關(guān)鍵詞：Fisher判別；農(nóng)事氣象；問答服務(wù)；技術(shù)與應(yīng)用；浙江省

中圖分類號：P409；TP399 文獻(xiàn)標(biāo)識碼：A

文章編號：0439-8114（2025）07-0182-04

DOI：10.14088/j.cnki.issn0439-8114.2025.07.031 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Technology and application of agrometeorological Qamp;A service based on Fisher discriminant

CHENChong1，XIAOJing-jing2，LIJian1

（1.ZhejiangMeteorologicalServiceCenter，Hangzhou310o53，China；2.ZhejiangClimateCenter，Hangzhou310o3，Cina）

Abstract：TotthedemandforefcintagrometeorologicalservicsnagrometeorologicalQamp;AservicethologysedF erdiscrminantasproposd.Tesecificiplementationprocesoftistcholgyasescibed，indngdatacolltioatue extraction，modelconstructionandQamp;Asystemconstruction.Byintegratingthistechnologyintothe“Zhihui Qixiang”applicationreleasedbyZhejiang meteorologicaldepartment，theintellgentQamp;Ainteractionfunctionbetweenusersandteaplicationwasrealized. Testsandapplicationsshowedthatthisechologyhadertainefectsinimprovingtheficiencyofagrometeorologicalservices，enhancing service convenience and increasing user satisfaction.

Key Words：Fisher discriminant；agrometeorology；Qamp;A service;technology and application； Zhejiang Province

農(nóng)業(yè)作為國民經(jīng)濟(jì)的重要支柱產(chǎn)業(yè)，在推動區(qū)域經(jīng)濟(jì)增長、保障糧食安全的同時，顯著提升了農(nóng)戶收入水平，為鄉(xiāng)村振興戰(zhàn)略實施提供了關(guān)鍵支撐。傳統(tǒng)農(nóng)業(yè)氣象服務(wù)渠道存在智能化水平不足、服務(wù)效率低與及時性差等問題，難以滿足農(nóng)戶日益增長的多樣化需求[1-4]，因此研究高效便捷的農(nóng)業(yè)氣象信息對接技術(shù)顯得尤為重要，

Hua等5提出輕量化與低成本的分布式農(nóng)業(yè)服務(wù)系統(tǒng)，通過整合社會與物理信息為農(nóng)戶提供決策支持；Qian等創(chuàng)新性地將知識圖譜與自然語言處理技術(shù)相結(jié)合，構(gòu)建了面向農(nóng)業(yè)種植的智能決策支持系統(tǒng)，該系統(tǒng)能夠基于區(qū)域環(huán)境特征為農(nóng)戶提供精準(zhǔn)的種植建議和病蟲害防治方案。 Li^[7] 設(shè)計了農(nóng)業(yè)耕作技術(shù)的知識圖模型，基于現(xiàn)有的深文本匹配算法提出BERT ^?+ DSSM算法，提高了農(nóng)戶在相關(guān)知識問答方面的精準(zhǔn)性；Zhao等8提出氣候智能型農(nóng)業(yè)框架，通過技術(shù)創(chuàng)新與全球合作機(jī)制，提升糧食系統(tǒng)韌性，為農(nóng)戶提供可持續(xù)農(nóng)業(yè)發(fā)展途徑；Talwani等[9]提出農(nóng)業(yè)智能技術(shù)整合框架，通過融合機(jī)器學(xué)習(xí)、物聯(lián)網(wǎng)、大數(shù)據(jù)與網(wǎng)絡(luò)技術(shù)，優(yōu)化現(xiàn)有農(nóng)業(yè)系統(tǒng)效能并強(qiáng)化安全性，為農(nóng)戶提供精準(zhǔn)化生產(chǎn)支持；Venkata等[10闡述了基于自然語言處理技術(shù)的對話式智能機(jī)器人的相關(guān)內(nèi)容，通過集成物聯(lián)網(wǎng)智能農(nóng)業(yè)系統(tǒng)，為大多數(shù)農(nóng)戶提供種植指導(dǎo)與市場對接支持，實現(xiàn)降本增效。

本研究基于Fisher判別的統(tǒng)計模式識別算法構(gòu)建智能問答系統(tǒng)。首先采集并預(yù)處理用戶提問內(nèi)容，完成特征提取與選擇；然后進(jìn)行模型構(gòu)建與訓(xùn)練，用于確定農(nóng)事問題類別；最后通過問答系統(tǒng)在農(nóng)業(yè)氣象服務(wù)知識庫中檢索相關(guān)知識并返回答案，以此實現(xiàn)高效便捷的農(nóng)事氣象問答服務(wù)。

1 資料來源與處理

1.1 作物

農(nóng)業(yè)氣象服務(wù)所涉及的作物主要針對南方地區(qū)廣泛種植的品類，其涵蓋了糧食作物、林果作物及經(jīng)濟(jì)作物三大類型。糧食作物主要為雙季早晚稻與單季稻；林果作物主要為柑橘、楊梅和葡萄；經(jīng)濟(jì)作物主要為茶樹等。

1.2 氣象數(shù)據(jù)

氣象數(shù)據(jù)分為監(jiān)測數(shù)據(jù)和預(yù)報數(shù)據(jù)兩部分。監(jiān)測數(shù)據(jù)來自浙江省多要素自動氣象站，采用插值法生成網(wǎng)格數(shù)據(jù)，其中，分鐘監(jiān)測數(shù)據(jù)的更新頻率為每10min 1 次，小時監(jiān)測數(shù)據(jù)為每1h1次，網(wǎng)格規(guī)格為5km×5km 。預(yù)報數(shù)據(jù)采用浙江省智能網(wǎng)格預(yù)報的多要素資料，預(yù)報更新頻次為 24h 內(nèi)每1h1次， 24～ ^72h 每 6h1 次， 72～168h 每 12h1 次，網(wǎng)格規(guī)格為2.5km×2.5km 。

1.3 Fisher判別

Fisher判別[11-14]是將高維數(shù)據(jù)投影到低維空間，通過計算各類別樣本均值向量、類內(nèi)散度矩陣和類間散度矩陣求解廣義特征值問題，得到投影向量，構(gòu)建Fisher判別函數(shù)。采用一對多或一對一策略處理多類別問題，依據(jù)判別值確定新樣本類別，最終將原始高維數(shù)據(jù)乘以投影矩陣完成投影，實現(xiàn)數(shù)據(jù)有效分類。在農(nóng)事氣象問答服務(wù)場景中，用戶提問數(shù)據(jù)維度豐富且復(fù)雜，常涵蓋氣象要素數(shù)據(jù)、作物數(shù)據(jù)等，F(xiàn)isher判別能夠有效處理這類多維數(shù)據(jù)，對問題分類能起到關(guān)鍵作用。

1.4 算法實現(xiàn)

1.4.1用戶提問與預(yù)處理農(nóng)戶根據(jù)自身需求通過問答服務(wù)對話框輸入文字咨詢，包括氣象災(zāi)害影響類、作物生長適宜度氣候類、農(nóng)事操作建議類、農(nóng)情應(yīng)對措施類、作物病蟲害防治類、農(nóng)業(yè)生產(chǎn)資料選用類、農(nóng)產(chǎn)品市場信息類及農(nóng)業(yè)政策法規(guī)解讀類相關(guān)信息。當(dāng)農(nóng)戶輸人農(nóng)事問題時，對問題進(jìn)行自然語言預(yù)處理，通過分詞、詞性標(biāo)注等方法進(jìn)行分析。首先將用戶提問文本切分為多個詞語；然后去除無實際意義的停用詞，獲取關(guān)鍵詞；最后對部分詞語進(jìn)行詞形還原，以便后續(xù)處理，文本預(yù)處理流程如圖1所示。1.4.2特征提取針對不同類型的問題內(nèi)容，采用多模態(tài)特征提取策略。對于常規(guī)氣象信息，如溫度、風(fēng)速、壓強(qiáng)及濕度等，標(biāo)準(zhǔn)化處理后直接作為數(shù)值型特征；對于農(nóng)業(yè)領(lǐng)域相關(guān)的作物信息，提取其關(guān)鍵農(nóng)藝特征（作物品種、生育時期及生長狀態(tài)等）；其他文本信息采用 TF-IDF（Term frequency-inverse docu-mentfrequency）加權(quán)[i5與文本嵌入相結(jié)合的方法進(jìn)行特征表示。通過特征拼接融合生成最終的多維特征向量，該向量為氣象特征、農(nóng)藝特征及其他文本特征的集合。

