Gestión del conocimiento ambiental en proyectos agropecuarios mediante un sistema de información basado en ontologı́a Marı́a-Isabel Castellanos1 , Lisandro Hernández2 , Irlán Grangel3 and Rosendo Moreno4 1 Departamento de Ingenierı́a Informática, Universidad de Holguı́n, Cuba 2 Empresa Nacional de Proyectos e Ingenierı́a del Ministerio de la Agricultura (ENPA), Holguin, Cuba 3 Universidad de Bonn, Alemania 4 Universidad Central “Marta Abreu”de las Villas, Cuba mcastellanosd@uho.edu.cu, jefe.diseno@enpa.hlg.minag.cu, grangel@cs.uni-bonn.de, rosendo@uclv.edu.cu Abstract. Making a correct knowledge management, as well as its rep- resentation, constitutes a challenge that transcends our days and seeks for constant solutions using Semantic Technologies, specifically ontolo- gies. This paper is aimed at sharing practical experiences in the knowl- edge management in agricultural projects through ontology-based infor- mation system (SIGECA). The OntoEnvironmental ontology was mod- eled according to the NeOn methodology and the ontology web language OWL-DL and its purpose is to facilitate the integrated work with indica- tors and environmental characteristics for agricultural projects. SIGECA is based on a software architecture that integrates the necessary technolo- gies to manage semantic knowledge. This architecture is integrated by the inference machine constituted by the Jena and OWL API frameworks, together the Pellet reasoner, which allows extracting implicit knowledge of the ontology and making recommendations to satisfy the environmen- tal information needs of the project specialists. It also offers the user a natural language interpretation of the recommendations made by the system. The use of the SIGECA improves the prevention from the design stage, of the possible environmental impacts that can be caused by the execution of the projects. Keywords: Ontology-based Information System, Environmental Knowl- edge Management, Agricultural Projects, Software Architecture Resumen. Hacer una correcta gestión del conocimiento, ası́ como la representación del mismo, constituye un reto que trasciende a nuestros dı́as y busca constantes soluciones mediante el empleo de las Tecnologı́as Semánticas, especı́ficamente las ontologı́as. Este artı́culo está dirigido a compartir experiencias prácticas en la gestión del conocimiento ambien- tal en proyectos agropecuarios mediante el sistema de información basado en ontologı́a (SIGECA). Para lo cual usa la ontologı́a OntoEnvironmen- tal, la misma fue modelada según la metodologı́a NeOn y el Lenguaje 111 de Ontologı́a para la Web (OWL-DL) y tiene como propósito facilitar el trabajo integrado con los indicadores y caracterı́sticas ambientales para proyectos agropecuarios. SIGECA se basa en una arquitectura de soft- ware que integra las tecnologı́as necesarias para gestionar el conocimiento semántico. Esta arquitectura está integrada por la máquina de inferen- cia constituida por los frameworks Jena y OWL API, junto al razonador Pellet, que permite extraer el conocimiento implı́cito de la ontologı́a y realizar recomendaciones para satisfacer las necesidades de información ambiental de los especialistas de proyecto. Además ofrece al usuario una interpretación en lenguaje natural de las recomendaciones realizadas por el sistema. El uso del SIGECA mejora la prevención desde la etapa de diseño de los posibles impactos ambientales que pueden ser provocados con la ejecución de los proyectos. Palabras claves: Sistema de Información Basado en Ontologı́a, Gestión del Conocimiento Ambiental, Proyecto Agropecuario, Arquitectura de Software 1. Introducción La gestión del conocimiento se ha convertido en un reto crucial en la actuali- dad. Al respecto, se han pronunciado varios investigadores [8,10,17,18,19] pues el uso adecuado del conocimiento es la clave para que las organizaciones adquieran y mantengan ventajas competitivas. Uno de los procesos de la organización que debe prestar especial atención a realizar una correcta gestión de la información y el conocimiento, es el proceso de Gestión Ambiental1 (GA). Lo anterior está dado a los amplios volúmenes de información que de este se derivan, ası́ como, su transversalidad a otros procesos de la organización. Se entiende por Gestión del Conocimiento Ambiental (GCA) a la capacidad de la empresa para acceder, generar, representar-transferir, aplicar y retroalimentar el conocimiento relativo al proceso de GA (el cual es un proceso transversal al resto de los procesos de la organización) para incorporar dicho conocimiento a los productos, servicios y sistemas [5]. Actualmente se afrontan nuevos retos relacionados con el modo de producir y de transmitir los conocimientos. Es por esta razón que el desarrollo de nuevas tendencias de las Tecnologı́as de la Información (TI) y más especı́ficas para la gestión del conocimiento, las Tecnologı́as Semánticas (TS) son ampliamente empleadas. Para representar el conocimiento del dominio ambiental se ha hecho un amplio uso de las Tecnologı́as Semánticas2 , principalmente las ontologı́as. Lo anterior esta dado a que las ontologı́as permiten especificar y comunicar el 1 Conjunto de actividades coordinadas para dirigir y controlar una organización en lo relativo al Medio Ambiente (NC-ISO:14001, 2015) 2 Estas tecnologı́as organizan el significado de un dominio dado, usando taxonomı́as, ontologı́as y bases de conocimientos. 112 conocimiento del dominio de una manera genérica y son muy útiles para es- tructurar y definir el significado de los términos. Además, posibilitan una forma para la reutilización del conocimiento del área abordada [11]. En este artı́culo se propone la ontologı́a OntoEnvironmental que tiene como propósito representar el conocimiento ambiental de los indicadores y carac- terı́sticas ambientales de proyectos agropecuarios en la Empresa de Proyectos e Ingenierı́a del Ministerio de la Agricultura (ENPA) de Holguı́n, Cuba. Esta entidad tiene como función principal asumir la amplia variedad de proyectos que demanda el sector agropecuario del paı́s. La ENPA cuenta con un equipo multidisciplinario que requiere de un dominio apropiado de las regulaciones legales y las normas tanto cubanas como interna- cionales que rigen lo relativo a los proyectos agropecuarios. Debido a lo anterior, los especialistas de proyecto (proyectistas) tienen necesidades especı́ficas de infor- mación ambiental, enmarcándose ası́, la importancia de una correcta gestión del conocimiento. Además es un objetivo primordial de esta entidad, prever desde la etapa de diseño los posibles impactos ambientales que pueden ocasionar al entorno la ejecución de sus proyectos. En función de lo anterior Castellanos [5] desarrolló un procedimiento para la gestión del conocimiento ambiental basado en OntoEnvironmental, que permite satisfacer las necesidades de información ambiental de los proyectistas mediante el uso de esta ontologı́a. Además para facilitar el acceso al conocimiento mode- lado en la ontologı́a, se diseñó una arquitectura capaz de soportar el proceso de gestión del conocimiento semántico en proyectos agropecuarios. El sistema in- formático basado en esta arquitectura está implantado actualmente en la ENPA. 2. Procedimiento para la gestión del conocimiento ambiental mediante ontologı́a El procedimiento antes mencionado consta de cuatro fases: acceder, generar, representar-transferir y aplicar. El mismo tiene implı́cito el ciclo de gestión del conocimiento ambiental y propicia la mejora continua de este proceso. Acceder es saber dónde buscar el conocimiento; generar es desarrollar, crear, conseguir conocimiento; representar-transferir es transformar el conocimiento en un for- mato que pueda ser de fácil acceso por otros; aplicar es usar el conocimiento por otras personas, procesos, funciones y retroalimentar consiste en volver a la fase uno en un ciclo continuo [5]. El objetivo que se persigue con este procedimiento es la satisfacción de las necesidades de información ambiental de los proyectistas de la ENPA. Las necesidades de información surgen en las personas cuando se encuentran en una situación en la cual requieren poseer determinado conocimiento y no tienen esta información registrada en su cerebro [2,9]. No solo las personas presentan necesidades de información, también las or- ganizaciones o instituciones, sin olvidar que las mismas están compuesta por personas. En el caso de la ENPA, sus proyectistas para enfrentarse a un proyecto 113 determinado, deben cumplir una serie de caracterı́sticas técnicas para evitar posi- bles impactos negativos al Medio Ambiente. Si esta persona tiene la información registrada en su cerebro sólo tiene que recordarla tomándola de su memoria, haciendo uso de su conocimiento tácito como sucede en la mayorı́a de los casos. En el caso de no tener la información, no recordarla o ser un proyectista nuevo; surge entonces su necesidad de información y la persona se ve obligada hacer una búsqueda para obtener ese conocimiento como se muestra en la Figura 1. Fig. 1. Proceso de surgimiento de necesidades de información ambiental en proyectos agropecuarios. En el caso que los proyectistas diseñen sus soluciones en base al conocimiento tácito, implica como factor negativo que si esa persona deja de pertenecer a la organización, se lleva consigo ese conocimiento. Por esta razón es de suma im- portancia que esta entidad cuente con una herramienta que les facilite la gestión del conocimiento, donde los proyectistas puedan satisfacer sus necesidades de información ambiental. En función de lo anterior, la Fase III del procedimiento (representar-transferir) tiene como objetivo transformar el conocimiento interiorizado en cada individuo (proyectistas, especialistas de GA) basado en sus propias experiencias, a un conocimiento codificable, aislado de la persona y fácil de transmitir. Es aquı́ donde las TS, especı́ficamente las ontologı́as, desempeñan un papel primordial. En esta fase se propone la modelación de la ontologı́a OntoEnvironmental y el diseño e implementación de una arquitectura de software para un sistema que use esta ontologı́a. 2.1. Modelación de la ontologı́a OntoEnvironmental Para el modelado de la ontologı́a se utilizó el lenguaje OWL DL, el cual está desarrollado sobre la base de lenguajes de representación de conocimiento 114 basados en la lógica descriptiva. Este lenguaje permite máxima expresividad, garantizando completitud computacional (posibilidad de llegar a conclusiones basadas en la información existente) e inferencia en tiempo finito [13]. El desarrollo de la ontologı́a fue guiado por la metodologı́a NeOn, por lo que se hizo necesario un estrecho vı́nculo entre los ingenieros ontológicos y los expertos del dominio (especialistas de proyecto). NeOn se basa en escenarios y posee como caracterı́stica la flexibilidad, debido a que brinda la posibilidad de adaptación a las necesidades de los usuarios y garantiza la inclusión de nuevos procesos o actividades implicados en el desarrollo de ontologı́as [21,22]. Inicialmente se realizaron entrevistas a los expertos del dominio para elaborar el Documento de Especificación de Requisitos Ontológicos (DERO) mostrado en la Tabla 1. Para la conceptualización de la ontologı́a se realizaron búsquedas de los diferentes conceptos del dominio, preferentemente en las Normas ISO, legislaciones ambientales y tesauros de términos del dominio abordado. Table 1. DERO de OntoEnvironmental. Documento de Especificación de Requisitos de la Ontologı́a (DERO) Propósito y alcance Formalizar, codificar y gestionar el conocimiento am- biental de las caracterı́sticas generales y especı́ficas para proyectos agrı́colas y pecuarios en una ontologı́a Lenguaje de implementación OWL DL Usuarios finales previstos Especialistas de proyectos