A Big Data Curation Framework for Precision Agriculture: Actions, Actors and Challenges in the Indian Context
Suresh Kumar Sharma · Parul Dhull · Pratibha Manohar
通过系统综述构建印度精准农业大数据治理框架，明确8阶段数据策展行动、9类机构角色及挑战。
系统综述214篇文献与印度政策文件，双编码者一致性88.5%。
栅格影像、机器学习模型作为策展对象、多语言元数据是精准农业区别于一般大数据的三大特征。
可实证检验该框架在印度机构实践中的适用性，并探索多语言元数据与数据保护法规的落地机制。
系统综述214篇文献构建印度精准农业数据策管框架，提出栅格影像、机器学习模型与多语言元数据三大特殊性，对农业数据治理有参考价值。
精准农业通过物联网传感器网络、卫星影像、无人机航测、作物登记系统和气象站产生大量异构数据。印度根据“数字农业使命”对农业数据基础设施投入了大量公共资金，截至2026年8月，已生成超过1031万个农民ID，并调查了超过3100万块地块。目前尚无已发表的框架明确规定这些数据需要何种数据策管、各项活动由哪些机构负责，或在印度运行环境中会出现哪些障碍。本研究通过对2015年1月至2026年8月间发表的214份文献进行系统综述，构建了这样一个框架，文献取自五个书目数据库，并辅以印度政府政策文件。两名编码员对随机抽取的50条记录子样本的编码决定一致率为88.5%。该框架明确了农业数据生命周期八个阶段的数据策管行动，将每项行动分配给九类机构行动者类别中的一个或多个，并记录了相关挑战。三项发现将精准农业与一般大数据情形区分开来：栅格影像所需的策管程序在文本或传感器流数据中没有对应物；机器学习模型作为策管对象发挥作用，而不仅仅是分析工具；仅以英语运行的元数据无法在一个拥有22种表列语言的国家支撑国家农业数据系统，而2025年《数字个人数据保护规则》现已赋予这一要求法律效力。该规则于2025年11月通告，规定了同意、删除和违规通知义务，这些义务适用于整个数据生命周期，而不仅限于收集环节。该框架为农业院校、ICAR研究所和各邦部门分配数据管理角色和规划策管培训提供了依据。由于该框架基于已发表文献和政策文件，尚未针对当前机构实践进行检验。