遥感影像的线性回归分析通常用于建立地表参数（如植被指数、地表温度）与实测数据（如叶面积指数、生物量）之间的关系模型，或用于多源遥感数据间的相互校正[ref_6]。ENVI本身并非统计建模软件，其核心功能在于**影像预处理与特征提取**，为回归分析提供高质量的自变量数据。完整的线性回归建模流程通常需要**ENVI预处理 + 外部统计分析工具（如Python、Excel）** 协同完成。 以下将详细阐述利用ENVI数据准备，并结合Python进行线性回归建模的完整技术流程。 ### 1. ENVI预处理：生成回归分析的自变量影像 线性回归模型的自变量（X）通常是经过严格预处理的遥感衍生参数，如植被指数（NDVI）、地表温度（LST）等。以构建“NDVI - 地表温度”关系模型为例，需要在ENVI中完成以下关键步骤： #### 1.1 辐射定标与大气校正 这是获取真实地表反射率或辐射亮度的基础，是后续所有定量分析的前提。 * **辐射定标**：将影像的原始数字量化值（DN）转换为具有物理意义的辐射亮度值（Radiance）或表观反射率（Top-of-Atmosphere Reflectance）。操作路径：`Basic Tools -> Preprocessing -> Calibration Utilities -> Radiometric Calibration`[ref_5][ref_6]。 * **大气校正**：消除大气散射、吸收等影响，将表观反射率或辐射亮度转换为地表真实反射率（Surface Reflectance）。ENVI提供了多种工具： * **FLAASH**：适用于多光谱和高光谱数据，精度高但参数设置复杂[ref_1][ref_3][ref_6]。 * **QUAC**：快速大气校正，适用于可见光-近红外数据，无需复杂大气参数[ref_1][ref_3]。 * **经验线性法**：需要地面实测反射率数据，通过建立DN值与实测反射率的线性关系进行校正[ref_2][ref_4]。 #### 1.2 计算特征参数（自变量X与因变量Y） 在获得地表反射率数据后，利用ENVI的波段运算（Band Math）功能计算所需参数。 * **计算NDVI（归一化差分植被指数）** NDVI是反映植被覆盖和生长状况的常用指数。在ENVI的Band Math中输入公式： ```matlab (float(b4) - float(b3)) / (float(b4) + float(b3)) ``` 其中，`b4`通常代表近红外波段，`b3`代表红光波段。计算结果即为NDVI影像[ref_6]。 * **反演地表温度LST（以Landsat数据单窗算法为例）** 地表温度反演涉及更多步骤，包括辐射定标后的热红外波段亮度温度计算以及地表比辐射率估算，最终通过单窗算法公式得到LST。这是一个典型的Band Math复杂应用过程[ref_6]。 #### 1.3 样本点数据提取 在ENVI中，通过感兴趣区（ROI）工具，在对应位置（如植被覆盖区、裸土区、水体）绘制样本点。然后使用`Statistics`功能，导出这些样本点在NDVI影像和LST影像上的像元值。这些成对的（NDVI, LST）数据将作为后续回归分析的样本数据集[ref_4][ref_5]。 ### 2. 线性回归建模：以Python为例 将ENVI中导出的样本数据（如CSV格式）导入Python，利用`scikit-learn`、`statsmodels`或`numpy`库进行建模与分析。 ```python import pandas as pd import numpy as np from sklearn.linear_model import LinearRegression from sklearn.metrics import r2_score, mean_squared_error import matplotlib.pyplot as plt # 1. 加载从ENVI导出的数据 # 假设CSV文件包含'ndvi'和'lst'两列 data = pd.read_csv('envi_sample_data.csv') X = data['ndvi'].values.reshape(-1, 1) # 自变量，reshape为二维数组 y = data['lst'].values # 因变量 # 2. 建立线性回归模型 model = LinearRegression() model.fit(X, y) # 3. 获取模型参数与评估指标 slope = model.coef_[0] # 回归系数 intercept = model.intercept_ # 截距 y_pred = model.predict(X) # 预测值 r2 = r2_score(y, y_pred) # 决定系数R² rmse = np.sqrt(mean_squared_error(y, y_pred)) # 均方根误差 print(f"回归方程: LST = {slope:.4f} * NDVI + {intercept:.4f}") print(f"R² = {r2:.4f}") print(f"RMSE = {rmse:.4f}") # 4. 可视化 plt.figure(figsize=(8, 6)) plt.scatter(X, y, color='blue', alpha=0.6, label='样本点') plt.plot(X, y_pred, color='red', linewidth=2, label=f'拟合线: y={slope:.2f}x+{intercept:.2f}') plt.xlabel('NDVI') plt.ylabel('LST (°C)') plt.title('NDVI与地表温度线性回归关系') plt.legend() plt.grid(True) plt.show() ``` ### 3. 模型应用与空间预测 得到可靠的回归模型后，可以将其应用于整景影像，进行空间可视化。 * **在ENVI中应用模型**：将回归方程 `LST = slope * NDVI + intercept` 写入ENVI的Band Math。使用完整的NDVI影像作为输入，直接计算出预测的LST空间分布图。 ```matlab /* 在ENVI Band Math中 */ slope * NDVI_Image + intercept ``` * **结果分析**：生成的预测影像可以直观展示NDVI与LST关系的空间格局，用于分析城市热岛效应、植被降温作用等[ref_6]。 ### 关键方法对比与选择 | 任务环节 | ENVI核心作用 | 替代/辅助工具 | 说明 | | :--- | :--- | :--- | :--- | | **数据预处理** | **绝对核心** | 无 | 辐射定标、大气校正、指数计算必须依赖ENVI或同类专业软件[ref_1][ref_2][ref_5][ref_6]。 | | **样本提取** | **主要工具** | GIS软件（如ArcGIS） | ENVI的ROI工具能高效提取像元值，并导出为表格[ref_4][ref_5]。 | | **回归建模** | **有限支持** (仅Band Math可实现简单一元线性预测) | **Python, R, Excel** | 复杂的模型拟合、统计检验、多元回归、机器学习等需借助专业统计或编程工具[ref_6]。 | | **结果可视化** | **空间可视化** | **Python (Matplotlib/Seaborn), Excel** | ENVI擅长地图制图，Python/Excel更适合制作散点图、残差图等统计图表[ref_6]。 | **总结**：用ENVI“建立”线性回归模型的完整流程，实质是**以ENVI为前置数据处理引擎，生成高质量、具有物理意义的遥感特征参数，再结合外部统计分析工具完成模型构建、验证与应用**。对于简单的一元线性关系，可直接在ENVI的Band Math中代入公式进行空间预测；但对于需要严谨统计检验、多元分析或机器学习的情况，必须将数据导出至Python、R等环境中完成[ref_6]。