[发明专利]一种集聚分布型地理要素的自适应空间抽样方案设计方法

说明书

技术领域

本发明涉及一种自适应空间抽样方案设计方法，尤其是涉及一种集聚分布型地理要素的自适应空间抽样方案设计方法。

背景技术

地理要素包括自然地理要素和人文地理要素，在空间上主要呈现规则、随机和集群等分布方式。规则和随机分布的地理要素相对较多，如土壤属性、地形和水文等，其空间变异特征和分布规律能够采用已有的基于模型和基于设计的方法进行拟合，因此相关研究与应用较为广泛。而对于部分空间分布呈现集聚性的地理要素，反映其空间变异结构的样点通常趋近于集群分布，且具有明显的分布中心或分布轴线，如稀疏树种、传染病和土壤点源污染等，传统的抽样方法将导致集聚而不存在抽样目标区域内的抽样单元入样概率增加，稀疏而存在抽样目标区域内的抽样单元入样概率减小，从而使得抽样方案不具有代表，无法准确估计抽样精度。传统的集聚性地理要素空间抽样主要应用定性分析法进行样点布设，但是该类方法过于依赖专家的认知水平，缺少对样本精度和代表性的客观评价机制。基于此，发展一种定量化的，能充分估计点群的集聚分布性的抽样方法成为学者们的共识。

与传统抽样方法相比，适应性抽样方法(Adaptive cluster sampling，ACS)具有原理简单、方便操作的特性，主要适用于抽样目标稀少、具有聚类特征的总体，样点与其周围邻近的抽样单元具有较高的同一性可能，典型的应用为稀有动物或者生态资源的空间抽样调查或者传染病空间分布趋势估计等。但是，适应性抽样的抽样效率受到样本空间单元大小、初始样本大小和选取周围样本方法等主观因素的影响较大，并且对实际抽样中样本的分布特征要求较为严格，样点选择规则过于简化，实际抽样中在样本的分布特征变化较大的复杂地理区域应用效果一般。

微粒群算法通过模拟鸟类的捕食行为求解复杂问题，具有框架开放、搜索速度快、结构简单、易于实现的特点，自提出后被广泛应用于模型参数优化、分类、资源优化配置、电力系统优化、图像处理和机器人智能领域等。其开放的算法框架包括目标函数、约束体系和搜索策略，能够通过设定不同的目标函数和约束体系满足空间聚类和空间优化等不同需求。因此，采用微粒群算法对适应性抽样方法进行改进，优化其初始样点选择和加密样点选择策略，有利于提高集聚型指标的抽样样点代表性和抽样精度，从而推动适应性聚类算法在集聚性地理要素空间抽样领域的应用。

发明内容

本发明主要是解决现有技术所存在的技术问题；提供了一种操作简单、智能化程度高、具有自组织、自学习的能力，适用于具有集聚分布特征的地理要素指标的空间抽样，可有效保持样点的集聚特征，提高抽样样点的代表性和抽样精度的一种集聚分布型地理要素的自适应空间抽样方案设计方法。

本发明的上述技术问题主要通过下述技术方案得以解决：

一种集聚分布型地理要素的自适应空间抽样方案设计方法，其特征在于，包括以下步骤：

步骤1，选取地理要素作为抽样指标，选取抽样指标的预采样样点数据，确定抽样单元和抽样框；

步骤2，采用Voronoi分析方法分析步骤1中的预采样样点数据，判断抽样指标是否具有空间集聚性分布特征；若有，执行步骤3，否则，中断所有步骤；

步骤3，输入微粒群聚类算法参数和类别数，利用微粒群聚类算法对完成步骤2的预采样样点数据进行聚类分析，得到聚类中心作为抽样指标的初始抽样样点；

步骤4，输入二进制微粒群优化算法参数，利用二进制微粒群优化算法对步骤3生成的初始抽样样点进行样点加密，得到集聚型地理要素的抽样方案。

本发明的特点是通过于适应性抽样方法进行集聚型地理要素的抽样方案设计，通过微粒群算法改进了传统适应性聚类抽样方法的初始样点和加密样点选择策略，保证了指标的空间集聚性分布特征，提高了抽样样点的代表性；以极大类间距准则和最小克里金方差为优化目标，采用抽样可达性、分布中心/分布轴线吸引性和抽样费用作为样点布设的条件约束，提高了抽样样点布设过程的自组织性和合理性；采用微粒群聚类算法和二进制微粒群优化算法进行问题求解，提高了方法效率，减少了抽样方案设计的时间。本发明方法继承了适应性聚类抽样方法和微粒群算法的特性，具有操作简单、自组织、自学习的能力，智能化程度高，适用于具有集聚分布特征的地理要素指标的空间抽样，可有效保持样点的集聚特征，提高抽样样点的代表性和抽样精度。

在上述的一种集聚分布型地理要素的自适应空间抽样方案设计方法，所述的步骤3具体操作方法如下：

步骤3.1，构建微粒群聚类算法中微粒与聚类中心的映射关系；