農業 – GeoCyber

G20農業鏈結開放資料會議 Part 5 – 開放地理資料、區塊鏈、溯源

Open GeoData

Open GeoData這個場次有三個演講，分別如下:

Raul Palma de Leon, Publication of Inspire-based agricultural Linked Data
Karel Charvat, Integration of open land use, smart point of interest and open transport maps using RDF
Rob Knapen, Obstacles in standards and spatial thinking for Linked Data in agriculture

前二個演講是同屬於一個歐盟Horizon 2020 巨量資料研究計畫DataBio，有16國48個單位加入，計畫期間為2017年到2020年，總經費規模達到1千6萬歐元，歐盟支援了1千3百萬歐元，是一個針於農業和其它對於生物經濟工業中原物料產品的巨量資料技術優勢的展示，並且佈署一個互操作性的平台在所有計畫成員的資料基礎設施之上，藉由這樣的技術架構這個計畫企圖提供巨量資料管理的解決辦法，包含不同巨量資料的儲存和查詢，以及使用鏈結資料為聯合層來整合來自不同來源之異質性資料。DataBio需要整合先前的歐盟FP7的研究計畫SDI4Apps和FOODIE之資料，如圖41所示。SDI4Apps主要在於建構的是以Open API為主的雲端架構來進行資料整合，並且依此雲端環境建立6個試驗性Apps 與INSPIRE、Copernicus 和 GEOSS 空間資料基礎設施整合。而FOODIE 主要是在建構一個開放和互操作性的雲端基礎平台以整合不同來源的農田生產相關資料，並包含地理空間向度，以及發佈為鏈結資料。

在de Leon的演講中主要介紹如何利用FOODIE既有的語彙和標準，並與INSPIRE整合開發出鏈結資料的服務，如下所列。

SPARQL endpoint: https://www.foodie-cloud.org/sparql
Faceted search endpoint: https://foodie-cloud.org/fct
Map visualisation: http://ng.hslayers.org/examples/foodie-zones
Map visualisation: http://ng.hslayers.org/examples/foodie-zones /
Metaphactory: https://foodie.grapphs.com/resource/Start

而Charvat的演講中則進一步介紹如何在DataBio的計畫中整合交通資料(Open Transportation Map)和土地利用資料，其鏈結資料的服務也是從上述的服務中展示，但略有不同，如圖40中的服務是土地利用坵塊，就不是上述的農田分區，但技術上都是一樣的。

圖42: 雲端服務查詢結果的地圖視覺化 http://ng.hslayers.org/examples/olu_spoi/?hs_panel=info&hs_x=1607799.902082933&hs_y=6462976.717926565&hs_z=16&visible_layers=Base%20layer;Land%20use%20parcels

第三個演講是Rob Knapen，來自荷蘭Wageningen大學環境研究所，演講內容主要在基於他過去處理農業和地理資料的經驗中，去論述資料整合的問題和鏈結資料的障礙，檢討目前研究計畫事實上對於鏈結資料的使用仍然不夠深入。

圖43: Rob Knapen的演講

供應鏈和追溯(Supply chain and traceability)

這個場次包含了三個演講，前二個是關於區塊技術應用於農業資料上，而第三個即是我的報告，三個演講如下:

Christopher Brewster, Blockchains and Linked Data for agrifood value chains
Liisa Pesonen, Employing the principles of My Data and blockchain to build trust in farm data sharing
Dongpo Deng, Construction and reuse of linked traceable agricultural product records

Brewster博士是來自於荷蘭應用科學研究所(Netherlands Organisation for Applied Scientific Research)，他認為鏈結資料沒有用在價值鏈(如農田到消費者)的處理，Schema.org、GoodRelations和產品型態本體的語彙可以被期待用來增加價值鏈的處理，學術上企圖使用知識本體在價值鏈上的處理很少，過去的研究計畫也顯示出鏈結資料方法用在價值鏈上會有一些限制，但並沒有真的被進一步的討論。他認為價值鏈的核心問題在於產品履歷或溯源，但這個產品履歷系統是一個很緩慢的系統。從產品溯源的觀點，他進一步介紹條碼系統GS1，以建構資料鏈結系譜(linked pedigree)，而這資料鏈結系譜再導以區塊鏈技術來處理，如圖44即是他演講中所提出來一個整合鏈結資料和區塊鏈的架構。

Pesonen的演講陳述了很多區塊鏈和MyData的觀念，但缺乏實證，整個演講是一個概念架構研究的介紹。

G20農業鏈結開放資料會議 Part 4 – 農業科技分享平台

農業科技分享(Agricultural Technology Sharing, ATS)平台的目標是鼓勵G20成員國、有興趣的國家和國際組織改善農業技術資料的獲取，促進技術支援，分享發展永續農業發展技能的經驗，促進農業技術轉讓作為全球集體行動。

該平台還可以通過分享成員經驗，鼓勵和強調要優化農業技術創新體系的政策制定，更新現有機構和發展新機構，引入有關資訊安全和保護財產權的監管機制，建立資訊、資料共享和交換標準，加強決策者、研究人員、推廣機構、農業企業、農民組織、協會、非政府組織、私營商業部門、金融機構等各方利益相關者的合作，進行農業研究，教育、推廣和農業企業發展。ATS還可以通過發展中國家和已開發國家之間的合作，包括對於人力資源和能力發展。

ATS旨於讓異質的資訊來源易於交叉搜索和整合，以便可以搜索所有資訊，以便所有利益關係者（例如，小農或企業家）都可以使用此類知識的的查詢進行搜索，以使成功地能讓農業實踐適應本地脈絡。ATS要扮演的一個在合作夥伴國家中的資訊目錄之角色，並透過合作和分享作為集體行動。通過這種方式，ATS將能夠在技術及其實際應用和影響方面獲得、分享、交流商業利益，同時也促進採用，適應和創新新技術的伙伴關係和合作。

ATS工作小組的主要原則是在20國框架下倡導和採取行動，通過G20成員，以及多樣化夥伴關係和共同努力，以加強農業技術創新和知識共享，持續地提高農業生產和實現糧食安全、生活和更好的環境。

工作小組是在中國主導但由G20 成員國中的首席農業科學家(MACS)來管控，以強化工作小組成為農業創新和知識共享的全球平台，並協調工作，避免重複和最大化現有機會和資源。在中國農業科學院(CAAS)與GFAR、FAO、IFPRI及其全球網絡緊密合作，工作小組定期向G20的 MACS報告。

G20農業鏈結開放資料會議 Part 3 – 語彙、分類、索引典、地球觀測

John Fereira, AGROVOC-Three Ways

John Fereira在上午的場次講過康乃爾大學發展的VIVO，在這個場次的演講很簡短，而他想分享的是AGROVOC可以使用在三個功能中，分別為:

自動標籤(AutoTagging)，少部份或沒有詮釋資料的時候使用;
自動建議(AutoSuggest)，應用於在使用者介面當需要手動加入一些關鍵字時;
概念匹對(Concept Matching)，當標記標籤於一個領域特定的儲存庫中的資源且該標籤要能匹對於一個語彙。

他並以介紹Agriknowledge網站，是一個農業文獻服務網站即是利用AGROVOC且應用上述三個功能，圖31即顯示關鍵字在Agriknowledge的使用，這些關鍵字都和AGROVOC有對映，且文獻本身也有相對映的AGROVOC，如圖32所示。

Valeria Pesce, Semantic challenges in sharing dataset metadata and creating federated catalogs: the example of the CIARD RING

Valeria Pesce 是全球農業研究論壇(GFAR)的資訊系統經理和計畫經理，且與GODAN的祕書共同合作，過去曾代表FAO和GFAR，現今則是加入歐盟計畫資料基礎計畫( agINFRA, Big Data Europe)，並管理CIARD RING和AgriProfiles開放資料平台的在全球與區域間的協調工作。

她的演講主要是在介紹CIARD RING (如圖 33)平台中對於農業資料集的管理，並強調語意在資料集管理上的好處及方式，圖34說明了描述資料集如何需要語意，除了使用DCAT、 DCAT-Stats、DateCube和VOID的語彙外，對於主題詞和資料型態都可以利用知識組識系統(Knowledge Organization System)來架構，使這些主題詞和資料型態的詞彙能夠清晰表達。「值」的標準化，如資料的主題涵蓋範圍和維度、格式、和協定的使用等，這些值在RDF也通常被視為是「資源」(resource)，所以可被以URIs來辦別，但值通常是一個字串、概念的URI通常是專屬的設計，並非沒有一個共通的知識組織系統來指涉所有的事，她舉了幾個例子，如農業主題詮釋資料是AGROVOC或CABI thesaurus? 地理的詮釋資料是GeoNames或FAO GeoPolitic Ontology? 還有維度及文獻的語彙應該選那一個，如圖35 所示。然而，語彙所涉及的範圍和複雜度不一樣，是否合適於自己的資料需要評估，並非所有語彙都需要。

