1 數(shù)據(jù)預(yù)處理
（1）數(shù)據(jù)提取
我們可以選取2018年5月初華東地區(qū)MODIS中的MOD11A2和MOD13A2的16天合成LST和NDVI產(chǎn)品數(shù)據(jù)，下載地址：MODIS數(shù)據(jù)下載
網(wǎng)站下載數(shù)據(jù)需要注冊趁舀，在此聲明忍燥，下載數(shù)據(jù)不需要“科學(xué)上網(wǎng)”巷疼，但注冊需要谷歌Gmail郵箱奶浦，注冊Gmail郵箱需要“科學(xué)上網(wǎng)”蜜暑。以下是我們下載數(shù)據(jù)晨川，數(shù)據(jù)下載中可以通過Python腳本的方法對數(shù)據(jù)進(jìn)行批量下載画恰，由于我們只需要少量數(shù)據(jù)彭谁，不必批量下載，所以在此不加贅述允扇。以下是我們的原始數(shù)據(jù)在ENVI中的顯示：
由于MODIS產(chǎn)品數(shù)據(jù)下載之后不能直接使用缠局，因此需要對數(shù)據(jù)進(jìn)行預(yù)處理。
首先EarthData網(wǎng)站上獲取的數(shù)據(jù)為*.hdf格式考润，此時不能直接有ENVI軟件直接處理狭园，需要批量提取，這時就要用到NASA提供的MODIS Reprojection Tool糊治，此工具雖不能實現(xiàn)全自動的批量提取唱矛，但是可以實現(xiàn)按月進(jìn)行數(shù)據(jù)的提取及拼接，以下是利用MRT軟件提取數(shù)據(jù)參數(shù)設(shè)置：
NDVI產(chǎn)品數(shù)據(jù)也用以上同樣的方法輸入MOD11A2數(shù)據(jù)提取井辜，輸出LST和NDVI數(shù)據(jù)绎谦。
（2）數(shù)據(jù)復(fù)原
此時數(shù)據(jù)依然不能直接使用，由于LST數(shù)據(jù)是16bit的粥脚，其顯示范圍是0－65535窃肠，有效范圍則是7500－65535，需要乘以0.02才能得到開爾文溫度刷允。而NDVI數(shù)據(jù)為了減少儲存空間冤留，也是正常值的10000倍，所以應(yīng)該給其乘以0.0001得到正常值树灶，以上都是利用EMVI的Bandmath工具進(jìn)行纤怒，在此不加贅述。
（3）數(shù)據(jù)裁剪
由于涉及范圍比較廣天通，所以我們對數(shù)據(jù)進(jìn)行裁剪處理泊窘，裁取山東地區(qū)的一小部分作為分析樣本進(jìn)行數(shù)據(jù)回歸分析與相關(guān)性分析，具體范圍如下專題圖：
2 代碼與步驟
Pro Regress_ndvi_lst
;input the image
fn_ndvi=**dialog_pickfile**(title='Please Input the NDVI Image:')
fn_lst=**dialog_pickfile**(title='Please Input the LST Image:')
;read the image
ndvi_img=**read_image**(fn_ndvi)
lst_img=**read_image**(fn_lst)
;get the size of image
sz_ndvi=**size**(ndvi_img)
;get the image's numbers of columns and rows
ndvi_columns=sz_ndvi[**1**] & ndvi_rows=sz_ndvi[**2**]
;get the size of image
sz_lst=**size**(lst_img)
;get the image's numbers of columns and rows
lst_columns=sz_lst[**1**] & lst_rows=sz_lst[**2**]
;samples
random_c=**randomu**(seed,ndvi_columns)
random_r=**randomu**(seed,ndvi_rows)
sort_c=**sort**(random_c)
sort_r=**sort**(random_r)
ndvi_samples=ndvi_img[sort_c[**0**:**10**],*]
lst_samples=lst_img[sort_c[**0**:**10**],*]
ndvi_get=**reform**(ndvi_samples,**11***ndvi_rows, **1**)
lst_get=**reform**(lst_samples,**11***ndvi_rows, **1**)
ref_ndvi=**reform**(ndvi_get)
ref_lst=**reform**(lst_get)
;ref_ndvi1=reform(ndvi_img,ndvi_columns*ndvi_rows,1)
;ref_lst1=reform(lst_img,lst_columns*lst_rows,1)
;ref_ndvi=ref_ndvi1[0:100]
;ref_lst=ref_lst1[0:100]
;regress analysis
fit_ndvi_lst=**regress**(ref_ndvi,ref_lst,const=b,correlation=r,yfit=lst_estimated)
;plot points picture
p1=**plot**(ref_ndvi,ref_lst,xtitle='NDVI',ytitle='LST(K)',dimensions=[**600**,**400**], symbol=**1**,color='red',sym_size=**1.0**,linestyle=**6**,$
title='The Regress of NDVI & LST',window_title='NDVI & LST',$
xrange=[**0**,**1**],yrange=[**290**,**310**])
;set the range of x and y axis
x=ref_ndvi
y=fit_ndvi_lst[**0**]*x+b
fit=**plot**(x,y,linestyle=**1**,color='blue',thick=**2**,/current,/overplot)
