A
聚合(Aggregation) – 搜索、合并、显示数据的过程
算法(Algorithms) – 可以完成某种数据分析的数学公式
分析法(Analytics) – 用于发现数据的内在涵义
异常检测(Anomaly detection) –
在数据集中搜索与预期模式或行为不匹配的数据项。除了“Anomalies”,用来表示异常的词有以下几种：outliers, exceptions,
surprises, contaminants他们通常可提供关键的可执行信息
匿名化(Anonymization) – 使数据匿名，即移除所有与个人隐私相关的数据
应用(Application) – 实现某种特定功能的计算机软件
人工智能(Artificial Intelligence) –
研发智能机器和智能软件，这些智能设备能够感知周遭的环境，并根据要求作出相应的反应，甚至能自我学习
B
行为分析法(Behavioural Analytics) –
这种分析法是根据用户的行为如“怎么做”，“为什么这么做”，以及“做了什么”来得出结论，而不是仅仅针对人物和时间的一门分析学科，它着眼于数据中的人性化模式
大数据科学家(Big Data Scientist) – 能够设计大数据算法使得大数据变得有用的人
大数据创业公司(Big data startup) – 指研发最新大数据技术的新兴公司
生物测定术(Biometrics) – 根据个人的特征进行身份识别
B字节 (BB: Brontobytes) – 约等于1000 YB(Yottabytes)，相当于未来数字化宇宙的大小。1
B字节包含了27个0!
商业智能(Business Intelligence) – 是一系列理论、方法学和过程，使得数据更容易被理解
C
分类分析(Classification analysis) – 从数据中获得重要的相关性信息的系统化过程; 这类数据也被称为元数据(meta
data),是描述数据的数据
云计算(Cloud computing) – 构建在网络上的分布式计算系统，数据是存储于机房外的(即云端)
聚类分析(Clustering analysis) –
它是将相似的对象聚合在一起，每类相似的对象组合成一个聚类(也叫作簇)的过程。这种分析方法的目的在于分析数据间的差异和相似性
冷数据存储(Cold data storage) – 在低功耗服务器上存储那些几乎不被使用的旧数据。但这些数据检索起来将会很耗时
对比分析(Comparative analysis) – 在非常大的数据集中进行模式匹配时，进行一步步的对比和计算过程得到分析结果
复杂结构的数据(Complex structured data) –
由两个或多个复杂而相互关联部分组成的数据，这类数据不能简单地由结构化查询语言或工具(SQL)解析
计算机产生的数据(Computer generated data) – 如日志文件这类由计算机生成的数据
并发(Concurrency) – 同时执行多个任务或运行多个进程
相关性分析(Correlation analysis) – 是一种数据分析方法，用于分析变量之间是否存在正相关，或者负相关
客户关系管理(CRM: Customer Relationship Management) –
用于管理销售、业务过程的一种技术，大数据将影响公司的客户关系管理的策略
D
仪表板(Dashboard) – 使用算法分析数据，并将结果用图表方式显示于仪表板中
数据聚合工具(Data aggregation tools) – 将分散于众多数据源的数据转化成一个全新数据源的过程
数据分析师(Data analyst) – 从事数据分析、建模、清理、处理的专业人员
数据库(Database) – 一个以某种特定的技术来存储数据集合的仓库
数据库即服务(Database-as-a-Service) – 部署在云端的数据库，即用即付，例如亚马逊云服务(AWS: Amazon Web
Services)
数据库管理系统(DBMS: Database Management System) – 收集、存储数据，并提供数据的访问
数据中心(Data centre) – 一个实体地点，放置了用来存储数据的服务器
