摘要
农业知识图谱是知识图谱技术在农业领域的创新应用，通过结构化方式组织农业知识，实现农业生产知识的系统化管理与智能应用。农业知识图谱能够整合分散的农业专家知识、科研成果和生产经验，为农业从业者提供精准的知识服务。本文系统阐述农业知识图谱构建的技术方法、核心要素和典型应用场景，为农业信息化建设和智慧农业发展提供参考。时维遥感在农业知识图谱领域进行了深入探索，开发了多个农业知识图谱应用系统，本文中将分享相关实践经验。
一、农业知识图谱概述与发展背景
1.1 知识图谱的基本概念
知识图谱是Google于2012年提出的概念，本质是一种语义网络，通过图的结构形式表示知识及其关系。知识图谱中的节点代表实体或概念，边代表实体之间的关系。通过知识图谱，计算机能够理解自然语言中蕴含的语义信息，实现智能问答、推理推荐等高级应用。
知识图谱的构建通常包括知识抽取、知识融合、知识存储和知识应用四个环节。知识抽取从非结构化或半结构化数据源中识别实体、抽取关系；知识融合对来自不同来源的知识进行整合消歧；知识存储将结构化知识存入图数据库；知识应用基于知识图谱提供检索、问答、推理等服务。
知识图谱相比传统知识管理方式具有显著优势。传统知识管理以文档为单位，知识检索依赖关键词匹配，难以理解语义；知识图谱以知识点为单位，通过关系连接形成网络，支持语义的精准检索和推理。知识图谱还支持知识可视化，以图形化方式展示知识结构，便于用户理解和探索。
1.2 农业知识图谱的特殊性
农业知识图谱面向农业生产领域，具有领域特殊性。首先是知识来源的多样性，农业知识分散在科研论文、专家经验、农技书籍、生产记录、政策文件等多种载体中，需要从异构数据源中抽取知识。其次是知识的专业性，农业涉及作物学、植物保护学、土壤学、农业气象学等多个学科，知识体系复杂，需要专业的领域知识指导构建。
农业知识的时效性也是重要特征。作物品种更新换代快，栽培技术持续演进，病虫害发生规律随气候变化而改变。农业知识图谱需要支持知识的动态更新，保证知识的时效性。此外，农业知识具有显著的地域性，同一种作物在不同地区的种植技术可能差异很大，知识图谱需要考虑空间位置属性。
农业从业者的多样性对知识图谱应用提出不同要求。农业专家需要系统化的知识体系支撑科研决策；农技人员需要快速查询的病虫害诊断知识；普通农民需要通俗易懂的实用技术指导。时维遥感在农业知识图谱设计中充分考虑了这些差异化需求，采用分层分类的知识组织方式。
1.3 农业知识图谱的发展历程
农业知识图谱的发展经历了三个阶段：萌芽期、发展期和成熟期。萌芽期以专家系统为代表，通过规则编码农业专家知识，但知识获取困难、维护成本高。发展期以农业本体研究为代表，探索农业知识的标准化表示，但规模化应用不足。
当前处于成熟期，以深度学习技术为驱动，农业知识图谱的构建效率和应用能力显著提升。互联网农业信息的爆发式增长为知识抽取提供了丰富语料；自然语言处理技术的进步使自动化知识抽取成为可能；图数据库技术的成熟为大规模知识存储提供了基础设施。
国家层面高度重视农业知识服务能力建设。农业农村部推动建设国家农业科学数据中心，整合农业科研数据资源；科技部部署农业科技创新工程，支持智慧农业关键技术研发。这些政策为农业知识图谱发展创造了良好环境。
二、农业知识图谱构建技术框架
2.1 农业知识体系设计
农业知识体系是知识图谱的骨架，决定了知识组织的逻辑结构。农业知识体系设计包括概念层设计和实体层设计。概念层定义农业领域的基本概念及概念层次关系，如作物-粮食作物-水稻；实体层定义具体实例，如五常大米、泰国香米。
农业知识体系设计参考现有的农业分类标准和本体规范。农业病虫害分类遵循国际植物保护公约的分类体系；作物品种分类参考UPOV植物品种分类规范；农药分类遵循农药登记管理规范。时维遥感在知识体系设计中还充分参考了农业高校的课程体系和农业科研的项目分类，确保知识体系的完整性和权威性。
知识体系的规模根据应用需求确定。小型知识图谱可覆盖单一作物或单一领域；大型知识图谱需要覆盖整个农业领域。知识体系还需要考虑与外部知识库的链接，如链接到国家统计局农业数据、链接到农产品质量追溯系统等。
2.2 农业知识抽取技术
知识抽取是从数据源中识别知识并结构化表达的过程，包括命名实体识别、关系抽取、属性抽取三个任务。命名实体识别在文本中识别农业实体，如作物名称、病虫害名称、农药名称等；关系抽取识别实体之间的关系，如“水稻-患-稻瘟病”；属性抽取识别实体的属性信息，如水稻的生长周期、适宜温度等。
