一种基于模糊c均值聚类的农田划分方法技术

本发明专利技术公开了一种基于模糊c均值聚类的农田划分方法,该方法包括以下步骤：对取样点农田土壤养分数据进行空间插值，生成栅格数据，将不同养分的栅格数据组织成样本矩阵。在给定分类范围内利用模糊c均值聚类对样本矩阵进行聚类分析，对分类范围内的所有聚类结果计算聚类效果指数S，最小S值对应的聚类结果为农田划分结果。本发明专利技术通过确定农田最佳分类数的方法，解决了FPI和NCE评价函数的缺陷，提高了农田划分时对土壤养分差异的区分度，可较好地满足农田精确管理或作物生长信息监测对农田划分的需要。

【技术实现步骤摘要】

本专利技术涉及一种农田划分方法，尤其涉及一种利用土壤养分信息对农田进行划分的方法。
技术介绍
精确农作管理通过监测作物生长及农田环境信息，根据农田小区环境及作物长势差异，实施定位、定量、定时的农业精确管理，在保证作物产量和品质的前提下，可获得最佳经济和生态效益。作物的长势差异主要受农田土壤养分差异的影响，而土壤养分在空间上具有相关性，因此利用土壤养分信息对农田进行划分，使养分相似的农田区域划分为一类，可减少农田监测点的数量，对实现作物生长信息的快速、低成本监测有着重要的现实意义。模糊c均值聚类因其具备的人工智能特性，在农田的分区研究中成为热点，并得到广泛的应用，但使用该方法划分农田时最佳分类数仍需其它评价函数来确定。普遍使用的评价函数有模糊性能指数FPI和归一化分类熵NCE。其中，FP/ = I-~^(1-其中c为分类数，η为样本数，Uik为样本Xk属 C — i k=l i=l于第i类的隶属度值。FPI的值在O到I之间，该值接近O表示聚类时共用数据少，类的划分明显，若该值接近1，则表示有较多的共用数据，类的划分不明显，因此FPI越小聚类效果越好。NCE 二'(1-―)，对数的底数a可为任意正整数，NCE也是值越 n t~\TA 小，分类效果越好。一般FPI和NCE需联合使用，即取FPI和NCE均为最小值所对应的分类数为最佳分类数。上述利用FPI和NCE评价函数来确定模糊c均值聚类划分农田的最佳分类数的方法在以下文献中有描述李艳，史舟，吴次芳，等.基于模糊聚类分析的田间精确管理分区研究·中国农业科学，2007(1) :114-122 ;Moral F J, Terron J M, Silva JR. Delineation of management zones using mobile measurements of soil apparentelectrical conductivity and multivariate geostatistical techniques. Soil andTillage Research, 2010, 106(2):335-343。使用FPI和NCE评价函数来确定模糊c均值聚类划分农田的最佳分类数的方法存在缺陷FPI和NCE对农田养分差异的区分度不高，导致了最终的分类数偏少，而且常有FPI和NCE最小值所对应的分类数不一致的现象发生，导致无法确定合适的分类数。
技术实现思路
本专利技术所要解决的技术问题是克服上述利用模糊c均值聚类对农田进行划分时，利用FPI和NCE评价函数确定最佳分类数的缺陷，提供一种更有效的利用模糊c均值聚类对农田进行划分的方法，提高农田划分时对土壤养分的区分度。本专利技术为解决上述技术问题采用以下技术方案，采用如下步骤步骤(I)，根据农田采样点的土壤养分数据及其位置信息，对不同的土壤养分数据分别做普通克里格插值，得到各土壤养分的栅格数据；然后将不同土壤养分的栅格数据按对应的栅格位置组成数据对，得到所有土壤养分的样本矩阵；步骤(2)，根据土壤养分差异给定农田的最大分类数Cmax，Cfflax为大于2的自然数；步骤(3)，利用模糊c均值聚类对样本矩阵进行聚类分析，聚类分析的分类数为，得到Cmax_2+1种聚类结果；步骤(4)，分别对每种聚类结果计算聚类效果指数S，最小聚类效果指数Smin的值所对应的分类数为最佳分类数，最佳分类数对应的聚类结果为农田划分结果。进一步的，本专利技术的，所述步骤(I)的样本矩阵为η行I列，其中η为数据对个数，即样本数；1为土壤养分指标个数，即样本矩阵中的每列代表一种土壤养分指标。进一步的，本专利技术的，步骤(3)所述利用模糊c均值聚类对样本矩阵进行聚类分析的具体步骤为I)构建目标函数权利要求1.一种基于模糊C均值聚类的农田划分方法，其特征在于采用如下步骤 步骤(I )，根据农田采样点的土壤养分数据及其位置信息，对不同的土壤养分数据分别做普通克里格插值，得到各土壤养分的栅格数据；然后将不同土壤养分的栅格数据按对应的栅格位置组成数据对，得到所有土壤养分的样本矩阵； 步骤(2)，根据土壤养分差异给定农田的最大分类数Cmax，Cfflax为大于2的自然数； 步骤(3)，利用模糊c均值聚类对样本矩阵进行聚类分析，聚类分析的分类数为，得到Cmax_2+1种聚类结果； 步骤(4)，分别对每种聚类结果计算聚类效果指数S，最小聚类效果指数Smin的值所对应的分类数为最佳分类数，最佳分类数对应的聚类结果为农田划分结果。2.根据权利要求I所述的，其特征在于所述步骤(I)的样本矩阵为η行I列，其中η为数据对个数，即样本数；1为土壤养分指标个数，即样本矩阵中的每列代表一种土壤养分指标。3.根据权利要求I所述的，其特征在于步骤(3)所述利用模糊c均值聚类对样本矩阵进行聚类分析的具体步骤为 1)构建目标函数4.根据权利要求I所述的，其特征在于所述步骤(3)聚类效果指数S计算公式为，全文摘要本专利技术公开了,该方法包括以下步骤对取样点农田土壤养分数据进行空间插值，生成栅格数据，将不同养分的栅格数据组织成样本矩阵。在给定分类范围内利用模糊c均值聚类对样本矩阵进行聚类分析，对分类范围内的所有聚类结果计算聚类效果指数S，最小S值对应的聚类结果为农田划分结果。本专利技术通过确定农田最佳分类数的方法，解决了FPI和NCE评价函数的缺陷，提高了农田划分时对土壤养分差异的区分度，可较好地满足农田精确管理或作物生长信息监测对农田划分的需要。文档编号G06F19/00GK102867115SQ20121031225公开日2013年1月9日 申请日期2012年8月29日 优先权日2012年8月29日专利技术者曹卫星, 刘乃森, 倪军, 朱艳, 田永超, 姚霞 申请人:南京农业大学本文档来自技高网...

【技术保护点】
一种基于模糊c均值聚类的农田划分方法，其特征在于采用如下步骤：步骤（1），根据农田采样点的土壤养分数据及其位置信息，对不同的土壤养分数据分别做普通克里格插值，得到各土壤养分的栅格数据；然后将不同土壤养分的栅格数据按对应的栅格位置组成数据对，得到所有土壤养分的样本矩阵；步骤（2），根据土壤养分差异给定农田的最大分类数Cmax，Cmax为大于2的自然数；步骤（3），利用模糊c均值聚类对样本矩阵进行聚类分析，聚类分析的分类数为[2，Cmax]，得到Cmax？2+1种聚类结果；步骤（4），分别对每种聚类结果计算聚类效果指数S，最小聚类效果指数Smin的值所对应的分类数为最佳分类数，最佳分类数对应的聚类结果为农田划分结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：曹卫星，刘乃森，倪军，朱艳，田永超，姚霞，
申请(专利权)人：南京农业大学，
类型：发明
国别省市：