数据清洗(Data cleansing) – 对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性
数据管理员(Data custodian) – 负责维护数据存储所需技术环境的专业技术人员
数据道德准则(Data ethical guidelines) – 这些准则有助于组织机构使其数据透明化，保证数据的简洁、安全及隐私
数据订阅(Data feed) – 一种数据流，例如Twitter订阅和RSS
数据集市(Data marketplace) – 进行数据集买卖的在线交易场所
数据挖掘(Data mining) – 从数据集中发掘特定模式或信息的过程
数据建模(Data modelling) – 使用数据建模技术来分析数据对象，以此洞悉数据的内在涵义
数据集(Data set) – 大量数据的集合
数据虚拟化(Data virtualization) –
数据整合的过程，以此获得更多的数据信息，这个过程通常会引入其他技术，例如数据库，应用程序，文件系统，网页技术，大数据技术等等
去身份识别(De-identification) – 也称为匿名化(anonymization)，确保个人不会通过数据被识别
判别分析(Discriminant analysis) –
将数据分类;按不同的分类方式，可将数据分配到不同的群组，类别或者目录。是一种统计分析法，可以对数据中某些群组或集群的已知信息进行分析，并从中获取分类规则。
分布式文件系统(Distributed File System) – 提供简化的，高可用的方式来存储、分析、处理数据的系统
文件存贮数据库(Document Store Databases) – 又称为文档数据库(document-oriented database),
为存储、管理、恢复文档数据而专门设计的数据库，这类文档数据也称为半结构化数据
E
探索性分析(Exploratory analysis) –
在没有标准的流程或方法的情况下从数据中发掘模式。是一种发掘数据和数据集主要特性的一种方法
E字节(EB: Exabytes) – 约等于1000 PB(petabytes), 约等于1百万 GB。如今全球每天所制造的新信息量大约为1
EB
提取-转换-加载(ETL: Extract, Transform and Load) –
是一种用于数据库或者数据仓库的处理过程。即从各种不同的数据源提取(E)数据，并转换(T)成能满足业务需要的数据，最后将其加载(L)到数据库
F
故障切换(Failover) – 当系统中某个服务器发生故障时，能自动地将运行任务切换到另一个可用服务器或节点上
容错设计(Fault-tolerant design) – 一个支持容错设计的系统应该能够做到当某一部分出现故障也能继续运行
G
游戏化(Gamification) –
在其他非游戏领域中运用游戏的思维和机制，这种方法可以以一种十分友好的方式进行数据的创建和侦测，非常有效。
图形数据库(Graph Databases) –
运用图形结构(例如，一组有限的有序对，或者某种实体)来存储数据，这种图形存储结构包括边缘、属性和节点。它提供了相邻节点间的自由索引功能，也就是说，数据库中每个元素间都与其他相邻元素直接关联。
网格计算(Grid computing) – 将许多分布在不同地点的计算机连接在一起，用以处理某个特定问题，通常是通过云将计算机相连在一起。
H
Hadoop – 一个开源的分布式系统基础框架，可用于开发分布式程序，进行大数据的运算与存储。
Hadoop数据库(HBase) – 一个开源的、非关系型、分布式数据库，与Hadoop框架共同使用
HDFS – Hadoop分布式文件系统(Hadoop Distributed File
System);是一个被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统
高性能计算(HPC: High-Performance-Computing) – 使用超级计算机来解决极其复杂的计算问题
I
内存数据库(IMDB: In-memory) –
一种数据库管理系统，与普通数据库管理系统不同之处在于，它用主存来存储数据，而非硬盘。其特点在于能高速地进行数据的处理和存取。
