综述:智慧农业推广平台发展面临的挑战与机遇:数据源、编译与转换

《Information Processing in Agriculture》:Navigating challenges/opportunities in developing smart agricultural extension platforms: data source, compilation, and conversion

【字体: 大 中 小 】 时间:2026年06月27日 来源:Information Processing in Agriculture 8.9

编辑推荐:

  推广教育工作者在将研究成果转化为实用农业知识的过程中发挥着至关重要的作用。历史上,他们通过面对面会议、田间日活动或与农民电话沟通履行这一职责。近年来,这些渠道已转向网站、社交媒体等数字推广平台,但现有平台普遍缺乏足够的创新性以提升教育工作者工作效率,同时难以有

  
推广教育工作者在将研究成果转化为实用农业知识的过程中发挥着至关重要的作用。历史上,他们通过面对面会议、田间日活动或与农民电话沟通履行这一职责。近年来,这些渠道已转向网站、社交媒体等数字推广平台,但现有平台普遍缺乏足够的创新性以提升教育工作者工作效率,同时难以有效响应农民的时空信息与特定需求。本研究采用“智慧农业推广平台(Smart Agricultural Extension Platforms, SAEPs)”指代数字转型中形成的组织性技术概念,该类平台可将异构数据模态、人工智能(Artificial Intelligence, AI)组件与决策支持功能整合至统一的数据到决策管道中。但其效能仍受限于农业推广(Agricultural Extension, AE)生态系统中碎片化的数据标准与有限的互操作性。为此,本研究开展系统性文献综述,综合既有研究成果并构建农业推广数据管道评估的结构化框架。研究遵循PRISMA原则,在专用文献数据库中依据既定纳入与质量控制标准筛选同行评审出版物及选定的灰色文献。分析结果显示,农业推广数据到决策框架的关键阶段包含4类主题因素,进一步研究强调需通过技术干预优化信息传播流程、推广标准化数据协议,并构建AI辅助但保留人类在环(Human-in-the-loop, HITL)的决策支持系统。基于此,研究设定5项具体目标:分类农业推广数据源、分析采集工作流、评估转换实践、提出互操作性干预方案,以及明确强调验证与基准测试的未来研究议程。

