CN107103378B - 一种玉米种植环境测试站点布局方法及系统 - Google Patents
一种玉米种植环境测试站点布局方法及系统 Download PDFInfo
- Publication number
- CN107103378B CN107103378B CN201610099993.1A CN201610099993A CN107103378B CN 107103378 B CN107103378 B CN 107103378B CN 201610099993 A CN201610099993 A CN 201610099993A CN 107103378 B CN107103378 B CN 107103378B
- Authority
- CN
- China
- Prior art keywords
- area
- data
- grid
- planting
- clustering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 110
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 105
- 235000005822 corn Nutrition 0.000 title claims abstract description 105
- 238000012360 testing method Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 51
- 240000008042 Zea mays Species 0.000 title claims description 108
- 238000005070 sampling Methods 0.000 claims abstract description 73
- 238000005192 partition Methods 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000013316 zoning Methods 0.000 claims description 32
- 230000000694 effects Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 claims description 5
- 235000009973 maize Nutrition 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims 1
- 241000209149 Zea Species 0.000 abstract 2
- 230000007613 environmental effect Effects 0.000 description 16
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 102000012004 Ghrelin Human genes 0.000 description 1
- 101800001586 Ghrelin Proteins 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- GNKDKYIHGQKHHM-RJKLHVOGSA-N ghrelin Chemical compound C([C@H](NC(=O)[C@@H](NC(=O)[C@H](CO)NC(=O)CN)COC(=O)CCCCCCC)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CO)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC=1N=CNC=1)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCCCN)C(=O)N1[C@@H](CCC1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](C)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CCCNC(N)=N)C(O)=O)C1=CC=CC=C1 GNKDKYIHGQKHHM-RJKLHVOGSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于种植业信息化技术领域，提供了一种玉米种植环境测试站点布局方法及系统，该方法包括：获取待布局区域的区域数据；根据所述区域数据，对所述待布局区域的种植环境进行网格划分和聚类区划，得到区划结果；基于预设的空间分层抽样模型和抽样精度，得到所述区划结果中的各分区所需最少数量的测试站点；基于预设的空间平衡抽样算法，对所述最少数量的测试站点进行布局。结合待布局区域的种植环境指标进行分析，基于空间聚类与空间分层抽样理论来确定玉米多环境测试站点的布局，提高了测试站点布局合理性。
Description
技术领域
本发明属于种植业信息化技术领域，具体涉及一种玉米种植环境测试站点布局方法及系统。
背景技术
我国幅员辽阔，玉米的种植范围极广，但主要集中分布在东北、华北和西南山区，大致形成一个从东北向西南的斜长形地带，这一地带内的玉米种植面积播种面积占全国玉米总面积的80％以上，在食品安全和国民经济发展中具有举足轻重的地位。因此，随着种植业科技的不断发展和品种审定绿色通道的实施，越来越多的育种单位在全国范围内建立了大量的玉米品种实验基地，对玉米的品种进行试验。
农作物品种多环境测试是评价、筛选农作物品种的重要手段之一，参试品种在我国能否通过绿色审定推广，主要取决于品种在实验基地中的表现，因此，该试验基地能否准确充分的代表所在地域的环境特征成为了一个重要课题。虽然我国每年通过国家审定的品种很多，它们在审定过程中表现的都很优异，但是一些品种在实际推广中的表现和在试验基地中的表现相差较大。出现这种现象一个重要原因在于试验基地的数量、环境不能充分代表推广区的环境条件，育种家不能够充分认识到品种在不同环境下的质量和能力。因此，为了充分了解玉米种植环境类型，科学合理的布局玉米品种多环境站点是十分有必要的。
但在对玉米品种多环境测试站点空间布局的实际研究中，一方面由于进行玉米区域试验需要在2-3年内对参试品种做出准确评价，时间跨度较长；另一方面由于需要选取高代表性测试环境，但是玉米种植环境的非生物影响因素有多种，包括气象、土壤、地形等因素，而现有的数据尤其是气象数据的覆盖程度还比较稀疏，导致玉米品种多环境测试站点空间布局的研究存在很大的困难。针对高代表性测试环境的选取，传统抽样方法是建立在独立性的基础上的，但是种植环境要素作为地理对象通常具有一定的空间相关性，传统抽样方法并不适用于种植环境抽样。使得由于抽样得到的种植环境不能充分代表推广区域的环境条件而导致试验点的数量安排不合理，因此，建立一种以影响玉米品种生长发育的相关环境要素为指标的精细环境种植区划方法，对探索测试站点布局方法具有重要意义。
发明内容
针对现有技术存在的缺陷，本发明提出一种玉米种植环境测试站点布局方法及系统，以解决现有技术存在的抽样得到的种植环境不能充分代表推广区域的环境条件而导致测试站点数量及布局安排不合理的问题。
为此目的，第一方面，本发明提供一种玉米种植环境测试站点布局方法，该方法包括：
获取待布局区域的区域数据；
根据所述区域数据，对所述待布局区域的种植环境进行网格划分和聚类区划，得到区划结果；
基于预设的空间分层抽样模型和抽样精度，得到所述区划结果中的各分区所需最少数量的测试站点；
基于预设的空间平衡抽样算法，对所述最少数量的测试站点进行布局。
其中，所述区域数据包括：基础地理数据、玉米物候期调查数据、玉米品种在所述待布局区域中的种植面积调查数据以及所述待布局区域的环境数据；
相应地，所述根据所述区域数据，对所述待布局区域的种植环境进行网格划分和聚类区划，得到区划结果，包括：
根据所述待布局区域的环境数据和所述玉米物候期调查数据，选取所述待布局区域的种植环境区划指标，所述种植环境区划指标包括：物候期内累积活动积温、物候期内累积日照、物候期内累积降水的平均值和DEM高程；
基于预设的空间插值法，将所述种植环境区划指标中的每种指标进行数据插值，生成网格，所述每种指标生成的网格的大小相同；
基于重采样技术，将所述DEM高程网格处理为与所述每种指标生成的网格的大小相同，得到处理后的DEM高程网格；
将所述每种指标生成的网格、所述处理后的DEM高程网格进行叠加，得到叠加后的网格；
对所述每种指标生成的网格、所述处理后的DEM高程网格进行属性聚类，确定最佳聚类数目；
根据所述最佳聚类数目，确定聚类方式，以根据所述聚类方式对所述待布局区域的种植环境进行区划，得到区划结果。
其中，所述基于预设的空间分层抽样模型和抽样精度，得到所述区划结果中的各分区所需最少数量的测试站点，包括：
基于预设的空间分层抽样模型，确定所述预设的空间分层抽样模型和抽样精度的函数关系式；
根据所述区划结果中的各分区内的样本数量、所述每种指标的真实标准差，基于所述函数关系式，得到各分区所需最少数量的测试站点。
其中，所述基于预设的空间平衡抽样算法，对所述最少数量的测试站点进行布局，包括：
基于预设的空间平衡抽样算法，根据所述基础地理数据、所述玉米品种在所述待布局区域中的种植面积调查数据构建概率栅格，所述基础地理数据包括区域坡度图、区域交通图和区域行政区划图；
根据所述概率栅格，对每类种植环境所需的最少测试站点的数量进行布局。
其中，所述方法还包括：
根据预先设置的所述每种指标对玉米品种种植的影响程度值，设置所述每种指标的权重；
根据所述每种指标的权重进行属性聚类，得到区划结果，并按照空间一致性调整规则，对区划结果进行细碎网格调整，以使调整后的所述区划结果具有空间连续性。
其中，所述基于预设的空间平衡抽样算法，根据所述基础地理数据、所述玉米品种在所述待布局区域中的种植面积调查数据构建概率栅格，包括：
根据道路远近对玉米测试站点布局的影响，采用路径距离分析方法对所述基础地理数据进行处理，得到道路距离栅格数据；
根据种植面积对玉米测试站点布局的影响，所述玉米品种在所述待布局区域中的种植面积调查数据的平均值，得到面积栅格数据；
计算所述区划结果中的各分区的样本点到各分区所在聚类的聚类中心之间的距离与所述类内样本点与聚类中心距离最大值的比值，得到所述叠加后的网格样本点对种植环境的代表度值，得到种植环境代表度概率栅格；
根据与预先统计的所述基础地理数据、所述玉米品种在所述待布局区域中的种植面积调查数据及所述各类种植环境的代表度对测试站点布局的影响度，设置所述基础地理数据、所述玉米品种在所述待布局区域中的种植面积调查数据及所述各类种植环境的代表度的权重；
基于预设的空间平衡抽样算法，根据所述基础地理数据、所述玉米品种在所述待布局区域中的种植面积调查数据及所述各类种植环境的代表度的权重，将所述道路距离栅格数据、所述面积栅格数据、所述各分区的代表度进行叠加，构建概率栅格；
基于所述区域坡度图，将坡度大于或等于预设坡度数的概率栅格值设置为零，将玉米种植面积小于或等于预设面积值得概率栅格设置为零，构建概率栅格。
其中，在所述基于预设的空间平衡抽样算法，根据所述基础地理数据、所述玉米品种在所述待布局区域中的种植面积调查数据构建概率栅格之后，所述方法还包括：
