MaCOnto: 基于土壤、肥料和灌溉知识的健壮玉米作物本体

智能系统与应用16（2022）200125MaCOnto：一个基于土壤、肥料和灌溉知识的健壮玉米作物本体Enesi Femi Aminua，*，Ishaq Oyebisi Oyefolahanb，Muhammad Bashir Abdullahi a，Muhammad TajuSalauhanca尼日利亚明纳联邦理工大学计算机科学系b尼日利亚明纳联邦理工大学信息媒体技术系&c尼日利亚明纳联邦理工大学作物生产系A R T I C L EI N FO保留字：马孔托本体进化能力问题玉米的土壤知识玉米的肥料知识玉米的灌溉知识A B S T R A C T对及时提供相关信息的需求说明了知识管理在所有生活领域（例如农业）的重要性。为此，土壤、肥料和灌溉作为农学概念是玉米等任何作物的基本知识投入。相反，由于存储库中数据的非结构化性质和概念不匹配的复杂性，总是难以及时检索这些相关信息。这种发展的结果，本体，语义数据建模技术是有前途的，因为它最近已被用来处理这些挑战，在不同的领域。然而，本体的鲁棒性，在隐藏的知识的语义表达方面，本体的自主增长留下了一些空白。鉴于这一发展，本研究的目的是设计一个强大的OWL规则为玉米作物领域的本体，主要考虑土壤，肥料和灌溉农艺概念能够自主进化。本文提出的本体命名为MaCOnto，使用自适应的六步本体工程原理开发。超过1，430个实体在OWL中编码; 80个由领域专家验证的能力问题（CQ）在FOL中建模，并通过SWRL实现为规则。因此，本体是由SQWRL查询。此外，在Java环境下，采用WordNet实现了本体自主进化的新算法设计。基于结构的评估结果显示，在八个指标中表现出色。同样，基于能力的评价结果也令人鼓舞。因此，建议的MaCOnto是一个强大的应用基于本体能够推断和响应用户的查询的基础上1. 介绍玉米（Zea maysL.），被广泛称为玉米的玉米可以说是经济上可行的谷类作物之一。虽然在大多数发展中国家，玉米与大米或小麦一样是主食（Badmus Ariyo，2011年&）;但在发达国家，玉米是动物的饲料，也是重要的原材料。生产行业的材料;如生物燃料能源（Sarauskis例如，2014年）。因此，考虑到上述作物的重要性，在本研究中选择其作为知识领域的理由是合理的。更重要的是，根据联合国粮食及农业组织（FAO），土壤，肥料和灌溉知识是任何作物，特别是玉米的基本农业投入。玉米作物的土壤类型可能决定了灌溉方法的选择;由于水分或灌溉水的量会影响玉米生长（Fang &Su，2019; Hazman，2015; Mohanraj et al.，2018年）。类似地，土壤中存在的养分的性质也决定了施用的肥料的体积和成分（Ding等人， 2010年）。 这些情景部分构成了本研究中考虑的能力问题。国际农业研究磋商组织（CGIAR）2017 - 2022年关于玉米作物的建议，报告了土壤对作物生长的重要性。同样，根据粮农组织的说法，肥料作为作物的基本投入，仅次于水。它主要以各种含量和成分提供，例如氮，磷和钾。更重要的是，当降雨或湿度不足时，替代水源-灌溉变得不可或缺;更重要的是，作物需要精确灌溉（Goumoboulos等人，2014年）。毫无疑问，在这个时代，所有这些的可用性* 通讯作者。电子邮件地址：enesifa@futminna.edu.ng（E.F.Aminu）。https://doi.org/10.1016/j.iswa.2022.200125接收日期：2021年12月20日;接收日期：2022年8月11日;接受日期：2022年9月7日2022年9月10日网上发售2667-3053/© 2022作者。由Elsevier Ltd.发布。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表智能系统及其应用杂志主页：www.journals.elsevier.com/intelligent-systems-with-applicationsE.F. Aminu等人智能系统与应用16（2022）2001252关于玉米作物的知识不再是一个挑战;但及时和更容易地检索相关信息构成了挑战。该研究问题归因于存储库的非结构化性质和数据的异构 形 式 （ Agyapong-Ko-dua 等 人 ， 2013; Bonacin 等 人 ， 2016;Walisadeera等人， 2015年）。此外，自然语言在同义词和一词多义方面的歧义性质导致了概念不匹配的问题（Fawei等人， 2019年）。因此，基于文献，本体作为一种顶尖的技术已被证明可以提供跨不同知识领域的解决方案。本体是一种语义数据建模技术，根据Gruber（1993）定义为共享概念的显式和形式化规范。格鲁伯还以四种不同的形式描述了本体论基于特定领域的本体设计被描述为基于领域的本体。然而，这样的本体可以被进一步建模以经由称为能力问题（CQ）的复杂或技术问题的集合来执行某些定义的活动。因此，这种修改的领域本体被认为是任务本体（Li et al.，2013）;其可以另外被称为应用本体（Park等人，2012年）。顶级本体论本质上是通用的，因为它不一定符合特定的知识领域。设计 一个深层次的表示本体， Web本体语言(OWL)（Alkhammash，2020），这是一种具有高语义表达能力的知识表示语言。此外，通过使用语义Web规则语言（SWRL）（Tang et al.，2018年），显着有助于强大的本体所需的巨大努力。因此，OWL规则（Gonz'alez等人，到2021年，将实现基于本体论。更重要的是，本体的鲁棒性可以基于由一阶逻辑（FOL）制定和适当建模的能力问题（CQ）的水平来进一步定义（Alvez等人， 2017年）。最 后，Pro t′e g′e（5.5.0）（Nandhinidevi等人，2021），本体开发应用程序和编辑器具有开发这种级别的本体所需的能力。更重要的是，WordNet的使用，一个结构与本体相似的词汇数据库（Jarrar，2021），是有希望的。这是为了实现所提出的本体论的鲁棒性，在提供自主进化的机制方面。它是被认为是全球最大的词集合语料库之一的词汇资源，其提供同义词集（一个或多个同义词的集合）的分层 结 构 和 每 个 词 的 语 义 属 性 （ Chakravarthi 等 人 ， 2018; Uthayan&Mala，2015）。因此，同义词、反义词、部分词、上位词和下位词是WordNet的语义关系的示例（Alobed等人， 2021年）。因此，本研究旨在设计一个基于OWL规则的玉米作物应用本体，主要考虑土壤，肥料和灌溉知识命名为MaCOnto。其他被领域专家部分确认的知识包括气象条件、玉米害虫和杂草处理。这项研究是早期发表的关于为玉米作物的土壤和肥料知识设计的本体论的工作的扩展（Aminu等人，2019）;和SIM-cOnto：为玉米作物的土壤和灌溉知识设计的本体（Aminu et al.，2021年b）。所提出的MaCOnto的域部分在OWLDL中使用基于自适应六步迭代本体工程原理的prot ′ e g ′ e 5.5.0来表示（Aminu等人，2020年）。任务部分由80个CQ组成，经过专家验证，使用一阶逻辑（FOL）建模，并通过语义Web规则语言（SWRL）实现。此外，本体的鲁棒性同样取决于其在WordNet上的自主进化算法的新颖设计。同样，本体的鲁棒性可以根据其性能评估水平来确定。验证鲁棒性的有前景的评估技术之一是具有八个度量的基于结构的评估（Sicilia等人，2012年）。因此，根据评价结果，判定MaCOnto具有耐用性。本文的其余部分组织如下：第2节介绍了一些相关的领域正在考虑的文献;第3节介绍了本体工程的过程。提出的MaCOnto框架和本体的开发是分别在第4节和第5第6节讨论了结果;第7节提出了结论和建议的未来工作。2. 相关研究农 研 协 商 组 关 于 玉 米 的 研 究 建 议 将 玉 米 描 述 为 C4 作 物（Abdelgawad等人， 2021年）作物假设说，玉米比水稻和小麦具有更高的产量潜力。这是因为它可以在所有季节生长;预计它将成为2020年的主要作物然而，与任何其他知识领域类似，由于非结构化数据表示和检索机制的不足，检索与玉米相关的相关知识提出了挑战（Aminu等人，2021 a; Fawei等人，2019; Tulasi等人，2017年）。有鉴于此，本节说明如何本体已探索的知识表示和检索系统，面临的挑战和未来。Wimalanathan等人（2018）探索了一种基于序列的方法，以基于基因本体（GO）（Ontology Gene Consortium，2019）实体分配产生玉米蛋白编码基因的功能注释。首先，该研究旨在改进现有植物群系和禾本科玉米GO注释集的玉米注释（Wimala-nathan等人，2018年）。然而，玉米蛋白质编码基因的结构是一个包含元数据的分类系统。它缺乏语义知识表示技术，也就是说，在分类系统中没有考虑本体建模Vincent等人（2003年）的研究工作设计了玉米植物结构本体数据库，借助有向无环图（DAG）编辑（Landgrebe，2022年），以帮助植物学术语分类以及术语缩写同义词方面的知识共享。研究人员设计的植物本体（Vincent et al.，2003）可以被描述为用于术语分类的数据库。换句话说，概念之间的关系并不是建立在推理的基础上的。在Shrestha等人（2016）的作物本体中，其目的是收集关于作物解剖学，结构和表型的验证术语以及它们的关系概念;使用OBO编辑开发玉米性状本体作为作物之一（Karray等人，2021年）。该研究报告了本体的重要性，描述农艺表型术语，因为它提供了结构化的数据，从而提高了信息的检索。然而，本体编辑器无疑是有限的语义表达，因为OBO-Edit版本不支持OWL知识表示。因此，本体的输出是缺乏正式的计算定义，以其他基于语义的知识表示，有效的信息检索。此外，关于土壤的概念形成了不到五个实体;关于灌溉的知识没有建模。类似地，（Green等人，2011）设计的本体只考虑玉米基因突变表型信息的检索。此外，Ma et al. 2013 年：发展推理基于本体的玉米病害诊断系统，分别以OWL DL和语义网规则语言作为玉米病害知识然而，开发的本体论并不依赖于任何定义的方法，并且玉米信息仅限于疾病。同样，Cao等人（2013）同样开发了基于本体和诊断算法的玉米它只是一个基于领域的本体。最近，通过采用本体、语义数据建模技术来开发基于决策的系统，对适当的土壤、肥料、灌溉或任何农业投入的知识已经引起了研究关注（Chougule等人，2019年）。同样，Car（2018）同样为灌溉知识建立了基于决策的本体。研究者的目标是通过关注本体实体之间的简洁关系来改进决策系统。Malik等人（2018）为农业领域开发了本体论，但考虑了肥料知识。研究者期望在未来将这些知识与其他相关领域如土壤学相结合.更重要的是，由于土壤知识在农业中的意义，&E.F. Aminu等人智能系统与应用16（2022）2001253Shivihok，2012）设计了一个基于土壤领域的本体，以帮助用户处理相关信息。在文献的基础上，Cornejo等人（2005年）开发了基于灌溉的本体论，旨在为自给农民提供学习指南。根据Noy-McGuiness方法，使用基于图形的ObjectEditor（Tsiakmaki&Hartonas，2013）设计了本体。然而，本体的编辑器是高度限制复杂的知识表示。因此，所提出的系统是有限的推理能力。王旺（2018）&设计的丘陵柑橘本体关注灌溉和肥料等三个异质知识。它是使用TopBraidComposer编辑器（KhondokerMueller，&2010）以RDF语法和SPARQL查询开发的。考虑到RDF技术，本体仅限于进行详细的语义推理。最后，Aminu等人的研究工作。（2019）基于所采用的方法学，对玉米作物的土壤和肥料知识进行了本体建模。然而，开发的本体论没有考虑知识的验证CQ;即使隐士推理者（罗梅罗 例如，2012）验证了本体，但未评估整体性能。同样，Aminu等人（2021 b）通过考虑相同作物的土壤和灌溉知识，同样设计了一个基于OWL规则的本体，称为SIMcOnto相同的本体开发方法 是在考虑 解决复杂问题问题 和 本体 进化 然而，在这方面， 的 本体 不是通过对本体内容和构建评价的设定标准进行评价，以显示其有效性。总之，本体可以被判定为复杂知识表示的有效语义数据建模技术，例如农业领域Song et al.（2012）。因此，所提出的基于应用的本体论（MaCOnto）认为玉米作物以及基本的农业投入，如土壤，肥料和灌溉，这是可互操作的农艺概念。同样，与本节中的其他评论工作不同，本体是基于混合方法开发的，它独特地包括本体的自主增长。更重要的是，基于令人满意的结果，本体被判定为是鲁棒的。评价。3. MACONTO的本体工程过程：方法论每一个标准本体都是基于一个被称为方法论的给定工程过程开发的，这类似于迭代软件开发方法。 存在许多本体开发方法，但是没有用于本体设计的标准或单一正确方法（Kapoor &Kapoor，2014;Noy &Mcguinness，2001; Walisadeera等人，2015年）。因此，本研究采用图1所示的混合六步迭代本体设计过程。1.