农业科学数据监管模型构建及应用分析

史衍进

（山东省鄄城县富春镇人民政府，山东 鄄城 274614）

农业科学数据的整合归纳是迎合时代创新发展的必然需求，而科学数据的应用受限于现阶段分析模型，为进一步促进农业科学数据的发展，应打破传统数据结构，优化数据组织。当前农业科学数据总量直线上升，如何对科学数据展开监督监管成为当前农业学术研究的重点。本次围绕农业科学数据监管展开构建与应用分析，具有较强应用价值，可在一定程度上解决农业科学数据的集成共享与监管问题。

1.农业科学数据监管模型的构建原则

农业科学数据监管模型构建时应以一定原则为基础，确保监管服务高效。第一，求真性。农业科学数据客观反映真实存在的现象规律，展开监管时必须保障数据真实性，需对原始数据采集、存储，对于已加工处理过的农业科学数据应溯源跟踪，确保真实有效。第二，系统性。应按一定关联将同类事物整合归纳，厘清农业科学数据间的关联要素，监管模型在运行期间始终处于数据交换状态下，因此在模型构建时，为确保数据监管服务质量，必须落实系统性原则。第三，时效性。农业科学数据具有动态变化特征，与生命周期相吻合，不同阶段的农业科学数据有效性存再差异，数据具有时效性，冗余数据将被淘汰，因此为确保有价值的科学数据得以存储，监管模型需以时效性为指导原则。第四，精准性。在农业科学研究中，对于数据的精准度要求愈来愈高，应从数据源头保障精准，以此更好地服务于农业学术研究，因此构建监管模型时，需以精准性为基础。第五，预见性。在当前农业发展中，重视病虫害防治、粮食安全、灾害模式等农情预警，因此，农业科学数据监管模型需具有预见性特征。

2.农业科学数据监管模型的构建

2.1 数据采集及方法。监管模型的数据采集以深度学习理论为指导，对各类农业科学数据进行分类预处理，划分类别，避免数据分析效率低下问题，并为后续数据存储与应用奠定基础。为高效分类识别科学数据，可结合不同深度学习框架对图像数据进行分类，依托于卷积神经网络，结合Alex Net网络，形成图像数据分类处理模型。卷积神经网络作为前馈式神经网，其可对海量农业图像数据降维处理，准确识别，高效分类，该方式对大型图像数据的识别更为有效。在农业学术研究中，所涉及到的科学数据包括对不同种类作物及植物，而数据类型又存在音频、视频、图像等不同形式，即各类农业科学数据存在不同形态，农业科学数据类型多、容量大，导致在数据分类时较为复杂，为顺利构建农业科学数据监管模型，引入卷积神经网络识别图像数据是极有必要的，采用不同卷积神经网络模型实现不同种类农业数据的高效精准识别分类，以此提升监管模型应用效果。

2.2 系统数据组织。为实现标准化农业作物种质资源管理，需制定相应的技术规范，在长期农业研究中，科技工作者已收集约38万份种质资源，科学数据大量积累，为农业研究发展提供助力，由此可见，仅种质资源一类数据，就存在38万份数据，且形式不同，为确保科学数据的有效运用，需对科学数据进行组织处理。随着农业研究的推进，所得到的数据量持续增多，呈指数增长，而各类实验数据均需识别资源，监管资源，此为监管模型的根本应用目标，对数据资源有效管理，并形成元数据组织。现阶段元数据使用效果仍有待提高，导致农业实验科学数据无法被有效整合，因此急需采用某种方式对农业实验科学数据进行组织使用，同时当前元数据集的应用多关注实验主题、实验机构等宏观信息，并未构建科学数据集。在农业科学技术构建过程中，必须围绕科学数据建立元数据模型，面向数据生命周期，将农业科研成果、实验数据整合，寻找出数据间存在的关联性，如农业地质水文核心元数据模型、作物基因表达元数据模型、实验数据语义描述模型等，元数据组织模型的构建应建立在国家标准基础上，立足于实践应用，确保农业科学数据元数据模型构建有效，便于对农业科学数据监管跟踪。

2.3 科学数据云存储。监管模型的数据存储主要依托于云计算技术，将海量数据信息存储至网络系统内，借助远程终端服务器，在云存储功能下，可保障农业科学数据时效，使其可精准应用到农业科研中。监管模型数据存储主要运用B/S框架，以B/S框架为监管模型数据存储平台，在云计算技术对农业科学数据进行监管，可实现现有数据存储、历史数据更新、数据分享，农业科研人员可借助自身web浏览器查阅云存储服务器内的各项科学数据，为保障数据安全，仅可浏览自身权限范围内数据内容。本次所应用的框架模型可高效传输不同类型的科学数据，将数据存储至云端，在服务器关联下展开共享及批处理。为保障云端农业科学数据安全保密，引入秘钥技术，对数据库服务器、客户端进行密钥加密，运行防火墙做好网关，最大程度防止农业科学数据泄露或被篡改，此外，数据存储时可完成备份处理，避免数据丢失。

2.4 数据共享平台。农业科研活动所涉及的科研院、高等院校、科学团体的缺乏共享意识，不利于农业科学数据整体性监管，因此为保障监管模型高效运作，应尽可能提升农业科研组织的共享意识，而构建共享平台是最有效的方式，便于监督，且可促进农业科研人员间的交流互动，而监管模型在科学数据共享中发挥着重要作用，主要分为基础档案数据、数据采集、分析决策、后台管理四个模块，基础档案数据用以建档登记科研人员信息及设备信息，数据采集模块用以验证数据，确保监管决策精准有效，分析决策模块可为科研人员用户提供数据监管重点，后台管理模块可设置用户权限，更新数据内容，并可将数据导出。现阶段农业科学数据呈现出多源异构特征，且数字化程度较低，不利于数据集中处理及监管，建立共享平台不仅可促进农业科学数据间的流通，更是监管模型的主要组成部分。

3.农业科学数据监管模型的应用分析

本次实证应用主要结合“天空地农业监测系统”相关数据资源，对上述数据采集、组织、存储、共享四个生命周期维度展开应用分析。

3.1 采集阶段的应用。农业数据采集工具为“天空地农业监测系统”，以此获得实时农业数据，可实现高清数据采集，在各类传感器应用下了解作物生长条件参数，数据为文本数据、视频、照片等，基于监控模型将实施数据传递至数据中心，在传感器感知系统中所采集到的数据具有安全可靠特征。以监控模型为纽带，可实现“天空地农业监测系统”与科学数据共享平台间的连接及通讯，便于科学数据的访问与传递，采用并行访问等手段提取多源异构数据内容，以此完成高效采集与导入。

3.2 组织阶段的应用。在实际应用过程中，基于云存储功能完成农业科学数据集成化处理，且可对监管模型中的科学数据进行监管维护，并运用处理算法展开滤波、滤噪、筛选，处理各类数据，将更为直观的农业科学数据存储至系统内，而该数据处理过程是为了获得更好地组织数据，可在一定程度上延长科学数据的生命周期，确保农业科学数据监管质量。挖掘监管模型数据组织中的科学数据时，可基于人机交互，以需求及场景为条件选择数据挖掘算法，可在数据组织中完成灵活性、准确性数据挖掘与应用，在矩阵画图工具应用下实现数据可视化，应用便捷直观。

3.3 存储阶段的应用。经安全技术加密后，在实证使用中并未出现安全问题，并在云存储方式下已实现农业大数据管理，农业耕地、育种、播种、管理、收获等不同环节均产生庞大数据资源，且形式多样，在数据分类、组织归纳处理下，存储时较为便捷，结合语义关系完成数据关联性存储，保障了农业科学数据的完整性，为后续数据计算应用提供便利。

3.4 共享阶段的应用。共享阶段的应用主要体现在农业遥感中心的建立，结合前沿遥感技术，将其应用到农业领域中，可集中整合作物长势、产量预测、旱涝灾害、病虫害等方面信息，完成数据采集后可将数据直接传输至监管模型，并实现实测数据共享，便于农业科研工作的开展，并可激发农业科研人员的共享意识。

4.结束语

综上所述，农业科学数据监管模型的构建需以求真性、系统性、时效性、精准性、预见性原则为基础，以生命周期理论为依据，采集数据并整合，规范数据组织，构建数据云存储模式，搭建数据共享平台，在此基础上结合生命周期理论，构建农业科学数据监管生命周期模型，最终得出有效的农业科学数据分析工具，在未来发展中，可与农业大数据整合，进一步提高数据利用率。