Pesce 也說明了選擇農業領域和跨領域語彙用於CIARD RING平台經驗，CIARD RING是一個農糧資料集和資料服務的聯合目錄平台，RING是指Routemap to Information Nodes and Gateways，為GFAR對於農業研究發展(Coherence Information for Agriculture Research for Development, CIARD)的計畫，RING的主要目錄可以提供資料和資料集，且都有詮釋資料，並使用RDF編碼。聯合目錄是透過獲取(Harvest)其它目錄平台的詮釋資料而來，目前有聯合的平台計有datahub, EU open data portal, Dataverse catalog, data.gov.uk, data,gov等，計有2740筆資料，4832項服務。RING平台的詮釋資料是以DCAT-AP、VOID和DataCube為主，並且會推出RING DCAT profile，她隨後介紹了RING平台中對於資料和資料集的詮釋資料編碼。

其中介紹了如何利用SPARQL Queries控制LOD的映對，如圖36中的SPARQL query，可以取得所有畜牧的資料集是以AGROVOC的Livestock。

在演講的結論中，她也再次強調最大的語意之挑戰在於資料或詮釋資料整合時缺乏使用共通語彙，而不是在格式、綱要(schema)或描述的方式不同，在許多情境中，資料缺乏好語意是因為不關注這部份，而不是工具的不足，RING的機器可讀層和SPARQL endpoint不是提供給終端使用者，他們期待的是更多開發者去建構加值的服務。

Sophie Aubin, Agrisemantics, vision for an infrastructure for semantic-based interoperability of agricultural data

Sophie Aubin沒有出席，是由Johannes Keizer代為演講。

Agrisemantics是一個農業資訊語意的研究社群，企圖邁向一個可以無縫使用和創造語意資源以支持農業和食物資料的互操作性。Agrismenatics的價值是一個自動化語意資源集合可反應出豐富的觀點和不同的領域資料，農業概念應建立出一個共通的概念網要，即Global Agriculture Concept Schema (GACS)，有一組穩定的URIs可以重複使用和連結其它資源，增加鏈結由不同資源中製造資料操作性，分享經驗和共同的實務經驗，Agrisemantics是一個新開始的計畫，其整體架構如圖37所示。

地球觀測與遙測(Earth observation and remote sensing)

這個場次的有5個演講，如下所示，都是歐盟國家的計劃，和資料或開放資料有關。

Holger Lilienthal, The Research Center for Agricultural Remote Sensing (FLF) – a data source for agricultural information based on Sentinel satellite data
Silke Migdall, ESA’s Food Security Thematic Exploitation Platform “Supporting sustainable food production from space”
Bernd Hoffmann, Decision support for crop protection – Pest identification using UAV technology
Sebastian Fritsch, Using open data and artificial intelligence to digitize global agriculture
Uwe Voges, Linking and finding earth observation data on the Web

對於上述5個演講，就摘錄與開放鏈結資料的重點來記錄。

在Lilienthal博士的演講中主要是介紹歐洲哨兵衛星系列的影像如何應用於農業資訊的擷取，而歐洲哨兵衛星是以開放資料的方式釋出，在即時資料方面，可以進行農作型態分類、農作輪作、草地監測、和土壤流失監控，動態資料方面，可以進行產量潛勢推估、植物參數(如生物量、葉面積指數、葉綠素含量)、和物候學(如成長天數)，如圖38。

Migdall所介紹如何以巨量資料平台來處理糧食安全的問題，並且說明平台中的許多資料是地理和航遙測資料如何應用於糧食安全問題的決策。同樣地，Hoffmann 所介紹的是德國的整合型的農業計畫，而著重的是如何應用UAV影像擷取出更多有助於農業決策的資訊。

Voges 博士的演講是在於介紹如何利用鏈結資料技術於地球觀測資料的查詢上，他提到雖然地球觀測資料是開放資料，但通常透過特定的接口(portal)，或典藏於特定的平台，如果使用者對於這些接口和平台不熟悉的話，很難找到且取用這些資料。利用 OGC Catalogue Service標準來進行地球觀測資料之詮釋資料的處理，透過一般的搜尋引擎還是無法找到資料，他認為鏈結資料的方法是解決這個困境的途徑，應該有一層鏈結資料服務層架構在底層的空間資料基礎設施(SDI)，如圖39所示。接著他介紹了如何利用OGC OpenSearch Geo and Time [3]標準和鏈結資料技術實現以鏈結資料技術為主的地球觀測資料平台。

G20農業鏈結開放資料會議 Part 2 – 視覺化、導覽和搜尋

Jerzy Weres, Programming technologies supporting management of Linked Open Data in the domain of cereal grain drying and storage

Jerzy Weres教授是來自波蘭波茲納(Poznan)大學農業及生物技術學院資訊應用系。他認為農業資訊對於農夫或農業工程而言都是重要的基礎，這些資訊有助於做出更好的決策，而要讓決策支援的軟體能與時並進，就必須去使用未來的網路科技，這樣的科技己經可以被用來增加決策支援系統的功能性、可靠性、使用性、可維持性和效能，藉由語意網技術來整合多種不同資訊來源現在已經是未來系統發展的趨勢，語意網技術為基礎的系統的新見解是如何透過整合軟體而讓傳統平台開放和利用智慧型手機的開放近用。

在這個演講中，他分享了他是如何與學生在資訊和農業工程課程上合作開發，並且留下二個資訊系統，一是語意網為基礎的建議系統可以支援分析、設計和管理榖物乾燥、處理和儲存，以及另一個整合系統可支援推估和分析幾何、熱能和不同屬性的農糧及林產。

圖8: 語意網為基礎的建議系統 “Ziarbit” 支援分析和管理榖物處理、乾燥和儲存

榖物處理、乾燥和儲存之語意網為基礎的建議系統中是以UML勾勒出系統的結構和欲解決的問題，再以Visual Studio 2013、Windows Phone SDK 8、Xamarin、 .NET 4.5、 ASP .NET 4.5、 C++/CLI 和 C# 5.0 等程式語言為建構環境，圖8即是主系統 “Ziarbit” 的畫面，其中具有處理RDF和SPARQL的元件，如圖9即是RDF三元組的產生器，系統中使用知識本體來正規化資料，圖10即是描述乾燥機的知識本體圖形化。而他們也發輕量化的手機版本，如圖11所示。

可支援推估和分析幾何、熱能和不同屬性的農糧及林產的整合系統是用來模擬熱能和生質能(如玉米核)的質量轉移過程，可以檢驗物質是非均質、非等向、和不規則的特性，以有限單元格網的3D座標來表現一產品的幾何、熱傳導、溼度傳送係數和可轉換的溼度轉換系數，這個整合系統包含了一個共通的圖形介面，而且整合推估、分析和視覺化農糧和林產之熱及水轉移過程的子系統，這個系統是根據標準的軟體工程方法所建立，並利用Visual Studio 2013和C# 5.0 程式語言為建構環境。這個整合系統名為BioProcessSoft，是一個有圖形化介面和資料庫的系統，並包含三個子系統，3D Mesh Node、BioVis和IPS，圖12是3D Mesh Node子系統的截圖畫面。

John Fereira, Visualization of Linked Open Data – eye candy for VIVO

John Fereira是康乃爾大學資深程式設計師，是VIVO一開始發展就加入的成員。VIVO在2003 – 2005年間，最早的開始由康乃爾大學針對生命科學領域開發，是以關連式資料庫為主，2006 – 2008 年間，VIVO已經擴展到康乃爾大學的所有領域，並且轉換成以語意網為主，2009 – 2012 國家衛生研究院的支持，VIVO讓國家科學網路計畫可以建立，轉換VIVO成為一個多機構的開放源碼平台，2012 後，VIVO轉換成DuraSpace，成為開放社群發展為主的應用程式，VIVO 因此成為一個開放源碼、開放資料平台、且使用開放知識本體，圖13為VIVO的知識本體。

VIVO也是一個可以讓相關於研究活動的資料可看得到且可及的語意發佈平台，以語意網為基礎的研究者和研究之探索工具，除了可以對「人」進行描述，可以針對其它組織、研究經費，計畫、論文發表、活動、設備和研究資源等項目，進行關係的描述，例如有意義的連結人和活動，而這些關係是雙向的，可以瀏覽從一個點到另一個點的脈絡，以URI連結VIVO以外的人、地方、組織和事件。VIVO是一個跨領域的開放資料平台，開放地分享資料並使用鏈結資料，以連結學者、研究社群、學校，VIVO可以整合多種來源的資料，如系統記錄、職員活動報告、和外部資源(如，文獻資源Scopus、PubMed和NIH RePORTER)，它也提供可以提供一個檢視和編輯介面，且可整合和過濾資訊至其它網址。

康乃爾大學的[email protected]網站即是利用VIVO所製作，圖14即是[email protected]網站，而圖15展示了[email protected]架構及其與VIVO的關係，網站可以輕鬆地瀏覽各個學者的著作發表、獲得計畫和金額可在網站一覽無遺，可經由網站瀏覽學者的相關資訊，如發表的著作和獲得的計畫與金額，如圖16 和圖17所示而網站中也提供了四種資訊視覺化方法，文字雲、全球合作的地圖、計畫經費、和研究興趣，如圖18-21。

Daniel M. Herzig, Searching Linked Data Graphs with GraphScope 

Herzig博士之前是德國卡爾斯魯爾科技研究院(Karlsruhe Institute of Technology, KIT)之應用資訊和正規描述方法研究所(Institute of Applied Informatics and Formal Description Methods, AIFB) 之成員，該研究所亦是歐洲語意網研究的重點研究機構，出產許多知名的語意網研究學者。Herzig博士於2014年共同創辦了SearchHaus，這家公司致力於利用圖管理(graph management)方式於巨量資料的關鍵字查詢，metaphacts則是另一家於2014年成立的公司，致力於知識圖管理的公司，2017年二家公司併整，Herzig博士成為這家公司的營運長，該公司目前約10人左右。

