基于地表覆盖数据的湿地知识图谱构建

doi:10.12082/dqxxkx.2023.210585

地球信息科学学报 ›› 2023, Vol. 25 ›› Issue (6): 1240-1251.doi: 10.12082/dqxxkx.2023.210585

• 专刊：地理时空知识图谱理论方法与应用 • 上一篇下一篇

基于地表覆盖数据的湿地知识图谱构建

杨玉莹¹(), 赵学胜¹^,^*(), 刘会园¹, 彭舒², 吕源鑫¹

1.中国矿业大学（北京）地球科学与测绘工程学院，北京 100083
2.国家基础地理信息中心，北京 100830

收稿日期:2021-09-27 修回日期:2021-11-15 出版日期:2023-06-25 发布日期:2023-06-02
通讯作者: *赵学胜（1967— ），男，山东曹县人，教授，主要从事数字地球空间建模研究。E-mail: zxs@cumtb.edu.cn
作者简介:杨玉莹（1997— ），女，山东滨州人，硕士生，主要从事地表覆盖领域知识表达与知识图谱相关研究。E-mail: yangyuying9711@163.com
基金资助:
国家自然科学基金项目(41631178);国家自然科学基金项目(41930650)

Building a Knowledge Graph for Wetlands based on Landcover Data

YANG Yuying¹(), ZHAO Xuesheng¹^,^*(), LIU Huiyuan¹, PENG Shu², LV Yuanxin¹

1. College of Geosciences and Surveying Engineering, China University of Mining and Technology (Beijing), Beijing 100083, China
2. National Geomatics Center of China, Beijing 100830, China

Received:2021-09-27 Revised:2021-11-15 Online:2023-06-25 Published:2023-06-02
Contact: *ZHAO Xuesheng, E-mail: zxs@cumtb.edu.cn
Supported by:
National Natural Science Foundation of China(41631178);National Natural Science Foundation of China(41930650)

摘要/Abstract

摘要：

湿地作为地表覆盖类型的一种，对于生物多样性与气候变化有着重要的意义，也是人类的基本生存环境之一。为更好地理解和表达湿地知识及分类间关系，本文提出了一种基于本体的湿地知识图谱构建方法。首先，利用GlobeLand30数据、生态地理分区数据，围绕湿地类型、特征分布等要素分析湿地领域知识，提取知识间的语义关系，通过本体建模形成湿地知识图谱的概念框架；其次，融合百度百科数据等进行湿地实体的提取、属性信息抽取，丰富湿地知识图谱的数据层；最后，使用图数据库Neo4j存储实体关系和实体属性，实现了湿地知识图谱构建。本文构建的知识图谱扩充了湿地实体的概念描述信息，探索了顾及时空特征的湿地知识表示方法，为地表覆盖领域的知识图谱构建提供了一个应用范例。

关键词: 本体, 地表覆盖, 湿地, 知识图谱, 知识融合, 百度百科, 地理实体, 图数据库

Abstract:

Wetland is of great significance to biodiversity and climate change, and it is also one of the basic living environments of human beings. In order to better understand and express wetland knowledge and the relationship between classifications, this paper proposes an ontology-based wetland knowledge graph construction method. Based on the land cover classification system of GlobeLand 30, this paper establishes the conceptual structure of wetland data and the rich semantic relationship between the elements around wetland type definition, spatial pattern, case distribution, and trend change. Firstly, based on the prior knowledge of wetlands, taking the wetland types in the GlobeLand 30 classification system as an example, we analyze the wetland domain knowledge around the wetland types, feature distribution, and other elements, extract the semantic relationship between knowledge, and construct the ontology database of wetland knowledge by combining top-down and bottom-up methods. The conceptual framework of wetland knowledge graph is formed through ontology modeling. Secondly, based on the wetland knowledge automatically extracted from the technical specification text and encyclopedia website, the extracted conceptual knowledge is stored in the model layer, and the data layer is constructed from bottom to top. The main contents include knowledge acquisition and knowledge fusion. According to the concepts contained in wetland knowledge, the relationship extraction of wetland knowledge is carried out, mainly including attribute relationship, spatial relationship, and temporal relationship. Using the wetland directory crawled from the wetland China website, the wetland entity name and knowledge are directly extracted from Baidu Encyclopedia by means of web crawler to form a triple. Finally, Through the above construction processes of wetland knowledge graph, the wetland related data with different structures are transformed into structured knowledge triple data, and the graph database Neo4j is used for semantic relationship storage with the "node relationship" storage model. Knowledge graph provides a new idea for the study of rich knowledge representation and storage in the field of land cover. It is a bridge between the basic geographic data of surface coverage and spatial knowledge service. It is of great significance to promote the sharing and reasoning analysis of surface coverage data. Taking the wetland land cover type as the research example, the knowledge graph constructed in this paper expands the conceptual description information of wetland entities, explores the wetland knowledge representation method by considering the temporal and spatial characteristics, and provides a new perspective and application demonstration for the expression of land cover knowledge.

