提供数字工具以帮助解决农业面临的挑战和差距

本章强调与发展负责任的数字农业相关的需求和挑战，以促进生态农业、农业多样性（包括家庭农业）和可持续粮食生产系统发展。其目的是超越最先进的技术（第 3 章），应对数字技术为生态农业转型和平衡的价值链（第 4 章）带来的机遇，同时避免已经存在的陷阱，详见（第 5 章）。本章重点将放在技术研究面临的挑战上，同时承认相关的经济和组织挑战，特别是与农业相关的挑战。

根据我们对推进生态农业实施和平衡价值链的需求分析，本章分为四个部分：

• 改善集体管理，包括在区域一级；

• 改善农场管理；

• 平衡上游和下游的价值链；

• 创建和共享数据和知识。

6.1 为区域一级的数字管理提供工具

已经确定了三个关键领域来克服通过数字技术进行土地管理存在相关的障碍（第 4.3 章）：

• 大规模测量和监测；

• 数据可视化；

• 参与、调解和治理的数字设备。

区域层面的监测和测量

减少农业用工、充分利用当地资产和再利用自然资源的雄心将取决于利用物质流的能力、生物调节的潜力和农场以外的功能（生态系统服务、土地生态、 ETC）。许多不同的相互作用只能通过系统的观点来理解。这扩展了我们在空间和时间上考虑的范围：一些特征只能在区域层面上进行评估，例如一块土地可以跨越的程度（这将取决于绿色和蓝色的色带强度）；而其他一些则必须随着时间的推移而考虑，例如面对气候灾害时的恢复能力和恢复速度。因此，如果我们要运用农业生态学的原理，就必须量化使用传统方法难以检测的参数。这需要大规模的测量和监测、评估（建模）和数据管理。

在测量和监测方面，目标是确定区域层面集体农业管理的相关、有用和目前缺失的数据，并开发获取这些数据的工具，面临以下挑战：

• 以非侵入性和尽可能省钱的方式测量新的、难以掌握的参数（例如生物多样性、土壤/水质等）。

• 调整采样频率（时间和空间），这是信息论的重要组成部分。系统要么定期收集数据——在不同的时间和空间粒度级别（传感器网络）——要么零星地收集数据（通过众包、移动应用程序、移动采集车、机器人、无人机等）。网络必须适应这些具有不同流量模式的数据类型，以便能够在时间限制内以最小的数据丢失去传输它。这适用于所有级别，并在第 6.2 节中进行了更详细的讨论。

• 管理异构数据。这是由于观察对象、传感和收集技术（包括众包）、利益相关者、测量的参数、格式（值、图像、定位等）、计量特性（精度、频率等）的多样性造成的。为了处理这种异质性，需要开发适当的过滤和融合方法。有时可能会在不同级别或多或少地迭代地执行融合，考虑到与每条数据相关的不确定性、这种不确定性的可变性以及它可能对信息链的其余部分产生的任何后果。这些问题适用于所有类型的数据——物理的、生物的、经济的、社会的等。为了产生连贯的报告（例如关于物质流）和相应的不确定性，将使用用于数据核对的数学和计算工具（这些倾向于基于约束优化）（Courtonne et al., 2015）。

• 数据治理，这个问题在多源数据系统中更加严重。这是一个一般性问题，将在 6.4 中探讨。

在全球南方（第三世界国家），这些需求变得越来越明显：如第 4.5 节所述，这些国家在区域层面严重缺乏信息资本。当涉及到开放式创新、预测风险（气候风险、健康风险）和改进区域和部门的组织时，这笔资金对于国家行政部门（农业）和地方当局、生产者组织、研究机构等至关重要。在这种情况下，我们的研究将需要考虑由数字鸿沟、文盲、多种方言等造成的额外困难。但这些困难也为我们提供了探索的途径，以重新思考我们的系统和方法并使其适应这一点语境。

可视化

我们的可视化方法需要彻底改变，以便在大区域层面进行数据管理。鉴于其特殊性，农业部门提出了目前在可视化领域没有等效的研究问题，例如：

• 可视化多尺度、异构数据，有时数量庞大，有时稀有：空间数据、符号数据、时间数据、可变数据、不完整数据、不确定数据、错误数据、半定量数据，甚至是定性数据，具体取决于数据的变化。结构，例如地图 (GIS)、图像（来自卫星、无人机）、时间序列、图表和网络；

