遥感地学分析实验心得
遥感是综合利用物理手段、数学方法，依据地学规律来研究地球表层的资源与环境问题的技术手段。遥感地学分析，就是遥感与地学各学科——遥感应用对象的一个接口。遥感地学分析既是遥感应用基础研究的重点，也是遥感技术发展的前沿。因此，学习并逐步深入了解遥感地学分析相关知识很有必要！
遥感地学分析这门学科对学生的综合素质要求比较高，想要学好，不仅要把理论知识掌握牢固，更要具备较强的动手实践能力，此次实验就是对学生很好的一次锻炼。在此，我想谈谈实验后自己心里所得到的一点看法。
首先，即是数据源的选取。由于我们才初步涉及到遥感，对遥感影像图的目视解译、监督分类等太缺乏必备的专业知识，所以，选取的区域最好是地块比较集中，地物较为单一的数据。比如：北方的平原地区，西北的高原地区等。第一次做实验，并不知道要如何选择数据，就随便找了江西省及其周边的部分区域的遥感影像图，结果在把分类后处理好的文件导入arcmap中制作专题地图时就花费了很多时间，因为地物较杂，碎斑太多了，处理起来虽然不难，但是工作量很大，较为繁琐。
其次，就是对软件的选择，因为软件的选择将决定你的工作量及做事效率。此次实验可以有很多类软件供我们选择，比如：ENVI、Erdas、Arcgis、mapgis等。因为之前做地图学课程设计时运用的是arcmap软件，所以理所当然的选择了arcmap来制作专题地图。而对遥感影像图目视解译则选择的是ENVI，据说这个软件比较好用。但于我这又是一款完全陌生的软件，而且还是全英文版的，所以在使用当中遇到了不少问题，不过同学们都很热心，在大家的帮助及查阅各类资料的情况下，一个个的难题终于都迎刃而解了。老师在我们做实验之前就再三的提起软件选择的事，实验后发现，选择自己熟悉的软件来完成的确是最为明智的做法。
第三，就是对碎斑的处理，不同的方法处理的精度是不一样的。
我选择的是先将碎斑删掉，再手动矢量化填充为其他类型的土地，这样的做法，人为误差很大，要想精度高，就必须做到细心、耐心、恒心。Arcmap10·1（注：我电脑上安装的是arcmap9·3）中可以使用另一种碎斑处理方法，可以使得删除的面积与新填充的面积达到一致，即是地块总面积不会发生变化，只是各类型土地的面积会有较小的变动。当然，这样的效率提高了，同时精度也提高了。
最后，我想说的是我们无论做什么事都不能有畏难情绪。做实验，我们不熟悉软件，不了解流程没关系，只要我们不畏难，敢于去摸索，去探求，不管你是采用何种方法手段，最终你都会获得你意想不到的收获！
作为工科类的学生，学习理论知识是重点，但培养自我的动手实践能力更是关键。而实践就是锻炼我们、提升我们的最好机会，因此，无论是课程设计，还是上机练习，无论是课后实验，还是野外实习，我们都应把握好这一次次难能可贵的机会，充分的享受学校为我们提供的教学资源，武装自己，充实自己，努力使自己成为一名爱学习、爱探究的合格大学生！
《数据分析实务与案例实验报告》 曲线估计 学号：2013111104000614 班级：2013 应用统计 姓名： 日期： 2 0 1 4 – 12 – 7 数学与统计学学院
一、实验目的 1. 准确理解曲线回归分析的方法原理。 2. 了解如何将本质线性关系模型转化为线性关系模型进行回归分析。 3. 熟练掌握曲线估计的SPSS 操作。 4. 掌握建立合适曲线模型的判断依据。 5. 掌握如何利用曲线回归方程进行预测。 6. 培养运用多曲线估计解决身边实际问题的能力。 二、准备知识 1. 非线性模型的基本内容 变量之间的非线性关系可以划分为 本质线性关系和本质非线性关系。所谓本质线性关系是指变量关系形式上虽然呈非线性关系，但可以通过变量转化为线性关系，并可最终进行线性回归分析，建立线性模型。本质非线性关系是指变量之间不仅形式上呈现非线性关系，而且也无法通过变量转化为线性关系，最终无法进行线性回归分析，建立线性模型。本实验针对本质线性模型进行。 下面介绍本次实验涉及到的可线性化的非线性模型，所用的变换既有自变量的变换，也有因变量的变换。 乘法模型： 123y x x x βγδαε= 其中α，β，γ，δ 都是未知参数，ε是乘积随机误差。对上式两边取自然对数得到 123ln ln ln ln ln ln y x x x αβγδε=++++
上式具有一般线性回归方程的形式，因而用多元线性回归的方法来处理。然而，必须强调指出的是，在求置信区间和做有关试验时，必须是2ln (0,)n N I εδ: ， 而不是2n N I εδ:（0，） ,因此检验之前，要先检验ln ε 是否满足这个假设。 三、实验内容 已有很多学者验证了能源消费与经济增长的因果关系，证明了能源消费是促进经济增长的原因之一。也有众多学者利用C-D 生产函数验证了劳动和资本对经济增长的影响机理。所有这些研究都极少将劳动、资本、和能源建立在一个模型中来研究三个因素对经济增长的作用方向和作用大小。 现从我国能源消费、全社会固定资产投资和就业人员的实际出发，假定生产技术水平在短期能不会发生较大变化，经济增长、全社会固定资产投资、就业人员、能源消费可以分别采用国内生产总值、全社会固定资产投资总量、就业总人数、能源消费总量进行衡量，并假定经济增长与能源消费、资本和劳动力的关系均满足C-D 生产函数。 问题中的C-D 生产函数为： Y AK L E αβγ= 式中：Y 为GDP ，衡量总产出；K 为全社会固定资产投资，衡量资本投入量；L 为就业人数，衡量劳动投入量；E 为能源消费总量，衡量能源投入量；A,α，β， γ 为未知参数。根据C-D 函数的假定，一般情形α，β，γ均在0和1之间，但当α，β，γ中有负数时，说明这种投入量的增长，反而会引起GDP 的下降，当α，β，γ中出现大于1的值时，说明这种投入量的增加会引起GDP 成倍增加，这在经济学现象中都是存在的。 以我国1985—2004年的有关数据建立了SPSS 数据集，参见
