1.一种基于自组织神经网络的小流域水土保持区划方法，其特征在于实施步骤包括：

1)确定小流域水土保持评价指标体系；

2)根据小流域水土保持评价指标体系收集数据生成评价要素图层；

3)确定样本大小，按样本大小对评价要素图层进行重采样、叠加，将其转化为包含研究区所有样本的特征参数矩阵；

4)将特征参数矩阵为训练样本，利用自组织神经网络进行水土保持综合评价结果的初步聚类，得到小流域水土保持评价类簇结果；

5)将小流域水土保持评价类簇结果转化为栅格图像，对栅格图像进行滤波去除碎屑图斑、平滑区域边界，并通过制图表达获得小流域水土保持区划图；

步骤4)的详细步骤包括采用Kohonen学习算法训练自组织神经网络，且采用Kohonen学习算法训练自组织神经网络的详细步骤包括：S1)初始化自组织神经网络，设置自组织神经网络上输入层神经元数目N为小流域水土保持区划评价要素的个数、竞争层神经元数目M＝1*m，赋予N个输入神经元到输出神经元较小的连接权值，选出j个输出神经元的“邻接神经元”集合Sj，其中Sj(t)表示时刻t“邻接神经元”的集合且该值随时间增加而减小，其中m表示水土保持区划分区数目；

T

S2)向自组织神经网络的输入层X输入各评价指标组成的向量x＝(x1,x2,x3,…,xn) ；

S3)根据式(5)计算竞争层的权值向量和输入向量的距离dj；

式(5)中，X为输入层，Wj为输出神经元j与输入层X的连接权值，xi(t)为时刻t输入神经元i的输出，wij(t)为时刻t输入层的i神经元和竞争层j神经元之间的权值，m为输入神经元个数，即水土保持区划分区数目；当一个输入层神经元k对任意竞争层神经元j的距离dk最*小即为获胜神经元，记为j，并计算其邻接神经元集合；

*

S4)定义优胜邻域Sj(t)，以获胜神经元j为中心确定t时刻的权值调整优胜邻域Sj(t)，在训练过程中优胜邻域Sj(t)随训练时间t收缩；

*

S5)权值学习，根据式(6)更新获胜神经元j和位于其邻接神经元的权值Δwij；

*

Δwij＝ηh(j,j)(xi‑wij)                (6)式(6)中，η为0～1之间的常数，xi为输入神经元i的输出，wij为输入层的i神经元和竞争*层j神经元之间的权值；h(j,j)为领域函数，计算表达式如式(7)所示；

* 2 *

式(7)中，σ为邻域半径，j‑j为领域距离，其中σ随训练次数增大而减小，h(j,j)的范围也随之变窄；

S6)根据式(8)计算输出Ok；

Ok＝f(min||X‑Wj||)         (8)式(8)中，f(x)为0～1函数或指定的非线性函数；

S7)判断是否达到预设的训练次数，若未达到训练次数则返回S2)进入下一轮学习，否则训练结束，得到完成训练的自组织神经网络。

2.根据权利要求1所述的基于自组织神经网络的小流域水土保持区划方法，其特征在于，步骤1)中建立的小流域水土保持评价指标体系为以PSR模型为框架的小流域水土保持评价指标体系，所述以PSR模型为框架的小流域水土保持评价指标体系包括水土流失敏感性、土壤侵蚀态势、生态系统服务三项评价要素，每一项评价要素包括至少一项评价指标。

3.根据权利要求2所述的基于自组织神经网络的小流域水土保持区划方法，其特征在于，所述水土流失敏感性评价要素包括坡度、植被覆盖率、土地利用类型三项评价指标，所述土壤侵蚀态势评价要素包括土壤侵蚀强度一项评价指标，所述生态系统服务评价要素包括气体调节、气候调节、水源涵养、土壤形成、废物处理、生态多样性、食物生产、原材料生产、娱乐文化九项评价指标。

4.根据权利要求3所述的基于自组织神经网络的小流域水土保持区划方法，其特征在于，步骤2)根据小流域水土保持评价指标体系收集数据生成评价要素图层时，对于每项评价要素，如果该评价要素仅包括单项评价指标，则直接将该评价要素下唯一评价指标的评价指标图层作为评价要素图层；否则将该评价要素下所有评价指标的评价指标图层按照定性组合或权重合并后作为该要素的评价要素图层。

5.根据权利要求4所述的基于自组织神经网络的小流域水土保持区划方法，其特征在于，所述将该评价要素下所有评价指标的评价指标图层按照定性组合或权重合并后作为该要素的评价要素图层时，针对水土流失敏感性评价要素内所有评价指标的评价指标图层按照定性组合的方式计算，其中坡度分为多个坡度区间，土地利用类型分为非耕地、坡耕地、其他三种一级土地利用类型，且坡耕地分为水田、旱地两种二级土地利用类型，其他分为水域、建设用地、开采用地或建设施工场地、裸地四种二级土地利用类型，植被覆盖率针对非耕地分为多种区间，每一种植被覆盖率的非耕地对应多个坡度区间分别存在对应的水土流失敏感性评价指标值，每一种二级土地利用类型对应多个坡度区间分别存在对应的水土流失敏感性评价指标值，所述水土流失敏感性评价指标值包括多种连续的敏感性等级。

6.根据权利要求4所述的基于自组织神经网络的小流域水土保持区划方法，其特征在于，所述将该评价要素下所有评价指标的评价指标图层按照定性组合或权重合并后作为该要素的评价要素图层时，针对生态系统服务评价要素下所有评价指标的评价指标图层按照权重合并时，权重合并的函数表达式如式(1)所示：式(1)中，P为评价要素的要素值，Vi为该评价要素下第i项评价指标的指标值，Wi为第i项评价指标的权重，n为该评价要素包含评价指标的数量；

且针对生态系统服务评价要素下第i项评价指标的权重的计算采用熵权法，且采用熵权法得到权重的详细计算步骤包括：I)根据式(2)计算该评价要素下第i项评价指标的分配权重pi；

式(2)中，Yi表示为每个基本单元归一化后的值，n表示该评价要素下评价指标的数量；

II)根据式(3)计算该评价要素下第i项评价指标的信息熵Ei；

式(3)中，pi表示该评价要素下第i项评价指标的分配权重，n表示该评价要素下评价指标的数量；

III)根据式(4)计算该评价要素下第i项评价指标采用熵权法得到的权重Wi；

式(4)中，Ei表示该评价要素下第i项评价指标的信息熵，k为常数系数。

7.一种基于自组织神经网络的小流域水土保持区划系统，其特征在于包括：指标体系确定程序单元，用于确定小流域水土保持评价指标体系；

评价要素图层生成程序单元，用于根据小流域水土保持评价指标体系收集数据生成评价要素图层；

特征参数矩阵生成程序单元，用于确定样本大小，按样本大小对评价要素图层进行重采样、叠加，将其转化为包含研究区所有样本的特征参数矩阵；

自组织神经网络聚类程序单元，用于将特征参数矩阵为训练样本，利用自组织神经网络进行水土保持综合评价结果的初步聚类，得到小流域水土保持评价类簇结果；

区划图生成程序单元，用于将小流域水土保持评价类簇结果转化为栅格图像，对栅格图像进行滤波去除碎屑图斑、平滑区域边界，并通过制图表达获得小流域水土保持区划图；

所述自组织神经网络聚类程序单元采用Kohonen学习算法训练自组织神经网络，且采用Kohonen学习算法训练自组织神经网络的详细步骤包括：S1)初始化自组织神经网络，设置自组织神经网络上输入层神经元数目N为小流域水土保持区划评价要素的个数、竞争层神经元数目M＝1*m，赋予N个输入神经元到输出神经元较小的连接权值，选出j个输出神经元的“邻接神经元”集合Sj，其中Sj(t)表示时刻t“邻接神经元”的集合且该值随时间增加而减小，其中m表示水土保持区划分区数目；

T

S2)向自组织神经网络的输入层X输入各评价指标组成的向量x＝(x1,x2,x3,…,xn) ；

S3)根据式(5)计算竞争层的权值向量和输入向量的距离dj；

式(5)中，X为输入层，Wj为输出神经元j与输入层X的连接权值，xi(t)为时刻t输入神经元i的输出，wij(t)为时刻t输入层的i神经元和竞争层j神经元之间的权值，m为输入神经元个数，即水土保持区划分区数目；当一个输入层神经元k对任意竞争层神经元j的距离dk最*小即为获胜神经元，记为j，并计算其邻接神经元集合；

*

S4)定义优胜邻域Sj(t)，以获胜神经元j为中心确定t时刻的权值调整优胜邻域Sj(t)，在训练过程中优胜邻域Sj(t)随训练时间t收缩；

*

S5)权值学习，根据式(6)更新获胜神经元j和位于其邻接神经元的权值Δwij；

*

Δwij＝ηh(j,j)(xi‑wij)              (6)式(6)中，η为0～1之间的常数，xi为输入神经元i的输出，wij为输入层的i神经元和竞争*层j神经元之间的权值；h(j,j)为领域函数，计算表达式如式(7)所示；

* 2 *

式(7)中，σ为邻域半径，j‑j为领域距离，其中σ随训练次数增大而减小，h(j,j)的范围也随之变窄；

S6)根据式(8)计算输出Ok；

Ok＝f(min||X‑Wj||)               (8)式(8)中，f(x)为0～1函数或指定的非线性函数；

S7)判断是否达到预设的训练次数，若未达到训练次数则返回S2)进入下一轮学习，否则训练结束，得到完成训练的自组织神经网络。

8.一种基于自组织神经网络的小流域水土保持区划系统，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行权利要求1～6中任意一项所述基于自组织神经网络的小流域水土保持区划方法的步骤，或该计算机设备的存储介质上存储有被编程或配置以执行权利要求1～6中任意一项所述基于自组织神经网络的小流域水土保持区划方法的计算机程序。

9.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程或配置以执行权利要求1～6中任意一项所述基于自组织神经网络的小流域水土保持区划方法的计算机程序。