• 可视化极端尺度，以流畅清晰的方式连接它们

– 短期和长期（时间、地理等） – 并开发适合的和适当的汇总和统计工具；

• 通过比较地图或时间序列，突出对称性、规律性、趋势、相关性等，半自动地揭示新信息；

• 满足相互矛盾的需求，例如海量数据的可视化，使用移动应用程序（手机、平板电脑等），或在尊重用户自主权的同时引导用户；

• 找到表示复杂对象、依赖项或模型的创新方法，能够被来自不同背景的个人使用。

这些问题为某些基础学科开辟了新的前景，包括在可视化与人工智能。值得注意的是，在可视化方面，在建立信任方面，关于隐私和数据使用权的问题并没有太多讨论（Charvat 等人，2018 年）。上面列出的问题最终可能会导致针对农业部门的可视化和人机交互进行研究。

针对用户、中介和管理者的数字设备

多类型用户参与的方法在区域层面至关重要，并且需要支持工具：知识生产模式正在发生变化，跨学科研究需要外部利益相关者的重大贡献，这在数字时代可能更容易出现（Bergez 等，2019）在区域层面运营的部门中，个人和集体利益相互冲突越来越普遍（Ryschawy 等人，2019 年）。预计来自区域工程师的新数字设备将促进农业世界内以及与其他区域利益相关者的对话（图 2）。

图 2：区域管理工程师的工具和设备（Rey-Valette 等人，2011 年）。

这些数字工具和设备可以实现一系列功能：分析、创意、认知、人际、决策、操作等（Rey-Valette 等，2011）。它们还可以通过促进参与和开放式创新、集体决策和调解来帮助发展集体行动。

参与和开放创新

数字化可以提供实施开放式创新和参与的手段。面对复杂的问题，必须共同设计分析方法（在实验室中）和参与方法（与来自广泛背景的利益相关者）——数字技术能够弥合两者之间的差距（通过建模和可视化促进谈判） .

为鼓励农民参与生态农业转型，渐进式方法是首选；集体带来变革的能力将是必要的。预计将有新的数字工具可用于参与策略：支持模型、数字游戏化、用于分析参与会话的数字工具（用于识别和标记参与者和观点的视频和音频处理等）。

开放式创新还产生了额外的研究需求，涉及管理科学、社会科学和法律：关于数字技术辅助的开放式创新中的合作类型和信息来源、经济模型、管理隐性知识等。（Enkel 等人., 2020)。在知识保护将发挥作用的开放式创新过程中评估个人创造性贡献，也称为“开放性悖论”（Arora 等人，2016 年），从法律和经济学的角度提出了问题。最后，还有学习网络的组织方式以促进数字农业创新的问题（Klerkx 等人，2019 年）。

集体决策

这种类型的决策基于三个不同的过程：审议、谈判和投票。在审议方面（Besnard 和 Hunter，2008 年），通过允许以合乎逻辑和自动的方式研究论点，数字技术可以帮助确保审议是合理的，同时纠正任何错误的结论。关于谈判（Kilgour 和 Eden，2010 年），有人认为旨在达成公平妥协的更标准化的方法将导致利益相关者的参与和满意度，从而导致可持续的决策。最后，关于投票本身，数字技术可以用来描述这些原则，以便通过考虑不同的表达偏好来做出相关的、合意的决定，例如（Brandt 等人，2016 年）。

工具必须易于使用，与其他集体决策和审议模式相辅相成，并且能够无缝集成到个人的日常生活中（尤其是在做出战略决策时），以收集他们的论点和偏好，例如.因此，数据和决策的可视化至关重要。

调解

数字正在重塑边界对象（Trompette 和 Vinck，2009 年）——不同利益、实践和规范的社会群体通过这些对象能够进行对话并达成相互理解——以及保留一丝痕迹的中介对象（Vinck，1999 年）项目或系统的集体设计所涉及的不同阶段，有助于提高接受度和重用性。在非洲和全球南方（第三世界国家），土地（农牧业、林业）或水（灌溉）等公共用地的使用仍然很普遍。在这种情况下，数字技术也可以用来重塑管理方法。可以分析和复制在西非和北非等地正在进行的集体学习、生活实验室和联合参与式管理实验。

