基于空間連續(xù)性聚類算法的精準(zhǔn)農(nóng)業(yè)管理分區(qū)研究

　　摘 要：該研究在K均值算法KM的基礎(chǔ)上，根據(jù)空間單元位置的相互依賴關(guān)系，提出了一種新的空間連續(xù)性聚類算法 SCKM。以北京精準(zhǔn)農(nóng)業(yè)示范基地獲取的0MIS圖像為數(shù)據(jù)源，選用K均值算法、等間隔法、分位數(shù)法、自然斷點(diǎn)法等傳統(tǒng) 分區(qū)方法和SCKM算法，對肥水需求關(guān)鍵時期的小麥的長勢差異進(jìn)行了管理分區(qū)提取研究，并引入了權(quán)重方差和聚集度 兩種分區(qū)效果評價指標(biāo)，對分區(qū)結(jié)果進(jìn)行了比較和評價。結(jié)果表明：SCKM算法與傳統(tǒng)分區(qū)方法分區(qū)結(jié)果相比，區(qū)內(nèi)方差差 異不顯著；而空間聚集度遠(yuǎn)好于后者，利用SCKM法分區(qū)能夠有效地去除大量的孤立單元或碎片。

　　關(guān)鍵詞：精準(zhǔn)農(nóng)業(yè)；管理分區(qū)；SCKM算法；評價指標(biāo)

　　0 引 言

　　變量投入技術(shù)是實(shí)現(xiàn)農(nóng)業(yè)精準(zhǔn)管理的關(guān)鍵技術(shù)和 手段，初期的精準(zhǔn)農(nóng)業(yè)變量投入技術(shù)主要通過柵格采樣 方法實(shí)現(xiàn)的，然而采樣密度、采樣方式以及插值方法的 不同直接影響應(yīng)用處方的精度和空間分布[1’2]。而且為 了產(chǎn)生精確的處方圖，需要投入大量的人力、時間和成 本獲取高度密集的采樣數(shù)據(jù)口]。另一方面，在實(shí)際田問 變量實(shí)施中，規(guī)則的格網(wǎng)處方并不實(shí)用。因此，許多學(xué)者 開始研究按照土壤或作物長勢狀況的差異性將同一地 塊分成不同的均質(zhì)性區(qū)域進(jìn)行管理，即管理分區(qū)。管理 分區(qū)技術(shù)是目前實(shí)施精準(zhǔn)農(nóng)業(yè)變量管理的一個經(jīng)濟(jì)有 效的手段?？茖W(xué)合理的管理分區(qū)可以指導(dǎo)用戶以管理分 區(qū)為單元，進(jìn)行土壤和作物農(nóng)學(xué)參數(shù)采樣，并根據(jù)不同 單元間的空間變異性，實(shí)施變量投入、精準(zhǔn)管理決策。許 多研究者采用不同的數(shù)據(jù)源(如高程、坡度、坡向等地形 數(shù)據(jù)、土壤電導(dǎo)率、土壤耕層深度、產(chǎn)量數(shù)據(jù)等)進(jìn)行了 管理分區(qū)的劃分研究r4川]，但目前的研究方法主要采用 非監(jiān)督分類或監(jiān)督分類以及GIS軟件提供的分類方法 (如等間隔法、分位數(shù)法、自然斷點(diǎn)法等)進(jìn)行管理分區(qū) 的勾畫，但由于在分區(qū)的過程中僅考慮了空間單元的屬 性數(shù)據(jù)，并沒有考慮單元的空間分布及空間相互依賴關(guān) 系而使分區(qū)結(jié)果出現(xiàn)許多孤立的單元或碎片，不便于精 準(zhǔn)農(nóng)業(yè)機(jī)械設(shè)備的田間變量管理作業(yè)。為了解決此問 題，本研究在傳統(tǒng)的K均值算法的基礎(chǔ)上，引入了空間 收稿日期：2004—11-04修訂日期：2005—02—23 基金項目：863數(shù)字農(nóng)業(yè)資助項目(2003AA209040) 作者簡介：李翔(1975一)，男，河南鹿邑人，博士生，主要從事GIS 空間分析與遙感應(yīng)用研究。北京 北京師范大學(xué)地理學(xué)與遙感科學(xué) 學(xué)院遙感與地理信息系統(tǒng)研究中心，i00875。Email：gmlxiangl88 @sohu．com 通訊作者：趙春江(1964～)，研究員，博士生導(dǎo)師，北京國家農(nóng)業(yè) 信息化工程技術(shù)研究中心，100089。Email：zhaocj@nercita．org．cn 單元位置的相互依賴關(guān)系，提出了一種新的空間連續(xù)性 聚類算法SCKM(Spatial Contiguous K—Means cluster)。并以北京精準(zhǔn)農(nóng)業(yè)示范基地獲取的高分辨率 成像光譜圖像OMIS(Operative Modular Imaging Spectrometer)為數(shù)據(jù)源，選用4種傳統(tǒng)的分區(qū)方法(K 均值、等間隔、分位數(shù)、自然斷點(diǎn)法)和SCKM算法，對 肥水需求關(guān)鍵時期的小麥的長勢差異進(jìn)行了調(diào)優(yōu)栽培 管理分區(qū)提取研究，并對傳統(tǒng)方法與SCKM算法的分 區(qū)效果進(jìn)行了比較和評價。