Key words: ontology, land cover, wetland, knowledge graph, knowledge fusion, Baidu encyclopedia, geographical entities, graph database

杨玉莹, 赵学胜, 刘会园, 彭舒, 吕源鑫. 基于地表覆盖数据的湿地知识图谱构建[J]. 地球信息科学学报, 2023, 25(6): 1240-1251.DOI:10.12082/dqxxkx.2023.210585

YANG Yuying, ZHAO Xuesheng, LIU Huiyuan, PENG Shu, LV Yuanxin. Building a Knowledge Graph for Wetlands based on Landcover Data[J]. Journal of Geo-information Science, 2023, 25(6): 1240-1251.DOI:10.12082/dqxxkx.2023.210585

图/表 13

图1

图2

图3

表1

表2

图4

表3

表4

表5

图5

表6

图6

图7

参考文献 29

[1]	Jonathan A, Foley. Global consequences of land use[J]. Science, 2005, 309(5734):570-574. DOI:10.1126/science.1111772 doi: 10.1126/science.1111772 pmid: 16040698
[2]	Weise K, Höfer R, Franke J, et al. Wetland extent tools for SDG 6.6.1 reporting from the Satellite-based Wetland Observation Service (SWOS)[J]. Remote Sensing Environment, 2020, 247:111892. DOI:10.1016/j.rse.2020.111892 doi: 10.1016/j.rse.2020.111892
[3]	陆锋, 余丽, 仇培元. 论地理知识图谱[J]. 地球信息科学学报, 2017, 19(6):723-734. doi: 10.3724/SP.J.1047.2017.00723
	[ Lu F, Yu L, Qiu P Y. On geographical knowledge graph[J]. Journal of Geo-information Science, 2017, 19(6):723-734. ] DOI:10.3724/SP.J.1047.2017.00723 doi: 10.3724/SP.J.1047.2017.00723
[4]	Sowaj F. Principles of semantic networks: Exploration in the representation of knowledge[M]. SanMateo Calif: Morgan Kaufmann, 1991:135-157.
[5]	Singhal A. Official google blog: Introducing the knowledge graph: things, not strings[J]. Northwestern University: Evanston, IL,USA, 2012.
[6]	刘峤, 李杨, 段宏, 等. 知识图谱构建技术综述[J]. 计算机研究与发展, 2016, 53(3):582-600.
	[ Liu Q, Li Y, Duan H, et al. Overview of knowledge graph construction technology[J]. Computer Research and Development, 2016, 53(3):582-600. ] DOI:10.7544/issn1000-1239.2016.20148228 doi: 10.7544/issn1000-1239.2016.20148228
[7]	张雪英, 张春菊, 吴明光, 等. 顾及时空特征的地理知识图谱构建方法[J]. 中国科学:信息科学, 2020, 50(7):1019-1032.
	[ Zhang X Y, Zhang C J, Wu M G, et al. Spatio-temporal features based geographical knowledge graph construction[J]. Science in China: Information Science, 2020, 50(7):1019-1032. ] DOI:10.1360/SSI-2019-0269 doi: 10.1360/SSI-2019-0269
[8]	Vrandeč ic D, Krötzsch M. Wikidata: A free collaborative knowledgebase[J]. Communications of the Acm, 2014, 57(10):78-85. DOI:10.1145/2629489 doi: 10.1145/2629489
[9]	Suchanek F M, Kasneci G, Weikum G. Yago: A core of semantic knowledge[C]. Proceedings of the 16th international conference on World Wide Web. ACM, 2007:697-706. DOI:10.1145/1242572.1242667 doi: 10.1145/1242572.1242667
[10]	赵毓诚, 陈建军. 人工智能领域知识图谱构建与分析[J]. 计算机与数字工程, 2021, 49(3):514-520.
	[ Zhao Y C, Chen J J. Construction and analysis of knowledge graphs in the field of artificial intelligence[J]. Computer and Digital Engineering, 2021, 49(3):514-520. ] DOI:10.3969/j.issn.1672-9722.2021.03.019 doi: 10.3969/j.issn.1672-9722.2021.03.019
[11]	孙敏敏, 毛雪岷. 基于Neo4j的肺部疾病知识图谱构建[A].中国管理现代化研究会、复旦管理学奖励基金会. 第十五届(2020)中国管理学年会论文集[C]. 中国管理现代化研究会、复旦管理学奖励基金会: 中国管理现代化研究会, 2020.
	[ Sun M M, Mao X M. Construction of knowledge graph of lung diseases based on Neo4j[A]. China Management Modernization Research Association, Fudan Management Award Foundation. Proceedings of the 15th (2020) China Management Conference[C]. China Management Modernization Research Association, Fudan Management Award Foundation: China Management Modernization Research Association, 2020. ]
[12]	马雷雷. 空间关系本体描述与推理机制研究[D]. 郑州: 解放军信息工程大学, 2012.
	[ Ma L L. Research on spatial relation ontology description and reasoning mechanism[D]. Zhengzhou: Information Engineering University, 2012. ]
[13]	刘鎏. 基于地理本体的吉林地域知识图谱的构建[D]. 北京: 北京交通大学, 2017.
	[ Liu L. Construction of Jilin region knowledge graph based on geographic ontology[D]. Beijing: Beijing JiaoTong University, 2017. ]
[14]	蒋秉川, 万刚, 许剑, 等. 多源异构数据的大规模地理知识图谱构建[J]. 测绘学报, 2018, 47(8):1051-1061.
	[ Jiang B C, Wan G, Xu J, et al. Geographic knowledge graph building extracted from multi-sourced Heterogeneous data[J]. Journal of Surveying and Mapping, 2018, 47(8):1051-1061. ] DOI:10.11947/j.AGCS.2018.20180113 doi: 10.11947/j.AGCS.2018.20180113
[15]	Jiang B C, Tan L, Ren Y, et al. Intelligent interaction with virtual geographical environments based on geographic knowledge graph[J]. ISPRS International Journal Geo-Information, 2019, 8(10):428. DOI:10.3390/ijgi8100428 doi: 10.3390/ijgi8100428
[16]	刘俊楠, 刘海砚, 陈晓慧, 等. 面向多源地理空间数据的知识图谱构建[J]. 地球信息科学学报, 2020, 22(7):1476-1486. doi: 10.12082/dqxxkx.2020.190565
	[ Liu J N, Liu H Y, Chen X H, et al. The Construction of knowledge graph towards multi-source geospatial data[J]. Journal of Geo-information Science, 2020, 22(7):1476-1486. ] DOI:10.12082/dqxxkx.2020.190565 doi: 10.12082/dqxxkx.2020.190565
[17]	Shu W, Wang X Y, Ye P, et al. Geographic Knowledge Graph (GeoKG): A formalized geographic knowledge representation[J]. ISPRS International Journal of Geo-information, 2019, 8(4):184. DOI:10.3390/ijgi8040184 doi: 10.3390/ijgi8040184
[18]	Wang X L, Wu X L. A novel knowledge representation method based on ontology for natural disaster decision-making[C]. 2012 IEEE International Conference on Computer Science and Automation Engineering(CSAE), Zhangjiajie, China, 2012. DOI:10.1109/CSAE.2012.6272947 doi: 10.1109/CSAE.2012.6272947
[19]	杜志强, 李钰, 张叶廷, 等. 自然灾害应急知识图谱构建方法研究[J]. 武汉大学学报·信息科学版, 2020, 45(9):1344-1355.
	[ Du Z Q, Li Y, Zhang Y T, et al. Research on the construction method of natural disaster emergency knowledge graph[J]. Journal of Wuhan University (Information Science Edition), 2020, 45(9):1344-1355. ] DOI:10.13203/j.whugis20200047 doi: 10.13203/j.whugis20200047