GraphScope 是二家公司整併後的新產品，是一智慧型資料近用引擎，可允許使用者以簡單的方式，如關鍵字，去取用結構化資料，特別是RDF 資料。透過GraphScope對於關鍵字解析，可提供使用者更精確的查尋結果，如果是下SPARQL queries，使用者需要了解資料綱要(schema)和SPARQL的語法，才可以得到較為準確的結果，但在GraphScope並不需要，所有過於技術的細節使用者是看不到的，也不用了解，GraphScope可以把綱要和語彙內建默記起來以便處理資料，也就是辨認關鍵字，GraphScope也適於用了解資料模型的領域專家，即使不了解語意網和資訊技術，也可以簡單的查詢資料，圖22為GraphScope的技術內容。GraphScope可以部署於三元組資料庫的上層且提供網頁介面，圖23即顯示GraphScope的系統架構。

在農業資料方面，metaphacts幫丹麥農業部門處理資料，在農業資料部份包含農田和作物，在商業資料部份包含土地權屬、公司的住址及並活動的資料，資料的知識本體如圖24所示，利用GraphScope建立系統，如圖25所示。

GraphScope最早應用的領域是在生命科學，圖26所顯示的是利用GraphScope架構的基因庫查詢系統，The Gene Expression Atlas ( http://www.ebi.ac.uk/rdf/services/atlas/ ) 由歐盟生物資訊研究所(The European Bioinformatics Institute, EMBL-EBI) 建構，其畫面為查詢REG1B的基因序列之結果。

圖26: The Gene Expression Atlas (http://www.ebi.ac.uk/rdf/services/atlas/)

GraphScope在其網站上(https://www.metaphacts.com/graphscope)提供二個展示，一是利用Wikidata，另一個是研究著作的查尋系統ResearchSpace。在Wikidata的展示上登入頁面上，只需要輸入關鍵字，例如，輸入「Taiwan」，搜尋列會列出所有和Taiwan一字有關的實體(entities)，如圖27，點選其一，可以找到所有和這個實體有語意關係的實體和概念，其介面提供視覺化介面，如圖28展示出所有和「Taiwan」有語意關係的實體。

Daniel Martini, Linked Data architecture components – How to attach linked data services to legacy infrastructure?

Daniel Martini是籌辦單位之一德國農業科技與建立協會(KTBL)中資料庫和知識技術組的專家，他們團隊在2004年左右就開始進行AgroXML的建立與發展。在他的演講中一開始先說明了KTBL這個單位的背景，KTBL是一個有註冊的非營利協會，2/3是由德國農業部所資助，有來自於學術、業界的各領域專家約400位成員左右所組成，有70位左右的職員在Darmstadt工作，管理許多工作小組、組織專家工作坊、出席相關委員會、以及維持專家網絡。KTBL的任務是將研究成知識導入農業的實務中，並以專業來支援政策決策，評估新農業技術在經濟和生態在衝擊，以及提供計畫性資料(如，投資、產品處理過程…)到農夫。資訊技術的角色有三: 一為資料獲取，是由開放資料來源中獲得，二為資料處理，是由原始資料轉換為計畫資料，三為資訊提供，透過電子書、網頁和APPS，傳遞農業資訊給客戶。

KTBL並負有一個任務是在於傳遞人和機器都可讀格式的計畫性資料，這其實需要處理(1)人與機器都可讀的類別(classes)，如購買價格、供給的消費量…等; (2)標準田野工作流程，如工作時間、在不同制度下機器的共通方式…等; (3)操作供給: 平均價格、內容…等; (4) 設施和建物: 畜舍、牛奶機器和它們的屬性…等，讓以上這些資料能夠被更多的人使用，而且能夠進一步地在軟體應用程式中處理，以便服務農夫。

在KTBL中有許多資料準備提供分享，而他們想要遵循FAIR原則，而且使用標準規格，如RDF、HTTP、SPARQL，但這些資料早己經存在於既存的系統(基礎設施)，他們想的是如何開發出來一個工具箱可以以最少工作來解開這些儲放在既存資料庫中的資料。

因此KTBL的第一步就是開始設計語彙，讓資料能讓「再使用(reuse)」，他們以rdfs:label提供人可謮的名稱，在人名、地址、電話部份，他們使用VCard和FOAF語彙，在單位和維度方面，使用QUDT語彙，在地理資訊方面，使用GeoVocab和GeoSPARQL，在價格和產品方面，他們使用Good Relations Ontology，有這些語彙他們也建立他們的知識本體。並且開始從既有竹點的資料庫中開始要轉換資料，但在這之前，面對這麼多的工具要怎麼使用成為一個問題，所以他們對於這些工具進行評估，最後決定用D2RQ由資料庫轉RDF資料、用Jena Fuseki來儲存RDF和支援SPARQL 查詢、用ELDA進行序列化和網頁版型，圖29即是評估過工具和最後決定的評估過程。最後結論也再次強調利用開源工具去建立語意網服務是輕鬆寫意的事情。

G20農業鏈結開放資料會議 Part 1 – 會議背景和Keynote

會議背景

LOD in Agriculture Workshop 做為G20 農業首席科學家會議(MACS)之一，聚集農業科技上的科學共同討論農業資料之標準化、結構化、鏈結化、及應用上的問題，這個會議是由GODAN ( Global Open Data for Agriculture & Nutrition)、德國農業部(BMEL)、和德國農業科技與建立協會(KTBL)等三個單位來共同舉辦。

值得一提的是，GODAN是一個5年的跨國合作計畫，規模為850萬美元，由美國政府、英國政府、荷蘭政府、開放資料研究所(Open Data Institute, ODI)、聯合國國際農糧組織(FAO)、歐盟支援的農業研究與創新全球論壇(The Global Forum on Agricultural Research and Innovation, GFAR)、農業和生物科學國際中心(Centre for Agriculture and Biosciences International, CABI)、國際農業研究諮議組織(Consultative Group on International Agricultural Research, CGIAR)、農業與農村合作技術中心(Technical Centre for Agricultural and Rural Cooperation, CTA)、和食物與農業研究基金會(Foundation for Food and Agriculture Research, FFAR)等10個單位共同出資，目前全球共有579個公私立單位參與成為該計畫夥伴。

會議開場

會議開場是由德國農業科技與建立協會(KTBL)的 Daniel Martini 主持。首先，由德國農業部(BMEL)官員致詞，說明會議舉辦的背景，是由於德國今年於漢堡(Hamburg)舉辦G20會議，並因此在波茲坦(Potsdam)舉辦G20中首席農業科學家會議(MACS)，而去年的G20會議在中國時，就強調資通訊科技在農業上的應用與發展，延續這個議題，有鑑於歐盟近5年來在鏈結資料上的發展，德國今年則嘗試以鏈結資料在農業上的討論為主來承續中國在去年開啟的議題。而他也說明，雖然這是G20的會議之一，但這個會議其實不侷限於G20的成員參與，而是著重於農業和食物科學議題討論，而開放資料的策略提供更多在農業議題脈絡中創新的機會，有助於解決當前全球共同面對的農業和食物問題。

接著是GODAN計畫祕書的Johannes Keizer博士致詞，他是前FAO官員，退休後持續在全球的農業和糧食議題上努力，尋求更多解決的方法。他認為開放資料是解決全球農業和糧食問題的重要策略，許多的經濟效益是可以由開放資料而來，

而開放資料的重要的內涵在於資料再利用，產生資料流動，資料不斷地流動，才有可能有經濟效益和價值，開放資料也透過資料分享、知識分享，讓整個系統更有效率、更加有力量，更加的堅固。資料要流動，就必須讓資料能夠被找的到，資料要再被利用，就必須讓資料的語彙共通。

如何透過開放資料建立更好的農業和糧食資料的利用，進而解決問題，是GODAN計畫在尋找的解決方案，全球各地許多科研單位和科學家加入。他也強調，在剛結束不久的科研資料聯盟(Research Data Alliance, RDA)第10次會議於加拿大蒙特婁(Montréal)舉辦，其中有許多議題都和鏈結資料有關，而鏈結資料的技術與方法在農業和糧食問題的研究發展方興未艾，本次的會議就是想更深入去探討農業上的鏈結資料。

最後，由Daniel Martini給了一些開場的結語，他強調這個會議嘗試找出鏈結資料如何在農業上有用，農業資訊如何能透過當代資通訊技術製造更多的經濟效益，而這些議題不單單是德國的問題，而是全球的議題。

Keynote

會議主辦方邀請Elsevier的Paul Groth博士，以「The Roots: Linked Data and the Foundations of successful agriculture data」為題進行專題演講。Groth博士先自我揭露說，他的科學背景是電腦科學，著重於開放資料和鏈結資料，而非農業領域，但家鄉是荷蘭，是非常重視農業科技的國家，也算是和農業扯上邊。

他先以三個問題來揭開專題演講，這些問題也是整演講的脈絡。

鏈結開放資料如何能讓農業不同以往? (How can Linked Open Data make a difference in agriculture?  )

什麼樣的技術門檻阻礙了這個發展? (What technical obstacles stand in the way?)