6.2 帮助农民管理他们的技术

为了扩大生态农业，可以利用三个杠杆来解决 4.2 中确定的障碍：

• 监测动物、植物及其环境的系统；

• 决策支持工具；

• 机器人技术。

采集和诊断系统

这里的挑战在于以低成本和低环境影响在农场获得准确、可靠的数据，为农民提供有关其系统状态（动物、植物、收成等）的快速、易于理解的信息。)，从而能够及早发现故障并协助他们进行决策。大规模、全面的数据采集也有助于促进农场的大规模表型分析，目标是开发农业生态学领域的新知识。对于牲畜育种，我们可以添加与测量和传播、伦理问题以及对非常规牲畜育种形式的公认需求相关的限制。在农业生态学的背景下，一个关键问题是检测故障，即“覆盖”（检测系统覆盖的区域）与特异性之间的折衷。由于需要建立联系、成本、能源供应以及牲畜饲养中的误报问题，具体测量（例如检测病毒或细菌）很复杂（Dominiak 和 Kristensen，2017 年）。研究必须具有包容性，面向“中等水平的仪器”和所有农民都可以使用的设备（Bergez 等人，2019；Dumont 等人，2018）。

采集系统、传感器和物联网、数据管理系统和与农民核心业务相关并符合其战略的相关数字模型的研究可以侧重于：

• 创建新的传感器，同时尊重农业的典型限制（节俭、成本、能源使用等）。有必要在传感器的自主性、其环境影响、其空间和时间分辨率与特异性、测量质量、耐用性、对研究对象的适用性以及测量环境的使用和维护简单性之间寻求折衷，最后两个因素对于解决方案的接受度至关重要。出于简化人机界面的相同目标，研究可以致力于开发使农民能够输入信息的音频设备（例如电子作物登记册）：语音识别、本体对齐等。最后，为了提高对这些的理解在农业生态系统中，越来越清楚的是，我们不仅必须考虑环境的物理参数，还要考虑环境的生物参数（动物/土壤微生物群），这将产生对组学方法的需求。

• 优化数据传输模式，使数据自动传输到处理中心，实际上消除了农场大规模表型分析的主要因素 co（Wolfert 等人，2017 年）；这提出了与传感器、传感器网络（例如群体智能）等电源相关的研究问题。

• 限制传感器数量（符合节俭）和更容易以非侵入方式测量某些参数的愿望也需要研究智能传感器，即组合来自“简单”传感器的数据来估计这些参数通过适当的数据处理（例如机器学习）的复杂参数。这些发展对信息质量和不确定性的影响仍有待评估。

收集后，信息可用于诊断目的，用于描述农业系统的状态并检测可能需要响应的任何故障。研究可以探索诊断模型的构建。尽管该问题并非特定于农业并且也影响其他部门，但研究必须纳入该领域（农业）的知识，以解决以下优先事项：

• 选择要整合的指标，考虑指标的自然变异性、这些指标的不确定性传播、适应使用的敏感性和特异性、适应当地条件（农场类型和位置、风险接受度、农业生产实践等）；

• 大数据与来自不同来源的点数据的融合、特定处理（SVM、深度学习）、数据共享（个人或集体）；

• 基于大数据的人工智能开发的数据驱动方法与更受概念驱动但不太适合实时数据的建模方法的混合（Ellis 等人，2020 年）。除了研究基于知识的系统（本体）之外，这将需要研究数据驱动方法的可解释性。

在一般意义上，希望这些与采集、通信和处理工具相关的开发可以在一个集成的、独立的系统中进行。

为了使整个系统能够动态地适应每种作物或牲畜的概况、农场的规模或农业战略，这一切都提出了真正的科学和方法学挑战。

机器人化和数字化转型带来的挑战

农业劳动力

数字工具正在改变农业劳动力。如何以积极的方式引导这些，使农民和农业雇员的劳动不那么艰巨，得到更好的尊重？机器人技术可以提供一种将人类劳动力转移到具有更高附加值的任务的方式，但在以下领域仍有一系列科技障碍需要克服：

动态环境中的场景感知和解释

需要在场景感知和解释方面进行改进，以提高检测能力（水果、叶子、疾病等）。深度学习，特别是机器学习将开辟道路，特别是考虑到机器人将配备传感器并因此产生数据。一种替代方法是利用人类在感知方面的专业知识，这引发了与人机合作相关的问题。最后，必须可以解释和解释机器人做出的决定，机器人必须能够参考专家进行困难的检测或决策。这将涉及确定决策的置信度标准，并阐明从学习中得出的决策规则，这是一个开放的主题。

高级决策方法

机器人目前仅限于一种单一的操作模式。对于复杂的任务，命令模式之间的切换是顺序的，并且是提前计划好的。预计将在情境和场景识别领域（机器人的动态、操作环境、农业环境约束等）取得重大突破，借鉴人工智能（Hill et al., 2019）以适应特征。这些问题超越了自主导航的界限，也适用于主动工具，使其能够精确工作。

设计新的活动工具

农业机器人领域的创新目前主要集中在自主导航；佩戴的工具要么是被动的，要么是独立控制的（Wu et al., 2019）。为了获得更高的可重复性和更高的执行速度，需要能够与移动运营商同步的主动工具。为了实现这一目标，需要对移动处理和与移动载体的协调进行研究。

