农业生物数据分析初探

纪兆华 尹成伟 王春云 高春红

摘    要：通过以农业生产田间管理实际统计数据分析为例，探讨生物数据可视化，直观展现生物学数据，帮助科学分析数据结果，将抽象的信息进行直观的分析并表示出来，有助于更好地理解数据，增强认知数据。生物大数据可视化分析的结果可视化强、效率高，对生物学大数据进行解构，去除其中的冗余信息和背景噪声，得到更加具有科学意义的数据分析结果。

关键词：田间管理;生物数据;分析

文章编号：1005-2690（2021）17-0036-02       中国图书分类号：C961       文献标志码：B

对生物大数据的高效准确解读事关粮食安全等重要问题，由于生物大数据有类型复杂、结构异质、冗余性高和体积庞大等特点，科研人员需要借助数据可视化等方法才能理解其組成特征和内在联系，进而更加快速和有针对性地从中挖掘出相关知识信息[1]。

1   数据可视化

数据可视化将具有大量数据库中的文本或者二进制数据的特征信息，转变为更加直观生动的图或表。计算机可视化操作能够将抽象的信息进行直观的分析并表示出来，有助于更好地理解数据，增强认知数据，并挖掘出大量数据中蕴含的事物之间的规律或内在信息[2]。

实现大数据可视化的过程一般需要有数据获取、数据变换、数据分析与数据展现。数据分析和数据可视化在生物大数据可视化分析流程中为计算处理，数据分析包括基于表结构和关系函数的查询分析、基于数据、事件流的流分析，基于图、矩阵、迭代计算的复杂分析;可视化通常为对分析结果的展示，通过交互、提问等形成迭代的分析和可视化[3]。

2   农业生产田间管理生物数据分析可视化

以田间管理数据分析为例，分析生物数据可视化。

2.1   田间管理

以田间管理数据分析为例，在2019年5月20日进行玉米播种，行长5 m，行距0.6 m，每行种植20株，采用垄上直播。玉米3叶期对田间种植的转基因玉米材料进行抗除草剂草铵膦筛选，筛选方式为叶喷施，筛选效果明显。对于缺株小区进行移苗。间苗完毕后，采用点播器施肥法，即在3叶期使用点播器将化肥点施于两株苗之间，其中100%施氮量每穴施肥11.24 g，70%施氮量每穴施肥8.43 g ，0%施氮量不施肥。

2.2   数据测定

在苗期、拔节期、大喇叭口期、抽雄开花期分别测定叶绿素相对含量;抽雄吐丝期测定植株株高、穗位高。收获时测定植株生物产量、果穗产量等;室内考种时测定植株干重、果穗产量构成因子等。

2.3   不同梯度不同时期叶绿素含量

整理不同梯度不同时间叶绿素含量数据，统计如表1所示。

苗期所有转化体叶绿素含量显著高于3个对照，p1和sd1转化体在不同氮肥浓度下苗期均高于对照;推测两个转化体提高了苗期吸氮能力;转化体拔节期叶绿素含量降低;大喇叭口期含量相比增加;ms1和zm1在棒三叶期叶绿素含量呈现增加趋势;推测两个转化体提高氮转运和分配能力。

2.4   不同梯度田株高

整理不同梯度田株高数据，统计如表2所示。

商业杂交种郑单958与郑单958（aa），郑单958（aa×aa）相比，株高差异较大。

3   生物数据可视化

3.1   生物学大数据可视化分析

当数据量规模增加时，需要采用大数据技术进行数据分析。生物学大数据可视化分析的作用主要包括3个方面：首先，帮助科研人员快速从体积庞大、缺乏组织脉络的原始数据集中抽取出本质特征，为研究工作提供理论指引;其次，抽取出生物学大数据中某一维度的特征，以图形化的方式进行直观展示和强调;最后，可以有效地将生物学大数据进行解构，去除其中的冗余信息和背景噪声，得到更加具有科学意义的数据分析结果[4]。

研究是根据一定条件进行设计的田间试验，分别观察了玉米生长不同时期的数据。因为这些数据也是对于有限样本的观察得到的测试数据，通常也具有变隐形、偶然性和局部性，或者说在表面上看来这些原始数据是杂乱无章的。因此，必须要对这些原始观察的数据进行整理分析，这样就能发现其内在的规律并分析出有科学性的结论。通常在数据分析方面如果比较复杂，也可采用数据分组的方法来分析。如运用相关方法将玉米苗期、拔节期、大喇叭口期、抽雄开花期的叶绿素相对含量，和抽雄吐丝期的玉米植株株高、穗位高，以及收获时的植株生物产量、果穗下茬产量，在室内考种时测定植株干重、果穗产量构成因子等数据记录，研究不同时期的不同状态数据，分析其总体结构，并简化数据运算程序[5]得到科学性的结论。

3.2   数据可视化特点

同传统的静态数据可视化展现方式比，基于HTML5可视化技术，在交互性、界面等方面，具有表现更为直观、容易和其他软件工具结合起来进行数据分析，以及方便传播分享数据等优势[6]。采用生物学数据可视化平台，可以更加直观地展现测试数据和分子层面的数据结构、关系网络数据和临床分析数据等，为科研人员提供帮助[7]。

4   结束语

在大数据时代，数据产业化、产业数据化推动了我国信息化开展进程[8]。注入农业作物生长数据等可以实时提供给农业管理技术人员，就可以精准判别农作物施肥、打药或者洒水时间，从而有效防止天然因素造成的产值降低。经过归纳处理的数据，也可以有效调控农业生产;经过对数据的剖析，可以拟定一系列调整和管理农业生产的办法，促使农业生产高效、高质发展。

参考文献：

[ 1 ] 赵方庆，周琳，孔雷.生物大数据可视化的现状及挑战[J].科学通报（中文版），2015，60（5）：547-557.

[ 2 ] 张广旭.基于Spark的基因数据聚类分析及可视化[D].长沙：湖南大学，2017.

[ 3 ] 傅耀威，贾燕红，张军，等.大数据可视分析发展现状与趋势[J].中国基础科学，2019，21（4）：53-58.

[ 4 ] 郭平仲.田间试验数据的统计分析——试验数据的整理[J].生物学通报，1989（10）：18-21.

[ 5 ] 刘江涛，邢辉.浅析生物大数据可视化的现状及挑战[J].中国新通信，2016，18（2）：152.

[ 6 ] 崔晓军，高子航.基于GIS与云计算的温州市农业大数据可视化平台研究[J].电脑编程技巧与维护，2020（4）：113-115.

[ 7 ] 纪兆华，王春云，高春红，等.生物数据可视化研究[J].中小企业管理与科技（中旬刊），2021（1）：193-194.

[ 8 ] 姜侯，杨雅萍，孙九林.农业大数据研究与应用[J].农业大数据学报，2019（1）：5-15.