數(shù)據(jù)挖掘技術(shù)在土壤肥力評價(jià)中應(yīng)用

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了數(shù)據(jù)挖掘技術(shù)在土壤肥力評價(jià)中應(yīng)用范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要:土壤肥力狀況直接影響農(nóng)作物的產(chǎn)量，傳統(tǒng)的農(nóng)業(yè)生產(chǎn)自動(dòng)化水平低，化肥和農(nóng)藥的施放無法做到精確把控，同時(shí)缺乏對土壤肥力的實(shí)時(shí)在線監(jiān)測和評價(jià)，不利于農(nóng)作物的生長，嚴(yán)重時(shí)會(huì)給農(nóng)田和生態(tài)環(huán)境帶來較大的污染，影響農(nóng)作物的生產(chǎn)質(zhì)量和產(chǎn)量，對人類和牲畜的人身安全構(gòu)成了較大威脅。為此，深入研究分析了數(shù)據(jù)挖掘技術(shù)，并將其應(yīng)用在土壤肥力評價(jià)系統(tǒng)中，針對具體的研究區(qū)域進(jìn)行土壤圖設(shè)計(jì)和土壤狀態(tài)分析，建立了土壤肥力采樣數(shù)據(jù)庫，并利用數(shù)據(jù)挖掘技術(shù)中的關(guān)聯(lián)規(guī)則算法對土壤肥力和農(nóng)作物產(chǎn)量進(jìn)行等級分類，計(jì)算分析得到土壤肥力與農(nóng)作物產(chǎn)量之間的關(guān)聯(lián)關(guān)系。結(jié)果表明:智能數(shù)據(jù)挖掘技術(shù)在土壤肥力評價(jià)系統(tǒng)中發(fā)揮了重要作用，在對土壤肥力進(jìn)行準(zhǔn)確監(jiān)控的同時(shí)能夠準(zhǔn)確評價(jià)土壤肥力與農(nóng)作物產(chǎn)量之間的相關(guān)程度，對指導(dǎo)農(nóng)業(yè)生產(chǎn)、提高農(nóng)作物生產(chǎn)質(zhì)量和產(chǎn)量具有重要意義。

關(guān)鍵詞:土壤肥力評價(jià);數(shù)據(jù)挖掘;數(shù)據(jù)庫;關(guān)聯(lián)規(guī)則算法

0引言

我國傳統(tǒng)的農(nóng)藥和化肥施放主要依靠作業(yè)人員的經(jīng)驗(yàn)進(jìn)行，施放效率低，農(nóng)藥利用率低，造成了農(nóng)藥和化肥的浪費(fèi)，給生態(tài)環(huán)境帶來了一定的影響。農(nóng)藥和化肥的不合理利用會(huì)對農(nóng)作物的生長產(chǎn)生一定的制約，嚴(yán)重時(shí)會(huì)對消費(fèi)者的健康造成威脅，因此對農(nóng)藥和化肥的合理利用、對土壤肥力的準(zhǔn)確監(jiān)控越來越引起諸多學(xué)者的關(guān)注。隨著科學(xué)技術(shù)的發(fā)展，很多學(xué)者將神經(jīng)網(wǎng)絡(luò)算法、模糊理論及專家系統(tǒng)等先進(jìn)理論應(yīng)用于土壤肥力監(jiān)測和評價(jià)系統(tǒng)中，對土壤肥力的狀態(tài)和信息有了一定的掌握。各種智能算法和先進(jìn)理論解決了土壤肥力評價(jià)指標(biāo)的優(yōu)化問題，但是對土壤肥力評價(jià)系統(tǒng)的數(shù)據(jù)來源、數(shù)據(jù)實(shí)時(shí)性和數(shù)據(jù)可用性無法精準(zhǔn)掌握，導(dǎo)致各類智能算法在土壤肥力評價(jià)系統(tǒng)中實(shí)時(shí)性和準(zhǔn)確性不高，對土壤肥力評價(jià)的指導(dǎo)性不強(qiáng)。為此，筆者深入研究數(shù)據(jù)挖掘技術(shù)，通過比較其中的關(guān)聯(lián)規(guī)則法、聚類分析法和人工神經(jīng)網(wǎng)絡(luò)法等不同算法，選用關(guān)聯(lián)規(guī)則法完成對所選研究區(qū)域土壤肥力狀況的分析，繪制了土壤肥力的空間變異圖，實(shí)現(xiàn)了對土壤肥力監(jiān)測的可視化，并應(yīng)用關(guān)聯(lián)規(guī)則法得到土壤肥力和農(nóng)作物產(chǎn)量的關(guān)聯(lián)關(guān)系，對指導(dǎo)農(nóng)業(yè)生產(chǎn)作業(yè)、提高農(nóng)業(yè)生產(chǎn)效益具有重要的借鑒意義。

