法律状态公告日
法律状态信息
法律状态
2020-08-04
授权
授权
2017-11-24
实质审查的生效 IPC(主分类):G06Q50/02 申请日:20160411
实质审查的生效
2017-10-24
公开
公开
技术领域
本发明涉及农业信息化技术领域,具体涉及一种玉米种植环境典型代表区的选取分析方法及装置。
背景技术
农业种植区划是根据农业生产条件和特点按照相似性原则将研究区域进行分区划片,使得同一分区内的气候条件、耕作制度、土壤条件等特性具有相似的特征,而不同分区之间具有较大的差异性。我国各地的热量、水分、光照、土壤等条件差异显著,也因此决定了我国作物品种种植分布的不均性和品种选择、种植制度等的差异性,为优化作物品种种植布局,实现种植规模化,根据不同生态条件因时因地的选择品种、生产方式,根据当地环境情况选择、设定品种选育和推广的测试站点等的需求,使得从不同角度开展作物品种种植区划具有重要意义。
针对农作物种植环境的区划方法的研究较多,主要的区划方法大致分两类,第一类是根据专家经验,以玉米种植环境适宜性为依据,将区划环境属性值分为若干适宜层次,并将多个属性的适宜性进行综合叠加处理,对得到的分区进行适宜性评述,该方法属性适宜度区间值难以确定,所得区划结果主观性强,区划边界难以确定。第二类是选定种植区划的属性,运用空间属性聚类、分类模型等方法进行区域划分,该方法以定量化的方式确定区域分类,相对于第一种方式结果更加客观,但解释性不强。因此由于数据和方法所限,已有作物种植区划往往边界不清、分区尺度较大,难以表达各大生态区内不同亚区、以及小生态环境间的差异。因此,现有的作物种植环境区划方法无法同时识别农作物不同区划的属性特征,明确精细分区边界,从而进行波动分析。
发明内容
由于现有的作物种植环境区划方法无法同时识别农作物不同区划的属性特征,明确精细分区边界从而进行波动分析的问题,本发明提出一种玉米种植环境典型代表区的选取分析方法及装置。
第一方面,本发明提出一种玉米种植环境典型代表区的选取分析方法,包括:
根据最小区划单元划分和区域数据,计算每个最小区划单元中每个区划指标每年生育期内的累计值,根据累计值计算每个区划指标的年均值;
根据每个区划指标的年均值对最小区划单元进行空间属性一体化聚类,得到作物种植环境的综合环境区划;
根据每个区划指标的权重和每个最小区划单元中每个区划指标的年均值,确定每个综合环境区划的特征描述;
对所有年的所有最小区划单元进行空间属性一体化聚类,计算每个聚类后区划的波动情况;
根据特征描述和波动情况对聚类后区划进行分析,选取玉米种植环境的典型代表区。
优选地,所述典型代表区包括:典型均值代表性单元区、典型均值特异单元区、典型稳定性代表性单元区、典型稳定性特异单元区。
优选地,所述根据最小区划单元划分和区域数据,计算每个最小区划单元中每个区划指标每年生育期内的累计值,根据累计值计算每个区划指标的年均值之前,还包括:
获取待分析区域的区域数据。
优选地,所述对所有年的所有最小区划单元进行空间属性一体化聚类,计算每个聚类后区划的波动情况之后,还包括:
根据每个综合环境区划的属性特征,计算每个综合环境区划的类别波动频次和归属概率,并根据所述类别波动频次和所述归属概率,得到聚类后区划的波动情况。
优选地,所述区域数据包括:基础地理数据、作物在待分析区域的多年生育期数据以及待分析区域的多年环境数据。
第二方面,本发明还提出一种玉米种植环境典型代表区的选取分析装置,包括:
年均值计算模块,用于根据最小区划单元划分和区域数据,计算每个最小区划单元中每个区划指标每年生育期内的累计值,根据累计值计算每个区划指标的年均值;
综合环境区划获取模块,用于根据每个区划指标的年均值对最小区划单元进行空间属性一体化聚类,得到作物种植环境的综合环境区划;
特征描述确定模块,用于根据每个区划指标的权重和每个最小区划单元中每个区划指标的年均值,确定每个综合环境区划的特征描述;
