NDVI與氣象因子的相關關系分析

1、遙感應用模型實習NDVI與氣象因子相關性分析實習報告班級xxxx班學號xxxxxx姓名xxxxx日期201x.0x.0x武漢大學教學實驗報告遙感信息工程學院遙感科學與技術專業(yè)201x年x月x日實驗名稱NDVI與氣象因子相關性分析指導教師xx姓名xx班級xxxx班學號xxx成績一、預習部分1 .實驗目的2 .實驗基本原理3 .主要儀器設備（含必要的元器件、工具）1 .實驗目的利用已有的MODISH象數據計算歸一化植被指數NDVI,并利用地面氣象站同步觀測數據提取積溫、日照等氣象因子，建立起NDVI與氣象因子的經驗模型，分析二者之間的相關性，并通過在生物化學方面對NDVI與氣象因子之間的關系進行解

2、釋分析，實現在植被生理方面解釋它們之間的關系，從而希望之后能夠利用地面氣象站的氣象數據預測NDVI并實現估產等方面的應用。也希望通過這次實習，學會如何合理科學地建立經驗模型，并在建立模型后實現符合實際邏輯認識的解釋，這是很重要的。2 .實驗基本原理根據植被特有的光譜特征，它在可見光部分由于色素的存在，會有較強的吸收，而在紅邊波段處快速抬升。利用這一特征可以建立起植被指數來探測植被像元并且以植被指數可以求取許多植被相關參數，如植被覆蓋率、葉面積指數，甚至用于植被估產等。歸一化植被指數NDVI就是以此為基礎提出的，并在許多領域廣泛利用。NDVI值分布在-1到1之間，NDVI>0時可確定植被的

3、存在，且NDVI越大，植被覆蓋率越高，但在高植被覆蓋率地區(qū)，NDVI就容易飽和了。NDVI的計算公式如下：NDVI=(NIR-Red)/(NIR+Re。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)，所以可以建立起氣象因子與NDVI的關系模型。一般在遙感應用模型中可以建立的模型類型包括經驗模型、物理模型和半經驗半物理模型。此處氣象因子與NDVI的關系我們建立的時經驗模型，即通過分析兩類數據之間的相關性選擇合適的關系式建立模型。經驗模型的建立，若希望它能夠有意義，樣本點至少要有30個，還應有相應的驗證樣本，但此處受數據限制，樣本不足，只能建立模型，無法完成驗證。模型的相關性應在

4、一定閾值以上才能證明二者之間相關。最后在模型建立后還應從實際植被生理方面對模型有所解釋，能夠找到與實際相符的關系才認為模型可以接受。3 .主要儀器設備本次實習中利用的數據包括隨州2003年和2004年MODIS250諭辨率的紅波段與近紅外影像，隨州03年04年地面站每日溫度、日照數據。因為溫度對植被的作用是累加的，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，所以可以統計一個5日累計日照時間、10日累計日照時間和15日累計日照時間。實習中使用的軟件包括ERDASExcel和Matlab。利用ERDAST以計算MODISSM象的平均NDVI®

5、;,Excel求取積溫、累計日照時間，Matlab用于擬合氣象因子與NDVI的關系，并求出R2和RMSEJ斷擬合效果與數據相關性。.、實驗操作部分1 .實驗數據、表格及數據處理2 .實驗操作過程（可用圖表示）3 .結論1 .實驗數據、表格和數據處理實驗區(qū)域我們組分到的是隨州2003年和2004年的MODI彰像和對應的地面站氣象數據，包括每日氣溫和每日日照時間。由于我們需要建立的是NDVI與氣象因子之間的關系，所以需要先利用MODISH象的近紅外和紅波段求出NDV|這里應該要對數據進行預處理，包括去除條帶噪聲，Bow-tie校正，太陽天頂角訂正和幾何校正等，但現有的數據已經做好預處理了，可以直接

6、用就好。計算NDVI是利用ERDAS1的modeler模塊，注意分母為0的情況要去除。而氣象數據是每日溫度和每日日照時間，考慮氣象因子的延時效應，需要計算累計值，這里我是用Excel直接進行的統計，注意最后求出的結果都要乘以0.1。在求出NDVI與積溫、累計日照時間后，利用Matlab的CFTool模塊進行相關關系擬合并計算R2和RMSE判斷評價擬合效果。2 .實驗操作過程2.1 MODIS影像的NDVI計算得到的MODIS影像已經經過數據預處理步驟，可直接利用ModelerMaker建立計算NDVI的模型，在建模時需要注意分母有可能為0的情況，所以添加判斷語句：NDVI分母為0時，NDVI直

7、接取值為00又因為最后用于曲線擬合的NDVI值是整幅影像的NDVI值取平均，而NDVI值小于0處一般認為不是植被，所以我又增加了一個判斷，NDVI值0的像元不進入平均計算，這樣可得到兩種平均NDVI值,一為整幅圖的NDVI取平均，另一個則是去除NDVI小于0的像元后再取平均得到的平均NDVI值。將對應日期的NDVI導入Excel中，便于之后的關系擬合。2.2 氣象數據的積溫、累計日照時間求解得到的地面站氣象數據是每日的氣溫與每日日照時間，但考慮到溫度和日照對植被的影響并不是立即見效的，總有延時效應，所以需要對溫度和日照時間進行累加，計算積溫和5日、10日和15日的累計日照時間，這些累加都是利用

8、Excel完成的。2.3 Matlab擬合NDVI與氣象因子關系取出Excel中影像對應的NDVI與積溫、累計日照時間值，導入Matlab中。利用Matlab中曲線擬合的cftool模塊，導入數據，選擇擬合關系的形式，比如線性的、二次曲線、三次曲線等，即可實現曲線擬合，并計算出R2和RMSE用于擬合效果評價。注意有一些氣象數據比如03年12月的兩個，因為沒有對應的影像數據需要刪除。3 .結論利用Matlab擬合積溫、累積日照時間與NDVI的關系，由于經驗模型的建立需要大量的樣本，至少30個左右，而可以利用的03年和04年的影像數據加起來才能達到這一量級，所以在之后的擬合中，將03和04年的數據

9、一起加入擬合，就不按年份分開來做了，否則可能會出現因樣本數不足而使擬合效果不可信的情況。3.1 NDVI與積溫的相關關系擬合圖1累計溫度與NDVI的關系Goodnessoffit:SSE:0.08114R-square:0.8449AdjustedR-square:0.8339RMSE:0.05383可以看到方程的可決系數R2值為0.8449,而可決系數越趨近1,說明模型對數據的擬合效果越好。均方根誤差RMSE；0.05383,RMS越小，說明數據的離散程度越小。所以可以看到NDVI與積溫之間確實有相關性，并且二者呈二次曲線關系，即在一定范圍內，溫度越高，NDVI也隨之增加，但到一定閾值后，積

10、溫越大，NDVI反而減小。這與實際情況也是相符的。在植物生長過程中，溫度慢慢增加，利于植被的發(fā)芽長葉和葉綠素的合成，由此NDVI值也越發(fā)增大，但溫度太高，超過植被生長的最高溫度時，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。這是符合植物生理過程的，也說明這個模型可以接受3.2 NDVI與累積日照時間的相關關系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、10日累積日照時間和15日累積日照時間。3.2.1 NDVI與5日累積日照時間的相關關系圖25日累積日照時間與NDVI擬合Goodnessoffit:SSE:0.4451R-square:0.1495Adjuste

11、dR-square:0.1201RMSE:0.1239可以看到5日累積日照與NDVI之間的相關性并不明顯，從散點圖來看幾乎可以斷言二者僅有微弱的相關性。而通過結合實際分析，日照時間確實應該與NDVI相關，所以，可能是因為數據太少，無法排除誤差等因素造成的影響。為了驗證去除了小于0的NDVI平均值是否能與累計日照時間有更好的相關性，將去除負值后的NDVI值也導入Matlab進行曲線擬合，效果如下：Goodnessoffit:SSE:0.4429R-square:0.1499AdjustedR-square:0.1206RMSE:0.1236可以看到點分布還是十分離散的，擬合效果還是不如人意。但僅

12、從R2和RMS野定量的評價指標來看，去除負值后的NDVI平均值衡量模型擬合效果的可決系數R2增加了0.0004,反映數據離散程度的RMS前少了0.0003,還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被，雖然MODIS-個像元對應的地面面積很大是250米x250米，很容易出現混合像元，但還是直接將負的NDVI認為非植被去除了，這樣確實應該對擬合效果有所提高，但又因為對實際地表情況也不清楚，所以提升效果不佳也是可能的。3.2.2 NDVI與10日累積日照時間的相關關系以10日累計日照時間為x軸，NDVI為y軸，擬合效果如下：SSE:0.5053R-square:0.034

13、41AdjustedR-square:0.001118RMSE:0.132由圖中樣本點的分布可以看出，基本沒有相關性。從定量指標R2和RMS也看，二者確實基本可以判斷為無明顯相關性。而因為結合實際情況，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合，而效果類似5日日照時間的累計值，分析原因有可能是數據的問題，但由于樣本數不足，無法對其中的噪聲、誤差進行排除，所以擬合效果不好。類似的，希望分析去除負值后的平均NDVI值與10日日照累計時長的關系，看是否能對結果有所優(yōu)化，二者的擬合效果如下：Goodnessoffit:SSE:0.5033R-sq

14、uare:0.03409AdjustedR-square:0.0007806RMSE:0.1317由散點圖分布看，效果并無明顯改善；而從定量指標分析來看，效果不僅沒有改善,反而愈發(fā)差了。說明由于MODISH元分辨率太低，混合像元情況很多，復雜的地面情況導致僅以NDVI值為負判斷植被是否存在是不可取的，所以擬合效果反而變差了。3.2.3 NDVI與15日累積日照時間的相關關系Goodnessoffit:SSE:0.4685R-square:0.1048AdjustedR-square:0.0739RMSE:0.1271由散點圖來看，15日累計日照時間與NDVI的相關性優(yōu)于10日的，但還是相關性很

15、低。由定量評價指標來看，15日日照時長累計值與NDVI僅微弱相關且數據離散。分析去除負值后的NDVI平均值與15日累計日照時間的相關性，擬合效果如下：Goodnessoffit:SSE:0.4668R-square:0.1042AdjustedR-square:0.07328RMSE:0.1269可以看到去除負值前后的NDVI平均值與15日累計日照時間的擬合效果類似，說明希望通過NDVI為負判斷植被存在與否，并通過去除這些負值提高精度是不可能的，這與地面復雜情況有關。三、實驗效果分析（包括儀器設備等使用效果）將NDVI與溫度、累計日照時間擬合效果建立一個表格，通過對比它們的可決系數R2和RMS

16、E來分析擬合效果。表1NDVI與氣象因子的相關性分析氣象因子可決系數R2均方根誤差RMSE積溫0.84490.053835日累計日照時間0.14950.123910日累計日照時間0.034410.13215日累計日照時間0.10480.1271可決系數R2適用于衡量模型的擬合程度的一個指標，R2越趨于1證明擬合效果越好；均方根誤差RMSE反映數據的離散程度，RMSE值越大，說明數據越離散。根據這樣的評價指標，可以看到積溫與植被指數是確實存在強相關性的，而累計日照時間，尤其是10日的累計日照時間與植被指數之間基本不相關。分析擬合結果，可以看到對于溫度與NDVI的擬合使用的是二次曲線，因為結合實際

17、生理情況，溫度與植被生長確實滿足二次曲線的關系：在一定的溫度閾值內，溫度越高，植被的生理活動越強，植被生長越旺盛，表現出來的就是NDVI值的增加；但溫度一旦超過閾值，過高的溫度會破壞植物的組織，甚至導致植物缺水死亡，NDVI值會下降。在這樣的實際情況下，溫度與NDVI曲線的擬合是合理的，能夠用植物的生理來解釋的。而日照理論上與植被之間應是線性的關系，因為植被合成葉綠素需要紫外線的存在，日照時間越長，葉綠素合成越多，表現出來的NDVI值就越大。但在這樣的實際情況下，選擇一次直線擬合累計日照時間與NDVI的關系，卻發(fā)現擬合效果不如人意，點分布十分離散，相關性也不高，這種情況有可能是數據存在問題。但由于樣本數少，無法判斷區(qū)分出噪聲等的影響，所以只能認為是數據的原因，擬合不成立。為了改進擬合效果，將原圖像