农业知识智能服务应用场景构建

本文节选自：

赵春江. 农业知识智能服务技术综述[J]. 智慧农业（中英文）, 2023, 5(2): 126-148. doi:10.12133/j.smartag.SA202306002

ZHAO Chunjiang. Agricultural Knowledge Intelligent Service Technology: A Review[J]. Smart Agriculture, 2023, 5(2): 126-148. doi:10.12133/j.smartag.SA202306002

官网全文在线阅读

]article_adlist-->

知网阅读

]article_adlist-->

农业知识智能服务应用场景构建

以数据和知识双驱动的农业智能服务涉及产前规划、产中管理、产后指导等多个环节，面向多类农业用户、打通多维数据，在智能计算能力提升、农业物联网技术普及、机器学习算法进步的背景下，构建多类型农业知识智能服务应用场景，推动知识智能技术在农业领域的深度应用发展。

]article_adlist-->

农业产前规划知识智能服务

农业产前的主要环节包括优质品种选择、种养殖环境评价、种养计划、农业装备检修、农业投入品筹备等，对知识服务的广泛性、时效性、准确性要求高，通常以农业信息平台、移动端小程序为介质，结合知识推荐与直供、大数据挖掘等技术提供精准服务。

在品种选择方面，通常重点考虑产量、抗病性、种植环境适应性、商品性等因素。中国农业信息网（http://ncpscxx.moa.gov.cn/）提供了粮食、棉花、油料、食糖、蔬菜、水果、畜禽产品、水产品八大类型农产品的生产、成本收益、舆情等参考数据，结合时空信息、经验、舆情，分析绘制了各类趋势统计图，提供了较为全面的品种选择信息参考；中化MAP智农（https://www.syngentagroup.cn/）通过提供划地块、看遥感、看气象、积温积雨等服务，充分整合农业气象、水温、生境、作物知识，提供灵活的地块级产前评价信息。

在种植方案制定方面，通过中国农技推广信息服务平台（http://njtg.nercita.org.cn/）海量数据构建资源画像，匹配用户所属地域、品种、时间的适宜种植品种、实用技术、指导专家以及知识服务资源，解决目前农民对长期种植习惯的过度依赖，并根据农业先验知识提供种植处方。白京波基于标准化种植方案，将种植过程要点通过“农保姆”App精准直供，融合线上线下的形式指导农户种植，实现了农业知识赋能社会化服务体系。

在种植环境评估方面，姜芸等通过遥感技术对黑土耕地物理化学指标进行分析反演，间接监测基于植被指数的耕地质量；钱凤魁等构建土地评价与立地条件分析体系（Land Evaluation and site Assessment，LESA），通过分析耕地中砂粒、有机质、全钾、有效磷、pH值、综合污染指数等参数构建了土地评价最小数据集，将耕地划分为5个等级，简化了县域耕地质量指标体系；蒋绍淮等基于地理信息系统（Geographic Information System，GIS）技术，运用空间结构分析、层次结构分析、综合指数等方法实现了山丹县耕地质量和肥力评价，为农田品质检测提供参照依据。

准确、及时的产前知识智能服务能够为农户提供有价值的信息，可作为农事生产方案的参考依据，通过不同时段的重要主题信息直供，可以保障作物环境的适宜性，从而节约农业生产成本，随着生成式知识模型的发展，推荐处方逐渐地由传统图文的形式提升为视频的形式，更加通俗易懂可操作是未来知识服务重要形态。

]article_adlist-->

农业生产管理知识智能服务

随着5G、大数据、人工智能、物联网等技术与农业生产加速融合，农业数字化转型不断加速推进，催生了一系列农业生产知识服务应用场景。如病虫草害精准防控，日光温室光、温、水、气、热智能调控，水肥一体化精准施用，畜禽个体行为与形态识别、精准饲喂管理等。农业生产知识服务场景关键因素涵盖信息感知、智能分析、决策指导和反馈控制四个方面。

2.1　农情监测预警服务

农情监测预警是指利用卫星影像、低空无人机光谱、地面实地调查等数据，识别农作物长势营养状况、分析病虫害发生程度与发展趋势、预测干旱洪涝发生情况等，并整合农业气象、水文数据，结合农业专家知识模型，进行知识智能预警服务，指导生产管理人员采取及时的措施。