人机交互与共享自治

除了围绕感知或通信界面的问题外，人机交互还引发了关于自主性和协作的问题：何时以及如何将控制权交还给远程操作员？机器人如何与人类合作？在农业领域，协作机器人开始在商业上出现，辅助机器人（Laneurit 等人，2016 年）、载人机器人以及在较小程度上的外骨骼——尤其是被动外骨骼——旨在促进重物的提升。随着协作水平的提高，有必要解释人类行为以适应机器人的行为。这种方法将有助于普及机器人，它仍然不会取代人类，就像我们必须确保这些设备安全运行一样。

操作安全

这是在开放环境中运行的自主机器的一个关键方面。需要在科学、技术和立法方面取得进步，利用无人驾驶车辆，但考虑到与自然环境相关的困难：(i) 保持定位精度（避开障碍物或不压碎农作物），(ii) 在预定范围内导航-确定的空间，（iii）防止碰撞风险，或失去稳定性或可控性。将需要基础设施和协议来验证操作安全和其他类型的性能（技术、环境等）。

适应新的生产系统

机器人的设计必须考虑到节俭和包容：材料和组件的选择（尽量减少稀土元素的使用）、有限的能源需求、减少维护、可维修性、机器人的可扩展性及其更新能力。同样，机器人技术必须为所有类型的农业提供解决方案，并具有适应生产系统的复杂程度和自主性。新的作物系统，具有多种物种和可能引入的树木（农林业），将带来导航问题。

在数字技术和机器人技术如何改变劳动力、由于使用机器代替人类而丧失自主权（去技能化）以及从业者的基本原理等方面，也存在与人文学科相关的问题。为了避免这些风险，挑战之一是从设计阶段开始考虑使用条件、对农民工作的影响和满意度（Hansen 和 Straete，2020 年；Vik 等人，2019 年）和其他类别的工人（雇员、同事、分包商等）。

建模以纳入系统性影响并建立实用性，可用的决策支持工具

研究的挑战涉及与模型构建相关的许多方面，特别是：表示和理解交互；包括专业知识；为农民建立实用的综合模型；处理不确定性。这些细节可以在下面找到。

代表这些新的社会农业生态系统

这是第一个挑战，因为与传统农业相比，生态农业系统影响深远（包含价值链）和复杂得多（基于相互作用）。建模的困难与选择包括哪些特征和参数（由测量能力决定）、这些特征如何表达到植物或动物、环境、生产或育种系统的其他固有因素（考虑组中的个人的其他因素自然变异性有关）、使用的设备和使用的农业策略。

数据驱动的方法（基于统计、人工智能等）可以与概念驱动的方法（基于已知机制的生物、经济或社会模型）相结合。甚至可以考虑创建“数字孪生”，集成为子系统开发的模型，以便在系统级别测试场景（例如气候变化、大规模本地供应等）。然而，当无法保证子模型之间或数字孪生与正在研究的系统之间的概念对应时，这种集成将带来对齐困难。

专业知识的整合水平

在构建决策支持工具（描述、预测、处方，见 4.2）时要克服的第二个挑战是人文学科感兴趣的：是否有必要达到处方，或者是观察（或可能是诊断）正如 Ingrand（2018 年）所建议的那样，是否足够，将决定（处方）留给农民进行精准畜牧业？关于风险管理，其他形式主义可能是可行的，例如可行性理论（Aubin，1991），原则上是兼容的，但由于模型必须为小型（< 10）既受控又受约束的动态系统（Brias，2016）。这就提出了研究问题：如果模型不是动态的和受约束的（分区模型、多智能体系统），或者甚至是未知的，应该怎么做？如何在时间序列（临界点）中利用弱信号？如何在复杂性和控制之间达成妥协（Anderies 等人，2019 年）等。

为农民建立实用的决策支持系统

实用性问题是设计概要的核心，任何未来的研究都必须考虑到一些关键点：

• 用户界面：用于可视化推断的输出，这对于有效决策至关重要，特别是在多标准优化的背景下（Lepenioti 等人，2020）或集体方法的背景下（参见第 6.2 部分） ，但也用于收集数据并确定农民的战略目标或偏好，并将其纳入决策模型：妥协的可视化、游戏化（例如严肃的数字游戏 C-Real 游戏）。探索基于口头交流的人机界面可能是值得的，以便在农民必须处理的情况下更容易输入和复制数据和信息……

