CN116129262A - 一种面向宜机化改造的耕地适宜性评价方法及系统 - Google Patents
一种面向宜机化改造的耕地适宜性评价方法及系统 Download PDFInfo
- Publication number
- CN116129262A CN116129262A CN202211710949.1A CN202211710949A CN116129262A CN 116129262 A CN116129262 A CN 116129262A CN 202211710949 A CN202211710949 A CN 202211710949A CN 116129262 A CN116129262 A CN 116129262A
- Authority
- CN
- China
- Prior art keywords
- cultivated land
- transformation
- suitability
- evaluation
- data
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 121
- 230000009466 transformation Effects 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000007637 random forest analysis Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000003066 decision tree Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 12
- 239000002689 soil Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000003973 irrigation Methods 0.000 claims description 9
- 230000002262 irrigation Effects 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 239000004016 soil organic matter Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000005527 soil sampling Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 8
- 230000007547 defect Effects 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种面向宜机化改造的耕地适宜性评价方法及系统，基于多源数据获取待改造的耕地对象，提取待改造耕地对象影像特征，建立农田宜机化改造适宜性评价体系，基于机器学习的方法确定评价体系中各个指标的客观权重，对耕地进行宜机化改造适宜性评价。充分利用高分辨率遥感影像丰富多元的地物信息优势，基于随机森林分类与地理软件的信息处理实现对耕地宜机化改造适宜性的客观评价，可以克服传统土地适宜性评价方法在评价体系构建时不够全面，指标权重确定不客观等方面的缺陷，为农田宜机化改造工程前期方案规划环节节省工作量，提升农田宜机化改造工作效率。
Description
技术领域
本发明涉及农业技术领域，具体涉及一种面向宜机化改造的耕地适宜性评价方法及系统。
背景技术
我国农业机械化进程存在两个问题：一是现有土地产能难以满足人口需求，需要增加耕地面积，但是目前已经没有额外的优良农田来生产粮食，中国的丘陵山地占全国国土面积的2/3，耕地面积和农作物播种面积均占全国土地面积的1/3，这就需要将目标定位在丘陵山区的土地上，通过一些手段将其改变成为良田；二是现有农机与土地互不兼容，农机朝着大型化的方向发展，并没有考虑到丘陵山区这种特定地形的应用，平原地区农业机械化快速发展的同时，丘陵山地农业机械化水平却远远落后。显然，丘陵山地农业机械化水平的落后会严重制约全国农业农村现代化的整体推进，成为中国农机化发展的短板。以农田宜机化改造来为农业机械作业创造条件能够促进丘陵山地农业机械化发展。然而在进行宜机化改造之前，需要先对拟改造区域进行判别，由于不同空间位置的土地其各项条件都不尽相同，所以其改造适宜性也不同，这就需要在改造之前先对目标区域进行农田宜机化改造的适宜性评价，根据适宜性评价结果确定好目标区域农田宜机化改造的顺序，使改造工程能够用最少的时间实现最大的效益。
目前常见的耕地适宜性评价方法有层次分析法、网络分析法、有序加权法等，李伶俐等人基于地形复杂度，选取高程、坡度、地块破碎度三个地形限制因素，结合GIS空间分析功能和数据包络法(DEA)，对耕地进行宜机化改造适宜性评价，具体评价方法为：将影响宜机化改造的坡度、高程、破碎度等地形限制因子组合成地形复杂度指数,结合DEA采用德尔菲打分法请若干个相关学科的专家对海拔高度、坡度、地块破碎度3项地形复杂度因子进行打分获得权重,计算得到综合地形复杂度结果。最后通过ArcGIS10.6软件,采用自然分段的方法,将研究区地表复杂度指数分为不同区段评价耕地的改造适宜性。
目前现有的关于耕地适宜性的评价方法主要集中于对高标准农田的建设评价，而且大都是针对于建设后的评价，在农田宜机化改造工程中，在改造之前对土地进行适宜性评价是必不可少的，通过宜机化改造适宜性评价能够在施工前精准的判断出改造区域，根据评价结果能够确定好各区域的改造工作重心，这能够大大减少规划阶段的工作量。
农田宜机化改造适宜性评价的核心是建立好评价体系，确定各评价体系中各指标的权重，由于面向宜机化改造的耕地适宜性评价涉及气候条件、土壤质量、地形、水文环境、社会经济发展等多个复杂且相互关联的因素，然而在目前所提出的农田宜机化改造适宜性评价的方法中，在进行评价体系建立时，大部分方法都只从耕地本身的自然条件和农田配套设施两个方面进行指标的选取，并没有考虑农机作业便利性以及生态环境等因素，尽管这些因素对于适宜农机高效作业、提高农田生产效率、改善农田生态等具有重要作用。此外，在确定各个评价指标的权重时，目前所运用的德尔菲专家打分法所确立的权重主要依据专家经验得出，结构不够客观准确。
发明内容
为此，本发明提供一种面向宜机化改造的耕地适宜性评价方法及系统，以解决以上技术问题。
为了实现上述目的，本发明提供如下技术方案：
根据本发明实施例的第一方面，提出一种面向宜机化改造的耕地适宜性评价方法，所述方法包括：
获取原始待改造耕地空间范围矢量数据、高分辨率遥感影像数据，并进行数据预处理，对高分辨率遥感影像进行约束分割，构建待改造耕地对象集；
建立农田宜机化改造适宜性指标评价体系，并建立样本数据集，基于样本数据集训练随机森林分类模型并进行验证测试，通过随机森林分类模型得到各评价指标的权重；
根据所述评价体系以及各指标的权重，获取待改造耕地对象的改造适宜性综合评价结果，并根据预先构建的改造适宜性评价等级标准，对所述评价结果进行改造适宜性等级划分。
进一步地，所述数据预处理，具体包括：
对高分辨率遥感影像进行几何校正，以及以待改造耕地矢量数据投影空间为基准进行投影转换。
进一步地，所述构建待改造耕地对象集，具体包括：
利用待改造耕地的矢量数据剔除耕地以外的土地利用类型，进一步约束分割高分遥感影像，为后续待改造耕地对象特征提取提供合理的范围，并且使得最终分割提取的影像数据与已有待改造耕地矢量范围保持一致；
针对影像特点，对高分辨率遥感影像进行多尺度分割，不断调试相应参数，得到最优分割尺度，生成待改造耕地影像对象；进一步利用待改造耕地的矢量数据判断约束分割结果中的对象是否为待带改造耕地对象，将所有待改造耕地对象构成待改造耕地对象集。
进一步地，所述农田宜机化改造适宜性指标评价体系，具体包括：
从耕地自然地理条件、农机作业便利性、田间基础设施完善度和农田生态环境限制四个方面选取影响农田宜机化改造的因素构建评价指标；
在耕地自然地理条件方面，选取田块坡度、田块高程作为评价指标，田块的高程数据可由待改造耕地的数字高程数据直接获得，田块的坡度利用地理软件ArcGIS10.6坡度分析工具对待改造耕地的数字高程数据计算获得；
在农机作业便利性方面，选取田块形状指数、田块密度、田块集聚度、机耕道通达度和距离农机服务站的距离作为评价指标，
其中田块形状指数计算公式为：
SI为田块的形状指数，E为田块的周长，A为田块的面积；
田块密度的计算公式为：
FD为斑块密度，NP为田块数量，A为评价区域的耕地总面积；
田块集聚度的计算公式为：
BA为田块集聚度，Pi为耕地图斑的周长。
机耕道通达度可利用ArcGIS10.6的缓冲区分析工具计算获得，距离农机服务站的距离可利用地理软件ArcGIS10.6的欧氏距离工具获得；
在田间基础设施完善度方面，选取灌溉排水保证率和农田防护工程完善度为评价指标，灌溉排水保证率指的是能够直接灌溉的耕地面积占评价单元总耕地面积的比值，将土地利用数据中的沟渠提取出来，利用ArcGIS10.6中的缓冲区分析以及叠加分析工具可以将灌溉排水保证率计算出来；农田防护工程完善度指的是农田防护林能够防护的耕地面积占总耕地面积的比值，将土地利用数据中的农田防护林提取出来，利用ArcGIS10.6中的缓冲区分析以及叠加分析工具可以将农田防护工程完善度计算出来；
在农田生态环境方面，选取土壤有机质含量、土壤pH、植被覆盖率为评价指标，土壤有机质含量和土壤pH根据实地土壤取样测土获得，植被覆盖度以植被归一化指数NDVI表示，植被归一化指数由高精度遥感影像解译获得，计算公式为：NDVI＝((NIR-R)/(NIR+R))，NIR为红外波段的像素值，R为红光波段的像素值。
进一步地，建立样本数据集，具体包括：
选取宜机化程度较高的区域为训练样本区域，利用地理软件ArcGIS10.6提取样本区若干个宜机化程度较高的耕地属性数据，标记为1，然后提取样本区若干个宜机化程度较低的耕地属性数据，标记为0，将这两类数据合并为一个数据集，该数据集包含多个指标属性和1个类别属性，将此数据集划分为训练样本和验证样本两部分。
进一步地，基于样本数据集训练随机森林分类模型并进行验证测试，通过随机森林分类模型得到各评价指标的权重，具体包括：
选择随机森林分类器进行学习分类，随机森林分类模型的学习过程包括：
步骤一、有N个样本，则有放回的随机选择N个样本，即每次随机选择一个样本，然后返回继续选择，选择好了的N个样本用来训练一个决策树，作为决策树根节点处的样本；
步骤二、当每个样本有M个属性时，在决策树的每个节点需要分裂时，随机从这M个属性中选取出m个属性，满足条件m<<M，然后从这m个属性中采用某种策略来选择1个属性作为该节点的分裂属性；
步骤三、决策树形成过程中每个节点都要按照步骤二来分裂，一直到不能够再分裂为止，整个决策树形成过程中没有进行剪枝；
步骤四、对于要分类的数据集，在每个树的决策之后，根据决策中获得最高票数的分类来确定最终的分类结果。
进一步地，基于样本数据集训练随机森林分类模型并进行验证测试，通过随机森林分类模型得到各评价指标的权重，具体包括：
在随机森林中，特征的权重是根据基尼系数计算的，假设集合T包含k个分类，基尼指数计算为：
其中Pj表示类别j出现的频率；
如果将集合T分成n部分Ti，i＝1,2，…，m，那么为了计算基尼指数，计算每个分裂节点上用于分裂的变量xi的基尼指数，该分割的基尼指数计算公式为：
其中，Ni是在子节点Ti处的样本数；N是在母节点T处的样本数；
森林中所有树的每一个变量的平均基尼指数下降值被用来估计变量的重要性，因此特征的权重为：
其中，Dj是第j个特征的重要度。
进一步地，所述改造适宜性评价等级包括不适宜、边缘适宜、适宜、非常适宜。
根据本发明实施例的第二方面，提出一种面向宜机化改造的耕地适宜性评价系统，所述系统包括：
待改造耕地对象集构建模块，用于获取原始待改造耕地空间范围矢量数据、高分辨率遥感影像数据，并进行数据预处理，对高分辨率遥感影像进行约束分割，构建待改造耕地对象集；
评价体系建立模块，用于建立农田宜机化改造适宜性指标评价体系，并建立样本数据集，基于样本数据集训练随机森林分类模型并进行验证测试，通过随机森林分类模型得到各评价指标的权重；
改造适宜性评价模块，用于根据所述评价体系以及各指标的权重，获取待改造耕地对象的改造适宜性综合评价结果，并根据预先构建的改造适宜性评价等级标准，对所述评价结果进行改造适宜性等级划分。
根据本发明实施例的第三方面，提出一种计算机存储介质，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被一种面向宜机化改造的耕地适宜性评价系统执行如上任一项所述的方法。
本发明具有如下优点：
本发明提出的一种面向宜机化改造的耕地适宜性评价方法及系统，充分利用高分辨率遥感影像丰富多元的地物信息优势，基于随机森林分类与地理软件的信息处理实现对耕地宜机化改造适宜性的客观评价，可以克服传统土地适宜性评价方法在评价体系构建时不够全面，指标权重确定不客观等方面的缺陷，为农田宜机化改造工程前期方案规划环节节省工作量，提升农田宜机化改造工作效率。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的一种面向宜机化改造的耕地适宜性评价方法的流程示意图；
图2为本发明实施例提供的一种面向宜机化改造的耕地适宜性评价方法的具体实施过程示意图；
图3为本发明实施例提供的一种面向宜机化改造的耕地适宜性评价方法中随机森林分类流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
如图1所示，本发明实施例提出了一种面向宜机化改造的耕地适宜性评价方法，所述方法包括：
S100、获取原始待改造耕地空间范围矢量数据、高分辨率遥感影像数据，并进行数据预处理，对高分辨率遥感影像进行约束分割，构建待改造耕地对象集；
S200、建立农田宜机化改造适宜性指标评价体系，并建立样本数据集，基于样本数据集训练随机森林分类模型并进行验证测试，通过随机森林分类模型得到各评价指标的权重；
S300、根据所述评价体系以及各指标的权重，获取待改造耕地对象的改造适宜性综合评价结果，并根据预先构建的改造适宜性评价等级标准，对所述评价结果进行改造适宜性等级划分。
本发明实施例提出的一种农田宜机化改造适宜性评价方法，基于多源数据获取待改造的耕地对象，提取待改造耕地对象影像特征，建立农田宜机化改造适宜性评价体系，基于机器学习的方法确定评价体系中各个指标的客观权重，对耕地进行宜机化改造适宜性评价。如图2所示，具体内容如下：
1.待改造耕地对象获取
(1)数据预处理
初始相关数据包括待改造耕地空间范围矢量数据、高分辨率遥感影像数据。为能够利用待改造耕地对象影像特征精确评价地块，所用高分遥感影像分辨率应在2米以内，待改造耕地空间范围矢量数据精度应该在此范围以内。
数据预处理主要对高分辨率遥感影像进行几何校正，以及以待改造耕地矢量数据投影空间为基准进行投影转换。卫星遥感影像、航空遥感影像或者无人机影像在获取过程中都存在着各种几何变形。在应用待改造耕地范围矢量数据时，需对高分影像进行几何校正和投影转换，为保证与待改造耕地范围矢量数据在空间上的一致性，几何校正精度不得低于待改造耕地范围矢量数据精度，且不得超过2个像元。具体校正和投影转换方法可以参考遥感图像处理相关文献或者软件使用说明书，本发明说明书不再累述。
(2)待改造耕地对象集构建
本发明基于待改造耕地范围矢量数据和高分辨率遥感影像数据，采用遥感影像分割的方式获取待改造耕地对象。利用待改造耕地的矢量数据剔除耕地以外的土地利用类型，进一步约束分割高分遥感影像，为后续待改造耕地对象特征提取提供合理的范围，并且使得最终分割提取的影像数据与已有待改造耕地矢量范围保持一致。针对影像特点，对高分辨率遥感影像进行多尺度分割，不断调试相应参数，得到最优分割尺度，生成待改造耕地影像对象。进一步利用待改造耕地的矢量数据判断约束分割结果中的对象是否为待带改造耕地对象，将所有待改造耕地对象构成待改造耕地对象集。
2.评价体系构建以及相应耕地信息获取
从耕地自然地理条件、农机作业便利性、田间基础设施完善度和农田生态环境限制四个方面选取影响农田宜机化改造的因素构建评价指标；
在耕地自然地理条件方面，选取田块坡度、田块高程作为评价指标，田块的高程数据可由待改造耕地的数字高程数据直接获得，田块的坡度利用地理软件ArcGIS10.6坡度分析工具对待改造耕地的数字高程数据计算获得；
在农机作业便利性方面，选取田块形状指数、田块密度、田块集聚度、机耕道通达度和距离农机服务站的距离作为评价指标，
其中田块形状指数计算公式为：
SI为田块的形状指数，E为田块的周长，A为田块的面积；
田块密度的计算公式为：
FD为斑块密度，NP为田块数量，A为评价区域的耕地总面积；
田块集聚度的计算公式为：
BA为田块集聚度，Pi为耕地图斑的周长。
机耕道通达度可利用ArcGIS10.6的缓冲区分析工具计算获得，距离农机服务站的距离可利用地理软件ArcGIS10.6的欧氏距离工具获得；
在田间基础设施完善度方面，选取灌溉排水保证率和农田防护工程完善度为评价指标，灌溉排水保证率指的是能够直接灌溉的耕地面积占评价单元总耕地面积的比值，将土地利用数据中的沟渠提取出来，利用ArcGIS10.6中的缓冲区分析以及叠加分析工具可以将灌溉排水保证率计算出来；农田防护工程完善度指的是农田防护林能够防护的耕地面积占总耕地面积的比值，将土地利用数据中的农田防护林提取出来，利用ArcGIS10.6中的缓冲区分析以及叠加分析工具可以将农田防护工程完善度计算出来。
在农田生态环境方面，选取土壤有机质含量、土壤pH、植被覆盖率为评价指标，土壤有机质含量和土壤pH根据实地土壤取样测土获得，土壤取样方法可依据相关国家标准要求或文献中使用的土壤取样方法，在此不再累述，植被覆盖度以植被归一化指数(NDVI)表示，植被归一化指数由高精度遥感影像解译获得，计算公式为：NDVI＝((NIR-R)/(NIR+R))，NIR为红外波段的像素值；R为红光波段的像素值。
3.指标权重确定
选取样本区域，并利用地理软件ArcGIS10.6提取出样本田块的属性数据，形成数据集，训练随机森林模型并进行验证测试，得到各评价指标的重要性，进而转化为各指标的权重。包括以下三个步骤：
(1)样本数据集建立
选取宜机化程度较高的区域为训练样本区域，利用地理软件ArcGIS10.6提取样本区若干个宜机化程度较高的耕地属性数据，标记为1。然后提取样本区若干个宜机化程度较低的耕地属性数据，标记为0。这里注意选取的宜机化程度高的样本个数与宜机化程度低的样本个数要相同。将这两类数据合并为一个数据集，该数据集包含12个指标属性和1个类别属性。将此数据集划分为训练样本和验证样本两部分，其中，训练样本占总体样本集的70％，测试样本占总样本集的30％，训练样本用于特征选择和随机森林模型建模，验证样本用于精度评价。
(2)特征重要性计算
随机森林算法作为一种有效的预测工具，具有高效、灵活、准确、选择能力强等特点，选择此算法来计算农田宜机化改造适宜性的指标权重是合适的。随机森林是一种基于树决策过程的集成学习算法。这是一种有监督的学习方法，随机森林的可用于分类和回归。计算评价指标的权重是基于其分类功能实现的，在随机森林中的多个决策树中，对于每棵决策树，每输入一个样本都会得到一个分类结果。随机森林算法能够处理高纬度数据，并且由于特征子集选择的随机性，随机森林分类不需要做特征选择并充分保证了每棵树之间的独立性，相比其他算法，随机森林训练速度更快，容易实现并行化计算，同时可以检测特征间的相互影响，在应用于特征遗失的数据集中仍然可以维持精度。如图3所示，本发明选择随机森林分类器进行学习分类，基于样本数据集构建随机森林分类模型，进行各评价指标的重要性计算，随机森林分类模型的学习过程分为以下步骤:
步骤一、有N个样本，则有放回的随机选择N个样本(每次随机选择一个样本，然后返回继续选择)。选择好了的N个样本用来训练一个决策树，作为决策树根节点处的样本。
步骤二、当每个样本有M个属性时，在决策树的每个节点需要分裂时，随机从这M个属性中选取出m个属性，满足条件m<<M。然后从这m个属性中采用某种策略来选择1个属性作为该节点的分裂属性。
步骤三、决策树形成过程中每个节点都要按照步骤2来分裂。一直到不能够再分裂为止。注意整个决策树形成过程中没有进行剪枝。
步骤四、对于要分类的数据集，在每个树的决策之后，根据决策中获得最高票数的分类来确定最终的分类结果。
(3)各指标的权重计算
在数据集中有许多特征，在随机森林中，特征的权重是根据基尼系数计算的，假设集合T包含k个分类，基尼指数计算为：
如果将集合T分成n部分Ti(i＝1,2，…，m)，那么为了计算基尼指数，计算每个分裂节点上用于分裂的变量xi的基尼指数。该分割的基尼指数计算公式为：
一般来说，森林中所有树的每一个变量的平均基尼指数下降值经常被用来估计变量的重要性。因此，特征的权重为：
4.改造分区划分
根据目标耕地的改造适宜性综合评价结果，按照自然断点法将改造适宜性划分为4个等级，为统一指标量纲，采用分等赋分方法进行赋值，其中，不适宜＝25分，边缘适宜＝50分，适宜＝75分，非常适宜＝100分。将区域划分的结果利用地理软件ArcGIS10.6进行数据可视化，能够直观的看出目标区域耕地的改造适宜性情况，根据可视化结果，确定好开展农田宜机化改造工作的优先级顺序，并且确定不同区域的改造重心。
本发明提出的一种面向宜机化改造的耕地适宜性评价方法，充分利用高分辨率遥感影像丰富多元的地物信息优势，基于随机森林分类与地理软件的信息处理实现对耕地改造适宜性的客观评价，在构建评价体系时充分考虑各方面影响因素，将影响农田宜机化改造的经济社会因素以及生态环境考虑进去，使得评价体系更为完善，指标权重确定时采用机器学习的的方法，利用随机森林算法，以大量数据为驱动，计算出各个指标的客观权重，可以克服传统土地适宜性评价方法在评价体系构建时不够全面，指标权重确定不客观等方面的缺陷，为农田宜机化改造工程前期方案规划环节节省工作量，提升农田宜机化改造工作效率。
与上述实施例相对应的，本发明实施例提出了一种面向宜机化改造的耕地适宜性评价系统，所述系统包括：
待改造耕地对象集构建模块，用于获取原始待改造耕地空间范围矢量数据、高分辨率遥感影像数据，并进行数据预处理，对高分辨率遥感影像进行约束分割，构建待改造耕地对象集；
评价体系建立模块，用于建立农田宜机化改造适宜性指标评价体系，并建立样本数据集，基于样本数据集训练随机森林分类模型并进行验证测试，通过随机森林分类模型得到各评价指标的权重；
改造适宜性评价模块，用于根据所述评价体系以及各指标的权重，获取待改造耕地对象的改造适宜性综合评价结果，并根据预先构建的改造适宜性评价等级标准，对所述评价结果进行改造适宜性等级划分。
本发明实施例提供的一种面向宜机化改造的耕地适宜性评价系统中各部件所执行的功能均已在上述实施例中做了详细介绍，因此这里不做过多赘述。
与上述实施例相对应的，本实施例提出了一种计算机存储介质，计算机存储介质中包含一个或多个程序指令，一个或多个程序指令用于被一种面向宜机化改造的耕地适宜性评价系统执行如上实施例的方法。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.一种面向宜机化改造的耕地适宜性评价方法，其特征在于，所述方法包括：
获取原始待改造耕地空间范围矢量数据、高分辨率遥感影像数据，并进行数据预处理，对高分辨率遥感影像进行约束分割，构建待改造耕地对象集；
建立农田宜机化改造适宜性指标评价体系，并建立样本数据集，基于样本数据集训练随机森林分类模型并进行验证测试，通过随机森林分类模型得到评价农田宜机化改造适宜性的各评价指标的权重；
根据所述评价体系以及各指标的权重，获取待改造耕地对象的改造适宜性综合评价结果，并根据预先构建的改造适宜性评价等级标准，对所述评价结果进行改造适宜性等级划分。
2.根据权利要求1所述的一种面向宜机化改造的耕地适宜性评价方法，其特征在于，所述数据预处理，具体包括：
对高分辨率遥感影像进行几何校正，以及以待改造耕地矢量数据投影空间为基准进行投影转换。
3.根据权利要求1所述的一种面向宜机化改造的耕地适宜性评价方法，其特征在于，所述构建待改造耕地对象集，具体包括：
利用待改造耕地的矢量数据剔除耕地以外的土地利用类型，进一步约束分割高分遥感影像，为后续待改造耕地对象特征提取提供合理的范围，并且使得最终分割提取的影像数据与已有待改造耕地矢量范围保持一致；
针对影像特点，对高分辨率遥感影像进行多尺度分割，不断调试相应参数，得到最优分割尺度，生成待改造耕地影像对象；进一步利用待改造耕地的矢量数据判断约束分割结果中的对象是否为待带改造耕地对象，将所有待改造耕地对象构成待改造耕地对象集。
4.根据权利要求1所述的一种面向宜机化改造的耕地适宜性评价方法，其特征在于，所述农田宜机化改造适宜性指标评价体系，具体包括：
从耕地自然地理条件、农机作业便利性、田间基础设施完善度和农田生态环境限制四个方面选取影响农田宜机化改造的因素构建评价指标；
在耕地自然地理条件方面，选取田块坡度、田块高程作为评价指标，田块的高程数据由待改造耕地的数字高程数据直接获得，田块的坡度利用地理软件ArcGIS10.6坡度分析工具对待改造耕地的数字高程数据计算获得；
在农机作业便利性方面，选取田块形状指数、田块密度、田块集聚度、机耕道通达度和距离农机服务站的距离作为评价指标，
其中田块形状指数计算公式为：
SI为田块的形状指数，E为田块的周长，A为田块的面积；
田块密度的计算公式为：
FD为斑块密度，NP为田块数量，A为评价区域的耕地总面积；
田块集聚度的计算公式为：
BA为田块集聚度，Pi为耕地图斑的周长；
机耕道通达度利用ArcGIS10.6的缓冲区分析工具计算获得，距离农机服务站的距离利用地理软件ArcGIS10.6的欧氏距离工具获得；
在田间基础设施完善度方面，选取灌溉排水保证率和农田防护工程完善度为评价指标，灌溉排水保证率指的是能够直接灌溉的耕地面积占评价单元总耕地面积的比值，将土地利用数据中的沟渠提取出来，利用ArcGIS10.6中的缓冲区分析以及叠加分析工具可以将灌溉排水保证率计算出来；农田防护工程完善度指的是农田防护林能够防护的耕地面积占总耕地面积的比值，将土地利用数据中的农田防护林提取出来，利用ArcGIS10.6中的缓冲区分析以及叠加分析工具将农田防护工程完善度计算出来；
在农田生态环境方面，选取土壤有机质含量、土壤pH、植被覆盖率为评价指标，土壤有机质含量和土壤pH根据实地土壤取样测土获得，植被覆盖度以植被归一化指数NDVI表示，植被归一化指数由高精度遥感影像解译获得，计算公式为：NDVI＝((NIR-R)/(NIR+R))，NIR为红外波段的像素值，R为红光波段的像素值。
5.根据权利要求1所述的一种面向宜机化改造的耕地适宜性评价方法，其特征在于，建立样本数据集，具体包括：
选取宜机化程度较高的区域为训练样本区域，利用地理软件ArcGIS10.6提取样本区若干个宜机化程度较高的耕地属性数据，标记为1，然后提取样本区若干个宜机化程度较低的耕地属性数据，标记为0，将这两类数据合并为一个数据集，该数据集包含多个指标属性和1个类别属性，将此数据集划分为训练样本和验证样本两部分。
6.根据权利要求1所述的一种面向宜机化改造的耕地适宜性评价方法，其特征在于，基于样本数据集训练随机森林分类模型并进行验证测试，通过随机森林分类模型得到各评价指标的权重，具体包括：
选择随机森林分类器进行学习分类，随机森林分类模型的学习过程包括：
步骤一、有N个样本，则有放回的随机选择N个样本，即每次随机选择一个样本，然后返回继续选择，选择好了的N个样本用来训练一个决策树，作为决策树根节点处的样本；
步骤二、当每个样本有M个属性时，在决策树的每个节点需要分裂时，随机从这M个属性中选取出m个属性，满足条件m<<M，然后从这m个属性中采用某种策略来选择1个属性作为该节点的分裂属性；
步骤三、决策树形成过程中每个节点都要按照步骤二来分裂，一直到不能够再分裂为止，整个决策树形成过程中没有进行剪枝；
步骤四、对于要分类的数据集，在每个树的决策之后，根据决策中获得最高票数的分类来确定最终的分类结果。
7.根据权利要求1所述的一种面向宜机化改造的耕地适宜性评价方法，其特征在于，基于样本数据集训练随机森林分类模型并进行验证测试，通过随机森林分类模型得到各评价指标的权重，具体包括：
在随机森林中，特征的权重是根据基尼系数计算的，假设集合T包含k个分类，基尼指数计算为：
其中Pj表示类别j出现的频率；
如果将集合T分成n部分Ti，i＝1,2，…，m，那么为了计算基尼指数，计算每个分裂节点上用于分裂的变量xi的基尼指数，该分割的基尼指数计算公式为：
其中，Ni是在子节点Ti处的样本数；N是在母节点T处的样本数；
森林中所有树的每一个变量的平均基尼指数下降值被用来估计变量的重要性，因此特征的权重为：
其中，Dj是第j个特征的重要度。
8.根据权利要求1所述的一种面向宜机化改造的耕地适宜性评价方法，其特征在于，所述改造适宜性评价等级包括不适宜、边缘适宜、适宜、非常适宜。
9.一种面向宜机化改造的耕地适宜性评价系统，其特征在于，所述系统包括：
待改造耕地对象集构建模块，用于获取原始待改造耕地空间范围矢量数据、高分辨率遥感影像数据，并进行数据预处理，对高分辨率遥感影像进行约束分割，构建待改造耕地对象集；
评价体系建立模块，用于建立农田宜机化改造适宜性指标评价体系，并建立样本数据集，基于样本数据集训练随机森林分类模型并进行验证测试，通过随机森林分类模型得到各评价指标的权重；
改造适宜性评价模块，用于根据所述评价体系以及各指标的权重，获取待改造耕地对象的改造适宜性综合评价结果，并根据预先构建的改造适宜性评价等级标准，对所述评价结果进行改造适宜性等级划分。
10.一种计算机存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被一种面向宜机化改造的耕地适宜性评价系统执行如权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211710949.1A CN116129262A (zh) | 2022-12-29 | 2022-12-29 | 一种面向宜机化改造的耕地适宜性评价方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211710949.1A CN116129262A (zh) | 2022-12-29 | 2022-12-29 | 一种面向宜机化改造的耕地适宜性评价方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116129262A true CN116129262A (zh) | 2023-05-16 |
Family
ID=86303936
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211710949.1A Pending CN116129262A (zh) | 2022-12-29 | 2022-12-29 | 一种面向宜机化改造的耕地适宜性评价方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116129262A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116805396A (zh) * | 2023-08-24 | 2023-09-26 | 杭州稻道农业科技有限公司 | 一种基于卫星遥感的农田杂草精准识别方法及装置 |
| CN116843228A (zh) * | 2023-07-21 | 2023-10-03 | 昆明理工大学 | 基于模糊集理论和组合赋权的煤层冲击倾向性评价方法 |
-
2022
- 2022-12-29 CN CN202211710949.1A patent/CN116129262A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116843228A (zh) * | 2023-07-21 | 2023-10-03 | 昆明理工大学 | 基于模糊集理论和组合赋权的煤层冲击倾向性评价方法 |
| CN116843228B (zh) * | 2023-07-21 | 2024-05-14 | 昆明理工大学 | 基于模糊集理论和组合赋权的煤层冲击倾向性评价方法 |
| CN116805396A (zh) * | 2023-08-24 | 2023-09-26 | 杭州稻道农业科技有限公司 | 一种基于卫星遥感的农田杂草精准识别方法及装置 |
| CN116805396B (zh) * | 2023-08-24 | 2023-12-29 | 杭州稻道农业科技有限公司 | 一种基于卫星遥感的农田杂草精准识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116129262A (zh) | 一种面向宜机化改造的耕地适宜性评价方法及系统 | |
| CN109299673A (zh) | 城市群绿度空间提取方法及介质 | |
| CN111062446B (zh) | 基于多源国土资源数据的土地类型分类方法 | |
| CN113205014B (zh) | 一种基于图像锐化的时序数据耕地提取方法 | |
| CN106485718A (zh) | 一种过火迹地识别方法及装置 | |
| CN117541940B (zh) | 基于遥感数据的土地利用分类方法及系统 | |
| CN118094196B (zh) | 基于数据分析的土地利用规划方法及规划系统 | |
| CN113139717B (zh) | 作物苗情分级遥感监测方法及装置 | |
| CN115719453B (zh) | 一种基于深度学习的水稻种植结构遥感提取方法 | |
| CN116129284A (zh) | 一种基于时间序列变化特征的撂荒地遥感提取方法 | |
| CN113344247B (zh) | 一种基于深度学习的电力设施选址预测方法与系统 | |
| Ebrahimy et al. | Modeling dynamic changes of Land Use with Object Based Image Analysis and CA-Markov approach (Case study: Shiraz city) | |
| CN114255247A (zh) | 基于改进Unet++网络模型的丘陵地块深度分割与提取方法 | |
| CN115115948A (zh) | 一种基于随机森林和辅助因子的林地信息精细化提取方法 | |
| Tang et al. | Research on the Network Map Service Technology of Remote Sensing Image Intelligent Conversion Based on Gan Model | |
| van Niekerk et al. | THE APPLICATION OF NATIONAL SCALE REMOTELY SENSED EVAPOTRANSPIRATION (ET) ESTIMATES TO QUANTIFY WATER USE AND DIFFERENCES BETWEEN PLANTATIONS IN COMMERCIAL FORESTRY REGIONS OF SOUTH AFRICA | |
| CN109523143A (zh) | 一种基于多粒度计算的土地评价方法 | |
| CN112598206B (zh) | 基于生态位理论的富硒土壤资源开发利用适宜性评价方法 | |
| CN118012977B (zh) | 一种基于ai与gis融合的二三维多模态数据处理方法 | |
| Gu et al. | An object-based semantic classification method of high resolution satellite imagery using ontology | |
| Huang et al. | Temporal analysis of urban forest in Beijing using Landsat imagery | |
| Duan et al. | Evaluation of Cultivated Land Productivity Based on the Perspective of Big Data | |
| Tang | Ecological garden landscape with nanotechnology design and application effect evaluation considering geotechnical characteristics | |
| Jia et al. | Present Situation and Trend of Remote Sensing Land Use/Cover Classification Extraction | |
| Li et al. | Using high-throughput phenotype platform MVS-Pheno to reconstruct the 3D morphological structure of wheat |
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 |