CN106022507A - 一种农田连片整治的优化方法及其系统 - Google Patents

Abstract

本发明实施例公开了一种农田连片整治的优化方法及其系统，其中，该方法包括：获取耕地质量原始数据和基本农田空间分布数据；对所述耕地质量原始数据和基本农田空间分布数据进行多源数据空间属性连接，筛选出优质农用地；对优质农用地进行连片度因素计算，获得连片度因素值；对连片度因素值进行同趋势化预处理，建立多因素同趋势化连片度综合指标模型；根据多因素同趋势化连片度综合指标模型选择优化规划连片度阈值满意解；根据优化规划连片度阈值满意解构建最优连片度规划图。在本发明实施例中，通过搜索决定农田连片度大小阈值的满意解，选择接近拐点处的阈值可节省巨额费用，可以尽量提高连片度，能够提高优化效果，降低农田连片整治的成本。

Description

一种农田连片整治的优化方法及其系统

技术领域

本发明涉及农田整治优化技术领域，尤其涉及一种农田连片整治的优化方法及其系统。

背景技术

提高连片性是当前农用地整治的重要目标之一。中国作为一个人口大国，优质农用地资源稀缺是中国的基本国情，农用地保护处在中国农业与农村可持续发展的关键地位。农用地整治从根本上来说，是农用地利用格局重新组织的过程。现有农用地格局多是呈现低效的、无序的、自然的状态。农用地被分成细碎的小块，导致田埂过多，地块之间遗留下的路障没有移除。破碎的、规模较小的田块不利于高效利用及保护，故连片性是农用地评价的重要指标。提高农用地的连片性，在农业机械化作业、产业结构调整和规模经营等方面起到积极的效果。国务院批复了国家发展改革委会同有关部门编制的《全国高标准农田建设总体规划》中也指出：从促进规模经营、提高农业机械化水平出发，强调要合理确定农田连片规模。

当前有关连片性整治的研究的现状还很不理想。研究当前有关连片度的研究还停留在评价的层面，极少见到有关连片度整治的可实施的方法研究；通常连片度整治的规划是依据主观判断、个人经验或延用历史的数据，连片度高低决定于作连片度整治规划时设定的阈值d₀,当前有关连片度整治的管理部门对于连片度的阈值d₀设定，大都主观决策；目前尚未见到有成熟的连片度整治优化规划，农田的连片度的整治往往耗资巨额，连片度整治的优化规划能节省巨额资金。

当前有关连片度的研究还停留在连片度评价的层面，极少见到有关连片度整治的可实施的方法研究。目前绝大部分的研究都集中在整治潜力评估、景观格局分析、整治模式研究和综合效益评价等方面。

在国内，周尚意等分析了农田集中连片的优势，提出了将连片性分析结果添加到现有的基本农田保护规划的方案，设计了空间相连性计算法、模糊文理定量法和质量加权模糊指数法这3种连片度分析，实现对高于设定阈值的地块空间分布和面积信息的提取和分析。连片度分析方法虽然有所创新，但是阈值依旧是通过人为选取。熊庆提出了基于耕地产能核算的基本农田保护空间规划的新方法，通过衡量研究地块对空间连片性的影响因素等方法确定距离闭值和最小规模，并利用GIS软件制作研究地块的基本农田连片性分布图。虽然是衡量影响因素后确定距离闭值等参数，但是依旧是通过人为选取，而且连片度只是作为农田产能核算的其中一个参数。缑武龙等选取图斑平均面积、图斑边界密度等4项指标作为农田连片性评价指数，通过构建了基于Geoprocessing的基本农田连片性模型，实现了对研究区内农田连片程度的分析和图形化显示。但是依旧停留在对连片度的分析评价，并未研究如何实际应用到农田整治当中。Qiao Fuzhen等利用有效距离模型对连云港围垦新区连云新城水体进行景观连片性分析，建议在景观生态规划时，将连通性作为一个重要指标加以考量。当前学者的研究多停留在宏观尺度。

