CN109657988B - 基于hasm和欧氏距离算法的烟叶品质分区方法 - Google Patents
基于hasm和欧氏距离算法的烟叶品质分区方法 Download PDFInfo
- Publication number
- CN109657988B CN109657988B CN201811575471.XA CN201811575471A CN109657988B CN 109657988 B CN109657988 B CN 109657988B CN 201811575471 A CN201811575471 A CN 201811575471A CN 109657988 B CN109657988 B CN 109657988B
- Authority
- CN
- China
- Prior art keywords
- value
- factors
- tobacco
- factor
- soil
- 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
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 110
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 13
- 238000000638 solvent extraction Methods 0.000 title claims abstract description 11
- 244000061176 Nicotiana tabacum Species 0.000 title 1
- 241000208125 Nicotiana Species 0.000 claims abstract description 147
- 239000002689 soil Substances 0.000 claims abstract description 137
- 238000009826 distribution Methods 0.000 claims abstract description 102
- 238000004088 simulation Methods 0.000 claims abstract description 79
- 230000001953 sensory effect Effects 0.000 claims abstract description 78
- 239000000779 smoke Substances 0.000 claims abstract description 71
- 230000007613 environmental effect Effects 0.000 claims abstract description 65
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims abstract description 3
- 238000005070 sampling Methods 0.000 claims description 16
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012876 topography Methods 0.000 claims description 9
- 239000012634 fragment Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 6
- 229910052698 phosphorus Inorganic materials 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 5
- 239000005442 atmospheric precipitation Substances 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 2
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims 1
- 238000005215 recombination Methods 0.000 claims 1
- 230000006798 recombination Effects 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000009194 climbing Effects 0.000 description 15
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 8
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 7
- 239000011591 potassium Substances 0.000 description 7
- 229910052700 potassium Inorganic materials 0.000 description 7
- 238000001556 precipitation Methods 0.000 description 5
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- 239000011574 phosphorus Substances 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 2
- RDXARWSSOJYNLI-UHFFFAOYSA-N [P].[K] Chemical compound [P].[K] RDXARWSSOJYNLI-UHFFFAOYSA-N 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000011701 zinc Substances 0.000 description 2
- 229910052725 zinc Inorganic materials 0.000 description 2
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 1
- 206010013911 Dysgeusia Diseases 0.000 description 1
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- LGLOITKZTDVGOE-UHFFFAOYSA-N boranylidynemolybdenum Chemical compound [Mo]#B LGLOITKZTDVGOE-UHFFFAOYSA-N 0.000 description 1
- 229910052796 boron Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于烟草种植技术领域，具体为基于HASM和欧氏距离算法的烟叶品质分区方法，包括烟区高精度气象、土壤环境时空分布信息数据库的构建，烟区各分片气象因子、土壤性质值和烟叶感官质量综合值提取，烟叶感官质量综合值的关键因子、权重及关键因子特征值的计算，烟叶品质分区的实现。本发明以MODIS遥感信息和地面观测数据为基础，采用HASM方法与人工神经网络模型、回归模型相结合，创建烟区气象及土壤性质时空分布高精度模拟方法，获取烟区气象和土壤等环境因子精准的时空分布信息；利用多年烟叶感官品质监测数据和模拟环境数据，量化影响烟叶感官品质的关键环境因子及其权重和特征中心值；采用欧氏距离算法进行烟区烟叶品质区划。
Description
技术领域
本发明属于烟草种植技术领域，具体为基于HASM和欧氏距离算法的烟叶品质分区方法。
背景技术
烟草是一种对其生长环境极其敏感的经济作物，烟草种植区的生态环境因素对烟叶产量和品质均有很大的影响。大量研究表明，气候和土壤等生态环境条件对烟叶田间长相长势、烟叶产量、产值、化学成分、致香物质含量和感官质量的影响极为明显，这些生态环境因素对烟叶品质的影响甚至大于品种因素。然而烟叶品质与众多环境要素间的关系极其复杂。同时，烟区多位于地形复杂的山区，山地气候和土壤等要素的时空分布信息极为复杂，其精准的时空分布信息不明。常规的环境要素空间信息的获取方法基于观测点测量数据内插或模拟得到，但是受观测点数和环境要素空间化方法的限制，目前通用的环境要素空间化方法如反距离插值法和克里格法得到的环境要素空间分布信息精度较低，在地形条件复杂的山区应用效果更差。这些因素使得烟叶生产与关键气候、土壤因子间的关系难以准确量化，极大地影响了优质安全烟区生产区划及生产措施的制定与实施。
发明内容
针对上述技术问题，本发明提供一种基于HASM和欧氏距离算法的烟叶品质分区方法，使得烟叶生产与关键因子间的关系准确量化。
具体的技术方案为：
基于HASM和欧氏距离算法的烟叶品质分区方法，包括以下步骤：
(一)烟区高精度气象、土壤环境时空分布信息数据库的构建
利用HASM模型与人工神经网络模型、最小二乘回归或地理加权回归模型相结合，分别创建烟区复杂地形条件下气象因子和土壤性质时空分布高精度模拟方法，获得烟区4至9月逐旬90米分辨率的气象因子空间分布图，以及土壤pH值、有机质、全氮磷钾、速效氮磷钾、铁锰铜锌硼钼等15项土壤性质30米分辨率土壤性质空间分布图，进而构建烟区高精度气象、土壤环境信息数据库。
(二)各分片气象因子、土壤性质值和烟叶感官质量综合值提取
(1)基于烟区所有分片历年烟叶感官质量综合评价值，统计得到各分片历年感官品质综合得分值。
(2)以分片界矢量地图和模拟得到的高精度气象、土壤性质空间分布图为基础，提取各分片4至9月逐旬气象因子特征值。
(三)烟叶感官质量综合值的关键因子、权重及关键因子特征值的计算
(1)基于所有分片历年感官品质综合得分值和模拟得到的气象和土壤性质值，采用直线或曲线回归模型建立各分片历年感官品质综合得分值与各分片气象和土壤性质值间的映射关系，根据各模型的显著水平确定各气象因子的关键时期或关键土壤性质；
(2)将所有分片的感官品质综合得分值按>80、75～80、70～75和<70划分为好、较好、一般和差4个等级，统计计算得到不同等级烟叶品质所对应的关键环境因子平均值，以该平均值作为关键环境因子的特征中心值。
(3)采用多元回归模型分别建立烟叶感官质量综合值与气温各关键时期、降雨关键时期、日照时数关键时期以及关键土壤性质间的回归模型，以模型的校正决定系数分别确定气温、降雨、日照时数和土壤性质4个因素的权重。
(四)烟叶品质分区的实现
(1)基于气象因子各时期及土壤性质空间分布模拟数据，利用烟区分片界矢量图，提取烟区各分片各时期关键气象因子及土壤性质值。
(2)采用欧氏距离法分别计算气温、降雨量、日照时数和土壤性质4个因素与烟叶感官质量最优等级所对应的关键环境因子特征中心值间的距离；
(3)将4个因素与最优烟叶等级关键环境因子特征中心值的距离乘以各自的权重，即得到各分片环境因子与最优烟叶等级所对应的环境因子中心的综合距离。该距离越小，表明所在分片的环境因子与最优烟叶等级所对应的环境因子越接近，该分片所生产的烟叶品质越优。
(4)利用各分片的关键环境因子综合距离值与烟叶品质间的对应关系，以分片为评价单元，将烟区各分片划分为：Ⅰ(感官质量综合得分≥75分)、Ⅱ(70分≤感官质量综合得分<75分)和Ⅲ(感官质量综合得分<70分)三类区域，从而实现对烟区烟叶感官质量分区。
进一步详细具体步骤为：
(一)烟区高精度气象、土壤环境时空分布信息数据库的构建
利用HASM模型与人工神经网络模型、最小二乘回归或地理加权回归模型相结合，分别创建烟区复杂地形条件下气象因子和土壤性质时空分布高精度模拟方法。两种方法建立过程分别如下：
1、气象因子时空分布模拟方法创建步骤
将空间上每一个气象站的气象因子观测值看作是该站点的趋势值(以气象因子与相关地理因子之间的关系描述所揭示的气象因子空间分布的宏观规律)及其残差值之和，其数学表达式为：
CLi′(t)＝θols/gwr·xT+HASM(CLi(t)-θols/gwr·xT)
式中，xT为遥感信息(地表温度、大气可降水)和地形因子(海拔、坡向)相关因子矩阵，θols/gwr为采用最小二乘回归或地理加权回归预测的气象因子趋势值，CLi(t)为在气象站i处t时期气象因子观测值，CLi′(t)为由该方法得到的在气象站i处t时期气象因子预测值；HASM为高精度曲面建模方法，用以完成对最小二乘回归或地理加权回归预测结果残差的空间分布模拟。
该方法具体步骤如下：
(1)辅助因子空间分布数据的建立与选择
(a)下载烟区各时相MODIS地表温度、大气可降水数据，对其进行数据质量检测、纠正和投影变换等预处理，并重采样到90米空间分辨率。
(b)利用1:5万地形图生成烟区90米分辨率的DEM数据，获得烟区高程、坡度、坡向空间分布栅格数据。
(c)分析烟区各站点气象因子观测值与遥感信息(地表温度、大气可降水)和地形因子(海拔、坡向)的相关性，以确定最终作为回归模型辅助变量的辅助因子。
(2)建立气象因子与辅助因子间关系的回归模型
分别以最小二乘回归模型和地理加权回归模型对气象因子观测值与辅助地理因子间的关系进行建模，对比分析最小二乘回归模型和地理加权回归模型的参数，以确定各气象因子空间分布的平稳性；若该气象因子空间分布规律稳定，则采用最小二乘回归模型揭示气象因子与辅助地理因子间的关系，从而实现对该气象因子空间分布宏观规律的模拟，反之，则采用地理加权回归模型，得到气象因子空间分布趋势值θols/gwr·xT。
(3)气象因子趋势值残差的空间分布模拟
将各站点观测值减去回归模型得到的趋势值，得到各站点回归模型预测值残差，采用高精度曲面建模(High Accuracy Surface Model，HASM)完成对该残差值空间分布的模拟，得到该残差值的空间分布曲面。
HASM方法根据微分几何学理论，空间曲面由第一类基本量和第二类基本量决定；若空间曲面表达为Z＝u(x,y)，则其第一类基本量表达为，
第二类基本量表达为，
高精度曲面模型基本理论被表示为：
其中，
假设计算区域在x方向和y方向的最大长度分别用Lx和Ly表示，计算区域被表示为