计算所述基于坡度的概率栅格中的每个栅格单元的二维地址码，并将所述二维地址码反向，得到反向二维地址码；
将所述反向二维地址码转换为反向一维线性地址，进行随机排列，得到基于坡度的反向概率栅格。
其中，在所述对所述每种指标生成的网格、所述处理后的DEM高程网格进行属性聚类，确定最佳聚类数目，包括：
采用R2统计量，并结合半偏R2统计量和聚类系谱图，对所述每种指标生成的网格、所述处理后的DEM高程网格进行属性聚类，确定最佳聚类数目。
其中，在所述获取待布局区域的区域数据之后，所述方法还包括：
对所述待布局区域的区域数据进行预处理，具体包括：
根据预设的Voronoi图，识别出所述待布局区域的区域数据中的离群值，并将所述离群值剔除。
第二方面，本发明提供一种玉米种植环境测试站点布局系统，所述系统包括：
数据获取单元，用于获取待布局区域的区域数据；
区划单元，用于根据所述区域数据，对所述待布局区域的种植环境进行网格划分和聚类区划，得到区划结果；
数量计算单元，用于基于预设的空间分层抽样模型和抽样精度，得到所述区划结果中的各分区所需最少数量的测试站点；
布局单元，用于基于预设的空间平衡抽样算法，对所述最少数量的测试站点进行布局。
本发明的一种玉米种植环境测试站点布局方法及系统，通过将影响玉米品种生长发育的相关环境要素为指标，在传统农业区划理论基础上，根据玉米多环境测试选点原则提出了基于空间聚类与空间分层抽样理论来确定玉米多环境测试站点的布局，有助于解决目前玉米育种测试中试验点数量不足或冗余、环境不能充分代表推广区环境条件、测试站点布局不合理等的问题，为测试站点布局提供了确定的方法、系统实现与理论支持。
附图说明
为了更清楚地说明本公开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公开的一些实施例，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，还可以根据这些图获得其他的附图。
图1为本发明一实施例提供的玉米种植环境测试站点布局方法的流程图；
图2为本发明一实施例提供中的步骤S41的结构框图；
图3为本发明一实施例中的聚类谱系图；
图4为本发明一实施例提供中的玉米种植环境测试站点布局方法的流程图；
图5为本发明一实施例提供中的玉米种植环境测试站点布局系统的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开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。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
如图1所示，本公开一实施例提供了一种玉米种植环境测试站点布局方法，该方法包括如下步骤S1至S4：
S1、获取待布局区域的区域数据；
S2、根据所述区域数据，对所述待布局区域的种植环境进行网格划分和聚类区划，得到区划结果；
S3、基于预设的空间分层抽样模型和抽样精度，得到所述区划结果中的各分区所需最少数量的测试站点；
S4、基于预设的空间平衡抽样算法，对所述最少数量的测试站点进行布局。
本实施例提供的一种玉米种植环境测试站点布局方法，通过将影响玉米品种生长发育的相关环境要素为指标，在传统农业区划理论基础上，根据玉米多环境测试选点原则提出了基于空间聚类与空间分层抽样理论来确定玉米多环境测试站点的布局，解决了传统的作物品种测试站点不能充分代表推广区环境条件，导致目前玉米育种测试中试验点数量不足或冗余、测试站点布局不合理等的问题，为测试站点布局提供了确定的方法、系统实现与理论支持。
本实施例中步骤S1：“获取待布局区域的区域数据”中的区域数据包括：基础地理数据、玉米物候期调查数据、玉米品种在所述待布局区域中的种植面积调查数据以及所述待布局区域的环境数据。
具体地，该处的基础地理数据包括省级和县级的行政划分数据。玉米物候期调查数据和玉米品种在所述待布局区域中的种植面积调查数据为预先进行试验、调查得到的，并事先保存在数据库中。待布局区域的环境数据包括气象站点的数据和DEM高程网格数据。
相应地，本实施例中的步骤S2：“根据所述区域数据，对所述待布局区域的种植环境进行网格划分和聚类区划，得到区划结果”具体包括图中未示出的如下细分步骤S21至S26：
S21、根据所述待布局区域的环境数据和所述玉米物候期调查数据，选取所述待布局区域的种植环境区划指标，所述种植环境区划指标包括：物候期内累积活动积温、物候期内累积日照、物候期内累积降水的平均值和DEM高程网格；
具体地，根据待布局区域的环境数据和玉米物候期调查数据，得到待布局区域的种植环境区划指标。
需要说明的是，待布局区域的环境数据是从气象站点获取的1980-2014年的逐年数据的平均值，玉米物候期调查数据为每年的7月份至9月份的数据。
具体地，本实施例选择生育期内累计活动积温、生育期内累计降雨、生育期内累计日照以及DEM高程网格数据四个指标。其中玉米生育期内活动积温由玉米自播种至成熟日平均气温大于或等于10℃的日平均气温进行累加得到，全生育期累积降水量代表了某一地区在玉米在全生育期内干旱和湿润程度的指标，为生育期内所有天数日降水量(mm)，全生育期累积日照时数为生育期内每日日照时数之和。
需要说明的是，本实施例中的待布局区域的四种植环境区划指标仅为举例说明，本实施例不仅限于这四个指标，本领域技术人员可根据实际情况，选择其它的区划指标类别。
需要说明的是，本实施例选取的这四种种植环境区划指标为对玉米生长发育影响较大且相互独立、相互补充的生态因素，将这四种种植环境区划指标作为玉米品种种植环境区划的指标，对玉米种植环境的可进行更精细的区分，在精细区分的基础上，能更加准确的探究待布局区域内的最佳的测试站点的个数和测试站点数最佳的空间布局位置。
