基于县域耕地地力评价的耕地管理分区研究——以山东省青州市为例

基于GIS技术选取合适评价因子,运用层次分析、模糊评价等方法对青州市耕地进行定量化评价。利用模糊C均值聚类法对评价结果进行分区研究,揭示该市耕地质量整体较好;依据FPI和NCE指数确定最佳分区数目为3个,由北向南耕地地力依次降低,受地形因素影响较大;利用模糊聚类方法进一步对分区1进行划分,分为6个管理子区,得到了内部更为均衡的分区管理单元,为统一采取管理措施提供了有益的参考。     

基于FCM的绿洲农田养分管理分区研究

 【目的】以天山北麓绿洲农耕区——新疆农八师148团农田为研究对象,以193个耕层土壤（0～30 cm）有机质、碱解氮、速效磷和速效钾含量的分析数据为变量进行农田土壤养分精确管理分区研究。【方法】模糊c-均值聚类法被用来进行分区,以棉田产量为外部变量,采用FPI、c-φ多次组合法及基于外部变量的多元回归法来确定适宜的模糊控制参数。【结果】研究区最佳分区数为4,模糊指数为1.6。各管理分区土壤养分的变异系数都较分区前全研究区有所减小,而分区间土壤养分差异显著。研究区的平均混乱度指数为0.19,不同模糊类别交叠程度小,地理空间上土壤的隶属关系相对明确。【结论】通过选取适宜的外部变量,模糊c-均值聚类法可以较好地进行管理分区划分,分区结果可以作为变量施肥的单独作业单元进行耕作管理。     

基于模糊聚类分析的田间精确管理分区研究

【目的】以海涂围垦区盐碱土为研究对象，将从SPOT遥感影像提取出的NDVI数据和盐碱地土壤生产力的主要限制因子盐分数据及部分养分数据作为变量进行精确农业管理分区研究。【方法】模糊c均值聚类方法被用来进行分类分区，并引入了模糊聚类指数和归一化分类熵两种分区效果评价指标，对分区结果进行比较和评价。【结果】本研究区，最佳的分区数目为3个。对处于每一子区内土样的化学特性和实测棉花产量数据进行方差分析，发现其均值在所定义的每个管理分区内都存在着统计意义上的显著差异性，其中子区3具有最高的肥力水平和作物产量，而子区1最低。【结论】利用所选取的变量，模糊c均值聚类算法可以较好地进行管理分区划分。分区结果不但可以指导采样，而且可用于实施变量投入和精确施肥推荐，为样区土壤管理提供科学的决策依据。     

精准农业中管理区划分方法研究

综述了近年来国内外在精准农业中农田管理区划分上应用的主要方法,包括K均值聚类算法、模糊C均值聚类算法、加权模糊聚类算法、粒子群优化算法以及改进的蚁群聚类算法。概述了各种方法的原理,比较了各种处理方法的优缺点,并对分区方法做了简要概括,最后指出了目前研究中存在的问题及今后的研究方向。     

联合模糊c-均值聚类模型

提出一种新的结合了模糊c-均值聚类（FCM）算法和可能性c-均值聚类（PCM）算法优点的联合模糊c-均值聚类（AFCM）算法。它克服了PCM对初始值敏感、易产生一致性聚类的缺点，是PCM的扩展算法。试验表明：AFCM能同时产生隶属度和典型值，从而更好地处理噪声，避免了一致性聚类，同时提高了聚类准确性。     

改进的模糊C均值聚类算法和霍夫变换在榛子仁缺陷检测中的应用

以榛子仁为检测样本,采用模糊C均值聚类(FCM)算法进行图像分割;利用飞蛾扑火(MFO)算法改进其目标函数;利用函数对个体样本边缘提取,标记边缘拐点位置,计算拐点个数;对边缘图像进行霍夫(Hough)变换的椭圆曲线拟合,标记并输出饱满籽粒个数;依据试验数据,分析应用改进的模糊C均值聚类算法和霍夫变换对榛子仁缺陷检测的效果.结果表明:改进的模糊C均值聚类算法和霍夫变换,可以准确有效地对饱满、干瘪、霉斑、虫蛀、腐烂的5种榛子仁中的缺陷籽粒进行识别检测,提高榛子仁加工过程中的分拣效率.     

k-均值聚类算法及其应用

K均值聚类算法是聚类方法中使用相对广泛的一种算法。K均值聚类算法将K作为人工事先设定的一个聚类参数,也就是目标把N个样本对象数据划分为K个簇类,使每个簇内样本对象都具有相对较高的相似度。然而在使用k均值聚类算法的时候,预先要确定想要聚类的类别数k,但是有时有又无法得到最合适的聚类数k,也就加大了人工计算量。     

基于参数优化改进型可能聚类的遥感图像分割

可能聚类算法(PCA)和可能C-均值聚类算法(PCM)对初始值非常敏感,容易产生一致性聚类。改进型可能C-均值聚类算法(IPCM)能解决PCM的问题,然而IPCM的执行更依赖于参数。IPCM必须计算参数两次,因此聚类时间长。为了克服PCA和IPCM的缺点,进而应用于复杂的遥感图像分割,将PCA和IPCM相结合,提出了一种基于参数优化的改进型可能聚类算法(IPCAOP)。实验表明,IPCAOP在处理遥感图像分割方面明显优于模糊C-均值聚类(FCM)和IPCM。     

徐州新城区绿化土壤适宜性分区研究

城区绿化栽种植物种类多,相对区域较小,利用灰色聚类法把预种植物分配到土壤相对适宜的区域是一种较为可行的方法。在聚类分区中利用各级线性地物划分聚类对象,并对种类繁多的植物简要分类十分重要。应用该方法对徐州新城区大龙湖周边土壤适宜性进行了分区。     

密度K均值聚类算法及在复杂网络分析中的应用

现代信息社会中,许多实际问题都归结为复杂网络中模块问题的研究,而聚类方法是研究复杂网络中模块性的重要方法。本研究将基于视觉原理的密度聚类算法与传统的K均值聚类算法相结合,提出了一种新的聚类算法,即密度K均值聚类算法。该算法在一定程度上克服了传统的K均值聚类算法易受异常点影响和无法确定聚类数的问题,具有对初始参数不敏感、可发现任意形状的聚类,以及能找到最优聚类等优点。基于此,以城市建通网络中交巡警指挥平台的设置问题为例,通过Matlab程序求解说明了所给出聚类算法的应用。     

基于土壤养分-景观关系的土壤采样布局合理性研究

以研究区域8个地形因子和5个土壤常规养分数据为研究对象,应用空间分级统计技术将地形因子分为5个级别,采用Pearson相关性分析各分区上的样点,并对不同采样布局下地形因子与土壤养分间的Pearson系数进行相似性分析。结果表明:不同采样方案下,地形因子与土壤养分间的Pearson系数相似性程度在99%以上,说明研究区内存在固定的关系模式。4种采样方案中,含有3 661个采样点的方案C获取的关系模式与典型关系模式特征最接近,因此,利用方案C采样能够准确高效地获取土壤信息。     

基于模糊C均值的桉树茎切片图像纤维细胞区域提取技术

介绍了一种自适应提取桉树茎切片图像中纤维细胞区域的图像处理技术．先制作桉树茎切片,通过数码显微镜获取桉树茎切片彩色图像．将彩色图像转换为CIE L^*a^*b^*彩色空间,用模糊C均值聚类算法(FCM)对a^*、b^*通道进行模糊聚类分析,计算出各种颜色细胞的聚类中心,以各个象素a^*、b^*分量的值与各个聚类中心之间的欧氏距离来区分各种细胞,然后提取出纤维细胞区域．结果表明,在CIE L^*a^*b^*空间使用FCM方法是提取桉树茎切片图像纤维细胞区域的有效方法．     

基于模糊C均值聚类的林地遥感图像分类研究

在以往国内外相关研究的基础上,以我国东北长白山系典型林区为试验区,以2007年7月Landat5卫星TM多光谱图像为遥感数据,运用模糊C均值聚类方法对遥感图像进行分类试验．分类结果显示：模糊C均值分类方法在总分类精度和Kappa系数上都占有一定的优势,比传统分类方法有着更好的分类效果．模糊C均值方法在林地植被的遥感分类中具有较好的应用前景．     

基于AP聚类算法的图像分割应用与研究

针对传统聚类算法在图像分割中对聚类中心选择敏感,可靠性差的缺点,本文采用AP聚类算法研究图像分割问题。AP(Affinity propagation)聚类算法是通过数据点之间的信息传递产生高质量的聚类中心,避免了聚类初始中心选择难的问题。本文通过与K均值算法和模糊C均值算法在图像分割中的实验比较,得出本算法优于其他两种算法,对图像可取得良好的分割效果。     

一种约束的改进可能性C均值聚类方法研究

【目的】针对改进的可能性C均值聚类方法(IPCM)运算效率低,难以处理复杂数据结构的问题,提出了一种约束的改进可能性C均值聚类方法(CIPCM).【方法】CIPCM方法采用多项式核将特征向量映射到一个隐性特征空间,便于处理复杂的数据结构;引入两个成对约束集合,降低聚类迭代次数,提高运算效率和抗干扰能力.实验采用国际公认的UCI公共测试数据集,并用错分率指标评测了目标分类性能.【结果】CIPCM方法的聚类错分率低,对噪声的鲁棒性强.【结论】CIPCM运算效率比高于改进可能性C均值聚类方法.     

基于熵权法加权的模糊C均值聚类算法研究

针对模糊C均值聚类算法不能区分数据各属性之间的不平衡性,提出了一种基于熵权法加权的模糊C均值聚类算法。该算法首先应用熵权法计算各属性的权重系数,然后对标准化之后的原始数据进行加权,最后应用模糊C均值聚类算法对加权之后的数据进行聚类。实验表明,该算法聚类准确率要明显高于未加权的模糊C均值聚类算法。     

基于H分量K-Means多种环境条件下谷子冠层图像提取

以谷子为研究对象,采集谷子阴天、背景复杂有阴影、光照不均、露水雨水反光4类环境条件下的冠层图像,分别采用超绿分割、Lab空间K均值聚类分割和基于H分量的K均值聚类分割3种算法进行冠层提取,探究不同条件下谷子冠层提取的最优方法。对于阴天和背景复杂有阴影的谷子冠层图像,3种算法均可以较完整地提取,分割准确率均达到93%以上;对于光照不均的图像,超绿分割效果最差,基于Lab空间和基于H分量下的K均值聚类分割效果相对优异,分割准确率分别为93%和96%;对于露水雨水反光的图像,基于H分量的K均值聚类分割准确率最高,达到97%。基于H分量的K均值聚类算法对4种不同环境条件下获取的谷子冠层图像分割效果均较理想,为后续谷子生长自动监测提供了一定的参考价值。     

辽西粮田土壤养分的空间变异性──以阜新县建设镇粮田土壤为例

通过在较大范围内的土壤养分空间变异的研究,探讨土壤养分分区管理的可行性,为分区平衡施肥技术提供理论基础。本研究采用传统的M3方法与高效土壤养分分析设备相结合。结果表明,土壤OM、Cu、Fe、Mn和Zn普遍缺乏,其有效含量低于临界值的土样数目占总土样数目的值分别为97.5%、76.9%、69.0%、82.6%、98.6%。不同土壤养分的变异情况各不相同,变异系数在6.9%～88.6%。其中土壤Zn测试值变异最大,其变异系数为88.6%;OM、Cu、Fe和Mn次之,变异系数在31.3%～60.9%;土壤pH测试值变异较小,变异系数为6.9%。研究证明主要土壤养分P、K、Mn和Zn等含量在较大范围内存在着空间相关性,这说明在较大范围内进行土壤养分分区管理是可行的。     

不同玉米种植土属养分的模糊聚类评价

为玉米种植土壤养分管理提供科学的理论依据,以山西省晋中市和顺县玉米种植土壤为研究对象,基于对其不同土属耕层土壤(0~20 cm)有机质、全氮、速效磷和速效钾含量的分析数据,利用模糊聚类法对其养分适宜性进行评价,明确不同玉米种植土属养分的限制性因素。结果表明,基于模糊聚类理论的不同玉米种植土属土壤养分评价方法获得了较好的评价结果,评价对象的最佳分类数为4,地理空间上土壤隶属关系相对明确,可用于实施平衡施肥推荐。     

航拍油菜花图像的自动聚类分割方法

为了实现航拍大田油菜花的准确分割,本文提出了一种基于HSI颜色空间阈值和X均值自动聚类算法相结合的分割方法来有效提高分割精度。先将待分割的原始图像转换到HSI颜色空间,通过设定的颜色阈值对目标区域进行定位,实现初步分割,得到候选目标区域;然后将候选目标区域的像素转换至LAB颜色空间,计算候选区域的a、b通道的均值和方差;最后利用得到的均值和方差作为聚类的约束条件,利用X均值自动聚类算法对原图像的a、b通道进行聚类。实验结果表明,本文提出的方法能够克服变化的背景的影响,准确提取油菜花区域;相对于传统的聚类方法,本方法不需要预先设定聚类数,从而实现完全自动的分割。