agropecuarios, Especialista de gestión ambiental Usos previstos Almacenar el conocimiento relativo a las carac- terı́sticas generales y especı́ficas de obras agrı́colas y pecuarias, para que los proyectistas satisfagan sus necesidades de información Requisitos a. No funcionales: la ontologı́a debe ser modular y multilinge (idioma inglés-español) b. Funcionales: los requisitos funcionales fueron ex- presados en forma de preguntas de competencia. Términos de las preguntas de tipos, partes, criterio, componen competencia Términos de las respuestas suelo, área, aspecto socioeconómico, vivero, agua, variedad de especie, materia orgánica etc. 2.2. Requerimientos funcionales y no funcionales de la ontologı́a Posteriormente se elaboraron un conjunto de preguntas de competencia con- juntamente a los expertos del dominio que debe responder la ontologı́a. Estas pre- guntas son elaboradas en función a que sus respuestas satisfagan las necesidades de información de los proyectistas. De acuerdo al Escenario 7 de la metodologı́a 115 NeOn, se abordaron los requisitos funcionales3 mediante la reutilización de los Patrones de Diseño Ontológico (ODPs4 ) en este caso patrones de contenido. En el desarrollo de la ontologı́a OntoEnvironmental se reutilizaron los pa- trones siguientes: “Componency”, “PartOf”, “Criterion”, “Situation”. En la Tabla 2 se representa la correspondencia entre los requisitos y los patrones reuti- lizados. La reutilización del patrón PartOf se ha aplicado a los proyectos tanto agrı́cola como pecuario, de los cuales los especialistas de proyecto deben regirse por una serie de caracterı́sticas técnicas para su diseño. En la Figura 2 se mues- tra la clase agrı́cola (agricultural, traducción al idioma inglés) relacionada con las clases que componen un proyecto agrı́cola a través de la propiedad hasPart, la cual forma parte del patrón que se reutilizó PartOf. Table 2. Correspondencia entre los requisitos y los posibles patrones a ser reutilizados. Descripción Patrones reutilizados ¿Cuáles son las partes que deben tener en cuenta los PartOf proyectistas para diseñar un proyecto agrı́cola? ¿De qué elementos se compone el Medio Ambiente? Componency ¿Qué determina al suelo? Situation ¿Qué criterio es aplicado a un proyecto pecuario? Criterion Fig. 2. Reutilización del patrón PartOf aplicado a los aspectos que componen un proyecto agrı́cola. 3 En la ingenierı́a ontológica preguntas de competencia 4 http://ontologydesignpatterns.org 116 OntoEnvironmental agrupa los requisitos funcionales por subdominios, por lo que fue dividida en cinco módulos: (1) proyecto agrı́cola, (2) proyecto pecuario, (3) indicador de comportamiento ambiental, (4) indicador de gestión ambiental, (5) indicador de situación ambiental. El sistema SIGECA solo trabaja con los dos primeros módulos de la ontologı́a. 3. Arquitectura de software para sistemas de información basado en ontologı́a Los Sistemas de Información Basado en Ontologı́a (SIBO) están aparejados al surgimiento y auge de la Web Semántica. De acuerdo a Barchini [3] se define como SIBO: Conjunto de componentes estructurales, manejados/soportados por ontologı́a/s que permiten manejar datos-información-conocimiento, para hacer explı́cito el conocimiento compartido del dominio y para facilitar la portabilidad, la interoperabilidad y la extensibilidad del sistema, en un contexto organizacional determinado. Las primeras experiencias de los autores de este artı́culo en la implementación de SIBO están soportadas en la arquitectura de software que se muestra en la Figura 3. En ella el usuario introduce los datos a la interfaz de usuario del sis- tema. Estos datos posteriormente son procesados por una máquina de inferencia que está compuesta por los frameworks OWL API5 y Jena6 , además del razon- ador Pellet 7 , que se encarga de verificar la inconsistencia o consistencia de la ontologı́a. El framework OWL API provee la implementación para la creación, y manipulación de ontologı́as en OWL. Por otra parte, el framework Jena se ocupa a través de las consultas SPARQL8 , de extraer las triplas RDF que se encuentran en la ontologı́a, que son las triplas resultantes del proceso de búsqueda de los datos insertados por el usuario. La obtención de conocimiento implı́cito a través de estas consultas se sustenta en el motor de razonamiento que posee Jena. Además se aprovecha su soporte para la persistencia de los datos con el fin de almacenar el resultado de las consultas en ficheros RDF. Luego estas triplas son almacenadas en una tabla en la Base de Datos (BD) en la cual se utiliza el estándar para el acceso desde el lenguaje de programación Java (JDBC) con el propósito de consultar en el Lenguaje Estruc- turado de Consultas (SQL) retornando los registros de interés para el usuario. 5 OWL API es la interfaz de programación en Java que permite la implementación de referencia para crear y manipular las ontologı́as en el lenguaje OWL [4]. http://owlapi.sourceforge.net. 6 Jena, es una biblioteca para el desarrollo de aplicaciones para la Web Semántica y proporciona un API para el tratamiento de los grafos RDF [20]. http://www.jena.apache.org 7 Pellet es un razonador de lógica descriptiva, dirigido al trabajo con OWL-DL con- struido en Java [1,14]. http://clarkparsia.com/pellet/ 8 El lenguaje de consulta para RDF (SPARQL), define la sintaxis y la semántica necesaria para una expresión de consulta sobre un grafo RDF y las diferentes formas de resultados obtenidos [7,12] 117 Fig. 3. Arquitectura para un sistema basado en ontologı́a [5]. Una vez implementado SIGECA, se constató que el proceso de extracción de conocimiento de la ontologı́a mediante la máquina de inferencia, es correcto. No obstante, el almacenamiento de esas triplas en una BD, requiere de un es- fuerzo extra en cuanto a la generación de consultas SQL, para obtener la misma información que ya se obtuvo al consultar la ontologı́a mediante SPARQL. En base a las deficiencias detectadas que afectan el rendimiento del SIGECA se propone una modificación a la arquitectura que incluye un gestor ontológico. La arquitectura de software que se muestra en la Figura 4 fue empleada por Castellanos [6], para la implementación del sistema basado en ontologı́a para la gestión de indicadores ambientales (SIGCIA) lo cual comprobó el mejor rendimiento de esta arquitectura de software. La arquitectura está compuesta por una base de conocimiento (ontologı́a) y la máquina de inferencia (constituida por los framework OWL-API, Jena junto al razonador Pellet), ambas manejadas por el gestor ontológico Virtuoso. OpenLink Virtuoso es una herramienta concebida para la integración de datos multimodelos y ofrece una solución práctica para la gestión de procesos de negocio que implican SQL, RDF, XML y servicios web, de forma combinada [15,16]. El usuario interactúa con la ontologı́a (OntoEnvironmental) mediante la in- terfaz de usuario y la máquina de inferencia se encarga de extraer el conocimiento implı́cito de la ontologı́a a través de consultas SPARQL, para satisfacer ası́, las necesidades de información del usuario [6]. El principal beneficio de esta arqui- tectura es la posibilidad de integrar en un solo modelo el proceso de inferencia, la ontologı́a sobre la cual se hará la inferencia y la fuente de datos (BD). Si anteriormente se señalaba que un problema a enfrentar era la integración de los 118 Fig. 4. Arquitectura de sistema basado en ontologı́a con gestor ontológico. datos, Virtuoso ofrece la posibilidad de obtener los datos de una BD externa como un modelo RDF, lo cual para este contexto trae las siguientes ventajas: – Favorece el rendimiento del proceso de consulta. – Posibilidad de inferencia de encadenamiento progresivo (forward-chaining). – Permite el uso de algunas de las caracterı́sticas de SPARQL, como el uso de nodos en blancos para las consultas. 3.1. Migración de arquitectura de software El sistema SIGECA se realizó sobre la base de la arquitectura propuesta en la Figura 3 y posteriormente fue migrada a la nueva arquitectura (Figura 4). Las Tablas 3 y 4 muestran el rendimiento en los parámetros número de clases cargadas, métodos implementados, hilos en ejecución y memoria usada a la hora de cargar el sistema SIGECA antes y después del proceso de migración y después de ejecutar el algoritmo de consultar caracterı́sticas, que es la funcionalidad principal del sistema. Estos datos fueron obtenidos del sistema de telemetrı́a del Entorno Integrado de Desarrollo (IDE) NetBaans. Como se puede observar en el sistema una vez migrado se observa una notable mejora en cuanto a los parámetros evaluados. Table 3. Rendimiento del sistema SIGECA ante del proceso de migración de arqui- tectura de software. Clases Métodos implementados Hilos en ejecución Memoria Estado inicial 4437 307 51 39,956 Consultar 5827 375 54 80,775 caracterı́stica 119 Table 4. Rendimiento del sistema SIGECA después de concluido el proceso de mi- gración de arquitectura de software. Clases Métodos implementados Hilos en ejecución Memoria Estado inicial 3987 199 33 25,975 Consultar 5005 248 37 52,507 caracterı́stica 4. Sistema de información basado en la ontologı́a OntoEnvironmental Para el desarrollo del sistema SIGECA se usó el lenguaje de programación Java para lograr una integración con los framework Jena y OWL-API, ambos programados en Java y el framework ZK para el diseño Web. OntoEnvironmen- tal modela las caracterı́sticas para proyectos agropecuarios enmarcadas en el dominio ambiental como conceptos y las relaciones semánticas que existen entre ellos. El sistema propuesto permitirá al usuario interactuar con el conocimiento modelado en esta ontologı́a mediante consultas en el lenguaje SPARQL. Para lograr la funcionalidad principal del sistema informático propuesto, que es consultar las caracterı́sticas para proyectos agropecuarios, se realizan dos consultas SPARQL: una para buscar las relaciones semánticas existentes entre las caracterı́sticas (conceptos) seleccionadas y otra para obtener los resultados de estas relaciones. Para comprender mejor el principio de funcionamiento del SIGECA se expone el siguiente ejemplo donde se compara el razonamiento del proyectista y la respuesta del sistema. El municipio Mayarı́ está localizado en la provincia Holguı́n. En este munici- pio se quiere realizar un proyecto de desarrollo de zonas ganaderas. Como caso de estudio se tomaron la zona ganadera de Mayarı́, localizada en la parte llana del municipio y la zona ganadera Pinares de Mayarı́, en la zona de montaña. En estas zonas ganaderas se quiere introducir la especie de ganado y las especies de alimento animal más adecuada para cada una de acuerdo a las caracterı́sticas edafoclimáticas de la región como se muestra en la Figura 5. OntoEnvironmental fue modelada con el objetivo de poder extraer de la ontologı́a la misma información que obtiene el proyectista como fruto de su razonamiento. En la Tabla 5 se evidencia la información que se puede obtener de la ontologı́a mediante consultas SPARQL para dar respuesta a las preguntas de competencia. El usuario final accede al sistema, escoge el tipo de proyecto que va a tra- bajar (agrı́cola o pecuario) y las caracterı́sticas de los mismos (en este caso raza de ganado, especie de alimento animal, las caracterı́sticas del suelo y edafo- climáticas). El framework Jena se ocuparı́a a través de las consultas SPARQL, de extraer las triplas RDF que se encuentran en la ontologı́a y brindar al usuario el conocimiento que satisface sus necesidades de información; es decir, las mismas conclusiones a la cual llegó el proyectista en el ejemplo de la Figura 5. 120 Fig. 5. Razonamiento del proyectista. Table 5. Correspondencia entre las preguntas de competencia y consultas SPARQL. Preguntas de Competencia Consulta SPARQL P. ¿Cuáles razas de animales se PREFIX oe: pueden desarrollar en Zona Ma- < www.semanticweb.org/OntoEnvironmental.owl > yarı́ y qué alimento animal se SELECT puede cultivar en esta zona? ?AnimalRace ?AnimalFood WHERE { Respuesta ?AnimalRace oe:hasLocation oe:Mayari. Raza animal: Holstein ?AnimalFood oe:isAdapted oe:Mayari Alimento: Estrella } Debido a lo anterior, el proyectista (experto del dominio) puede comparar los resultados de su razonamiento con el conocimiento inferido por la ontologı́a y validar las respuestas obtenidas. De no coincidir, se pasarı́a a retroalimentar del conocimiento tácito de los expertos o se verificarı́an errores en la modelación. 4.1. Mostrar respuestas en lenguaje natural Aunque los resultados de las consultas realizadas se muestran de forma tab- ular, el sistema muestra una interpretación en lenguaje natural para cada fila de la tabla cuando el usuario hace click en ella. Esta funcionalidad no sólo hace más cómoda la relación entre el usuario y el sistema, sino que evita ambigedad en la interpretación de los resultados mostrados. Además muestra las potenciali- dades que brindan las ontologı́as para representar el conocimiento de un dominio especı́fico mediante relaciones semánticas entre los conceptos. Para poder mostrar una oración a partir de los resultados derivados de consul- tar las caracterı́sticas en la ontologı́a, se necesita crear anotaciones a las clases, 121 instancias y propiedades de la ontologı́a. Estas anotaciones pueden contener artı́culos, pronombres, signos de puntuación, sinónimos, etc. De esta manera se enriquece el significado de la oración y se entiende mejor el resultado mostrado en la tabla, porque no siempre las relaciones entre los conceptos son evidentes y los usuarios no tienen por qué conocerlas, tal como se muestra en la Figura 6. Fig. 6. Relación entre conceptos. Un grafo RDF representa una relación básica entre dos cosas en forma de tripla. Esta relación representa un hecho que está dotado de significado. Al concatenar varios hechos se puede llegar a algún tipo conocimiento. El tipo de anotación empleado para los elementos que conforman la ontologı́a fue la etiqueta (label). De modo que cada elemento presente en una tripla (sujeto-predicado- objeto) tiene una etiqueta asociada. Categorı́a-4 − − − − − > tieneFertilización − − − − − > Natural Sujeto Predicado Objeto Al agregar las etiquetas a los elementos se tendrı́a lo siguiente. Categorı́a-4 − − − − − − − etiqueta − − − − − − − El suelo tieneFertilización − − −− etiqueta − − −− puede fertilizarse Natural − − − − − − − etiqueta − − − − − − − de manera Si se combinan el sujeto y el objeto de la tripla anterior y las etiquetas de estos en el siguiente formato se obtendrá una frase más expresiva: etiquetaSujeto − − − sujeto−−etiquetaPredicado−−etiquetaObjeto − − − objeto El suelo Categorı́a-4 puede fertilizarse de manera Natural 122 La interpretación mostrada por el sistema para una fila seleccionada puede verse en la Figura 7. Fig. 7. Resultado de la consulta SPARQL en lenguaje natural 5. Conclusiones La aplicación del procedimiento permitió identificar y satisfacer las necesi- dades de información ambiental, lo que garantiza que los proyectistas prevean la mitigación de impactos ambientales desde la etapa de diseño de proyectos agrı́colas y pecuarios. Estos resultados contribuyeron a que la ENPA fuese acree- dora del Premio Provincial de Medio Ambiente 2017 en Holguı́n. La propuesta de arquitectura de software basado en ontologı́a integra las tecnologı́as necesarias para gestionar el conocimiento semántico. El sistema in- formático propuesto mejora las condiciones de trabajo del personal de la empresa, ya que su uso permite que los proyectistas validen a partir de su conocimiento tácito, el conocimiento modelado e inferido en OntoEnvironmental. Adicional- mente, los proyectistas no solo harán uso de las normas cubanas e internacionales sobre la base de sus