Calculation of the causal strength of stored grain pest events augmented using counterfactual data method
-
摘要:
储粮害虫是影响粮食安全的重要因素，深入研究储粮害虫事件的发展过程及其因果关系极为关键。通过量化分析储粮害虫事件之间的因果强度，能够更加准确地评估潜在风险，帮助相关工作人员制定防控措施，减少不必要的损失。为解决储粮害虫领域数据中存在的数据偏差而造成模型过分依赖数据集中的表面特征，在应对泛化数据时效果不佳的问题，该研究提出一种反事实数据增强的因果强度计算方法，旨在准确量化事件之间的因果强度。设计了一个反事实数据增强的因果强度计算框架（counterfactual data augmentation-event causal strength，CDA-ECS），通过利用大语言模型（large language model，LLM）生成反事实实例，对原始数据进行扩展，将去偏的因果知识整合进预训练语言模型中，帮助其更深入地理解和学习句子的因果关系，提高模型的泛化能力。在公共数据集和领域数据集上的试验表明，所提方法能够训练出更加稳健的模型，在领域泛化数据的推理任务上准确率提高了2.4个百分点，能有效应用于储粮害虫事件的因果强度计算。在储粮害虫领域，反事实数据增强方法的引入为解决数据偏差提供了一种新的视角，增强后数据的多样性和复杂性使得模型能够更加深入地理解害虫行为与环境因素之间的复杂联系，进一步帮助实现储粮害虫事件的风险分析。该研究证明了反事实数据增强方法的可行性和有效性，为实现储粮害虫事件的因果强度计算提供了一定的参考。
Abstract:Stored grain pests have been one of the most important influencing factors on food security in recent years. It is extremely critical to explore the grain storage pest events and their causal relationships. Furthermore, the causal strength among grain storage pest events can be expected to more accurately assess the potential risks, in order to formulate the preventive and control measures. However, the data bias in the grain storage pest domain can often rely overly on the surface features in the dataset, leading to low efficiency with generalized data. In this study, the causal strength among events was accurately computed and quantified using counterfactually augmented data. As such, the counterfactual data augmentation-event causal strength computation framework (CDA-ECS) was designed to generate the counterfactual instances using a large language model (LLM). The original data was then extended to integrate the debiased causal knowledge into the pre-trained language model. The causal relationships of sentences were learned more deeply to improve the generalization of the model. Specifically, three stages were divided: In the first stage, the premise sentences in the event pairs were inputted into a retriever to obtain the top k sentences that were similar in style and opposite in semantics to the original sentences; In the second stage, a rule-based cueing template was designed using the retrieved sentences. The large language model was utilized to generate the compliant sentences, and then adjust the labels of the original event pair sentences using the samples; In the third stage, the original training and the newly generated instances were merged into a new corpus to train together the pre-trained language model. The causal features of the events were learned to improve the accuracy of the reasoning on the generalized data, in order to obtain the causal strength score. Experiments on the public and domain datasets demonstrated that the more robust models were trained with 2.4 percentage points higher accuracy on the inference task on generalized data, which was effectively applied to calculate the causal intensity of grain storage pest events. The counterfactual data augmentation was introduced to represent the data bias in the field of grain storage pests. The diversity and complexity of the augmented data were utilized to more deeply understand the complex links among