一种基于灰度关联法模糊聚类算法的桉树土壤肥力分析方法技术

广西是我国原木最大产地，其中桉树是主要品种，桉树的生长需要大量的肥料养分，导致土壤肥力下降，越来越贫瘠，地表结块，出现沙化。因此林地土壤肥力分析是一个迫在眉睫的课题。土壤肥力分析是科学施肥的基础，介于现有的土壤肥力测量步骤繁琐，效率低下，人工成本高。本文公开了基于模糊聚类算法的桉树土壤肥力分析方法，提出了一种经过灰度关联法加权处理后模糊聚类算法，对数据进行预处理，设定土壤成分权重，能有效区分土壤各属性之间的不平衡性，并综合考虑土壤中微量元素和有机质等养分实现对土壤肥力的精准分析，为科学施肥和防范土壤污染提供保障。土壤污染提供保障。土壤污染提供保障。

【技术实现步骤摘要】
一种基于灰度关联法模糊聚类算法的桉树土壤肥力分析方法


[0001]本专利技术属于计算机
，涉及一种模糊聚类算法，改进的算法能够消除对初始聚类中心的依赖，聚类结果得到了很大的改善。

技术介绍

[0002]土壤状况是关系到农、林业生产以及土地资源的重要因素之一,因此对土壤的各项参数进行检测是十分必要的。现有的土壤肥力评估往往以模糊综合评判法等综合评价为主。这些方法虽然能够保证足够高的精度,但是所需土壤参数测量指标过多，需要利用多种化学实验测量土壤中的有机物含量,测量步骤多,效率低,经济成本高。部分土壤肥力测量方法直接采用电导率进行评估肥力,虽然测量成本低,但电导率并不能全面地反映肥力状况,精度不够。因此需要提出一种所需测量参数少,精度高,测量效率高,经济成本低的土壤评价方法。

