Inicio de la búsqueda Colecciones Revistas Acerca de Contáctenos IOPscience

Integración de datos en cubos OLAP espacial de los productos agrícolas

Este contenido ha sido descargado de IOPscience. Por favor, desplácese hacia abajo para ver el texto completo.

Ser .: Environ Tierra. Sci. 58 012034 (http://iopscience.iop.org/1755-1315/58/1/012034)

Ver la tabla de contenido para este problema, o ir a la página de la revista para más IOP 2017 Conf.

Detalles de la descarga:

Dirección IP: 164.73.224.2

Este contenido se descargó el 05/08/2017 a las 18:43

Tenga en cuenta que los términos y condiciones se aplican.

Usted también podría estar interesado en:

Extracto de transformación carga de OLTP a OLAP datos mediante la integración de datos pentaho RJ Salaki, J
Waworuntu y IRHT Tangkawarow

efectos de la caída de los costes de producción de etanol de celulosa en la agriculturaleconomy estadounidense Jody L Campiche, Henry

L Bryant y James W Richardson largo plazo

Los efectos en el mercado de combustible de las políticas de biocombustibles y repercusiones en los reglamentos basados ​en las emisiones del ciclo de

vida

Deepak Rajagopal

Análisis Inteligente de Datos en el Sistema de Información EMERCOM

Sharafutdinova Elena, Avdeenko Tatiana y Maxim Bakaev

el fósforo se realiza y las conexiones globales de agricultura de Estados Unidos Graham K

MacDonald, Elena M Bennett y Stephen R carpintero

Módulo de clustering en OLAP para Cultivos Hortícolas utilizando SpagoBI D Putri e IS

Sitanggang

Fe de erratas: "gas ionizado EN EL CENTRO GALÁCTICO: NUEVOS OBSERVACIONES Y INTERPRETACIÓN" (2012, ApJ, 755,
90)
Wesley T. Irons, John H. Lacy y Matthew J. Richter

Reto de los biocombustibles: llenar el tanque sin necesidad de vaciar el estómago? D

Rajagopal, SE Sexton, D Roland-Holst et al.

 ISS IOP Publishing
PIO Conf. Serie: Tierra y Ciencias Ambientales 58 ( 2017) 012034 doi: 10.1088 / 1355/15/58/1 / 012.034

Conferencia Internacional sobre Tendencias recientes en Física 2016 (ICRTP2016) IOP Publishing
Journal of Physics: Conference Series 755 ( 2016) 011001 doi: 10,1088 / 1742-6596 / 755/1/011001

Integración de datos en cubos OLAP espacial de los productos agrícolas

AI Putri 1 e IS Sitanggang 1
1 Departamento de Ciencias de la Computación de la Universidad de Agricultura de Bogor, Jalan Meranti Ala 20 nivel 5 Kampus IPB, Bogor,

Java Occidental, Indonesia

Email: ananda.putri152@gmail.com , imas.sitanggang@ipb.ac.id

Resumen. Ministerio de Agricultura de Indonesia recoge datos de los productos agrícolas en Indonesia en el período anual. los datos de las
materias primas agrícolas incluyen los cultivos de alimentos, horticultura, las plantaciones y la ganadería. están disponibles en el formato de
hoja de cálculo de los datos. En este estudio se desarrolló cubos de datos para los cultivos de alimentos, las plantaciones y la ganadería
utilizando el esquema de constelación de almacenamiento de datos e integró los cubos de datos en el SOLAP Horticultura usando SpagoBI.
SOLAP es útil para análisis de datos y visualización de datos. La aplicación muestra datos de productos agrícolas en forma de tabla de
referencias cruzadas y gráfico. Este estudio también ha desarrollado el módulo de inteligencia de localización que visualiza los datos de las
materias primas agrícolas en el mapa. El sistema se ensayó usando el enfoque de la caja negro. El resultado mostró que las funciones
principales incluyendo rueda para arriba, perforar abajo, rebanada, dados, y el trabajo de pivote correctamente. Se espera que esta aplicación
para que los usuarios puedan obtener fácilmente resúmenes de datos de productos agrícolas.

1. Introducción
Las materias primas agrícolas en Indonesia son muy diversas que se divide en varios sectores: los cultivos de alimentos, horticultura, las
plantaciones y la ganadería. Ministerio de Agricultura de Indonesia recoge datos de los productos agrícolas en Indonesia en el período anual del
nivel nacional al nivel del distrito. están disponibles en el formato de hoja de cálculo de los datos de modo que no es fácil para los usuarios obtener
resúmenes de datos históricos de los productos agrícolas. Cada año, los datos de los productos agrícolas continúan creciendo. El crecimiento de los
datos va a generar conjuntos de datos en cantidades muy grandes. Por lo tanto, necesitamos una herramienta que puede resumir de forma
automática la información y transformar los datos en un conocimiento útil [1]. almacén de datos es un espacio de almacenamiento a largo plazo para
almacenar un conjunto de datos de múltiples fuentes en un plan para ayudar a los usuarios en la toma de decisiones [1]. Un almacén de datos
puede almacenar datos en un espacio multidimensional para hacer un cubo de datos. Un almacén de datos utiliza el modelo de datos
multidimensional y procesamiento analítico en línea (OLAP) para explorar datos en detalle [2].

Los datos espaciales son los datos que contienen información geográfica de la ubicación en la superficie de la tierra. Un almacén de datos
espacial es una colección de datos espaciales que está sujeto, la variante orientado, integrado tiempo, y no volátil para tomar decisiones [1].
Desarrollo de un almacén de datos espaciales para integrar temáticas y datos geográficos producir un cubo de datos espaciales para el análisis de
datos espaciales multidimensionales [1]. Hoy en día, hay un sistema que se llama espacial Procesamiento de análisis en línea (SOLAP) que puede
ser utilizado para el análisis de datos y visualización de datos. Un SOLAP está integrado con un almacén de datos espaciales para ayudar a los
usuarios a obtener resúmenes de datos históricos con facilidad y rapidez.

El contenido de este trabajo puede ser utilizado bajo los términos de la Creative Commons Attribution 3.0 License . Cualquier distribución adicional de este trabajo
debe mantener la atribución al autor (s) y el título de la obra, la cita diario y DOI.
Publicado bajo licencia por el IOP Publishing Ltd
1
 ISS IOP Publishing
PIO Conf. Serie: Tierra y Ciencias Ambientales 58 ( 2017) 012034 doi: 10.1088 / 1355/15/58/1 / 012.034

En este estudio se desarrolló cubos de datos espaciales para los cultivos de alimentos, las plantaciones y la ganadería utilizando el esquema de
constelación de almacenamiento de datos e integró los cubos de datos en el SOLAP Horticultura usando SpagoBI. SpagoBI se utilizó para crear cubos de
datos. SpagoBI es una fuente completa, abierta y una herramienta de inteligencia de negocio flexible. SpagoBI es completa, ya que cubre todas las
necesidades de inteligencia de negocio con soluciones innovadoras y ofrece una variedad de herramientas de análisis [3]. En este estudio se desarrolló un
SOLAP y un módulo de inteligencia de localización de los productos agrícolas. La aplicación proporciona resúmenes de datos representados en tabla de
referencias cruzadas, gráfico o mapas dinámicos. Esperamos que la aplicación puede facilitar a los usuarios obtener resúmenes de datos de los cultivos de
alimentos, plantaciones o ganado adecuadamente.

2. Datos y método

2.1. Datos
Los datos de los productos agrícolas utilizados en este estudio son los cultivos de alimentos, plantaciones y ganados entre 2000 y 2014 a nivel de
distrito en Indonesia. Los datos se obtuvieron de la página web del Ministerio de Agricultura de Indonesia en
http://aplikasi.pertanian.go.id/bdsp/newkom.asp en formato Microsoft Excel (.xls) [4]. Atributos de los datos incluyen tipos de productos básicos, la
ubicación, la hora y el estado de los datos. Las medidas en los datos de cultivos de alimentos están área (ha), la producción (ton), y la
productividad (kg / ha) cosechados. Las medidas en los datos de las plantaciones son la superficie cultivada (ha), la producción (ton), y la
productividad (kg / ha) y las medidas en datos ganados son población (cola) y de producción (tonelada). La Figura 1 muestra los datos de área
cosechada de cultivos de alimentos en Majalengka, provincia de Java Occidental en el período de 2010-2019.

Figura 1. datos sobre cultivos de alimentos.

Este estudio se llevó a cabo en varios pasos, incluyendo el diseño del almacén de datos, implementación de almacenamiento de datos, diseño de
SOLAP, nueva integración cubos de datos, implementación de SOLAP para los nuevos cubos de datos, la aplicación de la inteligencia de localización
para los nuevos cubos de datos, así como SOLAP y ubicación las pruebas de inteligencia.

