RSEI主成分分析结果不对，啥原因造成的？

于 2025-01-08 18:18:56 发布
阅读量362 收藏
点赞数 1
文章标签： arcgis
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2301_82169108/article/details/145014794
版权

        如上图，pc1的贡献率只有65%左右，特征向量中第一行4个值全是负的，不应该两正两负吗？前面分量指标计算都没啥问题，水体掩膜做了，异常值处理了 ，归一化也是对的，为啥结果是这样的，搞不懂，有没有大佬指点一二？

        上面是2021年的主成分统计结果，下面是2001年的，结果都差不多，不知道啥原因

无敌小喵
关注
GEE：基于主成分分析（PCA）的遥感生态指数（RSEI）计算方法
养乐多的博客
05-09 4866
利用主成分分析（Principal Component Analysis, PCA）进行风险筛选环境指标（Risk-Screening Environmental Indicators, RSEI）的计算是一种常用的方法。本文介绍了基于主成分分析的RSEI计算方法，通过将多个基于遥感指数的环境指标转化为少数几个主成分，实现了对生态环境风险的综合评估和筛选。结果如下，
GEE：关于遥感生态指数（RSEI）的若干疑问
养乐多的博客
03-14 2420
本文记录了若干关于在 Google Earth Engine （GEE）平台上，计算基于主成分分析（PCA）的遥感生态指数（RSEI）的问题。并记录了解决这些问题的一些答案。问题包括，主成分分析的特征值的正负，主成分的占比，去云后空值像素的处理方法，异常值处理方法，如何看载荷等。
同一组数据，使用Envi和ArcMap的PCA分析结果差异很大，究竟谁正确？
wise3747的博客
04-10 1173
根据rsei模型进行PCA分析，使用ArcMap和Envi结果大不相同，请同行高手指点。
基于Python计算Landsat8OLI遥感生态指数RSEI
qq_44955003的博客
11-03 4730
1 简介 遥感生态指数RSEI， 是一种使用卫星遥感影像数据通过反演计算得到的数据，可以用来对城市的生态状况进行快速监测和评价，该指数主要利用主成分分析方法，对植被指数、湿度、地表温度以及建筑指数四项指数指标进行集成。详细信息还请参考阅读：徐涵秋.城市遥感生态指数的创建及其应用[J].生态学报,2013,33(24):7853-7862. 前段时间帮朋友用Python写了个基于Landsat8 OLI计算RSEI的脚本，最近想起来了，所以简单做个记录，有需要的可以参考下，其中计算的主要步骤如下 1、读取数据
Google Earth Engine（GEE）计算湿度（WET）
guaicaicexu的博客
06-29 3679
今天分享一下在GEE中如何计算湿度分量（wet）
RSEI
qq_37495609的博客
06-17 2328
流程图: stretch datastretch datastretch datastretch dataPCAstretch data影像预处理湿度缨帽变换湿度分量绿度NDVI热度地表温度LST干度NDSBI归一化影像归一化影像归一化影像归一化影像四波段叠加影像主成分第一波段结果 ...
【RS】常见遥感指数(RSEI)原理与计算方法，以及效果比较
Remote Sensing迷途小书童
06-19 1万+
遥感指数(Remote Sensing Ecological Index,RSEI)是基于遥感技术，通过卫星多光谱影像可见光以及红外波段不同波段间组合，构建并强化光谱特性，以此来反应某一地物特征的一种技术。通常而言，遥感指数多用于如地物识别分类等场景，用以帮助区分不同地物；而不同的地物也有对应特征明显的指数，以此可以作为区分的依据。随着遥感技术的研究，现在有上百种遥感指数应用于不同的场景。
部分常见遥感指数(RSEI)原理与计算方法，以及效果比较
Yu_yunlan的博客
01-15 2万+
针对多种遥感指数，本文主要就针对同一地物时不同指数的提取效果进行比对分析，并对其使用提出建议与看法。
GEE计算遥感生态指数RSEI
所有专家都曾始于新手
07-04 2408
归一化是通过 unitScale 方法完成的，该方法根据之前计算的最小和最大值将波段的像素值缩放到0到1的范围。归一化是将图像的像素值缩放到一个标准范围（通常是0到1）的过程，这有助于在不同图像或数据集之间进行比较和处理。合并归一化波段：最后，函数使用 toBands() 方法将所有归一化的波段重新组合成一个单一的图像，并使用 rename(img.bandNames()) 方法将波段重命名为原始波段名称。该函数用于将图像的每个波段归一化到0到1的范围，基于在ROI内计算的最小和最大值。
遥感云平台-GEE利用Landsat5/7/8/9计算时序RSEI（javascript）
uwpk123的博客
10-23 2595
GEE计算时序RSEI，资料整理与问题汇总
《区域生态环境变化的遥感评价指数》笔记
weixin_30561425的博客
01-09 5670
当前卫星遥感对地观测系统以其宏观、快速、实时的优点在生态环境领域得到广泛的应用。利用各种遥感指数来对森林、草地、城市、河流乃至整个流域的生态系统进行监测和评价，已经是生态环境保护领域的重要组成部分。 2006年，国家环境保护部以行业标准的形式颁发了《生态环境状况评价技术规范》，推出了主要基于遥感技术的生态环境状况指数EI，旨在对我国县级以上生态环境提供一种年度综合...
遥感生态指数（RSEI）——四个指数的计算
03-08 4461
由于本文中选用的研究区中水体极少，且水体的面积较小，因此本文中不在进行水体的掩模处理。在常用的植被指数当中，归一化植被指数 ( NDVI) 能够有效地反映植被的生长情况与植被 覆盖度等重要植被的物理性质，检测灵敏度高，能 够较为真实地展现区域的地表空间变化规律，已经得到广泛利用，本文采用 NDVI 指数来代表绿度指数。在ENVI的band math工具中输入如下公式进行计算：(float(b4)-b3)/(b4+b3)（本文中使用的数据将Band1的海蓝波段已经预先剔除，因此波段顺序同原始有所差异。
ArcGIS计算NDVI为什么只有1和-1及0值
GIS思维的博客
03-26 1万+
在遥感影像的应用中，归一化植被指数是非常常用的一个指标，是反映农作物长势和营养信息的重要参数之一，在专业处理遥感影像的应用软件（ENVI、ERDAS等）中都有直接的工具可以来计算NDVI。NDVI的计算公式为：(NIR-R)/(NIR+R)。NIR为近红外波段的反射值，R为红光波段的反射值。NDVI的取值范围为[-1,1]，-1可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大。 那像我们常用的ArcGIS应该怎么来正确计算NDVI呢？ ...
遥感生态指数（RSEI）——水体掩膜及主成分分析
热门推荐
qq_41978498的博客
01-12 3万+
1、水体掩膜 ①利用水体指数来增强水体信息，弱化其他地物的信息，便于提取研究区的水体范围 NDWI = (Green - NIR)/(Green + NIR ) MNDWI = (Green - SWIR1) / (Green + SWIR1) INDVI = (Red - NIR) / (Red + NIR) 以上三个水体指数都能在一定程度上突出水体，推荐使用MNDWI指数进行水体范围的提取。在Bandmath中输入水体指数法的计算公式：(float(b2-b5))/(b2+b5)，其中b2、b
RSEI遥感生态指数计算——基于GEE与Landsat8/9卫星
Ray1170的博客
12-21 3463
但在操作时其网上的疑难杂症不少：（1）RSEI计算判断的问题，用PC1计算RSEI0还是用1-PC1去计算得到RSEI0？这里要注意的主要问题是，不同卫星不同传感器上的Wet的计算方式不一样，Landsat7ETM+和Landsat8/9OLI传感器的不一样，modis也不一样。中的PC1可以看出NDBI，Wet同为正（+）而LST，NDBSI同为负（-），所以这里就可以直接使用PC1，而我们来看看PC3，和PC1的正负情况相反，如果出现这种情况，那么就是用1-PC1来得到初始的RSEI也就是RSEI0。
对iris的主成分分析
simon_woo_coding的专栏
02-10 4271
通常情况下，数据集的变量不低于三个，如何了解各个变量与其他变量之间的关系变得非常复杂。主成分分析（PCA）是一种数据降维技巧，在损失很少信息的前提下把多个指标转化为几个综合指标的多元统计方法。例如，使用PCA可将30个相关（很可能冗余）的环境变量转化为5个无关的成分变量，并且尽可能地保留原始数据集的信息。通常把转化生成的综合指标称之为主成分，其中每个主成分都是原始变量的线性组合，且各个主成分之间互
RSEI实验原理
2303_76798281的博客
01-03 1164
RSEI遥感生态指数
rsei主成分分析NDVI为负值
最新发布
03-01
### 主成分分析中 NDVI 出现负值的原因 在主成分分析 (PCA) 的过程中，NDVI 可能会显示出负值的情况。这种现象通常不是由数据本身引起的，而是由于 PCA 过程中的某些特性所致。 #### 数据标准化的影响 当执行 PCA 之前的数据预处理阶段，如果进行了标准化操作，则原始变量的均值会被调整到零附近[^1]。这意味着原本具有正向意义的指标（如 NDVI），其数值分布可能会跨越零点，在新的坐标系下表现为既有正值也有负值。因此，在经过变换后的主成分空间里观察到 NDVI 负值是正常的统计学表现形式之一。 #### 主成分方向的选择 另一个原因是主成分的方向选择问题。PCA 是通过寻找能够最大化方差的新轴来定义主成分的。这些新轴并不一定保持原有特征之间的相对关系不变；相反，为了更好地解释总体变异情况，有时会选择与原特征呈反相位的相关模式作为某个特定主成分的主要构成部分。在这种情况下，即使像 NDVI 这样的正面贡献因子也可能被赋予负权重以适应整体最优解的要求[^2]。 ### 解决方法 针对上述原因提出的解决方案如下： - **重新审视输入矩阵**：确认是否有必要对所有参与计算的变量实施相同的缩放策略。对于那些本质上应该维持固定极性的参数（例如植被指数），考虑单独处理而不与其他类型的测量混在一起做统一转换。 - **理解并接受结果**：认识到这是数学建模过程的一部分，并不一定反映实际物理含义上的改变。只要最终得到的结果合理且符合预期的趋势即可视为有效解答。不过仍需谨慎解读具体分量的意义及其绝对大小所传达的信息。 ```r # 示例代码展示如何进行PCA前的数据准备以及后续解析 library(FactoMineR) # 假设df是一个包含多个环境指标的数据框, 包括NDVI等 pca_result <- PCA(df[, c("NDVI", "Wet", "LST", "NDBSI")], scale.unit=TRUE) # 查看各个主成分得分图 plot(pca_result$ind$coord ~ pca_result$var$cos2[,1]) # 获取旋转后的载荷矩阵查看各变量在PCs上的投影 loadings_matrix <- get_pca_var(pca_result)$contrib print(loadings_matrix) ```
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值