序論：在您撰寫農作物科學施肥與土壤肥力查詢分析時，參考他人的優秀作品可以開闊視野，小編為您整理的1篇范文，希望這些建議能夠激發您的創作熱情，引導您走向新的創作高度。

隨著經濟的快速蓬勃發展，全球環境污染越來越嚴重。其中農業生產引起的土壤污染是面源污染的主要方面，特別在施肥過量時沒有被農作物吸收的營養元素是引發水體水質惡化的重要因素；另外，肥料用量不當還會影響農作物的產量和質量以及土壤的理化性質，既對農民造成財產損失，也對糧食安全造成威脅[1-5]。因此，在農業生產過程中，科學施肥、測土配方施肥都是重要的關注點。

快速、準確了解種植區土壤肥力狀況，精準把握不同農作物的施肥管理措施勢在必行。在人工智能飛速發展的時代，知識圖譜的廣泛應用產生了眾多交叉學科，基于知識圖譜的智能問答系統研究也乘勢而起。知識圖譜是基于圖結構的數據格式，非常便于計算機系統的存儲及搜索，它強大的語義表達能力可以產生眾多知識服務應用，智能問答系統是其中重要的一個分支[6-7]。

在農作物科學施肥管理與土壤肥力領域，如果引入專業的基于農業知識圖譜的智能問答系統，高效精準地為農業種植戶、生態農業中心提供土壤肥力信息與科學施肥管理方法，這對于國家農業發展具有重要的現實意義。為此，該研究從構建農作物科學施肥管理與土壤肥力領域本體入手，通過挖掘安徽省常見農作物的科學施肥管理措施及行政區內土壤肥力指標數據存入Neo4j圖數據庫[8-11]，并采用模式匹配方法構建問答系統問句類型、關鍵詞和規則，從而實現安徽省農作物科學施肥管理與土壤肥力查詢知識問答系統的構建和實現。

1農作物科學施肥管理與土壤肥力知識圖譜構建

1.1本體及類層次

該研究根據構建農作物科學施肥管理與土壤肥力知識圖譜的目的和使用范圍，根據領域專家建議，采用人工構建的方法，使用Protégé本體庫構建工具構建安徽省農作物科學施肥管理與土壤肥力領域本體，其類層次如圖1所示。安徽省農作物科學施肥管理與土壤肥力領域本體共包括3層，其中最高父類為概念（Concepts），其子類包括地區（Districts）、土壤肥力（Soilfertility）、施肥管理（Fertil-ization）、常見農作物（Crops）4個類。其中，地區類又包括省（Province）、市（City）、縣/區（County）、鄉鎮/街道（Town）4個子類；土壤肥力類包括pH、有機質（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個子類；施肥管理類包括氮肥（Nitrogenfertilizer）、磷肥（Phosphatefertilizer）、鉀肥（Potassium）3個子類；常見農作物類包括小麥（Wheat）、水稻（Rice）、玉米（Corn）、油菜（Rape）、馬鈴薯（Potato）、棉花（Cotton）、花生（Peanut）、大豆（Soybean）8個子類。

1.2數據來源與數據層構建

農作物科學施肥管理與土壤肥力知識圖譜構建的數據層構建包括3個方面，其一為從國家地球系統科學數據中心平臺獲取的安徽省1∶400萬土壤全氮、全磷、全鉀、pH、有效磷、有效氮、有機質、粘粒、砂粒、粉粒分布圖（全國第二次土壤普查數據）經反距離加權插值法得到的結構化數據；其二和其三分別是測土配方查詢系統網絡數據、安徽省土壤肥力相關主題與安徽省常見農作物施肥管理政策相關主題期刊文獻。后兩者的數據獲取通過深度學習模型ERNIE-BiLSTM-CRF、PCNN-Attention分別進行實體識別和關系抽取。

1.3知識存儲及可視化展示

目前常用的知識圖譜存儲方法包括3類：基于關系數據庫的存儲方案、面向RDF的三元組數據庫和原生圖數據庫[12]。該研究采用第三類中最流行的圖數據庫Neo4j存儲抽取到數據源中的所有實體、關系、屬性三元組。農作物科學施肥管理與土壤肥力知識圖譜使用Neo4j的Cypher語言實現實體、關系及屬性的導入、存儲、查詢、增刪和可視化等操作。圖2展示了農作物科學施肥管理與土壤肥力知識圖譜的其中一部分節點及關系。

2基于農作物科學施肥管理與土壤肥力知識圖譜的問答系統

安徽省農作物科學施肥管理與土壤肥力農業智能問答系統的主要功能是可以查詢安徽省省級、市級、縣/區級、鄉鎮/街道級4級行政區內的8種常見農作物（小麥、水稻、玉米、油菜、馬鈴薯、棉花、花生、大豆）的科學施肥管理措施，以及相應地區土壤肥力指標（pH、有機質、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。基于知識圖譜的智能問答系統設計主要包括前端設計、后端設計及問答實現。

