鵞奀昆勥
范文一：数据处理过程
以08年数据为例：
（1） 每天数据处理过程（以08年第一天为例）：原始指数数据48
个，首先将指数数据转换为对数收益率，转换之后变为47个数据， 然后对上述47个对数收益率进行小波分析，采用DWT 函数求出小波系数。将小波系数符号化，得到符号序列，然后求此符号序列的状态转移概率矩阵。接着求出状态转移概率矩阵的极限特征向量。
（2） 对一年中每一天的数据都做和第一天相同的处理，求出每天的
极限特征向量。
（3） 选定一标准，求全天247的极限特征向量与该标准的极限特征
向量的距离。
目的：如果每天已实现波动值很大，那么上述求出的距离应该提前就会迅速的变大。
图中蓝色线为求出的距离变化图，红色的为已实现波动变化图，横坐标都为天数。
范文二：MODIS数据处理过程
1.
1.1
选中需要的数据源类型:
1.2 选择所要下载数据的时间,通道,范围等:
1.3点击 search 查到需要的数据:
1.4 出现如下页面:
1.5 勾选需要的数据,点击‘ order files now’ ,输入你接收信息的邮箱,点’ order
’开
始订购该数据。 (如果要搜索多天数据, 可以选 ‘ add files to shopping cart’ 继续搜索 其他日期的数据。出现下面的页面,填写你的订购邮箱, qq 邮箱不能用,其他的邮 箱都可以,最好是你能够进去的邮箱,点击下面的 Order 。
1.6 然后出现如下页面:
点击红色标记部分能看到如下你订购的信息:(注意:
红色部分是你要下载数据的文
件名字)
1.7 一般使用 FTP 下载工具下载。 (FTP 在网上可以下载得到) 首先新建站点:
ftp:ladsweb.nascom.nasa.gov
username: anonymous
password: 0407duli@tongji.edu.cn(自己申请数据的邮箱)
1.7 点击‘连接’ 。在右边的框中会显示所有数据, 找到自己数据所在的文件夹(我这里
的文件夹名字跟上面的不是同一个, 这里仅供参考, 以上面的那个文件夹为准) , 并 拖到左边的框中(选择你要保存数据的目录) ,开始下载数据。
OK ! !
2. 处理数据
第一步:数据读取
在
ENVI 中 file 中第一个选项打开 hdf 格式的文件:
第二步:数据地理定位
MODIS 三级数据产品土地覆盖数据是已经经过投影了的,其投影类型为正弦 曲线投影, 但是很多遥感软件在打开 HDF 数据的时候, 会有投影丢失现象, ENVI 也是,可以通过 hdf 属性查看工具,查看 ENVI 打开 hdf 时未识别的投影信息, 以及投影参数,利用该参数在 ENVI 中自定义正弦曲线投影,为 MCD12Q1数据添 加投影。
(1)用 hdf 属性查看工具查看该 hdf 数据的地理定位信息,
选择你刚才打开的那副影像, 可得图像左上角、右下角坐标值,投影类型,投影参数, 地球半径,起始位置。
2)
在波段列表中,单击右键打开 edit Header,打开 Edit Attributes->Map Info。
在 Edit Map Information面板中,单击 Change Proj按钮新建一个 sinusoidal 坐标。 投影名称(Projection Name):Sin
投影类型(Projection Type):sinusoidal
投影半径(Sphere Radius):6371007.181(数据集中获得) 东偏(False easting):0 北偏(False northing):0
中央经线(Longitude
):0。
回到 Edit Map Information面板中, 修改其头文件信息:
填写左上角起始坐标和像元大小(这些信息都可以从上图中的数据集信息中获取: E:3335851.559(x 坐标)
N:6671703.118(y 坐标)
X/Y Pixel Size:500
已经具有投影信息的数据:
第三步:投影变换与镶嵌
1) 针对每一张 MODIS 土地覆盖的影像,经过地理定位后,将其坐标转到 WGS-84
坐标
系下,用投影转换工具对相应的影像进行投影转换,变换到 WGS84坐标系下:
(2) 影像镶嵌
所有的土地覆盖影像进行投影转换之后,将此数幅影像进行拼接。用基于地 理投影的镶嵌工具进行影像镶嵌。将所有的背景值设为 0,避免互相压盖。
3. 城市用地提取
依照 MCDQ1的分类说明,把 DN=13的像素(城市用地)提取出来。在此运用波段计算:
在对话框中输入算式,然后点击红色对话框,点击 OK , b1是你拼接好的影像,然 后就出来所需结果了。最后把影像保存为 tif 即可。
范文三：SPSS数据处理过程
《基于西北物流企业对物流组织网络化程度与企业顾客产出水平分 析》之样本数据处理报告
