黃 芬，朱金誠，張小虎，劉通宇，朱 艷

區(qū)域尺度農業(yè)管理分區(qū)的無監(jiān)督特征選擇與破碎度優(yōu)化算法

黃 芬1,2，朱金誠1，張小虎2，劉通宇1，朱 艷2

（1. 南京農業(yè)大學信息科學與技術學院，南京 210095； 2. 南京農業(yè)大學國家信息農業(yè)工程技術中心，南京 210095）

針對區(qū)域尺度管理分區(qū)指標篩選與分區(qū)破碎問題，提出基于指標相關性聚類的無監(jiān)督過濾式指標選擇方法FSCC（feature selection based on correlation clustering algorithm，F(xiàn)SCC）與基于一致性和完整性的指標優(yōu)化方法（consistency and integrity optimization，CIO）。以中國主要冬小麥種植區(qū)為研究區(qū)域，氣象、土壤、地形等小麥生長相關指標為數(shù)據(jù)源，研究區(qū)域從大到小劃分為4個尺度，首先選用最大方差、拉普拉斯得分2種傳統(tǒng)過濾式特征選擇方法與FSCC分別進行4個尺度的管理分區(qū)指標篩選，對比基于3種方法篩選指標集構建的管理分區(qū)劃分結果，評價FSCC分區(qū)指標選擇方法；其次，設計指標優(yōu)化算法，對4個尺度篩選的指標集分別進行一致性與完整性分析與優(yōu)化。結果表明：相較最大方差法和拉普拉斯得分法，F(xiàn)SCC篩選指標的分區(qū)效果具有較好表現(xiàn)，如皋2.5km處，其評價指標模糊性能指數(shù)（FPI）、歸一化分類熵（NCE）和修正分離熵（MPE）均低于另外2種方法52.44%、49.45%和49.52%；CIO在如皋、南通尺度下有效剔除分區(qū)破碎指標，分區(qū)完整性明顯，除南通10 km外，CIO比FSCC的指標集，F(xiàn)PI、NCE、MPE分別平均低0.078、0.061、0.082，相對提升了FSCC的分區(qū)效果。

農業(yè)；管理分區(qū)；算法；特征選擇；過濾式；一致完整性優(yōu)化；區(qū)域尺度

0 引 言

管理分區(qū)是對具有相似地形、土壤和作物特征的區(qū)域定義與劃分[1]。農作管理分區(qū)按照區(qū)劃尺度可分為田塊尺度和區(qū)域尺度，目前，田塊尺度的管理分區(qū)研究多針對田塊內部土壤（肥力、墑情）及作物長勢（苗情、蟲情、病情等）的差異制定田塊內部基本的管理單元，通過結合變量作業(yè)可推進肥水、農藥的精確投放[2-3]；區(qū)域尺度的農作管理分區(qū)是根據(jù)農作投入、實施、產出等要素的空間差異研究制定合適的基本農作管理單元劃分，美國制定的農作管理分區(qū)USGS-NRCS Crop management zones[4]，其區(qū)域尺度有效突破了行政區(qū)劃，達到國家尺度的區(qū)域范圍，可見，農作管理分區(qū)的研究已從田塊尺度貫穿到“園區(qū)—區(qū)域”的全尺度范圍。進行區(qū)域尺度的管理分區(qū)研究，是突破田塊尺度的有益嘗試，進一步的分區(qū)管理方案制定，可幫助農技人員提供大尺度的區(qū)域農事操作指導，更好的優(yōu)化其服務的形式，也是目前中國農技推廣改革面臨的一大重要問題。黃寶榮等[5]指出管理分區(qū)遵循主導因素原則，即選取能反映區(qū)域相關特征及其影響因素分異的主導因素為確定分區(qū)邊界的主要根據(jù)，因此精確、合理的分區(qū)指標選擇對管理分區(qū)結果有重要影響[6]。隨時間更新及研究區(qū)域尺度變化，為降低指標數(shù)據(jù)采集難度及后續(xù)分區(qū)研究的復雜度，在保留分區(qū)主導指標、保證管理分區(qū)效果的同時，應盡量縮減分區(qū)指標集。

管理分區(qū)指標的確定常采用專家主觀評判法與多元統(tǒng)計等方法。前者依靠相關領域專家意見篩選指標，存在一定主觀偏差。多元統(tǒng)計法的應用中[1]，Bazzi等[7-8]使用空間相關分析法進行了特定研究區(qū)域的管理分區(qū)變量選擇研究；Fraisse等[9-12]引入了主成分分析方法；Córdoba等[13-14]基于莫蘭指數(shù)提出了多源空間主成分分析法； Gavioli等[1]探索了管理分區(qū)的指標組合構建方法，借助產量指標對PCA、MULTISPATI-PCA等組合指標進行有監(jiān)督分析，并提出新的MPCA-SC指標。上述方法基于原始指標集進行的有監(jiān)督線性變換組合的新指標變量，無法有效縮減分區(qū)研究中的原始指標個數(shù)，屬于機器學習研究領域的特征提取方法[15]，機器學習領域的另一降維方法——特征選擇方法，通過選取原指標集的子集達到保留重要特征及降維目的。

常見特征選擇有過濾式、包裹式與嵌入式3類[15]。其中，過濾式根據(jù)數(shù)據(jù)的結構特點來選擇特征指標[16]，具有選擇快與無需監(jiān)督信息等優(yōu)勢，且其選擇過程與后續(xù)學習器無關[15]，應用于管理分區(qū)研究，體現(xiàn)為分區(qū)指標選擇與后續(xù)分區(qū)方法無關，可一定程度降低分區(qū)算法的復雜度。最大方差法與拉普拉斯得分法是兩種傳統(tǒng)的過濾式特征選擇方法[16]。

當前管理分區(qū)研究中，分區(qū)破碎問題導致分區(qū)中孤立單元或碎片較多，不便于農機設備的田間變量管理作業(yè)[17]和區(qū)域管理方案的分配。李翔等[17]提出的分區(qū)算法SKCM，在分區(qū)階段可有效去除大量孤立單元與碎片，但尚未涉及分區(qū)指標對分區(qū)結果破碎性影響的研究。

目前，田塊尺度的管理分區(qū)多采用有監(jiān)督特征提取進行指標篩選，難以有效減少原始分區(qū)指標數(shù)量，且需采集相應監(jiān)督信息，同時，分區(qū)完整性的提升與處理研究中未兼容考慮指標導致的破碎性問題。本文基于相關性與AP聚類[18]提出一種新的無監(jiān)督過濾式管理分區(qū)指標篩選方法FSCC；同時，提出新的分區(qū)破碎度評價指標FMZ（fragmentation of management zones，F(xiàn)MZ），協(xié)同Kappa系數(shù)從分區(qū)一致性與完整性角度研究提出指標集的優(yōu)化方法CIO，優(yōu)化FSCC指標篩選結果。

1 數(shù)據(jù)和方法

1.1 數(shù)據(jù)

1.1.1 數(shù)據(jù)來源

研究區(qū)域為中國冬小麥主要種植區(qū)，按尺度選擇冬小麥主產區(qū)、江蘇省、南通市、如皋市4個試驗區(qū)域。下文將冬小麥主產區(qū)簡稱為冬麥區(qū)。

研究指標集選擇氣象、土壤、地形三大類。氣象指標[19]包括累積有效日照時長(SSDsum)、累積有效積溫[20]（GDDsum）、累積降水量（PREsum）、平均降水量（PREavg）、平均氣溫日較差（TDRavg）；土壤指標[21-22]包括有效磷（AP）、速效鉀（AK）、全氮（TN）、有機質（OM）、酸堿度（pH值）；地形指標[23]包括高程（DEM）、坡度（SLO）、坡向（ASP）。

氣象指標計算基于2000年1月－2014年7月的日最高氣溫、日最低氣溫、20-20時累積降水量和日照時數(shù)，其中，2000年1月－2010年12月采集自國家氣象局“1951－2010年中國2474個國家級地面站數(shù)據(jù)更正后的月報數(shù)據(jù)文件（A0/A1/A）基礎資料集”，2011年1月至2014年5月采集自各省上報至國家氣象信息中心的地面月報數(shù)據(jù)文件，2014年6－7月采集自國家氣象信息中心實時數(shù)據(jù)庫。

土壤數(shù)據(jù)集取自中國科學院南京土壤研究所構建的中國土種數(shù)據(jù)庫，來源于1978－1984年全國第二次土壤普查匯總成果，是目前時間節(jié)點和采樣節(jié)點分布均為最新的全國土壤普查數(shù)據(jù)[24-25]。

地形指標計算基于數(shù)字高程模型（DEM），DEM取自地理空間數(shù)據(jù)云網(wǎng)站的SRTM DEM數(shù)據(jù)產品，測圖任務時間為2000年2月11日－2月22日，選用中國范圍90 m分辨率柵格源數(shù)據(jù)。

1.1.2 試驗區(qū)域尺度劃分

一定采樣尺度只能揭示特征指標的某一空間結構特征[26]，尺度常通過空間范圍所決定的幅度及最小可辨識單元的粒度（如采樣網(wǎng)格大小、像元、分辨率）表現(xiàn)[27]。

為有效提取管理分區(qū)指標的空間尺度特征，首先對研究區(qū)域的空間幅度從小到大劃分為四級：縣級、市級、省級、冬麥區(qū)級，其中，縣級為如皋市；市級為南通市；省級為江蘇省全?。欢渽^(qū)級覆蓋天津、山東全省以及北京、河北、山西、甘肅、陜西、河南、江蘇、安徽省部分地區(qū)。

在空間粒度上，根據(jù)研究區(qū)域各級幅度的范圍大小，從高到低確定數(shù)個空間分辨率。試驗中，如皋市的粒度（分辨率）為1、2.5 km；南通市為5、10 km；江蘇省為10、25 km；冬麥區(qū)級為50、100 km。下文將區(qū)域幅度統(tǒng)稱為尺度，粒度統(tǒng)稱為分辨率。

1.1.3 數(shù)據(jù)預處理

按照1.1.2節(jié)的尺度與分辨率設計，對氣象、土壤及地形源數(shù)據(jù)分別進行4個尺度下各分辨率的柵格預處理，并通過柵格計算求取1.1.1節(jié)所需指標。對90m分辨率的地形柵格源數(shù)據(jù)，首先通過ArcGIS軟件提取ASP與SLO，其次進行重采樣[28]獲取所需分辨率的柵格指標；氣象和土壤源數(shù)據(jù)為帶有空間定位信息的離散采樣數(shù)據(jù)，土壤數(shù)據(jù)采用ArcGIS軟件進行克里金插值[29-31]獲得所需各分辨率柵格指標；氣象柵格指標的計算：首先采用AUNSPLIN對2000年1月－2014年7月的原始氣象數(shù)據(jù)進行空間插值[32-33]獲得各年的日有效日照時長（SSD）、日有效積溫（GDD）、日降水量（PRE）和氣溫日較差（TDR）的各分辨率柵格數(shù)據(jù)；其次，選用當年冬小麥拔節(jié)期、開花期和成熟期這3個關鍵生育期的日值，對SSD、GDD和PRE累計求和得到每年SSDsum、GDDsum和PREsum，對PRE和TDR累計求和并計算均值得到每年PREavg和TDRavg。其中GDD及TDR計算公式如下：

式中GDD為日有效積溫，TDR為氣溫日較差，max為日最高氣溫，min為日最低氣溫，0為基點溫度，0此處設0 ℃。

最后按各尺度各分辨率所覆蓋地理范圍，分別掩膜提取各氣象、土壤及地形指標數(shù)據(jù)，構建原始管理分區(qū)指標集。

1.2 評價指標

1.2.1 篩選結果評價指標

模糊C均值算法FCM大量用于土壤、地形地貌和遙感數(shù)據(jù)等相關聚類中[34]，本研究選用FCM對3種篩選方法提取指標集構建管理分區(qū)，并選取3種模糊聚類效果評價指標模糊性能指數(shù)[35]（FPI），歸一化分類熵[36]（NCE）和修正分離熵[37]（MPE）評價篩選分區(qū)指標的分區(qū)效果。

設為聚類簇數(shù)，F(xiàn)CM應用于管理分區(qū)，則對應為分區(qū)類別數(shù)，為樣本數(shù)目，μ為第個樣本歸屬于第個簇的隸屬度。FPI是衡量樣本在個簇間分離程度的指標，其變化范圍為0到1之間，其值越小則樣本在簇間的分離程度越小，分類效果越明顯。

NCE是衡量樣本集被劃分為不同簇而造成的數(shù)據(jù)組織的破壞程度的指標，其變化范圍為0到1之間。NCE的值越小，則聚類所得各管理分區(qū)內像元屬性之間的相似程度越高，聚類效果越明顯。

MPE是衡量各簇間模糊程度的指標。MPE值越接近0，則構造簇間模糊程度越小，聚類效果越明顯。

1.2.2 一致完整性優(yōu)化評價指標

對FSCC篩選指標的進一步優(yōu)化以保持縮減指標集前后分區(qū)的一致與完整為目的，因此引入一致性評價指標Kappa系數(shù)，提出完整性評價指標破碎度FMZ。

Kappa系數(shù)[38]用于一致性檢驗，其計算基于混淆矩陣，可用來比較圖件[39]。Kappa系數(shù)的計算結果為-1~1。兩張分區(qū)圖完全一樣時=1；通常≥0.75時，2圖件的一致性較高，變化??；0.4≤≤0.75時一致性一般，變化明顯；≤0.4時，一致性較差，變化較大[40]。

景觀生態(tài)格局分析中常用聚集度和破碎度定量評價景觀生態(tài)中斑塊的聚集程度[17]，其算法適用于不同景觀要素在同一分類圖中的比較，生境破碎化指數(shù)用于描述景觀中某生境類型在給定時間和給定性質上的破碎化程度[41]，但其并不適用于同一管理分區(qū)在不同分類圖中的分析與評價。李翔等[17]從管理分區(qū)像元間的空間相鄰性出發(fā)，選擇相鄰像元邊個數(shù)為破碎指標，將像元邊長單位化，求各斑塊的周長平均值。該方法適用于同一管理分區(qū)在同一幅度、同一分辨率下分類圖的分析評價，不適用于多尺度分類圖評價。分區(qū)同一邊長在不同分辨率下對應不同單位長度，導致破碎度隨分辨率提高而增大，且該指數(shù)僅與像元邊長單位化的斑塊周長相關，受斑塊形狀影響較大。

景觀斑塊密度[42]可反映景觀破碎化程度，其采用密度的方式可以減少尺度對破碎度衡量的影響。

針對多尺度管理分區(qū)破碎度問題，以景觀斑塊密度為基礎提出新的完整性評價指標破碎度FMZ。

管理分區(qū)中一個分類圖被分為類分區(qū)，研究需要評價類分區(qū)在分類圖中的綜合破碎程度。當一類分區(qū)為一個完整斑塊時，將該分區(qū)的破碎度值設為0。設第類分區(qū)的破碎度為F，斑塊數(shù)為P，分區(qū)總面積為S，可得：

加權各分區(qū)破碎度求和，可得管理分區(qū)綜合破碎度指標：

式中FMZ為管理分區(qū)綜合破碎度，為分區(qū)類別數(shù)；為管理分區(qū)總面積，km2；為管理分區(qū)的總斑塊數(shù)。

1.3 基于指標相關性聚類的過濾式指標選擇

1.3.1 最大方差法

最大方差法（Variance）通過計算各指標方差來評價該指標所具有數(shù)據(jù)信息量的表現(xiàn)[16]，進行方差排序可達到無監(jiān)督特征重要性評價與指標選擇的目的。第個指標f的方差V越大，則該指標的值在該維度越分散，更能反映信息總體分布，f越重要；V越小，則f的值變化越小，只反映局部信息，f越不重要。

1.3.2 拉普拉斯得分法

拉普拉斯得分法（Laplacian Score）也是一種過濾式無監(jiān)督特征選擇算法，由He等[43]基于拉普拉斯特征映射和局部保留投影方法提出[16]。其依據(jù)各指標的分布、范圍和與其鄰近點的權重計算對應的拉普拉斯得分。該得分反映數(shù)據(jù)局部保存能力與局部分布情況，得分越小則特征越好[16]。在管理分區(qū)指標篩選中，指標得分越小，對應指標更重要。

1.3.3 基于相關性聚類的指標篩選FSCC

與作物生長密切相關的環(huán)境指標攜帶研究管理分區(qū)的有效信息，且這些環(huán)境要素間存在一定程度的相關關系[44]，其中呈強相關的指標必定表現(xiàn)為攜帶有效分區(qū)信息的重疊性[45]。

皮爾森相關系數(shù)[46]常用于度量2個變量間線性關系的強弱，其計算方法如下：

式中為皮爾森相關系數(shù)，Cov(,)為變量與變量的協(xié)方差，σ與σ為變量與變量的標準差。

FSCC首先對1.1.3節(jié)的原始管理分區(qū)指標集計算皮爾森相關系數(shù)，據(jù)此構建相關矩陣；其次，將相關矩陣行向量作為對應指標變量進行AP聚類。獲取的聚類結果中，認為高度相關且整體數(shù)據(jù)關系結構高度相似的同簇指標，攜帶了重疊的分區(qū)有效信息，且簇中心指標可反應同簇指標的分區(qū)特征，故FSCC選取各簇中心指標構成篩選后的初始分區(qū)指標集，在去除同簇冗余指標的同時保留原有數(shù)據(jù)的整體特征。

AP聚類是一種基于近鄰信息傳遞的聚類算法，相較于傳統(tǒng)聚類算法具有無需給定聚類類別數(shù)的優(yōu)勢，避免了聚類結果受限于初始類代表點的選擇，同時能很好解決非歐空間問題[47]。

1.4 基于一致性和完整性的指標優(yōu)化CIO

FSCC保留了原指標集的整體特征，而導致分區(qū)破碎的指標亦可能保留。為進一步約減指標集和過濾破碎指標，從一致性與完整性角度在FSCC基礎上進行優(yōu)化方法的研究。CIO設計采用“后向”搜索策略，每次嘗試去掉一個無關特征來逐漸縮減指標集[15]。設每輪待篩選集為父層，去掉其任意一個元素的指標集為其子層。CIO依據(jù)子層與父層對應分區(qū)圖間的Kappa系數(shù)及各子層集合對應分區(qū)圖破碎度FMZ，對指標集進行逐層篩選和分支選擇，最終確定優(yōu)化的指標集。

記FSCC篩選的初始指標集為M，kappa(,)為指標集與對應管理分區(qū)圖間的Kappa系數(shù)，Tkappa為Kappa系數(shù)閾值，fra(,)為指標集與對應管理分區(qū)圖破碎度FMZ的差，Tfra為破碎度差的閾值。CIO算法如下：

1）輸入指標集M和，設=，M=M。為M包含的指標數(shù)。

4）所有分支篩選終止時，在備選指標集中選擇元素最少的集合作為最終候選指標。若最終候選指標唯一，則確定其為最終指標集；否則選取篩選路徑累積Kappa系數(shù)最大的最終候選指標集作為最終指標集。

5）輸出篩選優(yōu)化的最終指標集。

Kappa系數(shù)評價縮減前后指標集分區(qū)特征的一致性，改變閾值Tkappa可調節(jié)分區(qū)一致性的精度，閾值越高，分區(qū)一致性越高；FMZ修正分區(qū)過于破碎的指標集，調節(jié)破碎度閾值Tfra可調節(jié)分區(qū)完整性，閾值越低，分區(qū)相對完整性越好。

2 結果與分析

2.1 初步指標集的構建與評價

2.1.1 分區(qū)效果評價

3種方法篩選指標集的分區(qū)聚類結果評價見表1，F(xiàn)SCC僅在冬麥區(qū)50km和100km的效果沒有優(yōu)勢，其他尺度下3項評價指標均顯著低于兩種傳統(tǒng)方法。其中，F(xiàn)SCC在如皋2.5km的指標優(yōu)勢最為顯著，其FPI、NCE、MPE值相較最大方差和拉普拉斯得分法均分別低52.44%、49.45%和49.52%，在效果不顯著的冬麥區(qū)，F(xiàn)SCC相對最大方差法在50km處指標值最高，但FPI、NCE、MPE值僅高7.28%、7.30%和7.49%，F(xiàn)SCC相對拉普拉斯得分法在100km處指標值最高，但僅高8.78%、4.93%和4.96%。可見，除冬麥區(qū)50、100 km尺度，F(xiàn)SCC篩選指標的分區(qū)聚類表現(xiàn)優(yōu)于2種傳統(tǒng)方法。

表1 3種指標篩選方法分區(qū)效果評價

2.1.2 指標集分析

3種方法各尺度下的指標篩選結果見表2：累積降水量與平均降水量、累積有效日照時長與平均氣溫日較差、AK與pH值、TN與OM常屬同簇。平均降水量的計算基于累積降水量和當年生育期天數(shù)，相關研究顯示日照與溫度有一定的相關性[48]、pH值與土壤速效鉀含量極顯著相關[49]、土壤有機質含量與土壤總氮量間呈正相關[50]，體現(xiàn)FSCC對冗余環(huán)境要素有效判斷、分類的能力；如皋、南通、江蘇等地勢低平，坡向，高程和坡度等相關性較高地形指標各分辨率下均劃分為同簇，地形復雜多變的冬小麥主產區(qū)則分為不同簇，反映FSCC對地形指標的劃分與區(qū)域客觀地形地貌的變化相吻合。可見，F(xiàn)SCC從同簇高相關性指標中挑選簇中心指標，剔除冗余指標，降低了重要指標被誤篩的概率，表現(xiàn)出具有提取表達部分指標間相關性以及指標與對應客觀環(huán)境間聯(lián)系的能力。

最大方差法以方差衡量指標間的離散程度，并基于方差值排序篩選指標，拉普拉斯得分法計算單一指標與剩余指標間的距離分值，并傾向于選擇分值低的指標。兩種方法對指標間潛在關系的忽略，易導致重要特征指標誤篩和保留冗余指標的問題。4個尺度各分辨率下篩選的指標集，最大方差法幾乎涵蓋了方差值非常接近的坡向，高程和坡度3個地形指標，如皋、南通、江蘇地形變化小，指標間高度相關，地形指標表現(xiàn)出自身方差值非常接近的特點，導致最大方差法未能有效剔除坡向，高程和坡度3個冗余地形指標；拉普拉斯得分法在如皋尺度各分辨率下均選擇了全部地形指標、江蘇與冬麥區(qū)所有分辨率下全氮與有機質同時獲選、冬麥區(qū)2個分辨率下AK與pH值同時獲選，李鑫等[49-50]等研究同時顯示，全氮與有機質、速效鉀與pH值具有冗余性，拉普拉斯法對低值指標的保留雖然篩選出與其他指標總體相關性更小、相差更大的代表指標，確無法避免保留下來的代表指標間相關性較大，冗余度高的問題。

冬麥區(qū)50和100 km尺度，最大方差與拉普拉斯法均漏選了降水指標累積降水量與平均降水量，冬麥區(qū)降水差異明顯，降水指標對冬小麥生育期生長有重要影響，大尺度下剔除降水指標的合理性有待商榷。

表2 指標篩選結果

注：最大方差法與拉普拉斯得分法行的數(shù)字為該列指標被選擇的優(yōu)先級順序，1為最高優(yōu)先級，沒有數(shù)字則未被選中。FSCC行中，0代表該列指標作為中心點被選中，字母表示該列指標所屬簇的組別編號。

Note: Each number in the rows of varaince and Laplacian score is the priority level of the index in this line.1 means the highest priority level and blank means the index in this line not been selected. In rows of FSCC, 0 means the index in this line is selected for being one of cluster centers, each character represents the cluster identification of the index in this line. SSD, Effective sunshine duration; GDD, effective accumulated temperature; PRE, cumulative precipitation; TDR, diurnal temperature range.

2.2 一致性與完整性優(yōu)化與評價

2.2.1 分區(qū)一致性與完整性評價

FSCC及CIO篩選指標集構建的管理分區(qū)圖見圖1，CIO優(yōu)化前如皋1 km與2.5 km、南通5 km與10 km的分區(qū)破碎明顯，分區(qū)斑塊多且密集，優(yōu)化后的分區(qū)完整性明顯提升。江蘇和冬麥區(qū)2個分辨率，優(yōu)化前后管理分區(qū)完整性變化不大，但在分區(qū)效果幾乎保持一致基礎上有效縮減了指標集，對減少指標采集工作量及后期管理分區(qū)研究具有參考意義。

尺度效應[51]是采用不同粒度、范圍的數(shù)據(jù)進行分析得到的結果顯著不同的現(xiàn)象，Jones等[52]認為多幅不同分辨率下遙感圖像間不是簡單的線性數(shù)學關系，而是與自然地表現(xiàn)狀和表達目標參數(shù)的性質相關。圖1可見同一研究區(qū)不同分辨率分區(qū)結果存在明顯差異，與氣象、土壤、地形等分區(qū)的目標表達參數(shù)在不同分辨率下的性質差異相關，表現(xiàn)出明顯的尺度效應。

2.2.2 管理分區(qū)聚類效果評價

全指標集I1、FSCC指標集I2、CIO指標集I3的4個尺度各分辨率分區(qū)聚類效果如表3所示，除南通10 km外，I3比I2的FPI、NCE、MPE值分別平均低0.078、0.061、0.082，I2絕大部分優(yōu)于全指標集I1，從模糊聚類的角度上分析，相較于其他2個指標集，CIO指標集I3具有更好的管理分區(qū)效果；南通10 km處，I3指標集相較I2，其3項指標分別略高：0.017、0.018、0.028，但二者與I1的3項指標值差距較大。分析認為分區(qū)完整性與一致性約束可能會略微影響分區(qū)的聚類表現(xiàn)，但提升了分區(qū)的實際可操作性。

圖1 優(yōu)化前后分區(qū)圖

表3 指標篩選優(yōu)化管理分區(qū)聚類效果評價

注：I1-全指標集，I2-FSCC指標集，I3-CIO指標集。

Note: I1-origin index set, I2-FSCC index set, I3-CIO index set.

2.2.3 CIO優(yōu)化指標集結果分析

CIO優(yōu)化指標集I3隨尺度變化而變化（見表3），同一氣候區(qū)的如皋、南通，主要分區(qū)指標為有機質、全氮、有效磷等土壤要素，隨尺度增大，江蘇增加了DEM等地形及降水指標，冬麥區(qū)主要因子轉變?yōu)镚DDsum、PREsum等氣象及坡向、坡度等地形要素，氣象與地形對分區(qū)的影響逐漸凸顯，反映了分區(qū)指標與區(qū)域尺度的密切聯(lián)系。

如皋、南通不同分辨率下，土壤指標中全氮與有機質指標相互交替出現(xiàn)，與該2項指標屬于同簇的試驗結果相契合，如皋、南通、江蘇尺度的地形指標間亦如此。南通10 km包含氣象指標，分析認為除尺度效應外，小氣候要素的影響也可能是該類指標出現(xiàn)的原因之一。小氣候受下墊面性質（如地形、水文、土壤、植被等）影響形成，主要表現(xiàn)在個別氣象要素、個別天氣現(xiàn)象的差異上，如溫度、空氣濕度、風、降水以及某些天氣現(xiàn)象的分布[53]。小氣候范圍的垂直方向與水平方向均可從幾米到數(shù)千米以上[53]。南通全境除長江邊狼山一帶為山丘地貌外，其余為平原，而南通10 km分區(qū)圖中南通西南部分小塊分區(qū)恰為邊狼山一帶，一定程度上反映下墊面地形要素帶來的影響。

3 結 論

指標選擇是管理分區(qū)研究中的重要環(huán)節(jié)，本研究針對區(qū)域尺度管理分區(qū)提出了基于相關性聚類的無監(jiān)督指標篩選方法（FSSC）及基于一致性與完整性的優(yōu)化方法（CIO）。對比2種傳統(tǒng)無監(jiān)督特征選擇方法，F(xiàn)SSC具有提取表達部分指標間的相關性以及指標與對應客觀環(huán)境間聯(lián)系的能力，在保留原指標集內部不同特征的前提下去除冗余指標效果明顯，且4個尺度各分辨率下，F(xiàn)SCC的聚類表現(xiàn)更好更穩(wěn)定。針對模糊性能指數(shù)（FPI）、歸一化分類熵（NCE）和修正分離熵（MPE）3個評價指標，F(xiàn)SCC效果平均低于最大方差法25.74%、26.01%和25.95%，平均低于拉普拉斯得分法28.41%、28.52%和28.45%，在如皋2.5km下同時低于兩者52.44%、49.45%和49.52%，優(yōu)勢最為顯著；CIO在保持分區(qū)效果一致性前提下進一步有效縮減指標集，并相對FSCC在南通10km以外尺度的FPI、NCE、MPE值上平均降低0.078、0.061、0.082，其分區(qū)指標集隨尺度增大發(fā)生的變化表明CIO具有提取與區(qū)域尺度密切聯(lián)系的分區(qū)指標的能力。此外，CIO在如皋、南通尺度下對導致分區(qū)破碎指標的剔除及分區(qū)完整性提升效果明顯。

FSSC特征選擇方法及CIO指標優(yōu)化算法可為管理分區(qū)研究提供指標選擇方法參考，對指標集的有效篩減可降低指標采集的資源消耗，對農作管理分區(qū)具有一定的研究意義。本文選擇冬小麥產區(qū)環(huán)境特征進行了無監(jiān)督分區(qū)指標篩選方法的研究，后續(xù)可結合冬小麥實際產量等指標數(shù)據(jù)，對研究方法進一步完善與優(yōu)化。此外，F(xiàn)SSC及CIO僅能去除冗余指標及部分導致分區(qū)破碎的指標，并未有效去除與分區(qū)無關信息，如何去除無效指標也是一個值得研究的問題，不同尺度下CIO提取的分區(qū)指標集隨分辨率變化各不相同，可見區(qū)域尺度變化下分區(qū)指標提取的最適分辨率問題有待進一步的研究。不同地域具有不同環(huán)境特點，本文提出的方法也需在更多不同環(huán)境地區(qū)進一步驗證。

[1] Gavioli A, De Souza E G, Bazzi C L, et al. Optimization of management zone delineation by using spatial principal components[J]. Computers and Electronics in Agriculture, 2016, 127: 302－310.

[2] 王長會. 基于北斗衛(wèi)星導航的大豆變量施肥技術研究與應用[D]. 長春：吉林農業(yè)大學，2016.

Wang Changhui. Research on Soybean Variable Rate Fertilization Control System and Application Based on “Beidou” Satellite Navigation System[D]. Changchun: Jilin Agricultural University, 2016. (in Chinese with English abstract)

[3] 丁海. 小麥種肥精準擬合變量施肥控制系統(tǒng)研發(fā)[D]. 楊凌：西北農林科技大學，2019.

Ding Hai. Research and Development of Wheat Variable Rate Fertilization Control System Based on Matching Fertilizer Line and Seed Line[D]. Yangling: Northwest A&F University, 2019. (in Chinese with English abstract)

[4] Muth D J, Bryden K M, Nelson R G. Sustainable agricultural residue removal for bioenergy: A spatially comprehensive US national assessment[J]. Applied Energy, 2013, 102: 403－417.

[5] 黃寶榮，李穎明，張惠遠，等. 中國環(huán)境管理分區(qū)：方法與方案[J]. 生態(tài)學報，2010，30(20)：5601－5615.

Huang Baorong, Li Yinming, Zhang Huiyuan, et al. Environmental management regionalization in China: methods and scheme[J]. Acta Ecologica Sinica, 2010, 30(20): 5601－5615. (in Chinese with English abstract)

[6] 張?zhí)旒?，余曉，諸葛亦斯. 流域環(huán)境流量管理分區(qū)方法研究：以渾河流域為例[J]. 中國水利水電科學研究院學報，2017，15(2)：116－122.

Zhang Tianji, Yu Xiao, Zhuge Yisi. Zoning methods of environmental flow management region: A case study of Hunhe River Basin[J]. Journal of China Institute of Water Resources and Hydropower Research, 2017, 15(2): 116－122. (in Chinese with English abstract)

[7] Bazzi C L, Souza E G, Uribe-Opazo M A, et al. Management zones definition using soil chemical and physical attributes in a soybean area[J]. Engenharia Agrícola, 2013, 33(5): 952－964.

[8] Schenatto K, Souza E G, Bazzi C L, et al. Data interpolation in the definition of management zones[J]. Acta Scientiarum Technology, 2016, 38(1): 31－40.

[9] Fraisse C W, Sudduth K A, Kitchen N R. Delineation of site-specific management zones by unsupervised classification of topographic attributes and soil electrical conductivity[J]. Transactions of the ASAE, 2001, 44(1): 155－166.

[10] Li Y, Shi Z, Li F, et al. Delineation of site-specific management zones using fuzzy clustering analysis in a coastal saline land[J]. Computers and Electronics in Agriculture, 2007, 56(2): 174－186.

[11] Moral F J, J M Terrón, Silva J R M D. Delineation of management zones using mobile measurements of soil apparent electrical conductivity and multivariate geostatistical techniques[J]. Soil & Tillage Research, 2010, 106(2): 335－343.

[12] Cohen S, Cohen Y, Alchanatis V, et al. Combining spectral and spatial information from aerial hyperspectral images for delineating homogenous management zones[J]. Biosystems Engineering, 2013, 114(4): 435－443.

[13] Córdoba M, Bruno C, Costa J, et al. Subfield management class delineation using cluster analysis from spatial principal components of soil variables[J]. Computers and Electronics in Agriculture, 2013, 97: 6－14.

[14] Nahuel Raúl Peraltaac, José Luis Costabc, Mónica Balzarini, et al. Delineation of management zones to improve nitrogen management of wheat[J]. Computers and Electronics in Agriculture, 2015, 110: 103－113.

[15] 周志華. 機器學習[M]. 北京：清華大學出版社，2016.

[16] 劉榮燁. 最大相關最小冗余的無監(jiān)督特征選擇算法的研究及其應用[D]. 青島：中國海洋大學，2010.

Liu Rongye. Research on Application of Max-Correlation and Mix-Redundancy Unsupervised Feature Selection[D]. Qingdao: Ocean University of China, 2010. (in Chinese with English abstract)

[17] 李翔，潘瑜春，趙春江，等. 基于空間連續(xù)性聚類算法的精準農業(yè)管理分區(qū)研究[J]. 農業(yè)工程學報，2005，21(8)：78－82.

Li Xiang, Pan Yuchun, Zhao Chunjiang, et al. Delineating precision agriculture management zones based on spatial contiguous clustering algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(8): 78－82. (in Chinese with English abstract)

[18] Frey B J, Dueck D. Clustering by passing messages between data points[J]. Science, 2007, 315(5814): 972－976.

[19] 袁學敏. 基于模型與GIS的小麥精確栽培方案生成技術研究[D]. 南京：南京農業(yè)大學，2012.

Yuan Xuemin. Model and GIS-based on Precise Cultivation Prescription Generation Technology in Wheat[D]. Nanjing: Nanjing Agricultural University, 2012. (in Chinese with English abstract)

[20] 童倩倩，李莉婕，趙澤英，等. 基于GIS的貴州稻田土壤養(yǎng)分管理分區(qū)[J]. 西南農業(yè)學報，2017，30(12)：2727－2731.

Tong Qianqian, Li Lijie, Zhao Zeying, et al. Management subarea of paddy soil nutrients based on GIS in Guizhou[J]. Southwest China Journal of Agricultural Sciences, 2017, 30(12): 2727－2731. (in Chinese with English abstract)

[21] 李朋彥，常棟，王瑩，等. 基于GreenSeeker的煙田管理分區(qū)研究[J]. 中國煙草學報，2015，21(6)：96－102.

Li Pengyan, Chang Dong, Wang Ying, et al. Demarcating tobacco field management based on GreenSeeker[J]. Acta Tabacaria Sinica, 2015, 21(6): 96－102. (in Chinese with English abstract)

[22] 郭澎濤，李茂芬，羅微，等. 基于土壤屬性和環(huán)境變量的橡膠園管理分區(qū)[J]. 南方農業(yè)學報，2015，46(10)：1839－1848.

Guo Pengtao, Li Maofen, Luo Wei, et al. Management zones of rubber plantation based on soil properties and multi-sourced environmental variables[J]. Journal of Southern Agriculture, 2015, 46(10): 1839－1848. (in Chinese with English abstract)

[23] 管青春，郝晉珉，許月卿，等. 基于生態(tài)系統(tǒng)服務供需關系的農業(yè)生態(tài)管理分區(qū)[J]. 資源科學，2019，41(7)：1359－1373.

Guan Qingchun, Hao Jinmin, Xu Yueqing, et al. Zoning of agroecological management based on the relationship between supply and demand of ecosystem services[J]. Resources Science, 2019, 41(7): 1359－1373. (in Chinese with English abstract)

[24] 施建平，宋歌. 基于Web的中國土種數(shù)據(jù)庫[J]. 土壤，2016，48(6)：1246－1252.

Shi Jianping, Song Ge. Web based soil type database of China[J]. Soils, 2016, 48(6): 1246－1252. (in Chinese with English abstract)

[25] Doerge T A. Management zone concept in Site-specific management guidelines[Z]. Potash&Phosphate, Institute, Norcross, 2000.

[26] 徐英，陳亞新，史海濱，等. 土壤水鹽空間變異尺度效應的研究[J]. 農業(yè)工程學報，2004，20(2)：1－5.

Xu Ying, Chen Yaxin, Shi Haibin, et al. Scale effect of spatial variability of soil water-salt[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2004, 20(2): 1－5. (in Chinese with English abstract)

[27] 鄔建國. 景觀生態(tài)學格局、過程、尺度與等級（第二版）[M]. 北京：高等教育出版社，2007.

[28] 李雙成，蔡運龍. 地理尺度轉換若干問題的初步探討[J].地理研究，2005，24(1)：11－18.

Li Shuangcheng, Cai Yunlong. Some scaling issues of geography[J]. Geographical Research, 2005, 24(1): 11－18. (in Chinese with English abstract)

[29] Krige D G. A Statistical Approach to Some Mine Valuation and Allied Problems on the Witwatersrand[D]. Johannesburg: University of the Witwatersrand, 1951.

[30] 瞿明凱. 幾種地統(tǒng)計學方法在縣域土壤空間信息處理上的應用與研究[D]. 武漢：華中農業(yè)大學，2012.

Qu Mingkai. Application and Study of Several Geostatistical Methods in Soil Spatial Information Processing at County Scale[D]. Wuhan: Huazhong Agricultural University, 2012. (in Chinese with English abstract)

[31] 馮益明. 空間統(tǒng)計學理論及其在林業(yè)中的應用[M]. 北京：中國林業(yè)出版社，2008.

[32] 錢永蘭，呂厚荃，張艷紅. 基于ANUSPLIN軟件的逐日氣象要素插值方法應用與評估[J]. 氣象與環(huán)境學報，2010，26(2)：7－15.

Qian Yonglan, Lü Houquan, Zhang Yanhong. Application and assessment of spatial interpolation method on daily meteorological elements based on ANUSPLIN software[J]. Journal of Meteorology and Environment, 2010, 26(2): 7－15. (in Chinese with English abstract)

[33] 劉志紅，Mcvicar T R，Niel V，等. 專用氣候數(shù)據(jù)空間插值軟件ANUSPLIN及其應用[J]. 氣象，2008，34(2)：92－100.

Liu Zhihong, Mcvicar T R, Niel V, et al. Introduction of the professional interpolation software for meteorology data: ANUSPLINN[J]. Meteorological Monthly, 2008, 34(2): 92－100. (in Chinese with English abstract)

[34] 董瑋，陳桂芬. 精準農業(yè)中管理區(qū)劃分方法研究[J]. 安徽農業(yè)科學，2011，39(17)：10685－10687.

Dong Wei, Chen Guifen. Study on the management division methods in precision agriculture[J]. Journal of Anhui Agricultural Sciences, 2011, 39(17): 10685－10687. (in Chinese with English abstract)

[35] Gorsevski P V, Gessler P E, Jankowski P. Integrating a fuzzy k-means classification and a Bayesian approach for spatial prediction of landslide hazard[J]. Journal of Geographical Systems, 2003, 5(3): 223－251.

[36] Lark R M, Stafford J V. Classification as a first step in the interpretation of temporal and spatial variation of crop yield[J]. Annals of Applied Biology, 1997, 130(1): 111－121.

[37] Odeh I O A, Chittleborough D J, Mcbratney A B. Soil pattern recognition with fuzzy-c-means: Application to classification and soil-landform interrelationships[J]. Soil Science Society of America Journal, 1992, 56(2): 505.

[38] 岳瑞紅. 基于MODIS數(shù)據(jù)的蒙古高原土地覆蓋分類研究[D]. 呼和浩特：內蒙古師范大學，2010.

Yue Ruihong, Research on land cover classification in Mongolian Plateau based on MODIS data[D]. Huhhot: Inner Mongolia Normal University, 2010. (in Chinese with English abstract)

[39] Monserud R A, Leemans R. Comparing global vegetation maps with the Kappa statistic[J]. Ecological Modelling, 1992, 62(4): 275－293.

[40] 布仁倉，常禹，胡遠滿，等. 基于Kappa系數(shù)的景觀變化測度：以遼寧省中部城市群為例[J]. 生態(tài)學報，2003，25(4)：778－784.

Bu Rencang, Chan Yu, Hu Yuanman, et al. Measuring spatial information changes using Kappa coefficients: A case study of the city groups in central Liaoning Province[J]. Acta Ecologica Sinica, 2003, 25(4): 778－784. (in Chinese with English abstract)

[41] 傅伯杰. 景觀生態(tài)學原理及應用（第二版）[M]. 北京：科學出版社，2011.

[42] 王云才. 基于景觀破碎度分析的傳統(tǒng)地域文化景觀保護模式：以浙江諸暨市直埠鎮(zhèn)為例[J]. 地理研究，2011，30(1)：10－22.

Wang Yuncai. The models of traditional culture landscape conservation based on landscape fragmentation analysis: A case study of Zhibuzhen in Zhejiang Province[J]. Geographical Research, 2011, 30(1): 10－22. (in Chinese with English abstract)

[43] He X, Cai D, Niyogi P. Laplacian score for feature selection[C]//International Conference on Neural Information Processing Systems, MIT Press, 2005.

[44] 郭澎濤，李茂芬，林釗沐，等. 基于多源環(huán)境變量的橡膠園土壤管理分區(qū)[J]. 農業(yè)工程學報，2014，30(12)：96－104.

Guo Pengtao, Li Maofen, Lin Zhaomu, et al. Delineating soil management zones in rubber plantation using multisource data of environmental variables[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(12): 96－104. (in Chinese with English abstract)

[45] 張國祥，楊居榮. 綜合指數(shù)評價法的指標重疊性與獨立性研究[J]. 農業(yè)環(huán)境保護，1996(5)：213－217.

[46] Fisher R A. Statistical Methods, Experimental Design, and Scientific Inference[M]. New York: Oxford University-Press, 1990.

[47] 董俊，王鎖萍，熊范綸. 可變相似性度量的近鄰傳播聚類[J]. 電子與信息學報，2010，32(3)：509－514.

Dong Jun, Wang Suoping, Xiong Fanlun. Affinity propagation clustering based on variable-similarity measure[J]. Journal of Electronics & Information Technology, 2010, 32(3): 509－514. (in Chinese with English abstract)

[48] 曾昭美，嚴中偉. 近40年我國云、日照、溫度及日較差的統(tǒng)計[J]. 科學通報，1993，38(5)：440—443.

[49] 李鑫. 土壤pH值與養(yǎng)分肥力指標的相關性分析[J]. 安徽農學通報，2017(21)：73－74.

[50] 王瑩. 土壤有機質與氮磷鉀的相關性[J]. 農業(yè)科技與信息，2008(17)：32－33.

[51] 譚詩騰. 基于斑塊形態(tài)的類別柵格數(shù)據(jù)聚合尺度效應模型構建[D]. 成都：西南交通大學，2018.

Tan Shiteng. Morphology-based Modeling of Aggregation Effect on the Categorical Raster Data[D]. Chengdu: Southwest Jiaotong University, 2018. (in Chinese with English abstract)

[52] Jones H G, Sirault X R R. Scaling of thermal images at different spatial resolution: The mixed pixel problem[J]. Agronomy, 2014, 4(3): 380－396.

[53] 黃壽波. 農業(yè)小氣候學[M]. 杭州：浙江大學出版社，2000.

Unsupervised feature selection and fragmentation optimization of agriculture management zones at a regional scale

Huang Fen1,2, Zhu Jincheng1, Zhang Xiaohu2, Liu Tongyu1, Zhu Yan2

(1.,,210095,; 2.,,210095,)

Dividing farmland into different zones for facilitating management (management zone) at regional scalescan help improve agricultural production in reforming agricultural technology implementation in China. Improving detailed prescriptionof the management zone division can provide guidance to farming and service optimization at regional scale.Appropriately selecting indexes in management zones can reduce the required data and can thus subsequentlyimprove management.Available index selection usually relies on empirical knowledge of expertsand/or multivariate statistical analysis. However, expert evaluation method could be bias, while the multivariate statistical analysis methodcannot reduce the number of indexes compared to the original index set and thus need to supervisethe data. In addition, most existing work on fragmentation of management zones focused on zone-dividing method rather than from index selection by removing indexes that lead to fragmentation. This paper aims to resolve these limitations with a proposedunsupervised filtering index selection method, based on the index correlation clustering (FSCC) using the concept of feature selection. FSCC reduces the original index set to obtain a subset called FSCC set. FSCC applies the correlation matrix of all indexes to cluster the original indexes set. It then selectsall cluster centers as a representatives to form a new index subset as theFSCC set. The quantity of the indexes in the FSCC setwas reduced,compared to the original index set, and the redundancy of the indices set was descended. To improve practical operability of the management zones, we applied the index optimization algorithm developed based on the consistency and integrity (CIO) to the FSCC set to remove indices which resulted in fragmentation. CIO couples Kappa Coefficient with fragmentation index to generate an optimization strategy for the FSCC sets. CIO screens the indices which lead to the fragmentationwhile, in the meantime, considering the consistency of the management zone results prior to and after the optimization. We applied the method to winter wheat in China, with factors that affect wheat growth, including meteorology, soil and topography, being dividedat fourregional scales. We first usedthe FSCC and the two traditional filter feature selection methods, Variance and Laplacian Score, to select index subsets for thefour scales, and compared the resultant management zones produced from them. The CIO was then applied to the four scales produced by the FSCC. The results showed that the FSCC method preserves the diversity of the features in the original index set. It significantly removed the redundant indices and had a better performance in the management zones. The best performance shows that in Rugao 2.5 km Grain, FSCC less than 52.44%, 49.52%, 49.45% both of Variance and Laplacian Score in FPI, MPE, NCE. The CIO improved the management zones effect of the FSCC index set, which reduced the number of indexes and effectively removed the indexes that led to anumber of isolated units or patches. Compare to FSCC, except Nantong 10km, CIO has an average decrease in FPI, MPE, NCE of 0.061, 0.078, 0.082. Usingthe fourregional scales, FSCC and CIO presented in this paper were effectivein selecting indices and havepotentialapplication in management zone division.

agriculture; management zone; algorithm; feature selection; filter; consistency and integrity optimization; reginal scale

2019-09-20

2019-12-16

國家重點研發(fā)項目（2016YFD0300607）

黃 芬，博士，副教授，研究方向為人工智能與大數(shù)據(jù)分析、圖像處理。Email：fenhuang@njau.edu.cn

10.11975/j.issn.1002-6819.2020.05.022

S126; TP391.4

A

1002-6819(2020)-05-0192-09

黃 芬，朱金誠，張小虎，劉通宇，朱 艷. 區(qū)域尺度農業(yè)管理分區(qū)的無監(jiān)督特征選擇與破碎度優(yōu)化算法[J]. 農業(yè)工程學報，2020，36(5)：192－200. doi：10.11975/j.issn.1002-6819.2020.05.022 http://www.tcsae.org

Huang Fen, Zhu Jincheng, Zhang Xiaohu, Liu Tongyu, Zhu Yan. Unsupervised feature selection and fragmentation optimization of agriculture management zones at a regional scale[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(5): 192－200. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.05.022 http://www.tcsae.org