调查数据挖掘和模式识别技术对土壤数据挖掘

调查数据挖掘和模式识别技术对土壤数据挖掘摘要：数据挖掘已经成为主要的研究方向之一域，在近数十年来，以提取隐含的和有用的数据。这种知识可以被人类轻松认知。最初，这方面的知识提取和计算评估采用手工统计技术。随后，半自动数据挖掘技术的出现，因为进步的技术。这样的进步也是在形式存储从而提高分析的需求。在这样的情况下，半自动化的技术已成为低效率的。因此，自动化的数据挖掘技术引入到合成知识有效。数据现有文献的调查挖掘和模式识别土壤数据挖掘呈现本文。在农业土壤中的数据集的数据挖掘是一个比较新的研究领域。有效的技术可开发和专为解决在使用数据挖掘复杂的土壤数据集。关键词：数据挖掘，模式识别，土壤数据挖掘一、引言这个数据挖掘的软件应用包括各种已经开发了商业方法和研究中心。这些技术已被用于工业，商业和科学用途。例如，数据挖掘技术已经被用来分析大数据集和建立有用的分类和模式的数据集。农业和生物研究的研究中使用的各种数据分析的技术，包括，天然树，统计机器学习和其它分析方法。本文研究的，如果新的数据挖掘可以建立技术将改善的有效性和准确性大型数据集的土壤分类。在特别地，本研究工作的目的是比较数据的性能在土壤局限性和土壤条件挖掘算法方面的以下特点：酸度，碱度与钠含量，盐分，低阳离子交换容量，磷的固定，有开裂和溶胀性能，深度，土壤密度和营养素含量。使用标准的统计分析技术是既费时又昂贵。如果可以发现替代的技术，以改善这个过程中，在土壤中的分类的改进可能结果。农业是每个国家都以其核心竞争力。但是在印度然而，它只占17％总的国内生产总值。随着城市化进程加快，这将是粮食生产的挑战越来越多的人用更少的土地和水。农业或养殖是任何国家的脊梁经济性，因为大量人口生活在农村地区，是直接或间接依赖农业为生。来自农业收入形成了养殖的主要来源社区。

作物收割的基本要求是水资源和资金购买种子，化肥，农药，劳动力等多数农民通过提高资本要求牺牲其他必要的支出，而当它是仍然不足，他们求助于信贷从银行等渠道和民间金融机构。

在这种情况下，该还款取决于作物的成功。

如果作物由于多种因素失败即使一次时，如不良的天气、土壤类型不好，过度和过早应用这两种化肥和农药;掺假的种子和农药等，然后他推入严重危机造成了严重的压力。此外，该植物生长取决于多种因素，如土壤类型、作物类型和天气。由于缺乏植物生长信息和专家建议，大多数农民无法获得良好的收益。土壤性质的知识大多来源于土壤调查努力。土壤调查，或土壤制图，是确定土壤类型或土壤覆盖的其他属性在一个过程，并将其映射为他人理解并使用。对于土壤调查主要数据通过实地采集采样和遥感支持。利用从收集的这项研究工作的测试数据集世界土壤信息-ISRIC（国际土壤参考和信息中心）。在ISRIC-WISE3.1版土壤的排放数据库（WISE3世库存势）是从一个大范围的土壤剖面并且遵从许多专业人士从世界各地收集到的数据。从而主土壤数据和任何二级数据导出他们可以利用地理信息系统的空间单位挂钩世界土壤图以及更近的土壤和地形（SOTER）数据库通过土壤传说中的代码。WISE3是关系数据库，使用编译MS-ACCESS。它可以处理数据：（一）土壤分类;（二）土天边的数据;（三）数据的来源;和用于方法确定分析数据。在WISE3档案数据来源于来自260多个不同的来源，模拟和数字。的型材大约有40％是从辅助提取数据集，包括各种土壤和地形数据库和FAO土壤数据库，持有多种来源的数据整理。WISE3持有选定的属性数据10253个土壤剖面，有些47800个视野，来自149个国家。在未来，这些数据集与各种数据挖掘的分析技术可能产生的成果有助于研究人员。二、材料和方法在数据挖掘的技术迅速增长是由于（ⅰ）大型存储设备的成本下降，提高易用性采集的数据通过网络，（二）稳健发展，高效的机器学习算法来处理这些数据，并（三）计算能力的成本下降，从而利用密集计算的方法对数据进行分析。数据挖掘仅仅代表一组从原始数据中提取模式目的的特定的方法和算法。

