基于语义Web的农业生产协同决策服务机制研究

针对分布式农业知识资源异构、自治和难以实现共享服务的问题,采用语义Web技术,提出了基于Web本体建模语言的异构农业知识资源描述模型和决策服务形式化表达模型.以模型为基础,将农业协同决策服务需求分解为多个决策流程片段,设计了基于上下文感知计算的农业问题协同决策服务机制,实现对多个决策流程任务和知识资源的按需调度,提高了农业知识资源的利用效率和协同推理效率.与其他方案不同,该机制进一步考虑了任务均衡分解与知识资源智能调度对协同决策服务机制的影响,并通过生猪疾病协同诊断决策系统的搭建进行了应用实例验证.实验表明,该方法在求解精度、决策效率方面优于传统农业智能决策方法.     

农业智能知识服务研究现状及展望

大数据、物联网和人工智能等现代信息技术在农业中的广泛应用，推动了农业农村现代化和智慧农业的发展，带动了农业经营主体对科技与知识的旺盛需求，农业知识服务成为农业转型升级和高质量发展的重要引擎。为解决现有农业知识分散无序、更新不及时、面向经营主体的知识服务不平衡、供需脱节等问题，本文总结分析了国内外农业知识服务的研究与实践现状，提出了一套基于农业全产业链、按照农业数据的全生命周期、面向农业经营主体的农业智能知识服务体系框架，设计了基于智能物联网（Artificial Intelligence & Internet of Things，AIoT）的农情感知与大数据汇聚治理、基于知识图谱的农业知识组织与计算挖掘，以及基于多场景的农业智能知识服务三个层次。文中归纳了包括空天地AIoT全维度农情感知、多源异构农业大数据汇聚治理、知识建模、知识抽取、知识融合、知识推理、跨媒体检索、智能问答、个性化推荐技术、决策支持等农业智能知识服务涉及的关键技术，并举例了其研究应用。最后从农业数据获取、模型构建、知识组织、智能知识服务技术和应用推广等方面探讨了未来农业智能知识服务的发展趋势及对策建议。总结发现，农业智能知识服务是破解当前农业知识服务供需矛盾，实现跨媒体农业数据到知识的跨越，推动农业知识服务向个性化、精准化和智能化升级的关键，亦是农业科技自立自强、现代农业提质增效的重要支撑。     

面向移动终端的农业知识文语转换系统

设计了一套面向移动终端的农业知识文语转换系统,该系统借鉴语义检索技术中对于关键词的语义处理方式,用语义检索技术处理文本切分过程中所遇到的歧义字段,可将农业文本知识转换为自然流畅的语音,并结合呼叫中心技术、借助移动终端推广农业知识。首先对文语转换中的文本分析流程进行分析,明确歧义字段处理为文语转换的关键点。在明确关键点的基础上,设计出用于进行分词的词典,进而基于词典匹配和统计分析模型对歧义字段进行提取,再基于语义检索对歧义字段进行处理,从而实现歧义字段的切分,最终采用Cool Edit Pro 2.0软件实现语音合成和韵律处理功能,开发出面向移动终端的农业知识文语转换系统,可有效解决歧义字段的处理问题。由测试结果可以看出,本文算法的查准率为94.03%,较最大匹配法和三元语法的查准率分别提高了5.72个百分点和0.97个百分点;本文算法的查全率为95.32%,较最大匹配法和三元语法的查全率分别提高了0.23个百分点和1.95个百分点;本文算法的F-1测度为0.93,较最大匹配法提高了0.01,与三元语法相同,说明本文算法具有较好的性能。     

表示学习技术研究进展及其在植物表型中应用分析

表示学习是一种将研究对象的内在信息表示为稠密低维实值向量的方法,其基本思路是找到对原始数据更好的表达。表示学习凭借其自动提取特征的能力,在处理大量人为先验理解有限的数据时表现出高效性。有监督以及无监督的表示学习模型在文本、图像、三维点云等植物表型数据的分析研究中获得了运用。随着近年来数据量的迅速增长以及基因组学研究的快速发展,植物表型研究数据具有高通量、高精度等特征,表示学习模型在海量高维植物表型数据的分析任务中获得了关注。本文简述了表示学习的相关概念和表示学习技术研究进展,对有监督和无监督的表示学习模型进行对比分析,阐述了植物表型数据概念及其处理方法,重点从植物种类识别、病虫害检测分析、产量预测、基因研究和形态结构表型数据计算等方面,探讨了表示学习在植物表型中的研究应用意义及其存在的问题。最后,指出表示学习在植物表型应用中的发展方向:开发能够适用于分析不同种植物表型数据的表示学习模型,实现高整合度、高通用性的目标;提高表示学习模型的实时性及准确度,以增强其实用性;多模态表型数据的表示学习可为学科的交叉数据分析研究提供统一的数据视图。     

