
大数据如何颠覆农业生产
有时候,我们只有在事后回过头来看时才发现发生了一场革命。但当下的农业革命却不是如此。我们能实时看到发生在我们身边的创新和颠覆。
为了用更少的投入生产更多的食物,农业正在寻找新的产品、方法和技术。地球只有一个,我们必须减少化学品和水的使用。自给自足的农民想要缩小产出差距。从事商业化生产的农民想要提高产出、节约成本。消费者想要更加健康的清洁食物和成分。
大数据正在带来颠覆性变化,帮助我们满足这些需求
大数据提供了更多的信息,这些信息来自于从作物基因组到供水管理、培肥、气候、土壤、机械和作物保护系统的方方面面。大数据还使人们在农业方法践和作物遗传学领域有更多的方法来获取和使用数据。在生产侧,这正在改变大型农企的价值链,因为大数据的使用将力量赋予农民和小公司,大公司则在兼并整合,努力创新。
颠覆将需要好的想法、新的商业模式和勇敢无畏的精神。新一代的独立公司正在利用大数据产生新的见解、实践和产品。如果想跟上时代的脚步,传统的农企和供应链就必须适应新形势。
以下是大数据被用于农业的四个主要方面:
种子新特性的培育:用新的检测和图谱绘制方法发现和获取作物基因组,更快地把信息变成更好的产品。
精准农业:虽然有时被混为一谈,但大数据和精准农业并不是一回事。大数据汇集了很多农田的信息,而这些信息均通过精准农业获得。由此产生的分析、见解和更好的决定,再通过精准农业技术进行部署。
食物追踪:利用传感器和数据分析来预防食品变质和食源性疾病。
对供应链的影响:技术和信息的普及使种子、作物投入品和食物的供应链迎来巨变。
大数据加快作物育种
培育优良作物品种的传统过程不仅耗费大量的财力和人力,而且可能需要10年或更长时间。大数据加快了这个过程。遗传学的进步已经导致了生物信息的爆炸式增长:首先是模式生物基因组测序的开始,其次是高通量或自动化实验技术的快速应用。
大量的基因信息可以在云端创建和分析。曾经在温室和田间地头进行的生物研究,现在能够先用计算机(经过计算机模拟)来分析数据、设计实验和确定假设条件。在此基础上,只需要在地里试种规模小得多的实验作物进行验证,就可以判断出在大规模环境中种植的效果如何,然后培育者便可以确定哪种杂交作物最适合某个特定的地域。在我的职业生涯中,就曾经亲眼目睹过这种惊人的变化。我不再穿着长筒靴前往育种站,因为工作主要在实验室里完成。新的育种过程不仅代价更低、速度更快,而且我们能够做到我们以前无法做到的事情。
传统的基因工程技术把抗旱、抗除草剂和抗农药的特性引入了市场。后续的培育将带来质量更高、经济和环境成本更低的作物。在培育中的很多作物都会让农民和消费者受益,比如高钙胡萝卜、抗氧化剂土豆、不会引起过敏的坚果、抗菌橙子、节水型小麦和营养价值更高的木薯。
利用更好的工具,研究成果转化为实际生产力的速度将更快,成本也将更低。设施较少、规模较小的实验室也能完成这个过程。数据库共享能够提供更多的数据供实验人员获取和分析。作物基因改良和云生物学正在催生形形色色的新型初创公司。
以下例举了几家利用大数据进行作物基因组研究的初创公司:
·Caribou Biosciences:利用CRISPR-Cas技术进行基因编辑(已融资4,460万美元)
·Benson Hill Biosystems:通过植物生物学、大数据分析和云计算来推动农业发展(已融资805万美元)
·Intrexon:通过自己开发以及从外部收购的技术来培育新的作物特性(上市公司)
·Cibus:部署基因编辑工具来培育新的特性,包括抗除草剂作物
·Arcadia Biosciences:利用先进的筛查、育种和生物技术来培育新的特性和作物(上市公司)
·Precision Biosciences:从事生命科学领域的基因组编辑技术公司,正在打造农业集团(已融资2,565万美元)
·杜邦/陶氏(DuPont / Dow)、先正达(Syngenta)、孟山都(Monsanto)、拜耳(Bayer)和巴斯夫(BASF):全都在通过有机增长和并购活动活跃于业界
数据驱动的耕种方法,更好的结果