在DM过程已经发展由于巨大必须被处理的区域更容易，如数据的量：商业，医疗行业，天文学，遗传学。

此外，成功的超常规发展硬件技术使得存储的大容量硬盘的出现，事实上许多挑战的出现问题在操作数据的巨大的量。当然，这里最重要的方面是对快速增长互联网。DM过程的核心在于应用方法和为了算法发现和提取模式存储的数据，但在此之前的步骤的数据必须进行预处理。众所周知，简单的使用DM算法无法产生了良好的效果。因此，发现的整个过程在原始数据有用的知识包括顺序应用以下步骤：在应用领域，创造一个目标数据集的基础上通过集中的一个子集选择数据的一种智能的方式变量或数据样本，数据清洗和预处理，数据缩减和投影，选择数据挖掘任务，选择的数据挖掘算法，数据挖掘步骤，解释挖掘模式与可能返回的任何一个前面的步骤和巩固知识的发现。在DM包含许多研究领域，如机器学习，数据，数据库，统计模式识别，人工智能，数据采集专家系统和数据可视化。

这里最重要的目标是从数据和模式中提取带来有用的知识成可以理解的形式。这是建议获得的信息是浅显的，以解释的使用的容易性。

整个过程的目的是获得从低级别的数据的高级数据。数据挖掘涉及到装修款或确定从模式的观测数据。拟合模型发挥作用推断的知识。

通常情况下，一个数据挖掘算法构成以下三种组件。(模型：该模型的功能（例如，分类，聚类）和它的代表性形式（如线性判别，神经网络）。模型包含的是从该数据确定参数。(选择标准：一个基础的偏好一个模型或一组对另一参数，取决于给定的数据。(搜索算法：一个规范算法寻找特定的模式，参数，给出的数据，模型（s）和一个优先标准。一个特定的数据挖掘算法通常是为实例模型/偏好/搜索组件。在当前的数据挖掘比较常见的模式功能做法包括：1、分类：分类一数据项到几个预定义分类。2、回归：一个数据项映射到实值的预测变量。3、聚类：映射一个数据项分成几个集群之一，其中，集群是数据项的自然分组基于相似性指标或概率密度模型。4、规则产生：提取从数据分类规则。5、关联规则挖掘：描述了在不同的关联关系属性。6、聚合：提供一紧凑描述为数据的子集。7、依靠建模：介绍显著变量之间的相关性。8、序列分析：连续模式模式，如时间序列分析。

我们的目标是模型的过程中产生的状态序列或提取和报告偏差和趋势随着时间的推移。虽然，有很多技术在数据可用，如人工神经网络，K近邻，K指的做法。人工神经网络：人工神经网络（ANN）的灵感来自于人脑的研究体系，人工神经网络（ANN）网络中每个节点代表一个神经元，每个链接表示方式两个神经元相互作用。每个神经元执行非常简单的任务，而该网络的代表其所有的神经元的工作是能够执行更复杂的任务。神经网络是一个相互联系的一套输入/输出单元，其中每个连接的重与之相关联。该网络通过学习微调权重，以便能够预测输入样本的呼叫标签在测试阶段。人工神经网络是一个新的在洪水预报中使用的技术。ANN的优点在造型的降雨量方法和流失的关系在传统技术洪水预报。神经网络具有比在常规方法的几个优点计算。有更多的时间用于获取任何问题解决方案，ANN是非常适合的状态，神经网络方法成功地提前一周预测了病虫害发生率攻。提前一周函数提供由一种替代从更容易获得的土壤估计土壤参数数据。所使用的两种常见的方法来开发的PTF是多线性回归方法和神经网络。多元线性回归和神经网络模型（前馈回来传播网络）被雇用开发此特区），第207-216，1993年5月。[3]AlahakoonD.，HalgamugeSK和斯里尼瓦桑B，动态的自我组织图与知识发现控制生长，IEEE交易神经网络，卷。

11，第601-614，2000。[4]阿尼什C.Turlapaty，情人节Anantharaj，尼古拉斯·H.尤南，空间-对AMSR-E土壤水分数据使用时间一致性分析基于小波变换的特征提取和一类SVM，在年会马里兰州巴尔的摩市，三月9-诉讼13，2009。[5]金WH和陈KCC，一个有效的算法发现在关系数据库中模糊规则，在诉讼IEEE国际会议模糊系统FUZZIEEE98，（阿拉斯加州），第1314至1319年，1998年5月。[6]班纳吉男，米特拉S，和好朋友SK，粗糙模糊MLP：知识编码和分类，神经网络的IEEE交易，第一卷。

