Dolování dat v zemědělství - Data mining in agriculture

Dolování dat v zemědělství je velmi nedávné výzkumné téma. Spočívá v aplikaci dolování dat techniky zemědělství. Nejnovější technologie jsou dnes schopny poskytnout mnoho informací o činnostech souvisejících se zemědělstvím, které pak mohou být analyzovány za účelem nalezení důležitých informací.[1] Příbuzný, ale ne rovnocenný termín, je přesné zemědělství.

Aplikace

Vztah mezi postřiky a vadami ovoce

Vady ovoce jsou často zaznamenávány (z mnoha důvodů, někdy z pojistných důvodů při vývozu ovoce do zámoří). To lze provést ručně nebo pomocí počítačového vidění (detekce povrchových vad při třídění ovoce). Sprejové deníky jsou v mnoha zemích zákonnými požadavky a přinejmenším zaznamenávají datum spreje a název produktu. Je známo, že postřik může mít vliv na různé vady ovoce u různých druhů ovoce. Fungicidní spreje se často používají k zabránění vylučování hniloby na ovoci. Je také známo, že některé spreje mohou na jablkách způsobit rzivost.[2] V současné době většina těchto poznatků pochází neoficiálně, nicméně bylo vynaloženo určité úsilí, pokud jde o využití dolování dat v zahradnictví.[3]

Predikce problematických kvašení vína

Víno se široce vyrábí po celém světě. Proces kvašení vína je velmi důležitý, protože může ovlivnit produktivitu vinařských průmyslových odvětví a také kvalitu vína. Pokud lze fermentaci kategorizovat a předvídat v raných fázích procesu, lze ji změnit, aby byla zaručena pravidelná a plynulá fermentace. Fermentace jsou dnes studovány pomocí různých technik, jako je například Algoritmus k-means,[4] a techniku ​​klasifikace založenou na konceptu biclustering.[5] Všimněte si, že tyto práce se liší od těch, kde se provádí klasifikace různých druhů vína. Podívejte se na wiki stránku Klasifikace vína Více podrobností.

Predikce metabolizovatelné energie krmiva pro drůbež pomocí skupinové metody neuronové sítě typu zpracování dat

Skupinová metoda neuronové sítě typu zpracování dat (GMDH -type network) s evoluční metodou genetický algoritmus byl použit k předpovědi metabolizovatelné energie z moučky z peří a drůbežího drobu na základě jejich obsahu bílkovin, tuků a popela. Publikované vzorky dat byly shromážděny z literatury a použity k trénování a GMDH -typ modelu sítě. Nové modelování GMDH síť typu s evoluční metodou genetického algoritmu lze použít k předpovědi metabolizovatelné energie vzorků krmiva pro drůbež na základě jejich chemického obsahu.[6] Uvádí se také, že GMDH - síť typu lze použít k přesnému odhadu užitkovosti drůbeže z jejích dietních živin, jako je dietní metabolizovatelná energie, protein a aminokyseliny.[7]

Detekce nemocí na základě zvuků vydávaných zvířaty

Detekce chorob zvířat v farmy může pozitivně ovlivnit produktivitu farmy, protože nemocná zvířata mohou způsobit kontaminaci. Včasné odhalení nemocí může navíc umožnit farmáři vyléčit zvíře, jakmile se nemoc objeví. Zvuky vydávané uživatelem prasata lze analyzovat na detekci nemocí. Lze studovat zejména jejich kašel, protože svědčí o jejich nemoci. Vyvíjí se výpočetní systém, který je schopen monitorovat zvuky prasat pomocí mikrofonů nainstalovaných na farmě a který je také schopen rozlišovat mezi různými zvuky, které lze detekovat.[8]

Růst ovcí z polymorfismu genů pomocí umělé inteligence

Polymerázová řetězová reakce - polymorfismus konformace jednoho řetězce (PCR -SSCP) metoda byla použita ke stanovení růstový hormon (GH), leptin, calpain, a kalpastatin polymorfismus v íránštině Baluchi mužský ovce. An umělá neuronová síť Model (ANN) byl vyvinut k popisu průměrného denního přírůstku (ADG) u jehňat ze vstupních parametrů polymorfismu GH, leptinu, kalpainu a kalpastatinu, porodní hmotnosti a typu porodu. Výsledky odhalily, že ANN -model je vhodný nástroj pro rozpoznávání vzorců dat pro předpovídání růstu jehňat, pokud jde o polymorfismus konkrétních genů ADG, váha při narození a typ narození. Platforma přístupu PCR-SSCP a ANN modelové analýzy založené na modelu mohou být použity v molekulárních se značkou výběr a chov programy pro návrh systému zvyšování účinnosti ovce Výroba.[9]

Třídění jablek podle vodních jader

Před uvedením na trh jablka jsou zkontrolovány a ty, které vykazují určité vady, jsou odstraněny. Existují však také neviditelné vady, které mohou zkazit chuť a vzhled jablka. Příkladem neviditelné vady je vodní skóre. Jedná se o vnitřní poruchu jablek, která může ovlivnit životnost ovoce. Jablka s mírným nebo mírným vodním jádrem jsou sladší, ale jablka se středním až silným stupněm vodního jádra nelze delší dobu skladovat. Několik plodů se silným vodním jádrem by navíc mohlo pokazit celou dávku jablek. Z tohoto důvodu probíhá výpočetní systém, který trvá rentgen fotografie ovoce, zatímco běží dopravní pásy, a který je také schopen analyzovat (technikami dolování dat) pořízené snímky a odhadnout pravděpodobnost, že ovoce obsahuje vodní jádra.[10]

Optimalizace používání pesticidů těžbou dat

Nedávné studie zemědělských vědců v Pákistánu (jeden z nejlepších čtyř producentů bavlny na světě) ukázaly, že pokusy o bavlna Maximalizace výnosů plodin prostřednictvím státních politik podporujících pesticidy vedla k nebezpečně vysokému používání pesticidů. Tyto studie uvádějí negativní korelaci mezi používáním pesticidů a výnosem plodin v Pákistánu. Proto nadměrné používání (nebo zneužívání) pesticidů poškozuje zemědělce s nepříznivými finančními, environmentálními a sociálními dopady. Při těžbě dat z bavlny Pest Scouting spolu s meteorologickými záznamy se ukázalo, že lze optimalizovat (omezit) způsob používání pesticidů. Shlukování údajů odhalilo zajímavé vzorce zemědělských postupů spolu s dynamikou používání pesticidů, a tím pomohlo identifikovat důvody tohoto zneužívání pesticidů.[11]

Vysvětlení zneužívání pesticidů těžbou dat

Aby bylo možné sledovat růst bavlny, různá vládní oddělení a agentury v Pákistánu zaznamenávají po celá desetiletí průzkumy škůdců, zemědělství a metrologické údaje. Hrubé odhady pouze zaznamenaných údajů o průzkumu škůdců bavlny se pohybují kolem 1,5 milionu záznamů a rostou. Zaznamenaná primární data agro-met nikdy nebyla digitalizována, integrována nebo standardizována, aby poskytla ucelený obraz, a proto nemůže podporovat rozhodování, což vyžaduje zemědělský datový sklad. Vytvoření nového datového skladu Pilot Agriculture Extension Data Warehouse s následnou analýzou prostřednictvím dotazování a dolování dat došlo k některým zajímavým objevům, jako jsou pesticidy nastříkané ve špatnou dobu, špatně pesticidy používá se ze správných důvodů a časového vztahu mezi používáním pesticidů a dnem v týdnu.[12]

Analýza údajů o výkonu kuřete pomocí modelů neuronových sítí

Platforma z umělá neuronová síť modely založené na Analýza citlivosti a optimalizační algoritmy byly úspěšně použity k integraci publikovaných dat o odpovědích kuřata brojlerů na threonin. Analýzy umělá neuronová síť modely pro přibývání na váze a účinnost krmiva ze sestaveného souboru dat naznačuje, že koncentrace bílkovin ve stravě byla důležitější než threonin koncentrace. Výsledky odhalily, že strava obsahující 18,69% bílkovin a 0,73% threoninu může vést k dosažení optimálního přírůstku hmotnosti, zatímco optimální účinnosti krmiva lze dosáhnout dietou obsahující 18,71% protein a 0,75% threonin.[13]

Literatura

Jelikož je toto výzkumné téma poměrně nedávné, existuje pouze jedna referenční kniha. Těžba dat v zemědělství vydává Springer a je spoluautorem Antonio Mucherino, Petraq Papajorgji a Panos Pardalos. Rychlý průzkum knihy najdete na tuto adresu. Je tu pár přesné zemědělství časopisy, například Springer's Přesné zemědělství nebo Elsevier Počítače a elektronika v zemědělství, ale nejsou výhradně věnovány dolování dat v zemědělství.

Reference

  1. ^ Mucherino, A .; Papajorgji, P.J .; Pardalos, P. (2009). Dolování dat v zemědělství, Springer.
  2. ^ „Apple russeting“. www.extension.umn.edu. Archivovány od originál dne 02.10.2016. Citováno 2016-10-04.
  3. ^ Hill, M. G .; Connolly, P. G .; Reutemann, P .; Fletcher, D. (01.10.2014). "Využití dolování dat k podpoře rozhodnutí o ochraně plodin kiwi na Novém Zélandu". Počítače a elektronika v zemědělství. 108: 250–257. doi:10.1016 / j.compag.2014.08.011.
  4. ^ Urtubia, A .; Perez-Correa, J.R .; Meurens, M .; Agosin, E. (2004). "Monitorování fermentace vína ve velkém měřítku pomocí infračervené spektroskopie". Talanta. 64 (3): 778–784. doi:10.1016 / j.talanta.2004.04.005. PMID  18969672.
  5. ^ Mucherino, A .; Urtubia, A. (2010). „Důsledné vylučování a aplikace v zemědělství“. Sborník z konference IbaI, Sborník z průmyslové konference o dolování dat (ICDM10), Workshop Data Mining in Agriculture (DMA10), Springer: 105–113.
  6. ^ Ahmadi, H .; Golian, A .; Mottaghitalab, M .; Nariman-Zadeh, N. (01.09.2008). „Predikční model skutečné metabolizovatelné energie z peří a drobů z drůbežího masa pomocí skupinové metody zpracování dat typu neuronové sítě“. Drůbeží věda. 87 (9): 1909–1912. doi:10.3382 / ps.2007-00507. ISSN  0032-5791. PMID  18753461.
  7. ^ Ahmadi, Dr. H .; Mottaghitalab, M .; Nariman-Zadeh, N .; Golian, A. (2008-05-01). „Predikce výkonnosti brojlerových kuřat z dietních živin pomocí skupinové metody neuronových sítí typu zpracování dat“. Britská drůbežářská věda. 49 (3): 315–320. doi:10.1080/00071660802136908. ISSN  0007-1668. PMID  18568756.
  8. ^ Chedad, A .; Moshou, D .; Aerts, J.M .; Van Hirtum, A .; Ramon, H .; Berckmans, D. (2001). "Systém rozpoznávání prasečího kašle založený na pravděpodobnostních neuronových sítích". Journal of Agricultural Engineering Research. 79 (4): 449–457. doi:10.1006 / jaer.2001.0719.
  9. ^ Mojtaba, Tahmoorespur; Hamed, Ahmadi (01.01.2012). „model neuronové sítě k popisu přírůstku hmotnosti ovcí z polymorfismu genů, porodní hmotnosti a typu porodu“. Věda o chovu hospodářských zvířat. ISSN  1871-1413.
  10. ^ Schatzki, T.F .; Haff, R.P .; Young, R .; Mohu.; Le, L-C .; Toyofuku, N. (1997). "Detekce defektů u jablek pomocí rentgenového zobrazování". Transakce Americké společnosti zemědělských inženýrů. 40 (5): 1407–1415. doi:10.13031/2013.21367.
  11. ^ Abdullah, Ahsan; Brobst, Stephen; Pervaiz, Ijaz; Umar, Muhammad; Nisar, Azhar (2004). Dynamika učení zneužívání pesticidů prostřednictvím dolování dat (PDF). Australasian Workshop on Data Mining and Web Intelligence, Dunedin, Nový Zéland. Archivovány od originál (PDF) dne 14. 8. 2011. Citováno 2010-07-20.
  12. ^ Abdullah, Ahsan; Hussain, Amir (2006). „Data Mining a New Pilot Agriculture Extension Data Warehouse“ (PDF). Journal of Research and Practice in Information Technology. 38 (3): 229–249. Archivovány od originál (PDF) dne 2010-09-23.
  13. ^ Ahmadi, H .; Golian, A. (01.11.2010). „Integrace dat odezev kuřecího brojlerového threoninu do modelů neuronových sítí“. Drůbeží věda. 89 (11): 2535–2541. doi:10.3382 / ps.2010-00884. ISSN  0032-5791. PMID  20952719.