什麼樣的政策需要配合? (What policies are needed to achieve the potential?)

他首先強調資料在農業的重要性，以精準農業為例說明資料是農業的中心。如圖1所示。他進一步引用Wolfert等人(2017)的文章，藉由該文的農業資料供應鏈之回顧分析中，說明了農業資料的問題，包含了格式、異質的資料來源、資料清理和準備的自動化、語意的異質性等，而這些正是鏈結資料技術可以應用的地方。

而研究科學資料在很早以前就開始討論資料開始的議題，在國際科學理事會(ICSU)帶領下，國際科學與技術資料委員會(CODATA)及研究資料聯盟(RDA)的會議中不斷地探討科學資料開放的議題，也使得投入科學資料開放的研究者愈來愈多，Groth博士以他為共同作者的Scientific Data期刊文章「The FAIR Guiding Principles for scientific data management and stewardship」為例，引導了科學資料中倡議開放資料的FAIR 原則，即是Findable, Accessible, Interoperable, 和Reusable，其節細內容如圖2，而達到FAIR原則所導向是成功的資料，而達成成功資料的最佳途徑就是鏈結資料。

圖2: FAIR原則
(來源: Wilkinson et al., M.D. 2016, The FAIR Guiding Principles for scientific data management and stewardship, Scientific Data 3, 160018)

資料再使用(reuse)成為科學資料開放的重要議題之一，要被使用就要找得到資料，要讓科學家能把自己的研究資料開放，資料引用(Data Citation)的制度是一個不可缺或因素，近年來也逐漸形成風氣，許多大型的期刊論文出版商目前都有資料論文(Data paper)的制度，且有些已經進入SCI索引。但這些似乎還不夠，期刊論文的使用者是科學家，對於一些特定群體的行為和需求則不一定滿足，例如，年輕科學家、政策制定者、學生等，觀測資料的背景使用比前景使用有較好的文件說明，也常有人需要資料而從別人的期刊論文中之表格再把資料再製，也有人會在搜尋引擎上尋找，或是直接索取資料。事實上，Google 對於資料集做索引，資料集發佈於網頁時，利用schema.org的語彙於HTML中會有助於Google 對這樣的網頁做索引。

對整合和互操作性而言，Groth博士先以ISOBUS這樣硬體規格，來說明標準所建立的整合和互操作性的重要性，接著解釋農業資料中己經有一些不錯的標準語彙，如AGROVOC和Crop ontology，而AGROVOC是促進農業鏈結資料的重要基礎，GODAN計畫更是重要的推手。資料要跨領域的整合，需要語意和語言的對映，Groth博士以植物知識庫的整合為例，來說明植物資料庫的整合過程，在語言方面，他也以Wikidata為例，說明語彙多語言的整合。

FAIR原則並不只是在於人類趨動的活動，而也著重於機器趨動的活動，因此資料的開放後，要考量的使用者並非只有「人」，還有一個重要的使用者是「機器」，FAIR原則所要克服的是人和機器在網路中尋找和處理處料時個別都會面臨到的問題，要弭平這樣子的障礙，機器學習是一個解決途徑。Groth博士引用吳恩達(Andrew Ng) 博士在2016年史丹福灣區深度學習課程中的一句話。

If there’s a task that a normal person can do with less than one second of thinking, there’s a very good chance we can automate it with deep learning.

也就是說我們現今有太多片段的知識可以透過機器學習建立出知識庫，使得人和機器都可以在語意共通的環境使用資料。接著舉NVIDIA利用深度學習於影像辨識，並將圖片中內容的萃取，例如圖3中，經過機器學習可以萃取出人物、酒瓶、和桌子，而影像辨識也在導入深度學習後，準確度大幅度的改善，圖4說明了ImageNet Large Scale Visual Recognition Challenge 在2012年後利用機器學習後，錯誤大量的減少。

圖3: 以分類來源圖片中每一個像素而產生語意圖的案例 (圖片來源: https://devblogs.nvidia.com/parallelforall/author/czhang/)

圖4: 在 ImageNet Large Scale Visual Recognition Challenge中前5大錯誤的比率在2012年使用用深度神經網路後，錯誤大量減少 (圖片來源: https://devblogs.nvidia.com/parallelforall/author/czhang/)

深度學習的叢集運算可以讓更多的知識由資料中被萃取出來，Groth博士再以ImageNet為案例說明以資料為導向的深度學習將會改變模式的建立，他引用了李菲菲(Fi-fi Li)博士受訪的一段話，

The paradigm shift of the ImageNet thinking is that while a lot of people are paying attention to models, let’s pay attention to data. … Data will redefine how we think about models.

ImageNet企圖建立的知識庫有如WordNet對於知識架構的分類(如圖5)，這將有助於機器在處理圖片中的知識。他再舉一個例子是如何從社群媒體的文字描述去了Emoji的意義，如圖6中所示，這些Emoji所群集的分類是由文字描述的自然語言處理，輔以SVM演算法的改良，所得到的結果。

圖5: ImageNet 的概念階層是來自於WordNet 圖片來源: https://qz.com/1034972/the-data-that-changed-the-direction-of-ai-research-and-possibly-the-world/

圖6: Emoji向量在二個維度群集
(下方是國旗、左上方是有關於家庭的符號、在高一點的左上方是星座的符號、最左邊是動物的，中間則是笑臉)
(圖片來源: Eisner, B. et al. (2016). Emoji2vec: learning emoji representations from their description. arXiv:1609.08359v1)

Groth博士接著論述鏈結資料和機器學習的關係，他認為機器可以熟練於學習由文字、語言、圖片和影片中回答問題，是仰賴於我們訓練機器可有效率地由網頁去讀取資訊的能力。先回過頭來看看機器當今如何讀取網頁的，最普遍的方式是搜尋引擎都會做的事，就是透過爬取和索引網頁資源，進一步地可能還有語意化的標籤(例如，使用schema.org)，再者，更深層一點的，就語意網的脈絡，可能是尋找且遵循對於知識本體和資料分享和再使用的開放鏈結資料爬取，而在Open API的脈絡而言，機器讀取資料是利用程式可取用的API透過HTTP/S和其它協定來讀取資料，這些機器的讀取方式都需要讓我們去想如何支援標記語言(ML)導向的資料，如XML、JSON、RDF/OWL等。

Groth博士進一步地以FAIR Data的概念來說明資料供應的標準和語彙如何強化資料的品質，在多資料來源和多使用者的平台上更加顯得重要，他就以全球變遷資料庫「The Global Change Information System」來說明如何利用W3C PROV (Provenance Vocabulary) 來幫助平台的資料品質。

圖7: 美國全球變遷資料庫(http://www.globalchange.gov/)

最後，他再回到一開始提到的三個問題，總結而言，他認為要解決這三個問題就是建立成功的FAIR農業資料，而鏈結資料的技術即是建立出FAIR農業資料的關鍵。

接續 Part 2。

如何利用開放資料解決農業和糧食的問題

以下文字是取自於 ODI(Open Data Institute)在2015年發表的報告「How can we improve agriculture, food and nutrition with open data? 」，主要想分享報告中所整理的14個案例。

因為開放資料是任何人都可以近用、利用和分享的資料，這所形塑的解決問題之道，相對於不開放的資料是昂貴的、耗時的且不可能的。透過加快創新速度，開放資料促進了政府、商業、NGOs和個人的協同合作，得以有新的發現，以幫助永續地提供糧食於不斷增長的人口。這份報告區分出三個關鍵方向，其中開放資料在農業和糧食的挑戰中扮演解決問題的重要角色，這三個方向為:

讓更有效、有影響的決策可以產生
培植讓所有人都可以受惠的創新
藉由透明化，趨使組織和部門的改變

讓更有效、有影響的決策可以產生

1. GroenMonitor: 以植被分佈圖防止害蟲爆發並保護農作物

田間生產量常因農作物受到害蟲侵襲而損害，在廣大的農田中，很難用人工方式偵測到老鼠或其它害蟲的入侵，GroenMonitor (GreenMonitor)是一個利用荷蘭的衛星影像所製成的植被圖來監控害蟲入侵的工具，其衛星影像是來自於歐洲太空總署 (European Space Agency, ESA)所釋出的開放資料，利用開放的衛星影像所製成植被圖，使得害蟲爆發的容易被辨識出來，在2014年，GroenMonitor 已經被用來辨識出12,000公頃受到鼠害的農地，這個工具現在還整合其它不同應用程式，包含植物物候學、作物辨識和產出、農業活動的辦識(如除草、犛田、和收割)、自然和水管理。

2. AWhere: 以氣象應用程式和簡訊預測幫助農夫

對於農夫而言，他們很難去取得影響他們耕作活動的基本資訊，如溫度高低、溼度和降雨，特別是在低度網路使用的地區，但很多資料提供者現在可以提供所需的氣象資料給個別農夫。AWhere 就是其中一個，透過他們全球資料庫和Weather Terrain，AWhere 結合從全球尺度到田間尺度的氣象觀測、預測模式、和歷史資料，幫助農夫做好的預測和規劃農業活動。

許多農夫，特別是發展中國家的，使用行動電話(而不是電腦)作為他們主要通訊的工具，因為這樣，迦納在地社群與AWhere一起合作，去發展一個APP在 Weather Terrain的Open API之上，以讓他們豐富的資料得以透過行動電話來使用，而這個使用方式是，氣象資料被轉換成簡訊服務，使用基本關鍵字(如，部份晴天的、部份多雲的、有風的)和照片，農夫可以低成本的方式使用氣象資料，讓他們可以決定關於耕作的事務。

