基于模糊聚類最大樹算法的高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估

甄 莉

(內(nèi)蒙古赤峰市水利事業(yè)發(fā)展中心，內(nèi)蒙古 赤峰 024000)

0 引 言

隨著鄉(xiāng)村振興不斷推進(jìn)，對(duì)鄉(xiāng)村農(nóng)田的規(guī)劃研究受到人們的重視。通過(guò)對(duì)高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估，結(jié)合農(nóng)田的用途特征分析，通過(guò)網(wǎng)格化的分塊規(guī)劃設(shè)計(jì)，提高農(nóng)田的利用率，從而提高農(nóng)田的產(chǎn)出能力。對(duì)高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估研究在土地開(kāi)發(fā)利用以及土木測(cè)繪規(guī)劃等領(lǐng)域都具有重要的應(yīng)用價(jià)值。對(duì)高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估研究是通過(guò)分析農(nóng)田的利用狀態(tài)特征，通過(guò)數(shù)據(jù)量化指標(biāo)參數(shù)分析實(shí)現(xiàn)的，建立高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估的動(dòng)態(tài)約束指標(biāo)參數(shù)集，結(jié)合自適應(yīng)的學(xué)習(xí)算法模型，采用對(duì)象分塊估計(jì)和一致性特征分析，實(shí)現(xiàn)高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估[1]。

傳統(tǒng)方法中，對(duì)高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估方法主要有卷積神經(jīng)網(wǎng)絡(luò)分析的高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估方法、最大C均值聚類分析方法、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)評(píng)估方法等，通過(guò)坐標(biāo)卷積信息融合和遙感分辨控制的方法實(shí)現(xiàn)對(duì)土木利用的空間屬性參數(shù)分析[2]。文獻(xiàn)[3]中提出采用遙感影像農(nóng)田提取方法實(shí)現(xiàn)對(duì)高標(biāo)準(zhǔn)農(nóng)田建設(shè)的空間統(tǒng)計(jì)學(xué)分析，通過(guò)空間屬性分割參數(shù)、光譜屬性分割參數(shù)和影像對(duì)象面積閾值參數(shù)的聯(lián)合特征參數(shù)分析，實(shí)現(xiàn)高精度的遙感信息提取，根據(jù)遙感特征提取結(jié)果，實(shí)現(xiàn)高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估，但該方法進(jìn)行高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估的自適應(yīng)性不好，環(huán)境適應(yīng)度水平不高。文獻(xiàn)[4]中提出多光譜光學(xué)遙感特征檢測(cè)的高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估模型，通過(guò)多源遙感參數(shù)解析，結(jié)合高標(biāo)準(zhǔn)農(nóng)田建設(shè)特征參數(shù)融合，實(shí)現(xiàn)高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估，但該方法評(píng)估精度不高，計(jì)算開(kāi)銷較大。

針對(duì)上述問(wèn)題，本文提出基于模糊聚類最大樹算法的高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估方法。首先采用空間統(tǒng)計(jì)學(xué)的尺度估計(jì)方法建立高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效的統(tǒng)計(jì)數(shù)據(jù)分析模型，然后計(jì)算農(nóng)田分塊子區(qū)的變異函數(shù)值，采用反演特征分析提取高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效約束指標(biāo)數(shù)據(jù)集的統(tǒng)計(jì)特征量，采用模糊聚類最大樹算法實(shí)現(xiàn)對(duì)統(tǒng)計(jì)特征量的分類匯總和動(dòng)態(tài)估計(jì)，最后進(jìn)行仿真測(cè)試，展示本文方法在提高高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估能力方面的優(yōu)越性能。

1 高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效的統(tǒng)計(jì)數(shù)據(jù)分析

1.1 農(nóng)田建設(shè)成效的統(tǒng)計(jì)數(shù)據(jù)集

為了實(shí)現(xiàn)基于模糊聚類最大樹算法的高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估，首先采用空間統(tǒng)計(jì)學(xué)的尺度估計(jì)方法建立高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效的統(tǒng)計(jì)數(shù)據(jù)分析模型，結(jié)合自然地表的空間分辨率參數(shù)分析，采用遙感影像數(shù)據(jù)特征檢測(cè)方法，采用像元分類的方法，進(jìn)行高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效的對(duì)象模型分析，通過(guò)對(duì)象級(jí)尺度分解和像素級(jí)尺度分解的方法[5]，對(duì)農(nóng)田建設(shè)的遙感影像數(shù)據(jù)實(shí)現(xiàn)像元級(jí)尺度和遙感像元分類，通過(guò)空間細(xì)節(jié)尺度分解，建立高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效空間細(xì)節(jié)水平參數(shù)分析模型，通過(guò)空間統(tǒng)計(jì)學(xué)模型參數(shù)分析，基于遙感影像的模糊聚類和最大樹分類的方法，實(shí)現(xiàn)高標(biāo)準(zhǔn)農(nóng)田建設(shè)成像評(píng)價(jià)[6]。實(shí)現(xiàn)結(jié)構(gòu)圖見(jiàn)圖1。