S22、基于预设的空间插值法，将所述种植环境区划指标中的每种指标进行数据插值，生成网格，所述每种指标生成的网格的大小相同；
具体地，该处的预设的空间差值法为克里金插值法。
需要说明的是，每种指标均生成对应的网格，每种指标生成的网格的精度相同，为10km×10km。
S23、基于重采样技术，将所述DEM高程网格处理为与所述每种指标生成的网格的大小相同，得到处理后的DEM高程网格；
具体地，采用重采样技术将DEM高程网格的精度压缩为10km×10km。
S24、将所述每种指标生成的网格、所述处理后的DEM高程网格进行叠加，得到叠加后的网格；
S25、对所述每种指标生成的网格、所述处理后的DEM高程网格进行属性聚类，确定最佳聚类数目；
具体地，本实施例中的聚类方法可采用ISOData聚类算法、k-means算法或系统聚类法。
具体地，以种植环境区划指标为聚类属性对每种指标生成的网格、处理后的DEM高程网格进行多元化属性聚类。
S26、根据所述最佳聚类数目，确定聚类方式，以根据所述聚类方式对所述待布局区域的种植环境进行区划，得到区划结果。
本实施例中的步骤S3：“基于预设的空间分层抽样模型和抽样精度，得到所述区划结果中的各分区所需最少数量的测试站点”包括图中未示出的如下细分步骤S31至S32：
S31、基于预设的空间分层抽样模型，确定所述预设的空间分层抽样模型的样本点和抽样精度的函数关系式；
具体地，预设的空间分层抽样模型的样本点和抽样精度的函数关系式为：
其中，N表示吉林市网格样本总量，n为测试站点布局数量，h为种植环境类别，Nh为h类种植环境内样本数，Wh为h类种植环境权重，Sh为h类种植环境(全生育期活动内的积温T、全生育期活动内的降水量R、全生育期活动内的日照时数S、高程网格数据H)的真实标准差；Ch为调查某一种植环境的单个样本的成本，本实施例中认为不同种植环境下的调查成本相同。本实施例中的误差变化阈值为0.5。
S32、根据所述区划结果中的各分区内的样本数量、所述每种指标的真实标准差和所述叠加后的网格的数量，基于所述函数关系式，得到各分区所需最少数量的测试站点。
需要说明的是，该处的真实标准差为事先进行统计计算得到的。
以吉林省的种植环境统计数据为例进行解释说明：
对吉林省区划的统计描述结果如表1所示：
表1
利用上述预设的空间分层抽样模型和抽样精度的函数关系式，根据表1中的区划统计结果进行计算，得到五类分区所需测试站点的最少数量分别为：n1＝5,n2＝5,n3＝4,n4＝5,n5＝6。
本实施例中的步骤S4：“基于预设的空间平衡抽样算法，对所述最少数量的测试站点进行布局”具体包括图中未示出的如下细分步骤S41至S42：
S41、基于预设的空间平衡抽样算法，根据所述基础地理数据、所述玉米品种在所述待布局区域中的种植面积调查数据及所述聚类数目，构建基于坡度的概率栅格；
需要说明的是，该处的基础地理数据包括区域坡度图、区域交通图和区域行政区划图。
S42、根据所述基于坡度的概率栅格，对每类种植环境所需的最少测试站点的数量进行布局。
需要说明的是，根据我国水土保持法的相关规定，坡度过大的区域不允许进行耕地。
在本实施例中，在步骤S26：“根据所述最佳聚类数目，确定聚类方式，以根据所述聚类方式对所述待布局区域的种植环境进行区划，得到区划结果”之后，该方法还包括图中未示出的如下步骤S27至S28：
S27、根据预先设置的所述每种指标对玉米品种种植的影响程度值，设置所述每种指标的权重；
具体地，该处的每种种植环境区划指标对玉米品种的敏感度为事先经过试验调查得到的结果。
具体地，对玉米品种敏感度高的种植环境区划指标的权重值大于对玉米品种敏感度低的种植环境区划指标的权重值。
S28、根据所述每种指标的权重进行属性聚类，得到区划结果，并按照空间一致性调整规则，对区划结果进行细碎网格调整，以使调整后的所述区划结果具有空间连续性。
本实施例通过根据每种种植环境区划指标的权重值，按照空间一致性调整规则，对区划结果进行细碎网格调整，从而得到聚类间差异尽量大，聚类内差异较小的具有较好的空间连续性的分区结果。
本实施例中的步骤S41：“基于预设的空间平衡抽样算法，根据所述基础地理数据、所述玉米品种在所述待布局区域中的种植面积调查数据构建概率栅格”，具体包括图中未示出的如下细分步骤S411至S417：
S411、根据道路远近对玉米测试站点布局的影响，采用路径距离分析方法对所述基础地理数据进行处理，得到道路距离栅格数据；
具体地，采用ArcGIS10.2，根据待布局区域的国道、省道两级道路数据，计算道路距离栅格。
S412、根据种植面积对玉米测试站点布局的影响，所述玉米品种在所述待布局区域中的种植面积调查数据的平均值，得到面积栅格数据；
将玉米品种所述待布局区域中的种植面积平均到每一个抽样单元，作为抽样单元的玉米种植面积。
S413、计算所述区划结果中的各分区的样本点到各分区所在聚类的聚类中心之间的距离与所述类内样本点与聚类中心距离最大值的比值，得到所述叠加后的网格样本点对种植环境的代表度值，得到种植环境代表度概率栅格；
S414、根据与预先统计的所述基础地理数据、所述玉米品种在所述待布局区域中的种植面积调查数据及所述各类种植环境的代表度对测试站点布局的影响度，设置所述基础地理数据、所述玉米品种在所述待布局区域中的种植面积调查数据及所述各类种植环境的代表度的权重；
需要说明的是，基础地理数据、玉米品种在所述待布局区域中的种植面积调查数据及各分区的代表度对测试站点布局的影响度为事先经过试验、调查得到的。
具体地，对测试站点布局的影响度越大的数据的权重值越大，随测试站点布局的影响越小的数据的权重越小。
S415、基于预设的空间平衡抽样算法，根据所述基础地理数据、所述玉米品种在所述待布局区域中的种植面积调查数据及所述各类种植环境的代表度的权重，将所述道路距离栅格数据、所述面积栅格数据、所述各分区的代表度进行叠加，构建概率栅格；
S416、基于所述区域坡度图，将坡度大于或等于预设坡度数的概率栅格值设置为零，将玉米种植面积小于或等于预设面积值得概率栅格设置为零，构建概率栅格。
需要说明的是，由于空间平衡抽样中包含概率栅格中的概率值指代某一样本相对于其他样本被抽中的概率，因此，要对道路距离栅格数据、面积栅格数据和各分区的代表度进行归一化处理。
概率栅格prb的计算公式为：
其中，pdist、area、roaddist分别为道路距离栅格数据、面积栅格数据和各分区的代表度，w1、w1、w1分别为道路距离栅格数据、面积栅格数据和各分区的代表度的权重。
需要说明的是，根据我国水土保持法的相关规定，坡度大于25度的区域不允许耕地，将坡度大于或等于25度的区域的概率栅格值取为0，将小于25度的区域的概率栅格值取为1。
需要说明的是，本实施例中除了考虑待布局区域的坡度因素外，还可考虑待布局区域的玉米种植面积，将玉米种植面积较少的样本赋予较低甚至为零的被抽中概率。
具体地，根据各分区内的样本数量，确定抽样间距，对样本点进行抽样。
具体地，图2为本实施例中的步骤S41的细分流程框图。
需要说明的是，本实施例中根据各栅格数据对测试站点布局影响度的大小，为各栅格数据赋予不同的权重，并将各栅格数据做权重不同的叠加，使得最后得到的概率栅格更加准确，更加接近推广地区的环境条件，更具有实际意义。
本实施例中的步骤S41：“基于预设的空间平衡抽样算法，根据所述基础地理数据、所述玉米品种在所述待布局区域中的种植面积调查数据及所述聚类数目，构建基于坡度的概率栅格”之后，该方法还包括图中未示出的如下步骤S41`至S41``:
S41`、计算所述基于坡度的概率栅格中的每个栅格单元的二维地址码，并将所述二维地址码反向，得到反向二维地址码；
S41``、将所述反向二维地址码转换为反向一维线性地址，进行随机排列，得到基于坡度的反向概率栅格。
需要说明的是，本实施例中通过使用反向二维地址码，使得空间平衡抽样更加均衡，抽样效果更好。
在本实施例中的步骤S25：“对所述每种指标生成的网格、所述处理后的DEM高程网格进行属性聚类，确定最佳聚类数目”之后，该方法还包括图中未示出的如下步骤S25`：
S25`、采用R2统计量，并结合半偏R2统计量和聚类系谱图，对所述每种指标生成的网格、所述处理后的DEM高程网格进行属性聚类，确定最佳聚类数目。
本实施例中，首先通过极值标准化方法对选取的种植环境区划指标的数据进行归一化处理，采用ISOData聚类算法进行聚类，将种植环境分为2～9类，并对不同分类数目的R2统计量进行计算，用来评价聚类效果，考察R2统计量的值随着分类数目的变化。不同分类数的R2统计量结果表2所示。可以看出R2统计量在五类以上时数值均在0.9左右，表明聚类效果比较理想，并且半偏R2在类数为四时最大，则可知由第四类增加至第五类聚类效果最好，综合R2统计量、半偏R2统计量、聚类系谱图如图3所示，最终分析将种植环境分为5类比较适宜。
表2
本实施例通过结合R2统计量、半偏R2统计量和聚类谱系图，使得不同研究区域的区划数目更加合理，最终使得聚类数目更充分代表推广区域的环境条件，更加切合实际，使得测试站点的布局更加合理。
如图4所示，本公开另一实施例提供了一种玉米种植环境测试站点布局方法，在上述实施例中的步骤S1：“获取待布局区域的区域数据”之后增加了步骤S1`：
S1`、对所述待布局区域的区域数据进行预处理。
其中，对所述待布局区域的区域数据进行预处理，具体为：根据预设的Voronoi图，识别出所述待布局区域的区域数据中的离群值，并将所述离群值剔除。
本实施中的玉米种植环境测试站点布局方法在上述公开实施例的基础上增加了数据预处理过程，剔除掉区域数据中的会影响插值精度的离群值，在同时达到上述公开实施例的玉米种植环境测试站点布局方法的技术效果的基础上，提高了生成的网格数据的准确度。
如图5所示，本公开另一实施例提供了一种玉米种植环境测试站点布局系统，该系统包括：获取单元51、区划单元52、数量计算单元53和布局单元54；
获取单元51，用于获取待布局区域的区域数据；
区划单元52，用于根据所述区域数据，对所述待布局区域的种植环境进行网格划分和聚类区划，得到区划结果；
数量计算单元53，用于基于预设的空间分层抽样模型和抽样精度，得到所述区划结果中的各分区所需最少数量的测试站点；
布局单元54，用于基于预设的空间平衡抽样算法，对所述最少数量的测试站点进行布局。
本实施例提供的一种玉米种植环境测试站点布局系统，通过将影响玉米品种生长发育的相关环境要素为指标，在传统农业区划理论基础上，根据玉米多环境测试选点原则提出了基于空间聚类与空间分层抽样理论来确定玉米多环境测试站点的布局，解决了传统的作物品种测试站点不能充分代表推广区环境条件，导致目前玉米育种测试中试验点数量不足或冗余、测试站点布局不合理等的问题，为测试站点布局提供了确定的方法、系统实现与理论支持。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。
本领域技术人员可以理解附图只是一个优选实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施例中的系统中的模块可以按照实施例描述进行分布于实施例的系统中，也可以进行相应变化位于不同于本实施例的一个或多个系统中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
本领域普通技术人员可以理解：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (7)
1.一种玉米种植环境测试站点布局方法，其特征在于，所述方法包括：
获取待布局区域的区域数据；
根据所述区域数据，对所述待布局区域的种植环境进行网格划分和聚类区划，得到区划结果；
基于预设的空间分层抽样模型和抽样精度，得到所述区划结果中的各分区所需最少数量的测试站点；
基于预设的空间平衡抽样算法，对所述最少数量的测试站点进行布局；
所述区域数据包括：基础地理数据、玉米物候期调查数据、玉米品种在所述待布局区域中的种植面积调查数据以及所述待布局区域的环境数据；
相应地，所述根据所述区域数据，对所述待布局区域的种植环境进行网格划分和聚类区划，得到区划结果，包括：
根据所述待布局区域的环境数据和所述玉米物候期调查数据，选取所述待布局区域的种植环境区划指标，所述种植环境区划指标包括：物候期内累积活动积温、物候期内累积日照、物候期内累积降水的平均值和DEM高程；
基于预设的空间插值法，将所述种植环境区划指标中的每种指标进行数据插值，生成网格，所述每种指标生成的网格的大小相同；
基于重采样技术，将所述DEM高程网格处理为与所述每种指标生成的网格的大小相同，得到处理后的DEM高程网格；
将所述每种指标生成的网格、所述处理后的DEM高程网格进行叠加，得到叠加后的网格；
对所述每种指标生成的网格、所述处理后的DEM高程网格进行属性聚类，确定最佳聚类数目；
根据所述最佳聚类数目，确定聚类方式，以根据所述聚类方式对所述待布局区域的种植环境进行区划，得到区划结果；
所述基于预设的空间分层抽样模型和抽样精度，得到所述区划结果中的各分区所需最少数量的测试站点，包括：
基于预设的空间分层抽样模型，确定所述预设的空间分层抽样模型和抽样精度的函数关系式；
根据所述区划结果中的各分区内的样本数量、所述每种指标的真实标准差，基于所述函数关系式，得到各分区所需最少数量的测试站点；
所述基于预设的空间平衡抽样算法，对所述最少数量的测试站点进行布局，包括：
基于预设的空间平衡抽样算法，根据所述基础地理数据、所述玉米品种在所述待布局区域中的种植面积调查数据构建概率栅格，所述基础地理数据包括区域坡度图、区域交通图和区域行政区划图；
根据所述概率栅格，对每类种植环境所需的最少测试站点的数量进行布局。
2.根据权利要求1所述的方法，其特征在于，在所述根据所述最佳聚类数目，确定聚类方式，以根据所述聚类方式对所述待布局区域的种植环境进行区划，得到区划结果之后，所述方法还包括：
根据预先设置的所述每种指标对玉米品种种植的影响程度值，设置所述每种指标的权重；
根据所述每种指标的权重进行属性聚类，得到区划结果，并按照空间一致性调整规则，对区划结果进行细碎网格调整，以使调整后的所述区划结果具有空间连续性。
3.根据权利要求1所述的方法，其特征在于，所述基于预设的空间平衡抽样算法，根据所述基础地理数据、所述玉米品种在所述待布局区域中的种植面积调查数据构建概率栅格，包括：
根据道路远近对玉米测试站点布局的影响，采用路径距离分析方法对所述基础地理数据进行处理，得到道路距离栅格数据；
根据种植面积对玉米测试站点布局的影响，所述玉米品种在所述待布局区域中的种植面积调查数据的平均值，得到面积栅格数据；
计算所述区划结果中的各分区的样本点到各分区所在聚类的聚类中心之间的距离与所述类内样本点与聚类中心距离最大值的比值，得到所述叠加后的网格样本点对种植环境的代表度值，得到种植环境代表度概率栅格；
根据与预先统计的所述基础地理数据、所述玉米品种在所述待布局区域中的种植面积调查数据及所述各类种植环境的代表度对测试站点布局的影响度，设置所述基础地理数据、所述玉米品种在所述待布局区域中的种植面积调查数据及所述各类种植环境的代表度的权重；
基于预设的空间平衡抽样算法，根据所述基础地理数据、所述玉米品种在所述待布局区域中的种植面积调查数据及所述各类种植环境的代表度的权重，将所述道路距离栅格数据、所述面积栅格数据、所述各分区的代表度进行叠加，构建概率栅格；
基于所述区域坡度图，将坡度大于或等于预设坡度数的概率栅格值设置为零，将玉米种植面积小于或等于预设面积值得概率栅格设置为零，构建概率栅格。
4.根据权利要求1所述的方法，其特征在于，在所述基于预设的空间平衡抽样算法，根据所述基础地理数据、所述玉米品种在所述待布局区域中的种植面积调查数据构建概率栅格之后，所述方法还包括：
计算基于坡度的概率栅格中的每个栅格单元的二维地址码，并将所述二维地址码反向，得到反向二维地址码；
将所述反向二维地址码转换为反向一维线性地址，进行随机排列，得到基于坡度的反向概率栅格。
5.根据权利要求1所述的方法，其特征在于，在所述对所述每种指标生成的网格、所述处理后的DEM高程网格进行属性聚类，确定最佳聚类数目，包括：
采用R2统计量，并结合半偏R2统计量和聚类系谱图，对所述每种指标生成的网格、所述处理后的DEM高程网格进行属性聚类，确定最佳聚类数目。
6.根据权利要求1-5任一项所述的方法，其特征在于，在所述获取待布局区域的区域数据之后，所述方法还包括：
对所述待布局区域的区域数据进行预处理，具体包括：
根据预设的Voronoi图，识别出所述待布局区域的区域数据中的离群值，并将所述离群值剔除。
7.一种玉米种植环境测试站点布局系统，其特征在于，所述系统包括：
数据获取单元，用于获取待布局区域的区域数据；
区划单元，用于根据所述区域数据，对所述待布局区域的种植环境进行网格划分和聚类区划，得到区划结果；
数量计算单元，用于基于预设的空间分层抽样模型和抽样精度，得到所述区划结果中的各分区所需最少数量的测试站点；
布局单元，用于基于预设的空间平衡抽样算法，对所述最少数量的测试站点进行布局；
所述区域数据包括：基础地理数据、玉米物候期调查数据、玉米品种在所述待布局区域中的种植面积调查数据以及所述待布局区域的环境数据；
区划单元，具体用于根据所述待布局区域的环境数据和所述玉米物候期调查数据，选取所述待布局区域的种植环境区划指标，所述种植环境区划指标包括：物候期内累积活动积温、物候期内累积日照、物候期内累积降水的平均值和DEM高程；
基于预设的空间插值法，将所述种植环境区划指标中的每种指标进行数据插值，生成网格，所述每种指标生成的网格的大小相同；
基于重采样技术，将所述DEM高程网格处理为与所述每种指标生成的网格的大小相同，得到处理后的DEM高程网格；
将所述每种指标生成的网格、所述处理后的DEM高程网格进行叠加，得到叠加后的网格；
对所述每种指标生成的网格、所述处理后的DEM高程网格进行属性聚类，确定最佳聚类数目；
根据所述最佳聚类数目，确定聚类方式，以根据所述聚类方式对所述待布局区域的种植环境进行区划，得到区划结果；
数量计算单元，具体用于基于预设的空间分层抽样模型，确定所述预设的空间分层抽样模型和抽样精度的函数关系式；
根据所述区划结果中的各分区内的样本数量、所述每种指标的真实标准差，基于所述函数关系式，得到各分区所需最少数量的测试站点；
布局单元，具体用于基于预设的空间平衡抽样算法，根据所述基础地理数据、所述玉米品种在所述待布局区域中的种植面积调查数据构建概率栅格，所述基础地理数据包括区域坡度图、区域交通图和区域行政区划图；
根据所述概率栅格，对每类种植环境所需的最少测试站点的数量进行布局。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610099993.1A CN107103378B (zh) | 2016-02-23 | 2016-02-23 | 一种玉米种植环境测试站点布局方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610099993.1A CN107103378B (zh) | 2016-02-23 | 2016-02-23 | 一种玉米种植环境测试站点布局方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107103378A CN107103378A (zh) | 2017-08-29 |
| CN107103378B true CN107103378B (zh) | 2020-12-08 |
Family
ID=59658726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610099993.1A Active CN107103378B (zh) | 2016-02-23 | 2016-02-23 | 一种玉米种植环境测试站点布局方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107103378B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109033236A (zh) * | 2018-07-04 | 2018-12-18 | 中国农业银行股份有限公司 | 一种数据抽样方法及装置 |
| CN109522382B (zh) * | 2018-11-14 | 2020-09-29 | 国家基础地理信息中心 | 空间数据网格化统计方法及装置 |
| CN111275065B (zh) * | 2018-12-05 | 2023-08-15 | 中国科学院烟台海岸带研究所 | 一种基于海洋环境多属性的水产养殖空间分区方法 |
| CN109582755A (zh) * | 2019-01-16 | 2019-04-05 | 中国科学院地理科学与资源研究所 | 一种基于网格的精准农业数据库实现方法 |
| CN109992747A (zh) * | 2019-04-03 | 2019-07-09 | 海南省林业科学研究所 | 一种基于gis平台的空间平衡抽样方法 |
| CN110991562B (zh) * | 2019-12-23 | 2023-11-24 | 南京大学 | 一种基于物种构成特征的动物类群地理区划方法 |
| CN111521754B (zh) * | 2020-04-22 | 2021-04-13 | 中国科学院地理科学与资源研究所 | 一种在产焦化企业场地土壤污染初步调查布点方法 |
| CN113780880B (zh) * | 2021-09-26 | 2023-07-04 | 南通大学 | 一种基于空间代表性的pm2.5观测站点布局评价方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101477595A (zh) * | 2009-01-22 | 2009-07-08 | 中国农业大学 | 区域作物品种种植比例规划系统及方法 |
| CN103699678A (zh) * | 2013-12-31 | 2014-04-02 | 苏州大学 | 一种基于多阶段分层采样的层次聚类方法和系统 |
| CN104899786A (zh) * | 2015-05-13 | 2015-09-09 | 中国农业大学 | 玉米品种种植适宜性精细区划方法与系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130066666A1 (en) * | 2010-01-22 | 2013-03-14 | Monsanto Technology Llc | Enhancing Performance of Crops Within An Area of Interest |
