数据挖掘技术在农业领域的应用.pdfVIP

2010年 7月 农 机 化 研 究 第 7期 数 据 挖 掘 技 术 在 农 业领 域 的应 用 刘春玲 ，崔凌云，贾冬青 ，郝 国芬 ，张焕生 (河北工程技术高等专 科学校 ，河北 沧州 061O01) 摘 要： 数据挖掘作为一项极具应用前景的技术 ，在处理农业领域积累的大量农业数据信息 中起着非常重要的 作用。为此 ，结合农业领域 的特点 ，系统综述 了聚类分析 、决策树 、关联规则 、粗糙集等主要数据挖掘技术在农业 中的应用现状 以及应用前景。 关键词：数据挖掘；农业信息；应用 中图分类号：S126 文献标识码 ：A 文章编号：1003—188X(2010)07—0201—04 数据挖掘过程主要包括确定业务对象、数据准备、数 0 引言 据挖掘 、结果分析4个步骤。常用的数据挖掘方法有 信息化是一个国家和地区的经济增长能力、综合 聚类分析、决策树、关联规则、遗传算法、粗糙集等。 实力和竞争力的重要体现。加快农业信息化进程是推 1．1 聚类分析 动农业和农村经济发展 、农 民增收致富、农村社会稳 聚类是把一组个体按照相似性归纳成若干类别， 定的一项重要战略措施。随着计算机技术在农业生产 即 “物以类聚”。其 目的是使得属于同一类别的个体 中的广泛应用，农业科技人员获取、积累了大量与农 之间的距离尽可能小，而不同类别上的个体问的距离 业生产过程密切相关的属性数据和空间数据 ，这些数 尽可能大。利用聚类分析抽取学习样本 ，首先将数据 据真实、具体地反映了农业生产作业 的本质状况，是 集 划分为 个不相交 的 “类 ”，然后对这 个类 中 指导区域精准作业 的宝贵财富。但 由于农业生产的 的数据对象分别进行随机抽取，这样就可 以最终获得 复杂性，使得农业数据具有丰富、多维、动态、不完整、 聚类采样数据子集 。聚类方法包括统计方法、机器学 不确定等特性，导致 了我们 “淹没在数据 的海洋 中 ， 习方法 、神经网络方法和面 向数据库的方法 。 目前， 数据丰富，知识贫乏”，所 以需要用一种方法从上述结 常用的聚类分析算法比较有代表性的有 K2MEANS算 构化和半结构化的大量数据 中找出隐藏的规律，根据 法、BIRCH算法、STNG算法、神经网络方法、DBSCAN 规律制定正确的农业策略，达到使农业生产持续 、高 算法等 。聚类分析算法常应用模式识别和空间数据 效、协调发展的 目的。数据挖掘技术 (DataMining， 分析等 。 DM)作为一种重要的数据处理和知识发现的技术，能 1．2 决策树 够有效地从农业信息数据中找出潜在的和有用的农 决策树是一棵树，树的根节点是整个数据集合空 业知识，为农业部 门的科学决策和知识管理提供支 间，每个分节点是对一个单一变量的测试，该测试将 持 ，因此 数据挖掘技术在农业领域 中有着，一阔的应用 数据集合空间分割成 2个或更多块 。每个 叶节点是 前景 。 属于单一类别 的记录。首先 ，通过训练集生成决策 树 ，再通过测试集对决策树进行修剪。决策树的功能 1 数据挖掘方法 是预言一个新的记录属于哪一类。决策树分为分类 数据挖掘就是利用各种分析工具在海量数据 中 树和回归树两种，分类树对离散变量做决策树，回归 发现模型和数据