調查數據挖掘和模式識別技術對土壤數據挖掘

調查數據挖掘和模式識別技術對土壤數據挖掘摘要：數據挖掘已經成為主要的研究方向之一域，在近數十年來，以提取隱含的和有用的數據。這種知識可以被人類輕松認知。最初，這方面的知識提取和計算評估采用手工統(tǒng)計技術。隨后，半自動數據挖掘技術的出現，因為進步的技術。這樣的進步也是在形式存儲從而提高分析的需求。在這樣的情況下，半自動化的技術已成為低效率的。因此，自動化的數據挖掘技術引入到合成知識有效。數據現有文獻的調查挖掘和模式識別土壤數據挖掘呈現本文。在農業(yè)土壤中的數據集的數據挖掘是一個比較新的研究領域。有效的技術可開發(fā)和專為解決在使用數據挖掘復雜的土壤數據集。關鍵詞：數據挖掘，模式識別，土壤數據挖掘一、引言這個數據挖掘的軟件應用包括各種已經開發(fā)了商業(yè)方法和研究中心。這些技術已被用于工業(yè)，商業(yè)和科學用途。例如，數據挖掘技術已經被用來分析大數據集和建立有用的分類和模式的數據集。農業(yè)和生物研究的研究中使用的各種數據分析的技術，包括，天然樹，統(tǒng)計機器學習和其它分析方法。本文研究的，如果新的數據挖掘可以建立技術將改善的有效性和準確性大型數據集的土壤分類。在特別地，本研究工作的目的是比較數據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。使用標準的統(tǒng)計分析技術是既費時又昂貴。如果可以發(fā)現替代的技術，以改善這個過程中，在土壤中的分類的改進可能結果。農業(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％總的國內生產總值。隨著城市化進程加快，這將是糧食生產的挑戰(zhàn)越來越多的人用更少的土地和水。農業(yè)或養(yǎng)殖是任何國家的脊梁經濟性，因為大量人口生活在農村地區(qū)，是直接或間接依賴農業(yè)為生。來自農業(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，農藥，勞動力等多數農民通過提高資本要求犧牲其他必要的支出，而當它是仍然不足，他們求助于信貸從銀行等渠道和民間金融機構。

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，過度和過早應用這兩種化肥和農藥;摻假的種子和農藥等，然后他推入嚴重危機造成了嚴重的壓力。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，大多數農民無法獲得良好的收益。土壤性質的知識大多來源于土壤調查努力。土壤調查，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。對于土壤調查主要數據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據集世界土壤信息-ISRIC（國際土壤參考和信息中心）。在ISRIC-WISE3.1版土壤的排放數據庫（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據。從而主土壤數據和任何二級數據導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）數據庫通過土壤傳說中的代碼。WISE3是關系數據庫，使用編譯MS-ACCESS。它可以處理數據：（一）土壤分類;（二）土天邊的數據;（三）數據的來源;和用于方法確定分析數據。在WISE3檔案數據來源于來自260多個不同的來源，模擬和數字。的型材大約有40％是從輔助提取數據集，包括各種土壤和地形數據庫和FAO土壤數據庫，持有多種來源的數據整理。WISE3持有選定的屬性數據10253個土壤剖面，有些47800個視野，來自149個國家。在未來，這些數據集與各種數據挖掘的分析技術可能產生的成果有助于研究人員。二、材料和方法在數據挖掘的技術迅速增長是由于（ⅰ）大型存儲設備的成本下降，提高易用性采集的數據通過網絡，（二）穩(wěn)健發(fā)展，高效的機器學習算法來處理這些數據，并（三）計算能力的成本下降，從而利用密集計算的方法對數據進行分析。數據挖掘僅僅代表一組從原始數據中提取模式目的的特定的方法和算法。

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

此外，成功的超常規(guī)發(fā)展硬件技術使得存儲的大容量硬盤的出現，事實上許多挑戰(zhàn)的出現問題在操作數據的巨大的量。當然，這里最重要的方面是對快速增長互聯(lián)網。DM過程的核心在于應用方法和為了算法發(fā)現和提取模式存儲的數據，但在此之前的步驟的數據必須進行預處理。眾所周知，簡單的使用DM算法無法產生了良好的效果。因此，發(fā)現的整個過程在原始數據有用的知識包括順序應用以下步驟：在應用領域，創(chuàng)造一個目標數據集的基礎上通過集中的一個子集選擇數據的一種智能的方式變量或數據樣本，數據清洗和預處理，數據縮減和投影，選擇數據挖掘任務，選擇的數據挖掘算法，數據挖掘步驟，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。在DM包含許多研究領域，如機器學習，數據，數據庫，統(tǒng)計模式識別，人工智能，數據采集專家系統(tǒng)和數據可視化。

這里最重要的目標是從數據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據的高級數據。數據挖掘涉及到裝修款或確定從模式的觀測數據。擬合模型發(fā)揮作用推斷的知識。

