水稻病害防控模型与知识图谱构建研究

余宏杰，高 星

（安徽科技学院，安徽 滁州 233000）

近年来，随着人工智能技术和大数据分析技术的不断发展，水稻病害防控模型及知识图谱建设逐渐成了解决这个问题的有效途径。水稻病害防控模型可以通过对历史数据、气象数据等多项因素进行分析，预测出病害发生的可能性，并提供相应的防治措施和技术指导。而水稻病害防控知识图谱则是通过对专家知识进行系统整理和分类，构建起一张全面的、结构化的、层次化的知识网络，为农民提供科学合理的防治方案和技术指南。

1 水稻病害主要原因分析

1.1 影响水稻病害的因素

1.1.1 侵染性病害

侵染性病害指的是那些通过感染植株并侵入其内部而引起病害的病原体，如真菌、细菌、病毒等。这些病原体可以通过水、土壤、气体和其他宿主植物等途径传播[1]。

稻瘟病是一种由水稻赤霉菌引起的病害，它主要侵染水稻的叶片、茎秆和穗部。初期表现为叶片出现黄斑，后期则出现黑色霉层，严重时可导致植株死亡。稻纹枯病是由水稻纹枯病菌引起的，它主要侵染水稻的根部和茎秆，导致植株生长缓慢、倒伏甚至死亡。稻瘿蚊病则是由稻瘿蚊传播的一种病毒，它会导致水稻穗部变形不良，产量大幅下降。

1.1.2 非侵染性病害

（1）水稻营养缺乏

水稻缺乏氮、磷、钾等元素会导致植株生长不良、叶片黄化、凋萎等现象，从而使植株抗病能力降低，容易发生病害。例如，氮缺乏会使水稻发生“黄叶病”，磷缺乏会使水稻发生“倒伏病”。

（2）温度和湿度变化

水稻生长需要适宜的温度和湿度条件。若温度过高或过低、湿度过大或过小，都会导致水稻生长不良，从而影响水稻的免疫力。例如，夏季高温多雨容易引发“纹枯病”，而春季寒湿则容易引发“白叶枯病”。

（3）土壤酸碱度不平衡

土壤酸碱度不平衡也会影响水稻的生长发育和免疫力。如土壤过酸或过碱，会导致水稻营养吸收不良、根系发育不健全，从而影响水稻的抗病能力。例如，土壤酸化会使水稻发生“赤斑病”。

1.2 主要影响因素筛选

1.2.1 气象因素

温度：水稻生长需要适宜的温度条件，过高或过低的温度都会影响水稻的生长发育。通常情况下，25～35℃为水稻生长的最适温度范围。如温度过高，水稻易受到“纹枯病”“白叶枯病”等真菌病害的侵袭。如果温度过低，则容易发生“冷害”“倒伏病”等病害。此外，气温变化幅度较大也会影响水稻的生长发育和免疫力，如昼夜温差过大会导致水稻产生“斑枯病”。

湿度：过高或过低的湿度都会对水稻产生不良影响，在干旱和缺水的情况下，水稻的免疫能力降低，易受到“白叶枯病”“赤斑病”等病害的侵袭。而在潮湿和多雨的环境下，水稻容易受到“纹枯病”“灰色稻瘟”“秆腐病”等病害的侵袭。

光照：光照不足会导致水稻生长缓慢、抗病能力下降，容易受到病害的侵袭。例如，在阴雨天气下容易发生“苔藓病”，因为光照不足导致水稻生长缓慢，从而使得苔藓在水稻上生长繁殖。

风力： 风力会直接影响水稻的生长和发展，同时也会间接影响水稻的抗病能力。强风会引起水稻倒伏，容易受到“倒伏病”“纹枯病”等病害的侵袭[2]。此外，风力还会影响水稻生长环境中的温度、湿度和气压等气象因素，进而影响水稻的免疫能力。

1.2.2 非侵害性因素

本次研究中，相关工作人员以稻瘟病作为研究对象，分析非侵害性因素对水稻生长的影响。稻瘟病会在水稻的叶片、秆和穗上形成黑色或深棕色的斑点，进而导致叶片变黄、凋萎、枯死，严重的情况下导致整个水稻植株倒伏。其次，稻瘟病会破坏水稻的光合作用和营养吸收，导致水稻生长缓慢、畸形等现象。据统计，稻瘟病每年给全球范围内的水稻生产带来约30 亿美元的经济损失，其中包括直接损失和间接损失。直接损失主要表现为由于稻瘟病菌感染导致的水稻减产；间接损失则包括种子、农药等成本增加、劳动力浪费等（详见表1）。

