【《植被指数再合成方法分析案例》4800字】

植被指数再合成方法分析案例目录TOC\o"1-3"\h\u8572植被指数再合成方法分析案例 113991.1植被指数与理化参数相关性分析 2188181.2植被指数归一化再合成 3135911.3精度评价 8297381.3.1方差与标准差评价 8303861.3.2变异系数评价 882601.3.3回归分析法 8324421.3.4相关性分析 8178591.3.5结果与分析 9116711.4基于再合成植被指数的株高和叶绿素反演 10本研究提出一种植被指数再合成法，首先对NDVI、EVI、RVI、DVI、GVI与植被生长过程中关键的理化参数（叶绿素、株高等）进行相关性分析，寻求相关性较好的植被指数作为输入参数，重新代入到公式中进行非线性归一化处理运算，即对NDVI、EVI、RVI、DVI、GVI等数据进行函数运算处理，此非线性归一化处理运算可增强多种植被指数之间的差异，提高植被覆盖变化监测的灵敏度，提升模型的收敛速度，有利于对植被覆盖情况进行综合对比评价。同时可进一步消除地形、观测角、大气衰减和云/阴影的影响。非线性归一化处理算法属于数字图像处理技术中的一种图像增强技术，其采用了非线性拉伸的方式增强图像的对比度，为更好的描述植被生长变化情况对原植被指数图像进行数据变换，以改变植被指数的灰度结构,使再合成植被指数图像与视觉响应特征相匹配,进一步突出植被的特征。非线性归一化处理为一种代数运算,在图像处理技术中定义为：RSVIx,y式中：VI1(x,y)和VI2为选取输入再合成植被指数算法中的最佳植被指数，首先需要对各种植被指数与玉米叶绿素、株高进行相关性分析，寻求相关性最高的植被指数作为合成RSVI的其中一种基础数据，取其它植被指数分别作为另一基础数据与最佳的植被指数进行组合，可组合得到四种再合成植被指数。1.1植被指数与理化参数相关性分析根据上述结果，取建模数据集中植被指数数据与玉米理化参数数据导入社会科学统计软件：SPSS25中，对NDVI、EVI、RVI、DVI和GVI五种植被指数与玉米叶绿素、株高进行相关性分析，通过相关分析寻求再合成的最佳植被指数，不同植被指数与叶绿素、株高的相关性散点图如图4-1所示，相关性分析结果如下表4-1所示。图4-1再合成植被指数合成方式Figure4-1Syntheticmethodofre-synthesisvegetationindex表4-1植被指数与理化参数相关性分析结果表Table4-1Correlationanalysisresultsofvegetationindexandphysicalandchemicalparameters变量DVIGVINDVIRVIEVI水分温度电导率盐度株高叶绿素DVI1GVI0.0521NDVI0.434**0.673**1RVI0.411**0.683**0.963**1EVI0.442**-0.301*0.326**0.277*1水分-0.272*0.621**0.0850.109-0.501**1温度0.332**-0.531**0.0610.0890.548**-0.731**1电导率-0.307**0.431**-0.077-0.033-0.516**0.604**-0.555**1盐度-0.265*0.538**0.0640.104-0.497**0.647**-0.582**0.931**1株高-0.1230.830**0.374**0.349**-0.397**0.626**-0.666**0.414**0.463**叶绿素-0.1470.751**0.270*0.221-0.448**0.590**-0.748**0.411**0.475**0.886**1注：*和**分别表示差异达显著（P<0.05）和极显著（P<0.01）水平。由图4-1结果表明，绿度植被指数GVI与叶绿素和株高的组合散点较其它植被指数与叶绿素和株高的组合散点更符合线性相关关系。