pest behavior and environmental factors, in order to achieve the risk analysis of grain storage pest events. Nevertheless, it was still lacking human intervention in the process of counterfactual data using LLM, particularly when the labels were flipped. The quantification of causal relationships can also be expected to improve in the future. The counterfactual data generation can be optimized to further improve the quality of counterfactual data generation. The finding can provide a reliable basis to quantify the causal intensity of events. In conclusion, an effective solution can be proposed to improve the performance of causal analysis models in the field of grain storage pests. It is also expected to serve as the more accurate decision-making in risk assessment and management.
-
0. 引 言
土壤胶体是土壤组成中最为微小、最为活跃的组分，通常是有机组分与矿物组分相互吸附胶结形成的复合体[1]。其表面的电化学性质（电荷数量、比表面积、电荷密度以及电场强度）深刻地影响着土壤中离子的吸附解吸、元素的迁移转化以及水动力特征等一系列土壤物理和化学过程，进而影响到土壤水肥保持、土壤侵蚀、污染物防治以及农业面源污染等问题[2-4]。因此，深入研究土壤表面电化学性质对土壤的可持续利用和生态环境保护具有重要意义。
土壤的电化学性质既受气候、环境、植被及施肥方式等诸多外部因素的影响，又受土壤的矿物组成、有机质、pH值、黏粒等内部因素的影响[5-6]。在农田生态系统中，施用有机肥是提高土壤肥力水平、改善土壤环境的有效措施。有机肥可通过２种方式对土壤表面电化学性质产生影响，一方面，施用有机肥可以提高土壤结构的稳定性，促进土壤黏化过程，减小黏粉颗粒的流失[7-8]，黏粉粒的富集有效增加土壤的电荷数量和比表面积；另一方面，有机肥可提高土壤有机质的含量，有机质自身带有大量的可变电荷，可有效地改变土壤表面电化学性质[9]。当然，有机肥进入土壤中后会形成颗粒态有机物和矿物质结合态有机物，颗粒态有机物是未分解或半分解状态的有机残体，易分解，生物活性较高；矿物质结合态有机物多为腐殖化的有机物质，与土壤矿物相结合，性质较为稳定[10]。这些不同组分的有机碳在土壤颗粒的团聚、有机质的周转、肥力提升等过程中具有重要作用[11]。相关研究认为，相比与颗粒态有机物，矿物质结合态有机物对土壤表面电化学性质的影响更为重要[12]。土壤矿物质结合态有机物组分既包含了比表面积和表面电荷数量较大的黏土矿物，还包含了土壤中绝大部分的腐殖物质。并且，这些腐殖物质与黏土矿物相互作用，形成性质各异的有机-无机复合体，进而改变了土壤表面电化学性质[13]。不同类型的有机物进入土壤后的腐殖化过程以及形成的腐殖物质并不相同，例如腐殖物质的芳香度、官能团种类、有机碳链大小都会直接影响其与黏土矿物的吸附过程以及有机-无机复合体的稳定性[14]，但是关于腐殖物质的特性和官能团类型与土壤表面电化学性质之间的内在关系并不清晰，制约全面了解有机培肥措施对土壤表面电化学性质的影响机制。
本文基于16 a的有机肥和秸秆还田的定位培肥试验，分析了土壤表面电化学性质、机械组成、有机碳组分、矿物质结合态腐殖质的光学特性等指标，并利用X射线光电子能谱仪分析了腐殖质-矿物复合体表面的官能团组成，揭示施用有机肥和秸秆还田的培肥措施下土壤表面电化学性质的变化，探究土壤环境因子（如pH值、EC、机械组成）、有机碳组分以及矿物质结合态腐殖质结构特性对土壤表面电化学性质的影响机制，以期为不同培肥模式措施对土壤电化学的影响机制研究以及合理的培肥方案提供科学依据。
1. 材料与方法
1.1 试验区概况与试验设计
试验设在山西省运城市山西农业大学水头试验基地，试验地属暖温带大陆性季风气候，年均气温13.4℃，年均降雨量525 mm，雨热同期，日照时长2040 h，无霜期212 d，试验区土壤类型为褐土，试验前土壤耕层基础肥力为：有机质含量10.9 g/kg，速效氮含量89.6 mg/kg，速效磷含量13.1 mg/kg，速效钾167 mg/kg，pH值为8.4。试验开始于2007年，共设置4个施肥处理：单独施用化肥（F）、有机肥+化肥（MF）、秸秆还田+化肥（SF）以及秸秆还田+有机肥+化肥（MSF）。每个施肥处理3次重复，小区面积为60 m2。化肥为尿素（N 46%）和重过磷酸钙（P2O5 46%），施用量分别为165 N kg/hm2和150 P2O5 kg/hm2；有机肥为腐熟的鸡粪，有机质含量21%，于小麦播种前施入MF和MSF处理，施用量为15 t/hm2。每年6月小麦收获后，SF和MSF处理的秸秆粉碎全量还田，F和MF处理的秸秆移除试验田。
1.2 样品采集与分析
1.2.1 土壤样品采集
于2023年6月小麦收获后五点法采集各小区0～20 cm土层的土壤样品，除去可见的石块、植物残渣等杂物，自然风干后过2 mm和0.15 mm筛，用于土壤理化性质和有机碳分组的测定。
1.2.2 土壤基本理化性质的测定
土壤总有机碳含量采用重铬酸钾氧化-硫酸亚铁滴定法测定；土壤全氮含量采用半微量凯氏法测定；有效磷含量采用0.5 mol/L碳酸氢钠溶液浸提，钼锑抗比色法测定；速效钾含量采用1 mol/L乙酸铵溶液浸提，火焰光度法测定；土壤pH和电导率采用电极法测定，水土比为2.5∶1；土壤黏粒、粉粒和砂粒含量采用激光粒度分析仪（Mastersizer 2000）测定。
1.2.3 土壤有机碳分组的测定
称取过2 mm筛的土壤样品20 g，加入100 mL去离子水，振荡离心，上清液过0.45 μm滤膜，滤液采用TOC自动分析仪测定含碳量，即为土壤可溶性有机碳的含量。向残留的土壤中加入100 mL浓度为0.5%的六偏磷酸钠溶液，振荡后过0.053 mm的标准筛，残留在筛中的残渣为颗粒态有机碳，采用元素分析仪（vario PYRO cube Elementar Analyser）测定含碳量，过滤的土壤残渣在45℃条件下烘干，即为重组土样。称取5.0 g的上述重组土样，加入50 mL浓度为0.1 mol/L氢氧化钠和0.1 mol/L焦磷酸钠的混合溶液，振荡离心，上清液即为腐殖质溶液，调节腐殖质溶液pH值，分离获得胡敏酸和富里酸，采用重铬酸钾氧化法测定上述腐殖质、胡敏酸含量，富里酸含量由腐殖质与胡敏酸含量相减获得[15]。
1.3 土壤表面化学性质测定与计算
1.3.1 土壤表面化学性质测定