商业化农业生产十分复杂,涉及生物学、气象和人类活动。近年,种植者迅速采用新的精准农业技术。利用GPS和其他技术,生产者可以精确地追踪不同田地的产出,操纵和控制设备,监测田地状况,管理投入品,大幅提高生产率和利润。同时,数据迅速累积,变得数量庞大且错综复杂,只能使用计算机软件进行分析。数据本身无法创造见解,需要通过分析和咨询服务来帮助农民洞悉数据。以机器学习为核心的软件应用在与数据、设备和人类互动时变得越来越智能化和定制化。通过学习,它们能提供以前没有开发过的机遇,帮助我们在农事方面做出更明智的决策。
大数据公司能测试各种各样的基因组、作物投入品以及很多不同的农田、土壤和气候条件。他们能按照数千亩土地的真实环境进行田间试验,为农民提供在特定田地、特定土壤和特定气候条件下优化种植的信息,甚至细化到每一粒种子。对于作物保护供应商来说,这意味着他们的产品在同一块田地里能够以不同的剂量率和桶混方式进行使用。
信息即力量
这种透明度能够颠覆价值链,可能会令某些零售商、批发商、大型种子生产商和大型化学品生产商感到不喜。信息使品牌投入品的定价和表现具有可见性,让下层的种植者能够拥有更多的权力。种植者将能够以非常精准的方式使用更少的化学品。以精确方式使用普通投入品的效果很可能好于使用名牌投入品的效果。更精准的种植很可能会让投入品的用量减少大约30%至40%,再加上大型农业投入品公司的利润受到挤压,这可能导致供应链的进一步整合。
尽管农产品价格和农民收入始终较低,但新的农业技术的采用率正在提高。Caledonia的罗伯特·希尔(Robert Hill)最近进行了一项市场调查,种植者说他们部署的技术数量将在2013年至2019年期间翻一倍。51%的受访者说,他们最感兴趣的其中一点是适合他们田地和土壤类型的综合建议。
一些新公司把收集、汇总和分析众多田地的数据作为他们的主业。他们的目标是向农民提供个性化方案,将每块田地的耕种细化到作物个体:使用有关气候和土壤条件、作物以及产出的数据。数据公司利用从农民那里获得的信息来改善他们的模型,提出更好的建议。数据让客户能够不断采用符合自身特定需要的产品,定价策略更加全面完善,能够实现同一领域内更好的性价比。以下是几家活跃在这个领域里的公司,他们拥有不同的产品和商业模式:
·Farmers Business Network:这个农事信息网络利用数据分析来帮助农民作出最佳的经营和采购决定(已融资2,400万美元)
·Climate Corp/孟山都:这个气候平台帮助农民作出耕种决定(已融得1亿美元风险投资,在2013年被孟山都以10亿美元收购)
·Granular:这个软件和分析平台帮助农民管理和查看数据,以提高耕种效率(已融资5,000万美元)
·Conservis:这个云平台向农民提供以服务为中心的平台,帮助他们跟踪活动情况、整合外部数据和管理资源(已融资1,265万美元)
·Trimble:提供定位技术解决方案,用于调查、建筑、农业、公共安全和绘图(上市公司)
·Farmers Edge:硬件和软件。FarmCommand系统,自动收集数据,报告成本及设备数据(已融资4,420万美元)
·Iteris:清洁农业(ClearAg)部门通过应用程序接口(API)或者应用程序提供天气、水、土壤和作物健康咨询服务(上市公司)
·约翰迪尔(John Deere)、拜耳、巴斯夫和杜邦都在通过自建和收购的方式打造自己的数字平台
食物追踪
对食物从田间到餐桌的过程进行追踪,可以预防疾病、减少浪费和提高利润。由于全球供应链的延长,追踪和监督农产品变得越来越重要。大数据正在被用来改善各个环节,比如仓库和零售店的库存水平,以及作为食品在整个供应链中“血统记录”的食品温度。食品生产商和运输者使用传感器技术、扫描设备和分析工具来监控收集供应链的相关数据。温度和湿度通过带有GPS功能的传感器进行监控,在配送途中需要采取纠正措施时,警报就会响起。如果发生问题或召回,零售商处的销售点扫描让他们可以采取迅速有效的行动,哪怕产品已经售出。基因工具和大数据分析也被用来研究食源性致病菌,并预测致病菌和疾病的爆发和传播。这些技术将有助于预防食源性疾病和减少供应链浪费。在美国,每年约有7,600万人患上食源性疾病,导致5,000例死亡。在发达国家,40%的食物被丢弃,包括10%到15%的农产品。