一、这些步骤是领域知识的收集、本体的术语规范、设置能力问题、本体形式化、本体评估和本体进化（Aminu等人， 2020年）。图1中基于方法论和FAO的方法被描述为迭代本体工程过程。这是因为，如果在任何步骤中发现缺陷，开发人员可以轻松地循环回任何早期实现的步骤。因此，本体（MaCOnto）的开发方法通过以下步骤进行说明。I.开发MACONTO的第一步是收集和分析领域知识;在这种情况下，是关于玉米作物本身、土壤、施肥和灌溉的知识。根据领域专家的建议收集的其他玉米相关知识包括气候条件、农场实施、害虫/昆虫和杂草处理。术语概念是从各种可靠的信息来源收集的。这包括研究文章，权威的在线数据来源，以及国际玉米和小麦改良中心（CIMMYT），国际热带农业研究所（IITA）等机构出版的书籍。其他是农业和农业技术学院（SAAT），联邦技术大学，明纳和农业研究所（IAR），扎里亚。更重要的是，通过问卷调查收集了数百个CQ，然而，经过领域专家团队的一系列验证练习，80个CQ得到了满意的使用。知识的分析是按照中间出方法手动进行的。手动过程背后的基本原理是确保领域专家的参与此外，手动当与已经被证明不准确的可用自动过程相比时，本体开发的方法在准确性和精确性方面更可靠（Fawei等人，2018年）。二.下一步是根据OWL知识表示策略对从第一步分析的知识术语进行规范。也就是说，本体的术语被指定为类、属性（对象和数据）和个体。这些OWL组件的统计数据从组件类开始，包括默认类owl：Thing，为309。总属性，即用于关系的对象属性和用于实体描述的数据属性，为619。最后，个人部分共有502个实体。为了简化为领域专家指定的术语，称为CMap工具（版本6.04） 的 知 识建 模 软 件 （Bonacin 等 人 ，2016; Novak &CanMesas ，2008）被用于本研究。它有助于激发本体开发者和领域专家对术语的在这项工作中考虑的每一个知识都有其特定的术语。例如，土壤知识的样本在本文中使用CMap工具，如图所示。 二、图2显示了一些特定土壤知识的样本术语。椭圆形的术语代表类，而粗体的术语代表个人的概念。在本文中，某些椭圆形中的正斜杠（/）表示术语作为附加属性是同义的（例如，术语Soils与SoilCondition和Edaphic_Requirements同义）。箭头也代表对象属性。例如，壤土有粉壤土和土壤需要肥料。三.能力问题（CQ）明显区别于其他相关的知识表示模型的本体。的语义内容的 硅X 活动 （或 步骤） 的 统一Fig. 1. 本体论开发方法。本体在很大程度上与其处理用户查询的能力有关;换句话说，推断给定CQ的上下文知识。本体开发的这一步为逻辑和规则的实施提供了空间。在本研究中，分别有24、23、20和13个有效的土壤、肥料、灌溉和其他支持性知识的CQ。支持性知识包括但不限于气候条件和害虫/昆虫。由于几乎所有的答复者都重复了一些问题，因此有必要将CQ的数量减少到最初的数量。类似地，主题粒度是导致专家在CQ验证期间减少的另一个因素;这是在其范围和目的内旋转本体。利用一阶逻辑（FOL）对问题进行建模，以充分表示隐藏的上下文信息。表1给出了本研究中考虑的知识的四个样本CQ的建模。表1在表1的第二列中呈现了形式化CQ的样本。表中列出了自然语言中的CQ表达，E.F. Aminu等人智能系统与应用16（2022）2001254∃表1图二. 土壤知识专用术语的图形表示。Pro t'eg'e5.5.0版本强烈支持OWL2。方面样本CQ的FOL表示。在OWL中形式化了步骤2和步骤3中指定的CQ以及约束强制，而步骤3的公式化CQ使用能力问题（非正式）玉米种植需要哪种类型的肥料/玉米最好的肥料类型如何确定玉米作物的土壤肥力状况？在玉米种植中，哪种类型的土壤可以进行灌溉如发现有穗虫、螟虫或粘虫，应使用甚么除害剂？能力问题（正式）你好（肥料（X）玉米作物（y）肥料是氮的重饲料（y，氮）肥料是A_NitrogenRich（家禽滴下，X）肥料是A_NitrogenRich（NPK）尿素，X）→最适合（家禽滴下，NPK）尿素，y））你好（SoilSample（X））土壤样品（0你好（土壤（X）土壤类型（壤土-粘土-沙质，X）土壤。（玉米作物的灌溉（y）取决于（y，土壤渗滤-土壤养分-灌溉方法）良好（壤土，土壤渗滤-土壤养分）→良好的玉米土壤（砂壤土-粘壤土-粉壤土，y）1996年，（EarWorm（X）蛀茎虫（x）粘虫（X）是玉米作物病害（X，病害）农药处理（y）是玉米作物病害（y，农药处理）→用于（y，X）的处理）SWRL。下一步是评估，这是一个过程，执行本体的一致性检查，坚持适当的概念。该过程涉及本体确认和验证相对于W3C语义Web词汇公约。在本研究中，八个流行的基于结构的评价指标。此外，HermiT版本1.3.8.413，一个本体推理器经常被用来验证和确认本体概念的推理。在SQWRL中编码CQ以验证本体内容的正确性;领域专家确定结果的准确性级别。在任何缺陷的情况下，本体开发人员可以很容易地循环回到以前的步骤进行纠正。本体进化是该设计方法的最后一步。本体的可扩展性原则是本体进化的一个重要方面，有助于本体的自生长和重用。有鉴于此，下面的新算法1提出了关于所提出的本体如何能够自主进化的设计框架。游戏1：MaCOnto Evolution输入：Q输出：结果，MaCOnto自主更新参数：查询字符串（Q）; WordNet; MaCOntoTerms（T）; POSparser：联系我们(C); counter（i）; C（n）中的项数;上位词（hyp）;整体词（hoy）;第一列。FOL模型使每个问题的上下文信息能够被表达，换句话说，允许隐含知识。第一行包含肥料知识的样本CQ，它是关于玉米植物的合适肥料。这种逻辑考虑到可以施用的两类肥料。然而，每个类别都有最适合玉米作物的类型;也就是说，不是所有类型的肥料都可以使用。因此，对于两类肥料，都必须使用存在量词（x）。在这种情况下，有机肥料类的PoultryDropping和无机肥料类的NPK和尿素由于其氮含量而独立地适用于玉米栽培。由逻辑（正式CQ）建模的（非正式）CQ的隐藏知识或上下文信息是玉米作物是氮的HeavyFeederOfNitrogen。该连接词是如表1的第一行第二列所示的MaizeCrop和NitrogenTM类的关系（对象属性）。第二行是土壤知识的CQ;第三行是灌溉知识的CQ，最后一行包含玉米作物害虫/昆虫知识的样本CQ。输出位于隐含符号（→）的右侧，它是左侧先行知识的结果。四.下一步使用latest对本体进行形式化Meronym（mer）; domain（dom）; object property（obProp）; individual（indiv）程序：1 执行OntEvolutionThreads;2 输入Q3 qPOS= POSparser（Q，true）; //预处理以去除停止词并标记4 C= qPOS;5 初始化T;6 做7 如果C∈ T，则//如果C在MaCOnto项中找到8 输出结果//相应的C以及同义词术语和关系9 否则C ∈scinT. 然后//如果在MaCOnto中找不到C（MaCOnto开始进化）10学习WordNet（C）;11 check SemanticRelation（hyp; hoy; mer）;12 encode OntStatement（dom; range; subclass;obProp）; 13elseIf find（WordNet; classes）then14 axiom; classes= getRelatedAX iom（WordNet）; 15end16 elseIffind（WordNet; indiv）then17 axiom; indiv= getRelatedAX iom（WordNet）; 18end19 更新MaCOnto;20 else打印21 端22 端23 while（i=n）24 returnMaCOntoE.F. Aminu等人智能系统与应用16（2022）2001255.）从这个算法中，它被期望在执行所有必要的用户定义方法之前定义，以帮助其实现目标。这在本研究中统称为本体进化线程，如第1行所示;它们包括SemanticRelation，OntStatement，getRelatedAX iom和load WordNet。从第2行到第5行，用户输入查询字符串作为能力问题;查询立即进行预处理，以使用词性（POS）解析器技术消除标点符号，冠词（a，an，the）和连接词等停用词。这一过程的结果就是本研究中所称的候选词。在测试是否在本体中找到候选术语之前，初始化已经手动构建的MaCOnto术语。从第7行开始，正在测试术语以了解它们是否与现有本体的术语匹配。如果为真，则输出结果，否则该算法的目标从第9行开始显现。从第10行到第12行，用户定义的方法激活并加载WordNet来学习术语。它还确定与SemanticRelation和OntStatement方法的援助，如果这样的术语是一个超类（上位），子类（下位）或关系（部分）。类既可以作为域类，也可以作为范围类;它取决于关系。本研究仅考虑OWL本体中的类和个体的等价名词POS。因此，从第13行到第19行，如果这些项是类或个体，则由方法进行验证。通过领域本体MaCOnto和词汇数据库WorldNet之间的映射策略，实现了本体的自主更新。如果没有发生更新，则意味着该术语在域考虑之外，如线20所表示的，并且本体返回。在第23行，伪代码通过do也就是说，计数器（i）检查它是否到达了字符串数据结构中的最后一项（n）4. 提出的MaCONTO提出的MaCOnto是基于玉米作物知识框架（MCKF）定义的，主要由玉米作物（Mo）本身、土壤（So）、肥料（Fo）和灌溉（Io）知识组成。其他辅助知识（SKo）是气候条件（风速、湿度、阳光和温度）、农具、害虫/昆虫和疾病。因此，本体被公式化如下：MaCOnto=C，P，I，α>（1）<其中C代表域的非终结符概念或类的集合。在这项研究工作中，C包括土壤、肥料、灌溉和其他考虑的玉米作物知识的一组类。也就是说，C=CMoCSoCFoCIoCSKo（2）P是属性的集合。通常，属性可以被定义为概念之间存在的关系（R）也就是说，RC × C. 另一方面，则证明了：r∈R：r={（c1，c2）：c1，c2∈C}（3）然而，在这项研究工作中，Eq的定义。(3)仅对对象属性有效，这意味着关系（R）。这是因为（非终结或终结）概念的数据属性（Pd）也是鲁棒本体的重要组成部分。当开发者严格按照类、个体和（对象和数据）属性从集合源中平等地收获所有需要的概念时，基于OWL的本体是健壮的。然而，在许多情况下，数据属性组件没有被考虑，这无意中影响了本体的正确性方面的注释。Pd=（cd，id）（4）即（类数据属性（cd），个体数据属性（id））。为例如，类MaizeCrophasRoot;因此，hasRoot是Pd，具体来说，它是cd。因为数据属性属于一个类。综上所述，OWL的属性组成在本研究中表示为：P=R UPd（5）符号I代表个体，它是c的终端集的是，cx= {i0，i1，i2，α表示概念的规则和约束，表示为α=Cinf，Ccon（7）其中Cinf代表从构成规则的竞争问题中获得的上下文信息。Ccon表示概念此外，MaCOnto的开发类似地由图3的概念框架描述。正如Eq所言。(1)基于应用的本体的开发包括本体的分类和语义组件的实现。图3的框架被描述为三层架构设计。它们是：i 知识收集：这是架构的第一层，从可靠和可信的信息源收集文本形式的所需知识。领域专家根据玉米作物的定义领域不断验证（土壤，肥料和灌溉）知识。中间出法是一种概念识别技术，它能够首先识别出最重要的概念，然后将其泛化和特殊化为其他概念。ii 本体设计：第二层说明了领域本体是如何设计的。这个层次的领域本体主要由等式组成。(2) 到6;也就是说，没有从CQ（α）的集合导出的上下文信息的情况下，基于OWL表示模型的309个类、443个对象属性、176个数据属性和502个个体的实体定义了领域本体。从图3中，类、prop和ind分别表示类、属性和个体。实体通过Prot'eg'e编辑器进行编码在设计的这个层次上，本体不能执行健壮的能力任务;因此，需要最后一层。iii 推理设计：这项研究超越了轻量级本体或不能执行能力任务的典型领域本体的开发。它通过对概念实施高级约束来扩展，例如，属性被设计为图三. MaCOnto的概念框架E.F. Aminu等人智能系统与应用16（2022）2001256+传递性、功能性和对称性。此外，从第二层领域本体的类组件进一步编码考虑类通用AXiom（CGA）的机制，以尽量减少同义词的挑战。更重要的是，使用FOL对经验证的CQ进行建模，如表1中的样本所示。因此，逻辑被编码成规则和公理的帮助下，SWRL的Prot'eg'e，使本体可以执行强大的能力任务。也就是说，推断上下文知识的基础上的非正式查询的CQ形式。最后，开发了一个基于OWL规则的应用本体。本体进化的方面是通过采用WordNet作为本体到本体映射策略来实现的，如之前算法1所示。表2显示了已经在表1的FOL中建模的CQ的SWRL表示及其对应的查询格式：SQWRL。表2显示了使用SWRL实现的CQ的示例，如表的第二列所示。表中第一行的第一个CQ是关于肥料知识的，使用符号将FOL中的模型化CQ公式化为SWRL。肥料、无机肥料和NPK_肥料等概念的定义是用字母表示原子或变量，通常在字母前加问号（？）括号中的符号。 例如，概念肥料在SWRL中编码为肥料（？f）;并且概念用指数符号（^）分隔。在隐含符号（->）之前的知识，例如containsAlotOf（PoultryDropping，Nitrogeny），被称为前-cedent知识。符号之后的知识称为后件，代表知识的输出。因此，表2中的OWL公理和SWRL被转移到规则引擎（Drools）。因此，执行发生了，推断的公理被成功地转移回OWL模型。类似地，规则的对应表示（但以查询形式）是表2的第三列所示的SQWRL。 本体查询语言，符合OWL的发展，在深入支持语义表达的公理和规则是必需的，因此，SQWRL的动机。这种查询语言的工作原理是使用SWRL的前件和后件部分分别作为模式规范和检索规范。但为了避免查询过程中重复查询结果，需要使用一些特殊的函数，如：sqwrl：makeSet（？s1，？f）使用。在这个例子中，原子（？s1）使一个工会的概念肥料（？f）不管它在本体文件中出现的次数。表2的第二行显示了土壤FOL模型的相应SWRL和SQWRL。第三列是灌溉知识，最后一行是知识关于害虫和昆虫。因此，在本研究的下一节中讨论了结果。5. MaCOnto本部分首先介绍并讨论了基于OWL的术语结构和能力问题开发的MaCOnto的结果。同样，本体如何自主进化的结果同样进行了讨论。其次，本体的不同形式的评价的结果也讨论了在这一节的文件。本体是使用基于java的Prot“eg”e编辑器开发的，总结结果如图12所示。四、图 4 以 图 形 方 式 显 示 了 本 体 的 概 要 表 示 ， 使 用 了 Pro t'eg' e 的OntoGraf，只考虑了核心类。图中的矩形框如图所示，每隔一个类都从根（默认）类owl：Thing开始。因此，每个类包含许多类，其中也是一些其他类的超类。例如，图1和图2示出了图1和图2的示例。图5和图6分别展示了本体的术语方面的实施土壤和支持性知识的碎片化结果。图5显示了某些土壤知识类别的实施结果的快照。图中某些类前面的箭头，例如Soil_Organisms、SoilAmendment和Soils，表示这些实体是超类。土壤修正案见图4。 MACONTO的一般概念表2使用SWRL实现模型化CQQQ SWRL SQWRL玉米的最佳肥料类型是什么如何确定玉米作物的土壤肥力状况？在玉米种植中，哪种类型的土壤可以进行灌溉如发现有穗虫、螟虫或粘虫，应使用甚么除害剂肥料（？f）^OrganicFertilizer（？o）无机肥料（？（一）^MaizeCrop（？m）^Urea（？u）^NPK_Fertilizer（？n）^is A heavyFeederOf（？m，氮）^严格包含（？u，氮）^含有良好比例的（？氮）是（家禽掉落，？o）^containsAlotOf（PoultryDropping， 氮） -> 最适合（PoultryDropping，？o）^ isTheMostSuitableForCultivating（？n，？m）^ isTheMostSuitableForCultivating（？u，？米）的土壤肥力试验（？）f）^SoilSample（？个） ^SoilLaboratory（？l）^Auger（？a）、^MaizeCrop（？c）->isDeterminedFor（？f，？c）^is CarriedOutInThe（？f，？l）^is CarriedOutOn The（？f，？s）^isConductedUsing（？f，0- 15 cm工具）土壤（？s）^Irrigation（？i）^MaizeCrop（？m）^requiresModerateIrrigation（？m，？i）->canBeCarriedOutInAnySoil（？我，？s）^sqwrl：select（？个）Includedes_Treatment（？（i）^ 害虫（？p）^is Used ForTheTreatmentOfPest（？我，？p）->sqwrl：select（？i）OR sqwrl：select（？我，？（p）肥料（？（f）。sql：makeSet（？s1，？f）^MaizeCrop（？m）^sqwrl：makeSet（？S2，？m）^ Urea（？u）^ NPK_Fertilizer（？n）^is A heavy FeederOf（？m，氮）^主要含氮（？u，氮）^含有良好比例的（？n，氮）^含有大量氮（？a，氮）^动物粪便（？（a）^含大量氮气（家禽跌落，氮气）->一种适合生长的肥料（？）a，？米）的 ^ 一种适合生长的肥料（？）n，？米）的^A_SuitableFertilizerToGrow（？u，？m）^ sqwrl：select（？n）^ sqwrl：select（？^ sqwrl：select（？a）土壤（？^SoilTestTools（？t）^SoilFertility（？土壤肥力试验（SoilFertilityTest）f）^Maize（？米）的^sqwrl：makeSet（？s1，？t）。sql：size（？d，？s1）^Maize（？m）。sql：makeSet（？S2，？（f）。sql：size（？z，？s2）^canBeDeterminedByTest（？y，？f）^canBeDeterminedByTool（？y，？t）->stateOfFertilitycanBeDeterminedByTest（？s，？f）^stateOfFertilitycanBeDeterminedByTool（？s，？t）^sqwrl：select（？f）^sqwrl：select（？t）的范围内土壤（？s）。sql：makeSet（？s1，？s）^Irrigation（？i）^MaizeCrop（？米）的-> requiresModerateIrrigation（？m，？i）^canBeCarriedOutInAnySoil（？我，？s）^sqwrl：select（？个）Includedes_Treatment（？（一）^害虫（？（p）^is Used ForTheTreatmentOfPest（？我，？（p）-> sqwrl：select（？i）OR sqwrl：select（？我，？（p）E.F. Aminu等人智能系统与应用16（2022）2001257图五. 土壤知识类无机修正案和有机修正案作为子类。这与超类知识的实现和操作方法是一样的。同样，图6显示了其他支持性知识，如气候条件以及子类、农业化学处理和害虫/昆虫。害虫或昆虫与疾病类似。图图7和图8也分别部分呈现了所实施的肥料和灌溉知识课程。从 图 7 中 可 以 看 出 ， 类 Fertilizer_Application_Methods 具 有BandingApplicationMethod、BroadcastingApplicationMethod和其他作为子类直接出现在其下的方法。同样，不同类别的肥料也被编码，并附有示 例 。 图 8 还 部 分 地 呈 现 了 灌 溉 概 念 ， 例 如 Surface_Irrigation 、Sprinkler_Irrigation和Drip_Irrigation。如前所述，采用CGA来提供与农艺概念相似的元数据;因此， 9给出了一个实现的示例见图6。 支持性知识类。图10的颜色。使用drools引擎成功地执行了前面在表2 类似地，图11同样呈现了成功执行另一样本CQ的结果。如图11所示，在SWQRL选项卡中，CQ：如果注意到穗虫、蛀干虫或粘虫，使用哪种类型的农药被命名为S72。SQWRL由Prot'eg'e的drool引擎执行，并在图中标记为列i和p的底部以突出显示的蓝色显示表格结果。列i是Includes_Treatment的编码原子，显示了三种疾病的相应治疗P列突出显示疾病。例如，用于治疗耳虫病的药物是氯氰菊酯。 但每土的概念。的 类 土壤 具有 土壤要求 和 土壤条件输出具有命名空间。预固定的maizeCropOntology_MODIFY3_VALIDATION：as等价概念。 然而，除了这些努力之外，本体提供元数据机制以容易地标识概念。如图9所示，这是一种注释机制，使得当本体中的文档包含如有机物质的组成或粘土淤泥的混合物的概念时，它可以被归于类土壤。总的来说，所有309个类以及443个对象属性，176个 数据属性和502人得到适当落实。本体的OWL文件可以通过https://github.com/enesifa/Enesi/blob/main/MaCOnto_OWL%20File.owl。更是如此，无花果。图10和图11呈现了使用SWRL的SQWRL查询如前面表2所示的第一个和最后一个CQ的结果。CQ的语义结果：什么是玉米的最佳肥料类型在图10的底部显示为变量 n 、 u 和 a 。 这 些 变 量 中