多源異構(gòu)土壤污染數(shù)據(jù)知識圖譜構(gòu)建

霍 崢，武彥斌，田俊平，周亞鵬

（1. 河北經(jīng)貿(mào)大學 信息技術(shù)學院，河北 石家莊 050061；2. 河北經(jīng)貿(mào)大學 管理科學與工程學院，河北 石家莊050061；3. 河北經(jīng)貿(mào)大學 經(jīng)濟地理信息大數(shù)據(jù)平臺，河北 石家莊 050061；4.河北農(nóng)業(yè)大學 國土資源學院，河北 保定 071001；）

土壤環(huán)境質(zhì)量數(shù)據(jù)是描述土壤特性、質(zhì)量與影響土壤環(huán)境因素相關(guān)的大量數(shù)據(jù)的集合。土壤環(huán)境質(zhì)量數(shù)據(jù)來源多樣且結(jié)構(gòu)各異，涵蓋了環(huán)保、國土資源、農(nóng)業(yè)、林業(yè)、工業(yè)、統(tǒng)計等部門的數(shù)據(jù)［1］。割裂存儲的土壤環(huán)境數(shù)據(jù)不能很好地描述土壤環(huán)境的全面特征，無法對融合空間關(guān)系的土壤環(huán)境數(shù)據(jù)做快速地智能檢索，無法對土壤污染成因進行溯源，更不能跨行業(yè)的全面協(xié)同的治理土壤環(huán)境污染。土壤污染數(shù)據(jù)變動較慢，波動很小，直接的感官判斷幾乎難以實現(xiàn)，也難以進行自動在線監(jiān)測［2］。此外，土壤污染數(shù)據(jù)人工采樣檢測的成本也很高，融合大量土壤污染檢測數(shù)據(jù)能夠節(jié)約土壤污染管控的成本。針對上述問題，本文利用知識圖譜技術(shù)將土壤污染數(shù)據(jù)進行數(shù)據(jù)融合，提出多源異構(gòu)土壤環(huán)境數(shù)據(jù)融合與知識圖譜構(gòu)建，即，將割裂的土壤污染相關(guān)數(shù)據(jù)合并在一起，消除數(shù)據(jù)間沖突，形成某個區(qū)域土壤污染的優(yōu)質(zhì)全面數(shù)據(jù)。

早在上世紀80年代，研究者就開始了對土壤數(shù)據(jù)的研究，嘗試構(gòu)建中國土壤數(shù)據(jù)庫［4］。90年代初期，中國科學院沈陽應用生態(tài)研究所建立了區(qū)域土壤信息系統(tǒng)［3］。本世紀初，中國科學院南京土壤研究所提出了“數(shù)字土壤”的概念［4］，標志著我國土壤數(shù)據(jù)研究的新階段。近幾年，有研究者構(gòu)建了大規(guī)模土壤環(huán)境質(zhì)量數(shù)據(jù)庫［5］， 研究了土壤環(huán)境質(zhì)量數(shù)據(jù)庫的編碼設(shè)計和數(shù)據(jù)形式，存儲了各個采樣點的監(jiān)測數(shù)據(jù)。然而，在土壤環(huán)境質(zhì)量數(shù)據(jù)中，采樣點/檢測區(qū)的數(shù)據(jù)種類繁多，涉及到重金屬污染、有機物污染、農(nóng)藥化肥施用量等，查詢時需要依據(jù)采樣點編碼進行連接操作，效率低下。此外，土壤環(huán)境質(zhì)量數(shù)據(jù)中的采樣點分布不均勻，并不能統(tǒng)一描述某個城市或地區(qū)的土壤環(huán)境特征。而用知識圖譜技術(shù)進行數(shù)據(jù)融合可將各種實體及其屬性值關(guān)聯(lián)起來，并且可以描述各類實體的不同層深，優(yōu)化查詢。與土壤環(huán)境質(zhì)量相關(guān)的知識圖譜的研究已經(jīng)受到許多研究者的關(guān)注［6-9］。所謂土壤污染數(shù)據(jù)知識圖譜，是結(jié)構(gòu)化的土壤污染知識庫，通過形式化的描述土壤污染數(shù)據(jù)中的基本概念、實體、屬性及其相互關(guān)系，構(gòu)成網(wǎng)狀知識結(jié)構(gòu)。這種結(jié)構(gòu)可以存儲實體之間的復雜關(guān)系，能夠?qū)⒎稚⒏盍汛鎯Φ耐寥拉h(huán)境數(shù)據(jù)融合，從而支持對土壤環(huán)境數(shù)據(jù)的智能搜索，全面掌握土壤狀態(tài)的全貌。故，這也是本文聚焦之所在。

1 土壤污染知識圖譜構(gòu)建

土壤污染知識圖譜的構(gòu)建包括概念層的構(gòu)建和數(shù)據(jù)層的構(gòu)建。本試驗采用“自頂向下”的方法構(gòu)建土壤污染知識圖譜［10-11］。首先，利用專家協(xié)作定義知識圖譜的概念層；將采集到的土壤污染數(shù)據(jù)進行數(shù)據(jù)清洗和數(shù)據(jù)預處理，從半結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)中進行知識抽取，形成三元組數(shù)據(jù)；最終形成土壤數(shù)據(jù)的知識圖譜（圖1）。

圖1 土壤污染數(shù)據(jù)知識圖譜構(gòu)建過程Fig.1 Soil pollution knowledge graph construction

1.1 基于D-S證據(jù)理論的土壤環(huán)境數(shù)據(jù)融合方法

土壤污染數(shù)據(jù)知識圖譜數(shù)據(jù)來源多，且數(shù)據(jù)格式多樣。主要包括：基礎(chǔ)地理數(shù)據(jù)、城市統(tǒng)計年鑒、環(huán)境公報、土壤檢測報告及元數(shù)據(jù)［12-14］。土壤環(huán)境數(shù)據(jù)的固有特點，其數(shù)據(jù)沖突主要體現(xiàn)如下：(1) 污染物的名稱記法不統(tǒng)一。以土壤重金屬污染為例，有些數(shù)據(jù)庫中存儲“全銅”含量，有些數(shù)據(jù)庫存儲“Cu”。(2) 污染物的測量單位不統(tǒng)一。一些污染數(shù)據(jù)中，重金屬的污染單位是“g/kg”，而有些污染物存儲單位是“mg/kg”。(3) 不同來源數(shù)據(jù)近鄰區(qū)域同一污染物的數(shù)值不同。以重金屬污染為例，某 個 來 源 的 數(shù) 據(jù) 是E114°41′34.0″至 41′36.3″，N 37°53′19.6″至 53′20.7″，S 0.11 g/kg，同一 或 相 鄰采樣點的數(shù)據(jù)記錄為S 0.22 g/kg。(4) 部分監(jiān)測點某一項土壤環(huán)境數(shù)值為空值的問題。針對問題(1)和(2)，統(tǒng)一將污染物用化學符號表示污染物；設(shè)計了土壤污染物的單位轉(zhuǎn)換規(guī)則。在此基礎(chǔ)上，設(shè)計了針對問題(3)，(4)的數(shù)據(jù)融合方法。

1.1.1 基于證據(jù)理論的沖突值合并 假設(shè)不同來源同一采樣點的某一污染物x的指標有n個，可表示為P={(p1,t1), (p2,t2),…(pn,tn)}，其中，pi表示某污染物的監(jiān)測值，ti表示采樣時間。設(shè)定2個閾值σp和σt分別表示時間差和污染物檢測值之差。假設(shè)ti和tj是2個不同的采樣時間，且tj＞ti，則不同來源的2個污染物監(jiān)測值之間可能有下述關(guān)系，如公式(1)所示：

根據(jù)污染物的擴散特征，公式(1)中，(a), (c), (d)是符合數(shù)據(jù)一致性要求的，這種情況下，僅需要用tj時刻的監(jiān)測值替換ti時刻的監(jiān)測值即可。而(b)是違背數(shù)據(jù)一致性的，可見不同的數(shù)據(jù)源的監(jiān)測數(shù)據(jù)產(chǎn)生了沖突，本文采用D-S證據(jù)理論［15-16］將沖突的數(shù)據(jù)融合。

假設(shè)公式(b)中相互沖突的污染物數(shù)據(jù)共有Y個值，則該問題的基本概率分配函數(shù)MASS函數(shù)m可表示如公式(2)所示。

其中，A是1個包含所有污染物取值沖突的集合。根據(jù)MASS函數(shù)m分別計算每個取值的信任函數(shù)和似然函數(shù)，其中，B為某個真包含于A的污染物測量值。信任函數(shù)bel( )和似然函數(shù)pl( )由下述公式(3)計算得出。而由信任函數(shù)和似然函數(shù)構(gòu)成的閉區(qū)間［bel(A), pl(A)］就是A取值的置信區(qū)間。

如果需要將多個主體的輸出數(shù)據(jù)相結(jié)合，則需要使用Dempster合成規(guī)則，假設(shè)目前有2個MASS函數(shù)，分別表示為m1和m2，則：

其中， 1-K是歸一化系數(shù)，K的含義是證據(jù)之間的沖突。

1.1.2 基于克里格插值的空缺值獲取 人工采樣監(jiān)測點成本高昂，土壤采樣監(jiān)測點數(shù)據(jù)分布較稀疏，監(jiān)測點某種污染物的監(jiān)測值缺失。為了獲取無監(jiān)測點區(qū)域的土壤環(huán)境數(shù)據(jù)，本文采用插值法對沒有采樣點的區(qū)域進行污染物取值的預測。所謂插值，是指將離散數(shù)據(jù)補插為連續(xù)函數(shù)，使得該連續(xù)函數(shù)曲線通過全部數(shù)據(jù)點。插值的原理是根據(jù)有限的離散點取值估算空缺值。克里格插值法是地統(tǒng)計學常用的方法之一，是對空間分布的數(shù)據(jù)求線性最優(yōu)、無偏內(nèi)插估計的1種方法。克里格插值法特別適用在區(qū)域化變量存在空間相關(guān)性的情況下。本試驗在構(gòu)建土壤污染知識圖譜時，采用克里格插值法填充缺失的土壤污染物檢測值。

1.2 土壤污染數(shù)據(jù)中的實體識別

土壤污染數(shù)據(jù)的融合即包含概念層的融合，也包括實體層的融合。概念層的融合主要是基于土壤環(huán)境數(shù)據(jù)本體知識的擴展，實體層的融合需要用到實體識別、實體關(guān)系抽取等技術(shù)。

1.2.1 領(lǐng)域本體構(gòu)建 本試驗采用介于人工構(gòu)建和自動化構(gòu)建之間的半自動化方法，由領(lǐng)域?qū)＜覅f(xié)作和指導，使用Protege本體庫構(gòu)建工具［17］構(gòu)建本體庫，土壤環(huán)境數(shù)據(jù)本體構(gòu)建的類層次如圖2所示。

圖2 本體類層次Fig.2 Ontology class level

本試驗構(gòu)建的最高層次類為概念(Concepts)，統(tǒng)稱為土壤污染數(shù)據(jù)本體庫的類。其下層類括位置類(Location)、污染物類(Pollutant)和檢測類(Detection)3個類。其中，位置類又包括地級市/區(qū)(City)，區(qū)/縣(District)2個子類；污染物類包括：重金屬污染物(Heavy_Metal)［18］及有機污染物(Organic)［19］2個子類；檢測庫類(Detection)包括采樣點(Detection_Points)和檢測區(qū)(Detection_Area)2個子類。土壤污染知識圖譜構(gòu)建過程中，需要大量的土壤污染檢測報告數(shù)據(jù)。土壤污染檢測報告的格式基本固定，部分檢測報告對某個待檢測區(qū)進行整體評價，依據(jù)不同的布點方式（如，對角線、梅花、棋盤，蛇形）部署多個采樣點，檢測結(jié)果對多個采樣點數(shù)據(jù)進行綜合分析，分析結(jié)果包括某項污染物的最大值/最小值/平均值，及單項污染指數(shù)和綜合污染指數(shù)等。另一類檢測報告對指定的具體采樣點進行檢測，檢測結(jié)果通常是對該采樣點各類污染物的具體結(jié)果進行展示（文字或表格），還包括受測地址、采樣經(jīng)緯度、檢測值等描述性信息。

每個本體類都有與之相關(guān)的影響土壤污染狀況的屬性。如，農(nóng)藥、化肥施用強度，單位GDP氮氧化物排放量，污水排放量等影響土壤污染的因素。上述信息可從各地區(qū)的統(tǒng)計年鑒、環(huán)境公報中抽取得到。最關(guān)鍵的數(shù)據(jù)是土壤污染狀況，在本文的數(shù)據(jù)融合中，考慮2種土壤污染：重金屬污染和有機物污染。其中，重金屬污染主要考慮土壤污染檢測必測的幾種重金屬污染物：鎘(Cd)，汞(Hg)，鉛(Pb)，銅(Cu)，鎳(Ni)，砷(As)，鉻(Cr)；有機物污染主要考慮農(nóng)藥殘留污染，如：DDT，六六六(Benzex)、艾氏劑(Aldrin)、狄氏劑(Dieldrin)。污染物的屬性值為檢測值或通過檢測值分析后得到的統(tǒng)計值。圖3展示了土壤污染數(shù)據(jù)知識圖譜的概念層結(jié)構(gòu)。

圖3 土壤污染數(shù)據(jù)概念層Fig.3 Concept layer of soil environmental quality data

1.2.2 實體識別 土壤污染數(shù)據(jù)的融合即包含概念層的融合，也包括實體層的融合。概念層的融合主要是基于土壤環(huán)境數(shù)據(jù)本體知識的擴展，實體層的融合需要用到實體識別、實體關(guān)系抽取等技術(shù)。

在土壤污染數(shù)據(jù)中，依據(jù)數(shù)據(jù)類型的不同采取不同的實體識別方式：城市和區(qū)/縣的實體識別主要從結(jié)構(gòu)化數(shù)據(jù)中抽取得到，如地名庫等，建立數(shù)據(jù)庫中概念與知識圖譜中的實體之間的映射關(guān)系，自動地從結(jié)構(gòu)化數(shù)據(jù)中抽取出諸如城市、區(qū)/縣等實體。并和非結(jié)構(gòu)化、半結(jié)構(gòu)化數(shù)據(jù)中的同名實體進行鏈接。對于土壤污染中的非結(jié)構(gòu)化數(shù)據(jù)，如土壤污染檢測報告，人工構(gòu)建相應的模版實現(xiàn)知識的抽取，自動地從文本數(shù)據(jù)中抽取匹配的實體名。采樣點/檢測區(qū)進行自動編碼，采用9位編碼方式，其中，第1～6位為我國縣及縣以上行政區(qū)劃代碼，第7～9位為采樣點/檢測區(qū)代碼，從001開始依次編碼。檢測報告格式較固定，從報告的“檢測地址”中可抽取出區(qū)/縣實體，從檢測報告中可抽取出土壤污染物實體。

信息抽取主要包括實體關(guān)系抽取及實體屬性抽取兩部分。土壤污染數(shù)據(jù)中的實體主要包括地級市/區(qū)、區(qū)/縣、采樣點/檢測區(qū)、重金屬污染物、有機污染物幾類。其中，市/區(qū)與區(qū)/縣之間的關(guān)系可從結(jié)構(gòu)化的地名數(shù)據(jù)庫中提取，實現(xiàn)簡單。難點是如何抽取區(qū)/縣與采樣點/檢測區(qū)的關(guān)系，以及采樣點/檢測區(qū)與有機污染物、重金屬污染物的關(guān)系。圖4為知識圖譜部分內(nèi)容示例。

圖4 部分知識圖譜示例圖Fig.4 Part of the knowledge graph

2 結(jié)論

基于土壤污染數(shù)據(jù)的結(jié)構(gòu)與特點，本課題組提出了1種土壤污染數(shù)據(jù)知識圖譜構(gòu)建的方法，從數(shù)據(jù)采集與預處理、本體庫構(gòu)建、實體抽取等內(nèi)容出發(fā)，研究了土壤污染數(shù)據(jù)知識圖譜構(gòu)建的關(guān)鍵技術(shù)，首次實現(xiàn)了土壤污染數(shù)據(jù)領(lǐng)域的知識圖譜構(gòu)建，為土壤智能管理與土壤污染溯源提供了技術(shù)基礎(chǔ)。本文的研究結(jié)論如下：

(1) 土壤污染數(shù)據(jù)的知識圖譜構(gòu)建需先對多源異構(gòu)的數(shù)據(jù)做預處理。本課題組研究了土壤污染數(shù)據(jù)中的不一致的種類，依據(jù)D-S證據(jù)理論和克里格插值法設(shè)計了消除數(shù)據(jù)不一致的規(guī)則，自動地對土壤污染數(shù)據(jù)進行一致性處理；

(2) 針對土壤污染數(shù)據(jù)中的非結(jié)構(gòu)化數(shù)據(jù)實體抽取，本課題組通過人工構(gòu)建相應的模版，自動地從文本數(shù)據(jù)中抽取匹配的實體名。

(3) 在實體關(guān)系抽取和實體屬性抽取中，本課題組針對檢測報告的固定格式和模版，制定自動抽取實體關(guān)系的規(guī)則，最終構(gòu)成土壤污染領(lǐng)域知識圖譜。

土壤污染數(shù)據(jù)知識圖譜具有很強的可擴展性，可將土壤環(huán)境質(zhì)量數(shù)據(jù)融合到該知識圖譜中，更好地提供智能化服務與土壤污染修復服務。