圖1文本預(yù)處理流程

1）氣象特征。將天氣現(xiàn)象描述（如陰天）轉(zhuǎn)換為國際標(biāo)準(zhǔn)天氣代碼體系的對應(yīng)數(shù)值；對于溫度的相關(guān)表述，通過對比浙江省氣象局歷史同期溫度基準(zhǔn)數(shù)據(jù)，計算溫度特征值，計算式如下。

式中 Ψ，f_T 為溫度特征值； T_cur 為當(dāng)前溫度； T_thr 為歷史同期溫度 ;f_E 為其他氣象要素的特征值； E_cur 為當(dāng)前其他氣象要素； E_thr 對應(yīng)要素歷史同期值。

2）農(nóng)藝特征。依據(jù)特定的作物名稱確定作物類型，根據(jù)作物生長狀態(tài)描述確定作物生長階段。對作物類型和生長階段分別進(jìn)行編碼，問答服務(wù)涉及作物類型編碼 （v） 和作物生長階段編碼 （u） 。

3）其他文本特征。采用TF-IDF算法將處理后的文本轉(zhuǎn)化為數(shù)值特征向量。

TF-IDF（w，d）=TF（w，d）×IDF（w）

式中， TF（w，d） 為詞語 w 在文檔 d 中的標(biāo)準(zhǔn)化詞頻； n_w，d 為詞語 w 在文檔中 d 出現(xiàn)的次數(shù); 為文檔 d 中所有詞語的出現(xiàn)次數(shù)之和； IDF（w） 為逆文檔頻率； |D| 為文檔總數(shù)； 為包含詞語 w 的文檔數(shù)。 TF/-IDF（w，d） 為詞語 w 在文檔 d 中的 TF-IDF 值。提取關(guān)鍵詞和關(guān)鍵短語作為特征，將所有詞語的 TF/-IDF（w，d） 組合成一個特征向量 （v_text） 。

1.4.3 模型構(gòu)建與訓(xùn)練

1）模型構(gòu)建。結(jié)合文獻(xiàn)[16，17]對農(nóng)業(yè)氣象服務(wù)的研究，確立了8個農(nóng)業(yè)氣象服務(wù)問題類別，分別為氣象災(zāi)害影響類、作物生長適宜度氣候類、農(nóng)事操作建議類、農(nóng)情應(yīng)對措施類、作物病蟲害防治類、農(nóng)業(yè)生產(chǎn)資料選用類、農(nóng)產(chǎn)品市場信息類及農(nóng)業(yè)政策法規(guī)解讀類?；贔isher判別構(gòu)建農(nóng)事氣象問答服務(wù)模型將經(jīng)過特征提取和選擇的數(shù)據(jù)作為輸入，模型的輸出為對應(yīng)的農(nóng)事問題類別。模型結(jié)構(gòu)包括輸入層、投影層和輸出層。輸人層接收特征向量，輸出層根據(jù)投影后的特征進(jìn)行分類預(yù)測，得到問題的答案類別。

2）訓(xùn)練。基于選定的特征訓(xùn)練樣本并優(yōu)化模型參數(shù)，生成判別函數(shù)（圖2）；根據(jù)后驗概率最大準(zhǔn)則對農(nóng)業(yè)氣象服務(wù)問題進(jìn)行分類。

圖2判別函數(shù)生成過程

1.4.4 問答系統(tǒng)實現(xiàn)

Step1：當(dāng)用戶輸入農(nóng)事問題時，系統(tǒng)對問題進(jìn)行自然語言處理，將其轉(zhuǎn)化為機(jī)器能夠理解的特征向量。通過分詞、去除停用詞、詞形還原等技術(shù)提取問題中的關(guān)鍵信息。

Step2：從用戶提問中提取氣象特征、農(nóng)藝特征、其他文本特征。

Step3：隨機(jī)選取部分農(nóng)業(yè)氣象服務(wù)問題數(shù)據(jù)進(jìn)行樣本訓(xùn)練，確定判別函數(shù)。

Step4：根據(jù)問題分類結(jié)果，通過關(guān)鍵詞匹配，在農(nóng)業(yè)氣象服務(wù)知識庫中檢索相關(guān)知識，篩選出最相關(guān)內(nèi)容。

Step5：將生成的答案通過信息服務(wù)端反饋給用戶，完成問答服務(wù)流程

2 試驗結(jié)果與分析

針對農(nóng)業(yè)氣象問題分類任務(wù)，基于約80000條用戶問題數(shù)據(jù)，從分類準(zhǔn)確性和系統(tǒng)應(yīng)用效果2個維度開展綜合評估。

2.1 準(zhǔn)確性評估

從80000條問題中按8個類別（氣象災(zāi)害影響類、作物生長適宜度氣候類、農(nóng)事操作建議類、農(nóng)情應(yīng)對措施類、作物病蟲害防治類、農(nóng)業(yè)生產(chǎn)資料選用類、農(nóng)產(chǎn)品市場信息類及農(nóng)業(yè)政策法規(guī)解讀類）進(jìn)行抽樣，每個類別選取1000條樣本（共8000條）?；跇?gòu)建的分類模型進(jìn)行智能識別，分類結(jié)果如圖3、表1所示，其中零散點(diǎn)為未正確歸類樣本。結(jié)果表明，基于Fisher算法構(gòu)建的農(nóng)業(yè)氣象問答分類模型在測試集上的準(zhǔn)確率達(dá) 86.5% ，充分驗證了訓(xùn)練數(shù)據(jù)集的可靠性及該算法在本場景中的適用性。

圖3分類效果分布

對剩余72000條問題進(jìn)行批量分類處理，從分類結(jié)果中選取 10% 的樣本（共7200條）開展可靠性驗證工作，將驗證結(jié)果繪制成ROC曲線（圖4）。結(jié)果表明，基于Fisher算法構(gòu)建的農(nóng)業(yè)氣象問答分類模型表現(xiàn)良好， .AUC 達(dá) 84% ，表明抽取樣本的分類效果達(dá)到預(yù)期標(biāo)準(zhǔn)。這一驗證過程充分證明了分類模型在實際應(yīng)用中的可靠性。

表1分類模型識別結(jié)果 （單位：條）

注：1～8分別為氣象災(zāi)害影響類、作物生長適宜度氣候類、農(nóng)事操作建議類、農(nóng)情應(yīng)對措施類、作物病蟲害防治類、農(nóng)業(yè)生產(chǎn)資料選用類、農(nóng)產(chǎn)品市場信息類及農(nóng)業(yè)政策法規(guī)解讀類

圖4樣本分類驗證的ROC曲線

圖5農(nóng)事問答服務(wù)界面

2.2 應(yīng)用效果評估

農(nóng)事氣象智能問答系統(tǒng)在“智慧氣象”APP的“天氣小諸葛”模塊成功落地應(yīng)用。自2023年系統(tǒng)上線至2025年3月，該模塊月均訪問量達(dá)46.7萬次，較技術(shù)應(yīng)用前提升 32.6% 。問答服務(wù)界面如圖5所示。實證研究表明，農(nóng)事氣象智能問答系統(tǒng)的部署提升了平臺用戶活躍度并優(yōu)化了用戶體驗滿意度。

3 小結(jié)

Fisher算法在農(nóng)事氣象問答服務(wù)領(lǐng)域展現(xiàn)出顯著優(yōu)勢。通過數(shù)據(jù)采集與預(yù)處理、特征提取與選擇、模型構(gòu)建與訓(xùn)練以及開發(fā)問答系統(tǒng)等步驟，為農(nóng)戶提供了高效的農(nóng)事服務(wù)。該技術(shù)為農(nóng)戶生產(chǎn)問題提供了智能答疑解決方案，有效提升了農(nóng)事咨詢效率，但在實際應(yīng)用中仍存在改進(jìn)空間。當(dāng)前系統(tǒng)對復(fù)雜語義問題的處理能力有待加強(qiáng)，且服務(wù)范圍主要局限于氣象相關(guān)的農(nóng)業(yè)場景。針對這些局限性，未來研究計劃重點(diǎn)從三個方向進(jìn)行優(yōu)化升級，包括引入深度學(xué)習(xí)技術(shù)、提升語義理解深度，整合多模態(tài)數(shù)據(jù)、拓展應(yīng)用場景覆蓋面及建立動態(tài)知識更新體系、保障信息時效性，從而全面提升系統(tǒng)的智能化水平和實用價值。

參考文獻(xiàn)：

[1]WANGC，GAOY，AZIZ A，et al.Agricultural disaster risk management and capability assessment usingbig data analytics[J].Big data，2022，10（3）：246-261.

