数据挖掘与精准农业智能决策系统

序

前言

第1章 导论

1.1 研究背景及意义

1.1.1 数据挖掘

1.1.2 精准农业

1.1.3 空间数据挖掘在精准农业生产中的意义

1.2 精准农业的研究进展

1.2.1 产量预测及影响因素分析

1.2.2 管理区划分与地力分级

1.2.3 精准施肥模型

1.2.4 品种选择与病虫害预测

1.2.5 农业智能决策系统研制

1.3 数据挖掘研究进展及发展趋势

1.3.1 聚类分析挖掘研究进展

1.3.2 关联规则挖掘研究进展

1.3.3 粗糙集理论的研究现状

1.3.4 决策树理论的研究现状

1.3.5 数据挖掘可视化研究现状

1.3.6 时间序列分析方法的研究现状

1.4 空间数据挖掘的未来发展方向

参考文献

第2章 精准农业智能决策技术框架与相关理论介绍

2.1 引言

2.2 精准农业决策需求

2.3 几个重要的精准农业决策需求

2.4 精准农业问题的特点

2.4.1 时空性

2.4.2 不确定性

2.5 精准农业决策需求与智能技术的结合

2.6 精准农业问题的求解

2.6.1 精准农业问题的求解层次

2.6.2 主要智能决策技术及其在精准农业中的应用

2.6.3 精准农业智能决策系统

2.7 本章小结

参考文献

第3章 数据挖掘与智能决策相关理论

3.1 数据挖掘的定义

3.2 SDM的主要方法

3.2.1 空间分析方法

3.2.2 空间统计分析

3.2.3 空间聚类分析

3.2.4 空间关联规则

3.2.5 粗糙集

3.2.6 决策树

3.2.7 本体

3.2.8 时间序列

3.2.9 地理信息系统

3.2.10 可视化

3.3 空间数据仓库和空间数据挖掘

3.3.1 空间数据仓库的概念与特征

3.3.2 空间数据立方体与空间联机分析处理

3.4 智能空间决策支持系统

3.4.1 决策支持系统

3.4.2 专家系统

3.4.3 智能决策支持系统

3.4.4 数据挖掘与知识发现

3.4.5 智能空间决策支持系统

3.5 本章小结

参考文献

第4章 产量预测

4.1 基于贝叶斯网络的产量预测

4.1.1 d-分离与节点间独立性

4.1.2 熵减少量和敏感度分析

4.1.3 数据描述

4.1.4 贝叶斯网络学习方法

4.1.5 模型构建与分析

4.2 基于时间序列的玉米产量预测分析

4.2.1 概述

4.2.2 研究手段与方法

4.2.3 面向应用领域的时间序列数据挖掘现状

4.2.4 时间序列预测模型

4.2.5 应用实例

4.3 本章小结

参考文献

第5章 农田管理区划分方法研究

5.1 管理区划分中常用的方法

5.1.1 管理区划分中常用的统计分析方法

5.1.2 管理区划分中常用的数据挖掘分类算法

5.2 模糊等价关系的聚类

5.2.1 数据描述与模糊等价关系的聚类方法

5.2.2 结果分析与比较

5.2.3 结论与讨论

5.3 加权模糊聚类法

5.3.1 数据描述与加权模糊聚类方法

5.3.2 结果分析与比较

5.3.3 结论与讨论

5.4 空间模糊聚类法

5.4.1 数据描述与空间模糊聚类方法

5.4.2 结果分析与比较

5.4.3 结论与讨论

5.5 灰色关联度法

5.5.1 数据描述与灰色关联度法

5.5.2 结果分析

5.5.3 结论

5.6 一种有向变异度方法

5.6.1 数据描述与有向变异度方法

5.6.2 结果分析

5.6.3 结论

参考文献

第6章 土壤地力等级智能评定方法

6.1 地力等级划分的理论基础

6.1.1 地力等级划分的基本原则

6.1.2 地力评价方法

6.2 基于决策树算法的地力分级模型的研究

6.2.1 引言

6.2.2 ID3决策树算法

6.2.3 数据处理与模型建立

6.2.4 结论

6.3 粗糙集与决策树结合

6.3.1 引言

6.3.2 数据来源与数据预处理

6.3.3 模型建立与结果分析

6.3.4 结论与讨论

6.4 基于贝叶斯网络分类器的地力分级研究

6.4.1 引言

6.4.2 数据描述

6.4.3 Naive模型和TAN模型

6.4.4 结果分析与比较

6.4.5 结论

6.5 基于模糊聚类的土壤养分分级研究

6.5.1 引言

6.5.2 研究对象与测定方法

6.5.3 模糊聚类分析

6.5.4 结论

参考文献

第7章 精准施肥模型与变量施肥效果评价

7.1 问题的提出与意义

7.2 常用的施肥模型

7.2.1 养分平衡法

7.2.2 肥料效应函数模型

7.2.3 养分丰缺指标法

7.3 基于神经网络的施肥模型

7.3.1 引言

7.3.2 改进的神经网络集成方法

7.3.3 基于神经网络的施肥模型及其在精准施肥中的应用

7.3.4 结果分析与比较

7.3.5 结论与讨论

7.4 基于组合预测的施肥模型

7.4.1 引言

7.4.2 组合预测方法原理及最优加权系数确定

7.4.3 组合预测模型结果分析

7.4.4 结果与讨论

7.5 变量施肥效果评价

7.5.1 引言

7.5.2 加权空间模糊聚类算法的基本原理

7.5.3 材料与方法

7.5.4 结果与分析

7.5.5 结论与讨论

参考文献

第8章 病虫害预测

8.1 基于简化贝叶斯网络的病虫害诊断系统

8.1.1 引言

8.1.2 贝叶斯网络与专家系统

8.1.3 知识库的构建

8.1.4 简化贝叶斯网络复杂度的方法

8.1.5 推理机所采用的算法

8.1.6 基于贝叶斯网络的专家系统的实现

8.1.7 贝叶斯网络的应用

8.1.8 结论和讨论

8.2 基于框架表示的玉米病虫草害诊治专家系统的构建和实现

8.2.1 系统概论

8.2.2 知识的表示及推理机制

8.2.3 知识获取

8.2.4 系统实现及系统应用

8.2.5 结论

参考文献

第9章 基于数据挖掘的智能决策支持系统

9.1 引言

9.2 材料与方法

9.2.1 系统总体设计

9.2.2 MPISDSS中的空间知识获取与表达

9.2.3 ArcIMS实现瓦片拼接技术

9.2.4 空间模糊算法实现

9.2.5 MPISDSS中的空间分析与定性推理

9.2.6 可视化空间数据挖掘

9.3 结果与分析

9.3.1 数据获取

9.3.2 土壤养分空间变异图制作

9.3.3 可视化空间数据挖掘

9.3.4 智能决策

9.4 讨论

9 .5 结论

参考文献

陈桂芬，于合龙等著的这本《数据挖掘与精准农业智能决策系统》针对农业生产的时空性、不确定性和复杂性等特点，将贝叶斯网络、神经网络、决策树、粗糙集、模糊聚类等智能新技术与农业新技术紧密结合，有效解决了农田管理分区、土壤肥力分级与评价、精准施肥模型构建、病虫害预测、产量预测等难题。主要内容包括：提出了基于贝叶斯网的产量预测方法，有效处理了产量预测的不确定性；提出了基于加权模糊聚类的农田管理区划分方法，考虑了不同肥力因子在分区中所占的权重，使分区结果更加符合农业生产实际；提出了粗糙集和决策树相结合的土壤肥力分级方法，提高了分级准确性；提出了基于神经网络集成方法的精准施肥模型，较好地模拟了施肥量与土壤养分、产量之间的非线性关系，使得施肥量计算更加准确；提出了基于框架和贝叶斯网的病虫害预测方法，提高了病虫害预测的准确性。陈桂芬，于合龙等著的这本《数据挖掘与精准农业智能决策系统》主要介绍了精准农业、数据挖掘和智能决策系统的相关理论，重点研究精准农业智能决策技术体系，提出了贝叶斯理论和时序算法在产量预测中的应用；基于空间模糊聚类和灰色关联度的农田管理区划分；基于模糊聚类、决策树、粗糙集理论的土壤地力等级智能评定方法；基于神经网络和组合预测算法的精准施肥模型；基于可视化加权空间模糊聚类的变量施肥效果评价；基于框架的知识表示、贝叶斯及粗糙集理论的作物病虫草害智能预测与诊治方法；并在此基础上，自主研制了基于数据挖掘的玉米精准作业智能决策支持系统。 《数据挖掘与精准农业智能决策系统》可供从事精准农业和农业信息学等领域的研究人员和开发人员使用，也可作为高等院校相关专业的本科生、研究生教学用书和参考用书。