《一种基于模糊C均值聚类的农田划分方法.pdf》由会员分享，可在线阅读，更多相关《一种基于模糊C均值聚类的农田划分方法.pdf（10页完整版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 102867115 A (43)申请公布日 2013.01.09 C N 1 0 2 8 6 7 1 1 5 A *CN102867115A* (21)申请号 201210312253.3 (22)申请日 2012.08.29 G06F 19/00(2006.01) (71)申请人南京农业大学 地址 210000 江苏省南京市玄武区卫岗1号 (72)发明人曹卫星 刘乃森 倪军 朱艳 田永超 姚霞 (74)专利代理机构南京经纬专利商标代理有限 公司 32200 代理人朱小兵 (54) 发明名称 一种基于模糊c均值聚类的农田划分方法 (57) 摘要 本发明公开了一种基于模。
2、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。 (51)Int.Cl. 权利要求书2页 说明书4页 附图3页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利。
3、要求书 2 页 说明书 4 页 附图 3 页 1/2页 2 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（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C max ，C max 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， C max ，得到C max -2+1种聚类结果； 步骤（4），分别对每种聚类结果计算聚。
4、类效果指数S，最小聚类效果指数S min 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1所述的一种基于模糊c均值聚类的农田划分方法，其特征在于：所 述步骤（1）的样本矩阵为n行l列，其中n为数据对个数，即样本数；l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1所述的一种基于模糊c均值聚类的农田划分方法，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： 其中，n为样本数，c是分类数，m为模糊加权指数，u ik 表示样本矩阵X中第k个样本x k 属于聚类中心矩阵。
5、V中第i个聚类中心 i 的隶属度值，U为隶属度矩阵，d ik 2 为样本x k 与 i在特征向量上的距离平方，i、k均为自然数； 2）通过迭代，最小化（1）式J m (U,V)，其中u ik 由（2）式替换，d ik 2 计算所需的 i 由（3） 式替换， 3）如果两次循环中聚类中心的变化小于设定的阈值，则停止迭代，否则重复步骤2），直 至聚类中心的变化小于设定的阈值或达到设定的迭代次数，其中所述阈值取10 -3 -10 -5 ，迭 代次数取50-500次。 4.根据权利要求1所述的一种基于模糊c均值聚类的农田划分方法，其特征在于所述 步骤（3）聚类效果指数S计算公式为， 其中，c是分类数，c。
6、2,C max ，l为土壤养分指标个数，即样本矩阵的列数；n为样本 矩阵的行数，即土壤养分的样本数，n ij 为养分指标j在分类i中的数据个数，CV ij 为养分指 权 利 要 求 书CN 102867115 A 2/2页 3 标j的第i个分类的变异系数,i1,c，j1,l，CV vf 为通过养分指标f所有聚类中 心计算的变异系数，f1,l。 权 利 要 求 书CN 102867115 A 1/4页 4 一种基于模糊 c 均值聚类的农田划分方法 技术领域 0001 本发明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。 背景技术 0002 精确农作管理通过监测作物生长。
7、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。 0003 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。 0004 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。 0。
8、005 其中，其中c为分类数，n为样本数，u ik 为样本X k 属 于第i类的隶属度值。FPI的值在0到1之间，该值接近0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。对数的底数a可为任意正整数，NCE也是值越 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。 0006 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J.中国农业科学,2007(1。
9、):114-122；Moral F J,Terron J M,Silva J R.Delineation of management zones using mobile measurements of soil apparent electrical conductivity and multivariate geostatistical techniquesJ.Soil and Tillage Research,2010,106(2):335-343。 0007 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。
10、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。 发明内容 0008 本发明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。 0009 本发明为解决上述技术问题采用以下技术方案： 说 明 书CN 102867115 A 2/4页 5 0010 一种基于模糊c均值聚类的农田划分方法，采用如下步骤： 0011 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。
11、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； 0012 步骤（2），根据土壤养分差异给定农田的最大分类数C max ，C max 为大于2的自然数； 0013 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，C max ，得到C max -2+1种聚类结果； 0014 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S min 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。 0015 进一步的，本发明的一种基于模糊c均值聚类的。
