CN103559389A - 一种县域耕地等级变化监测样点布设的方法 - Google Patents

Abstract

本发明提供了一种县域耕地等级变化监测样点布设的方法，该方法包括：提取监测区耕地等级异常图斑，在所述异常图斑中设立特殊监测样点；确定监测区的目标样点数量；根据空间模拟退火算法和所述目标样点数量，布设监测样点。通过本发明提供的一种县域耕地等级变化监测样点布设的方法，通过该方法设置的监测样点来代表监测样点周围的地块具有更高的可信度。

Description

一种县域耕地等级变化监测样点布设的方法

技术领域

本发明涉及抽样技术领域，尤其涉及一种县域耕地等级变化监测样点布设的方法。

背景技术

抽样是从研究对象的总体中抽取一部分元素作为样本，通过对所抽取的样本进行调查从而统计推断出总体目标量的信息。目前，抽样技术已运用在生态环境监测、自然灾害预报、耕地等级变化监测、农业生产及社会经济调查等领域中。其中，耕地等级变化监测，是对按照耕地质量而划分的耕地等级的变化进行监测。

在现有技术中，对耕地等级变化监测样点布设主要是通过专家知识主观的指定监测样点。

由上述描述可见，现有技术中，通过专家知识来主观的指定监测样点，主观指定的监测样点并不能完全的代表监测样点周围的地块。

发明内容

本发明提供了一种县域耕地等级变化监测样点布设的方法，通过该方法设置的监测样点来代表监测样点周围的地块具有更高的可信度。

本发明提供了一种县域耕地等级变化监测样点布设的方法，所述方法包括：

提取监测区耕地等级异常图斑，在所述异常图斑中设立特殊监测样点；

确定监测区的目标样点数量；

根据空间模拟退火算法和所述目标样点数量，布设监测样点。

进一步地，在所述布设监测样点之后，进一步包括：

根据所述监测样点构建泰森多边形；

获取耕地等级的易变因素，根据易变因素提取对应的易变区域，并绘制易变区域图；

将所述泰森多边形和易变区域图叠加，根据叠加后的图形剔除无效监测样点，并增设外部输入的新的监测样点。

进一步地，所述提取监测区耕地等级异常图斑包括：

计算监测区内每块耕地图斑的局部莫兰指数，公式如下：

$I_i=\frac{x_i-\stackrel{\‾}{x}}{S_i^2}\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}(x_j-\stackrel{\‾}{x})$

其中，

$S_i^2=\frac{\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}{n-1}-\stackrel{-2}{x}$

I_i是i耕地图斑的局部莫兰指数，x_i和x_j分别为i耕地图斑和j耕地图斑的自然等指数值，

为i耕地图斑的自然等指数的均值，w_ij表示i耕地图斑与j耕地图斑之间的空间权重，n为监测区的耕地图斑总数；

为方差i的方差；

当I_i的值为负值时，i耕地图斑为异常图斑。

进一步地，在所述计算监测区内每块耕地图斑的局部莫兰指数之后，还包括：

计算监测区内每块耕地图斑的z得分，公式如下：

$Z\left[I_i\right]=\frac{I_i-E\left[I_i\right]}{\sqrt{E\left[I_i^2\right]-E{\left[I_i\right]}^2}}$

其中：

$E\left[I_i\right]=-\frac{\underset{j-1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}}{n-1}$

Z[I_i]为i耕地图斑的z得分，I_i是i耕地图斑的局部莫兰指数，w_ij表示i耕地图斑与j耕地图斑之间的空间权重，n为监测区的耕地图斑总数；E[I_i]为I_i的期望；

每个z得分对应一个I_i的置信度，根据对I_i的置信度的要求来选择满足要求的图斑作为异常图斑。

进一步地，所述在所述异常图斑中设立特殊监测样点，包括：

将所述异常图斑的重心设立为特殊监测样点。

进一步地，所述确定监测区的目标样点数量，包括：

设置抽样精度变化率阈值V₀，解不等式|y′|≤V₀求得目标样点数量n₁；

其中，

$x=f\left(y\right)=\frac{\left(\mathrm{\Σ}{W}_h{S}_h\sqrt{C_h}\right)\mathrm{\Σ}(W_h{S}_h/\sqrt{C_h})}{y+(1/n)\mathrm{\Σ}{W}_h{S_h}^2}$