的矩形区域；h为插值步长，I+2和J+2代表x方向和y方向的栅格数，栅格(0.5h+(i-1)h,0.5h+(j-1)h)的中心点被表示为(xi,yj)，其中i＝0,1,…,I,I+1，j＝0,1,…,J,J+1；u(x+h,y)和u(x-h,y)用下面的泰勒展开式表示：
式(4)减式(5)得：
所以有，
对于足够小的步长h，ux(x,y)和uy(x,y)的有限差分方程可表示为：
式(7)加式(8)得：
所以有，
对于足够小的h，uxx(x,y)和uyy(x,y)的有限差分方程为：
其中n≥0；0＜i＜I+1；0＜j＜J+1；
(11-13)和(11-14)的矩阵表达形式为：
其中
A1和
分别是式(11-13)的系数矩阵和右端常数项矩阵；
A2和
分别是式(1-4)的系数矩阵和右端常数项矩阵；
假设
为了确保采样点的真实值与采样点的估计值相等或相近，HASM的计算公式转换为以等式约束的最小二乘问题：
其中C和d分别为采样点系数矩阵和采样点的值，它们的表达式分别为：C(k,(i-1)·J+j)＝1，
为了求解最小二乘问题的方程组(11-17)，引入一个正的足够大的参数，λ是赋予采样点的权重，它决定于采样点对模拟曲面的贡献；对于足够大的λ，式(11-17)可被转化为无约束的最小二乘问题：
也就是求解：
(4)将由最小二乘回归模型或地理加权回归模型得到气象因子宏观规律预测值与HASM模型得到的气象因子残差值的空间分布曲面相加，即得到HASM_OLS/GWR方法对气象因子空间分布的模拟结果。
2、建立土壤性质时空分布高精度模拟方法
以土壤发生学提出的土壤概念模型为基础，以影响土壤性质形成和发育的环境因子作为辅助变量，采用高精度曲面建模(High Accuracy Surface Model，HASM)方法和径向基函数人工神经网络模型(Radial Basis Function Neural Network，RBFNN)相结合，创建烟区复杂地形条件下土壤性质空间分布高精度模拟方法(HASM_EF)。该方法将土壤性质观测值看作是由不同因素决定的3个部分：
Z(xi，k，yj，k)＝m(k)+f(xi，k，yj，k)+r(xi，k，yj，k)
式中：Z(xi，k，yj，k)表示在点(xi，yj)处属于第k种定性因素下土壤样点的土壤性质实测值，(xi，yj)为点位坐标；m(k)为第k种定性因素土壤性质平均值，该均值差异反映由不同定性因素引起的土壤性质空间变异；f(xi，k，yj，k)为点位(xi，yj)处去除定性因素影响后由该点位处地形及植被盖度等点位环境因素差异引起的土壤性质变异；r(xi，k，yj，k)为点位(xi，yj)处去除研究中所选因素的影响后剩余的残差项，由研究中未考虑到的其它因素或点位处其它因素引起。
该方法具体步骤如下：
(1)利用在烟区采集的多个样点实测数据，统计得到凉攀烟区18个土类不同土壤性质的含量平均值；再结合烟区1∶1万土类空间分布矢量地图，通过赋值得到凉攀烟区不同土壤性质空间分布均值曲面m(k)。
(2)将各采样点实测数据减去土类均值，得到各采样点去除土类均值后的残差值f(xi，k，yj，k)，采用径向基函数人工神经网络模型(Radial Basis Function NeuralNetwork，RBFNN)来建立该残差值f(xi，k，yj，k)与高程、坡度、坡向植被指数等辅助因子间的非线性关系，实现对该残差值f(xi，k，yj，k)空间分布曲面的模拟，得到残差值模拟曲面f′(xi，k，yj，k)。
RBFNN模型表达式如下：
f′(xi，k，yj，k)＝RBFNN(H(xi，k，yj，k)，S(xi，k，yj，k)，A(xi，k，yj，k)，NDVI(xi，k，yj，k))
式中，f′(xi，k，yj，k)为神经网络模型对f′(xi，k，yj，k)的预测值；H(xi，k，yj，k)、S(xi，k，yj，k)、A(xi，k，yj，k)和NDVI(xi，k，yj，k)为点位(xi，yj)处的高程值、坡度值、坡向的余弦值(揭示坡向的南北差异)和植被指数值。
(3)步骤三，将各采样点实测数据减去土类均值和RBFNN模拟残差值，得到处去除研究中所选辅助因素的影响后剩余的残差项r(xi，k，yj，k)。运用HASM模型，在软件MATLAB中完成对该残差项空间分布格局的模拟，获得由HASM模拟得到的残差分布曲面r′(xi，k，yj，k)。
(4)步骤四，将由不同方法得到的三个曲面m(k)、f′(xi，k，yj，k)和r′(xi，k，yj，k)相加，即得到由HASM_EF方法模拟实现的烟区土壤性质空间分布模拟结果。
(二)提取各分片气象因子、土壤性质值和烟叶感官质量综合值
(1)基于烟区所有分片历年烟叶感官质量综合评价值，分分片统计，得到各分片历年感官品质综合得分值。
(2)以分片界矢量地图和模拟得到的高精度气象、土壤性质空间分布图为基础，在ArcGIS软件中提取各分片4至9月逐旬气象因子特征值以及不同土壤性质平均值。
(三)计算和确定烟叶感官质量综合值的关键因子、权重及关键因子特征值
1、确定关键环境因子
(1)基于所有分片历年感官品质综合得分值和各分片模拟得到的气象和土壤性质值，采用直线或曲线回归模型建立各分片历年感官品质综合得分值与各分片气象和土壤性质值间的映射关系，根据各模型的显著水平确定各气象因子的关键时期或关键土壤性质。
2、确定关键环境因子的特征中心值
将所有分片的感官品质综合得分值按＞80、75～80、70～75和＜70划分为好、较好、一般和差4个等级，统计计算得到不同等级烟叶品质所对应的关键环境因子平均值，以该平均值作为关键环境因子的特征中心值。
3、确定气温、降雨量、日照时数和土壤性质4个因素的权重
基于所有分片的模拟环境数据和烟叶感官质量数据，分别建立烟叶感官质量综合得分值与气温关键时期特征值、降雨量关键时期特征值、日照时数关键时期特征值和各土壤性质值间的的多元回归模型，以各模拟的决定系数确定气温、降雨量、日照时数和土壤性质对烟叶感官质量综合得分值的独立影响程度，进而按下式计算气温、降雨量、日照时数和土壤性质相对作用大小(权重)：
Wi＝Ri/(RT+Rp+RDS+RS)
式中，Wi为第i个因素的权重，Ri为烟叶感官质量综合得分值与第i个因素多个因子间回归模型的决定系数，RT，RP，RDS，RS分别为烟叶感官质量综合得分值与气温、降雨量、日照时数和土壤性质的多个时期或因子间回归模型的决定系数。
(四)烟叶感官品质分区
具体步骤：
1、计算各分片单个环境因素特征值与最优烟叶所需因素特征值的距离
基于气象因子各时期及土壤性质空间分布模拟数据，利用烟区分片界矢量图，提取各分片各时期关键气象因子及土壤性质值，并将各分片环境数据进行标准化。采用欧氏距离法分别计算气温、降雨量、日照时数和土壤性质4个因素与烟叶感官质量最优等级所对应的环境因子中心值间的距离。
公式如下：
式中，Dt，Dp，Dds和Ds分别为各分片气温、降雨量、日照时数和土壤性质特征值与最优烟叶所需气温、降雨量、日照时数和土壤性质特征值间的距离。Ti和Tic分别为该分片气温第i个关键时期的模拟平均值和最优烟叶生产所需的第i关键时期气温的特征中心值；Pi和Pic分别为该分片降雨第i个关键时期的模拟平均值和最优烟叶生产所需的第i关键时期降雨的特征中心值；DSi和DSic分别为该分片日照时数第i个关键时期的模拟平均值和最优烟叶生产所需的第i关键时期日照时数的特征中心值；Si和Sic分别为该分片第i个关键土壤性质的模拟平均值和最优烟叶生产所需的第i个关键土壤性质的特征中心值。n，m和k为气温、降雨量、日照时数关键时期个数，l为关键土壤性质的个数。