表4-1可得到以下结论：（1）土壤温度和土壤水分存在显著负相关性为-0.731，在温度高升高时土壤水分蒸发导致含水率下降，结果与实际相符；（2）土壤电导率与土壤盐度存在显著正相关性为0.931，土壤含盐量是影响电导率的一个重要因素，且两者大致成正比关系；（3）叶绿素与株高存在显著正相关性为0.886，在作物生长过程中叶绿素含量增加，且随着玉米的生长植株高度逐渐增加最后趋于平缓，两者在作物生长过程中变化趋势一致；（4）绿度植被指数GVI与株高和叶绿素存在显著正相关性，其中：GVI与株高相关系数为0.830，GVI与叶绿素相关系数为0.751，因此选取绿度植被指数GVI作为再合成植被指数的最佳基础数据源。1.2植被指数归一化再合成通过1.1结果中不同植被指数与叶绿素和株高的相关性分析结果，选取GVI与其余四种植被指数进行组合作为合成植被指数（RSVI）的基础波段数据，基于ENVI5.3中的BandMath波段计算器对各组合植被指数进行植被指数再合成，再合成植被指数合成方式结果如下图4-2所示，GVI与DVI合成结果为RSVI1、GVI与NDVI合成结果为RSVI2、GVI与RVI合成结果为RSVI3、GVI与 EVI合成结果为RSVI4。图4-2再合成植被指数合成方式Figure4-2Resyntheticvegetationindexsynthesismethod根据非线性归一化处理算法进行改进得到计算合成植被指数RSVI公式如下：RSVI=±VI其中：RSVI为再合成植被指数，VI1、VI2根据1.1相关分析结果和先验知识对基础植被指数进行组合，将GVI作为VI1带入合成植被指数RSVI公式中，其余四种植被指数分别作为VI2参与组合，组合得到RSVI1、RSVI2、RSVI3和RSVI4四种再合成植被指数，其中RSVI1中VI1为GVI、VI2为DVI；RSVI2中VI1为GVI、VI2为NDVI；RSVI3中VI1为GVI、VI2为RVI；合成结果如图4-3、图4-4、图4-5、图4-6所示，其中各图中a为2020年6月5日合成图、b为2020年7月5日合成图、c为2020年7月30日合成图、d为2020年8月23日合成图、e为2020年9月27日合成图。(a)出苗期 (b)拔节期 (c)抽雄期 (d)乳熟期 (e)完熟期图4-3RSVI1再合成指数图Figure4-3RSVI1ResynthesisIndexDiagram(a)出苗期 (b)拔节期 (c)抽雄期 (d)乳熟期 (e)完熟期图4-4RSVI2再合成指数图Figure4-4RSVI2resynthesisindexdiagram(a)出苗期 (b)拔节期 (c)抽雄期 (d)乳熟期 (e)完熟期图4-5RSVI3再合成指数图Figure4-5RSVI3resynthesisindexdiagram(a)出苗期 (b)拔节期 (c)抽雄期 (d)乳熟期 (e)完熟期图4-6RSVI4再合成指数图Figure4-6RSVI4resynthesisindexdiagram对各种植被指数进行研究区矢量区域统计分析，结果如表4-2和图4-7所示：（1）2020年6月5日到2020年7月5日期间植被指数增长显著，此阶段为玉米从出苗期到拔节期，这个阶段的生育特点是营养生长和生殖生长同时并进，植被大量出苗，表现在植被时间曲线图上各种植被指数均为显著增长趋势，其中RSVI4变化最为明显，其作为重要指标可有效区分土壤与植被间的差异。（2）2020年7月5日到2020年7月30日植被指数进一步升高，此阶段植被从拔节期到大喇叭口期，在植被继续生长，叶片增大、茎节伸长等营养器官生长，叶片增大、茎节伸长等营养器官旺盛生长和雌雄穗等生殖器官强烈分化与形成，这个时期为玉米一生中生长发育最旺盛的阶段，表现在植被时间曲线图上各种植被指数均为增长趋势且在大喇叭口期达到最大值，其中以RVI、EVI变化最为明显，RSVI3、RSVI4再合成植被指数次之，其对玉米生长描述效果均具有优势。（3）2020年7月30日到2020年9月27日植被指数先下降然后基本保持持平状态。这一阶段的作物主要生育特点是基本上停止营养体的增长，而进入以生殖生长为中心的时期，也就是经过开花、受精后进入以粒产量形成为中心的阶段。除作物本身生理状态的影响外，同时受到降水急剧增加、日照时数大等胁迫因素的影响，因高温与日照时数大的原因导致灼伤植物叶面，进而影响植物的光合作用；降水量过多导致植被生长受到抑制，植被指数会出现降低趋势，表现在植被时间曲线图上会出现下降趋势。之后随着外界降水、气温和日照时数的减少，作物生长趋于平稳状态，反应在植被时间曲线图上会保持持平状态。综合两者结果表明以EVI、DVI、和RSVI1、RSVI2、RSVI3、RSVI4四种再合成植被指数描述效果最为显著且合理。综合上述全时间序列结果表明，再合成植被指数RSVI在描述玉米生长发育情况均表现较好，其中以RSVI4对全时间序列整体分析结果最佳，再合成植被指数对研究对作物生长发育具有重要研究意义和价值。表4-2不同植被指数再合成结果Table4-2Resynthesisresultsofdifferentvegetationindices时间GVIEVIRVINDVIDVIRSVI1RSVI2RSVI3RSVI4播种期1.15-0.140.84-0.08-0.06-0.11-0.160.85-0.29拔节期3.611.293.960.560.280.140.271.020.51大喇叭口期1.523.5810.650.820.420.170.311.400.89抽雄期6.373.0811.780.840.380.120.241.290.66乳熟期6.113.069.880.810.370.120.241.230.67图4-7再合成植被指数时间曲线图Figure4-7Timecurveofre-syntheticvegetationindex1.3精度评价1.3.1方差与标准差评价方差和标准差是测算植被指数（DVI、NDVI、EVI、RVI、RSVI）离散趋势的重要指标，通过比较方差和标准差来定量的评价各植被指数对研究植被覆盖波动性的大小和敏感程度。方差值越大表明波动性越大，敏感程度越高。1.3.2变异系数评价变异系数（CV）是离散程度的\t"/item/%E5%8F%98%E5%BC%82%E7%B3%BB%E6%95%B0/_blank"归一化量度，在概率论和统计学中，变异系数，又称“离散系数”（英文：coefficientofvariation），是概率分布离散程度的一个归一化量度，其定义为标准差与平均值之比，变异系数（CV）公式如下，其可消除测量尺度和量纲的影响，即消除多种植被指数单位和平均数不同对评价离散程度比较的影响。变异系数越大表明植被覆盖波动性越大，敏感程度越高[81]。Cv式中，σ为标准差、μ为平均值。1.3.3回归分析法对多种植被指数的时序数据，采用最小二乘法拟合得到对应线性方程（y=kxi+k=i式中：y为植被指数时序数据，x为时间序列，k>0表示植被活动增高，k<0表示植被活动降低[82]。1.3.4相关性分析相关性分析结果是评价再合成植被指数在反演作物叶绿素和株高的重要指标，通过对常见植被指数、再合成植被指数、叶绿素、株高等多个具备相关性的变量元素进行分析，从而衡量变量因素之间的相关密切程度。相关关系是一种非确定性的关系，相关系数是研究变量之间线性相关程度的量，其一般用字母r表示，在统计学中皮尔逊相关系数(Pearsoncorrelationcoefficient）可用于度量两个变量之间的线性相关关系，其值介于-1与1之间，其计算公式如下：rX,Y=其中，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差[83]。1.3.5结果与分析回归方程、R2、回归方程系数k、方差、标准差和变异系数结果如表4-4所示，结果表明，使用GVI与DVI再合成指数RSVI1的变异系数为1.135，使用GVI与NDVI再合成指数RSVI2的变异系数为0.959，在消除量纲的影响下，再合成植被指数RSVI较单一植被指数对描述植被覆盖变化情况显著。回归方程系数k均大于0表明，研究区整体植被活动增高，植被覆盖度呈增加趋势。表4-4不同植被指数再合成结果Table4-4Resynthesisresultsofdifferentvegetationindices变量回归方程R2回归方程系数k方差标准差变异系数DVIy=0.096x-0.0100.6030.0960.0310.1750.628GVIy=1.268x+0.5470.8951.2683.5951.8960.436NDVIy=0.206x-0.0320.6920.2060.1230.3510.597RVIy=2.590x-0.3450.7392.59018.1531.2610.574EVIy=0.819x-0.2840.6890.8191.9481.3960.642RSVI1y=0.042x-0.0390.3620.0420.0100.0991.135RSVI2y=0.077x-0.0510.4010.0770.0290.1710.959RSVI3y=0.105x+0.8430.5550.1050.0390.1990.172RSVI4y=0.207x-0.1320.5180.2070.1650.4060.833再合成植被指数与常见植被指数对于玉米叶绿素和株高的相关性分析对比结果如表4-5所示，结果表明，RSVI2与株高呈极显著负相关，相关系数为-0.851，较其他植被指数对株高的相关性最高；其次RSVI4与株高呈极显著负相关，相关系数为-0.830，相关系数r的绝对值与GVI相同。RSVI2与叶绿素呈极显著负相关，相关系数为-0.802，较其他植被指数对叶绿素的相关性最高；其次RSVI4与株高呈极显著负相关，相关系数为-0.801。综上所述再合成植被指数RSVI2与RSVI4对玉米株高和叶绿素反演提供了最佳的数据基础，通过影像的植被指数再合成可提高作物理化参数反演的精度。表4-5不同植被指数与理化参数相关分析结果Table4-5Correlationanalysisresultsofdifferentvegetationindicesandphysicalandchemicalparameters参数DVIGVINDVIRVIEVIRSVI1RSVI2RSVI3RSVI4株高-0.1230.830**0.374**0.349**-0.397**-0.768**-0.851**-0.692**-0.830**叶绿素-0.1470.751**0.270*0.221-0.448**-0.723**-0.802**-0.732**-0.801**注：*和**分别表示差异达显著（P<0.05）和极显著（P<0.01）水平。1.4基于再合成植被指数的株高和叶绿素反演本研究对5种常见植被指数和4种再合成植被指数处理下的指数数值与叶绿素和玉米株高进行建模并对模型进行验证，以建模集中24个采样点共72组数据建立函数关系，以验证集中6个采样点共18组数据进行验证，通过对比建模集中决定系数R2和验证集中的决定系数R2以及均方根误差RMSE对建立的9种模型进行评价。表4-6不同植被指数与理化参数回归模型的建立与验证Table4-6Establishmentandverificationofregressionmodelsfordifferentvegetationindicesandphysicalandchemicalparameters植被指数理化参数表达式建模集（n=72）验证集（n=18）R2FPR2RSMEDVI株高Y=5.954*10-8X3-3.360*10-5X2+0.006X+0.0850.071.71<0.050.360.045叶绿素Y=1.745*10-6X3-0.001X2+0.027X+0.0660.112.86<0.050.240.840GVI株高Y=-9.468*10-9X3-7.852*10-6X2+0.021X+1.7830.6950.67<0.0010.560.578叶绿素Y=5.965*10-6X3-0.002X2+0.191X+0.5080.6338.21<0.0010.600.661NDVI株高Y=2.742*10-8X3-1.629*10-5X2+0.003X+0.5890.181.80<0.010.040.080叶绿素Y=2.629*10-6X3+0.018X+0.5550.171.49<0.010.060.918RVI株高Y=1.437*10-6X3-0.001X2+0.158X-0.2120.151.10<0.050.0019.991叶绿素Y=-0.018X2+0.813X-1.6420.133.33<0.050.0617.51EVI株高Y=5.817*10-7X3+0.053X+0.6980.278.41<0.0010.4515.95叶绿素Y=1.075*10-5X3-0.005X2+0.191X+1.3400.3911.65<0.0010.400.421RSVI1株高