表1 稻瘟病造成的损失

表2 水稻病害主要影响因子

此外，稻瘟病会降低水稻免疫能力，使水稻更容易受到其他病原体和环境因素的侵袭，从而增加水稻发生其他病害的风险。例如，稻瘟病和白叶枯病、纹枯病、褐飞虱等病害的发生有着密切的关系。研究人员将经过筛选的水稻病害影响因子绘制为表格，为构建知识图谱以及水稻病害防控模型提供数据基础。

2 构建知识图谱具体流程

2.1 信息抽取

针对稻瘟病这一典型的水稻病害，知识抽取的过程可以分为以下几个步骤：

2.1.1 文本预处理

首先需要对水稻病害相关文本进行预处理，主要包括去除停用词、分词、词性标注等。这一步骤目的是将原始文本转化为计算机可读的数据结构，方便后续的语义分析和知识抽取。

2.1.2 实体识别

接下来需要进行实体识别，即从文本中识别出与稻瘟病相关的实体，如“水稻”“病原菌”“抗病品种”等。实体识别可以采用基于规则或机器学习的方法，其中机器学习方法通常会使用已标注的训练数据进行模型训练，以提高实体识别的准确率和召回率。

2.1.3 关系抽取

在实体识别的基础上，可以进行关系抽取，即从文本中提取出实体之间的关系。在稻瘟病的防治中，可能涉及多种关系类型，如“水稻-病原菌”“水稻-抗病品种”等。关系抽取也可以采用基于规则或机器学习的方法，其中机器学习方法通常会结合实体识别和语义角色标注等技术进行模型训练。

2.1.4 知识表示

将从文本中抽取出来的知识信息转化为结构化的语义表示形式。在稻瘟病的防治中，可以采用本体论语言OWL 进行知识表示，通过定义相关的类、属性、实例等元素，构建稻瘟病害防治知识图谱[3]。同时需要考虑如何与现有的知识库进行融合，以便于更好地支持知识的查询和应用。

2.2 知识加工

首先，研究人员需要收集稻瘟病方面的相关资料和文献，包括其发生原因、病害特征、病理机制、防治措施等方面的内容。这些资料可以从书籍、期刊、报纸、专业网站等多个渠道获取。通过阅读和筛选，研究人员可以找到最权威、最全面的资料，为后面的知识加工提供基础。

其次，在收集到稻瘟病方面的知识后，研究人员需要进行分类整理。可以将其按照病原菌、病害特征、发生季节、防治措施等进行分类，方便知识的组织和表达。同时，还可以对重要的知识点进行标注和归类，以便更好地呈现知识脉络。

再次，针对稻瘟病的每一个知识点，研究人员需要进行进一步的分析和概括。例如，对于病原菌方面的知识点，研究人员可以将其分为病原菌的特征、生长条件、传播方式等多个方面进行详细解释，并对其相关实验数据进行统计和分析，从而提高知识的可信度和说服力。

最后，研究人员需要将整理好的知识点进行组合和排版，形成具有逻辑性和连贯性的知识图谱。在组合时，研究人员需要注意各个知识点之间的关联和衔接，以便形成一个完整的知识体系。同时，在排版时，还需要注意知识点之间的层次关系和重要性，使得读者可以更加清晰地理解和掌握知识。

2.3 知识更新

2.3.1 收集最新科研成果

稻瘟病的防治方法主要是通过化学药剂喷洒或者生物防治来进行，而这些方法都需要有科学依据的支持。因此，在进行知识更新时，首先需要收集最新的稻瘟病研究成果，包括相关的文章、报告、论文等，以了解最新的病理机制、药剂研发和生物防治方法等方面的进展。

2.3.2 进行数据整合和筛选

收集到的研究成果可能会比较零散和繁杂，因此需要进行数据整合和筛选。将已有的知识点和新发现的知识点进行对比和筛选，将其中最有价值的知识点加入知识图谱中。

2.3.3 更新知识图谱

在数据整合和筛选完毕后，就可以开始更新知识图谱了。将新的知识点添加到已有的知识图谱中，并将其与已有的知识点进行关联和分类。通过不断地更新和优化，使得知识图谱能够更好地反映出稻瘟病的防治方法和技术进展。

2.3.4 验证更新效果

为了保证更新后的知识图谱的准确性和实用性，需要对其进行验证。可以邀请相关领域的专家或者实践工作者对更新后的知识图谱进行审核和评估，以确保其能够满足用户需求和实际应用要求。

2.4 知识图谱可视化

知识图谱可视化是将知识图谱中的数据信息以可视化形式展现出来，以便于用户更加直观地理解和使用。在水稻病害防治知识图谱建设过程中，对于稻瘟病这一重要病害，进行可视化展示可以帮助用户更好地了解该病害的特征、预防和治疗方法等方面的知识[4]。