2.2. Diseño del almacén de datos

Un almacén de datos es generalmente modelada por una estructura de datos multidimensional llamado un cubo de datos. La dimensión es una
colección de atributos en el esquema y el hecho de es valor de varias mediciones [1]. El esquema multidimensional de datos utilizada en este estudio
es el esquema galaxia. En este esquema, hay algunas tablas de dimensiones y tablas de hechos que pueden compartir tablas de dimensiones por lo
que el esquema contiene algunos esquemas en estrella que están conectados entre sí. En el esquema de la galaxia, una tabla de dimensiones puede
ser utilizado simultáneamente por varias tablas de hechos. La tabla de hechos contiene algunas medidas y algunas claves externas que se conectan
con la clave principal de una tabla de dimensiones [5]. Una tabla de dimensiones contiene datos detallados y texto descriptivo que describe una clave
externa de la tabla de hechos.

2
 ISS IOP Publishing
PIO Conf. Serie: Tierra y Ciencias Ambientales 58 ( 2017) 012034 doi: 10.1088 / 1355/15/58/1 / 012.034

2.3. Implementación de almacenamiento de datos

En la implementación del almacén de datos, los datos se gestionan mediante el DBMS PostgreSQL. datos multidimensionales consisten en
dimensiones, medida, y los hechos. Los datos se almacenan en tablas de datos y tablas de dimensiones. cubos de datos se implementan en
SpagoBI estudio.

2.4. Diseño de SOLAP y nuevos cubos de datos de integración

SpagoBI estudio se utilizó para diseñar y construir cubos de datos de los cultivos de alimentos, plantaciones y cultivos vivos. El esquema del
almacén de datos adoptado es el esquema de la galaxia. El esquema galaxia puede integrar nuevos cubos de datos con tablas de dimensiones que
se han construido en el SOLAP para los cultivos hortícolas.

2.5. Implementación de SOLAP para los nuevos cubos de datos

SOLAP de los productos agrícolas se basa en la aplicación web utilizando SpagoBI como el servidor OLAP. Los nuevos cubos de datos
almacenados en SpagoBI estudio están conectados con SpagoBI Server para realizar operaciones OLAP.

2.6. Implementación de inteligencia de localización para los nuevos cubos de datos

Implementación de inteligencia de localización se realizó en SpagoBI servidor. Mapas para la visualización de los datos de la agricultura se
almacenan en GeoServer. SpagoBI tiene dos tipos de mapa visualizaciones dinámicas a saber, la zona mapa y punto del mapa. Una zona de mapa
es un mapa de polígonos. Cada polígono tiene un color diferente que representa un valor diferente de las medidas. El valor más alto de medida, el
color más oscuro del polígono. Un punto del mapa es un mapa mostrado por puntos. Cada punto tiene un tamaño diferente. El valor más alto de
medida, el mayor tamaño de los puntos sobre un punto del mapa.

2.7. SOLAP y pruebas de inteligencia de localización

Verificación de los datos se realizó antes de las pruebas del sistema para evaluar los datos proporcionados por el SOLAP. Además, las pruebas SOLAP se
realizó en operaciones OLAP incluyendo rueda para arriba, perforar abajo, rebanada, dados, y el pivote en cada cubo de datos. También se realizó la
prueba SOLAP para evaluar la visualización de datos en tablas cruzadas y gráficos para las dimensiones y medida seleccionados. Algunas funciones en la
inteligencia de localización fueron probados incluyendo presentan un mapa en un polígono o un punto, que muestra un mapa de acuerdo con los
indicadores seleccionados, y filtro de datos en un mapa. Las pruebas del sistema se llevó a cabo para encontrar las funciones que no podrían funcionar
adecuadamente. Por otra parte, resultados de las pruebas son importantes para el desarrollo futuro del sistema.

3. Resultado y discusión

3.1. Procesamiento previo de los datos

Los datos de los cultivos de alimentos, las plantaciones y la ganadería fueron obtenidos de la página web del Ministerio de Agricultura de Indonesia.
Los datos incluyen productos agrícolas entre 2000 y 2014 a nivel de distrito. número de estado de los datos utilizados son los números fijos. Las
medidas de los cultivos de alimentos, plantaciones y animales tienen diferentes unidades de modo que se requiere la conversión de datos sobre las
medidas. Número de registros en los cultivos de alimentos, plantaciones de cultivos y el ganado son 59.997, 80.140 y 199.610, respectivamente.

