面向玉米精准施肥的知识增强决策智能体框架

杨永康; 黄馨瑶; 李国亮; 李林; 游良志; 李万理; 冯在文

doi:10.12133/j.smartag.SA202604027

智慧农业 >

2026 1 - 13

DOI: https://doi.org/10.12133/j.smartag.SA202604027

面向玉米精准施肥的知识增强决策智能体框架

杨永康 ^,¹^,³ ,
黄馨瑶 ^,² ,
李国亮 ² ,
李林 ¹ ,
游良志 ³ ,
李万理 ^,² ,
冯在文 ^,²^,³

展开

^1. 华中农业大学植物科学技术学院，湖北武汉 430070，中国
^2. 华中农业大学信息学院，湖北武汉 430070，中国
^3. 华中农业大学宏观农业研究院，湖北武汉 430070，中国

李万理，博士，讲师，研究方向为自然语言处理、知识图谱、元学习。E-mail：liwanli@mail.hzau.edu.cn

冯在文，博士，副教授，研究方向为农业AI大模型。E-mail：zaiwen.Feng@mail.hzau.edu.cn

（杨永康、黄馨瑶并列第一作者）

杨永康，硕士，研究方向为大模型在农业领域的应用，E-mail：2248138200@qq.com；

YANG Yongkang, E-mail:2248138200@qq.com

黄馨瑶，本科生，研究方向为大模型在农业领域的应用，E-mail：487933235@qq.com

收稿日期: 2026-04-17

网络出版日期: 2026-07-08

基金资助

国家重点研发计划(2023YFF1000100)

湖北省技术创新计划项目(2024BBB055;2024BAA008)

收起

Knowledge-Enhanced Decision Agent Framework for Maize Precision Fertilization

YANG Yongkang ^,¹^,³ ,
HUANG Xinyao ^,² ,
LI Guoliang ² ,
LI Lin ¹ ,
YOU Liangzhi ³ ,
LI Wanli ^,² ,
FENG Zaiwen ^,²^,³

Expand

^1. College of Plant Science and Technology, Huazhong Agricultural University, Wuhan 430070, China
^2. College of Informatics, Huazhong Agricultural University, Wuhan 430070, China
^3. Institute of Macro Agriculture, Huazhong Agricultural University, Wuhan 430070, China

LI Wanli, E-mail: liwanli@mail.hzau.edu.cn;

FENG Zaiwen, E-mail: zaiwen.Feng@mail.hzau.edu.cn

Received date: 2026-04-17

Online published: 2026-07-08

Supported by

National Key Research and Development Program of China(2023YFF1000100)

Hubei Provincial Technological Innovation Program Projects(2024BBB055;2024BAA008)

Copyright

Fold

摘要

【目的/意义】 针对玉米精准施肥中知识来源分散、区域差异明显、历史施肥经验利用不足和推荐依据不够清晰等问题，构建面向玉米精准施肥的知识增强决策智能体框架（Knowledge-enhanced decision agent framework，KEDAF），以提升施肥推荐的精细化水平、情境适配能力和结果可解释性。 【方法】 以玉米品种审定公告、省域施肥指导文件和历史施肥案例为主要数据来源，采用基于大语言模型微调的实体识别方法抽取品种、区域、产量表现、栽培管理和施肥策略等知识，并结合实体类型映射生成知识三元组，构建玉米施肥知识图谱。在决策阶段，将知识图谱、历史案例库和农学规则库作为外部知识记忆，通过地块状态解析、知识调用、案例修正和农学约束校验，形成氮、磷、钾总量及分期施肥推荐结果。 【结果和讨论】 基于玉米施肥历史案例的实验结果表明，KEDAF在养分总量预测上的平均绝对百分比误差为5.337 0%，决定系数R²为0.882 0；在分期施肥比例预测上的决定系数R²达到0.944 4。与规则方法，传统案例推理方法和案例推理与机器学习混合模型相比，该框架在总量预测和分期结构预测方面均取得更优表现，说明知识图谱先验、案例迁移修正和农学约束协同能够提高施肥决策的准确性与稳定性。 【结论】 KEDAF能够有效融合结构化知识、历史经验和农学规则，为玉米精准施肥提供具有依据支撑和可追溯性的决策方案，可为大语言模型在强知识约束农业数值决策任务中的应用提供参考。

关键词： 玉米; 精准施肥; 知识图谱; 大语言模型; 智能体

本文引用格式

杨永康 , 黄馨瑶 , 李国亮 , 李林 , 游良志 , 李万理 , 冯在文 . 面向玉米精准施肥的知识增强决策智能体框架[J]. 智慧农业, 2026 : 1 -13 . DOI: 10.12133/j.smartag.SA202604027

Abstract

[Objective] Maize precision fertilization must consider target yield, soil nutrient supply, cultivar characteristics, regional conditions, and management practices. However, relevant knowledge is scattered across variety approval bulletins, technical guidelines, expert rules, and historical experiments. Data-driven models can estimate fertilizer rates, but they often lack explicit agronomic knowledge and traceable evidence. Traditional case-based reasoning can reuse similar cases, but its stability is limited when target fields differ from existing records. Therefore, this study aimed to construct a Knowledge-Enhanced Decision Agent Framework (KEDAF), integrating a knowledge graph, historical cases, and agronomic rules to improve the accuracy, adaptability, interpretability, and traceability of nitrogen (N), phosphorus (P), and potassium (K) recommendations. [Methods] Maize variety approval bulletins, provincial fertilization guidance documents, agronomic rules, expert experience, and historical fertilization cases were used as the main data sources. Historical cases were collected from public literature on maize fertilization experiments, nutrient management, soil testing, target-yield fertilization, and fertilizer treatment effects. After screening records with clear locations, cultivar information, soil indicators, yield information, and fertilizer application data, 815 cases covering the six major maize planting regions in China were retained. For knowledge graph construction, Qwen2.5-1.5B-Instruct was used as the base model, and Low-Rank Adaptation (LoRA) was adopted for entity extraction. Knowledge triples were generated through entity-type mapping. After cleaning, normalization, and fusion, the maize fertilization knowledge graph contained 63 096 nodes and 277 906 relations. In the decision stage, DeepSeek-V3.2 was used as the language reasoning and interaction engine. User input was parsed into a field state vector containing cultivar, province, ecological region, target yield, soil organic matter, alkali-hydrolysable nitrogen, available phosphorus, available potassium, and pH. Based on this state, KEDAF activated normative memory from the knowledge graph and regional rules, experiential memory from the historical case database, and safety memory from the agronomic rule base. Candidate schemes were generated from knowledge graph priors, adapted similar cases, and fused actions. Similar cases were retrieved by combining categorical semantic similarity and numerical similarity, and their fertilizer rates were revised according to differences in target yield, soil nutrients, organic matter, and pH. Candidate schemes were evaluated by an internal critic using knowledge consistency, case support, and agronomic risk. When fertilizer amounts or stage-wise ratios exceeded safe boundaries, projection-based correction was performed. Experiments used an 8:2 train-test split. Rule-based, traditional case-based reasoning (CBR), and CBR-ML methods were selected as baselines. [Results and Discussions] KEDAF achieved an overall MAPE of 5.337 0% and an R² of 0.882 0 for total N, P, and K prediction. For stage-wise allocation, the R² reached 0.944 4. At the nutrient level, phosphorus prediction was the most stable, with a MAPE of 4.046 9% and an R² of 0.888 8, followed by nitrogen with a MAPE of 4.203 4% and an R² of 0.882 4. Potassium prediction was relatively weaker, with a MAPE of 7.760 8% and an R² of 0.874 7. Compared with the rule-based method, KEDAF reduced the total MAPE from 9.957 0% to 5.337 0% and the stage-wise MAPE from 8.540 7% to 3.444 6%. Compared with traditional CBR and the CBR-ML hybrid model, KEDAF also performed better. Ablation experiments showed that the knowledge graph prior provided a stable decision anchor, case adaptation improved field-specific adjustment, and safety constraints enhanced recommendation feasibility. [Conclusions] KEDAF integrated structured knowledge, historical experience, and agronomic constraints into a traceable fertilization decision process. Offline experiments showed that it outperformed rule-based, CBR, and CBR-ML baselines. The framework provided evidence-supported recommendations for maize precision fertilization, but further field validation and integration of weather, soil monitoring, remote sensing, and management data are still needed.

