楊洪澤，胡曉航

(1.新疆農(nóng)業(yè)科學(xué)院經(jīng)濟作物研究所，烏魯木齊 830091；2.國家糖料作物改良中心，哈爾濱 150080；3.黑龍江大學(xué)現(xiàn)代農(nóng)業(yè)與生態(tài)環(huán)境學(xué)院，哈爾濱 150080)

0 引言

這是一個知識和信息的時代，信息幾乎是爆炸式增長。農(nóng)業(yè)被認為是人類最古老的行業(yè)。由于氣候變化，病害，蟲害等各種各樣的因素，農(nóng)業(yè)生產(chǎn)的狀況正在惡化。因此，在農(nóng)業(yè)領(lǐng)域使用計算機具有非常廣闊的前景，其中數(shù)據(jù)挖掘技術(shù)，這一新興技術(shù)在農(nóng)業(yè)中的發(fā)展十分迅速[1]。農(nóng)業(yè)專家系統(tǒng)在農(nóng)業(yè)中得到了廣泛的應(yīng)用。為了評估、證明、升級和修改現(xiàn)有的農(nóng)業(yè)專家系統(tǒng)，各種分析方法也得到了發(fā)展[2]。本文回顧了聚類分析在農(nóng)業(yè)中的應(yīng)用。

在討論數(shù)據(jù)挖掘的應(yīng)用，尤其是聚類分析在農(nóng)業(yè)領(lǐng)域的應(yīng)用之前，首先回顧一下聚類是什么以及用于聚類的各種方法和技術(shù)。

將物理或抽象對象的集合分成由[3]類似的對象組成的多個類的過程被稱為聚類。由聚類所生成的簇是一組數(shù)據(jù)對象的集合，這些對象與同一個簇中的對象彼此相似，與其他簇中的對象相異。在面向?qū)ο蟮木幊谭独?，以將簇與類進行比較。 簇和類之間的細微差別在于，類中的每個對象在屬性上都完全相同，而在簇中，每個對象與簇中的其他對象非常相似，另一方面，如果基于對象的某些特定屬性進行比較，則與其他聚類的對象不同[4]。

聚類的方法有很多種，這些技術(shù)分為以下幾類：分區(qū)方法、分層方法、基于密度的方法、基于網(wǎng)格的方法、基于模型的方法、高維數(shù)據(jù)的方法和基于約束的聚類[5]。 然而在這里，我們的討論僅限于層次凝聚聚類法，模糊聚類，分裂層次聚類法和Kohonen自組織特征映射，因為它們是農(nóng)業(yè)和相關(guān)科學(xué)領(lǐng)域中廣泛使用的數(shù)據(jù)挖掘方法。

1 聚類方法

1.1 分層聚集聚類

分層聚集聚類的典型例子是物種分類。分層凝聚方法也稱為自下而上方法，首先將每個對象放在自己的集群中。下一步是將這些原子簇合并為連續(xù)更大的簇，直到所有對象都被限制在單個簇中或直到終止。大多數(shù)層次聚類方法屬于此類別，它們的不同之處僅在于它們對簇間相似性的定義[6]。

1.2 模糊聚類

上面討論的分區(qū)聚類方法主要涉及關(guān)于合適的相似性度量將一組實體劃分成多個同構(gòu)聚類的任務(wù)，這也被稱為硬聚類。換句話說，在硬集群中，數(shù)據(jù)元素被劃分為不同的集群，其中每個數(shù)據(jù)元素恰好屬于一個集群，在已經(jīng)完成分區(qū)的基礎(chǔ)上，我們可以通過知道數(shù)據(jù)元素的特定屬性來預(yù)測任何數(shù)據(jù)元素與集群的關(guān)聯(lián)[7]。許多實際問題也可能具有模糊性，由于其模糊性，遵循Lotfi Zadeh[8]開發(fā)的一般模糊集理論開發(fā)了許多模糊聚類方法。

在模糊聚類(也稱為軟聚類)中，數(shù)據(jù)元素可以同時屬于多個聚類，并且與每個元素相關(guān)聯(lián)的是一組隸屬度級別[9]。模糊聚類是分配這些成員的資格級別，然后使用它們將數(shù)據(jù)元素分配給一個或多個集群的過程[10]。傳統(tǒng)硬聚類和模糊聚類的主要區(qū)別可以以此概括。在硬聚類中，實體只屬于一個聚類，而在模糊聚類中，實體允許屬于具有不同程度成員資格的多個聚類。在幾種可用的算法中，最廣泛使用的模糊聚類算法是模糊C均值(FCM)算法[11]。

分層方法創(chuàng)建是給定數(shù)據(jù)對象集的分層分解。根據(jù)分層分解是如何形成的，它可以被歸類為凝聚性的，如前面所討論的或分裂的[12]。分裂層次聚類方法(也稱為自上向下方法)以同一群集內(nèi)的所有對象開始，在連續(xù)迭代中，一個聚類被分成幾個較小的聚類，直到最終每個對象被放置在它自己的聚類中，或者直到終止條件成立[13]。

1.3 Kohonen自組織特征映射

自組織特征映射(SOM)是用于聚類分析的最常用的神經(jīng)網(wǎng)絡(luò)方法之一。 Kohonen網(wǎng)絡(luò)由芬蘭研究員Tuevo Kohonen于1982年推出。雖然最初應(yīng)用于圖像和聲音分析，但Kohonen網(wǎng)絡(luò)是聚類分析的有效機制。Kohonen網(wǎng)絡(luò)代表了一種自組織映射(SOM)，它本身代表了一類特殊的神經(jīng)網(wǎng)絡(luò)[14]。

SOM的目標(biāo)是將高維輸入信號轉(zhuǎn)換為更簡單的低維離散信號。在SOM中，一組節(jié)點以幾何圖案排列。SOM是一種受大腦神經(jīng)網(wǎng)絡(luò)啟發(fā)的算法，它通過將高維數(shù)據(jù)映射到二維或三維特征圖來形成聚類。SOM的目標(biāo)是通過低維(通常為2-D或3-D)目標(biāo)空間中的點來表示高維源空間中的所有點，從而保留距離和鄰近關(guān)系(并因此保留拓撲)盡可能多[15]。

對于SOM，通過讓幾個單元競爭當(dāng)前對象來執(zhí)行聚類，權(quán)重矢量最接近當(dāng)前對象的單位成為獲勝或活動單位。為了更接近輸入物體，調(diào)整獲勝單位的權(quán)重以及其最近鄰居的權(quán)重。SOM假定輸入對象之間存在某種拓撲或排序，并且這些單元最終會在空間中采用這種結(jié)構(gòu)。SOM被認為與大腦中可能發(fā)生的處理相似，并且可用于在二維或三維空間中對高維數(shù)據(jù)進行可視化[16]。

2 聚類分析在農(nóng)業(yè)領(lǐng)域的應(yīng)用

2.1 凝聚聚類的應(yīng)用

精準農(nóng)業(yè)主要關(guān)注技術(shù)的使用和各種技術(shù)與農(nóng)業(yè)的結(jié)合。隨著科學(xué)技術(shù)領(lǐng)域的進步，技術(shù)成本日益下降。此外，這項技術(shù)也被嵌入到各種農(nóng)業(yè)設(shè)備中。由于這種整合，當(dāng)今的農(nóng)業(yè)設(shè)備變得更加富有成效，更新并且對農(nóng)民有用。

這也導(dǎo)致由這些設(shè)備產(chǎn)生的信息泛濫，如GPS作物生長傳感器，肥料使用傳感器和高分辨率衛(wèi)星或航空成像。這些傳感器生成空間數(shù)據(jù)集。因此，必須考慮采用這些特殊性質(zhì)的方法來應(yīng)對精準農(nóng)業(yè)中遇到的任務(wù)[17]。

2.2 模糊聚類的應(yīng)用

Mohamma他們的研究中使用模糊聚類技術(shù)檢測黃瓜作物的葉斑病[18]。在他們的研究中提出了一種基于模糊聚類算法的黃瓜作物葉片分割技術(shù)。

圖像分析和模式識別的第一步是圖像分割?？梢詫⒎侄我暈槿杭瘑栴}。它是圖像分析和模式識別的非常關(guān)鍵和不可避免的組成部分。這是決定圖像分析質(zhì)量的任務(wù)。圖像分割是通過將圖像劃分成與強度或顏色有關(guān)的某些標(biāo)準的均勻不相交區(qū)域來執(zhí)行的，并且任何兩個相鄰區(qū)域的并集都不應(yīng)該是均勻的。分割技術(shù)可以確定區(qū)域的區(qū)別，但情況可能并非總是如此。圖像中的區(qū)域可能不會非常精確地定義，并且在圖像處理過程的每個級別可能存在一些不確定性[19]。

模糊集理論提供了一些機制來表示和操縱模糊性和不確定性。模糊集理論提供了一種功能，可以為任何圖像中的模糊性或不確定性建模提供一種自然的方法。在傳統(tǒng)的集群技術(shù)中，這里只有兩個二進制值，0或1來確定數(shù)據(jù)點與集群的歸屬或關(guān)聯(lián)[20]。現(xiàn)實世界中用于圖像分析的情況尤其與此非常不同，其中群集之間的邊界并不總是明確定義，但可能存在灰度強度的重疊。特別是在植物圖像的情況下，組織之間的邊界沒有很好地定義，并且邊界區(qū)域中的成員本質(zhì)上基本上是模糊的。因此模糊聚類結(jié)果特別適合于植物圖像的分割[21]。

因此，F(xiàn)CM算法成為檢測植物疾病的最適合算法，可以通過檢查葉子來感知。雖然這項研究的目的是黃瓜植物，但這種方法也可以擴展到其他作物。

2.3 分裂聚類的應(yīng)用

伊朗的氣候具有復(fù)雜的空間和時間變化模式特征，具有廣泛的不可預(yù)測的降雨波動，這種波動在每年和每個地區(qū)都有所不同。因此，很難了解降水的區(qū)域變化。 Saeed Soltani在對伊朗降雨模式及其分類的研究中使用了分裂聚類[22]。這項研究與任何作物沒有直接關(guān)系，而是與整個農(nóng)業(yè)直接相關(guān)。當(dāng)不能預(yù)測降雨量時，在這種情況下，降雨模式的識別就成為區(qū)域和地方規(guī)劃者和管理者的一項重要任務(wù)。水文學(xué)家一直關(guān)注水文事件的分類，以簡化水文卷積，從而縮短時間并節(jié)省他們的計劃和策略預(yù)算。多變量技術(shù)被強調(diào)為適合和強大的工具，可以根據(jù)降雨量找到同質(zhì)區(qū)域，或者對降雨等氣象數(shù)據(jù)進行分類。主要成分分析，因子分析和不同的聚類技術(shù)已被用于分類每日降雨模式及其與大氣條件的關(guān)系。

2.4 Kohonen自組織映射的應(yīng)用

Shafaatunnur Hasan[22]應(yīng)用聚類方法，即自組織圖(SOM)，在稻米生產(chǎn)力領(lǐng)域做得很好。大米被認為是世界大多數(shù)人口食物的組成部分。這種谷物的生產(chǎn)力的提高總是令人欽佩。

在他們的努力下，他們借助聚類分析工具，特別是Kohonen自組織地圖(SOM)，嘗試在水稻害蟲的天敵作為寄生蟲，捕食者和病原體的幫助下征服水稻害蟲的戰(zhàn)斗。據(jù)估計，由于昆蟲、鳥類和老鼠造成的水稻作物損失高達10%-15%。他們通過實施空間分析和Kohonen自組織圖，提出了一個智能解決方案，將多種害蟲類型聚為一類，從而在馬來西亞實現(xiàn)更好的農(nóng)業(yè)水稻害蟲管理。

研究結(jié)果證明，害蟲如老鼠、蠕蟲的種類是影響水稻生產(chǎn)的因素之一。害蟲和雜草是馬來西亞水稻產(chǎn)量損失的主要因素。因此，需要智能解決方案來緩解水稻生產(chǎn)力問題。因此，基于SOM網(wǎng)絡(luò)的智能聚類已成功應(yīng)用于馬來西亞綜合害蟲管理(IPM)的空間分析。

2.5 其他聚類方法的應(yīng)用

隨著國內(nèi)經(jīng)濟的快速發(fā)展與現(xiàn)代化工業(yè)設(shè)備的高度普及，我國農(nóng)業(yè)生產(chǎn)迅速發(fā)展，嚴重影響地區(qū)水環(huán)境生態(tài)安全?？刂妻r(nóng)業(yè)水環(huán)境污染，保護農(nóng)業(yè)生產(chǎn)環(huán)境具有重大意義。王惠[23]等采用數(shù)據(jù)挖掘技術(shù)Kmeans聚類算法對 2013年我國各地區(qū)農(nóng)業(yè)水環(huán)境中化學(xué)需氧量、氨、氮、總磷、石油類、揮發(fā)酚、鉛、汞、鎘、六價鉻、總鉻、砷的排放量等指標(biāo)進行聚類分析，并參照地表水環(huán)境質(zhì)量標(biāo)準GB3838-2002對污染種類與等級進行預(yù)警。并將全國31個地區(qū)分為5類水環(huán)境等級，從結(jié)果中了解到了全國各地區(qū)農(nóng)業(yè)水環(huán)境污染形成的原因，能夠輔助農(nóng)業(yè)水污染的預(yù)防和治理。