experiencias, si no que contarán con una herramienta para tal fin, lo que permite un nivel de independencia del equipo de trabajo. SIGECA al ofrecer las respuestas en lenguaje natural logra que el conocimiento gestionado sea de común entendimiento para el usuario y el software. Referencias 1. Abburu, S.: A survey on ontology reasoners and comparison. International Journal of Computer Applications 57(17) (2012) 2. Allen, B.: Information needs. Library and Information Science 96, 55–107 (2010) 3. Barchini, G., Álvarez, M.M., Fortea, G.: Evaluación de la calidad de los sistemas de información basados en ontologı́as. In: Nuevas perspectivas para la difusión y organización del conocimiento. pp. 645–662. Servicio de Publicaciones (2009) 123 4. Bechhofer, S., Matentzoglu, N.: The OWL API: An Introduction. COMP60421: Ontology Engineering for the The Semantic Web (2014) 5. Castellanos Domı́ngez, M.I.: Procedimiento para la gestión del conocimiento am- biental mediante ontologı́a en proyectos agropecuarios (2014) 6. Castellanos Domı́ngez, M.I., Quevedo Castro, C.M., Vega Ramı́rez, A., Grangel González, I., Moreno Rodrı́guez, R.: Sistema basado en ontologı́a para el apoyo a la toma de decisiones en el proceso de gestión ambiental empresarial. In: II International Workshop of Semantic Web. vol. 1797. CEUR-WS, La Habana, Cuba (2016), http://ceur-ws.org/Vol-1797/ 7. DuCharme, B.: Learning SPARQL. Querying and Updating with SPARQL 1.1, vol. Second Edition. Published by OReilly Media, United States of America (2013) 8. Fonseca, R.A.M., Montenegro, D.Y.Q., Valencia, J.M.: El rol de la gestión del conocimiento en la implementación de un Sistema Integrado de Gestión. Revista Logos Ciencia & Tecnologı́a 4(2), 33–41 (2013) 9. González, J.C.: Surgimiento de las necesidades de información. Investigación Bib- liotecológica 25(53), 7–9 (2011) 10. González Sánchez, R., Garcı́a Muiña, F.E.: Innovación abierta: Un modelo prelim- inar desde la gestión del conocimiento. Intangible Capital 7(1), 82–115 (2011) 11. Hebeler, J., Fisher, M., Blace, R., Perez-Lopez, A.: Semantic web programming. John Wiley & Sons (2009) 12. Huang, J., Abadi, D.J., Ren, K.: Scalable SPARQL querying of large RDF graphs. Proceedings of the VLDB Endowment 4(11), 1123–1134 (2011) 13. Matentzoglu, N., Bail, S., Parsia, B.: A Corpus of OWL DL Ontologies. Description Logics 1014, 829–841 (2013) 14. Matentzoglu, N., Leo, J., Hudhra, V., Sattler, U., Parsia, B.: A survey of cur- rent, stand-alone owl reasoners. In: Informal Proceedings of the 4th International Workshop on OWL Reasoner Evaluation. vol. 1387 (2015) 15. Michelan, G., Braun, G., Cecchi, L., Fillottrani, P.R.: Linked Open Data para la integración de información cientı́fica. In: XVIII Workshop de Investigadores en Ciencias de la Computación (WICC 2016, Entre Rı́os, Argentina) (2016) 16. Nacimiento Garcı́a, A.: Plataforma de datos virtuoso: arquitectura, tecnologı́as y caso de estudio (2015) 17. Nonaka, I., Takeuchi, H.: The knowledge-creating company: How Japanese com- panies create the dynamics of innovation. Oxford University Press, USA (1995) 18. Ocaña, A.B.: Aproximación a una taxonomı́a de modelos de gestión del conocimiento. Intangible Capital 5(1), 65–101 (2009) 19. Pávez Salazar, A., Rodrı́guez, L.H.: Modelo de implantación de Gestión del Conocimiento y Tecnologı́as de Información para la generación de ventajas com- petitivas (2000) 20. da Ponte, M.J.M., Figueiras, P.A., Jardim-Gonçalves, R., Lima, C.P.: Ontological Interaction Using JENA and SPARQL Applied to Onto-AmazonTimber Ontology. In: Doctoral Conference on Computing, Electrical and Industrial Systems. pp. 54– 61. Springer (2016) 21. Suárez Figueroa, M.C.: NeOn Methodology for Building Ontology Networks: Spec- ification, Scheduling and Reuse. Ph.D. thesis, España (2010) 22. Suárez Figueroa, M.C., Gómez Pérez, A., Fernández López, M.: The NeOn Method- ology for Ontology Engineering. Springer (2012)