城镇居民家庭收入的逐步回归分析 07级数学1班盛平0707021012 摘要：用多元统计中逐步回归分析的方法和SAS软件解决了可支配收入与其他收入之间的关系，并用此模型预测在以后几年里居民平均每人全年家庭可支配收入。 关键词：逐步回归分析多元统计SAS软件 正文 1 模型分析 各地区城镇居民平均每人全年家庭可支配收入y与工薪收入x1、经营净收入x2、财产性收入x3和转移性收入x4有关，共观测了15组数据，试用逐步回归法求‘最优’回归方程。 各地区城镇居民平均每人全年家庭收入来源(2007年) 单位：元 2模型的理论 （1）基本思想：逐个引入自变量，每次引入对y影响最显著的自变量，并对方程中的老变量逐个进行检验，把变为不显著的变量逐个从方程中剔除掉，最终得到的方程中既不漏掉对Y影响显著的变量，又不包含对Y影响不显著的变量。 （2）逐步筛选的步骤：首先给出引入变量的显著性水平 和剔除变量的显著性 in
水平 ；然后按图4.1的框图筛选变量。 out 3模型的求解 （1）源程序： data ch; input x1 x2 x3 x4 x5 y @@; cards; 28.2 47.9 44.1 3.8 23.9 100.0 31.3 47.1 43.6 3.5 21.6 100.0 30.2 48.2 43.9 4.3 21.6 100.0 ?? 31.9 46.1 41.9 4.2 22.0 100.0 33.4 44.8 40.6 4.1 21.8 100.0 33.2 44.4 39.9 4.5 22.4 100.0 32.1 43.1 38.7 4.4 24.8 100.0 28.4 42.9 38.3 4.6 28.7 100.0 ?? 27.2 43.7 38.6 5.1 29.1 100.0
回归分析基本分析： 将毕业生人数移入因变量，其他解释变量移入自变量。在统计量中选择估计和模型拟合度，得到如图 注解：模型的拟合优度检验：
第二列：两变量（被解释变量和解释变量）的复相关系数R=0.999。 第三列：被解释向量（毕业人数）和解释向量的判定系数R2=0.998。 第四列：被解释向量（毕业人数）和解释向量的调整判定系数R2=0.971。在多个解释变量的时候，需要参考调整的判定系数，越接近１，说明回归方程对样本数据的拟合优度越高，被解释向量可以被模型解释的部分越多。 第五列：回归方程的估计标准误差＝9.822 回归方程的显著性检验-回归分析的方差分析表 F检验统计量的值=776.216，对应的概率p值=0.000，小于显著性水平0.05，应拒绝回归方程显著性检验原假设（回归系数与0不存在显著性差异），认为：回归系数不为0，被解释变量(毕业生人数)和解释变量的线性关系显著，可以建立线性模型。 注解：回归系数的显著性检验以及回归方程的偏回归系数和常数项的估计值第二列：常数项估计值=-544.366；其余是偏回归系数估计值。
第三列：偏回归系数的标准误差。 第四列：标准化偏回归系数。 第五列：偏回归系数T检验的t统计量。 第六列：t统计量对应的概率p值；小于显著性水平0.05，拒接原假设（回归系数与0不存在显著性差异），认为回归系数部位0，被解释变量与解释变量的线性关系是显著的；大于显著性水平0.05，接受原假设（回归系数与0不存在显著性差异），认为回归系数为0被解释变量与解释变量的线性关系不显著的。 于是，多元线性回归方程为： y=-544.366+0.032x1+0.009x2+0.001x3-0.1x5+3.046x6 回归分析的进一步分析： 1.多重共线性检验 从容差和方差膨胀因子来看，在校学生数和教职工总数与其他解释变量的多重共线性很严重。在重新建模中可以考虑剔除该变量
陕西科技大学实验报告 课 程： 数理金融 实验日期： 2014 年 5 月 22 日 班 级： 数学112 交报告日期： 2013 年 5 月 23 日 姓 名： 常海琴 报告退发： （订正、重做） 学 号： 201112010101 教 师： 刘利明 实验名称： 多元回归分析 一、实验预习： 1.多元回归模型。 2.多元回归模型参数的检验。 3.多元回归模型整体的检验。 二、实验的目的和要求： 通过案例分析掌握多元回归模型的建立方法和检验的标准；并掌握分析解决实际金融问题的能力。 三、实验过程：（实验步骤、原理和实验数据记录等） 软件：Eviews3.1 数据：给定美国机动车汽油消费量研究数据。 实验原理：最小二乘法拟合多元线性回归方程 数据记录： 实例中1950年到1987年机动汽车的消费量、汽车保有量、汽油价格、人口数、国民生产总值 图1各个量之间的关系
陕西科技大学理学院实验报告 - 2 - 1、录入数据 图2录入数据 2、回归分析 443322110X X X X Y βββββ++++= 图3运行结果 Y=24553723+1.418520x1-27995762x2-59.87480x3-30540.88x4 S (25079670) (0.266) (5027085) (198.5517) (9557.981) T (0.979) (5.314) (-5.568) (-0.301) (-3.195) 2R =0.966951 F=241.3764 - R =0.9629 dw=0.6265 四、实验总结：（实验数据处理和实验结果讨论等） 用残差和最小确定直线位置是一个途径。计算残差和有相互抵消的问题。用残差绝对值和最小确定直线位置也是一个途径绝对值计算起来比较麻烦。最小二乘法用绝对值平方和最小确定直线位置。0β、1β、2β、3β、4β具有线性特性，无偏特性，有效性。-R =0.9629基本上接近于1，拟合效果较好。