Key words： maize; precision fertilization; knowledge graph; large language model; agent

0 引言

玉米是重要的粮食、饲料和工业原料作物，施肥管理直接影响产量、肥料利用效率及农业生态环境质量^［1］。实际生产中，玉米施肥受目标产量、土壤供肥能力、区域生态条件、品种特性及管理方式等因素影响。因此，在保障产量的同时提高养分利用效率、降低资源浪费和环境风险，是玉米精准生产管理的关键问题。

围绕科学施肥与养分管理，已有研究从农学模型、区域推荐和决策支持等方面开展探索。基于产量反应和养分利用效率的推荐施肥方法可为区域化施肥提供依据^［2，3］，区域氮肥推荐模型为玉米氮肥优化提供定量支撑^［4］。农业4.0背景下的决策支持系统可集成气象、土壤、管理和市场等信息，为精准施肥提供系统化思路^［5］。QUEFTS模型及其玉米应用研究可从土壤肥力评价、养分需求估算和养分平衡角度支撑目标产量导向施肥^［6-8］。不同区域玉米最适施氮量差异明显，基于Nutrient Expert等工具的情境化推荐也表明，施肥决策需结合本地数据动态校准^［9-11］。

随着农业数据积累，机器学习、群体智能搜索和决策树等数据驱动方法逐步用于施肥建模与推荐，显示出处理复杂变量关系和提升资源利用效率的潜力^［12-14］。但此类方法主要依赖输入变量与施肥结果之间的统计映射，对品种知识、区域规则、农学经验和历史案例的显式利用不足；当目标地块偏离训练样本分布时，其解释性、情境适配性和稳健性仍受限制。

知识驱动方法为农业智能决策提供了另一条路径。案例推理（Case-Based Reasoning，CBR）强调历史案例的检索、复用、修正和保持，与农业生产中参考相似地块形成当前决策的经验逻辑相契合^［15］。知识图谱与案例推理结合用于施肥推荐的研究表明，结构化知识与历史经验协同可提高推荐方案的针对性和可追溯性^［16］。农业知识建模、规则组织、文本关系抽取和文本挖掘等研究，为知识图谱构建和可解释决策提供技术基础^［17-19］；相关精准施肥研究进一步表明，知识图谱可承载多源异构知识并参与决策过程^［20-22］。

近年来，大语言模型和基础模型推动了农业智能服务发展。MRKL系统研究表明，将大语言模型与外部知识源和推理模块结合，可增强复杂任务求解和事实约束能力^［23］。在农业领域，大语言模型已应用于病害诊断、农业问答和环境控制等场景，并展现出知识调用与决策支持潜力^［24-27］。但现有研究多聚焦问答、识别和环境控制，对于受农学规律、区域经验和安全边界共同约束的施肥数值决策问题，大模型如何与结构化知识和历史经验协同仍缺乏清晰范式^［28］。

综上，现有研究仍存在知识来源分散、数据驱动方法知识依据不足、传统案例推理缺乏稳定知识先验和安全校正等问题。基于此，本研究构建面向玉米精准施肥的知识增强决策智能体框架（Knowledge-Enhanced Decision Agent Framework，KEDAF），以品种审定公告、省域施肥指导文件和历史施肥案例为基础，形成知识图谱、案例库和规则库三类外部知识支撑，并通过状态感知、记忆激活、候选方案生成、反馈修正与约束校验，实现氮（N）、磷（P）、钾（K）总量及分期施肥推荐，以提升施肥决策的情境适配能力、推荐精度和结果可追溯性。

1 材料与方法

1.1　数据来源

玉米精准施肥可表示为给定地块状态和外部知识支撑条件下的养分管理决策问题。设用户输入为

u

，并通过解析函数

P (⋅)

将其中的自然语言描述和结构化字段统一转换为地块状态向量，如公式（1）所示：

s = P (u) = [ϕ v (v), ϕ r (r), ϕ z (z), y *, o m, a n, a p, a k, p H] T

（1）

式中：

s

为地块状态向量；

v 、 r 、 z

分别为玉米品种、省域、玉米生态区的原始类别信息；

ϕ v (v) 、 ϕ r (r) 、 ϕ z (z)

为相应编码函数；

y *

表示目标产量，kg/hm²；

a n

、

a p

、

a k

分别表示与N、P、K相关的土壤基础养分指标，mg/kg；

o m

表示土壤有机质含量，g/kg；

p h

表示土壤酸碱度。状态向量

s

构成当前施肥任务的统一决策上下文，也是后续知识调用、案例匹配和安全校验的共同输入。

在输出侧，将玉米精准施肥方案表示为施肥总量与分期比例的联合决策向量，如公式（2）所示：

z = T N, T P, T K, ρ N, ρ P, ρ K

（2）

式中：

T N

、

T P

、

T K

分别表示N、P、K推荐总量，kg/hm²；

ρ N

、

ρ P

、

ρ K

分别表示对应养分在底肥、拔节肥和大喇叭口期追肥上的分配比例向量。以氮素为例，见公式（3）：

ρ N = ρ N (b), ρ N (j), ρ N (l), ρ N (b) + ρ N (j) + ρ N (l) = 1

（3）

式中：上标

b 、 j 、 l

分别表示基肥、拔节肥和大喇叭口期追肥。

由此，本研究任务可写为：在给定状态

s

及外部知识记忆

M

的条件下，求解满足农学约束条件的最优施肥决策向量

y *

，如公式（4）所示。

y * = Π (s, M)

（4）

式中：

Π (⋅)

表示知识增强的施肥决策映射。为体现该任务中的知识依赖性与经验迁移性，进一步将外部知识记忆定义，如公式（5）所示：

M = K G (s), K C (s), K R (s)

（5）

式中：M为当前地块状态 s 下激活的外部知识记忆集合；

K G (s) 、 K C (s) 、 K R (s)

分别表示由知识图谱、历史案例库和农学规则库检索或调用得到的可计算知识结果，包括知识先验特征、相似案例和规则约束条件，用于支撑候选方案生成、案例修正和安全校验。

在数据来源方面，G来自前文构建的玉米知识图谱，并融合省域施肥指导文件中的施肥管理知识；C来自玉米施肥历史案例数据；R主要来源于省域施肥指导规则和农学经验边界。历史案例数据主要通过文献调研方式获取，围绕玉米施肥试验、玉米养分管理、测土配方施肥、目标产量施肥以及不同施肥处理对产量与肥效影响等主题，从中国知网、Web of Science及相关公开学术文献中系统搜集玉米施肥试验记录。案例采集范围覆盖中国六大玉米种植区，以保证案例库在区域生态条件、土壤肥力特征、栽培制度和施肥模式上的代表性与多样性。在数据筛选过程中，重点保留试验地点明确、品种信息清晰、土壤养分指标较完整、目标产量或实际产量可获得、施肥处理记录明确的文献，对缺少关键环境指标、缺乏施肥量信息、试验条件描述不清或数据明显异常的记录予以剔除，最终形成815条历史施肥案例。

从案例规模和任务目标看，815条历史施肥案例能够为本研究框架的离线建模和方法比较提供基本经验支撑。一方面，案例覆盖中国六大玉米种植区，包含不同品种、土壤肥力水平、目标产量和施肥处理记录，可用于构建相似案例检索空间，并为案例自适应修正和方法对比提供样本基础；另一方面，KEDAF将案例库作为经验参照，将知识图谱作为品种与区域知识先验，将农学规则库作为施肥安全边界约束。因此，在案例规模有限的情况下，知识先验和规则约束能够在一定程度上降低单纯案例匹配带来的不确定性，使模型更适合用于历史案例条件下的离线施肥决策验证。

对于新地块或跨区域应用，KEDAF并不是直接外推某一地块或某一区域的施肥经验，而是根据目标地块的品种、种植区域、土壤理化指标和目标产量重新构建状态表示。在此基础上，系统检索相同或相近生态区的品种知识、区域施肥规则和历史案例，并依据土壤养分、有机质、pH和目标产量差异进行案例修正，最后通过规则库完成施肥总量和分期比例校验。由此，框架在不同地块上的应用依赖于状态重构、知识检索、案例修正和规则校验的联合适配过程。对于案例覆盖较少或区域施肥规则不够完整的地区，KEDAF输出结果应作为辅助决策方案，并结合当地测土结果、农技人员经验和后续田间试验进行校准。

表1 玉米精准施肥历史案例库基础属性、土壤指标与施肥方案统计

Table 1 Statistics of basic attributes， soil indicators， and fertilization schemes in the historical case database for maize precision fertilization

历史案例库属性	最小值	最大值	均值	标准差
案例数量/条	815	815
玉米品种数量/种	24	24
有机质/（ $g / k g$ ）	10.03	35.99	21.35	6.65
全氮/（ $g / k g$ ）	0.83	2.28	1.46	0.33
碱解氮/（ $m g / k g$ ）	35.00	147.54	90.48	23.07
有效磷/（ $m g / k g$ ）	10.15	41.92	23.73	7.08
速效钾/（ $m g / k g$ ）	70.07	244.34	148.65	37.5
pH	5.00	8.40	6.79	0.82
目标产量/（ $k g / h m 2$ ）	7 828.00	14 940.00	11 283.75	1 125.44
总施氮量/（ $k g / h m 2$ ）	143.50	360.00	224.55	35.88
总施磷量/（ $k g / h m 2$ ）	72.00	180.00	105.92	17.09
总施钾量/（ $k g / h m 2$ ）	30	160	72.68	21.7
氮肥平均分期比例（基肥：拔节肥：喇叭口肥）	46.7：29.1：24.3
磷肥平均分期比例（基肥：拔节肥：喇叭口肥）	83.0：12.0：5.0
钾肥平均分期比例（基肥：拔节肥：喇叭口肥）	61.5：14.3：24.2

1.2　玉米施肥知识图谱构建

知识图谱是本研究决策智能体的长期知识记忆之一，用于支持施肥先验生成、结果解释与规则补充。图谱知识主要来自玉米品种文本和省域施肥指导文件。原始玉米品种文本中，实体类型与关系类型高度对应，因此采用实体识别与关系查表相结合的知识抽取策略：采用Qwen2.5-1.5B-Instruct作为基础模型，并基于低秩自适应（Low-Rank Adaptation，LoRA）方法进行参数高效微调，完成实体识别。再依据实体类型与关系类型的映射规则生成知识三元组。设输入文本为

x

，目标实体集合为

E = {(m i, t i)}

，其中

m i

为实体提及，

t i

为实体类型。对任一非品种实体

e i

，其关系

r i

可由映射函数

ψ (⋅)

确定，如公式（6）所示：

r i = ψ t i

（6）

经抽取、清洗、命名标准化和知识融合后，构建得到玉米知识图谱。该图谱最终包含63 096个节点和277 906条关系，涵盖品种、选育单位、来源组合、农艺性状、抗病性、产量表现、适种区域和施肥指导等多类知识，如表2和表3所示。

表2 玉米施肥知识图谱实体类型及节点数量统计

Table 2 Statistics of entity types and node counts in the maize fertilization knowledge graph

实体类型	数量/个	占比/%
施肥记录	23 633	37.46
产量表现	9 088	14.40
品种	8 420	13.34
杂交组合来源	8 250	13.08
施肥策略	7 885	12.50
品种性状	2 445	3.88
育种单位	2 380	3.77
施肥量	728	1.15
栽培技术要点	113	0.18
抗性	98	0.16
区域	29	0.05
感病性	21	0.03
施肥阶段	3	0.00
肥料类型	3	0.00

表3 玉米施肥知识图谱关系类型及关系数量统计

Table3 Statistics of relation types and relation counts in the maize fertilization knowledge graph

关系类型	数量/个	占比/%
具有性状	46 565	16.76
具有产量表现	37 480	13.49
适宜种植于	29 722	10.69
具有抗性	23 983	8.63
具有施肥量	23 633	8.50
具有施肥阶段	23 633	8.50
使用肥料	23 633	8.50
具有施肥记录	23 633	8.50
具有栽培要点	17 661	6.36
由某单位选育	10 088	3.63
来源于杂交组合	9 566	3.44
具有施肥策略	7 885	2.84
具有感病性	424	0.15

在本研究框架中，知识图谱的作用主要体现在三方面。一是刻画品种特征与区域管理知识，为施肥先验方案的生成提供规范化知识支撑；二是为结果解释提供依据，增强推荐方案的可追溯性；三是与规则库协同约束候选施肥方案的搜索范围，保证其满足基本农学可行性。

从实体类型分布看，施肥记录节点占比最高，说明图谱以施肥决策场景中的具体记录为主要承载单元；产量表现、品种、来源组合和施肥策略等节点占比较高，表明图谱不仅保留了品种层面的描述信息，也编码了与施肥决策直接相关的经验性和结果性知识。相比之下，区域、施肥阶段和肥料类型等节点数量较少，但主要承担规则约束、阶段划分和结构连接作用，是形成施肥知识链条的关键辅助节点。

从关系类型分布看，图谱中“具有性状”“具有产量表现”“适宜种植于”“具有抗性”等关系占比较高，说明品种属性、区域适应性和产量表现等信息在图谱中占有较大比重；与此同时，“具有施肥量”“具有施肥阶段”“使用肥料”“具有施肥记录”等关系也占有较高比例，表明图谱中包含较丰富的施肥记录与施肥过程信息。总体而言，该图谱不仅保留了品种描述信息，也纳入了与施肥方案相关的记录性和结构性信息，为后续施肥先验生成和结果解释提供了知识基础。

在施肥推荐过程中，知识图谱首先用于关联目标品种、种植区域及其对应的施肥管理信息，使品种特征、区域适宜性和施肥经验共同参与候选方案的生成。系统获得目标地块状态后，根据品种名称和种植区域定位品种节点与区域节点，并沿“具有性状”“具有产量表现”“适宜种植于”“具有栽培要点”等关系检索品种生育特性、适宜生态区、产量潜力和栽培管理要求；随后关联施肥策略节点、施肥记录节点和施肥阶段节点，沿“具有施肥策略”“具有施肥记录”“具有施肥量”“具有施肥阶段”“使用肥料”等关系提取区域施肥范围、养分投入水平、肥料类型和分期施肥结构。通过上述过程，知识图谱能够把品种知识、区域规则和施肥记录连接起来，为候选施肥方案生成提供规范化先验。

这一先验主要作用于候选施肥方案生成。品种生育特性、产量表现和栽培管理要求可用于判断当前地块的目标产量和管理需求，区域施肥范围和养分投入水平可用于确定N、P、K推荐总量的初始区间，施肥阶段和肥料类型信息则用于约束底肥、拔节肥和大喇叭口期追肥的分配结构。这样，候选方案不再只依赖历史案例的数值相似性，而是同时受到品种特征、区域经验和施肥记录的共同引导。

在候选方案形成后，知识图谱还与农学规则库共同参与方案校验。图谱提供的区域施肥范围、阶段施肥习惯和肥料使用信息，可作为判断候选方案是否符合当地生产条件的依据；规则库则对施肥总量、分期比例和安全边界进行约束，从而减少候选方案偏离区域施肥指导或农学常识的情况。

此外，知识图谱还用于支撑结果解释。系统输出最终施肥方案时，可同步返回相关品种性状、适宜区域、产量表现、施肥记录和阶段施肥依据，使用户能够追溯推荐方案的知识来源。通过上述方式，知识图谱在KEDAF中承担长期规范记忆作用，并与历史案例库和农学规则库协同，提高施肥推荐的情境适配性、农学合理性和可追溯性。

1.3　KEDAF决策框架

1.3.1　总体架构

如图1所示，本研究构建的KEDAF框架由知识构建、决策智能体和用户交互与结果输出三部分组成。其中，知识构建部分以玉米品种审定公告、省级施肥技术规程、农学规则与专家经验为主要知识来源，通过命名实体识别和实体类型映射生成知识三元组，进而构建玉米施肥知识图谱，并与历史施肥案例库、农学规则库共同形成外部知识支撑。用户交互部分负责接收地块位置与区域、土壤理化性质、玉米品种、目标产量和管理措施等田间信息，并将最终推荐结果、分生育期分配方案和解释依据反馈给用户。

显示原图|下载原图ZIP|生成PPT

图1 KEDAF施肥决策系统技术架构图

Fig. 1 KEDAF decision framework

决策智能体是KEDAF的核心。该部分首先借助DeepSeek-V3.2大语言模型对用户输入的田间信息进行语义解析和字段标准化，将自然语言描述转化为包含品种、区域、目标产量和土壤理化指标的地块状态。在此基础上，系统通过状态感知与多源记忆激活模块，分别调用知识图谱、历史案例库和农学规则库，获得品种与区域知识、相似案例经验，以及施肥约束信息。随后，候选施肥方案生成模块综合知识先验和案例迁移结果，形成N、P、K推荐总量及分生育期分配方案；反馈校正并约束评审模块进一步依据农学规则对候选方案进行可行性校验和修正。最终，系统输出满足农学约束的施肥推荐结果，并同步生成知识图谱证据、相似案例支持和规则校验说明，从而提高施肥决策过程的可解释性和可追溯性。

形式上，将该决策智能体表示为公式（7）：

A = (B, M, Y, J, Γ, Φ)

（7）

式中：A为用户输入下的施肥决策过程；

B

表示决策状态空间；M表示激活后的外部记忆；

Y

表示候选施肥动作集；

J

表示候选动作评分函数；

Γ

表示决策批判与修正算子；

Φ

表示解释输出模块。给定用户输入后，智能体首先构建当前决策状态，再检索与该状态相关的规范记忆、经验记忆和规则记忆，生成多个候选施肥动作，经内部批判器完成修正与选择，最后输出可执行的施肥方案及其自然语言解释。

1.3.2　状态构建与双源记忆激活

首先将地块上下文转化为用于决策的结构化状态。设状态构建器为

E (⋅)

，则用户输入

u

对应的初始状态为公式（8）：

b 0 = E (u)

（8）

式中：

b 0

包含品种、区域、土壤养分、目标产量及相关管理信息，用于后续记忆检索与候选施肥方案生成。

在状态

b 0

下，系统进一步激活与之匹配的双源记忆，如公式（9）所示：

M (b 0) = m k g | m c a s e | m r u l e

（9）

式中：

M (b 0)

表示在当前决策状态

b 0

下被激活的外部记忆集合；

m k g

表示由知识图谱和省域规则组成的规范记忆；

m c a s e

表示由历史案例库检索得到的经验记忆；

m r u l e

表示农学安全规则记忆。本研究强调基于当前地块状态的条件化记忆激活机制，即仅有与当前状态相关的知识、经验与规则被动态检索并参与本轮施肥决策过程。

1.3.3　候选施肥动作生成

在当前地块状态和激活记忆条件下，系统生成三类候选施肥方案：知识图谱先验方案、案例迁移方案和融合方案。知识图谱先验方案根据目标产量与区域基准产量的差异进行修正，并结合土壤养分水平调整N、P、K推荐区间。对每种养分，系统以区域推荐范围为基础，结合目标产量修正和土壤养分状态修正，得到知识图谱先验施肥总量。

相似案例检索综合考虑品种、区域等分类特征的语义相似性，以及土壤养分、目标产量等数值特征的归一化相似性。

依据相似度排序后选取得分最高的前

K

个案例，形成参考案例集

𝒞 * (s)

。对代表性案例

c *

，其任一养分

m

的案例迁移总量写为公式（10）：

T m c a s e = T m b a s e ⋅ (1 + δ y m) ⋅ (1 + δ b m) ⋅ (1 + δ o m m) ⋅ (1 + δ p h m)

（10）

式中：

T m c a s e

为经案例迁移修正后的养分

m

推荐施用总量，kg/hm²；

T m b a s e

为由相似历史案例得到的养分

m

基准施用总量，kg/hm²；

δ y m

、

δ b m

、

δ o m m

和

δ p h m

分别表示产量、土壤养分、有机质和pH这4个因子修正项。这样，历史案例中隐含的施肥经验得以在目标地块条件下完成条件迁移。

最后，系统根据案例相似度、区域匹配程度和知识先验可靠性，对知识图谱先验方案与案例迁移方案进行加权融合。

1.3.4　候选动作评分与内部批判

在获得知识图谱先验方案、案例迁移方案和融合方案后，KEDAF进一步引入内部批判与约束校验机制，对候选施肥动作进行比较、筛选和修正。该过程避免了候选方案仅满足数值相似性，而忽略品种适配性、区域施肥规则和农学安全边界，从而提高推荐结果的稳定性和可执行性。

首先，内部批判器从知识一致性、案例支持度和农学风险三个方面对候选方案进行综合评估。其中，知识一致性主要用于判断候选方案是否符合知识图谱中检索到的品种特征、适种区域、产量表现和区域施肥管理要求；案例支持度主要用于衡量候选方案是否得到相似历史案例的支撑，包括案例相似度、区域匹配程度和土壤条件接近程度；农学风险则用于判断候选方案是否存在养分总量过高、分期比例失衡或明显偏离区域施肥经验等问题。通过上述评估，系统优先保留知识依据充分、案例支撑较强且农学风险较低的候选方案。

其次，内部批判器依据农学规则库对候选方案进行可行性校验。对于N、P、K推荐总量，系统检查其是否处于区域施肥指导文件和历史案例统计范围所确定的安全区间内。若某一养分推荐总量低于下限或高于上限，系统将其修正至允许范围内，避免出现养分投入不足或过量施肥的情况。对于分期施肥结构，系统检查基肥、拔节肥和大喇叭口期追肥三个阶段的比例是否满足总和为1以及各阶段比例边界要求。若分期比例不满足约束，则对其进行归一化和边界修正，使最终比例既符合数学约束，也符合玉米不同生育阶段的养分需求规律。

