基于定位轨迹的田间道路提取(文献综述)
1.研究意义
近年来中国农业的机械化水平不断提高，各类农业机械的功能模式逐渐多样化。物联网、移动互联网等信息技术的综合应用，使农机监测终端能够采集并上传农机的定位数据、状态数据、作业轨迹数据等[1]。越来越多的农业机械装载了定位装置，使农机在工作的同时可以采集到海量定位、状态等数据，蕴含着大量价值有待发掘。
对于车辆的有效监控管理是公众关注的热点问题之一。车辆监控系统集合了计算机技术、卫星导航技术、无线通讯技术，能够很好的满足人们对于车辆监控的需求。目前，我国的农机监控系统主要依赖美国的GPS技术[2]，虽然精度高但价格昂贵。我国新构建的北斗系统更加安全、经济且低成本。随着我国北斗卫星导航系统的全面推广，开发基于北斗卫星导航的车辆监控系统拥有巨大的应用前景[3]。利用BDS的农机监控系统正在逐渐推广，北斗农机定位系统可为机械化播种、插秧、植保、收割、翻耕、秸秆还田等农机作业，提供作业数据采集、自动化处理、统计分析、精细化管理等服务。定位监控、数据统计核查功能则大大方便了政府部门对农业机械的监管与调度[4]。
目前对农机作业监测的研究主要着重于信息的采集，而在信息的应用以及管理方面则相对欠缺，农机作业补贴的实施仍是难题。为了实现农机作业监测及补贴一站式的管理与服务，就需要农机作业信息自动采集[5]。农业机械在运作过程中，时间和空间维度上产生大量的作业数据﹐对农业机械行驶轨迹数据进行聚类分析在农机作业状态分析和效率研究中具有重要意义[6]，同时也为提取并重建田间道路数据模型提供了重要的数据来源。
目前我国农地田间道路的数据空窗较大，需要对农机行驶和作业轨迹进行监测与记录，从中提取并重建田间道路模型，为精准农业的运行与管理提供技术支持。
2.研究现状
随着智能农业、精准农业的发展，智能感知设备、移动嵌入式系统等物联网技术在现代农业中的应用逐步被拓宽。通过使用各种自动化、智能化的监控设备和网络技术获取基于时空信息的农业环境数据、农机作业数据和作物生长数据，不仅可以有效降低人力消耗和人为因素对农业环境的影响，而且通过采用大数据分析，能够为科学种植、科学管理提供决策支持。近年来研究农业机械作业区域和面积的成果也逐渐增加，目前农业机械定位数据的分析主要针对农机田间作业的过程和农机工作调配，也有部分对于田间小径提取的研究。田间道路量多且变更频繁，保障其完整、精确对于抗震救灾、小区导航或乡村游览等应用领域都非常重要。
2.1时空数据的聚类挖掘方法
时空对象的聚类是时空数据挖掘技术的重要手段之一，其基本思想是将具有相似行为的时空对象聚合成不同的类，使得类的内部对象之间的差异尽可能小，类与类之间的差异尽可能大，这有助于发现隐藏在时空对象中规律。其中，时空对象一般包括轨迹数据和带地理标记的多媒体数据两种类型，通过时空聚类算法来挖掘时空对象隐藏的知识已被广大学者认可，广泛应用于全球气候预测、交通管理、社会安全（如巡逻区域的安全级别)、公共卫生与医疗健康、旅游信息推荐等方面。
时空轨迹聚类的关键在于寻找时空对象之间的差异，因而需要定义一种相似性的测度来度量不同类之间的差异性，采取不同的相似性度量就是各种时空轨迹聚类方法的最大区别。基于划分的方法(如K均值聚类)与基于密度的方法(如DBSCAN、OPTICS)是最常用的聚类算法。K均值聚类是以对象之间的距离为是否进行聚类的判断依据，算法简单高效。但是聚类之初设定K的值的其影响非常大,甚至可能因K值的不合适而导致最终的聚类结果与实际情况有着严重的偏差，而且只能发现球状或凸形的簇。DBSCAN算法的基本思想是基于对象的密集程度进行聚类，即判断某对象在指定的范围内所包含相关对象的数量，如果该数量大于已设定的阙值，就把该对象添加到最相近的聚类集合中。与K均值聚类算法相比，DBSCAN算法抗噪音强度较好，具有很好的鲁棒性，而且能发现任意形状的簇。肖敬、刘卉、魏学礼等（2018）提出基于时空立方体的农机运动轨迹分割方法，主要就是基于密度的分割方法。基于农机作业的历史轨迹数据，以全球导航卫星系统定位设备记录的每个轨迹点为中心建立时空立方体。通过研究农机作业与道路行驶时空立方体的密度阈值，分离田间作业轨迹和道路行驶轨迹[7]。
张致宁（2019）利用DBSCAN和K-means聚类算法实现了基于空间轨迹数据的挖掘研究。基于Matlab编程语言，结合轨迹挖掘架构，对两种算法从原理，数据处理流程及程序运行时间和精度等多方面展开对比分析，得出其各自的特性及适用范围，可为领域内相关的数据挖掘研究提供一定的参考[8]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