实验报告 1. 实验目的随着中国经济的发展，居民的常住收入水平不断提高，粮食销售量也不断增长。研究粮食年销售量与人均收入之间的关系，对于探讨粮食年销售量的增长的规律性有重要的意义。 2. 模型设定 为了分析粮食年销售量与人均收入之间的关系,选择“粮食年销售量” 为被解释变量（用Y 表示），选择“人均收入”为解释变量（用X 表 示）。本次实验报告数据取自某市从1974 年到1987 年的数据（教材书上101页表3.11），数据如下图所示：
1粮食年销售量Y/万吨人均收入X/ rF1974[ 9& 45153.2 1975100.7190 pl1976102.8240.3 1977133. 95301.12 [61978140.13361 71979143.11420 8—1980146.15491.76「91981144.6501 101982148. 94529.2 1 11-1983158.55552. 72匸1984169. 68771.16 131985P 162.1481L8 14二1986170. 09988.43 1519871F& 691094.65为分析粮食年销售量与人均收入的关系，做下图所谓的散点图 从散点图可以看出粮食年销售量与人均收入大体呈现为线性关 系，可以建立如下简单现行回归模型: 3?估计参数
Y t = ■? 1 2 X t ——I t 假定所建模型及其中的随机扰动项叫满足各项古典假定，可以 用OLS法估计其参数。 通过利用EViews对以上数据作简单线性回归分析，得出回归结果如下表所示： Dependent Variable Y Method: Least Squares Date 10/15/11 Time 14 49 Sample- 1 14 Included observations: 14 Variable Coefficient Std Error t-Statistic Prob C99 61349 6 431242 15 489000 0000 X0.0814700.010738 7.5071190.0000 R-squared0 827493Mean dependent var142 7129 Adjusted R-squared0 813123S.D. dependent var26.09805 S E of regression11 28200Akaike info criterion7 915858 Sum squared resid1527 403Schwarz criterion7 907152 Log likelihood-52.71101F-statisti c5756437 Durbin-V/atson stat0 638969Prob(尸-statistic)0 000006 可用规范的形式将参数估计和检验的结果写为: A Y t =99.61349+0.08147 X t （6.431242）（0.10738） t= (15.48900) (7.587119) R2=0.827498 F=57.56437 n=14 4?模型检验 （1）.经济意义检验 A A 所估计的参数1=99.61349, 1 2=0.08147,说明人均收入每增加 1元，平均说来可导致粮食年销售量提高0.08147元。这与经济学中
一元线性回归在公司加班 制度中的应用 院(系): 专业班级: 学号姓名: 指导老师: 成 绩: 完成时间 :
一元线性回归在公司加班制度中的应用 一、实验目的 掌握一元线性回归分析的基本思想与操作,可以读懂分析结果,并写出回归方程,对回归方程进行方差分析、显著性检验等的各种统计检验 二、实验环境 SPSS21、0 windows10、0 三、实验题目 一家保险公司十分关心其总公司营业部加班的程度,决定认真调查一下现状。经10周时间,收集了每周加班数据与签发的新保单数目,x 为每周签发的新保单数目,y 为每周加班时间(小时),数据如表所示 y 3、5 1、0 4、0 2、0 1、0 3、0 4、5 1、5 3、0 5、0 1. 画散点图。 2. x 与y 之间大致呈线性关系？ 3. 用最小二乘法估计求出回归方程。 4. 求出回归标准误差σ∧ 。 5. 给出0 β∧ 与1 β∧ 的置信度95%的区间估计。 6. 计算x 与y 的决定系数。 7. 对回归方程作方差分析。 8. 作回归系数1 β∧ 的显著性检验。 9. 作回归系数的显著性检验。 10. 对回归方程做残差图并作相应的分析。 11. 该公司预测下一周签发新保单01000x =张,需要的加班时间就是多少？
12.给出0y的置信度为95%的精确预测区间。 13.给出 () E y的置信度为95%的区间估计。 四、实验过程及分析 1、画散点图 如图就是以每周加班时间为纵坐标,每周签发的新保单为横坐标绘制的散点图,从图中可以瞧出,数据均匀分布在对角线的两侧,说明x与y之间线性关系良好。 2、最小二乘估计求回归方程 系数a 模型非标准化系数标准系数t Sig、 B 的 95、0% 置信区间 B 标准误差试用版下限上限
实验报告 实验课程：[信息分析] 专业：[信息管理与信息系统] 班级：[ ] 学生姓名：[ ] 指导教师：[请输入姓名] 完成时间：2013年6月28日
一．实验目的 多元线性回归简单地说是涉及多个自变量的回归分析，主要功能是处理两个变量之间的线性关系，建立线性数学模型并进行评价预测。本实验要求掌握附带残差分析的多元线性回归理论与方法。 二．实验环境 实验室308教室 三．实验步骤与内容 1打开应用统计学实验指导书，新建excel表 2．打开SPSS，将数据输入。 3．调用SPSS主菜单的分析——>回归——>线性命令，打开线性回归对话框，指定因变量（工业GDP比重）和自变量（工业劳动者比重、固定资产比重、定额资金流动比重），以及回归方式；逐步回归（图1）