-
2016
- 2016-02-23 CN CN201610099993.1A patent/CN107103378B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101477595A (zh) * | 2009-01-22 | 2009-07-08 | 中国农业大学 | 区域作物品种种植比例规划系统及方法 |
| CN103699678A (zh) * | 2013-12-31 | 2014-04-02 | 苏州大学 | 一种基于多阶段分层采样的层次聚类方法和系统 |
| CN104899786A (zh) * | 2015-05-13 | 2015-09-09 | 中国农业大学 | 玉米品种种植适宜性精细区划方法与系统 |
Non-Patent Citations (2)
| Title |
|---|
| 玉米品种多环境测试数据的空间插值分析;王虎等;《玉米科学》;20120630;第143-148页 * |
| 黄淮海地区玉米品种适宜性精细区划研究;刘哲等;《农业机械学报》;20150831;第281-288页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107103378A (zh) | 2017-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107103378B (zh) | 一种玉米种植环境测试站点布局方法及系统 | |
| CN110222911B (zh) | 一种卫星遥感与地面数据协同的雨量站网优化布局方法 | |
| CN106980603B (zh) | 基于土壤类型归并与多元回归的土壤锰含量预测方法 | |
| CN108984803A (zh) | 一种农作物产量空间化的方法及系统 | |
| CN104881727A (zh) | 一种基于遥感抽样的农作物灾情损失评估方法 | |
| CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
| CN111667183A (zh) | 一种耕地质量监测方法及系统 | |
| CN112903606B (zh) | 一种基于无人机高光谱的红树林生态恢复力评估方法 | |
| CN108764527A (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
| CN115859823A (zh) | 一种基于滑动窗口子时期划分的时变参数水文模拟方法 | |
| CN113570273B (zh) | 一种灌溉耕地统计数据的空间化方法及系统 | |
| CN115952702A (zh) | 一种基于forcchn模型和遥感数据的森林nep的计算方法 | |
| CN113567358B (zh) | 一种基于遥感和物联网的耕地污染监测预警系统 | |
| Liu et al. | Predictive modeling of the potential natural vegetation pattern in northeast China | |
| Sanjay et al. | Statistical analysis of seasonal rainfall variability in Nasik district by using GIS interpolation technique | |
| Anandhi et al. | Synthetic scenarios from CMIP5 model simulations for climate change impact assessments in managed ecosystems and water resources: Case study in South Asian Countries | |
| Brezhnev et al. | Modeling of agricultural spatial objects with heterogeneous dynamically changing spatial structure | |
| CN113340898B (zh) | 一种叶面积指数时空变化特征研究方法 | |
| CN114781199A (zh) | 水源涵养对气候变化的响应分析方法、装置、介质和设备 | |
| CN115203643A (zh) | 融合水文与生态要素的水源涵养功能定量诊断方法及系统 | |
| Daoud | Integrated hydrological model to study surface-groundwater interaction in hard rock systems using an unstructured grid approach, the Sardon Catchment, Spain | |
| CN104459087A (zh) | 一种森林土壤养分分级方法 | |
| CN108876017A (zh) | 家畜放牧率空间格局分析方法 | |
| Kolev et al. | Combined remote sensing and GIS technologies for land resources management in Bulgaria | |
| CN107292755B (zh) | 一种玉米种植环境典型代表区的选取分析方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |