Интеллектуальный анализ данных в сельском хозяйстве - Data mining in agriculture

Интеллектуальный анализ данных в сельском хозяйстве это тема недавнего исследования. Он заключается в применении сбор данных методы для сельское хозяйство. Современные технологии в настоящее время могут предоставить большой объем информации о деятельности, связанной с сельским хозяйством, которую затем можно проанализировать, чтобы найти важную информацию.[1] Родственный, но не эквивалентный термин точное земледелие.

Приложения

Связь между опрыскиванием и дефектами плодов

Часто регистрируются дефекты фруктов (по множеству причин, иногда по причинам страхования при экспорте фруктов за границу). Это можно сделать вручную или с помощью компьютерного зрения (определение дефектов поверхности при сортировке фруктов). Дневники распыления являются юридическим требованием во многих странах и, по крайней мере, записывают дату распыления и название продукта. Известно, что опрыскивание может повлиять на разные дефекты плодов разных фруктов. Фунгицидные спреи часто используются для предотвращения появления гнили на фруктах. Также известно, что некоторые спреи могут вызывать покраснение яблок.[2] В настоящее время большая часть этих знаний поступает анекдотично, однако некоторые усилия были предприняты в отношении использования интеллектуального анализа данных в садоводстве.[3]

Прогнозирование проблемных брожений вина

Вино широко производится по всему миру. Процесс ферментации вина очень важен, потому что он может повлиять на производительность винодельческих производств, а также на качество вина. Если бы ферментацию можно было классифицировать и спрогнозировать на ранних стадиях процесса, ее можно было бы изменить, чтобы гарантировать регулярную и плавную ферментацию. В настоящее время ферментации изучаются с использованием различных методов, таких как, например, алгоритм k-средних,[4] и метод классификации, основанный на концепции бикластеризация.[5] Отметим, что эти работы отличаются от тех, в которых проводится классификация различных вин. См. Вики-страницу Классификация вина Больше подробностей.

Прогнозирование метаболической энергии корма для птицы с использованием группового метода нейронной сети типа обработки данных

Групповой метод нейронной сети типа обработки данных (GMDH -типа сети) с эволюционным методом генетический алгоритм был использован для прогнозирования метаболической энергии перьевой муки и муки из куриных субпродуктов на основе содержания в них белков, жиров и золы. Образцы опубликованных данных были собраны из литературы и использованы для обучения GMDH -тип сетевой модели. Новое моделирование GMDH сеть с эволюционным методом генетического алгоритма может быть использована для прогнозирования метаболической энергии образцов кормов для птицы на основе их химического состава.[6] Также сообщается, что GMDH -тип сети может использоваться для точной оценки продуктивности птицы по их диетическим питательным веществам, таким как энергия метаболизма пищи, белок и аминокислоты.[7]

Обнаружение болезней по звукам, издаваемым животными

Выявление болезней животных в фермы может положительно повлиять на продуктивность фермы, потому что больные животные могут вызвать заражение. Более того, раннее обнаружение болезней может позволить фермеру вылечить животное, как только болезнь появится. Звуки, изданные свиньи могут быть проанализированы на предмет выявления заболеваний. В частности, можно изучить их кашель, потому что он указывает на их болезнь. В стадии разработки находится вычислительная система, которая способна отслеживать звуки свиней с помощью микрофонов, установленных на ферме, и которая также способна различать различные звуки, которые могут быть обнаружены.[8]

Выращивание овец из полиморфизма генов с использованием искусственного интеллекта

Полимеразной цепной реакции -одноцепочечный конформационный полиморфизм (ПЦР -SSCP) был использован для определения гормон роста (GH), лептин, Кальпаин, и кальпастатин полиморфизм на иранском Белуджи мужской овца. An искусственная нейронная сеть (ANN) модель была разработана для описания среднесуточного привеса (ADG) ягнят на основе входных параметров GH, лептина, кальпаина и полиморфизма кальпастатина, веса при рождении и типа рождения. Результаты показали, что АННА -модель является подходящим инструментом для распознавания закономерностей данных для прогнозирования роста ягненка с точки зрения ADG с учетом полиморфизма конкретных генов, вес при рождении, и тип рождения. Платформа подхода PCR-SSCP и АННА модельный анализ может быть использован в молекулярных маркер выбор и разведение программы для разработки схемы повышения эффективности овца производство.[9]

