ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique

APPEL À
CONTRIBUTION
« Intelligence Artificielle et Agriculture Numérique »
En savoir plus >>
Autres revues >>

Revue d'Intelligence Artificielle

0992-499X
Revue des Sciences et Technologies de l'Information
Nouvel éditeur en 2019
 

 ARTICLE VOL 32/SI - 2018  - pp.25-40  - doi:10.3166/ria.32.S1.25-40
TITRE
Une nouvelle méthode de classification des éléments nutritifs du sol repose sur la plate-forme Hadoop

TITLE
A novel soil nutrient classification method based on hadoop platform

RÉSUMÉ

Cet article a pour objectif de développer une méthode efficace d’exploration massive de données pour le traitement des ensembles de données agricoles. À cet effet, l'algorithme à K-moyennes a été amélioré pour l'analyse de la fertilité du sol repose sur la plateforme Hadoop. L’amélioration vise principalement les défauts de l’algorithme à K-moyennes, tels que la sensibilité aux points centraux initiaux et la propension au piège optimal local. Plus précisément, l’algorithme d’analyse par division a été adopté pour intégrer les sous- regroupement de données présentant des similitudes élevées et pour déduire les résultats du regroupement final. Le critère de distance max-min a été adopté pour calculer la distance entre l’objet et le centre du regroupement. Ensuite, chaque donnée a été multipliée par un poids dans la dimension et le point central initial a été sélectionné pour le regroupement. Ensuite, l'algorithme proposé a été appliqué à l'analyse de la fertilité du sol et à la comparaison expérimentale. Les résultats montrent que l'algorithme amélioré à K-moyennes présente une légère erreur, une forte capacité de suivi, une convergence rapide et une bonne capacité anti-bruit. Les résultats de la recherche apportent un éclairage nouveau sur la classification efficace des éléments nutritifs du sol.



ABSTRACT

This paper aims to develop an effective massive data mining method for the processing of agricultural dataset. For this purpose, the k-means algorithm was improved for soil fertility analysis based on the Hadoop platform. The improvement mainly targets such defects of the k-means algorithm as the sensitivity to the initial central points and the proneness to local optimum trap. Specifically, the divisive analysis algorithm was adopted to integrate sub-clusters with high similarities and derive the final clustering results, and the max-min distance criterion was adopted to calculate the distance between the object and the cluster centre. After that, each dataset was multiplied by a weight in the dimension, and the initial centre point was selected for clustering. Next, the proposed algorithm was applied to soil fertility analysis and experimental comparison. The results show that the improved k-means algorithm enjoys a small error, strong tracking ability, fast convergence and good anti-noise ability. The research findings provide new insights into effectively soil nutrient



AUTEUR(S)
Chao WANG, Junhao WANG, Xiaohua SUN, Fushun WANG1

MOTS-CLÉS
algorithme à K-moyennes, cadre Hadoop, données massives, classification des éléments nutritifs du sol.

KEYWORDS
K-means algorithm, Hadoop framework, big data, soil nutrient classification.

LANGUE DE L'ARTICLE
Anglais

 PRIX
• Abonné (hors accès direct) : 7.5 €
• Non abonné : 15.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (670 Ko)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier