CN110097529A - 一种基于语义规则的农田定级单元划分方法及系统 - Google Patents

一种基于语义规则的农田定级单元划分方法及系统 Download PDF

Info

Publication number
CN110097529A
CN110097529A CN201910314994.7A CN201910314994A CN110097529A CN 110097529 A CN110097529 A CN 110097529A CN 201910314994 A CN201910314994 A CN 201910314994A CN 110097529 A CN110097529 A CN 110097529A
Authority
CN
China
Prior art keywords
spot
small
unit
land
proximity
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.)
Granted
Application number
CN201910314994.7A
Other languages
English (en)
Other versions
CN110097529B (zh
Inventor
胡明月
贾琛琛
唐宗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China Agricultural University
Original Assignee
South China Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China Agricultural University filed Critical South China Agricultural University
Priority to CN201910314994.7A priority Critical patent/CN110097529B/zh
Publication of CN110097529A publication Critical patent/CN110097529A/zh
Application granted granted Critical
Publication of CN110097529B publication Critical patent/CN110097529B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于语义规则的农田定级单元划分方法及系统。其中，所述方法包括：确定划分的土地单元的面积并构建初始图斑集；基于初始图斑集中的土地单元的土地类型、土地属性和海拔建立小图斑综合知识库；基于小图斑综合知识库依次按照行政区域进行区域划分处理及根据土地类型进行类别划分处理，获取小图斑划分集；在所述小图斑划分集中查找是否存在小于预设阈值的小图斑；若存在，确定小于预设阈值的小图斑的最邻近的邻接同类图斑并进行合并获合并图斑。在本发明实施例中，在土地划分时最大限度的保留了单元信息，提升单元属性的均一程度。

Description

一种基于语义规则的农田定级单元划分方法及系统
技术领域
本发明涉及农田定级划分技术领域，尤其涉及一种基于语义规则的农田定级单元划分方法及系统。
背景技术
农用地分等定级开始于上世纪八十年代末，是一项复杂的系统工程；农用地分等成果反映的是以自然质量为主的长期稳定的土地差异，代表理论上全国可比的生产力水平；农用地定级成果反映的是以综合质量、集约经营水平、经济特性为主的土地差异，定级成果要求省域范围内可比，是县域内对耕地实际质量差异的进一步细化；定级单元的划分是农田定级工作开展的基础，要求单元内部属性均一、单元之间具有显著差异，其方法和精度的选择直接关系到定级成果的准确性及可行性，因此科学划定定级单元对于精确掌握农田的现实质量具有重要意义。
现有的单因素图叠置法：若原图层的自身分界较为复杂时，叠置法会产生大量小于最单元面积的细碎图斑，单元面积相差悬殊；矢量叠置法：对基本图件精度要求高，图形预处理和编辑工作量繁重，多次“叠加—多边形碎块删除”操作中，会造成大量信息损失；综合图叠置法：叠置图件的选择，以及叠置后细碎多边形的处理问题。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于语义规则的农田定级单元划分方法及系统，在土地划分时最大限度的保留了单元信息，提升单元属性的均一程度。
为了解决上述技术问题，本发明实施例提供了一种基于语义规则的农田定级单元划分方法，所述方法包括：
确定划分的土地单元的面积并构建初始图斑集；
基于初始图斑集中的土地单元的土地类型、土地属性和海拔建立小图斑综合知识库；
基于小图斑综合知识库依次按照行政区域进行区域划分处理及根据土地类型进行类别划分处理，获取小图斑划分集；
在所述小图斑划分集中查找是否存在小于预设阈值的小图斑；
若存在，确定小于预设阈值的小图斑的最邻近的邻接同类图斑并进行合并获合并图斑。
可选的，所述确定划分的土地单元的面积并构建初始图斑集，包括：
利用叠置法将比例尺相同的土地单元的现状图、地形图及土壤图进行叠加，获得初始图斑；
根据所述初始图斑构建初始图斑集。
可选的，所述基于小图斑综合知识库依次按照行政区域进行区域划分处理，包括：
基于小图斑综合知识库依次按照行政村界进行区域划分处理。
可选的，所述则确定小于预设阈值的小图斑的最邻近的邻接同类图斑并进行合并获合并图斑，包括：
基于语义综合邻近度及空间邻近度确定小于预设阈值的小图斑的最邻近的邻接同类图斑；
将所述小于预设阈值的小图斑与所述最邻近的邻接同类图斑进行合并，获得合并图斑。
可选的，所述语义综合邻近度为土壤属性邻近度和地形属性邻近度的线性加权获得；
土壤属性邻近度和地形属性邻近度的线性加权公式为：
sem(X，Yi)＝a*sem1(X，Yi)+b*sem2(X，Yi)
其中，所述土壤属性邻近度表示为：sem1(X，Yi)＝1-i/∑；地形属性邻近度表示为：sem2(X，Yi)＝1-|海拔高差|/150；X表示考察土地单元，Yi表示语义类型集中的土地单元；其中，对排序好的语义类型集{Yi}，规定相邻两元素的语义距离为1个单位，则语义距离分别为：1,2,3,4,…,i…,语义距离总和为∑；a表示土壤属性邻近度的权值，b表示地形属性邻近度的权值
可选的，所述空间邻近度表示dis(X，Yi)＝r，其中，r表示土地单元Yi和考察土地单元X之间共享边L占周长的比率。
可选的，所述基于语义综合邻近度及空间邻近度确定小于预设阈值的小图斑的最邻近的邻接同类图斑的公式如下：
adj(X，Yi)＝dis(X，Yi)W1+sem(X，Yi)W2
其中，W1和W2分别为空间邻近度和语义综合邻近度的权重，dis(X，Yi)表示空间邻近度，sem(X，Yi)表示语义综合邻近度；
其中，若存在小于或等于一个邻接同类图斑时W1＝1，W2＝0；
若存在大于一个邻接同类图斑时W1＝0.2，W2＝0.8。
可选的，所述方法还包括：
判断合并图斑中是否存在小于预设阈值的小图斑；
若存在，返回确定小于预设阈值的小图斑的最邻近的邻接同类图斑并进行合并获合并图斑；
若不存在，则农田定级单元划分完毕。
另外，本发明实施例还提供了一种基于语义规则的农田定级单元划分系统，所述系统包括：
构建图斑集模块：用于确定划分的土地单元的面积并构建初始图斑集；
综合知识库建立模块：用于基于初始图斑集中的土地单元的土地类型、土地属性和海拔建立小图斑综合知识库；
划分模块：用于基于小图斑综合知识库依次按照行政区域进行区域划分处理及根据土地类型进行类别划分处理，获取小图斑划分集；
查找模块：用于在所述小图斑划分集中查找是否存在小于预设阈值的小图斑；
合并模块：用于若存在小于预设阈值的小图斑，确定小于预设阈值的小图斑的最邻近的邻接同类图斑并进行合并获合并图斑。
在本发明具体实施过程中，在土地划分时最大限度的保留了单元信息，提升单元属性的均一程度；采用本发明中的方法进行农田定级单元划分的内部均方差比耕地图斑降低了54.1％，比叠置法提高了4.7％；说明改进后的定级单元有效地解决了单元内部土壤性状差异较大的问题，同时综合了叠置法产生的细碎图斑，降低了后期定级评价的工作难度。
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，显而易见的，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是本发明具体实施例中的基于语义规则的农田定级单元划分方法的流程示意图；
图2是本发明具体实施例中的基于语义规则的农田定级单元划分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它实施例，都属于本发明保护的范围。
实施例
请参阅图1，图1是本发明具体实施例中的基于语义规则的农田定级单元划分方法的流程示意图。
如图1所述，一种基于语义规则的农田定级单元划分方法，所述方法包括：
S11：确定划分的土地单元的面积并构建初始图斑集；
在本方具体实施过程中，所述确定划分的土地单元的面积并构建初始图斑集，包括：利用叠置法将比例尺相同的土地单元的现状图、地形图及土壤图进行叠加，获得初始图斑；根据所述初始图斑构建初始图斑集。
进一步的，地块法、叠置法是单元划分的常用方法，地块法通常可直接采用土地利用现状中的耕地图斑作为定级单元；然而在本发明中采用叠置法将比例尺相同的土地利用现状图、地形图、土壤图等图件叠加，形成的封闭图斑作为初始图斑，既可以得到一个有一定耕地类型、地形特征和土壤性质等属性的定级单元，可以更好地体现耕地质量因利用类型、成土母质、地形地貌等因素形成的差异的图斑；然后利用这些初始图斑构建初始图斑集。
S12：基于初始图斑集中的土地单元的土地类型、土地属性和海拔建立小图斑综合知识库；
在本发明具体实施过程中，在初始图斑集中利用土地单元的土地类型、土地属性和海拔建立起小图斑综合知识库；其中在建立小图斑知识库前，需要定义最小调查上图面积，如农用地(不含设施农用地)实地面积超过400m2的需调查上图；荒漠地区可适当减低精度，但不得低于1500m2；具体也可以根据实际情况而定，如在本发明中确定最小单元面积为800m2，即叠置分析后需要对面积小于的800m2单元进行综合处理；即基于初始图斑集中面积小于800m2图斑的土地单元的土地类型、土地属性和海拔建立小图斑综合知识库。
S13：基于小图斑综合知识库依次按照行政区域进行区域划分处理及根据土地类型进行类别划分处理，获取小图斑划分集；
在本发明具体实施过程中，所述基于小图斑综合知识库依次按照行政区域进行区域划分处理，包括：基于小图斑综合知识库依次按照行政村界进行区域划分处理。
具体的，在对小图斑综合知识库中的图斑进行划分的时候，需要考虑行政区域以及土地类型，即需要分别根据行政区域以及土地类型进行划分；土地类型是影响土地质量级别的重要因素，不同的土地类型的光温气候生产指数、产量系数均存在较大差异，直接影响级别的高低；为了确保农田定级成果的科学性和准确性，必须优先考虑地类属性；在重新划分定级单元的过程中，土地的地类属性不能发生改变，即只能在同地类间实现单元综合，小单元周边可能存在很多同地类的单元，就要综合考虑各单元土壤属性、地形海拔属性、行政区划(原则上不打破行政村界)的语义邻近程度进行取舍。
S14：在所述小图斑划分集中查找是否存在小于预设阈值的小图斑；
在本发明具体实施过程中，在小图斑划分及中查找小于预设阈值的小图斑，在本实施例中，预设阈值可以为400平方米，也可以为800平方米，具体可以根据不同地区或不同的土地类型来确定；在此不做限定。
S15：若存在，确定小于预设阈值的小图斑的最邻近的邻接同类图斑并进行合并获合并图斑；
在本发明具体实施过程中，所述则确定小于预设阈值的小图斑的最邻近的邻接同类图斑并进行合并获合并图斑，包括：基于语义综合邻近度及空间邻近度确定小于预设阈值的小图斑的最邻近的邻接同类图斑；将所述小于预设阈值的小图斑与所述最邻近的邻接同类图斑进行合并，获得合并图斑。
进一步的，所述语义综合邻近度为土壤属性邻近度和地形属性邻近度的线性加权获得；土壤属性邻近度和地形属性邻近度的线性加权公式为：
sem(X，Yi)＝a*sem1(X，Yi)+b*sem2(X，Yi)；
其中，所述土壤属性邻近度表示为：sem1(X，Yi)＝1-i/∑；地形属性邻近度表示为：sem2(X，Yi)＝1-|海拔高差|/150；X表示考察土地单元，Yi表示语义类型集中的土地单元；其中，对排序好的语义类型集{Yi}，规定相邻两元素的语义距离为1个单位，则语义距离分别为：1,2,3,4,…,i…,语义距离总和为∑；a表示土壤属性邻近度的权值，b表示地形属性邻近度的权值。
进一步的，所述空间邻近度表示dis(X，Yi)＝r，其中，r表示土地单元Yi和考察土地单元X之间共享边L占周长的比率。
进一步的，所述基于语义综合邻近度及空间邻近度确定小于预设阈值的小图斑的最邻近的邻接同类图斑的公式如下：
adj(X，Yi)＝dis(X，Yi)W1+sem(X，Yi)W2
其中，W1和W2分别为空间邻近度和语义综合邻近度的权重，dis(X，Yi)表示空间邻近度，sem(X，Yi)表示语义综合邻近度；其中，若存在小于或等于一个邻接同类图斑时W1＝1，W2＝0；若存在大于一个邻接同类图斑时W1＝0.2，W2＝0.8。
具体的，语义综合邻近度为土壤属性邻近度和地形属性邻近度的线性加权获得，其加权公式如下：
sem(X，Yi)＝a*sem1(X，Yi)+b*sem2(X，Yi)；
其中，sem1(X，Yi)表示土壤属性邻近度；在本发明实施例中，土种是土壤分类的基本单元，土种语义邻近度计算可以通过具体土种体系中的语义相关性规则和参照本体理论的相似度计算方法计算，如通过青海土种体系中的语义相关性规则和参照本体理论的相似性计算方法计算；及假设设考察土地单元X与语义类型集中的土地单元Yi的语义邻近度为sem1(X，Yi)；在土壤体系中，按照土属、土种划分排序，得到其他土种与考察土地单元X的语义邻近等级，按照土壤分类标准量化不同土壤属性间的语义邻近度，根据《青海土种志》分类体系确定好其“等级量”的邻近级别后，还需对其等级的“差异量”进行定量计算对排序好的语义类型集{Yi}，规定相邻两元素的语义距离为1个单位，则语义距离为1，2，3，4…i…语义距离的总和为∑，则第i个语义的邻近度sem1(X，Yi)＝1-i/∑(距离越远则值越小)。
sem2(X，Yi)表示地形属性邻近度，在某高原地区温度对春小麦生长的影响较大：高海拔地区春小麦生长期内日平均气温每升高1℃，春小麦生育期缩短11.7天；按照海拔增加100m，气温降低0.6℃的换算方法，可以得知海拔每降低150m，春小麦生育期缩短10.5天；因此某县30m的DEM影像图为叠置底图，提取150m等高线作为影响耕地质量差异的地形因素，与耕地单元图、土壤图进行叠置分析，对叠置产生的单元进行海拔赋值，得到叠置后各单元的平均海拔，则小于阈值单元与邻接单元的地形属性邻近度sem2(X，Yi)＝1-︱海拔高差︱/150，判断不同海拔高度间的单元的语义邻近度。
在本发明实施例中，经过多次试验，认为地区海拔和土壤对于耕地质量的影响程度同样重要，则土壤因素和地形因素的语义邻近度sem(X，Yi)＝0.5*sem1(X，Yi)+0.5*sem2(X，Yi)，因此，a＝b＝0.5。
dis(X，Yi)表示空间邻近度；空间邻近度通过拓扑关系约束，其中拓扑关系约束是单元土地综合过程中的一个重要的依据；选取图层叠置后图斑面积小于预设最小单元面积的多边形形成一个集合{Yi}，设设Bi为图斑边界，Dmin为最小单元间距，D(X，Yi)为图斑X、Yi的距离,L(X，Yi)为图斑X、Yi的共享边长，则定义多边形集合{Yi}内X、Yi的拓扑关系如下：
若则X、Yi拓扑邻接，即X、Yi是有共享边界的图斑；若且D(X，Yi)≤Dmin，则X、Yi拓扑邻近。
由于地类图斑间不重叠，对于多边形集合{Yi}而言，只有邻接和邻近两种可能；考虑到对拓扑邻近的图斑进行综合时，必然会将图斑间的非土地区域转化为土地，影响定级单元的准确性，因此只考虑单元在空间上拓扑邻接的情况；空间位置上的邻接可以通过拓扑意义上图斑间共享边界的长度作为量化指标，表达式为dis(X，Yi)＝r，r表示土地单元Yi和考察土地单元X之间共享边L占周长的比率。
在确定好语义综合邻近度sem(X，Yi)及空间邻近度dis(X，Yi)之后，要综合考虑二者对于邻近度的影响，找出与考察图斑X最邻近图斑Yi；定义Yi与X的综合邻近度为adj(X，Yi)＝dis(X，Yi)W1+sem(X，Yi)W2(W1、W2为二者的权重值)下面根据两种类型具体讨论W1、W2取值：
{Yi}中存在小于等于1个同地类图斑，则直接选择邻接的同地类图斑，(即W1＝1；W2＝0)，如果不存在邻接同类单元可以保留小单元；{Yi}中存在多个同地类图斑，此时语义综合邻近更为重要，(即W1＝0.2；W2＝0.8)，综合选出与X最邻近图斑。
具体的，分析单元综合的几何规则、语义规则、综合约束规则，结合制图专家的认知，可以建立起单元综合模型；进行定级单元自动化综合；单元综合模型既包括图形综合又包括语义综合；在农田定级单元的划分中，图形综合主要是指将小于阈值的小单元，根据语义邻近优先规则、拓扑规则等要求，选择“最邻近的”、同权属的邻接单元并与之合并；语义综合是指单元综合后，可以根据预先定义的规则保留原有的耕地地类属性，更新重新划定的单元面积。每综合一次，就要对结果单元面积进行判断，继续循环以上操作，若结果单元面积大于阈值，则单元划分结束。
S16：判断合并图斑中是否存在小于预设阈值的小图斑；若存在，返回S14；
在本发明具体实施过程中，在合并图斑之后，再次判断合并的图斑中是否存在小于预设阈值的小图斑；若存在，返回S14；不存在，则进入下一步。
S17：若不存在，则农田定级单元划分完毕。
利用本发明实施例中的方法和地块法、叠置法进行划分，比较结果如下：
以农田定级为应用场景，选取互助县土地利用数据的耕地图斑、土壤图、30m DEM影像图的等高线图为叠置底图，对比分析地块法、叠置法和改进方法划分的定级单元结果见表1。
表1
单位：公顷、个
地块法划分的农田定级单元22585个，最大单元面积为191.83hm2，其中0.08hm2到0.5hm2范围的单元总数最多，为7783，占总单元数的34.5％，但耕地面积仅占总面积的2.4％；30hm2到192hm2的耕地总面积最大，为33873hm2，占总面积的41.1％，但单元数仅占总数的2.8％，单元间面积相差悬殊。
叠置法划分的单元总数为25697，其中小于800m2的单元总数增加了97.5％，0.08hm2到2hm2范围的单元总数增加了9.3％；30hm2到192hm2的耕地总面积减少3873.33hm2，说明基于叠置法划分的定级单元，虽然一些较大面积的单元得到了有效的分割，但同时也产生了大量的细碎多边形。
基于实施例方法划分的单元总数为23690，最大单元面积为159.51hm2，与叠置法相比，小于800m2的单元总数降低75.4％，30hm2到192hm2的单元数下降6.0％，总面积下降3.1％，说明实施例方法使得较大面积的单元得到了合理的分割，同时融合了大量叠置产生的细碎单元。
在本发明具体实施过程中，在土地划分时最大限度的保留了单元信息，提升单元属性的均一程度；采用本发明中的方法进行农田定级单元划分的内部均方差比耕地图斑降低了54.1％，比叠置法提高了4.7％；说明改进后的定级单元有效地解决了单元内部土壤性状差异较大的问题，同时综合了叠置法产生的细碎图斑，降低了后期定级评价的工作难度。
实施例
请参阅图2，图2是本发明具体实施例中的基于语义规则的农田定级单元划分系统的结构组成示意图。
如图2所示，一种基于语义规则的农田定级单元划分系统，所述系统包括：
构建图斑集模块11：用于确定划分的土地单元的面积并构建初始图斑集；
在本方具体实施过程中，所述确定划分的土地单元的面积并构建初始图斑集，包括：利用叠置法将比例尺相同的土地单元的现状图、地形图及土壤图进行叠加，获得初始图斑；根据所述初始图斑构建初始图斑集。
进一步的，地块法、叠置法是单元划分的常用方法，地块法通常可直接采用土地利用现状中的耕地图斑作为定级单元；然而在本发明中采用叠置法将比例尺相同的土地利用现状图、地形图、土壤图等图件叠加，形成的封闭图斑作为初始图斑，既可以得到一个有一定耕地类型、地形特征和土壤性质等属性的定级单元，可以更好地体现耕地质量因利用类型、成土母质、地形地貌等因素形成的差异的图斑；然后利用这些初始图斑构建初始图斑集。
综合知识库建立模块12：用于基于初始图斑集中的土地单元的土地类型、土地属性和海拔建立小图斑综合知识库；
在本发明具体实施过程中，在初始图斑集中利用土地单元的土地类型、土地属性和海拔建立起小图斑综合知识库；其中在建立小图斑知识库前，需要定义最小调查上图面积，如农用地(不含设施农用地)实地面积超过400m2的需调查上图；荒漠地区可适当减低精度，但不得低于1500m2；具体也可以根据实际情况而定，如在本发明中确定最小单元面积为800m2，即叠置分析后需要对面积小于的800m2单元进行综合处理；即基于初始图斑集中面积小于800m2图斑的土地单元的土地类型、土地属性和海拔建立小图斑综合知识库。
划分模块13：用于基于小图斑综合知识库依次按照行政区域进行区域划分处理及根据土地类型进行类别划分处理，获取小图斑划分集；
在本发明具体实施过程中，所述基于小图斑综合知识库依次按照行政区域进行区域划分处理，包括：基于小图斑综合知识库依次按照行政村界进行区域划分处理。
具体的，在对小图斑综合知识库中的图斑进行划分的时候，需要考虑行政区域以及土地类型，即需要分别根据行政区域以及土地类型进行划分；土地类型是影响土地质量级别的重要因素，不同的土地类型的光温气候生产指数、产量系数均存在较大差异，直接影响级别的高低；为了确保农田定级成果的科学性和准确性，必须优先考虑地类属性；在重新划分定级单元的过程中，土地的地类属性不能发生改变，即只能在同地类间实现单元综合，小单元周边可能存在很多同地类的单元，就要综合考虑各单元土壤属性、地形海拔属性、行政区划(原则上不打破行政村界)的语义邻近程度进行取舍。
查找模块14：用于在所述小图斑划分集中查找是否存在小于预设阈值的小图斑；
在本发明具体实施过程中，在小图斑划分及中查找小于预设阈值的小图斑，在本实施例中，预设阈值可以为400平方米，也可以为800平方米，具体可以根据不同地区或不同的土地类型来确定；在此不做限定。
合并模块15：用于若存在小于预设阈值的小图斑，确定小于预设阈值的小图斑的最邻近的邻接同类图斑并进行合并获合并图斑。
在本发明具体实施过程中，所述则确定小于预设阈值的小图斑的最邻近的邻接同类图斑并进行合并获合并图斑，包括：基于语义综合邻近度及空间邻近度确定小于预设阈值的小图斑的最邻近的邻接同类图斑；将所述小于预设阈值的小图斑与所述最邻近的邻接同类图斑进行合并，获得合并图斑。
进一步的，所述语义综合邻近度为土壤属性邻近度和地形属性邻近度的线性加权获得；土壤属性邻近度和地形属性邻近度的线性加权公式为：
sem(X，Yi)＝a*sem1(X，Yi)+b*sem2(X，Yi)；
其中，所述土壤属性邻近度表示为：sem1(X，Yi)＝1-i/∑；地形属性邻近度表示为：sem2(X，Yi)＝1-|海拔高差|/150；X表示考察土地单元，Yi表示语义类型集中的土地单元；其中，对排序好的语义类型集{Yi}，规定相邻两元素的语义距离为1个单位，则语义距离分别为：1,2,3,4,…,i…,语义距离总和为∑；a表示土壤属性邻近度的权值，b表示地形属性邻近度的权值。
进一步的，所述空间邻近度表示dis(X，Yi)＝r，其中，r表示土地单元Yi和考察土地单元X之间共享边L占周长的比率。
进一步的，所述基于语义综合邻近度及空间邻近度确定小于预设阈值的小图斑的最邻近的邻接同类图斑的公式如下：
adj(X，Yi)＝dis(X，Yi)W1+sem(X，Yi)W2
其中，W1和W2分别为空间邻近度和语义综合邻近度的权重，dis(X，Yi)表示空间邻近度，sem(X，Yi)表示语义综合邻近度；其中，若存在小于或等于一个邻接同类图斑时W1＝1，W2＝0；若存在大于一个邻接同类图斑时W1＝0.2，W2＝0.8。
具体的，语义综合邻近度为土壤属性邻近度和地形属性邻近度的线性加权获得，其加权公式如下：
sem(X，Yi)＝a*sem1(X，Yi)+b*sem2(X，Yi)；
其中，sem1(X，Yi)表示土壤属性邻近度；在本发明实施例中，土种是土壤分类的基本单元，土种语义邻近度计算可以通过具体土种体系中的语义相关性规则和参照本体理论的相似度计算方法计算，如通过青海土种体系中的语义相关性规则和参照本体理论的相似性计算方法计算；及假设设考察土地单元X与语义类型集中的土地单元Yi的语义邻近度为sem1(X，Yi)；在土壤体系中，按照土属、土种划分排序，得到其他土种与考察土地单元X的语义邻近等级，按照土壤分类标准量化不同土壤属性间的语义邻近度，根据《青海土种志》分类体系确定好其“等级量”的邻近级别后，还需对其等级的“差异量”进行定量计算对排序好的语义类型集{Yi}，规定相邻两元素的语义距离为1个单位，则语义距离为1，2，3，4…i…语义距离的总和为∑，则第i个语义的邻近度sem1(X，Yi)＝1-i/∑(距离越远则值越小)。
sem2(X，Yi)表示地形属性邻近度，在某高原地区温度对春小麦生长的影响较大：高海拔地区春小麦生长期内日平均气温每升高1℃，春小麦生育期缩短11.7天；按照海拔增加100m，气温降低0.6℃的换算方法，可以得知海拔每降低150m，春小麦生育期缩短10.5天；因此某县30m的DEM影像图为叠置底图，提取150m等高线作为影响耕地质量差异的地形因素，与耕地单元图、土壤图进行叠置分析，对叠置产生的单元进行海拔赋值，得到叠置后各单元的平均海拔，则小于阈值单元与邻接单元的地形属性邻近度sem2(X，Yi)＝1-︱海拔高差︱/150，判断不同海拔高度间的单元的语义邻近度。
在本发明实施例中，经过多次试验，认为地区海拔和土壤对于耕地质量的影响程度同样重要，则土壤因素和地形因素的语义邻近度sem(X，Yi)＝0.5*sem1(X，Yi)+0.5*sem2(X，Yi)，因此，a＝b＝0.5。
dis(X，Yi)表示空间邻近度；空间邻近度通过拓扑关系约束，其中拓扑关系约束是单元土地综合过程中的一个重要的依据；选取图层叠置后图斑面积小于预设最小单元面积的多边形形成一个集合{Yi}，设设Bi为图斑边界，Dmin为最小单元间距，D(X，Yi)为图斑X、Yi的距离,L(X，Yi)为图斑X、Yi的共享边长，则定义多边形集合{Yi}内X、Yi的拓扑关系如下：
若则X、Yi拓扑邻接，即X、Yi是有共享边界的图斑；若且D(X，Yi)≤Dmin，则X、Yi拓扑邻近。
由于地类图斑间不重叠，对于多边形集合{Yi}而言，只有邻接和邻近两种可能；考虑到对拓扑邻近的图斑进行综合时，必然会将图斑间的非土地区域转化为土地，影响定级单元的准确性，因此只考虑单元在空间上拓扑邻接的情况；空间位置上的邻接可以通过拓扑意义上图斑间共享边界的长度作为量化指标，表达式为dis(X，Yi)＝r，r表示土地单元Yi和考察土地单元X之间共享边L占周长的比率。
在确定好语义综合邻近度sem(X，Yi)及空间邻近度dis(X，Yi)之后，要综合考虑二者对于邻近度的影响，找出与考察图斑X最邻近图斑Yi；定义Yi与X的综合邻近度为adj(X，Yi)＝dis(X，Yi)W1+sem(X，Yi)W2(W1、W2为二者的权重值)下面根据两种类型具体讨论W1、W2取值：
{Yi}中存在小于等于1个同地类图斑，则直接选择邻接的同地类图斑，(即W1＝1；W2＝0)，如果不存在邻接同类单元可以保留小单元；{Yi}中存在多个同地类图斑，此时语义综合邻近更为重要，(即W1＝0.2；W2＝0.8)，综合选出与X最邻近图斑。
具体的，分析单元综合的几何规则、语义规则、综合约束规则，结合制图专家的认知，可以建立起单元综合模型；进行定级单元自动化综合；单元综合模型既包括图形综合又包括语义综合；在农田定级单元的划分中，图形综合主要是指将小于阈值的小单元，根据语义邻近优先规则、拓扑规则等要求，选择“最邻近的”、同权属的邻接单元并与之合并；语义综合是指单元综合后，可以根据预先定义的规则保留原有的耕地地类属性，更新重新划定的单元面积。每综合一次，就要对结果单元面积进行判断，继续循环以上操作，若结果单元面积大于阈值，则单元划分结束。
在合并图斑之后，再次判断合并的图斑中是否存在小于预设阈值的小图斑，若存在，继续进行确定小于预设阈值的小图斑的最邻近的邻接同类图斑并进行合并获合并图斑；若不存在，则农田定级单元划分完毕。
利用本发明实施例中的方法和地块法、叠置法进行划分，比较结果如下：
以农田定级为应用场景，选取互助县土地利用数据的耕地图斑、土壤图、30m DEM影像图的等高线图为叠置底图，对比分析地块法、叠置法和改进方法划分的定级单元结果见表1。
表1
单位：公顷、个
地块法划分的农田定级单元22585个，最大单元面积为191.83hm2，其中0.08hm2到0.5hm2范围的单元总数最多，为7783，占总单元数的34.5％，但耕地面积仅占总面积的2.4％；30hm2到192hm2的耕地总面积最大，为33873hm2，占总面积的41.1％，但单元数仅占总数的2.8％，单元间面积相差悬殊。
叠置法划分的单元总数为25697，其中小于800m2的单元总数增加了97.5％，0.08hm2到2hm2范围的单元总数增加了9.3％；30hm2到192hm2的耕地总面积减少3873.33hm2，说明基于叠置法划分的定级单元，虽然一些较大面积的单元得到了有效的分割，但同时也产生了大量的细碎多边形。
基于实施例方法划分的单元总数为23690，最大单元面积为159.51hm2，与叠置法相比，小于800m2的单元总数降低75.4％，30hm2到192hm2的单元数下降6.0％，总面积下降3.1％，说明实施例方法使得较大面积的单元得到了合理的分割，同时融合了大量叠置产生的细碎单元。
在本发明具体实施过程中，在土地划分时最大限度的保留了单元信息，提升单元属性的均一程度；采用本发明中的方法进行农田定级单元划分的内部均方差比耕地图斑降低了54.1％，比叠置法提高了4.7％；说明改进后的定级单元有效地解决了单元内部土壤性状差异较大的问题，同时综合了叠置法产生的细碎图斑，降低了后期定级评价的工作难度。
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一种基于语义规则的农田定级单元划分方法及系统进行了详细介绍，本文中应采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 (9)

1.一种基于语义规则的农田定级单元划分方法，其特征在于，所述方法包括：
确定划分的土地单元的面积并构建初始图斑集；
基于初始图斑集中的土地单元的土地类型、土地属性和海拔建立小图斑综合知识库；
基于小图斑综合知识库依次按照行政区域进行区域划分处理及根据土地类型进行类别划分处理，获取小图斑划分集；
在所述小图斑划分集中查找是否存在小于预设阈值的小图斑；
若存在，确定小于预设阈值的小图斑的最邻近的邻接同类图斑并进行合并获合并图斑。
2.根据权利要求1所述的农田定级单元划分方法，其特征在于，所述确定划分的土地单元的面积并构建初始图斑集，包括：
利用叠置法将比例尺相同的土地单元的现状图、地形图及土壤图进行叠加，获得初始图斑；
根据所述初始图斑构建初始图斑集。
3.根据权利要求1所述的农田定级单元划分方法，其特征在于，所述基于小图斑综合知识库依次按照行政区域进行区域划分处理，包括：
基于小图斑综合知识库依次按照行政村界进行区域划分处理。
4.根据权利要求1所述的农田定级单元划分方法，其特征在于，所述则确定小于预设阈值的小图斑的最邻近的邻接同类图斑并进行合并获合并图斑，包括：
基于语义综合邻近度及空间邻近度确定小于预设阈值的小图斑的最邻近的邻接同类图斑；
将所述小于预设阈值的小图斑与所述最邻近的邻接同类图斑进行合并，获得合并图斑。
5.根据权利要求4所述的农田定级单元划分方法，其特征在于，所述语义综合邻近度为土壤属性邻近度和地形属性邻近度的线性加权获得；
土壤属性邻近度和地形属性邻近度的线性加权公式为：
sem(X，Yi)＝a*sem1(X，Yi)+b*sem2(X，Yi)；
其中，所述土壤属性邻近度表示为：sem1(X，Yi)＝1-i/∑；地形属性邻近度表示为：sem2(X，Yi)＝1-|海拔高差|/150；X表示考察土地单元，Yi表示语义类型集中的土地单元；其中，对排序好的语义类型集{Yi}，规定相邻两元素的语义距离为1个单位，则语义距离分别为：1,2,3,4,…,i…,语义距离总和为∑；a表示土壤属性邻近度的权值，b表示地形属性邻近度的权值。
6.根据权利要求4所述的农田定级单元划分方法，其特征在于，所述空间邻近度表示dis(X，Yi)＝r，其中，r表示土地单元Yi和考察土地单元X之间共享边L占周长的比率。
7.根据权利要求4所述的农田定级单元划分方法，其特征在于，所述基于语义综合邻近度及空间邻近度确定小于预设阈值的小图斑的最邻近的邻接同类图斑的公式如下：
adj(X，Yi)＝dis(X，Yi)W1+sem(X，Yi)W2
其中，W1和W2分别为空间邻近度和语义综合邻近度的权重，dis(X，Yi)表示空间邻近度，sem(X，Yi)表示语义综合邻近度；
其中，若存在小于或等于一个邻接同类图斑时W1＝1，W2＝0；
若存在大于一个邻接同类图斑时W1＝0.2，W2＝0.8。
8.根据权利要求1所述的农田定级单元划分方法，其特征在于，所述方法还包括：
判断合并图斑中是否存在小于预设阈值的小图斑；
若存在，返回确定小于预设阈值的小图斑的最邻近的邻接同类图斑并进行合并获合并图斑；
若不存在，则农田定级单元划分完毕。
9.一种基于语义规则的农田定级单元划分系统，其特征在于，所述系统包括：
构建小图斑集模块：用于确定划分的土地单元的面积并构建初始图斑集；
综合知识库建立模块：用于基于初始图斑集中的土地单元的土地类型、土地属性和海拔建立小图斑综合知识库；
划分模块：用于基于小图斑综合知识库依次按照行政区域进行区域划分处理及根据土地类型进行类别划分处理，获取小图斑划分集；
查找模块：用于在所述小图斑划分集中查找是否存在小于预设阈值的小图斑；
合并模块：用于若存在小于预设阈值的小图斑，确定小于预设阈值的小图斑的最邻近的邻接同类图斑并进行合并获合并图斑。
CN201910314994.7A 2019-04-18 2019-04-18 一种基于语义规则的农田定级单元划分方法及系统 Active CN110097529B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910314994.7A CN110097529B (zh) 2019-04-18 2019-04-18 一种基于语义规则的农田定级单元划分方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910314994.7A CN110097529B (zh) 2019-04-18 2019-04-18 一种基于语义规则的农田定级单元划分方法及系统

Publications (2)

Publication Number Publication Date
CN110097529A true CN110097529A (zh) 2019-08-06
CN110097529B CN110097529B (zh) 2021-03-26

Family

ID=67445066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910314994.7A Active CN110097529B (zh) 2019-04-18 2019-04-18 一种基于语义规则的农田定级单元划分方法及系统

Country Status (1)

Country Link
CN (1) CN110097529B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490972A (zh) * 2019-08-20 2019-11-22 重庆壤科农业数据服务有限公司 南方土壤图三维矢量模型系统及生成方法
CN111462320A (zh) * 2020-03-20 2020-07-28 中国电建集团昆明勘测设计研究院有限公司 基于约束性Delaunay三角网的“两区”地块自动批量生成方法
CN114663764A (zh) * 2022-04-01 2022-06-24 中国科学院地理科学与资源研究所 一种耕地土壤环境质量区划方法、装置、介质及终端设备
CN115053246A (zh) * 2020-01-30 2022-09-13 萨格里株式会社 信息处理装置
CN115577058A (zh) * 2022-09-23 2023-01-06 中国测绘科学研究院 一种兼顾全局与局部最优影响的小图斑竞争分裂方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7400770B2 (en) * 2002-11-06 2008-07-15 Hrl Laboratories Method and apparatus for automatically extracting geospatial features from multispectral imagery suitable for fast and robust extraction of landmarks
CN101604326A (zh) * 2009-07-16 2009-12-16 浙江大学 基于事件语义的土地利用数据更新与分析方法
CN104200387A (zh) * 2014-09-18 2014-12-10 信阳师范学院 一种顾及地理实体语义相似度的土地用途分区方法
CN106780089A (zh) * 2016-12-27 2017-05-31 广州蓝图地理信息技术有限公司 基于神经网络元胞自动机模型的永久性基本农田划定方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7400770B2 (en) * 2002-11-06 2008-07-15 Hrl Laboratories Method and apparatus for automatically extracting geospatial features from multispectral imagery suitable for fast and robust extraction of landmarks
CN101604326A (zh) * 2009-07-16 2009-12-16 浙江大学 基于事件语义的土地利用数据更新与分析方法
CN104200387A (zh) * 2014-09-18 2014-12-10 信阳师范学院 一种顾及地理实体语义相似度的土地用途分区方法
CN106780089A (zh) * 2016-12-27 2017-05-31 广州蓝图地理信息技术有限公司 基于神经网络元胞自动机模型的永久性基本农田划定方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李晶 等: "土地利用小图斑综合方法及综合工具开发", 《遥感信息》 *
麻海涛: "耕地质量与耕地景观格局的耦合性研究", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490972A (zh) * 2019-08-20 2019-11-22 重庆壤科农业数据服务有限公司 南方土壤图三维矢量模型系统及生成方法
CN110490972B (zh) * 2019-08-20 2023-06-06 重庆壤科农业数据服务有限公司 南方土壤图三维矢量模型系统及生成方法
CN115053246A (zh) * 2020-01-30 2022-09-13 萨格里株式会社 信息处理装置
CN111462320A (zh) * 2020-03-20 2020-07-28 中国电建集团昆明勘测设计研究院有限公司 基于约束性Delaunay三角网的“两区”地块自动批量生成方法
CN114663764A (zh) * 2022-04-01 2022-06-24 中国科学院地理科学与资源研究所 一种耕地土壤环境质量区划方法、装置、介质及终端设备
CN115577058A (zh) * 2022-09-23 2023-01-06 中国测绘科学研究院 一种兼顾全局与局部最优影响的小图斑竞争分裂方法
CN115577058B (zh) * 2022-09-23 2023-08-01 中国测绘科学研究院 一种兼顾全局与局部最优影响的小图斑竞争分裂方法

Also Published As

Publication number Publication date
CN110097529B (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
CN110097529A (zh) 一种基于语义规则的农田定级单元划分方法及系统
Sánchez-Lozano et al. GIS-based photovoltaic solar farms site selection using ELECTRE-TRI: Evaluating the case for Torre Pacheco, Murcia, Southeast of Spain
Ayehu et al. Land suitability analysis for rice production: A GIS based multi-criteria decision approach
Prakash Land suitability analysis for agricultural crops: a fuzzy multicriteria decision making approach
CN106780089B (zh) 基于神经网络元胞自动机模型的永久性基本农田划定方法
Nurkholis et al. Spatial decision tree model for garlic land suitability evaluation
de Freitas et al. Land-use and land-cover change processes in the Upper Uruguay Basin: linking environmental and socioeconomic variables
CN110502725A (zh) 基于相关性分析与随机森林的耕地定级指标赋权方法
CN109472390A (zh) 基于机器学习的规划方案智能生成方法及系统
Xu et al. Landslide susceptibility evaluation based on BPNN and GIS: a case of Guojiaba in the Three Gorges Reservoir Area
CN116129262A (zh) 一种面向宜机化改造的耕地适宜性评价方法及系统
Bijandi et al. Agricultural land partitioning model based on irrigation efficiency using a multi‐objective artificial bee colony algorithm
CN103559389B (zh) 一种县域耕地等级变化监测样点布设的方法
CN107818338A (zh) 一种面向地图综合的建筑物群组模式识别的方法及系统
Mansor et al. Optimization of land use suitability for agriculture using integrated geospatial model and genetic algorithms
Xu et al. Sensitivity of a stochastic land-cover change model to pixel versus polygonal land units
Zhou et al. Automated soil resources mapping based on decision tree and Bayesian predictive modeling
Akın et al. The spatiotemporal land use/cover change of Adana city
Ajrina et al. Comparison of MOORA and COPRAS methods based on geographic information system for determining potential zone of pasir batu mining
CN113222288A (zh) 村镇社区空间发展图谱的分类演化及预测方法
CN112860767A (zh) 一种基于时序数据的城乡过渡带的识别
Placide et al. Optimal wind farm sites-selection using Geographic Information System based mathematical modelling and fuzzy logic tools: A case study of Burundi
CN109523143A (zh) 一种基于多粒度计算的土地评价方法
Ferretti et al. A spatial decision support tool to study risks and opportunities of complex environmental systems
Florijn Where Do They Go? A Geometric Seed Dispersal model

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Hu Yueming

Inventor after: Jia Chenchen

Inventor after: Tang Zong

Inventor before: Hu Mingyue

Inventor before: Jia Chenchen

Inventor before: Tang Zong

GR01 Patent grant
GR01 Patent grant