农业生产的公民科学

公民科学可以定义为“非科学家参与的数据收集、使用和解释过程”。这种方法已经应用几十年了，但令人惊讶的是它在农业生产研究中没有得到大量应用。考虑到农民会从农业研究中得益，他们应当、能够、而且可能应该更多地参与科学研究过程。
精确农业（PA）技术，如自动引导和分区控制，种植和收获监控以及变量施肥绘图，使农民能收集丰富和高分辨率的数据。这些数据与其他点的信息相结合，如通过卫星、无人机或冠层传感器直接测量或遥感收集的土壤特性和作物影像数据，从而产生了多层次的农场数据，这些数据可以用作科学研究过程的一部分进行探索和建模。

农场主从田间收集数据
当数据在社区或网络中汇集利用时，就实现了数据价值的最大化。汇集数据形成数据库结构就可以让终端用户看到数据不同层次间先前隐藏的相互关系。不论是众多农户使用一个服务商，还是众多农户使用多个服务商，最新调查表明精准农业服务商提供了目前30%以上的服务。超过80%的农户提供了某种程度的数据支持，因此我们可预见未来的数据汇集服务会继续增加。
一个简单的杂交试验中展示出汇集农民数据的效果。DanFrieberg在一次精准农业会议上的报告中举了一个例子，讲述了传统研究方法与他的公司 — 超级作物服务（PCS）所使用的数据汇集方法有什么不同。在传统方法中，每一个杂交种的产量都是来自59个试验地点的小区重复，共计177项观测项目。PCS收集了更高分辨率的数据（每400m²一个记录），每一个杂交种都收集了所有客户超过300,000观测数据。采用数据汇集法，多层次的元数据允许结果能解析出土壤类型、作物轮作，并且还包含了同一地区一个杂交品种超过18,000个产量数据。
要使农民充分参与公民科学，研究必须设计成这样的方式，即满足他们“非科学家”的观察角度和学术严谨性。
PCS也可以在一个田块内的特定区域中设计有重复、小区随机排列的大量可控比较试验。这些所谓的“学习田块”允许曾经的观测数据能以一种更严格的传统统计方式来得到评估。这种将传统科学方法与基于数据汇集的公民科学方法相结合的方式，能把“大数据”与“小数据”联系起来，并且很可能成为农艺学未来的一个重要组成部分。
要使农民充分参与公民科学，研究必须设计成这样的方式，即满足他们“非科学家”的观察角度和学术严谨性。研究必须为终端用户（多方利益相关者）和参与者（农民和科学家）的利益而努力。学术研究往往是假设驱动的，专注于一个或两个孤立的变量，帮助许多人理解事物。相反，农民参与的研究包括多种因素，农民作为最大的现实主义者，当然是结果驱动，并与特定的个体相关。因此，成功的公民科学项目必须要有评估，评估是事先考虑在项目设计中，以保证生成的科学数据的质量可测定，但又必须是可应用的。生产农业中的公民科学必须是合作的、可信的，而且最重要的是一个持续的学习过程。

PNT 2017 ISSUE 1, NO. 5