　　1傳統(tǒng)的分區(qū)方法

　　1．1 GIS軟件提供的幾種常用方法

　　ArcGIS軟件中提供的幾種常見分類方法： 等間隔法(Equal Interval，EI)：根據(jù)空間單元的屬 性數(shù)據(jù)，按等間隔距離將空間單元劃分不同的類別。 分位數(shù)法(Quantile，QT)：按照每個類別具有相同 的空間單元來劃分的方法。 自然斷點(diǎn)法(Natural Breaks，NB)：用Jenk優(yōu)化公 式確定不同類別間的斷點(diǎn)，該方法相當(dāng)復(fù)雜，但其核心 思想是使類別內(nèi)方差和最小。自然斷點(diǎn)法能反映空間單 元分布的固有模式或類別。

　　1．2 K均值聚類算法

　　K均值聚類算法(K—Means，KM)是一種經(jīng)典的 空間聚類算法。首先，要給定聚類數(shù)目K創(chuàng)建一個初始 劃分，然后根據(jù)聚類準(zhǔn)則函數(shù)將空間對象與這些聚類中 心和初始類逐一作比較，判斷對象的歸屬。K均值算法 是用每個聚類中所有對象的平均值作為該聚類(簇)的 中心，采用誤差平方和最小準(zhǔn)則判斷對象的歸屬。

　　2基于空間連續(xù)性聚類算法SCKM

　　Tobler(1978)提出了地理學(xué)第一定律—空間自相關(guān)性,即“距離相近的物體比距離遠(yuǎn)的相關(guān)性大”,它是表征兩個位置相近物體的相似程度,是自然界普遍存在的一種地理現(xiàn)象。利用空間自相關(guān)性進(jìn)行精準(zhǔn)農(nóng)業(yè)管理分區(qū)的提取可以使每個分區(qū)具有較高的空間自相關(guān)性。而實(shí)際上大部分空間自相關(guān)度量指標(biāo)不能用于分類,如全局 Moran' I Geary'C等。因為這些指標(biāo)是從全

　　局角度來度量樣本之間(在連續(xù)的柵格圖像中,每個像元可看作一個樣本)在整個區(qū)域的空間依賴程度,而不能度量每個樣本對其周圍樣本的依賴性在空間上的差。

　　3結(jié)語

　　本研究在K均值算法的基礎(chǔ)上,提出了一種精準(zhǔn)農(nóng)業(yè)管理分區(qū)劃分的新算法SCKM,不僅考慮了空間單元的屬性值之間的差異性,還考慮了空間單元的空間分布及其空間相互依賴性。驗證結(jié)果表明SCKM算法可以使區(qū)內(nèi)變異較小,而且去除了大量的碎片和孤立的像元,兼顧了管理分區(qū)的連續(xù)性,適宜精準(zhǔn)農(nóng)業(yè)田間變量管理作業(yè)。分區(qū)結(jié)果可以直接作為變量管理的決策單元,在同一管理分區(qū)內(nèi)實(shí)施統(tǒng)一管理,不同分區(qū)間實(shí)施變量管理模式,如根據(jù)肥水需求關(guān)鍵時期的小麥長勢差異,在不同管理分區(qū)間設(shè)計不同的目標(biāo)產(chǎn)量進(jìn)行產(chǎn)中變量追肥管理12-1。分區(qū)結(jié)果也可指導(dǎo)生產(chǎn)者和科技工作者進(jìn)行土壤和作物農(nóng)學(xué)參數(shù)采樣,提高采樣精度和效率。因此,利用SCKM算法進(jìn)行管理分區(qū)的劃分為精準(zhǔn)農(nóng)業(yè)變量投入、精準(zhǔn)管理提供了有效途徑

　　作者：李 翔1’2，潘瑜春2，趙春江2※，王紀(jì)華2，鮑艷松1，劉良云2，王錦地1’3

《基于空間連續(xù)性聚類算法的精準(zhǔn)農(nóng)業(yè)管理分區(qū)研究》

上一篇：冀南地區(qū)農(nóng)村電商扶貧問題探究

下一篇：基于灰色關(guān)聯(lián)的西北地區(qū)農(nóng)業(yè)循環(huán)經(jīng)濟(jì)發(fā)展評價