NDVI与气象因子的相关关系分析.docx
《NDVI与气象因子的相关关系分析.docx》由会员分享,可在线阅读,更多相关《NDVI与气象因子的相关关系分析.docx(13页珍藏版)》请在冰豆网上搜索。
![NDVI与气象因子的相关关系分析.docx](https://file1.bdocx.com/fileroot1/2023-1/30/f9a2d90f-a1c9-46a4-a213-fe037f695467/f9a2d90f-a1c9-46a4-a213-fe037f6954671.gif)
NDVI与气象因子的相关关系分析
遥感应用模型实习
NDVI与气象因子相关性分析
实习报告
班级xxxx班
学号xxxxxx
姓名xxxxx
日期201x、0x、0x
武汉大学教学实验报告
遥感信息工程学院遥感科学与技术专业201x年x月x日
实验名称
NDVI与气象因子相关性分析
指导教师
xx
姓名
xx
班级
xxxx班
学号
xxx
成绩
一、预习部分
1.实验目的
2.实验基本原理
3.主要仪器设备(含必要的元器件、工具)
1.实验目的
利用已有的MODIS影像数据计算归一化植被指数NDVI,并利用地面气象站同步观测数据提取积温、日照等气象因子,建立起NDVI与气象因子的经验模型,分析二者之间的相关性,并通过在生物化学方面对NDVI与气象因子之间的关系进行解释分析,实现在植被生理方面解释它们之间的关系,从而希望之后能够利用地面气象站的气象数据预测NDVI并实现估产等方面的应用。
也希望通过这次实习,学会如何合理科学地建立经验模型,并在建立模型后实现符合实际逻辑认识的解释,这就是很重要的。
2.实验基本原理
根据植被特有的光谱特征,它在可见光部分由于色素的存在,会有较强的吸收,而在红边波段处快速抬升。
利用这一特征可以建立起植被指数来探测植被像元并且以植被指数可以求取许多植被相关参数,如植被覆盖率、叶面积指数,甚至用于植被估产等。
归一化植被指数NDVI就就是以此为基础提出的,并在许多领域广泛利用。
NDVI值分布在-1到1之间,NDVI>0时可确定植被的存在,且NDVI越大,植被覆盖率越高,但在高植被覆盖率地区,NDVI就容易饱与了。
NDVI的计算公式如下:
NDVI=(NIR-Red)/(NIR+Red)
而植被的生理状态常常会影响NDVI,气象因子又会影响植被的生理状态,所以可以建立起气象因子与NDVI的关系模型。
一般在遥感应用模型中可以建立的模型类型包括经验模型、物理模型与半经验半物理模型。
此处气象因子与NDVI的关系我们建立的时经验模型,即通过分析两类数据之间的相关性选择合适的关系式建立模型。
经验模型的建立,若希望它能够有意义,样本点至少要有30个,还应有相应的验证样本,但此处受数据限制,样本不足,只能建立模型,无法完成验证。
模型的相关性应在一定阈值以上才能证明二者之间相关。
最后在模型建立后还应从实际植被生理方面对模型有所解释,能够找到与实际相符的关系才认为模型可以接受。
3.主要仪器设备
本次实习中利用的数据包括随州2003年与2004年MODIS250m分辨率的红波段与近红外影像,随州03年04年地面站每日温度、日照数据。
因为温度对植被的作用就是累加的,所以需要利用每日温度求积温,积温定义为温度在0以上的每日温度的累加值,同理,日照有延时效应,所以可以统计一个5日累计日照时间、10日累计日照时间与15日累计日照时间。
实习中使用的软件包括ERDAS、Excel与Matlab。
利用ERDAS可以计算MODIS影像的平均NDVI值,Excel求取积温、累计日照时间,Matlab用于拟合气象因子与NDVI的关系,并求出R²与RMSE判断拟合效果与数据相关性。
二、实验操作部分
1.实验数据、表格及数据处理
2.实验操作过程(可用图表示)
3.结论
1.实验数据、表格与数据处理
实验区域我们组分到的就是随州2003年与2004年的MODIS影像与对应的地面站气象数据,包括每日气温与每日日照时间。
由于我们需要建立的就是NDVI与气象因子之间的关系,所以需要先利用MODIS影像的近红外与红波段求出NDVI,这里应该要对数据进行预处理,包括去除条带噪声,Bow-tie校正,太阳天顶角订正与几何校正等,但现有的数据已经做好预处理了,可以直接用就好。
计算NDVI就是利用ERDAS里的modeler模块,注意分母为0的情况要去除。
而气象数据就是每日温度与每日日照时间,考虑气象因子的延时效应,需要计算累计值,这里我就是用Excel直接进行的统计,注意最后求出的结果都要乘以0、1。
在求出NDVI与积温、累计日照时间后,利用Matlab的CFTool模块进行相关关系拟合并计算R²与RMSE,判断评价拟合效果。
2.实验操作过程
2.1MODIS影像的NDVI计算
得到的MODIS影像已经经过数据预处理步骤,可直接利用ModelerMaker建立计算NDVI的模型,在建模时需要注意分母有可能为0的情况,所以添加判断语句:
NDVI分母为0时,NDVI直接取值为0。
又因为最后用于曲线拟合的NDVI值就是整幅影像的NDVI值取平均,而NDVI值小于0处一般认为不就是植被,所以我又增加了一个判断,NDVI值<0的像元不进入平均计算,这样可得到两种平均NDVI值,一为整幅图的NDVI取平均,另一个则就是去除NDVI小于0的像元后再取平均得到的平均NDVI值。
将对应日期的NDVI导入Excel中,便于之后的关系拟合。
2.2气象数据的积温、累计日照时间求解
得到的地面站气象数据就是每日的气温与每日日照时间,但考虑到温度与日照对植被的影响并不就是立即见效的,总有延时效应,所以需要对温度与日照时间进行累加,计算积温与5日、10日与15日的累计日照时间,这些累加都就是利用Excel完成的。
2.3Matlab拟合NDVI与气象因子关系
取出Excel中影像对应的NDVI与积温、累计日照时间值,导入Matlab中。
利用Matlab中曲线拟合的cftool模块,导入数据,选择拟合关系的形式,比如线性的、二次曲线、三次曲线等,即可实现曲线拟合,并计算出R²与RMSE用于拟合效果评价。
注意有一些气象数据比如03年12月的两个,因为没有对应的影像数据需要删除。
3.结论
利用Matlab拟合积温、累积日照时间与NDVI的关系,由于经验模型的建立需要大量的样本,至少30个左右,而可以利用的03年与04年的影像数据加起来才能达到这一量级,所以在之后的拟合中,将03与04年的数据一起加入拟合,就不按年份分开来做了,否则可能会出现因样本数不足而使拟合效果不可信的情况。
3.1NDVI与积温的相关关系拟合
以累积温度作为x轴,NDVI作为y轴,以二次曲线对数据进行拟合,效果如下:
图1累计温度与NDVI的关系
Goodnessoffit:
SSE:
0、08114
R-square:
0、8449
AdjustedR-square:
0、8339
RMSE:
0、05383
可以瞧到方程的可决系数R²值为0、8449,而可决系数越趋近1,说明模型对数据的拟合效果越好。
均方根误差RMSE为0、05383,RMSE越小,说明数据的离散程度越小。
所以可以瞧到NDVI与积温之间确实有相关性,并且二者呈二次曲线关系,即在一定范围内,温度越高,NDVI也随之增加,但到一定阈值后,积温越大,NDVI反而减小。
这与实际情况也就是相符的。
在植物生长过程中,温度慢慢增加,利于植被的发芽长叶与叶绿素的合成,由此NDVI值也越发增大,但温度太高,超过植被生长的最高温度时,植被就有可能缺水甚至死亡,这样NDVI就会随温度增加反而下降。
这就是符合植物生理过程的,也说明这个模型可以接受。
3.2NDVI与累积日照时间的相关关系
累计日照时间可以用3种不同时长累积,包括5日累计日照时间、10日累积日照时间与15日累积日照时间。
3.2.1NDVI与5日累积日照时间的相关关系
以5日累计日照时间为x轴,NDVI为y轴,拟合效果如下:
图25日累积日照时间与NDVI拟合
Goodnessoffit:
SSE:
0、4451
R-square:
0、1495
AdjustedR-square:
0、1201
RMSE:
0、1239
可以瞧到5日累积日照与NDVI之间的相关性并不明显,从散点图来瞧几乎可以断言二者仅有微弱的相关性。
而通过结合实际分析,日照时间确实应该与NDVI相关,所以,可能就是因为数据太少,无法排除误差等因素造成的影响。
为了验证去除了小于0的NDVI平均值就是否能与累计日照时间有更好的相关性,将去除负值后的NDVI值也导入Matlab进行曲线拟合,效果如下:
图35日累计日照时间与去除负值后的NDVI平均值的相关关系
Goodnessoffit:
SSE:
0、4429
R-square:
0、1499
AdjustedR-square:
0、1206
RMSE:
0、1236
可以瞧到点分布还就是十分离散的,拟合效果还就是不如人意。
但仅从R²与RMSE等定量的评价指标来瞧,去除负值后的NDVI平均值衡量模型拟合效果的可决系数R²增加了0、0004,反映数据离散程度的RMSE减少了0、0003,还就是在向好的方向提升的。
因为NDVI为负值的像元理论上认为它不属于植被,虽然MODIS一个像元对应的地面面积很大就是250米x250米,很容易出现混合像元,但还就是直接将负的NDVI认为非植被去除了,这样确实应该对拟合效果有所提高,但又因为对实际地表情况也不清楚,所以提升效果不佳也就是可能的。
3.2.2NDVI与10日累积日照时间的相关关系
以10日累计日照时间为x轴,NDVI为y轴,拟合效果如下:
图410日累计日照时间与NDVI的相关关系
Goodnessoffit:
SSE:
0、5053
R-square:
0、03441
AdjustedR-square:
0、001118
RMSE:
0、132
由图中样本点的分布可以瞧出,基本没有相关性。
从定量指标R²与RMSE来瞧,二者确实基本可以判断为无明显相关性。
而因为结合实际情况,日照有利于植被生长与叶绿素的合成,理论上会越长的日照会使NDVI增加,所以选择利用一次曲线进行拟合,而效果类似5日日照时间的累计值,分析原因有可能就是数据的问题,但由于样本数不足,无法对其中的噪声、误差进行排除,所以拟合效果不好。
类似的,希望分析去除负值后的平均NDVI值与10日日照累计时长的关系,瞧就是否能对结果有所优化,二者的拟合效果如下:
图510日累计日照时间与去除负值后的NDVI相关关系
Goodnessoffit:
SSE:
0、5033
R-square:
0、03409
AdjustedR-square:
0、0007806
RMSE:
0、1317
由散点图分布瞧,效果并无明显改善;而从定量指标分析来瞧,效果不仅没有改善,反而愈发差了。
说明由于MODIS像元分辨率太低,混合像元情况很多,复杂的地面情况导致仅以NDVI值为负判断植被就是否存在就是不可取的,所以拟合效果反而变差了。
3.2.3NDVI与15日累积日照时间的相关关系
以15日累计日照时间为x轴,NDVI为y轴,拟合效果如下:
图615日累计日照时间与NDVI的相关关系
Goodnessoffit:
SSE:
0、4685
R-square:
0、1048
AdjustedR-square:
0、0739
RMSE:
0、1271
由散点图来瞧,15日累计日照时间与NDVI的相关性优于10日的,但还就是相关性很低。
由定量评价指标来瞧,15日日照时长累计值与NDVI仅微弱相关且数据离散。
分析去除负值后的NDVI平均值与15日累计日照时间的相关性,拟合效果如下:
图715日累计日照时间与去除负值后的NDVI的相关关系
Goodnessoffit:
SSE:
0、4668
R-square:
0、1042
AdjustedR-square:
0、07328
RMSE:
0、1269
可以瞧到去除负值前后的NDVI平均值与15日累计日照时间的拟合效果类似,说明希望通过NDVI为负判断植被存在与否,并通过去除这些负值提高精度就是不可能的,这与地面复杂情况有关。
三、实验效果分析(包括仪器设备等使用效果)
将NDVI与温度、累计日照时间拟合效果建立一个表格,通过对比它们的可决系数R²与RMSE来分析拟合效果。
表1NDVI与气象因子的相关性分析
气象因子
可决系数R²
均方根误差RMSE
积温
0、8449
0、05383
5日累计日照时间
0、1495
0、1239
10日累计日照时间
0、03441
0、132
15日累计日照时间
0、1048
0、1271
可决系数R²适用于衡量模型的拟合程度的一个指标,R²越趋于1证明拟合效果越好;均方根误差RMSE反映数据的离散程度,RMSE值越大,说明数据越离散。
根据这样的评价指标,可以瞧到积温与植被指数就是确实存在强相关性的,而累计日照时间,尤其就是10日的累计日照时间与植被指数之间基本不相关。
分析拟合结果,可以瞧到对于温度与NDVI的拟合使用的就是二次曲线,因为结合实际生理情况,温度与植被生长确实满足二次曲线的关系:
在一定的温度阈值内,温度越高,植被的生理活动越强,植被生长越旺盛,表现出来的就就是NDVI值的增加;但温度一旦超过阈值,过高的温度会破坏植物的组织,甚至导致植物缺水死亡,NDVI值会下降。
在这样的实际情况下,温度与NDVI曲线的拟合就是合理的,能够用植物的生理来解释的。
而日照理论上与植被之间应就是线性的关系,因为植被合成叶绿素需要紫外线的存在,日照时间越长,叶绿素合成越多,表现出来的NDVI值就越大。
但在这样的实际情况下,选择一次直线拟合累计日照时间与NDVI的关系,却发现拟合效果不如人意,点分布十分离散,相关性也不高,这种情况有可能就是数据存在问题。
但由于样本数少,无法判断区分出噪声等的影响,所以只能认为就是数据的原因,拟合不成立。
为了改进拟合效果,将原图像中NDVI值为负的点都去掉,不参与计算NDVI平均值的运算。
因为认为NDVI为负值的像元不属于植被,所以应予以去除。
然后用去除了负值的NDVI平均值再次去拟合与NDVI的关系,发现拟合效果并没有太大的变化(变化都在小数点后3位),所以发现希望通过改进NDVI来改善拟合效果的尝试失败了。
分析原因,我认为就是因为MODIS的像元分辨率太低,十分容易出现混合像元,这时候直接认为NDVI为负值的像元没有植被存在就是不合理的,地面的复杂情况也影响了最后计算得到的像元NDVI值,所以去除负值后取平均的NDVI对拟合与气象因子的关系在这里就是没法改善结果的。