根据土壤表面性质联合测定的方法[16-17]，首先制备氢饱和土壤样品，向200 g土壤样品中加入2 L浓度为0.2 mol/L的HCl溶液，振荡24 h，离心弃去上清液，继续重复上述过程3次，向离心后的土样中加入2 L的去离子水，振荡离心，将离心后的土样在45℃条件下烘干，研磨过0.25 mm筛，获得氢饱和土壤样品。然后称取5 g上述氢饱和土壤样品，加入50 mL浓度为0.01 mol/L Ca(OH)2和NaOH混合溶液，振荡24 h后测其pH值，根据pH值继续加入氢饱和土壤样品或Ca(OH)2和NaOH混合溶液（pH值>10，加入氢饱和土壤样品；pH值<9，加入Ca(OH)2和NaOH混合溶液），振荡直至悬浮液pH值在9～10之间。然后用浓度为0.1 mol/L的HCl溶液调节土壤悬浮液pH值至7左右，离心，测定上清液Ca和Na离子浓度。
1.3.2 土壤表面化学性质计算
表面电位φ0（mV）：
φ0=2RT2(βCa−βNa)Flna0CaNNaa0NaNCa (1) 表面电荷密度σ0（c/m2）：
σ0=sgn(φ0)√εRT2π(a0NaeβNaFφ0RT+a0Cae2βCaFφ0RT) (2) 表面电场强度E0（V/m）：
E0=4πεσ0 (3) 比表面积S（m2/g）：
S=NNaκma0NaeβNaFφ02RT=NCaκma0CaeβCaFφ0RT (4) 表面电荷数量XSCN（cmol/kg）：
SCN=105Sσ0F (5) κ为德拜参数（L/dm）：
κ=√8πF2C0εRT (6) 式中T为绝对温度，K；R为理想气体常数，J/(K·mol)；F为为法拉第常数，C/mol；βNa和βCa分别为Na+和Ca2+的有效电荷系数；a0Na和a0Ca分别为Na+和Ca2+的活度，mol/L；NNa和NCa分别为Na+和Ca2+在土壤中的吸附量，mol/g；ε为水的介电常数，8.9×10−9，C2/(J·dm)；m=0.525 9ln（c0Na/c0Ca）+1.992；c0Na和c0Ca分别为溶液中 Na+和Ca2+浓度。
1.4 土壤腐殖质结构特性测定
1.4.1 X射线光电子能谱仪（XPS）测定
对腐殖质提取前的重组土壤颗粒进行XPS（UIVAC-PHI5000 Versa Probe）测试，定量分析土壤颗粒表面有机碳的结构组成。将1.2.3中的重组土壤颗粒进行XPS扫描，获取C(1s)高分辨光谱，用脂肪碳（284.5 eV）进行校准，C (1s)结合能的特征为：287.8 eV为C=O/C(O)N，286.7 eV为C-O-C，286.2 eV为C-O/C-N，285 eV为C-C/C-H，284.4 eV为C=C。利用软件XPS peak 41对光谱进行分峰拟合，并获得上述有机官能团的峰面积，然后根据峰面积计算其相对含量。
1.4.2 土壤腐殖质光学性质的测定
腐殖质的光学特性用色调系数（ΔlgK）和光密度（E4/E6）来表示，即ΔlgK和E4/E6的值越高，表明腐殖质的分子量越小，分子结构越简单[18]。利用紫外分光光度计（723型分光光度计）测定腐殖质在400、465、600和665 nm处的吸光值，并计算ΔlgK和E4/E6值。
ΔlgK=lgK400−lgK600 (7) E4/E6=K465/K665 (8) 式中K400、K465、K600和K665分别为在波长400、465、600和665 nm处的吸光值。
1.5 数据处理
采用SPSS 24.0软件单因素方差分析（One-way ANOVA）对不同施肥处理之间的土壤基本性质、土壤表面电化学性质、有机碳组分等指标进行显著性比较（Duncan, P<0.05），运用Canoco 5软件对土壤表面电化学性质和有机碳组分间的关系进行冗余分析，采用Origin 2018软件进行绘图。
2. 结果与分析
2.1 不同施肥处理对土壤基本理化性质的影响
不同施肥处理对土壤理化性质有显著影响（表1）。与不施肥处理（F）相比，有机肥处理（MF）、秸秆还田处理（SF）和有机肥+秸秆还田处理（MSF）显著提高了土壤全氮、有效磷、速效钾含量，其中以MSF处理最高。各处理对土壤pH值无显著影响，而MSF处理的EC值较F和SF处理分别提高了31.3%和24.1%。各处理对土壤黏粒和粉粒含量无显著影响，但MSF处理的砂粒含量显著低于F处理。
表 1 不同施肥处理对土壤基本性质的影响Table 1. Effects of different fertilization treatments on the basic properties of soils处理
Treatments全氮
Total nitrogen/
(g·kg−1)有效磷
Available phosphorus/
(mg·kg−1)速效钾
Available potassium/
(mg·kg−1)pH值
pH value电导率
Electrical conductivity
EC/(µs·cm−1)黏粒质量分数
Clay mass
fraction/%粉粒质量分数
Silt mass fraction /%砂粒质量分数
Sand mass
fraction /%F 0.97±0.06c 63.1±19.1b 104.3±16.3c 8.2±0.1a 126.7±14.0b 19.6±0.4a 29.1±0.5a 51.3±0.9a SF 1.62±0.06b 191.4±27.2a 190.7±52.4ab 8.1±0.1a 134.1±14.3b 19.8±0.5a 29.6±0.9a 50.5±0.9ab MF 1.42±0.25b 68.4±4.1b 152.7±14.5bc 8.2±0.1a 155.7±4.9ab 20.0±0.2a 30.0±0.8a 50.0±0.8ab MSF 1.80±0.31a 252.5±117.2a 220.7±26.7a 8.2±0.2a 166.4±23.1a 20.4±0.5a 30.3±0.5a 49.3±0.5b 注：数据为平均值±标准差（n=3），同列数据后不同小写字母表示处理间差异显著（P<0.05）。F、SF、MF和MSF分别代表单独施用化肥、秸秆还田+化肥、有机肥+化肥以及秸秆还田+有机肥+化肥处理。下同。 Note: The data are means ± standard error (n=3). Values followed by different lowercase letters in the same column are significantly different (P<0.05). F, SF, MF, and MSF indicate chemical fertilizer, straw returning + chemical fertilizer, organic fertilizer + chemical fertilizer, straw returning + organic fertilizer + chemical fertilizer, respectively. Same as below. 2.2 不同施肥处理对土壤表面电化学性质的影响
不同施肥处理对土壤表面电化学性质有显著影响（表2）。各施肥处理的土壤表面电荷密度变幅为0.20～0.25 c/m2，其中SF、MF和MSF处理均显著高于F处理。
