CN117114099A - 顾及时空特征的水稻施肥知识图谱构建及知识推理方法 - Google Patents

顾及时空特征的水稻施肥知识图谱构建及知识推理方法 Download PDF

Info

Publication number
CN117114099A
CN117114099A CN202311109681.0A CN202311109681A CN117114099A CN 117114099 A CN117114099 A CN 117114099A CN 202311109681 A CN202311109681 A CN 202311109681A CN 117114099 A CN117114099 A CN 117114099A
Authority
CN
China
Prior art keywords
rice
fertilization
knowledge
knowledge graph
attribute
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311109681.0A
Other languages
English (en)
Inventor
李代超
林亦婷
吴升
梁建琴
丁飞
金鑫垒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN202311109681.0A priority Critical patent/CN117114099A/zh
Publication of CN117114099A publication Critical patent/CN117114099A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Agronomy & Crop Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Animal Husbandry (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种顾及时空特征的水稻施肥知识图谱构建及知识推理方法。该方法：首先，使用六元组结构进行知识建模，构建水稻施肥本体，包含水稻、种植环境、营养元素诊断、施肥方案4类核心要素。其中，通过时空关系、空间属性与时间状态共同表达水稻施肥知识的时空差异；其次，在此基础上提出一种基于知识图谱的水稻施肥策略推理方法，结合确定性因子模型通过知识推理实现营养元素诊断，并基于历史案例检索和养分平衡法形成不同阶段的施肥方案。最后，对水稻施肥相关群智感知时空数据进行知识抽取，形成水稻施肥知识图谱用于实践。本发明方法可实现顾及水稻生长过程及复杂地理环境的施肥决策表达与推理，为水稻因时因地制宜的施肥提供支持。

