土壤肥力狀況直接影響農(nóng)作物的產(chǎn)量，傳統(tǒng)的農(nóng)業(yè)生產(chǎn)自動化水平低，化肥和農(nóng)藥的施放無法做到精確把控，同時缺乏對土壤肥力的實時在線監(jiān)測和評價，不利于農(nóng)作物的生長，嚴(yán)重時會給農(nóng)田和生態(tài)環(huán)境帶來較大的污染，影響農(nóng)作物的生產(chǎn)質(zhì)量和產(chǎn)量，對人類和牲畜的人身安全構(gòu)成了較大威脅。為此，深入研究分析了數(shù)據(jù)挖掘技術(shù)，并將其應(yīng)用在土壤肥力評價系統(tǒng)中，針對具體的研究區(qū)域進行土壤圖設(shè)計和土壤狀態(tài)分析，建立了土壤肥力采樣數(shù)據(jù)庫，并利用數(shù)據(jù)挖掘技術(shù)中的關(guān)聯(lián)規(guī)則算法對土壤肥力和農(nóng)作物產(chǎn)量進行等級分類，計算分析得到土壤肥力與農(nóng)作物產(chǎn)量之間的關(guān)聯(lián)關(guān)系。結(jié)果表明:智能數(shù)據(jù)挖掘技術(shù)在土壤肥力評價系統(tǒng)中發(fā)揮了重要作用，在對土壤肥力進行準(zhǔn)確監(jiān)控的同時能夠準(zhǔn)確評價土壤肥力與農(nóng)作物產(chǎn)量之間的相關(guān)程度，對指導(dǎo)農(nóng)業(yè)生產(chǎn)、提高農(nóng)作物生產(chǎn)質(zhì)量和產(chǎn)量具有重要意義。

　　關(guān)鍵詞土壤肥力評價;數(shù)據(jù)挖掘;數(shù)據(jù)庫;關(guān)聯(lián)規(guī)則算法

　　0引言

　　我國傳統(tǒng)的農(nóng)藥和化肥施放主要依靠作業(yè)人員的經(jīng)驗進行，施放效率低，農(nóng)藥利用率低，造成了農(nóng)藥和化肥的浪費，給生態(tài)環(huán)境帶來了一定的影響。農(nóng)藥和化肥的不合理利用會對農(nóng)作物的生長產(chǎn)生一定的制約，嚴(yán)重時會對消費者的健康造成威脅，因此對農(nóng)藥和化肥的合理利用、對土壤肥力的準(zhǔn)確監(jiān)控越來越引起諸多學(xué)者的關(guān)注。隨著科學(xué)技術(shù)的發(fā)展，很多學(xué)者將神經(jīng)網(wǎng)絡(luò)算法、模糊理論及專家系統(tǒng)等先進理論應(yīng)用于土壤肥力監(jiān)測和評價系統(tǒng)中，對土壤肥力的狀態(tài)和信息有了一定的掌握。

　　各種智能算法和先進理論解決了土壤肥力評價指標(biāo)的優(yōu)化問題，但是對土壤肥力評價系統(tǒng)的數(shù)據(jù)來源、數(shù)據(jù)實時性和數(shù)據(jù)可用性無法精準(zhǔn)掌握，導(dǎo)致各類智能算法在土壤肥力評價系統(tǒng)中實時性和準(zhǔn)確性不高，對土壤肥力評價的指導(dǎo)性不強。

　　為此，筆者深入研究數(shù)據(jù)挖掘技術(shù)，通過比較其中的關(guān)聯(lián)規(guī)則法、聚類分析法和人工神經(jīng)網(wǎng)絡(luò)法等不同算法，選用關(guān)聯(lián)規(guī)則法完成對所選研究區(qū)域土壤肥力狀況的分析，繪制了土壤肥力的空間變異圖，實現(xiàn)了對土壤肥力監(jiān)測的可視化，并應(yīng)用關(guān)聯(lián)規(guī)則法得到土壤肥力和農(nóng)作物產(chǎn)量的關(guān)聯(lián)關(guān)系，對指導(dǎo)農(nóng)業(yè)生產(chǎn)作業(yè)、提高農(nóng)業(yè)生產(chǎn)效益具有重要的借鑒意義。

　　1數(shù)據(jù)挖掘概述

　　數(shù)據(jù)挖掘是一個信息探索的過程，是從大量的隨機數(shù)據(jù)中提取有用的潛在信息和數(shù)據(jù)，并轉(zhuǎn)換為可以理解的數(shù)據(jù)。此類隨機數(shù)據(jù)多為不完全數(shù)據(jù)，并伴隨有噪音、干擾信號等隨機信息。數(shù)據(jù)挖掘的對象既包括數(shù)據(jù)庫，還可以包含各類文本、視頻、圖像和Web數(shù)據(jù)等，解決了傳統(tǒng)數(shù)據(jù)庫無法預(yù)測未來發(fā)展趨勢的難題。數(shù)據(jù)挖掘的分析方法較多，主要包括決策樹、聚類分析法、關(guān)聯(lián)規(guī)則法、人工神經(jīng)網(wǎng)絡(luò)法和時序算法。具體功能如下:

　　1)數(shù)據(jù)總結(jié)。運用統(tǒng)計分析法(求平均值、加權(quán)處理、直方圖)對數(shù)據(jù)源信息進行統(tǒng)計分析，便于數(shù)據(jù)分類。2)數(shù)據(jù)分類。利用分類函數(shù)將待數(shù)據(jù)挖掘的數(shù)據(jù)按不同類型、不同標(biāo)識進行分類。3)聚類。將數(shù)據(jù)庫信息按集群進行劃分，利用聚類分析法找出集群中特性相似的集群進行區(qū)分。4)關(guān)聯(lián)分析。通過關(guān)聯(lián)規(guī)則法計算分析數(shù)據(jù)庫中同一事件的不同項的關(guān)聯(lián)性，根據(jù)關(guān)聯(lián)性預(yù)測結(jié)果。5)預(yù)測。根據(jù)數(shù)據(jù)挖掘的結(jié)果對研究對象的發(fā)展規(guī)律進行預(yù)測，分析后續(xù)變化趨勢。

　　2研究區(qū)域概況

　　選取的研究區(qū)域為吉林省農(nóng)安縣開安鎮(zhèn)，坐標(biāo)東經(jīng)121°10'、北緯44°10'，大陸性季風(fēng)氣候，地下水源豐富，年平均降水量535㎜，為國家農(nóng)業(yè)示范基地。

　　2.1土壤圖設(shè)計

　　通過查閱資料、查找相關(guān)部門網(wǎng)站信息，得到第2次土壤普查圖(比例1:5)。以此為基礎(chǔ)，完成該研究區(qū)域土壤矢量圖的繪制。

　　2.2土壤狀態(tài)分析

　　農(nóng)安縣土壤的類型較多。按土壤的類型和狀態(tài)可將農(nóng)安縣土壤進行分類。

　　2.3土壤狀態(tài)采樣

　　將農(nóng)安縣土壤矢量圖和土壤狀態(tài)等數(shù)據(jù)進行分析處理，構(gòu)建土壤狀態(tài)數(shù)據(jù)庫，重點監(jiān)測土壤養(yǎng)分值和采樣點的經(jīng)緯度。土壤養(yǎng)分值主要包括3個指標(biāo)，即堿解氮、有效磷和速效鉀。農(nóng)安縣土壤狀態(tài)采樣數(shù)據(jù)。

　　3土壤肥力分布變化

　　通過對不同采樣點的土壤肥力狀態(tài)的監(jiān)測，完成了對土壤不同養(yǎng)分堿解氮、有效磷和速效鉀的含量分析和研究，得到土壤中堿解氮、有效磷和速效鉀的空間分布圖。

　　為確保數(shù)據(jù)的可靠性，對不同年份的土壤養(yǎng)分值進行匯總和分析，最后得到連續(xù)2年的堿解氮和速效鉀的空間分布。土壤堿解氮含量呈下降趨勢。其中，第1年最小值為108mg/kg，最大值為216mg/kg，差值為108mg/kg;第2年最小值為86mg/kg，最大值為173mg/kg，差值為87mg/kg。這表明，經(jīng)過連續(xù)2年的精準(zhǔn)施肥后，土壤肥力的差異逐漸變小。

　　4數(shù)據(jù)挖掘分析

　　4.1關(guān)聯(lián)規(guī)則算法

　　應(yīng)用關(guān)聯(lián)規(guī)則算法進行數(shù)據(jù)挖掘時，主要解決兩個問題，即頻繁項集和關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則算法的作業(yè)步驟為:①挖掘頻繁項集;②生成關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則的頻繁項集與支持度相關(guān)，即數(shù)據(jù)庫中支持度大于規(guī)定支持度的項目。關(guān)聯(lián)規(guī)則與支持度和可信度相關(guān)，即支持度和可信度均大于規(guī)定支持度和可信度的關(guān)聯(lián)規(guī)則。

　　4.2關(guān)聯(lián)規(guī)則分析關(guān)聯(lián)規(guī)則算法是基于數(shù)據(jù)挖掘工具Weka軟件完成的。通過對采樣數(shù)據(jù)的分析計算，并將數(shù)據(jù)導(dǎo)入Weka軟件中，建立新的數(shù)據(jù)源，利用軟件自帶的算法庫，篩選頻繁項集，根據(jù)專家經(jīng)驗將數(shù)據(jù)分為6組，進行土壤肥力和農(nóng)作物產(chǎn)量的關(guān)聯(lián)規(guī)則計算，得到土壤肥力和產(chǎn)量數(shù)據(jù)的等級分類。

　　根據(jù)專家經(jīng)驗，土壤養(yǎng)分值劃分為6個等級，農(nóng)作物產(chǎn)量劃分為3個等級。根據(jù)關(guān)聯(lián)規(guī)則，計算分析土壤肥力與農(nóng)作物產(chǎn)量之間的關(guān)聯(lián)性。

　　4.3關(guān)聯(lián)結(jié)果

　　運行Weka軟件，選取Apriori算法，設(shè)定支持度sup范圍為10%～100%，提升度lift大于1.0，計算關(guān)聯(lián)規(guī)則，得到關(guān)聯(lián)規(guī)則結(jié)果。

　　當(dāng)速效磷等級為D時，農(nóng)作物產(chǎn)量為A的概率為95%;當(dāng)速效鉀為等級D的時候，農(nóng)作物產(chǎn)量為A的概率為63%;當(dāng)速效鉀等級為E時，農(nóng)作物產(chǎn)量為B的概率為46%;當(dāng)農(nóng)作物產(chǎn)量為A時，速效磷等級為D的概率為38%;當(dāng)速效磷等級為D時，農(nóng)作物產(chǎn)量為C的概率為45%。

　　5結(jié)論

　　為解決傳統(tǒng)土壤肥力監(jiān)測不及時、肥力評價不準(zhǔn)確等問題，深入分析了數(shù)據(jù)挖掘技術(shù)，對數(shù)據(jù)挖掘的主要算法和功能進行分析，完成了研究區(qū)域的土壤圖繪制和土壤狀態(tài)分析。同時，對不同采樣點的土壤肥力和經(jīng)緯度進行監(jiān)測，完成了土壤不同養(yǎng)分堿解氮、有效磷和速效鉀的空間分布變化趨勢的分析。應(yīng)用關(guān)聯(lián)規(guī)則算法，利用數(shù)據(jù)挖掘工具Weka，完成土壤肥力與產(chǎn)量的等級分類，得到土壤肥力與農(nóng)作物產(chǎn)量的關(guān)聯(lián)關(guān)系。結(jié)果表明:智能數(shù)據(jù)挖掘技術(shù)在土壤肥力評價系統(tǒng)中發(fā)揮了重要作用，既可以對土壤肥力的空間分布進行準(zhǔn)確監(jiān)測，又能夠?qū)�農(nóng)作物產(chǎn)量進行準(zhǔn)確預(yù)測，在提高農(nóng)藥和化肥利用率的同時減小對生態(tài)環(huán)境的危害，對提高農(nóng)業(yè)生產(chǎn)質(zhì)量具有顯著效果。

　　參考文獻

　　[1]宋峰.基于GIS與數(shù)據(jù)挖掘技術(shù)的土壤肥力評價研究[D].長春:吉林農(nóng)業(yè)大學(xué)，2016.

　　[2]張愛國，高鶴，王麗維.數(shù)據(jù)挖掘技術(shù)在現(xiàn)代農(nóng)業(yè)上的應(yīng)用[J].湖北農(nóng)業(yè)科學(xué)，2011，50(21):4531-4533.

　　[3]張瑞菊.空間數(shù)據(jù)挖掘方法及其與GIS集成模式的應(yīng)用研究[D].青島:山東科技大學(xué)，2003.

　　[4]劉獨玉，楊晉浩，鐘守銘.關(guān)聯(lián)規(guī)則挖掘研究綜述[J].成都大學(xué)學(xué)報(自然科學(xué)版)，2006(1):33-36.

　　[5]樊明輝.空間數(shù)據(jù)挖掘及其可視化系統(tǒng)若干關(guān)鍵技術(shù)研究[D].北京:中國科學(xué)院，2006.

　　[6]宋峰，陳桂芳，王國偉.基于GIS和空間數(shù)據(jù)庫技術(shù)的土壤肥力評價研究[J].吉林農(nóng)業(yè)科學(xué)，2014(12):43-46.

　　[7]林浩.基于加權(quán)算法的土壤肥力狀況分析與評價系統(tǒng)的實現(xiàn)[D].長春:吉林農(nóng)業(yè)大學(xué)，2016.

　　[8]陳桂芬，曹麗英，馬麗.數(shù)據(jù)挖掘在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用現(xiàn)狀及發(fā)展趨勢[J].吉林農(nóng)業(yè)大學(xué)學(xué)報，2008(4):621-626.

　　[9]陳桂芬.面向精準(zhǔn)農(nóng)業(yè)的空間數(shù)據(jù)挖掘技術(shù)研究與應(yīng)用[D].長春:吉林大學(xué)，2009.

　　作者：徐霖