NDVI与气象因子的相关关系分析

1、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MODISH象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

2、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，NDV

3、I>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就容易饱和了。NDVI的计算公式如下：NDVI= (NIR-Red) / (NIR+Re。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、物理模型和半经验半物理模型。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

4、，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年和2004年MODIS250nfr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日累计日照时间和15 日累计日照时间。实习中使用的软件包括 ERDAS Excel和Matl

5、ab。利用ERDAST以计 算MODISSM象的平均NDVI®, 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和RMSEj断拟合效果与数据相关性。.、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、表格和数据处理实验区域我们组分到的是随州 2003年和2004年的MODISH象和对应的地面站气象 数据，包括每日气温和每日日照时间。由于我们需要建立的是NDVI与气象因子之间的关 系，所以需要先利用MODISH象的近红外和红波段求出 NDVI这里应该要对数据进行预 处理，包括去除条带噪声，

6、Bow-tie校正，太阳天顶角订正和几何校正等，但现有的数 据已经做好预处理了，可以直接用就好。计算NDVI是利用ERDAS1的modeler模块，注 意分母为0的情况要去除。而气象数据是每日温度和每日日照时间，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和RMSE判断评价拟合效果。2 .实验操作过程2.1 MODIS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Modeler Maker建立计算

7、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00又因为最后用于曲线拟合的 NDVI值是整幅影像的NDVI值取平均，而NDVI值小于0处一般认为不是植被，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是每日的气温与每日日照时间，但考虑到温度和日照对植被 的影响并不是立即见

8、效的，总有延时效应，所以需要对温度和日照时间进行累加，计算 积温和5日、10日和15日的累计日照时间，这些累加都是利用 Excel完成的。2.3 Matlab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和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

9、大 量的样本，至少30个左右，而可以利用的03年和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和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。3.1 NDVI与积温的相关关系拟合图1累计温度与NDVI的关系Goodness of fit:SSE: 0.08114R-square: 0.8449Adjusted R-square: 0.8339RMSE: 0.05383可以看到方程的可决系数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RMS时0.05383, RMSE8小，说

10、明数据的离散程度越小。所 以可以看到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和叶绿素的合 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。这是符合植物生理过程的，也说明这个模型可以接受3.2 NDVI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 间和15日累积日照时间。3.2.1

11、 NDVI与5日累积日照时间的相关关系图2 5日累积日照时间与 NDVI拟合Goodness of fit:SSE: 0.4451R-square: 0.1495Adjusted R-square: 0.1201RMSE: 0.1239可以看到5日累积日照与NDVI之间的相关性并不明显，从散点图来看几乎可以断 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：Goodne

12、ss of fit:SSE: 0.4429R-square: 0.1499Adjusted R-square: 0.1206RMSE: 0.1236可以看到点分布还是十分离散的，拟合效果还是不如人意。但仅从 R2和RMS野定 量的评价指标来看，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RMS前少了 0.0003 ,还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-个像元对应的地面面积很大是 250 米x250米，很容易出现混合像元，但还是直接将负的NDVI认为非植被去除了，这样确实应该对拟合效果有所提

13、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 是可能的。3.2.2 NDVI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：SSE: 0.5053R-square: 0.03441Adjusted R-square: 0.001118RMSE: 0.132由图中样本点的分布可以看出，基本没有相关性。从定量指标R2和RMS也看，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，分析原因有可能是数据的问题，但由

14、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，看是否 能对结果有所优化，二者的拟合效果如下：Goodness of fit:SSE: 0.5033R-square: 0.03409Adjusted R-square: 0.0007806RMSE: 0.1317由散点图分布看，效果并无明显改善；而从定量指标分析来看，效果不仅没有改善, 反而愈发差了。说明由于 MODISH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值为负判断植被是否存在是不可取的，所以拟合效果反而变差了。3.2.3 N

15、DVI与15日累积日照时间的相关关系Goodness of fit:SSE: 0.4685R-square: 0.1048Adjusted R-square: 0.0739RMSE: 0.1271由散点图来看，15日累计日照时间与NDVI的相关性优于10日的，但还是相关性 很低。由定量评价指标来看，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：Goodness of fit:SSE: 0.4668R-square: 0.1042Adjusted R-square: 0.07328RMSE: 0.1269可以看到去除

16、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和RMSE来分析拟合效果。表1 NDVI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0.84490.053835日累计日照时间0.14950.123910日累计日照时间0.034410.13215日累计日照时间0.10480.1271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

17、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，可以看到积温与植被指数是确实存在强相关性的，而累计日照时间，尤其是 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，可以看到对于温度与 NDVI的拟合使用的是二次曲线，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，所以只能认为是数据的原因，拟合不成立。为了改进拟合效果，将原图像