• 推断信息的“个性化”，即调整模型以适应个别农场或农民，以避免一刀切的处方，与农民的战略和目标（营业额、收入、运营模式等）保持一致.)。当前的处方模型取自该领域专家的“广谱”知识模型；怎么会这样对齐涉及表明在一个本体中概述的概念在语义上与在不同本体中概述的另一个概念相同，即使这两个概念具有不同的名称。

这样做是为了只使用或主要使用在个别农场收集的数据，目的是推断出与农场和农民更相容的处方？这一障碍引发了与农民知识整合有关的问题，以便“个性化”推断信息并增加其与农场的相关性，类似于个性化医疗。

• 创建能够适应因内部因素（战略）和外部因素（环境、法规、经济等）而可能发生变化的环境的可扩展模型的能力。这也引发了与更新模型相关的问题（所谓的“概念漂移”）；

• 安全

提出的建议，即保证建议不会导致情况恶化，特别是在自动控制方面。这个问题归结于模型的堆叠和不确定性的传播（Trnka et al., 2007），以及执行器的特性。后者必须成为模型的一部分，以便做出相关决策（参见 Tisseyre 和 McBratney 的机会指数，2008 年）。

不确定性及其传播

76% 的建模文章中提到了不确定性（Lepenioti 等人，2020 年）：如何减少不确定性，如何表征（认知、本体、随机）以及如何表示（Caquet 等人，2020 ；Crespo 等人，2010 年；Groot 等人，2012 年）？如何解决数据不完整和嘈杂的问题以及人类知识的主观性质，特别是在处方的背景下（Lepenioti 等人，2020）？如何在过于复杂、难以管理的建模和过于简单且不够相关的建模之间达成妥协（Caquet 等人，2020 年）？探索简化模型的不同方法肯定是有用的（随机模型、机械随机模型、元模型等）。

尤其是在全球南方（第三世界国家），决策支持系统的设计必须考虑到这些国家的农业特点；这些必须是多功能的，具有普遍的时空推理和高度的不确定性。决策支持系统和相关信息系统必须优先考虑：(i) 引入或继续农业生态实践和集体学习（使用数字技术收集和交换数据）；(ii) 改进从单个地块到整个区域的资源（水、有机材料等）和收获（日期、数量）的管理，(iii) 在稀有数据的背景下建立基于数据和专业知识的新知识，也包括新兴的大数据（见 6.5）。

6.3 转换部门内的利益相关者的关系

平衡各部门以更好地整合农民和消费者对于保持家庭农业的吸引力并满足消费者对食品的期望至关重要。针对这些挑战，我们特别确定了上游和下游的三个关键点：

• 服务：咨询、保险；

• 可追溯性；

• 平台化7和分销网络的重新配置。

服务：咨询和保险

关于建议，第 4 章中确定的每一个障碍（获取数字化、决策的个性化和保持决策自主权、上游和下游之间的不平衡）为数字科学和数字科学领域的建议和数字化研究开辟了道路。人文学科，重点关注三个主要领域：

• 开发能够整合各个农场的具体特征（土壤气候、采用的农艺技术、农业设备）和农民偏好的决策支持工具。除了 6.2 中讨论的要点之外，这些工具的开发还可以基于农艺、社会学、管理和人体工程学分析，对顾问的作用以及他们与农民在使用过程中形成的信任纽带进行更深入的理解。数字解决方案简介；

• 继续对农民采用的决策模式和采用数字创新的动力进行经济分析，这种情况既受到农民获取信息方式多样化的影响，也受到服务分散化的影响。咨询公司的私有化影响。还可以进行研究以确定数字咨询的可持续经济模型；

• 农业数字化治理的制度分析，

让我们回到关于数据使用、权力关系监管和建议的透明度问题，这是数字化过程中的一个关键因素。

在保险方面（第 4.2 节），仍需进行技术突破，以降低基于指数的保险的基线风险；这可以利用新的数据源（卫星、中继站等）或合适的处理类型（De Leeuw 等人，2014 年；Ghahari 等人，2019 年）。最后，交通部门出现的基于应用的保险（Husnjak 等人，2015 年）在农业领域仍然未知，但它可能是在互联农业背景下探索的有用途径。这种基于使用的保险能否通过保证收入来帮助采用农业生态实践——鉴于需要加强监测，实施起来更复杂，但在发生健康或天气灾害时更有弹性——只要农作物或畜群有得到正确监测并应用决策支持工具的建议？在解决这些问题时，必须采取多学科方法。