图1 线性对话框 4.在统计栏中，选择估计以输出回归系数B的估计值、t统计量等，选择Duribin-watson以进行DW检验；选择模型拟合度输出拟合优度统计量值，如R^2、F统计量值等（图2）。 图2 统计量栏
5．在线性回归栏中选择直方图和正态概率图以绘制标准化残差的直方图和残差分析与正态概率比较图，以标准化预测值为纵坐标，标准化残差值为横坐标，绘制残差与Y的预测值的散点图，检验误差变量的方差是否为常数（图3）。 图3 绘制栏 6.提交分析，并在输出窗口中查看结果，以及对结果进行分析。 系统在进行逐步分析的过程中产生了两个回归模型，模型1先将与因变量（销售收入）线性关系的自变量地区人口引入模型，建立他们之间的一元线性关系。而后逐步引入其他变量，表1中模型2表明将自变量人均收入引入，建立二元线性回归模型，可见地区人口和人均收入对销售收入的影响同等重要。
实验一植被覆盖度反演 一、实验目的 植被覆盖度是指植被（包括叶、茎、枝）在地面的垂直投影面积占统计区总面积的百分比。通常林冠称郁闭度，灌草等植被称覆盖度。它是衡量地表植被覆盖的一个最重要的指标，被覆盖度及其变化是区域生态系统环境变化的重要指示，对水文、生态、全球变化等都具有重要意义。目前已有许多利用遥感技术测量植被覆盖度的方法，其中应用最广泛的方法是利用植被指数近似估算植被覆盖度，常用的植被指数为NDVI，本次实验完成植被覆盖度反演。 二、实验数据 实验选取两景覆盖北京市的Landsat8 OLI影像、土地覆盖类型图以及北京行政边界矢量数据为数据源。其中，土地覆盖类型图是作为掩膜文件使用，其目的是为了便于植被覆盖度的估算；北京行政边界矢量数据是裁剪出北京市行政区内的范围。Landsat8 OLI影像是从地理空间数据云网站上下载得到的，其成像时间为2013年10月份。与Landsat7的ETM+成像仪相比，OLI成像仪获取的遥感图像辐射分辨率达到12比特，图像的几何精度和数据的信噪比也更高。OLI成像仪包括9个短波谱段（波段1～波段9），幅宽185km，其中全色波段地面分辨率为15m，其他谱段地面分辨率为30m。 三、实验方法 本文反演植被覆盖度所采用的是像元二分模型方法，像元二分模型是一种简单实用的遥感估算模型，它假设一个像元的地表由有植被覆盖部分与无植被覆盖部分组成，而遥感传感器观测到的光谱信息(S)也由这2个组分因子线性加权合成，各因子的权重是各自的面积在像元中所占的比率，如其中植被覆盖度可以看作是植被的权重。因此，像元二分模型的原理如下：VFC = (S - Ssoil)/ ( Sveg - Ssoil) S为遥感信息，其中Ssoil 为纯土壤像元的信息, Sveg 为纯植被像元的信息。 改进的像元二分法——遥感信息选择为NDVI VFC = (NDVI - NDVIsoil)/ ( NDVIveg - NDVIsoil) 两个参数的求解公式 NDVIsoil=(VFCmax*NDVImin- VFCmin*NDVImax)/( VFCmax- VFCmin) NDVIveg=((1-VFCmin)*NDVImax- (1-VFCmax)*NDVImin)/( VFCmax- VFCmin) 当区域内可以近似取VFCmax=100%，VFCmin=0% VFC = (NDVI - NDVImin)/ ( NDVImax - NDVImin) 当区域内不可以近似取VFCmax=100%，VFCmin=0%，当有实测数据的情况下，取实测数据中的植被覆盖度的最大值和最小值；当没有实测数据的情况下，植被覆盖度的最大值和最小值根据经验估算。 其中, NDVIsoil 为裸土或无植被覆盖区域的NDVI值, 即无植被像元的NDVI 值；而NDVIveg 则代表完全被植被所覆盖的像元的NDVI 值, 即纯植被像元的NDVI 值。 四、实验处理步骤 1、实验处理流程如下图所示
成像光谱技术研究动态 王立平刘洪博 1 引言 地物的反射辐射光谱特征是遥感的主要物理基础，是开展地球表层物质的物性和空间结构分析，进而加以识别的主要依据。成像光谱技术具有高光谱分辨率、超多波段和图谱合一的特点，在大尺度范围内探测地表物质连续光谱特性的同时，还获取了地物的空间形态和状态信息。成像光谱仪的光谱分辨率越高，所反映地物光谱特征就越精细，甚至可获取与实验室或地面实测光谱类似的曲线，为地物或地物成份的遥感识别奠定了基础。 2 成像光谱技术的发展与现状 成像光谱遥感所用的仪器是成像光谱仪。从世界范围来看，美国的成像技术发展较早，也最具代表性。从20世纪80年代到现在，美国已经研制了三代成像光谱仪。 第一代成像光谱仪的代表是航空成像光谱仪AIS。它由美国国家航空和航天管理局NASA所属的喷气推进实验室JPL设计，已于1984-1986年装在NASA的C-130飞机上飞行。这是一台装有二维、近红外阵列探测器的实验仪器，128个通道，光谱覆盖范围从1.2~2.4μm，并在内华达Cuprite地区的应用中取得很好的效果。 第二代成像光谱仪的代表是机载可见光/近红外成像光谱仪AVIRIS，它有224个通道，使用光谱范围为0.41~2.45μm，每个通道的波段宽约为10nm。曾放在改装后的高空U2飞机上使用．为目前最常用的航空光谱仪之一。 基于NASA仪器的成功应用，也基于采矿工业及石油工业的需求，在AVIRIS之后，地球物理环境研究公司GER又研制了l台64通道的高光谱分辨率扫描仪GERIS。其中63个通道为高光谱分辨率扫描仪，第64通道是用来存储航空陀螺信息。该仪器由3个单独的线性阵列探测器的光栅分光计组成。它与其他仪器的区别是在不同的光谱范围区内，通道的光谱宽度是不同的。
