摘要 我国传统的农药和化肥施放主要依靠作业人员的经验进行，施放效率低，农药利用率低，造成了农药和化肥的浪费，给生态环境带来了一定的影响。农药和化肥的不合理利用会对农作物的生长
我国传统的农药和化肥施放主要依靠作业人员的经验进行，施放效率低，农药利用率低，造成了农药和化肥的浪费，给生态环境带来了一定的影响。农药和化肥的不合理利用会对农作物的生长产生一定的制约，严重时会对消费者的健康造成威胁，因此对农药和化肥的合理利用、对土壤肥力的准确监控越来越引起诸多学者的关注。随着科学技术的发展，很多学者将神经网络算法、模糊理论及专家系统等先进理论应用于土壤肥力监测和评价系统中，对土壤肥力的状态和信息有了一定的掌握。各种智能算法和先进理论解决了土壤肥力评价指标的优化问题，但是对土壤肥力评价系统的数据来源、数据实时性和数据可用性无法精准掌握，导致各类智能算法在土壤肥力评价系统中实时性和准确性不高，对土壤肥力评价的指导性不强。为此，笔者深入研究数据挖掘技术，通过比较其中的关联规则法、聚类分析法和人工神经网络法等不同算法，选用关联规则法完成对所选研究区域土壤肥力状况的分析，绘制了土壤肥力的空间变异图，实现了对土壤肥力监测的可视化，并应用关联规则法得到土壤肥力和农作物产量的关联关系，对指导农业生产作业、提高农业生产效益具有重要的借鉴意义。
1数据挖掘概述
数据挖掘是一个信息探索的过程，是从大量的随机数据中提取有用的潜在信息和数据，并转换为可以理解的数据。此类随机数据多为不完全数据，并伴随有噪音、干扰信号等随机信息。数据挖掘的对象既包括数据库，还可以包含各类文本、视频、图像和Web数据等，解决了传统数据库无法预测未来发展趋势的难题。数据挖掘的分析方法较多，主要包括决策树、聚类分析法、关联规则法、人工神经网络法和时序算法。具体功能如下:1)数据总结。运用统计分析法(求平均值、加权处理、直方图)对数据源信息进行统计分析，便于数据分类。2)数据分类。利用分类函数将待数据挖掘的数据按不同类型、不同标识进行分类。3)聚类。将数据库信息按集群进行划分，利用聚类分析法找出集群中特性相似的集群进行区分。4)关联分析。通过关联规则法计算分析数据库中同一事件的不同项的关联性，根据关联性预测结果。5)预测。根据数据挖掘的结果对研究对象的发展规律进行预测，分析后续变化趋势。
2研究区域概况
选取的研究区域为吉林省农安县开安镇，坐标东经121°10'、北纬44°10'，大陆性季风气候，地下水源丰富，年平均降水量535㎜，为国家农业示范基地。
2.1土壤图设计通过查阅资料、查找相关部门网站信息，得到第2次土壤普查图(比例1:5)。以此为基础，完成该研究区域土壤矢量图的绘制，如图1所示。
2.2土壤状态分析
由图1可知，农安县土壤的类型较多。按土壤的类型和状态可将农安县土壤进行分类，如表1所示。
2.3土壤状态采样
将农安县土壤矢量图和土壤状态等数据进行分析处理，构建土壤状态数据库，重点监测土壤养分值和采样点的经纬度。土壤养分值主要包括3个指标，即碱解氮、有效磷和速效钾。农安县土壤状态采样数据如表2所示。
3土壤肥力分布变化
通过对不同采样点的土壤肥力状态的监测，完成了对土壤不同养分碱解氮、有效磷和速效钾的含量分析和研究，得到土壤中碱解氮、有效磷和速效钾的空间分布图，如图2、图3所示。为确保数据的可靠性，对不同年份的土壤养分值进行汇总和分析，最后得到连续2年的碱解氮和速效钾的空间分布变化图。由图2和图3可知:土壤碱解氮含量呈下降趋势。其中，第1年最小值为108mg/kg，最大值为216mg/kg，差值为108mg/kg;第2年最小值为86mg/kg，最大值为173mg/kg，差值为87mg/kg。这表明，经过连续2年的精准施肥后，土壤肥力的差异逐渐变小。
4数据挖掘分析
4.1关联规则算法
应用关联规则算法进行数据挖掘时，主要解决两个问题，即频繁项集和关联规则。关联规则算法的作业步骤为:①挖掘频繁项集;②生成关联规则。关联规则的频繁项集与支持度相关，即数据库中支持度大于规定支持度的项目。关联规则与支持度和可信度相关，即支持度和可信度均大于规定支持度和可信度的关联规则。支持度sup的计算公式为sup(A=>B)=sup(a∪b)={T|T∈Dand(a∪b)}D其中:支持度sup表示事件A和事件B同时出现的概率。可信度conf的计算公式为conf(a=>b)=sup(a∪b)sup(a)其中，可信度conf表示条件概率。提升度lift的计算公式为lift=P(B|A)P(B)其中:提升度lift表示事件A对事件B的提升度。lift=1，说明事件A与事件B没有关联;lift>1，说明事件A与事件B相关联，且关联规则较好，关联性好;lift<1，说明事件A与事件B相排斥，得到的关联规则没有意义，关联性差。
4.2关联规则分析
关联规则算法是基于数据挖掘工具Weka软件完成的。通过对采样数据的分析计算，并将数据导入Weka软件中，建立新的数据源，利用软件自带的算法库，筛选频繁项集，根据专家经验将数据分为6组，进行土壤肥力和农作物产量的关联规则计算，得到土壤肥力和产量数据的等级分类，如表3所示。由表3可知:根据专家经验，土壤养分值划分为6个等级，农作物产量划分为3个等级。根据关联规则，计算分析土壤肥力与农作物产量之间的关联性。
4.3关联结果
运行Weka软件，选取Apriori算法，设定支持度sup范围为10%～100%，提升度lift大于1.0，计算关联规则，得到关联规则结果，如图4所示。由图4可知:当速效磷等级为D时，农作物产量为A的概率为95%;当速效钾为等级D的时候，农作物产量为A的概率为63%;当速效钾等级为E时，农作物产量为B的概率为46%;当农作物产量为A时，速效磷等级为D的概率为38%;当速效磷等级为D时，农作物产量为C的概率为45%。
5结论
为解决传统土壤肥力监测不及时、肥力评价不准确等问题，深入分析了数据挖掘技术，对数据挖掘的主要算法和功能进行分析，完成了研究区域的土壤图绘制和土壤状态分析。同时，对不同采样点的土壤肥力和经纬度进行监测，完成了土壤不同养分碱解氮、有效磷和速效钾的空间分布变化趋势的分析。应用关联规则算法，利用数据挖掘工具Weka，完成土壤肥力与产量的等级分类，得到土壤肥力与农作物产量的关联关系。结果表明:智能数据挖掘技术在土壤肥力评价系统中发挥了重要作用，既可以对土壤肥力的空间分布进行准确监测，又能够对农作物产量进行准确预测，在提高农药和化肥利用率的同时减小对生态环境的危害，对提高农业生产质量具有显著效果。
《智能数据挖掘技术在土壤肥力评价中的应用》来源：《农机化研究》，作者:徐霖
转载请注明来自：http://www.lunwenhr.com/hrlwfw/hrnylw/17839.html