通常情況下，一個數據挖掘算法構成以下三種組件。(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，神經網絡）。模型包含的是從該數據確定參數。(選擇標準：一個基礎的偏好一個模型或一組對另一參數，取決于給定的數據。(搜索算法：一個規(guī)范算法尋找特定的模式，參數，給出的數據，模型（s）和一個優(yōu)先標準。一個特定的數據挖掘算法通常是為實例模型/偏好/搜索組件。在當前的數據挖掘比較常見的模式功能做法包括：1、分類：分類一數據項到幾個預定義分類。2、回歸：一個數據項映射到實值的預測變量。3、聚類：映射一個數據項分成幾個集群之一，其中，集群是數據項的自然分組基于相似性指標或概率密度模型。4、規(guī)則產生：提取從數據分類規(guī)則。5、關聯(lián)規(guī)則挖掘：描述了在不同的關聯(lián)關系屬性。6、聚合：提供一緊湊描述為數據的子集。7、依靠建模：介紹顯著變量之間的相關性。8、序列分析：連續(xù)模式模式，如時間序列分析。

我們的目標是模型的過程中產生的狀態(tài)序列或提取和報告偏差和趨勢隨著時間的推移。雖然，有很多技術在數據可用，如人工神經網絡，K近鄰，K指的做法。人工神經網絡：人工神經網絡（ANN）的靈感來自于人腦的研究體系，人工神經網絡（ANN）網絡中每個節(jié)點代表一個神經元，每個鏈接表示方式兩個神經元相互作用。每個神經元執(zhí)行非常簡單的任務，而該網絡的代表其所有的神經元的工作是能夠執(zhí)行更復雜的任務。神經網絡是一個相互聯(lián)系的一套輸入/輸出單元，其中每個連接的重與之相關聯(lián)。該網絡通過學習微調權重，以便能夠預測輸入樣本的呼叫標簽在測試階段。人工神經網絡是一個新的在洪水預報中使用的技術。ANN的優(yōu)點在造型的降雨量方法和流失的關系在傳統(tǒng)技術洪水預報。神經網絡具有比在常規(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)，神經網絡方法成功地提前一周預測了病蟲害發(fā)生率攻。提前一周函數提供由一種替代從更容易獲得的土壤估計土壤參數數據。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網絡。多元線性回歸和神經網絡模型（前饋回來傳播網絡）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)現控制生長，IEEE交易神經網絡，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土壤水分數據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)現在關系數據庫中模糊規(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，神經網絡的IEEE交易，第一卷。

9，第1203至16年，1998。[7]博斯克P.，PivertO.和UghettoL.，數據庫挖掘發(fā)現擴展函數依賴，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)則從以前的土壤調查。

澳大利亞熱帶亞熱帶植物學報，37：495508，1999。[9]塞爾尼五，A熱動力學方法旅行商問題：一個高效的仿真算法。雜志優(yōu)化理論與應用，45：41-51，1985。[10]蔣DA，周LR，王YF，挖掘時間序列數據進行模糊語言總結制度，“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.，空間數據挖掘增強土壤地圖建模。

在國際的訴訟。地理信息科學學院，2002年。[12]西謝爾斯基V和PalstraG，使用了混合神經/專家系統(tǒng)數據庫挖掘市場調查數據顯示，在PROC。

第二屆國際會議知識發(fā)現和數據挖掘（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]哥斯達黎加A.和英雄AO測地線熵圖的尺寸和熵估計流形習。在IEEE的訴訟交易信號處理，音量52，2210至21年的網頁，2004年。[15]哥斯達黎加JA和英雄AO，III。分類約束降維。在IEEE國際會議聲學語音和信號處理，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)新應用農業(yè)利用數據挖掘，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，學習和自然算法，博士論文中，米蘭理工大學，意大利，1992年。[18]Fayadd，U.，Piatesky-夏皮羅，G.，和史密斯，P，數據挖掘數據庫知識發(fā)現，AAAI新聞/麻省理工學院出版社，麻省理工學院。ISBN0-262-56097-6Fayap，1996年。[19]法耶茲UM，Piatetsky-夏皮羅G，P。史密斯和UthurusamyR.，編輯，進展知識發(fā)現和數據挖掘。

門洛帕克，CA：AAAI/MIT出版社，1996年。[20]喬治R.和R.SRIKANTH，數據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測。

在訴訟計算機科學問題，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.，在關系數據庫中FD分析推斷，數據與知識工程，第一卷。

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

普倫蒂斯廳，1998年。[25]KacprzykJ.和ZadroznyS.，通過對語言的總結數據挖掘數據：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RS，雷迪MN，Aupam瓦瑪和N.Hanumanta饒。

農業(yè)科學家感知對印度農業(yè)：現場情景和愿景。

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

訴訟對神經網絡的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網絡的神經網絡的概念群的發(fā)現數據挖掘，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新系列220（4598）：671-680.Doi：10.1126/science.220.4598.671。ISSN00368075.，19