不是15年，而是分别有15个数据栅格数据

好的，如果有15个栅格数据，您可以使用循环来读取每个文件并计算相关性、回归模型和显著性检验。

以下是示例代码：

import os
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import scipy.stats

# 定义文件夹路径和文件名
ndvi_folder = 'path/to/ndvi/folder'
albedo_folder = 'path/to/albedo/folder'

# 定义文件名列表
ndvi_files = ['ndvi_{}.tif'.format(i) for i in range(1, 16)]
albedo_files = ['albedo_{}.tif'.format(i) for i in range(1, 16)]

# 定义空列表存储相关性、回归模型和 p 值
correlations = []
slopes = []
intercepts = []
p_values = []

# 循环读取每个文件
for ndvi_file, albedo_file in zip(ndvi_files, albedo_files):
    # 读取 NDVI 数据
    ndvi_path = os.path.join(ndvi_folder, ndvi_file)
    ndvi_data = pd.read_csv(ndvi_path)

    # 读取反照率数据
    albedo_path = os.path.join(albedo_folder, albedo_file)
    albedo_data = pd.read_csv(albedo_path)

    # 合并两个数据集
    data = pd.concat([ndvi_data, albedo_data], axis=1)

    # 计算 NDVI 和反照率之间的相关系数
    corr = data['NDVI'].corr(data['albedo'])

    # 计算 NDVI 和反照率之间的线性回归模型
    slope, intercept, rvalue, pvalue, stderr = scipy.stats.linregress(data['albedo'], data['NDVI'])

    # 将结果添加到列表中
    correlations.append(corr)
    slopes.append(slope)
    intercepts.append(intercept)
    p_values.append(pvalue)

# 绘制柱状图
fig, ax = plt.subplots()
ax.bar(np.arange(1, 16), correlations)
ax.set_xlabel('Data file')
ax.set_ylabel('Correlation coefficient')
ax.set_title('Correlation between NDVI and albedo for 15 data files')
plt.show()

# 进行显著性检验（t 检验）
t_statistic, p_value = scipy.stats.ttest_ind(slopes, intercepts)

# 打印 t 统计量和 p 值
print('t-statistic:', t_statistic)
print('p-value:', p_value)

这将循环读取每个文件，计算相关系数、回归模型和 p 值，并将结果存储在列表中。然后，它将绘制柱状图并进行显著性检验（t 检验）。您可以根据需要进行修改和定制。希望这可以帮助到您！