农业领域知识抽取面临诸多挑战。农业文本中存在大量专业术语和缩写，如“纹枯病”“赤霉病”等病虫害名称，“吡虫啉”“多菌灵”等农药名称；农业文本还存在大量俗名和别名，如“稻瘟病”又称“稻热病”，需要统一处理。农业文本的表述方式多样，同一知识可能以不同方式表达。
深度学习技术显著提升了知识抽取的效果。基于预训练语言模型的方法如BERT、ERNIE在农业实体识别任务上取得了优异表现。时维遥感针对农业文本特点训练了领域预训练模型，在农业知识抽取任务上相比通用模型准确率提升了15%以上。针对农业知识的特点，还设计了多种数据增强策略，提高模型对多样化表述的泛化能力。
2.3 农业知识融合与消歧
知识融合是整合来自不同来源的知识，解决知识冲突和重复问题。农业知识来源众多，不同来源的知识可能存在冲突，如某病虫害的防治方法在不同文献中可能有差异；也可能存在重复，如同一知识以不同表述出现在多篇文献中。
知识融合的核心是实体对齐和属性融合。实体对齐判断不同来源的实体是否指向同一对象，如“五常大米”和“黑龙江省五常市特产大米”指向同一实体。属性融合对实体的多个属性值进行整合，如某作物的生育期在不同资料中可能有不同记载，需要确定权威值或保留多个值并标注来源。
知识消歧是处理知识歧义性的过程。农业中存在大量同名异物和异物同名的现象。如“锈病”可指小麦锈病、玉米锈病、豆类锈病等多种病害；“白粉病”可发生在小麦、黄瓜、葡萄等多种作物上。知识消歧需要结合上下文语境确定具体含义。
三、农业知识图谱存储与检索技术
3.1 图数据库选型与设计
图数据库是存储知识图谱的专用数据库，以图的结构存储数据，适合知识图谱的查询和推理。主流图数据库包括Neo4j、JanusGraph、OrientDB、腾讯云图数据库等。选择图数据库需要考虑性能、扩展性、可用性等因素。
Neo4j是应用最广泛的图数据库，采用原生图存储，查询性能优异，适合中小规模知识图谱。JanusGraph基于Apache TinkerPop构建，支持分布式部署，适合大规模知识图谱。国产图数据库在自主可控方面具有优势，如华为云图引擎、腾讯云图数据库等。
图数据库的Schema设计影响查询效率。知识图谱的Schema通常包括节点类型和关系类型。以农业知识图谱为例，节点类型包括作物、品种、病虫害、农药、肥料、农事操作等；关系类型包括“患于”“危害”“使用”“防治”“适宜”等。良好的Schema设计需要平衡查询灵活性和存储效率。
3.2 知识图谱查询语言
知识图谱查询使用专用的查询语言，如Cypher、Gremlin等。Cypher是Neo4j的查询语言，语法直观易学；Gremlin是Apache TinkerPop的标准查询语言，具有更好的通用性。
知识图谱查询可以解决复杂的关联问题。如查询“所有可能导致水稻穗颈瘟的虫害及其防治方法”，关系数据库需要多表连接查询，语句复杂且效率较低；知识图谱只需两步关系查询即可完成。农业领域的许多问题本质是关联问题，如病虫害诊断需要关联症状、病原、环境条件等多方面知识，知识图谱天然适合这类应用。
时维遥感在知识图谱应用开发中，总结了一套农业知识查询模板，涵盖病虫害诊断、农事推荐、品种选择等常见应用场景。用户可以通过自然语言提问，系统自动转换为图查询，返回结构化答案。
3.3 知识图谱可视化技术
知识图谱可视化以图形方式展示知识结构和查询结果，帮助用户理解知识关联。可视化的挑战在于：当知识图谱规模较大时，完整展示所有节点和关系会形成难以理解的“毛球图”；需要采用分层、筛选、聚合等策略突出关键信息。
分层可视化根据概念的层次关系，将知识图谱分为多个层次。如将农业知识图谱分为作物层、病虫害层、农药层、农事层等，用户可以选择感兴趣的层次进行查看。筛选可视化根据节点类型、关系类型、属性条件等筛选，展示用户关注的部分图谱。
交互式可视化支持用户探索知识图谱。用户点击某个节点，可以查看节点详情和关联关系；可以进一步展开关联节点，逐步探索知识网络。这种交互式探索方式特别适合用户学习和发现新知识。
四、农业知识图谱典型应用场景
4.1 智能病虫害诊断系统
病虫害诊断是农业知识图谱的典型应用场景。传统的病虫害诊断依赖农技人员现场查看，或者农民查阅资料自行判断，效率低且准确性难以保证。基于知识图谱的智能诊断系统能够根据用户描述的症状，快速定位可能的病虫害，并给出防治建议。
