NDVI时间序列的线性趋势

Question

我想提取我的NDVI时间序列的线性趋势。当我在Python中使用这段代码进行线性回归时：

from sklearn.linear_model import LinearRegression
import pandas as pd

data_orig = pd.read_csv('NDVI.csv')

N_values = data_orig['N'].values.reshape(-1, 1)
NDVI_values = data_orig['NDVI'].values

model = LinearRegression()
model.fit(N_values, NDVI_values)

slope = model.coef_[0]
intercept = model.intercept_
print("Linear trend equation: NDVI = {:.4f} * N + {:.4f}".format(slope, intercept))

这段代码的输出是 线性趋势方程：NDVI = 0.0000 * N + 0.0485。

我觉得这个方程不对，因为时间序列中的植被明显是随着时间在增加的。

我还尝试了LOESS方法，使用了这段代码：

import matplotlib.pyplot as plt
import pandas
from pandas.plotting import register_matplotlib_converters

data_orig = pandas.read_csv('NDVI.csv')
from statsmodels.tsa.seasonal import STL
res = STL(data_orig['NDVI'], period=46, trend_jump=460).fit()

从中我得到了一个明显且显著的上升趋势。不过，我想知道把 trend_jump 设置为460（这是我的时间序列值的数量）是否合适。

这是我的时间序列：

Answer 1

print("Linear trend equation: NDVI = {:.4f} * N + {:.4f}".format(slope, intercept))

这段代码在打印之前会把斜率四舍五入到小数点后四位。根据这个图，看起来在460步的过程中，斜率大约上升了0.015。

这意味着斜率大约是0.015 / 460 = 0.000032。四舍五入到小数点后四位，就是0.0000。

所以，我觉得线性回归可能确实在检测斜率——但经过四舍五入后，这个斜率变成了零。

我认为这样做可能有效：

print("Linear trend equation: NDVI = {:.8f} * N + {:.4f}".format(slope, intercept))