9，第1203至16年，1998。[7]博斯克P.，PivertO.和UghettoL.，数据库挖掘发现扩展函数依赖，在NAFIPS99论文集，（美国纽约），第580-584，1999年6月。[8]裴EN，LoughheadA.后起之秀-[R...提取土壤景观规则从以前的土壤调查。

澳大利亚热带亚热带植物学报，37：495508，1999。[9]塞尔尼五，A热动力学方法旅行商问题：一个高效的仿真算法。杂志优化理论与应用，45：41-51，1985。[10]蒋DA，周LR，王YF，挖掘时间序列数据进行模糊语言总结制度，“模糊集和系统，卷。

112，第419-432，2000。[11]克里斯托弗·J·莫兰和Elsabeth裴N.，空间数据挖掘增强土壤地图建模。

在国际的诉讼。地理信息科学学院，2002年。[12]西谢尔斯基V和PalstraG，使用了混合神经/专家系统数据库挖掘市场调查数据显示，在PROC。

第二届国际会议知识发现和数据挖掘（KDD-96），波特兰，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，分布式通过优化蚁群，actes德拉首映发布会欧元通心粉河畔拉争夺artificielle，法国巴黎，爱思唯尔出版，134-142，1991。[14]哥斯达黎加A.和英雄AO测地线熵图的尺寸和熵估计流形习。在IEEE的诉讼交易信号处理，音量52，2210至21年的网页，2004年。[15]哥斯达黎加JA和英雄AO，III。分类约束降维。在IEEE国际会议声学语音和信号处理，5卷，1077-1080页，2005年3月。[16]坎宁安S.J和福尔摩斯G.在开发创新应用农业利用数据挖掘，在东南亚的诉讼地区计算机联合会会议，1999年[17]多里戈M.，优化，学习和自然算法，博士论文中，米兰理工大学，意大利，1992年。[18]Fayadd，U.，Piatesky-夏皮罗，G.，和史密斯，P，数据挖掘数据库知识发现，AAAI新闻/麻省理工学院出版社，麻省理工学院。ISBN0-262-56097-6Fayap，1996年。[19]法耶兹UM，Piatetsky-夏皮罗G，P。史密斯和UthurusamyR.，编辑，进展知识发现和数据挖掘。

门洛帕克，CA：AAAI/MIT出版社，1996年。[20]乔治R.和R.SRIKANTH，数据汇总使用基因算法和模糊逻辑，遗传算法和软计算（F.Herrera和JLVerdegay，编），第599-611，海德堡：施普林格出版社，1996年。[21]格斯勒PE，穆尔D.，麦肯齐新泽西州和RyanP...土壤景观建模和土壤属性的空间预测。

在诉讼计算机科学问题，卷IJCSI国际期刊。8，第3期，1号，2011年5月ISSN（在线）：1694-0814地理信息系统的国际杂志，第9卷，421-432页1995年，。[22]海尔J.和ShenoiS.，在关系数据库中FD分析推断，数据与知识工程，第一卷。

18，第167-183，1996。[23]胡X.和塞尔康N.，从数据库中挖掘知识规则：一个粗糙集方法，在12论文集日国际会议在数据工程，（华盛顿），第96-105，IEEE计算机社会，1996年2月。[24]耆那教的AK和DubesRC，聚类算法的数据。

普伦蒂斯厅，1998年。[25]KacprzykJ.和ZadroznyS.，通过对语言的总结数据挖掘数据：互动的方式，在饭冢98，（福冈诉讼，日本），页668-671，1998年10月。[26]KatyalJC，帕罗达RS，雷迪MN，Aupam瓦玛和N.Hanumanta饶。

农业科学家感知对印度农业：现场情景和愿景。

国家科学院农业科学，2000。[27]肯尼迪，J.，埃伯哈特，R.，“粒子群算法”。

诉讼对神经网络的IEEE国际会议。

IV。

第1942-1948年，1995年。[28]剑H.和福D.，用粗糙的遗传和Kohonen网络的神经网络的概念群的发现数据挖掘，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，维奇MP通过优化模拟退火。科学新系列220（4598）：671-680.Doi：10.1126/science.220.4598.671。ISSN00368075.，19