大尺度农作物长势监测采用遥感技术实现，利用作物光谱特征、植被指数等反演计算来反映作物生长的空间信息，对于水肥投入、产量估测、粮食政策制定具有重要作用。在小尺度作物生产场景中，Michael和Lee研发了氮肥管理系统CropManage，田间实验显示可减少30%的氮肥施用量；Santos等预测了潜在的作物功能异常，在蔬菜栽培中使作物叶面积增加17.94%和重量提升14.29%。通过集成作物生理感知数据、作物长势图像数据、长势描述知识图谱，自动获取作物叶面积、株高、叶片夹角、日干物质生产量等参数量，利用预测模型对作物长势功能进行综合分析，尤其是知识图谱增加了决策分析的可解释性，从而可以更好地指导农业生产人员采取生产措施，保证作物正常生长发育。

农作物病害的发生往往对农业生产造成不可逆转的损失，对农作物产量和品质造成不利影响，因而及时发现病害进行精准防治对于农业生产意义重大。对于大尺度监测方面，需要及时快速获取作物病虫害发生类型、位置、程度以及面积等信息。目前国内外学者将高光谱遥感技术应用于中小尺度的作物病害监测预警方面，其中主要应用方向集中在多种病虫害同时发生时的有效识别、病虫害发生严重程度的定量分析以及病虫害发生的早期检测等方面。在定点监测的农作物病害识别预警方面，由于作物病害发病特征标注复杂、图像背景噪声处理困难，基于规模庞大的病害图像数据深度学习方法成为热点，尤其是融合环境因子、病害文本理解、多光谱图像的作物病害图像诊断方法在病害发现的实时性、预见性方面具有明显的应用优势。

农业干旱洪涝是影响农作物产量的主要气象灾害类型，农业干旱洪涝监测预警应用如图1所示。依托遥感、无人机及视频等技术设备，采取地面监测和空间监测相结合的方式，根据作物类型、品种、种植区域、所处生育期，集成历史降水、降雨量、作物需水量等数据，对农业干旱研判的知识规则解析。对灌区、气象站、流域分区等实体及相关数据图谱化处理，根据农业干旱、洪涝的研判指标体系，实现干旱、洪涝气象灾害监测预警服务，有助于各地的气象部门强化对农业灾害的预防，提升农业生产人员对气象灾害的认知和施预防处理能力。

图1 干旱洪涝监测预警应用

Fig. 1 Drought and flood monitoring and warning

2.2　农业生产管理决策

当前，农业生产决策应用模式获得突破，大数据、机器学习等人工智能技术的应用，解决了原有知识服务系统数据库和知识库更新难的问题。根据实时采集的环境、土壤、作物生理等多模态农业数据，通过农业时空知识图谱对多模态数据进行语义链接，为用户提供标准化生产管理、水肥决策、植保作业、经营管理等决策服务，是当前研究热点。

如图2所示，农业生产决策流程涵盖三个重要环节，一是根据多模态的农业数据资源构建知识本体，并基于多模态知识规则和农业模型构建知识图谱，其中农业模型的适用性决定了知识决策的准确性；二是基于多模态知识图谱建立适宜的知识深度学习方法，有效的挖掘知识图谱中隐含的语义信息；三是基于多模态知识图谱的知识推理，根据农业生产管理的决策目标，确定任务，选择基于符号逻辑的知识图谱推理或者基于表示学习的知识图谱推理方法实现生产经营、水肥药决策等知识服务。

图2 基于多模态知识图谱的生产决策流程

Fig. 2 Production decision process based on multimodal knowledge graph

以设施栽培生产为例，智慧化管理不仅体现在对作物生长环境的定量监测上，更重要的是根据监测数据分析作物需求，有针对性地采取生产措施。要实现这些目标，需要建立观测数据与作物对水、肥、光、微量元素等要素需求的数学模型，集成获取的长期监测数据和实时感知数据。长期监测数据包括测土配方数据、水分蒸渗量、降水量等，实时感知数据包括采用高精度流量计实时测量水肥施用情况以及通过监测土壤墒情、土壤pH、土壤电导率等，基于水肥模型、专家知识、图谱决策模型等驱动控制系统，实现水肥智能灌溉，如图3所示。

图3 设施栽培水肥施用量决策

Fig. 3 Decision on water and fertilizer application in greenhouse

]article_adlist-->

农业产后经营知识智能服务

农业产后知识服务涉及到农产品的分级加工、仓储物流、市场营销等环节。针对当前农产品人工分级效率低下、缺乏客观性等问题，基于机器视觉的农产品智能分级分选技术研究对于提升农产品分级品质、降低人工成本和损耗具有重要实用价值。当前，机器视觉技术在农产品检测与分级研究方面得到广泛应用，张银萍等设计了一套基于机器视觉的猴头菇品质快速无损检测与智能分级系统，速度达到人工无损检测的5倍以上。吕正超设计了鸡翅表面品质无损检测模型，采用轻量化的Netv2-YOLOv4为核心算法，每小时能完成14,400个鸡翅分级。此外，Fitri、Mesa等分别将图像处理和机器学习等技术应用于红心火龙果、香蕉的智能分级中，显著提高了农产品产后分级效率。此外，Ropelewska等研究了黄瓜腌制加工过程智能监测技术，通过比较不同腌制方式黄瓜与新鲜黄瓜的切片图像特征，实现自发乳酸发酵，醋溶液腌制和新鲜黄瓜片的智能区分识别。

在农产品仓储物流环节，集成农产品库存、产品周期、消费等多源数据，基于知识服务模型分析农产品库存容量、预测安排货架期，采用聚类、决策树、关联分析等方法，实现仓储物流环节的最优调控。在农产品质量追溯环节，区块链技术在追溯系统可信度保障方面具有技术优势，增强了农产品质量全程追溯的可信度。

在农产品市场营销环节，基于农产品消费者数据、消费者画像、消费订单等多维度数据，通过消费数据挖掘算法进行线上分析统计和深度挖掘，形成多维度挖掘指标可用于指导农产品营销。农产品市场营销大数据分析涵盖产品销量分析、线上消费偏好分析等内容。其中，线上消费偏好分析，基于用户行为特征标签进行统计分析，构建用户精准画像，如用户性别、所在城市、年龄等基本属性，以及用户消费特征、消费粘度等属性，从而分析不同消费人群的消费偏好。

在农产品价格预测环节，农产品价格的剧烈波动不仅仅关系到农业自身的发展、各环节主体的利益分配，更增大了市场经营风险。目前BP神经网络、SVM、Elman神经网络、小波神经网络等已运用在大豆、棉花、水产品等农产品价格预测中。但是神经网络理论体系不够完善，在具体应用中存在一些问题：如对于数据比较庞大的样本训练，学习时间普遍偏长；复杂的神经网络模型可解释性较差，导致建立模型以及得出的结果无法从经济学角度进行直观解释，限制了对农业经营的指导作用。目前有学者通过人工智能模型学习价格的基础规律、时空变化特征，将复杂的神经网络按照经济学原理划分为多个子网络，保证整体模型的可解释性，充分利用神经网络对于细节特征规律的强发现能力，实现预测准确性与结果可解释性间的双向均衡。

]article_adlist-->

知识驱动下的农业无人化作业

针对中国小农户生产模式主导的土地散和生产成本不断攀升引起的用工难、农业生产标准化缺失、农产品品质不高等问题，知识驱动的无人化生产体系是推动产业绿色生态高效发展的重要手段。由于无人化作业具有复杂系统工程特性，在环境监测预警、水肥精准灌溉、无人驾驶作业等环节充分应用了作物生理特征、农机手经验、全生育期栽培技术等方面的知识。如图4所示，无人化作业通常以智能知识服务大脑为核心，可实时感知卫星定位、工况、作业环境等数据，相关数据传输至农业生产大数据中心，并经过清洗、加工存储至各类数据库中，通过与农作物品种、生理、病虫害、栽培等知识融合形成操作指令发送至执行系统，并通过反馈熟化决策模型。

图4 知识驱动无人化作业

Fig. 4 Knowledge driven unmanned operation

在大田无人农场方面，罗锡文等利用人工智能技术学习了水稻插秧、植保、收获等全程化作业知识，通过集成智能农机装备，将老机手经验适配至机具操作中，实现无人驾驶，在广东省广州市增城区实现了水稻产业全过程自动作业和全场景无人化智能决策，早稻产量较当地平均产量提高32.58%。

在露地蔬菜无人农场方面，吴华瑞通过运用感知识别、机器视觉、无人驾驶、智能决策、安全控制、柔性作业等技术，通过构建农业智能展示服务大脑，将蔬菜特色育种、栽培、农机具等多学科知识进行综合应用，实现甘蓝全程无人化作业，在北京市昌平区小汤山基地、河北省赵县和沧州、内蒙古乌兰察布等地应用，并将相关技术模式和知识迁移至萝卜、辣椒等品种，实现了知识驱动的蔬菜全程无人化作业。

在设施温室无人化管控方面，北京农业智能装备技术研究中心和上海海洋大学的学者们利用人工智能技术，有效融合作物生理特征、全生命期种植经验、知识图谱构建与推理应用、物联网设备监测控制技术，在山东省潍坊市寿光市国内目前单体最大育苗温室进行了番茄花期识别、成熟度识别和花朵定位等应用，通过知识耦合2000多个传感，与作物模型和温室环境下种植知识，实现对20多万株西红柿的全过程智能管理；Chu研究了基于智能调度方法的农业机器人操作过程，针对不可控的自然因素和农作物生长情况变化，设计了在温室复杂的环境中能够移动作业的农业机器人，实现准确控制施肥、喷药等动作。

]article_adlist-->

农业知识智能问答

农业知识智能问答系统是一种基于人工智能技术的农业信息服务工具，它可以通过自然语言处理技术，为用户提供快速、准确的农业信息查询和解答服务。能够解决农业技术知识获取时效性及准确性不高，农技专家短缺的问题。随着人工智能技术的不断发展和应用，农业智能问答系统在农业生产、科研、教育等领域的应用也越来越广泛。

在农业生产方面，农业智能问答系统可以为农民提供种植、养殖、施肥、病虫害防治等方面的技术指导和咨询服务。农民可以通过询问系统，获取当地的天气预报、降雨量、温度等气象信息，以便更好地安排农业生产计划；通过拍照上传农作物叶片、果实等照片，系统会自动识别病虫害种类，并给出相应的防治措施建议；通过问答系统可以获取关于肥料、种植技术、灌溉等方面的专业咨询，以提高农业生产效率和质量；获取当地农产品市场行情，包括价格、销售渠道等信息，以便更好地销售自己的农产品；获取国家和地方政策的解读和指导，以便更好地了解政策的实施和影响。杨国峰和杨勇构建了基于BERT的常见作物病害问答系统的问句分类模型，分别构建双向长短期记忆（Bi-LSTM）自注意力网络分类模型、Transformer分类模型和基于BERT的微调分类模型，通过三种分类模型的训练，实现高效地对常见作物病害问句准确分类。张博凯和李想针对电话咨询、集中培训、专家现场指导受时空和人力限制问题，研发了基于知识图谱的Android农技问答系统，通过条件随机场（Conditional Random Fields， CRF）模型识别实体，构建“农作物-病虫害-农药”三元知识库，并导入Neo4j图形数据库，提供问题查询和推荐。张彩丽等面向农作物科学施肥管理与土壤查询需求构建了智能问答系统，通过模式匹配构建问句类型模板、关键词和规则，实现问答功能，以安徽省为例，有效回答了农户常见作物科学施肥管理问题。

在农业科研方面，农业智能问答系统可以为科研人员提供农业科技信息查询和研究支持，帮助科研人员更快地获取农业科技信息，提高科研效率和成果质量。在农业教育方面，农业智能问答系统可以为学生和教师提供农业知识查询和学习支持，帮助学生更好地掌握农业知识，提高教学质量和效果。Research Gate（RG）、Mendeley和Academia.edu等学术社交网络平台都提供了智能问答服务，为科研人员提供了智能的科研信息获取与交流环境。

在服务形式方面，除了传统的Web互联网页面、手机App外，农业智能机器人成为日益广泛的应用形式，旨在通过语音识别、自然语言处理、响应式架构框架和大规模知识库处理技术，实现便捷的农业知识人机交互。北京市农林科学院信息中心研制的农业智能问答机器人提供了覆盖240多个农作物品种相关的问题，涉及产前、产中和产后2000万问答知识对的知识库，用于农业技术服务、展厅宣传导览、农业园区参观导览等应用场景。

皇马娱乐注册

农业知识智能服务应用场景构建

皇马娱乐

联系我们