买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：东北农业大学

摘要：耕地保护分区及特征自动归纳、障碍因子诊断方法，属于农业工程技术领域。为了解决现有的耕地质量分区方案都是按照行政区划、局部空间自相关方法进行划分存在不能根据耕地的客观情况进行分区，导致同一分区内的土地可能存在相似性差异大的问题，使得分区内的特征及障碍因子并不是基于具有相似特征的耕地提取的，从而存在提取的障碍因子与实际情况差异较大的问题。本发明根据预先建立的耕地质量评价指标体系，首先获取研究区域中典型样地的耕地质量评价指标数据，并采用对研究区域内的采样单元进行聚类，得到若干个采样单元集合，得到耕地的若干个分区；然后针对每个区域，获得分区的耕地特征，同时采用指标障碍度识别每个分区的障碍因子。

主权项：1.一种耕地保护分区方法，其特征在于，包括以下步骤：S1、获取典型样地耕地质量评价指标数据：根据预先建立的耕地质量评价指标体系，在耕地待分区区域中设定采样单元，采样单元即一个固定面积的土地网格，并在各个采样单元中选取典型样地，获取样地数据，所述样地数据包括土地利用类型、土壤类型数据、土壤理化性质数据、地形数据、基础设施建设数据、自然条件数据、生产条件数据、土壤剖面性状数据，以及化肥及农药施用量、农业机械总动力数据；根据样地数据中各指标是否为连续型数值，分为连续型数值变量和离散型分类变量；S2、耕地自动分区：S2.1、以获取的样地耕地质量评价指标数据为基础，构建研究区耕地质量评价指标数据集D＝{x1,x2,...,xn}，其中，第i个样地数据xi＝{xi1,xi2,...,xip,xip+1,...,xim}，1≤i≤n，n为采样单元的数量，m为样地数据的数据种类数量，即指标的数量；前p个指标为连续型数值变量，第p+1至m个指标为离散型分类变量；S2.2、以D＝{x1,x2,...,xn}为输入，对n个采样单元进行聚类分析，具体过程如下：1设定聚类个数查找范围[kmin,kmax]，kmin,kmax分别为聚类个数的最小值和最大值；令k＝kmin；2计算D＝{x1,x2,...,xn}的均值中心c0＝{c01,c02,...,c0p,c0p+1,...,c0m}，其中，前p个连续型数值变量的属性各自对应的均值通过计算各个属性在n个样本上取值的平均值确定；第p+1至m个离散型分类变量各自对应的均值则通过计算各个指标的期望值ETw确定；3判断k≤kmax是否成立，若是，转4，否则转8；4确定初始聚类中心c＝{c1,c2,...,ck}，步骤如下：S2241、选取离c0距离最近的样本作为第一个初始聚类中心c1；选取离c0距离最近的样本作为第一个初始聚类中心c1的过程中，两个样本xi和xj之间的距离dij的计算公式为： 其中，p为连续型数值属性的个数；m为数据集中属性总个数；xit为第i个样本的第t个属性；xjt为第j个样本的第t个属性；μ为分类属性的权重因子；S2242、令D＝D-{c1}，分别计算剩余n-1个样本到c1的距离，以离c1距离最远的样本作为第二个初始聚类中心c2；S2243、继续寻找初始聚类中心，对于第l个初始聚类中心，3≤l≤k，令D＝D-{c1,c2,...,cl-1}，分别计算剩余n-l-1个样本中每个样本到c1、c2、…、cl-1的距离di′j′，1≤i′≤n-l-1，1≤j′≤l-1；将第i'个样本到c1、c2、…、cl-1距离的最小值记为di′＝mindi′1,di′2,...,di′l-1，以argmax{d1,d2,...,dn-l-1}对应的样本作为第l个初始聚类中心cl；重复寻找初始聚类中心的过程，直至找到全部k个初始聚类中心；5划分聚类Ck＝{C1,C2,...,Ck}，步骤如下：①令D'＝{x1,x2,...,xq}为D＝{x1,x2,...,xn}中去掉c＝{c1,c2,...,ck}的样本集合；令c'＝{c1',c2',...,ck'}代表C1、C2、…、Ck的均值中心集合；初始时，令C1＝{c1},C2＝{c2},...,Ck＝{ck}；②对于D'＝{x1,x2,...,xq}中的样本xi，分别计算其到c1'、c2'、…、ck'的距离dij'，1≤i≤q,1≤j≤k，距离计算方法如公式2，并将第i个样本到c1'、c2'、…、ck'距离的最小值记为di'＝mindi1',di2',...,dik'；③将样本xi划分到距离di'对应的类Cr中，1≤r≤k；④循环步骤②至③，直至D'＝{x1,x2,...,xq}中所有样本划分完毕；⑤更新C1、C2、…、Ck集合，并重新计算均值中心集合c'＝{c1',c2',...,ck'}；⑥重复步骤②至⑤，直至c'＝{c1',c2',...,ck'}不再发生变化；6计算聚类有效性指标avgBWPk；聚类有效性指标avgBWPk如下： bawh,i＝bh,i+wh,ibswh,i＝bh,i-wh,i 其中，avgBWPk为数据划分为k类时的聚类有效性指标；BWPh,i为第h类的第i个样本的类间类内划分；bswh,i为第h类的第i个样本的聚类离差距离；bawh,i为第h类的第i个样本的聚类距离；bh,i为第h类的第i个样本的最小类间距离，即样本i与其他每个类中样本平均距离的最小值；wh,i为第h类的第i个样本的类内距离，即样本i与第h类中其他所有样本的平均距离；nr、nh分别为第r类和第h类中的样本数；分别为第r类中第u个样本的第t个属性和第h类中第i个样本的第t个属性；p为连续型数值属性的个数；m为样本属性的总个数；7令k＝k+1，转3；8确定最佳聚类数目其对应的即为最佳聚类结果；S2.3、令最终得到研究区的k个耕地分区P＝{P1,P2,...,Pk}。

全文数据：

权利要求：

百度查询： 东北农业大学 耕地保护分区及特征自动归纳、障碍因子诊断方法