基于C-均值模糊隶属度的土壤景观模型新方法

张莉莉，刘沐洁，胡丽娟，王 强

(1.安徽粮食工程职业学院，安徽 合肥 230011；2.安徽农业大学资源与环境学院，安徽 合肥 230036)

在植物生长过程中，土壤和水分是其生长的关键要素，植物根系对土壤水分的吸收能力高低将直接关系到现代农业的生产水平，不过受到气候及植物种类的影响，人们很难对土壤水分实施大面积模拟和监测。土壤水分景观模型属于一种定量化分析的数学模型，其能够对土壤水分的性质及其在空间中的分布进行研究,模糊隶属度则是以专家知识为基础的，其是在环境与土壤之间所具备的重要相关性的前提下进行假设，以这种相关性关系来得到土壤性质图中的隶属度函数。

1 建立土壤景观模型的新方法

过去，对土壤水分景观模型的建立主要是统计模型与模糊隶属度方法，统计模型主要是采用logistic回归模型，其利用统计关系对容易量化或能够直接量化的环境变量与土壤水分变量之间所具备的相关性进行预测。

模糊隶属度则是以专家知识为基础的，它是在环境与土壤之间所具备的重要相关性的前提下进行假设，以这种相关性关系来得到土壤性质图中的隶属函数。2011年Malone提出模糊K-均值方法，并将该方法应用到土壤水分的不确定性实证当中。而本文对土壤水分景观模型的研究，就是利用模糊隶属度方法来进行的。

针对模糊K-均值方法的不足，本文提出一种基于模糊C-均值的模糊隶属度方法，该方法能够对土壤图及土壤利用图的专家知识进行提取，以此建立模糊C-均值隶属度函数，其核心在于能够将以往土壤地图当作相同环境因素来对专家知识进行提取，这是土壤景观模型建立的关键，对模糊隶属度函数建立能对各个像元和土壤水分典型区域的相似度进行确定，并对相似值和对应调查值进行计算，从而达到土壤属性的连续预测目的。模糊C-均值方法能够对环境数据集中所包含的不同环境组合进行识别，其软件是由C语言进行开发的，并通过Matlab软件来对分割系数进行计算，而模糊隶属度预测及土壤地图的生成则采用Erdas、Arc/Info软件。

2 土壤水分景观模型的数据准备

2.1 研究区域的分析

本文以安徽肥东县作为研究区域，该区域为亚热带季风气候、四季分明，该地区东部主要以低山丘陵区为主，并种植有多种树木。该区域夏季持续时间约为118天，春季与秋季约为2个月，而冬季则有4～5个月。该地区的最高温度可超过40摄氏度且雨量集中，这使该区域非常容易出现旱天或连阴雨。随着该地区长期开发和不断的种植，全县已很难看到原始植被，目前随处可见的只有人工植被(如树木，庄稼等)，还有一部分是自然草丛植被。

2.2 地面实测数据的收集及处理

本文采用模糊分类隶属度方法来对土壤水分的样点进行选择，该方法的样本选择是以模糊C-均值来对模糊隶属度函数进行建立的。该方法共由4个部分组成，①从土地利用图与土壤图中来对专家知识进行提取，土壤专家通过记录和分析土壤环境条件，再根据土壤剖面的定性观测，在野外描述出土壤质地、土壤结构、植物根系和土壤颜色等相关项，提炼出不同土壤类型的典型环境条件；②采用DEM来自美国EO1卫星中分辨率为30m ASTER传感器的影像，利用C语言对模糊C-均值的运行程序进行编写，以模糊分类各项地形属性，这些地形属性主要包括海拔、剖面曲率、坡向及地形湿度指数；③采用Matlab软件对最佳的分类数量进行计算；④依据得到模糊隶属度值来对样点进行选择。

2.3 辅助数据的收集

本文使用辅助数据来分析对土壤水分产生影响的相关因素，在辅助数据收集上，主要包括土地利用数据、地形数据以及土壤类型数据，其中，土地利用数据是由某单位提供的，而地形数据则是由美国航天局在测绘任务中所得到数据，土壤类型数据则是由当地农业部门提供，并经数字化处理后生成的。

3 基于C-均值模糊隶属度的土壤水分景观模型研究

3.1 建立模糊分类隶属度模型

本文采用模糊C-均值来对上述数据进行模糊分类，以此识别专家知识库中不同环境下的数据集组合，并通过模糊分类来对各个像元所具有的环境条件和原型中所具备的相似关系进行确定，以此建立模糊隶属度函数来对土壤水分进行预测。在C-均值模糊隶属度方法中，以事物的相似度值高低来进行模糊分区。模糊C-均值方法采用n维向量对数据库进行划分，以使其划分成若干个数据簇，然后对各个数据簇中的典型向量值进行求出，以使该典型向量值能够与函数相似性最大相满足，进而得出各个对象，其是隶属于特定核心组的，它的相似矩阵的取值在0至1的范围以内，并对数据进行归一化处理。

该算法的迭代过程较为简单，其在对数据进行批量处理时，步骤如下：①利用0至1之间的某一随机值对隶属矩阵进行初始化，以使其满足约束条件；②依据最小值必要条件对这些聚类中心进行计算；③根据最小值必要条件来对价值函数进行计算，当价值函数比某阈值时，则算法停止；④根据最小值必要条件对新的矩阵进行计算，并重新返回到第②步当中。

3.2 模糊隶属度计算

在对模糊隶属度进行计算时，需要对2个参数进行确定，分别是加权参数与聚类数目，加权参数对聚类的模糊性产生决定性的影响，可通过Matlab软件进行仿真分析，并利用模糊C-均值聚类对特定区域中的不同加权参数进行选择来计算，由此可发现，当加权参数为1.5时，其模糊隶属度的取值范围在0至0.99时，图像会变得越来越清晰，而当加权参数达到3时，其模糊隶属度的取值范围在0～0.7时，模糊相似度图像会像着平滑转变，不过其模糊隶属度的取值始终比0.85低，而当加权参数为2时，其相似度曲线会实现平滑过渡，而且其隶属度值为0.95，此时能够与实际调查相符合。在最佳分类计算中，由Matlab软件对分割系数进行计算，并利用得到的分割系数来对不同类别之间所具备的重叠度进行测算，从而使聚类结果的有效性得到可靠判断。在确立加权参数与分割系数后，便可构建加权平均模型，加权平均模型能够对土壤水分进行计算，其各个像素中的土壤水分则可通过由C语言编写的FCM运行程序进行计算。

4 结束语

本文在对土壤水分景观模型进行研究时，提出了一种C-均值模糊隶属度方法，该方法综合了土壤专家知识，其通过模糊隶属度函数的计算来实现土壤水分的预测，并以事物的相似度值来进行模糊分区，同时采用分割系数来验证聚类结果的有效性。其相比于模糊K-均值方法与统计模型来说，其模拟结果更好且精度更高，从而为土壤水分景观模型的研究提供了一种良好的研究方法。