2.1問答系統前端與后端設計及問答功能實現

問答系統前端設計采用JSON語言，采用Vue3交互框架，Element-Plus布局框架，vite編譯框架。后端設計采用go語言，Ginweb框架，與gorm數據庫框架。問答過程采用模式匹配方式。模式匹配是數據結構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。在農作物科學施肥管理問答方面，問句類型設計為：安徽省某地+（可選）某種常見農作物+keyword。例如，懷寧縣的水稻施肥建議。在土壤肥力指標查詢方面，問句類型設計為：安徽省某地+（可選）某種肥力指標+keyword。例如，懷寧縣的pH肥力指標。其中，農作物科學施肥管理問答方面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。在土壤肥力指標查詢方面，keyword選擇了指標、土壤肥力、肥力、土壤理化指標、理化指標、土壤指標、肥力指標、土壤理化性質等。

2.2問答功能實現

農作物科學施肥管理與土壤肥力智能問答系統設計完成后，多次對該系統的問答功能與系統部署進行了測試。使用者輸入問句時，詢問的關鍵詞會被檢索，系統會圍繞該詞作出回答[13-15]。問答系統在安徽省省級、市級、縣/區級、鄉鎮/街道級4級行政區內均可以回答8種常見農作物的科學施肥管理方法，具體見圖3；同樣地，在4級行政區上也可以查詢安徽省土壤肥力十大指標的最大值、最小值和平均值。

2.3問答系統性能分析

試驗通過人工標注土壤肥力相關數據1151條，隨機打亂后選取總數的20%作為該問答系統的測試數據，并將問題輸入農作物科學施肥管理與土壤肥力問答系統中，得出結果以統計其中的P值和R值。試驗結果表明，基于ERNIE-BiLSTM-CRF的實體識別模型在土壤肥力語料庫上準確率P值達到92.85%、召回率R值達到92.00%、F1值達到92.59%。這說明該研究構建的農作物科學施肥管理與土壤肥力問答系統可以為使用者提供有效的問答體驗。

3結論與討論

目前，隨著大數據、人工智能、深度學習等技術的不斷發展和成熟，顛覆了以往的知識服務方式，以這些信息技術為基礎的信息服務具有交互更靈活、響應更快速、內容更豐富、服務更智能等特點，一方面給人們帶來更多便利，另一方面也節省了大量人力成本。而在農業科學領域，很多基礎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圖譜的方法建立智能問答系統，初步取得了理想結果，為踐行智慧農業服務邁開了重要一步，具有重要的理論與現實意義。后續研究工作中，需要解決包括構建智能問答系統及知識圖譜在內的數據來源分散、結構不一致、標注語料質量參差不齊，以及僅依靠相關深度學習模型不能覆蓋所有知識等問題。同時也考慮加強問答系統對自然語言問題多樣性的處理能力，支持自然語言提問，支持對更多形式問題的回答。將該研究構建的智能問答系統擴展到更多、更廣泛的農業場景中去，也需要在技術上不斷嘗試，使問答系統更加智能，用戶使用更加便捷，為我國的智慧農業發展貢獻力量。

參考文獻

[1]李敏，卜容燕，韓上，等.安徽省冬小麥施肥現狀與肥料利用效率[J].應用生態學報，2020，31（9）：3051-3059.

[2]唐賢，梁豐，徐明崗，等.長期施用化肥對農田土壤pH影響的整合分析[J].吉林農業大學學報，2020，42（3）：316-321.

[3]王鵬舉，馬友華，方燦華，等.安徽省縣域測土配方施肥決策系統開發與應用研究[J].中國農學通報，2009，25（4）：283-287.

[4]胡軼楠.基于智能農業的測土配方施肥決策支持系統研究[D].長春：吉林大學，2016.

[5]卜容燕，程燚，王慧，等.安徽省冬油菜的施肥現狀及肥料利用率[J].中國農業科學，2020，53（10）：2034-2044.[6]吳茜.基于知識圖譜的農業智能問答系統設計與實現[D].廈門：廈門大學，2019.[7]王思宇，邱江濤，洪川洋，等.基于知識圖譜的在線商品問答研究[J].中文信息學報，2020，34（11）：104-112.

[8]徐明崗，梁國慶，張夫道，等.中國土壤肥力演變[M].北京：中國農業科學技術出版社，2006.

[9]姜華.土壤肥料的科學理論與技術研究[M].北京：中國水利水電出版社，2015.

[10]陳華鈞，張文，黃志文，等.大規模知識圖譜預訓練模型及電商應用[J].大數據，2021，7（3）：97-115.

[11]周莉娜，洪亮，高子陽.唐詩知識圖譜的構建及其智能知識服務設計[J].圖書情報工作，2019，63（2）：24-33.

[12]王昊奮，漆桂林，陳華鈞.知識圖譜：方法、實踐與應用[M].北京：電子工業出版社，2019.

[13]劉羿，馮子恩，萬曉嫻.基于知識圖譜的急診問答系統[J].電腦與電信，2020（4）：51-55.

[14]陳璟浩，曾楨，李綱.基于知識圖譜的“一帶一路”投資問答系統構建[J].圖書情報工作，2020，64（12）：95-105.

[15]王震南，董寶良，田飛.基于知識圖譜的軍事知識問答系統設計[J].信息技術，2020，44（12）：121-124，128.

作者:張彩麗 吳賽賽 李瑋 王慧單位:安徽省農業科學院農業經濟與信息研究所 國農業科學院農業信息研究所 安徽省農業科學院作物研究所 徽省農業科學院土壤肥料研究所