技术实现思路

[0003]传统算法在变量施肥方面的研究，未能区分土壤各属性之间的差异性，分类结果不能完全反映土壤的真实情况；研究变量施肥对土壤养分的影响时的做法是将土壤中N、P、K等养分分别比较，没能综合考虑土壤中各养分的相互联系。因此，本文提出了一种模糊聚类算法，能有效区分土壤各属性之间的不平衡性，并综合考虑土壤中N、P、K和有机质等养分实现对土壤肥力的综合评价。本文专利技术方法对测量土壤成分样本需求较少，经过加权数据处理后模糊聚类算法，对数据进行预处理，设定土壤成分权重矩阵，能有效区分土壤各属性之间的不平衡性，并综合考虑土壤中微量元素和有机质等养分实现对土壤肥力的精准分析，在较短时间里具有较高的精准度。肥力分析精准度也比一般的聚类算法更高。
[0004]本专利技术通过以下步骤实现：
[0005]步骤(1)：构建土壤肥力的评价标准：土壤肥力包含土壤的化学成分含量和土壤养分含量；土壤化学成分含量包含全氮、全钾、有效磷、交换性钙、阳离子交换量，土壤PH值等；土壤养分含量包括各种土壤有机质；
[0006]步骤(2)：数据的预处理，即第s项的指标任意一个测量的值为X
(S)
；
[0007]步骤(3)：设置土壤成分的加权矩阵模型为：
[0008][0009]步骤(4)：利用灰度关联法计算出土壤成分的加权矩阵，具体步骤为：
[0010]a.确定分析数列，包括参考数列和比较数列；
[0011]b.变量的无量纲化；由于系统中各因素列中的数据可能因量纲不同，不便于比较或在比较时难以得到正确的结论。因此在进行灰色关联度分析时，一般都要进行数据的无
量纲化处理。均值化处理：
[0012]c.计算关联系数，具体公式如下
[0013][0014]ρ称为分辨系数。ρ越小，分辨力越大，一般ρ的取值区间为(0,1),具体取值可视情况而定。当ρ≤0.5463时，分辨力最好，通常取ρ＝0.5；
[0015]d.计算关联度，因为关联系数是比较数列与参考数列在各个时刻(即曲线中的各点)的关联程度值，所以它的数不止一个，而信息过于分散不便于进行整体性比较。因此有必要将各个时刻(即曲线中的各点)的关联系数集中为一个值，即求其平均值，作为比较数列与参考数列间关联程度的数量表示，关联度公式r
i
如下:
[0016][0017]e.关联度排序，对所有样本的关联数取平均值，来表示该指标和母指标之间的关联度，求出各指标对应的权重w1,w2…
w
n
；
[0018]步骤(5)：标准化测量数据的加权矩阵，在实际过程中不同数据有不同的效益，将测量标准化，即将数据压缩到[0,1]区间内，对测量数据进行极差标准化即
[0019]步骤(6)：进行模糊聚类，利用平方自合成法对模糊相似矩阵进行改造成模糊等价矩阵，即:A
→
A2→
A4…
A
2k
其中将模糊等价矩阵中的不同数值元素从大到小排列，λ按照此排列依次取值，就可以形成动态结果；
[0020]步骤(7)：在确定分类数时,经常是在动态聚类视图中,调整入值以得到适当的分类，而不需要事先准确地估计好样本应分成几类。这种方法往往会在主观愿望上先进行分类,然后再去凑入，从而导致不同的人去分类,得到的结果也不同。因而提出用F统计量来确定最佳阈值入,再根据入值在动态聚类视图中进行分类,最终得到最佳分类数。其过程如下:
[0021]计算原始数据矩阵总体样本的中心向量,其中设对于λ的值得分类为y,
[0022]第j类的样本数为n,第j类的样本记为第j类的聚类中心向量为做F为统计量，即
[0023][0024]它的分子表征为类与类之间的距离,分母表征为类内样本间的距离。因此,F值越大,说明类与类之间的距离大,分类就越好。如果F>F
α
(r
‑
1,n
‑
1)，(α＝0.05)则根据数理统计方差分析理论知道类与类之间差异是显著的,说明分类比较合理,如果满足不等式F>F
α
(r
‑
1,n
‑
1)的值不止一个,则可进一步考查(F
‑
F
α
)的大小,选择满意的F值。最后输出经过模糊聚类算法分析后的土壤肥力的估值；
[0025]本文专利技术方法对测量土壤成分样本需求较少，经过加权数据处理后模糊聚类算法，对数据进行预处理，设定土壤成分权重矩阵，能有效区分土壤各属性之间的不平衡性，并综合考虑土壤中微量元素和有机质等养分实现对土壤肥力的精准分析，在较短时间里具有较高的精准度。肥力分析精准度也比一般的聚类算法更高。
[0026]以上所述仅为本专利技术的较佳实施例，并不用以限制本专利技术，凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。
附图说明
[0027]图1.为基于模糊聚类算法的土壤肥力分析方法总体流程图；
[0028]图2.模糊聚类算法具体流程；
具体实施方式
[0029]为了更加描述清楚，对本专利技术技术方案进行详细的介绍。
[0030]基于模糊聚类算法的土壤肥力分析方法，具体步骤：
[0031]步骤(1)：以广西地区林地肥力数据为例，进行肥力分析，构建土壤肥力的评价标准：土壤肥力包土壤的化学成分含量和土壤养分含量，为了保证分析精准性,需要构建较为完善的土壤肥力评价体系；通过相关性分析,并结合不同指标测量的难易程度及成本,选取便于测量,且能够反映土壤状况的指标,继而搜集足够的样本数据；
[0032]步骤(2)：对数据进行预处理；
[0033]步骤(3)：设置土壤成分的加权矩阵模型；
[0034][0035]步骤(4)：利用灰度关联法计算出土壤成分的加权矩阵；
[0036]为了得到一个较为准确的肥力值，从土壤成分科学库上收集土壤样本数据，采用灰度关联法得到土壤样本的肥力权重矩阵。具体的评价体系表达式为：其中w
i
表示第i个土壤样本的各成分的权重本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于模糊聚类算法的土壤肥力分析方法，在模糊聚类算法的基础上，采用灰度关联法得到土壤成分属性的权重，再将权重和模糊聚类算法相结合，以此提高算法的准确性；包括以下步骤：步骤(1)：构建土壤肥力的评价标准，土壤肥力包含土壤的化学成分含量和土壤养分含量，土壤化学成分含量包含全氮、全钾、有效磷、交换性钙、阳离子交换量，土壤PH值等，土壤养分含量包括各种土壤有机质；步骤(2)：对样本数据数据预处理，即第s项的指标任意一个测量的值为X
(S)
,s＝1,2,3
…
,s；步骤(3)：设置土壤成分的加权矩阵模型为：步骤(4)：利用灰度关联法计算出土壤成分的加权矩阵：a.对样本数据变量的进行无量纲化；由于系统中各因素列中的数据因量纲不同，不便于比较或在比较时难以得到正确的结论；因此在进行灰色关联度分析时，都要进行数据的无量纲化处理，均值化处理：b.计算样本数据关联系数ξ
i
(k)；c.计算样本数据关联度；d.样本数据关联度排序，对所有样本的关联数取平均值，来表示该指标和母指标之间的关联度，求出各指标对应的权重w1,w2…
w
n
；步骤(5)：标准化测量数据的权重w1,w2…
w
n
，在实际过程中不同数据有不同的效益，将测量...

【专利技术属性】
技术研发人员：程小辉，汪跃，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：