Description

顾及时空特征的水稻施肥知识图谱构建及知识推理方法
技术领域
本发明属于信息技术领域，特别是涉及一种顾及时空特征的水稻施肥知识图谱构建及知识推理方法。
背景技术
水稻作为世界三大粮食作物之一，其产量与品质对于全球粮食安全至关重要。施肥有助于平衡土壤养分，提高作物产量和品质[1]，但盲目施肥会导致产量下降、肥料利用率低下、环境污染等一系列问题[2]。为了在保证水稻产量的同时减少对环境的负面影响，必需发展精准农业，指导农户科学用肥。然而，由于水稻施肥的机理复杂、时空异质性显著，专家精细化种植指导的成本高，农户缺少专家知识指导精细化种植，无法针对不同时空条件科学用肥，因此有必要考虑时间、空间等因素，综合专家知识实现复杂时空条件下的施肥决策，为推动水稻科学用肥，实现农业可持续发展提供支持。
在大数据技术发展的促进下，农业数据量呈爆炸式增长，呈现出数据海量、来源广泛、结构复杂的特点，其中蕴含着丰富的农业知识和时空特征。这对农业数据以及信息资源的整合、处理和分析能力提出了更高的要求。目前，有关水稻施肥决策的研究主要采用数理模型和专家模型进行施肥量计算。专家模型[3,4]一般采用农学机理和经验规则设置的方法，具有一定的可解释性，但对大数据的利用能力较弱、无法动态更新、难以应对复杂推理[5]。数理模型一般基于统计回归[6]、机器学习[7]、深度学习[8]等方法，客观性强但可解释性差，无法基于时空特征满足低成本的作物营养元素诊断和精准化方案推荐的需求。
知识图谱是一种对概念、实体及其之间关系进行结构化描述的知识系统[9,10]。有研究表明知识图谱在整合和组织多源异构数据方面具有巨大优势[11,12]，有助于形成高效关联、融合利用的智能化知识服务[13]。在农业领域，有效组织农业知识是实现智能诊断、方案推荐等农业知识服务的基础，已有研究者通过构建农业本体以及知识图谱实现对农业知识的有效组织。例如，联合国粮食及农业组织(FAO)主导构建了农业本体AGROVOC[14]，实现农业、渔业、林业和环境等领域的4万多个概念和96万多个术语的知识建模与共享。周俊等[15]提出了水稻施肥知识抽取模型，并构建了水稻施肥知识图谱，实现面向多源异构农业数据的农业知识获取与表达。华东师范大学数据科学与工程学院主导构建了农业知识图谱AgriKG[16]，在此基础上开发了面向智慧农业的智能问答系统，实现农业知识的高效检索。
目前，农业知识图谱已经在语义搜索、智能问答、智能诊断和方案推荐等方面取得了较好的应用与发展[17,18]。由于智能诊断与方案推荐等农业决策应用对于农业实际生产具有重要意义，部分农业领域学者聚焦于此，开展基于知识图谱实现智能诊断与方案推荐的知识推理技术方法研究。在农业智能诊断方面，研究多采用知识图谱与数理模型或专家模型相结合的方法。Wang等[19]构建奶牛疾病知识图谱，利用BiLSTM-CNN混合网络学习知识图谱中疾病与症状之间的语义特征，根据症状实现奶牛疾病诊断。于合龙等[20]构建水稻病虫害知识图谱，依据症状实体结合确定性因子模型实现水稻病虫害诊断。在农业方案推荐方面，Gu等[21]构建了基于案例推理和知识图谱的烟草病害防控模型，通过环境指标匹配烟草病害防控方案。戈为溪等[22]提出了一种基于知识图谱和案例推理的水稻精准施肥推荐模型，考虑水稻品种与土壤环境推荐水稻施肥总体方案，无法针对不同生长时期的进行施肥方案推荐。
现有技术存在的主要缺点是：
(1)现有水稻施肥知识图谱的研究缺少对知识时空特征的建模，存在对水稻施肥知识的时空差异表达不足的问题。
(2)现有研究中水稻营养诊断模型仅根据单一的症状要素进行决策，无法获取水稻种植环境的空间特征，缺少对水稻施肥知识的充分利用，存在未考虑时空特征与水稻营养失调症之间的复杂关系的问题。
(3)现有研究中水稻施肥方案推荐模型主要利用环境因素推荐施肥量，但缺少考虑水稻生长阶段和实际种植情况对施肥方案的影响，无法综合利用时空特征和历史案例推荐精细化的施肥方案。
参考文献：
[1].St.Clair,S.B.and J.P.Lynch,The opening ofPandora’s Box:climatechange impacts on soil fertility and crop nutrition in developingcountries.Plant and Soil,2010.335(1):p.101-115.
[2].徐洋等,测土配方施肥项目十五年进展与展望.中国土壤与肥料,2023.No.311(03):第236-244页.
[3].王宜伦等,基于养分专家系统的小麦-玉米推荐施肥效应研究.中国农业科学,2015.48(22):第4483-4492页.
[4].H.,K.,K.S.S.and D.C.R.Expert system for diagnosis ofdiseasesofrice plants:Prototype design and implementation.in 2016InternationalConference on Automatic Control and Dynamic Optimization Techniques(ICACDOT).2016.
[5].Liu X,Bai X,Wang L,et al.Review and TrendAnalysis ofKnowledgeGraphs for Crop Pest andDiseases[J].IEEEAccess.2019,7:p.62251-62264.
[6].WANG,S.N.,J.K.CHENG andY.C.LIAO,FERTILIZATION MODEL FOR FLUE-CURED TOBACCO(NICOTIANA TABACUM L.)IN SOUTHWEST CHINA.Applied Ecology andEnvironmental Research,2020.18(6):p.7853-7863.
[7].Gao,J.,et al.,A Fertilization Decision Model for Maize,Rice,andSoybean Based on Machine Learning and Swarm IntelligentSearchAlgorithms.Agronomy-Basel,2023.13(5):p.1400.
[8].Escalante,H.J.,et al.,Barley yield and fertilization analysisfrom UAV imagery:a deep learning approach.International Journal ofRemoteSensing,2019.40(7):p.2493-2516.
[9].Nickel,M.,et al.,A Review of Relational Machine Learning forKnowledge Graphs.Proceedings ofthe IEEE,2015.104(1):p.11-33.
