1.一种基于聚类算法划分乡村景观生态单元的方法，其特征在于，所述方法包括以下步骤：S1，对研究区域进行网格划分，得到A、B两类网格划分结果；S2，收集研究区域的基本信息，建立各区域的基本信息库；S3，整理所采集的基本信息数据并进行预处理，并准备对网格进行二次分析；S4，对A类网格进行多维聚类分析；S5，对A类网格的聚类结果进行命名和区分；S6，以A类网格的分类结果为参照，完善B类网格的数据；S7，对B类网格进行多维聚类分析，对结果进行命名和区分；S8，将A、B类网格分析结果数据可视化输出，以不同灰度的色块进行分类结果的区分；S9，合并相同灰度颜色且相邻的网格，依据分析结果生成生态单元。
2.根据权利要求1所述的一种基于聚类算法划分乡村景观生态单元的方法，其特征在于，所述S1中，划分网格的步骤包括：S11，计算研究对象的区域尺度：X方向最大长度H和Y方向最大长度L，按照计算公式：Y方向的网格数 单元总数 其中x为Y方向的网格数，x为正整数；n为单元边长；将相应尺度的网格覆盖在研究对象的卫星图上，去除内容为空的网格，留下的网格成为有效网格；S12，根据有效单元网格中，存在单个网格内部功能、构成及形态的差异大小来划分为A、B类网格。
3.根据权利要求1所述的一种基于聚类算法划分乡村景观生态单元的方法，其特征在于，所述S2中收集的基本信息包括：用地性质、水文与气候、高程与坡度、土壤敏感度以及植被覆盖度。
4.根据权利要求1所述的一种基于聚类算法划分乡村景观生态单元的方法，其特征在于，所述S3中，数据预处理的步骤为：S31，对数据进行清洗、变换，得到能有效处理的数据；S32，将连续数据转化为离散型数据；S33，通过PCA主成分分析方法对数据的维度进行预处理之后，选取95％能量因数维度的数据进行聚类，将高维的数据样本在信息损失较低的情况下降维。
5.根据权利要求4所述的一种基于聚类算法划分乡村景观生态单元的方法，其特征在于，所述S4中，对A类网格进行多维聚类分析步骤为：S41，初始化一个矩阵来存储每个网格的数据；S42，采用Python语言中Scikit-learn库函数的K-means算法对划分的网格进行聚类，k为初始选取的样本中心数，通过多次质心的迭代计算收敛，使总体分类的误差平方和函数最终达到一个最小值，得到K个样本的中心；S43，对算法中的k值和初始质心的位置进行多次尝试，选取聚类效果最好的一组结果作为最终的聚类结果。
6.根据权利要求5所述的一种基于聚类算法划分乡村景观生态单元的方法，其特征在于，所述S5中，对A类网格的聚类结果进行命名和区分的步骤为：S51，多维聚类分析后，得到聚类结果，不同组别聚类结果的网格单元用不同颜色标示；S52，利用网格的相邻位置将颜色分区确定相似地块，即为一个生态单元，并分别命名。
7.根据权利要求6所述的一种基于聚类算法划分乡村景观生态单元的方法，其特征在于，在所述S6中，完善B类网格的数据时，需要添加条件：与A类不同生态单元的相邻情况。
8.根据权利要求7所述的一种基于聚类算法划分乡村景观生态单元的方法，其特征在于，所述S7中，B类网格进行多维聚类分析步骤为：1)初始化一个矩阵来存储每个网格的数据；2)创建质心，随机k个质心；3)计算距离，欧式距离计算：n维欧氏空间的每个点X可以表示为(x[1]x[2]…x[n])其中x(i＝12…n)是实数，称为X的第i个坐标两个点A＝(a[1]a[2]…a[n])和B＝(b[1]b[2]…b[n])之间的距离d(AB)，定义为公式d(AB)＝sqrt[∑((a-b)^2)](i＝12…n)；4)判断k值大小，迭代计算距离；5)得出B类网格聚类结果。
9.根据权利要求4所述的一种基于聚类算法划分乡村景观生态单元的方法，其特征在于，所述S33中，对PCA降维处理的步骤为：1)将样本集X＝[x1,x2,x3,x4,...]进行中心化处理，即每个样本的每个属性减去对应属性在样本集中的均值；2)计算协方差矩阵D＝XXT；3)对特征值从大到小排序，选择相关性最低的k个属性的投影方向进行线性组合，然后将其对应的k个特征向量分别作为行向量组成特征向量矩阵P；4)将数据转换到k个特征向量构建的新空间中，即Y＝PX。
10.根据权利要求5所述的一种基于聚类算法划分乡村景观生态单元的方法，其特征在于，所述S42的具体步骤为：首先随机选择任意一个数字k，将k个中心分别记为μ 1 ,μ 2 ,…,μ k ；其次根据每个聚类对象的均值，代入公式组：计算每个对象与这些中心对象的欧氏距离Dis，并根据最小距离D重新对相应对象进行划分，进而计算每个所获新聚类的聚类中心 不断重复这一过程直到均方差标准测度函数开始收敛为止；计算公式如下：E为数据库中所有对象的均方差和；p为对象的空间中的一个点；μ i 为聚类x i 的均值。
