《Smart Agricultural Technology》：Digital platform as a tool for data management of the potato production system in Colombia
编辑推荐：
本文针对哥伦比亚马铃薯产业面临的数据管理挑战，介绍了一项整合数据科学、多焦点建模和数字平台技术的研究。研究人员开发了一个名为SOLANA的开源数字平台，集成了土壤理化性质、植物检疫记录、气候变量和产量数据，并应用GLM、LASSO和AutoML等多种模型进行产量预测。该平台包含六个交互模块，提供气候预报、土壤管理、植物健康和学术趋势分析功能，为生产者、研究人员和政策制定者提供了数据驱动的决策支持工具，显著推动了哥伦比亚马铃薯生产系统的数字化和智能化管理。
在全球范围内，马铃薯(Solanum tuberosum L.)因其广泛的适应性、高能量含量和全面的营养成分而成为实现联合国可持续发展目标(SDGs)的关键作物。然而，哥伦比亚的马铃薯产业正面临严峻挑战：虫害种群增加、疾病频发、气候多变以及全年价格波动，加之技术鸿沟显著，生产系统动态多变、文化多元，数字工具采用水平低。这些问题严重制约了马铃薯产业的可持续发展。
传统农业生产中的数据管理方式效率低下，信息孤岛现象普遍，导致决策缺乏科学依据。随着农业4.0时代的到来，信息通信技术(ICT)、地理信息系统(GIS)和地理空间技术(GT)的融合为数字农业带来了新的机遇。在此背景下，William Fernando Cárdenas-Urrego等研究人员开展了一项创新性研究，旨在开发一个专门针对哥伦比亚马铃薯生产系统的数字管理平台。
这项发表于《Smart Agricultural Technology》的研究，通过整合数据科学工具和多焦点建模技术，成功构建了名为SOLANA的开放获取数字平台。该研究团队来自哥伦比亚国立大学农业科学学院农学系农业计算与流行病学分析实验室，他们收集了1982个地块的数据，涵盖土壤理化性质、植物检疫记录、气候变量和产量信息。
研究采用的方法主要包括几个关键技术：首先，研究人员运用数据科学流程对Fedepapa–FNFP扩展计划收集的数据集进行组织、清理和可视化；其次，在气候集群和生产学期水平上，使用广义线性模型(GLM)、最小绝对收缩和选择算子(LASSO)和自动机器学习(AutoML)等多种模型进行建模；此外，还基于长短期记忆(LSTM)网络开发了气候变量预测模型，并整合了SUBSTOR机制模型进行产量模拟。
研究结果显示，SOLANA平台成功整合了六个交互式模块，其中产量预测模块融合了提出的建模框架，使用户能够在用户友好环境中探索模型输出和数据关系。平台采用两层节点架构：前端使用Angular(版本15.2.7)，后端使用基于Python(版本3.9.13)的Flask框架(版本2.3.2)，数据库采用BigQuery存储注册用户、农场多边形和模型预测值等信息。
在气候预测方面，LSTM模型对相对湿度、温度和风速的预测效果较好，其中相对湿度的R2值接近0.7，但降水预测精度相对较低，R2值小于0.6。产量预测模型中，LASSO和AutoML模型表现优于GLM模型，特别是在使用标准化数据时，线性回归模型在AutoML中的R2值大于0.9。
土壤管理模块通过遗传算法优化施肥建议，比较传统模型和优化模型的养分需求，同时整合SUBSTOR模型帮助确定最佳种植日期和密度。植物检疫模块则重点关注晚疫病、早疫病和黑痣病等主要病害的监测和管理。
平台还包含学术趋势分析功能，通过Google Trends API跟踪马铃薯价值链中的潜在问题，如植物检疫问题、产量和农艺实践，为决策提供支持。研究人员还开发了详细的用户手册，确保平台能够被生产者有效使用。
该研究的创新之处在于首次将定量和定性处理数据整合到马铃薯产量预测中，建立了覆盖生产系统全要素的综合管理平台。研究不仅解决了数据孤岛问题，还通过用户友好的界面设计降低了技术使用门槛，促进了数字工具在农业生产中的普及应用。
研究结论强调，SOLANA平台为哥伦比亚马铃薯生产系统提供了一个全面的数据驱动管理框架，通过强化数据治理和分析能力，解决了关键技术限制，使行业能够做出更准确和可持续的管理决策。未来工作将集中在增加田间数据采集、改进气候变量预测以及整合更多生产系统内在因素等方面，进一步提升平台的实用性和预测精度。
这项研究代表了农业信息民主化的重要一步，推动了哥伦比亚马铃薯行业数据驱动管理实践的发展，为类似农业系统的数字化管理提供了可借鉴的范例。