在国外，Gurrutxaga Mikel等使用GIS技术分析生态网络的连片性，并配合空间建模方法完善巴斯克地区现有的生态网络。Galpern Paul等通过建立连片度模型和图形理论，分析并解决以往进行小块栖息地建设时的问题，确定连片度模型对保护区建设、生态分析等方面的重要性。Garcia Feced等通过分析和使用林区连片度，将原有的繁琐的退耕还林的规划步骤缩减为两个阶段。目前大部分研究停留在生态、评价、分析的虚拟的层面，对于机械化需求的农田实体连片整治的研究极少。

对于农用地连片性的刻画，连片性，也称连通性、连接度，是指同一质量范围(同一类型等级，或某一等级以上，或某等级区间内)地块的相连程度。连片度高低决定于作连片度整治规划时设定的阈值d₀，连片度整治时必须把地块距离小于d₀的地块修田间道路连接起来。

当前有关连片度整治的管理部门对于连片度的阈值d₀设定，通常是依据主观判断、个人经验或延用历史的数据，设定过程缺乏理论依据和数据支持。

现有技术中，连片整治的研究较薄弱。当前的有关农田连片度的研究集中在整治潜力评估、景观格局分析、整治模式研究和综合效益评价等方面，农用地连片整治规划方面的研究较为薄弱。另外，农田整治的连片性规划大部分只是凭主观判断。农田整治相关管理部门对于连片整治的阈值d₀设定，通常是依据主观判断、个人经验或延用历史的数据，设定过程缺乏理论依据和数据支持，农田的连片性整治缺乏实施性强有科学依据的方法。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种农田连片整治的优化方法及其系统，可以尽量提高连片度，能够提高优化效果，降低农田连片整治的成本。

为了解决上述问题，本发明提出了一种农田连片整治的优化方法，所述方法包括：

获取耕地质量原始数据和基本农田空间分布数据；

对所述耕地质量原始数据和基本农田空间分布数据进行多源数据空间属性连接，筛选出优质农用地；

对所述优质农用地进行连片度因素计算，获得连片度因素值；

对所述连片度因素值进行同趋势化预处理，建立多因素同趋势化连片度综合指标模型；

根据所述多因素同趋势化连片度综合指标模型选择优化规划连片度阈值满意解；

根据所述优化规划连片度阈值满意解构建最优连片度规划图。

优选地，所述对所述耕地质量原始数据和基本农田空间分布数据进行多源数据空间属性连接，筛选出优质农用地的步骤，包括：

将所述耕地质量原始数据的属性表追加到所述基本农田空间分布数据的属性表中；

在所述耕地质量原始数据的属性表中的国家自然等别数据中筛选出优质农用地。

优选地，所述连片度因素值包括：地块平均面积、边界密度、最大地块指数、地块面积标准差、任意两点间最短距离平均值。

优选地，所述对所述连片度因素值进行同趋势化预处理，建立多因素同趋势化连片度综合指标模型的步骤，包括：

根据以下公式对所述连片度因素值进行同趋势化预处理：

其中，x^*为同趋势化变量x处理后的值，x为需要同趋势化调整的因素值，x_max为该因素的最大数值；

将同趋化和归一化处理后的连片度因素值进行加权，建立多因素同趋势化连片度综合指标模型。

优选地，根据以下公式对所述连片度因素值进行归一化处理：

X＝(x-x_min/(x_max-x_min)

其中，X为因素x归一化处理后的值，x_min为因素x的最小值，x_max为因素x的最大值。

相应地，本发明还提供一种农田连片整治的优化系统，所述系统包括：

获取模块，用于获取耕地质量原始数据和基本农田空间分布数据；

筛选模块，用于对所述耕地质量原始数据和基本农田空间分布数据进行多源数据空间属性连接，筛选出优质农用地；

计算模块，用于对所述优质农用地进行连片度因素计算，获得连片度因素值；

模型建立模块，用于对所述连片度因素值进行同趋势化预处理，建立多因素同趋势化连片度综合指标模型；

选择模块，用于根据所述多因素同趋势化连片度综合指标模型选择优化规划连片度阈值满意解；

构建模块，用于根据所述优化规划连片度阈值满意解构建最优连片度规划图。

优选地，所述筛选模块包括：

添加单元，用于将所述耕地质量原始数据的属性表追加到所述基本农田空间分布数据的属性表中；

筛选单元，用于在所述耕地质量原始数据的属性表中的国家自然等别数据中筛选出优质农用地。

优选地，所述连片度因素值包括：地块平均面积、边界密度、最大地块指数、地块面积标准差、任意两点间最短距离平均值。

优选地，所述模块建立模块包括：

预处理单元，用于根据以下公式对所述连片度因素值进行同趋势化预处理：

其中，x^*为同趋势化变量x处理后的值，x为需要同趋势化调整的因素值，x_max为该因素的最大数值；

建立单元，用于将同趋化和归一化处理后的连片度因素值进行加权，建立多因素同趋势化连片度综合指标模型。

优选地，所述预处理单元还用于根据以下公式对所述连片度因素值进行归一化处理：

X＝(x-x_min/(x_max-x_min)

其中，X为因素x归一化处理后的值，x_min为因素x的最小值，x_max为因素x的最大值。

本发明实施例中，通过搜索决定农田连片度大小阈值的满意解，在符合机械化等生产需求的前提下，尽量选择接近拐点处的阈值可节省巨额费用，又可以尽量提高连片度，能够提高优化效果，降低农田连片整治的成本。

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，下面描述中的附图仅仅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它的附图。

图1是本发明实施例的农田连片整治的优化方法的流程示意图；

图2是本发明实施例中用连片度五个影响因素加权综合模型拟合出的某地区连片度与阈值关系的曲线示意图；

图3是本发明实施例中阈值与地块连接成本关系图；

图4是本发明实施例的农田连片整治的优化系统的结构组成示意图。

具体实施方式

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，所描述的实施例仅仅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作出创造性劳动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。

图1是本发明实施例的农田连片整治的优化方法的流程示意图，如图1所示，该方法包括：

S1，获取耕地质量原始数据和基本农田空间分布数据；

S2，对耕地质量原始数据和基本农田空间分布数据进行多源数据空间属性连接，筛选出优质农用地；

S3，对优质农用地进行连片度因素计算，获得连片度因素值；

S4，对连片度因素值进行同趋势化预处理，建立多因素同趋势化连片度综合指标模型；

S5，根据多因素同趋势化连片度综合指标模型选择优化规划连片度阈值满意解；

S6，根据优化规划连片度阈值满意解构建最优连片度规划图。

具体地，S2进一步包括：

将耕地质量原始数据的属性表追加到基本农田空间分布数据的属性表中；

在耕地质量原始数据的属性表中的国家自然等别数据中筛选出优质农用地。

耕地质量原始数据主要包括的字段有：GJZRDB(国家自然等别)，YXTCHD(有效土层厚度)，YJZHL(有机质含量)，PMGX(坡面构型)，PH(PH值)等，其中主要用到的属性字段是GJZRDB(国家自然等别)。

基本农田空间分布数据包括地块的经度、纬度、相对位置等地理数据，用于表明基本农田在空间上的分布。

空间属性连接主要是将耕地质量分等数据的属性表追加到基本农田空间分布数据的属性表中，可以使这些数据执行符号化图层要素等操作。因为基本农田是根据一定时期人口和国民经济对农产品需求，以及对建设用地预测而确定的，长期不得占用或保护期内不得占用的耕地。也就是说基本农田是从耕地中筛选出来的，基本农田和耕地的空间位置是一样的，因此基本农田可以基于空间位置与另一图层数据即耕地质量数据进行属性连接，获取耕地质量属性表中的GJZRDB(国家自然等别)等属性字段。从而可以根据此字段来划分基本农田的耕地自然等别。

基于优质农用地空间连片性评价更能准确的表达农用地空间连片性程度的认知(基于耕地质量的基本农田空间连片性评价，陈显光)，在耕地质量属性表中的GJZRDB(国家自然等别)数据中进行筛选，选出质量等级在一级到四级之间的农用地块。以此优质农用地为基础进行农业机械化的连片性整治优化规划。

在本发明实施例中，连片度因素值包括：地块平均面积、边界密度、最大地块指数、地块面积标准差、任意两点间最短距离平均值。

连片度高低决定于五个相关因素的综合作用结果，可用五个相关因素构建连片度多因素综合指标模型。五个相关因素的数值随着阈值d的变化而变化，其公式及意义表达如下：

(1)地块平均面积：反映阈值大小为d时全区地块平均大小程度。

Average＝A/N (1)

其中，Average为阈值为d时地块平均面积，A为阈值为d时地块总面积，N为阈值为d时地块总数。

(2)边界密度：反映阈值大小为d时图斑被边界的分割程度和破碎化程度。

Density＝C/A (2)

其中，Density为阈值为d时边界密度，C为阈值为d时图斑总周长，A为阈值为d时地块总面积。

(3)最大地块指数：即阈值大小为d时最大图斑面积占全区农用地面积的比例。

Index＝Largest_A/A (3)

其中，Index为阈值为d时最大地块指数，Largest_A为阈值为d时最大图斑面积，A为阈值为d时地块总面积。

(4)地块面积标准差：反映阈值大小为d时农用地图斑规模的变异程度。

$S=\sqrt{S^2}=\sqrt{\frac{1}{n}\[{(x_1+x_{Avg})}^2+{(x_2+x_{Avg})}^2+...+{(x_n+x_{Avg})}^2\]}---\left(4\right)$

其中，S²为阈值为d时地块面积的方差，x_n为阈值为d时第n地块面积，x为阈值为d时地块平均面积，n为阈值为d时地块总数，S为阈值为d时地块面积的标准差。

(5)任意两点间最短距离平均值：反映阈值大小为d时地块之间距离远近的程度。

$Shortest\_Dis\tan ce\left(i\right)=\underset{k=1}{\overset{P}{\Σ}}{\mathrm{Distance}}_i\left(k\right)\÷P$

$Dis\tan ce\_Average={\mathrm{\Σ}}_{i=1}^{N}Shortest\_Distance\left(i\right)\÷N---\left(5\right)$

其中，Shortest_distance(i)为阈值为d时i地块最短距离平均值，distance_i(k)为阈值为d时i与邻近地块k最短距离，P为阈值为d时i的邻近地块总块数，Distance_average为阈值为d时任意两点间最短距离平均值，N为阈值为d时全部地块总块数。

根据以上的公式及政府相关部门提供的数据可计算出这五个连片度影响因素的数值。

进一步地，S4包括：

根据以下公式对连片度因素值进行同趋势化预处理：

其中，x^*为同趋势化变量x处理后的值，x为需要同趋势化调整的因素值，x_max为该因素的最大数值；

将同趋化和归一化处理后的连片度因素值进行加权，建立多因素同趋势化连片度综合指标模型。

连片度的五个相关因素随着阈值d的变化，各自的特征曲线变化趋势不同，为了便于分析综合五个相关因素对连片度的共同作用，需要对这五个因素进行同趋化处理，将原来趋势为负的因素通过公式(6)调整为正趋势，原来为正趋势的因素不变。除地块面积标准差呈负趋势(地块面积标准差数值越大，即地块面积值偏离其平均值的程度越大)，其余四个值指标均呈正趋势。为了便于分析综合五个因素的对连片度的共同作用，所以对这五个因素进行同趋势化处理，公式(6)是同趋势化数据处理的公式，经过同趋势化处理后，五个因素的特征曲线都转化为正趋势曲线。

以某地区优质农用地数据为例，将地块面积标准差做同趋势化预处理，将S代入x，得到正趋势的S*。

S*＝S_max-S

经过计算后，五个因素的趋势都统一为正趋势Average*、Density*、Index*、S*和Distance_Average*。

为了便于分析五个因素的对连片度的共同作用，必须对经过同趋势化预处理后的五个因素进行无量纲的归一化处理。归一化处理是把连片度相关五个因素的数据压缩到0到1之间，公式(7)是连片度指标归一化处理的公式：

X＝(x-x_min/(x_max-x_min) (7)

其中，X为因素x归一化处理后的值，x_min为因素x的最小值，x_max为因素x的最大值。

以某地区优质农用地数据的五个因素中的地块平均面积为例，原Average的数据是在0和12.59之间。将Average*代入x，将其数据转化为0到1之间。

AVERAGE＝(Average^*-Average_min)/(Average_max-Average_min)

经过归一化处理后，五个因素的特征曲线都调整为数值在0到1之间、都是正趋势的特征曲线AVERAGE、DENSITY、INDEX、S、DISTANCE_AVERAGE。

使用综合加权法，将经过同趋化和归一化处理的五个因素经过加权后，构建多因素同趋势化连片度综合加权模型：

$G\left(d\right)={\mathrm{\Σ}}_{k=1}^5{a}_k{g}_k\left(d\right)---\left(8\right)$

其中，G(d)为阈值为d时的连片度，a_k为影响因素k的权值，g_k(d)为影响因素k的表达式，包括AVERAGE、DENSITY、INDEX、S和DISTANCE_AVERAGE。

图2是用连片度五个影响因素加权综合模型拟合出的某地区连片度与阈值关系的曲线。因为阈值均匀增加过程中，一般的连片度与阈值关系曲线，连片度变化是不均匀变化的，它是五个非相关的独立因素综合作用的结果，因此关系曲线不可能是条斜率不变的直线。所以，它们的关系曲线必定存在一些不均匀变化的拐点。

从图2中的曲线特征可以看出，在某些阈值范围(d<12)，阈值增加，将引起连片度较大幅度的增加；而阈值的某些范围，虽然阈值增加很多了，但连片度变化不大，所以，连片度规划时如果在这些范围内增大阈值，虽然增加很多整治的成本，但对提高连片度没有多大的作用。所以曲线斜率的转折点(拐点)是个关键的节点。

在S5中，选择优化规划连片度满意解(拐点阈值d₀)。

(1)根据实际情况设定阈值的范围。

根据连片整治的经费范围及不同作物、农业机械对田块的要求等条件初略估计阈值的变化范围。为了便于说明技术流程，设图2中取阈值范围为1—50米。

(2)优化规划连片度阈值满意解(拐点阈值d₀)的发现。

阈值与连片度关系曲线中每一点斜率表示该点处变化单位阈值所引起连片度的变化量，拐点处是斜率的变化点。从图2可以看出，以拐点为分界线，斜率从大变小，即拐点右边虽然阈值增加了，整治成本增加了，但是连片度却不太增加，因此，阈值增加到拐点处即适可而止。

以图2为具体对象。阈值为12米处是曲线的拐点，可求出曲线在0-12米的斜率为0.4465，曲线在12-50米的斜率为0.005878，表示单位阈值所引起连片度的变化量从0.4465/单位阈值，变到0.005878/单位阈值。所以，规划时阈值应选在12米。因为，阈值大于12米时，尽管阈值一直增加，成本不断加大，而连片度不太增加了。所以，可以确定阈值的满意解在连片度综合加权模型的拐点处。

拐点阈值的效益特征如下：

(1)任意阈值连片整治费用模型

设阈值设置为d米，修建田间道路的单价为a元/米，则可计算整治的费用：

整治时需把距离小于等于d米的田块修建田间道路连接起来。设整治前总田块数为N块，阈值为d米整治后田块数为n块(用ArcGIS软件及以农用地空间数据作为初始数据，模拟调整阈值d的数值变化区间，可获得地块数)，需连接的地块为(N-n)，由于各地块间距离不一，现取它们的平均距离(d-0)/2,修建田间道路的距离为S米,所以

S＝(N-n_d)×(d-0)/2

则可以估算阈值设置为d米的整治费用F为：

F＝S*a

(2)拐点阈值效益特征

根据上述阈值用公式可计算每个阈值对应的整治费用，以此可作出阈值-整治费用关系曲线，如图3所示。曲线的斜率表示：整治费用/提升单位阈值，即提升单位阈值所需的费用。图3中曲线的拐点在阈值＝12处，可以看出阈值在0-12范围的提升单位阈值的费用远小于其他范围的费用。

在S6中，以d₀为阈值，用ArcGis工具平台，构建最优连片度规划图。

在本发明实施例中，通过搜索决定农田连片度大小阈值的满意解，在符合机械化等生产需求的前提下，尽量选择接近拐点处的阈值可节省巨额费用，又可以尽量提高连片度，能够提高优化效果，降低农田连片整治的成本。

图3是阈值与地块连接成本关系图，曲线的斜率表示：提升单位阈值所需的成本。阈值在0—12米范围内，斜率约等于(3030*a-0)/(12-0)＝252.5*a元，即表示阈值每提升1米，平均只需252.5*a元；阈值在12—50米范围内，斜率约等于(59175*a-3030*a)/(50-12)＝1478*a元，表示阈值每提升1米，平均就要1478*a元。

总结：提升单位阈值的费用(阈值在12米-50米范围内)/提升单位阈值的费用(阈值在0米-12米范围内)＝5.85倍。

建议：连片度整治规划时可参考其他连片度规划需求，阈值如果可以在0—12米范围内，可以尽量把阈值加大到12米；根据其他连片度规划需求，阈值如果在12—50米范围内，应尽量把阈值压缩在12米附近，因为在这个范围内虽然提升阈值、大大加大投入成本。

效果比较：比较常规的规划方法与优化以图中的案例，用常规的方法在0—50米范围内随机选择阈值，将有(50-12)/50＝76％的概率选择在12—50米的范围内。那么，与选择0—12米范围内阈值相比，常规的与优化的提升单位阈值的费用比是1478*a/252.5*a＝5.851倍，这对大规模农用地连片度整治来说这是一笔巨额的浪费，所以优化规划方案，准确把握阈值，将为农田连片整治节约大笔资金。

相应地，本发明实施例还提供一种农田连片整治的优化系统，如图4所示，该系统包括：

获取模块1，用于获取耕地质量原始数据和基本农田空间分布数据；

筛选模块2，用于对耕地质量原始数据和基本农田空间分布数据进行多源数据空间属性连接，筛选出优质农用地；

计算模块3，用于对优质农用地进行连片度因素计算，获得连片度因素值；

模型建立模块4，用于对连片度因素值进行同趋势化预处理，建立多因素同趋势化连片度综合指标模型；

选择模块5，用于根据多因素同趋势化连片度综合指标模型选择优化规划连片度阈值满意解；

构建模块6，用于根据优化规划连片度阈值满意解构建最优连片度规划图。

进一步地，筛选模块2包括：

添加单元，用于将耕地质量原始数据的属性表追加到基本农田空间分布数据的属性表中；

筛选单元，用于在耕地质量原始数据的属性表中的国家自然等别数据中筛选出优质农用地。

连片度因素值包括：地块平均面积、边界密度、最大地块指数、地块面积标准差、任意两点间最短距离平均值。

模块建立模块4进一步包括：

预处理单元，用于根据以下公式对连片度因素值进行同趋势化预处理：

其中，x^*为同趋势化变量x处理后的值，x为需要同趋势化调整的因素值，x_max为该因素的最大数值；

建立单元，用于将同趋化和归一化处理后的连片度因素值进行加权，建立多因素同趋势化连片度综合指标模型。

预处理单元还用于根据以下公式对连片度因素值进行归一化处理：

X＝(x-x_min/(x_max-x_min)

其中，X为因素x归一化处理后的值，x_min为因素x的最小值，x_max为因素x的最大值。

本发明的系统实施例中各功能模块的功能可参见本发明方法实施例中的流程处理，这里不再赘述。

在本发明系统实施例中，通过搜索决定农田连片度大小阈值的满意解，在符合机械化等生产需求的前提下，尽量选择接近拐点处的阈值可节省巨额费用，又可以尽量提高连片度，能够提高优化效果，降低农田连片整治的成本。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的农田连片整治的优化方法及其系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种农田连片整治的优化方法，其特征在于，所述方法包括：