物联网(Internet of Things) – 在普通的设备中装上传感器，使这些设备能够在任何时间任何地点与网络相连。
J
法律上的数据一致性(Juridical data compliance) –
当你使用的云计算解决方案，将你的数据存储于不同的国家或不同的大陆时，就会与这个概念扯上关系了。你需要留意这些存储在不同国家的数据是否符合当地的法律。
K
键值数据库(KeyValue Databases) –
数据的存储方式是使用一个特定的键，指向一个特定的数据记录，这种方式使得数据的查找更加方便快捷。键值数据库中所存的数据通常为编程语言中基本数据类型的数据。
L
延迟(Latency) – 表示系统时间的延迟
遗留系统(Legacy system) – 是一种旧的应用程序，或是旧的技术，或是旧的计算系统，现在已经不再支持了。
负载均衡(Load balancing) – 将工作量分配到多台电脑或服务器上，以获得最优结果和最大的系统利用率。
位置信息(Location data) – GPS信息，即地理位置信息。
日志文件(Log file) – 由计算机系统自动生成的文件，记录系统的运行过程。
M
M2M数据(Machine2Machine data) – 两台或多台机器间交流与传输的内容
机器数据(Machine data) – 由传感器或算法在机器上产生的数据
机器学习(Machine learning) –
人工智能的一部分，指的是机器能够从它们所完成的任务中进行自我学习，通过长期的累积实现自我改进。
MapReduce – 是处理大规模数据的一种软件框架(Map: 映射，Reduce: 归纳)。
大规模并行处理(MPP: Massively Parallel Processing) –
同时使用多个处理器(或多台计算机)处理同一个计算任务。
元数据(Metadata) – 被称为描述数据的数据，即描述数据数据属性(数据是什么)的信息。
MongoDB – 一种开源的非关系型数据库(NoSQL database)
多维数据库(Multi-Dimensional Databases) – 用于优化数据联机分析处理(OLAP)程序，优化数据仓库的一种数据库。
多值数据库(MultiValue Databases) – 是一种非关系型数据库(NoSQL),
一种特殊的多维数据库：能处理3个维度的数据。主要针对非常长的字符串，能够完美地处理HTML和XML中的字串。
N
自然语言处理(Natural Language Processing) –
是计算机科学的一个分支领域，它研究如何实现计算机与人类语言之间的交互。
网络分析(Network analysis) – 分析网络或图论中节点间的关系，即分析网络中节点间的连接和强度关系。
NewSQL – 一个优雅的、定义良好的数据库系统，比SQL更易学习和使用，比NoSQL更晚提出的新型数据库
NoSQL –
顾名思义，就是“不使用SQL”的数据库。这类数据库泛指传统关系型数据库以外的其他类型的数据库。这类数据库有更强的一致性，能处理超大规模和高并发的数据。
O
对象数据库(Object Databases) –
(也称为面象对象数据库)以对象的形式存储数据，用于面向对象编程。它不同于关系型数据库和图形数据库，大部分对象数据库都提供一种查询语言，允许使用声明式编程(declarative
programming)访问对象
基于对象图像分析(Object-based Image Analysis) –
数字图像分析方法是对每一个像素的数据进行分析，而基于对象的图像分析方法则只分析相关像素的数据，这些相关像素被称为对象或图像对象。
*** 作型数据库(Operational Databases) –
这类数据库可以完成一个组织机构的常规 *** 作，对商业运营非常重要，一般使用在线事务处理，允许用户访问 、收集、检索公司内部的具体信息。
优化分析(Optimization analysis) –
在产品设计周期依靠算法来实现的优化过程，在这一过程中，公司可以设计各种各样的产品并测试这些产品是否满足预设值。
本体论(Ontology) – 表示知识本体，用于定义一个领域中的概念集及概念之间的关系的一种哲学思想。(译者注:
数据被提高到哲学的高度，被赋予了世界本体的意义，成为一个独立的客观数据世界)
异常值检测(Outlier detection) –
异常值是指严重偏离一个数据集或一个数据组合总平均值的对象，该对象与数据集中的其他它相去甚远，因此，异常值的出现意味着系统发生问题，需要对此另加分析。
P
模式识别(Pattern Recognition) – 通过算法来识别数据中的模式，并对同一数据源中的新数据作出预测
P字节(PB: Petabytes) – 约等于1000 TB(terabytes), 约等于1百万 GB
(gigabytes)。欧洲核子研究中心(CERN)大型强子对撞机每秒产生的粒子个数就约为1 PB
平台即服务(PaaS: Platform-as-a-Service) – 为云计算解决方案提供所有必需的基础平台的一种服务
预测分析(Predictive analysis) –
大数据分析方法中最有价值的一种分析方法，这种方法有助于预测个人未来(近期)的行为，例如某人很可能会买某些商品，可能会访问某些网站，做某些事情或者产生某种行为。通过使用各种不同的数据集，例如历史数据，事务数据，社交数据，或者客户的个人信息数据，来识别风险和机遇
隐私(Privacy) – 把具有可识别出个人信息的数据与其他数据分离开，以确保用户隐私。
公共数据(Public data) – 由公共基金创建的公共信息或公共数据集。
Q
数字化自我(Quantified Self) – 使用应用程序跟踪用户一天的一举一动，从而更好地理解其相关的行为
查询(Query) – 查找某个问题答案的相关信息
R
再识别(Re-identification) – 将多个数据集合并在一起，从匿名化的数据中识别出个人信息
回归分析(Regression analysis) –
确定两个变量间的依赖关系。这种方法假设两个变量之间存在单向的因果关系(译者注：自变量，因变量，二者不可互换)
RFID – 射频识别; 这种识别技术使用一种无线非接触式射频电磁场传感器来传输数据
实时数据(Real-time data) – 指在几毫秒内被创建、处理、存储、分析并显示的数据
推荐引擎(Recommendation engine) – 推荐引擎算法根据用户之前的购买行为或其他购买行为向用户推荐某种产品
路径分析(Routing analysis) –
针对某种运输方法通过使用多种不同的变量分析从而找到一条最优路径，以达到降低燃料费用，提高效率的目的
S
半结构化数据(Semi-structured data) –
半结构化数据并不具有结构化数据严格的存储结构，但它可以使用标签或其他形式的标记方式以保证数据的层次结构
情感分析(Sentiment Analysis) – 通过算法分析出人们是如何看待某些话题
信号分析(Signal analysis) – 指通过度量随时间或空间变化的物理量来分析产品的性能。特别是使用传感器数据。
相似性搜索(Similarity searches) – 在数据库中查询最相似的对象，这里所说的数据对象可以是任意类型的数据
仿真分析(Simulation analysis) –
仿真是指模拟真实环境中进程或系统的 *** 作。仿真分析可以在仿真时考虑多种不同的变量，确保产品性能达到最优
智能网格(Smart grid) – 是指在能源网中使用传感器实时监控其运行状态，有助于提高效率
软件即服务(SaaS: Software-as-a-Service) – 基于Web的通过浏览器使用的一种应用软件
空间分析(Spatial analysis) – 空间分析法分析地理信息或拓扑信息这类空间数据，从中得出分布在地理空间中的数据的模式和规律
SQL – 在关系型数据库中，用于检索数据的一种编程语言
结构化数据(Structured data)
-可以组织成行列结构，可识别的数据。这类数据通常是一条记录，或者一个文件，或者是被正确标记过的数据中的某一个字段，并且可以被精确地定位到。
T
T字节(TB: Terabytes) – 约等于1000 GB(gigabytes)。1 TB容量可以存储约300小时的高清视频。
时序分析(Time series analysis) –