回归分析实验报告 姓名：班级：学号（后3位）： 一．实验名称：回归分析 二．实验性质：综合性实验 三．实验目的及要求： 1. 掌握统计工具【回归】的使用方法. 2．掌握线性回归分析的方法，并能对统计结果进行正确的分析. 3．学会非线性回归方程的构建方法，并能进行有关的分析. 四．实验内容、实验操作关键步骤及实验主要结果 x 1．为了研究某商品的需求量Y与价格之间的关系，收集到下列10对数据： x 1 1.5 2 2.5 3 3．5 4 4 4．5 5 价格 i y10 8 7.5 8 7 6 4．5 4 2 1 需求量 i x （1）求需求量Y与价格之间的线性回归方程. α0.05下，对线性回归关系显著性检验. （2）在显著性水平= 实验操作关键步骤及实验主要结果 在EXCEL中选用【 】工具模块，得到如下表的实验结果.因此： x. （1）求需求量Y与价格之间的线性回归方程为 α0.05（2）由于检验的P-value=，所以，在显著性水平= 下，线性回归关系 .
2．随机调查10个城市居民的家庭平均收入与电器用电支出Y 情况得数据（单位：千元）如下： x 收入i x 18 20 22 24 26 28 30 30 34 38 支出 i y 0.9 1.1 1.1 1.4 1.7 2.0 2.3 2.5 2.9 3.1 (1) 求电器用电支出Y 与家庭平均收入之间的线性回归方程. x (2) 计算样本相关系数. (3) 在显著性水平=α0.05下，作线性回归关系显著性检验. (4) 若线性回归关系显著,求=25时，电器用电支出的点估计值. x 实验操作关键步骤及实验主要结果 在EXCEL 中选用【 】工具模块，得到如下表的实验结果.因此： （1）求电器用电支出Y 与家庭平均收入之间的线性回归方程为 x . （2）样本相关系数 . （3）由于检验的P- value=，所以，在显著性水平 =α0.05下，线性回归关系 . （4）=25时，电器用电支出的点估计值 x .
计量经济学多元线性回归、多重共线性、异方差实验报告记录
————————————————————————————————作者：————————————————————————————————日期：
计量经济学实验报告
多元线性回归、多重共线性、异方差实验报告 一、研究目的和要求： 随着经济的发展，人们生活水平的提高，旅游业已经成为中国社会新的经济增长点。旅游产业是一个关联性很强的综合产业，一次完整的旅游活动包括吃、住、行、游、购、娱六大要素，旅游产业的发展可以直接或者间接推动第三产业、第二产业和第一产业的发展。尤其是假日旅游，有力刺激了居民消费而拉动内需。2012年，我国全年国内旅游人数达到亿人次，同比增长%，国内旅游收入万亿元，同比增长%。旅游业的发展不仅对增加就业和扩大内需起到重要的推动作用，优化产业结构，而且可以增加国家外汇收入，促进国际收支平衡，加强国家、地区间的文化交流。为了研究影响旅游景区收入增长的主要原因，分析旅游收入增长规律，需要建立计量经济模型。 影响旅游业发展的因素很多，但据分析主要因素可能有国内和国际两个方面，因此在进行旅游景区收入分析模型设定时，引入城镇居民可支配收入和旅游外汇收入为解释变量。旅游业很大程度上受其产业本身的发展水平和从业人数影响，固定资产和从业人数体现了旅游产业发展规模的内在影响因素，因此引入旅游景区固定资产和旅游业从业人数作为解释变量。因此选取我国31个省市地区的旅游业相关数据进行定量分析我国旅游业发展的影响因素。 二、模型设定 根据以上的分析，建立以下模型 Y=β 0+β 1 X 1 +β 2 X 2 +β 3 X 3 +β 4 X 4 +Ut 参数说明： Y ——旅游景区营业收入/万元 X 1 ——旅游业从业人员/人 X 2 ——旅游景区固定资产/万元 X 3 ——旅游外汇收入/万美元 X 4 ——城镇居民可支配收入/元
绪论 根据遥感信息的利用方式和效应，可以把遥感技术的发展划分为四个阶段： 1.瞬时信息的定性分析 2.空间信息的定位分析 3.时间信息的趋势分析 4.环境信息的综合分 析，即多种来源信息的复合分析 第一章遥感信息的地学评价 （一）遥感信息的属性 1.遥感信息的多源性（平台、载体的多层次，波段不同，视场不同，时间不同） 2.遥感信息的物理属性（不同的空间分辨率、波普分辨率、时间分辨率） （二）遥感研究对象的地学属性 1.空间分布 2.波谱反射和辐射特征 3.时相变化 二、遥感信息地学评价的标准 （一）空间分辨率 空间分辨率又可称为地面分辨率，指一个影像上能够详细区分的最小单元的尺寸或大小。空间分辨率有三种表示形式： （1）象元，每个象元的大小在地面上对应的范围，即在地表与一个象元大小相当的尺寸，用米表示。 （2）象解率，指胶片上1毫米间隔内包含的线对数，用线对/毫米来表示。 （3）视场角，指电子传感器的瞬时视域，用豪弧度表示。视场角小，得到的光通量小，空间分辨率低；反之，空间分辨率高。 （二）波谱分辨率 波普分辨率指传感器所用的波段数目、波段波长以及波段宽度。也就是选择的通道数、每个通道的波长、带宽，这三个因素决定波普分辨率。 对于传感器波谱分辨率的选择，有两种情况。在实验过程中，分析波谱特征时，光谱波段分得愈多愈细、频带宽度愈窄，所包含的信息量就愈大，针对性愈强，则易于鉴别细微差异，因而在实验室研究中多光谱波段往往可以发展到十几、甚至几十个波段.但是在实际应用中，便要对之进行综合归纳。因为波段分得愈细，各波段数据间的相关性就愈大，增加了信息的冗余度，未必能达到预期识别效果。