[10].Ballatore,A.,M.Bertolotto and D.C.Wilson,A Structural-LexicalMeasure of Semantic Similarity for Geo-Knowledge Graphs.ISPRS INTERNATIONALJOURNAL OF GEO-INFORMATION,2015.4(2):p.471-492.
[11].Yan,J.,et al.,A retrospective of knowledge graphs.Frontiers ofComputer Science,2018.12(1):p.55-74.
[12].陆锋,余丽与仇培元,论地理知识图谱.地球信息科学学报,2017.19(06):第723-734页.
[13].阳德青等,知识驱动的推荐系统:现状与展望.信息安全学报,2021.6(05):第35-51页.
[14].Rajbhandari,S.and J.Keizer,TheAGROVOC Concept Scheme:AWalkthrough.Journal of IntegrativeAgriculture,2012.11:p.694-699.
[15].周俊等,基于改进CASREL的水稻施肥知识图谱信息抽取研究.农业机械学报,2022.53(11):第314-322页.
[16].Chen,Y.,et al.,AgriKG:An Agricultural Knowledge Graph and ItsApplications,in Database Systems forAdvancedApplications.DASFAA2019.2019,Springer International Publishing:Chiang Mai,Thailand.p.533-537.
[17].Chicaiza,J.and P.Valdiviezo-Diaz,A Comprehensive Survey ofKnowledge Graph-Based Recommender Systems:Technologies,Development,andContributions,in Information.2021.
[18].Johansson,J.,et al.,Supporting connectivismin knowledge basedengineering with graph theory,filtering techniques and model qualityassurance.Advanced Engineering Informatics,2018.38:p.252-263.
[19].Wang H,Shen W,Zhang Y,et al.Diagnosis of Dairy Cow Diseases byKnowledge-Driven Deep Learning Based on the Text Reports of Illness State[J].Comput.Electron.Agric.2023,205:p.107564.
[20].于合龙等,基于知识图谱的水稻病虫害智能诊断系统.华南农业大学学报,2021.42(05):第105-116页.
[21].Gu,L.,et al.,Research on the model for tobacco diseaseprevention and control based on case-based reasoning andknowledgegraph.Filomat,2018.32:p.1947-1952.
[22].戈为溪等,基于知识图谱与案例推理的水稻精准施肥推荐模型.农业工程学报,2023.39(2):第126-133页.。
发明内容
本发明的目的在于对水稻施肥机理和时空关系进行规范化描述，构建顾及时空特征的水稻施肥知识图谱，在此基础上，提出一种顾及时空特征的水稻施肥知识图谱构建及知识推理方法。该方法将确定性因子模型与知识图谱相结合，综合土壤环境与外观表征实现水稻营养元素诊断，并引入历史案例检索技术，综合土壤环境和水稻生长阶段推荐差异化施肥方案，实现不同时空条件下的水稻精细化施肥决策应用，为水稻因时因地制宜的施肥提供支持。
为实现上述目的，本发明的技术方案是：一种顾及时空特征的水稻施肥知识图谱构建及知识推理方法，包括：
S1、构建顾及时空特征的水稻施肥知识图谱：设计水稻施肥知识图谱本体，完成顾及时空特征的水稻施肥知识图谱的知识建模，在此基础上进行水稻施肥知识抽取与知识存储；
S2、提出一种基于知识图谱的水稻施肥策略推理方法，包括水稻营养元素诊断模型和水稻施肥方案推荐模型的构建；
S3、以水稻施肥群智感知时空数据为实验数据，基于构建的知识图谱进行水稻施肥策略推理结果分析与评估。
在本发明一实施例中，步骤S1具体实现如下：
(1)顾及时空特征的水稻施肥知识图谱的知识建模：运用自顶向下的方式，通过本体逻辑结构表达、概念体系建立、实例-状态-属性表示和关系确定，完成水稻施肥知识图谱的知识建模；
(2)水稻施肥知识抽取与知识存储：对于结构化数据，根据水稻施肥模式本体形成数据表格至RDF的映射，直接转换为知识图谱表达；对于半结构以及非结构化数据，首先对数据进行预处理操作得到有效数据，接着进行基于模板的自动化信息抽取，最后对所得信息进行整理和校正；通过抽取的时间要素进行判别和排序获得时间关系，采用基于维数扩展的九交模型DE-9IM描述地理实体对象之间的空间关系，如下式所示：
其中，RDE-9IM(a,b)代表DE-9IM描述的地理实体间的空间拓扑关系；a、b代表不同的水稻地理实体；I、B、E分别代表地理实体的内部、边界和外部；dim函数返回相交几何体的最大维数；
采用Neo4j图数据库，基于资源描述框架，将水稻施肥知识的各类相关要素表示为(实体，关系，实体)及(实体，属性，属性值)三元组形式，随后采用图数据库Neo4j以“节点-关系”的存储模型进行水稻施肥知识存储，图数据库将三元组中的实体、属性值存储为节点，将属性、关系存储为边。
在本发明一实施例中，顾及时空特征的水稻施肥知识图谱的知识建模的具体实现方式如下：
(a)水稻施肥知识图谱本体逻辑结构表达
将水稻施肥领域本体抽象为概念、关系、属性、规则、实例与状态的六元组结构，形式化表示如下式所示：
Onto＝(Con,Rel,Prop,Rule,Ins,Sta)
其中，Con指概念，表达水稻施肥知识体系中具有相同特性的事物的集合总称；Rel指关系，表达水稻施肥概念之间、概念与实例以及实例之间的关系类型；Prop指属性，代表不同实例对象所具有的语义特征和时空特征；Rule指规则，定义水稻施肥领域概念及实例的取值范围、类型及组合方式的约束表达，从而支持语义推理；Ins指实例，代表基于领域概念的具体化表达；Sta指状态，表达水稻施肥实例的在不同时空条件下的属性特征；
(b)概念体系建立
基于水稻施肥知识图谱本体模型梳理水稻施肥概念，建立包括水稻、种植环境、营养元素诊断、施肥方案4类核心要素的水稻施肥领域概念体系；