（数据来源： 各潜变量的信度都是很好的，所以整个测量的信度是可接受的。
2. 效度分析：
步骤：分析---降维----因子分析，将处理过缺失值的新数据中“物流组织网络化程度 1~4”放 入“变量”中，确定后生成数据，形成各个因子载荷；同理可处理“服务质量 1~3” 、 “顾客 满意度 1~3” 、 “顾客满意度 1~3”并生成各个因子载荷； λ 值 物流组织网络化程度 1 物流组织网络化程度 2 物流组织网络化程度 3 物流组织网络化程度 4 服务质量 1 服务质量 2 服务质量 3 顾客满意度 1 顾客满意度 2 顾客满意度 3 顾客忠诚度 1 顾客忠诚度 2 顾客忠诚度 3 λ 11 λ 12 λ 13 λ 14 λ 21 λ 22 λ 23 λ 31 λ 32 λ 33 λ 41 λ 42 λ 43 0.901 0.888 0.899 0.468 0.954 0.973 0.952 0.977 0.986 0.976 0.947 0.976 0.936 值 能否反应 能
0.888257
能 能 否 能 能 能 能
0.960
0.980
能 能 能
0.953
能 能
因子载荷表 3-2.1 由于物流组织网络化程度 4 的因子载荷较小， 所以不能充分反应潜变量。 从 spss 中删除 “物 流组织网络话程度 4”题项。重新操作“物流组织网络化 1~3”的因子载荷，整理得到下表 λ 值 物流组织网络化程度 1 λ 11′ 0.931 值 能否反应 能
0.909
因子载荷表 3-2.2
物流组织网络化程度 2 物流组织网络化程度 3
λ 12′ λ 13′
0.879 0.917
能 能
因子载荷都大于 0.63，表明汇聚效度大，问题指标能够反映问题。 3. 采用 Harman 单因素检验共同方法偏差。
（1） 物流组织网络化程度 物流服务成本 步骤：分析----降维----因子分析------将物流组织网络化程度 1~3 及服务成本导入变量框中， 点击提取，要固定的因子选择一个，点击继续，确定，生成结果“累计”为 86.134%。一般 情况给定的累计百分比在 20%--40%基本共同方法偏差程度比较小，显然这个结果是不尽人 意的。不过这可以解释的，因为都是随机数生成的，而且基本都被本人操纵，所以共同方法 C 偏差较大。 顾客满意度 （2） 物流服务成本 顾客忠诚度 方法步骤同“物流服务成本”与“顾客满意度”分析出来的结果为“累计”为 95.372%，严 重出现共同方法偏差，解释理由同上； “物流服务成本”与“顾客忠诚度”分析出来的结果 累计值为 96.215%，共同方法偏差还是比较严重的，解释理由同上。
报告因子载荷，AVE 的值，相应的分析 四、 相关分析
步骤：1、先形成潜变量值：转换-----计算变量-----命名潜变量------计算公式 MEAN（??） 分别形成“程度”“质量”“满意度”“忠诚度”的数值。 2．生成相关系数表：分析------相关----双变量-----导入“上市情况”“物流服务成本” “程度”“质量”“满意度”“忠诚度”得到下表 程度 质量 满意度 忠诚度 物流服务
成本 程度 1 .086 .988*** .982*** -.976*** 质量 1 .096 -.005 -.081 1 .976*** -.970*** 1 -.982*** 1 满意度 忠诚度 物流服务成本
分析：1、根据 spss 分析得到的结果中，就“上市情况”与“程度”之间相关性显著。 2、结合 AVE 平方根、相关系数表分析区分效度：根据效度中分析 均大于上面
出现的相关系数，所以区分效度良好。 3、由于“上市情况”与“程度”在测量模型中并无第三个变量产生相关效应，故不 用分析偏相关。 4、“上市情况”与“物流组织网络化程度”呈现出正相关关系，相关性较强。 5、对潜变量进行描述性分析：
相关系数表及分析 五、 经典回归的假设
1、检验变量的正态性： 步骤：分析---描述统计----频率，将“物流服务成本”、“程度”“质量”、“满意度”、 “忠诚度”导入变量框；点击“统计量”---勾上“偏度”；点击“图表”---勾上“直方图”、 勾上“带正态分布”；点击确定，生成图表。 程度 偏度（skewness） 偏度的标准误 1.96 倍标准误 正态性（1.96） .328 .205 质量 .053 .205 满意度 .359 .205 忠诚度 .036 .205 物流服务成本 .019 .205
0.4018 正态
0.4018 正态
0.4018 正态
0.4018 正态
0.4018 正态
统计量 5-1.1 根据上表显示，各个“物流服务成本”、“程度”“质量”、“满意度”、“忠诚度”基本 符合正态分布假设。
2、检验同方差性： 物流组织网络化程度 A 物流服务成本
B
顾客满意度
C 顾客忠诚度 首先检验 A 的同方差性： 操作步骤：图形---旧对话框---散点图----简单分析，将“物流服务成本”导入为因变量， “物 流组织网络化程度”导入自变量，确定后形成以下图：
散点图 5-2.1
检验 B 与 C 的同方差性可类比 A 的方法。生成图如下：
散点图 5-2.2
散点图 5-2.3
由上图表观察可知，同方差性良好。
4. 检验随机扰动项的正态性
步骤：分析----回归-----线性，在“统计量”中勾上“估计” ， “模型拟合度” ， “共线性诊断” ， “D—W” ；在“绘制”中勾上“直方图” ， “正态概率图” ，点击“确定”即可
A、物流服务成本
残差统计 5-3.1
标准化残差 5-3.1
因为残差统计量均值为 0，标准差约等于 1，故该残差具有正态性。
B、顾客满意度
残差统计 5-3.3
标准化残差 5-3.4
因为残差统计量均值为 0，标准差约等于 1，故该残差具有正态性。
C、顾客忠诚度
残差统计 5-3.5
标准化残差 5-3.6
因为残差统计量均值为 0，标准差约等于 1，故该残差具有正态性。
4、检验随机扰动项的独立性与检验多重共线性：
在上一步中已经形成了分析所需表格，故直接引用
1. 根据分析过程可知，k=2，n=140；故取 N=100，此时 Dl=1.63，Du=1.72，4-Du=2.28.
此时不能得出无自相关的结论。
2. 根据分析过程可知，k=3，n=140；故取 N=100，此时 Dl=1.61，Du=1.74，4-Du=2.26. 此时 Du﹤DW﹤4-Du，即无自相关。
3. 根据分析过程可知，k=3，n=140；故取 N=100，此时 Dl=1.61，Du=1.74，4-Du=2.26.不能 得出无自相关的结论。
观察 VIF 值，每个 VIF 值均小于 2，所以多重共线性情况基本没有。
1、 2、 3、 4、 5、
分析变量的正态性 检验同方差性 检验随机扰动项的正态性 检验随机扰动项的独立性 检验多重共线性
六、 回归（整理成表）并分析结果 1.回归分析 因变量 物流服务成本 Model1 Model2 控制变量 .046 -1.346 上市情况 自变量 物流组织网 -.977*** 络化程度 F .295 1367.82*** .046 .976*** .950*** 备注： “***”表示在 0.001 水平下显著
回归系数表 6-1.1 物流组织网络化程度 物流服务成本
上表解释的是“物流组织网络化程度”与“物流服务成本”之间线性关系，回归 系数为-0.977，t 检验显著 因变量 控制变量 上市情况 服务质量 自变量 物流服务 成本 F 满意度 Model3 -1.00 .096 Model4 -.054** .017 -.966*** 1.319 .019 767.546*** .944*** .925*** 备注： “***”表示在 0.001 水平下显著
回归系数表 6-1.2 顾客满意度 顾客忠诚度
忠诚度 Model5 -.831 .970 Model6 -1.470 .160 --.980*** .802 .012 1221.836*** .964*** .953***
物流服务成本
上表解释的是“物流服务成本”与“顾客满意度”以及“物流服务成本”与“顾 客忠诚度”之间线性关系，回归系数分别为-0.966 与-0.980，t 检验显著。 2.中介效应分析 因变量 控制变量 上市情况 服务质量 自变量 物流组织 网络化程 度 物流服务 成本 F Model 7 -1.00 .096 满意度 Model8 -.054** .017 Model9 -.030 .011 Model 10 -.071 .082 忠诚度 Model11 -.169 .187 Model12 -.010 -.001
.985***
.845*** -.144*
.983***
.504 -.489***
1.319 .019
1937.355*** .977*** .958***
1508.699*** .978*** .959***
.802 .012
1245.749*** .965*** .953***
7390.435*** . .976*** .965***
备注： “***”表示在 0.001 水平下显著 中介效应表 6-2.1
物流组织网络化程度
顾客满意度 成本 顾客忠诚度
上表解释的是物流服务成本的中介效应图，首先对“顾客满意度”与“物流组织 网络化程度”回归系数为 0.985，显著；考虑“物流服务成本”作为中介时， “顾 客满意度”与“物流组织网络化程度”回归系数为 0.845＜0.985，依旧显著，故 “物流服务成本”在“物流组织网络化程度” 、 “顾客满意度”之间是部分中介效 应。 其次对于“顾客忠诚度”与“物流组织网络化程度”回归系数为 0.983， ，显著； 考虑“物流服务成本”作为中介时， “顾客忠诚度”与“物流组织网络化程度” 回归系数为 0.504，不显著，故“物流服务成本”在“物流组织网络化
程度” 、 “顾 客忠诚度”之间是完全中介效应。 3.调节效应分析 因变量 控制变量 上市情况 自变量 服务质量 物流服务成本 成本 X 质量 F
满意度 Model13 -.054 .017 --.966 767.546*** .944*** .944*** Model14 -.054** .030 -.953*** -.019 571.825*** .944 0 Model15 -.024 .003 -.980***
忠诚度 Model16 -.023 -.040 -1.024*** .062 920.319*** .965 0
1221.836*** .964 .964***
备注： “***”表示在 0.001 水平下显著 由于调节效应不显著，所以调节效应图不报告。
范文四：MRT数据处理过程
1. 双击, 打开MRT 处理工具，如下图：
图一
图二
2. 在图二中有如下设置：
**设置默认输入路径（仅仅为了读取数据时方便）。同理，设置默认输出路径
3. 开始处理数据。首先输入要处理的数据，点击files 框里出现你所选择处理的数据
,
，在左边的input
4. 之后在selected bands中全部选中，点左移按钮，全部添加到左边的Available bands对应的框中，然后选择所要处理的波段：
5. 选择具体的输出路径，文件类型，重采样类型以及投影类型（这个根据要求选择）：
6. 编辑投影参数
:
按照具体要求改动每个参数的值。 7. 输入像元大小，
根据你所要处理的数据的分辨率大小来设置，我所下载的数据分辨率是1000米的，所以输入
1000.
8. 然后点运行
等待处理结果。
9. 处理界面如下：
10. 处理结果如下图所示：
注意不同数据所要求输出的数据波段不同。例如：LAI-----LAI Reflectance ——band1，band2，band3，band4，band6 LST ——LST-day ；LandCover ——type1
范文五：ICESAT数据处理过程
ICESAT数据处理介绍
1.打开N:\GLAS数据处理程序\2_IDLreadGLAS\read_glas_ctrl.dat，修改INPUT_FILE和OUTPUT_FILE的路径。
2.在IDL中打开read_glas_file.pro，修改p_file和ofile的路径。上述路径均为ICESAT数据的存放路径。
3.运行IDL程序，运行后的结果均存放在2_Bin_readout文件夹中。
4.运行MATLAB程序。如果是ICESAT-GLAS 14的数据，运行
icesat_output_data_preprocessGLA14data_processing.m程序（需修改处理数据的经纬度范围）。也可以运行
icesat_output_data_preprocess_edit_chen_AttFlg_include.m程序。两个程序的区别在与经纬度范围和产品名称做了相应修改。 上述两个程序运行完成后，把下载的原始数据转为10进制的数据。
5.运行N:\GLAS数据处理程序
\topex2wgs_chen\topex2wgs_chen\top2wgs_io_revised.pro，把TOPEX椭球转为WGS84椭球。
6.运行N:\GLAS数据处理程序\father\process_for_victoria.m，把事件转换成年月日的格式。（因为ICESAT数据记录的时间是以2000年1月1日0时0分0秒为起始时间，且以秒为单位，因此需转换成年-月-日的格式）。
7.将运行后的结果复制到EXCEL中，在ARCGIS中将所有点的经纬度等属性信息转换成SHAPE FILE 点文件格式(ARCGIS工具栏\File Add data\Add X Y data)。需要注意的是，X对应的经度、Y对应纬
度，不要编辑坐标系统的信息。生成shape file 点文件后，在ARCTOOLBOX\Data Management Tools\Projections and
Transformations\Feature\project定义地理坐标系统，一般为Geographic coordinate system\World\WGS 84 prj。定义完地理坐标系统后，在定义投影系统。ARCTOOLBOX\Data Management Tools\Projections and Transformations\Raster\Define Projection.