其中：

$W_h=\frac{n_h}{n}$

$y^{\′}=\underset{x\→x_0}{\lim }\frac{f\left(x\right)-f\left(x_0\right)}{x-x_0}$

x为样点数量，y为抽样精度，h为耕地等级，n_h为县域内h等级耕地的图斑数，n为县域耕地图斑总数，W_h为h等级耕地权重，S_h为h等级耕地等指数的真实标准差，C_h为调查h等级耕地的单样本费用。

进一步地，所述根据空间模拟退火算法和所述目标样点数量，布设监测样点，包括：

S0：从县域全部耕地图斑的重心中，随机选择一组重心点作为初始样本，其中，初始样本的样点数量为目标样点数量；

S1：对初始样本进行随机扰动生成新样本；

S2：分别计算初始样本和新样本的平均克里金Kriging预测标准差；

S3：对比新样本的平均Kriging预测标准差和初始样本的平均Kriging预测标准差；

S31：如果新样本的平均Kriging预测标准差不大于初始样本的平均Kriging预测标准差，则将新样本作为下一轮的初始样本；

S32：如果新样本的平均Kriging预测标准差大于初始样本的平均Kriging预测标准差，则按照Metropolis准则计算接受替换概率；

S33：随机生成一个0到1之间的随机数；

S341：如果接受替换概率大于所述随机数，则接受替换，将新样本作为下一轮的初始样本；

S342：如果接受替换概率不大于所述随机数，则不接受替换，将初始样本作为下一轮的初始样本；

S4：判断迭代次数是否大于预先设置的迭代次数阈值，拒绝次数是否大于预先设置的拒绝次数阈值；

S41：如果迭代次数大于迭代次数阈值或拒绝次数是否大于拒绝次数阈值，则将所述下一轮的初始样本作为最终样本，布设监测样点；

S42：如果迭代次数不大于迭代次数阈值且拒绝次数不大于拒绝次数阈值，则执行S1；

其中，平均Kriging预测标准差σ的公式为：

$\mathrm{\σ}=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\sqrt{\underset{i=1}{\overset{n_1}{\mathrm{\Σ}}}{w}_i{\mathrm{\γ}}_{\mathrm{ij}}+\mathrm{\μ}}$

n为县域耕地图斑总数，n₁为所述目标样点数，w_i为监测点对估计点的贡献权重，γ_ij为半变异函数值，μ为Lagrange常数；

其中，Metropolis准则的公式为：

C_i+1=α_c·C_i，i=0，1，2，...

α_c为外部设置的在(0，1)中的常数，C₀为外部设置的常数，i为迭代次数，P(S_i→S_i+1)为拒绝概率，S_i为初始样本，S_i+1为新样本，σ(S_i)为初始样本的平均Kriging预测标准差，σ(S_i+1)为新样本的平均Kriging预测标准差。

进一步地，所述获取耕地等级的易变因素，包括：

获取影响耕地质量等级变化的主导因素中可借助人的主观活动加以影响的因素，以及影响耕地潜在生产能力有效发挥的，直接作用于耕地利用、管理有关的要素构成的外在因素作为耕地等级的易变因素。

进一步地，所述根据易变因素提取对应的易变区域，包括：

在县域内划分出各个易变因素的影响范围，将所述影响范围作为所述易变因素对应的易变区域。

进一步地，所述根据叠加后的图形剔除无效监测样点，包括：

当某个泰森多边形被易变区域边界分隔时，剔除所述泰森多边形内原有的监测样点。

通过本发明提供的一种县域耕地等级变化监测样点布设的方法，提取异常图斑，在异常图斑中设立特殊的监测样点，对异常情况的图斑进行监测，通过空间模拟退火算法布设的监测样点，其中的监测样点根据耕地的等级进行设置，通过这些监测样点来代表周围地块具有更高的可信度。

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，还可以根据这些附图获得其他的附图。

图1是本发明一实施例提供的一种县域耕地等级变化监测样点布设的方法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供了一种县域耕地等级变化监测样点布设的方法，参见图1，该方法包括：

步骤101：提取监测区耕地等级异常图斑，在异常图斑中设立特殊监测样点；

步骤102：确定监测区的目标样点数量；

步骤103：根据空间模拟退火算法和目标样点数量，布设监测样点。

为了对布设的监测样点进行优化调整，在布设监测样点之后，进一步包括：

根据监测样点构建泰森多边形；

获取耕地等级的易变因素，根据易变因素提取对应的易变区域，并绘制易变区域图；

将上述的泰森多边形和易变区域图叠加，根据叠加后的图形剔除无效监测样点，并增设外部输入的新的监测样点。

其中，提取监测区耕地等级异常图斑，具体包括：

计算监测区内每块耕地图斑的局部莫兰指数，公式如下：

$I_i=\frac{x_i-\stackrel{\‾}{x}}{S_i^2}\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}(x_j-\stackrel{\‾}{x})$

其中，

$S_i^2=\frac{\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}{n-1}-\stackrel{-2}{x}$

I_i是i耕地图斑的局部莫兰指数，x_i和x_j分别为i耕地图斑和j耕地图斑的自然等指数值，

为i耕地图斑的自然等指数的均值，w_ij表示i耕地图斑与j耕地图斑之间的空间权重，n为监测区的耕地图斑总数；为方差i的方差；

当I_i的值为负值时，i耕地图斑为异常图斑。

其中的参数x_i，x_j，

w_ij，n可以从监测区的耕地分等成果图获得。

如果I_i值为正值，说明i耕地图斑的自然等指数与其相邻的耕地图斑的自然等指数相近，如果I_i值为负值，说明i耕地图斑的自然等指数与其相邻的耕地图斑的自然等指数有很大的不同。

为了检验局部莫兰指数的统计显著性，在计算监测区内每块耕地图斑的局部莫兰指数之后，还包括：

计算监测区内每块耕地图斑的z得分，公式如下：

$Z\left[I_i\right]=\frac{I_i-E\left[I_i\right]}{\sqrt{E\left[I_i^2\right]-E{\left[I_i\right]}^2}}$

其中：

$E\left[I_i\right]=-\frac{\underset{j-1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}}{n-1}$

I_i是i耕地图斑的局部莫兰指数，w_ij表示i耕地图斑与j耕地图斑之间的空间权重，n为监测区的耕地图斑总数；E[I_i]为I_i的期望；

每个z得分对应一个的I_i的置信度，根据对I_i的置信度的要求来选择满足要求的图斑作为异常图斑。

其中的参数w_ij，n可以从监测区的耕地分等成果图获得。

通过z得分对应局部莫兰指数I_i的置信度，如果z得分为正且越大，则i耕地图斑的自然等指数与其相邻的耕地图斑的自然等指数越相近，如果z得分为负且越小，则i耕地图斑的自然等指数与其相邻的耕地图斑的自然等指数差异越大。

其中，z得分用于检验局部莫兰指数I_i的统计显著性，即是否可以拒绝零假设。零假设表示要素值随机分布于研究区域中，z得分是标准差的倍数，在正态分布的尾部出现非常高或非常低的z得分，意味着所观测到的空间模式产生于随机过程是小概率事件。当z得分小于-2.58或者大于2.58时，I_i的置信度大于99％，当z得分小于-1.96或者大于1.96时，I_i的置信度大于95％，当z得分小于-1.65或者大于1.65时，I_i的置信度大于90％。

在提取了异常图斑后，需要在异常图斑中设立特殊监测样点，具体包括：将异常图斑的重心设立为特殊监测样点。

其中，在将异常图斑的重心设立为特殊监测样点之前，还包括：将相邻的异常图斑合并为一个新的异常图斑。

在设立特殊监测样点后，进行确定监测区的目标样点数量，具体包括：

设置误差变化率阈值V₀，解不等式|y′|≤V₀求得目标样点数量n₁；

其中，

$x=f\left(y\right)=\frac{\left(\mathrm{\Σ}{W}_h{S}_h\sqrt{C_h}\right)\mathrm{\Σ}(W_h{S}_h/\sqrt{C_h})}{y+(1/n)\mathrm{\Σ}{W}_h{S_h}^2}$

其中：

$W_h=\frac{n_h}{n}$

$y^{\′}=\underset{x\→x_0}{\lim }\frac{f\left(x\right)-f\left(x_0\right)}{x-x_0}$

x为样点数量，y为抽样精度，h为耕地等级，n_h为县域内h等级耕地的图斑数，n为县域耕地图斑总数，W_h为h等级耕地权重，S_h为h等级耕地等指数的真实标准差，C_h为调查h等级耕地的单样本费用。

其中的参数h，n_h，n，W_h，S_h，C_h可以从监测区的耕地分等成果图获得。

其中，当样点数量超过一定的值后，抽样精度y提高的速度会随着样点数量的增加而变慢。

当变化速率小于0.5，样点数量x发生2个单位的变化时，抽样精度y随之产生的变化小于1个单位，认为此时增加样点数对精度的提升作用不再显著，则设置抽样精度变化率阈值为0.5，解不等式|y′|≤0.5，得到目标样点数量。

在得到目标样点数量之后，根据空间模拟退火算法和目标样点数量，布设监测样点，具体包括：

从县域全部耕地图斑的重心中，随机选择一组重心点作为初始样本，其中，初始样本的样点数量为目标样点数量；

对初始样本进行随机扰动生成新样本；

分别计算初始样本和新样本的平均克里金Kriging预测标准差；

对比新样本的平均Kriging预测标准差和初始样本的平均Kriging预测标准差；

如果新样本的平均Kriging预测标准差不大于初始样本的平均Kriging预测标准差，则将新样本作为下一轮的初始样本；

如果新样本的平均Kriging预测标准差大于初始样本的平均Kriging预测标准差，则按照Metropolis准则计算接受替换概率；

随机生成一个0到1之间的随机数；

如果接受替换概率大于上述随机数，则接受替换，将新样本作为下一轮的初始样本；

如果接受替换概率不大于上述随机数，则不接受替换，将初始样本作为下一轮的初始样本；

判断迭代次数是否大于预先设置的迭代次数阈值，拒绝次数是否大于预先设置的拒绝次数阈值；

如果迭代次数大于迭代次数阈值或拒绝次数是否大于拒绝次数阈值，则将上述下一轮的初始样本作为最终样本，布设监测样点；

如果迭代次数不大于迭代次数阈值且拒绝次数不大于拒绝次数阈值，则执行S1；

其中，平均Kriging预测标准差σ的公式为：

$\mathrm{\σ}=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\sqrt{\underset{i=1}{\overset{n_1}{\mathrm{\Σ}}}{w}_i{\mathrm{\γ}}_{\mathrm{ij}}+\mathrm{\μ}}$

n为县域耕地图斑总数，n₁为目标样点数，w_i为监测点对估计点的贡献权重，γ_ij为半变异函数值，μ为Lagrange常数；

其中，Metropolis准则的公式为：

C_i+1=α_c·C_i，i=0，1，2，...

α_c为外部设置的在(0，1)中的常数，C₀为外部设置的常数，i为迭代次数，P(S_i→S_i+1)为拒绝概率，S_i为初始样本，S_i+1为新样本，σ(S_i)为初始样本的平均Kriging预测标准差，σ(S_i+1)为新样本的平均Kriging预测标准差。

其中的参数n，w_i可以从监测区的耕地分等成果图获得。通过耕地等指数的变程值、基台值、块金值可以选择出拟合程度较好的理论半变异函数值γ_ij。

选择Kriging预测标准差σ作为优化准则主要考虑到耕地等级的变化监测需要通过监测样点采集的数据推算出未采样耕地的等级值，并且Kriging预测标准差σ与采样点的属性值无关，只与采样点和未采样点之间的空间位置有关，这样有利于优先进行样点布设。

对空间模拟退火算法的参数设置可以采取下述参数：迭代次数阈值设为2000，连续拒绝次数阈值设为2000，α_c为0.995。

获取耕地等级的易变因素，包括：

获取影响耕地质量等级变化的主导因素中可借助人的主观活动加以影响的因素，以及影响耕地潜在生产能力有效发挥的，直接作用于耕地利用、管理有关的要素构成的外在因素作为耕地等级的易变因素。

其中，主导因素包括：表土质地、剖面构型、盐碱化程度、土壤有机质含量、排水条件和灌溉保证率等。

根据易变因素提取对应的易变区域，包括：

在县域内划分出各个易变因素的影响范围，将该影响范围作为上述易变因素对应的易变区域。

根据叠加后的图形剔除无效监测样点，包括：

当某个泰森多边形被易变区域边界分隔时，剔除该泰森多边形内原有的监测样点。

根据监测样点构建泰森多边形，具体包括：

连接各监测样点组成Delaunay(德劳内)三角网，做三角形各边的中垂线构建泰森多边形。

其中，泰森多边形的特点包括：1、每个泰森多边形内仅含一个离散点；2、泰森多边形内的点到相应离散点的距离最近；3、位于泰森多边形边上的点到其两边的离散点的距离相等。

其中，获取耕地等级的易变因素可以通过外部输入的易变因素数据来获取，也可以通过从

其中，在对监测样点的调整优化的过程中，还可以结合定性知识规则进行调整优化。定性知识规则包括：县域耕地等级变化的取得因素、土地利用条件的改变、有无标准样地等。

其中，利用定性知识规则，可知，假设监测区内已有标准样地14块，选择出到已有监测样点500m距离内且位于同一个泰森多边形中的标准样地，如果用标准样地替换监测样点后，平均Kriging预测标准差σ减小，或者σ增大的幅度小于1‰，则用挑选后的标准样地替换监测样点，减少监测成本。