分析在重复测量时间里获得的定义良好的数据。分析的数据必须是良好定义的，并且要取自相同时间间隔的连续时间点。
拓扑数据分析(Topological Data Analysis) –
拓扑数据分析主要关注三点：复合数据模型、集群的识别、以及数据的统计学意义。
交易数据(Transactional data) – 随时间变化的动态数据
透明性(Transparency) – 消费者想要知道他们的数据有什么作用、被作何处理，而组织机构则把这些信息都透明化了。
U
非结构化数据(Un-structured data) – 非结构化数据一般被认为是大量纯文本数据，其中还可能包含日期，数字和实例。
V
价值(Value) – (译者注：大数据4V特点之一)
所有可用的数据，能为组织机构、社会、消费者创造出巨大的价值。这意味着各大企业及整个产业都将从大数据中获益。
可变性(Variability) – 也就是说，数据的含义总是在(快速)变化的。例如，一个词在相同的推文中可以有完全不同的意思。
多样(Variety) – (译者注：大数据4V特点之一)
数据总是以各种不同的形式呈现，如结构化数据，半结构化数据，非结构化数据，甚至还有复杂结构化数据
高速(Velocity) – (译者注：大数据4V特点之一) 在大数据时代，数据的创建、存储、分析、虚拟化都要求被高速处理。
真实性(Veracity) – 组织机构需要确保数据的真实性，才能保证数据分析的正确性。因此，真实性(Veracity)是指数据的正确性。
可视化(Visualization) –
只有正确的可视化，原始数据才可被投入使用。这里的“可视化”并非普通的图型或饼图，可视化指是的复杂的图表，图表中包含大量的数据信息，但可以被很容易地理解和阅读。
大量(Volume) – (译者注：大数据4V特点之一) 指数据量，范围从Megabytes至Brontobytes
W
天气数据(Weather data) – 是一种重要的开放公共数据来源，如果与其他数据来源合成在一起，可以为相关组织机构提供深入分析的依据
X
XML数据库(XML Databases) –
XML数据库是一种以XML格式存储数据的数据库。XML数据库通常与面向文档型数据库相关联，开发人员可以对XML数据库的数据进行查询，导出以及按指定的格式序列化
Y
Y字节 (Yottabytes) – 约等于1000 ZB (Zettabytes),
约等于250万亿张DVD的数据容量。现今，整个数字化宇宙的数据量为1 YB, 并且将每18年翻一番。
Z
Z字节 (ZB: Zettabytes) – 约等于1000 EB (Exabytes), 约等于1百万
TB。据预测，到2016年全球范围内每天网络上通过的信息大约能达到1 ZB。
附：存储容量单位换算表：
1 Bit(比特) = Binary Digit
8 Bits = 1 Byte(字节)
1,000 Bytes = 1 Kilobyte
1,000 Kilobytes = 1 Megabyte
1,000 Megabytes = 1 Gigabyte
1,000 Gigabytes = 1 Terabyte
1,000 Terabytes = 1 Petabyte
1,000 Petabytes = 1 Exabyte
1,000 Exabytes = 1 Zettabyte
1,000 Zettabytes = 1 Yottabyte
1,000 Yottabytes = 1 Brontobyte
1,000 Brontobytes = 1 Geopbyte
实时监测功能
通过传感设备实时采集温室（大棚）内的空气温度、空气湿度、二氧化碳、光照、土壤水分、土壤温度、棚外温度与风速等数据；将数据通过移动通讯网络传输给服务管理平台，服务服管理平台对数据进行分析处理。
远程控制功能
针对条件较好的大棚，安装有电动卷帘，排风机，电动灌溉系统等机电设备，可实现远程控制功能。农户可通过手机或电脑登录系统，控制温室内的水阀、排风机、卷帘机的开关；也可设定好控制逻辑，系统会根据内外情况自动开启或关闭卷帘机、水阀、风机等大棚机电设备。
查询功能
农户使用手机或电脑登录系统后，可以实时查询温室（大棚）内的各项环境参数、历史温湿度曲线、历史机电设备 *** 作记录、历史照片等信息； 登录系统后，还可以查询当地的农业政策、市场行情、供求信息、专家通告等，实现有针对性的综合信息服务。
警告功能
警告功能需预先设定适合条件的上限值和下限值，设定值可根据农作物种类、生长周期和季节的变化进行修改。 当某个数据超出限值时，系统立即将警告信息发送给相应的农户，提示农户及时采取措施。
农业物联网区域试验工程工作方案
为贯彻落实党的十八大精神，切实促进工业化、信息化、城镇化和农业现代化同步发展，充分利用现代信息技术改造传统农业，不断提高农业资源利用率和劳动生产率，推动农业发展向集约型、规模化转变，提升农业现代化水平。农业部决定启动农业物联网区域试验工程（下称区试工程），选择有一定工作基础的天津、上海、安徽三省市率先开展试点试验工作。为确保区试工程顺利进行，制定如下方案。一、实施农业物联网区域试验工程具有重要意义 当前，我国农业现代化进程明显加快，但也面临着资源、环境与市场的多重约束，保障粮食安全、食品安全、生态安全的压力依然存在，确保农民稳定增收的任务越来越重。实施区试工程，对于探索农业物联网理论研究、系统集成、重点领域、发展模式及推进路径，提高农业物联网理论及应用水平，促进农业生产方式转变、农民增收有重要意义。（一）实施区试工程，有利于把握物联网等信息技术的特点及在农业领域的应用规律，探索形成农业物联网发展模式。信息技术是新生事物，是多种学科技术的集成，兼具系统性和整体性。农业是个古老产业，兼具地域性、季节性和多样性，这就决定了信息技术改造传统农业的复杂性和艰巨性。实施区试工程，研究物联网技术在不同产品、不同领域的集成、组装模式和技术实现路径，逐步构建农业物联网应用模式，促进农业物联网基础理论研究、适用技术和产品研发，探索构建国家农业物联网标准框架体系及相关公共服务平台，将为推动农业物联网产业大发展奠定坚实基础。（二）实施区试工程，有利于积累农业物联网应用经验，促进农业物联网科学发展。目前，我国农业物联网应用尚处于尝试性起步阶段，整体应用水平和建设规模明显落后于电力、医疗、环保等其它行业。各地农业物联网应用示范基本呈各自为战、散兵游勇式发展，点多面广，严重缺乏顶层设计，为示范而示范的现象较普遍，重复投入问题较突出，可持续发展商业模式较少。实施区试工程，有利于逐步理清发展思路、明确发展方向和重点，为全面、整体、系统推进农业物联网积累经验。（三）实施区试工程，有利于调动地方农业部门积极性，整合各方力量共同推进农业物联网应用。虽然一些地方农业部门发展农业物联网的积极性较高，但由于缺乏稳定投入，系统推动的后劲明显不足，一定程度上影响了农业物联网效果发挥和长远发展。实施区试工程，不仅有利于调动地方农业部门积极性，更重要的是通过政府工程项目的示范、引导和带动，能够促进社会各方资源整合、形成合力，共同推进农业物联网发展。二、目标和重点任务 （一）工程目标。开展农业物联网应用理论研究，探索农业物联网应用主攻方向、重点领域、发展模式及推进路径；开展农业物联网技术研发与系统集成，构建农业物联网应用技术、标准、政策体系；构建农业物联网公共服务平台；建立中央与地方、政府与市场、产学研和多部门协同推进的创新机制和可持续发展的商业模式；适时开展成功经验模式的推广应用。（二）总体思路。按照“统一规划、系统设计、领域侧重、统分结合、整体推进、跨越发展”的总体思路组织实施。遵从“先集中规划后分区试验，先集中建平台后组装集成，先试点试验、积累经验后推广应用”的指导思想分步推进实施。在系统规划设计的同时，支持天津、上海和安徽根据各自经济、社会及农业发展水平和产业特点，分别以设施农业与水产养殖、农产品质量安全全程监控和农业电子商务推进、大田粮食作物生产监测为重点领域开展试验示范，力图探索形成农业物联网可看、可用、可持续的推广应用模式，逐步构建农业物联网理论体系、技术体系、应用体系、标准体系、组织体系、制度体系和政策体系，并在全国范围内分区分阶段推广应用。（三）重点任务一是研究和部署农业物联网公共服务平台。面向农业物联网重大行业应用，重点突破多源信息融合、海量信息分布式管理、智能信息服务等关键技术，构建农业物联网公共服务平台，开展面向农业资源规划与管理、生产过程精准管理、农产品质量安全溯源等领域的共性的服务。二是研究和制定一批农业物联网应用行业标准。