基于模糊聚類最大樹算法的高標準農田建設成效評估

甄 莉

(內蒙古赤峰市水利事業發展中心，內蒙古 赤峰 024000)

0 引 言

隨著鄉村振興不斷推進，對鄉村農田的規劃研究受到人們的重視。通過對高標準農田建設成效評估，結合農田的用途特征分析，通過網格化的分塊規劃設計，提高農田的利用率，從而提高農田的產出能力。對高標準農田建設成效評估研究在土地開發利用以及土木測繪規劃等領域都具有重要的應用價值。對高標準農田建設成效評估研究是通過分析農田的利用狀態特征，通過數據量化指標參數分析實現的，建立高標準農田建設成效評估的動態約束指標參數集，結合自適應的學習算法模型，采用對象分塊估計和一致性特征分析，實現高標準農田建設成效評估[1]。

傳統方法中，對高標準農田建設成效評估方法主要有卷積神經網絡分析的高標準農田建設成效評估方法、最大C均值聚類分析方法、神經網絡預測評估方法等，通過坐標卷積信息融合和遙感分辨控制的方法實現對土木利用的空間屬性參數分析[2]。文獻[3]中提出采用遙感影像農田提取方法實現對高標準農田建設的空間統計學分析，通過空間屬性分割參數、光譜屬性分割參數和影像對象面積閾值參數的聯合特征參數分析，實現高精度的遙感信息提取，根據遙感特征提取結果，實現高標準農田建設成效評估，但該方法進行高標準農田建設成效評估的自適應性不好，環境適應度水平不高。文獻[4]中提出多光譜光學遙感特征檢測的高標準農田建設成效評估模型，通過多源遙感參數解析，結合高標準農田建設特征參數融合，實現高標準農田建設成效評估，但該方法評估精度不高，計算開銷較大。

針對上述問題，本文提出基于模糊聚類最大樹算法的高標準農田建設成效評估方法。首先采用空間統計學的尺度估計方法建立高標準農田建設成效的統計數據分析模型，然后計算農田分塊子區的變異函數值，采用反演特征分析提取高標準農田建設成效約束指標數據集的統計特征量，采用模糊聚類最大樹算法實現對統計特征量的分類匯總和動態估計，最后進行仿真測試，展示本文方法在提高高標準農田建設成效評估能力方面的優越性能。

1 高標準農田建設成效的統計數據分析

1.1 農田建設成效的統計數據集

為了實現基于模糊聚類最大樹算法的高標準農田建設成效評估，首先采用空間統計學的尺度估計方法建立高標準農田建設成效的統計數據分析模型，結合自然地表的空間分辨率參數分析，采用遙感影像數據特征檢測方法，采用像元分類的方法，進行高標準農田建設成效的對象模型分析，通過對象級尺度分解和像素級尺度分解的方法[5]，對農田建設的遙感影像數據實現像元級尺度和遙感像元分類，通過空間細節尺度分解，建立高標準農田建設成效空間細節水平參數分析模型，通過空間統計學模型參數分析，基于遙感影像的模糊聚類和最大樹分類的方法，實現高標準農田建設成像評價[6]。實現結構圖見圖1。

圖1 高標準農田建設成效評估結構框圖

依據高標準農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準農田建設統計特征量，計算元點對之間的空間距離，結合全局影像遍歷和空間屬性參數分析，進行高標準農田建設成效統計分析，采用空間屬性參數的閾值分解方法，通過對空間統計學的尺度估計，建立高標準農田建設成效的統計數據分析模型，在空間統計學分析的基礎上，得到高標準農田建設成效利用率。首先，給出農田建設成效的統計數據集：

(1)

以光譜、形狀、緊致度、植被指數、水體指數等約束指標參數，采用圖像的區域特征分析，建立農田子區合并斑塊閾值分析模型，得到農田最佳利用率約束下的差異度因子。通過非空間數據融合聚類分析，結合綜合半方差特征估計，建立最佳空間屬性參數解析模型，提高農田建設成效估計的可靠性。

1.2 空間屬性參數預測

基于空間和屬性參數預測的方法，建立高標準農田建設成效評估的動態約束參數模型，結合子空間融合聚類分析，采用最大樹分岔的方法，進行高標準農田建設成效評估過程中的數據驅動和分割尺度自適應估計，依據空間特征和屬性特征得到農田的建設成效估計值。高標準農田建設成效評估的空間屬性參數預測過程見圖2。

圖2 高標準農田建設成效評估的空間屬性參數預測

在圖2中，采用面向對象影像分析的方法，建立光譜屬性分割模型，根據光譜屬性分割值，結合灰度特征檢測，得到以光譜、形狀、緊致度、植被指數、水體指數等約束指標參數集，表示為：