同时波段愈多，数据量愈大，给数据传输、数据处理和鉴别带来困难。 （三）时间分辨率 时间分辨率指对同一地区遥感影像重复覆盖的频率。 第二节陆地卫星系列的地学评价 (三)火箭遥感的特点 1. 火箭可以选择最有利的时机 2.火箭资料有快速、大面积同步覆盖的特点 3.火箭灵活、方便，发射简单，准备时间短，发射架小，可以移动 4.成本较低，并可根据用户的需要来设计 5.摄影处理设备简单 二、航空遥感的特点 航空遥感作为遥感立体观测系统中不可缺少的一部分，有其明显的特点。 1.航空遥感空间分辨率高、信息容量大，主要服务于较大比例尺的区域资源与环 境详查，以及解决工程技术上的具体问题，其经济与社会效益明显。 2，航空遥感灵活、方便，适用于专题遥感研究。它可以根据用户的需求，灵活选择具有一定空间分辨率、波谱分辨率、时间分辨率的遥感信息，设计航空遥惑飞行的方案和路线等。获得图象较为方便，成本不高。
实验报告 实验目的： 1.构建一元及多元回归模型，并作出估计 2.熟练掌握假设检验 3.对构建的模型进行回归预测 实验内容： 对1970——1982年某国实际通货膨胀率、失业率和预期通货膨胀率进行分析，根据下表（表一）提供的数据进行模型设定，假设检验及回归预测。 表一 年份Y X2 X3 1970 5.92 4.90 4.78 1971 4.30 5.90 3.84 1972 3.30 5.60 3.31 1973 6.23 4.90 3.44 1974 10.97 5.60 6.84 1975 9.14 8.50 9.47 1976 5.77 7.70 6.51 1977 6.45 7.10 5.92 1978 7.60 6.10 6.08 1979 11.47 5.80 8.09 1980 13.46 7.10 10.01 1981 10.24 7.60 10.81 1982 5.99 9.70 8.00 实验步骤： 1.模型设定： 为分析实际通货膨胀率（Y）分别和失业率（X2）、预期通货膨胀率（X3）之间的关系，作出如下图所示的散点图。 图一
从上示散点图可以看出实际通货膨胀率（Y）分别和失业率（X2）不呈线性关系，与预期通货膨胀率（X3）大体呈现为线性关系，为分析实际通货膨胀率（Y）分别和失业率（X2）、预期通货膨胀率（X3）之间的数量关系，可以建立单线性回归模型和多元线性回归模型：
1231 Y X ββμ=++ 123322Y X X βββμ=+++ 2．估计参数 在Eviews 命令框中输入 “ls y c x2”，按回车，对所给数据做简单的一元线性回归分析。分析结果见表二。 表二 Dependent Variable: Y Method: Least Squares Date: 10/09/11 Time: 17:23 Sample: 1970 1982 Included observations: 13 Variable Coefficient Std. Error t-Statistic Prob. C 1.323831 1.626284 0.814022 0.4329 X3 0.960163 0.228633 4.199588 0.0015 R-squared 0.615875 Mean dependent var 7.756923 Adjusted R-squared 0.580955 S.D. dependent var 3.041892 S.E. of regression 1.969129 Akaike info criterion 4.333698 Sum squared resid 42.65216 Schwarz criterion 4.420613 Log likelihood -26.16904 F-statistic 17.63654 Durbin-Watson stat 1.282331 Prob(F-statistic) 0.001487 由回归分析结果可估计出参数1β、2β 即^ 31.3238310.960163Y X =+ （1.626284）（0.228633） ()()0.814022 4.199588 t = 2 0.615875R = F=17.63654 n=13
一元线性回归 一、实验题目1 一家保险公司十分关心其总公司营业部加班的程度，决定认真调查一下现状。经过10周的时间，收集了每周加班时间的数据和签发的新保单数目，x为每周签发的新报数目，y为每周加班时间（小时），数据见下表： 二、实验内容 散点图如下所示：
[数据集1] 描述性统计量 均值标准偏差N y 2.850 1.4347 10 x 762.00 379.746 10
残差图分析：
1.x 与y 之间大致呈线性关系。 2、设回归方程为01y x ββ∧ ∧ ∧ =+ 1β∧ = 12 2 1 (2637021717) 0.0036(71043005806440) ()n i i i n i i x y n x y x n x -- =- =--= =--∑∑ 01 2.850.00367620.1068y x ββ-∧- =-=-?= 0.10680.0036y x ∧ ∴=+可得回归方程为 3、 22 n i=1 1()n-2i i y y σ∧∧=-∑ 2 n 01i=1 1(())n-2i y x ββ∧∧=-+∑ =0.2305 σ∧ =0.4801 4、 由于2 1 1(, )xx N L σββ∧ t σ ∧= = 服从自由度为n-2的t 分布。因而 /2|(2)1P t n αασ????<-=- ?? ?? 也即：1/2 11/2 (p t t ααβββ∧ ∧ ∧ ∧ -<<+=1α- 可得195%β∧ 的置信度为的置信区间为 0.4801/0.4801/??（0.0036-1.8600.0036+1.860 即为：（0.0028，0.0044） 220 01()(,())xx x N n L ββσ- ∧ +