(c)实例-状态-属性表示
以水稻施肥知识为指导，定义水稻施肥概念及其子概念的实例、状态以及属性特征；水稻施肥实例是概念的具体化表达，水稻属性特征的描述围绕实例展开，同时为表示施肥知识在时间或空间上具有的特征，设置状态节点划分实例的周期性特征；
(d)关系确定
定义水稻施肥领域之间的关系为时间关系、空间关系、语义关系和数学关系；水稻施肥的时间关系指水稻施肥实例之间发生的先后次序，用时间拓扑关系表达；水稻施肥的空间关系旨在描述种植环境中地理实体对象之间的空间关系，其空间关系为空间拓扑关系，表示地理实体对象之间的邻近和关联程度；水稻施肥的语义关系包括继承关系、实例关系、属性关系，继承关系表示水稻施肥上下级概念之间的层次结构；实例关系表示概念和实例之间的关系；属性关系是实体间相互联系在语义层面上的表达，也是实体与属性值之间关系的具体描述；水稻施肥的数学关系表示概念或属性之间通过数学模型计算形成的关联关系。
在本发明一实施例中，步骤S2具体实现如下：
(1)构建水稻营养元素诊断模型：将确定性因子CF模型与知识图谱相结合，充分利用不同种植区域的水稻外观表征、种植地块，匹配水稻施肥时空知识图谱中的为害症状和具有空间特征的土壤环境要素，获取可支持多条规则诊断结论的CF值，计算水稻可能患有的营养失调症类型及其概率；
(2)构建水稻施肥方案推荐模型：基于水稻施肥知识图谱整合多品种水稻的施肥经验知识和养分平衡施肥原理，结合相似历史施肥案例检索方法，充分利用水稻品种、种植地块和生长时期信息，为不同环境特征和生长时期下的水稻推荐包含施肥量、肥料种类和施肥时间的精细化施肥方案。
在本发明一实施例中，构建水稻营养元素诊断模型的具体实现方式如下：
首先，以不同种植区域的水稻外观表征、种植地块作为输入，匹配水稻施肥知识图谱中的为害症状和具有空间特征的土壤环境要素；其次，基于知识图谱的专家知识进一步匹配为害症状和土壤环境的确定性因子，利用下述两个公式计算当前水稻种植情况下每种营养失调症的发病概率，以最高发病概率对应营养失调症类型为诊断结果；
CF(B,A)＝CF(B,A1)+CF(B,A2)-CF(B,A1)×CF(B,A2)
其中，A、B分别表示证据和结论，A1、A2为组成证据A的子证据，CF(B,A)表示确定性因子，又称CF值；若CF(B,A)>0，CF(B,A)的值越大，则证据的出现越是支持结论为真；若CF(B,A)<0，CF(B,A)的值越小，则证据的出现越是支持结论为假；若CF(B,A)＝0，则证据的出现对结论没有支持作用；P(B|A)表示诊断概率，P(B)表示结论的先验概率。
在本发明一实施例中，构建水稻施肥方案推荐模型的具体实现方式如下：
首先，输入水稻品种、种植地块和生长时期信息，通过水稻施肥知识图谱匹配问题描述指标信息，获取输入信息的时空特征；接着使用知识表示学习的方法获取水稻施肥知识图谱中全部实体和关系的低维向量表示，在此基础上计算全局相似度并检索相似历史施肥案例；当检索结果相似度较高时，生成水稻施肥方案；当没有相似的历史施肥案例时，结合水稻施肥知识图谱中的已有信息，采用养分平衡法的计算方法补充具体施肥量数值；最后，将水稻生长时期与施肥方案相匹配，形成最终的水稻施肥方案；
(a)相似历史施肥案例检索
相似历史施肥案例检索目标是依据水稻种植情况匹配案例库中问题描述部分相似度较高的历史案例；根据数据类型，将问题描述部分的属性分为数值型属性和文本型属性两类；
数值型属性包括有机质、碱解氮、速效磷、速效钾、pH值和产量水平；不同案例间同一数值型属性的相似度通过两个值归一化之后的距离来进行表示，具体计算过程下式所示：
式中和/>分别表示第i个案例和待推荐案例j属性k的值，/>和/>分别表示属性k的最大值和最小值，/>表示/>与/>的数值型属性相似度；
文本型属性为水稻品种和生长时期；在进行相似历史施肥案例时，需要计算不同水稻品种之间的相似性，由于文本型属性的相似性无法直接被计算机度量，因此需要对其进行向量化表示；文本型属性在知识图谱中以实体、关系的形式存储，采用离散的、显式的符号化表示，基于知识图谱向量化表示进行矢量运算能够反映实体间的相似性；水稻施肥知识图谱中属性关系均为一对一关系，因此使用TransE模型进行知识表示学习，TransE模型的核心思想是当三元组(h,r,t)成立时应满足下式：
h+r≈t
模型评分函数定义参见下式：
fr(h,t)＝||h+t-r||L1/L2
其中，h是头实体，r是关系，t是尾实体，L1、L2分别为第一、第二范式；对于一个正确的三元组，期望其得分越小越好；对于一个错误的三元组，期望其得分越高越好；
以知识图谱表示学习后获取的水稻品种分布式低维向量作为各类型水稻品种的数值化表示，利用向量间的余弦相似度计算水稻品种间的相似性，余弦相似度计算式如下：
其中，和/>分别代表待推荐案例和第i个案例的水稻品种属性k的向量，表示水稻品种向量间的余弦相似度；
使用下式计算案例的全局相似度，将全局相似度较高的历史案例作为案例检索的结果：
其中，K表示属性个数，wk表示属性k的权重，sk表示两个案例之间属性k的相似度，Si表示第i个案例与待推荐案例之间的全局相似度；
(b)养分平衡法计算
养分平衡法旨在实现作物与土壤间养分的供求平衡，根据作物需要的肥量与土壤所能提供的肥量之差计算实现目标产量所需要的肥量，推荐施肥量的计算过程如下式所示：
其中，Fer指所需要的施肥量，Y表示目标产量，U表示肥料当季利用率，W为单位产量养分吸收量、C表示肥料中养分含量、X表示土壤测试值、K表示土壤有效养分校正系数。
在本发明一实施例中，步骤S3具体实现如下：
(1)对5种常见水稻营养失调症进行模型性能测试，采用准确率评价指标对水稻营养元素诊断模型进行评估；
(2)采用实验区域现行水稻施肥方案推荐结果与水稻施肥方案推荐模型实验结果进行对比，包括施肥时期、施肥量、肥料类型三类结果的对比。
相较于现有技术，本发明具有以下有益效果：
(1)本发明梳理了水稻施肥专家知识，整合多源异构的农业时空数据，有效组织融合时间、空间纬度的复杂水稻施肥知识，降低了农业专家知识获取的成本，为针对不同时空条件下的水稻施肥决策提供支持。
(2)基于水稻施肥知识图谱的知识推理进行施肥决策，能够综合种植环境的空间特征、水稻生长的时间特征以及生长情况提供差异化方案，在提升了施肥方案推荐的精细化程度的同时，通过推理结果的可视化展示兼顾了模型方法的可解释性。
附图说明
图1为基于本体的水稻施肥概念体系。
图2为实例-属性-状态的节点及关系表示示例。
图3为水稻施肥领域关系分类。
图4为基于知识推理的水稻营养元素诊断流程。
图5为基于知识图谱的施肥方案推荐流程。
图6为施肥方案“001”可视化。
图7为水稻营养元素诊断知识图谱可视化。
图8为水稻方案推荐知识图谱可视化。
图9为施肥方案适用性评分。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明提出一种新的顾及时空特征的水稻施肥知识图谱构建及知识推理方法。该方法使用六元组结构(概念，关系，属性，规则，实例，状态)进行知识建模，构建的水稻施肥本体包含水稻、种植环境、营养元素诊断、施肥方案4类核心要素。与此同时，通过时空关系、空间属性与时间状态共同表达水稻施肥知识的时空差异。在此基础上，提出一种基于知识图谱的水稻施肥策略推理方法，结合确定性因子模型通过知识推理实现水稻营养元素诊断，并基于历史案例检索和养分平衡法形成不同阶段的施肥方案。最后利用某县水稻施肥群智感知时空数据，形成水稻施肥知识图谱应用实例并进行评估。其主要内容包括：
(1)构建顾及时空特征的水稻施肥知识图谱。设计水稻施肥知识图谱本体，完成顾及时空特征的水稻施肥知识建模，在此基础上进行水稻施肥知识抽取与知识存储；
(2)提出了一种基于知识图谱的水稻施肥策略推理方法，包括水稻营养元素诊断和施肥方案推荐两个部分；
(3)实验分析与评估。以某县水稻施肥群智感知时空数据为实验数据，基于构建的知识图谱进行水稻施肥策略推理结果分析与评估。
本发明的目的在于提出一种顾及时空特征的水稻施肥知识图谱构建及知识推理方法，具体步骤介绍如下：
第一步，顾及时空特征的水稻施肥知识图谱构建
顾及时空特征的水稻施肥知识建模。运用自顶向下的方式，通过本体逻辑结构表达、概念体系建立、实例-状态-属性表示和关系确定，完成水稻施肥知识图谱的知识建模。
水稻施肥知识抽取与知识存储。对于关系型数据库、统计表格等结构化数据，根据水稻施肥模式本体形成数据表格至RDF的映射，直接转换为知识图谱表达。针对网络文本、科技文献等半结构以及非结构化数据，数据中包含大量冗余信息，首先对数据进行预处理操作得到有效数据，接着进行基于模板的自动化信息抽取，最后对所得信息进行人工整理和校正。通过抽取的时间要素进行判别和排序获得时间关系，采用基于维数扩展的九交模型(Dimensionally Extended 9-Intersection Model,DE-9IM)描述地理实体对象之间的空间关系，如下式所示。
其中，RDE-9IM(a,b)代表DE-9IM模型描述的地理实体间的空间拓扑关系；a、b代表不同的水稻地理实体；I、B、E分别代表地理实体的内部、边界和外部；dim函数返回相交几何体的最大维数。
采用Neo4j图数据库，基于资源描述框架，将水稻施肥知识的各类相关要素表示为(实体，关系，实体)及(实体，属性，属性值)三元组形式，随后采用图数据库Neo4j以“节点-关系”的存储模型进行水稻施肥知识存储，图数据库将三元组中的实体、属性值存储为节点，将属性、关系存储为边。
第二步，基于知识图谱的水稻施肥策略推理方法构建
基于知识图谱的水稻施肥策略推理方法包括水稻营养元素诊断与施肥方案推荐两个部分，水稻营养元素诊断模型流程如附图4所示，施肥方案推荐模型流程如附图5所示。
(2)水稻营养元素诊断模型。将确定性因子(CF)模型与知识图谱相结合，充分利用不同种植区域的水稻外观表征、种植地块，匹配水稻施肥时空知识图谱中的为害症状和具有空间特征的土壤环境要素，获取可支持多条规则诊断结论的CF值，计算水稻可能患有的营养失调症类型及其概率；
(3)水稻施肥方案推荐模型。基于水稻施肥知识图谱整合多品种水稻的施肥经验知识和养分平衡施肥原理，结合相似历史施肥案例检索方法，充分利用水稻品种、种植地块和生长时期信息，为不同环境特征和生长时期下的水稻推荐包含施肥量、肥料种类和施肥时间的精细化施肥方案。
第三步，实验分析与评估
以某县水稻施肥群智感知时空数据为实验数据，构建顾及时空特征的水稻施肥知识图谱。通过知识图谱实例可视化展现，描述水稻施肥知识的时空演化规律与复杂关系。
(2)对某县5种常见水稻营养失调症进行模型性能测试，采用准确率评价指标对水稻营养元素诊断模型进行评估。
(3)采用实验区域现行水稻施肥方案推荐结果与本发明提出的模型实验结果进行对比，包括施肥时期、施肥量、肥料类型三类结果的对比。
在上述的步骤中，顾及时空特征的水稻施肥知识图谱构建、水稻营养元素诊断模型、施肥方案推荐模型是本发明的重点，以下进行详细论述。
(1)顾及时空特征的水稻施肥知识图谱构建
(a)本体逻辑结构表达
将水稻施肥领域本体抽象为概念、关系、属性、规则、实例与状态的六元组结构，形式化表示如公式1所示：
Onto＝(Con,Rel,Prop,Rule,Ins,Sta) (公式1)
其中，Con指概念，表达施肥知识体系中具有相同特性的事物的集合总称；Rel指关系，表达水稻施肥概念之间、概念与实例以及实例之间的关系类型；Prop指属性，代表不同实例对象所具有的语义特征和时空特征；Rule指规则，定义施肥领域概念及实例的取值范围、类型及组合方式的约束表达，从而支持语义推理；Ins指实例，代表基于领域概念的具体化表达；Sta指状态，表达施肥实例的在不同时空条件下的属性特征。
(b)概念体系建立
根据业务规程、科技文献及已有本体模型系统梳理水稻施肥概念，建立包含水稻、种植环境、营养元素诊断、施肥方案4类核心要素的水稻施肥领域概念体系，如图1所示。
(c)实例-状态-属性表示
以水稻施肥知识为指导，定义水稻施肥概念及其子概念的实例、状态以及属性特征。水稻施肥实例是概念的具体化表达，水稻属性特征的描述围绕实例展开，同时为合理表示施肥知识在时间或空间上具有的特征，设置状态节点划分实例的周期性特征，图2展示了施肥方案在知识图谱中的表达形式。
(d)关系确定
定义水稻施肥领域之间的关系为时间关系、空间关系、语义关系和数学关系，如图3所示。水稻施肥的时间关系指水稻施肥实例之间发生的先后次序，通常用时间拓扑关系表达。水稻施肥的空间关系旨在描述种植环境中地理实体对象之间的空间关系。由于水稻施肥相关的地理实体对象通常为面对象，如：行政区域、农田地块等水稻生产范围，空间方位关系与空间距离关系尚未具有明显的现实意义，因此其空间关系为空间拓扑关系，表示地理实体对象之间的邻近和关联程度。水稻施肥的语义关系包括继承关系、实例关系、属性关系。继承关系表示水稻施肥上下级概念之间的层次结构；实例关系表示概念和实例之间的关系；属性关系是实体间相互联系在语义层面上的表达，也是实体与属性值之间关系的具体描述。水稻施肥的数学关系表示概念或属性之间通过数学模型计算形成的关联关系。
(2)水稻营养元素诊断模型
营养失调症作为由于营养缺乏或营养过剩所引起的生理病害，会引起水稻形态、长势、叶色等外观表征明显变化，出现典型症状。然而，不同类型的营养失调症可能表现为相同的症状，不同时空条件下的诊断依赖农业专家的经验和知识。因此，单一的查询语句无法实现水稻营养失调症的精准诊断。在经典的贝叶斯定理中，想要诊断某种疾病的可能性，需要大量条件概率值，但在实际操作中难以准确获取条件概率值，而基于CF模型的推理可以对具有不确定性的知识进行应用与处理。针对多条规则支持结论时知识推理难以综合判定结论的问题，结合CF模型与知识图谱，提出水稻营养元素诊断模型，具体流程如附图4所示。
首先，以不同种植区域的水稻外观表征、种植地块作为输入，匹配水稻施肥时空知识图谱中的危害症状和具有空间特征的土壤环境要素。其次，基于知识图谱的专家知识进一步匹配危害症状和土壤环境的确定性因子，利用公式(2)～(3)计算当前水稻种植情况下每种营养失调症的发病概率，以最高发病概率对应营养失调症类型为诊断结果。
CF(B,A)＝CF(B,A1)+CF(B,A2)-CF(B,A1)×CF(B,A2) (公式2)
其中，A、B分别表示证据和结论，A1、A2为组成证据A的子证据，CF(B,A)表示确定性因子，又称CF值。若CF(B,A)>0，CF(B,A)的值越大，则证据的出现越是支持结论为真；若CF(B,A)<0，CF(B,A)的值越小，则证据的出现越是支持结论为假；若CF(B,A)＝0，则证据的出现对结论没有支持作用。P(B|A)表示诊断概率，P(B)表示结论的先验概率，可以通过专家经验设定，也可视为未知，即P(B)＝0.5。
(3)水稻施肥方案推荐模型
基于知识图谱的施肥方案推荐模型可分为问题描述部分和解决方案部分。问题描述部分包含水稻生长时期、水稻品种、有机质、碱解氮、速效磷、速效钾、pH值和产量水平。解决方案部分包含水稻相应生长时期的施肥量、肥料种类、施肥时间。基于水稻施肥知识图谱整合多品种水稻的施肥经验知识和养分平衡施肥原理，结合相似历史施肥案例检索方法，为不同环境特征和生长时期下的水稻推荐包含施肥量、肥料种类和施肥时间的精细化施肥方案，具体流程如图5所示。
首先，输入水稻品种、种植地块和生长时期信息，通过知识图谱匹配问题描述指标信息，获取输入信息的时空特征。接着使用知识表示学习的方法获取水稻施肥知识图谱中全部实体和关系的低维向量表示，在此基础上计算全局相似度并检索相似历史施肥案例。当检索结果相似度较高时，生成水稻施肥方案。当没有相似的历史施肥案例时，结合图谱中的已有信息，采用养分平衡法的计算方法补充具体施肥量数值。最后，将水稻生长时期与施肥方案相匹配，形成最终的水稻施肥方案。
(a)相似历史施肥案例检索
案例检索目标是依据水稻种植情况匹配案例库中问题描述部分相似度较高的历史案例。根据数据类型，可将问题描述部分的属性分为数值型属性和文本型属性两类。
数值型属性包括有机质、碱解氮、速效磷、速效钾、pH值和产量水平。不同案例间同一数值型属性的相似度可通过两个值归一化之后的距离来进行表示，具体计算过程如公式4所示：
式中和/>分别表示第i个案例和待推荐案例j属性k的值，/>和/>分别表示属性k的最大值和最小值，/>表示/>与/>的数值型属性相似度。
文本型属性为水稻品种和生长时期。在进行历史案例检索时，需要计算不同水稻品种之间的相似性，由于文本型属性的相似性无法直接被计算机度量，因此需要对其进行向量化表示。文本型属性在知识图谱中以实体、关系的形式存储，采用了离散的、显式的符号化表示，有研究表明，基于知识图谱向量化表示进行矢量运算能够反映实体间的相似性。水稻施肥知识图谱中属性关系均为一对一关系，因此使用TransE模型进行知识表示学习，该模型对于一对一关系建模效果显著，无须人工设计即可够简单且高效地捕捉推理特征。TransE模型的核心思想是当三元组(h,r,t)成立时应满足公式5，模型评分函数定义见公式6：
h+r≈t (公式5)
fr(h,t)＝||h+t-r||L1/L2 (公式6)
其中，h是头实体，r是关系，t是尾实体，L1、L2分别为第一、第二范式。对于一个正确的三元组，期望其得分越小越好；对于一个错误的三元组，期望其得分越高越好。
以知识图谱表示学习后获取的水稻品种分布式低维向量作为各类型水稻品种的数值化表示，利用向量间的余弦相似度计算水稻品种间的相似性，余弦相似度计算式如下：
其中，和/>分别代表待推荐案例和第i个案例的水稻品种属性k的向量，表示水稻品种向量间的余弦相似度。
使用公式8计算案例的全局相似度，将全局相似度较高的历史案例作为案例检索的结果：
其中，K表示属性个数，wk表示属性k的权重，sk表示两个案例之间属性k的相似度，Si表示第i个案例与待推荐案例之间的全局相似度。在此步骤中，设定各个属性的权重相同。
(b)养分平衡法计算
由于水稻种植情况与历史施肥案例之间不完全相同，故需要对生成水稻施肥方案进行修正。前文通过相似历史施肥案例检索得到全局相似度，当检索结果的全局相似度小于预设阈值时，认为其没有相似度较高的历史施肥案例。此时结合图谱中的已有信息，采用养分平衡法的计算方法补充具体施肥量数值。
养分平衡法旨在实现作物与土壤间养分的供求平衡，根据作物需要的肥量与土壤所能提供的肥量之差计算实现目标产量所需要的肥量，推荐施肥量的计算过程如公式9所示：
其中，Fer指所需要的施肥量，Y表示目标产量，U表示肥料当季利用率，W为单位产量养分吸收量、C表示肥料中养分含量、X表示土壤测试值、K表示土壤有效养分校正系数。
本发明以某县为例，所使用的结构化数据为某县耕地评价样点数据库，包括土壤基础数据以及与养分精准管理过程密切相关的空间数据和属性数据。半结构化数据为中国农业信息网、百科网站上的知识卡片内容，非结构化数据为发表在《中国农业科学》、《农民致富之友》、《南方农业》等期刊的300余篇水稻施肥相关文章以及政府文件，综上得到有效数据10余万字，涉及农村地籍调查、农业普查、作物需肥规律、地形地貌、农田水利设施等信息。
基于前述提出的水稻施肥知识图谱构建方法，实验所构建的知识图谱涵盖1768个节点，包含2690个三元组。以施肥方案“001”为例，本发明施肥方案表示结果如图6所示。结果表明该方法较为完整地展示了施肥方案本身的状态、属性表示，以及施肥方案与水稻、种植环境实体间语义关系、时空关系。通过知识图谱能够由水稻种植情况、种植地块及其空间特征高效关联不同生长时期的施肥方案等农业知识，为水稻营养元素诊断和施肥方案推荐提供支撑。
基于本发明提出的水稻营养元素诊断模型对某县5种常见水稻营养失调症进行诊断，共选取50例样本，采用准确率评价指标对水稻营养元素诊断模型进行评估。基于知识图谱的诊断示例如图7所示，实验结果如表1所示。经公式(10)计算，本文提出的基于知识推理的水稻营养元素诊断方法准确率为84％，证明该方法可以有效诊断水稻营养元素情况。
其中，TP表示模型预测结果与真实结果相一致的个数，TP表示模型预测结果与真实结果不一致的个数。
表1水稻营养元素诊断实验结果
基于本发明提出的水稻施肥方案推荐模型，随机选取15例实验地块进行验证。采用实验区域现行水稻施肥方案推荐结果与本发明提出的模型实验结果进行对比，包括施肥时期、施肥量、肥料类型三类结果的对比。目前某县农户进行施肥决策的主要参考依据为当地现行水稻作物施肥指导手册，其推荐结果示例如表2所示。基于本发明提出的水稻施肥方案推荐模型，基于知识图谱的施肥方案推荐示例如图8所示。通过问卷调查的形式对比本文提出方法与指导手册的推荐方案，调查对象共计6人，且均为某县水稻施肥领域专家，具有独立判断和施肥决策能力。实验结果如图9所示，结果表明，本文模型推荐方案的得分均值高于指导手册推荐方案，证明本文施肥方案推荐方法能够在实际生产中提供更具适用性的施肥方案建议。
表2某县现行施肥指导手册推荐结果示例
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (7)

1.一种顾及时空特征的水稻施肥知识图谱构建及知识推理方法，其特征在于，包括：
S1、构建顾及时空特征的水稻施肥知识图谱：设计水稻施肥知识图谱本体，完成顾及时空特征的水稻施肥知识图谱的知识建模，在此基础上进行水稻施肥知识抽取与知识存储；
S2、提出一种基于知识图谱的水稻施肥策略推理方法，包括水稻营养元素诊断模型和水稻施肥方案推荐模型的构建；
S3、以水稻施肥群智感知时空数据为实验数据，基于构建的知识图谱进行水稻施肥策略推理结果分析与评估。
2.根据权利要求1所述的顾及时空特征的水稻施肥知识图谱构建及知识推理方法，其特征在于，步骤S1具体实现如下：
(1)顾及时空特征的水稻施肥知识图谱的知识建模：运用自顶向下的方式，通过本体逻辑结构表达、概念体系建立、实例-状态-属性表示和关系确定，完成水稻施肥知识图谱的知识建模；
(2)水稻施肥知识抽取与知识存储：对于结构化数据，根据水稻施肥模式本体形成数据表格至RDF的映射，直接转换为知识图谱表达；对于半结构以及非结构化数据，首先对数据进行预处理操作得到有效数据，接着进行基于模板的自动化信息抽取，最后对所得信息进行整理和校正；通过抽取的时间要素进行判别和排序获得时间关系，采用基于维数扩展的九交模型DE-9IM描述地理实体对象之间的空间关系，如下式所示：
其中，RDE-9IM(a,b)代表DE-9IM描述的地理实体间的空间拓扑关系；a、b代表不同的水稻地理实体；I、B、E分别代表地理实体的内部、边界和外部；dim函数返回相交几何体的最大维数；
采用Neo4j图数据库，基于资源描述框架，将水稻施肥知识的各类相关要素表示为(实体，关系，实体)及(实体，属性，属性值)三元组形式，随后采用图数据库Neo4j以“节点-关系”的存储模型进行水稻施肥知识存储，图数据库将三元组中的实体、属性值存储为节点，将属性、关系存储为边。
3.根据权利要求2所述的顾及时空特征的水稻施肥知识图谱构建及知识推理方法，其特征在于，顾及时空特征的水稻施肥知识图谱的知识建模的具体实现方式如下：
(a)水稻施肥知识图谱本体逻辑结构表达
将水稻施肥领域本体抽象为概念、关系、属性、规则、实例与状态的六元组结构，形式化表示如下式所示：
Onto＝(Con,Rel,Prop,Rule,Ins,Sta)
其中，Con指概念，表达水稻施肥知识体系中具有相同特性的事物的集合总称；Rel指关系，表达水稻施肥概念之间、概念与实例以及实例之间的关系类型；Prop指属性，代表不同实例对象所具有的语义特征和时空特征；Rule指规则，定义水稻施肥领域概念及实例的取值范围、类型及组合方式的约束表达，从而支持语义推理；Ins指实例，代表基于领域概念的具体化表达；Sta指状态，表达水稻施肥实例的在不同时空条件下的属性特征；
(b)概念体系建立
基于水稻施肥知识图谱本体模型梳理水稻施肥概念，建立包括水稻、种植环境、营养元素诊断、施肥方案4类核心要素的水稻施肥领域概念体系；
(c)实例-状态-属性表示
以水稻施肥知识为指导，定义水稻施肥概念及其子概念的实例、状态以及属性特征；水稻施肥实例是概念的具体化表达，水稻属性特征的描述围绕实例展开，同时为表示施肥知识在时间或空间上具有的特征，设置状态节点划分实例的周期性特征；
(d)关系确定
定义水稻施肥领域之间的关系为时间关系、空间关系、语义关系和数学关系；水稻施肥的时间关系指水稻施肥实例之间发生的先后次序，用时间拓扑关系表达；水稻施肥的空间关系旨在描述种植环境中地理实体对象之间的空间关系，其空间关系为空间拓扑关系，表示地理实体对象之间的邻近和关联程度；水稻施肥的语义关系包括继承关系、实例关系、属性关系，继承关系表示水稻施肥上下级概念之间的层次结构；实例关系表示概念和实例之间的关系；属性关系是实体间相互联系在语义层面上的表达，也是实体与属性值之间关系的具体描述；水稻施肥的数学关系表示概念或属性之间通过数学模型计算形成的关联关系。
4.根据权利要求1所述的顾及时空特征的水稻施肥知识图谱构建及知识推理方法，其特征在于，步骤S2具体实现如下：
(1)构建水稻营养元素诊断模型：将确定性因子CF模型与知识图谱相结合，充分利用不同种植区域的水稻外观表征、种植地块，匹配水稻施肥时空知识图谱中的为害症状和具有空间特征的土壤环境要素，获取可支持多条规则诊断结论的CF值，计算水稻可能患有的营养失调症类型及其概率；
(2)构建水稻施肥方案推荐模型：基于水稻施肥知识图谱整合多品种水稻的施肥经验知识和养分平衡施肥原理，结合相似历史施肥案例检索方法，充分利用水稻品种、种植地块和生长时期信息，为不同环境特征和生长时期下的水稻推荐包含施肥量、肥料种类和施肥时间的精细化施肥方案。
5.根据权利要求4所述的顾及时空特征的水稻施肥知识图谱构建及知识推理方法，其特征在于，构建水稻营养元素诊断模型的具体实现方式如下：
首先，以不同种植区域的水稻外观表征、种植地块作为输入，匹配水稻施肥知识图谱中的为害症状和具有空间特征的土壤环境要素；其次，基于知识图谱的专家知识进一步匹配为害症状和土壤环境的确定性因子，利用下述两个公式计算当前水稻种植情况下每种营养失调症的发病概率，以最高发病概率对应营养失调症类型为诊断结果；
CF(B,A)＝CF(B,A1)+CF(B,A2)-CF(B,A1)×CF(B,A2)
其中，A、B分别表示证据和结论，A1、A2为组成证据A的子证据，CF(B,A)表示确定性因子，又称CF值；若CF(B,A)>0，CF(B,A)的值越大，则证据的出现越是支持结论为真；若CF(B,A)<0，CF(B,A)的值越小，则证据的出现越是支持结论为假；若CF(B,A)＝0，则证据的出现对结论没有支持作用；P(B|A)表示诊断概率，P(B)表示结论的先验概率。
6.根据权利要求4所述的顾及时空特征的水稻施肥知识图谱构建及知识推理方法，其特征在于，构建水稻施肥方案推荐模型的具体实现方式如下：
首先，输入水稻品种、种植地块和生长时期信息，通过水稻施肥知识图谱匹配问题描述指标信息，获取输入信息的时空特征；接着使用知识表示学习的方法获取水稻施肥知识图谱中全部实体和关系的低维向量表示，在此基础上计算全局相似度并检索相似历史施肥案例；当检索结果相似度较高时，生成水稻施肥方案；当没有相似的历史施肥案例时，结合水稻施肥知识图谱中的已有信息，采用养分平衡法的计算方法补充具体施肥量数值；最后，将水稻生长时期与施肥方案相匹配，形成最终的水稻施肥方案；
(a)相似历史施肥案例检索
相似历史施肥案例检索目标是依据水稻种植情况匹配案例库中问题描述部分相似度较高的历史案例；根据数据类型，将问题描述部分的属性分为数值型属性和文本型属性两类；
数值型属性包括有机质、碱解氮、速效磷、速效钾、pH值和产量水平；不同案例间同一数值型属性的相似度通过两个值归一化之后的距离来进行表示，具体计算过程下式所示：
式中和/>分别表示第i个案例和待推荐案例j属性k的值，/>和/>分别表示属性k的最大值和最小值，/>表示/>与/>的数值型属性相似度；
文本型属性为水稻品种和生长时期；在进行相似历史施肥案例时，需要计算不同水稻品种之间的相似性，由于文本型属性的相似性无法直接被计算机度量，因此需要对其进行向量化表示；文本型属性在知识图谱中以实体、关系的形式存储，采用离散的、显式的符号化表示，基于知识图谱向量化表示进行矢量运算能够反映实体间的相似性；水稻施肥知识图谱中属性关系均为一对一关系，因此使用TransE模型进行知识表示学习，TransE模型的核心思想是当三元组(h,r,t)成立时应满足下式：
h+r≈t
模型评分函数定义参见下式：
fr(h,t)＝||h+t-r||L1/L2
其中，h是头实体，r是关系，t是尾实体，L1、L2分别为第一、第二范式；对于一个正确的三元组，期望其得分越小越好；对于一个错误的三元组，期望其得分越高越好；
以知识图谱表示学习后获取的水稻品种分布式低维向量作为各类型水稻品种的数值化表示，利用向量间的余弦相似度计算水稻品种间的相似性，余弦相似度计算式如下：
其中，和/>分别代表待推荐案例和第i个案例的水稻品种属性k的向量，/>表示水稻品种向量间的余弦相似度；
使用下式计算案例的全局相似度，将全局相似度较高的历史案例作为案例检索的结果：
其中，K表示属性个数，wk表示属性k的权重，sk表示两个案例之间属性k的相似度，Si表示第i个案例与待推荐案例之间的全局相似度；
(b)养分平衡法计算
养分平衡法旨在实现作物与土壤间养分的供求平衡，根据作物需要的肥量与土壤所能提供的肥量之差计算实现目标产量所需要的肥量，推荐施肥量的计算过程如下式所示：
其中，Fer指所需要的施肥量，Y表示目标产量，U表示肥料当季利用率，W为单位产量养分吸收量、C表示肥料中养分含量、X表示土壤测试值、K表示土壤有效养分校正系数。
7.根据权利要求1所述的顾及时空特征的水稻施肥知识图谱构建及知识推理方法，其特征在于，步骤S3具体实现如下：
(1)对5种常见水稻营养失调症进行模型性能测试，采用准确率评价指标对水稻营养元素诊断模型进行评估；
(2)采用实验区域现行水稻施肥方案推荐结果与水稻施肥方案推荐模型实验结果进行对比，包括施肥时期、施肥量、肥料类型三类结果的对比。
CN202311109681.0A 2023-08-31 2023-08-31 顾及时空特征的水稻施肥知识图谱构建及知识推理方法 Pending CN117114099A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311109681.0A CN117114099A (zh) 2023-08-31 2023-08-31 顾及时空特征的水稻施肥知识图谱构建及知识推理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311109681.0A CN117114099A (zh) 2023-08-31 2023-08-31 顾及时空特征的水稻施肥知识图谱构建及知识推理方法

Publications (1)

Publication Number Publication Date
CN117114099A true CN117114099A (zh) 2023-11-24

Family

ID=88810740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311109681.0A Pending CN117114099A (zh) 2023-08-31 2023-08-31 顾及时空特征的水稻施肥知识图谱构建及知识推理方法

Country Status (1)

Country Link
CN (1) CN117114099A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117688404A (zh) * 2024-02-02 2024-03-12 北京市农林科学院智能装备技术研究中心 智能施肥配方决策方法、装置、设备、介质及程序产品

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117688404A (zh) * 2024-02-02 2024-03-12 北京市农林科学院智能装备技术研究中心 智能施肥配方决策方法、装置、设备、介质及程序产品
CN117688404B (zh) * 2024-02-02 2024-05-10 北京市农林科学院智能装备技术研究中心 智能施肥配方决策方法、装置、设备、介质及程序产品

Similar Documents

Publication Publication Date Title
Akkem et al. Smart farming using artificial intelligence: A review
CN117114099A (zh) 顾及时空特征的水稻施肥知识图谱构建及知识推理方法
Rousi et al. Semantically enriched crop type classification and linked earth observation data to support the common agricultural policy monitoring
Ngo et al. Knowledge representation in digital agriculture: A step towards standardised model
Wang et al. Design of the Sports Training Decision Support System Based on the Improved Association Rule, the Apriori Algorithm.
Ganesh et al. Extreme Learning Mechanism for Classification & Prediction of Soil Fertility index
Bandi et al. Voting classifier-based crop recommendation
Yan et al. Research on precision management of farming season based on big data
Wang et al. Trustworthy remote sensing interpretation: Concepts, technologies, and applications
Kumar et al. A Novel Cluster Analysis-Based Crop Dataset Recommendation Method in Precision Farming.
Chakraborty et al. A smart farming-based recommendation system using collaborative machine learning and image processing
Vispute et al. Performance Analysis of Soil Health Classifiers Using Data Analytics Tools and Techniques for Best Model and Tool Selection.
Keskin et al. FSOLAP: A fuzzy logic-based spatial OLAP framework for effective predictive analytics
Pawar et al. A Novel Hybrid AI Federated ML/DL Models for Classification of Soil Components
Vaidya et al. Exploring performance and predictive analytics of agriculture data
Wang et al. Application of modern GIS and remote sensing technology based on big data analysis in intelligent agriculture
Laude France’s governmental big data analytics: From predictive to prescriptive using R
Karmaoui Network analysis on artificial intelligence in agriculture, a bibliometric review
Ajmera et al. Crop, Fertilizer, & Irrigation Recommendation using Machine Learning Techniques
APAMPA Food Security and the Climate Crisis: A Data Driven Analysis of the Nigerian Situation from 2011 To 2020
Priya et al. Crop Recommendation Using Machine Learning
Chollet et al. IoT-Enabled Agroecology: Advancing Sustainable Smart Farming Through Knowledge-Based Reasoning.
McHugh et al. Data-driven classifiers for predicting grass growth in northern ireland: a case study
Mittal et al. Implementation and identification of crop based on soil texture using AI
Dissanayake et al. Crop Yield Forecasting using Machine Learning Techniques-A Systematic Literature Review

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination