調(diào)查數(shù)據(jù)挖掘和模式識別技術(shù)對土壤數(shù)據(jù)挖掘

調(diào)查數(shù)據(jù)挖掘和模式識別技術(shù)對土壤數(shù)據(jù)挖掘摘要：數(shù)據(jù)挖掘已經(jīng)成為主要的研究方向之一域，在近數(shù)十年來，以提取隱含的和有用的數(shù)據(jù)。這種知識可以被人類輕松認(rèn)知。最初，這方面的知識提取和計算評估采用手工統(tǒng)計技術(shù)。隨后，半自動數(shù)據(jù)挖掘技術(shù)的出現(xiàn)，因為進(jìn)步的技術(shù)。這樣的進(jìn)步也是在形式存儲從而提高分析的需求。在這樣的情況下，半自動化的技術(shù)已成為低效率的。因此，自動化的數(shù)據(jù)挖掘技術(shù)引入到合成知識有效。數(shù)據(jù)現(xiàn)有文獻(xiàn)的調(diào)查挖掘和模式識別土壤數(shù)據(jù)挖掘呈現(xiàn)本文。在農(nóng)業(yè)土壤中的數(shù)據(jù)集的數(shù)據(jù)挖掘是一個比較新的研究領(lǐng)域。有效的技術(shù)可開發(fā)和專為解決在使用數(shù)據(jù)挖掘復(fù)雜的土壤數(shù)據(jù)集。關(guān)鍵詞：數(shù)據(jù)挖掘，模式識別，土壤數(shù)據(jù)挖掘一、引言這個數(shù)據(jù)挖掘的軟件應(yīng)用包括各種已經(jīng)開發(fā)了商業(yè)方法和研究中心。這些技術(shù)已被用于工業(yè)，商業(yè)和科學(xué)用途。例如，數(shù)據(jù)挖掘技術(shù)已經(jīng)被用來分析大數(shù)據(jù)集和建立有用的分類和模式的數(shù)據(jù)集。農(nóng)業(yè)和生物研究的研究中使用的各種數(shù)據(jù)分析的技術(shù)，包括，天然樹，統(tǒng)計機器學(xué)習(xí)和其它分析方法。本文研究的，如果新的數(shù)據(jù)挖掘可以建立技術(shù)將改善的有效性和準(zhǔn)確性大型數(shù)據(jù)集的土壤分類。在特別地，本研究工作的目的是比較數(shù)據(jù)的性能在土壤局限性和土壤條件挖掘算法方面的以下特點：酸度，堿度與鈉含量，鹽分，低陽離子交換容量，磷的固定，有開裂和溶脹性能，深度，土壤密度和營養(yǎng)素含量。使用標(biāo)準(zhǔn)的統(tǒng)計分析技術(shù)是既費時又昂貴。如果可以發(fā)現(xiàn)替代的技術(shù)，以改善這個過程中，在土壤中的分類的改進(jìn)可能結(jié)果。農(nóng)業(yè)是每個國家都以其核心競爭力。但是在印度然而，它只占17％總的國內(nèi)生產(chǎn)總值。隨著城市化進(jìn)程加快，這將是糧食生產(chǎn)的挑戰(zhàn)越來越多的人用更少的土地和水。農(nóng)業(yè)或養(yǎng)殖是任何國家的脊梁經(jīng)濟(jì)性，因為大量人口生活在農(nóng)村地區(qū)，是直接或間接依賴農(nóng)業(yè)為生。來自農(nóng)業(yè)收入形成了養(yǎng)殖的主要來源社區(qū)。

作物收割的基本要求是水資源和資金購買種子，化肥，農(nóng)藥，勞動力等多數(shù)農(nóng)民通過提高資本要求犧牲其他必要的支出，而當(dāng)它是仍然不足，他們求助于信貸從銀行等渠道和民間金融機構(gòu)。

在這種情況下，該還款取決于作物的成功。

如果作物由于多種因素失敗即使一次時，如不良的天氣、土壤類型不好，過度和過早應(yīng)用這兩種化肥和農(nóng)藥;摻假的種子和農(nóng)藥等，然后他推入嚴(yán)重危機造成了嚴(yán)重的壓力。此外，該植物生長取決于多種因素，如土壤類型、作物類型和天氣。由于缺乏植物生長信息和專家建議，大多數(shù)農(nóng)民無法獲得良好的收益。土壤性質(zhì)的知識大多來源于土壤調(diào)查努力。土壤調(diào)查，或土壤制圖，是確定土壤類型或土壤覆蓋的其他屬性在一個過程，并將其映射為他人理解并使用。對于土壤調(diào)查主要數(shù)據(jù)通過實地采集采樣和遙感支持。利用從收集的這項研究工作的測試數(shù)據(jù)集世界土壤信息-ISRIC（國際土壤參考和信息中心）。在ISRIC-WISE3.1版土壤的排放數(shù)據(jù)庫（WISE3世庫存勢）是從一個大范圍的土壤剖面并且遵從許多專業(yè)人士從世界各地收集到的數(shù)據(jù)。從而主土壤數(shù)據(jù)和任何二級數(shù)據(jù)導(dǎo)出他們可以利用地理信息系統(tǒng)的空間單位掛鉤世界土壤圖以及更近的土壤和地形（SOTER）數(shù)據(jù)庫通過土壤傳說中的代碼。WISE3是關(guān)系數(shù)據(jù)庫，使用編譯MS-ACCESS。它可以處理數(shù)據(jù)：（一）土壤分類;（二）土天邊的數(shù)據(jù);（三）數(shù)據(jù)的來源;和用于方法確定分析數(shù)據(jù)。在WISE3檔案數(shù)據(jù)來源于來自260多個不同的來源，模擬和數(shù)字。的型材大約有40％是從輔助提取數(shù)據(jù)集，包括各種土壤和地形數(shù)據(jù)庫和FAO土壤數(shù)據(jù)庫，持有多種來源的數(shù)據(jù)整理。WISE3持有選定的屬性數(shù)據(jù)10253個土壤剖面，有些47800個視野，來自149個國家。在未來，這些數(shù)據(jù)集與各種數(shù)據(jù)挖掘的分析技術(shù)可能產(chǎn)生的成果有助于研究人員。二、材料和方法在數(shù)據(jù)挖掘的技術(shù)迅速增長是由于（ⅰ）大型存儲設(shè)備的成本下降，提高易用性采集的數(shù)據(jù)通過網(wǎng)絡(luò)，（二）穩(wěn)健發(fā)展，高效的機器學(xué)習(xí)算法來處理這些數(shù)據(jù)，并（三）計算能力的成本下降，從而利用密集計算的方法對數(shù)據(jù)進(jìn)行分析。數(shù)據(jù)挖掘僅僅代表一組從原始數(shù)據(jù)中提取模式目的的特定的方法和算法。

在DM過程已經(jīng)發(fā)展由于巨大必須被處理的區(qū)域更容易，如數(shù)據(jù)的量：商業(yè)，醫(yī)療行業(yè)，天文學(xué)，遺傳學(xué)。

此外，成功的超常規(guī)發(fā)展硬件技術(shù)使得存儲的大容量硬盤的出現(xiàn)，事實上許多挑戰(zhàn)的出現(xiàn)問題在操作數(shù)據(jù)的巨大的量。當(dāng)然，這里最重要的方面是對快速增長互聯(lián)網(wǎng)。DM過程的核心在于應(yīng)用方法和為了算法發(fā)現(xiàn)和提取模式存儲的數(shù)據(jù)，但在此之前的步驟的數(shù)據(jù)必須進(jìn)行預(yù)處理。眾所周知，簡單的使用DM算法無法產(chǎn)生了良好的效果。因此，發(fā)現(xiàn)的整個過程在原始數(shù)據(jù)有用的知識包括順序應(yīng)用以下步驟：在應(yīng)用領(lǐng)域，創(chuàng)造一個目標(biāo)數(shù)據(jù)集的基礎(chǔ)上通過集中的一個子集選擇數(shù)據(jù)的一種智能的方式變量或數(shù)據(jù)樣本，數(shù)據(jù)清洗和預(yù)處理，數(shù)據(jù)縮減和投影，選擇數(shù)據(jù)挖掘任務(wù)，選擇的數(shù)據(jù)挖掘算法，數(shù)據(jù)挖掘步驟，解釋挖掘模式與可能返回的任何一個前面的步驟和鞏固知識的發(fā)現(xiàn)。在DM包含許多研究領(lǐng)域，如機器學(xué)習(xí)，數(shù)據(jù)，數(shù)據(jù)庫，統(tǒng)計模式識別，人工智能，數(shù)據(jù)采集專家系統(tǒng)和數(shù)據(jù)可視化。

