栅格时间序列逐像元时间序列分析概率密度，以及去趋势分析

最新推荐文章于 2023-05-19 16:44:59 发布

Turnin11111

最新推荐文章于 2023-05-19 16:44:59 发布

阅读量1.7k

点赞数 6

文章标签： matlab 开发语言

本文链接：https://blog.csdn.net/weixin_53318879/article/details/126595593

版权

首先，准备好我们的数据，三个tif图像。

我们可以通过matlab逐像元读取tif图像，从而得到每个像素点的经纬度

info = geotiffinfo('1993.tif');
mat1993 = imread('1993.tif');
imshow('1993_12_.tif')
% 并行计算获取各格点经纬度
lat = zeros(size(mat1993,1),size(mat1993,2));
lon = zeros(size(mat1993,1),size(mat1993,2));
parfor i = 1 : size(mat1993,1)
    vlat = zeros(1, size(mat1993,2));
    vlon = zeros(1, size(mat1993,2));
    for j = 1 : size(mat1993,2)
        [x,y] = pix2map(info.RefMatrix, i, j);
        [vlat(j),vlon(j)] = projinv(info, x,y);
    end
    lat(i,:) = vlat;
    lon(i,:) = vlon; 
end

我们现在面临两种选择，先进行每年的逐像元概率密度分析，后进行时间序列分析；还是进行三年的时间序列分析之后进行整体图像的概率密度分析。

matlab中的概率密度函数表示如下：

[f1,xi1] = ksdensity(x,y)

如若我们按照第一种方法进行数据分析，我们发现每一张tif图像的像素都为233*346,通过上面的程序读取到每个像素点的经纬度后，我们对每个像素点进行了概率分析，并生成了xlsx文件（不能生成tif图像，会报错）

clc;%清理命令行窗口
clear all;%清理工作区
%读取excel数据，同目录下
tx=xlsread('lat.xlsx');
rx=xlsread('lon.xlsx');
result=zeros(233,346);
for i=1:346
    lation=tx(:,i);
    lontion=rx(:,i);
    x = lation;
    y= lontion;
    [f1,xi1] = ksdensity(x,y,'Support','positive');
    f1=f1*10^31;
    result(:,i)=f1;
    i=i+1;
end
xlswrite('数据表格.xlsx',result,'1')
%xlswrite('数据.tif',result)

得到的结果是一个表格，不过数据有问题

空的地方都表示NaN,错误的十分明显。

因此我们改变想法，先进行三年的时间序列分析，后进行这三年总体的概率密度分析

首先我们准备一个总的空文件夹，在里面建立Trend，data空文件夹，我们的.m文件也放置于此。

然后我们读取这三年的tif文件，并进行一元线性回归与概率密度分析，去趋势分析其实也和这个代码结构大致相似。其中概率密度分析代码如下：

tic;
clc;
clear;

s1 = 'data2\1993.tif';% 栅格数据存储在sm文件夹下
[A,R] = geotiffread(s1);
info = geotiffinfo(s1);%获取坐标系信息

x = (1:3);           %自变量
[row,col] = size(A);  %行列数  

M = zeros(3,row,col)+NaN; %建立空数据立方体

%将时间序列数据读入空数据立方体
for year = 1993:1995
    s2 = ['data2\',int2str(year),'.tif'];
    d = geotiffread(s2);
    d(d<-200) = NaN;   % 本数据的填充值为负数，所以要去掉填充值，不然会参与运算因此在计算之前要先查看                  
                         
    M(year-1992,:,:) = d;% 年份放在第一个位置
end

Slope = zeros(row,col);     % 预先建立斜率空数组 
Rsq = zeros(row,col);       % R2
Pvalue = zeros(row,col)+1;  % P值
B = zeros(row,col);         % 截距
Density=zeros(row,col);     %概率密度
%一元线性回归
for i = 1:row
    for j = 1:col
        Y = M(:,i,j);%因变量
        X = [ones(length(Y),1),x'];%自变量
        [b,bint,r,rint,stats] = regress(Y,X);
        Pvalue(i,j) = stats(3); %P值
        Slope(i,j) = b(2);      %斜率
        B(i,j) = b(1);          %截距
        Rsq(i,j) = stats(1);    %R2
        [f,xi1] = ksdensity(i,j,'Support','positive');
        Density(i,j)=f(1);%概率密度
    end
disp(row);    
end

Slope(isnan(Slope)) = 0;  
Rsq(isnan(Rsq)) = 0;  
Density(isnan(Density)) = 0; 
Pvalue(isnan(Pvalue)) = 1;  %替换空值

%设置存储路径
f1 = 'Trend\Slope.tif';%
f2 = 'Trend\Pvalue.tif';
f3 = 'Trend\Rsq.tif';
f4 = 'Trend\B.tif';
f5= 'Trend\Density.tif';

%导出数据
geotiffwrite(f1,Slope,R,'GeoKeyDirectoryTag',info.GeoTIFFTags.GeoKeyDirectoryTag);
geotiffwrite(f2,Pvalue,R,'GeoKeyDirectoryTag',info.GeoTIFFTags.GeoKeyDirectoryTag);
geotiffwrite(f3,Rsq,R,'GeoKeyDirectoryTag',info.GeoTIFFTags.GeoKeyDirectoryTag);
geotiffwrite(f4,B,R,'GeoKeyDirectoryTag',info.GeoTIFFTags.GeoKeyDirectoryTag);
geotiffwrite(f5,Density,R,'GeoKeyDirectoryTag',info.GeoTIFFTags.GeoKeyDirectoryTag);
toc;

去趋势分析代码如下，我对这三年的趋势进行了去趋势分析：

tic;
clc;
clear;

s1 = 'data1\1995.tif';% 栅格数据存储在sm文件夹下
[A,R] = geotiffread(s1);
info = geotiffinfo(s1);%获取坐标系信息

x = (1:3);           %自变量
[row,col] = size(A);  %行列数  

M = zeros(3,row,col)+NaN; %建立空数据立方体

%将时间序列数据读入空数据立方体
for year = 1995:1997
    s2 = ['data1\',int2str(year),'.tif'];
    d = geotiffread(s2);
    d(d<-200) = NaN;   % 本数据的填充值为负数，所以要去掉填充值，不然会参与运算因此在计算之前要先查看                  
                         
    M(year-1994,:,:) = d;% 年份放在第一个位置
end

trend_after = zeros(row,col);  % 去趋势（现在）
%去趋势分析（用的回归函数之后对函数去趋势分析）
for i = 1:row
    for j = 1:col
        Y = M(:,i,j);%因变量
        X = [ones(length(Y),1),x'];%自变量
        b=regress(Y,X);
        detrend_after = detrend(b);
        trend_after(i,j)=mean(detrend_after);
    end
disp(row);    
end

trend_after(isnan(trend_after)) = 0; 
%设置存储路径
f2 = 'Trend\trend_after.tif';


%导出数据
geotiffwrite(f2,trend_after,R,'GeoKeyDirectoryTag',info.GeoTIFFTags.GeoKeyDirectoryTag);
toc;

其实也想用python做一下时间序列，但是发现result数组存进去就一直是空值，所以没有成功做出来。欢迎评论区告诉我这是怎么一回事

有问题地方的代码如下：

# ******************时间序列运算开始的地方**********************#
        # 就是这个地方result没有值！数组存不进去！坑爹！！！！！
        # 此处可以添加判断条件和运算规则
        a = time_series_list[1]
        b = time_series_list[2]
        result[x, y] = a
        result2[x, y] = b

总代码如下：

import numpy as np
import os
import rasterio as ras
import pandas as pd


def time_series_test(inputpath, outputPath):
    # inputpath:影像的存储路径
    # outputPath:影像的保存路径

    filepaths = []
    for file in os.listdir(inputpath):
        filepath1 = os.path.join(inputpath, file)
        filepaths.append(filepath1)

    # 获取影像数量
    num_images = len(filepaths)

    # 读取影像数据
    img1 = ras.open(filepaths[0])

    # 获取影像的投影，高度和宽度
    transform1=img1.transform
    height1 = img1.height
    width1 = img1.width
    array1 = img1.read()
    img1.close()

    # 读取所有影像
    for path1 in filepaths[0:]:
        if path1[-4:] == '.tif':
            print(path1)
            img2 = ras.open(path1)
            array2 = img2.read()
            array1 = np.vstack((array1, array2))
            img2.close()

    nums, width, height = array1.shape
    print(width, height)

    # 写影像
    def writeImage(outputPath, height1, width1, para_array, bandDes, transform1):
        with ras.open(
                outputPath,
                'w',
                driver='GTiff',
                height=height1,
                width=width1,
                count=1,
                dtype=para_array.dtype,
                crs='+proj=latlong',
                transform=transform1,
        ) as dst:
            dst.write_band(1, para_array)
            dst.set_band_description(1, bandDes)
        del dst

    # 定义一个输出列表，将结果保存在列表，再转换为矩阵，否则根本输入不了数据，都是0.。。。
    result = np.zeros([width, height])
    result2 = np.zeros([width, height])

    # 只有有值的区域才进行时间序列计算
    c1 = np.isnan(array1)
    sum_array1 = np.sum(c1, axis=0)
    nan_positions = np.where(sum_array1 == num_images)
    positions = np.where(sum_array1 != num_images)

    # 输出总像元数量
    print("all the pixel counts are {0}".format(len(positions[0])))


    # 时间序列运算
    for i in range(len(positions[0])):
        # print(i)
        x = positions[0][i]#根据每个经度进行时间序列数据生成
        y = positions[1][i]#根据每个纬度进行时间序列数据生成
        time_series_list = array1[:, x, y]
        # 打印每一条时间序列
        #print(array1[:, x, y], "time_series_list")
        # ******************时间序列运算开始的地方**********************#
        # 就是这个地方result没有值！数组存不进去！坑爹！！！！！
        # 此处可以添加判断条件和运算规则
        a = time_series_list[1]
        b = time_series_list[2]
        result[x, y] = a
        result2[x, y] = b


    # 处理列表,换为数组
    '''result = np.array(list1)
    result2=np.array(list2)
    num = 233 # 定义每组包含的元素个数

    def lstg(num, list1):
        for i in range(0, len(list1), num):
            yield list1[i:i + num]

    lstgs = lstg(num, list1)

    for i in lstgs:
        print(i)'''


        # ******************时间序列运算结束的地方**********************#

    # 将数组结果保存成影像

    all_array = [result, result2]
    result_save_path = os.path.join(outputPath, "result.tif")
    result2_save_path = os.path.join(outputPath, "result2.tif")

    image_save_paths = [result_save_path, result2_save_path]
    band_Des = ['result', 'result2']
    for i in range(len(all_array)):
        writeImage(image_save_paths[i], height1, width1, all_array[i], band_Des[i], transform1)

if __name__=="__main__":
    # 数据输入路径
    input_path = r"D:\data3"
    # 结果数据保存路径
    output_path = r"D:\data3\jieguo"
    # 运行程序
    time_series_test(input_path, output_path)

注：因为我并不是大气科学和地理专业的学生，所以可能不懂需求，结果也有所偏差。做这个其实是因为闲鱼接了一单，结果我东西做完了，他倒是说结果不对，拖欠钱款。我最后索性将代码开源，希望可以帮助到更多的人。

数据分析的活真的好跳脱：）

以上，还望各位多多指正。