2、计算各分片综合环境因素特征值与最优烟叶所需因素特征值的综合距离
将4个因素与最优烟叶等级环境因子特征中心值的单因素距离乘以各自的权重，即得到各分片环境因子与最优烟叶等级所对应的环境因子中心的综合距离，该距离越小，表明所在分片的环境因子与最优烟叶等级所对应的环境因子越接近，该分片所生产的烟叶品质越优。
计算公式如下：
D＝WT×Dt+WP×Dp+WDS×Dds+WS×Ds
式中，D为某分片环境因子特征值与最优烟叶等级所需的环境特征值间的综合距离，该距离越小，反映该分片环境特征越适合优质烟叶生产；WT为、Wp为、WDS和WS为分别为气温、降雨量、日照时数和土壤性质4个因素的权重
3、烟叶感官品质分区。
利用各分片的关键环境因子综合距离值与烟叶品质间的对应关系，以分片为评价单元，将烟区各分片划分为：Ⅰ(感官质量综合得分≥75分)、Ⅱ(70分≤感官质量综合得分<75分)和Ⅲ(感官质量综合得分<70分)三类区域，从而实现对烟区烟叶感官质量分区。
遥感数据获取的各种地表参数是基于像元，每一个像元都一个确定的值，可以弥补观测点数据的不足，尤其是在观测点稀少的地区尤其有效。地理信息技术则为各种环境信息的分析与处理提供了最有效的平台。以遥感数据为辅助因素，创建基于地理信息技术和数学建模技术相结合的复杂山区气象及土壤等环境因子的时空变化高精度提取方法，获得烟区气象和土壤等环境因子精准的时空分布信息，进而利用烟叶品质与模拟环境要素的对应关系，模拟和量化各烟区关键环境因子及贡献率，开展烟叶品质分区，可为合理规划烤烟布局和生产管理提供科学依据。
因此，本发明提供的基于HASM和欧氏距离算法的烟叶品质分区方法，在地理信息技术支持下，以MODIS(Moderate-resolution Imaging Spectroradiometer)遥感信息和地面观测数据为基础，采用高精度曲面建模(High Accuracy Surface Model，HASM)方法与人工神经网络模型、回归模型相结合，创建烟区气象及土壤性质时空分布高精度模拟方法，获取凉攀烟区气象和土壤等环境因子精准的时空分布信息；进而利用烟区内分片多年烟叶感官品质监测数据和模拟环境数据，明确和量化影响烟叶感官品质的关键环境因子及其权重和特征中心值；采用欧氏距离算法开展烟区烟叶品质区划，为科学合理的规划种植区划提供基础。
附图说明
图1为实施例三种模拟方法对凉攀烟区6月中旬降雨量和7月上旬气温空间分布模拟结果比较；
图2为实施例三种模拟方法对烟区土壤pH和速效钾含量空间分布模拟结果对比；
图3为实施例基于HASM模拟环境要素和欧氏距离算法的凉攀烟区烟叶感官质量分区图。
具体实施方式
结合实施例说明本发明的具体技术方案。以四川主产烟区凉攀烟区为案例区，利用烟区148个村多年烟叶感官品质监测数据和模拟环境数据，每个村即为一个分片。
气象数据来源于四川省气象部门，包括烟区及周边县市38个气象站1980-2013逐日气象数据，气象指标有气温、降水、相对湿度、日照时数、土壤温度等。烟区MODIS大气可降水陆面产品数据来源于http://ladsweb.nascom.nasa.gov/data/search.html，并将其空间分辨率重采样至90米。烟区土壤类型图来源于第二次土壤普查，土地利用现状图来源于国土部门。地形数据为烟区1:5万矢量地形图，基于该数据运用ArcGIS软件生成烟区90米分辨率的数字高程模型(DEM)。以各研究区地形图、土地利用现状图和土壤类型分布图为辅助信息，在兼顾代表性与均匀性原则的基础上综合考虑地形、土壤类型等信息进行土壤样点布设与采样。在每个采样点处采用多点混合的方法采集表层(0～20cm)土壤样品9767个，每个采样点均以GPS记录其地理坐标和海拔，同时详细记录样点所在的其他环境信息，如土壤类型、耕种作物和轮作方式等信息。样品带回实验室经自然风干后研磨过筛，以备分析。分析指标包括：包括pH值、有机质、全氮、全磷、全钾、速效氮、速效磷、速效钾、有效铁、有效锰、有效铜、有效锌、有效硼、有效钼。烟叶品质数据来源于四川省烟草公司2007年至2013年的烟叶质量报告。其中，烟叶品种为云烟，烟叶部位为中部叶；烟叶感官指标包括劲头、浓度、香气质、香气量、余味、甜感、杂气、刺激性、细腻度、圆润感、干燥感和成团性13项指标。烟叶感官质量评定前将所采集的烟叶用切丝机切成宽0.8mm的烟丝，在温度22℃、相对湿度60％的恒温恒湿箱中平衡水分48小时，然后卷制成单料烟由四川中烟技术中心评吸专家进行评吸打分，得到各样品感官品质综合得分值。
采用本发明提供的基于HASM和欧氏距离算法的烟叶品质分区方法，得到的结果进行分析：
1、气象因子模拟结果及精度评价
气象因子高精度模拟方法(HASM_OLS/GWR)对烟区各旬气温空间分布模拟结果的平均绝对误差为0.33℃，误差范围在0.1至0.9℃之间，与常用的普通克里格法和反比距离法相比，平均绝对误差降低了69.44％和70.80％。对烟区各旬气温空间分布模拟结果的平均相对误差为1.58％，误差范围在0.38～5.19％之间，与常用的普通克里格法和反比距离法相比，平均相对误差降低了72.28％和74.72％。对烟区各旬气温空间分布模拟结果的均方根误差为0.45℃，误差范围在0.11～1.83℃之间，与常用的普通克里格法和反比距离法相比，平均均方根降低了68.09和69.80％。
HASM模拟方法对烟区各旬降水空间分布模拟结果的平均绝对误差为1.48mm，误差范围在0.29至4.41mm之间，与常用的普通克里格法和反比距离法相比，平均绝对误差降低了80.29和81.59％。对各烟区各旬降水空间分布模拟结果的平均相对误差为2.62％，误差范围在0.29～4.52％之间，与常用的普通克里格法和反比距离法相比，平均相对误差降低了88.52和86.70％。对烟区各旬降水空间分布模拟结果的均方根误差为1.99，误差范围在0.49～5.10mm之间，与常用的普通克里格法和反比距离法相比，平均均方根误差降低了78.83和80.30％。
对各烟区各旬日照时数空间分布模拟结果的平均绝对误差为1.63小时，误差范围在0.23至6.16小时之间，与常用的普通克里格法和反比距离法相比，平均绝对误差降低了72.51和73.06％。对各烟区各旬日照时数空间分布模拟结果的平均相对误差为3.48％，误差范围在0.44～9.58％之间，与常用的普通克里格法和反比距离法相比，平均相对误差降低了73.29和74.34％。对各烟区各旬日照时数空间分布模拟结果的均方根误差为2.41，误差范围在0.33～7.01小时之间，与常用的普通克里格法和反比距离法相比，平均均方根误差降低了65.02和65.42％。
表1不同方法对烟区各旬不同气象指标模拟结果误差的统计特征
OK为普通克里格法，IDW为反比距离插值法，HASM为研究创建的气象因子高精度模拟方法(HASM_OLS/GWR)
采用本发明提供的方法创建的气象因子高精度模拟方法获得了烟区4-9月逐旬气象因子空间分布图90幅。以普通克里格法、反比距离插值法和本发明创建的气象因子高精度模拟方法对凉攀地区7月上旬气温和6月中旬降雨量模拟结果图为例，对比不同方法的模拟结果，如图1所示，可以看出，3种方法模拟结果的空间分布趋势是一致的，但常用的普通克里格法和反比距离法具有明显的平滑作用，只能获得区域气象因子空间分布的分布趋势，而采用融合地形和遥感数据的HASM方法能较好地揭示复杂地形条件下气象因子的立体空间分布特征，如空间位置相近的山体不同海拔段的气温有明显的变化，这更符合山区气温的分布规律。
2、土壤性质模拟结果及精度评价
以烟区土壤采样数据为基础，采用HASM_EF模拟烟区主要土壤性质含量的空间分布格局，并将模拟结果与目前常用的土壤属性空间模拟方法(普通克里格法和反比距离插值法)进行比较。
结果表明，与普通克里格法相比，HASM_EF模型对各烟区不同土壤指标空间分布模拟结果的平均绝对误差降低了平均降低了49.22％，平均相对误差降低了49.77％，均方根误差降低了46.67％；与反比距离插值法相比，HASM_EF对各烟区不同土壤指标空间分布模拟结果的平均绝对误差降低48.96％，平均相对误差降低了49.02％，均方根误差降低了48.87％。这表明，HASM_EF方法显著提高了对烟区不同土壤养分指标空间分布模拟的精度。
表2不同方法对烟区各土壤性质模拟结果误差的统计特征
采用本发明创建的土壤性质高精度模拟方法获得了烟区15种土壤性质空间分布图，以普通克里格法、反比距离插值法和本发明创建的土壤性质空间分布模拟方法(HASM_EF)对烟区土壤pH值和速效钾含量空间分布的模拟结果图进行对比分析，如图2所示。可以发现，3种方法得到的土壤pH值和速效钾含量空间分布趋势一致，但普通克里格法和反比距离插值法得到的结果较平滑，高值区与低值区界线明显，而融合环境因素的HASM模拟方法能获得更多的细节信息，更符合复杂环境条件下土壤性质的空间分布规律。
3、凉攀烟区烟叶感官质量的关键因子分析
(1)关键因子的确定
以各村多年云烟中部烟叶感官综合评价值、土壤性质模拟值和多年平均气象因子空间分布模拟值为基础，采用回归模型建立烟叶感官质量与各环境因子间的对应关系，解析影响烟区烟叶感官质量的关键因子，结果见表3至表6。
表3烟叶感官质量综合得分值与烟季各旬气温间的回归分析
表4烟叶感官质量综合得分值与烟季各旬降水量间的回归分析
表5烟叶感官质量综合得分值与烟季各旬日照时数间的回归分析
表6烟叶感官质量综合得分值与土壤性质间的回归分析
可以看出，凉攀烟区较好烟叶感官质量所需的气温关键时期、土壤性质及特征为：4月上旬至6月下旬的气温，对感官质量的独立影响程度9.2～11.9％；4上旬～5月上旬、7月上旬和8月下旬的降雨量，对感官质量的独立影响程度5.7～9.2％；5月上旬至6月下旬的日照时数，对感官质量的独立影响程度4.5～5.2％；土壤性质主要为土壤pH值、速效钾和有效磷，独立影响程度5.3～7.8％。
(2)关键因子的特征中心值
不同等级烟叶的关键环境因子中心值见表7至表9。可以看出，凉攀烟区优质烟叶生产所需的关键环境因子特征值表现为：烟季各旬气温适中、4月上旬至5月上旬降雨适中、5月中旬降雨相对较好、7月上旬和8月下旬降雨较小、5月中旬至6月下旬日照时数适中、pH值6.5(烟区内适中)、速效钾含量(>125mg/kg)较高、有效磷(20.5mg/kg)。
表7凉攀烟区感官质量不同等级关键时期气温的中心值及最优等级分级标准
表中，QW表示气温，阿拉伯数字4～8表示月份，小写a、b、c字母表示上中下旬，如QW4a表示4月上旬气温，下同。
表8凉攀烟区感官品质不同等级关键时期降雨的中心值及最优等级分级标准
表中，JY表示降雨，阿拉伯数字4～8表示月份，小写a、b、c字母表示上中下旬，如JY4a表示4月上旬降雨，下同。
表9凉攀烟区感官品质不同等级关键时期日照数据与土壤性质的中心值及最优等级分级标准
表中，RZ表示日照时数，阿拉伯数字4～8表示月份，小写a、b、c字母表示上中下旬，如RZ4a表示4月上旬日照时数，下同。
(3)气温、降雨量、日照时数和土壤性质4个因素的权重
采用多元逐步回归模型，量化气温、降雨量、日照时数及土壤性质对各烟区烟叶感官品质的影响程度，结果见表10。可以看出，凉攀烟区气温与降雨量的影响程度最最大，其次是日照时数，土壤性质的影响程度最小。
表10各烟区不同环境因子对烟叶感官品质的影响程度分析
4、凉攀烟区烟叶感官质量分区
以模拟得到的气象土壤因子空间分布数据为基础，采用欧氏距离算法，以村为单元，依据感官品质与模拟环境数据的对应关系，将四川各烟区划分为三类区域，如图3所示，Ⅰ(感官质量综合得分≥75分)、Ⅱ(70分≤感官质量综合得分<75分)和Ⅲ(感官质量综合得分<70分)。可以看出，凉攀烟区等级较好的区域主要分布于会理、会东、宁南、米易、盐源、盐边、米易、德昌和西昌部分区域，其中以会理、会东以及米易德昌交接部分分布面积最大。
Claims (1)
1.基于HASM和欧氏距离算法的烟叶品质分区方法，包括以下步骤：
(一)烟区高精度气象、土壤环境时空分布信息数据库的构建
利用HASM模型与人工神经网络模型、最小二乘回归或地理加权回归模型相结合，分别建立烟区复杂地形条件下气象因子时空分布高精度模拟方法和土壤性质时空分布高精度模拟方法，获得烟区4至9月逐旬气象因子空间分布图，以及土壤性质空间分布图，构建烟区高精度气象、土壤环境信息数据库；
步骤(一)中所述的建立烟区复杂地形条件下气象因子时空分布高精度模拟方法，包括将空间上每一个气象站的气象因子观测值看作是该站点的趋势值及其残差值之和，其数学表达式为：
CLi′(t)＝θols/gwr·xT+HASM(CLi(t)-θols/gwr·xT)
式中，xT为遥感信息和地形因子相关因子矩阵，θols/gwr为采用最小二乘回归或地理加权回归预测的气象因子趋势值，CLi(t)为在气象站i处t时期气象因子观测值，CLi′(t)为由该方法得到的在气象站i处t时期气象因子预测值；HASM为高精度曲面建模方法，用以完成对最小二乘回归或地理加权回归预测结果残差的空间分布模拟；
建立烟区复杂地形条件下气象因子时空分布高精度模拟方法，包括以下步骤：
(1)辅助因子空间分布数据的建立与选择
(a)下载烟区各时相MODIS地表温度、大气可降水数据，对其进行数据质量检测、纠正和投影变换预处理，并重采样到90米空间分辨率；
(b)利用1:5万地形图生成烟区90米分辨率的DEM数据，获得烟区高程、坡度、坡向空间分布栅格数据；
(c)分析烟区各站点气象因子观测值与遥感信息和地形因子的相关性，以确定最终作为回归模型辅助变量的辅助地理因子；
(2)建立气象因子与辅助因子间关系的回归模型
分别以最小二乘回归模型和地理加权回归模型对气象因子观测值与辅助地理因子间的关系进行建模，对比分析最小二乘回归模型和地理加权回归模型的参数，以确定各气象因子空间分布的平稳性；若该气象因子空间分布规律稳定，则采用最小二乘回归模型揭示气象因子与辅助地理因子间的关系，从而实现对该气象因子空间分布宏观规律的模拟，反之，则采用地理加权回归模型，得到气象因子空间分布趋势值θols/gwr.xT；
(3)气象因子趋势值残差的空间分布模拟
将各站点观测值减去回归模型得到的趋势值，得到各站点回归模型预测值残差，采用高精度曲面建模HASM完成对该残差值空间分布的模拟，得到该残差值的空间分布曲面；
(4)将由最小二乘回归模型或地理加权回归模型得到气象因子空间分布趋势值与HASM模型得到的气象因子残差值的空间分布曲面相加，即得到HASM_OLS/GWR方法对气象因子空间分布的模拟结果；
步骤(一)中所述的建立烟区复杂地形条件下土壤性质时空分布高精度模拟方法，包括，以土壤发生学提出的土壤概念模型为基础，以影响土壤性质形成和发育的环境因子作为辅助变量，采用高精度曲面建模HASM方法和径向基函数人工神经网络模型RBFNN相结合，创建烟区复杂地形条件下土壤性质空间分布高精度模拟方法HASM_EF；
将土壤性质观测值看作是由不同因素决定的3个部分：
Z(xi，k，yj，k)＝m(k)+f(xi，k，yj，k)+r(xi，k，yj，k)
式中：Z(xi,k,yj,k)表示在点(xi,yj)处属于第k种定性因素下土壤样点的土壤性质实测值，(xi,yj)为点位坐标；m(k)为第k种定性因素土壤性质平均值，该平均值差异反映由不同定性因素引起的土壤性质空间变异；f(xi,k,yj,k)为点位(xi,yj)处去除定性因素影响后由该点位处环境因素差异引起的土壤性质变异；r(xi,k,yj,k)为点位(xi,yj)处去除研究中所选因素的影响后剩余的残差项，由研究中未考虑到的其它因素或点位处其它因素引起；
建立烟区复杂地形条件下土壤性质时空分布高精度模拟方法，包括以下步骤：
(1)利用在烟区采集的多个样点实测数据，统计得到第k种定性因素土壤性质平均值；再结合烟区1：1万土类空间分布矢量地图，通过赋值得到不同土壤性质空间分布均值曲面m(k)；
(2)将各采样点实测数据减去土类均值，得到各采样点去除第k种定性因素土壤性质平均值后的残差值f(xi,k,yj,k)，采用径向基函数人工神经网络模型RBFNN来建立该残差值f(xi,k,yj,k)与高程、坡度、坡向植被指数辅助因子间的非线性关系，实现对该残差值f(xi,k,yj,k)空间分布曲面的模拟，得到残差值模拟曲面f'(xi,k,yj,k)；
RBFNN模型表达式如下:
f′(xi，k，yj，k)＝RBFNN(H(xi，k，yj，k)，S(xi，k，yj，k)，A(xi，k，yj，k)，NDVI(xi，k，yj，k))
式中，f′(xi，k，yj，k)为神经网络模型对f(xi,k,yj,k)的预测值；H(xi，k，yj，k)、S(xi，k，yj，k)、A(xi，k，yj，k)和NDVI(xi，k，yj，k)为点位(xi,yj)处的高程值、坡度值、坡向的余弦值和植被指数值；
(3)将各采样点实测数据减去第k种定性因素土壤性质平均值和RBFNN模拟残差值，得到除研究中所选辅助因素的影响后剩余的残差项r(xi,k,yj,k)；运用HASM模型，在软件MATLAB中完成对该残差项空间分布格局的模拟，获得由HASM模拟得到的残差分布曲面r'(xi,k,yj,k)；
(4)将由不同方法得到的三个曲面m(k)、f'(xi,k,yj,k)和r'(xi,k,yj,k)相加，即得到由HASM_EF方法模拟实现的烟区土壤性质空间分布模拟结果；
(二)烟区各分片气象因子、土壤性质值和各分片多年感官品质综合得分值提取
(1)基于烟区各分片历年烟叶感官质量综合评价值，统计得到各分片多年感官品质综合得分值；
(2)以分片界矢量地图和模拟得到的气象因子空间分布图、土壤性质空间分布图为基础，提取各分片4至9月逐旬气象因子特征值；
(三)各分片多年感官品质综合得分值的关键因子、权重及关键因子特征值的计算
(1)基于各分片多年感官品质综合得分值和模拟得到的气象因子特征值和土壤性质值，采用直线或曲线回归模型建立各分片多年感官品质综合得分值与气象因子特征值和土壤性质值间的映射关系模型，根据各映射关系模型的显著水平确定各气象因子的关键时期或关键土壤性质；
(2)将各分片多年感官品质综合得分值划分等级，统计计算得到不同等级烟叶品质所对应的关键环境因子平均值，以该平均值作为关键环境因子的特征中心值；
(3)采用多元回归模型分别建立各分片多年感官品质综合得分值与气温各关键时期的回归模型、与降雨关键时期的回归模型、与日照时数关键时期的回归模型以及与关键土壤性质间的回归模型，以模型的校正决定系数分别确定气温、降雨、日照时数和土壤性质4个因素的权重；
(四)烟叶品质分区的实现
(1)基于气象因子各时期及土壤性质空间分布模拟数据，利用烟区分片界矢量图，提取烟区各分片各时期关键气象因子及土壤性质值；
(2)采用欧氏距离法分别计算气温、降雨量、日照时数和土壤性质4个因素与烟叶感官质量最优等级所对应的关键环境因子特征中心值间的距离；公式如下：
式中，Dt，Dp，Dds和Ds分别为各分片气温、降雨量、日照时数和土壤性质特征值与最优烟叶所需气温、降雨量、日照时数和土壤性质特征值间的距离；
Ti和Tic分别为该分片气温第i个关键时期的模拟平均值和最优烟叶生产所需的第i关键时期气温的特征中心值；
Pi和Pic分别为该分片降雨第i个关键时期的模拟平均值和最优烟叶生产所需的第i关键时期降雨的特征中心值；
DSi和DSic分别为该分片日照时数第i个关键时期的模拟平均值和最优烟叶生产所需的第i关键时期日照时数的特征中心值；
Si和Sic分别为该分片第i个关键土壤性质的模拟平均值和最优烟叶生产所需的第i个关键土壤性质的特征中心值；
n，m和k为气温、降雨量、日照时数关键时期个数，l为关键土壤性质的个数；
(3)将4个因素与最优烟叶等级关键环境因子特征中心值的距离乘以各自的权重，即得到各分片环境因子与烟叶感官质量最优等级所对应的关键环境因子特征中心值的综合距离；该距离越小，表明所在分片的环境因子与最优烟叶等级所对应的环境因子越接近，该分片所生产的烟叶品质越优；
(4)利用各分片环境因子与烟叶感官质量最优等级所对应的关键环境因子特征中心值的综合距离，与烟叶品质间的对应关系，以分片为评价单元，将烟区各分片划分为多类区域，从而实现对烟区烟叶感官质量分区。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811575471.XA CN109657988B (zh) | 2018-12-22 | 2018-12-22 | 基于hasm和欧氏距离算法的烟叶品质分区方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811575471.XA CN109657988B (zh) | 2018-12-22 | 2018-12-22 | 基于hasm和欧氏距离算法的烟叶品质分区方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109657988A CN109657988A (zh) | 2019-04-19 |
| CN109657988B true CN109657988B (zh) | 2023-05-05 |
Family
ID=66114988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811575471.XA Active CN109657988B (zh) | 2018-12-22 | 2018-12-22 | 基于hasm和欧氏距离算法的烟叶品质分区方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109657988B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110531055A (zh) * | 2019-09-30 | 2019-12-03 | 中国农业科学院烟草研究所 | 一种基于理化指标的植烟土壤质量综合评价方法 |
| CN110954657B (zh) * | 2019-12-02 | 2022-03-25 | 浙江中烟工业有限责任公司 | 一种烟叶化学品质的评价方法 |
| CN111758991B (zh) * | 2020-05-13 | 2022-11-04 | 中国烟草总公司四川省公司 | 一种可控式烟叶烘烤方法 |
| CN114186423A (zh) * | 2021-12-14 | 2022-03-15 | 湖北省烟草科学研究院 | 一种雪茄烟品的适宜种植区预测评估方法及系统 |
| CN118152985B (zh) * | 2024-05-09 | 2024-08-02 | 山东农业大学 | 一种基于hasm估算草地地上生物量的方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010166851A (ja) * | 2009-01-22 | 2010-08-05 | Chiharu Hongo | 作物の収量予測方法及びその装置 |
| CN104851048A (zh) * | 2015-05-28 | 2015-08-19 | 四川农业大学 | 一种复杂山区烤烟适宜移栽期空间分布的确定方法 |
| CN106779061A (zh) * | 2016-11-11 | 2017-05-31 | 四川农业大学 | 一种地形平缓区土壤重金属镉空间分布预测方法 |
| CN107220782A (zh) * | 2017-06-27 | 2017-09-29 | 上海市环境科学研究院 | 复垦土地分级安全利用的土壤环境质量分级判别方法 |
| CN107941997A (zh) * | 2017-11-15 | 2018-04-20 | 江苏中烟工业有限责任公司 | 一种外引烤烟品种种植区域遴选和验证的方法 |
| CN108241905A (zh) * | 2016-12-23 | 2018-07-03 | 赫克斯冈技术中心 | 用于预测土壤和/或植物状况的方法 |
| CN108564309A (zh) * | 2018-05-07 | 2018-09-21 | 江西省农业科学院农业经济与信息研究所（江西省农业工程咨询中心、江西省农业科技图书馆） | 一种烟叶种植的气象风险评估方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7050910B2 (en) * | 2003-12-18 | 2006-05-23 | Kemira Growhow Oy | Method and system for analyzing site-specific growth factors limiting production |
| US20160247076A1 (en) * | 2015-02-20 | 2016-08-25 | Iteris, Inc. | Simulation of soil condition response to expected weather conditions for forecasting temporal opportunity windows for suitability of agricultural and field operations |
-
2018
- 2018-12-22 CN CN201811575471.XA patent/CN109657988B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010166851A (ja) * | 2009-01-22 | 2010-08-05 | Chiharu Hongo | 作物の収量予測方法及びその装置 |
| CN104851048A (zh) * | 2015-05-28 | 2015-08-19 | 四川农业大学 | 一种复杂山区烤烟适宜移栽期空间分布的确定方法 |
| CN106779061A (zh) * | 2016-11-11 | 2017-05-31 | 四川农业大学 | 一种地形平缓区土壤重金属镉空间分布预测方法 |
| CN108241905A (zh) * | 2016-12-23 | 2018-07-03 | 赫克斯冈技术中心 | 用于预测土壤和/或植物状况的方法 |
| CN107220782A (zh) * | 2017-06-27 | 2017-09-29 | 上海市环境科学研究院 | 复垦土地分级安全利用的土壤环境质量分级判别方法 |
| CN107941997A (zh) * | 2017-11-15 | 2018-04-20 | 江苏中烟工业有限责任公司 | 一种外引烤烟品种种植区域遴选和验证的方法 |
| CN108564309A (zh) * | 2018-05-07 | 2018-09-21 | 江西省农业科学院农业经济与信息研究所（江西省农业工程咨询中心、江西省农业科技图书馆） | 一种烟叶种植的气象风险评估方法 |
Non-Patent Citations (6)
| Title |
|---|
| GIS based land suitability assessment for tobacco production using AHP and fuzzy set in Shandong province of China Author links open overlay panel;JiuquanZhang等;《Computers and Electronics in Agriculture》;20150423;第114卷;202-211 * |
| Investigation of ecological factors controlling quality of flue-cured tobacco (Nicotiana tabacum L.) using classification methods Author links open overlay panel;WeiWu等;《Ecological Informatics》;20130507;第16卷;53-61 * |
| 土壤湿度地面观测数据处理方法研究;郝霞;《中国优秀硕士学位论文全文数据库 (农业科技辑)》;20180115(第01期);D043-110 * |
| 基于GIS的云南烤烟种植气候动态分区评估;黄中艳;《地理研究》;20110815(第08期);1339-1448 * |
| 李启权等.基于HASM的四川烟区复杂环境信息构建、解析及典型应用.《科技成果登记表》.2018,1-5. * |
| 重庆烟区主要生态因子特征及其对烤烟产质量的影响;杨超;《中国博士学位论文全文数据库 (农业科技辑)》;20160315(第03期);D047-57 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109657988A (zh) | 2019-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109657988B (zh) | 基于hasm和欧氏距离算法的烟叶品质分区方法 | |
| Shan et al. | Ecological environment quality assessment based on remote sensing data for land consolidation | |
| Kim et al. | Evaluation of precipitation extremes over the Asian domain: observation and modelling studies | |
| Kogan et al. | Winter wheat yield forecasting in Ukraine based on Earth observation, meteorological data and biophysical models | |
| CN110751094B (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产方法 | |
| Bonan et al. | The land surface climatology of the Community Land Model coupled to the NCAR Community Climate Model | |
| Hakala et al. | Hydrological modeling to evaluate climate model simulations and their bias correction | |
| Shiferaw et al. | Modelling hydrological response under climate change scenarios using SWAT model: the case of Ilala watershed, Northern Ethiopia | |
| CN106372277B (zh) | 森林立地指数时空估测中的变异函数模型优化方法 | |
| Hassan | Climate change impact on groundwater recharge of Umm er Radhuma unconfined aquifer Western Desert, Iraq | |
| Fan et al. | Medium-range forecasting of daily reference evapotranspiration across China using numerical weather prediction outputs downscaled by extreme gradient boosting | |
| Mango et al. | Hydro-meteorology and water budget of the Mara River Basin under land use change scenarios | |
| CN103529189A (zh) | 一种基于定性和定量辅助变量的土壤有机质空间分布预测方法 | |
| CN105912836A (zh) | 一种纯遥感数据驱动的流域水循环模拟方法 | |
| CN104143043B (zh) | 一种多功能气候数据获取方法 | |
| Ejikeme et al. | Enhancing food security in Anambra state, Nigeria using remote sensing data | |
| CN114186423A (zh) | 一种雪茄烟品的适宜种植区预测评估方法及系统 | |
| WO2024152865A1 (zh) | 一种基于气象站的生态系统碳水通量计算方法及系统 | |
| CN117611993B (zh) | 一种基于遥感实际蒸散发估算植被分类的方法 | |
| Lv et al. | Towards understanding multi-model precipitation predictions from CMIP5 based on China hourly merged precipitation analysis data | |
| Du et al. | Evaluation of MERRA-2 hourly surface solar radiation across China | |
| Wang et al. | Mapping the ratoon rice suitability region in China using random forest and recursive feature elimination modeling | |
| Hofmann et al. | Downscaling of climate change scenarios for a high-resolution, site-specific assessment of drought stress risk for two viticultural regions with heterogeneous landscapes | |
| Jaw et al. | Evaluation for Moroccan dynamically downscaled precipitation from GCM CHAM5 and its regional hydrologic response | |
| Shin et al. | High-resolution wind speed forecast system coupling numerical weather prediction and machine learning for agricultural studies—a case study from South Korea |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190612 Address after: 611130 Huimin Road, Wenjiang District, Chengdu, Sichuan Province, No. 211 Applicant after: SICHUAN AGRICULTURAL University Applicant after: China Tobacco Company Sichuan Province Co. Address before: 611130 Huimin Road, Wenjiang District, Chengdu, Sichuan Province, No. 211 Applicant before: Sichuan Agricultural University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |