【深度学习|地学应用】用python绘制多波段影像进行滑坡检测时各个因子之间相关性（Pearson 相关系数矩阵）的热力图？

【深度学习|地学应用】用python绘制多波段影像进行滑坡检测时各个因子之间相关性（Pearson 相关系数矩阵）的热力图？

【深度学习|地学应用】用python绘制多波段影像进行滑坡检测时各个因子之间相关性（Pearson 相关系数矩阵）的热力图？

---

---

欢迎宝子们点赞、关注、收藏！欢迎宝子们批评指正！
祝所有的硕博生都能遇到好的导师！好的审稿人！好的同门！顺利毕业！

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://fighting.blog.csdn.net/article/details/147526690

---

前言

下面的示例代码演示了如何：

1. 使用 rasterio 读取一个多波段影像（假设路径为 multiband.tif）和一个二值标签影像（label.tif）。
2. 将标签影像中值为 1 的像素位置用作掩膜，只对这些位置提取多波段影像的像素值。
3. 计算各个波段之间在滑坡发生区域（标签值为 1）内的 Pearson 相关系数矩阵。
4. 使用 seaborn 绘制相关系数的热力图。

代码示例

import os
import numpy as np
import rasterio
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

# 文件路径
multiband_path = 'multiband.tif'
label_path     = 'label.tif'
out_png        = 'band_correlation_heatmap.png'

# 1. 读取多波段影像
with rasterio.open(multiband_path) as src:
    # 读取所有波段 (bands, height, width)
    data = src.read().astype(np.float32)
    band_count = src.count
    band_names = [f'B{i}' for i in range(1, band_count+1)]

# 2. 读取标签（二值图）
with rasterio.open(label_path) as lbl:
    label = lbl.read(1)

# 3. 构建掩膜：只保留 label == 1 的像素
mask = (label == 1)

# 4. 提取每个波段在掩膜区域的像素值，组织成 DataFrame
#    每一列对应一个波段
pixels = {}
for i, name in enumerate(band_names):
    band = data[i, :, :]
    pixels[name] = band[mask]

df = pd.DataFrame(pixels)

# 5. 计算 Pearson 相关系数矩阵
corr = df.corr(method='pearson')

# 6. 绘制热力图
plt.figure(figsize=(8, 6))
sns.heatmap(
    corr, 
    annot=True, 
    fmt='.2f', 
    cmap='coolwarm', 
    vmin=-1, vmax=1,
    cbar_kws={'label': 'Pearson $r$'}
)
plt.title('Multi-band Correlation Heatmap (on label==1)')
plt.tight_layout()
plt.savefig(out_png, dpi=300)
plt.show()

print(f'已保存热力图: {out_png}')

代码说明

• 读取多波段：src.read() 返回一个形状为 (波段数, 高度, 宽度) 的 NumPy 数组。
• 掩膜选择：只对标签值为 1 的位置进行相关性分析，以聚焦滑坡区域。
• 数据组织：将每个波段的掩膜内像素拉平成一维数组，放入 pandas.DataFrame 中。
• 相关系数：df.corr() 默认计算 Pearson 相关系数，可选 method='spearman' 或 method='kendall'。
• 可视化：seaborn.heatmap() 配合 annot=True 在图上显示数值，并用 coolwarm 色标直观呈现正负相关。

这样就能直观地看到各光谱波段在滑坡发生区域内的相互相关性，为后续特征选择和建模提供依据。