多元线性回归模型实验报告 13级财务管理 101012013101 蔡珊珊 【摘要】首先做出多元回归模型，对于解释变量作出logx等变换，选择拟合程度最高的模型，然后判断出解释变量之间存在相关性，然后从检验多重线性性入手，由于解释变量之间有的存在严重的线性性，因此采用逐步回归法，将解释变量进行筛选，保留对模型解释能力较强的解释变量，进而得出一个初步的回归模型，最后对模型进行异方差和自相关检验。 【操作步骤】1.输入解释变量与被解释变量的数据 2.作出回归模型
R^2=0.966951 DW=0.626584 F-statictis=241.3763 ②我们令y1=log(consumption),x4=log(people),x5=log(price),x6=log(retained),x7= log(gdp), 作出回归模型
② 发现拟合程度很高，也通过了F检验与T检验。但是我们首先检查模型的共线性 发现x4与x6,x4与x7,x6与x7存在很强的共线性，对模型会造成严重影响。
目前暂用模型y1=10.55028-3.038439x4-0.236518x5+2.647396x6-0.557805x7，我们将陆续进行调整。 3.分别作出各解释变量与被解释变量之间的线性模型
①作出汽车消费量与汽车保有量之间的线性回归模型 R^2=0.956231 DW=0.147867 F-statistic=786.4967
因为prob小于α置信度，则可说明β1不明显为零。经济意义存在 Y1^=4.142917 + 0.761197x6 (8.283960) （28.04455）
遥感地学分析 实验报告 成绩： 姓名： 学号： 班级： 题目：
课程实验报告要求 一、实验目的 掌握并熟悉band math的操作，对建筑用地分离用的几个建筑指数；学会面对对象分类；学会反演地表温度。 二、实验准备 软件准备： 数据准备：中等分辨率数据AA、高分辨率数据、热岛监测band6 三、实验步骤 1.中等分辨率数据中城市范围的提取： （1）加载数据AA，首先在BAND MATH里面计算图像的NDVI值其公式：(float(b1)-float(b2))/(float(b1)+float(b2))，正确输入公式后点击OK； 在接下来的界面中为公式中b1和b2赋予相应的波段，及近红外波段和红色波段，选择合适的路径即可点击OK； 结果如图：
（2）同样用上述发放计算图像的归一化建筑指数（NDBI值），公式同样使用前面所用，但是后面给b1和b2赋予第五和第四波段就行，同样选择合适的路径即可； 结果如图：
（3）利用前面所计算的NDVI和NDBI值计算改进的归一化裸露指数（MNDBI），MNDBI= NDBI+(1-NDVI)，首先在BAND MATH中输入一下公式并b1和b2赋予NDBI的波段和NDVI的波段； 结果如图：
（3）同样使用上述方法计算城镇用地指数（ULI）计算公式为ULI=NDBI and NDVI，同样在BAND MATH中输入公式并赋予相应的波段，在设置好输出路径即可； 结果如图：
（4）三种指数的阈值的设置，通过查看三种指数的直方图可以为每种指数的分离建筑用地提取合适的阈值；通过查看NDBI的阈值设置为，并将其在band math中进行二值化； 通过查看MNDBI的阈值设置为，并将其在band math中进行二值化；
实验报告三课程应用回归分析 学生姓名陆莹 学号20121315021 学院数学与统计学院 专业统计学 任课教师宋凤丽 二Ｏ一四年四月十七日
（1） shuju<-read.table("E:/4.14.txt") namesdata<-c("y",paste("x",1:2,sep="")) colnames(shuju)<-namesdata lm.shuju<-lm(y~.,data=shuju) summary(lm.shuju) Call: lm(formula = y ~ ., data = shuju) Residuals: Min 1Q Median 3Q Max -747.71 -229.80 -2.15 267.23 547.68 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) -574.0624 349.2707 -1.644 0.1067 x1 191.0985 73.3092 2.607 0.0121 * x2 2.0451 0.9107 2.246 0.0293 * --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘’ 1 Residual standard error: 329.7 on 49 degrees of freedom Multiple R-squared: 0.2928, Adjusted R-squared: 0.264 F-statistic: 10.15 on 2 and 49 DF, p-value: 0.0002057 >plot(lm.shuju,2) 由上图可知，残差通过正态性检验，原假设成立。
R语言实验报告 回归分析中 身高预测体重的模型 学院： 班级： 学号： 姓名： 导师： 成绩：