3. Plantwise: 以最佳實務知識庫來增加農作用產量

約40%的全球作物產量損失是因為植物病蟲害，Plantwise幫助開發中國家的小農處理植物健康問題，它著重於增加糧食安全和改善鄉村生活以減少作物因病蟲害的損失，從 CABI(Centre for Agriculture and Biosciences International)的資料庫、研究論文和政府等資料，整合出全球和地方的開放近用的資料庫，使資料可以在線上平台取得和查詢，從全球各地的植物診所的疾病診斷報告，可以用來補充知識庫，並通知在處理蟲害的在地夥伴。

在二年發展下，Plantwise知識庫己經成為一個必要工具，以支持在33個國家的植物診所診斷，超過來自於198個國家的六十萬農夫造訪了這個知識庫，包含使用了超過九千筆的報表來取用關鍵的與作物蟲害相關的農業資料和最佳實作，去幫忙管理和預防作物在病蟲害的損失。Plantwise在2014年也獲頒ODI的對於社會影響的開放資料獎。

4. CIAT Colombia: 以智慧氣候工具在旱災中省下3.6萬

這是一個最近利用公私資料的協作的案例，其成果幫助農夫得到預警，以避免旱災在哥倫比亞所造成的損失，在2007-2013年間，國際稻農組織(National Federation of Rice Growers; Fedearroz)、熱帶農業國際研究中心(Centro Internacional de Agricultura Tropical; CIAT)、和哥倫比亞農業部一同合作來處理旱災在稻米產量減少的議題，稻米是哥倫比亞重要的糧食之一 (詳見 Stuart, E, E. Samman, W. Avis and T. Berliner, 2015, The data revolution – Finding the missing millions, 37p)。

公私資料的使用，私部門資料取得是透過特別條款，CIAT 得以分析來自於每年稻米調查、採收記錄、田間試驗、和天氣資料的大資料集，且辨識出在稻米產量減少背後的複雜和區域特定之議題，根據分析，再去發展智慧氣候農業決策工具給哥倫比亞稻米種植者，而工具其實是開放給任何人的。

無論是在農業部門，還是對於哥倫比亞的經濟的影響都是重大的，農業活動進行是根據資料分析結果，幫助了農夫避免旱災造成的重大損失，省下估計360萬美元可能的經濟損失。這個智慧氣候的工具在2014年羸到聯合國巨量資料氣候挑戰頭銜。

5. 加州水資源局: 以資料視覺化管理加州旱災

加州正經歷在過去記錄上最嚴重的旱災之一，缺水造成農業部門嚴重的威脅，農業的水利用是大約是整個州的80%左右，在2014年的農業部門的經濟直接損失預估有15億美元，在食物生產減少上有1萬7千工作喪失 (2014年加州旱災的經濟損失報告)，為了確保安全和永續的水資源，加州水資源局宣布水供給計畫，這計畫減少了水分配到農地並減少了25%的用水。

開放資料被用來告訴州政府如何重新分配嚴峻的水資源，其方式是美國地質調查局(USGS)將乾早的情形視覺化，視覺化所使用的資料是由USDA研究機構群所收集，且開放近用的資料，這些資料涉及了農業永續、氣候變遷和自然資源保育在集水區尺度或景觀尺度之長期的自然、化學和生物資料，這使得研究人員和決策者得以監看水管理的狀況和計畫，根基於資料的模式，可以經常的更新、推估真實水量的水準、用水量和其它因子，並允許適時地預測和決策多少水量用於農業上。

美國農業部 (The US Department of Agriculture, USDA) 也研究了相關加州乾旱資料的開放，Catherine Woteki 博士希望這將是刺激公私部門在開放資料的使用，以幫助農夫在用水和作物選擇的決策支援。

培植讓所有人都可以受惠的創新

6. Climate Corporation: 以天氣模擬和智慧保險，省下作用和金錢

在過去，天氣預測模式中讓農夫很掙札，這些模式沒有把在地狀況納入考量，而導致沒效率的風險計算。Climate Corporation是一個開放資料商業公司，提供更為準確的保險和商業諮詢服務，以幫助農夫管理和調適氣候變遷。

透過分析大量來自於開放和其它來源的資料，對於特定作物產量進行模擬天氣事件和評估風險，因此他們得以提供專業的諮詢和準確的保險。

這公司使用開放資料是來自於美國國家海洋暨大氣總署(NOAA)、美國國家氣象局的159個都卜勒雷達站、以及美國地質調查署(USGS)的地形圖和土壤分佈圖，Open Data Now的介紹。

農夫使用詳細的天氣預測資以強化他們農耕行為和活動，如澆水、施肥、和播種，舉例來說，農夫可以使用這家公司所提供的溼度和降雨分佈圖，知道他們農田的特定區域是否過於溼潤而不能耕作。在一個工業水準上，開放資料加持的服務對這家公司的影響可以是很大的，在2013年，Climate Corporation的客戶使用他們產品耕作了超過一千萬英畝的農地。

7. AgTrials: 以育種試驗的開放資料來改善作物品種

培育品種試驗是一個改善農作物品種的重要方法，在全球各地都有各式各樣的試驗在進行，這些試驗各著重於不同的主題，如耐旱、熱逆境和土壤管理，然而，這些資料幾乎都不能被其它研究人員所使用，而只是放在實驗室的硬碟中，甚至因為資料管理不好而造成資料逸失，形成不完整的資料集。

藉由農藝和植物育種試驗資料的整合和開放資料，由CGIAR在氣候變遷，農業和糧食安全研究計畫所負責的 Global Agricultural Trial Repository (AgTrials) 提供豐富的知識庫讓協同合作的計畫得以進行，去除掉非必要且有成本的重複工作。

科學家使用250個開放的AgTrials 資料集，以建立西非區域的農作物模式，這個模式被用在一個氣候變遷對於在地影響的計畫，並用來定義氣候變遷調適的育種計畫。

8. FAO AGRIS portal: 把農業研究帶向大眾

AGRIS 是一個研究機構和資料節點的國際網絡，這個網絡讓農業研究資訊在全球可以取得，他們從在65個國家超過150個資料提供者中，收集且分享多樣的食物及農業出版品之書目資訊。

AGRIS 成為書目資料成為一個匯整平台，藉由超8百萬筆記錄的開放資料儲存庫，讓相關內容在線上有位址且可以組織這些內容，應用程式將在這個開放資料儲存中的記錄與連結網址與其它有品質的資料來源，例如世界銀行(World Bank)、自然期刊(Nature)、和中國種質資料庫(Chinese Germplasm Database)

AGRIS 平台已經有來自於204個國家超過750萬的人造訪，這些訪客從大學生到研究生都有，AGRIS 成為科學和技術資訊的最重要節點。

9. CIARD RING: 讓農業食品(agri-food)資料更容易查找

儘管已經有很多相關於開放資料的資訊 (像資料集、平台、標準)，相關資訊的檢索仍然是需要關注的重要議題，在這個脈胳下，CIARD R.I.N.G. 的資訊節點和閘道扮演了全球性農業研究發展(ARD)之註冊的網路資訊服務。

這個註冊服務允許資料提供者登記和分類他們的服務，在確保所有資料集都完成對於那種使用標準的詮釋資料(如語彙、範圍和標準)下，註冊的服務促進且利用了標準，而標準的使用促進資料的再使用(reuse)和被查尋，且允許更好自動化，現在約有1/3的農業食品資料集，即有超過1000個資料服務是具有特徵。

藉由透明化趨使組織和部門改變

10. Syngenta: 以開放且協作的平台來追蹤水、農藥、燃料的使用

在2013年，Syngenta宣布了他們的「好成長計畫 (Good Growth Plan)」，其中有6項承諾以改善農作物產量、保護土壤和生物多樣性，以及訓練小農和確保工作標準，並設定於2020年完成目標。這個行動著重於透過監測活動，如肥料和農藥利用及水和燃料的使用，讓農夫以永續的方法來增加農作物產量。

資料管理系統被建立於用來追蹤這些使用農地和公開農業資料的輸入輸出，由獨立的公司收集、驗証和分析

因應6項承諾的2014年的基準資料以機器可讀的格式(CSV)、CC-BY-NC-ND的條款釋出，透過這些行動，Syngenta和ODI合作，去建立一個開放且協同合作平台，以找出方法解決餵飽日漸增加人口的需求下減少資源使用，以及為生態多樣性而保護棲地。

11.FUNDAR: 在墨西哥找出不當使用的農場補助

在墨西哥，PROCAMPO 是一個最大的聯邦農場補助計畫，支援最貧窮農夫，自從2007年，他們開始關注真正極需要幫助的農夫，卻沒有拿到補助。

為了更了解這個情況，一個墨西哥的NGO組織，FUNDAR 研究分析中心徵求墨西哥農業部處理補助發放的相關資料，這個中心一開始拿到的資料是不完整且機器不可讀格式，在處理分析後，發現57%的受益者是分佈在最富有的10%之補助者，初步確認了他們所害怕的事。