可追溯性、全供应链透明度、数据生命周期

如第 4.3 节所示，在当前背景下，农业流动和产品的可追溯性对于在农民和消费者之间建立信任至关重要。人们对区块链的兴趣与日俱增，例如，用于共享和分发产品整个生命周期的详细信息，同时还能限制欺诈行为。但在技术和制度层面的数据管理方面，仍然存在许多挑战需要克服，特别是在实践和产品的整体可追溯性方面。

区块链的技术挑战

当前为银行信息而设计的区块链如何适应这种与通常易腐烂的产品流相关的新型数据，以便在不违反将数据存储在数据库中的基本原则的情况下对其进行监控和有效存档区块链？表征区块链可追溯性的信息流如何毫无疑问地与产品流相关联？如何降低识别系统的成本，谁应该承担这些成本，这对链条上的每个人都有好处？如何在数据源越来越多的生态系统中保护数据？79 同样，正如第 3 章所探讨的，公共区块链消耗大量能源——为了毫无疑问，信息的验证对大量人开放参与者“虚拟竞争”，被称为“矿工”，导致大量同时计算。可以优先考虑也更适合在农业中使用的私有、能源密集度较低的区块链（基于有限数量的授权参与者）。然而，这引发了区块链治理的问题。

来自农业和食品链的数据存储

这个数据可以说是产业化的，既涉及到农业生产，也涉及到上下游产业。它应该存储在特定位置还是以分布式方式存储？如何确保数据主权？是否应该根据云法案避免某些运营商？

数据整合

这是促进后续分析的一个重要方面。由于数据量的显著增加，需要验证其质量和信息的价值，能够通过相关和可靠信息访问的系统将成为价值源。这将涉及验证公司信息系统——例如 ERP（企业资源规划）和 CRM（客户关系管理）——并让它们与通过物联网 (IoT) 管理的连接对象生成的数据进行对话。它还将涉及评估和识别数据生产和处理链中每个单独组件所创造的价值，探讨以下问题：有哪些方法可以从价值链中的数据中获得更多收益，尤其是针对消费者的数据？这些如何提高消费者对农业良性转型的认识？

区块链治理

这里的挑战在于设计一个公平和安全的系统，以公平的方式涉及所有利益相关者，而没有任何个人利益相关者将其愿景强加于他人或控制数据使用。这引发了许多问题：生成的数据应该如何共享？在数据治理方面必须采取什么措施？信息可及性将在多大程度上影响供应链治理的改进（Gardner 等人，2019 年）和价值链中的权力转移？数字技术将对值得信赖的关系以及行业内共享价值的方式产生什么影响（Jakku 等人，2019 年）？我们如何防止创造的价值被数字巨头独家收集（ANRT，2018）？数字技术是否存在加剧现有权力不平衡的风险（Bronson 和 Knezevic，2016；Carolan，2017，2018；Wolf 和 Buttel，1996）。

渠道平台化与重构

平台，新的虚拟会议场所，正在帮助改变农业经济模式，促进对话和集体动力。农业、超连接、物联网和自动化领域的自动数据输入会生成实时信息，以优化价值链的单独或整体运行。这种日益增长的计算机化导致了分销和处理渠道方面的敏捷性能力的提高。有必要为农业和食品生产引入灵活的规划，以满足城镇对当地供应和合同餐饮日益增长的需求。在推进城镇家庭农业和承包餐饮方面，需要解决生产计划、供应链和物流不同层次之间的协调等重大问题，以确保满足每个人的期望，并具有韧性。危机（如 Covid-19 大流行所示）。下面对这三点进行探讨。

在农业生产计划中，对于与农业综合企业签约的农民来说，尤其是冷冻、罐装或即食蔬菜（Ahumada et al., 2012; Li et al., 2015）是现实。现在的挑战在于新鲜产品的生产计划，以保证合同餐饮的供应，结合不确定性（天气、健康、社会等）并考虑需求（Balaji Prabhu 和 Dakshayini，2020 年）。

协调问题的一种解决方案是创建“食品中心”，这是一种创新的商业模式，将小生产者聚集在一起以满足批发需求（Berti 和 Mulligan，2016 年）。整合程度最高的“食品中心”是使用互联网进行商业交易的中介组织，它们将食品从源头（小型本地和区域生产商）汇集、分销和营销到客户（个人消费者或批发商）。这些中心必须能够访问具有现实特征的生产和分销链模型，包括软信息、物流整合、风险建模、监管环境以及产品的质量和安全。在这种情况下，随机建模可能很有用（Ahumada 和 Villalobos，2009 年）。

为了建立商业渠道较短的郊区生产的城市物流配送网络，有必要改进库存管理和配送计划（尤其是冷产品），以减少食物浪费和由此产生的碳足迹。与行业相比，很少有研究涉及应用于食品供应链的规划。特别是，对于新鲜农产品的生产、收获和分销的运营决策规划显然缺乏适当的模型（Ahumada 和 Villalobos，2009 年）。需要考虑环境维度（Melkonyan 等人，2020）

在全球南方，与改善当地分销渠道供应相关的挑战更加困难：这将涉及通过组织支持和改进物流管理（渠道建模和优化、冷链物流等）减少收获后损失。对于更长的渠道，预计将为国内和国际连锁店开发节俭、安全的追溯系统。

最后，还有向个性化食品生产迈进的可能性。斯维特林等人。（2016 年）通过对消费者偏好的语言分析和转化为配方参数（应用于橙色饮料），提出了“在线”和个性化的产品协同设计。这种方法可以用于根据需求、限制、预算和个人需求生产的更复杂的食品，并将现成的食品送到人们家中（技术学院，2021 年）。这也将更容易连接到个性化的健康监测应用程序。

6.4 创建和共享数据和知识

数据和知识是帮助促进生态农业的数字技术的核心：数据注入知识，知识注入生态农业。这种信息资本带来了新的技术、监管、组织和制度挑战。这些挑战与数据的来源、质量（众包）和治理有关，也与知识的正规化和共享有关，这些挑战需要做出回应才能建立合乎道德的数字农业。

参与性数据（众包）

随着连接和采集系统（智能手机、精准农业、连接对象等）的发展，运营商（农民、顾问等）或非专业人士（公民）收集数据的方式也得到了发展，增加了更传统的数据采集方法。科学家收集实验数据。为环境文件或研究目的而进行的参与式数据收集存在技术挑战（4.4）：管理和交换这些参与式数据需要哪些基础设施？如何保证通过众包收集的数据的质量？为了公平分享知识产权，如何追踪产生的数据？还有一些人文和经济学感兴趣的问题：必须做些什么来鼓励农民分享他们的数据和信息，并与他们的咨询和培训环境建立基于信任的关系（Sutherland et al., 2013; Wiseman et al. ., 2019)?如何将价值归因于产生的数据？数据收集者的这一新角色将对农民工作的演变产生什么影响？

基于 Sentinel 1 和 2 的亚细胞和每周土壤水分遥感图。© Theia 和 INRAE。

治理以及数据和知识的共享

在谈论地区或部门时，我们已经表明数据越来越多地来自不同的参与者（多源数据）。鉴于数据是由不同的各方通过不同的系统生成的，并且可能跨多个站点托管，因此有必要确定数据使用权是什么；从数据共享和数据保护的角度来看，需求可能是矛盾的（在保持竞争力的同时进行协作）。在数字公司和上游利益相关者大力投资于农业风险数据管理以及农业创新系统数字化的背景下，应采用何种治理模式（Fielke 等人，2019 年）？必须了解信息在来自不同部门和全球供应链不同层次的利益相关者之间的合作与合规出现中所起的作用（Gardner 等人，2019 年）。如何促进“道德和安全”的数据流通和国家主权？

显然，这些与数据治理相关的问题以及被行业内某些利益相关者（农业供应、下游）或专门从事人工智能和网络的数字公司夺取权力的风险在监管较少的全球南方（第三世界国家）更为严重。

知识的正规化和共享

数字技术有助于促进知识的共建（参与）和交流，但仍然存在许多挑战：如何构建知识以结合农民的用途和知识（专业知识收集、情境化、等）以增加被采用的可能性？如何才能发展令人满意的治理，不仅在数据方面，而且在通过这些数据产生的知识方面？如何加快数字公地的建设以建立知识，特别是比较和收集知识？这提出了关于收集专业知识和本体的重要问题。特别是，如何使建立在不同原则上的本体兼容（可堆叠、可关联）：不同的用途、不同的作者、不同的基础本体等？最后，出于节俭和效率的考虑，放弃使用多种工具并充分利用现有资源，调动非专业社交媒体网站和平台来交流知识是否有益？如果是这样，如何实现？

在全球南方（第三世界国家），第一个挑战是使用数字技术重新思考集体学习和共同创新的参与式方法——通过“增强的”跨学科性（认知心理学、人体工程学、沉浸式严肃游戏、设计思维和管理科学）——并评估他们的影响（Tesfaye 等人，2019 年）。目标还将是在网络覆盖率低、语言和方言多元化等情况下促进与农民和农民之间的沟通（见 4.5）。