目录 一、实验背景 (1) 二、实验目的 (1) 三、实验环境 (1) 四、实验内容 (1) 1.给出实验女性的身高体重信息； (2) 2.运用简单线性回归分析； (2) 3.运用多项式回归分析 (2) 五、实验过程 (2) （一）简单线性回归 (2) 1.展示拟合模型的详细结果 (2) 2.女性体重的数据 (2) 3.列出拟合模型的预测值 (3) 4.列出拟合模型的残差值 (3) 5.得出身高预测体重的散点图以及回归线 (3) （二）多项式回归 (5) 1.展示拟合模型的详细结果 (5) 2.身高预测体重的二次回归图 (5) 六、实验分析 (7) 七、总结 (7)
一、实验背景 从许多方面来看，回归分析都是统计学的核心。她其实是一个广义的概念，通指那些用一个或多变量（也称自变量或解释变量）来预测响应变量（也称因变量、效标变量或结果变量）的方法。通常，回归分析可以用来挑选与响应变量相关的解释变量，可以描述两者的关系，也可以生成一个等式，通过解释变量来预测响应变量。 二、实验目的 R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具； 本次试验要求掌握了解R语言的各项功能和函数，能够通过完成试验内容对R语言有一定的了解，会运用软件对数据进行分析； 通过本实验加深对课本知识的理解以及熟练地运用R语言软件来解决一些复杂的问题。 三、实验环境 Windows系统，R或者R Studio 四、实验内容 本实验提供了15个年龄在30—39岁间的女性的身高和体重信息，运用回归分析的方法通过身高来预测体重，获得一个等式可以帮助我们分辨哪些过重或过轻的个体。
一元线性回归在公司加班制度中的应用 院（系）： 专业班级： 学号姓名： 指导老师： 成绩： 完成时间：
一元线性回归在公司加班制度中的应用 一、实验目的 掌握一元线性回归分析的基本思想和操作，可以读懂分析结果，并写出回归方程，对回归方程进行方差分析、显著性检验等的各种统计检验 二、实验环境 SPSS21.0 windows10.0 三、实验题目 一家保险公司十分关心其总公司营业部加班的程度，决定认真调查一下现状。经10周时间，收集了每周加班数据和签发的新保单数目，x 为每周签发的新保单数目，y 为每周加班时间（小时），数据如表所示 y 3.5 1.0 4.0 2.0 1.0 3.0 4.5 1.5 3.0 5.0 2. x 与y 之间大致呈线性关系？ 3. 用最小二乘法估计求出回归方程。 4. 求出回归标准误差σ∧ 。 5. 给出0 β∧与1 β∧ 的置信度95%的区间估计。 6. 计算x 与y 的决定系数。 7. 对回归方程作方差分析。 8. 作回归系数1 β∧ 的显著性检验。 9. 作回归系数的显著性检验。 10.对回归方程做残差图并作相应的分析。
11.该公司预测下一周签发新保单01000 x=张，需要的加班时间是多少？ 12.给出0y的置信度为95%的精确预测区间。 13.给出 () E y的置信度为95%的区间估计。 四、实验过程及分析 1.画散点图 如图是以每周加班时间为纵坐标，每周签发的新保单为横坐标绘制的散点图，从图中可以看出，数据均匀分布在对角线的两侧，说明x和y之间线性关系良好。 2.最小二乘估计求回归方程
用SPSS 求得回归方程的系数01,ββ分别为0.118,0.004，故我们可以写出其回归方程如下： 0.1180.004y x =+ 3.求回归标准误差σ∧ 由方差分析表可以得到回归标准误差：SSE=1.843 故回归标准误差： 2= 2SSE n σ∧-，2σ∧=0.48。 4.给出回归系数的置信度为95%的置信区间估计。 由回归系数显著性检验表可以看出，当置信度为95%时：
题型： 1、简答题：地表温度反演20分；简答10分。 2、判断题：2 x 10 = 20分； 3、填空题：2 x 10 = 20分； 4、选择题：2 x 5 = 10分； 5、名词解释：4 x 5 = 20分。 名词解释： 1、植被指数：多光谱遥感数据经分析运算（加、减、乘、除等线性或非线性组合方式），产生某些对植被长势、生物量等有一定指示意义的数值——即所谓的“植被指数”。 2、红边：反射光谱的一阶微分最大值所对应的光谱位置，对应红光区外叶绿素吸收减少部位到近红外高反射肩之间，健康植物的光谱响应陡然增加的（量度增加约10倍）的这一窄条区。通常位于0.68~0.75μm之间。 3、遥感地学分析：建立在地学规律基础上的遥感信息处理和分析模型，其结合物理手段、数学方法和地学分析等综合型应用技术和理论，通过对遥感信息的处理和分析，获得能反映地球区域分异规律和地学发展过程的有效信息的理论方法。 4、叶面积指数LAI：单位土地面积上的柱体内全部植物叶子面积（仅叶片向上半面）之和。 5、叶倾角：叶子向上半面某一点上的法线方向与Z轴（垂直于水平面指向天空）的交角，称为叶子在该点的倾角。 6、光合有效辐射：植物光合作用是植物叶片的叶绿素吸收光能和转化光能的过程。植物光合作用所能利用的仅仅是太阳光的可见光部分（0.4~0.7um），这个波长范围的太阳辐射也称为光合有效辐射 7、劈窗算法：是利用相邻两个热红外通道来进行地表温度反演的方法，是目前为止发展最为成熟的地表温度反演算法。 8、水体富营养化：当大量的营养盐进入水体后，在一定条件下引起藻类的大量繁殖，而后在藻类死亡分解过程中消耗大量溶解氧，从而导致鱼类和贝类的死亡。这一过程称为水体的富营养化。 填空题： 1、水体的反射光谱特性三方面的贡献：包含水表面反射、水体底部物质反射及水中悬浮物质的反射3方面的贡献。 2、1.3um以外植物含水量的三个吸收波段：1.4、1.9和2.7um。 3、Landsat TM缨帽变换为6维空间，前三维分量有意义，包括： 亮度，反映总体亮度变换 绿度GVI，反映地面植物的绿度 湿度 4、对水体的反射波谱影响最大的4个组分：纯水、浮游植物、悬浮物、黄色物质。 5、维恩位移定律：地面物体的温度在300k 时，辐射峰值波长在9.7um 附近。