农业病虫害在线诊断技术试验研究

介绍了农业信息技术的研究现状,指出了农业病虫害在线诊断系统功能,包括智能诊断查询、专家在线诊断、农业知识相互交流的平台等方面;分析了农业病虫害在线诊断系统特点,提出了农业病虫害在线诊断系统应用前景。     

农业大模型：关键技术、应用分析与发展方向

[目的/意义]近年来,人工智能在农业领域的应用取得了显著进展,但仍面临诸如模型数据收集标记困难、模型泛化能力弱等挑战。大模型技术作为近期人工智能领域新的热点技术,已在多个行业的垂直领域中展现出了良好性能,尤其在复杂关联表示、模型泛化、多模态信息处理等方面较传统机器学习方法有着较大优势。[进展]本文首先阐述了大模型的基本概念和核心技术方法,展示了在参数规模扩大与自监督训练下,模型通用能力与下游适应能力的显著提升。随后,分析了大模型在农业领域应用的主要场景;按照语言大模型、视觉大模型和多模态大模型三大类,在阐述模型发展的同时重点介绍在农业领域的应用现状,展示了大模型在农业上取得的研究进展。[结论/展望]对农业大模型数据集少而分散、模型部署难度大、农业应用场景复杂等困难提出见解,展望了农业大模型未来的发展重点方向。预计大模型将在未来提供全面综合的农业决策系统,并为公众提供专业优质的农业服务。     

基于网格的农业知识服务机制研究

为了解决网络中知识资源的共享和利用问题,在分析农业网络服务需求的基础上,给出了农业知识服务在网格中的应用模式。同时,提出了由代理封装层、服务工具层和应用层组成的农业知识服务网格架构,并描述了各个逻辑层的主要功能。基于该架构探讨了以本体知识作为桥梁,基于资源描述框架（RDF）的知识表示模型,以及知识服务转接的工作机制、知识服务Web Service封装等关键问题,为最大程度地实现农业知识资源的共享奠定了技术基础。     

基于多语义特征的农业短文本匹配技术

“中国农技推广APP”农业问答社区存在提问数据量大、规范性差、涉及面广、噪声多、特征稀疏等影响文本语义匹配的问题,为了改善农业提问数据相似性判断的性能,提出了融合多语义特征的文本匹配模型Co＿BiLSTM＿CNN,从深度语义、词语共现、最大匹配度3个层面提取短文本特征,并利用共享参数的孪生网络结构,分别运用双向长短期记忆网络、卷积神经网络和密集连接网络构建文本匹配模型。试验结果表明,该模型可以更全面提取文本特征,文本相似性判断的正确率达94.15%,与其他6种模型相比,文本匹配效果优势明显。     

BP神经网络在农业工程中的研究与应用

该文概述了BP神经网络在农机总动力预测、农业专家系统信息决策、虫情测报、农作物水分和养分胁迫、土壤墒情、变量施肥、分类鉴别和图像处理等领域的应用情况,总结了人工神经网络模型的优点,指出其在精准农业和智能农业中的重要理论技术支撑作用。      

简析智能农业在农业生产中的作用与前景

近年来,人工智能技术的飞速发展,对农业生产造成了较大的影响。本文以人工智能技术在农业生产中的作用为入手点。从农业设备智能化、蔬菜果实生产预测及质量分级鉴定、农业生产全过程优化管理等方面,对智能农业在农业生产中应用前景进行了阐述。     

基于注意力机制的农业文本命名实体识别

针对农业智能问答系统构建过程中传统的农业命名实体识别方法依赖人工特征模板、特征信息提取不充分、实体名称多样导致标注不一致等问题,提出一种基于注意力机制的农业文本命名实体识别方法。采用连续词袋模型(Continuous bag of words,CBOW)对输入字向量进行预训练,丰富字向量特征信息,缓解分词准确度对性能的影响;引入文档级的注意力(Attention)机制,获取实体间相似信息,保证实体在不同语境下的标签一致性;基于双向长短期记忆网络(Bi-directional long-short term memory,BiLSTM)和条件随机场(Conditional random field,CRF)模型,构建适合农业领域实体识别的模型框架。选取4604篇农业文本,针对病害、虫害、农药、农作物品种4类实体进行了识别实验。结果表明,模型能有效地辨别农业文本中的实体,缓解实体标记不一致的问题,在农业语料上达到了较好的结果,识别的准确率、召回率、F值分别为93.48%、90.60%、92.01%。与其他3种识别方法相比,模型在不同规模语料库的准确率均有一定提高,具有明显的性能优势。     

