張彩麗，吳賽賽，李 瑋，王 慧

（1.安徽省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)經(jīng)濟(jì)與信息研究所，安徽合肥 230031；2.中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所，北京 100081；3.安徽省農(nóng)業(yè)科學(xué)院作物研究所，安徽合肥 230031；4.安徽省農(nóng)業(yè)科學(xué)院土壤肥料研究所，安徽合肥 230031）

隨著經(jīng)濟(jì)的快速蓬勃發(fā)展，全球環(huán)境污染越來越嚴(yán)重。其中農(nóng)業(yè)生產(chǎn)引起的土壤污染是面源污染的主要方面，特別在施肥過量時(shí)沒有被農(nóng)作物吸收的營(yíng)養(yǎng)元素是引發(fā)水體水質(zhì)惡化的重要因素；另外，肥料用量不當(dāng)還會(huì)影響農(nóng)作物的產(chǎn)量和質(zhì)量以及土壤的理化性質(zhì)，既對(duì)農(nóng)民造成財(cái)產(chǎn)損失，也對(duì)糧食安全造成威脅[1-5]。因此，在農(nóng)業(yè)生產(chǎn)過程中，科學(xué)施肥、測(cè)土配方施肥都是重要的關(guān)注點(diǎn)?？焖?、準(zhǔn)確了解種植區(qū)土壤肥力狀況，精準(zhǔn)把握不同農(nóng)作物的施肥管理措施勢(shì)在必行。

在人工智能飛速發(fā)展的時(shí)代，知識(shí)圖譜的廣泛應(yīng)用產(chǎn)生了眾多交叉學(xué)科，基于知識(shí)圖譜的智能問答系統(tǒng)研究也乘勢(shì)而起。知識(shí)圖譜是基于圖結(jié)構(gòu)的數(shù)據(jù)格式，非常便于計(jì)算機(jī)系統(tǒng)的存儲(chǔ)及搜索，它強(qiáng)大的語義表達(dá)能力可以產(chǎn)生眾多知識(shí)服務(wù)應(yīng)用，智能問答系統(tǒng)是其中重要的一個(gè)分支[6-7]。在農(nóng)作物科學(xué)施肥管理與土壤肥力領(lǐng)域，如果引入專業(yè)的基于農(nóng)業(yè)知識(shí)圖譜的智能問答系統(tǒng)，高效精準(zhǔn)地為農(nóng)業(yè)種植戶、生態(tài)農(nóng)業(yè)中心提供土壤肥力信息與科學(xué)施肥管理方法，這對(duì)于國(guó)家農(nóng)業(yè)發(fā)展具有重要的現(xiàn)實(shí)意義。

為此，該研究從構(gòu)建農(nóng)作物科學(xué)施肥管理與土壤肥力領(lǐng)域本體入手，通過挖掘安徽省常見農(nóng)作物的科學(xué)施肥管理措施及行政區(qū)內(nèi)土壤肥力指標(biāo)數(shù)據(jù)存入Neo4j圖數(shù)據(jù)庫(kù)[8-11]，并采用模式匹配方法構(gòu)建問答系統(tǒng)問句類型、關(guān)鍵詞和規(guī)則，從而實(shí)現(xiàn)安徽省農(nóng)作物科學(xué)施肥管理與土壤肥力查詢知識(shí)問答系統(tǒng)的構(gòu)建和實(shí)現(xiàn)。

1 農(nóng)作物科學(xué)施肥管理與土壤肥力知識(shí)圖譜構(gòu)建

1.1 本體及類層次

該研究根據(jù)構(gòu)建農(nóng)作物科學(xué)施肥管理與土壤肥力知識(shí)圖譜的目的和使用范圍，根據(jù)領(lǐng)域?qū)＜医ㄗh，采用人工構(gòu)建的方法，使用Protégé本體庫(kù)構(gòu)建工具構(gòu)建安徽省農(nóng)作物科學(xué)施肥管理與土壤肥力領(lǐng)域本體，其類層次如圖1所示。

圖1 領(lǐng)域本體類層次

安徽省農(nóng)作物科學(xué)施肥管理與土壤肥力領(lǐng)域本體共包括3層，其中最高父類為概念（Concepts），其子類包括地區(qū)（Districts）、土壤肥力（Soil fertility）、施肥管理（Fertilization）、常見農(nóng)作物（Crops）4個(gè)類。其中，地區(qū)類又包括省（Province）、市（City）、縣/區(qū)（County）、鄉(xiāng)鎮(zhèn)/街道（Town）4個(gè)子類；土壤肥力類包括pH、有機(jī)質(zhì)（SOM）、全氮（TN）、全磷（TP）、全鉀（TK）、有效氮（AN）、有效磷（AP）、粘粒（Clay）、粉粒（Powder）、砂粒（Sand）10個(gè)子類；施肥管理類包括氮肥（Nitrogen fertilizer）、磷肥（Phosphate fertilizer）、鉀肥（Potassium）3個(gè)子類；常見農(nóng)作物類包括小麥（Wheat）、水稻（Rice）、玉米（Corn）、油菜（Rape）、馬鈴薯（Potato）、棉花（Cotton）、花生（Peanut）、大豆（Soybean）8個(gè)子類。