引言

农业信息的传播,无论是同行评审出版物等书面形式,还是会议报告等口头形式,若无法转化为实用且具有经济可行性的知识与技术,对农民的价值十分有限。在农业推广生态系统中,推广教育工作者(Extension Educators, EE)通过田间日活动、网络研讨会、通讯等多种方式弥补这一缺陷。尽管近几十年农业生产需求持续增长,但推广项目分配预算却呈下降趋势,同时大量推广资源已转移至推广网站、社交媒体等数字平台。这类原有非专为推广服务设计的平台形成了复杂的信息存储库,导航难度较高;不同研究机构(如赠地大学)缺乏统一标准,导致平台信息呈现一致性不足;现有平台主要依赖关键词查询获取数据,返回的大量信息超出普通农民的处理能力;系统交互设计不直观且信息体量庞大,难以针对农民提出的依赖具体场景(如作物类型、地理位置)的问题提供精准定制化答复,此类需求往往需要补充降水、温度、生育期等时空数据,或结合气候变化相关研究结论才能快速输出准确响应。
生成式人工智能(Generative AI, GenAI),尤其是ChatGPT等大语言模型(Large Language Model, LLM)已在医疗、生物化学等关键领域显著提升生产效率,但以农业推广为代表的大部分农业相关领域仍发展滞后。若不采取干预措施,上述问题将持续威胁粮食安全、气候韧性及可持续发展目标(Sustainable Development Goals, SDGs)的实现,尤其在农业推广系统需在日益增强的不确定性下指导农场决策的当下,农业推广数据到决策流程的可靠性兼具科学与社会经济双重意义,因此亟需建设智慧农业推广平台。但平台的可靠透明建设需首先突破数据碎片化、验证与互操作性瓶颈。
本研究将上述挑战纳入涵盖数据源、数据采集、数据转换、决策支持系统的四层数据到决策管道体系,重点关注信息在各层的流动与损耗,区别于以往聚焦采集框架与治理模式的研究。当前数字农业研究数量增长,但少有研究完整分析整个农业推广管道,现有综述多聚焦传感技术、农业决策支持系统(Agricultural Decision Support Systems, ADSSs)可用性、AI应用等独立要素,未通过统一分析框架串联各要素的相互依赖关系,因此学界对农业推广信息在管道中发生损失、不一致或偏差的位置与原因,以及这些问题如何影响面向农民与政策制定者的决策支持系统输出可信度的认知十分有限。
本研究与既往提出的AI赋能农业咨询系统多媒体数据挖掘治理导向架构有所区别,未提出新的概念或架构模型,而是采用系统性综述方法批判性审视现有农业推广数据到决策工作流,将其纳入数据源、数据采集、数据转换、决策支持系统四层分析结构。本研究的贡献主要在于识别农业推广管道中的运行瓶颈、验证缺口与基准测试需求,进一步明确未来智慧农业推广平台可靠性、透明度与评估实践的循证发展方向。
为实现研究目标,研究设置5项研究目标:一是开展系统性综述,识别现有农业推广系统衍生的潜在新兴数据驱动管道;二是分析农业推广数据采集工作流,揭示潜在瓶颈或不一致问题;三是评估农业推广数据转换实践,判断其对决策支持系统与大语言模型集成的准备度;四是总结核心知识缺口,提出提升未来智慧农业推广平台可靠性的技术干预方案;五是明确以基准测试方法与准实验设计为核心的重点研究议程,用于评估智慧农业推广平台。全文其余章节安排如下:第2节详述研究方法框架,包括检索策略、纳入标准与分类体系;第3节基于前述四层主题分类展示系统性分析结果;第4节综合关键知识缺口并提出针对性技术干预方案;第5节概述未来研究方向与议程;第6节总结研究贡献及对农业咨询类智慧农业推广平台的意义。

方法

2.1 文献综述设计与范围

针对第一项研究目标,本节描述用于识别与分类智慧农业推广平台现有研究的设计、范围与概念框架。综述范围包含三个维度:概念层面覆盖集成农业推广功能与非AI(仅数字化)、AI赋能系统的平台;时间跨度覆盖2000年至2025年共二十余年,这一时期农业推广受到信息通信技术、大数据、物联网与AI的深刻影响;地理层面兼顾美国赠地大学与联合国粮农组织全球南方倡议,尤其关注非洲与亚洲区域以保障情境多样性。
在明确范围边界后,概念框架以智慧农业推广平台不断演进的定义为核心,即融合传统农业推广功能与数字化、数据驱动或AI方法的系统。其中数字化农业推广平台侧重参与式沟通与信息传播,农业决策支持系统则聚焦分析建模与计算决策,智慧农业推广平台属于融合人类在环与技术(数据、物联网或AI驱动)系统的混合类别,该区分用于从分析层面拆分传播导向功能与决策导向功能,评估现有平台的二者集成情况。

2.2 检索策略与筛选标准

本节遵循PRISMA方法保障方法学透明度与可复现性,阐述智慧农业推广平台相关现有研究的识别、筛选与选择流程,包含数据库确定、检索词构建、纳入排除过滤三个环节。
研究采用双源检索策略:核心数据库包括Scopus、Web of Science、Google Scholar、IEEE与《推广期刊》;同时纳入灰色文献存储库以获取学术来源常缺失的从业者视角与机构资料,包括粮农组织、美国农业部及相关项目档案。检索词通过标准布尔运算符(AND、OR)组合主题模块,最终检索表达式于2025年11月执行,限定为2000-2025年发表的英文文献,核心数据库共返回330条记录,剔除171条重复记录后剩余159条独立记录进入初筛;通过标题与摘要筛查排除117项不符合范围或细节不足的记录,剩余34篇同行评审文献进入全文评估,结合表2所列纳入排除标准,最终纳入41项研究(34篇同行评审出版物与7份灰色文献)用于后续综合、主题提取与分类。该筛选流程同时提升了最终语料的分析一致性,排除了缺乏足够方法学或系统层面细节、无法进行 comparative 评估的记录。