這個重要的結果是來自於FUNDAR和其它NGO建立資料庫 (Subsidios al Campo en México)的貢獻，這個資料庫也不斷地發佈農場補助的資訊，以確保更透明化，以致於一系列的官員下台，且墨西哥政府也增加補助合格的限制。

12. 美國國家營養資料庫: 賦權消費者去聰明的選擇食物

消費者都會想知道他們買的食物之品質和內容物的資訊，雖然基本資訊已經標示在食品包裝上，但更詳細的食物營養資訊可以讓消費者依照個人需要做出更好的選擇，例如，遵從營養師指示。

美國農業部國家營養標準資料庫的(USDA National Nutrient Database for Standard Reference, SR25)是一個食物成份資料的主要來源，提供給公私部門，SR25包含約150食品公司中超過8,500食品品項的營養資料，例如維他命、礦物質、胺基酸、和脂肪酸，這些資料不限於商業應用(如，智慧型手機APP)，這資料庫提供政府做了一個基本的服務 ChooseMyPlate.gov，由前美國第一夫人蜜雪兒歐巴馬和農業部祕書長湯姆·維爾薩克( Tom Vilsack)開始倡議，提供實務的資訊給個人、健康專業人員、營養教育者、和食品工業，以資源和工具幫助消費者做出飲食評估、擁有營養教育和其它友善的營養資訊，以建立更健康飲食。

13. 歐盟食物警示: 幫助消費者了解他們吃的食物之風險

食物安全是另一個對消費者影響甚大的重要議題，歐洲 RASFF (Rapid Alert System for Food and Feed) 平台提供一個使用的資料庫，這資料庫收集的公開可得資訊是最近傳出的食品安全警示和通知，

消費者可近用資料於食品安全議題，例如出現在食品中過敏原，病原體，毒素或其他有害物質，以及分享預防資訊，因為2011年福島核災，RASFF被用於監測來自於太平洋區域魚類和其它海洋產品中可能危害消費者的輻射殘留。

14. LIVES: 標示餐廳檢查分數改善食品安全

開放資料也可以被用來幫助消費者去選擇那裡用餐，同時也促進改善食品安全的動機，LIVES (Local Inspector Value-Entry Specification) 是一個餐廳評分標準，目的在於標準化在不同管轄區的餐廳檢查分數，讓消費者了解不同城市和自家城鎮對食品安全的規格的不同。LIVES是在舊金山、Socrata, Code for America, 和Yelp在2013年所開始的計畫，它提供了餐廳檢查開放資料發佈的標準。因為市民得以更好的使用檢查結果，LIVES 事實上使食物容易清楚了解且可以選擇通過檢查的餐廳，當洛杉磯市開始要求餐廳要放衛生檢查等級在入口處，研究顯示減少了13%的因食源性疾病的住院治療。

關於米的冷知識

這幾個月來，一直在進行產銷履歷農產品資料的結構化的工作，為了農產品名稱和作物類別對映，對於作物的差異就會特別的關注，例如，大陸妹、A菜、萵苣的差別，而身為以米為主食的人，自然而然也會對於稻米農產品有所好奇，黑米和紫米是同一種米? 香米和馥米有什麼不同? 台灣的越光米是日本來的嗎? 對於種種的疑問，只能以Google Intelligence(GI)來處理，所以這些米的冷知識，其實是做產銷履歷農產品資訊結構化的一個副產品。

「蓬萊米」一詞，代表一段台灣米歷史

在生物學上的分類，稻為禾本科稻屬(Oryza)，含有22種，但只有非洲型稻(Oryza glaberrima)和亞洲型稻(Oryza sativa)為栽培種，其餘20種為野生種，其中亞洲型稻又有三個亞種，分別為爪哇型稻(javaonica)、印度型稻(indica)、和日本型稻(japonica)[1]，而這三種亞種在台灣都有，而且和移民殖民的歷史有莫大的關係。

爪哇型稻為熱帶型梗稻，有可能在數千年前，由南島語系民族帶入台灣，也有一說是荷據時期由荷蘭人引進，但隨著中國東南沿海的移民和日本治理引來稻種，爪哇型稻數量也跟著減少，甚至消聲匿跡。

印度型稻，又稱為秈稻，廣泛分佈於熱帶和亞熱帶地區，明清時期由中國東南移民帶入的台灣，是日治時期之前，台灣的主要稻種。

日本型稻，又稱為粳稻，主要分佈於溫帶到亞熱帶地區，日治時期由日本人引進，經過不斷地雜交改良，把適於北方溫帶的梗稻成功地馴化於台灣的氣候環境栽種，而這種由日本米馴化的台灣米被命名「蓬萊米」，而原本廣泛栽種的秈稻，被稱為「在來米」，或者說是在萊米，即有本地米之意，因此在台灣才有梗稻為蓬萊米，而秈稻為在來米之說。這段蓬萊米歷史在磯小屋的網站上有清楚的介紹，也有來自於PTT版專業鄉民解說。附帶一提的是，台灣也有原生種稻，稱為「鬼稻」。

「蓬萊米」(粳稻)，形狀圓短、顏色有些透明，有些品種的米粒有局部白粉質，煮熟後帶有Q度但不像再來米(秈稻)硬，有黏度但又不像糯米黏，是目前多數人偏愛的口感，我們吃的白飯多數是蓬萊米。而「在來米」(秈稻)的形狀細長、透明度高，煮熟後吃起來口感偏硬且乾鬆不黏，因此目前多數不是以白飯來食用，而是用於米類加工品是用，例如，碗粿、蘿蔔糕、粄條…等。

另外，常見的糯米其實是稻米的變種，稻米中含有直鏈澱粉和支鏈澱粉，而支鏈澱粉含量愈高，米就會愈粘，而糯米的支鏈澱粉超高，可達90%，直鏈澱粉含量就很低，平均在10%以下，而秈稻和粳稻都有糯米，粳糯，也就是圓糯米，直鏈澱粉在5%以下，煮熟很粘軟，多數被用來做粿和麻糬，而秈糯，也就是長糯米，直鏈澱粉在5%-9%之間，煮熟後雖然粘，但帶點秈稻硬的特性，一般吃的飯糰、油飯、米糕等，多數是用這種米。

稻米的加工

有顏色的米，紅米、紫米、或黑米，其顏色是來自於米糠層的花青素，換句話說，這些帶有顏色的米都是「糙米」，也就是這些稻穀只僅經過脫殼步驟，但又未把米糠層去除。根據陳琳臻營養師的調查，「市售的紫米其實就是為黑糯糙米，而黑米多數為黑糯糙米，但也有部份是黑秈糙米」。而紅米，即紅糯米或紅栗米，是阿美族的傳統作物，為爪哇型稻。

除了糙米，稻穀若去除多數米糠層但保留胚芽，即為胚芽米，如果脫殼後又去掉所有米糠層、胚芽，就成為白米。而日本的清酒則是磨到只剩米心來製酒，步米精合則是表示保留的程度，例如，步米精合為60%，表示一批米是被磨掉4成後，才拿來製酒，貴鬆鬆的獺祭二割三分，則是磨掉了77%，所以這個很好喝，價格不貲。

白米和糙米的等級

依照前面的介紹不難理解，國家標準(CNS)將白米和糙米分為梗型、秈型、圓糯以及長糯主要四種類型，其中梗型及秈型分成為三個等級，一等為最高等級，其次為二等和三等，分級之判定，白米是依據性狀、水分、夾雜物、稻穀、糙米、熱損害粒、被害粒、異型粒、碎粒、白粉質粒、及未變糯粒之百分比來判定，而糙米是依據水分、夾雜物、稻穀、熱損害粒、發芽粒、被害粒、異型粒、碎粒、未熟粒、及未變糯粒之百分比來判定。這個國家標準在網路上找到的資訊，內容都有一些差異，下面的表格是由標檢局發出的公文所附的國家標準文件中截錄出來。

目前市售包裝米都會標示品質等級資訊，這方面是隨個人喜好，等級高的米，價格自然貴一些，但品質真的比較好。

水稻品種

水稻育種和台灣農業發展有重要且密切的關係，在農委會的農業知識人口網中，稻米是百年農業發展史中重要農業育成品種之一，這個網站記載了從日治時代末永仁所發表的台中64 號到目前我們在市面上常見的米種。