王官[24]等通過聚類分析將15份甜高粱種質(zhì)資源分為4大類，各類群間農(nóng)藝性狀差異明顯，其中兩類群體性狀優(yōu)良，可作為核心種質(zhì)資源進一步挖掘利用。

獼猴桃花期授粉質(zhì)量是獼猴桃品質(zhì)重要影響因素之一[25]。針對獼猴桃授粉機器人的研究，由于缺少獼猴桃花朵識別方法，現(xiàn)有授粉機器人自動化程度低。劉浩洲[26]等提出基于 K-means聚類的獼猴桃花朵識別方法。首先，原圖像通過K-mean聚類分割，得到包含花蕊圖像在內(nèi)的4個類別圖像; 然后，由經(jīng)過訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)對這4個類別圖像進行分類，自動選出花蕊圖像; 再通過形態(tài)學(xué)運算對花蕊圖像進行去噪，計算余下各個區(qū)域形心，找到各花朵在圖像中位置并標(biāo)出，最終完成獼猴桃花朵識別。該算法識別成功率為92.5%，滿足現(xiàn)有授粉機器人要求，利于提高其自動化程度。

趙樂杰[27]等以1份秋甘藍種質(zhì)資源為試材，對13個農(nóng)藝性狀進行相關(guān)性、主成分和聚類分析。其中聚類分析將11份秋甘藍種質(zhì)資源在遺傳距離為8時分為4類，其中第Ⅰ類和第Ⅲ類的優(yōu)勢明顯，可作為秋甘藍育種的親本材料。

為了合理利用小麥種質(zhì)資源，給小麥新品種選育提供材料，程曉明[28]等收集了國內(nèi)七大小麥生態(tài)區(qū)23份品種為試驗材料，對莖蘗數(shù)、葉綠素含量、苗期株高、拔節(jié)期、抽穗期、開花期、成熟期、千粒質(zhì)量、成穗數(shù)、穗粒數(shù)10個農(nóng)藝性狀進行主成分及聚類分析。用拔節(jié)期生長因子、開花期生長因子、成穗數(shù)產(chǎn)量因子、抽穗期生長因子、千粒質(zhì)量產(chǎn)量因子這 5 個主成分因子為綜合指標(biāo)進行系統(tǒng)聚類，在遺傳距離為26．64的水平上將23個品種劃分成4個類群，即春性弱春性類、冬性半冬性類、強春性類、強冬性類。春化生育特性相近的大部分被分在1個類群，同時表明主成分中以拔節(jié)期、抽穗期、開花期構(gòu)成生長因子，千粒質(zhì)量、成穗數(shù)構(gòu)成產(chǎn)量因子，較能真實地表現(xiàn)春化生育特性，尤其以拔節(jié)期為主效應(yīng)，至抽穗期、開花期等快速生長階段表現(xiàn)更具反映春化發(fā)育特性的本質(zhì)。

3 總結(jié)和未來的范圍

在第三世界的國家，沒有適當(dāng)?shù)墓喔仍O(shè)施，適當(dāng)?shù)姆柿戏峙洌m當(dāng)?shù)墓芾恚Ｗo和儲存等等，而且?guī)缀跽麄€農(nóng)業(yè)和經(jīng)濟主要依賴于降雨量， Saeed Soltani[29]所做的這項研究的成功應(yīng)用可以帶來巨大的變化。我們堅信數(shù)據(jù)挖掘和聚類分析應(yīng)該是農(nóng)業(yè)的一部分，因為它們可以提高決策的準確性。集群啟發(fā)式允許將數(shù)據(jù)組合成有用的模式，這可能會促成更好的決策。

在目前的情況下，聚類分析的應(yīng)用已經(jīng)得到了長足的發(fā)展，仍然有很多領(lǐng)域仍然需要大量的努力。我認為，各種數(shù)據(jù)挖掘方法和技術(shù)，如k-均值，pCluster和STING等將在這項大型工作中發(fā)揮重要作用。