p2=**plot**([**0**,**1**],[**290**,**310**],linestyle=**6**,/current,/overplot)
str_equation='Y='+**string**(fit_ndvi_lst[**0**],format='(f6.2)')+'*X+'+**string**(b,format='(f6.2)')
str_correlation='R='+**string**(r,format='(f5.2)')
t1=**text**(**0.20**,**0.80**,str_equation,font_size=**12**,target=p1)
t2=**text**(**0.20**,**0.75**,str_correlation,font_size=**12**,target=p1)
;o_fn='Scatter_ndvi_lst.emf'
;p1.save,o_fn,border=40
;p2.save,o_fn,border=40
;**********
;plot points picture
p3=**plot**(ref_lst,lst_estimated,xtitle='LST(K)',ytitle='LST-Estimated(K)',dimensions=[**600**,**400**],$
symbol=**24**,color='red',sym_size=**1.0**,title='LST & LST-Estimated',$
window_title='Cal_LST_Linear',linestyle=**6**,xrange=[**290**,**310**],yrange=[**290**,**310**])
;set the range of x and y axis
p4=**plot**([**290**,**310**],[**290**,**310**],thick=**2**,color='blue',/current,/overplot)
MAE=**mean**(**abs**(ref_lst-lst_estimated))
RMSE=**sqrt**(**mean**((ref_lst-lst_estimated)^**2**))
str_MAE='MAE='+**string**(MAE,format='(f5.2)')
str_RMSE='RMSE='+**string**(RMSE,format='(f5.2)')
t3=**text**(**0.20**,**0.80**,str_MAE,font_size=**12**,target=p3)
t4=**text**(**0.20**,**0.75**,str_RMSE,font_size=**12**,target=p3)
;o_fn='Scatter_lst_lst_estimated.emf'
;p3.save,o_fn,border=40
;p4.save,o_fn,border=40
**End**
3 結(jié)果與分析：
由于代碼中是隨機(jī)數(shù)采樣，每次采樣訓(xùn)練樣本數(shù)據(jù)不同州既，所以每次運(yùn)行代碼可以得到不同的模型谜洽。以下是模型顯示：
模型1:
模型2:
模型3:
也可以修改代碼中的采樣數(shù)目萝映，來改變訓(xùn)練樣本數(shù)目吴叶，模型也會發(fā)生變化。如將其中的[0:10]改為[0:20],對應(yīng)的11修改為21就可增加訓(xùn)練樣本數(shù)目：
代碼：
ndvi_samples=ndvi_img[sort_c[**0**:**20**],*]
lst_samples=lst_img[sort_c[**0**:**20**],*]
ndvi_get=**reform**(ndvi_samples,**21***ndvi_rows, **1**)
lst_get=**reform**(lst_samples,**21***ndvi_rows, **1**)
模型4:
結(jié)論分析：
相關(guān)系數(shù)（R）序臂，是衡量兩個變量之間相關(guān)程度的系數(shù)蚌卤，是判定變量之間線性相關(guān)性的一個相對指標(biāo)。相關(guān)系數(shù)用字母R表示奥秆，相關(guān)系數(shù)R取值在±1之間逊彭，當(dāng)R為0時，表示兩個變量絕對不相關(guān)构订；當(dāng)R大于0時侮叮，兩個變量正相關(guān)，即你增加我也增加悼瘾，你減少我也減少囊榜；當(dāng)R小于0時，兩個變量負(fù)相關(guān)亥宿，即你增加我減少卸勺，你減少我增加；當(dāng)R等于1或-1時烫扼，表示兩個變量絕對相關(guān)曙求。
相關(guān)系數(shù)R越接近于±1，兩個變量之間相關(guān)性越強(qiáng)映企。一般認(rèn)為：當(dāng)R的絕對值為0.7或更大時悟狱，兩個變量高度相關(guān)，即強(qiáng)相關(guān)堰氓；當(dāng)R的絕對值在0.5-0.7之間時芽淡，兩個變量中度相關(guān)；當(dāng)R絕對值在0.3-0.5之間時豆赏，兩個變量弱相關(guān)挣菲；當(dāng)R絕對值低于0.3時，說明兩個變量之間幾乎不存在相關(guān)關(guān)系掷邦。
平均絕對誤差（MAE）白胀，MAE 的值越小，說明預(yù)測模型擁有更好的精確度抚岗。范圍[0,+∞)或杠，當(dāng)預(yù)測值與真實值完全吻合時等于0，即完美模型宣蔚；誤差越大向抢，該值越大认境。
均方根誤差（RMSE），它表示誤差的平方的期望值挟鸠，范圍[0,+∞)叉信，當(dāng)預(yù)測值與真實值完全吻合時等于0，即完美模型艘希；誤差越大硼身，該值越大。
綜上覆享，以上四種模型的相關(guān)系數(shù)R的絕對值值均在0.5-0.7之間佳遂，說同一時間NDVI值與LST中度相關(guān)。其中第四種模型R的絕對值最大撒顿，相關(guān)性更高丑罪，進(jìn)一步說明，采樣數(shù)據(jù)越多模型相關(guān)性越好凤壁；對比四種模型的平均絕對誤差（MAE）和均方根誤差（RMSE）吩屹，第四種模型這兩個量較前三種較小，說明其擁有更好的精確度客扎，且誤差較小祟峦，更進(jìn)一步說明，樣本數(shù)據(jù)越多徙鱼，其擬合度越好宅楞，模型越精確。
簡單書寫袱吆，
希望你十分美好厌衙！
