Análisis de datos agrícolas utilizando técnicas de minería de datos: aplicación de big data

Análisis de datos agrícolas utilizando técnicas de minería de datos: aplicación de big data

Contenido

Análisis de datos agrícolas utilizando técnicas de minería de datos: aplicación de big data        1

Resumen        1

Antecedentes        1

Encuesta literaria        2

Métodos        3

Enfoque modificado de DBSCAN        4

Determinación de Eps y Minpts        5

Partición alrededor de medoides (PAM)        5

CLARA (agrupación de grandes aplicaciones)        6

Regresión lineal múltiple para pronosticar el rendimiento del cultivo.        7

Métodos de evaluación        8

Resultados experimentales        8

Enfoque modificado de DBSCAN        8

PAM        11

CLARA        12

Regresión lineal múltiple        13

Resultados para temperatura óptima y lluvia para trigo — Tabla  5        14

Comparación de métodos de agrupamiento        15

Discusión        16

Conclusión        17

Resumen

En el sector agrícola, donde los agricultores y los agronegocios tienen que tomar innumerables decisiones todos los días y las complejidades complejas implican los diversos factores que los influyen. Una cuestión esencial para la intención de la planificación agrícola es la estimación precisa del rendimiento de los numerosos cultivos involucrados en la planificación. Las técnicas de minería de datos son un enfoque necesario para lograr soluciones prácticas y efectivas para este problema. La agricultura ha sido un objetivo obvio para los grandes datos. Las condiciones ambientales, la variabilidad en el suelo, los niveles de insumos, las combinaciones y los precios de los productos básicos han hecho que sea aún más relevante para los agricultores usar la información y obtener ayuda para tomar decisiones agrícolas críticas. Este artículo se enfoca en el análisis de los datos agrícolas y en la búsqueda de parámetros óptimos para maximizar la producción de cultivos utilizando técnicas de minería de datos como PAM, CLARA, DBSCAN y Regresión lineal múltiple. Extraer la gran cantidad de datos existentes sobre cultivos, suelos y clima, y ​​analizar nuevos datos no experimentales optimiza la producción y hace que la agricultura sea más resistente al cambio climático.

Antecedentes

Hoy, India ocupa el segundo lugar mundial en la producción agrícola. La agricultura es demográficamente el sector económico más amplio y juega un papel importante en el tejido socioeconómico general de la India. La agricultura es una producción única de cultivos comerciales que depende de muchos factores climáticos y económicos. Algunos de los factores de los que depende la agricultura son el suelo, el clima, el cultivo, el riego, los fertilizantes, la temperatura, la lluvia, la cosecha, las malezas de pesticidas y otros factores. La información histórica del rendimiento de los cultivos también es importante para la operación de la cadena de suministro de las empresas dedicadas a las industrias. Estas industrias utilizan productos agrícolas como materia prima, ganado, alimentos, piensos, productos químicos, aves de corral, fertilizantes, pesticidas, semillas y papel. Una estimación precisa de la producción y el riesgo de los cultivos ayuda a estas empresas a planificar la decisión de la cadena de suministro, como la programación de la producción. Negocios como las industrias de semillas, fertilizantes, agroquímicos y maquinaria agrícola planifican actividades de producción y comercialización basadas en estimaciones de producción de cultivos [1 , 2 ]. Hay 2 factores que son útiles para los agricultores y el gobierno en la toma de decisiones, a saber:

1. a.

Ayuda a los agricultores a proporcionar el registro histórico del rendimiento de los cultivos con un pronóstico que reduce la gestión de riesgos.

1. si.

Ayuda al gobierno a elaborar políticas de seguro de cultivos y políticas para la operación de la cadena de suministro.

La técnica de minería de datos juega un papel vital en el análisis de datos. La minería de datos es el proceso informático de descubrir patrones en grandes conjuntos de datos que involucran métodos en la intersección de la inteligencia artificial, el aprendizaje automático, las estadísticas y el sistema de base de datos. Sin supervisión (agrupamiento) y supervisado (clasificaciones) son dos tipos diferentes de métodos de aprendizaje en la minería de datos. La agrupación es el proceso de examinar una colección de "puntos de datos" y agrupar los puntos de datos en "grupos" de acuerdo con alguna medida de distancia. El objetivo es que los puntos de datos en el mismo grupo tengan una pequeña distancia el uno del otro, mientras que los puntos de datos en diferentes grupos están a una gran distancia el uno del otro. El análisis de conglomerados divide los datos en grupos bien formados. Los grupos bien formados deberían capturar la estructura "natural" de los datos [3 ] Este documento se centra en los métodos de agrupación PAM, CLARA y DBSCAN. Estos métodos se utilizan para clasificar los diferentes distritos de Karnataka que tienen una producción de cultivos similar.

Encuesta literaria

La agrupación se considera un proceso de clasificación no supervisado [ 4 ]. Se ha desarrollado una gran cantidad de algoritmos de agrupamiento para diferentes propósitos [ 4 , 5 , 6 ]. Las técnicas de agrupación pueden clasificarse en agrupación de particionamiento, agrupación jerárquica, métodos basados ​​en densidad, métodos basados ​​en cuadrícula y métodos de agrupación basados ​​en modelos.

Los algoritmos de agrupamiento en particiones, como K-means, K-medoids PAM, CLARA y CLARANS asignan objetos en k (número de clúster predefinido), y reasignan objetos de forma iterativa para mejorar la calidad de los resultados de agrupación. Los algoritmos de agrupamiento jerárquico asignan objetos en grupos estructurados en árbol, es decir, un grupo puede tener representantes de puntos de datos de grupos de bajo nivel [ 7 ]. La idea de los métodos de agrupamiento basados ​​en la densidad es que para cada punto de un grupo el vecindario de una unidad de distancia dada contiene al menos un número mínimo de puntos, es decir, la densidad en el vecindario debe alcanzar algún umbral. La idea del algoritmo de agrupamiento basado en la densidad es que, para cada punto de un grupo, la vecindad de una distancia unitaria dada debe contener al menos un número mínimo de puntos [8 ].

...