(2)

其中：η為高標準農田建設成效檢測的光譜分量；φ為形狀中心參數；R為緊致度；D為植被指數。

設定K均值聚類的初始聚類特征量，通過水體指數約束分析，得到高標準農田建設成效類別間的灰度特征差值為離散的模擬數據，通過對離散的模擬數據進行聚類分析，構建高標準農田建設成效評估的數據分析模型。

2 農田建設成效評估優化

2.1 建設成效評估數據的模糊聚類最大樹算法處理

采用對多尺度分割和尺度參數估計，選擇對初次融合圖像進行模糊度檢測，采用反演特征分析提取高標準農田建設成效約束指標數據集的統計特征量，采用模糊聚類最大樹算法實現對統計特征量的分類匯總和動態估計，通過遙感模式分類中的尺度特征分解，建立高標準農田建設成效評估的熵評價模型，得到最大信息熵分布為：

(3)

其中：Eint(vi)為高標準農田建設成效建設的自適應估計參數值；Eext(vi)為農田遙感影像的局部方程；N為分割斑塊的樣本數。

采用全色波段的動態監測方法，構建空間屬性參數預測的方法，采用綜合半方差變差分析方法，計算得到高標準農田建設成效分布的細節特征分布為：

(4)

其中：a為農田建設成效分布的形態學維度。

根據距離最近 GNSS 水準點之間的高程分布，采用模糊度信息融合的方法，得到高標準農田建設成效評估的模糊聚類函數表示為：

(5)

計算農田分塊子區的變異函數值，采用反演特征分析提取高標準農田建設成效約束指標數據集的統計特征量，通過模糊聚類最大樹算法分析，得到農田建設成效評估的聚類模型。建設成效評估數據的模糊聚類最大樹算法處理流程見圖3。

圖3 建設成效評估數據的模糊聚類最大樹算法處理流程

2.2 建設成效的動態評估輸出

在采用模糊聚類最大樹算法實現對統計特征量的分類匯總和動態估計的基礎上，通過對高標準農田建設成效的量化評估，研究區影像分割的空間屬性參數，得到綜合半方差變差特征值，引入在不同的地區、不同的數據源，結合土地的分塊統計特征，以植被、旱地、建筑物、云的觀測對象參數，得到建設成效評估數據的模糊特征點為K(x0,y0)。以K(x0,y0)為中心，得到建設成效評估數據的統計分析閾值為：

(6)

其中：R為各個波段上建設成效評價的動態平均值；K為最佳合并斑塊閾值。

如果pixel_A

bnrβ(X)=RβX-RβX1

(7)

其中：Rβ為農田建設成效分布的形態學運算算子；X為農田建設成效分布的近似高程誤差；X1為初試高程誤差。

綜上分析，采用形態學聚類的最大樹融合分析的方法，通過尺度估計和均方根誤差估計，提取農田的分塊利用特征值，實現對高標準農田建設成效的量化評估，提高農田綜合規劃和利用效能。

3 仿真實驗測試

為了驗證本文方法在實現高標準農田建設成效評估中的應用性能，采用Matlab進行仿真測試。農田遙感影像采集的像素大小為800×800像素值，農田分塊融合后影像特征聚類大小為4 800×3 900像素值，對農田的空間信息采樣分為4個多光譜波段。農田建設成效評價參數分布見表1。

表1 農田建設成效評價參數分布

根據表1的參數設計，進行高標準農田建設成效評估。首先，給出農田的遙感監測圖像，見圖4。

圖4 標準農田遙感監測圖像

以圖4的監測圖像為研究對象，進行標準農田建設成效估計，得到農田的規則化分塊檢測結果，見圖5。

用模糊聚類最大樹算法實現對統計特征量的分類匯總和動態估計，實現對高標準農田建設成效的量化評估。農田利用效率檢測評價結果見圖6。分析圖6可知，采用該方法進行高標準農田建設成效評估的精準度較高，統計特征值的聚類性較好，測試評價精度對比結果見表2。

圖6 農田利用效率檢測評價結果

表2 農田建設成效評估精度對比

由表2可知，本文方法對農田建設成效評估的精度更高，誤分率較低。

4 結 語

本文提出基于模糊聚類最大樹算法的高標準農田建設成效評估方法。對農田建設的遙感影像數據實現像元級尺度和遙感像元分類，通過空間細節尺度分解，建立高標準農田建設成效空間細節水平參數分析模型，通過對離散的模擬數據進行聚類分析，構建高標準農田建設成效評估的數據分析模型，實現高標準農田建設成效的量化評估，提高農田綜合規劃和利用效能。測試結果表明，采用本文方法進行高標準農田建設成效評價的可靠性較好，特征收斂性較強。