表 2 不同施肥处理对土壤表面电化学性质的影响Table 2. Effects of different fertilization treatments on soil surface electrochemical properties处理
Treatments表面电荷密度
Surface charge density
σ0/(c·m−2)表面电场强度
Surface electric field intensity
E0/(108 V·m−1)比表面积
Specific surface area
S/(m2·g−1)表面电荷数量
Surface charge number
SCN/(cmol·kg−1)表面电位
Surface potential
φ0/(mV)F 0.20±0.00b 1.46±0.11 d 57.52±2.85b 11.70±0.46c −81.40±2.04c SF 0.22±0.00a 2.58±0.61c 60.61±4.05ab 14.09±1.48b −86.00±2.10b MF 0.23±0.00a 4.24±0.39b 62.92±5.12ab 15.14±0.29b −87.83±1.55ab MSF 0.25±0.00a 5.12±0.44a 67.02±2.65a 17.07±0.97a −91.14±1.59a 各施肥处理的土壤表面电场强度变幅为1.46×108～5.12×108 V/m，且各处理的表面电场强度大小排序为MSF、MF、SF、F。各施肥处理的土壤比表面积变幅为57.52～67.02 m2/g，其中MSF处理最高，较F处理显著提高了16.5%。各施肥处理的土壤表面电荷数量和表面电位的变幅分别为11.70～17.07 cmol/kg和−81.40～−91.14 mV，不同处理间均以MSF处理最高，且显著高于SF和F处理。
2.3 不同施肥处理对土壤有机碳的影响
不同施肥处理对各有机碳组分有显著影响（图1）。对于土壤总有机碳、可溶性有机碳、颗粒态有机碳、腐殖质和胡敏酸含量，不同处理间均以MSF处理最高，分别为21.5 g/kg、96.6 mg/kg、12.1 g/kg、5.51 g/kg和3.32 g/kg。MSF和MF处理的富里酸含量分别为2.20 g/kg和2.10 g/kg显著高于F处理。MSF处理有较高的胡敏酸/富里酸比值，为1.51，且显著高于F、SF和MF处理，其中MF和SF之间无显著差异，但显著高于F处理。
![]()
图 1 不同施肥处理对土壤有机碳组分的影响注：不同大写字母表示处理间差异显著（P<0.05），误差线表示三个重复测定的标准差，f图中的点线图为胡敏酸/富里酸比值。下同。Figure 1. Effects of different fertilization treatments on the soil organic carbon fractionsNote: Different capital letters indicate significant differences between treatments (P<0.05). The error line shows the standard deviation of the three repeated measurements. The curve in f figure is the ratio of humic acid and fulvic acid content. Same as below.2.4 影响土壤表面电化学性质的因素
有机碳组分和土壤质地与土壤表面电化学性质密切相关（表3）。土壤总有机碳、颗粒态有机碳、腐殖质、胡敏酸、富里酸以及胡敏酸/富里酸比值均与土壤表面电荷密度、电场强度、比表面积、电荷数量和电位呈显著或极显著的正相关关系；可溶性有机碳与比表面积之间的相关性并不显著，但与其余表面电化学性质呈极显著的正相关关系。土壤黏粒含量与土壤表面电荷密度、电场强度、电荷数量和电位均呈显著正相关关系；粉粒含量仅与表面电荷数量呈显著的正相关关系；砂粒含量则与各土壤表面电化学性质呈显著的负相关关系。
表 3 有机碳组分、土壤质地与表面电化学性质的相关性Table 3. Correlation analysis between different organic carbon fractions and surface electrochemical properties参数Parameter SOC DOC POC HM HA FA HA:FA Clay Silt Sand σ0 0.81** 0.89** 0.87** 0.91** 0.87** 0.93** 0.70* 0.69* 0.45 −0.66* E0 0.80** 0.83** 0.84** 0.95** 0.95** 0.84** 0.86** 0.68* 0.50 −0.69* S 0.60* 0.53 0.65* 0.67* 0.67* 0.58* 0.61* 0.38 0.56 −0.61* SCN 0.84** 0.86** 0.92** 0.94** 0.91** 0.90** 0.77** 0.64* 0.59* −0.74** φ0 0.86** 0.91** 0.93** 0.95** 0.92** 0.94** 0.76** 0.69* 0.54 −0.73** 注：*和**分别表示在0.05和0.01水平上显著相关（n=12）。SOC、DOC、POC、HM、HA、FA、Clay、Silt、Sand和HA:FA分别表示土壤有机碳、可溶性有机碳、颗粒态有机碳、腐殖质、胡敏酸、富里酸、黏粒、粉粒、砂粒含量和胡敏酸与富里酸的比值；σ0、E0、S、SCN和φ0分别代表表面电荷密度、表面电场强度、比表面积、表面电荷数量和表面电位。下同。 Note: * and ** respectively indicate the significant correlation at the 0.05 and 0.01 levels (n=12). SOC, DOC, POC, HM, HA, FA, Clay, Silt, Sand and HA/FA respectively indicate soil organic carbon, dissolved organic carbon, particulate organic carbon, humus, humic acid, fulvic acid, clay, silt, and sand contents, and HA : FA ratio. σ0, E0, S, SCN and φ0 respectively indicate surface charge density, surface electric field intensity, specific surface area, surface charge number, and surface potential. Same as below. 冗余分析结果表明（图2），RDA1和RDA2对土壤表面电化学性质的解释度分别为77.97%和11.76%，其中腐殖质是影响土壤表面电化学性质的最重要的因素，解释度为67.0%，其次为土壤黏粒含量（5.9%）和胡敏酸/富里酸比值（4.9%）。
![]()
图 2 有机碳组分与表面电化学性质的冗余分析Figure 2. Redundancy analyses (RDA) between different organic carbon fractions and surface electrochemical properties2.5 土壤腐殖质的光学特征及与表面电化学性质之间的关系