1.2 數(shù)據(jù)來源與數(shù)據(jù)層構(gòu)建

農(nóng)作物科學(xué)施肥管理與土壤肥力知識(shí)圖譜構(gòu)建的數(shù)據(jù)層構(gòu)建包括3個(gè)方面，其一為從國(guó)家地球系統(tǒng)科學(xué)數(shù)據(jù)中心平臺(tái)獲取的安徽省1∶400萬土壤全氮、全磷、全鉀、pH、有效磷、有效氮、有機(jī)質(zhì)、粘粒、砂粒、粉粒分布圖（全國(guó)第二次土壤普查數(shù)據(jù)）經(jīng)反距離加權(quán)插值法得到的結(jié)構(gòu)化數(shù)據(jù)；其二和其三分別是測(cè)土配方查詢系統(tǒng)網(wǎng)絡(luò)數(shù)據(jù)、安徽省土壤肥力相關(guān)主題與安徽省常見農(nóng)作物施肥管理政策相關(guān)主題期刊文獻(xiàn)。后兩者的數(shù)據(jù)獲取通過深度學(xué)習(xí)模型ERNIE-BiLSTM-CRF、PCNN-Attention分別進(jìn)行實(shí)體識(shí)別和關(guān)系抽取。

1.3 知識(shí)存儲(chǔ)及可視化展示

目前常用的知識(shí)圖譜存儲(chǔ)方法包括3類：基于關(guān)系數(shù)據(jù)庫(kù)的存儲(chǔ)方案、面向RDF的三元組數(shù)據(jù)庫(kù)和原生圖數(shù)據(jù)庫(kù)[12]。該研究采用第三類中最流行的圖數(shù)據(jù)庫(kù)Neo4j存儲(chǔ)抽取到數(shù)據(jù)源中的所有實(shí)體、關(guān)系、屬性三元組。

農(nóng)作物科學(xué)施肥管理與土壤肥力知識(shí)圖譜使用Neo4j的Cypher語言實(shí)現(xiàn)實(shí)體、關(guān)系及屬性的導(dǎo)入、存儲(chǔ)、查詢、增刪和可視化等操作。圖2展示了農(nóng)作物科學(xué)施肥管理與土壤肥力知識(shí)圖譜的其中一部分節(jié)點(diǎn)及關(guān)系。

圖2 農(nóng)作物科學(xué)施肥管理與土壤肥力知識(shí)圖譜

2 基于農(nóng)作物科學(xué)施肥管理與土壤肥力知識(shí)圖譜的問答系統(tǒng)

安徽省農(nóng)作物科學(xué)施肥管理與土壤肥力農(nóng)業(yè)智能問答系統(tǒng)的主要功能是可以查詢安徽省省級(jí)、市級(jí)、縣/區(qū)級(jí)、鄉(xiāng)鎮(zhèn)/街道級(jí)4級(jí)行政區(qū)內(nèi)的8種常見農(nóng)作物（小麥、水稻、玉米、油菜、馬鈴薯、棉花、花生、大豆）的科學(xué)施肥管理措施，以及相應(yīng)地區(qū)土壤肥力指標(biāo)（pH、有機(jī)質(zhì)、全氮、全磷、全鉀、有效氮、有效磷、粘粒、粉粒、砂粒）的最大值、最小值和平均值?；谥R(shí)圖譜的智能問答系統(tǒng)設(shè)計(jì)主要包括前端設(shè)計(jì)、后端設(shè)計(jì)及問答實(shí)現(xiàn)。

2.1 問答系統(tǒng)前端與后端設(shè)計(jì)及問答功能實(shí)現(xiàn)

問答系統(tǒng)前端設(shè)計(jì)采用JSON語言，采用Vue3交互框架，Element-Plus布局框架，vite編譯框架。后端設(shè)計(jì)采用go語言，Gin web框架，與gorm數(shù)據(jù)庫(kù)框架。

問答過程采用模式匹配方式。模式匹配是數(shù)據(jù)結(jié)構(gòu)中字符串的一種基本操作，用于從一條字符串中尋找與另一條子串相同的所有子串。在農(nóng)作物科學(xué)施肥管理問答方面，問句類型設(shè)計(jì)為：安徽省某地+（可選）某種常見農(nóng)作物+keyword。例如，懷寧縣的水稻施肥建議。在土壤肥力指標(biāo)查詢方面，問句類型設(shè)計(jì)為：安徽省某地+（可選）某種肥力指標(biāo)+keyword。例如，懷寧縣的pH肥力指標(biāo)。其中，農(nóng)作物科學(xué)施肥管理問答方面keyword選擇施肥管理、施肥、肥料、施肥建議、施肥管理建議、施肥政策、施肥管理政策、肥料建議等。在土壤肥力指標(biāo)查詢方面，keyword選擇了指標(biāo)、土壤肥力、肥力、土壤理化指標(biāo)、理化指標(biāo)、土壤指標(biāo)、肥力指標(biāo)、土壤理化性質(zhì)等。

