基于R语言的NDVI的Sen-MK趋势检验

本实验拟分析艾比湖地区2010年至2020年间的NDVI数据，数据从MODIS遥感影像中提取的NDVI值，在GEE遥感云平台上将影像数据下载下来。代码如下：

import ee
import geemap 
geemap.set_proxy(port=7890)# 设置全局网络代理
Map = geemap.Map()

# 指定艾比湖地区数据范围
region = ee.Geometry.BBox(82.433,
                          44.367,
                          84.5,
                          45.267)
                          
def get_mean_ndvi(year):
  
  y1,y2 = f'{year}-01-01', f'{year+1}-01-01'
  
  ndvi_collection = (ee.ImageCollection('MODIS/MCD43A4_006_NDVI') 
                     .filterDate(y1,y2) 
                     .filterBounds(region))
  ndvi = ndvi_collection.reduce(ee.Reducer.mean())
  
  geemap.ee_export_image_to_drive(
    ndvi, description=f'ndvi{year}', folder='image',scale=1000,region=region)
  
for y in range(2010,2021):
  get_mean_ndvi(y)

影像会下载到Google云盘中，通过手动下载到本地，其根目录结构如下：

图1 根目录结构

下载该10年间的数据后，打开RStdio并导入将趋势检验中将使用的R包。代码如下：

library(sp)
library(raster)
library(rgdal)
library(trend)

setwd('E:/CN/NDVI')
fl <- list.files(pattern = '*tif$')
firs <- raster(fl[1])

for (i in 1:10) {
    r <- raster(fl[i])
    firs <- stack(firs, r)
}

fun <- function(y){
    if(length(na.omit(y)) <10) return(c(NA, NA, NA))   #删除数据不连续含有NA的像元
    av <- mean(y,na.rm=T)
    MK_estimate <- sens.slope(ts(na.omit(y), start = 2010, end = 2020, frequency = 1), conf.level = 0.95) #Sen斜率估计
    slope <- MK_estimate$estimate
    MK_test <- MK_estimate$p.value
#    Zs <- MK_estimate$statistic
    return(c(av, slope, MK_test))
}

e <- calc(firs, fun)   #栅格计算
#e_Zs <- subset(e,1)  #提取Z统计量
e_mean <- subset(e,1) #提取均值图层
e_slope <- subset(e,2)   #提取sen斜率
e_MKtest <- subset(e,3)   #提取p值

plot(e_mean)
plot(e_slope)
plot(e_MKtest)

writeRaster(e_mean, "E:/CN/NDVI/e_Zs.tif", format="GTiff", overwrite=T)
writeRaster(e_slope, "E:/CN/NDVI/e_slope.tif", format="GTiff", overwrite=T)
writeRaster(e_MKtest, "E:/CN/NDVI/e_MKtest.tif", format="GTiff", overwrite=T)

图2 2010-2020年间艾比湖地区NDVI均值图层

图3 R语言运行界面

图4 p值

图5 sen斜率

图6 Z统计量

R语言计算完slope和Z值后，根据这两个结果就可以进行NDVI趋势制图了。

一、变化趋势划分
结合SNDVI和Z统计量划分NDVI变化趋势：
1、slope
-0.0005~0.0005稳定区域
大于或等于0.0005植被改善区域
小于-0.0005为植被退化区域
2、Z统计量

二、Slope划分
置信水平0.05
Z绝对值大于1.96显著
Z绝对值小于等于1.96不显著
Slope被划分为三级：
SNDVI≤−0.0005 植被退化
−0.0005≥SNDVI≥0.0005 植被生长稳定
SNDVI≥0.0005 植被改善
使用重分类（Reclassify）对slope进行划分
由于slope.tif文件研究区范围外的值非空，所以在这里先裁剪了一下
裁剪所用矢量和栅格数据坐标系需要一致，否则范围容易出错
统一使用了WGS84地理坐标系作为空间参考
使用Model builder构建地理处理流

图7 重分类

三、Slope划分过程
重分类结果：
-1退化
0稳定
1改善

图8 重分类结果

四、Z值划分
对Z值进行重分类，确定显著性
|Zs|≤0.196 未通过95%置信度检验，不显著
|Zs|≥0.196 通过95%置信度检验，显著

图9 重分类
五、Z值重分类
重分类结果：
1不显著
2显著

图10 重分类结果

六、变化趋势计算
使用栅格计算器将Slope和Z值计算结果相乘，最后得到趋势变化划分
-2严重退化
-1轻微退化
0稳定不变
1轻微改善
2明显改善

图11 栅格计算器相乘

图12 arcgis计算NDVI趋势图