传感器接入及数据存储的需求，可极大减少相关平台重复建设工作，增加粮食生产大数据平台与相关平台的连接性和黏合性。
（2）核心算法成熟度分级与独立封装机制。粮食生产中涉及种植规划、肥水药决策、长势产量监测及风险预警、效益分析等诸多算法模型，算法输入输出互异、建模机制千差万别，普适性和鲁棒性也完全不同，这对于建设稳健、易用、好用的粮食生产大数据平台形成了巨大挑战。因此，需要系统全面地对不同功能算法分类，并对算法成熟度进行分级（也包括同一功能的不种算法），并制订考虑输入输出条件、逻辑结构、独立性、鲁棒性等因素的算法成熟度分级评估机制，让用户调用平台分析时对算法成熟度一目了然。此外，算法输入输出应独立，实现算法与数据完全分离，便于算法进行单独封装，且支持多算法智能组合调用，并按照预定场景进行算法更新和自主即时计算。
（3）粮食生产大数据平台应提供双向数据和服务接口。一个平台或系统是否具有生命力，除了平台自身功能应满足用户刚需外，还应该为涉及粮食生产相关的政府管理、智慧农场、农资产供、粮食储销、培训科普等用户提供数据和服务双向接口，形成以粮食生产大数据平台为中心的分布式“平台共同体”，将极大增强粮食大数据平台的共生价值和生命力。
3.2 强化粮食生产大数据平台特色定位与应用场景
粮食作物生产过程涉及耕种管收多个环节，每个环节均涉及不同的参与主体，包括政府、农资企业、社会服务组织和农户等，研发建设一套满足所有用户全部需求的粮食生产大数据平台难度巨大，而且从实际上建设大而全的平台无论在前期研发和后期运维推广等方面都面临着巨大的挑战。因此要筛分技术需求和落地场景潜力较大的用户群体，定向打造全流程、全方位的粮食生产大数据平台，要在目标定位、应用场景和技术模式三个方面进行强化。
（1）平台要明确建设目标定位，有所为并有所不为。当前，国内外各类相关的粮食生产数字化平台较多，但都是定位具体服务场景和目标，例如FieldView、FarmLogs、中化MAP等，都是为了支撑自身的商业育种、粮食供应链和农资产销等场景而建设，这些平台的目标和定位都非常清晰，才保证了其良好的运行效果。所以，粮食生产大数据平台应重点关注粮食生产主管部门的宏观监测管理和规模化农场全程智能化生产作业（耕种管收和社会化服务）两个方面的需求；在服务区域上重点关注粮食主产大省、种粮大县、农业高新技术产业示范区和高标准农田建设区等。
（2）建设平台典型应用场景。充分利用数字孪生、AI等新技术，实现粮食生产关键场景的数字化平行建设，并实现双向的反馈调控。其中对于产前种植规划，应侧重建设农业资源禀赋、生态经济效益多目标协同的作物种植规划与作物品种推荐方法，为作物品种育繁推、粮食订单生产等典型场景提供工具手段；对于产中应重点关注大范围农情高效监测、肥水药决策与农机作业调度、重大灾害监测预警等，形成农情监测与决策、生产管理与农机作业服务、灾害应急与响应等典型应用场景；对于产后重点考虑建设粮食生产投入产出效益评估、粮食储销决策、粮食生产安全预警等典型场景，为粮食生产力及效益最大化提供科学支撑。
（3）平台建设应以技术集成为本，智能化服务为魂。建设的粮食生产大数据平台要优先集成现有成熟的数据获取治理算法、生产决策算法和作业调度算法等，若只针对缺乏的核心算法进行创新研发，将极大降低平台研发的成本和周期，减少过多依赖全新研发带来的不确定性。此外，所有的核心技术集成应该全部面向典型场景服务，以优先保障服务实效为目标，对全部集成和创新进行迭代优化。
3.3 推进粮食生产大数据平台形成新质生产力
建设面向全国的粮食生产大数据平台，本质上是综合利用信息与智能装备新技术打造粮食生产决策服务的新业态、新格局和新模式，通过以下核心技术集成和创新，以形成粮食生产新质生产力。
（1）搭建基于数字孪生的粮食生产场景，提升粮食生产大数据平台响应能力和决策效能。需要充分利用物联网、遥感和作物模型等，形成时空大数据同步的粮食生产孪生模拟系统，一方面为粮食生产管理决策提供预测预警信息，另外也可以及时评估粮食生产动态状态，支撑粮食作物生产真实和虚拟条件下的平行管控，解决传统平台对人员依赖程度高、感知决策作业三者联动反馈弱的问题。
（2）粮食生产大数据平台要与智能作业装备无缝连接。粮食生产大数据平台需要从平台底层设计数据接口和服务规范，直接实现与智能农机连接，或与农机数字化管控平台对接，将全部的决策变成智能农机可识别、可操作的作业处方和农机调度方案，破解以往信息解析与农机作业不连接问题。
（3）粮食生产大数据平台要具备“数据-算法-服务自组织调控”机制，满足差异化生产场景需求。当前大部分生产决策系统都是针对固定决策分析功能而定制的，缺乏应对粮食生产场景多样化、差异化的需求。因此，需要综合利用大数据、大模型等人工智能技术，实现个性化服务的高效响应，在平台底层形成数据自组织收集、算法自主组合及服务自动封装的新应用模式，满足从普通农户到专业生产管理人员的多样化需求。
（4）粮食生产大数据平台需要建设标准体系，形成规范、兼容、开放的服务能力。粮食生产大数据平台建设涉及诸多学科领域，属于典型的交叉创新和集成应用，需要建立包含数据获取治理、决策算法开发及服务调用、安全共享、科普培训等方面的标准系统，确保建设的粮食生产大数据平台具有良好兼容扩展性；同时满足不同生产环节的用户既可以作为需求方也可以作为数据或服务提供者，提升粮食生产大数据平台的灵活性和包容性。