波动情况计算模块,用于对所有年的所有最小区划单元进行空间属性一体化聚类,计算每个聚类后区划的波动情况;
典型代表区选取模块,用于根据特征描述和波动情况对聚类后区划进行分析,选取玉米种植环境的典型代表区。
优选地,所述典型代表区包括:典型均值代表性单元区、典型均值特异单元区、典型稳定性代表性单元区、典型稳定性特异单元区。
优选地,还包括:
区域数据获取模块,用于获取待分析区域的区域数据。
优选地,还包括:
波动计算模块,用于根据每个综合环境区划的属性特征,计算每个综合环境区划的类别波动频次和归属概率,并根据所述类别波动频次和所述归属概率,得到聚类后区划的波动情况。
优选地,所述区域数据包括:基础地理数据、作物在待分析区域的多年生育期数据以及待分析区域的多年环境数据。
由上述技术方案可知,本发明通过区划指标的年均值对区划单元进行聚类,分区边界明确精细;并通过不同综合环境区划的特征描述和波动情况,选取玉米种植环境典型代表区。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些图获得其他的附图。
图1为本发明一实施例提供的一种玉米种植环境典型代表区的选取分析方法的流程示意图;
图2为本发明一实施例提供的一种东三省玉米种植环境综合环境区划结果及特异区分布图;
图3为本发明一实施例提供的一种东三省玉米种植环境年际波动区划与像元归属概率分析图;
图4为本发明一实施例提供的一种东三省玉米种植环境20年年际波动频次;
图5为本发明一实施例提供的一种东三省玉米种植环境综合环境区划边界与年际波动区划叠加结果;
图6为本发明一实施例提供的一种玉米种植环境典型代表区的选取分析装置的结构示意图。
具体实施方式
下面结合附图,对发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
图1示出了本发明一实施例提供的一种玉米种植环境典型代表区的选取分析方法,包括:
S1、根据最小区划单元划分和区域数据,计算每个最小区划单元中每个区划指标每年生育期内的累计值,根据累计值计算每个区划指标的年均值;
S2、根据每个区划指标的年均值对最小区划单元进行空间属性一体化聚类,得到作物种植环境的综合环境区划;
S3、根据每个区划指标的权重和每个最小区划单元中每个区划指标的年均值,确定每个综合环境区划的特征描述;
S4、对所有年的所有最小区划单元进行空间属性一体化聚类,计算每个聚类后区划的波动情况;
S5、根据特征描述和波动情况对聚类后区划进行分析,选取玉米种植环境的典型代表区。
本实施例通过区划指标的年均值对区划单元进行聚类,分区边界明确精细;并通过不同综合环境区划的特征描述和波动情况,选取玉米种植环境典型代表区。
可选地,所述典型代表区包括:典型均值代表性单元区、典型均值特异单元区、典型稳定性代表性单元区、典型稳定性特异单元区。
通过选取不同的典型代表区,能够为作物品种推广与测试站选点提供决策支持。
进一步地,S1之前,还包括:
S0、获取待分析区域的区域数据。
更进一步地,为了获取作物种植环境的波动情况分布和环境特征以进行更进一步地分析,S4之后,还包括:
S45、根据每个综合环境区划的属性特征,计算每个综合环境区划的类别波动频次和归属概率,并根据所述类别波动频次和所述归属概率,得到聚类后区划的波动情况。
具体地,所述区域数据包括:基础地理数据、作物在待分析区域的多年生育期数据以及待分析区域的多年环境数据。
通过收集基础地理数据、多年生育期数据和多年环境数据,能够更加全面地反映作物种植环境的特点。
为了更详细地说明本实施例提供的玉米种植环境典型代表区的选取分析方法,以下对具体步骤进行说明:
步骤1:获取待分析区域的区域数据,所述区域数据包括:基础地理数据、作物在所述待分析区域的多年生育期数据以及所述待分析区域的多年环境数据;