在分期结构修正过程中，系统尽量保持原候选方案中两次追肥之间的相对比例关系，避免由于单一阶段比例调整造成施肥节奏发生剧烈变化。具体而言，设

m

表示任一养分类型，

ρ m, b a s e 、 ρ m, j o i n t

、

ρ m, b e l l

分别表示该养分在基肥、拔节肥和大喇叭口期追肥中的原始分配比例；

ρ m, b a s e p r o j

、

ρ m, j o i n t p r o j

、

ρ m, b e l l p r o j

分别表示约束校验和投影修正后的分配比例。当基肥比例被修正为

ρ m, b a s e p r o j

后，系统将剩余比例按照原候选方案中拔节肥和大喇叭口期追肥的相对比例重新分配，如公式（11）和公式（12）所示。

ρ m, j o i n t p r o j = 1 | ρ m, b a s e p r o j ρ m, j o i n t ρ m, j o i n t + ρ m, b e l l

（11）

ρ m, b e l l p r o j = 1 - ρ m, b a s e p r o j - ρ m, j o i n t p r o j

（12）

最后，内部批判器将完成校验和修正后的候选方案作为最终施肥决策的基础。若候选方案已经满足养分总量边界、分期比例约束和区域施肥规则，则停止修正；若仍存在约束冲突，则继续根据规则库进行调整，直到形成满足农学安全要求的推荐结果。通过这一过程，KEDAF将知识图谱先验、历史案例经验和农学规则约束统一纳入候选方案筛选与修正环节，使最终输出不仅具有较好的数值预测效果，也具有明确的农学依据和实际可执行性。

1.3.5　结果生成与解释输出

经过内部批判与约束校验后，系统得到最终施肥决策向量

d *

。其中包括 N、P、K 推荐总量及其在基肥、拔节肥和大喇叭口期追肥中的分配比例。系统根据各养分推荐总量和对应分期比例，计算形成三个生育阶段的具体施肥量，得到最终分期施肥推荐结果

F *

。

在此基础上，大语言模型模块将最终施肥推荐结果、知识图谱依据、相似案例支持依据和规则约束校验信息组织为面向用户的自然语言解释。该解释内容包括推荐施肥总量、分期施肥方案、主要决策依据及约束修正说明，使系统既能输出可执行的施肥方案，也能提供与之对应的决策理由，从而提高结果的可解释性和可追溯性。

1.4　实验设计与评价指标

为评估所提知识增强决策智能体框架在玉米精准施肥任务中的有效性，从总体决策性能、模块贡献和基线对比三个层面开展实验。实验对象为历史案例库中的815条玉米施肥案例，案例覆盖中国六大玉米种植区，能够较好反映不同区域生态条件、土壤肥力特征和施肥模式下的玉米施肥决策情境。实验中，案例数据按8：2划分为训练集和测试集，随机种子设置为42。训练集主要用于构建案例检索空间、统计区域分布特征并确定模型参数，测试集用于统一评估不同方法在总量决策和分期结构决策上的表现。

1.4.1　评价指标

玉米精准施肥决策任务在形式上可视为多输出回归问题，因此本研究采用平均绝对误差（mean absolute error，MAE）、均方根误差（root mean square error，RMSE）、平均绝对百分比误差（mean absolute percentage error，MAPE）和决定系数（coefficient of determination，R ²）作为主要评价指标，分别从绝对误差、平方误差、相对误差和拟合优度四个角度衡量方法性能。其定义如公式（13）~公式（16）所示：

M A E = 1 n ∑ i = 1 n y i - y^i

（13）

R M S E = 1 n ∑ i = 1 n (y i - y^i) 2

（14）

M A P E = 100 % n ∑ i = 1 n y i - y^i y i

（15）

R 2 = 1 - ∑ i = 1 n (y i - y^i) 2 ∑ i = 1 n (y i - y ˉ) 2

（16）

式中：

y i

为真实值；

y^i

为预测值；

y ˉ

为真实值均值；

n

为样本数，个。

考虑到玉米施肥方案既包括N、P、K总量，又包括3个时期的分期结构，本研究分别在总量层面和分期层面报告上述指标。总量层面主要评估N、P、K推荐总量的准确性，分期层面则评估底肥、拔节肥和大喇叭口肥三个时期施肥量的合理性。

1.4.2　对比方法设置

为验证所提方法的有效性，选取基于规则的方法，传统案例推理方法案例推理-机器学习（Case-Based Reasoning–Machine Learning，CBR-ML）混合模型作为对比方法，并与完整的KEDAF框架进行比较。基于规则的方法以区域经验模板为基础实现施肥推荐。具体而言，按照省份、玉米生态区和作物类型对训练集样本进行分组，在每组内统计N、P、K九维施肥量的中位数作为经验模板，并结合目标产量与土壤养分偏差进行线性修正。该方法实现简单、可解释性较强，能够反映区域经验规则在施肥推荐中的基本作用，但对品种差异和复杂地块条件的适应能力有限。

传统案例推理方法直接从历史案例库中检索与目标地块最相似的案例，并将相似案例的施肥方案加权平均后作为输出结果。为保证比较的公平性，该方法与本方法采用相同的案例库和相似度计算框架，其中分类特征与数值特征的相似度按加权方式融合。与本方法相比，传统案例推理方法不引入知识图谱先验，也不进行基于目标产量、土壤养分、有机质和pH值差异的案例自适应修正，因此能够作为检验知识增强和案例迁移作用的直接参照。

CBR-ML混合模型在传统案例推理基础上进一步引入机器学习回归修正，用于构建更强的增强基线。该方法首先采用与传统CBR相同的案例库和相似度计算框架检索候选案例，然后基于训练集特征构建数据驱动的回归模型，对N、P、K总量及九维分期施肥量进行预测。回归部分采用由岭回归、随机森林、极端随机树和梯度提升树等模型组成的集成回归器，并结合目标地块与相似案例之间的检索置信度、品种一致性、区域一致性等信息，对CBR加权结果和机器学习预测结果进行融合。该模型能够反映“案例检索+数据驱动修正”的传统混合建模思路，但不引入知识图谱先验、农学规则约束、状态感知规划和内部批判反馈机制，因此可作为检验KEDAF综合决策能力的增强基线。

KEDAF为本研究提出的完整方法。在相同数据条件下，该方法通过状态感知与双源记忆激活、候选施肥动作生成、反馈修正与内部批判等过程，生成最终施肥方案。通过与上述两类方法比较，可以考察知识图谱增强与案例修正机制是否能够在总量预测和分期结构预测两个层面带来稳定增益。

1.4.3　消融实验设置

为分析各核心模块对最终施肥决策结果的影响，在完整KEDAF框架基础上设置消融实验，主要围绕知识图谱先验、案例自适应修正和安全约束三个关键组成部分展开。

第一种变体为去除知识图谱先验，即不再利用知识图谱和省域施肥规则生成初始方案，其余流程保持不变。该设置用于考察知识图谱先验作为后续修正锚点时，对施肥总量和分期结构预测结果的影响。

第二种变体为去除案例自适应修正，即保留知识图谱先验和安全约束，但不再根据目标地块与参考案例在目标产量、土壤养分、有机质和pH值的差异进行条件迁移，而是直接利用检索案例参与结果融合。该设置用于分析案例修正过程对方案精度和区域适配性的贡献。

第三种变体为去除安全约束，即保留知识图谱先验和案例自适应修正，但不再对候选施肥方案执行总量约束和分期比例投影。该设置用于分析安全约束对结果稳定性、合理性和可执行性的影响。

