基于空间连续性聚类算法的精准农业管理分区研究

　　摘 要：该研究在K均值算法KM的基础上，根据空间单元位置的相互依赖关系，提出了一种新的空间连续性聚类算法 SCKM。以北京精准农业示范基地获取的0MIS图像为数据源，选用K均值算法、等间隔法、分位数法、自然断点法等传统 分区方法和SCKM算法，对肥水需求关键时期的小麦的长势差异进行了管理分区提取研究，并引入了权重方差和聚集度 两种分区效果评价指标，对分区结果进行了比较和评价。结果表明：SCKM算法与传统分区方法分区结果相比，区内方差差 异不显著；而空间聚集度远好于后者，利用SCKM法分区能够有效地去除大量的孤立单元或碎片。

　　关键词：精准农业；管理分区；SCKM算法；评价指标

　　0 引 言

　　变量投入技术是实现农业精准管理的关键技术和 手段，初期的精准农业变量投入技术主要通过栅格采样 方法实现的，然而采样密度、采样方式以及插值方法的 不同直接影响应用处方的精度和空间分布[1’2]。而且为 了产生精确的处方图，需要投入大量的人力、时间和成 本获取高度密集的采样数据口]。另一方面，在实际田问 变量实施中，规则的格网处方并不实用。因此，许多学者 开始研究按照土壤或作物长势状况的差异性将同一地 块分成不同的均质性区域进行管理，即管理分区。管理 分区技术是目前实施精准农业变量管理的一个经济有 效的手段。科学合理的管理分区可以指导用户以管理分 区为单元，进行土壤和作物农学参数采样，并根据不同 单元间的空间变异性，实施变量投入、精准管理决策。许 多研究者采用不同的数据源(如高程、坡度、坡向等地形 数据、土壤电导率、土壤耕层深度、产量数据等)进行了 管理分区的划分研究r4川]，但目前的研究方法主要采用 非监督分类或监督分类以及GIS软件提供的分类方法 (如等间隔法、分位数法、自然断点法等)进行管理分区 的勾画，但由于在分区的过程中仅考虑了空间单元的属 性数据，并没有考虑单元的空间分布及空间相互依赖关 系而使分区结果出现许多孤立的单元或碎片，不便于精 准农业机械设备的田间变量管理作业。为了解决此问 题，本研究在传统的K均值算法的基础上，引入了空间 收稿日期：2004—11-04修订日期：2005—02—23 基金项目：863数字农业资助项目(2003AA209040) 作者简介：李翔(1975一)，男，河南鹿邑人，博士生，主要从事GIS 空间分析与遥感应用研究。北京 北京师范大学地理学与遥感科学 学院遥感与地理信息系统研究中心，i00875。Email：gmlxiangl88 @sohu．com 通讯作者：赵春江(1964～)，研究员，博士生导师，北京国家农业 信息化工程技术研究中心，100089。Email：zhaocj@nercita．org．cn 单元位置的相互依赖关系，提出了一种新的空间连续性 聚类算法SCKM(Spatial Contiguous K—Means cluster)。并以北京精准农业示范基地获取的高分辨率 成像光谱图像OMIS(Operative Modular Imaging Spectrometer)为数据源，选用4种传统的分区方法(K 均值、等间隔、分位数、自然断点法)和SCKM算法，对 肥水需求关键时期的小麦的长势差异进行了调优栽培 管理分区提取研究，并对传统方法与SCKM算法的分 区效果进行了比较和评价。

　　1传统的分区方法

　　1．1 GIS软件提供的几种常用方法

　　ArcGIS软件中提供的几种常见分类方法： 等间隔法(Equal Interval，EI)：根据空间单元的属 性数据，按等间隔距离将空间单元划分不同的类别。 分位数法(Quantile，QT)：按照每个类别具有相同 的空间单元来划分的方法。 自然断点法(Natural Breaks，NB)：用Jenk优化公 式确定不同类别间的断点，该方法相当复杂，但其核心 思想是使类别内方差和最小。自然断点法能反映空间单 元分布的固有模式或类别。

　　1．2 K均值聚类算法

　　K均值聚类算法(K—Means，KM)是一种经典的 空间聚类算法。首先，要给定聚类数目K创建一个初始 划分，然后根据聚类准则函数将空间对象与这些聚类中 心和初始类逐一作比较，判断对象的归属。K均值算法 是用每个聚类中所有对象的平均值作为该聚类(簇)的 中心，采用误差平方和最小准则判断对象的归属。

　　2基于空间连续性聚类算法SCKM

　　Tobler(1978)提出了地理学第一定律—空间自相关性,即“距离相近的物体比距离远的相关性大”,它是表征两个位置相近物体的相似程度,是自然界普遍存在的一种地理现象。利用空间自相关性进行精准农业管理分区的提取可以使每个分区具有较高的空间自相关性。而实际上大部分空间自相关度量指标不能用于分类,如全局 Moran' I Geary'C等。因为这些指标是从全

　　局角度来度量样本之间(在连续的栅格图像中,每个像元可看作一个样本)在整个区域的空间依赖程度,而不能度量每个样本对其周围样本的依赖性在空间上的差。

　　3结语

　　本研究在K均值算法的基础上,提出了一种精准农业管理分区划分的新算法SCKM,不仅考虑了空间单元的属性值之间的差异性,还考虑了空间单元的空间分布及其空间相互依赖性。验证结果表明SCKM算法可以使区内变异较小,而且去除了大量的碎片和孤立的像元,兼顾了管理分区的连续性,适宜精准农业田间变量管理作业。分区结果可以直接作为变量管理的决策单元,在同一管理分区内实施统一管理,不同分区间实施变量管理模式,如根据肥水需求关键时期的小麦长势差异,在不同管理分区间设计不同的目标产量进行产中变量追肥管理12-1。分区结果也可指导生产者和科技工作者进行土壤和作物农学参数采样,提高采样精度和效率。因此,利用SCKM算法进行管理分区的划分为精准农业变量投入、精准管理提供了有效途径

　　作者：李 翔1’2，潘瑜春2，赵春江2※，王纪华2，鲍艳松1，刘良云2，王锦地1’3

《基于空间连续性聚类算法的精准农业管理分区研究》

上一篇：冀南地区农村电商扶贫问题探究

下一篇：基于灰色关联的西北地区农业循环经济发展评价