基于深度卷积神经网络的水稻知识文本分类方法

为解决文本特征提取不准确和因网络层次加深而导致模型分类性能变差等问题,提出基于深度卷积神经网络的水稻知识文本分类方法。针对水稻知识文本的特点,采用Word2Vec方法进行文本向量化处理,并与OneHot、TF-IDF和Hashing方法进行对比分析,得出Word2Vec方法具有较高的分类精度,正确率为86.44%,能够有效解决文本向量表示稀疏和信息不完整等问题。通过调整残差网络(Residual network,Res Net)结构,分析残差模块结构和网络层次对分类网络的影响,构建了9种分类网络结构,测试结果表明,具有4层残差模块结构的网络具有较好的特征提取精度,Top-1准确率为99.79%。采用优选出的4层残差模块结构作为基本结构,使用胶囊网络(Capsule network,Caps Net)替代其池化层,设计了水稻知识文本分类模型。与Fast Text、Bi LSTM、Atten-Bi GRU、RCNN、DPCNN和Text CNN等6种文本分类模型的对比分析表明,本文设计的文本分类模型能够较好地对不同样本量和不同复杂程度的水稻知识文本进行精准分类,模型的精准率、召回率和F1值分别不小于95.17%、95.83%和95.50%,正确率为98.62%。本文模型能够实现准确、高效的水稻知识文本分类,满足实际应用需求。     

农业病虫害知识问答意图识别与槽位填充联合模型研究

农业病虫害领域的意图识别和槽位填充研究仍处于起步阶段,除语料严重匮乏外,还面临任务相互独立、忽略彼此相关性和未充分利用意图嵌入信息等问题。为此,提出了一种基于意图嵌入信息和槽位门控机制的意图识别与槽-位填充联合模型(AgIG-IDSF)。首先,该模型在共享编码模块引入了注意力机制用于丰富上下文语义特征;其次,提出了一种融合意图嵌入表示和槽位门控机制的意图-槽位交互方法用以增强意图信息指导槽位填充任务的能力,进而提高模型的整体识别性能。在包含22个意图类别、10个槽位类别和11 976条标注样本的自构建语料上进行了实验。结果表明,在该语料上AgIG-IDSF模型的意图识别准确率为94.41%,槽位填充F1值为94.01%,整体识别准确率高达88.07%,显著优于包含双向关联模型在内的多种基准模型,表明了该模型在识别农业病虫害意图与槽位方面的有效性。此外,在公共数据集上的实验结果还表明了该模型具有一定的泛化能力。     

农业物联网技术及其应用推广

要发展智慧农业，实现高产、优质、安全地可持续发展，必须借助科学的手段，充分利用信息化与智能化管理技术建立农业生产、加工和流通的规范化管理体系。该文以农业物联网技术为基础，分别介绍了农业物联网在车载式监控系统、基于CFD冷链车厢温度监控现代物流、设施农业、果园种植业和水产养殖方面的相关应用推广。应用效果表明:物联网技术可有效降低农业生产资源的消耗，并能够有效降低和合理应用水、肥和药。农业物联网技术对精细农业和智慧农业的实现具有重要的指导意义、显著的生态效益与经济效益及很大的应用推广价值。      

大田无人农场关键技术研究现状与展望

无人农场是智慧农业的一种表现形式,也是建设农业强国和实现农业现代化的重要探索。无人农场以数据、知识和智能装备为核心要素,将现代信息技术与农业深度融合,实现农业全过程生产所需的信息感知、定量决策、智能控制、精准投入及个性化服务一体化。本文系统地阐述了大田无人农场的概念与总体技术架构,讨论了信息感知与智能决策、精准作业系统与装备、自动驾驶、无人化农机装备以及无人农场管控平台等五项大田无人农场的关键技术与装备,深入分析了发展中国大田无人农场亟待解决的关键科学与技术问题。以吉林省公主岭市玉米无人农场为例介绍了物联网、大数据、云计算以及人工智能等技术在玉米全程无人化生产中的具体应用及效果。最后,展望了无人农场在解决全球农业生产面临的“无人种田”等共性问题中发挥的重要作用,分析了中国发展无人农场存在的机遇和挑战,提出了中国发展无人农场的战略目标与思路。     

基于BiLSTM-CNN的水稻问句相似度匹配方法研究

中国农技推广信息平台(NJTG)问答社区可以帮助用户与农业专家进行交互,从而获得精准的问题答案以解决农业场景问题。在平台问答社区中,每天会新增关于水稻的提问语句上千百条,检测相同语义问句是农业智能问答的关键技术环节,针对此问题采用字符级别的Word2Vec表示初始化问句表征,使用Siamese神经网络作为基础模型框架,学习句子的语义特征,获取上下文信息,然后使用BiLSTM长短期神经网络提取语义时序特征,最后在语义层次上使用一种包含语义信息的余弦函数计算问句相似度,并与其他语义匹配模型进行对比试验。通过构建7 820对水稻问句的相似对数据集,用来优化和训练模型的重要参数。试验结果表明：本文提出的BiLSTM-CNN模型可高效提取文本不同粒度的特征,提高水稻问句相似度匹配效果,在所构建的数据集上BiLSTM-CNN模型准确率和F1值均高于其他文本匹配模型,达到98.2%和88.75%。与此同时,所提出的模型在6种不同类别的水稻问句对的准确率也优于其他对比模型,在数据量较小的情况下,仍然可以取得较高的准确率,证明提出的模型具有良好的鲁棒性。     

基于语义融合与模型蒸馏的农业实体识别

当前农业实体识别标注数据稀缺,部分公开的农业实体识别模型依赖手工特征,实体识别精度低。虽然有的农业实体识别模型基于深度学习方法,实体识别效果有所提高,但是存在模型推理延迟高、参数量大等问题。本研究提出了一种基于知识蒸馏的农业实体识别方法。首先,利用互联网的海量农业数据构建农业知识图谱,在此基础上通过远程监督得到弱标注语料。其次,针对实体识别的特点,提出基于注意力的BERT层融合模型（BERT-ALA）,融合不同层次的语义特征;结合双向长短期记忆网络（BiLSTM）和条件随机场CRF,得到BERT-ALA+BiLSTM+CRF模型作为教师模型。最后,用BiLSTM+CRF模型作为学生模型蒸馏教师模型,保证模型预测耗时和参数量符合线上服务要求。在本研究构建的农业实体识别数据集以及两个公开数据集上进行实验,结果显示,BERT-ALA+BiLSTM+CRF模型的macro-F1相对于基线模型BERT+ BiLSTM+CRF平均提高1%。蒸馏得到的学生模型BiLSTM+CRF的macro-F1相对于原始数据训练的模型平均提高3.3%,预测耗时降低了33%,存储空间降低98%。试验结果验证了基于注意力机制的BERT层融合模型以及知识蒸馏在农业实体识别方面具有有效性。     

基于多源农地空间数据的“两区”划定应用研究

发展智慧农业的基础和前提是数字化,尤其是对农地资源利用、农地权属、农业生产等农业全要素的数字化。目前,国内农业数字化水平较低,农地资源空间信息应用较少,需要加快开展农地空间数据在农业生产信息采集分析和农业政策决策执行等方面的应用,推动我国智慧农业的发展。本研究围绕“十三五”以来新增的粮食生产功能区和重要农产品生产保护区（以下统称“两区”）划定农业基础性工作,归纳了“两区”划定的相关概念,总结了划定的业务流程;结合农业生产智能化管理的业务需求和数字化成图的拓扑关系需求,为“两区”划定设计了“区—片块—地块”三级空间结构;提出了基于多源农地空间数据的“两区”划定图件测制关键技术,在分析“两区”行业功用的基础上,以“区—片块—地块”空间结构为制图导向,融合现有多源农地空间数据在空间分布和语义属性上的关联性,从特定空间尺度实现了“两区”空间分布图制作;提出了基于多源农地空间数据的“两区”划定数据建库关键技术,分析了“两区”划定数据建库的业务需求,从空间信息结构视角实现对“两区”划定地理空间实体的抽象化;总结并讨论了多源农地空间数据在“两区”划定过程中的整合应用及存在的问题。研究表明,多源农地空间数据能够在“两区”划定的关键技术环节起到数据支撑作用,同时也需针对具体的应用环境判断其信息可用性,降低多源农地空间数据的偏差及局部缺失对“两区”划定这类系统性工程所造成的影响,实现对基础数据、专题数据、管理数据和统计数据的有效集成,为“两区”划定及智慧农业领域同类基础性工作的有效推行提供参考与借鉴。