圖1 高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估結(jié)構(gòu)框圖

依據(jù)高標(biāo)準(zhǔn)農(nóng)田分布的空間特征和屬性特征，分析水平方向和垂直方向的高標(biāo)準(zhǔn)農(nóng)田建設(shè)統(tǒng)計(jì)特征量，計(jì)算元點(diǎn)對(duì)之間的空間距離，結(jié)合全局影像遍歷和空間屬性參數(shù)分析，進(jìn)行高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效統(tǒng)計(jì)分析，采用空間屬性參數(shù)的閾值分解方法，通過(guò)對(duì)空間統(tǒng)計(jì)學(xué)的尺度估計(jì)，建立高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效的統(tǒng)計(jì)數(shù)據(jù)分析模型，在空間統(tǒng)計(jì)學(xué)分析的基礎(chǔ)上，得到高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效利用率。首先，給出農(nóng)田建設(shè)成效的統(tǒng)計(jì)數(shù)據(jù)集：

(1)

以光譜、形狀、緊致度、植被指數(shù)、水體指數(shù)等約束指標(biāo)參數(shù)，采用圖像的區(qū)域特征分析，建立農(nóng)田子區(qū)合并斑塊閾值分析模型，得到農(nóng)田最佳利用率約束下的差異度因子。通過(guò)非空間數(shù)據(jù)融合聚類分析，結(jié)合綜合半方差特征估計(jì)，建立最佳空間屬性參數(shù)解析模型，提高農(nóng)田建設(shè)成效估計(jì)的可靠性。

1.2 空間屬性參數(shù)預(yù)測(cè)

基于空間和屬性參數(shù)預(yù)測(cè)的方法，建立高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估的動(dòng)態(tài)約束參數(shù)模型，結(jié)合子空間融合聚類分析，采用最大樹分岔的方法，進(jìn)行高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估過(guò)程中的數(shù)據(jù)驅(qū)動(dòng)和分割尺度自適應(yīng)估計(jì)，依據(jù)空間特征和屬性特征得到農(nóng)田的建設(shè)成效估計(jì)值。高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估的空間屬性參數(shù)預(yù)測(cè)過(guò)程見(jiàn)圖2。

圖2 高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估的空間屬性參數(shù)預(yù)測(cè)

在圖2中，采用面向?qū)ο笥跋穹治龅姆椒ǎ⒐庾V屬性分割模型，根據(jù)光譜屬性分割值，結(jié)合灰度特征檢測(cè)，得到以光譜、形狀、緊致度、植被指數(shù)、水體指數(shù)等約束指標(biāo)參數(shù)集，表示為：

(2)

其中：η為高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效檢測(cè)的光譜分量；φ為形狀中心參數(shù)；R為緊致度；D為植被指數(shù)。

設(shè)定K均值聚類的初始聚類特征量，通過(guò)水體指數(shù)約束分析，得到高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效類別間的灰度特征差值為離散的模擬數(shù)據(jù)，通過(guò)對(duì)離散的模擬數(shù)據(jù)進(jìn)行聚類分析，構(gòu)建高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估的數(shù)據(jù)分析模型。

2 農(nóng)田建設(shè)成效評(píng)估優(yōu)化

2.1 建設(shè)成效評(píng)估數(shù)據(jù)的模糊聚類最大樹算法處理

采用對(duì)多尺度分割和尺度參數(shù)估計(jì)，選擇對(duì)初次融合圖像進(jìn)行模糊度檢測(cè)，采用反演特征分析提取高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效約束指標(biāo)數(shù)據(jù)集的統(tǒng)計(jì)特征量，采用模糊聚類最大樹算法實(shí)現(xiàn)對(duì)統(tǒng)計(jì)特征量的分類匯總和動(dòng)態(tài)估計(jì)，通過(guò)遙感模式分類中的尺度特征分解，建立高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估的熵評(píng)價(jià)模型，得到最大信息熵分布為：

(3)

其中：Eint(vi)為高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效建設(shè)的自適應(yīng)估計(jì)參數(shù)值；Eext(vi)為農(nóng)田遙感影像的局部方程；N為分割斑塊的樣本數(shù)。

采用全色波段的動(dòng)態(tài)監(jiān)測(cè)方法，構(gòu)建空間屬性參數(shù)預(yù)測(cè)的方法，采用綜合半方差變差分析方法，計(jì)算得到高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效分布的細(xì)節(jié)特征分布為：

(4)

其中：a為農(nóng)田建設(shè)成效分布的形態(tài)學(xué)維度。

根據(jù)距離最近 GNSS 水準(zhǔn)點(diǎn)之間的高程分布，采用模糊度信息融合的方法，得到高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估的模糊聚類函數(shù)表示為：

(5)

計(jì)算農(nóng)田分塊子區(qū)的變異函數(shù)值，采用反演特征分析提取高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效約束指標(biāo)數(shù)據(jù)集的統(tǒng)計(jì)特征量，通過(guò)模糊聚類最大樹算法分析，得到農(nóng)田建設(shè)成效評(píng)估的聚類模型。建設(shè)成效評(píng)估數(shù)據(jù)的模糊聚類最大樹算法處理流程見(jiàn)圖3。