這里最重要的目標(biāo)是從數(shù)據(jù)和模式中提取帶來有用的知識成可以理解的形式。這是建議獲得的信息是淺顯的，以解釋的使用的容易性。

整個過程的目的是獲得從低級別的數(shù)據(jù)的高級數(shù)據(jù)。數(shù)據(jù)挖掘涉及到裝修款或確定從模式的觀測數(shù)據(jù)。擬合模型發(fā)揮作用推斷的知識。

通常情況下，一個數(shù)據(jù)挖掘算法構(gòu)成以下三種組件。(模型：該模型的功能（例如，分類，聚類）和它的代表性形式（如線性判別，神經(jīng)網(wǎng)絡(luò)）。模型包含的是從該數(shù)據(jù)確定參數(shù)。(選擇標(biāo)準(zhǔn)：一個基礎(chǔ)的偏好一個模型或一組對另一參數(shù)，取決于給定的數(shù)據(jù)。(搜索算法：一個規(guī)范算法尋找特定的模式，參數(shù)，給出的數(shù)據(jù)，模型（s）和一個優(yōu)先標(biāo)準(zhǔn)。一個特定的數(shù)據(jù)挖掘算法通常是為實例模型/偏好/搜索組件。在當(dāng)前的數(shù)據(jù)挖掘比較常見的模式功能做法包括：1、分類：分類一數(shù)據(jù)項到幾個預(yù)定義分類。2、回歸：一個數(shù)據(jù)項映射到實值的預(yù)測變量。3、聚類：映射一個數(shù)據(jù)項分成幾個集群之一，其中，集群是數(shù)據(jù)項的自然分組基于相似性指標(biāo)或概率密度模型。4、規(guī)則產(chǎn)生：提取從數(shù)據(jù)分類規(guī)則。5、關(guān)聯(lián)規(guī)則挖掘：描述了在不同的關(guān)聯(lián)關(guān)系屬性。6、聚合：提供一緊湊描述為數(shù)據(jù)的子集。7、依靠建模：介紹顯著變量之間的相關(guān)性。8、序列分析：連續(xù)模式模式，如時間序列分析。

