关于智慧农业发展问题与对策报告

引言

智慧农业是我国实现农业现代化的重要手段。智慧农业通过利用物联网、云计算、人工智能、遥感等技术实现全产业链的协调发展以及农产品的精准生产。

关于智慧农业的内涵，何海霞（2021）将其分为广义和狭义。从广义上来讲，是指传统农业通过系统化从而形成智慧农业体系，同时也是一个农业产业链条，是农业现代化的一个新的方向，是农业发展4.0阶段，包含智慧生产、智慧管理、智慧销售。从狭义上讲，智慧农业是将传统农业赋予“智慧”，将农业与互联网结合，运用大数据、物联网、人工智能等技术在农业的生产、加工、运输、管理、销售等环节提高效率增加产量，使农业生产更加透明化、安全化。

智慧农业是实现乡村振兴、共同富裕的重要手段。刘宏笪等（2019）认为智慧农业是乡村振兴在实践方面的尝试，也是多产业融合发展的先行导向与示范，更是未来农业转型的战略选择，同时也是未来农业发展方向。宁甜甜（2022）从国家战略角度分析得出发展智慧农业可以加速实现农业现代化，促进城市与乡镇的有效融合，同时也是增强我国农业国际竞争力的重要手段。我国对于智慧农业高度重视，并出台了一系列文件。中央网信办、农业农村部等联合印发的《2022年数字乡村发展工作要点》中指出，要打牢智慧农业发展基础，建立粮食安全数字化保护手段，向农业智慧化、数字化发展。同时，2022年中央一号文件中更是强调要加快推动数字乡村建设以及智慧农业发展，促进信息技术与农机技术之间的融合应用。发展智慧农业是未来农业发展的必然趋势。

当前我国农业信息化水平较低，2020年我国农业生产信息化水平仅为22.5%，距离2025年农业信息化水平到达27%仍有一段距离。马红坤等（2020）认为目前关于我国智慧农业的发展路径的分析在学术界的研究较为浅薄。目前，我国智慧农业发展仍处于初级阶段，因此通过对我国智慧农业发展的回顾发现其中的问题并提出对策会对我国智慧农业发展、推进农业现代化具有重要意义。

一、我国智慧农业应用状况

（一）信息输入端。信息输入端以传感器、无人机、物联网技术为主。农业传感器种类多样，在智慧农业发展中占据举足轻重的地位，是农业数据收集的基础。王潇（2022）等认为农业现代化发展需要依靠农业传感器作为技术支撑，先进成熟的工业传感器向农业领域拓展应用有效补充了农业传感器的体量。李海英等（2022）指出当前传感器类型包括温度传感器、湿度传感器、生物传感器、气敏传感器、光电传感器、pH值传感器、压力传感器等，在农业生产过程中负责对田间地头的湿度、温度、光照情况、土壤成分等生产信息进行收集。在智慧农机、农业机器人方面，肖正邦（2022）指出传感器可通过对行驶过程中机器前方的图像信息进行预处理、特征提取分割、图像识别等方式，将视觉感知到的二维图像转换为三维空间信息。张微微等（2023）认为无人机遥感具有花费低、操控难度低、受气象条件影响小、监测周期灵活和超高影像分辨率等传统卫星遥感无法比拟的优点，极大提高了影像获取的时效性和便捷性。通过使用无人机可以为农业信息数据获取提供精准的信息源。李欣璐与凌灿权（2022）认为无人机遥感技术运用4k高清摄像机对土地进行拍照通过对图片分析可以完成对土壤信息和作物的环境信息的收集。农业生产资料流通是影响农业生产与效率的重要方面。马晓丽（2010）指出由于智慧农业技术、互联网技术日渐发达，使欧美发达国家的农产品市场信息服务有较好的成果。欧美的一些发达国家已经建立了相对健全的农产品市场信息服务体系。当前，我国对于市场信息、农资信息收集的研究颇少，不成体系，缺少农资交易平台，难以收集数据。

（二）信息处理端。在信息处理端，运用云计算、大数据技术、物联网、人工智能、生长模型技术对收集的信息处理计算。云计算多用于为农业信息服务系统分析数据。王丽杰、刘婷婷（2022）指出，运用基于云计算技术的土壤墒情信息系统可对墒情信息及时、准确地获取、分析，同时进行智能信息决策。聂鹏程等（2021）表示物联网技术主要应用于精准灌溉、精准施肥、病虫害防治等领域。鲁刚强、向模军（2022）认为在农业灌溉方面运用物联网技术配置传感器对在不同生长环境生长的作物进行检测，掌握农田基本数据并进行智能整合，为农田灌溉提供数据分析，达到节水目的。宋艳、黄留锁（2017）将物联网技术与近红外光波数据分析相结合应用于农业土壤养分监测，将土壤养分数据与系统设置进行对照，实时做出施肥与否的决策，以指导农业施肥。汝刚、刘慧、沈桂龙（2020）认为人工智能技术目前已有与农业融合的典型案例，但是在农业领域仍处于初始阶段，面临一系列挑战。在20世纪60年代荷兰、澳大利亚、美国的作物生长模型得到初步发展领先我国近20年。荷兰的作物生长模型的特点是解释性与通用性都比较出色，美国的作物生长模型的特点是应用性与综合性强。我国的作物生长模型初期借鉴美国与荷兰的模型，近年来在水稻、玉米、大豆等作物生长发育研究应用上有较大进展。但目前多数作物生长模型准确性较低，没有考虑全部的限制性因素，缺乏统一的标准和方法，每个地域的同一品种参数不同，通用性较差；缺乏模型在不同环境、气候、土壤等的运行资料，使得模型检验困难。