联合产学研用单位，研究和编制农业领域条形码（一维码、二维码）、电子标签（RFID）等的使用规范，制修订一批农业物联网传感器及传感节点、数据采集、应用软件接口、服务对象注册以及面向大田、设施农业、农产品质量安全监管应用等方面标准。三是中试和熟化一批农业物联网关键技术和装备。围绕区域主导产业，重点中试和熟化动植物环境（土壤、水、大气）、生命信息（生长、发育、营养、病变、胁迫等）传感器，研制成熟度、营养组分、形态、有害物残留、产品包装标识等传感器，开展农业物联网技术和装备的系统引进和自主研发，加强动植物生长过程数字化监测手段、模型研究，突破农业物联网的核心技术和关键技术。四是形成一批可推广的技术应用模式。针对设施农业与水产养殖、农产品质量安全、农业电子商务、大田粮食作物生产等的监测监控，分别研发系列专用传感、传输、控制等设备，开发相应的软件和管理信息系统，从而构建全程技术体系及可持续发展机制。五是培育农业物联网产业。按照引进消化吸收再创新的思路，围绕农业物联网的感知识别、数据传输、数据处理、智能控制和信息服务等环节，积极引导和推进农业物联网设备制造、软件开发及相关服务，培育一批农业物联网产业化研究基地、中试基地和生产基地，促进农业物联网新兴产业发展。六是强化政策措施研究。总结区试工程经验，研究提出促进农业物联网应用推广的政策建议，积极推动相关政策措施出台，营造农业物联网发展的良好环境。三、试验布局 围绕天津、上海和安徽农业特色产业和重点领域，统筹考虑行业及产业链布局，逐步实现物联网技术在农业全产业链的渗透和试点省市的整体推进。（一）天津设施农业与水产养殖物联网试验区天津毗邻北京，经济和交通条件好，区位优势明显。设施农业发达，目前拥有高标准设施农业面积60万亩，水产养殖面积62万亩，规模化水产养殖小区55个，蔬菜和水产品自给率高。试验重点是在现代农业示范基地、龙头企业、农民专业合作社和水产养殖小区等开展设施农业与水产养殖物联网技术应用示范，探索不同种类农产品、不同类型农业生产经营主体农业物联网应用模式；开展农产品批发市场物流信息化管理，探索利用信息技术构建新型农产品流通格局，有效减少交易环节，提高交易效率。一是设施农业与水产养殖环境信息采集技术产品集成应用。选择现代农业示范基地、龙头企业、农民专业合作社和水产养殖小区，探索不同种类农产品、不同类型农业生产经营主体农业物联网技术应用模式及可持续商业模式。二是设施农业生命信息感知技术引进与创新。积极引进消化吸收国外先进的作物生命信息感知技术和设备，实现农作物径流、叶面温度、蒸腾量等作物关键生理生态信息在线获取，实现即时灌溉决策与在线营养诊断。三是设施蔬菜病虫害和水产病害特征信息提取与预警防控。融合设施环境、视频、动植物生命感知信息，引进创新设施农业病虫害和水产主要病害特征信息提取技术，实现设施农业主要作物的重点病虫害和水产主要病害信息实时提取与预警、事前防治与控制。四是探索设施农业物联网应用平台与服务模式。集成现有农业信息服务系统，构建设施农业物联网集成应用服务平台，面向农业主管部门、生产基地、农民专业合作社、基层农技人员、农户等提供多渠道、内容丰富的设施农业与水产养殖物联网应用服务；总结形成可持续、可推广的设施农业与水产养殖物联网应用服务模式。五是农产品交易流通平台。以天津韩家墅海吉星农产品批发市场为主体，综合利用物联网等现代信息技术，开展农产品质量追溯，实现物流、配送、仓储高效管理，并依托深圳农产品股份有限公司分布在全国的26个农产品批发市场，探索构建“产地装车、销地卸车、网上交易撮合、单品种全国互联互通”的新型农产品流通格局。（二）上海农产品质量安全监管试验区上海是国际化大都市，农产品主要依靠外阜输入，保证农产品质量安全是一项重大民生工程，探索应用物联网技术开展农产品质量安全监管试验，对确保大中城市食品安全具有普遍意义。试验重点是农产品（水稻、绿叶菜、动物及动物产品）生产加工、冷链物流和市场销售等环节的物联网技术应用，借助无线射频识别技术和条码技术，搭建农产品监管公共服务平台，实现对农产品生产、流通等环节全过程智能化监控，有效追溯农产品生产、运输、储存、消费全过程信息。一是建设农产品安全生产管理物联网系统。集成无线传感器网络，研究生产环境信息实时在线采集技术，研究生产履历信息现场快速采集技术，开发农产品安全生产管理物联网系统，实现产前提示、产中预警和产后反馈。二是建设农业投入品监管物联网系统。在农业生产环节，建立水稻、绿叶菜等农产品田间 *** 作电子化档案，对农业投入品进行规范管理，做到来源清楚，领用清晰，用量明确。三是农产品冷链物流物联网技术引进与创新。引进、消化国外农业物联网先进技术，在消化吸收相关技术基础上，研制集多种传感器、车辆定位、无线传输于一体的冷链物流过程监测设备，力争在稳定性、可靠性、低成本和低能耗方面有进展。开发农产品冷链物流过程监测与预警系统，实现基于物流过程的实时化监测与智能化决策。四是农产品全程质量安全监管物联网应用平台构建与服务模式创新。构建农产品质量安全监管综合数据库，开发农产品质量安全监管物联网应用平台，提供从农田到餐桌为主线的物联网综合应用服务，实现以追溯为核心的多方式溯源服务。培育农业物联网应用示范基地、示范企业与工程技术研究中心。积极探索商业化服务模式。五是农产品电子商务平台应用示范。以农产品电子商务平台建设为突破口，重点支持农产品电子商务与农产品追溯系统的深度融合，加快建设和推广从农产品生产至终端销售全程追溯的应用系统，搭建农产品产销服务信息平台。（三）安徽大田生产物联网试验区安徽是典型的农业大省，对保障国家粮食安全具有重要意义。试验以大田作物“四情”（苗情、墒情、病虫情、灾情）监测服务为重点，通过远程视频监控与先进感知相结合的农情数据信息实时采集、高效低成本信息传输和计算机智能决策技术的集成应用，实现大田作物全生育期动态监测预警和生产调度。一是建设大田作物农情监测系统。基于传感网数据采集，集成开发大田作物农情监测系统，实现对农田生态环境和作物苗情、墒情、病虫情以及灾情的动态高精度监测。二是建立基于感知数据的大田生产智能决策系统。基于信息采集点感知数据，集成农业生产管理知识模型，开发大田生产智能决策系统，实现科学施肥、节水灌溉、病虫害预警防治等生产措施的智能化管理。三是建立基于物联网的农机作业质量监控与调度指挥系统。在粮食主产区，基于无线传感、定位导航与地理信息技术，开发农机作业质量监控终端与调度指挥系统，实现农机资源管理、田间作业质量监控和跨区调度指挥。四是构建集成于12316平台的大田生产信息综合服务平台。以12316平台为基础，集成现有信息资源和各类专业服务系统，构建大田生产信息综合服务平台，为农情监测、生产决策、农产品质量安全管理、农机调度、市场监测预警等农业生产经营活动提供全方位的信息服务。五是大田生产物联网技术应用示范区建设。在小麦、水稻等主产县（市、区）建设大田生产物联网技术应用示范区，开展“四情”监测预警、农业生产管理、农机作业调度等物联网技术应用示范，探索物联网在大田作物生产上的技术应用模式和机制。六是探索农业物联网应用模式。在设施蔬菜、畜牧、渔业、茶叶、水果等产业，依托国家级、省级现代农业示范区、龙头企业，省级农民专业合作社示范社和规模种养殖场开展农业物联网应用试点，探索适合不同种类农产品、不同类型农业生产经营主体的农业物联网应用模式。四、条件保障（一）加强组织领导。为有序、高效推进区试工程任务，必须建立强有力的组织保障。区试工作由农业部农业信息化领导小组统一领导，组建区试工程技术专家组，由国家有关科研、教育系统的专家参与，负责研究制定区试工程总体技术解决方案，指导区试工程建设，研究和突破关键技术，制定农业物联网相关标准等。试点省市要成立以分管省市领导为组长、农业部门主要负责同志为副组长、涉农部门为成员的领导小组及技术专家组，负责推进本省区试工程。（二）明确工作分工。农业部负责组织制定区试工程总体实施方案，统筹推进区试工程，组织专家开展农业物联网应用理论、标准规范、共性技术和设备研究与熟化工作，构建农业物联网公共服务平台，开展应用模式及经验推广；试点省市领导小组及农业主管部门负责制定本地区实施方案、落实配套经费、推进区试工程及技术成果的示范与推广、加强资金监管及提高补助资金使用效益等工作。（三）确保稳定投入。要按区试总体方案安排，建立稳定的投入机制，以确保区试工程整体、稳步推进。农业部负责监督中央补助资金使用。试点省市要按不少于1:1的比例落实配套资金，并制定相应资金管理办法；注重积极引导有关IT企业和有实力的农业生产经营主体投资参与区试工程，逐步形成多元化投资格局。注重商业模式的培育，探索可持续发展机制。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）