步骤2:确定最小区划单元和区划属性,计算每个区划最小单元每年播种期到成熟期内种植环境区划属性累积值及多年播种期到生育期内属性累积值的均值。
步骤3:以多年属性均值为聚类属性,对研究区所有区划单元进行空间属性一体化聚类,得到作物种植环境综合环境区划;识别特异单元;在每一分区内,确定对分区结果差异性贡献率较大的属性,及各属性区间值,最终获得区划结果的农学描述信息;
对区划最小单元的聚类分析中,首先针对区划最小单元的多属性进行属性聚类,其中聚类属性为最小区划单元的属性均值,根据各属性对作物种植区划的影响大小设定不同属性的不同权重并进行归一化处理消除量纲,其次为保证区划结果的空间连续性,可将最小区划单元的X、Y坐标作为属性聚类的属性,并设定权重。同时应根据空间连续性调整准则进行细碎单元的调整,得到空间属性一体化聚类结果。
计算所有分区内每个区划单元属性值与其所属分区所有区划单元的属性均值之间的距离,因这些距离值符合正态分布特征,在设定的显著性水平a后,将拒绝域的区划单元化为特异区。
对每一分区,计算所有单元各个属性加权归一化后方差值(其中权重设置与聚类时一致),得到对每个分区差异性贡献率最大和最小的属性。
计算每一分区各属性加权归一化前的极值、方差大小等统计量获得分区结果的农学描述信息。
步骤4:以所有最小区划单元每年的属性值为聚类属性,将所有年份的所有区划最小单元进行空间属性一体化聚类,计算每个区划单元多年间类别波动频次及归属概率,得到作物种植环境波动情况分布,并识别多年环境特征的强、弱变化区;
按照步骤3同样的属性选择及权重设定方法,将所有年份的所有区划最小单元混合进行聚类分析,得到的聚类结果中,在地理空间上同一单元可能在不同年间属于不同的类别。
计算地理空间上每个最小区划单元多年内归属于某个类的概率,根据概率值分析该单元的环境年际波动情况,将概率最大的类别作为该区划单元的最终归属类别,生成研究区的单元多年类别归属概率图,年际最大概率值小于阈值的单元年际波动强烈,被定义为典型单元。
计算任意每两个类之间的距离值,设定单元波动频次初始值为0,将地理空间上的每个最小区划单元的在每年的归属类别值按年序排列,当单元所属类别在年际间发生变化时,波动频次值加上变化类之间的距离值,直到每个单元完成所有年际间的波动频次累加值,生成研究区的单元年际类别波动频次图,作为该单元的年际间综合属性的波动情况的一个衡量值。
步骤5:综合环境均值与波动状况区划的结果来实现对种植环境最小区划单元环境代表性的评价,选择典型环境单元,其中包括典型均值代表性单元区、典型均值特异单元区、典型稳定性代表性单元区、典型稳定性特异单元区,为作物品种推广与测试站选点提供决策支持。
计算环境综合环境区划结果中每个分区的类中心作为该分区种植环境平均状况代表度最高的格网区域,作为典型均值代表性格网;
选择由步骤3得到的综合环境区划特异区作为每个分区的典型均值特异格网。
叠加环境综合环境区划的区划边界和单元多年类别归属概率图、单元年际类别波动频次图,对每个均值分区界限内寻找存在的所有环境波动状况分区类型,选择类变异小的格网作为典型稳定性代表性格网,同时选择类变异较大的格网作为典型稳定性特异格网。
本实施例提供的方法从作物种植环境状况的平均表现与年际波动表现两方面进行种植环境区划、区域小环境识别、胁迫风险评估,利用属性聚类,明确区划边界,实现分区结果的农学描述,对于指导品种测试和推广工作具有重要意义,同时有利于提高对农作物种植环境空间分布的认知,确定区域主要环境特征和识别特殊小环境区域与特征,促进品种准确定位优势推广区,提高品种测试效率。
举例来说,辽宁、吉林、黑龙江三省是东华北春播玉米区的主要种植区域,本发明以东三省为待分析区域,以玉米为区划作物,包括以下步骤:
步骤1:获取待分析区域的区域数据,所述区域数据包括:基础地理数据、作物在所述待分析区域的多年生育期数据以及所述待分析区域的多年环境数据;
