杨过

Statistics and Machine Learning Toolbox 提供了一系列函数和 App，可用于数据描述、分析和建模。对数据进行概率分布拟合；您既可选择分类学习器和回归学习器进行交互式操作，也可使用 AutoML 以编程方式操作。此工具箱提供了有监督、半监督和无监督机器学习算法，包括支持向量机 (SVM)、提升决策树、浅层神经网络、k 均值和其他聚类方法。针对多维数据分析和特征提取，此工具箱提供了主成分分析 (PCA)、正则化、降维和特征选择方法，让您能够识别预测能力最强的变量。

By “Geographically heterogeneous temporal trends of extreme precipitation in Wisconsin, USA during 1950–2006”（1950-2006年美国威斯康辛州极端降水的时空变化趋势）论文中关于mk趋势检验等的代码：

这里有必要提一下anova1函数中的参数displayopt 的作用。在大规模的anova1调用中（例如把anova1放在for循环中反复调用），需要把displayopt设置为'off'，否则anova1每调用一次就会绘制两幅图，这样会迅速的耗费计算机的内存，容易造成程序崩溃。除了上文中介绍的第一种调用anova1的方式，还有一种方式用于均衡的方差分析。所谓均衡就是要求不同的组别内的统计数据个数必须相同。在上例中出现的各个组的统计个数分别为{8,6,6}就属于非均衡。在均衡状态...

在长时间序列的栅格数据分析过程中，有时候需要建立多元回归分析来分析多种要素对单个要素的影响。本文以降水和温度为x变量，以NDVI为y变量，逐像元建立NDVI与降水和温度的关系。具体代码如下% @author [email protected][aa,R]=geotiffread('D:\qixiang\年尺度数据\插值的结果\平均温度\tem2000.tif');%先导入纬度数据info=geotiffinfo('D:\qixiang\年尺度数据\插值的结果\平均温度\tem2000.tif

在前一篇文章中讲述了用sen法进行长时间的趋势分析，但并未对结果进行显著性检验，通常Sen与MK检验是结合在一起的，因此本文主要讲述如何进行MK检验。具体代码如下% @author [email protected][a,R]=geotiffread('D:\GIS\vegetation\output\yearmax\1982.tif'); %先导入投影信息info=geotiffinfo('D:\GIS\vegetation\output\yearmax\1982.tif

GIMMS的NDVI数据常常用来进行长时间序列的植被情况分析，最新的NDVI3g数据集，时间跨度为1982-2015年，半月合成，空间分辨率大致为8km（0.08333度），下载地址https://nex.nasa.gov/nex由于下载下来的是nc文件，部分用户可能不熟悉该数据格式，无法很好的使用该数据集，本文提供一套基于matlab的处理方式。% @author [email protected]=ncread('F:\Global\NDVI3g\ndvi3g_geo_v1_20

采用最大合成法将月数据ndvi合成年数据NDVI，本文以spot的月ndvi为例进行，利用matlab平台，代码如下所示：%author [email protected] [a,R]=geotiffread('F:\项目\data\spot_月ndvi\ndvi200001.tif');%先投影信息info=geotiffinfo('F:\项目\data\spot_月ndvi\ndvi200001.tif');for i=2000:2015datasum=zeros(size(a,