智能诊断系统的工作流程是：用户输入作物种类和症状描述；系统从知识图谱中检索可能相关的病虫害；系统根据病害特征匹配程度排序，返回诊断结果和建议。知识图谱中存储了病虫害的症状特征、发病条件、传播规律等信息，为诊断推理提供知识支撑。
时维遥感开发的农业病虫害智能诊断系统已在全国多个省份推广应用。系统收录了主要粮经作物病虫害知识图谱，涵盖病虫害种类超过2000种。系统在测试中达到了90%以上的诊断准确率，有效降低了农药滥用风险，保护了农业生态环境。
4.2 农业技术智能问答
农业技术智能问答系统为农业从业者提供即时知识服务。用户可以用自然语言提问，如“水稻纹枯病用什么药防治”“小麦赤霉病什么温度容易发生”等，系统从知识图谱中检索答案并以自然语言形式回复。
智能问答系统的核心技术是问句理解和答案生成。问句理解识别用户意图和关键实体，如识别出用户询问的是“水稻纹枯病”的“防治方法”。答案生成从知识图谱中检索相关知识，组织成流畅的自然语言答案。对于复杂问题，系统可以分步骤回答，或提供多个可选方案供用户选择。
农业智能问答系统还需要考虑方言问题。不同地区的农民使用方言表述可能存在差异，系统需要理解方言表达的含义。时维遥感在系统中引入了方言处理模块，支持主流农业方言的语音和文本输入，提高了系统的实用性。
4.3 精准农业决策支持
农业知识图谱为精准农业决策提供知识支撑。在变量施肥决策中，系统需要考虑土壤养分状况、作物养分需求、肥料特性等多方面知识，知识图谱提供这些知识的结构化表示和推理能力。
在种植结构调整决策中，知识图谱提供作物特性、市场需求、政策导向等多源信息。决策者可以查询不同作物的比较优势、历史价格走势、政策补贴力度等，综合制定种植计划。知识图谱还记录了作物与其他因素的关联关系，如某作物与某病虫害的伴生关系、某作物与某土壤类型的适宜关系等，为决策提供更全面的信息。
农产品质量追溯也是知识图谱的重要应用。通过将农产品生产、加工、流通全过程的信息关联到知识图谱，实现全程可追溯。消费者扫码即可查看产品的完整生产档案，生产者可以快速定位问题环节，政府监管部门可以追溯问题产品流向。
五、农业知识图谱发展趋势
5.1 多模态知识图谱
传统知识图谱主要处理文本知识，忽略图像、音频、视频等多媒体信息。农业领域存在大量图像信息，如病虫害图片、作物形态图片、农机图片等。多模态知识图谱融合文本和图像知识，提供更丰富的知识表达。
多模态知识图谱的构建面临多模态对齐问题。图像中的实体需要与文本中的实体对应，这需要图像标注或图像理解技术的支持。深度学习在图像理解方面取得的突破，如目标检测、图像 caption 等，为多模态知识图谱构建提供了技术基础。
时维遥感正在研发农业多模态知识图谱系统，融合病虫害图像、作物照片、遥感影像等多源图像知识。系统支持基于图像的病虫害识别，用户上传病虫害图片即可自动识别并获取防治知识。
5.2 时空知识图谱
农业知识具有显著的时空特性。病虫害发生规律随季节变化，作物生长状态随时间推进，土壤养分分布具有空间异质性。时空知识图谱在传统知识图谱基础上增加时间和空间维度，支持时空查询和推理。
时空知识图谱的应用场景包括：病虫害预测需要考虑时间维度，根据历史发生规律和当前气候条件预测未来发生趋势；精准农业管理需要考虑空间维度，根据土壤养分空间分布制定变量施肥方案；农业灾害评估需要考虑时空维度，快速定位灾害发生的时间和空间范围。
5.3 主动知识服务
传统的知识服务是被动的，用户主动查询才能获取知识。主动知识服务根据用户画像和上下文，主动推送相关知识。如根据用户种植的作物和当前生长阶段，主动推送相应的农事操作提醒；根据当地气象条件和病虫害监测数据，主动推送病虫害预警信息。
主动知识服务需要用户画像和知识画像的支持。用户画像描述用户的基本特征、种植结构、历史行为等；知识画像描述知识的适用场景、时效性、置信度等。通过匹配用户画像和知识画像，实现知识的精准推送。
结语
农业知识图谱是智慧农业的重要基础设施，对于整合农业知识资源、提升农业知识服务水平、推动农业现代化发展具有重要意义。本文系统介绍了农业知识图谱的概念、构建技术、存储技术和典型应用，为农业知识图谱建设提供了参考。时维遥感将继续深耕农业知识图谱领域，以知识驱动农业智能化转型，为乡村振兴战略贡献力量。