12、农田划分方法，所述步骤（1）的样 本矩阵为n行l列，其中n为数据对个数，即样本数；l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。 0016 进一步的，本发明的一种基于模糊c均值聚类的农田划分方法，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： 0017 1）构建目标函数： 0018 0019 其中，n为样本数，c是分类数，m为模糊加权指数，u ik 表示样本矩阵X中第k个样 本x k 属于聚类中心矩阵V中第i个聚类中心 i 的隶属度值，U为隶属度矩阵，d ik 2 为样本 x k 与 i 在特征向量上的距离平方，i、k均为自然数； 0020 2）通过迭。
13、代，最小化（1）式J m (U,V)，其中u ik 由（2）式替换，d ik 2 计算所需的 i 由 （3）式替换， 0021 0022 0023 3）如果两次循环中聚类中心的变化小于设定的阈值，则停止迭代，否则重复步 骤2），直至聚类中心的变化小于设定的阈值或达到设定的迭代次数，其中所述阈值取 10 -3 -10 -5 ，迭代次数取50-500次。 0024 进一步的，本发明的一种基于模糊c均值聚类的农田划分方法，所述步骤（3）聚类 效果指数S计算公式为， 0025 0026 其中，c是分类数，c2,C max ，l为土壤养分指标个数，即样本矩阵的列数；n为 样本矩阵的行数，即土壤养分的样本。
14、数，n ij 为养分指标j在分类i中的数据个数，CV ij 为养 说 明 书CN 102867115 A 3/4页 6 分指标j的第i个分类的变异系数,i1,c，j1,l，CV vf 为通过养分指标f所有聚 类中心计算的变异系数，f1,l。 0027 本发明采用以上技术方案与现有技术相比，具有以下技术效果： 0028 本发明解决了背景技术中FPI和NCE的缺陷，提供了一种模糊c均值聚类对农田 进行划分确定最佳分类数的方法，提高了农田划分时对土壤养分差异的区分度，可较好的 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。 附图说明 0029 图1为本发明的农田划分流程图。 0030 图2为土。
15、壤养分的普通克里格插值结果图；其中（a）为有机质含量插值结果图， （b）为全氮含量插值结果图，（c）为速效钾含量插值结果图，（d）为速效磷含量插值结果图。 0031 图3为各分类情况下聚类效果指数S曲线图。 0032 图4农田划分结果示意图。 具体实施方式 0033 下面结合附图对本发明的技术方案做进一步的详细说明： 0034 如图1所示，本发明的农田划分方法具体包括以下几个步骤： 0035 1.将农田采样点的土壤养分数据及位置信息输入GIS软件，对不同的养分数据分 别做普通克里格插值，将插值结果输出为ASCII格式的栅格数据。不同ASCII文件同一栅 格位置的土壤养分数据组成数据对作为一个样。
16、本，将所有样本组织成样本矩阵。样本矩阵 为n行l列，n为数据对个数，即样本数，l为土壤养分指标个数，样本矩阵每列代表一种土 壤养分指标。 0036 2.给定农田最大分类数C max ，C max 通常取10左右。 0037 3.利用常规模糊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， C max ，得到C max -2+1种聚类结果，对每种聚类结果分别计算聚类效果指数S，最小聚类效果指 数S min 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。 0038 上述技术方案中，模糊c均值聚类对农田划分的具体步骤为： 0039 1）构建目标函数 0040 004。
17、1 其中，n为样本数，c是分类数，m为模糊加权指数，通常取m=1.3，u ik 表示样本矩 阵X中第k个样本x k 属于聚类中心矩阵V中第i个聚类中心 i 的隶属度值，U为隶属度 矩阵。d ik 2 为样本x k 与 i 在特征向量上的距离平方。 0042 2）通过迭代，最小化（1）式J m (U,V)，其中u ik 由（2）式替换，d ik 2 计算所需的 i 由 （3）式替换， 0043 说 明 书CN 102867115 A 4/4页 7 0044 0045 如果两次循环中聚类中心的变化小于设定的阈值，则停止迭代，否则重复步骤2）， 直至聚类中心的变化小于设定的阈值或达到设定的迭代次数。。
18、阈值通常取10 -3 -10 -5 ，迭代 次数通常取50-500次。 0046 上述技术方案中，聚类效果指数S的计算方法为： 0047 0048 其中，c是分类数，c2,C max ，l为土壤养分指标个数，即样本矩阵的列数，通 常为3-10，n为样本矩阵的行数，即土壤养分的样本数，其取值由实际情况决定，n ij 为养分 指标j在分类i中的数据个数，CV ij 为养分指标j的第i个分类的变异系数,i1,c， j1,l，CV vf 为通过养分指标f所有聚类中心计算的变异系数，f1,l。 0049 具体实施例： 0050 1）将江苏省如皋市土壤有机质含量、全氮含量、速效钾含量和速效磷含量及坐标 位。
19、置信息输入ArcGIS 9.2，对土壤的4个养分指标分别做普通克里格插值，插值结果见图 2。其中（a）为有机质含量插值结果图，（b）为全氮含量插值结果图，（c）为速效钾含量插值 结果图，（d）为速效磷含量插值结果图。插值结果以ASCII文件的形式输出，将4个ASCII 文件中同一栅格位置的土壤养分数据组织成一个样本，得到n行4列的样本矩阵，n为样本 数，样本矩阵每列代表一种土壤养分数据。 0051 2）给定农田的最大分类数C max =10。 0052 3）聚类分析。通过常规模糊c均值聚类对样本矩阵进行聚类分析，模糊c均值聚 类运行的参数中，模糊加权指数m=1.3，迭代次数取100，阈值为10 -5 ，分类数为2，10，经过 运算得到9种聚类结果。 0053 4）确定农田划分结果。对步骤3）得到的9种聚类结果分别计算聚类效果指数S， 结果见图3。由图3可知，分8类时S值最小，即最佳分类数为8，分类数8所对应的聚类即 为农田划分结果，见图4。 说 明 书CN 102867115 A 1/3页 8 图1 说 明 书 附 图CN 102867115 A 2/3页 9 图2 说 明 书 附 图CN 102867115 A 3/3页 10 图3 图4 说 明 书 附 图CN 102867115 A 10 。