另外，在提取监测区耕地等级异常图斑之前，获取监测区内的耕地数据，进行预处理和空间分析，其中，耕地数据包括：耕地分等成果图、土地利用现状图、行政区划图、土地利用规划图和统计年鉴等。

预处理和空间分析包括：耕地等级(自然等指数、利用等指数、经济等指数)的空间分布特征分析(聚集性、变异性、趋势性)、是否符合正态分布以及正态变换等。

在预处理的过程中，可以采用仿射变换，将两期耕地分等成果数据进行精确几何配准，将属性相同且空间位置相邻的耕地图斑进行融合。

在空间分析的过程中，可以采用探索性数据分析，探究耕地等级(自然等指数、利用等指数、经济等指数)的空间分布特征，包括是否符合正态分布以及正态变换、是否具有聚集性、是否存在趋势，分等因素及等指数的变程值、基台值、块金值以及理论半变异函数的拟合和选取。

其中，通过耕地分等指数的变程值，可以得出易变因素的空间作用范围，对易变区域的划分具有指导作用。如果土壤有机质的变程值等于5000米，划分有机质的易变区域时可以考虑其影响范围为方圆5000米。

通过上述的描述可见，本发明实施例具有如下的有益效果：

1、通过本发明实施例提供的方法，通过本发明提供的一种县域耕地等级变化监测样点布设的方法，提取异常图斑，在异常图斑中设立特殊的监测样点，对异常情况的图斑进行监测，通过空间模拟退火算法布设的监测样点，其中的监测样点根据耕地的等级进行设置，通过这些监测样点来代表周围地块具有更高的可信度。

2、通过本发明实施例提供的方法，确定监测区的目标样点数量，能够在保证抽样精度的同时，兼顾抽样成本。

3、通过本发明实施例提供的方法，用空间模拟退火算法布设监测样点，能够使监测样点具有更合理的空间布局，能够有效避免由于主观判断来选择样点的偏误。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储在计算机可读取的存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。

最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种县域耕地等级变化监测样点布设的方法，其特征在于，所述方法包括：

提取监测区耕地等级异常图斑，在所述异常图斑中设立特殊监测样点；

确定监测区的目标样点数量；

根据空间模拟退火算法和所述目标样点数量，布设监测样点。

2.根据权利要求1所述的方法，其特征在于，在所述布设监测样点之后，进一步包括：

根据所述监测样点构建泰森多边形；

获取耕地等级的易变因素，根据易变因素提取对应的易变区域，并绘制易变区域图；

将所述泰森多边形和易变区域图叠加，根据叠加后的图形剔除无效监测样点，并增设外部输入的新的监测样点。

3.根据权利要求1所述的方法，其特征在于，所述提取监测区耕地等级异常图斑包括：

计算监测区内每块耕地图斑的局部莫兰指数，公式如下：

$I_i=\frac{x_i-\stackrel{\‾}{x}}{S_i^2}\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}(x_j-\stackrel{\‾}{x})$

其中，

$S_i^2=\frac{\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}{n-1}-\stackrel{-2}{x}$

I_i是i耕地图斑的局部莫兰指数，x_i和x_j分别为i耕地图斑和j耕地图斑的自然等指数值，

为i耕地图斑的自然等指数的均值，w_ij表示i耕地图斑与j耕地图斑之间的空间权重，n为监测区的耕地图斑总数；

为方差i的方差；

当I_i的值为负值时，i耕地图斑为异常图斑。

4.根据权利要求3所述的方法，其特征在于，在所述计算监测区内每块耕地图斑的局部莫兰指数之后，还包括：

计算监测区内每块耕地图斑的z得分，公式如下：

$Z\left[I_i\right]=\frac{I_i-E\left[I_i\right]}{\sqrt{E\left[I_i^2\right]-E{\left[I_i\right]}^2}}$

其中：

$E\left[I_i\right]=-\frac{\underset{j-1,j\≠i}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}}{n-1}$

Z[I_i]为i耕地图斑的z得分，I_i是i耕地图斑的局部莫兰指数，w_ij表示i耕地图斑与j耕地图斑之间的空间权重，n为监测区的耕地图斑总数；E[I_i]为I_i的期望；

每个z得分对应一个I_i的置信度，根据对I_i的置信度的要求来选择满足要求的图斑作为异常图斑。

5.根据权利要求3或4所述的方法，其特征在于，所述在所述异常图斑中设立特殊监测样点，包括：

将所述异常图斑的重心设立为特殊监测样点。

6.根据权利要求1所述的方法，其特征在于，所述确定监测区的目标样点数量，包括：

设置抽样精度变化率阈值V₀，解不等式|y′|≤V₀求得目标样点数量n₁；

其中，

$x=f\left(y\right)=\frac{\left(\mathrm{\Σ}{W}_h{S}_h\sqrt{C_h}\right)\mathrm{\Σ}(W_h{S}_h/\sqrt{C_h})}{y+(1/n)\mathrm{\Σ}{W}_h{S_h}^2}$

其中：

$W_h=\frac{n_h}{n}$

$y^{\′}=\underset{x\→x_0}{\lim }\frac{f\left(x\right)-f\left(x_0\right)}{x-x_0}$

x为样点数量，y为抽样精度，h为耕地等级，n_h为县域内h等级耕地的图斑数，n为县域耕地图斑总数，W_h为h等级耕地权重，S_h为h等级耕地等指数的真实标准差，C_h为调查h等级耕地的单样本费用。

7.根据权利要求1所述的方法，其特征在于，所述根据空间模拟退火算法和所述目标样点数量，布设监测样点，包括：

S0：从县域全部耕地图斑的重心中，随机选择一组重心点作为初始样本，其中，初始样本的样点数量为目标样点数量；

S1：对初始样本进行随机扰动生成新样本；

S2：分别计算初始样本和新样本的平均克里金Kriging预测标准差；

S3：对比新样本的平均Kriging预测标准差和初始样本的平均Kriging预测标准差；

S31：如果新样本的平均Kriging预测标准差不大于初始样本的平均Kriging预测标准差，则将新样本作为下一轮的初始样本；

S32：如果新样本的平均Kriging预测标准差大于初始样本的平均Kriging预测标准差，则按照Metropolis准则计算接受替换概率；

S33：随机生成一个0到1之间的随机数；

S341：如果接受替换概率大于所述随机数，则接受替换，将新样本作为下一轮的初始样本；

S342：如果接受替换概率不大于所述随机数，则不接受替换，将初始样本作为下一轮的初始样本；

S4：判断迭代次数是否大于预先设置的迭代次数阈值，拒绝次数是否大于预先设置的拒绝次数阈值；

S41：如果迭代次数大于迭代次数阈值或拒绝次数是否大于拒绝次数阈值，则将所述下一轮的初始样本作为最终样本，布设监测样点；

S42：如果迭代次数不大于迭代次数阈值且拒绝次数不大于拒绝次数阈值，则执行S1；

其中，平均Kriging预测标准差σ的公式为：

$\mathrm{\σ}=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\sqrt{\underset{i=1}{\overset{n_1}{\mathrm{\Σ}}}{w}_i{\mathrm{\γ}}_{\mathrm{ij}}+\mathrm{\μ}}$

n为县域耕地图斑总数，n₁为所述目标样点数，w_i为监测点对估计点的贡献权重，γ_ij为半变异函数值，μ为Lagrange常数；

其中，Metropolis准则的公式为：

C_i+1=α_c·C_i，i=0，1，2，...

α_c为外部设置的在(0，1)中的常数，C₀为外部设置的常数，i为迭代次数，P(S_i→S_i+1)为拒绝概率，S_i为初始样本，S_i+1为新样本，σ(S_i)为初始样本的平均Kriging预测标准差，σ(S_i+1)为新样本的平均Kriging预测标准差。

8.根据权利要求2所述的方法，其特征在于，所述获取耕地等级的易变因素，包括：

获取影响耕地质量等级变化的主导因素中可借助人的主观活动加以影响的因素，以及影响耕地潜在生产能力有效发挥的，直接作用于耕地利用、管理有关的要素构成的外在因素作为耕地等级的易变因素。

9.根据权利要求2或8所述的方法，其特征在于，所述根据易变因素提取对应的易变区域，包括：

在县域内划分出各个易变因素的影响范围，将所述影响范围作为所述易变因素对应的易变区域。

10.根据权利要求2所述的方法，其特征在于，所述根据叠加后的图形剔除无效监测样点，包括：

当某个泰森多边形被易变区域边界分隔时，剔除所述泰森多边形内原有的监测样点。

Images