我們的目標(biāo)是模型的過程中產(chǎn)生的狀態(tài)序列或提取和報告偏差和趨勢隨著時間的推移。雖然，有很多技術(shù)在數(shù)據(jù)可用，如人工神經(jīng)網(wǎng)絡(luò)，K近鄰，K指的做法。人工神經(jīng)網(wǎng)絡(luò)：人工神經(jīng)網(wǎng)絡(luò)（ANN）的靈感來自于人腦的研究體系，人工神經(jīng)網(wǎng)絡(luò)（ANN）網(wǎng)絡(luò)中每個節(jié)點代表一個神經(jīng)元，每個鏈接表示方式兩個神經(jīng)元相互作用。每個神經(jīng)元執(zhí)行非常簡單的任務(wù)，而該網(wǎng)絡(luò)的代表其所有的神經(jīng)元的工作是能夠執(zhí)行更復(fù)雜的任務(wù)。神經(jīng)網(wǎng)絡(luò)是一個相互聯(lián)系的一套輸入/輸出單元，其中每個連接的重與之相關(guān)聯(lián)。該網(wǎng)絡(luò)通過學(xué)習(xí)微調(diào)權(quán)重，以便能夠預(yù)測輸入樣本的呼叫標(biāo)簽在測試階段。人工神經(jīng)網(wǎng)絡(luò)是一個新的在洪水預(yù)報中使用的技術(shù)。ANN的優(yōu)點在造型的降雨量方法和流失的關(guān)系在傳統(tǒng)技術(shù)洪水預(yù)報。神經(jīng)網(wǎng)絡(luò)具有比在常規(guī)方法的幾個優(yōu)點計算。有更多的時間用于獲取任何問題解決方案，ANN是非常適合的狀態(tài)，神經(jīng)網(wǎng)絡(luò)方法成功地提前一周預(yù)測了病蟲害發(fā)生率攻。提前一周函數(shù)提供由一種替代從更容易獲得的土壤估計土壤參數(shù)數(shù)據(jù)。所使用的兩種常見的方法來開發(fā)的PTF是多線性回歸方法和神經(jīng)網(wǎng)絡(luò)。多元線性回歸和神經(jīng)網(wǎng)絡(luò)模型（前饋回來傳播網(wǎng)絡(luò)）被雇用開發(fā)此特區(qū)），第207-216，1993年5月。[3]AlahakoonD.，HalgamugeSK和斯里尼瓦桑B，動態(tài)的自我組織圖與知識發(fā)現(xiàn)控制生長，IEEE交易神經(jīng)網(wǎng)絡(luò)，卷。

11，第601-614，2000。[4]阿尼什C.Turlapaty，情人節(jié)Anantharaj，尼古拉斯·H.尤南，空間-對AMSR-E土壤水分?jǐn)?shù)據(jù)使用時間一致性分析基于小波變換的特征提取和一類SVM，在年會馬里蘭州巴爾的摩市，三月9-訴訟13，2009。[5]金WH和陳KCC，一個有效的算法發(fā)現(xiàn)在關(guān)系數(shù)據(jù)庫中模糊規(guī)則，在訴訟IEEE國際會議模糊系統(tǒng)FUZZIEEE98，（阿拉斯加州），第1314至1319年，1998年5月。[6]班納吉男，米特拉S，和好朋友SK，粗糙模糊MLP：知識編碼和分類，神經(jīng)網(wǎng)絡(luò)的IEEE交易，第一卷。

9，第1203至16年，1998。[7]博斯克P.，PivertO.和UghettoL.，數(shù)據(jù)庫挖掘發(fā)現(xiàn)擴展函數(shù)依賴，在NAFIPS99論文集，（美國紐約），第580-584，1999年6月。[8]裴EN，LoughheadA.后起之秀-[R...提取土壤景觀規(guī)則從以前的土壤調(diào)查。

澳大利亞熱帶亞熱帶植物學(xué)報，37：495508，1999。[9]塞爾尼五，A熱動力學(xué)方法旅行商問題：一個高效的仿真算法。雜志優(yōu)化理論與應(yīng)用，45：41-51，1985。[10]蔣DA，周LR，王YF，挖掘時間序列數(shù)據(jù)進(jìn)行模糊語言總結(jié)制度，“模糊集和系統(tǒng)，卷。

112，第419-432，2000。[11]克里斯托弗·J·莫蘭和Elsabeth裴N.，空間數(shù)據(jù)挖掘增強土壤地圖建模。

在國際的訴訟。地理信息科學(xué)學(xué)院，2002年。[12]西謝爾斯基V和PalstraG，使用了混合神經(jīng)/專家系統(tǒng)數(shù)據(jù)庫挖掘市場調(diào)查數(shù)據(jù)顯示，在PROC。

第二屆國際會議知識發(fā)現(xiàn)和數(shù)據(jù)挖掘（KDD-96），波特蘭，OR），第

38，AAAI出版社，8月2日至4日，1996年。[13]ColorniA.，多里戈等M.，Maniezzo五，分布式通過優(yōu)化蟻群，actes德拉首映發(fā)布會歐元通心粉河畔拉爭奪artificielle，法國巴黎，愛思唯爾出版，134-142，1991。[14]哥斯達(dá)黎加A.和英雄AO測地線熵圖的尺寸和熵估計流形習(xí)。在IEEE的訴訟交易信號處理，音量52，2210至21年的網(wǎng)頁，2004年。[15]哥斯達(dá)黎加JA和英雄AO，III。分類約束降維。在IEEE國際會議聲學(xué)語音和信號處理，5卷，1077-1080頁，2005年3月。[16]坎寧安S.J和福爾摩斯G.在開發(fā)創(chuàng)新應(yīng)用農(nóng)業(yè)利用數(shù)據(jù)挖掘，在東南亞的訴訟地區(qū)計算機聯(lián)合會會議，1999年[17]多里戈M.，優(yōu)化，學(xué)習(xí)和自然算法，博士論文中，米蘭理工大學(xué)，意大利，1992年。[18]Fayadd，U.，Piatesky-夏皮羅，G.，和史密斯，P，數(shù)據(jù)挖掘數(shù)據(jù)庫知識發(fā)現(xiàn)，AAAI新聞/麻省理工學(xué)院出版社，麻省理工學(xué)院。ISBN0-262-56097-6Fayap，1996年。[19]法耶茲UM，Piatetsky-夏皮羅G，P。史密斯和UthurusamyR.，編輯，進(jìn)展知識發(fā)現(xiàn)和數(shù)據(jù)挖掘。

門洛帕克，CA：AAAI/MIT出版社，1996年。[20]喬治R.和R.SRIKANTH，數(shù)據(jù)匯總使用基因算法和模糊邏輯，遺傳算法和軟計算（F.Herrera和JLVerdegay，編），第599-611，海德堡：施普林格出版社，1996年。[21]格斯勒PE，穆爾D.，麥肯齊新澤西州和RyanP...土壤景觀建模和土壤屬性的空間預(yù)測。

在訴訟計算機科學(xué)問題，卷IJCSI國際期刊。8，第3期，1號，2011年5月ISSN（在線）：1694-0814地理信息系統(tǒng)的國際雜志，第9卷，421-432頁1995年，。[22]海爾J.和ShenoiS.，在關(guān)系數(shù)據(jù)庫中FD分析推斷，數(shù)據(jù)與知識工程，第一卷。

18，第167-183，1996。[23]胡X.和塞爾康N.，從數(shù)據(jù)庫中挖掘知識規(guī)則：一個粗糙集方法，在12論文集日國際會議在數(shù)據(jù)工程，（華盛頓），第96-105，IEEE計算機社會，1996年2月。[24]耆那教的AK和DubesRC，聚類算法的數(shù)據(jù)。

普倫蒂斯廳，1998年。[25]KacprzykJ.和ZadroznyS.，通過對語言的總結(jié)數(shù)據(jù)挖掘數(shù)據(jù)：互動的方式，在飯冢98，（福岡訴訟，日本），頁668-671，1998年10月。[26]KatyalJC，帕羅達(dá)RS，雷迪MN，Aupam瓦瑪和N.Hanumanta饒。

農(nóng)業(yè)科學(xué)家感知對印度農(nóng)業(yè)：現(xiàn)場情景和愿景。

國家科學(xué)院農(nóng)業(yè)科學(xué)，2000。[27]肯尼迪，J.，埃伯哈特，R.，“粒子群算法”。

訴訟對神經(jīng)網(wǎng)絡(luò)的IEEE國際會議。

IV。

第1942-1948年，1995年。[28]劍H.和福D.，用粗糙的遺傳和Kohonen網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)的概念群的發(fā)現(xiàn)數(shù)據(jù)挖掘，在RSFDGrC'99，（山口，日本），第448-452的法律程序中，1999年11月。[29]帕特里克S.，GelattCD，維奇MP通過優(yōu)化模擬退火?？茖W(xué)新系列220（4598）：671-680.Doi：10.1126/science.220.4598.671。ISSN00368075.，19