[2]付世軍，盧淞巖，李夢，等.基于B/S架構(gòu)的智慧農(nóng)業(yè)管理系 統(tǒng)的設(shè)計與實現(xiàn)[J].湖北農(nóng)業(yè)科學(xué)，2025，64（1）：154-161.

[3]CHARALAMPOPOULOSI，DROULIA F.A pathway towards climateservicesfortheagricultural sector[J].Climate，2O24，12（2）： 18.

[4]陳沖，肖晶晶，王偉.基于LBS的農(nóng)業(yè)氣象系統(tǒng)設(shè)計與實現(xiàn) [J].農(nóng)業(yè)工程，2024，14（7）：37-41.

[5]HUAJ，WANGH，KANGM，etal.Thedesignand implementationofadistributedagricultural service system forsmallholder farmersin China[J].International journal of agricultural sustainability， 2023，21（1）：2221108.

[6]QIANP，MAALLA A，WENHAIH，etal.Agricultural planting big dataqamp;a system technology research based on knowledge graph [A].2023 IEEE 3rd international conference on information technology，big data and artificial intelligence（ICIBA）[C].Chongqing，China：IEEE，2023.

[7]LI Y.A knowledge graph-based Q and A system for agricultural planting technology[A].Second international conference on electronic information engineering and computer communication（EIECC2022）[C].Xi'an，China：SPIE，2023.

[8]ZHAOJ，LIUD，HUANGR.A review ofclimate-smart agriculture：Recent advancements，challenges，and future directions[J]. Sustainability，2023，15（4）：3404.

[9]TALWANI S，RAKHRA M，SARKART.Perspectiveson the futureofagriculture and recent developmentsinagricultural technology[A].2O24 11th International conference on reliability，infocom technologiesandoptimization（trendsand futuredirections）（ICRITO）[C].Noida，India：IEEE，2024.

[10]VENKATAR PS，NANDINIP KS，PUTTAMADAPPAC. Farmer’s friend：Conversational AIBoTfor smart agriculture[J]. Journal of positive school psychology，2022，6（2）：2541-2549.

[11]ZHAO S，ZHANGB，YANGJ，etal.Linear discriminant analysis [J].Nature reviews methods primers，2024，4（1）：70.

[12]LUCAAV，SIMON-VARHELYIM，MIHALYNB，etal.Fault type diagnosis of the WWTPdissolved oxygen sensor based on fisherdiscriminant analysis and assessment of associated environmental and economic impact[J].Applied sciences，2023，13（4）：2554.

[13]AJITHAK M，INDRA NC.Fisher lineardiscriminantand discreteglobal swarm based task schedulingin cloud environment [J].Cluster computing，2022，25（5）：3145-3160.

[14]XUE K，YANGJ，YAO F.Optimal linear discriminant analysis forhigh-dimensional functional data[J].Journal of the American statistical association，2024，119（546）：1055-1064.

[15]JAINS，JAINSK，VASAL S.AneffectiveTF-IDF model to improve the text classification performance[A].2O24 IEEE 13thinternational conference on communication systems and network technologies（CSNT）[C].Jabalpur，India：IEEE，2024.

[16]HARINATHD，PATIL A，BANDIM，et al. Smart farming system-Anefficient techniquebypredictingagricultureyieldsbased onmachinelearning[J].Technische sicherheit（technical security）journal，2024，24（5）：82-88.

[17]SOUSSI A，ZERO E，SACILER，et al. Smart sensors and smart data forprecision agriculture：A review[J].Sensors，2O24，24 （8）：2647.

（責(zé)任編輯雷霄飛）