确定作物需水量监测站点代表面积及代表性程度的方法

摘要

本申请公开了一种确定作物需水量监测站点代表面积及代表性程度的方法，该方法包括：获取监测站点位置及作物需水量的主要影响因素信息；计算主要影响因素不同空间位置的熵值；根据主要影响因素的权重，获得综合熵值的空间分布；将综合熵值视作监测站点向外扩张时所遇到的阻力或成本，采用成本距离法确定每个监测站点所能代表的面积；根据误差和置信程度的高低划分代表性；将监测站点所代表的面积及不同空间位置代表性程度进行可视化表达。本申请既考虑了站点所处的空间位置，也考虑了影响作物需水量的主要影响因素空间位置的变化，可比较精确地确定每个监测站点作物需水量的代表面积及不同空间位置的代表性强弱。

说明书

技术领域

本发明属于农业水土工程技术领域，具体的涉及一种确定作物需水量监测站点代表面积及代表性程度的方法。

背景技术

作物需水量是水量平衡计算、灌溉工程规划、设计及管理不可或缺的基础数据。需水量监测站点是作物需水量实测值的主要来源，也是评估遥感等其它间接方法估算精度和可靠性的关键数据源。由于作物需水量受当地气候、土壤、作物等自然地理条件的影响，具有较大的空间异质性。因此，要想准确获取区域尺度的作物需水量，必须进行区域内需水量监测站网的空间布局，进行需水量监测站点的代表性分析，明确每个试验站点的代表面积，才能比较准确地获取较大尺度的作物需水量，从而为农田水利工程的规划、设计和管理以及地区间水量水权分配，跨流域引水、调水决策的制定提供比较可靠的数据支撑。

目前，在站网结构确定的情况下，确定每个站点控制或代表面积常用的方法是泰森多边形法，但这种方法由于只考虑站网的空间布局，不能考虑监测站点监测的属性数据和影响监测数据的主要影响因素。而作物需水量受地形、气候、土壤、土地利用等的影响较大，因此如果只考虑监测站点地理坐标和空间分布结构来确定监测站点的控制面积，对地形和气候变化影响较大的区域，利用该方法确定的控制面积较实际偏大，与此相反，对地形平坦、土壤类型变化较小、土地利用变化不大的站点，则确定的面积较实际偏小。因此如何既考虑监测站点的空间结构，又考虑影响作物需水的主要影响因素的空间变化综合考虑监测站点的控制或代表性面积，并对研究区不同空间位置的代表性强弱进行分析，对于提高区域作物需水量的估算精度具有重要意义。

发明内容

本发明针对现有技术的泰森多边形法存在不能考虑监测站点监测的属性数据和影响监测数据的主要影响因素等问题，提出一种确定作物需水量监测站点代表面积及代表性程度的方法。

本发明的技术方案是：一种确定作物需水量监测站点代表面积及代表性程度的方法，包括以下步骤：

获取监测站点位置及作物需水量的主要影响因素信息；

计算主要影响因素不同空间位置的熵值；

根据主要影响因素的权重，获得综合熵值的空间分布；

将综合熵值视作监测站点向外扩张时所遇到的阻力或成本，利用成本距离法确定每个监测站点所能代表的面积；

根据误差和置信程度的高低划分代表性；

将监测站点所代表的面积及不同空间位置代表性程度进行可视化表达。

所述的确定作物需水量监测站点代表面积及代表性程度的方法，影响区域作物需水量空间分布的主要因素包括：研究区的高程信息、土壤类型信息、坡度信息及土地利用信息。

所述的确定作物需水量监测站点代表面积及代表性程度的方法，利用公式计算研究区域主要影响因素的熵值，其中，w_ij为移动窗口，i=2……，行-1；j=2……,列-1；p_ij(y)为某一栅格值在移动窗口中的频率，y为某一具体影响因素的栅格值。

所述的确定作物需水量监测站点代表面积及代表性程度的方法，确定研究区不同空间位置处的综合熵值，确定综合熵值主要包括：

采用熵权法确定主要影响因素对综合熵值贡献的权重；

在确定不同影响因素权重的基础上，采用地图代数法计算得到研究区域不同空间位置的综合熵值。

所述的确定作物需水量监测站点代表面积及代表性程度的方法，根据误差和置信程度的高低划分代表性强弱，代表性强弱主要分为：代表性强、代表性较强、代表性中和代表性弱四个等级，其中：以置信水平95%，相对误差小于10%表示代表性强；置信水平在90%-95%之间，相对误差在10%-15%表示代表性较强；置信水平80%-90%，相对误差在15%-20%表示代表性中；置信水平小于80%，相对误差大于20%表示代表性弱。

所述的确定作物需水量监测站点代表面积及代表性程度的方法，将监测站点所代表的面积及不同空间位置代表性程度进行可视化表达包括：将得到的每个监测站点代表性面积及不同空间位置代表性强弱的结果，采用区域空间位置的可视化表达或数据表格形式存储。

本发明的有益效果是：由以上技术方案可以看出，本发明既考虑了作物需水量监测站点的空间结构，也考虑了作物需水量的主要影响因素对作物需水量空间分布的影响，将综合熵值视作监测站点向外扩张时需要付出的成本，根据成本距离与不同置信度、不同误差要求下方差之间的关系确定不同代表性强弱的阈值，最后确定不同空间位置的代表性强弱，本发明可为精确确定监测站点的控制面积及不同空间位置处的代表性强弱提供帮助和参考。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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本申请中记载的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种确定作物需水量监测站点代表面积及不同空间位置代表性程度的方法的流程示意图；

图2a为监测站点位置信息及主要影响因素为高程熵值空间分布示意图；

图2b为监测站点位置信息及主要影响因素为土壤熵值空间分布示意图；

图2c为监测站点位置信息及主要影响因素为坡度熵值空间分布示意图；

图2d为监测站点位置信息及主要影响因素为耕地熵值空间分布示意图；

图3为综合熵值的空间分布示意图；

图4为监测站点代表性范围示意图；

图5为不同空间位置的代表性强弱示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。

本发明综合考虑作物需水量监测站点的空间结构及影响作物需水量主要因素的空间变异程度，将综合熵值视作监测站点向外扩张时所付出的成本，采用成本距离法确定监测站点的代表面积，根据不同代表性强弱下的成本距离阈值划分不同空间位置的代表性强弱。

实施例1：结合图1-图5，一种确定作物需水量监测站点代表面积及代表性程度的方法，包括如下几个步骤：

S100、获取监测站点位置及作物需水量的主要影响因素信息，其中：

作物需水量监测站点的位置信息包括经度、纬度及高程信息；

影响作物需水量的主要因素包括DEM、坡度、土壤类型以及土地利用等信息；监测站点位置信息及主要影响因素的熵值空间分布如图2a-2d所示。

S200、计算主要影响因素不同空间位置的熵值：

对于某一研究区域主要影响因素的熵值计算，采用下式进行：（1）式中w_ij为移动窗口，i=2……，行-1；j=2……,列-1；p_ij(y)为某一栅格值在移动窗口中的频率，y为某一具体影响因素的栅格值。

S300、确定主要影响因素的权重，获得综合熵值的空间分布，其中：

主要影响因素的权重采用客观赋权法确定，其具体步骤如下：

假设共有n个影响因素，研究区某一粒度栅格有m个，则不同影响因素的值可以构成m个样本和n个影响因素的矩阵，如下式所示。

（2）式中ｘ_ij代表第j个影响因素在第i个栅格的值。

相同栅格值在整个研究区中所占的比例利用下式进行计算。

（3）第j项影响因素的熵值采用下式计算：

(4)第j项因素的权重由下式确定：

(5)综合熵值采用地图代数方法进行计算，获得不同空间位置的综合权重。

根据主要影响因素每个熵值所占的频率计算这些影响因素的权重，如果熵值数目太多，则首先对之进行分类，然后利用公式（2）-（5）进行权重的确定。经过计算，高程、土壤、耕地和坡度的权重分别为0.179,0.281,0.007和0.533，确定各影响因素的权重后，采用地图代数方法获得综合熵值的空间分布如图3所示。

S400、将综合熵值视作监测站点向外扩张时所遇到的阻力或成本，采用成本距离法确定每个监测站点所能代表的面积。

本发明将每个单元格的综合熵值视为这个站点影响附近区域的成本，也即综合熵值越小，表示这些影响因素在附近空间变化越小，监测站点对相邻空间的影响成本越小，越易代表周围空间，反之，栅格的综合熵值越大，则说明影响因素在栅格周围变化剧烈，越不易代表周围，因而对周围栅格的影响成本越大。以综合熵值作为成本栅格进行监测站点的代表性分析结果如图4所示。

S500、根据误差和置信程度的高低划分代表性，其中：

代表性强弱的划分以置信水平95%，相对误差小于10%表示代表性强，置信水平在90%-95%之间，相对误差在10%-15%表示代表性较强，置信水平80%-90%，相对误差在15%-20%表示代表性中，置信水平小于80%，相对误差大于20%表示代表性弱；

S600、输出监测站点所代表的面积及不同空间位置代表程度的高低，其中：

根据S500确定的评判标准计算的标准误差阈值分别为20.84,37.43和64.36，再根据成本距离与标准误差的关系即可得到不同评判标准下的成本距离阈值，其值分别为71755m、256088m和55310m，然后对成本距离栅格进行重分类，即可得到不同空间位置处的代表性强弱。监测站点的代表性空间分布如图5所示。

将确定的作物需水量监测站点代表面积和不同空间位置代表性强弱采用区域空间位置的可视化表达或数据表格形式存储，可以更直观的显示出每个监测站点的代表性面积以及不同空间位置处的代表性强弱，精确确定监测站点的控制面积及不同空间位置处的代表性强弱提供帮助和参考。

由以上技术方案可以看出，本发明既考虑了作物需水量监测站点的空间结构，也考虑了作物需水量的主要影响因素对作物需水量空间分布的影响，将综合熵值视作监测站点向外扩张时需要付出的成本，根据成本距离与不同置信度、不同误差要求下方差之间的关系确定不同代表性强弱的阈值，最后确定不同空间位置的代表性强弱，本发明可为精确确定监测站点的控制面积及不同空间位置处的代表性强弱提供帮助和参考。

需要说明的是，本发明实施例提供的确定方法的计算步骤只是为了叙述方便，并不是严格的要求步骤的先后顺序。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

需要说明的是，以上所述仅仅是本申请技术方案的一部分优选具体实施方式，使本领域技术人员能够充分理解或实现本申请，而不是全部的实施例，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，基于以上实施例，对于本技术领域的普通技术人员来说，在不脱离本申请原理，不做出创造性劳动前提下，还可以做出多种显而易见的修改和润饰，通过这些修改和润饰所获得的所有其他实施例，都可以应用于本申请技术方案，这些都不影响本申请的实现，都应当属于本申请的保护范围。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合于本文所公开的原理和新颖特点相一致的最宽的范围。

以上对本申请进行了详细介绍，本文中应用可具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想，同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。