3.2. Diseño del almacén de datos

El esquema de almacenamiento de datos adoptado en este estudio es el esquema de la galaxia. Las tablas de dimensiones que están conectados a las
nuevas tablas de hechos son el tiempo, la ubicación y el estado de los datos. En este estudio se creó tres nuevas tablas de dimensiones y tres tablas de
hechos. Tres dimensiones son productos alimenticios, productos de las plantaciones de cultivos y productos pecuarios. Tres tablas de hechos son de
hecho alimento de cultivos, plantaciones de hecho, y hecho de ganado. Por lo tanto, el almacén de datos de productos agrícolas tiene siete
dimensiones y cuatro tablas de hechos. El SOLAP de productos agrícolas tiene cuatro cubos de datos que incluyen cultivos hortícolas, cultivos de
alimentos, plantaciones y ganado. La Figura 2 muestra el esquema Galaxy para cubos de datos de cultivos de alimentos, plantaciones y animales.

3
 ISS IOP Publishing
PIO Conf. Serie: Tierra y Ciencias Ambientales 58 ( 2017) 012034 doi: 10.1088 / 1355/15/58/1 / 012.034

Figura 2. Galaxy esquema de cubos de datos de la horticultura, cultivos de alimentos, plantaciones y ganado.

3.3. Implementación de almacenamiento de datos

tablas de hechos y de dimensiones en el almacén de datos de productos agrícolas se almacenan en DBMS PostgreSQL. El almacén de
datos se compone de siete tablas de dimensiones y cuatro tablas de hechos. Siete tablas de medidas son la ubicación, estado, el tiempo,
los productos hortícolas (horticulture_commodity), productos de cultivo de alimentos (foodcrop_commodity), productos de las plantaciones
(plantation_commodity), y los productos pecuarios (livestock_commodity). Cuatro tablas de hechos son hortícolas (horticulture_fact), cultivos
alimenticios (foodcrop_fact), plantaciones (plantation_fact), y ganados (livestock_fact). tablas de medidas se llevaron a cabo antes de la
creación de las tablas de hechos, ya que cada tabla de dimensiones contiene una clave principal que se utiliza como una clave externa de la
tabla de hechos.

3.4. Diseño de SOLAP y nuevos cubos de datos de integración

En este estudio se diseña Solap y datos utilizando cubos SpagoBI estudio. Las tablas de dimensiones y tablas de hechos almacenados en el DBMS
PostgreSQL están conectados a SpagoBI estudio utilizando el controlador JDBC de PostgreSQL. cubos de datos se crearon utilizando SpagoBI
Estudio asignando el tipo de dimensión a dimensión mesas, tablas de hechos a los cubos, y las medidas en las tablas de hechos a medida.

3.5. Implementación de SOLAP para los nuevos cubos de datos

SOLAP se llevó a cabo mediante la creación de un servidor en SpagoBI Studio y entonces el servidor se conecta al almacén de
datos de productos agrícolas que utilizan SpagoBI servidor. Por otra parte, la plantilla de OLAP se hizo en SpagoBI Estudio con el
formato XML para el modelo de datos multidimensional. La plantilla de OLAP se despliega en SpagoBI servidor.

El resultado de la aplicación SOLAP es un almacén de datos espaciales de los productos agrícolas que se encuentra disponible en el servidor
SpagoBI. operaciones OLAP tales como enrollar, perforar abajo, rebanada, dados, y el pivote se llevan a cabo en los datos de cultivos agrícolas y los
resultados se muestran en tabla de referencias cruzadas y gráfico. La tabla de referencias cruzadas y pueden ser descargados en Microsoft Excel o
PDF. La Figura 3 muestra el ajuste para las operaciones de OLAP.

4
 ISS IOP Publishing
PIO Conf. Serie: Tierra y Ciencias Ambientales 58 ( 2017) 012034 doi: 10.1088 / 1355/15/58/1 / 012.034

Figura 3. Navigator OLAP.

La Figura 3 muestra la vista de OLAP navegador. En el navegador de OLAP, los usuarios pueden seleccionar las medidas y dimensiones, incluyendo la
dimensión de la ubicación, los productos básicos, el estado de los datos, y el tiempo. Las dimensiones y la medida se pueden mostrar como columnas o filas
en tabla de referencias cruzadas de acuerdo con las necesidades del usuario. El filtro se utiliza para seleccionar contenidos de la dimensión seleccionada.
La Figura 4 proporciona el resultado de la operación SOLAP para cultivos de alimentos con dos dimensiones a saber, de las materias primas y de
localización de 2000 a 2014. Por otra parte, se proporciona un ejemplo de operación SOLAP en área cosechada de los cultivos alimentarios en West Java
desde 2000 a 2014 en la figura 5.

Figura 4. Cultivos alimenticios Resumen de datos de tabla de referencias cruzadas.

5
 ISS IOP Publishing
PIO Conf. Serie: Tierra y Ciencias Ambientales 58 ( 2017) 012034 doi: 10.1088 / 1355/15/58/1 / 012.034

Figura 5. Cultivos alimenticios Resumen de datos en el gráfico.

3.6. Implementación de inteligencia de localización para los nuevos cubos de datos

El paso inicial en la implementación inteligencia de localización está preparando y almacenando el mapa de Indonesia en GeoServer en el formato de
archivo de forma (SHP). El mapa de Indonesia se obtuvo de la Agencia de Información Geoespacial (BIG). Además, el mapa se muestra en el servidor
SpagoBI. El segundo paso es la creación de bases de datos para cada cubo de datos en SpagoBI Server para ser visualizado en el mapa de Indonesia. Los
datos extraídos del almacén de datos de productos agrícolas son los nombres de las materias primas, las ubicaciones de identificación, provincias, países,
tiempos, el área cosechada, producción de cultivos y la productividad de los cultivos. Este estudio utiliza el mapa dinámico para la visualización de datos.
Los datos de los mapas muestra dinámicos en mapas de polígonos (zona mapa) y mapas de puntos. La inteligencia de localización requiere una plantilla de
conectarse a GeoServer SpagoBI servidor. La plantilla está representada en el formato JSON. En la plantilla hay indicadores que se presentarán en el
mapa. La plantilla se utiliza para que coincida con el ID de ubicación en GeoServer con el ID de ubicación en el conjunto de datos. La Figura 6 muestra el
resultado del módulo de inteligencia ubicación para el área de cosecha de cultivos de alimentos que está representada en la zona de mapa para el período
de 2000-2014. El color más oscuro del polígono, el mayor valor de la superficie cultivada en la región. En la visualización de datos, hay algunas funciones
que pueden ser utilizados por los usuarios a explorar el mapa. Estas funciones incluyen indicadores, filtros y leyendas. El indicador tiene una función para
mostrar la medida. Filtro se utiliza para filtrar los datos que se muestran en el mapa. Leyenda proporciona información relacionada con diferentes colores en
el mapa. La plantilla se utiliza para que coincida con el ID de ubicación en GeoServer con el ID de ubicación en el conjunto de datos. La Figura 6 muestra el
resultado del módulo de inteligencia ubicación para el área de cosecha de cultivos de alimentos que está representada en la zona de mapa para el período
de 2000-2014. El color más oscuro del polígono, el mayor valor de la superficie cultivada en la región. En la visualización de datos, hay algunas funciones
que pueden ser utilizados por los usuarios a explorar el mapa. Estas funciones incluyen indicadores, filtros y leyendas. El indicador tiene una función para mostrar la medida. Filtro

La Figura 6. Representación de cultivos alimenticios Resumen de datos en una zona del mapa.

6
 ISS IOP Publishing
PIO Conf. Serie: Tierra y Ciencias Ambientales 58 ( 2017) 012034 doi: 10.1088 / 1355/15/58/1 / 012.034

La Figura 7 muestra el resultado del módulo de inteligencia ubicación para el área de cosecha de cultivos de alimentos que está representado en el
punto del mapa para el período de 2000-2014. En la figura 7, tamaño de los puntos se refiere al valor de la superficie cultivada en la región.

La Figura 7. datos de los cultivos de alimentos en un punto del mapa.

3.7. SOLAP y pruebas de inteligencia de localización

Verificación de los datos se llevó a cabo antes de la prueba y la ubicación SOLAP inteligencia. El resultado muestra que los resúmenes de datos
proporcionados por el SOLAP son válidos y se corresponden con los datos originales que están disponibles en la página web del Ministerio de
Agricultura. La prueba de SOLAP de los productos agrícolas y el módulo de inteligencia de ubicación se ha realizado mediante el enfoque de la caja
negro. La Tabla 1 muestra los escenarios de prueba para SOLAP de productos agrícolas, mientras que la Tabla 2 muestra los escenarios de prueba
para el módulo de localización de inteligencia. Los resultados de las pruebas en la SOLAP de los productos agrícolas y el espectáculo módulo de
localización de inteligencia que todas las funciones de que el sistema funcione correctamente.

