2022年NDVI與氣象因子的相關(guān)關(guān)系分析

1、NDVI 與氣象因子的相關(guān)關(guān)系分 析 遙感應(yīng)用模型實習 NDVI 與氣象因子相關(guān)性分析 實習報告 班級 xxxx 班 學號 xxxxxx 姓名 xxxxx 日期 201x, 0 x, 0 x 第 1 頁,共 11 頁NDVI 與氣象因子的相關(guān)關(guān)系分 析 武漢高校教學試驗報告 遙感信息工程 學院 遙感科學與技術(shù) 專業(yè) 201x 年 x 月 x 日 試驗名稱 NDVI 與氣象因子相關(guān)性分析 指導(dǎo)老師 xx 姓名 xx 班級 xxxx 班 學號 xxx 成果 一, 預(yù)習部分 1. 試驗?zāi)康?試2. 驗基本原理 3. 主要儀器設(shè)備 含必要的元器件,工具 第 2 頁,共 11 頁NDVI 與氣象因子的相

2、關(guān)關(guān)系分 析 1.試驗?zāi)康?利用已有的 MODIS 影像數(shù)據(jù)運算歸一化植被指NDVI,并利用地面氣象站同步觀測 數(shù)據(jù)提取積溫,日照等氣象因子 , 建立起 NDVI 與氣象因子的體會模 , 分析二者之間的相 關(guān)性, 并通過在生物化學方面對 NDVI 與氣象因子之間的關(guān)系進行說明分析 , 實現(xiàn)在植被 生理方面說明它們之間的關(guān)系 , 從而期望之后能夠利用地面氣象站的氣象數(shù)據(jù)推測 NDVI 并實現(xiàn)估產(chǎn)等方面的應(yīng)用； 也期望通過這次實習 , 學會如何合理科學地建立體會模型 實際規(guī)律熟識的說明 , 這就是很重要的； , 并在建立模型后實現(xiàn)符合 2.試驗基本原理 依據(jù)植被特有的光譜特點 , 它在可見光部分由

3、于色素的存在 , 會有較強的吸取 , 而在 紅邊波段處快速抬升；利用這一特點可以建立起植被指數(shù)來探測植被像元并且以植被指 數(shù)可以求取許多植被相關(guān)參數(shù) , 如植被掩蓋率,葉面積指數(shù) , 甚至用于植被估產(chǎn)等；歸一 化植被指數(shù) NDVI 就就是以此為基礎(chǔ)提出的 , 并在許多領(lǐng)域廣泛利用； NDVI 值分布在 -1 到 1 之間 ,NDVI0 時可確定植被的存在 , 且 NDVI 越大 , 植被掩蓋率越高 , 但在高植被掩 蓋 率地區(qū) ,NDVI 就簡潔飽與了； NDVI 的運算公式如下 : 而植被的生理狀態(tài)常常會影響 NDVI,氣象因子又會影響植被的生理狀態(tài) , 所以可以 NDVI=NIR-Red/

4、NIR+Red 建立起氣象因子與 NDVI 的關(guān)系模型；一般在遙感應(yīng)用模型中可以建立的模型類型包括 驗?zāi)Ｐ?物理模型與半體會半物理模型； 此處氣象因子與 NDVI 的關(guān)系我們建立的時體 模型, 即通過分析兩類數(shù)據(jù)之間的相關(guān)性選擇合適的關(guān)系式建立模型；體會模型的建立 , 如期望它能夠有意義 , 樣本點至少要有 30 個, 仍應(yīng)有相應(yīng)的驗證樣本 , 但此處受數(shù)據(jù)限 制, 樣本不足 , 只能建立模型 , 無法完成驗證；模型的相關(guān)性應(yīng)在確定閾值以上才能證明二 者之間相關(guān)；最終在模型建立后仍應(yīng)從實際植被生理方面對模型有所說明 , 能夠找到與實 際相符的關(guān)系才認為模型可以接受； 3.主要儀器設(shè)備 本次實習

5、中利用的數(shù)據(jù)包括隨州 2022年與 2022年 MODIS250m辨論率的紅波段與近 紅外影像 , 隨州 03 年 04 年地面站每日溫度, 日照數(shù)據(jù)；由于溫度對植被的作用就是累加 的, 所以需要利用每日溫度求積溫 , 積溫定義為溫度在 0 以上的每日溫度的累加值 , 同理 , 日照有延時效應(yīng) , 所以可以統(tǒng)計一個 5 日累計日照時間, 10 日累計日照時間與 15 日累計 日照時間； 實習中使用的軟件包括 ERDA,S Excel與 Matlab；利用 ERDAS可以運算 MODIS 影像的平均 NDVI 求取積溫,累計日照時間 ,Matlab 用于擬合氣象因子與 NDVI 值,Excel

6、的關(guān)系 , 并求出 R2與 RMSE判定擬合成效與數(shù)據(jù)相關(guān)性； 第 3 頁,共 11 頁NDVI 與氣象因子的相關(guān)關(guān)系分 析 二, 1. 2. 3. 試驗操作部分 試驗數(shù)據(jù),表格及數(shù)據(jù)處理 試驗操作過程 可用圖表示 結(jié)論 1.試驗數(shù)據(jù),表格與數(shù)據(jù)處理 試驗區(qū)域我們組分到的就是隨州 2022 年與 2022 年的 MODIS 影像與對應(yīng)的地面站 象數(shù)據(jù) , 包括每日氣溫與每日日照時間；由于我們需要建立的就是 NDVI 與氣象因子之的關(guān)系 , 所以需要先利用 MODIS影像的近紅外與紅波段求 NDVI,這里應(yīng)當要對數(shù)據(jù)進行 間 預(yù)處理 , 包括去除條帶噪聲 ,Bow-tie 校正 , 太陽天頂角訂

7、正與幾何校正等 , 但現(xiàn)有的數(shù)據(jù) 已經(jīng)做好預(yù)處理了 , 可以直接用就好；運算 NDVI 就是利用 ERDAS里的 modeler模塊 , 留 分母為 0 的情形要去除；而氣象數(shù)據(jù)就是每日溫度與每日日照時間 , 考慮氣象因子的延時 效應(yīng) , 需要運算累計值 , 這里我就是用 Excel 直接進行的統(tǒng)計 , 留意最終求出的結(jié)果都要 乘以 0,1；在求出 NDVI 與積溫,累計日照時間后 , 利用 Matlab 的 CFTool 模塊進行相 關(guān)系擬合并運算 R2與 RMSE判 , 斷評判擬合成 效； 2.試驗操作過程 MODIS 影像的 NDVI 運算 得到的 MODIS 影像已經(jīng)經(jīng)過數(shù)據(jù)預(yù)處理步驟

8、 ,可直接利用 Modeler Maker 建立運算 NDVI 的模型 ,在建模時需要留意分母有可能為 0 的情形 ,所以添加判定語句 :NDVI 分母為 0 時,NDVI 直接取值為 0；又由于最終用于曲線擬合的 NDVI 值就是整幅影像的 NDVI 值取平均 ,而 NDVI 值小于 0 處一般認為不就是植被 ,所以我又增加了一個判定 ,NDVI 值 0 的像元不進入平均運算 ,這樣可得到兩種平均 NDVI 值,一為整幅圖的 NDVI 取平均 ,另一 個就就是去除 NDVI 小于 0 的像元后再取平均得到的平均 NDVI 值；將對應(yīng)日期的 NDVI 導(dǎo)入 Excel 中 ,便于之后的關(guān)系擬合

9、； 2.2 氣象數(shù)據(jù)的積溫,累計日照時間求解 得到的地面站氣象數(shù)據(jù)就是每日的氣溫與每日日照時間 ,但考慮到溫度與日照對植 被的影響并不就是馬上見效的 ,總有延時效應(yīng) ,所以需要對溫度與日照時間進行累加 ,運算 積溫與 5 日, 10 日與 15 日的累計日照時間 ,這些累加都就是利用 Excel 完成的； Matlab 擬合 NDVI 與氣象因子關(guān)系 取出 Excel 中影像對應(yīng)的 NDVI 與積溫,累計日照時間值 ,導(dǎo)入 Matlab 中；利用 Matlab 第 4 頁,共 11 頁NDVI 與氣象因子的相關(guān)關(guān)系分 析 中曲線擬合的 cftool 模塊 ,導(dǎo)入數(shù)據(jù) ,選擇擬合關(guān)系的形式 ,比

10、如線性的,二次曲線,三次 曲線等 ,即可實現(xiàn)曲線擬合 ,并運算出 R2 與 RMSE 用于擬合成效評判；留意有一些氣象 數(shù) 據(jù)比如 03 年 12 月的兩個 ,由于沒有對應(yīng)的影像數(shù)據(jù)需要刪除； 3.結(jié)論 利用 Matlab 擬合積溫,累積日照時間與 NDVI 的關(guān)系 , 由于體會模型的建立需要大 的樣本 , 至少 30 個左右 , 而可以利用的 03 年與 04 年的影像數(shù)據(jù)加起來才能達到這一量 級, 所以在之后的擬合中 , 將 03 與 04 年的數(shù)據(jù)一起加入擬合 , 就不按年份分開來做了 , 否 就可能會顯現(xiàn)因樣本數(shù)不足而使擬合成效不行信的情形； NDVI 與積溫的相關(guān)關(guān)系擬合 以累積溫度

11、作為 x 軸,NDVI 作為 y 軸,以二次曲線對數(shù)據(jù)進行擬合 ,成效如下 : 圖 1 累計溫度與 NDVI 的關(guān)系 Goodness of fit: SSE: 0, 08114 R-square: 0, 8449 Adjusted R-square: 0, 8339 RMSE: 0 , 05383 可以瞧到方程的可決系數(shù) R2值為 0, 8449, 而可決系數(shù)越趨 1, 說明模型對數(shù)據(jù)的 近 擬合成效越好；均方根誤差 RMSE為 0, 05383,RMSE越小 , 說明數(shù)據(jù)的離散程度越??；以可以瞧到 NDVI 與積溫之間的確有相關(guān), 并且二者呈二次曲線關(guān)系 , 即在確定范疇內(nèi) , 溫度越高

12、,NDVI 也隨之增加 , 但到確定閾值后 , 積溫越大 ,NDVI 反而減??；這與實際情形也 就是相符的；在植物生長過程中 , 溫度慢慢增加 , 利于植被的發(fā)芽長葉與葉綠素的合成 , 由此 NDVI 值也更加增大 , 但溫度太高 , 超過植被生長的最高溫度 , 植被就有可能缺水甚 至死亡 , 這樣 NDVI 就會隨溫度增加反而下降； 這就是符合植物生理過程 , 也說明這個模 的 第 5 頁,共 11 頁NDVI 與氣象因子的相關(guān)關(guān)系分 析 型可以接受； NDVI 與累積日照時間的相關(guān)關(guān)系 10 日累積日照時 累計日照時間可以用 3 種不同時長累積 , 包括 5 日累計日照時間, 間與 15

13、日累積日照時間； NDVI 與 5 日累積日照時間的相關(guān)關(guān)系 以 5 日累計日照時間為 x 軸,NDVI 為 y 軸, 擬合成效如下 : 圖 2 5 日累積日照時間與 NDVI 擬合 Goodness of fit: SSE: 0, 4451 R-square: 0, 1495 Adjusted R-square: 0 , 1201 RMSE: 0 , 1239 可以瞧到 5 日累積日照與 NDVI 之間的相關(guān)性并不明顯 ,從散點圖來瞧幾乎可以斷言 二者僅有脆弱的相關(guān)性；而通過結(jié)合實際分析 ,日照時間的確應(yīng)當與 NDVI 相關(guān),所以 ,可 能就是由于數(shù)據(jù)太少 ,無法排除誤差等因素造成的影響；

14、為了驗證去除了小于 0 的 NDVI 平均值就是否能與累計日照時間有更好的相關(guān)性 , 將去除負值后的 NDVI 值也導(dǎo)入 Matlab 進行曲線擬合 ,成效如下 : 第 6 頁,共 11 頁NDVI 與氣象因子的相關(guān)關(guān)系分 析 圖 3 5 日累計日照時間與去除負值后的 NDVI 平均值的相關(guān)關(guān)系 Goodness of fit: SSE: 0, 4429 R-square: 0, 1499 Adjusted R-square: 0 ,1206 RMSE: 0 , 1236 可以瞧到點分布仍就是特別別散的 , 擬合成效仍就是不如人意；但僅從 等定量的評判指標來瞧 , 去除負值后的 NDVI 平均

15、值衡量模型擬合成效的可決系R2 與 RMSE R2增了 0, 0004, 反映數(shù)據(jù)離散程度的 RMSE削減了 0,0003,仍就是在向好的方向提升的；因 為 NDVI 為負值的像元理論上認為它不屬于植, 雖然 MODIS 一個像元對應(yīng)的地面面積大就是 250 米 x250 米, 很簡潔顯現(xiàn)混合像元 , 但仍就是直接將負的 NDVI 認為非植被去了, 這樣的確應(yīng)當對擬合成效有所提高 果不佳也就是可能的； , 但又由于對實際地表情形也不清楚 , 所以提升效 NDVI 與 10 日累積日照時間的相關(guān)關(guān)系 以 10 日累計日照時間為 x 軸,NDVI 為 y 軸, 擬合成效如下 : 第 7 頁,共 1

16、1 頁NDVI 與氣象因子的相關(guān)關(guān)系分 析 圖 4 10 日累計日照時間與 NDVI 的相關(guān)關(guān)系 Goodness of fit: SSE: 0, 5053 R-square: 0, 03441 Adjusted R-square: 0 , 001118 RMSE: 0 , 132 由圖中樣本點的分布可以瞧出 , 基本沒有相關(guān)性；從定量指標 R2與 RMSE來瞧 , 二的確基本可以判定為無明顯相關(guān)性； 而由于結(jié)合實際情形 , 日照有利于植被生長與葉綠素 的合成 , 理論上會越長的日照會使 NDVI 增加 , 所以選擇利用一次曲線進行擬 , 而成效類 似 5 日日照時間的累計值 , 分析緣由有可

17、能就是數(shù)據(jù)的問題 , 但由于樣本數(shù)不足 , 無法對 其中的噪聲,誤差進行排除 , 所以擬合成效不好； 類似的 , 期望分析去除負值后的平均 NDVI 值 與 能對結(jié)果有所優(yōu)化 , 二者的擬合成效如下 : 圖 5 10 日累計日照時間與去除負值后的 10 日日照累計時長的關(guān)系 , 瞧就是否 NDVI 相關(guān)關(guān)系 第 8 頁,共 11 頁NDVI 與氣象因子的相關(guān)關(guān)系分 析 Goodness of fit: SSE: 0, 5033 R-square: 0, 03409 Adjusted R-square: 0 , 0007806 RMSE: 0 , 1317 由散點圖分布瞧 , 成效并無明顯改善

18、; 而從定量指標分析來瞧 , 成效不僅沒有改善 , 反 而愈發(fā)差了；說明由于 MODIS 像元辨論率太低 , 混合像元情形許多 , 復(fù)雜的地面情形導(dǎo) 僅以 NDVI 值為負判定植被就是否存在就是不行取 致 , 所以擬合成效反而變差了； 的 NDVI 與 15 日累積日照時間的相關(guān)關(guān)系 以 15 日累計日照時間為 x 軸,NDVI 為 y 軸, 擬合成效如下 : 圖 6 15 日累計日照時間與 NDVI 的相關(guān)關(guān)系 Goodness of fit: SSE: 0, 4685 R-square: 0, 1048 Adjusted R-square: 0 , 0739 RMSE: 0 , 1271

19、由散點圖來瞧 ,15 日累計日照時間與 NDVI 的相關(guān)性優(yōu)于 10 日的 ,但仍就是相關(guān)性很 低；由定量評判指標來瞧 ,15 日日照時長累計值與 NDVI 僅脆弱相關(guān)且數(shù)據(jù)離散； 分析去除負值后的 NDVI 平均值與 15 日累計日照時間的相關(guān)性 ,擬合成效如下 : 第 9 頁,共 11 頁NDVI 與氣象因子的相關(guān)關(guān)系分 析 圖 7 15 日累計日照時間與去除負值后的 Goodness of fit: NDVI 的相關(guān)關(guān)系 SSE: 0, 4668 R-square: 0, 1042 Adjusted R-square: 0 , 07328 RMSE: 0 , 1269 可以瞧到去除負值前

20、后的 NDVI 平均值與 15 日累計日照時間的擬合成效類似 ,說明 期望通過 NDVI 為負判定植被存在與否 ,并通過去除這些負值提高精度就是不行能的 ,這 與地面復(fù)雜情形有關(guān)； 三,試驗成效分析 包括儀器設(shè)備等使用成效 第 10 頁,共 11 頁NDVI 與氣象因子的相關(guān)關(guān)系分 析 將 NDVI 與溫度,累計日照時間擬合成效建立一個表格 RMSE 來分析擬合成效； ,通過對比它們的可決系數(shù) R2 與 表 1 NDVI 與氣象因子的相關(guān)性分析 氣象因子 可決系數(shù) R2 均方根誤差 RMSE 積溫 0, 8449 0, 05383 5 日累計日照時間 0, 1495 0, 1239 10 日累計日照時間 0, 03441 0, 132 15 日累計日照時間 0, 1048 0, 1271 可決系數(shù) R2 適用于衡量模型的擬合程度的一個指 ,R2 越趨 1 證明擬合成效越好 ; 均方 根誤差 RMSE 反映數(shù)據(jù)的離散程度 ,RMSE 值越大 ,說明數(shù)據(jù)越離散；依據(jù)這樣的評判指標 , 可以瞧到積溫與植被指數(shù)就是的確存在強相關(guān)性的 ,而累計日照時間 ,特殊就是 10 日的累計 日照時間與植被指數(shù)之間基本不相關(guān)； 分析擬合結(jié)果 ,可以瞧到對于溫度與 NDVI 的擬合使用的就是二次曲線 ,由于結(jié)合實際生 理情形 ,溫度與植被生長的確中意二次曲線的關(guān)系 理