结论

鉴于上面讨论的风险和问题，本章中确定的挑战应在一般整体背景下考虑，从而建立一个多方面的框架：

• 需要对农业和数字技术有系统的愿景。

农业系统和部门是复杂的系统，包括在不同层次（农场、地区、部门等）相互作用的多个要素和利益相关者。预期的数字化发展将需要根据它们在应用层面的直接影响以及它们对整个系统和整个社会的间接影响进行设计和评估，包括生物技术、经济、社会（例如劳动力） 、环境（生物多样性、资源等）和伦理观点。考虑到这些间接影响并开发可以评估它们的方法将是必不可少的，以便有能力确保总体能源成本低于开发给定类型技术的收益，因此不会增加风险复杂性（见 5.4）。此外，开发系统性方法对于预测回溯效应至关重要，例如数字技术经常发生的反弹效应82。研究面临主要的方法和概念上的困难，主要与问题的系统分析有关。方法必须从根本上是跨学科的；某些框架，例如 Edgar Morin 引入的“复杂思想”概念，在这里可能有用（Morin，2014）。

• 追求节俭。这涉及减少能源费用、其他资源（可再生和不可再生）的消耗以及技术使用造成的污染。它必须包含数据链的所有阶段，从收集和收集到复制和决策。数字解决方案的开发必须考虑成本，无论是材料成本（例如使用的组件、尺寸、数量，尤其是传感器、机器人等），还是产生的数据（类型、数量、存储等）成本。) 或在自然资源（水、矿物等）和能源方面经济所需的处理能力。这种分析必须考虑到所用材料的整个生命周期（资源提取、制造、运输、使用、报废）。尽管数字化要求减少农业投入和资源（例如水）的使用，但在计算任何新农业实践的总体环境足迹时，必须考虑其自身的环境足迹。这也意味着在开发和扩大技术解决方案时采取清醒、谨慎的态度，事先探索不直接消耗资源或排放污染的组织和社会政治解决方案和替代方案。

• 寻找弹性。从成本的角度优化生产和部门已经引导了几十年的技术创新，导致专业化、库存水平的降低、操作空间的减少以及不同利益相关者的自主权减少。这导致农业系统和部门的复原力下降，即它们在不同层面抵御和适应外部危机的能力，例如天气事件、资源稀缺和供应链中断以及经济或健康危机（比格斯等人，2015）。数字解决方案必须努力促进这种弹性，通过成为基于 Biggs 等人概述的弹性七项原则的复杂系统中的组成部分。(2015),83 避免复杂性陷阱，这会导致技术或社会依赖或安全风险（数据、运营等），从而导致脆弱性。

• 网络安全。尽管并非专门针对农业，但鉴于其对粮食主权的影响，这仍然是农业中的一个关键话题。这既关乎保持粮食和农业生产和分配的连续性，也关乎与农业生产相关的信息安全。之前的白皮书 (Inria, 2019) 详细介绍了网络安全。欧盟支持 GAIA-X (www.data-infrastructure.eu) 项目，其目的是开发尊重欧洲标准的自主、主权数据基础设施，主要通过云计算网络。农业是 GAIA-X 中确定的主题之一。

考虑这些方面将有助于促进与数字技术相关的责任、相关性和共享，有助于使粮食系统具有可持续性，特别是在农业生态转型的背景下。84 规划本课程将指导研究，而不仅仅是在选择方面研究主题——在本章中确定——也包括研究定位。我们建议至少借鉴负责任的研究和创新或 RRI 等方法（Stilgoe 等人，2013 年）。RRI 仍然很少用于数字农业，它基于以下原则：预期（如果......正面/负面影响会发生什么），反思性（数字责任意味着什么，我们的假设/选择/知识有什么限制，等）、包容性（与谁、为谁、什么价值观）和响应性（如何根据不断变化的情况调整发展轨迹）。它借鉴了跨学科研究。在 RRI 框架内开发数字农业技术将有助于应对所确定的挑战，同时考虑到全球背景和对整合系统愿景和节俭、安全和复原力等问题的必要性的考虑。

定义

2010 年代引入的 RRI（负责任的研究与创新）概念（Owen 等人，2012 年；Pellé 等人，2015 年；Stilgoe 等人，2013 年）具有四个关键方面的特征，即“预期、反思性、包容性和 响应性”，所有这些都必须在整个研究和创新过程中实施（Stilgoe et al., 2013）。对农业 RRI 的研究仍然有限，并未专门针对数字农业。然而，自 2010 年代末以来，Klerkx 和 Rose（2020）注意到农业 4.0 中对 RRI 的兴趣日益浓厚（Bronson，2019；Eastwood 等，2019；Rose 和 Chilvers，2018）