圖3 建設(shè)成效評(píng)估數(shù)據(jù)的模糊聚類最大樹算法處理流程

2.2 建設(shè)成效的動(dòng)態(tài)評(píng)估輸出

在采用模糊聚類最大樹算法實(shí)現(xiàn)對(duì)統(tǒng)計(jì)特征量的分類匯總和動(dòng)態(tài)估計(jì)的基礎(chǔ)上，通過(guò)對(duì)高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效的量化評(píng)估，研究區(qū)影像分割的空間屬性參數(shù)，得到綜合半方差變差特征值，引入在不同的地區(qū)、不同的數(shù)據(jù)源，結(jié)合土地的分塊統(tǒng)計(jì)特征，以植被、旱地、建筑物、云的觀測(cè)對(duì)象參數(shù)，得到建設(shè)成效評(píng)估數(shù)據(jù)的模糊特征點(diǎn)為K(x0,y0)。以K(x0,y0)為中心，得到建設(shè)成效評(píng)估數(shù)據(jù)的統(tǒng)計(jì)分析閾值為：

(6)

其中：R為各個(gè)波段上建設(shè)成效評(píng)價(jià)的動(dòng)態(tài)平均值；K為最佳合并斑塊閾值。

如果pixel_A

bnrβ(X)=RβX-RβX1

(7)

其中：Rβ為農(nóng)田建設(shè)成效分布的形態(tài)學(xué)運(yùn)算算子；X為農(nóng)田建設(shè)成效分布的近似高程誤差；X1為初試高程誤差。

綜上分析，采用形態(tài)學(xué)聚類的最大樹融合分析的方法，通過(guò)尺度估計(jì)和均方根誤差估計(jì)，提取農(nóng)田的分塊利用特征值，實(shí)現(xiàn)對(duì)高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效的量化評(píng)估，提高農(nóng)田綜合規(guī)劃和利用效能。

3 仿真實(shí)驗(yàn)測(cè)試

為了驗(yàn)證本文方法在實(shí)現(xiàn)高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估中的應(yīng)用性能，采用Matlab進(jìn)行仿真測(cè)試。農(nóng)田遙感影像采集的像素大小為800×800像素值，農(nóng)田分塊融合后影像特征聚類大小為4 800×3 900像素值，對(duì)農(nóng)田的空間信息采樣分為4個(gè)多光譜波段。農(nóng)田建設(shè)成效評(píng)價(jià)參數(shù)分布見(jiàn)表1。

表1 農(nóng)田建設(shè)成效評(píng)價(jià)參數(shù)分布

根據(jù)表1的參數(shù)設(shè)計(jì)，進(jìn)行高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估。首先，給出農(nóng)田的遙感監(jiān)測(cè)圖像，見(jiàn)圖4。

圖4 標(biāo)準(zhǔn)農(nóng)田遙感監(jiān)測(cè)圖像

以圖4的監(jiān)測(cè)圖像為研究對(duì)象，進(jìn)行標(biāo)準(zhǔn)農(nóng)田建設(shè)成效估計(jì)，得到農(nóng)田的規(guī)則化分塊檢測(cè)結(jié)果，見(jiàn)圖5。

用模糊聚類最大樹算法實(shí)現(xiàn)對(duì)統(tǒng)計(jì)特征量的分類匯總和動(dòng)態(tài)估計(jì)，實(shí)現(xiàn)對(duì)高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效的量化評(píng)估。農(nóng)田利用效率檢測(cè)評(píng)價(jià)結(jié)果見(jiàn)圖6。分析圖6可知，采用該方法進(jìn)行高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估的精準(zhǔn)度較高，統(tǒng)計(jì)特征值的聚類性較好，測(cè)試評(píng)價(jià)精度對(duì)比結(jié)果見(jiàn)表2。

圖6 農(nóng)田利用效率檢測(cè)評(píng)價(jià)結(jié)果

表2 農(nóng)田建設(shè)成效評(píng)估精度對(duì)比

由表2可知，本文方法對(duì)農(nóng)田建設(shè)成效評(píng)估的精度更高，誤分率較低。

4 結(jié) 語(yǔ)

本文提出基于模糊聚類最大樹算法的高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估方法。對(duì)農(nóng)田建設(shè)的遙感影像數(shù)據(jù)實(shí)現(xiàn)像元級(jí)尺度和遙感像元分類，通過(guò)空間細(xì)節(jié)尺度分解，建立高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效空間細(xì)節(jié)水平參數(shù)分析模型，通過(guò)對(duì)離散的模擬數(shù)據(jù)進(jìn)行聚類分析，構(gòu)建高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)估的數(shù)據(jù)分析模型，實(shí)現(xiàn)高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效的量化評(píng)估，提高農(nóng)田綜合規(guī)劃和利用效能。測(cè)試結(jié)果表明，采用本文方法進(jìn)行高標(biāo)準(zhǔn)農(nóng)田建設(shè)成效評(píng)價(jià)的可靠性較好，特征收斂性較強(qiáng)。