名稱	育成年別	育成機關	育種者
台中65號	1936	行政院農業委員會臺中區農業改良場	末永仁、藪龜孟男、田村猛、大崎忠一、余慶東
臺稉2號	1989	行政院農業委員會臺南區農業改良場	莊商路、林國清、吳文政
嘉農242號	1956	行政院農業委員會農業試驗所嘉義農業試驗分所	吉瀨忠、楊遜謙、王茂康
台中178號	1957	行政院農業委員會臺中區農業改良場	余慶東、洪秋增、林克明、簡招財、蔡民
高雄27號	1957	行政院農業委員會高雄區農業改良場	王南澳、李新傳、蕭光輝、謝英鐸
高雄53號	1957	行政院農業委員會高雄區農業改良場	王南澳、李新傳、蕭光輝、謝英鐸、黃金光
台中在來1號	1957	行政院農業委員會臺中區農業改良場	余慶東、洪秋增、林克明、蔡民、林寶、楊儒榮
臺南1號	1958	行政院農業委員會臺南區農業改良場	林朝杉、莊商路
臺南5號	1965	行政院農業委員會臺南區農業改良場	林朝杉、徐進生、莊商路
台農61號	1972	行政院農業委員會農業試驗所	黃真生、陳源泉、許東暉
台東27號	1972	行政院農業委員會臺東區農業改良場	林弘造、陳榮輝
嘉農秈6號	1973	行政院農業委員會農業試驗所嘉義農業試驗分所	張萬來、楊遜謙、陳隆澤、趙政男
嘉農秈選8號	1973	行政院農業委員會農業試驗所嘉義農業試驗分所	張萬來、楊遜謙、陳隆澤、趙政男
嘉農秈11號	1973	行政院農業委員會農業試驗所嘉義農業試驗分所	張萬來、楊遜謙、陳隆澤、趙政男
台農62號	1975	行政院農業委員會農業試驗所嘉義農業試驗分所	張萬來、楊遜謙、陳隆澤、趙政男
臺南6號	1975	行政院農業委員會臺南區農業改良場	徐進生、莊商路
高雄139號	1975	行政院農業委員會高雄區農業改良場	林富雄、吳育郎、鍾德月、蕭光輝
台中秈3號	1976	行政院農業委員會臺中區農業改良場	林寶、江壬卿、宋勳、胡燦
台東28號	1977	行政院農業委員會臺東區農業改良場	林弘造、陳榮輝、江瑞拱
台農67號	1978	行政院農業委員會農業試驗所	黃真生、陳源泉、洪信雄、陳正昌
高雄秈7號	1978	行政院農業委員會高雄區農業改良場	林富雄、吳育郎、黃金光、鍾德月、郭同慶
台農秈12號	1979	行政院農業委員會農業試驗所嘉義農業試驗分所	張萬來、楊遜謙、陳隆澤、趙政男
台中秈10號	1979	行政院農業委員會臺中區農業改良場	林再發、江壬卿、曾勝雄
台東29號	1979	行政院農業委員會臺東區農業改良場	林弘造、陳榮輝、江瑞拱
新竹64號	1981	臺灣省新竹區農業改良場（現行政院農業委員會桃園區農業改良場）	曾煥東、陳素娥、林芳洲、詹泉發
台農秈14號	1982	行政院農業委員會農業試驗所嘉義農業試驗分所	張萬來、楊遜謙、陳隆澤、趙政男
台農68號	1982	行政院農業委員會農業試驗所嘉義農業試驗分所	張萬來、楊遜謙、陳隆澤、趙政男
台中189號	1983	行政院農業委員會臺中區農業改良場	林寶、曾勝雄、洪秋增、黃賢喜
台農69號	1984	行政院農業委員會農業試驗所	黃真生、洪信雄、卜瑞雄、陳正昌、鄭清煥
台農秈18號	1984	行政院農業委員會農業試驗所嘉義農業試驗分所	張萬來、楊遜謙、陳隆澤、趙政男
台農秈19號	1984	行政院農業委員會農業試驗所嘉義農業試驗分所	張萬來、楊遜謙、陳隆澤、趙政男
台中秈17號	1984	行政院農業委員會臺中區農業改良場	林再發
台中糯70號	1984	行政院農業委員會臺中區農業改良場	黃賢喜、洪梅珠
台中秈糯1號	1984	行政院農業委員會臺中區農業改良場	江壬卿、宋勳、黃賢喜
台農70號	1985	行政院農業委員會農業試驗所嘉義農業試驗分所	張萬來、楊遜謙、陳隆澤、趙政男
台農秈20號	1986	行政院農業委員會農業試驗所嘉義農業試驗分所	張萬來、楊遜謙、陳隆澤、趙政男、陳一心
台農72號	1987	行政院農業委員會農業試驗所嘉義農業試驗分所	張萬來、楊遜謙、陳隆澤、趙政男、陳一心
高雄142號	1987	行政院農業委員會高雄區農業改良場	林富雄、鍾德月、蕭光輝、邱運全、吳育郎
臺南15號	2011	行政院農業委員會臺南區農業改良場	羅正宗、陳榮坤
臺稉糯1號	1990	行政院農業委員會臺南區農業改良場	莊商路、郭金條
臺稉4號	1990	行政院農業委員會花蓮區農業改良場	鄭明欽、李超運、劉瑋婷
臺稉5號	1990	行政院農業委員會高雄區農業改良場	邱運全、鍾德月、林富雄、吳育郎
臺稉6號	1991	行政院農業委員會花蓮區農業改良場、農試所嘉義分所	鄭明欽、劉瑋婷、林富雄、楊遜謙、陳隆澤、陳一心
臺稉8號	1992	行政院農業委員會臺南區農業改良場	莊商路、林國清
臺稉9號	1993	行政院農業委員會臺中區農業改良場	許志聖、張素貞、宋勳、林文龍、侯福分、張盛添
臺稉10號	1993	行政院農業委員會花蓮區農業改良場、農業試驗所	林富雄、李祿豐、莊義雄、黃真生、陳正昌、曾東海、陳治官
臺稉11號	1994	行政院農業委員會高雄區農業改良場、農業試驗所	邱運全、林富雄、吳育郎、劉大江、陳正昌、曾東海、陳治官、李長沛
臺稉糯3號	1995	行政院農業委員會臺南區農業改良場、農試所嘉義分所	林國清、侯福分、陳隆澤、陳一心
臺稉14號	1996	行政院農業委員會桃園區農業改良場、農試所嘉義分所	黃振增、陳素娥、林芳洲、陳隆澤、陳一心
臺稉16號	1996	行政院農業委員會花蓮區農業改良場、農業試驗所	鄭明欽、李超運、劉瑋婷、黃真生、劉大江、陳正昌、曾東海、陳治官
臺秈2號	1998	行政院農業委員會高雄區農業改良場	吳志文、邱運全、鄧耀宗、林富雄
臺農71號	2000	行政院農業委員會農業試驗所	賴明信、李長沛、曾清山、黃惠娟、陳正昌、陳治官、郭益全
臺東30號	2002	行政院農業委員會臺東區農業改良場、農試所嘉義分所	黃秋蘭、江瑞拱、陳隆澤、陳一心
台農秈22號	2004	行政院農業委員會農業試驗所嘉義農業試驗分所	陳隆澤、羅正宗、陳一心
台農糯73號	2004	行政院農業委員會農業試驗所	賴明信、李長沛、曾清山、顏信沐、陳治官
桃園3號	2004	行政院農業委員會桃園區農業改良場、農業試驗所	黃振增、陳素娥、林孟輝、林芳洲、陳正昌、賴明信、曾東海、李長沛
臺南11號	2004	行政院農業委員會臺南區農業改良場	林國清、侯福分
高雄145號	2004	行政院農業委員會高雄區農業改良場	邱運全、吳志文、林富雄、鄧耀宗
花蓮20號	2004	行政院農業委員會花蓮區農業改良場	宣大平、潘昶儒、余宣穎
桃園4號	2005	行政院農業委員會桃園區農業改良場	黃振增、陳素娥、林孟輝、林芳洲
台東糯31號	2005	行政院農業委員會臺東區農業改良場	黃秋蘭、丁文彥、江瑞拱
台農74號	2006	行政院農業委員會農業試驗所嘉義農業試驗分所	陳隆澤、羅正宗、陳一心
台農75號	2006	行政院農業委員會農業試驗所	賴明信、李長沛、曾清山、顏信沐、卓緯玄、曾東海、陳治官
臺農秈糯21號	2006	行政院農業委員會農業試驗所	曾東海、鄭統隆、王強生
台中192號	2007	行政院農業委員會臺中區農業改良場	呂坤泉、許志聖、楊嘉凌
花蓮21號	2008	行政院農業委員會花蓮區農業改良場	宣大平、潘昶儒、余宣穎
台農76號	2009	行政院農業委員會農業試驗所嘉義農業試驗分所	吳永培、曾東海、蔡武雄、王強生、林彥蓉、吳泓書
台農78號	2009	行政院農業委員會農業試驗所嘉義農業試驗分所	吳永培、曾東海、蔡武雄、王強生、林彥蓉、吳泓書
台農80號	2009	行政院農業委員會農業試驗所嘉義農業試驗分所	陳榮坤、陳隆澤、羅正宗
台中194號	2009	行政院農業委員會臺中區農業改良場	許志聖、呂坤泉、楊嘉凌
臺南14號	2009	行政院農業委員會臺南區農業改良場	陳榮坤、羅正宗
台東32號	2009	行政院農業委員會臺東區農業改良場	黃秋蘭、丁文彥、江瑞拱
台農84號	2010	行政院農業委員會農業試驗所嘉義農業試驗分所	陳隆澤、廖大經、黃守宏、卓緯玄、顏信沐、羅正宗、陳榮坤
高雄147號	2010	行政院農業委員會高雄區農業改良場	吳志文、張芯瑜、邱運全
台農77號	2011	行政院農業委員會農業試驗所	李長沛、賴明信、曾清山、顏信沐、卓緯玄、吳東鴻、陳治官、曾東海
台農82號	2011	行政院農業委員會農業試驗所嘉義農業試驗分所	吳永培、曾東海、吳泓書
光復1號	1947	行政院農業委員會農業試驗所嘉義農業試驗分所	吉瀨忠、楊遜謙

在Google Intelligence過程中，看到了農委會農試所建置了一個「水稻品種資訊系統」，上面列了160多種水稻品種，當興高彩烈地想進一步查看每一種水稻的資訊時，發現這個系統像一場騙局，網頁上所有的連結都是無效的，也沒辦法查進一步的資訊，失望透頂! 相信政府的農糧單位一定有許多水稻品種的資訊可以提供參考，如同農委會農糧署東區分署對於該轄區的水稻品種介紹，豐富的資料為什麼不開放呢?

在網路確實可以找到不少稻米品種的文章，例如，愛料理(iCook)配合掌生榖粒的飯，粒特別企畫，挑選了10種台灣米以文創的方式就產地和特色來介紹，對於想從品種來選購白米，是一個不錯的指引。台灣米的經典品種一文，也對於台灣主要的幾個常見米種有所介紹。

在此，我就記錄一下個人覺得有趣的部份。

越光米

越光米(コシヒカリ)是原產於日本的水稻品種之一，亦是日本是栽種面積最廣的水稻品種，煮熟的白飯口感極佳，無論是粘性、彈性和甜度都很好，飯即使冷了，仍然保有Q彈口感，因此適合用於壽司，其實飯冷了還可以保有好的口感，一定是好米，因此很多米都會號稱自己的米是壽司米。宜蘭地區，特別是五結，每年都會進口日本原生米種栽種，但畢竟是日本米種，不適應台灣環境，不易栽種，產量也少。

台南16號，台版越光米

台南16 號是台南區農業改良場與台大農藝系合作，以「分子輔助選種技術」找出台灣水稻特有的「日長不敏感基因」，與日本越光米不斷回交選拔，讓越光米在台栽種不致於過快早熟，成為適合台灣環境生長的米種，而口感卻不失越光米，被稱為「晶鑽米」，而台大農場與彰化二林壽米屋合作，以台南16號所發展自有品牌則稱為「鹿鳴米」。 2016「全國名米產地冠軍賽」彰化二林的台南16號得到總冠軍，因此，本人以身試米，買了該地產的台南16號米，口感確實不輸給越光米，值得推薦。

講到台南16號、晶鑽米、鹿鳴米其實比較沒人知道這種米的品質有多好，說台版越光米容易吸引人，也讓人可以聯想到越光米的品質，所以現在可以看到很多款包裝米，都標榜自己是越光米，或是台版越光米，不過選購也得詳細看，是否確實為台南16號!

台梗9號，具有抗癌功效的米

台梗9號是我第一認識的米種，草屯鎮不但是南投縣栽種稻米最廣的地區，也栽種不少的台梗9號。這種米煮成白飯後，粒粒飽滿、口感Q彈，冷掉後也不失口感，也是壽司米等級。這個米種在前陣子因為有抗癌效果而聲名大噪，馬偕紀念醫院臺北總院和嘉義大學進行偕同研究，發現台稉九號中的醇溶蛋白成分具有抗白血病免疫功能，可刺激單核球等免疫細胞分泌細胞激素，抑制人類白血病細胞的生長和誘導巨噬細胞分化。也因為如此，台梗9號被混充的品牌眾多，農委會曾經抽檢市售包裝米，發現號稱台梗9號米的包裝米竟然連一顆都沒有。

台南11號，平易近人的便當米

台南11號是台灣栽種面積最廣的米種，佔全台水稻栽種面積近六成，主要栽種於嘉義、台南、雲林、彰化、台中、屏東等地，因為產量多，品質又不錯，深獲自助餐和便當店喜愛，所以我們吃的便當之中，很多是台南11號米。據媒體報導，因2011年的福島核災和連日大雨水淹米鄉新瀉，使得日商來台購糧，在試吃完台南11號米後，驚為天人! 採購360噸，由彰化縣聯米企業產出的台南11號米，直接進入日本餐廳、學校、並且在超商販售，成為指定輸日的品種，這件事造成當時的轟動，因此台南11號又有「驚為天米」之稱。

2005-2014年主要良質米品種栽培面積前5名百分比排名(取自陳勵勤、羅正宗(2016)，漫談水稻「臺南11號」之貢獻，臺南區農業專訊，97期，12-15頁)

年度\面積排名	1	2	3	4	5
92	台稉8號(38.4)	台稉14號(19.9)	台稉16號(11.4)	台中秈10號(8.4)	台稉2號(8.0)
93	台稉8號(37.8)	台稉14號(21.3)	台稉16號(19.4)	高雄139號(6.5)	台稉2號(5.9)
94	台稉8號(31.9)	台稉14號(20.8)	台稉16號(14.3)	臺南11號(10.4)	台稉2號(6.2)
95	臺南11號(30.8)	台稉8號(22.8)	台稉16號(12.0)	台稉14號(10.0)	台稉9號(6.0)
96	臺南11號(52.5)	台稉16號(12.5)	台稉8號(11.8)	台稉14號(6.6)	台稉9號(4.4)
97	臺南11號(55.4)	台稉14號(10.3)	台稉16號(7.0)	台稉8號(5.9)	台中秈10號(4.3)
98	臺南11號(60.4)	台稉14號(9.3)	台稉16號(4.9)	台中192號(4.6)	台中秈10號(4.5)
99	臺南11號(57.9)	台中192號(9.0)	台稉14號(8.9)	台中秈10號(5.1)	台稉16號(4.1)
100	臺南11號(60.4)	台稉14號(8.6)	台中192號(5.4)	台稉9號(5.1)	台中秈10號(4.2)
101	臺南11號(64.8)	台稉14號(8.8)	台中192號(4.9)	台稉9號(3.7)	台稉2號(3.4)
102	臺南11號(62.7)	台稉14號(8.8)	台中192號(4.8)	台稉9號(4.0)	台稉2號(3.7)
103	臺南11號(62.2)	台稉14號(9.4)	台中192號(6.4)	台中秈10號(5.9)	台稉2號(2.9)

高雄139號，花東米的主力

高雄139號是1970-80年代推廣的米種，成熟時結實纍纍，穀粒飽滿，抗稻熱病佳，又適合機械化採收，深受稻農好評，煮熟後的口感好，接近日本米口感，粘度適中且Q彈，但米粒較小，外觀不佳，心腹白多，不夠透明清澈，因而被稱為「醜美人」。這米種早期曾遍佈全台，目前只有花東一帶種植較多，主要是因為花東地區的土壤、氣候與日照，特別適合種植高雄139號。

高雄145號，醜美人的整型版

高雄139號雖然具有許多優點，但外觀處於弱勢，不易被品質要求高的日本商接受，因此農委會高雄區農改場於1997年以高雄139號為母本，與日本優質米絹光(Kinuhikari)雜交，經過多年的選拔改良，而在2004年命名育成新品種高雄145號。果真在2012年，日本的「ニボンアグリアクセス株式會社」，向屏東新園的「新豐稻米產銷專區」簽約採購500噸高雄145號。

台農71號 (益全香米)，享譽盛名的香米

稱為香米，即是在煮熟後，米飯帶有芋香味。台農71號之所以又被稱為益全香米，是為了紀念該米種的育種者郭益全博士於品種發表前，因心肌梗塞過世，前總統陳水扁特別將台農71號命名為「益全香米」，成為國內第一個有商品名的稻米品種。而2003年大學學測作文題目「香米碑」以郭益全博士研發台農71號的過程為考題，讓台農71號廣為周知，加上無米樂的崑濱伯以台農71號於2006年奪下全國稻米品質競賽的冠軍，更讓這個香米聲名大噪。

桃園3號，發展潛力高的香米

台農71號其實是一個日本混血兒，是由台稉4號(父)和日本絹光(母)育種而成，因此台農71號不但有特殊米香，並帶有日本米的品質與口感，而真正的純種本土香米則是桃園3號，其父本台稉2號、母本台稉4號，在2004年7月才通過命名審查，因發源地新屋鄉，被取名「新香米」。由於桃園3號是在環境較惡劣的北部濱海環境中育種而成，對於惡劣環境的耐受力也比台農71號高，是一個具有競爭力的米種。

台中139號，印度血統的馥米

香米是以芋頭香出眾，而馥米是以茉莉花香為主?! 農產品產銷履歷中看到「馥米」時，充滿困惑，心想這又是什麼推銷產品的花招，原來這是許志聖博士，也是台梗9號的育種者，所培育出來的米種，母本為台梗9號，父本則是巴斯馬帝(Basmati)，也就是印度香米，而研發出了台中194號，一個和Basmati一樣帶茉莉香的米，外型飽滿、淨透光亮，口感上較軟、黏性較高，烹煮後淡雅清香，白飯放冷香氣更明顯。

台中秈10號，都市人的健康新選擇

根據台中區農改場的報告，台中秈10號是以抗病抗蟲產量高的「臺中秈試204號」為母本，與也是抗病抗蟲產量高「嘉農秈育14號」為父本進行雜交而成。秈米的口感一般較乾硬，但富含纖維質且低澱粉，而台中秈10號除了具有高纖低澱粉的特點外，米粒大而飽滿，晶瑩有光澤，在口感上不黏不膩，又軟又Q，細細咀嚼的淡淡香甜滋味別有一番風味，且吃下肚後，較不易產生飽脹感，都市生活勞力活少，熱量需求小，但追求健康，因此高纖低澱粉是適合於都市生活型態的人，好吃易消化，營養不發胖。

[1]呂坤泉、許志聖、楊嘉凌(2002)，世界水稻的分類，臺中區農情月刊第 40期。