基于植被指数的四川理塘县草地生物量反演.pptVIP

TM植被指数灰度图 图 1 TM影像植被指数灰度图像 样方植被指数值 表 2 调查样方的植被指数值 4 植被指数与生物量相关分析 数据选取 本研究对实测生物量数据与植被指数值数据进行抽样。 抽样方式为分类抽样，是把随机抽样与统计分组结合在一起的一种抽样方式。 先在39个样方数据中依据生物量样方数据进行分组，再在各组随机抽样。 选取27个样方数据(见表3)进行相关分析。 剩余12个样方数据用于接下来的回归方程检验。 表3 散点图 为了进一步分析数据之间的内在联系(线性关系或非线性关系)，建立了植被指数与草地生物量关系的散点图。 可见，草地生物量大致随植被指数的增加而增大，二者存在明显的相关性。 不能看出到底成线性还是非线性关系 也不明确哪种数学方程最能表达两者的关系。 相关性变量 相关分析是研究两个或两个以上随机变量之间相互依存关系的方向和密切程度的方法，直线相关用相关系数来表示，曲线相关用相关指数来表示，多元相关用复相关系数表示。 设二维随机变量有二元分布（X,Y)，它可以视为总体； 称为相关系数或总体相关系数，常简记为ρ或ρXY 其中 为协方差。 实际问题中，往往是从总体中随机地抽取容量为n的样本 它们独立且和总体(X,Y)的分布相同，则变量X和Y间的相关系数ρ，可以由样本通过进行估计： 其中统计量R是随机变量(相关系数ρ本质上是常量)，它是ρ的一致估计量(相合估计量)和渐进无偏估计量，称为样本相关系数或Pearson相关系数。上式可以化为 该公式看上去复杂，但由于没有了“积差”，计算要简便得多。 相关系数的取值范围为一1≤R≤1，正值表示正相关，负值表示负相关，绝对值的大小表示相关程度的高低。 当R=0时，回归变差为0，自变量的变动对总变差无影响，称为零相关。 当|R|=1时，回归变差等于总变差，总变差的变化完全由自变量X的变化引起，称为完全相关，自变量X与因变量Y的关系转化为确定的函数关系。 当0|R|1时，自变量X的变动对总变差有部分影响，称为普通相关。R的绝对值愈大，表示相关程度愈高。 当|R|≥0.8，|R2|≥0.64时，自变量x的变动对总变差的影响达到一半以上，称为高度相关; 当|R|0.3，|R2|0.09时，自变量X的变动对总变差的影响少于9%，称为低度相关; 当0.3|R|0.8时，自变量X的变动对总变差的影响程度在9%-64%之间，称为中度相关。 把样本 的观测值 代入上式即得相关系数的估计值 样本相关系数r随着取样的不同会有所变化，受抽样误差的影响，因此总体的相关系数需要经过正式的假设检验，才能做出比较可靠的结论。 假设检验——t检验法 假定总体变量（X,Y)服从二元正态分布 是来自该总体的一个随机样本。 要检验的假设为 检验统计量为t，服从自由度为n-2的t分布 计算检验t统计量，根据给定的显著性水平α和自由度n-2： 查t分布表中的相应临界值 ， 若 ，就拒绝原假设H0，接受备择假设H1，认为总体相关系数显著不为零，总体变量间确实存在线性相关关系； 反之，则不能拒绝原假设。 计算p值 ，如p值小于显著性水平α，则拒绝原假设。 更简单的方法是，先计算Pearson样本相关系数r，然后根据显著性水平α与自由度n-2，查出相应的临界值，若 ，则拒绝原假设，接受备择假设。 假设检验——t检验法 SPSSll.5统计软件计算植被指数与草地生物量间的相关系数： 总体上看，7种植被指数与研究区实测草地植被生物量之间存在着较好的相关性。 但是，不同植被指数与草地生物量的相关性也存在一定差别，草地生物量与RVI相关性最高，达到0.884。 从表中还可以看出，该7种植被指数和草地生物量之间不相关的检验值为0.000，从而可以否定这些植被指数和草地生物量之间不相关的假设。 一元线性回归模型 一元线性回归模型两个变量之间的关系模型: 是一个随机变量，其均值为0，方差为 。 为了根据样本来推断总体做出可靠的估计，需要对一元线性回归模型做出几点假设: (a)xi为是一个非随机变量，没有误差，尽管在实际观测中可能产生观测误差，但假设忽略不计。 (b)Yi是一个随机变量，这些Yi构成一个在X取值为xi条件下的条件分布，并假设其服从正态分布。 (c)所有的 的均值和方差是相等的。 (d) 和 εj 之间是相互独立的。 线性回归模型的显