1數(shù)據(jù)挖掘概述

數(shù)據(jù)挖掘是一個(gè)信息探索的過程，是從大量的隨機(jī)數(shù)據(jù)中提取有用的潛在信息和數(shù)據(jù)，并轉(zhuǎn)換為可以理解的數(shù)據(jù)。此類隨機(jī)數(shù)據(jù)多為不完全數(shù)據(jù)，并伴隨有噪音、干擾信號等隨機(jī)信息。數(shù)據(jù)挖掘的對象既包括數(shù)據(jù)庫，還可以包含各類文本、視頻、圖像和Web數(shù)據(jù)等，解決了傳統(tǒng)數(shù)據(jù)庫無法預(yù)測未來發(fā)展趨勢的難題。數(shù)據(jù)挖掘的分析方法較多，主要包括決策樹、聚類分析法、關(guān)聯(lián)規(guī)則法、人工神經(jīng)網(wǎng)絡(luò)法和時(shí)序算法。具體功能如下:1)數(shù)據(jù)總結(jié)。運(yùn)用統(tǒng)計(jì)分析法(求平均值、加權(quán)處理、直方圖)對數(shù)據(jù)源信息進(jìn)行統(tǒng)計(jì)分析，便于數(shù)據(jù)分類。2)數(shù)據(jù)分類。利用分類函數(shù)將待數(shù)據(jù)挖掘的數(shù)據(jù)按不同類型、不同標(biāo)識進(jìn)行分類。3)聚類。將數(shù)據(jù)庫信息按集群進(jìn)行劃分，利用聚類分析法找出集群中特性相似的集群進(jìn)行區(qū)分。4)關(guān)聯(lián)分析。通過關(guān)聯(lián)規(guī)則法計(jì)算分析數(shù)據(jù)庫中同一事件的不同項(xiàng)的關(guān)聯(lián)性，根據(jù)關(guān)聯(lián)性預(yù)測結(jié)果。5)預(yù)測。根據(jù)數(shù)據(jù)挖掘的結(jié)果對研究對象的發(fā)展規(guī)律進(jìn)行預(yù)測，分析后續(xù)變化趨勢。

2研究區(qū)域概況

選取的研究區(qū)域?yàn)榧质∞r(nóng)安縣開安鎮(zhèn)，坐標(biāo)東經(jīng)121°10'、北緯44°10'，大陸性季風(fēng)氣候，地下水源豐富，年平均降水量535㎜，為國家農(nóng)業(yè)示范基地。

2．1土壤圖設(shè)計(jì)通過查閱資料、查找相關(guān)部門網(wǎng)站信息，得到第2次土壤普查圖(比例1:5)。以此為基礎(chǔ)，完成該研究區(qū)域土壤矢量圖的繪制，如圖1所示。

2．2土壤狀態(tài)分析

由圖1可知，農(nóng)安縣土壤的類型較多。按土壤的類型和狀態(tài)可將農(nóng)安縣土壤進(jìn)行分類，如表1所示。

2．3土壤狀態(tài)采樣

將農(nóng)安縣土壤矢量圖和土壤狀態(tài)等數(shù)據(jù)進(jìn)行分析處理，構(gòu)建土壤狀態(tài)數(shù)據(jù)庫，重點(diǎn)監(jiān)測土壤養(yǎng)分值和采樣點(diǎn)的經(jīng)緯度。土壤養(yǎng)分值主要包括3個(gè)指標(biāo)，即堿解氮、有效磷和速效鉀。農(nóng)安縣土壤狀態(tài)采樣數(shù)據(jù)如表2所示。

3土壤肥力分布變化

通過對不同采樣點(diǎn)的土壤肥力狀態(tài)的監(jiān)測，完成了對土壤不同養(yǎng)分堿解氮、有效磷和速效鉀的含量分析和研究，得到土壤中堿解氮、有效磷和速效鉀的空間分布圖，如圖2、圖3所示。為確保數(shù)據(jù)的可靠性，對不同年份的土壤養(yǎng)分值進(jìn)行匯總和分析，最后得到連續(xù)2年的堿解氮和速效鉀的空間分布變化圖。由圖2和圖3可知:土壤堿解氮含量呈下降趨勢。其中，第1年最小值為108mg/kg，最大值為216mg/kg，差值為108mg/kg;第2年最小值為86mg/kg，最大值為173mg/kg，差值為87mg/kg。這表明，經(jīng)過連續(xù)2年的精準(zhǔn)施肥后，土壤肥力的差異逐漸變小。

4數(shù)據(jù)挖掘分析

4．1關(guān)聯(lián)規(guī)則算法

應(yīng)用關(guān)聯(lián)規(guī)則算法進(jìn)行數(shù)據(jù)挖掘時(shí)，主要解決兩個(gè)問題，即頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則算法的作業(yè)步驟為:①挖掘頻繁項(xiàng)集;②生成關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則的頻繁項(xiàng)集與支持度相關(guān)，即數(shù)據(jù)庫中支持度大于規(guī)定支持度的項(xiàng)目。關(guān)聯(lián)規(guī)則與支持度和可信度相關(guān)，即支持度和可信度均大于規(guī)定支持度和可信度的關(guān)聯(lián)規(guī)則。支持度sup的計(jì)算公式為sup(A=＞B)=sup(a∪b)={T|T∈Dand(a∪b)}D其中:支持度sup表示事件A和事件B同時(shí)出現(xiàn)的概率?？尚哦萩onf的計(jì)算公式為conf(a=＞b)=sup(a∪b)sup(a)其中，可信度conf表示條件概率。提升度lift的計(jì)算公式為lift=P(B|A)P(B)其中:提升度lift表示事件A對事件B的提升度。lift=1，說明事件A與事件B沒有關(guān)聯(lián);lift＞1，說明事件A與事件B相關(guān)聯(lián)，且關(guān)聯(lián)規(guī)則較好，關(guān)聯(lián)性好;lift＜1，說明事件A與事件B相排斥，得到的關(guān)聯(lián)規(guī)則沒有意義，關(guān)聯(lián)性差。

4．2關(guān)聯(lián)規(guī)則分析

關(guān)聯(lián)規(guī)則算法是基于數(shù)據(jù)挖掘工具Weka軟件完成的。通過對采樣數(shù)據(jù)的分析計(jì)算，并將數(shù)據(jù)導(dǎo)入Weka軟件中，建立新的數(shù)據(jù)源，利用軟件自帶的算法庫，篩選頻繁項(xiàng)集，根據(jù)專家經(jīng)驗(yàn)將數(shù)據(jù)分為6組，進(jìn)行土壤肥力和農(nóng)作物產(chǎn)量的關(guān)聯(lián)規(guī)則計(jì)算，得到土壤肥力和產(chǎn)量數(shù)據(jù)的等級分類，如表3所示。由表3可知:根據(jù)專家經(jīng)驗(yàn)，土壤養(yǎng)分值劃分為6個(gè)等級，農(nóng)作物產(chǎn)量劃分為3個(gè)等級。根據(jù)關(guān)聯(lián)規(guī)則，計(jì)算分析土壤肥力與農(nóng)作物產(chǎn)量之間的關(guān)聯(lián)性。

4．3關(guān)聯(lián)結(jié)果

運(yùn)行Weka軟件，選取Apriori算法，設(shè)定支持度sup范圍為10%～100%，提升度lift大于1．0，計(jì)算關(guān)聯(lián)規(guī)則，得到關(guān)聯(lián)規(guī)則結(jié)果，如圖4所示。由圖4可知:當(dāng)速效磷等級為D時(shí)，農(nóng)作物產(chǎn)量為A的概率為95%;當(dāng)速效鉀為等級D的時(shí)候，農(nóng)作物產(chǎn)量為A的概率為63%;當(dāng)速效鉀等級為E時(shí)，農(nóng)作物產(chǎn)量為B的概率為46%;當(dāng)農(nóng)作物產(chǎn)量為A時(shí)，速效磷等級為D的概率為38%;當(dāng)速效磷等級為D時(shí)，農(nóng)作物產(chǎn)量為C的概率為45%。

5結(jié)論

為解決傳統(tǒng)土壤肥力監(jiān)測不及時(shí)、肥力評價(jià)不準(zhǔn)確等問題，深入分析了數(shù)據(jù)挖掘技術(shù)，對數(shù)據(jù)挖掘的主要算法和功能進(jìn)行分析，完成了研究區(qū)域的土壤圖繪制和土壤狀態(tài)分析。同時(shí)，對不同采樣點(diǎn)的土壤肥力和經(jīng)緯度進(jìn)行監(jiān)測，完成了土壤不同養(yǎng)分堿解氮、有效磷和速效鉀的空間分布變化趨勢的分析。應(yīng)用關(guān)聯(lián)規(guī)則算法，利用數(shù)據(jù)挖掘工具Weka，完成土壤肥力與產(chǎn)量的等級分類，得到土壤肥力與農(nóng)作物產(chǎn)量的關(guān)聯(lián)關(guān)系。結(jié)果表明:智能數(shù)據(jù)挖掘技術(shù)在土壤肥力評價(jià)系統(tǒng)中發(fā)揮了重要作用，既可以對土壤肥力的空間分布進(jìn)行準(zhǔn)確監(jiān)測，又能夠?qū)r(nóng)作物產(chǎn)量進(jìn)行準(zhǔn)確預(yù)測，在提高農(nóng)藥和化肥利用率的同時(shí)減小對生態(tài)環(huán)境的危害，對提高農(nóng)業(yè)生產(chǎn)質(zhì)量具有顯著效果。

作者:徐霖 單位:無錫工藝職業(yè)技術(shù)學(xué)院