【技术实现步骤摘要】
一种农业作物种植大数据挖掘方法
[0001]本专利技术涉及农业大数据
，具体为一种农业作物种植大数据挖掘方法。
技术介绍
[0002]农业大数据是融合了农业地域性、季节性、多样性、周期性等自身特征后产生的来源广泛、类型多样、结构复杂、具有潜在价值，并难以应用通常方法处理和分析的数据集合，农业大数据保留了大数据自身具有的规模巨大、类型多样、价值密度低、处理速度快、精确度高和复杂度高等基本特征，并使农业内部的信息流得到了延展和深化，数据挖掘是指从大量的数据中通过算法搜索隐藏于其中信息的过程；
[0003]但是农业大数据挖掘中没有涉及对种植人员经验和管理习惯的科学分析，导致一些长期积累的良好的种植经验和管理习惯没能被广泛的应用，从而导致农业大数据挖掘的效率降低，不能更好的将大数据技术与实际农业生产相结合。
技术实现思路
[0004]本专利技术提供一种农业作物种植大数据挖掘方法，可以有效解决上述
技术介绍
中提出农业大数据挖掘中没有涉及对种植人员经验和管理习惯的科学分析，导致一些长期积累的良好的种植经验和管理习惯没能被广泛的应用，从而导致农业大数据挖掘的效率降低，不能更好的将大数据技术与实际农业生产相结合的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种农业作物种植大数据挖掘方法，包括如下挖掘步骤：
[0006]S1、首先，确定农业作物种植大数据挖掘的目标；
[0007]S2、收集数据，构建数据挖掘库，数据包括自然条件数据、人为条件数据和结果数据；>[0008]S3、对数据进行分析，对有经验人员关于农业的管理习惯进行科学分析，分析科学依据；
[0009]S4、选择数据中的变量，将存在关联的数据归在一类；
[0010]S5、建立模型，先用一部分数据建立模型，然后将剩下的数据用来测试和验证得到的模型，新采集的数据，定期抽取部分数据进行模型的验证，从而方便对模型进行更新改进；
[0011]S6、评价模型，对模型的结果进行评价，确定模型的价值；
[0012]S7、种植人员根据当前种植的条件，代入模型分析得出结果，进行合理的农业种植。
[0013]根据上述技术方案，所述S2中，自然条件数据包括农业种植的土壤、水源和气候条件，自然条件对农作物生长的促进作用记为A，人为条件数据为长期种植人员的种植经验和种植习惯，人为条件对农作物生长的促进作用记为B；
[0014]结果数据为农作物实际长势、产量和品质情况，理想数据为农作物在不考虑自然
条件和人为条件下的长势、产量和品质情况，理想数据与结果数据之间的差值记为C。
[0015]根据上述技术方案，所述S3中，对数据挖掘库中的自然条件数据进行分析，剖析数据形成的原因，将自然条件数据分为常见条件和特殊条件，并通过大数据技术分析特殊条件出现的概率和规律；
[0016]对种植经验和种植习惯的来源进行查找，并分析其科学依据，将经验和习惯与不同的农作物进行运用分析，分析经验和习惯适用的范围。
[0017]根据上述技术方案，所述自然条件数据和人为条件数据分析后，用结果数据对分析结论进行初步验证，并查找验证不通过原因；
[0018]从分析结论和结果数据两个方向同时查找验证不通过原因，对分析结论失误的重新进行分析，对结果数据失误的将该项结果数据舍弃，选择新的结果数据进行验证，直至验证通过。
[0019]根据上述技术方案，所述S4中，选择数据中的自变量和因变量，通过决策树技术将变量相关的数据分在一类，选择变量时，先选择自变量，然后再选择因变量，最后选择相关变量和其他数据；
[0020]对于有多个关联关系的变量，复制后分别归类，并对该数据进行标记，记录关联情况；
[0021]变量归类完成后，未被选择的数据单独归为一类；
[0022]数据中的自变量包括自然条件数据、农作物的种类和人为条件数据，数据中的因变量包括结果数据和理想数据。
[0023]根据上述技术方案，所述S5中，先从分类后的数据中选择部分数据建立模型，再使用剩下数据对模型进行验证，不断修改模型，最终确定模型；
[0024]数据挖掘库实时收集新数据，模型定期从新数据中抽样，将抽样数据代入模型中进行验证，得出验证结果，验证结果与抽样数据中的结果差值，即C超过5％时，分析原因对模型进行更新调整；
[0025]验证结果与抽样数据中的结果差值，即C为0
‑
5％时，分析误差产生的原因，在模型中添加误差原因。
[0026]根据上述技术方案，所述新数据抽样前，先将新数据中的变量和对应的结果归为一类模型时，将变量和结果依次代入模型，使模型进行正运算和逆运算，正运算得出的结果和新数据中的结果对比，逆运算得出的变量与新数据中的变量进行对比。
[0027]根据上述技术方案，所述S6中，对模型验证的准确度进行计算，根据模型验证的准确度，对模型进行评价，并确定模型的价值等级；
[0028]模型的价值等级分为：
[0029]一级：准确度>80％；
[0030]二级：准确度>60％；
[0031]三级：准确度>50％；
[0032]根据价值等级的划分，准确度≤50％的为不合格模型，需要重新修改。
[0033]根据上述技术方案，所述S6中，对模型的价值评价完成后，对每个模型适用的农作物品种、土质、降水量和气候条件进行罗列，通过搜索罗列的内容查看对应的模型。
[0034]根据上述技术方案，所述S7中，农业种植前，先确定种植的农作物品种、土壤条件
和气候条件，搜索对应的模型，并将搜索到的模型按照价值等级进行排序，最后利用模型依次对种植过程和结果进行计算，提供种植参考；
[0035]并将在农作物种植过程中实时记录种植过程和结果，为数据更新提供参考数据。
[0036]与现有技术相比，本专利技术的有益效果：
[0037]1、通过对种植人员经验和管理习惯的分析，使大数据与实际农业生产相结合，为种植人员的种植经验和管理习惯寻找科学依据，并将种植经验和管理习惯通过大数据建立模型，从而使模型使用与实际农业种植更加贴合，为农业生产提供便利，有利于农业技术的发展，使良好的种植经验和习惯能够被广泛应用。
[0038]2、通过在建立模型时，将数据分类，将数据中关联的变量和数据归为一类，方便模型建立，对新数据验证时，采用正运算和逆运算双向运算的方式，增加验证的准确性，使验证的效果更好，在验证后，根据新数据及时对模型进行修改，使模型能够根据发展及时调整，使模型使用时间更长。
[0039]3、通过对模型价值进行等级划分，对模型使用范围进行罗列，通过使用范围的搜索，确定合适的模型，并对模型按照价值等级归类，优先使用价值等级高的模型进行计算，方便快速的筛选出合适的模型，了解模型的准确度，能够为农业种植进行指导。
[0040]综上所述，通过对种植人员的种植经验和种植习惯的科本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种农业作物种植大数据挖掘方法，其特征在于：包括如下挖掘步骤：S1、首先，确定农业作物种植大数据挖掘的目标；S2、收集数据，构建数据挖掘库，数据包括自然条件数据、人为条件数据、结果数据和理想数据；S3、对数据进行分析，对有经验人员关于农业的管理习惯进行科学分析，分析科学依据；S4、选择数据中的变量，将存在关联的数据归在一类；S5、建立模型，先用一部分数据建立模型，然后将剩下的数据用来测试和验证得到的模型，新采集的数据，定期抽取部分数据进行模型的验证，从而方便对模型进行更新改进；S6、评价模型，对模型的结果进行评价，确定模型的价值；S7、种植人员根据当前种植的条件，代入模型分析得出结果，进行合理的农业种植。2.根据权利要求1所述的一种农业作物种植大数据挖掘方法，其特征在于，所述S2中，自然条件数据包括农业种植的土壤、水源和气候条件，自然条件对农作物生长的促进作用记为A，人为条件数据为长期种植人员的种植经验和种植习惯，人为条件对农作物生长的促进作用记为B；结果数据为农作物实际长势、产量和品质情况，理想数据为农作物在不考虑自然条件和人为条件下的长势、产量和品质情况，理想数据与结果数据之间的差值记为C。3.根据权利要求2所述的一种农业作物种植大数据挖掘方法，其特征在于，所述S3中，对数据挖掘库中的自然条件数据进行分析，剖析数据形成的原因，将自然条件数据分为常见条件和特殊条件，并通过大数据技术分析特殊条件出现的概率和规律；对种植经验和种植习惯的来源进行查找，并分析其科学依据，将经验和习惯与不同的农作物进行运用分析，分析经验和习惯适用的范围。4.根据权利要求3所述的一种农业作物种植大数据挖掘方法，其特征在于，所述自然条件数据和人为条件数据分析后，用结果数据对分析结论进行初步验证，并查找验证不通过原因；从分析结论和结果数据两个方向同时查找验证不通过原因，对分析结论失误的重新进行分析，对结果数据失误的将该项结果数据舍弃，选择新的结果数据进行验证，直至验证通过。5.根据权利要求1所述的一种农业作物种植大数据挖掘方法，其特征在于，所述S4中，选择数据中的自变量和因变量，通过决策树技术将变量相关的数据分在一类，选择变量时，先选择自变量，然后再选择因变量，最后选...
【专利技术属性】
技术研发人员：杨华，章俊，卢虹缘，
申请(专利权)人：江苏友开软件技术服务有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。