基于r型谱系聚类的土壤含水率数据聚类方法.docxVIP

基于r型谱系聚类的土壤含水率数据聚类方法 土壤水分监测和预测预报的相对有效方法,提高了识别土 土壤主要受降水、蒸发、土壤条件和地表生长物种的影响。研究土壤水分的变化规律,就是考虑在上述自然因素影响的条件下,研究土壤水分在时间和空间上增加和减少的规律。若能掌握正确的土壤水分变化规律,就能为土壤水分的监测和预测预报工作提供科学的理论依据。 受测量手段和技术发展水平限制,以前一般是利用烘干称量方法,计算土壤含水率数据。目前,先进的传感器测量技术和通信、计算机技术相结合,可以将土壤水分传感器埋入地表以下不同深度处,自动采集与发送土壤含水率数据。 针对土壤水分信息采集仪表采集得到的大量土壤含水率试验数据,通过相关性分析和R型谱系聚类分析确定垂向不同深度处土壤含水率的相关性,找出0~100 cm范围内土壤水分传感器的合理埋设位置。 1 土壤水分测量 从2003年11月开始,在北京市水利水电中心基地进行连续的土壤水分采集试验。试验地土质为壤土,地表种植的作物为苜蓿。在地表下一个垂直的剖面10、20、30、40、50、60、80、100 cm等8个深度处各埋设一个SWR-2型土壤水分传感器。采集的土壤含水率数据通过土壤水分信息采集与远传仪进行保存和传送。每个埋深处每4 h采集一次。 土壤水分信息采集与远传仪最多可以同时连接8个SWR-2型土壤水分传感器(测量土壤的体积含水率,测量精度为±2%)。远传仪具有带电RAM存储器,可以长期保存测量数据,即使在断电的情况下仍可以连续保存2 000组数据,保证数据不会丢失。远传仪用RS-232串行接口连接GSM/GPRS无线发送模块,将土壤含水率数据编制成短消息,通过无线网络发送到上位计算机中。 2 土壤含水率的季节动态 图1显示了从2005年1月1日至2005年12月31日一年中8个不同深度处土壤体积含水率的变化情况。每个深度处,每天采集6次数据,共有2190个土壤含水率采样数据。从图中可看出,越深处,土壤含水率变化曲线越平滑;越浅处,曲线变化越剧烈;同时从图中可以看出,6月份至9月份夏秋季节,雨量比较丰富,所以各个深度处土壤含水率变化较为剧烈。7月初由于当天降雨量大和降雨持续时间长,各层土壤含水率变化剧烈。从表1可知,一年内,10 cm埋深处土壤含水率平均值最小,100 cm埋深处土壤含水率平均值最大。而观察变异系数可发现,地表下越深处,变异系数越小。10、20 cm处变异系数最大,属于强变异。30~80 cm变异系数较大,而且数值比较接近,属于中等程度的变异。100 cm处变异系数最小,仅有5.2%,属于弱变异。 3 土壤水分与生长的关系 为了能够更加准确地描述变量之间的线性相关程度,可以通过计算相关系数来进行相关分析。 相关系数是衡量变量之间相关程度的一个量值,具体公式为 r=n∑i=1(Xi-ˉX)(Yi-ˉY)√n∑i=1(Xi-ˉX)2n∑i=1(Yi-ˉY)2(1)∑i=1n(Xi?Xˉˉˉ)(Yi?Yˉˉˉ)∑i=1n(Xi?Xˉˉˉ)2∑i=1n(Yi?Yˉˉˉ)2√(1) 式中r——两变量间的相关系数,r越大则线性相关性越大 Xi、Yi——样本容量为n的2个随机变量 ˉX、ˉY——变量的平均值 从表2可知,不同深度处土壤水分数据的线性相关性都较高,相关系数均超过了0.5。在垂向上相邻的层次间,相关系数很大,基本都超过了0.9。这说明在埋设传感器时,没有必要每隔10 cm就埋设一个,可以减少土壤水分传感器的埋设个数,用某几个层次的土壤水分,来反映0~100 cm所有层次的土壤水分状况。 4 使用一个条件直接进行分类 聚类分析的实质是建立一种分类的方法,在没有先验知识的情况下,将一批样本数据按照它们在性质上的亲密程度自动进行分类。本文选择了R型谱系聚类的分析方法来进行垂向上土壤水分的聚类分析。R型谱系聚类,是对不同的观察变量进行分类,使具有共同特征的变量聚集在一起,以便从不同类中分别选出具有代表型的变量作分析,从而减少分析变量的个数。 4.1 dpq—R型谱系聚类分析原理 R型谱系聚类分析的基本思想是首先视各变量自成一类,然后把最相似(指距离最小或相关系数最大)的变量聚为小类,再将已经聚合的小类按其相似性(用类间距离度量)再次聚合,随着相似性的减弱,最后将一切子类都聚合成一个大类,从而得到一个按相似性大小聚结起来的谱系图。 按照某些要求,通过谱系图就能够找到合适的分类数目。 R型谱系聚类分析的步骤为: (1) 把n个变量{S1,S2,…,Sn}开始时作为n个类,计算两两之间的距离构成一个对称距离矩阵 D(0)=(0d12?d1nd210?d2n????dn1dn2?0)(2) 式中dpq——两变量之间的距离 dpq有多种定义和计算方法,主要包括欧氏距离(Euclicean distan