农业生产中数据挖掘技术的应用.docVIP

农业生产中数据挖掘技术的应用 引言 我国是一个农业大国，农业领域的数据库中含有海量的和不同来源的原始信息，其中包括大量模糊的、不完整的、带有噪声和冗余的信息。如何充分利用这些数据，并从中挖掘出有用的、却常被人们忽视的知识信息，已成为农业科研人员的一项重要任务。 数据挖掘是一种决策支持过程，其目的是在大量的数据中发现有价值的信息，故又称为数据库中的知识发现。利用数据库挖掘技术对大量积累的农业数据进行提取，可有效地从这些浩瀚的数据中深入寻找各种因素的相互联系，发现一些随诸因素动态变化而产生新的指导农业生产的规律，对于实现优质、高产农业具有十分重要的意义。 数据挖掘技术概述 数据挖掘是一种从大量数据中提取出可信的、新颖的、有用的、并能被人理解模式的高级处理过程。随着人们对应用于商业领域中关于客户信息数据分析的更深认识和理解，以及在实际应用中产生的显著经济效益，数据挖掘技术在各个领域中的应用得到了迅速发展。 数据挖掘中，常采用的技术有人工神经网络、决策树、遗传算法、邻近算法及规则推导等。应用这些技术可以完成对数据的特征化区分、关联分析、分类、预测、聚类分析、孤立点分析和演变分析等挖掘功能。 另外，数据挖掘的知识经过解释后，可以直接在实际系统中应用，用以辅助解决过程或者提供给领域专家，修正专家已有的知识体系，也可作为新知识转存到应用系统的知识库中。 数据挖掘在农业中的应用 在过去的几十年中，我国曾耗费巨资进行各种农业数据的普查，积累了各种作物的苗情、土情、肥情、水情、虫情、气象和灾害等大量数据资料，但基本上是作为文件存档，这就是所谓的“数据丰富而知识贫乏”的现象。利用数据挖掘从浩瀚的数据海洋中提取出重要的信息，进而指导农业高效生产具有重要的现实意义。以下是数据挖掘在农业领域中的几种典型的应用。 数据挖掘在预测农作物生长过程中的应用 目前，我国温室作物产量的预测绝大多数仍然依靠种植经验来获得，在气候因素偏离常年的情况下，这种经验的预测往往与实际值存在着较大的偏差。 产量预测的核心是预测技术方法或是预测模型的选择。在预测领域中，人们已采用遗传算法、神经网络法和数据挖掘法等各类技术，它们在不同的预测领域中发挥着重要的作用。其中，数据挖掘是从数据中发现趋势或模式的过程，这一过程的目标是通过对大量数据的分类来发现新的信息。采用数据挖掘方法对温室作物生长进行预测具有较高的精度。 数据挖掘技术在病虫害防治决策中的应用 数据挖掘技术在农业病虫害管理中的应用，主要集中在病虫害动态监测、发生趋势预测及其风险评估等几个方面。农作物病虫害的发生受作物布局、栽培耕作条件、品种抗性和气象条件等诸多因素的影响，同时也与一定的地理空间相关。因此，需要对所获得的病虫害发生及生态因子等数据进行分析和管理,以便对农业病虫害的控制管理活动做出正确的决策。 数据挖掘技术可以用于预测某段时间发生虫害的可能性,以及发生其他种类虫害的可能性,从而为病虫害防治提供决策支持。通常采用以下3个层次的设计方法: 1)表示层。该层主要完成用户与系统的交互功能以及简单的数据处理。 2)应用逻辑层。该层次主要完成复杂的应用,主要集成服务器端构件,供调用即可完成功能。 3)数据层次。DBM S(数据库管理系统)里有数据表和视图等,可以封装存储。用户在客户端使用浏览器输入数据(如虫害的ID),在服务器端调用应用服务器封装的Mining构件来实现挖掘功能,结果以HTML格式返还给浏览器,最后可以了解虫害发生占总发生的百分比。 数据挖掘在品种资源数据中的应用 品种资源是培育新品种的基础,我国现存的农作物种质资源数据库中有粮食、纤维、油料、蔬菜、果树和牧草等180种作物,以及37万份品种、种质和基因信息,其中包括700多个数据库和125万条信息。这些信息可用于各种作物与各种特性数据的评价和分析。数据库中的品种资源蕴藏着丰富的遗传多样性。 对于数据库的研究工作,不能仅仅只停留在一般的统计检索,人们渴望能从大量的资源数据中获得更多的指示,从而帮助人们选育更高产、优质和抗病的新品种。随着种质资源研究工作的深入,数据挖掘技术在种质资源的分类、抗性评价、核心样品及生物多样性的研究等诸多方面都得到更深入的发展,其应用前景相当远大。 数据挖掘技术与农业专家系统的结合 在数据挖掘中结合农业专家系统,可以使专家系统中的领域知识或背景知识对挖掘过程起到引导和辅助作用,同时数据挖掘也可在知识库中进行二次发现,即知识库中的知识发现。另外,数据挖掘的知识经过解释后还可以直接在实际系统中应用,用于辅助决策过程或者提供给领域专家,修正专家已有的知识体系,也可作为新知识转存到应用系统的知识库中。 基于数据挖掘的专家系统如下: 1)知识库。又称规则库,它以规则的形式存放着利用数据挖掘工具从数据库中发现的知识和领域专家提供的领域知识。 2)数