通过上述消融实验，可以进一步比较完整模型与各变体在总量预测和分期结构预测上的差异，从而分析知识图谱先验、案例修正和安全约束在整体框架中的具体作用。

1.4.4　实验说明

本实验以玉米施肥决策任务本身为中心，重点关注以下三个方面：第一，所提方法在施肥总量和分期结构预测上是否优于现有方法；第二，知识图谱先验、案例自适应修正和安全约束三个模块分别在多大程度上影响最终结果；第三，在给出施肥方案的同时，系统是否能够提供较为清晰的推荐依据与决策过程说明。基于上述考虑，后续结果与分析部分将依次从总体性能评估、对比实验、消融实验和案例分析四部分展开。

2 结果与分析

2.1　决策性能评估

基于815条历史施肥案例的实验结果表明，KEDAF在总量预测和分期结构预测两个层面均取得了较好表现。在N、P、K总量预测任务中，MAPE为5.337 0%，R ²为0.882 0；在分期施肥结构预测任务中，R ²达到0.944 4。表明该框架能够较好地学习玉米施肥总量与分期结构之间的对应关系。

表4 KEDAF各维度的回归结果

Table 4 Regression results of KEDAF by dimension

指标	MAE	RMSE	MAPE/%	R ²
施氮总量	9.167 7	11.657 3	4.203 4	0.882 4
施磷总量	4.246 8	5.544 2	4.046 9	0.888 8
施钾总量	5.614 8	7.323 8	7.760 8	0.874 7
基肥施肥量	6.204 3	7.986 7	2.669 1	0.948 3
拔节肥施肥量	3.148 0	3.937 3	3.636 4	0.937 7
大喇叭口期追肥施肥量	3.030 9	3.864 5	4.028 2	0.947 1

从不同养分维度看，磷肥总量预测结果最好，氮肥次之，钾肥相对较弱。具体而言，磷肥总量的MAPE和

R 2

分别为4.046 9%和0.888 8，优于氮肥的4.203 4%和0.882 4，而钾肥的MAPE为7.760 8%，

R 2

为0.874 7，表现相对较差。这表明模型对不同养分的拟合难度存在一定差异，其中钾肥总量预测的不确定性相对更高。

为直观展示模型在养分总量预测上的拟合效果，进一步将KEDAF对N、P、K肥总量的预测值与真实值进行对比，结果如图2所示，可见三类养分的预测结果整体与真实值保持较高一致性，样本点大多分布在

y = x

附近，说明模型在总量层面具有较好的拟合能力。

显示原图|下载原图ZIP|生成PPT

图2 KEDAF氮磷钾肥总量预测值与真实值对比图

Fig.2 Comparison between predicted and actual total nitrogen， phosphorus， and potassium fertilizer amounts for KEDAF

2.2　决策组成能力分析

为分析知识图谱先验、案例修正和安全约束等模块对整体推荐效果的影响，设置完整模型、无知识图谱先验、无案例修正和无安全约束4组配置进行消融实验，结果见表5。

表5 KEDAF玉米精准施肥决策模型消融实验结果

Table 5 Ablation results of fertilization decision system

变体	总量 MAPE/%	总量 R ²	分期 MAPE/%	分期R ²
KEDAF	5.337 0	0.882 0	3.444 6	0.944 4
移除知识图谱先验	6.331 9	0.792 2	4.136 6	0.867 7
移除案例修正	5.826 5	0.859 2	3.779 6	0.932 1
移除安全约束	5.718 1	0.869 2	3.545 8	0.935 9

由表5可知，完整模型在总量预测和分期结构预测两个层面均表现最优。去除知识图谱先验后，模型性能下降较为明显，说明知识图谱不仅提供区域规则约束，也为推荐过程提供了稳定的知识中心。去除案例修正后，模型对具体地块差异的适应能力减弱，表明案例迁移对提高情境适配性具有重要作用。去除安全约束后，平均误差变化相对有限，但方案合理性有所下降，说明安全约束是保证推荐结果可执行性的重要环节。

总体来看，知识图谱先验、案例修正和安全约束分别从知识边界、经验迁移和方案可用性3个方面提升了KEDAF的整体性能。

2.3　决策能力对比分析

表6给出了3种方法在总量和分期两个层面的对比结果。KEDAF在两个层面均取得了最优结果，总量层面的MAPE为5.337 0%，R ²为0.882 0；分期层面的MAPE为3.444 6%，R ²为0.944 4。

表6 KEDAF玉米精准施肥决策系统主要对比实验结果

Table 6 Main comparative results of the KEDAF decision system for maize precision fertilization

方法	总量 MAPE/%	总R ²	分期MAPE/%	分期 R ²
规则方法	9.957 0	0.529 2	8.540 7	0.587 7
传统案例推理	6.502 8	0.807 1	4.028 3	0.899 9
CBR-ML混合模型	6.328 0	0.797 9	4.166 7	0.869 3
KEDAF	5.337 0	0.882 0	3.444 6	0.944 4

与基于规则的方法相比，KEDAF的总量MAPE从9.957 0%下降至5.337 0%，分期MAPE从8.540 7%下降至3.444 6%，R ²分别从0.529 2和0.587 7提升至0.882 0和0.944 4。这一显著差距说明纯规则方法仅依赖分组中位数和固定线性修正，无法充分利用地块间的细粒度差异信息。

KEDAF与CBR方法相比，总量MAPE从6.502 8%下降至5.337 0%，R ²从0.807 1提升至0.882 0；分期MAPE从4.028 3%下降至3.444 6%，R ²从0.899 9提升至0.944 4。CBR方法虽然能够通过相似案例直接复用历史经验，但传统CBR仍然依赖相似即合理的假设，缺少知识先验锚定和农学边界控制，因此当案例库覆盖不足或目标地块偏离主要样本分布时，推荐结果容易出现波动。

进一步，KEDAF与CBR-ML混合模型相比，总量MAPE由6.328 0%降至5.337 0%，绝对降低0.991 0个百分点，相对降幅为15.66%；分期MAPE由4.166 7%降至3.444 6%，绝对降低0.722 1个百分点，相对降幅为17.33%。；总量和分期R ²分别由0.797 9、0.869 3提升至0.882 0、0.944 4。说明简单的数据驱动修正虽然能够在总量预测上相对传统CBR带来一定改善，但仍难以同时保证总量精度、分期结构一致性和农学约束合理性。KEDAF通过知识图谱先验、置信度自适应案例修正和安全约束的联合建模，在更强基线下仍保持稳定优势。

综合以上结果，KEDAF在总量预测与分期结构两个层面均超过规则方法、传统CBR和CBR-ML混合基线，验证了知识图谱先验、置信度自适应案例修正和农学安全约束的联合增益。

2.4　轨迹案例分析

以山东省黄淮海夏玉米区某地块为例，首先对用户输入的品种、区域、目标产量和土壤理化指标进行解析与字段标准化，形成标准化地块状态。随后，KEDAF从知识图谱中检索品种特征、适种区域、产量表现和区域施肥规则，生成知识先验方案；同时从历史案例库中检索相似案例，并依据目标产量、土壤养分、有机质和pH值差异进行案例自适应修正。在此基础上，对知识先验方案和案例迁移方案进行融合，并通过农学规则库对施肥总量边界和分期比例进行校验，最终输出满足约束的N、P、K总量及分期施肥方案。具体决策过程见表7，最终施肥推荐结果见表8。