获取耕地质量原始数据和基本农田空间分布数据；

对所述耕地质量原始数据和基本农田空间分布数据进行多源数据空间属性连接，筛选出优质农用地；

对所述优质农用地进行连片度因素计算，获得连片度因素值；

对所述连片度因素值进行同趋势化预处理，建立多因素同趋势化连片度综合指标模型；

根据所述多因素同趋势化连片度综合指标模型选择优化规划连片度阈值满意解；

根据所述优化规划连片度阈值满意解构建最优连片度规划图。

2.如权利要求1所述的农田连片整治的优化方法，其特征在于，所述对所述耕地质量原始数据和基本农田空间分布数据进行多源数据空间属性连接，筛选出优质农用地的步骤，包括：

将所述耕地质量原始数据的属性表追加到所述基本农田空间分布数据的属性表中；

在所述耕地质量原始数据的属性表中的国家自然等别数据中筛选出优质农用地。

3.如权利要求1所述的农田连片整治的优化方法，其特征在于，所述连片度因素值包括：地块平均面积、边界密度、最大地块指数、地块面积标准差、任意两点间最短距离平均值。

4.如权利要求1或3所述的农田连片整治的优化方法，其特征在于，所述对所述连片度因素值进行同趋势化预处理，建立多因素同趋势化连片度综合指标模型的步骤，包括：

根据以下公式对所述连片度因素值进行同趋势化预处理：

其中，e为同趋势化变量x处理后的值，x为需要同趋势化调整的因素值，x_max为该因素的最大数值；

将同趋化和归一化处理后的连片度因素值进行加权，建立多因素同趋势化连片度综合指标模型。

5.如权利要求4所述的农田连片整治的优化方法，其特征在于，根据以下公式对所述连片度因素值进行归一化处理：

X＝(x-x_min/(x_max-x_min)

其中，X为因素x归一化处理后的值，x_min为因素x的最小值，x_max为因素x的最大值。

6.一种农田连片整治的优化系统，其特征在于，所述系统包括：

获取模块，用于获取耕地质量原始数据和基本农田空间分布数据；

筛选模块，用于对所述耕地质量原始数据和基本农田空间分布数据进行多源数据空间属性连接，筛选出优质农用地；

计算模块，用于对所述优质农用地进行连片度因素计算，获得连片度因素值；

模型建立模块，用于对所述连片度因素值进行同趋势化预处理，建立多因素同趋势化连片度综合指标模型；

选择模块，用于根据所述多因素同趋势化连片度综合指标模型选择优化规划连片度阈值满意解；

构建模块，用于根据所述优化规划连片度阈值满意解构建最优连片度规划图。

7.如权利要求6所述的农田连片整治的优化系统，其特征在于，所述筛选模块包括：

添加单元，用于将所述耕地质量原始数据的属性表追加到所述基本农田空间分布数据的属性表中；

筛选单元，用于在所述耕地质量原始数据的属性表中的国家自然等别数据中筛选出优质农用地。

8.如权利要求6所述的农田连片整治的优化系统，其特征在于，所述连片度因素值包括：地块平均面积、边界密度、最大地块指数、地块面积标准差、任意两点间最短距离平均值。

9.如权利要求8所述的农田连片整治的优化系统，其特征在于，所述模块建立模块包括：

预处理单元，用于根据以下公式对所述连片度因素值进行同趋势化预处理：

其中，x^*为同趋势化变量x处理后的值，x为需要同趋势化调整的因素值，x_max为该因素的最大数值；

建立单元，用于将同趋化和归一化处理后的连片度因素值进行加权，建立多因素同趋势化连片度综合指标模型。

10.如权利要求9所述的农田连片整治的优化系统，其特征在于，所述预处理单元还用于根据以下公式对所述连片度因素值进行归一化处理：

X＝(x-x_min/(x_max-x_min)

其中，X为因素x归一化处理后的值，x_min为因素x的最小值，x_max为因素x的最大值。