Tabla 1. Prueba de resultados de la SOLAP de productos agrícolas.

No Tarea Guión Resultado Esperado Resultado

1 Selección de datos para Examinar cada dimensión del cubo de Los datos se muestran de La tarea
cierta dimensión y datos acuerdo con las dimensiones funciona
medida seleccionadas correctamente
2 Visualización de datos en La selección de uno o más dimensiones Los datos se representan en la La tarea
tabla de referencias cruzadas (s) en OLAP Navigator y haga clic en “OK” tabla de referencias cruzadas funciona
para mostrar la tabla de referencias correctamente
cruzadas
3 Visualización de datos en La selección de cada dimensión del Los datos se representan en el La tarea
gráfico cubo de datos y elegir la opción “tabla” gráfico funciona
correctamente
4 Visualización de datos como Selección de dimensiones de Los datos se muestran de La tarea
el resultado de las acuerdo a las operaciones OLAP acuerdo con las operaciones funciona
operaciones OLAP en cada OLAP seleccionados correctamente
cubo de datos

7
 ISS IOP Publishing
PIO Conf. Serie: Tierra y Ciencias Ambientales 58 ( 2017) 012034 doi: 10.1088 / 1355/15/58/1 / 012.034

Tabla 2. Los resultados de pruebas del módulo de inteligencia de ubicación.

No Tarea Guión Resultado Esperado Resultado

1 Viendo zona del mapa Selección de la zona mapa Color diferente de los polígonos de La tarea
para cada cubo de datos acuerdo con los valores de medida funciona
para cada distrito correctamente

2 Viendo punto del mapa Selección de punto del mapa tamaño diferente de puntos de La tarea
para cada cubo de datos acuerdo con los valores de medida funciona
para cada distrito correctamente
3 Filtrado en el mapa La selección de uno o más filtros Un mapa se muestra de acuerdo La tarea
(s) con el resultado filtrado funciona
correctamente
4 Viendo mapa La selección de un indicador Un mapa se muestra de La tarea
de acuerdo al indicador acuerdo con el indicador funciona
correctamente
5 Para acercar y alejar la imagen Selección de acercar o alejar la Un mapa que se muestra a ser Las obras de
en el mapa imagen entidades en el mapa más grande o más pequeño que tareas
el anterior mapa correctamente

4. Resumen
Desarrollo e integración de nuevos cubos de datos para los cultivos hortícolas, cultivos de alimentos, plantaciones y animales en el SOLAP
de productos agrícolas fueron realizado exitosamente usando SpagoBI. El SOLAP de los productos agrícolas se integra al almacén de
datos desarrollado basado en el esquema galaxia. El SOLAP proporciona resúmenes de datos agricultura representadas en tablas cruzadas
y gráficos. El módulo de inteligencia de localización para cada cubo de datos también se aplicó con éxito para visualizar resúmenes de
datos agrícolas en los mapas dinámicos. Los resultados de las pruebas de SOLAP y el módulo de inteligencia de localización para los
cubos de datos de cultivos hortícolas, cultivos de alimentos, plantaciones y animales indican que todas las funciones del SOLAP y el lugar
de trabajo de inteligencia correctamente.

referencias
[1] Han J, de Kamber M y Pei J 2012 La minería de datos: concepto y técnicas 3ª edición (San Francisco
(US): Elsevier)
[2] Boulil K, Ber LF, Bimonte S, Grac C y Cernesson F 2014 modelado multidimensional y
análisis de los datos del curso de agua grande y complejo: una solución basada en OLAP, Informática (ecológicos Elsevier)
pp 30 [3] Cazzin G 2012 Inteligencia de negocios con SpagoBI ( Padua (IT): SpagoBI Centro de Competencia) [4]

[Ministerio de Agricultura] Ministerio de Agricultura 2016 La base de datos de estadísticas agrícolas

recuperado de http://aplikasi.pertanian.go.id/bdsp/ newkom.asp. [5] Kimball R y Ross M 2013 El kit de herramientas
de almacenamiento de datos: La guía definitiva para
Modelado tridimensional ( Indianapolis (IN-US): Wiley)