大數據時代基于本體的農業信息融合方法研究

趙嫦花，米春橋

（懷化學院計算機科學與工程學院/武陵山片區生態農業智能控制技術湖南省重點實驗室，湖南懷化418008）

大數據時代基于本體的農業信息融合方法研究

趙嫦花，米春橋*

（懷化學院計算機科學與工程學院/武陵山片區生態農業智能控制技術湖南省重點實驗室，湖南懷化418008）

從理論、技術、方法及應用的角度分析了大數據時代基于本體的農業信息融合問題.通過對信息融合及本體的相關方法與技術進行歸納總結，結合元數據、概念格及信息融合技術討論了農業本體建模與不同時空農業基礎數據融合的實現方法，通過建立統一的、標準化、語義化的農業基礎信息本體庫，可有效地解決由于農業物聯網的各種感應器終端收集到的時空數據異構問題，通過建立數據之間的語義關系，挖掘出隱藏在數據之中的本質、結構和規律，可為實現精準農業、智慧農業、智能預警、精確控制等提供基礎方法與技術支持.

大數據；農業本體；信息融合；元數據；概念格

0 引言

隨著大數據時代的到來，數據的價值將更多地體現在多源融合與行業應用中[1]，融合已成為大數據時代數據應用的顯著趨勢[2].農業大數據技術以大數據分析為基礎，運用大數據理念、技術及方法來處理農業生產中所產生的海量多源異構數據，從中得到綜合全面的信息以指導農業生產實踐[3].農業大數據不僅數據量大，而且存在時間與空間數據的語義異構和屬性不匹配等問題，如何才能更有效地利用這些數據為農業生產提供精準預測及智能控制，目前公認比較好的解決辦法是基于本體（Ontology）的信息融合方法.

本體是指共享概念模型的明確的形式化規范說明[4]，是語義網的基礎，近年來更多地與領域相結合，用于解決資源共享、知識表示及重用等問題.國內外與相關領域相結合的研究集中在計算機科學、圖書情報學、醫學、農學等領域.其中與農業領域相結合就稱為農業本體[5]，它屬于領域本體，通過計算機形式化后表征農業領域概念以及概念間關系.農業本體建模、時間與空間數據融合及其應用國內相關研究還較少，僅在地理信息學方面有部分研究[6].農業是一個跨學科的復雜系統，農業領域概念及關系復雜，利用農業本體可明確農業領域概念關系，梳理正確的邏輯，這樣就為上層智能農業應用系統打下基礎，實現領域知識的共享和協同服務.

信息融合（information fusion）又稱為數據融合（data fusion），常被認為是多傳感器數據融合[7].當前，融合已成為社會發展的必然，它是涉及多學科的新常態[8].大數據時代信息融合具有非常重要的價值與意義，通過信息融合，能夠進一步挖掘隱藏的數據價值，提前預測，防止決策失誤[9].在大數據時代，實現農業信息融合，即實現復雜系統多傳感器數據融合，將不同時間與空間的農業基礎信息進行整合，生成經過改進的數據集是實現智能農業的關鍵，利用農業本體建模對不同時間與空間的農業數據進行融合，可為農業智能精確控制提供有效方法與技術支持.

1 信息融合理論與方法

1.1 信息融合理論

信息融合包括像素級融合（數據級融合）[10]、特征級融合[11]和決策級融合[12]共3個層次.像素級融合是最底層的融合，它將采集到的原始數據直接進行融合，它能提供其它融合層次不能提供的細微信息，但不能實時進行，且受外界因素影響大.特征級融合是通過提取特征信息，例如數據信息表示量等，再按照特征信息對多傳感器數據進行綜合分析、分類.它能提取出與決策分析有關的特征值，以達到理想的融合結果，它屬于中間層次.決策級融合是一種高層次融合，它的結果能夠為最終的決策及控制等提供依據.此外，它對傳感器的依賴性小，具有很高靈活性，抗干擾能力強[13].

信息融合算法的好壞決定了能否提高識別對象能力及系統處理信息能力，由于多傳感器數據具有復雜性和多樣性等特點，因此融合算法除應具備穩定性及并行處理的能力外，還應具備較高的精度和運算速度[14].常見的信息融合的算法包括簡單方法、基于概率論的方法、人工智能方法以及基于模糊推理的方法等[15].其中簡單算法是屬于像素級融合的方法，它主要包括加權平均法、等值融合法等.基于概率論的信息融合方法屬于決策層融合的方法，它主要包括貝葉斯方法[16]，D－S證據理論[17-18]等.基于模糊邏輯的信息融合方法包括粗糙集、模糊集[19]等方法.混合方法主要用于對混合特征的數據的處理，包括模糊粗糙集理論、模糊D－S證據理論等.人工智能計算方法包括神經網絡[20]、深度學習算法、遺傳算法、蟻群算法[21]等，這些算法在處理數據的過程中不斷學習與歸納，融合不完善的數據[22].研究關聯的二義性是信息融合中的主要障礙，主要涉及信息的唯一性，信息的重復性、別名識別、重名區分、異構數據加權等多個方面[23].本體是解決二義性的根本手段，它主要用于清楚的表達領域知識的結構，使信息能夠共享和重用，避免了重復的知識分析，提高了知識的利用率.

信息融合涉及到很多具體的技術和方法，但這些技術方法都是片面的、零散的且這些技術與方法尚處于初步階段不足以應對當前復雜的多源、跨界、異構信息.當前也尚未建立統一的融合理論體系和有效的融合模型和算法，特別針對于農業領域多源的信息，需要對以上的這些方法進行深入地分析，研究出適合農業方面的技術方法以利于農業信息融合.

1.2 信息融合方法

元數據（metadata）是描述數據屬性（property）的信息，它主要用于描述數字化信息資源基本特征及其相互關系，使得這些數字化資源能夠被計算機及其網絡系統自動識別并進行歸納分析的編碼體系[24].國內外普遍認為元數據是“關于數據的數據”或“描述數據的數據”[25].

本體的本質就是領域知識的共享和重用，領域本體能夠為系統之間的互操作和共享提供很好的基礎.元數據和本體都可以用來描述信息，因此，元數據從某種程度上也可以看作是一個輕量級的本體[26]，但本體相比元數據具有更加豐富的概念間的關系，加入了更多的約束，對信息的描述比元數據完備[27].換言之，本體中包含了各種元數據，它可以通過相關資源抽取出不同的元數據，因此可以說一個完善的領域本體可以包含這個領域的所有元數據描述元素，因此，包含元數據的領域，可以方便地構建本體并實現相互之間的數據通信.

農業領域的元數據比較容易獲得且相對較完善，因此，農業本體基于元數據將更易于構建.利用元數據對領域信息進行表示，通過遵循相關原則進行最優匹配，可以減少數據匹配的錯誤[28]，此外，元數據與信息融合算法能進行更緊密的結合，為上層本體構建，數據融合提供更好的基礎.

概念格[29]又叫Galois格，又被稱為形式概念分析，是根據二元關系提出的概念層次結構，被廣泛用于數據的分析和規則的提取[30].利用概念格算法解決農業時空信息異構，關鍵是發現領域中所涉及的蘊含規則、分類規則、關聯規則，實現對信息的重組以減少冗余度.因此需要基于概念格生成算法（主要為批處理算法或增量算法等）[31]設計概念格生成的主要步驟，并基于此構建農業信息概念語義關系，為農業本體的構建提供基礎，進而實現語義層面的數據融合.

2 基于本體的農業信息融合方法

農業信息量大且非常復雜，主要體現在地域的差別，地理環境復雜，氣候多變，而山區農業就更為復雜[32]，比如，同一座山有陽面與陰面就會造成信息的不同.針對自然環境的水、土、氣、肥、生長信息、農產品生產的氣候、土壤成分、病蟲害災情等時空信息，基于本體實現這些農業信息的融合，可為實現智慧農業提供支持.基于本體的農業信息融合方法框架如圖1所示，從采集原始數據，數據抽象再到數據融合，將傳感器獲取的信息通過A/D轉換器轉換為數據，接下來抽象成為元數據，有些元數據可來自于已有的數據庫.通過對元數據的語義分析，利用概念格，融合算法，本體映射等實現基于本體的農業數據融合.

