知识图谱驱动的自动化地理计算新方法：中国土壤侵蚀与土壤生产潜力案例研究

本研究针对地理计算中模型配置复杂、数据匹配困难等问题，提出了一种知识图谱驱动的自动化地理计算方法。研究人员通过构建地理计算本体，开发模型选择与数据匹配算法，并建立应用原型系统，成功实现了土壤侵蚀和土壤生产潜力案例的自动化计算。该方法显著提升了模型配置效率，促进了开放数据价值挖掘，为地理信息科学领域的自动化计算提供了新范式。

　　

地理信息科学领域正面临一个关键挑战：传统地理计算过程高度依赖专家经验，用户需要手动配置模型、匹配数据并设计计算流程，这对非专业用户构成了巨大障碍。随着地理数据量的爆炸式增长和计算模型的日益复杂，这种人工操作模式已难以满足高效、精准的地理分析需求。特别是在土壤侵蚀评估和土壤生产潜力预测等关键领域，不恰当的模型选择或数据匹配可能导致严重误差，影响农业规划和生态保护决策。

为解决这一难题，宁波诺丁汉大学计算机科学学院的研究团队创新性地将知识图谱技术引入地理计算领域。他们开发了一套系统性的描述与过程方法，通过构建地理计算本体来捕获和表达模型、数据及任务之间的复杂关系，并设计算法实现自动化模型选择与数据匹配。相关研究成果发表在《International Journal of Applied Earth Observation and Geoinformation》上，为地理计算的智能化转型提供了重要技术路径。

研究团队采用了四项关键技术：1）构建包含任务、模型和数据三大类的geo-computation ontology；2）开发基于BERT的语义相似度计算算法实现数据自动匹配；3）应用SHACL规则验证数据合规性；4）建立包含39个数据集的本地数据库支持案例验证。这些技术共同构成了知识图谱驱动的地理计算框架。

研究结果显示，在土壤侵蚀案例中，基于Revised Universal Soil Loss Equation (RUSLE)模型构建的自动化计算流程，相比传统ArcGIS方法将整体准确率从72.46%提升至80.26%。通过敏感性分析发现，降雨数据时间分辨率对结果影响最大（Sobol指数达0.56）。在土壤生产潜力案例中，递归计算方法成功整合了作物经济系数等关键参数，生成的结果与参考文献具有高度一致性（kappa系数0.74）。

研究团队开发的应用程序原型系统在用户测试中表现优异，95%的参与者首次尝试即成功生成结果，而使用ArcGIS的对照组这一比例仅为35%。问卷反馈显示，知识图谱方法显著降低了用户对技术细节的关注度，使其更专注于任务本身的分析决策。

讨论部分指出，该方法通过结构化表达专家知识，有效解决了LLMs在专业领域存在的"幻觉"问题。虽然当前系统在任务设置灵活性方面存在局限，但其在异构数据整合、模型服务链构建方面的优势，特别适用于灾害响应、土地利用变化监测等时效性要求高的场景。未来与LLMs的融合有望进一步提升系统的自然语言交互能力，推动地理计算向更智能、更普惠的方向发展。

这项研究的创新价值在于首次实现了从知识表示到计算执行的全流程自动化，建立了地理计算领域知识复用与增值的良性循环。随着更多领域本体的接入和计算资源的开放共享，该方法有望成为连接地理信息科学与人工智能的重要桥梁，为数字孪生、智慧城市等新兴应用提供核心技术支撑。