对供应链的影响
大型农企正在遭受挑战,因为新技术使农民知道应该种植什么,何时和如何种植,使用哪种作物投入品来最大程度地提高收成和效益。以前,创新都集中在那些拥有高额研发预算、众多产品或大量市场份额的公司。新技术,尤其是作物遗传学等复杂领域的新技术,需要庞大的规模和小公司承担不起的昂贵设施。
传统的大型农企可能无法做出改变,向农民提供最好的作物特性和有关农业投入品的最佳信息。现在,创新更容易在新企业中产生,这有很多原因。一是信任。企业必须能让农民相信他们的数据将被匿名化,他们不太可能愿意他们的信息落入那些想方设法推销自家产品的大公司之手。作物遗传学同样如此。如果独立的种子公司愿意向某个数据库贡献信息,以更好地了解各种作物的基因组,那么他们肯定不希望那个数据库受业内的一家大公司掌控。第二个原因是对公正建议和双向信息的渴求。即使大公司能够建立最好的数字平台,他们也很难被视为公正建议的提供者。
大公司无法做出利用新技术所必需的改变。这样的例子有很多。想要利用新技术,需要不同的企业文化、不同的风格和不同的行事方式。大型农企拥有庞大的研发引擎,使用繁琐的技术来培育转基因种子。现在,由于有了基因编辑和云生物学,特性培育能够在人手和设备更少的小实验室里完成。大公司还面临着另一个障碍,也就是涵盖多级批发商、经销商、捆绑产品和回扣的定价策略太过复杂,导致供应链的定价缺乏透明度。这里有很多的颠覆机会,类似于谷歌(Google)改变多个行业,Uber和Lyft改变个人出行。
一系列大规模交易已经开始重新塑造大型农企。中国化工集团以430亿美元收购先正达。陶氏化学和杜邦意欲合并,组建成一个新的作物科学机构,总规模达到1,300亿美元,监管机构正在对这笔交易进行审查。拜耳和孟山都的合并仍在持续推进中,这将成为业内第三大交易,有望改变整个杀虫剂和转基因种子行业。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA数据分析师与数据指标:基础概念与协同逻辑 一、CDA 数据分析师:数据驱动时代的核心角色 1.1 定义与行业价值 CDA(Certified ...
2025-08-22Power Query 移动加权平均计算 Power Query 移动加权平均设置全解析:从原理到实战 一、移动加权平均法的核心逻辑 移动加权平均 ...
2025-08-22描述性统计:CDA数据分析师的基础核心与实践应用 一、描述性统计的定位:CDA 认证的 “入门基石” 在 CDA(Certified Data Analy ...
2025-08-22基于 Python response.text 的科技新闻数据清洗去噪实践 在通过 Python requests 库的 response.text 获取 API 数据后,原始数据 ...
2025-08-21基于 Python response.text 的科技新闻综述 在 Python 网络爬虫与 API 调用场景中,response.text 是 requests 库发起请求后获取 ...
2025-08-21数据治理新浪潮:CDA 数据分析师的战略价值与驱动逻辑 一、数据治理的多维驱动引擎 在数字经济与人工智能深度融合的时代,数据治 ...
2025-08-21Power BI 热力地图制作指南:从数据准备到实战分析 在数据可视化领域,热力地图凭借 “直观呈现数据密度与分布趋势” 的核心优势 ...
2025-08-20PyTorch 矩阵运算加速库:从原理到实践的全面解析 在深度学习领域,矩阵运算堪称 “计算基石”。无论是卷积神经网络(CNN)中的 ...
2025-08-20数据建模:CDA 数据分析师的核心驱动力 在数字经济浪潮中,数据已成为企业决策的核心资产。CDA(Certified Data Analyst)数据分 ...
2025-08-20KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-20偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14