2.1 基于元數據的農業基礎信息規范化概念構建方法

概念是表征信息的基礎和橋梁，為了減少對農業信息描述中的冗余和歧義，需要對農業基礎信息所表達的涵義進行分析，同時通過農業領域專家的認證，明確農業對象之間的聯系.由于農業地理環境復雜，相關的概念很多，需要將農業信息標準規范和各種異構的相關時空數據作為基礎農業信息的概念域，確定出每一個概念及其相互關系.根據《特色農業基礎術語》、《農業專業術語》等標準所規定要表達的基礎農業信息，建立農業信息概念的語義描述集（元數據）從而實現這些數據標準所涵蓋的農業信息的概念化.結合模糊邏輯、遺傳算法、蟻群算法[33]來解決數據關聯問題.使用元數據，對農業信息的相關情況包括地域、氣候、病蟲害等進行表示，然后從全局的角度出發，搜索與具體農作物（比如柑桔作為元數據模型中的一個元素）相關的概率和最大的結果，從而規范農業基礎信息概念集.

2.2 基于語義內涵的農業概念形式化表達方法

為了實現農業信息形式化表達首先在對農業信息的屬性提取時設置規則，包括以下要素：（1）農業概念可以用許多屬性表示，比如不同地區柑桔病蟲害信息包含的屬性有很多，需要提煉，包括病原、癥狀、病變部位、防治方法等；（2）確定概念語義的屬性應該是反映整個概念所指所有可能對象的屬性，是不可再分的最小單位，結合梳理數據標準所形成的農業信息概念的內涵和外延，內涵不以外延的變化而變化，其屬性值保持為常量.需考慮到特殊生態環境進行設置，為上層的智能控制提供更好的底層語義關系；（3）不同概念的本體屬性值不產生二義性.綜合考慮時間與空間數據的時空特性、數量與質量特性等來確定農業信息概念的本體屬性，抽取的屬性要符合概念格的推理規則.在Protégé中使用類、實例、屬性三元組的關系進行描述，并使用OWL（Web OntologyLanguage）來實現農業信息本體屬性的形式化表達.

2.3 基于概念格算法的農業信息概念語義關系構建方法

將農業信息概念之間的語義分為同義關系（Synonymy）、部分－整體關系（Part-Whole）、實例關系（Instance-of）以及概念－屬性關系（Concept-Attribute）四大類.通過概念格生成算法（主要為批處理算法或增量算法）建立數據標準范疇之內所有農業概念之間的層次關系，包括父類與子類、各自的屬性及關系、父子之間的繼承等，通過這些上下級關系對時空數據的屬性進行組織與管理.

對象是概念的集合，抽取概念屬性構建屬性的集合，構建屬性關系，使用概念圖建立概念語義關系，生成描述農業信息本體模型的OWL文件.通過讀取該OWL文件，使用批處理算法（包括Ganter算法、Chein算法、Bordat算法）構建農業信息概念格.再對概念格進行優化，并對錯誤的或不合理的語義關系及屬性進行調整.概念格生成流程如圖2所示.

圖1 基于本體的農業信息融合框架

圖2 概念格生成流程

2.4 基于本體的農業時空數據融合方法

時空異構數據導致了本體之間難以實現互操作，這樣制約了農業領域知識間的關聯性.基于本體概念相似度則重新考慮農業本體中概念定義的方法[34]，充分考慮到農業領域概念的屬性、約束及關系，從語義層上消除不同本體之間的異質現象的問題，以柑桔為例，不同地區的氣候、水土及病蟲害信息表示各異，需要解決類似這種多源時間與空間數據的屬性（語義）匹配與處理問題.在農業物聯網數據中，從不同來源的時間與空間數據中找出語義相似或相關的對象，通過對比分析，進行數據融合，以實現生態農業的智能化和自動化.

利用農業本體對不同時間地點（即不同時空數據）收集的資料進行處理達到實現數據融合的目的.時空數據融合中數據語義匹配關鍵是建立基于不同數據標準的農業本體之間概念的相似模型，以實現兩者之間的本體映射.建立農業數據標準本體模型和國家農業數據標準本體模型之間的映射，對重疊部分進行數據的綜合取舍，總的原則是以國家農業數據為準，根據數據地域性和數據質量等綜合情況進行處理.

3 基于本體的農業信息融合應用

通過本體的建模對各數據標準所定義的時空數據屬性的層次結構進行組織與分析，提高屬性數據處理的效率.通過這種語義相似性和屬性匹配來完成本體之間映射關系，即通過本體概念相似度提取系統涉及領域本體異構消解，實現對農業信息融合處理，并基于融合后的本體為農業智能精確控制提供基礎支持.

首先對不同時間與空間農業數據進行采集，依據《特色農業基礎術語》等標準從中分別獲取領域語料和領域詞典；然后對領域語料進行處理，依據領域詞典從領域語料中自動提取領域概念及其關系，并構建元數據本體庫；接著基于概念格構建農業信息概念語義關系，利用相似度計算和聚類分析為工具發現領域概念間的關系，為不同本體庫映射做準備.通過語義相似度計算及本體映射構建農業本體，基于農業本體完成對時空數據的融合，并基于此農業本體進行數據融合應用.總應用技術路線如圖3所示.

圖3 應用技術路線圖

4 展望

在農業大數據背景下，利用農業本體建模實現復雜系統多傳感器多數據來源的農業信息融合，能為精準農業、智慧農業、智能預警、精確控制提供基礎技術支持，為整合現有的與新采集的農業生產氣象、土壤、農業生產統計等多源異構數據完成計算機規范化處理，為構建面向生態農業產業化與基層生產服務的基礎數據庫提供信息共享平臺，為農業智能控制技術提供基礎方法與技術支持.筆者還將結合本體技術進行實證研究，實現農業信息的本體層面融合，以更好地適應大數據時代農業大數據落地應用的需要.

[1]林仕鼎.大數據：變革轉型的“強心劑”[N].中國教育報，2016 -01-13.

[2]李國杰，程學旗.大數據研究：未來科技及經濟社會發展的重大戰略領域——大數據的研究現狀與科學思考[J].中國科學院院刊，2012，27（6）：647-657.

[3]張浩然，李中良，鄒騰飛，等.農業大數據綜述[J].計算機科學，2014，41（B11）：387-392.

[4]Studer，R.，Benjamins，V.R.，Fensel，D..Knowledge.engineering principles and methods[J].Data and Knowledge Engineering，1998，25（1-2）：161-197.

[5]王藝，王英，原野，等.基于語義本體的柑橘肥水管理決策支持系統[J].農業工程學報，2014，30（9）：93-101.

[6]肖計劃.地理本體在基礎地理信息數據融合中的應用[J].測繪科學技術學報，2014，31（3）：326-330.

[7]YBar-Shalom.On hierarchical trackingfor the real world[J].IEEE Trans.on Aerospace and Electronic Systems，2006，42（3）：846 -850.

[8]化柏林，李廣建.大數據環境下多源信息融合的理論與應用探討[J].圖書情報工作，2015，16（59）：5-10.

[9]Izadi D，Abawajy JH，Ghanavati S，Herawan T.A Data Fusion Method in Wireless Sensor Networks[J].Sensors（Basel），2015，2（15）：2964-2979.

[10]David L，Hall，James Llinas.An introduction to Multi-sensor Data Fusion[J].Proceedings ofthe IEEE，1997，85（1）：6-23.

[11]劉同明，等.數據融合技術及其應用[M].北京：國防工業出版社，1998：77-120.

[12]Lawrenee A.Klein.Sensor and Data Fusion Concepts and Applications[J].SPIEOP teal Engineering Press，1999（15）：526-528.

[13]張延龍，王俊勇.多傳感器數據融合技術概述[J].艦船電子工程，2013，33（2）：41-44.

[14]宋秀峰.海洋水質檢測系統中多傳感器數據融合技術的研究[D].秦皇島：燕山大學，2013.

[15]Shyi-Ming，Chen，Li-Wei Lee，Hsiang-Chuan Liu，Szu-Wei Yang.Multiattribute decision making based on interval-valued intuitionistic fuzzy values[J].Expert Systems With Applications，2012，39（12）：10343-10351.

[16]張金槐.多源信息的Bayes融合精度鑒定方法[J].國防科技大學學報，2001，23（3）：93-97.

[17]Si Lei，Wang Zhongbin，Tan Chao，et al.A novel approach for coal seam terrain prediction through information fusion of improvedD-S evidencetheory andneuralnetwork[J]. Measurement，2014，54（8）：140-151.

[18]Garcia E，Hausotte T，Amthor A.Bayes filter for dynamic coordinate measuremetns-Acccuracy improvement，data fusion andmeasurementuncertaintyevaluation[J].Measurement，2013，46（9）：3737-3744.

[19]Lin Guoping，Liang Jiye，Qian Yuhua.An information fusion approachby combining multigranulationroughsetsand evidence theory[J].Imformation Sciences，2015，314：184-199.

[20]Safari S，Shabani F，Simon D.Multirate multisensor data fusion for linear systems using Kalman filters and a neural network[J]. Aerospace Science and Technology，2014，39（12）：465-471.

[21]Suk Heung-II，Lee Seong-Whan，Shen Dinggang.Hierachical feature representation and multimodal fusion with deep learning for AD/MCI diagnosis[J].Neuroimage，2014，101：569-582.

[22]陳科文，張祖平，龍軍.多源信息融合關鍵問題、研究進展與新動向[J]].計算機科學，2013，40（8）：6-13.

[23]化柏林.多源信息融合方法研究[J].情報理論與實踐，2013，36（11）：16-19.

[24]趙嫦花.基于本體的學科知識庫構建研究[D].重慶：西南大學，2008.

[25]肖瓏.元數據格式在數字圖書館中的應用大學圖書館學報，1999（4）：18-24.

[26]李金定.敘詞表、元數據與本體之間關系探究[J].圖書館學研究，2007（8）：61-64.

[27]Xiaolei Wanga，Nengcheng Chenab，Zeqiang Chenab，et al.Earth observation metadata ontology model for spatiotemporal-spectral semantic-enhanced satellite observation discovery：a case study of soil moisture monitoring[J].GIScience&Remote Sensing，2016，56（1）：22-24.

[28]金加根，李文鋒，薛小紅，等.基于元數據的數據互聯算法[J].計算機研究與發展，2011（48）：236-241.

[29]Thomas Tilley.Tool Support for FCA.Springer-Verlag Berlin Heidelberg，2008，29（61）：104-111.

[30]Wille R.Restructuring lattice theory：Anapproach based on hierarchies ofconcepts[M].Ordered Sets.Springer-Verlag，Berlin Heidelberg，2005：1-33.

[31]郭倫眾，宋振明.一種基于最大滿矩陣生成概念格的算法[J].智能系統學報，2015，10（6）：1-6.

[32]Ying Wang，Yi Wang，Jing Wang，et al.An ontology-based approach to integration of hilly citrus production knowledge[J]. Computers and Electronics in Agriculture，2015（113）：24-43.

[33]張海濤，周愛武.蟻群算法在文本聚類中的應用研究[J].微電子學與計算機，2016，33（1）：81-84.

[34]丁博，苗世迪.制造資源本體的概念語義相似度研究[J].計算機應用研究，2016，33（1）：28-31.

Research on Ontology-based Agricultural Information Fusion Method in the Era of Big Data

ZHAO Chang-hua，MI Chun-qiao
（College of Computer Science and Engineering/Key Laboratory of Intelligent Control Technology for Wuling-Mountain Ecological Agriculture in Hunan Province，Huaihua University，Huaihua，Hunan 418008）

This paper analyzed the problems of ontology-based agricultural information fusion in the era of big data from the perspective of theories，technologies，methods and applications.By summarizing technologies and methods of information fusion and ontology and combining with metadata，information fusion technologies，concept lattice，we discussed the implementation methods of agricultural ontology modeling and different space-time data fusion in agriculture. Through a standardized semantic agriculture information ontology，we can effectively solve the problem of space-time data heterogeneity which collected from varieties of sensors in the agricultural Internet of Things.Through establishing semantic relationships among data and digging out the essences hidden in the data，we can provide basic methods and technics to realize precision agriculture，wisdom agriculture，smart alerts and precision control.

big data；agricultual ontology；information fusion；concept lattice；metadata

S126

A

1671－9743（2017）05－0041－05

2016-12-21

湖南省教育廳科學研究項目“基于本體的武陵山片區生態農業信息融合方法研究”（15C1094）；湖南省自然科學基金項目“基于大數據思維的農作物災害脅迫風險時空認知方法研究”（2017JJ3252）；武陵山片區生態農業智能控制技術湖南省重點實驗室開放基金項目“武陵山片區生態農業病蟲害本體的構建研究”（ZNKZ2014-10）；懷化學院項目“教育資源云服務Ontology表示技術研究”（HHUY2014-07）.

趙嫦花，1979年生，女，湖南邵陽人，講師，研究方向：語義網絡，云計算，大數據應用技術；

*通訊作者：米春橋，1983年生，男，湖南懷化人，副教授，博士，研究方向：地理信息科學及應用技術、數據科學及大數據應用技術.