基于模糊聚类最大树算法的高标准农田建设成效评估

甄 莉

(内蒙古赤峰市水利事业发展中心，内蒙古 赤峰 024000)

0 引 言

随着乡村振兴不断推进，对乡村农田的规划研究受到人们的重视。通过对高标准农田建设成效评估，结合农田的用途特征分析，通过网格化的分块规划设计，提高农田的利用率，从而提高农田的产出能力。对高标准农田建设成效评估研究在土地开发利用以及土木测绘规划等领域都具有重要的应用价值。对高标准农田建设成效评估研究是通过分析农田的利用状态特征，通过数据量化指标参数分析实现的，建立高标准农田建设成效评估的动态约束指标参数集，结合自适应的学习算法模型，采用对象分块估计和一致性特征分析，实现高标准农田建设成效评估[1]。

传统方法中，对高标准农田建设成效评估方法主要有卷积神经网络分析的高标准农田建设成效评估方法、最大C均值聚类分析方法、神经网络预测评估方法等，通过坐标卷积信息融合和遥感分辨控制的方法实现对土木利用的空间属性参数分析[2]。文献[3]中提出采用遥感影像农田提取方法实现对高标准农田建设的空间统计学分析，通过空间属性分割参数、光谱属性分割参数和影像对象面积阈值参数的联合特征参数分析，实现高精度的遥感信息提取，根据遥感特征提取结果，实现高标准农田建设成效评估，但该方法进行高标准农田建设成效评估的自适应性不好，环境适应度水平不高。文献[4]中提出多光谱光学遥感特征检测的高标准农田建设成效评估模型，通过多源遥感参数解析，结合高标准农田建设特征参数融合，实现高标准农田建设成效评估，但该方法评估精度不高，计算开销较大。

针对上述问题，本文提出基于模糊聚类最大树算法的高标准农田建设成效评估方法。首先采用空间统计学的尺度估计方法建立高标准农田建设成效的统计数据分析模型，然后计算农田分块子区的变异函数值，采用反演特征分析提取高标准农田建设成效约束指标数据集的统计特征量，采用模糊聚类最大树算法实现对统计特征量的分类汇总和动态估计，最后进行仿真测试，展示本文方法在提高高标准农田建设成效评估能力方面的优越性能。

1 高标准农田建设成效的统计数据分析

1.1 农田建设成效的统计数据集

为了实现基于模糊聚类最大树算法的高标准农田建设成效评估，首先采用空间统计学的尺度估计方法建立高标准农田建设成效的统计数据分析模型，结合自然地表的空间分辨率参数分析，采用遥感影像数据特征检测方法，采用像元分类的方法，进行高标准农田建设成效的对象模型分析，通过对象级尺度分解和像素级尺度分解的方法[5]，对农田建设的遥感影像数据实现像元级尺度和遥感像元分类，通过空间细节尺度分解，建立高标准农田建设成效空间细节水平参数分析模型，通过空间统计学模型参数分析，基于遥感影像的模糊聚类和最大树分类的方法，实现高标准农田建设成像评价[6]。实现结构图见图1。

图1 高标准农田建设成效评估结构框图

依据高标准农田分布的空间特征和属性特征，分析水平方向和垂直方向的高标准农田建设统计特征量，计算元点对之间的空间距离，结合全局影像遍历和空间属性参数分析，进行高标准农田建设成效统计分析，采用空间属性参数的阈值分解方法，通过对空间统计学的尺度估计，建立高标准农田建设成效的统计数据分析模型，在空间统计学分析的基础上，得到高标准农田建设成效利用率。首先，给出农田建设成效的统计数据集：

(1)

以光谱、形状、紧致度、植被指数、水体指数等约束指标参数，采用图像的区域特征分析，建立农田子区合并斑块阈值分析模型，得到农田最佳利用率约束下的差异度因子。通过非空间数据融合聚类分析，结合综合半方差特征估计，建立最佳空间属性参数解析模型，提高农田建设成效估计的可靠性。

1.2 空间属性参数预测

基于空间和属性参数预测的方法，建立高标准农田建设成效评估的动态约束参数模型，结合子空间融合聚类分析，采用最大树分岔的方法，进行高标准农田建设成效评估过程中的数据驱动和分割尺度自适应估计，依据空间特征和属性特征得到农田的建设成效估计值。高标准农田建设成效评估的空间属性参数预测过程见图2。

图2 高标准农田建设成效评估的空间属性参数预测

在图2中，采用面向对象影像分析的方法，建立光谱属性分割模型，根据光谱属性分割值，结合灰度特征检测，得到以光谱、形状、紧致度、植被指数、水体指数等约束指标参数集，表示为：

(2)

其中：η为高标准农田建设成效检测的光谱分量；φ为形状中心参数；R为紧致度；D为植被指数。

设定K均值聚类的初始聚类特征量，通过水体指数约束分析，得到高标准农田建设成效类别间的灰度特征差值为离散的模拟数据，通过对离散的模拟数据进行聚类分析，构建高标准农田建设成效评估的数据分析模型。

2 农田建设成效评估优化

2.1 建设成效评估数据的模糊聚类最大树算法处理

采用对多尺度分割和尺度参数估计，选择对初次融合图像进行模糊度检测，采用反演特征分析提取高标准农田建设成效约束指标数据集的统计特征量，采用模糊聚类最大树算法实现对统计特征量的分类汇总和动态估计，通过遥感模式分类中的尺度特征分解，建立高标准农田建设成效评估的熵评价模型，得到最大信息熵分布为：

(3)

其中：Eint(vi)为高标准农田建设成效建设的自适应估计参数值；Eext(vi)为农田遥感影像的局部方程；N为分割斑块的样本数。

采用全色波段的动态监测方法，构建空间属性参数预测的方法，采用综合半方差变差分析方法，计算得到高标准农田建设成效分布的细节特征分布为：

(4)

其中：a为农田建设成效分布的形态学维度。

根据距离最近 GNSS 水准点之间的高程分布，采用模糊度信息融合的方法，得到高标准农田建设成效评估的模糊聚类函数表示为：

(5)

计算农田分块子区的变异函数值，采用反演特征分析提取高标准农田建设成效约束指标数据集的统计特征量，通过模糊聚类最大树算法分析，得到农田建设成效评估的聚类模型。建设成效评估数据的模糊聚类最大树算法处理流程见图3。

图3 建设成效评估数据的模糊聚类最大树算法处理流程

2.2 建设成效的动态评估输出

在采用模糊聚类最大树算法实现对统计特征量的分类汇总和动态估计的基础上，通过对高标准农田建设成效的量化评估，研究区影像分割的空间属性参数，得到综合半方差变差特征值，引入在不同的地区、不同的数据源，结合土地的分块统计特征，以植被、旱地、建筑物、云的观测对象参数，得到建设成效评估数据的模糊特征点为K(x0,y0)。以K(x0,y0)为中心，得到建设成效评估数据的统计分析阈值为：

(6)

其中：R为各个波段上建设成效评价的动态平均值；K为最佳合并斑块阈值。

如果pixel_A

bnrβ(X)=RβX-RβX1

(7)

其中：Rβ为农田建设成效分布的形态学运算算子；X为农田建设成效分布的近似高程误差；X1为初试高程误差。

综上分析，采用形态学聚类的最大树融合分析的方法，通过尺度估计和均方根误差估计，提取农田的分块利用特征值，实现对高标准农田建设成效的量化评估，提高农田综合规划和利用效能。

3 仿真实验测试

为了验证本文方法在实现高标准农田建设成效评估中的应用性能，采用Matlab进行仿真测试。农田遥感影像采集的像素大小为800×800像素值，农田分块融合后影像特征聚类大小为4 800×3 900像素值，对农田的空间信息采样分为4个多光谱波段。农田建设成效评价参数分布见表1。

表1 农田建设成效评价参数分布

根据表1的参数设计，进行高标准农田建设成效评估。首先，给出农田的遥感监测图像，见图4。

图4 标准农田遥感监测图像

以图4的监测图像为研究对象，进行标准农田建设成效估计，得到农田的规则化分块检测结果，见图5。

用模糊聚类最大树算法实现对统计特征量的分类汇总和动态估计，实现对高标准农田建设成效的量化评估。农田利用效率检测评价结果见图6。分析图6可知，采用该方法进行高标准农田建设成效评估的精准度较高，统计特征值的聚类性较好，测试评价精度对比结果见表2。

图6 农田利用效率检测评价结果

表2 农田建设成效评估精度对比

由表2可知，本文方法对农田建设成效评估的精度更高，误分率较低。

4 结 语

本文提出基于模糊聚类最大树算法的高标准农田建设成效评估方法。对农田建设的遥感影像数据实现像元级尺度和遥感像元分类，通过空间细节尺度分解，建立高标准农田建设成效空间细节水平参数分析模型，通过对离散的模拟数据进行聚类分析，构建高标准农田建设成效评估的数据分析模型，实现高标准农田建设成效的量化评估，提高农田综合规划和利用效能。测试结果表明，采用本文方法进行高标准农田建设成效评价的可靠性较好，特征收敛性较强。