NDVI与产量相关矩阵，python代码

### 计算NDVI与产量相关矩阵的方法

为了计算归一化差异植被指数（NDVI）与作物产量之间的相关矩阵，在Python中通常会使用`numpy`和`pandas`库来进行数值运算以及数据分析。下面展示了一个具体的例子，其中包含了创建模拟的NDVI数据集和对应的产量数据，并计算两者间的皮尔逊相关系数矩阵。

#### 创建模拟数据并导入必要的包

import numpy as np
import pandas as pd

# 模拟 NDVI 和产量数据
np.random.seed(0)  # 设置随机种子以便结果可重现
ndvi_data = {
    'field_1': np.random.rand(10),
    'field_2': np.random.rand(10),
    'field_3': np.random.rand(10)
}
yield_data = {'yield_field_1': np.random.randint(5, 15, size=10)}

df_ndvi = pd.DataFrame(ndvi_data)
df_yield = pd.DataFrame(yield_data)

print("NDVI Data:\n", df_ndvi.head())
print("\nYield Data:\n", df_yield.head())

#### 合并两个数据框准备计算相关性
由于不同字段可能有不同的时间序列长度或其他因素影响，这里简单地假设所有的时间点都是一致的，可以直接横向拼接这两个表格。

combined_df = pd.concat([df_ndvi, df_yield], axis=1)
print(combined_df.corr())  # 输出整个 DataFrame 的 Pearson 相关系数矩阵

上述代码片段展示了如何构建一个简单的框架来评估多个地块上的NDVI值与其相应产量间的关系[^1]。通过这种方法可以获得每一对变量之间线性关联强度的一个度量——即Pearson相关系数；该系数范围从-1到+1，绝对值越大表示两组数据越强的相关性。

对于更复杂的情况，如果存在多期观测或者其他类型的协变量，则需要进一步调整模型结构以适应具体的研究需求。