Сортировка яблок по водяным ядрам

Перед выходом на рынок, яблоки проверяются, и те, которые показывают некоторые дефекты, удаляются. Однако есть и незаметные дефекты, которые могут испортить вкус и внешний вид яблока. Примером невидимого дефекта является водяное ядро. Это внутреннее заболевание яблока, которое может повлиять на долговечность плода. Яблоки с легким или умеренным водяным ядром слаще, но яблоки с умеренным или сильным водянистым ядром нельзя хранить в течение длительного времени. Более того, несколько фруктов с сильным водянистым ядром могут испортить целую партию яблок. По этой причине изучается вычислительная система, которая принимает рентгеновский снимок фотографии фруктов во время бега по конвейерные ленты, и который также может анализировать (с помощью методов интеллектуального анализа данных) сделанные снимки и оценивать вероятность того, что плод содержит водяные ядра.[10]

Оптимизация использования пестицидов с помощью интеллектуального анализа данных

Недавние исследования исследователей сельского хозяйства в Пакистане (одном из четырех крупнейших производителей хлопка в мире) показали, что попытки хлопок Максимизация урожайности за счет пропестицидной государственной политики привела к опасно высокому использованию пестицидов. Эти исследования показали отрицательную корреляцию между использованием пестицидов и урожайностью сельскохозяйственных культур в Пакистане. Следовательно, чрезмерное использование (или злоупотребление) пестицидами наносит вред фермерам с неблагоприятными финансовыми, экологическими и социальными последствиями. Путем интеллектуального анализа данных разведки вредителей хлопка вместе с метеорологическими записями было показано, как можно оптимизировать (сократить) использование пестицидов. Кластеризация данных позволила выявить интересные модели фермерской практики наряду с динамикой использования пестицидов и, следовательно, помочь определить причины такого злоупотребления пестицидами.[11]

Объяснение злоупотребления пестицидами с помощью интеллектуального анализа данных

Для мониторинга роста хлопка различные правительственные ведомства и агентства в Пакистане десятилетиями регистрировали данные по разведке вредителей, сельскому хозяйству и метрологические данные. По приблизительным оценкам, только по зарегистрированным данным разведки вредителей хлопчатника составляет около 1,5 миллиона записей, и этот показатель продолжает расти. Записанные первичные данные агро-метеорологии никогда не переводились в цифровую форму, не интегрировались или не стандартизировались, чтобы дать полную картину, и, следовательно, не могут способствовать принятию решений, поэтому требуется Хранилище сельскохозяйственных данных. Создание нового экспериментального хранилища данных по расширению сельского хозяйства с последующим анализом с помощью запросов и интеллектуального анализа данных. Были сделаны некоторые интересные открытия, например, пестициды, распыленные не в то время, неправильно пестициды используется по правильным причинам и во временной зависимости между использованием пестицидов и днем ​​недели.[12]

Анализ данных о производительности цыплят с помощью моделей нейронных сетей

Платформа искусственная нейронная сеть на базе моделей с Анализ чувствительности и алгоритмы оптимизации были успешно использованы для интеграции опубликованных данных об ответах цыплята-бройлеры к треонин. Анализ искусственная нейронная сеть модели для набора веса и эффективность корма из скомпилированного набора данных предположил, что концентрация пищевого белка была более важной, чем треонин концентрация. Результаты показали, что диета, содержащая 18,69% белка и 0,73% треонина, может привести к оптимальному привесу, тогда как оптимальная эффективность корма может быть достигнута с помощью диеты, содержащей 18,71%. белок и 0,75% треонин.[13]

Литература

Поскольку эта тема для исследований появилась совсем недавно, справочник всего один. Интеллектуальный анализ данных в сельском хозяйстве издается Springer, в соавторстве с ним Антонио Мучерино, Петрак Папайоргджи и Панос Пардалос. Краткий обзор книги можно найти на этот адрес. Есть несколько точное земледелие журналы, такие как Springer Точное земледелие или Эльзевьера Компьютеры и электроника в сельском хозяйстве, но они не предназначены исключительно для интеллектуального анализа данных в сельском хозяйстве.

Рекомендации

  1. ^ Мучерино, А .; Papajorgji, P.J .; Пардалос, П. (2009). Интеллектуальный анализ данных в сельском хозяйстве, Springer.
  2. ^ «Яблочный румянец». www.extension.umn.edu. Архивировано из оригинал на 2016-10-02. Получено 2016-10-04.
  3. ^ Hill, M. G .; Connolly, P.G .; Reutemann, P .; Флетчер, Д. (2014-10-01). «Использование интеллектуального анализа данных для оказания помощи в принятии решений по защите урожая киви в Новой Зеландии». Компьютеры и электроника в сельском хозяйстве. 108: 250–257. Дои:10.1016 / j.compag.2014.08.011.
  4. ^ Urtubia, A .; Perez-Correa, J.R .; Meurens, M .; Агосин Э. (2004). «Мониторинг крупномасштабных ферментаций вина с помощью инфракрасной спектроскопии». Таланта. 64 (3): 778–784. Дои:10.1016 / я.таланта.2004.04.005. PMID  18969672.
  5. ^ Мучерино, А .; Уртубиа, А. (2010). «Последовательная бикластеризация и применение в сельском хозяйстве». Материалы конференции IbaI, Материалы промышленной конференции по интеллектуальному анализу данных (ICDM10), Практикум по интеллектуальному анализу данных в сельском хозяйстве (DMA10), Springer: 105–113.
  6. ^ Ahmadi, H .; Golian, A .; Mottaghitalab, M .; Нариман-Заде, Н. (01.09.2008). "Модель прогнозирования истинной метаболизируемой энергии перьевой муки и субпродуктов птицы с использованием группового метода нейронной сети типа обработки данных". Птицеводство. 87 (9): 1909–1912. Дои:10.3382 / пс.2007-00507. ISSN  0032-5791. PMID  18753461.
  7. ^ Ahmadi, Dr H .; Mottaghitalab, M .; Нариман-Заде, Н .; Голиан, А. (2008-05-01). «Прогнозирование продуктивности цыплят-бройлеров по питательным веществам с использованием группового метода нейронных сетей типа обработки данных». Британская птицеводство. 49 (3): 315–320. Дои:10.1080/00071660802136908. ISSN  0007-1668. PMID  18568756.
  8. ^ Chedad, A .; Moshou, D .; Aerts, J.M .; Van Hirtum, A .; Ramon, H .; Беркманс, Д. (2001). «Система распознавания кашля свиней на основе вероятностных нейронных сетей». Журнал исследований сельскохозяйственной инженерии. 79 (4): 449–457. Дои:10.1006 / jaer.2001.0719.
  9. ^ Моджтаба, Тахмуреспур; Хамед, Ахмади (01.01.2012). «модель нейронной сети для описания прибавки в весе овец в зависимости от полиморфизма генов, веса при рождении и типа рождения». Животноводство. ISSN  1871-1413.
  10. ^ Schatzki, T.F .; Haff, R.P .; Young, R .; Могу я.; Le, L-C .; Тойофуку, Н. (1997). «Обнаружение дефектов в яблоках с помощью рентгеновского исследования». Труды Американского общества инженеров сельского хозяйства. 40 (5): 1407–1415. Дои:10.13031/2013.21367.
  11. ^ Абдулла, Ахсан; Бробст, Стивен; Первиз, Иджаз; Умар, Мухаммад; Нисар, Азхар (2004). Изучение динамики злоупотребления пестицидами с помощью интеллектуального анализа данных (PDF). Австралийский семинар по интеллектуальному анализу данных и веб-аналитике, Данидин, Новая Зеландия. Архивировано из оригинал (PDF) на 2011-08-14. Получено 2010-07-20.
  12. ^ Абдулла, Ахсан; Хуссейн, Амир (2006). «Интеллектуальный анализ данных в новом экспериментальном хранилище данных расширения сельского хозяйства» (PDF). Журнал исследований и практики информационных технологий. 38 (3): 229–249. Архивировано из оригинал (PDF) на 23 сентября 2010 г.
  13. ^ Ahmadi, H .; Голиан, А. (01.11.2010). «Интеграция данных треониновых ответов цыплят-бройлеров в модели нейронных сетей». Птицеводство. 89 (11): 2535–2541. Дои:10.3382 / пс.2010-00884. ISSN  0032-5791. PMID  20952719.