### 山东省1984-2023年NDVI时空变化分析 为了分析山东省自1984年至2023年的NDVI时空变化，可以采用Python编程语言结合遥感库来完成这一任务。下面提供了一个完整的解决方案框架。 #### 准备工作环境 首先需要准备好所需的软件包和工具链。推荐使用Anaconda作为Python环境管理器[^1]。确保安装了必要的Python库： ```bash conda create -n ndvi_analysis python=3.9 conda activate ndvi_analysis conda install numpy pandas matplotlib rasterio geopandas scikit-image pip install google-earth-engine-api ``` #### 获取数据 对于长时间序列的数据获取，建议利用Google Earth Engine (GEE)平台上的公开资源。特别是针对Landsat系列卫星影像，可以通过API接口访问并下载所需区域的历史存档资料[^4]。 #### 加载与预处理图像 定义一个辅助函数`load_landsat_image()`用于读取指定文件夹内的特定波段TIFF文件，并返回字典形式存储的多维数组对象[^5]。 ```python import numpy as np from pathlib import Path import rasterio def load_landsat_image(img_folder, bands=['B4', 'B5']): """ Load specified Landsat images into a dictionary. Parameters: img_folder : str or Path-like object Directory containing the target .tif files. bands : list of strings List of desired band names to be loaded. Returns: dict: A mapping between each requested band name and its corresponding NumPy array representation. """ image = {} path = Path(img_folder) for band in bands: try: file = next(path.glob(f'*_SR_{band}.tif')) with rasterio.open(file) as src: data = src.read(1).astype(np.float32) # Apply scaling factor according to metadata if necessary image[band] = data except StopIteration: print(f"No matching TIF found for Band {band}") return image ``` #### 计算NDVI指数 基于红光波段(B4)和近红外波段(B5)，按照标准公式计算归一化植被指数(NDVI)[^3]。 ```python def calculate_ndvi(red_band, nir_band): """Calculate Normalized Difference Vegetation Index.""" mask = ((red_band != 0) & (nir_band != 0)) ndvi = np.zeros_like(nir_band, dtype=np.float32) ndvi[mask] = (nir_band[mask] - red_band[mask]) / (nir_band[mask] + red_band[mask]) return ndvi ``` #### 时间序列统计分析 考虑到长期趋势的研究需求，这里引入K-means聚类算法对多年份的最大NDVI值进行分组分类，以便更好地理解不同时间段内植被覆盖的变化模式[^2]。 ```python from sklearn.cluster import KMeans import pandas as pd def analyze_temporal_patterns(ndvi_series, n_clusters=3): kmeans = KMeans(n_clusters=n_clusters, random_state=0).fit(ndvi_series.reshape(-1, 1)) labels = kmeans.labels_ centers = kmeans.cluster_centers_.flatten() df = pd.DataFrame({ "Year": range(len(ndvi_series)), "Max_NDVI": ndvi_series, "Cluster_Labels": labels }) return df.sort_values('Cluster_Labels'), centers ``` #### 可视化展示结果 最后一步是对上述过程产生的各类中间产物及最终成果进行可视化呈现，帮助直观感受山东地区过去几十年间植被状况的发展变迁情况。 ```python import seaborn as sns sns.set_theme(style="whitegrid") fig, ax = plt.subplots(figsize=(10,6)) # Plotting clusters over time... df_sorted, cluster_centers = analyze_temporal_patterns(max_annual_ndvis) sns.scatterplot(x='Year', y='Max_NDVI', hue='Cluster_Labels', palette=sns.color_palette("husl", len(set(df_sorted['Cluster_Labels']))), data=df_sorted, s=100, alpha=.7, legend=False); for i, center in enumerate(cluster_centers): plt.axhline(y=center, color=f'C{i}', linestyle='--') plt.title('Temporal Patterns of Maximum Annual NDVI Values Across Shandong Province') plt.xlabel('Years') plt.ylabel('Maximum NDVI Value'); plt.show(); ``` 以上就是关于如何运用Python来进行山东省1984至2023年间NDVI时空动态监测的一个基本思路和技术路线图。当然实际应用过程中还需要根据具体情况进行适当调整优化。