[20]	Liu P C, Huang Y L, Wang P, et al. Construction of typhoon disaster knowledge graph based on graph database Neo4j[C]. Proceedings of the 32^nd China Control and Decision Conference, 2020. ] DOI:10.1109/CCDC49329.2020.9164384 doi: 10.1109/CCDC49329.2020.9164384
[21]	陈军, 刘万增, 武昊, 等. 基础地理知识服务的基本问题与研究方向[J]. 武汉大学学报·信息科学版, 2019, 44(1):38-47.
	[ Chen J, Liu W Z, Wu H, et al. Basic problems and research directions of basic geographic knowledge services[J]. Journal of Wuhan University (Information Science Edition), 2019, 44(1):38-47. ] DOI:10.13203/j.whugis20180441 doi: 10.13203/j.whugis20180441
[22]	陈军, 陈晋, 廖安平, 等. 全球30 m地表覆盖遥感制图的总体技术[J]. 测绘学报, 2014, 43(6):551-557.
	[ Chen J, Chen J, Liao A P, et al. General technology of remote sensing mapping of global 30m land cover[J]. Journal of Surveying and Mapping, 2014, 43(6):551-557. ] DOI:10.13485/j.cnki.11-2089.2014.0089 doi: 10.13485/j.cnki.11-2089.2014.0089
[23]	郭剑毅, 李真, 余正涛, 等. 领域本体概念实例、属性和属性值的抽取及关系预测[J]. 南京大学学报:自然科学版, 2012, 48(4):383-389.
	[ Guo J Y, Li Z, Yu Z T, et al. Domain ontology concept instance, attribute and attribute value extraction and relationship prediction[J]. Journal of Nanjing University: Natural Science Edition, 2012, 48(4):383-389. ] DOI:10.13232/j.cnki.jnju.2012.04.015 doi: 10.13232/j.cnki.jnju.2012.04.015
[24]	王东旭, 诸云强, 潘鹏, 等. 地理数据空间本体构建及其在数据检索中的应用[J]. 地球信息科学学报, 2016, 18(4):443-452. doi: 10.3724/SP.J.1047.2016.00443
	[ Wang D X, Zhu Y q, Pan P, et al. Construction of geodata spatial ontology and its application in data retrieval[J]. Journal of Geo-information Science, 2016, 18(4):443-452. ] DOI:10.3724/SP.J.1047.2016.00443 doi: 10.3724/SP.J.1047.2016.00443
[25]	Art C L. The Ramsar Convention Manual: A guide to the convention on wetlands (Ramsar, Iran, 1971)[J]. Ramsar Convention Secretariat Gland Switzerland, 2006, 21(84):691-693.
[26]	Olson D M, Dinerstein E, Wikramanayake E D, et al. Terrestrial ecoregions of the world: a new map of life on Earth[C]// 2001:933-938. DOI:10.1641/0006-3568(2001)051 doi: 10.1641/0006-3568(2001)051
[27]	Allen J F. Towards a general theory of action and time[J]. Artif Intell, 1984, 23:123-154. DOI:10.1016/0004-3702(84)90008-0 doi: 10.1016/0004-3702(84)90008-0
[28]	陆锋, 张恒才. 大数据与广义GIS[J]. 武汉大学学报·信息科学版, 2014, 39(6):645-654.
	[ Lu F, Zhang H C. Big data and generalized GIS[J]. Journal of Wuhan University (Information Science Edition), 2014, 39(6):645-654. ] DOI:10.13203/j.whugis20140148 doi: 10.13203/j.whugis20140148
[29]	Mihalcea R, Tarau R. TextRank: Bringing order into texts[C]. Proceedings of 2004 Conference on Empirical Methods in Natural Language Processing. Barcelona, Spain, 2004:404-411.

关系名称	关系实例
层级关系	<河流湿地，子类，永久性河流湿地>
等同关系	<海珠湿地，别名，广东广州海珠国家湿地公园>
相似关系	<海洋湿地，相似于，滨海湿地>
属性关系	<湖南常宁天湖国家湿地公园，气候带，亚热带季风性湿润气候>
实例关系	<红树林湿地，实例，福建漳江口红树林湿地>

空间关系	关系包含
拓扑关系	相交、相离、包含、在之内、邻接、覆盖、被覆盖……
方位关系	东、南、西、北、东南、西北、东北、西南……
距离关系	近、远、较近、很远……

关系类型	标签	描述	例子
主谓关系	SBV	subject-verb	全球红树林数据比较准确地标识了红树林的分布状况（全球红树林数据􀲓标识）
动宾关系	VOB	直接宾语，verb-object	全球红树林数据比较准确地标识了红树林的分布状况（标识➝分布情况）
间宾关系	IOB	间接宾语，indirect-object	全球红树林数据比较准确地标识了红树林的分布状况（标识➝红树林）
介宾关系	POB	preposition-object	森林/灌木地湿地在河流或湖泊周围（在➝周围）
并列关系	COO	coordinate	由喜湿草本植物和草本植物覆盖高于20%的水面组成的沼泽和滨海草滩（和􀲓草本植物）
独立结构	IS	independent structure	2个单句在结构上彼此独立
核心关系	HED	head	指整个句子的核心
……	……	……	……

排序	关系名称	数量/个	占比/%	排序	关系名称	数量/个	占比/%
1	中文名	44	13.25	33	协同物质	1	0.30
2	外文名	40	12.05	34	作用机理	1	0.30
3	子类	35	10.54	35	界	1	0.30
4	别名（含简称）	19	5.72	36	亚目	1	0.30
5	分布于	19	5.72	37	水深	1	0.30
6	面积	18	5.42	38	外形	1	0.30
7	学科	16	4.82	39	应用	1	0.30
8	波段影像特征	13	3.92	40	定义	1	0.30
9	人口数量	11	3.31	41	常见海域	1	0.30
10	分布特征	10	3.01	42	基本种类	1	0.30
11	公布时间	9	2.71	43	词性	1	0.30
12	植被特征	9	2.71	44	特征	1	0.30
13	类型	8	2.41	45	分布地区	1	0.30
14	气候条件	6	1.81	46	生物特点	1	0.30
15	经纬度	4	1.20	47	所属类别	1	0.30
16	位置	4	1.20	48	植被特点	1	0.30
17	语种	3	0.90	49	形成方式	1	0.30
18	地形	3	0.90	50	属性	1	0.30
19	释义	3	0.90	51	特点	1	0.30
20	气候类型	3	0.90	52	国家总数	1	0.30
21	纬度	3	0.90	53	经纬度	1	0.30
22	下辖地区	3	0.90	54	国家数量	1	0.30
23	纹理特征	3	0.90	55	包含	1	0.30
24	纹理特征	3	0.90	56	濒临大洋	1	0.30
25	范围	2	0.60	57	海岸线长度	1	0.30
26	结构	2	0.60	58	最高点	1	0.30
27	功能	2	0.60	59	最低点	1	0.30
28	经度	2	0.60	60	陆地平均海拔	1	0.30
29	行政区类别	2	0.60	61	冰层平均厚度	1	0.30
30	性质	1	0.30	62	深度	1	0.30
31	美誉	1	0.30	63	区域组织	1	0.30
32	下限	1	0.30
模式层关系数目/个		332		模式层关系占比/%		100

数据层属性关系
排序	关系名称	数量/个	占比/%	排序	关系名称	数量/个	占比/%
1	中文名称	649	13.51	23	政府驻地	30	0.62
2	面积	635	13.22	24	人口数量	30	0.62
3	地理位置	632	13.15	25	火车站	30	0.62
4	级别（含森林公园级别）	590	12.28	26	车牌代码	30	0.62
5	批准时间	505	10.51	27	地区生产总值	30	0.62
6	管理单位	376	7.83	28	邮政区码	29	0.60
7	气候带	183	3.81	29	门票价格	26	0.54
8	湿地类型	107	2.23	30	邻接	23	0.48
9	地理区域	93	1.94	31	保护对象	23	0.48
10	类型	73	1.52	32	行政区划代码	22	0.46
11	著名景点	46	0.96	33	电话区号	17	0.35
12	外文名	45	0.94	34	省委书记	16	0.33
13	气候条件	43	0.89	35	省长	16	0.33
14	开放时间	41	0.85	36	气候类型	16	0.33
15	经纬度	41	0.85	37	所属国家	15	0.31
16	别名	35	0.73	38	方言	8	0.17
17	所属地区	34	0.71	39	适宜游玩季节	8	0.17
18	行政区类别	31	0.65	40	建议游玩时长	7	0.15
19	植被类型	31	0.65	41	建议游玩时长	7	0.15
20	植被类型	31	0.65	42	所属城市	6	0.12
21	机场	31	0.65	43	高等学府	5	0.10
22	下辖地区	30	0.62
属性关系数目合计/个		4805		属性关系占比/%		100

