1) 采用的方法必须考虑到当地情况，重点是考虑现有知识并收集和建立农民的专业知识；

2) 数据的生成（无论是测量的还是模拟的）正在成为一项挑战，随之而来的是与生成的数据质量、预处理和共享相关的问题。表型数据（尤其是在真实环境中）与基因组数据的融合应加速创造有关农业生态学过程的知识，选择品种或建立新的文化路线以预测气候变化。另一个需要考虑的关键点是在部门或区域层面帮助农民、顾问和其他利益相关者的数字工具。首先，这涉及决策支持工具，这将是实现知识的主要接口，尤其是前面讨论过的知识。这些工具对于人类和数字模型之间的对话非常重要，需要对设计科学、可视化和人体工程学进行专门的研究，以促进它们的采用。考虑到当地的具体情况和运营商/区域层面的政治决策做出的技术选择对于避免农业内部走向同质化至关重要。所研究的方法必须能够解释/证明所提出的任何建议，以便与人类参与者进行建设性对话。同时，需要发明新的机器人辅助解决方案，以免农民不得不执行最艰巨或最危险的任务。除了与在不受控制的环境中导航、安全性以及工具和

携带它们的机器人彼此互动，我们相信采用参与式方法来设计这些机器人解决方案是减少技术与生态之间紧张关系的一种很有前途的方法。

计算研究的第三个重点是农业生态学中的过程——从广义上讲——从农场延伸到价值链和区域。在这些领域，应优先考虑与资源（水、土壤）利用和农业生产（基于分散资源的大规模供应）的规划（时间和空间）相关的问题的业务研究。

最后，与探索的所有数字系统一样，网络安全至关重要。在农业领域，这必须采取多种形式。目标将是保护数据本身，以及产生数据的材料系统、用于传输数据的网络和使用数据的工具，以确保这些都不会被黑客入侵（数据可能被截获或引入虚假数据） .一种可能的探索途径是将“传统”安全系统与特定于农业数据的新学习技术相结合，以识别和隔离任何恶意节点和/或检测信息泄漏。

研究类型

我们建议采用负责任的研究和创新或 RRI 的方法（见第 6 章）。为了充分掌握主题的复杂性，必须采取措施确保研究不会过度针对特定行业（参见第 5 章），这将涉及系统性观点。因此，重要的是要真正采取跨学科和参与性的方法来研究我们在农业中使用数字技术的研究，并强调这种方法和研究在我们研究所内的重要性。

这种系统性观点还将帮助我们解决数字解决方案对环境的影响问题。有一系列不同的方法可以解决上述研究途径，其中一些需要消耗大量能源或稀有资源。为了避免这个陷阱，我们建议采取节俭的方法：数字技术的好处不能以增加能源消耗为代价，损害整体影响。评估这种影响的最佳方式是采用系统观点，考虑整个系统以及农业和粮食系统的复杂性（而不是只优化一个指标）。