随着气候变化的日趋明显,农业气象灾害的频率增加、强度增强、危害加重,对国家粮食安全和农业可持续发展构成严重威胁。因此,对农业灾害进行区划,可以科学认识气象灾害、了解气象灾情、提高气象灾害意识,为农业合理布局,分区发展,为实现农业区域化、现代化而形成的农业区划提供农业气象灾害区划方面的依据。本文主要针对农业气象灾害区划中关键技术进行研究与应用。农业气象灾害区划是由湖南省气候中心支持的科研项目,在农业气象灾害区划的过程中,来自各个气象站点的气象要素小网格数据是实现农业气象灾害区划的基础。农业气象灾害区划首先需要对气象要素数据进行插值生成小网格数据,由于气象要素数据种类较多,需要对不同的插值算法以及衍生算法研究。因此本文针对不同的气象要素分析了12种常用的插值算法。同时,插值后的小网格数据是基于时间和经纬度的数据立方体,由于不同种类的气象要素与不同的插值方法结合,插值后的气象小网格数据量的庞大,根据气象灾害要素小网格插值结果的特点,通过实验分析气象灾害要素小网格数据的不同存储格式的计算机操作性能指标,确定了基于Network Common Data Format(NetCDF)格式的气象灾害要素小网格插值数据的存储方案,这种方案解决了海量小网格数据的存储问题,在实际应用中取得了较好的效果。农业气象灾害区划过程中,由于插值后的气象要素小网格数据是一种海量数据,需要采用处理海量数据常用的数据挖掘技术,尤其是聚类分析方法。聚类分析方法通过对海量数据做自然归类处理,以期得到在地理信息系统支持下农业气象灾害区划有意义的数据表示结果。K-means算法是聚类分析中一种基于划分的聚类算法,常采用偏差作为聚类准则。由于小网格插值数据信息量大,而且需要进行实时聚类,这就需要改进经典的K-means算法。因此,在k-means算法的基础上,通过引入kd树空间数据结构,初始聚类中心从多维数据某一维的区间等间隔集中选取,以及在数据对象分配过程中采用剪枝策略来提高算法的运行效率,称之为CK-means算法。通过此改进算法与经典的K-means算法相比,运行效率更加优越。