针对区域尺度管理分区指标筛选与分区破碎问题,提出基于指标相关性聚类的无监督过滤式指标选择方法 FSCC(feature selection based on correlation clustering algorithm,FSCC)与基于一致性和完整性的指标优化方法(consistency and inte...针对区域尺度管理分区指标筛选与分区破碎问题,提出基于指标相关性聚类的无监督过滤式指标选择方法 FSCC(feature selection based on correlation clustering algorithm,FSCC)与基于一致性和完整性的指标优化方法(consistency and integrityoptimization,CIO)。以中国主要冬小麦种植区为研究区域,气象、土壤、地形等小麦生长相关指标为数据源,研究区域从大到小划分为4个尺度,首先选用最大方差、拉普拉斯得分2种传统过滤式特征选择方法与FSCC分别进行4个尺度的管理分区指标筛选,对比基于3种方法筛选指标集构建的管理分区划分结果,评价FSCC分区指标选择方法;其次,设计指标优化算法,对4个尺度筛选的指标集分别进行一致性与完整性分析与优化。结果表明:相较最大方差法和拉普拉斯得分法,FSCC筛选指标的分区效果具有较好表现,如皋2.5km处,其评价指标模糊性能指数(FPI)、归一化分类熵(NCE)和修正分离熵(MPE)均低于另外2种方法 52.44%、49.45%和49.52%;CIO在如皋、南通尺度下有效剔除分区破碎指标,分区完整性明显,除南通10 km外,CIO比FSCC的指标集,FPI、NCE、MPE分别平均低0.078、0.061、0.082,相对提升了FSCC的分区效果。展开更多
文摘针对区域尺度管理分区指标筛选与分区破碎问题,提出基于指标相关性聚类的无监督过滤式指标选择方法 FSCC(feature selection based on correlation clustering algorithm,FSCC)与基于一致性和完整性的指标优化方法(consistency and integrityoptimization,CIO)。以中国主要冬小麦种植区为研究区域,气象、土壤、地形等小麦生长相关指标为数据源,研究区域从大到小划分为4个尺度,首先选用最大方差、拉普拉斯得分2种传统过滤式特征选择方法与FSCC分别进行4个尺度的管理分区指标筛选,对比基于3种方法筛选指标集构建的管理分区划分结果,评价FSCC分区指标选择方法;其次,设计指标优化算法,对4个尺度筛选的指标集分别进行一致性与完整性分析与优化。结果表明:相较最大方差法和拉普拉斯得分法,FSCC筛选指标的分区效果具有较好表现,如皋2.5km处,其评价指标模糊性能指数(FPI)、归一化分类熵(NCE)和修正分离熵(MPE)均低于另外2种方法 52.44%、49.45%和49.52%;CIO在如皋、南通尺度下有效剔除分区破碎指标,分区完整性明显,除南通10 km外,CIO比FSCC的指标集,FPI、NCE、MPE分别平均低0.078、0.061、0.082,相对提升了FSCC的分区效果。