基于地表覆盖数据的湿地知识图谱构建

Building a Knowledge Graph for Wetlands based on Landcover Data

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 29

相关文章 15

Metrics

本文评价

推荐阅读 0

实体类型	名称	数量/个	占比/%
模式层节点	湿地类型本体	38	55.88
	生态地理分区本体	30	44.12
提取模式层实体合计		68	100
数据层节点	湿地公园实体	479	31.11
	行政区实体	31	2.01
	地点实体	602	39.09
	组织机构实体	375	24.35
	气候带实体	31	2.01
	地理实体	22	1.43
提取实体合计		1540	100

[1]	张春菊, 刘文聪, 张雪英, 叶鹏, 汪陈, 朱少楠, 张达玉. 基于本体的金矿知识图谱构建方法[J]. 地球信息科学学报, 2023, 25(7): 1269-1281.
[2]	罗秋雨, 乐阳, 谷岩岩. 城市地铁出行知识图谱嵌入表达的超参数选择[J]. 地球信息科学学报, 2023, 25(6): 1164-1175.
[3]	桂志鹏, 胡晓辉, 刘欣婕, 凌志鹏, 姜屿涵, 吴华意. 顾及地理语义的地图检索意图形式化表达与识别[J]. 地球信息科学学报, 2023, 25(6): 1186-1201.
[4]	唐曾杨, 艾廷华, 徐海江. 地理知识图谱下的建筑群空间分布模式推理[J]. 地球信息科学学报, 2023, 25(6): 1202-1214.
[5]	王益鹏, 张雪英, 党玉龙, 叶鹏. 顾及时空过程的台风灾害事件知识图谱表示方法[J]. 地球信息科学学报, 2023, 25(6): 1228-1239.
[6]	刘建湘, 陈晓慧, 刘海砚, 张兵, 徐立, 刘涛, 付雨萌. 基于轨迹语义的船舶活动知识图谱构建[J]. 地球信息科学学报, 2023, 25(6): 1252-1266.
[7]	陆锋, 诸云强, 张雪英. 时空知识图谱研究进展与展望[J]. 地球信息科学学报, 2023, 25(6): 1091-1105.
[8]	蒋秉川, 黄梓航, 任琰, 孙勇, 范爱民. 基于时序超图模型的战场环境多层次知识建模方法[J]. 地球信息科学学报, 2023, 25(6): 1148-1163.
[9]	陈晖萱, 郭旦怀, 葛世寅, 王婧, 王彦棡, 陈峰, 杨微石. M2T多源知识图谱融合的空间场景描述文本自动生成框架[J]. 地球信息科学学报, 2023, 25(6): 1176-1185.
[10]	诸云强, 孙凯, 胡修棉, 闾海荣, 王新兵, 杨杰, 王曙, 李威蓉, 宋佳, 苏娜, 牟兴林. 大规模地球科学知识图谱构建与共享应用框架研究与实践[J]. 地球信息科学学报, 2023, 25(6): 1215-1227.
[11]	段艳慧, 赵学胜, 彭舒. 基于信息熵的GlobeLand 30和WorldCover耕地破碎区一致性分析[J]. 地球信息科学学报, 2023, 25(5): 1027-1036.
[12]	刘宇, 李勇. 面向城市可持续发展的城市商圈/街区知识图谱构建方法与应用展望[J]. 地球信息科学学报, 2023, 25(12): 2374-2386.
[13]	卢万杰, 刘伟, 牛朝阳, 谢丽敏, 吕亮. 服务于空天协同对地观测的语义信息模型构建[J]. 地球信息科学学报, 2022, 24(8): 1421-1431.
[14]	徐召华, 诸云强, 宋佳, 孙凯, 王曙. 基于词嵌入的地理知识库实体类别对齐方法研究[J]. 地球信息科学学报, 2021, 23(8): 1372-1381.
[15]	陈晓玲, 唐丽玉, 胡颖, 江锋, 彭巍, 冯先超. 基于ALBERT模型的园林植物知识实体与关系抽取方法[J]. 地球信息科学学报, 2021, 23(7): 1208-1220.