2.3 数据提取与主题分类框架

本节描述对2.2节最终纳入记录的提取与分类流程,旨在明确农业推广数据的典型来源、采集方式、处理方式与决策支持系统集成路径。
所有纳入研究均完成全文阅读,并使用本研究开发的标准化电子表格模板进行摘要,每条记录通过固定元数据属性编码以保障不同研究格式的可比性,属性包含文献信息、研究类型、研究焦点、数据源、分析方法与研究结果。编码流程不仅用于总结研究特征,同时支撑技术研究成熟度、数据处理方式与决策支持相关性的跨研究比较。
基于编码数据集的 recurring 术语与方法学相似性,研究构建三阶段迭代分类框架:第一阶段基于关键词聚类与概念邻近性对现有研究进行初步分组;第二阶段合并重叠主题(如数据溯源与数据转换);第三阶段由独立评审员验证各分类的一致性与互斥性,因评审人员数量较少,采用定性共识方法解决分歧,未使用定量评分者一致性统计量。
通过上述框架与多轮比较优化,最终形成代表农业推广数据-信息生命周期的四个顺次类别:数据源指信息起源,包括人员、传感器、文件与机构数据库;数据采集描述捕获农业推广信息的模态与渠道,如调查、移动应用、呼叫中心与物联网设备;数据转换包含清洗、建模或集成农业推广数据以实现可解释性的流程,如自然语言处理管道与多模态数据挖掘算法;决策支持系统作为决策工具,将转换后的数据转化为面向农民与相关利益方的实用建议,依赖机理、确定性或数据驱动建模方法。四类主题在分析层面相互独立,但在功能层面存在依赖关系,可用于评估现有研究的集中分布、碎片化程度,以及单一阶段的限制对下游决策支持的影响。

2.4 数据到决策分析框架

为整合2.3节的编码结果,研究构建矩阵关联四类主题的指标与属性:将数据源研究(如农民调查、物联网传感器)的发现映射至数据采集机制,以识别互操作性缺口或冗余;将数据转换研究的结果关联至决策支持系统输出,评估处理质量对咨询建议准确性的影响;同时将机构与治理属性(包括平台所有权、数据共享协议)叠加至所有阶段,识别跨领域的赋能因素与约束条件,最终形成技术、机构、人力资源融合的数据到决策分析框架,框架主层包含四个核心节点(即四类主题),通过有向箭头表示信息流动与反馈,次层区分技术流(数据转换)与人类流(知识解读与传播)。

报告研究与讨论

本节基于第2章内容,从“怎么做”转向“是什么”与“为什么”,综合筛选文献的实证模式并解读其对智慧农业推广平台的原因、约束与实践意义,内容沿农业推广数据管道的四层互联结构展开,依次涵盖3.1节明确主辅数据源、3.2节分析数据源采集流程、3.3节揭示数据源转换流程、3.4节理解决策支持系统的角色与性质,3.5节通过示例用例展示四层智慧农业推广平台架构如何在中季作物胁迫监测工作流中协同运行。

3.1 明确主辅数据源

农业推广数据通常来源于主(人基)与辅(非人)两类源头:主源包括推广教育工作者与农民,可提供农业问题的直接知识;辅源包括机构、网站、存储库与信息通信技术设备(如手机、物联网传感器)。两类源在格式、范围与可及性上存在差异,同时面临多重挑战:人为挑战包括记录不完善、田间互动记录不完整、响应延迟与隐私顾虑;非人挑战包括数据格式异构、更新延迟、空间覆盖有限、农业推广产品关键信息缺失。
针对上述挑战,农业推广从业者主要采用四类应对策略:一是定性与定量结合的传播方式,通过面向大众与进阶用户的事实说明书与公报实现覆盖面最大化且不造成农民信息过载;二是24小时数字化访问,依托移动应用、WhatsApp群组、GPS赋能平台提供实时建议;三是带隐私保护的田间互动记录,主要通过常见问题解答式田间日总结与同行评审监督平衡透明度与数据保护;四是标准化格式与集中存储库,依托多机构模板与地理参考数据库实现一致、近实时更新,支撑区域定制化建议。

3.2 分析数据源采集流程

农业推广数据主要通过两类渠道采集:农民与推广教育工作者的直接一对一互动,以及覆盖多利益相关方的一对多间接渠道。一对一互动通常为私密且未汇编状态,一对多渠道可通过调查、访谈、通信平台实现更广泛的数据汇编。相关挑战主要来自未汇编互动、私有通信访问受限、长时长音视频资源,以及包含传感器记录、社交媒体内容的异构辅源数据,存储格式差异、区域覆盖不均与社交媒体使用信任问题进一步加剧了数据集碎片化。
当前主流解决方案围绕智能存储单元或云系统展开,可实现主辅数据的 cohesive 集成,典型案例包括牧草光谱库、阿联酋洪水事件数据集、基于NoSQL数据库的云存储方案;针对传感器与视频数据的独立方案(如Eden库、Portunus)及社交媒体采集方案(Twitter API、Elasticsearch)也为去中心化采集到集成存储库的互操作路径提供了可行参考,保障碎片化的农业推广数据可被汇编、存储并用于生成可行动洞察。

3.3 揭示数据源转换流程

原始数据编译存储后,需转换为适用于分析与决策支持的格式。农业推广数据具有高度异构性,来源涵盖公报、传感器馈送、田间笔记、遥感影像、社交媒体内容与长格式视听材料,若无有效转换,建模、查询或建议推送等后续环节会继承噪声、不一致或缺失上下文问题。农业推广数据转换的共性挑战包括稀疏性、异构性、高维性、不平衡性与表征不一致性:小数据集存在标签缺失、多样性不足或质量偏低问题,大数据集则引入噪声、无关特征、高计算复杂度、类别不平衡、模块化与维度灾难及非线性问题,进而限制算法性能、增加预处理难度并阻碍决策支持系统集成。
针对上述挑战,现有转换策略融合传统预处理技术与新兴AI驱动工作流:传统预处理与转换方法包括OpenRefine等数据清洗工具,以及基于机器学习的自然语言处理方法,可通过监督分类与无监督聚类识别原始数据模式,利用命名实体识别实现文本中的组织、位置、主体等实体识别;针对遥感影像、传感器数据、视听推广材料等模态,还需开展辐射与几何校正、噪声过滤、插值、异常值检测等模态特异性预处理,其输出质量是决定下游模型性能的核心因素。
AI驱动转换方法依托Transformer架构与生成式人工智能模型发展,大语言模型可通过提示工程完成多阶段转换,无需任务特定的机器学习训练,现有研究已探索其在尼日利亚木薯农民本地化定制答复、美国农业推广灌溉问答数据集测试、多国农民聊天机器人服务等场景的应用;多模态系统(如视觉语言模型、语音转文本模型)进一步扩展了能力边界,可将图像、无人机航拍、传感器截图、音频统一转换为可检索的文本表征。上述方法使AI模型成为灵活的多模态转换接口,但可靠性高度依赖提示工程、检索增强生成、混合管道(结合确定性规则与概率AI输出)等强化透明工作流的支撑,以降低通用性或幻觉响应的风险。
为综合上述方法,研究构建了农业推广数据转换方法的对比类型学,包含三类核心策略家族:基于规则与传统预处理技术,适用于结构化或半结构化数据,优势为透明、低成本、易复现、可解释,局限为难以处理多模态数据与深层语义提取;标准机器学习(尤其自然语言处理管道),适用于中等噪声但模式一致的数据集,优势为超越规则方法的模式捕获能力与可扩展性,局限为依赖训练数据、领域术语偏移时鲁棒性弱、上下文推理能力有限;大语言模型/AI增强多模态管道,适用于高度非结构化、上下文依赖、需多模态融合的场景,优势为可处理噪声与非结构化数据、支持摘要生成、跨语言与多模态处理,局限为存在幻觉风险、成本高、需治理与专家监督。三类策略并非互斥,多数农业推广工作流会组合使用规则清洗、机器学习特征提取与大语言模型辅助摘要或协调。

3.4 理解决策支持系统的角色与性质

农业决策支持系统是农业推广数据管道的最终环节,将处理后的数据、专家知识与计算模型转化为可行动建议,其效能直接取决于输入数据质量。历史上农业决策支持系统多由研究级模拟模型适配而来,包括DSSAT、SWAT、AquaCrop、APSIM等,可将农艺知识编码为形式化计算结构,模拟不同管理与气候条件下的作物生长、水文、养分动态与水分生产力,核心优势为通过透明、基于场景的建模将专家推理能力扩展至个体田间互动之外。
但农业决策支持系统仍面临多重应用挑战:一是采纳率低,英国调查显示仅49%生产者使用农业决策工具,主要原因包括不信任、成本、可用性问题、信息技术素养不足与时间约束;二是结构复杂度高,模拟类系统需要详细的天气、土壤、管理参数等高质量输入,在农业推广场景中难以获取,导致推广教育工作者需手动估算或采集数据,限制了机构层面的可扩展性,因此简化方法(如灌溉“台账”法)因降低计算与数据需求更受青睐;三是设计偏向研究环境而非面向农民的农业推广工作流,界面复杂、输出过于技术化、工作流耗时,即便科学基础扎实也难以实现落地衔接。

3.5 示例用例:智慧农业推广平台框架实操化

本节以中季作物胁迫监测与农业推广咨询传播为例,展示四层智慧农业推广平台框架的实际应用,将框架拆解为可审计的层级要素。
数据源层定义最小必要输入:地理参考田间观测(含作物品种、萎蔫、黄化、虫害等可见胁迫指标)、与作物物候对齐的时间戳遥感影像,同时记录管理措施、土壤条件、数据使用许可等上下文元数据,每条输入均记录采集者、时间戳、方法与位置的溯源信息。
采集层侧重核查与质量控制:强制执行粮农组织AGROVOC作物术语、ISO 19115兼容地理空间元数据等标准化元数据 schema,开展观测的空间与时间一致性校验(含坐标参考系统验证、卫星重访周期核查),通过结构化审计追踪记录各输入的来源、采集方法与版本历史,同时要求推广教育工作者与农艺师抽样审核观测数据、标记错误并反馈以支持自动校正。
转换层将原始输入处理为可行动特征:对田间工作人员文本笔记进行标注、清洗与语义结构化,分析遥感影像生成植被指数、检测异常并识别早期胁迫模式,采用开源多模态架构集成文本、图像与传感器数据保障农艺与科学准确性;模型可通过开放神经网络交换(Open Neural Network Exchange, ONNX)、TorchScript等标准框架序列化部署,小规模管道可使用Python Joblib库实现模型序列化与部署;模型需定期(如按季节或月度)基于新增遥感数据、人工标注数据集或霜冻、热浪、洪水等极端天气事件重新训练,同时设置模型漂移检测机制,当异常检测精确率、召回率等性能指标低于预设阈值时触发重训练,确保可复现性与可审计性。
部署后需持续监控推理延迟、异常检测精确率、专家核查率等关键性能指标,使用MLflow等工具支撑可审计与可复现评估,预设最低精确率、最大推理延迟、可接受专家覆写率等性能阈值,由
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号