2.2 問答功能實(shí)現(xiàn)

農(nóng)作物科學(xué)施肥管理與土壤肥力智能問答系統(tǒng)設(shè)計(jì)完成后，多次對(duì)該系統(tǒng)的問答功能與系統(tǒng)部署進(jìn)行了測(cè)試。使用者輸入問句時(shí)，詢問的關(guān)鍵詞會(huì)被檢索，系統(tǒng)會(huì)圍繞該詞作出回答[13-15]。

問答系統(tǒng)在安徽省省級(jí)、市級(jí)、縣/區(qū)級(jí)、鄉(xiāng)鎮(zhèn)/街道級(jí)4級(jí)行政區(qū)內(nèi)均可以回答8種常見農(nóng)作物的科學(xué)施肥管理方法，具體見圖3；同樣地，在4級(jí)行政區(qū)上也可以查詢安徽省土壤肥力十大指標(biāo)的最大值、最小值和平均值。

圖3 智能問答系統(tǒng)中農(nóng)作物科學(xué)施肥管理問答

2.3 問答系統(tǒng)性能分析

該研究選用準(zhǔn)確率（P）、召回率（R）及F1值作為性能指標(biāo)，公式如下：

式中，P1為問答系統(tǒng)返回正確答案的數(shù)量，R1為問答系統(tǒng)返回答案總數(shù)，T為正確答案的數(shù)量。

試驗(yàn)通過人工標(biāo)注土壤肥力相關(guān)數(shù)據(jù)1 151條，隨機(jī)打亂后選取總數(shù)的20%作為該問答系統(tǒng)的測(cè)試數(shù)據(jù)，并將問題輸入農(nóng)作物科學(xué)施肥管理與土壤肥力問答系統(tǒng)中，得出結(jié)果以統(tǒng)計(jì)其中的P值和R值。

試驗(yàn)結(jié)果表明，基于ERNIE-BiLSTM-CRF的實(shí)體識(shí)別模型在土壤肥力語料庫(kù)上準(zhǔn)確率P值達(dá)到92.85%、召回率R值達(dá)到92.00%、F1值達(dá)到92.59%。這說明該研究構(gòu)建的農(nóng)作物科學(xué)施肥管理與土壤肥力問答系統(tǒng)可以為使用者提供有效的問答體驗(yàn)。

3 結(jié)論與討論

目前，隨著大數(shù)據(jù)、人工智能、深度學(xué)習(xí)等技術(shù)的不斷發(fā)展和成熟，顛覆了以往的知識(shí)服務(wù)方式，以這些信息技術(shù)為基礎(chǔ)的信息服務(wù)具有交互更靈活、響應(yīng)更快速、內(nèi)容更豐富、服務(wù)更智能等特點(diǎn)，一方面給人們帶來更多便利，另一方面也節(jié)省了大量人力成本。而在農(nóng)業(yè)科學(xué)領(lǐng)域，很多基礎(chǔ)工作有待探索和深入，該研究即嘗試用最有生命力的基于知識(shí)圖譜的方法建立智能問答系統(tǒng)，初步取得了理想結(jié)果，為踐行智慧農(nóng)業(yè)服務(wù)邁開了重要一步，具有重要的理論與現(xiàn)實(shí)意義。

后續(xù)研究工作中，需要解決包括構(gòu)建智能問答系統(tǒng)及知識(shí)圖譜在內(nèi)的數(shù)據(jù)來源分散、結(jié)構(gòu)不一致、標(biāo)注語料質(zhì)量參差不齊，以及僅依靠相關(guān)深度學(xué)習(xí)模型不能覆蓋所有知識(shí)等問題。同時(shí)也考慮加強(qiáng)問答系統(tǒng)對(duì)自然語言問題多樣性的處理能力，支持自然語言提問，支持對(duì)更多形式問題的回答。將該研究構(gòu)建的智能問答系統(tǒng)擴(kuò)展到更多、更廣泛的農(nóng)業(yè)場(chǎng)景中去，也需要在技術(shù)上不斷嘗試，使問答系統(tǒng)更加智能，用戶使用更加便捷，為我國(guó)的智慧農(nóng)業(yè)發(fā)展貢獻(xiàn)力量。

致謝：

感謝國(guó)家科技基礎(chǔ)條件平臺(tái)-國(guó)家地球系統(tǒng)科學(xué)數(shù)據(jù)中心（http://www.geodata.cn）提供數(shù)據(jù)支撐。