【中圖分類號(hào)】：P208 【文獻(xiàn)標(biāo)志碼】：A 【文章編號(hào)】：1008-3197（2025）03-76-05

【DOI編碼】：10.3969/j.issn.1008-3197.2025.03.018

Research on Land Surveying and Mapping Data Classification Integration Method Based on Fuzzy Clustering and Genetic Algorithm

GE Tong， XUYang

（Tianjin Branch，Beijing Century Qianfu International Engineering Design Co.Ltd.，Tianjin3Ooo74，China）

【Abstract】：Inorder toimprove theaccuracyand completenessoftheland surveying data，preprocessing theoriginal land surveying data，noise，redundancy，and abnormal data were removed.Subsequently，utilizing DSM paralel technology to eficiently extract feature information from land surveying data，fuzzy clustering algorithm was combined to classifyland surveying and mapping data.Finally，the integration optimization ofclassification results was achieved through genetic algorithms.The results showed that the maximum accuracy of the proposed method for land surveying and mapping data classification was 95 % ，and the maximum evaluation value for the quality ofland surveyingand mappingdata integration was O.96，confirming that theproposed method has better performance in land surveying and mapping data classfication integration.

KeyWords】： fuzzy clustering;land surveying;classification integration;genetic algorithm

一般情況下，國(guó)家多種生產(chǎn)建設(shè)均需落實(shí)到土地上，但是國(guó)土資源是有限的，再加之國(guó)土資源利用具有不可逆轉(zhuǎn)性，使得國(guó)土資源規(guī)劃難度大幅度增加。土地測(cè)繪技術(shù)集成了光電技術(shù)、計(jì)算機(jī)技術(shù)、空間科學(xué)、網(wǎng)絡(luò)通信技術(shù)和信息科學(xué)等多種手段，獲取地面已有界線和特征點(diǎn)的位置信息，為國(guó)土資源規(guī)劃提供重要的依據(jù)和支持。土地測(cè)繪數(shù)據(jù)體量龐大，再加之采集設(shè)備、環(huán)境等因素的影響，使得土地測(cè)繪數(shù)據(jù)中存在著大量的噪聲數(shù)據(jù)、冗余數(shù)據(jù)，為其應(yīng)用帶來(lái)了較大的難度，故提出基于模糊聚類的土地測(cè)繪數(shù)據(jù)分類集成方法，通過(guò)數(shù)據(jù)集成，大規(guī)模處理土地測(cè)繪數(shù)據(jù)，為國(guó)土資源規(guī)劃提供一定的幫助。

1土地測(cè)繪數(shù)據(jù)快速集成方法

1.1數(shù)據(jù)預(yù)處理

由于測(cè)繪裝置振動(dòng)、環(huán)境變化等因素的影響，原始土地測(cè)繪數(shù)據(jù)中包含大量噪聲數(shù)據(jù)、冗余數(shù)據(jù)與偏離數(shù)據(jù)，直接采用勢(shì)必會(huì)影響國(guó)土資源規(guī)劃的精準(zhǔn)性，因此需要對(duì)土地測(cè)繪數(shù)據(jù)進(jìn)行預(yù)處理。

設(shè)置原始土地測(cè)繪數(shù)據(jù)集合為 X={x₁，x₂，… x_i，……，x_n}，x_i 為第 i 個(gè)原始土地測(cè)繪數(shù)據(jù)； n 為原始土地測(cè)繪數(shù)據(jù)的數(shù)量。

采用中值濾波算法對(duì)原始土地測(cè)繪數(shù)據(jù)進(jìn)行噪聲數(shù)據(jù)去除處理

x_i^′=med{x_i-k，…，x_i，…，x_i+k}

式中： x_i^′ 為去噪后土地測(cè)繪數(shù)據(jù)； med{?} 為中值濾波函數(shù)； k 為中值濾波窗口。

以 x_i^′ 為基礎(chǔ)，計(jì)算土地測(cè)繪數(shù)據(jù)間的相似程度，從而制定冗余數(shù)據(jù)的判定規(guī)則，依據(jù)制定規(guī)則對(duì)其進(jìn)行檢測(cè)與刪除[]。

式中： α_ij 為土地測(cè)繪數(shù)據(jù) x_i^′ 與 x_j^′ 的相似程度；cov（x_i^′，x_j^′） 為土地測(cè)繪數(shù)據(jù) x_i^′ 與 x_j^′ 的協(xié)方差數(shù)值; 與 σ（x_j^′） 為土地測(cè)繪數(shù)據(jù) x_i^′ 與 x_j^′ 的標(biāo)準(zhǔn)差數(shù)值; ε_ij 為相似程度輔助計(jì)算參數(shù)，取值范圍為[0，1]，具體取值需根據(jù)土地測(cè)繪數(shù)據(jù)的實(shí)際情況設(shè)置。

以 α_ij 為依據(jù)，制定冗余數(shù)據(jù)的判定規(guī)則[3]

式中： α^∧ 為冗余數(shù)據(jù)判定閾值，需要根據(jù)冗余數(shù)據(jù)占比、體量大小等因素共同決定。

結(jié)合式（4）對(duì)冗余數(shù)據(jù)進(jìn)行檢測(cè)與刪除，將剩余土地測(cè)繪數(shù)據(jù)記為 x_i^′′， 計(jì)算不同土地測(cè)繪數(shù)據(jù)之間的距離，從而去除土地測(cè)繪偏離數(shù)據(jù)[4。

式中： d_ic 為土地測(cè)繪數(shù)據(jù) x_i^′′ 與測(cè)繪區(qū)域中心數(shù)據(jù)x_c^′′ 之間的歐式距離。

以 d_ic 為依據(jù)，制定土地測(cè)繪偏離數(shù)據(jù)判定規(guī)則

式中： d^?R 為測(cè)繪區(qū)域中心數(shù)據(jù) x_c^′′ 與測(cè)繪區(qū)域邊界之間的距離。

土地測(cè)繪偏離數(shù)據(jù)判定原理見圖1。

注：藍(lán)色圓圈表示土地測(cè)繪范圍，紅色圓圈表示土地測(cè)繪正常數(shù)據(jù)，綠色圓圈表示土地測(cè)繪偏離數(shù)據(jù)

對(duì)綠色圓圈進(jìn)行刪除處理，將剩余土地測(cè)繪數(shù)據(jù)進(jìn)行重新整合，記為

Y={y₁，y₂，^……，y_i，^……，y_m}

式中： m 為土地測(cè)繪數(shù)據(jù)的總量。

1.2數(shù)據(jù)特征提取

DSM是指分布式共享內(nèi)存，是一種并行計(jì)算技術(shù)，充許多個(gè)處理器通過(guò)共享內(nèi)存進(jìn)行通信和協(xié)作。采用DSM并行技術(shù)可以實(shí)現(xiàn)對(duì)大規(guī)模數(shù)據(jù)的快速處理與高效計(jì)算，提高數(shù)據(jù)特征提取的效率和準(zhǔn)確性，為后續(xù)模糊聚類算法提供充分的數(shù)據(jù)支撐。以式（6）為基礎(chǔ)，采用DSM并行技術(shù)提取土地測(cè)繪數(shù)據(jù)特征。見表1。

根據(jù)表1，利用DSM并行技術(shù)對(duì)土地測(cè)繪數(shù)據(jù)進(jìn)行快速提取[5]。見圖2。

提取結(jié)果記為 Z={Z₁，Z₂，Z₃，Z₄，Z₅，Z₆，Z₇，Z₈，Z₉}（7）

1.3基于模糊聚類和遺傳算法的數(shù)據(jù)分類集成

模糊聚類是一種基于模糊理論的分類方法，能夠充分考慮不確定性和模糊性因素，對(duì)數(shù)據(jù)之間的隸屬關(guān)系進(jìn)行建模，從而可以更好地處理土地測(cè)繪數(shù)據(jù)的分類問(wèn)題。土地測(cè)繪數(shù)據(jù)具有復(fù)雜多樣的特征，不同類型的土地在數(shù)據(jù)上可能存在不確定性和重疊的情況，傳統(tǒng)的確定性算法難以很好地對(duì)這種不確定性進(jìn)行處理；而模糊聚類能夠通過(guò)建立隸屬函數(shù)來(lái)描述數(shù)據(jù)歸屬于不同類別的隸屬程度，更好地適應(yīng)和處理不確定性的問(wèn)題，從而保證數(shù)據(jù)分類集成質(zhì)量。

以式（7）為依據(jù)，設(shè)計(jì)模糊聚類器。見圖3。

在模糊聚類器運(yùn)行過(guò)程中，土地測(cè)繪數(shù)據(jù)隸屬度、聚類中心的迭代更新公式為

式中： ω_ij?c_j 分別為迭代更新后的土地測(cè)繪數(shù)據(jù)隸

屬度與聚類中心； c_k 為某一個(gè)聚類中心； M 為迭代次數(shù)； ω_ij^M-1 為前一次迭代的土地測(cè)繪數(shù)據(jù)隸屬度數(shù)值。

搭建土地測(cè)繪數(shù)據(jù)分類目標(biāo)函數(shù)

式中： J 為土地測(cè)繪數(shù)據(jù)分類的目標(biāo)函數(shù)； β^o 為目標(biāo)函數(shù)輔助計(jì)算參數(shù)，取值范圍為0＼～1。

當(dāng) J* 時(shí)，表明模糊聚類器運(yùn)算停止，輸出結(jié)果即為土地測(cè)繪數(shù)據(jù)分類結(jié)果；當(dāng) J?Q^* 時(shí)，表明模糊聚類器運(yùn)算繼續(xù)，直至符合迭代停止條件。

模糊聚類器有效地融合遺傳算法共同實(shí)現(xiàn)土地測(cè)繪數(shù)據(jù)的快速集成，為土地測(cè)繪數(shù)據(jù)的應(yīng)用提供助力。

遺傳算法能夠模擬生物進(jìn)化過(guò)程，通過(guò)種群的遺傳變異、選擇和適應(yīng)度評(píng)估來(lái)搜索最優(yōu)解，從而實(shí)現(xiàn)優(yōu)化問(wèn)題的求解。在土地測(cè)繪數(shù)據(jù)分類中，結(jié)合遺傳算法可以優(yōu)化模糊聚類算法的參數(shù)和聚類中心，提高分類結(jié)果的穩(wěn)定性和準(zhǔn)確性，同時(shí)避免陷人局部最優(yōu)解。這樣的組合可以充分利用遺傳算法的全局搜索能力和模糊聚類的數(shù)據(jù)處理能力，實(shí)現(xiàn)更加有效的土地測(cè)繪數(shù)據(jù)分類集成。

基于遺傳算法與模糊聚類器的土地測(cè)繪數(shù)據(jù)快速集成算法。

步驟一：利用不同初始隸屬度矩陣的模糊聚類器對(duì)土地測(cè)繪數(shù)據(jù)進(jìn)行分類處理，獲取多個(gè)分類結(jié)果，將準(zhǔn)則函數(shù)作為算法的適應(yīng)度函數(shù)f8]。

步驟二：初始化種群并將初始迭代次數(shù)設(shè)置為0。

步驟三：根據(jù)事先確定的適應(yīng)度函數(shù)，對(duì)種群中的所有染色體進(jìn)行評(píng)估。

步驟四：選擇適應(yīng)度最高的前 L 個(gè)染色體作為下一代種群，并對(duì)它們進(jìn)行交叉和變異操作，以獲得新的染色體

式中： P_c，P_m 分別為染色體交叉率與變異率； δ_?1 、 分別為交叉率和變異率的計(jì)算常數(shù) ;f^′ 為交叉、變異操作后染色體的適應(yīng)度數(shù)值 分別為適應(yīng)度的平均值、最大值。

步驟五：進(jìn)行迭代終止條件檢測(cè)。若滿足迭代終正條件，則轉(zhuǎn)至步驟六；若不滿足迭代終止條件，則轉(zhuǎn)至步驟三進(jìn)行評(píng)估和選擇新的種群。

步驟六：輸出適應(yīng)度數(shù)值最大染色體對(duì)應(yīng)的結(jié)果，即為土地測(cè)繪數(shù)據(jù)分類集成結(jié)果。

2實(shí)例分析

為驗(yàn)證本文方法的有效性，選取某城市邊緣區(qū)域作為測(cè)繪對(duì)象。該區(qū)域土地面積22.17萬(wàn) hm² ，其中耕地面積4.67萬(wàn) hm² （水田面積3.03萬(wàn) hm². 旱地面積1.64萬(wàn) hm². 水澆地面積 25.67hm². ；園地面積3.02萬(wàn)hm² （果園面積2.96萬(wàn) hm² 茶園面積 16.74hm² 其他園地面積 614.93hm² ；林地面積10.42萬(wàn) hm² （有林地面積 83 133.19hm². 灌木林地面積 3 193.15hm² 其他林地面積1.79萬(wàn) hm² ）；草地面積1.58萬(wàn) hm² 。采用無(wú)人機(jī)進(jìn)行土地測(cè)繪，同時(shí)將實(shí)時(shí)采集的土地測(cè)繪數(shù)據(jù)傳輸回?cái)?shù)據(jù)終端。根據(jù)獲得的土地測(cè)繪數(shù)據(jù)進(jìn)行測(cè)試。

選取文獻(xiàn)[9]提出的基于數(shù)據(jù)中臺(tái)的裝備保障數(shù)據(jù)集成與文獻(xiàn)[10]提出的歷代史志自錄的數(shù)據(jù)集成與可視化作為對(duì)比方法1與對(duì)比方法2，聯(lián)合本文提出方法共同進(jìn)行土地測(cè)繪數(shù)據(jù)快速集成對(duì)比，以此來(lái)驗(yàn)證提出方法的應(yīng)用性能。

2.1準(zhǔn)備階段

設(shè)置噪聲數(shù)據(jù)占比、冗余數(shù)據(jù)占比與偏離數(shù)據(jù)占比存在較大差異性的10種工況，每種工況背景環(huán)境具有顯著差別，符合提出方法應(yīng)用性能的測(cè)試需求。見表2。

2.2土地測(cè)繪數(shù)據(jù)分類準(zhǔn)確率

土地測(cè)繪數(shù)據(jù)分類準(zhǔn)確率是測(cè)試土地測(cè)繪數(shù)據(jù)集成性能的關(guān)鍵指標(biāo)

式中： V 為土地測(cè)繪數(shù)據(jù)分類準(zhǔn)確率； T_e 為測(cè)試集合中的樣本總數(shù)； ζ（y_i） 為土地測(cè)繪數(shù)據(jù)的預(yù)測(cè)標(biāo)簽;ψ（y_i） 為土地測(cè)繪數(shù)據(jù)的真實(shí)標(biāo)簽。

不同工況采用本文提出方法獲得的土地測(cè)繪數(shù)據(jù)分類準(zhǔn)確率均高于對(duì)比方法1與對(duì)比方法2，其在第7種工況的土地測(cè)繪數(shù)據(jù)分類準(zhǔn)確率最高，為 95% 。見圖4。

2.3土地測(cè)繪數(shù)據(jù)集成質(zhì)量評(píng)價(jià)

采用多種評(píng)價(jià)指標(biāo)與權(quán)重系數(shù)的累乘評(píng)價(jià)土地測(cè)繪數(shù)據(jù)集成質(zhì)量。標(biāo)準(zhǔn)情況下，土地測(cè)繪數(shù)據(jù)集成質(zhì)量評(píng)價(jià)數(shù)值越大，土地測(cè)繪數(shù)據(jù)集成質(zhì)量越好。

不同工況應(yīng)用本文提出方法獲得的土地測(cè)繪數(shù)據(jù)集成質(zhì)量評(píng)價(jià)數(shù)值均高于對(duì)比方法1與對(duì)比方法2，其在第6種工況的土地測(cè)繪數(shù)據(jù)集成質(zhì)量評(píng)價(jià)數(shù)值最高，為 0.96 。見圖5。

3結(jié)語(yǔ)

本文提出的基于模糊聚類和遺傳算法的土地測(cè)繪數(shù)據(jù)分類集成方法能夠大幅提升土地測(cè)繪數(shù)據(jù)分

類準(zhǔn)確率與土地測(cè)繪數(shù)據(jù)集成質(zhì)量評(píng)價(jià)數(shù)值，能夠?yàn)閲?guó)土資源規(guī)劃提供更有效的方法支撐。

參考文獻(xiàn)：

[1]張偉，格平，趙晶.國(guó)土空間規(guī)劃中水資源的開發(fā)利用探究—評(píng)《水資源規(guī)劃及利用（第三版）》[J].人民黃河，2022，44（8）：166.

[2]桑瀟，張成業(yè)，李軍，等.煤炭開采背景下的伊金霍洛旗土地利用變化強(qiáng)度分析[J].國(guó)土資源遙感，2021，33（3）：148-155.

[3]修曉龍.山西省礦山開發(fā)新增損毀土地年度監(jiān)測(cè)與分析[J].中國(guó)礦業(yè)，2022，31（2）：59-64.

[4]王笑時(shí)，束晨陽(yáng)，鄧武功，等.國(guó)土空間規(guī)劃語(yǔ)境下魅力景觀空間構(gòu)建研究[J].中國(guó)園林，2021，37（增1）：100-105.

[5]李國(guó)民，章鰲，賀耀宜，等.智能礦井多元監(jiān)控?cái)?shù)據(jù)集成關(guān)鍵技術(shù)研究[J].工礦自動(dòng)化，2022，48（8）：127-130+146

[6]劉燕，秦軍，竇上凱，等.天然氣凈化廠生產(chǎn)實(shí)時(shí)數(shù)據(jù)集成方法創(chuàng)新[J].天然氣工業(yè)，2022，42（8）：211.

[7]李永武，秦怡雯，李健，等.基于數(shù)據(jù)分解集成和高頻數(shù)據(jù)建模的匯率波動(dòng)率預(yù)測(cè)[J].運(yùn)籌與管理，2023，32（5）：168-174.

[8]劉曉晨，王卓昊.基于大數(shù)據(jù)環(huán)境的科技管理數(shù)據(jù)集成平臺(tái)研究[J].情報(bào)學(xué)報(bào)，2021，40（9）：953-961.

[9]李文俊，楊學(xué)強(qiáng)，杜家興.基于數(shù)據(jù)中臺(tái)的裝備保障數(shù)據(jù)集成[J].系統(tǒng)工程與電子技術(shù)，2020，42（6）：1317-1323.

[10]李文琦，王鳳翔，孫顯斌，等.歷代史志目錄的數(shù)據(jù)集成與可視化[J].中國(guó)圖書館學(xué)報(bào)，2023，49（1）：82-98.