表7 KEDAF典型地块施肥决策轨迹

Table 7 Decision trajectory of KEDAF for a representative field

决策阶段	关键依据与处理	输出结果
用户输入与状态构建	输入山东省、品种郑单958、目标产量12000 kg/hm²，以及土壤碱解氮、有效磷、速效钾、有机质和pH值等指标；系统完成字段抽取与标准化	形成标准化地块状态
知识图谱先验生成	检索品种特征、适种区域、产量表现和区域施肥规则	生成先验方案：N=224 kg/hm²，P=94 kg/hm²，K=79 kg/hm²
案例检索与迁移修正	检索相似历史案例，并依据目标产量、土壤养分、有机质和pH差异进行修正	生成案例迁移方案：N=233 kg/hm²，P=97 kg/hm²，K=81 kg/hm²
候选方案融合与规则校验	综合知识先验、案例支持度和农学规则，校验总量边界与分期比例约束	形成最终推荐总量：N=233 kg/hm²，P=97 kg/hm²，K=81 kg/hm²
结果解释输出	汇总知识图谱证据、相似案例依据和规则校验结果	输出分期施肥方案及推荐依据

表8 KEDAF典型地块最终施肥推荐结果

Table 8 Final fertilization recommendation of KEDAF for a representative field

施肥阶段	氮肥/（kg/hm²）	磷肥/（kg/hm²）	钾肥/（kg/hm²）
合计	233.0	96.7	80.6
底肥	109.5	77.8	48.6
拔节肥	68.7	11.8	12.4
大喇叭口期追肥	54.8	7.1	19.6

由表7和表8可见，KEDAF能够将知识图谱先验、相似案例经验和农学规则校验整合到同一决策过程中。该过程不仅给出了具体施肥推荐结果，也展示了推荐方案形成过程中所依据的知识、案例和规则信息，从而增强了施肥推荐结果的可解释性和可追溯性。

3 玉米精准施肥决策系统设计与实现

面向玉米生产管理中的地块级施肥决策需求，设计并实现了一个融合知识图谱、历史案例库和农学规则库的玉米精准施肥决策系统。该系统以自然语言交互为入口，集成品种知识问答、区域适宜性分析、历史案例检索和阶段化施肥方案生成等功能，旨在为农业生产者和农技人员提供兼具准确性、可解释性和可操作性的辅助决策支持。系统交互界面与推荐结果展示如图3所示。

显示原图|下载原图ZIP|生成PPT

图3 玉米精准施肥决策系统交互界面与推荐结果展示

Fig.3 Interactive interface and recommendation output of the maize precision fertilization decision system

当用户输入地块条件和施肥需求后，系统首先解析自然语言文本，抽取玉米品种、省份区域、生态区、目标产量、土壤养分和pH值等关键字段，并完成领域相关性判断、意图识别和状态构建。在此基础上，系统根据任务类型选择相应的决策路径：若用户提出施肥推荐需求，则调用知识图谱中的品种特征、适种区域、产量表现和区域施肥规则生成知识先验，同时检索相似历史施肥案例，并依据目标产量、土壤养分、有机质和pH值差异进行案例适配与修正；随后通过规则校验模块对施肥总量边界和分期比例进行合理性检查，最终输出底肥、拔节肥和大喇叭口期追肥三个阶段的N、P、K推荐量。

由图3可见，系统界面按照施肥推荐的实际流程进行组织，依次呈现地块信息输入、状态解析、知识与案例调用、施肥方案生成，以及推荐依据解释等内容。除最终施肥方案外，系统还同步展示结构化状态解析结果、知识图谱证据、相似案例支持和规则校验结果，使用户能够了解系统输入了什么、识别了什么、调用了哪些知识与案例，以及推荐结果如何形成。该设计有助于增强施肥推荐过程的透明性、可追溯性和实际应用可信度。

4 结论与展望

针对玉米精准施肥中知识来源分散、区域差异明显、历史案例利用不足，以及推荐过程可解释性较弱等问题，构建了面向玉米精准施肥的知识增强决策智能体框架KEDAF。该框架以玉米施肥知识图谱、历史施肥案例库和农学规则库为外部知识支撑，通过地块上下文输入、状态感知与双源记忆激活、候选施肥动作生成、反馈修正、候选动作评分与内部批判，以及最终方案生成等过程，实现面向具体地块情境的N、P、K总量及分期施肥决策，也进一步在该领域探索了大语言模型与知识图谱、历史案例和农学规则协同工作的应用范式。

实验结果表明，所构建的知识图谱能够为品种特征表达、区域规则调用和施肥先验生成提供有效支撑。在815条历史施肥案例上的验证结果显示，KEDAF在养分总量预测与分期结构预测两个层面均取得了较优表现。消融实验进一步表明，知识图谱先验、案例自适应修正与农学安全约束分别从知识约束、经验迁移与可行性控制三个方面发挥作用，共同提升了模型的稳定性、合理性与可解释性。

需要指出的是，本实验主要基于公开学术文献中的历史施肥案例开展离线验证，案例数据来源于已有玉米施肥试验和生产研究记录，覆盖不同生态区、土壤肥力水平、目标产量和施肥处理条件，因此能够在一定程度上反映真实农业生产和田间试验情境。然而，本研究尚未在实际农场或实验田中开展独立的大规模验证，所得结果主要说明KEDAF在已有历史案例和规则知识条件下具有较好的离线决策能力，尚不能直接等同于真实生产环境中的增产、节肥或环境效益表现。实际玉米施肥决策还会受到实时气象、土壤水分、土壤养分动态变化、播期、密度、灌溉、病虫害和农事管理措施等因素影响，而这些动态因素在当前案例库中尚未得到充分刻画。

未来研究将从两个方面进一步完善。第一，持续补充来自中国不同玉米生态区、不同种植制度和不同管理水平下的多点、多年真实农场与试验田数据，扩大案例库的区域覆盖范围和生产情境多样性，并通过田间试验对模型推荐结果进行外部验证。第二，引入实时气象数据、土壤动态监测数据、遥感长势信息和农事管理记录，构建动态地块状态表示。在此基础上，可进一步探索强化学习或序贯决策方法，将施肥时期、施肥量和分期比例视为连续生育期内的决策动作，将产量、肥料利用效率、经济收益和环境风险作为综合反馈信号，使模型能够根据作物生长过程和环境变化持续修正施肥策略，从而提升KEDAF在真实生产场景中的动态适应能力和推广应用价值。

本研究不存在研究者以及与公开研究成果有关的利益冲突。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

[1]	CUI Z L, ZHANG H Y, CHEN X P, et al. Pursuing sustainable productivity with millions of smallholder farmers[J]. Nature, 2018, 555(7696): 363-366.

[2]	ZINGORE S, ADOLWA I S, NJOROGE S, et al. Novel insights into factors associated with yield response and nutrient use efficiency of maize and rice in sub-Saharan Africa. A review[J]. Agronomy for Sustainable Development, 2022, 42(5): 82.

[3]

徐新朋, 魏丹, 李玉影, 等. 基于产量反应和农学效率的推荐施肥方法在东北春玉米上应用的可行性研究[J]. 植物营养与肥料学报, 2016, 22(6): 1458-1467.

X P

, WEI

, LI

Y Y

, et al. Availability of fertilizer recommendation for spring maize based on yield response and agronomic efficiency in Northeast China[J]. Journal of Plant Nutrition and Fertilizers, 2016, 22(6): 1458-1467.

[4]	包启平, 韩晓日, 崔志刚, 等. 东北春玉米氮肥推荐施肥模型研究[J]. 植物营养与肥料学报, 2020, 26(4): 705-716. BAO Q P, HAN X R, CUI Z G, et al. Recommended fertilization model for spring maize nitrogen fertilizer in Northeast China[J]. Plant Nutrition and Fertilizer Science, 2020, 26(4): 705-716.

[5]	ZHAI Z Y, MARTÍNEZ J F, BELTRAN V, et al. Decision support systems for agriculture 4.0: survey and challenges[J]. Computers and Electronics in Agriculture, 2020, 170: 105256.

[6]	SHEHU B M, LAWAN B A, JIBRIN J M, et al. Balanced nutrient requirements for maize in the Northern Nigerian Savanna: parameterization and validation of QUEFTS model[J]. Field Crops Research, 2019, 241: 107585.

[7]	JIANG W T, LIU X H, WEN Q, et al. Using QUEFTS model for estimating nutrient requirements of maize in the Northeast China[J]. Plant, Soil and Environment, 2017, 63(11): 498-504.

[8]	XU X P, HE P, PAMPOLINO M F, et al. Nutrient requirements for maize in China based on QUEFTS analysis[J]. Field Crops Research, 2013, 150: 115-125.

[9]	AUSTIN R, OSMOND D, SHELTON S. Optimum nitrogen rates for maize and wheat in north Carolina [J]. Agronomy Journal, 2019, 111(5): 2558-2568.

[10]	SAPKOTA T B, JAT M L, RANA D S, et al. Crop nutrient management using Nutrient Expert improves yield, increases farmers' income and reduces greenhouse gas emissions[J]. Scientific Reports, 2021, 11: 1564.

[11]	YAN P, YUE S C, MENG Q F, et al. An understanding of the accumulation of biomass and nitrogen is benefit for Chinese maize production[J]. Agronomy Journal, 2016, 108(2): 895-904.

[12]	GAO J, ZENG W Z, REN Z P, et al. A fertilization decision model for maize, rice, and soybean based on machine learning and swarm intelligent search algorithms[J]. Agronomy, 2023, 13(5): 1400.

[13]	LIBEN F, ABERA W, CHERNET M T, et al. Site-specific fertilizer recommendation using data driven machine learning enhanced wheat productivity and resource use efficiency[J]. Field Crops Research, 2024, 313: 109413.

[14]	JAHAN N, SHAHARIAR R. Predicting fertilizer treatment of maize using decision tree algorithm[J]. Indonesian Journal of Electrical Engineering and Computer Science, 2020, 20(3): 1427.

[15]	YAN A J, CHENG Z J. A review of the development and future challenges of case-based reasoning[J]. Applied Sciences, 2024, 14(16): 7130.

[16]	GE W X, ZHOU J, ZHENG P Y, et al. A recommendation model of rice fertilization using knowledge graph and case-based reasoning[J]. Computers and Electronics in Agriculture, 2024, 219: 108751.

[17]	LINDBLOM J, LUNDSTRÖM C, LJUNG M, et al. Promoting sustainable intensification in precision agriculture: review of decision support systems development and strategies[J]. Precision Agriculture, 2017, 18(3): 309-331.

[18]	CHEN X J, CHEN T Y, ZHAO J B, et al. AgriBERT: a joint entity relation extraction model based on agricultural text[M]// Knowledge Science, Engineering and Management. SingaporeSpringer Nature Singapore2024: 254-266.

[19]	DRURY B, ROCHE M. A survey of the applications of text mining for agriculture[J]. Computers and Electronics in Agriculture, 2019, 163: 104864.

[20]	许多, 鲁旺平, 许瑞清, 等. 基于农业时空多模态知识图谱的水稻精准施肥决策方法[J]. 华中农业大学学报, 2023, 42(3): 281-292. XU D, LU W P, XU R Q, et al. A method of deciding precision fertilization of rice based on spatio-temporal multi-modal knowledge graph of agriculture[J]. Journal of Huazhong Agricultural University, 2023, 42(3): 281-292.

[21]	穆维松, 刘天琪, 苗子溦, 等. 知识图谱技术及其在农业领域应用研究进展[J]. 农业工程学报, 2023, 39(16): 1-12. MU W S, LIU T Q, MIAO Z M /W), et al. Research progress on knowledge graph technology and its application in agriculture[J]. Transactions of the Chinese Society of Agricultural Engineering, 2023, 39(16): 1-12.

[22]	ALHARBI A F, ASLAM M A, ASIRY KALI, et al. An ontology-based agriculture decision-support system with an evidence-based explanation model[J]. Smart Agricultural Technology, 2024, 9: 100659.

[23]	KARPAS E, ABEND O, BELINKOV Y, et al. MRKL Systems: a modular, neuro-symbolic architecture that combines large language models, external knowledge sources and discrete reasoning[EB/OL]. arXiv: 2205.00445, 2022.

[24]	ZHAO X Y, CHEN B Y, JI M X, et al. Implementation of large language models and agricultural knowledge graphs for efficient plant disease detection[J]. Agriculture, 2024, 14(8): 1359.

[25]	KUSKA M T, WAHABZADA M, PAULUS S. AI for crop production–Where can large language models (LLMs) provide substantial value? [J]. Computers and Electronics in Agriculture, 2024, 221: 108924.

[26]	LI J J, XU M L, XIANG L R, et al. Foundation models in smart agriculture: : basics, opportunities, and challenges[J]. Computers and Electronics in Agriculture, 2024, 222: 109032.

[27]	裘佳颖, 刘应昌, 高星杰, 等. AgriAgent: 面向农业环境控制的端到端大模型智能体系统架构[J]. 智慧农业(中英文), 2026, 8(2): 220-236. QIU J Y, LIU Y C, GAO X J, et al. AgriAgent: end-to-end large model agent system architecture for agricultural environment control[J]. Smart Agriculture, 2026, 8(2): 220-236.

[28]	GONG R Z, LI X X. The application progress and research trends of knowledge graphs and large language models in agriculture[J]. Computers and Electronics in Agriculture, 2025, 235: 110396.

Options

文章导航

模态框（Modal）标题

摘要

本文引用格式

Abstract

0 引 言

1 材料与方法

1.1 数据来源

表1 玉米精准施肥历史案例库基础属性、土壤指标与施肥方案统计

1.2 玉米施肥知识图谱构建

表2 玉米施肥知识图谱实体类型及节点数量统计

表3 玉米施肥知识图谱关系类型及关系数量统计

1.3 KEDAF决策框架

1.3.1 总体架构

图1 KEDAF施肥决策系统技术架构图

1.3.2 状态构建与双源记忆激活

1.3.3 候选施肥动作生成

1.3.4 候选动作评分与内部批判

1.3.5 结果生成与解释输出

1.4 实验设计与评价指标

1.4.1 评价指标

1.4.2 对比方法设置

1.4.3 消融实验设置

1.4.4 实验说明

2 结果与分析

2.1 决策性能评估

表4 KEDAF各维度的回归结果

图2 KEDAF氮磷钾肥总量预测值与真实值对比图

2.2 决策组成能力分析

表5 KEDAF玉米精准施肥决策模型消融实验结果

2.3 决策能力对比分析

表6 KEDAF玉米精准施肥决策系统主要对比实验结果

2.4 轨迹案例分析

表7 KEDAF典型地块施肥决策轨迹

表8 KEDAF典型地块最终施肥推荐结果

3 玉米精准施肥决策系统设计与实现

图3 玉米精准施肥决策系统交互界面与推荐结果展示

4 结论与展望

参考文献

0 引言

1.1　数据来源

1.2　玉米施肥知识图谱构建

1.3　KEDAF决策框架

1.3.1　总体架构

1.3.2　状态构建与双源记忆激活

1.3.3　候选施肥动作生成

1.3.4　候选动作评分与内部批判

1.3.5　结果生成与解释输出

1.4　实验设计与评价指标

1.4.1　评价指标

1.4.2　对比方法设置

1.4.3　消融实验设置

1.4.4　实验说明

2.1　决策性能评估

2.2　决策组成能力分析

2.3　决策能力对比分析

2.4　轨迹案例分析