不同施肥处理对土壤腐殖质的E4/E6和ΔlgK有显著的影响（图3）。MSF处理的E4/E6最低，为3.90，显著低于F和SF处理，但与MF处理无显著差异。MSF、MF和SF处理的ΔlgK无显著差异，分别为1.03、1.08和1.15，其中MSF处理显著低于F处理。
![]()
图 3 不同施肥处理对土壤腐殖质光密度E4/E6和色调系数ΔlgK的影响Figure 3. Effects of different fertilization treatments on the optical density E4/E6 and chromaticity coffcient ΔlgK of soil humus对腐殖质提取前的重组土壤颗粒进行XPS测试，分析腐殖质的结构组成（图4）。各处理C=C的相对含量表现为SF（57.1%）>F（31.4%）>MF（20.7%）≈MSF（19.6%）；C-C/C-H的相对含量在F和MF处理中最高，分别为54.6%和50.6%，高于MSF（42.4%）和SF（25.2%）处理；各处理C-O的相对含量在14.1%～0.4%之间，低于其他类型的有机官能团；C-O-C的相对含量表现为MF（18.4%）>MSF（11.5%）>SF（8.1%），在F处理并未检测；C=O/C(O)N的相对含量在MSF处理中最高，为26.1%，高于MF（9.4%）和SF（6.0%）处理。
![]()
图 4 不同施肥处理土壤腐殖质-矿物的XPS表征结果Figure 4. XPS characterization results of soil humus-mineral in the different fertilization treatments土壤腐殖质的E4/E6、ΔlgK以及有机官能团的相对含量与表面电化学性质密切相关（表4）。
表 4 土壤腐殖质的E4/E6、ΔlgK以及XPS表征的有机官能团与表面电化学性质的相关性Table 4. Correlation analysis of E4/E6 and ΔlgK of soil humus, and organo-functional group measured by XPS with surface electrochemical properties参数Parameter E4/E6 ΔlgK C=C C-C/C-H C-O C-O-C C=O/C(O)N σ0 −0.79* −0.49 −0.38 −0.19 −0.18 0.23 0.66* E0 −0.69* −0.37 −0.69* −0.04 −0.11 0.23 0.89** S −0.86** −0.64* −0.39 −0.12 0.05 −0.02 0.65* SCN −0.75* −0.66* −0.45 −0.17 −0.06 0.10 0.77* φ0 −0.84** −0.58* −0.46 −0.16 −0.09 0.14 0.74* E4/E6与土壤表面电荷密度、电场强度、比表面积、电荷数量和电位呈显著和极显著负相关关系；ΔlgK则与比表面积、表面电荷数量和电位呈显著的负相关关系，与表面电荷密度和电场强度呈负相关关系，但并不显著；C=O/C(O)N与土壤表面电荷密度、电场强度、比表面积、电荷数量和电位呈显著的正相关关系；C=C则与各土壤表面电化学性质指标呈负相关关系。
3. 讨 论
3.1 施肥对土壤表面电化学性质的影响
施肥通过改变土壤结构、pH、氧化还原电位、有机碳含量等理化性质[19]，进而影响土壤表面电化学性质[20]。秸秆还田和施用有机肥可显著提高土壤表面电荷密度、电场强度、比表面积、表面电荷数量和表面电位（表2）。这主要是由于秸秆和有机肥腐解过程中形成的有机质对土壤表面电化学属性有较为深刻的影响[21]，多孔结构的有机质具有较大的比表面积，显著提高土壤颗粒的比表面积，并且其表面富含羧基、羟基等活性有机基团能够提供大量的阳离子交换位点[5]，同时可以解离H+使土壤颗粒表面呈负电荷[22]。丁武泉等[23]研究认为，有机质自身带有大量的电荷，随着有机质含量的增加，土壤表面电荷密度、电荷数量以及比表面积显著增加，与本研究结果相一致。另一方面，有机质与黏土矿物颗粒通过吸附、共沉淀等方式相互作用，形成有机无机复合体，稳定土壤团粒结构，减少土壤粘粒的侵蚀流失，从而对土壤表面电化学性质产生间接的影响[21,24]。并且，秸秆和有机肥在腐解过程中产生的柠檬酸、草酸等有机酸可以促进土壤黏粒矿物的转化[25]。本研究中，土壤黏粒含量与土壤表面电化学性质之间呈显著的正相关关系（表3），虽然各处理之间的黏粒含量并无显著差异，但是MSF处理的砂粒含量显著低于F处理（表1），表明长期的秸秆还田和施用有机肥可以通过影响土壤的机械组成来影响土壤表面电化学性质。
3.2 有机碳对土壤表面电化学性质的影响
将土壤有机碳分为可溶性有机碳、颗粒态有机碳以及矿物质结合态腐殖质等组分，每个有机碳组分在土壤环境中有不同功能[26]。本研究中，虽然上述各组分有机碳与土壤表面电化学性质均呈显著的正相关关系（表3），但是通过冗余分析发现矿物质结合态腐殖质是影响土壤表面电化学性质最主要的因素（图2）。这主要是由于腐殖质表面含有丰富的有机官能团，可以通过官能团的解离产生大量的负电荷，增加土壤表面电荷数量[27]。并且腐殖质的比表面积巨大，约为800～900 m2/g，是无机矿物的10倍，因此腐殖质含量增加，土壤颗粒比表面积增加[22]。张晓媛[12]研究认为，与颗粒态有机碳相比，矿物质结合态有机碳包含了土壤中绝大部分腐殖物质，是引起土壤表面电位、电荷数量以及比表面积变化的根本原因。在本研究中，胡敏酸/富里酸比值与土壤表面电化学属性呈显著的正相关关系（表3），是影响土壤表面电化学性的另一重要因素（图2）。胡敏酸/富里酸比值是反应腐殖质品质的重要指标之一[28]，有机肥的投入可提高土壤胡敏酸/富里酸比值，有利于分子量较大且以杂环结构为特征的胡敏酸的积累，加速土壤腐殖化进程，使腐殖质内结构复杂化，增强有机质的稳定性[29]，从而对土壤表面电化学性质产生更为持久的影响。可见，腐殖质的结构特征与土壤表面电化学性质密切相关。同时，本研究发现腐殖质的E4/E6和ΔlgK值与各土壤表面电化学性质属性之间呈显著的负相关关系（表4），说明腐殖质的分子量越大，分子结构越复杂，对土壤表面电化学性质的影响越显著。土壤中多数腐殖质是与矿物表面的金属离子相互作用，形成“腐殖质-金属离子-矿物”复合体[14]。腐殖质的分子量可影响其与金属离子的作用效果，大分子量的腐殖质与土壤金属离子络合形成更为稳定的复合体[30-31]，从而对土壤表面电化学性质的影响更为持久。并且，腐殖质的分子量主要是由疏水键和氢键的决定[32]，而这些键能的强弱又受腐殖质表面的电化学性质的影响。可见，腐殖质的结构特征与土壤表面电化学存在密切的联系。
腐殖质含有大量的羧基、酚羟基、氨基等多种官能团[33]，并且不同分子量的腐殖质的官能团组成也有较大差异[34]。这些丰富的有机官能团可以与多种阴阳离子相互作用，进而调节土壤表面电化学性质[35-36]。对腐殖质-矿物复合体进行XPS扫描，结果发现有机肥处理（MF和MSF）中腐殖质-矿物复合体含有更丰富的C=O/C(O)N基团（图4），且与各表面电化学属性成显著的正相关关系（表4）。这可能是由于有机肥自身腐质化程度较高，腐解过程中释放更多富含芳香族的含氮有机基团，容易在土壤矿物中累积[37]。而富含氮素的有机基团可以与被固持在矿物表面的有机官能团通过共价键或者电子交换的方式相互吸附[38]。腐殖质的芳香族、脂肪族等化合物会产生含有大量羧酸、醌类的有机小分子，增加纳米颗粒的稳定性，去质子化后可以大量增加土壤颗粒表面的负电荷数量[39-40]。并且，腐殖质中的有机链存在芳香环之间相互作用，可以将有机链中未与土壤黏土矿物结合的部分约束起来，在土壤胶体表面形成稳固的有机层[41]，从而影响胶体表面的电化学性质。
4. 结 论
1）秸秆还田配施有机肥的措施可显著提高表面电荷数量、比表面积、表面电荷密度、表面电场强度以及表面电位，其值分别可达17.07 cmol/kg、67.02 m2/g、0.25 c/m2、5.12×108 V/m和−91.14 mV，这主要是因为有机肥和秸秆还田显著提高了土壤各组分有机碳含量（总有机碳、可溶性有机碳、颗粒有机碳以及矿物质结合态腐殖质、胡敏酸和富里酸），降低了土壤砂粒含量。
2）土壤矿物质结合态腐殖质对土壤表面电化学性质的影响效果最强。并且，腐殖质的光密度E4/E6和色调系数ΔlgK值以及C=O/C(O)N基团的含量与各土壤表面电化学性质属性呈显著的正相关关系，说明腐殖质化学特性与土壤表面电化学性质密切相关。研究结果阐释了长期施用有机肥、秸秆等有机物对土壤表面电化学的影响机理，对于耕地质量提升和健康土壤培育具有重要意义。
-
![]()
图 1 反事实数据增强的事件因果强度计算方法
注：S1为输入句子对中的第一个句子，S2为输入句子对中的第二个句子，[SEP]为句子之间的分隔符，P表示前提句子，H表示假设句子，Y为两个句子的因果强度得分，下同。
Figure 1. Counterfactual data augmentation-event causal strength method
Note：S1 is the first sentence in the input sentence pair, S2 is the second sentence in the input sentence pair, [SEP] is the separator between sentences, P is a premise sentence and H is a hypothesis sentence, Y is the causal strength score of the two sentences. the same below.
![]()
图 2 反事实生成提示模板及增强样本示例
Figure 2. Counterfactuals generate prompt templates and enhance sample examples
![]()
图 4 带权重的储粮害虫事件图谱样例（部分）
Figure 4. Sample of stored grain pest event graph with weights (part)
表 1 自然语言处理任务中的数据增强技术分析
Table 1 Analysis of data augmentation techniques in natural language processing tasks
下载: 导出CSV
表 2 储粮害虫事件示例
Table 2 Examples of stored grain pest events
序号
No.事件
Events地点
Locations类型
Type1 内蒙古地区外来虫源大量迁入和本地虫源叠加，三代黏虫、二代草地螟呈重发态势，草地贪夜蛾北迁扩散速度加快，主要农作物病虫害偏重发生。 内蒙古 态势 2 由于河北省某市近日以来连续阴雨，造成粮仓空气湿度上升，在A粮仓，工作人员于在仓中发现玉米象大量繁殖。 河北省 3 安徽省田间小麦赤霉病菌源量较常年同期明显偏高，预计今年小麦赤霉病全省呈偏重至大发生态势。 安徽省 4 谷蠹成虫将卵粒产在粮粒内部，从幼虫起一直在粮粒内部取食，发育至成虫时才钻出粮粒外部，这时被蛀食过的粮食几乎成为空壳，失去食用价值。 武汉市 损失 5 高温和潮湿环境下，小麦蛾的种群数量在短时间内急剧增加，导致粮储存损失增加。 台州市 6 绿豆象1 a繁殖七代，世代重叠严重，虫蚀率高达15%～20%，使豆类造成大量损失。 南京市 7 玉米象对玉米的侵蚀和污染，造成玉米营养价值和卫生质量受到影响，总计经济损失达500万余元。 德州市 8 做好种群控制工作，如春季控仓内处于低温环境，夏秋用灯光或性信息素结合陷阱诱杀等，可以有效减少印度谷蛾感染。 云南省 防治 9 磷化铝进行熏蒸处理后，粮库内印度谷螟和麦蛾数量显著下降，粮食的损坏率从10%降低到2%。 成都市 10 在储存小麦的仓库中释放瓢虫后，经过6个月的监测，麦蛾的密度减少了80%，小麦的质量得到了显著改善。 湖南省
下载: 导出CSV
表 3 训练参数
Table 3 Training parameters
训练参数
Training parameters数值
Values编码器句子长度
Encoder sentence length64 权重衰减系数
Weight decay factor0.01 学习率Learning rate 0.000 02 批处理大小Batch size 32 迭代周期数
Number of train epochs20
下载: 导出CSV
表 4 不同模型在公共数据集COPA和BCOPA-CE上的准确率
Table 4 Accuracy of different models on public datasets-choice of plausible alternative(COPA) and balanced-copa test set with cause-effect(BCOPA-CE)
% 方法
MethodCOPA BCOPA-CE PMI 58.3 49.8 BERT 76.6 51.7 ALBERT 80.3 56.2 NA 81.5 55.7 CA 80.6 59.2 CDA-ECS(本研究) 80.5 60.6 注：PMI为点互信息因果强度计算方法；BERT与ALBERT为基于预训练语言模型的因果强度计算方法；NA与CA为经数据增强后的预训练语言模型因果强度计算方法；CDA-ECS为经本文所提方法增强后的预训练语言模型因果强度计算方法。 Note：PMI is a method for calculating the causal strength of point-mutual information; BERT and ALBERT are methods for calculating the causal strength of pre-trained language models;NA and CA for the calculation of causal strength of pre-trained language models augmented with data;CDA-ECS is a pre-trained language model causal strength calculation method augmented by the method proposed in this paper.
下载: 导出CSV
表 5 不同模型在ID-SGPE数据集和OOD-SGPE数据集上的对比效果
Table 5 Comparison effects of different models on the in distribution- stored grain pest events dataset(ID-SGPE) and the out of distribution-stored grain pest events dataset(OOD-SGPE)
% 方法
MethodID-SGPE OOD-SGPE PMI 68.3 61.9 BERT 75.2 67.1 ALBERT 80.5 72.2 NA 81.0 70.6 CA 80.3 73.2 CDA-ECS(本研究) 80.6 75.6
下载: 导出CSV
表 6 消融试验结果
Table 6 Results of ablation experiments
% 方法
MethodID-SGPE OOD-SGPE DPR+ GPT-3.5-Turbo（all） 80.3 75.6 GPT-3.5 -Turbo 79.8 74.1 TF-IDF+GPT-3.5-Turbo 79.5 73.7 注：DPR为密集段落检索器；TF-IDF为传统的词频检索方法；GPT-3.5-Turbo为本文选用的大型语言模型；（all）表示此种组合方式涉及了本文方法的所有组件。
Note: DPR is the dense paragraph retriever ; TF-IDF is the traditional word frequency retrieval method; GPT-3.5-Turbo is the large language model chosen in this paper; (all) denotes that such a combined approach involves all the components of the paper's method.
下载: 导出CSV
表 7 因果强度结果
Table 7 Results of causal strength
事件句子对
Event sentence pair因果强度增强前
Pre-causal strength enhancement因果强度增强后
Aft-causal strength enhancementS1：粮仓空气湿度上升
S2：玉米象大量繁殖0.16 0.31 S1：内蒙古地区外来虫源大量迁入
S2：病虫呈重发态势0.23 0.17 S1：玉米象对玉米侵蚀和污染
S2：玉米营养价值和卫生质量受到影响0.28 0.35 S1：稻飞虱、稻纵卷叶螟等迁飞性害虫田间虫量激增
S2: 玉米粘虫局地暴发严重0.22 0.16 S1：玉米象大量繁殖
S2：储备玉米损失约10%0.25 0.19 S1：谷蠹群体迅速繁殖扩散
S2：粮食库存中的损失增加0.42 0.23
下载: 导出CSV
-
[1] 孙晟源,王康旭,陈二虎,等. 转录组学在储粮害虫研究中的进展 [J]. 中国粮油学报,2024,39(4):1-8. SUN Shengyuan, WANG Kangxu, CHEN Erhu, et al. Advances in transcriptomics in stored-product pests [J]. Journal of the Chinese Cereals and Oils Association, 2024, 39(4): 1-8. (in Chinese with English abstract)
[2] 肖乐,李家馨,葛亮,等. 面向粮情决策支持的知识图谱构建研究 [J]. 中国粮油学报,2022,37(10):29-37. XIAO Le, LI Jiaxin, GE Liang, et al. Knowledge graph construction for decision support of grain situation [J]. Journal of the Chinese Cereals and Oils Association, 2022, 37(10): 29-37. (in Chinese with English abstract)
[3] 肖乐,陈啸林,单昕. 面向储粮害虫的事理图谱构建研究[J]. 中国粮油学报,2023,38(10):185-195. doi: 10.3969/j.issn.1003-0174.2023.10.028 XIAO Le, CHEN Xiaolin, SHAN xin. Construction of stored grain pest event evolutionary graph[J]. Journal of the Chinese Cereals and Oils Association, 2023, 38(10): 185-195. (in Chinese with English abstract) doi: 10.3969/j.issn.1003-0174.2023.10.028
[4] 张硕,韩少云,熊黎剑,等. 基于气敏传感器阵列特征优化的储粮害虫赤拟谷盗检测[J]. 农业工程学报,2022,38(10):303-309. doi: 10.11975/j.issn.1002-6819.2022.10.036 ZHANG Shuo, HAN Shaoyun, XIONG Lijian, et al. Detection of stored grain pests Tribolium castaneum (Herbst) based on the feature optimization of gas sen-sor array[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(10): 303-309. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.2022.10.036
[5] 郭嘉璇,王蓉芳,南江华,等. 融入全局相应归一化注意力机制的YOLOv5农作物害虫识别模型[J]. 农业工程学报,2024,40(8):159-170. GUO Jiaxuan, WANG Rongfang, NAN Jianghua, et al. YOLOv5 model integrated with GRN attention mechanism for insect pest recognition[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2024, 40(8): 159-170. (in Chinese with English abstract)
[6] AGARWAL M, AL-SHUWAILI T, NUGALIYADDE A, et al. Identification and diagnosis of whole body and fragments of Trogoderma granarium and Trogoderma variabile using visible near infrared hyperspectral imaging technique coupled with deep learning[J]. Comput Electron Agric, 2020, 173: 105438. doi: 10.1016/j.compag.2020.105438
[7] 国家粮食局, 国家粮食储备局成都粮食储藏科学研究所. 粮油储藏技术规范:GB/T 29890-2013 [S]. 北京: 中国标准出版社.2013. [8] 邓树华,吴树会,潘琴,等. 储粮害虫物理防治技术研究[J]. 粮食与油脂,2019,32(1):10-12. doi: 10.3969/j.issn.1008-9578.2019.01.004 DENG Shuhua, WU Shuhui, PAN Qin, et al. Study on the physical control technologies of stored grain pest[J]. Cereals & Oils, 2019, 32(1): 10-12. (in Chinese with English abstract) doi: 10.3969/j.issn.1008-9578.2019.01.004
[9] 任剑豪,吴卫国,宗平,等. 储粮害虫生物防治技术研究进展[J]. 粮油食品科技,2020,28(6):218-222. REN Jianhao, WU Weiguo, ZONG ping, et al. Research progress on bio-control technology of stored-grain pests[J]. Science and Technology of Cereals, Oils and Foods, 2020, 28(6): 218-222. (in Chinese with English abstract)
[10] LIAN F, GE H, JIANG Y. A prediction model for stored grain pests based on cellular automaton [C]// 2015 International Conference on Computational Intelligence and Communication Networks (CICN).Jabalpur, India:IEEE,2015:1325-1330.