由待分析区域获取所述区域基础地理数据包括省级、县级行政划分数据,DEM高程数据。获取东三省区缓冲区100km内20年的农业气象站点数据,所述农业气象站点数据主要包括每年玉米播种日期和成熟日期。获取东三省区缓冲区100km内20年的气象站点数据,所述气象站点数据包括日平均温度、日最高温度、日最低温度、日降雨量、日日照时数等,其中所述气象站点和农业气象站点在所述区域分布均匀,且剔除海拔与区域平均海拔差异过大的气象站点。
分别计算农业气象站点每年从1月1日到玉米播种期和到玉米成熟期的天数,应用径向基插值方法获得全研究区域20年的从1月1日到玉米播种和成熟的天数,并转换为具体年月日日期,将两个日期赋值到气象站点上,获得每个气象站点每年的播种和成熟日期。
步骤2:确定最小区划单元和区划属性,计算每个区划最小单元每年播种期到成熟期内种植环境区划属性累积值及多年播种期到生育期内属性累积值的均值。
本实施例将研究区划分为10kmx10km格网,以网格为最小区划单元,以研究区玉米播种期到成熟期的累积积温、累积降雨、累积日照时数、DEM高程值为区划属性。
计算气象站点每年的玉米播种期到成熟期的累积日平均温度、累积降雨、累积日照时数,利用克里金插值方法获得每个网格每年的累积积温、累积降雨、累积日照值,应用重采样方法获得每个格网的DEM高程值。
此外,计算每个网格20年内各个属性的平均值。
步骤3:对研究区所有区划单元的均值属性进行多属性空间属性一体化聚类,得到作物种植环境均值区划;识别特异单元;在每一分区内,确定相似性和差异性较大的属性,及各属性区间值,最终获得区划结果的农学描述信息;
本实施例中,对研究区域所有网格的20年各个属性均值归一化到0-100之间消除量纲并赋予不同权重,进行属性聚类,本研究实例中将累计积温、累计降雨、累计日照权重设置为0.25,高程权重设为0.15,网格中心所在X、Y坐标权重分别赋值为0.05,应用k-means方法聚类,其中样本亲疏度计算采用欧式距离法,根据R方、半偏R方统计量的大小确定最终聚类数目(本实施例中最佳聚类数目为8),其中X、Y坐标的加入保证了区划结果的较好的空间连续性。
特异区选取方法如下:计算所有分区内每个网格属性值与其所属分区所有网格的各属性均值之间的欧式距离,对不同的分区,特异区的选取应该基于相同的标准,因所有不同分区的网格与其所在类中心的距离值符合正态分布特征,在设定的显著性水平a后,将拒绝域的区划单元化为特异区,特异区是聚类区划的离群值,在实际应用时是应特别注意的,区划与特异区选取结果如图2所示。
计算每个分区内所有网格各个属性加权归一化后方差值(其中权重设置与聚类时一致),得出对每个分区差异性贡献率最大和最小的属性,如下表1所示。
表1东三省玉米种植环境综合环境区划结果差异性贡献最大属性
计算每个分区内所有网格各属性的真实标准差和极值,获得该分区的属性特征,得到该分区的农学描述。
步骤4:以所有最小区划单元每年的属性值为聚类属性,将所有年份的所有区划最小单元进行空间属性一体化聚类,计算每个区划单元多年间类别波动频次及归属概率,得到作物种植环境波动情况分布,并识别多年环境特征的强、弱变化区;
将研究区域地理空间上划分的网格称为“地理网格”,本研究实例中共有7832个地理网格,每个地理网格按时间序列排列每年都对应一个含有多个属性值属性的网格,称为“值网格”,在本研究实例中共有20年的数据,因此每个地理网格有20个值网格,所有地理网格的值网格共有7832*20个。将所有这些值网格放在一起聚类,其中属性与属性权重设置、聚类数目的确定方式、聚类方法等与步骤3中完全一样(本实例中最佳聚类数目为7)。由以上知每个地理网格对应的多个值网格必定具有相同的dem高程值和X、Y标值。得出的聚类结果中同一地理网格的不同年的值网格可能属于不同的类别。
计算每个地理网格归属于某个类的概率,具体计算方法是计算地理网格所有值网格属于某个类的频次,用该频次除以年数,即得到地理网格属于该类的概率,如果值网格的类别多余一个,则该地理网格所归属的类就存在多种可能,本研究实例将归属率最大的类被作为该地理网格的最终归属类,生成研究区网格多年类别归属概率图,在农学意义上讲,若某个地理网格属于某个类概率很大,则说明相对来说该地理网格的环境变异很小,若某个地理网格归属度最大的类的概率值小于阈值(这里设置为30%),则将其设置为典型波动网格。如下图3所示中的图例中,黑色网格为典型波动网格,其余的网格颜色含义为:百位数为地理网格最终归属的类别编号,十位和个位标识归属于该类的百分比概率,如295代表着该地理网格属于第2类的概率为95%,700则代表该地理网格属于第7类的概率为100%。
计算每个地理网格环境类别波动频次,具体方法为:获取以上每个类的聚类中心,计算所有聚类中心的欧式距离,作为类之间的距离度量值。为每个地理网格设定“值网格波动频次”属性,初始值设置为0,将每个地理网格的所有值网格按年序排列,比较相邻年的值网格所属类别,当两个类别值不同,将每个地理网格的值网格波动频次加上变化类之间的距离值,直至每个地理格网完成所有年际间的值网格的类别比较与值网格波动频次叠加。生成研究区网格年际类别波动频次图,如图4所示,将值网格波动频次值作为地理格网年际波动情况的衡量属性。
步骤5:综合环境均值与波动状况区划的结果来实现对种植环境最小区划单元环境代表性的评价,选择典型环境单元,其中包括典型均值代表性单元区、典型均值特异单元区、典型稳定性代表性单元区、典型稳定性特异单元区,为作物品种推广与测试站选点提供决策支持。
计算环境综合环境区划结果中每个分区的类中心作为该分区种植环境平均状况代表度最高的格网区域,作为典型均值代表性格网,选择由步骤3得到的综合环境区划特异区作为典型均值特异格网。叠加环境综合环境区划的区划边界和环境波动状况区划结果(如图5),对每个均值分区界限内寻找存在的所有环境波动状况分区类型,选择类变异小的格网作为典型稳定性代表性格网,同时选择类变异较大的格网作为典型稳定性特异格网。
图6示出了本实施例提供的一种玉米种植环境典型代表区的选取分析装置,包括:
年均值计算模块11,用于根据最小区划单元划分和区域数据,计算每个最小区划单元中每个区划指标每年生育期内的累计值,根据累计值计算每个区划指标的年均值;
综合环境区划获取模块12,用于根据每个区划指标的年均值对最小区划单元进行空间属性一体化聚类,得到作物种植环境的综合环境区划;
特征描述确定模块13,用于根据每个区划指标的权重和每个最小区划单元中每个区划指标的年均值,确定每个综合环境区划的特征描述;
波动情况计算模块14,用于对所有年的所有最小区划单元进行空间属性一体化聚类,计算每个聚类后区划的波动情况;
典型代表区选取模块15,用于根据特征描述和波动情况对聚类后区划进行分析,选取玉米种植环境的典型代表区。
可选地,所述典型代表区包括:典型均值代表性单元区、典型均值特异单元区、典型稳定性代表性单元区、典型稳定性特异单元区。
进一步地,还包括:
区域数据获取模块,用于获取待分析区域的区域数据。
进一步地,还包括:
波动计算模块,用于根据每个综合环境区划的属性特征,计算每个综合环境区划的类别波动频次和归属概率,并根据所述类别波动频次和所述归属概率,得到聚类后区划的波动情况。
更进一步地,所述区域数据包括:基础地理数据、作物在待分析区域的多年生育期数据以及待分析区域的多年环境数据。
本实施例所述的一种玉米种植环境典型代表区的选取分析装置可以用于执行上述方法实施例,其原理和技术效果类似,此处不再赘述。
本发明的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
机译: 一种代表组织图像导管非典型性的非典型振幅签名方法
机译: 尿液中的非典型细胞的分析方法,尿液分析仪以及体液中的非典型细胞的分析方法
机译: 尿非典型细胞分析方法,尿液分析仪和体液非典型细胞分析方法