农业知识图谱构建与智能问答系统：让农业知识"活"起来
农业知识图谱构建与智能问答系统是智慧农业从"数据驱动"迈向"知识驱动"的关键一步。本文系统阐述农业领域知识图谱的构建方法论，涵盖多源异构数据抽取、实体关系识别、本体设计与动态更新机制，以及基于大语言模型的图检索增强生成技术在农技问答、病虫害诊断、种植方案推荐等场景中的创新应用。
摘要： 农业领域蕴藏着海量的隐性知识——从农技推广手册到病虫害测报数据，从种植方案案例库到学术论文，但这些知识分散在不同格式、不同来源的文档中，难以被高效检索和利用。知识图谱技术通过将碎片化的农业知识转化为结构化的实体-关系网络，配合大语言模型驱动的智能问答系统，正在改变农民获取农技服务的方式。本文从知识抽取、图谱构建、问答推理三个层面，结合国内外最新研究进展，深入探讨农业知识图谱的技术体系与应用前景。
农业生产是一个高度依赖经验知识的领域。一个经验丰富的农技员能够在田间观察几分钟后，准确判断作物病害类型并给出防治方案；一个熟悉当地气候的老农知道何时播种、何时施肥、何时收割。然而，这些宝贵的隐性知识往往随着人口老龄化和城市化进程而加速流失。与此同时，农业科研机构每年产出数以万计的论文、专利和技术报告，但这些显性知识被锁在数据库和PDF文件中，难以触达真正需要它们的一线农户。
农业知识图谱的出现，为破解这一困局提供了全新的技术范式。知识图谱是一种用图结构表示知识的技术，其中节点代表实体（如作物品种、病害、农药、地块），边代表实体之间的关系（如"感染"、"防治"、"适宜种植于"）。当数百万条这样的关系被编织成一张巨大的知识网络，机器就能够像人类专家一样进行推理——从"所有十字花科作物易感染根肿病"和"白菜属于十字花科"推导出"白菜可能感染根肿病"。
农业知识图谱的构建流程：从数据到知识
农业知识图谱的构建是一个系统工程，通常遵循"数据采集—知识抽取—知识融合—图谱构建—动态更新"的五步流程。
数据采集层需要整合三类异构数据源。第一类是结构化数据，包括农业政策文件中的数值标准、农药残留限量数据库、土壤检测报告等，这类数据可直接通过规则引擎转化为三元组。第二类是半结构化数据，如农技推广网站上的病害百科、作物品种数据库，可通过包装器技术进行抽取。第三类是非结构化数据，这是最大的挑战——包括几十年积累的农学期刊论文、农技推广手册、田间农事记录、甚至农户口述经验，需要借助自然语言处理技术进行深度挖掘。
以S2阶段的知识抽取为例，当前主流方案采用大语言模型+领域微调的双层架构。首先，在超过500GB的农业领域语料库上对通用大模型进行微调，语料涵盖《农业工程学报》《中国农业科学》《作物学报》等核心期刊文献、病虫害测报数据、种植方案案例库等。其次，引入领域知识蒸馏技术，将农业专家标注的10万条以上实体关系对编码为结构化提示模板，通过对比学习机制将专家知识嵌入模型参数空间。最终训练出的模型能够识别超过100种农业关系类型，包括复杂的三元关系，如"氮肥-促进-小麦分蘖"。
实体识别是知识抽取的核心环节。农业领域的实体类型体系极为丰富，作物实体需细分为粮食作物、经济作物、园艺作物三级类目，病害实体需包含病原类型（真菌/细菌/病毒）、发病部位、危害等级等属性，农事操作实体需涵盖播种、施肥、灌溉、施药、采收等全周期动作。大语言模型的零样本/少样本学习能力在此发挥了关键作用——当模型遇到训练数据中未出现过的新型病虫害时，可通过实体描述文本的语义嵌入向量与已知实体类型的余弦相似度匹配，以0.85的相似度阈值判定新实体类别。
本体设计：农业知识图谱的骨架
如果说实体和关系是知识图谱的血肉，那么本体就是骨架。农业领域本体定义了知识图谱的顶层概念框架，决定了不同实体如何被组织、分类和关联。当前主流的农业知识图谱本体设计通常包含8个顶级概念：农业资源（土地、水源、种子）、农业主体（农户、合作社、企业）、农业生产（种植、养殖、加工）、农产品（粮食、果蔬、畜禽）、农业环境（气候、土壤、地形）、农业科技（品种、农药、农机）、农业政策（补贴、标准、规划）和农业经济（价格、贸易、金融）。
本体设计需要兼顾领域完备性和动态扩展性。一方面，8个顶级概念下需细化出32个二级概念和超过2000个实体类型，确保覆盖农业全产业链的知识需求；另一方面，本体的版本管理机制必须支持增量更新——当新作物品种或新型农药出现时，知识图谱应能自动扩展相关概念节点，而非重新构建。
知识融合与质量保障
多源数据汇聚不可避免地带来知识冲突。同一作物在不同文献中的适宜播种期可能相差一周，同一病害在不同地区的防治方案可能存在矛盾。农业知识图谱的知识融合环节需要解决三大问题：实体对齐（识别不同来源中指代同一实体的记录）、冲突消解（判断冲突知识中哪条更可信）和质量评估（从准确性、完整性、一致性、时效性四个维度评价知识质量）。
在实体对齐方面，多模态对齐技术正在成为前沿方向。以苹果为例，同一品种在不同文献中可能以文字描述、果实图像、光谱特征等多种形态出现，多模态对齐通过图像分支的ResNet特征提取与文本分支的BERT语义编码的跨模态融合，实现不同模态下同一实体的精准匹配。在跨语言对齐方面，构建包含50万条以上中英农业术语对的双语对照词典，结合回译验证机制，确保中文知识图谱与国际农业知识体系的互操作性。
从知识图谱到智能问答：图检索增强生成
知识图谱构建完成后，如何让终端用户——尤其是文化程度参差不齐的农户——便捷地获取知识？答案在于智能问答系统。
传统的关键词搜索需要用户具备一定的检索技巧，而基于大语言模型的对话式问答则允许用户以自然语言提问。但通用大语言模型在面对农业专业问题时容易产生幻觉——编造不存在的农药名称或错误的施药剂量。这正是图检索增强生成技术的价值所在：当用户提问"小麦出现赤霉病怎么办"，系统首先在知识图谱中检索与"小麦赤霉病"相关的实体和关系，提取出病原菌类型、发病条件、推荐农药、施药时期等结构化知识，作为上下文注入大语言模型的提示词中，模型再基于这些可靠知识生成回答。这种方式从根本上约束了模型的信息来源，大幅降低了幻觉风险。
根据FAO维护的AGROVOC农业主题词表的研究实践，基于知识图谱的问答系统采用多步推理流程：首先利用大语言模型解析用户自然语言问题中的概念实体，然后在知识图谱中执行图遍历查询，通过相关性扩展拉取关联概念（如从"小麦赤霉病"扩展到"小麦锈病"、"赤霉病菌"、"多菌灵"等），将丰富后的查询结果作为语义搜索的上下文，最终从向量数据库中检索相关文档并生成回答。
应用场景：从病虫害诊断到种植方案推荐
农业知识图谱智能问答系统在多个场景中展现出巨大潜力。
在病虫害诊断场景中，农户拍摄作物异常叶片照片，系统通过视觉模型初步识别病害类型，然后在知识图谱中检索该病害的详细特征、传播规律、推荐防治方案及注意事项，生成结构化的诊断报告。结合时维遥感的多光谱遥感数据，系统还能关联地块历史病害记录，提供基于时空上下文的个性化防治建议。
在种植方案推荐场景中，系统根据农户提供的地块位置、土壤类型、气候条件等信息，在知识图谱中推理出最适宜种植的作物品种，并自动生成涵盖播种期、施肥方案、灌溉计划、病虫害防治历的全周期种植方案。
在农技培训场景中，智能问答系统成为基层农技员的"随身专家"。当遇到知识盲区时，农技员可以自然语言提问，系统在数秒内从知识图谱中检索相关知识和案例，辅助现场决策。这种模式在农技人员编制有限、服务半径大的中西部地区尤为有价值。
在市场分析场景中，知识图谱可整合全球农产品贸易数据、价格波动趋势、气候预测等信息，通过归纳推理和类比推理，为农户和农业企业提供市场决策支持。例如，从"甲地使用有机肥增产20%"和"乙地使用有机肥增产18%"归纳出"有机肥可提高产量"的规律性知识。
小草数字"智地"平台：知识图谱的产业化实践
2026年7月，新三板创新层挂牌企业小草数字正式发布农业垂类AI大模型"智地"，聚焦玉米全生命周期管理。该平台的底层正是一个面向玉米种植的垂直知识图谱——整合了截至2025年末在内蒙古玉米主产区积累的200万条土壤检测数据、3000余份玉米全生育期农事记录、5万余张田间表型影像及60个品种生长数据。
"智地"的核心创新在于将土地数据资产转化为可复用、可迭代的智能决策能力。平台为每片耕地建立专属数字档案，知识图谱中的实体关系随数据回流不断更新——每服务一片耕地，都会积累新增作物生长数据，相关算法模型自动优化。盘古智库高级研究员指出，这种"数据资产持续增值"的模式，正是知识图谱技术在农业中区别于传统数据库的核心价值所在。
未来方向：多模态知识图谱与自主推理
当前农业知识图谱仍以文本知识为主，但农业领域天然是多模态的——作物表型图像、病虫害视频、无人机遥感影像、土壤光谱数据都是知识的载体。多模态知识图谱的构建将成为下一阶段的研究热点，它需要解决跨模态实体对齐、视觉语义联合嵌入、多模态关系推理等前沿技术难题。
更长远的目标是自主推理能力。当前知识图谱的推理主要依赖预定义的规则和模板，未来结合因果推理和强化学习技术，知识图谱系统有望自主发现尚未被人类专家明确总结的隐性规律——例如，某种轮作模式与土壤有机质含量变化之间的长期因果关系，或某种气象模式与特定病虫害爆发之间的预测性关联。
农业知识图谱与智能问答系统，正在将数千年积累的农业经验转化为可计算、可检索、可推理的数字知识。时维遥感也在积极探索将遥感大数据与农业知识图谱相结合，通过卫星影像的作物类型识别结果自动关联知识图谱中的品种特性、种植规程和病虫害防治知识，为农户提供"所见即所得"的田间智能问答服务。当每一亩农田都能获得专家级的知识服务，当每一位农户都能随时"对话"数万份农技文献，中国农业的智能化转型才真正拥有了坚实的知识底座。