[11] 包成雷. 基于储粮害虫预测的粮库测控系统研究 [D]. 杭州:浙江大学,2020. BAO Chenglei. Research on Grain Storage Measurement and Control System Based on Grain Storage Pest Prediction [D]. Hangzhou: Zhejiang University, 2020. (in Chinese with English abstract)
[12] LUO Z, SHA Y, ZHU K, et al. Commonsense causal reasoning between short texts[C]// Fifteenth International Conference on the Principles of Knowledge Representation and Reasoning. Cape Town, South Africa: AAAI, 2016: 421-430.
[13] 谭云,彭海阔,秦姣华,等. 基于权重计算的中文因果关系分析[J]. 华中科技大学学报(自然科学版),2022,50(2):112-117. TAN Yun, PENG Haikuo, QIN Jiaohua, et al. Chinese causality analysis based on weight calculation[J]. Journal of Huazhong University of Science and Technology (Natural Science Edition), 2022, 50(2): 112-117. (in Chinese with English abstract)
[14] SASAKI S, TAKASE S, INOUE N, et al. Handling Multiword Expressions in Causality Estimation[C]//Proceedings of the 12th International Conference on Computational Semantics (IWCS). Montpellier, France: Acl, 2017: 298-307.
[15] 郝志峰,谢蔚涛,蔡瑞初,等. 基于因果强度的时序因果关系发现算法[J]. 计算机工程与设计,2017,38(1):132-137. HAO Zhifeng , XIE Weitao , CAl Ruichu , at al. Causal inference on time series using causal strength [J]. Computer Engineering and Design, 2017, 38(1): 132-137. (in Chinese with English abstract)
[16] LI Z. DING X. LIAO K, et al. CausalBERT: Injecting causal knowledge into pre-trained models with minimal supervision. [EB/OL]. [2024-08-23]. https://doi.org/10.48550/arXiv.2107.09852.
[17] JAIMINI U, HENSON C A, SHETH A P.CausalDisco: Causal discovery using knowledge graph link prediction [EB/OL]. [2024-08-23]. https://arxiv.org/pdf/2405.02327v1.
[18] FENG T, QU L, KANG X, et al. CausalScore: An automatic reference-free metric for assessing response relevance in open-domain dialogue systems [EB/OL]. [2024-08-26]. https://doi.org/10.48550/arXiv.2406.17300.
[19] 杨森,张新奡,王振民,等. 基于近红外光谱和深度学习数据增强的大米品种检测[J]. 农业工程学报,2023,39(19):250-257. doi: 10.11975/j.issn.1002-6819.202305088 YANG Sen, ZHANG Xin'ao, WANG Zhenmin, et al. Rice variety detection based on near-infrared spectroscopy and deep learning data augmentation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(19): 250-257. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.202305088
[20] STALIUNAITE I, GORINSKI P J, IACOBACCI I. Improving commonsense causal reasoning by adversarial training and data augmentation[C]//Proceedings of the AAAI Conference on Artificial Intelligence. Palo Alto, California, USA: AAAI 2021, 35(15): 13834-13842.
[21] TANG Z , JI Y, ZHAO Y, et al. Chinese grammatical error correction enhanced by data augmentation from word and character levels[C]//Proceedings of the 20th Chinese National Conference on Computational Linguistics. Hohhot, China: CIPSC, 2021: 13-15.
[22] BAYER M, KAUFHOLD M A, BUCHHOLD B, et al. Data augmentation in natural language processing: a novel text generation approach for long and short text classifiers[J]. International Journal of Machine Learning and Cybernetics, 2021, 14: 135-150.
[23] ZHOU Y, XU P, LIU X, et al. Explore spurious correlations at the concept level in language models for text classification[EB/OL]. [2024-08-23]. https://doi.org/10.48550/arXiv.2311.08648.
[24] FEDER A, WALD Y, SHI C, et al. Data augmentations for improved (large) language model generalization [J]. Advances in Neural Information Processing Systems, 2023, 36:70638-70653
[25] QIU X, WANG Y, GUO X, et al. PairCFR: Enhancing model training on paired counterfactually augmented data through contrastive learning[C] // Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics. Bangkok, Thailand: ACL, 2024: 11955-11971.
[26] KARPUKIHIN V, OGUZ B, MIN S, et al. Dense passage retrieval for open-domain question answering [EB/OL]. [2024-08-23]. https://doi.org/10.48550/arXiv.2004.04906.
[27] IZACARD G, CARON M, HOSSEINI L, et al. Unsupervised dense information retrieval with contrastive learning[EB/OL]. [2024-08-29]. https://doi.org/10.48550/arXiv.2112.09118.
[28] 利建鑫,任江涛. 一种基于句子语义替换的电子病历文本数据增强方法:CN112836047B[P]. 2022-05-27. [29] NG N, CHO K, GHASSEMI M. SSMBA: Self-supervised manifold based data augmentation for improving out-of-domain robustness [C]//Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing.Punta Cana, Dominican Republic:ACL, 2020:1268-1283.
[30] KAVUMBA P, INOUE N, HEINZERLING B, et al. Balanced COPA: Countering superficial cues in causal reasoning[C]// Proceedings of the 26th Annual Meeting of the Association for Natural Language Processing. Tokyo, Japan: ANLP, 2020: 1105-1108.
[31] ROEMMELE M, BEJAN C A, GORDON A S. Choice of plausible alternatives: An evaluation of commonsense causal reasoning[C]//Proceedings of the 2011 AAAI Spring Symposium Series. California, USA: AAAI: 2011: 394-398.
[32] HOSSEINI P, BRONIATOWAKI D A, DIAB M. Knowledge-augmented language models for cause-effect relation classification[C]// Proceedings of the First Workshop on Common Sense Representation and Reasoning (CSRR 2022). Dublin, Ireland: ACL, 2022: 43-48.
计量
- 文章访问数: 77
- HTML全文浏览量: 9
- PDF下载量: 30