首先，需要对知识图谱中关于稻瘟病的数据进行整合和清洗。这些数据包括稻瘟病的病因、症状、传播途径、防治措施等相关信息。在整合数据时，需要注意数据的准确性和完整性，保证数据的可靠性和有效性。

接下来，可以采用可视化工具对整合后的数据进行可视化展示。常见的可视化工具有Neo4j、Gephi、GraphViz 等。其中，Neo4j 是目前市场上较为成熟的高性能图数据库，自带有展示界面，广泛应用在市面上的知识图谱中。

在利用Neo4j 进行可视化展示时，可以根据数据的特点进行节点和边的选择。例如，对于稻瘟病的病因节点，可以选择标注其名称、病原体类型、感染途径等信息；对于防治措施节点，可以选择标注其名称、作用机理、使用方法等信息。同时，可以通过节点的大小和颜色来反映节点的重要程度和属性特征（如图1 所示）。

图1 水稻病害稻瘟病知识图谱可视化

此外，在进行可视化展示时，还可以将知识图谱与其他相关数据进行联合展示，例如图片、视频等。这些数据可以更加直观地展现稻瘟病的症状和防治方法，进一步提高用户的理解和应用能力。

最后，为了更好地实现知识图谱的可视化效果，可以采取交互式展示方式，例如通过鼠标滚轮放大缩小图形、拖动节点位置等操作。这样可以让用户更加灵活地控制展示内容，从而更好地实现知识图谱的可视化效果。

3 构建水稻病害防控模型

3.1 推理算法

在构建水稻病害防控模型过程中，推理算法主要包括以下步骤：

3.1.1 数据采集

首先需要收集大量的水稻病害相关数据，包括病害类型、发生时间、地点、气候条件、土壤条件等信息。这些数据可以从各大农业科研机构、农场、农民等处获得。

3.1.2 数据清洗

由于采集到的数据往往存在噪声和异常值，需要进行数据清洗，剔除无效数据和异常数据，确保数据的准确性和完整性。

3.1.3 特征提取

接下来需要对数据进行特征提取，从中提取出可以用于推理的特征。例如，可以从气象数据中提取温度、湿度、降雨量等特征，从土壤数据中提取pH 值、有机质含量等特征，从病害数据中提取病害类型、发生时间等特征。

3.1.4 规则定义

在推理算法中，需要定义一系列规则，用于判断当前情况下是否存在水稻病害。例如，当气温高于30 度且湿度大于70%时，可能会出现白叶枯病的情况。

3.1.5 推理过程

根据已有的规则和特征，进行推理，得出新的结论或行动。例如，当某个地区的温度、湿度、土壤pH 值等符合白叶枯病的条件时，系统可以给出相应的防治措施，如喷洒药剂、改变灌溉方式等。

3.1.6 模型优化

最后需要对模型进行优化，不断地调整规则和特征提取方法，以提高模型的准确性和鲁棒性（如图2 所示）。

图2 水稻病害推理模型

3.2 推理单元

病害相关性计算。将支持向量机的预测值和知识图谱中的案例索引两者进行检索匹配，并通过相关性计算，将相关性按降序排序，得到最有可能发生的病害类型。其中，病害相关性计算公式如（1-1）所示：

其中，病害相关性用Ri表示，指匹配到病害类型的相似度； Vi表示匹配到的单个综合指标权重； n 为匹配到的所有病害类型个数。

基于病害相关性计算公式，本文收集了2022年安庆市的样本数据,以旬为单位(表3),针对水稻发育全过程（十旬）中，各项主成分因素标定标签等级。

表3 提取的主成分指标数据

3.3 确诊病害

分析表4 可以发现，上述四种水稻病害类型中，稻瘟病的发病概率最高，剩余三种水稻病害发病概率持平。因此，研究人员初步确诊水稻病害为稻瘟病[5]。

表4 病害相关性计算

水稻作为我国的主要粮食作物之一，其产量和质量对于粮食安全和农业经济发展具有重要意义。然而，随着气候变化和种植技术的不断提高，水稻病害问题也日益突出。为了有效地防控水稻病害，我们需要建立科学的防控模型和知识图谱。本文通过梳理已有的相关文献和案例，分析了水稻病害防控模型的构建方式和知识图谱的实现方法。其中，基于机器学习的模型和基于专家系统的模型都具有一定优势，可以根据实际情况选择最适合的模型进行构建。同时，通过构建知识图谱将各类数据和知识按照语义和关系进行整合和组织，可以帮助我们更好地理解和利用相关信息，从而提高水稻病害的预测、诊断和防控能力。目前，知识图谱的构建技术还在不断发展和完善中，未来将会有更多的创新和应用。