基于GIS的区域气象因子空间变异分析方法+源代码(2)
5.1.2 减法聚类分区结果分析 11
5.1.3 改进的K均值分区结果分析 12
5.2 两个变量为分区指标 12
5.2.1 K均值算法分区结果分析 12
5.2.2 减法聚类分区结果分析 13
5.2.3 改进的K均值分区结果分析 13
5.3 三个变量为分区指标 14
5.3.1 K均值算法分区结果分析 14
5.3.2 减法聚类算法分区结果分析 15
5.3.3 改进的K均值分区结果分析 15
5.4 不同算法的优势与不足 16
6 总结与展望 16
致谢 17
参考文献： 17
基于GIS的区域气象因子空间变异分析方法
引言 地理信息系统是对空间信息进行处理且应用十分广泛的一类学科。地理信息系统的特色主要是增加了空间分析，它的作用是对空间样本数据进行特定处理并获取需要的信息。地统计又称作地质统计，利用变异函数，对区域化变量的空间分布特点进行研究。地统计学的特点在于，不仅可以精确描述空间分布格局间的相互关系，而且研究样本数据的空间方位及样本点间的距离问题，这对经典统计学忽略空间位置的不足做了改进[1]。聚类分析，简单来讲就是确定样本数据分类的数目以及分类的依据。通过聚类算法来对样本数据实现分区管理，对比分区前后样本数据空间分布特征的变化。根据不同的分类依据，有划分法、层次法、密度算法、图论聚类法、模型算法等等[2]。本文采用了减聚类算法和K-means算法，并使用减聚类对K均值做了改进，分析对比了几种算法的优势和不足。
1 绪论
1.1 研究背景
江苏省作为小麦主产区，其气候资源的空间分布对小麦产量及质量有重要的影响。气候不仅是人类生存，经济和社会发展进步的基本条件之一，同时也为农业生产提供了风、温度、水分等自然资源，且在农业领域，受气候变化制约较大，农业气候资源的分布特征与农业规划布局、作物生长发育及作物产量紧密关联。
气象要素的空间插值是气象要素区域化的重要体现形式，ArcGIS与地统计方法的结合具有重要的意义。克里金法和反距离权重法是最常用的插值方法[3]，本研究通过对气象因子插值和比较，得到最适合气象因子的插值法。
聚类算法应用起来较为基础，可通过聚类分析实现对样本数据的准确分区。K均值算法和减法聚类是较为成熟的聚类算法，根据气象数据变量来进行分区，能够取得很好的分区效果。
本文以江苏省68个气象站点为基础，研究江苏省气象因子的空间分布特征，对农业进行科学管理有重要意义。
1.2 研究意义
气象因子受到地理位置和生态环境等因子的综合影响，从而表现出一定的差异性。气象因子的空间变异会导致作物产量、环境效应等差异。在江苏省区域内，本文依据具有空间变异特征的气象因子对气象站点进行管理分区研究，有利于降低作物对气候的脆弱性。因此在江苏省区域内进行气象因子的空间变异分析，对推动优质小麦的区域化管理有指导意义。
1.3 国内外发展及研究现状
1.3.1 空间插值方法研究
1.3.2 聚类算法研究