植被覆盖度时空变化规律分析实例

已于 2024-04-23 14:25:41 修改
阅读量6.4k 收藏 128
点赞数 11
分类专栏： 科研 文章标签： python
于 2021-12-04 19:58:47 首次发布
未经允许禁止转载
本文链接：https://blog.csdn.net/qq_42375636/article/details/121720515
版权

一、数据集

ISLSCP II GIMMS 月度 NDVI 数据集：点我

Github 项目：点我

  • 涵盖了 1981.07 ——2002.12 的数据；
  • 该数据集包含三个数据文件，分别以 0.25 、0.5 、1.0 度的经纬度空间分辨率提供；
  • 数据集进行了处理，减少了因校准、视图几何、火山气溶的火山平流层气溶胶矫正，以及使用经验模式分解/重建（ EMD ）改进 NDVI 以最小化轨道漂移的影响；
  • 数据集空间范围：全局网格
  • 经度范围：-180 W —— 180 E ；
  • 纬度范围：-90 S —— 90 N ；
  • 数据获取地址：点我 ；
  • 文件类型：.asc 文件；
  • 本实例选择了精度为 0.25 度的数据集；
  • 数据中含有负值，-99 表示水体，-88 表示缺失值，-77 表示永久冰值。

Arcgis 的学习建议参考官方文档：点我 。

原始数据展示：
1

二、数据处理流程

1. 下载文件完整性验证

由于笔者还下载了 MODIS 的数据集，而该数据集是逐条下载的，因此在下载完成后需要判断数据集是否完整。

所以笔者写了一个小程序进行验证，有兴趣的可以看看：

# coding=utf-8
import os


# check if the file exists
f = open(r'D:\Documentation\Project\Grassland ecology\data\MODIS NDVI\download.txt')
dir = r'D:\Documentation\Project\Grassland ecology\data\MODIS NDVI\hdf'
path = r'D:\Documentation\Project\Grassland ecology\data\MODIS NDVI\check.txt'
line = f.readline()
save = open(path, mode='w')
count = 0
while line:
    if os.path.exists(dir + os.sep + line.split('/')[-1].replace('\n', '')) == False: # txt file has line breaks, we should ignore it
        save.writelines(line)
    count+=1
    print count
    line = f.readline()

print 'ok!'

解释一下，上述代码中读取了一个文本类型的文件，该文件中存储了所有数据的下载地址，例如：

https://e4ftl01.cr.usgs.gov//DP131/MOLT/MOD13A3.061/2021.10.01/MOD13A3.A2021274.h24v06.061.2021306183117.hdf https://e4ftl01.cr.usgs.gov//DP131/MOLT/MOD13A3.061/2021.10.01/MOD13A3.A2021274.h28v04.061.2021306183118.hdf https://e4ftl01.cr.usgs.gov//DP131/MOLT/MOD13A3.061/2021.10.01/MOD13A3.A2021274.h26v07.061.2021306182609.hdf

所以这一步需要做的就是与下载好的文件进行对比，看是否有遗漏，有的话就将未下载的链接存储到一个叫做 check.txt 的文件中，这样我就可以下载它们了。

2. .asc 格式 转 .tif 格式

在后续步骤的处理中，.asc 文件较为不便，因此需要将其转换为栅格类型 TIFF ：

可以使用 Arcgis 工具箱中的 Conversion Tools/To Raster/ASCII to Raster 工具转换格式，也可使用代码进行批量处理：

#encoding:utf-8
import os
import arcpy


dir = 'D:/Documentation/Project/Grassland ecology/Grassland_ecology/data/gimms_ndvi_qd_1981-2002_exp/' # 数据集
files = os.listdir(dir)

for f in files:
    if os.path.splitext(f)[1] == '.asc':
        # Script arguments...
        input_raster_file = dir + f # 文件名
        # output_data_type = "DOUBLE" # 数据类型

        # Local variables...
        raster_format = "TIFF" # 文件类型
        output_workspace = 'D:/Documentation/Project/Grassland ecology/Grassland_ecology/data/conversion/' + os.path.splitext(f)[0] # 输出路径
        os.mkdir(output_workspace)

        # file name process
        output_raster = output_workspace + os.sep + os.path.splitext(f)[0] + ".tif" # 输出文件名

        if os.path.exists(output_raster) == False:
            # print input_raster_file

            # Process: Raster To Other Format (multiple)...
            arcpy.RasterToOtherFormat_conversion(input_raster_file, output_workspace, raster_format)
            # print output_raster
print "ALL DONE"

转换后的数据展示：
2
可以发现没什么区别。

3. 植被覆盖度

植被覆盖度的计算通常都使用像元二分法来计算：

假设每个像元（像素）的 NDVI 值由植被和土壤两部分组成：
N D V I = N D V I v C i + N D V I s ( 1 − C i ) NDVI=NDVI_vC_i+NDVI_s(1-C_i) NDVI=NDVIv​Ci​+NDVIs​(1−Ci​)
其中， N D V I v NDVI_v NDVIv​ 表示植被覆盖部分的值， N D V I s NDVI_s NDVIs​ 表示土壤部分的值， C i C_i Ci​ 表示植被覆盖度：
C i = N D V I − N D V I s N D V I v − N D V I s C_i=\frac{NDVI-NDVI_s}{NDVI_v-NDVI_s} Ci​=NDVIv​−NDVIs​NDVI−NDVIs​​
由于植被和土壤部分的 NDVI 值并不能确定，因此通常使用累积概率为 95% 和 5% 来代替，因此公式如下：
C i = N D V I − N D V I 0.05 N D V I 0.95 − N D V I 0.05 C_i=\frac{NDVI-NDVI_{0.05}}{NDVI_{0.95}-NDVI_{0.05}} Ci​=NDVI0.95​−NDVI0.05​NDVI−NDVI0.05​​
下面进行实操，首先提取 NDVI 的累积概率，笔者最开始使用 ENVI 软件的统计功能进行提取，但是因为数据中含有负值，因此统计的结果不正确，而笔者又不知道该如何处理这种问题，因此最终还是使用 Python 代码处理了。

笔者一开始写代码处理计算累积概率的时候使用的是原始数据类型 .asc ，其实处理 .tif 更加简便，这里给出 .asc 文件类型的处理代码，后面在对数据进行再分类的时候会提供处理 .tif 文件类型的代码，有需要的朋友自行改写吧。

# coding=utf-8

import pandas as pd
import numpy as np


def get_confidence(filepath):
    ASCfile = pd.read_csv(filepath, skiprows=6, engine='python', sep=' ', delimiter=None, index_col=False, header=None, skipinitialspace=True)

    ndarray = ASCfile.as_matrix().reshape(1, -1)
    ndarray.sort()
    ndarray = ndarray[ndarray>=-1] # 取正常的NDVI值
    q_5 = np.percentile(ndarray, 5)
    q_95 = np.percentile(ndarray, 95)

    return q_5, q_95

植被覆盖度具体的计算可以使用 Arcgis 软件中的栅格计算器：Spatial Analyst Tools/Map Algebra/Raster Calculator 。

由于在计算之前需要处理一下数据中的负值，而且对于超出累积概率范围的值也需要清洗，因此处理上文中给出的计算公式外，还需要增加一些步骤：

  • 如果 N D V I < N D V I 0.05 NDVI<NDVI_{0.05} NDVI<NDVI0.05​ ，则 N D V I = 0 NDVI=0 NDVI=0 ；
  • 如果 N D V I > N D V I 0.95 NDVI>NDVI_{0.95} NDVI>NDVI0.95​ ，则 N D V I = 1 NDVI=1 NDVI=1 ；
  • 如果 N D V I 0.05 ≤ N D V I ≤ N D V I 0.95 NDVI_{0.05}\le NDVI\le NDVI_{0.95} NDVI0.05​≤NDVI≤NDVI0.95​ ，则 N D V I = N D V I NDVI=NDVI NDVI=NDVI 。

因此使用栅格计算器的时候所需的公式为：(b1 lt ndvi_min)*0 + (b1 gt ndvi_max)*1 + (b1 ge ndvi_min and b1 le ndvi_max)*((b1 + ndvi_min) / (ndvi_max - ndvi_min)) 。

使用栅格计算器的时候，一次只能处理一个文件，因此需要自行提取累积概率并输入计算器，这样会非常麻烦，因此下面给出批量处理的代码：

# coding=utf-8

import os
import arcpy
from arcpy.sa import *
from get_confidence import get_confidence


arcpy.CheckOutExtension("spatial") # 检查外部扩展
arcpy.gp.overwriteOutput = 1 # 覆盖之前的文件

dirs = 'D:/Documentation/Project/Grassland ecology/Grassland_ecology/data/conversion/'
out_dir = 'D:/Documentation/Project/Grassland ecology/Grassland_ecology/data/Vegetation_coverage/'
asc_dir = 'D:/Documentation/Project/Grassland ecology/Grassland_ecology/data/gimms_ndvi_qd_1981-2002_exp/'
files = os.listdir(dirs)

for file in files:
    if os.path.exists(out_dir + file) == False:
        os.mkdir(out_dir + file)
    out_path = out_dir + file + os.sep
    dir = dirs + file + os.sep
    arcpy.env.workspace = dir
    rasters = arcpy.ListRasters(raster_type='TIF')

    for raster in rasters:
        inRaster = Raster(raster)
        Min, Max = get_confidence(asc_dir + file + ".asc")
        ans = Con(inRaster < Min, 0, Con((inRaster >= Min) & (inRaster <= Max), (inRaster - Min)/(Max - Min), 1))
        ans.save(out_path + file + ".tif")
        print file + " is done!"

print "OK!"

植被覆盖度图像如下：
3
可以发现，它的颜色变浅了一些。

4. 截取目标区域

实例以中国为例，因此需要使用国界线从世界区域中截取中国区域，国界线文件需要使用 .shp 等类型，如果没有请自行下载。

对于未定义坐标系的文件，可以使用 Arcgis 软件中的：Data Management Tools/Projections and Transformations/Define Porjection 工具来定义坐标系，通常使用 WGS 1984。

对于不相同的坐标系文件，可以使用 Arcgis 软件中的：Data Management Tools/Projections and Transformations/Project 工具来转换坐标系，通常使用 WGS 1984。

如果上两步没有问题或者不需要进行上两步，就可以进行区域截取了，使用 Arcgis 软件中的： Spatial Analyst Tools/Extraction/Extract by Mask'工具按掩膜提取即可，代码版本如下：

import arcpy
from arcpy import env
from arcpy.sa import *
import os


arcpy.CheckOutExtension("Spatial")
in_path = r"D:\Documentation\Project\Grassland ecology\Grassland_ecology\data\Vegetation_coverage"
mask_data = r"D:\Documentation\Project\Grassland ecology\Grassland_ecology\data\national_borders\national_borders.shp"
out_path = r"D:\Documentation\Project\Grassland ecology\Grassland_ecology\data\extract_by_mask"
dirs = os.listdir(in_path)
flag = 0
for dir in dirs:
    env.workspace = in_path + os.sep + dir
    files = arcpy.ListRasters(raster_type='TIF')
    for file in files:
        out = ExtractByMask(file, mask_data)
        if os.path.exists(out_path + os.sep + file.split('.')[0]) == False:
            os.mkdir(out_path + os.sep + file.split('.')[0])
        out.save(out_path + os.sep + file.split('.')[0] + os.sep + file)
    flag+=1
    print flag
print "ok!"

该步骤建议放在转换文件类型之后，这样可以降低计算量。

截取中国后的图像：
4

5. 提取年代数据

由于要分析植被覆盖度的时空变化，因此需要对已有的数据进行划分。

笔者根据论文[1]，将数据划分为 1980 年代（1982~1989）、1990 年代（1990~1999）和 2000 年代（2000~2002），由于笔者采用的数据并不是论文中采用的数据集，因此后续计算中会出现一些不合理的地方，本文的主要目的是记录学习这些步骤以及做这个实验的过程，因此不需要过于纠结这些问题。

所谓提取年代数据，实际上就是对某一年代的 NDVI 数据取一下均值，得到一份均值数据，该步骤可以使用 Ascgis 软件中的：Spatial Analyst Tools/Local/Cell Statistics 工具处理，也可以使用代码处理：

import arcpy
from arcpy import env
from arcpy.sa import *
import os


in_path = r"D:\Documentation\Project\Grassland ecology\Grassland_ecology\data\extract_by_mask"
out_path = r"D:\Documentation\Project\Grassland ecology\Grassland_ecology\data\years_data"
years_path = os.listdir(in_path)
for years in years_path:
    arr = []
    dirs = os.listdir(in_path + os.sep + years)
    for dir in dirs:
        env.workspace = in_path + os.sep + years + os.sep + dir
        files = arcpy.ListRasters(raster_type='TIF')
        for file in files:
            arr.append(in_path + os.sep + years + os.sep + dir + os.sep + file)

    arcpy.CheckOutExtension("Spatial")
    out = CellStatistics(arr, "MEAN")
    if os.path.exists(out_path + os.sep+ years) == False:
        os.mkdir(out_path + os.sep+ years)
    out.save(out_path + os.sep+ years + os.sep + years + '.tif')
print "ok!"

提取年代数据后的图像：
5

6. 划分等级

根据论文，需要将植被覆盖数据划分为五个等级，分别为：

等级名称描述
Ⅰ级低覆盖度小于 5% ，中度沙漠化土地、裸岩、居民地、水体、 裸体、低产草地，属劣等覆盖
Ⅱ级中低覆盖度5% ~ 15% ，相当于轻度沙漠化土地、中产草地、 低郁闭度林地、零星植被，差覆盖度
Ⅲ级中覆盖度15% ~ 30% ，中低产草地、沼泽类草地，中覆盖度
Ⅳ级中高覆盖度30% ~ 60% ，中高产草地，中高覆盖度
Ⅴ级高覆盖度大于 60% ，高产草地、密灌木地、密林地、属于优 等覆盖，高覆盖度植被

该步骤可以使用 Ascgis 软件中的：Spatital Analyst Tools/Reclass/Reclassify 工具进行划分，代码版本如下：

# coding=utf-8
import numpy as np
import arcpy
from arcpy.sa import *


def load_img_to_array(img_file_path):
    inRas = arcpy.Raster(img_file_path)
    lowerLeft = arcpy.Point(inRas.extent.XMin, inRas.extent.YMin)
    ndarray = arcpy.RasterToNumPyArray(inRas)
    ndarray = ndarray.reshape(1, -1)
    ndarray.sort()
    ndarray = ndarray[ndarray>=-1] # 取正常的NDVI值
    q_5 = np.percentile(ndarray, 5)
    q_15 = np.percentile(ndarray, 15)
    q_30 = np.percentile(ndarray, 30)
    q_60 = np.percentile(ndarray, 60)

    return [[0, q_5, 0], [q_5, q_15, 1], [q_15, q_30, 2], [q_30, q_60, 3], [q_60, 1, 4]]

in_path1 = r"D:\Documentation\Project\Grassland ecology\Grassland_ecology\data\years_data\1980s\1980s.tif"
in_path2 = r"D:\Documentation\Project\Grassland ecology\Grassland_ecology\data\years_data\1990s\1990s.tif"
in_path3 = r"D:\Documentation\Project\Grassland ecology\Grassland_ecology\data\years_data\2000s\2000s.tif"

p1 = load_img_to_array(in_path1)
p2 = load_img_to_array(in_path2)
p3 = load_img_to_array(in_path3)

out_path1 = r"D:\Documentation\Project\Grassland ecology\Grassland_ecology\data\reclassify\1980s\1980s.tif"
out_path2 = r"D:\Documentation\Project\Grassland ecology\Grassland_ecology\data\reclassify\1990s\1990s.tif"
out_path3 = r"D:\Documentation\Project\Grassland ecology\Grassland_ecology\data\reclassify\2000s\2000s.tif"

out1 = Reclassify(in_path1, "Value", RemapRange(p1))
out2 = Reclassify(in_path2, "Value", RemapRange(p2))
out3 = Reclassify(in_path3, "Value", RemapRange(p3))

out1.save(out_path1)
out2.save(out_path2)
out3.save(out_path3)

上述代码中的函数 load_img_to_array(img_file_path) 可以修改为累积概率提取的 .tif 文件类型版本。

划分等级后的图像：
6

7. 计算转移矩阵

要分析植被覆盖的变化，还需要计算转移矩阵。

所谓转移矩阵，实际上就是随时间变化，上一年代的某植被覆盖等级的像元逐渐演化为了其他等级，用来统计这些变化信息的矩阵。

笔者尝试了使用 Arcgis 软件来进行计算，但是该软件提供的工具要求使用向量文件，而且得到的结果是面积演化的转移矩阵，不符合我们的目标。

这里推荐使用 ENVI 软件来计算，首先需要使用 ENVI Classic 软件将 .tif 文件绘制为 ENVI 文件可应用的图像，步骤如下：

  • 打开 ENVI Classic 软件；

  • 导入划分等级后的 .tif 文件；

  • 打开图片；

  • 点击：Tools/Color Mapping/Density Slice ；
    7

  • 点击 ok ；

  • 将 Range 范围改为五个类别，分别为：

    • 0 to 0
    • 1 to 1
    • 2 to 2
    • 3 to 3
    • 4 to 4

  • 点击 Apply ；
    8

  • 点击 File/Output Ranges to Class Image ；
    9

  • 输入保存路径保存图片。

对三个年代数据文件处理后，就可以使用 ENVI 软件的：Change Detection/Change Detection Statistics 工具计算转移矩阵了，步骤如下：

  • 打开工具；
  • 先选择后一年代的文件，再选择前一年代的文件；
  • 点击 ok ；
  • 输入文件保存路径，点击 ok 。
  • 点击：File/Save to Text File，输入文件路径将弹出的表格保存；
  • 打开 Excel ；
  • 打开刚才保存的 .txt 文件，分隔方式为 Tab ，不懂的自行百度 excel 打开 txt 文件；
  • 将表格中的数据进行处理，修改为你想要样子。

转移矩阵展示：

植被覆盖等级ⅠⅡⅢⅣⅤ起始减少
Ⅰ155199000165099
161621000163721
Ⅱ844578000621164
2293327300634302
Ⅲ27821375402271134
86521247402271147
Ⅳ005443131754542229
007442512174542291
Ⅴ00017558816056175
00021758396056217
最终1637634227145426056
1853418227145426056
增加86177134229175
23786147291217

8. 结果分析

面积统计如下表：（总面积为：420892）

年代属性ⅠⅡⅢⅣⅤ
1982-1989面积/km²4587017263.863133.8126267.6168356.8
比例/%10.898284.101717153040
1990-1999面积/km²45508.617625.263133.8126267.6168356.8
比例/%10.812424.187583153040
2000-2002面积/km²51513.411620.463133.8126267.6168356.8
比例/%12.23912.760898153040
面积变化/km²1980s-1990s-361.4361.4000
1990s-2000s6004.8-6004.8000

三、强度分析

强度分析是一种定量分析土地利用/土地覆盖变化，适用于两个或两个以上时间段以及两个或两个以上不同类型的分析方法，包含 3 个层面：时间间隔、类别、转换。

1. 层面一

第 1 个层面分析每个时间间隔的总体变化规模和变化速率的大小，称之为间隔层面，计算每个时间间隔的年变化强度之后与均值线对比其变化速率的快慢。由下面公式 1 计算每个时间段的变化面积百分比；
S t = [ Y t , Y t + 1 ] 期间的变化面积 研究区面积 [ Y t , Y t + 1 ] 的持续时间 × 100 % = ∑ j = 1 J [ ( ∑ i = 1 J c t i j ) − c t i j ] ∑ j = 1 J ∑ i = 1 J c t i j Y t + 1 − Y t × 100 % S_t = \frac{\frac{[Y_t, Y_{t+1}]期间的变化面积}{研究区面积}}{[Y_t,Y_{t+1}]的持续时间}\times100\%=\frac{\frac{\sum_{j=1}^J[(\sum_{i=1}^Jc_{tij})-c_{tij}]}{\sum_{j=1}^J\sum_{i=1}^Jc_{tij}}}{Y_{t+1}-Y_t}\times100\% St​=[Yt​,Yt+1​]的持续时间研究区面积[Yt​,Yt+1​]期间的变化面积​​×100%=Yt+1​−Yt​∑j=1J​∑i=1J​ctij​∑j=1J​[(∑i=1J​ctij​)−ctij​]​​×100%
其中：

  • S t S_t St​ 为时间段 [ Y t , Y t + 1 ] [Y_t,Y_{t+1}] [Yt​,Yt+1​] 的年变化强度；
  • J J J 为类别数量；
  • 下标 i i i 表示某时间段初始时间点的类别；
  • 下标 j j j 表示某时间段终止时间点的类别；
  • 下标 n n n 表示由其他类别转换而来的类别；
  • T T T 为时间段的数量；
  • 下标 t t t 是 [ Y t , Y t + 1 ] [Y_t,Y_{t+1}] [Yt​,Yt+1​] 期间的某一时间点，范围是 [ 1 , T − 1 ] [1,T-1] [1,T−1] ；
  • Y t Y_t Yt​ 为时间点 t t t 的年份。

公式 2 给出了变化速率均值线，如果 S t S_t St​ 的值在每个时间点 t t t 都相等，则 S t S_t St​ 的值等于 U U U ，这是强度分析的基本逻辑，并适用于类别层面和转换层面的分析：
U = 整个研究时段内的面积变化 研究区面积 整个期间持续时间 × 100 % = ∑ t = 1 T − 1 { ∑ j = 1 J [ ( ∑ i = 1 J C t i j ) − C t i j ] } ∑ j = 1 J ∑ i = 1 J C t i j Y T − Y 1 × 100 % U=\frac{\frac{整个研究时段内的面积变化}{研究区面积}}{整个期间持续时间}\times100\%=\frac{\frac{\sum_{t=1}^{T-1}\left\{\sum_{j=1}^J[(\sum_{i=1}^JC_{tij})-C_{tij}]\right\}}{\sum_{j=1}^J\sum_{i=1}^JC_{tij}}}{Y_T-Y_1}\times100\% U=整个期间持续时间研究区面积整个研究时段内的面积变化​​×100%=YT​−Y1​∑j=1J​∑i=1J​Ctij​∑t=1T−1​{∑j=1J​[(∑i=1J​Ctij​)−Ctij​]}​​×100%
U U U 为时间 Intensity analysis 均值线的值。

下图展示了两个时段的面积变化和面积变化速率，左图 x 轴表示时段，y 轴表示年平均面积变化量，右图 y 轴表示年平均面积变化速率百分比，红色的虚线为均值线，可以看出：中国植被覆盖度在 1980s — 1990s 的变化面积和变化速率均小于 1990s — 2000s。
10

2. 层面二

分析每个类别在某一时间段增加或减少的程度，并将其与均值线对比可知其变化速率的缓急情况：
G t j = [ Y t , Y t + 1 ] 期间内类型 j 的增加面积 [ Y t , Y t + 1 ] 的持续时间 类型 j 在 Y t + 1 的面积 × 100 % = ( ∑ i = 1 J c t i j ) − c t i i Y t + 1 − Y t ∑ i = 1 J c t i j × 100 % L t i = [ Y t , Y t + 1 ] 期间内类型 i 的减少面积 [ Y t , Y t + 1 ] 的持续时间 类型 i 在 Y t 的面积 × 100 % = L t i = ( ∑ j = 1 J c t i j ) − c t i i Y t + 1 − Y t ∑ j = 1 J c t i j × 100 % G_{tj}=\frac{\frac{[Y_t,Y_{t+1}]期间内类型j的增加面积}{[Y_t, Y_{t+1}]的持续时间}}{类型j在Y_{t+1}的面积}\times100\%=\frac{\frac{(\sum_{i=1}^Jc_{tij})-c_{tii}}{Y_{t+1}-Y_t}}{\sum_{i=1}^Jc_{tij}}\times100\% \\ L_{ti}=\frac{\frac{[Y_t,Y_{t+1}]期间内类型i的减少面积}{[Y_t,Y_{t+1}]的持续时间}}{类型i在Y_t的面积}\times100\%=L_{ti}=\frac{\frac{(\sum_{j=1}^Jc_{tij})-c_{tii}}{Y_{t+1-Y_t}}}{\sum_{j=1}^Jc_{tij}}\times100\% Gtj​=类型j在Yt+1​的面积[Yt​,Yt+1​]的持续时间[Yt​,Yt+1​]期间内类型j的增加面积​​×100%=∑i=1J​ctij​Yt+1​−Yt​(∑i=1J​ctij​)−ctii​​​×100%Lti​=类型i在Yt​的面积[Yt​,Yt+1​]的持续时间[Yt​,Yt+1​]期间内类型i的减少面积​​×100%=Lti​=∑j=1J​ctij​Yt+1−Yt​​(∑j=1J​ctij​)−ctii​​​×100%
其中：

  • G t j G_{tj} Gtj​ 为 [ Y t , Y t + 1 ] [Y_t,Y_{t+1}] [Yt​,Yt+1​] 中 j j j 等级的年总增加强度；
  • L t i j L_{tij} Ltij​ 为从时间点 Y t Y_t Yt​ 的 i i i 等级转换至时间点 Y t + 1 Y_{t+1} Yt+1​ 的 j j j 等级的像元个数。

下面的图像展示了两个时段的植被覆盖度等级变化规律，左图 x 轴表示植被覆盖等级，y 轴表示年平均变化面积，右图 x 轴表示植被覆盖等级，y 轴表示面积变化速率百分比，红色的虚线表示均值线 。均值线以下表示强度变化平缓，反之表示强度变化活跃。
11
12
13
14

3. 层面三

分析某一类别转换为另一类别和其他类别转入该类别的程度，并找出在某一特定时间间隔内哪种类别的转换尤为强烈：
R t i n = [ Y t , Y t + 1 ] 期间内 i 转至 n 的面积 [ Y t , Y t + 1 ] 的持续时间 类型 i 在 Y t 的面积 × 100 % = c t i n Y t + 1 − Y t ∑ j = 1 J c t i j × 100 % R_{tin}=\frac{\frac{[Y_t,Y_{t+1}]期间内i转至n的面积}{[Y_t,Y_{t+1}]的持续时间}}{类型i在Y_t的面积}\times100\%=\frac{\frac{c_{tin}}{Y_{t+1}-Y_t}}{\sum_{j=1}^Jc_{tij}}\times100\% Rtin​=类型i在Yt​的面积[Yt​,Yt+1​]的持续时间[Yt​,Yt+1​]期间内i转至n的面积​​×100%=∑j=1J​ctij​Yt+1​−Yt​ctin​​​×100%

  • R t i n R_{tin} Rtin​ 为 [ Y t , Y t + 1 ] [Y_t,Y_{t+1}] [Yt​,Yt+1​] 中 i i i 等级至 n ( i ≠ n ) n(i\ne n) n(i=n) 等级的年转换强度。

W t n = [ Y t , Y t + 1 ] 期间内类型 n 的增加面积 [ Y t , Y t + 1 ] 的持续时间 在 Y t 的非类型 n 的面积 × 100 % = ( ∑ i = 1 J c t i n ) − c t n n Y t + 1 − Y t ∑ j = 1 J [ ( ∑ i = 1 J c t i j ) − c t n j ] × 100 % W_{tn}=\frac{\frac{[Y_t,Y_{t+1}]期间内类型n的增加面积}{[Y_t,Y_{t+1}]的持续时间}}{在Y_t的非类型n的面积}\times100\%=\frac{\frac{(\sum_{i=1}^Jc_{tin})-c_{tnn}}{Y_{t+1}-Y_t}}{\sum_{j=1}^J[(\sum_{i=1}^Jc_{tij})-c_{tnj}]}\times100\% Wtn​=在Yt​的非类型n的面积[Yt​,Yt+1​]的持续时间[Yt​,Yt+1​]期间内类型n的增加面积​​×100%=∑j=1J​[(∑i=1J​ctij​)−ctnj​]Yt+1​−Yt​(∑i=1J​ctin​)−ctnn​​​×100%

  • W t n W_{tn} Wtn​ 为 [ Y t , Y t + 1 ] [Y_t,Y_{t+1}] [Yt​,Yt+1​] 中从时间点 Y t Y_t Yt​ 的非 n n n 等级至 n n n 等级的统一转换强度。

Q t m j = [ Y t , Y t + 1 ] 期间内 m 转至 j 的面积 [ Y t , Y t + 1 ] 的持续时间 类型 j 在 Y t + 1 的面积 × 100 % = c t m j Y t + 1 − Y t ∑ i = 1 J c t i j × 100 % Q_{tmj}=\frac{\frac{[Y_t,Y_{t+1}]期间内m转至j的面积}{[Y_t,Y_{t+1}]的持续时间}}{类型j在Y_{t+1}的面积}\times100\%=\frac{\frac{c_{tmj}}{Y_{t+1-Y_t}}}{\sum_{i=1}^Jc_{tij}}\times100\% Qtmj​=类型j在Yt+1​的面积[Yt​,Yt+1​]的持续时间[Yt​,Yt+1​]期间内m转至j的面积​​×100%=∑i=1J​ctij​Yt+1−Yt​​ctmj​​​×100%

  • Q t m j Q_{tmj} Qtmj​ 为 [ Y t , Y t + 1 ] [Y_t,Y_{t+1}] [Yt​,Yt+1​] 中 m m m 等级至 ( m ≠ j ) (m\ne j) (m=j) 等级的年转换强度。

V t m = [ Y t , Y t + 1 ] 期间 m 的减少面积 [ Y t , Y t + 1 ] 的持续时间 在 Y t + 1 的非类型 m 的面积 × 100 % = ( ∑ j = 1 J c t m j ) − c t m m Y t + 1 − Y t ∑ i = 1 J [ ( ∑ j = 1 J c t i j ) − c t i m ] × 100 % V_{tm}=\frac{\frac{[Y_t,Y_{t+1}]期间m的减少面积}{[Y_t,Y_{t+1}]的持续时间}}{在Y_{t+1}的非类型m的面积}\times100\%=\frac{\frac{(\sum_{j=1}^Jc_{tmj})-c_{tmm}}{Y_{t+1}-Y_t}}{\sum_{i=1}^J[(\sum_{j=1}^Jc_{tij})-c_{tim}]}\times100\% Vtm​=在Yt+1​的非类型m的面积[Yt​,Yt+1​]的持续时间[Yt​,Yt+1​]期间m的减少面积​​×100%=∑i=1J​[(∑j=1J​ctij​)−ctim​]Yt+1​−Yt​(∑j=1J​ctmj​)−ctmm​​​×100%

  • V t m V_{tm} Vtm​ 为 [ Y t , Y t + 1 ] [Y_t,Y_{t+1}] [Yt​,Yt+1​] 中从时间点 Y t + 1 Y_{t+1} Yt+1​ 的 m m m 等级至所有非 m m m 等级的统一转换强度。

根据强度分析，得到下表的变化趋势：

转出80s-90s90s-00s
低覆盖度（1）中低（2）中低（2）
中低覆盖度（2）低（1）、中（3）低（1）、中（3）
中覆盖度（3）中低（2）、中高（4）中低（2）、中高（4）
中高覆盖度（4）中（3）、高（5）中（3）、高（5）
高覆盖度（5）中高（5）中高（5）

4. 强度分析代码

import numpy as np


class strength_analysis:
    # init
    def __init__(self):
        self.category_80s = np.array([1650, 621, 2271, 4542, 6056], dtype='double')
        self.category_90s = np.array([1637, 634, 2271, 4542, 6056], dtype='double')
        self.category_00s = np.array([1853, 418, 2271, 4542, 6056], dtype='double')
        self.years_80s_90s = 10
        self.years_90s_00s = 6
        self.years_80s_00s = 16
        self.var_80s_90s = np.array([[1551, 99, 0, 0, 0], [84, 457, 80, 0, 0], [2, 78, 2137, 54, 0], [0, 0, 54, 4313, 175],
                                [0, 0, 0, 175, 5881]], dtype='double')
        self.var_90s_00s = np.array([[1616, 21, 0, 0, 0], [229, 332, 73, 0, 0], [8, 65, 2124, 74, 0], [0, 0, 74, 4251, 217],
                                [0, 0, 0, 217, 5839]], dtype='double')
        self.increase_80s_90s = np.array([86, 177, 134, 229, 175], dtype='double')
        self.increase_90s_00s = np.array([237, 86, 147, 291, 217], dtype='double')
        self.decrease_80s_90s = np.array([99, 164, 134, 229, 175], dtype='double')
        self.decrease_90s_00s = np.array([21, 302, 147, 291, 217], dtype='double')

    # category 1
    def S_U(self):
        S_80s_90s = np.sum(np.abs(self.category_90s - self.category_80s)) / sum(self.category_80s) / self.years_80s_90s * 100
        S_90s_00s = sum(np.abs(self.category_00s - self.category_90s)) / sum(self.category_90s) / self.years_90s_00s * 100
        U = (sum(np.abs(self.category_90s - self.category_80s)) + sum(np.abs(self.category_00s - self.category_90s))) / sum(self.category_80s) / self.years_80s_00s * 100
        return S_80s_90s, S_90s_00s, U

    def area_S(self):
        S_80s_90s = np.sum(np.abs(self.category_90s - self.category_80s)) / self.years_80s_90s
        S_90s_00s = sum(np.abs(self.category_00s - self.category_90s)) / self.years_90s_00s
        return S_80s_90s, S_90s_00s

    # category 2
    def GL(self):
        G_80s_90s = np.empty((5, 1), dtype='double')
        G_90s_00s = np.empty((5, 1), dtype='double')
        L_80s_90s = np.empty((5, 1), dtype='double')
        L_90s_00s = np.empty((5, 1), dtype='double')
        for i in range(5):
            G_80s_90s[i] = self.increase_80s_90s[i] / self.years_80s_90s / self.category_90s[i] * 100
            G_90s_00s[i] = self.increase_90s_00s[i] / self.years_90s_00s / self.category_00s[i] * 100
            L_80s_90s[i] = self.decrease_80s_90s[i] / self.years_80s_90s / self.category_80s[i] * 100
            L_90s_00s[i] = self.decrease_90s_00s[i] / self.years_90s_00s / self.category_90s[i] * 100
        U1 = np.sum(self.increase_80s_90s) / sum(self.category_80s) / self.years_80s_90s * 100
        U2 = np.sum(self.increase_90s_00s) / sum(self.category_90s) / self.years_90s_00s * 100
        U3 = np.sum(self.decrease_80s_90s) / sum(self.category_80s) / self.years_80s_90s * 100
        U4 = np.sum(self.decrease_90s_00s) / sum(self.category_90s) / self.years_90s_00s * 100
        return G_80s_90s, G_90s_00s, L_80s_90s, L_90s_00s, U1, U2, U3, U4

    def area_GL(self):
        G_80s_90s = np.empty((5, 1), dtype='double')
        G_90s_00s = np.empty((5, 1), dtype='double')
        L_80s_90s = np.empty((5, 1), dtype='double')
        L_90s_00s = np.empty((5, 1), dtype='double')
        for i in range(5):
            G_80s_90s[i] = self.increase_80s_90s[i] / self.years_80s_90s
            G_90s_00s[i] = self.increase_90s_00s[i] / self.years_90s_00s
            L_80s_90s[i] = self.decrease_80s_90s[i] / self.years_80s_90s
            L_90s_00s[i] = self.decrease_90s_00s[i] / self.years_90s_00s
        return G_80s_90s, G_90s_00s, L_80s_90s, L_90s_00s

    # category 3
    def RWQV(self):
        R_80s_90s = np.empty((5, 5), dtype='double')
        R_90s_00s = np.empty((5, 5), dtype='double')
        W_80s_90s = np.empty((5, 1), dtype='double')
        W_90s_00s = np.empty((5, 1), dtype='double')
        Q_80s_90s = np.empty((5, 5), dtype='double')
        Q_90s_00s = np.empty((5, 5), dtype='double')
        V_80s_90s = np.empty((5, 1), dtype='double')
        V_90s_00s = np.empty((5, 1), dtype='double')
        for i in range(5):
            for j in range(5):
                if i == j:
                    continue
                R_80s_90s[i][j] = self.var_80s_90s[i][j] / self.years_80s_90s / self.category_80s[i] * 100
                R_90s_00s[i][j] = self.var_90s_00s[i][j] / self.years_90s_00s / self.category_90s[i] * 100
                Q_80s_90s[i][j] = self.var_80s_90s[i][j] / self.years_80s_90s / self.category_90s[j] * 100
                Q_90s_00s[i][j] = self.var_90s_00s[i][j] / self.years_90s_00s / self.category_00s[j] * 100
            W_80s_90s[i] = self.increase_80s_90s[i] / self.years_80s_90s / (np.sum(self.category_80s) - self.category_80s[i]) * 100
            W_90s_00s[i] = self.increase_90s_00s[i] / self.years_90s_00s / (np.sum(self.category_90s) - self.category_90s[i]) * 100
            V_80s_90s[i] = self.decrease_80s_90s[i] / self.years_80s_90s / (np.sum(self.category_90s) - self.category_90s[i]) * 100
            V_90s_00s[i] = self.decrease_90s_00s[i] / self.years_90s_00s / (np.sum(self.category_00s) - self.category_00s[i]) * 100

        return R_80s_90s, R_90s_00s, W_80s_90s, W_90s_00s, Q_80s_90s, Q_90s_00s, V_80s_90s, V_90s_00s

5. 画图代码

# coding=utf-8

from strength_analysis import *
import numpy
import matplotlib.pyplot as plt


SA = strength_analysis()

# plot 1
plt.clf()
S_80s_90s, S_90s_00s = SA.area_S()
plt.subplot(1, 2, 1)
plt.title('change area')
plt.xlabel("years") # 变化面积
plt.ylabel("change area") # 变化面积
plt.xlim(0, 5)
plt.xticks([1, 3], ['80s-90s', '90s-00s'])
plt.bar([1, 3], [S_80s_90s, S_90s_00s], color=['blue', 'green'], width=0.7)
plt.tight_layout()
# plt.show()

# plot 2
S_80s_90s, S_90s_00s, U = SA.S_U()
plt.subplot(1, 2, 2)
plt.title('change rate')
plt.xlabel("change rate") # 变化率
plt.ylabel("percent") # 变化面积
plt.xlim(0, 5)
plt.xticks([1, 3], ['80s-90s', '90s-00s'])
plt.bar([1, 3], [S_80s_90s, S_90s_00s], color=['blue', 'green'], width=0.7)
plt.axhline(U, linestyle='--', c='red', label=str(U))
plt.legend(fontsize=8)
plt.tight_layout()
# plt.show()

# plot 3
plt.clf()
G_80s_90s, G_90s_00s, L_80s_90s, L_90s_00s = SA.area_GL()
plt.subplot(1, 2, 1)
plt.title('80s-90s increase area')
plt.xlabel("class") # 变化面积
plt.ylabel("area") # 变化面积
plt.xlim(0, 6)
plt.xticks([1, 2, 3, 4, 5], [1, 2, 3, 4, 5])
plt.bar([1, 2, 3, 4, 5], G_80s_90s, color=['blue', 'green'], width=0.5)
plt.tight_layout()
# plt.show()

# plot 4
G_80s_90s, G_90s_00s, L_80s_90s, L_90s_00s, U1, U2, U3, U4 = SA.GL()
plt.subplot(1, 2, 2)
plt.title('80s-90s increase rate')
plt.xlabel("class") # 变化率
plt.ylabel("rate") # 变化面积
plt.xlim(0, 6)
plt.xticks([1, 2, 3, 4, 5], [1, 2, 3, 4, 5])
plt.bar([1, 2, 3, 4, 5], G_80s_90s, color=['blue', 'green'], width=0.5)
plt.axhline(U1, linestyle='--', c = 'red', label=str(U1))
plt.legend(fontsize=8)
plt.tight_layout()
plt.show()

# plot 5
plt.clf()
G_80s_90s, G_90s_00s, L_80s_90s, L_90s_00s = SA.area_GL()
plt.subplot(1, 2, 1)
plt.title('90s-00s increase area')
plt.xlabel("class") # 变化率
plt.ylabel("area") # 变化面积
plt.xlim(0, 6)
plt.xticks([1, 2, 3, 4, 5], [1, 2, 3, 4, 5])
plt.bar([1, 2, 3, 4, 5], G_90s_00s, color=['blue', 'green'], width=0.5)
plt.tight_layout()
# plt.show()

# plot 6
G_80s_90s, G_90s_00s, L_80s_90s, L_90s_00s, U1, U2, U3, U4 = SA.GL()
plt.subplot(1, 2, 2)
plt.title('90s-00s increase rate')
plt.xlabel("class") # 变化率
plt.ylabel("rate") # 变化面积
plt.xlim(0, 6)
plt.xticks([1, 2, 3, 4, 5], [1, 2, 3, 4, 5])
plt.bar([1, 2, 3, 4, 5], G_90s_00s, color=['blue', 'green'], width=0.5)
plt.axhline(U1, linestyle='--', c = 'red', label=str(U2))
plt.legend(fontsize=8)
plt.tight_layout()
plt.show()

# plot 7
plt.clf()
G_80s_90s, G_90s_00s, L_80s_90s, L_90s_00s = SA.area_GL()
plt.subplot(1, 2, 1)
plt.title('80s-90s decrease area')
plt.xlabel("class") # 变化率
plt.ylabel("area") # 变化面积
plt.xlim(0, 6)
plt.xticks([1, 2, 3, 4, 5], [1, 2, 3, 4, 5])
plt.bar([1, 2, 3, 4, 5], L_80s_90s, color=['blue', 'green'], width=0.5)
plt.tight_layout()
# plt.show()

# plot 8
G_80s_90s, G_90s_00s, L_80s_90s, L_90s_00s, U1, U2, U3, U4 = SA.GL()
plt.subplot(1, 2, 2)
plt.title('80s-90s decrease rate')
plt.xlabel("class") # 变化率
plt.ylabel("rate") # 变化面积
plt.xlim(0, 6)
plt.xticks([1, 2, 3, 4, 5], [1, 2, 3, 4, 5])
plt.bar([1, 2, 3, 4, 5], L_80s_90s, color=['blue', 'green'], width=0.5)
plt.axhline(U2, linestyle='--', c = 'red', label=str(U3))
plt.legend(fontsize=8)
plt.tight_layout()
plt.show()

# plot 9
plt.clf()
G_80s_90s, G_90s_00s, L_80s_90s, L_90s_00s = SA.area_GL()
plt.subplot(1, 2, 1)
plt.title('90s-00s decrease area')
plt.xlabel("class") # 变化率
plt.ylabel("area") # 变化面积
plt.xlim(0, 6)
plt.xticks([1, 2, 3, 4, 5], [1, 2, 3, 4, 5])
plt.bar([1, 2, 3, 4, 5], L_90s_00s, color=['blue', 'green'], width=0.5)
plt.tight_layout()
# plt.show()

# plot 10
G_80s_90s, G_90s_00s, L_80s_90s, L_90s_00s, U1, U2, U3, U4 = SA.GL()
plt.subplot(1, 2, 2)
plt.title('90s-00s decrease rate')
plt.xlabel("class") # 变化率
plt.ylabel("rate") # 变化面积
plt.xlim(0, 6)
plt.xticks([1, 2, 3, 4, 5], [1, 2, 3, 4, 5])
plt.bar([1, 2, 3, 4, 5], L_90s_00s, color=['blue', 'green'], width=0.5)
plt.axhline(U2, linestyle='--', c = 'red', label=str(U4))
plt.legend(fontsize=8)
plt.tight_layout()
plt.show()

R_80s_90s, R_90s_00s, W_80s_90s, W_90s_00s, Q_80s_90s, Q_90s_00s, V_80s_90s, V_90s_00s = SA.RWQV()
for i in range(5):
    for j in range(5):
        if i == j:
            continue
        print "R_90s_00s[{}][{}]:{}".format(i, j, R_90s_00s[i][j]) # 4 to 5
BeZer0
关注
  • 11
    点赞
  • 踩
  • 128
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 10
    评论
专栏目录
python森林生物量（蓄积量）数据处理到随机森林估算全流程
梅如你
08-01 1958
基于python估算森林生物量
基于GEE云平台的黄河流域植被覆盖度时空变化特征-论文
07-07
植被覆盖度是土地生态的重要指示因子，黄河流域横跨中国地形三大阶梯，是国家重要的生态屏障，同时也是重要的经济地带和“能源流域”。为揭示长时序黄河流域及其煤炭富集地区土地生态变化状况，基于Google Earth Engine(GEE)平台，对1987—2020年黄河流域共40 525景Landsat TM/ETM+/OLI遥感影像进行批量去云、融合和NDVI云计算等处理，获取34 a的植被覆盖度数据。综合利用最大值合成法、像元二分模型、一元线性回归趋势性分析和F检验等方法对黄河流域及流域内煤炭国家规划矿区植被覆盖度的时空变化特征进行定量分析;在此基础上逐一识别地形因子和气候因子对黄河流域及其规划矿区植被覆盖度的影响。结果表明:① 34 a间黄河流域的平均植被覆盖度由1987年的0.457 4上升至2020年的0.581 7，同期流域内煤炭国家规划矿区则由0.355 6增至0.536 1，2者呈现一致的波动上升的趋势;② 时序趋势变化类型构成中，黄河流域植被覆盖度改善的面积(33.19%)远大于植被覆盖度退化的面积(3.55%)。规划矿区内植被覆盖度改善面积占比高于黄河流域，但其植被覆
ArcGIS计算植被覆盖度过程
11-11
ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcGIS计算植被覆盖度过程 ArcG
[ENVI] 转移矩阵
热门推荐
geodoer
04-17 1万+
ENVI转移矩阵。
基于Python实现植被覆盖度时空变化规律分析实例【100010990】
02-27
假设每个像元（像素）的 NDVI 值由植被和土壤两部分组成： $$ NDVI=NDVI_vC_i+NDVI_s(1-C_i) $$ 其中，$NDVI_v$ 表示植被覆盖部分的值，$NDVI_s$ 表示土壤部分的值，$C_i$ 表示植被覆盖度： $$ C_i=\frac{NDVI-NDVI_s}{NDVI_v-NDVI_s} $$ 由于植被和土壤部分的 NDVI 值并不能确定，因此通常使用累积概率为 95% 和 5% 来代替，因此公式如下： $$ C_i=\frac{NDVI-NDVI_{0.05}}{NDVI_{0.95}-NDVI_{0.05}} $$ 下面进行实操，首先提取 NDVI 的累积概率，笔者最开始使用 ENVI 软件的统计功能进行提取，但是因为数据中含有负值，因此统计的结果不正确，而笔者又不知道该如何处理这种问题，因此最终还是使用 Python 代码处理了。
用Arcgis制作转移矩阵
12-22
用Arcgis制作转移矩阵，视频指导，速度快！
植被覆盖度转移矩阵
qq_39522604的博客
04-01 641
9.将上述利用表转EXCEL，在EXCEL中利用数据透视表。8.在相交后的图像里增加面积字段，利用计算机和求出。3.对植被覆盖度进行分级，一般分为5级。4.打开属性表，添加相应的年份。
基于Python的植被覆盖度时空变化规律分析
毕业作品网站
05-12 2089
笔者一开始写代码处理计算累积概率的时候使用的是原始数据类型 .asc ，其实处理 .tif 更加简便，这里给出 .asc 文件类型的处理代码，后面在对数据进行再分类的时候会提供处理 .tif 文件类型的代码，有需要的朋友自行改写吧。下图展示了两个时段的面积变化和面积变化速率，左图 x 轴表示时段，y 轴表示年平均面积变化量，右图 y 轴表示年平均面积变化速率百分比，红色的虚线为均值线，可以看出：中国植被覆盖度在 1980s — 1990s 的变化面积和变化速率均小于 1990s — 2000s。
【ArcGIS】植被覆盖度转移矩阵的制作流程
GISer_Skylar的博客
08-05 2443
植被覆盖度（FVC）的转移矩阵制作方法与土地利用转移矩阵相同。 1.对栅格数据进行重分类（为了建立属性表） 2.将栅格数据转为矢量数据 ArcToolbox - Conversion Tools - From Raster - Raster to Polygan 在弹出的对话框中设置参数，不要勾选Simplify Polygan 未完 ...
利用ENVI计算植被覆盖度
Einzebrn的博客
11-13 4449
它是植被群落覆盖地表状况的一个综合量化指标，是描述植被群落及生态系统的重要参数，植被覆盖及变化是区域生态系统环境变化的重要指示，对水文、生态、全球变化都具有重要意义，也是影响土壤侵蚀与水土流失的重要因子。（后续有个小补充）
fvc1_IDL植被覆盖度_
10-03
idl的二次开发，用idl代码直接计算植被覆盖度
基于Python的植被覆盖度时空变化规律分析.zip
06-23
资源包含文件：设计报告word+项目源码及数据集地址 实例以中国为例，因此需要使用国界线从世界区域中截取中国区域，国界线文件需要使用 .shp 等类型，如果没有请自行下载。 涵盖了 1981.07 ——2002.12 的数据； 该数据集包含三个数据文件，分别以 0.25 、0.5 、1.0 度的经纬度空间分辨率提供； 数据集进行了处理，减少了因校准、视图几何、火山气溶的火山平流层气溶胶矫正，以及使用经验模式分解/重建（ EMD ）改进 NDVI 以最小化轨道漂移的影响； 数据集空间范围：全局网格 经度范围：-180 W —— 180 E ； 纬度范围：-90 S —— 90 N ； 详细介绍参考：https://blog.csdn.net/newlw/article/details/124625421
基于MODIS的锡林郭勒植被变化监测（附练习数据下载）
qq_43173805的博客
01-01 1803
1．实验目的和内容 1.1 实验目的 基于MODIS植被指数产品对锡林郭勒盟2000-2012年植被覆盖度的时空变化进行监测。掌握MODIS数据预处理、批处理、基于像元二分法的植被覆盖度计算以及一元线性回归分析等内容。 1.2实验数据 锡林郭勒盟边界矢量数据 2000-2012年锡林郭勒盟每年8月MODIS NDVI数据 文末有练习数据下载 1.3实验内容 1.数据预处理 2.植被覆盖度计算 3.植被时间变化分析 4.植被空间变化分析 2．实验内容 2.1数据预处理 2.1.1裁剪掩膜处理 由于MOD.
2021遥感应用组二等奖：近20年黄河流域植被动态与生态环境效应
2301_77310370的博客
04-17 1439
作品介绍1 研究目的基于MODIS NDVI植被指数、土地利用数据和气象数据集，辅以趋势分析、偏相关分析、马尔科夫转移矩阵变化分析、多元回归分析等方法，全面分析黄河流域2001-2020年植被时空变化特征，并通过构建统计模型方式，定量分析植被覆盖变化对不同影响因子的响应特征，阐明植被覆盖变化的驱动因素与作用机理，旨在提高公众和学界对黄河流域植被覆盖变化特征的最新认识，为科学开展流域生态可持续治理提供参考依据。2 研究区数据与方法2.1 研究区概况黄河流域西起巴颜喀拉山，东至山东省注入渤海，流域面积约74万k
【ENVI精讲】处理专题五：基于像元二分模型的植被覆盖度反演
10-21 1877
【ENVI精讲】处理专题五：基于像元二分模型的植被覆盖度反演
Google Earth Engine（GEE）分析多个地区的植被覆盖趋势
guaicaicexu的博客
10-24 2739
植被指数趋势分析
看小伙是如何用python尽览我国植被覆盖率的沧海变化
kimol君的博客
02-09 1万+
看小伙是如何用python尽览我国植被????覆盖率的沧海变化前言一、栅格数据转为灰度图二、灰度图转为伪彩色图三、合成为gif写在最后 前言 昨天学弟给了我一个数据包“我国NDVI的栅格数据”（即归一化植被指数），需要把陕西省的数据批量裁剪出来： 于是，我拿出python。“刷刷刷~”，搞定了： 这就完事了？ 作为深度践行勤俭节约的社会主义好青年的kimol君，当然不会浪费资源。于是，我决定用这个数据来分析一下我国植被覆盖率变化的沧海桑田（以陕西省为例）。 先上图，让大家伙一睹为快： 可以很直观地看
python中用“*”运算符复制列表时子列表实际上引用的是同一个列表，列表和嵌套列表的坑
最新发布
ThreeS_tones的博客
05-21 117
当你修改了一个子列表的元素时，所有的子列表都会随之改变。因为他们实际上都是同一个子列表的引用。输出如下，可以看到每个子列表中的第5个元素相同，并没有实现从0.8-1.2分布。先看一个例子，我想改变load的子列表中第五个元素，从0.8-1.2分布。的时候，Python实际上。
植被覆盖度变化与气候因子相关性分析
07-25
植被覆盖度变化与气候因子的相关性分析是研究植被覆盖度随气候因子变化的关系。在这方面，常用的方法有统计分析和遥感技术。 统计分析方法可以通过收集气象数据和植被调查数据，并利用相关性分析、回归分析等方法来研究气候因子与植被覆盖度之间的关系。常见的气候因子包括降水量、温度、湿度、光照等。通过分析这些因子与植被覆盖度的相关性，可以了解气候因子对植被生长的影响。 遥感技术也可以用于植被覆盖度变化与气候因子相关性分析。遥感数据可以提供大范围、连续的植被覆盖度和气候数据，可以通过遥感影像中的植被指数（如归一化植被指数 NDVI）与气候数据进行相关性分析。这种方法可以更全面地了解不同地区、不同时间段的植被覆盖度与气候因子之间的关系。 需要注意的是，植被覆盖度受到多种因素的影响，包括气候因子、土壤条件、人类活动等。因此，在进行相关性分析时需要考虑到其他可能的影响因素，并进行适当的控制。同时，不同地区、不同季节的气候因子与植被覆盖度的关系可能存在差异，因此需要针对具体研究区域和时间段进行分析。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 10
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

打赏作者

BeZer0

打赏一杯奶茶支持一下作者吧~~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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