作者:CSDN @ _养乐多_
本文记录了在NDVI、EVI和LAI作为自变量,precipitation作为因变量的条件下,使用linearRegression函数进行线性回归分析的代码,代码在Google Earth Engine(GEE)平台上实现。具体而言,该函数可以计算NDVI、EVI和LAI对precipitation的影响关系。通过线性回归分析,可以了解NDVI、EVI和LAI与precipitation之间的关系,并获得每个自变量(NDVI、EVI和LAI)对应的因变量(precipitation)的系数。系数表示自变量对因变量的影响程度,正值表示正相关,负值表示负相关。
结果如下图所示,
一、多元线性回归概念和意义
1.1 概念
多元线性回归是一种统计分析方法,用于研究多个自变量对一个因变量的影响关系。它是简单线性回归的扩展,可以同时考虑多个自变量之间的关系,并分析它们与因变量之间的线性关系。
在多元线性回归中,我们有一个因变量(也称为响应变量)和多个自变量(也称为解释变量)。我们的目标是建立一个线性模型,以最好地拟合观测数据并预测因变量。
多元线性回归模型的一般形式可以表示为:
Y = β 0 + β 1 X 1 + β 2 X 2 + . . . + β p X p + ε Y = β₀ + β₁X₁ + β₂X₂ + ... + βₚXₚ + ε Y=β0+β1X1+β2X2+...+βpXp+ε
其中,
- Y Y Y 是因变量(响应变量),
- X 1 , X 2 , . . . , X p X₁, X₂, ..., Xₚ X1,X2,...,Xp 是自变量(解释变量),
- β 0 , β 1 , β 2 , . . . , β p β₀, β₁, β₂, ..., βₚ β0,β1,β2,...,βp 是模型的系数(回归系数),
- ε ε ε是误差项,表示模型无法完全解释的随机误差。
多元线性回归的目标是通过最小化残差平方和,找到最佳的系数估计值,使得模型拟合数据最好。这样,我们可以得到每个自变量对因变量的影响程度,并使用模型进行预测和推断。
在多元线性回归分析中,还需要考虑一些假设,如误差项的独立性、正态性、方差齐性等。通过检验这些假设,我们可以评估模型的适用性和解释结果的可靠性。
多元线性回归在许多领域中广泛应用,例如社会科学、经济学、生态学和环境科学等,用于研究和预测因变量受多个自变量影响的情况。
1.2 意义
在NDVI、EVI和LAI作为自变量,NPP作为因变量的条件下,使用linearRegression函数可以进行线性回归分析。具体而言,该函数可以计算NDVI、EVI和LAI对NPP的影响关系。
- 自变量:NDVI、EVI和LAI是植被指数,用于描述植被生长状况、叶绿素含量和叶面积指数等植被属性。这些指标反映了植被的光合作用能力和生长水平。
- 因变量:NPP代表净初级生产力,是指植物在光合作用中固定的净碳量,是衡量生态系统生产力的重要指标。
通过线性回归分析,可以了解NDVI、EVI和LAI与NPP之间的关系,并获得每个自变量(NDVI、EVI和LAI)对应的因变量(NPP)的系数。系数表示自变量对因变量的影响程度,正值表示正相关,负值表示负相关。
例如,通过线性回归分析可以得到以下结果:
- 系数数组:具有维度为(3, 1)的数组,其中每列对应一个因变量(NPP)的系数,例如第一列是NDVI的系数,第二列是EVI的系数,第三列是LAI的系数。
- 残差均方根向量:表示回归模型对NPP的拟合程度,向量中的每个元素对应一个因变量(NPP)的残差均方根。
通过这些分析结果,可以了解到NDVI、EVI和LAI对NPP的影响程度和统计拟合程度。
这种分析有助于理解植被指数与净初级生产力之间的关系,以及预测植被生长状况对生态系统生产力的影响。
二、函数详解
2.1 函数参数
ee.Reducer.linearRegression(numX, numY) 创建一个reducer,用于计算具有numX个独立变量和numY个因变量的线性最小二乘回归。
每个输入元组将包含独立变量的值,后跟因变量的值。
第一个输出是一个系数数组,维度为(numX, numY);每列包含对应因变量的系数。第二个输出是每个因变量残差的均方根的向量。如果系统欠定,例如输入的数量小于等于numX,则两个输出都为null。
参数:
numX (整数):
输入维度的数量。
numY (整数,默认为1):
输出维度的数量。
返回值: Reducer
2.2 举例说明
在给定NDVI、EVI、LAI作为自变量,NPP作为因变量的情况下,可以使用 ee.Reducer.linearRegression(numX, numY) 函数创建一个 reducer 来执行线性最小二乘回归。
参数如下:
- numX(整数):表示自变量的数量。在这种情况下,自变量是NDVI、EVI和LAI,因此 numX 为3。
- numY(整数):表示因变量的数量。在这种情况下,因变量是NPP,因此 numY 为1。
通过使用该 reducer,可以计算NDVI、EVI和LAI作为自变量,NPP作为因变量的线性最小二乘回归。
输入元组中的每个元素将包含NDVI、EVI、LAI的值,后跟NPP的值。
该 reducer 的第一个输出是一个系数数组,维度为 (numX, numY),其中每列包含对应因变量的系数(NPP的系数)。第二个输出是NPP残差的均方根。如果输入的数量小于等于 numX,则两个输出都为 null,表示系统欠定。
因此,您可以使用 ee.Reducer.linearRegression(3, 1) 来执行基于NDVI、EVI、LAI作为自变量,NPP作为因变量的线性最小二乘回归分析。
三、代码详解
3.1 代码详解
- 构建自变量和因变量影像集合
- 应用多元线性回归函数
- 可视化结果
3.2 完整代码
var startYear = 2003;
var endYear = 2020;
var roi = table;
Map.centerObject(roi, 11);
var chirps = ee.ImageCollection("UCSB-CHG/CHIRPS/DAILY")
.map(roiClip)
.select('precipitation')
var NDVI_EVI_Collection = ee.ImageCollection("MODIS/006/MOD13A1")
.map(roiClip)
.select(['NDVI','EVI'])
var LAI_Collection = ee.ImageCollection("MODIS/061/MCD15A3H")
.map(roiClip)
.select('Lai')
var new_NDVI_EVI_Collection = compositeByYear(NDVI_EVI_Collection, startYear, endYear);
var new_LAI_Collection = compositeByYear(LAI_Collection, startYear, endYear);
var new_chirps_Collection = compositeByYear(chirps, startYear, endYear);
print('new NDVI EVI Collection', new_NDVI_EVI_Collection);
print('new LAI Collection', new_LAI_Collection);
print('new chirps Collection', new_chirps_Collection);
var merged_NDVI_EVI_LAI_Collection = getMergeImages(new_NDVI_EVI_Collection, new_LAI_Collection)
var merged_NDVI_EVI_LAI_Chirps_Collection = getMergeImages(merged_NDVI_EVI_LAI_Collection, new_chirps_Collection)
print('merged NDVI EVI LAI Chirps Collection',merged_NDVI_EVI_LAI_Chirps_Collection)
var linearRegressionResult = merged_NDVI_EVI_LAI_Chirps_Collection.reduce(
ee.Reducer.linearRegression({
numX: 3,
numY: 1
}));
print('Linear Regression Result', linearRegressionResult)
Map.addLayer(linearRegressionResult, {}, 'linearRegressionResult')
var bandNames =[ ['NDVI_mean', 'EVI_mean', 'Lai_mean'] ,['precipitation_mean']]
var coefficients = linearRegressionResult.select('coefficients').arrayFlatten(bandNames);
print('coefficients', coefficients);
Map.addLayer(coefficients, {min: -1, max: 1, bands:
['NDVI_mean_precipitation_mean', 'EVI_mean_precipitation_mean', 'Lai_mean_precipitation_mean']}, 'coefficients');
var phenoPalette = ['C2523C','F2B60E','77ED00','1BAA7D','0B2C7A']
Map.addLayer(coefficients.select('Lai_mean_precipitation_mean'), {min: -1.4, max: -0.1467, Palette:phenoPalette}, 'Lai_mean_precipitation_mean');
print('OLS estimates:', coefficients.reduceRegion({
reducer: ee.Reducer.first(),
geometry: ee.Geometry.Point([117.6832, 29.0214]),
scale: 500
}));
//********************code-lib********************//
function roiClip(image)
{
return image.clip(roi);
}
function compositeByYear(colYLD, startYear, endYear)
{
var myReducer = ee.Reducer.mean();
var yearList = ee.List.sequence(startYear, endYear);
var yearCompList = yearList.map(function(year){
var yearCol = colYLD.filter(ee.Filter.calendarRange(year, year, 'year'));
var yearComp = yearCol.reduce(myReducer);
var imgList = yearCol.aggregate_array('constant');
var systemStart = yearCol.reduceColumns(ee.Reducer.min(), ['system:time_start']).get('min');
var nBands = yearComp.bandNames().size();
return yearComp.set({
'year': year,
'image_list': imgList,
'n_bands': nBands,
'system:time_start':ee.Date.fromYMD(year, 6, 3).millis()
});
});
var YearColYLD = ee.ImageCollection.fromImages(yearCompList);
return YearColYLD;
}
function getMergeImages(primary, secondary)
{
var join = ee.Join.inner();
var filter = ee.Filter.equals({
leftField: 'system:time_start',
rightField: 'system:time_start'
});
var joinCol = join.apply(primary, secondary, filter);
joinCol = joinCol.map(function(image) {
var img1 = ee.Image(image.get("primary"));
var img2 = ee.Image(image.get("secondary"));
return img1.addBands(img2);
});
return ee.ImageCollection(joinCol);
}
3.3 代码链接
https://code.earthengine.google.com/4287eec83819573cad1b501a5177951c?noload=true文章来源:https://www.toymoban.com/news/detail-564988.html
声明:
本人作为一名作者,非常重视自己的作品和知识产权。在此声明,本人的所有原创文章均受版权法保护,未经本人授权,任何人不得擅自公开发布。
本人的文章已经在一些知名平台进行了付费发布,希望各位读者能够尊重知识产权,不要进行侵权行为。任何未经本人授权而将付费文章免费或者付费(包含商用)发布在互联网上的行为,都将视为侵犯本人的版权,本人保留追究法律责任的权利。
谢谢各位读者对本人文章的关注和支持!文章来源地址https://www.toymoban.com/news/detail-564988.html
到了这里,关于GEE:多元线性回归的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!