覆盖了从数据获取到行业应用的全流程核心技术包括卫星、航空、地面数据的获取与处理辐射定标与大气校正的完整流程基于Scikit-learn的机器学习分类与回归以及基于PyTorch的深度学习模型构建与训练。第一部分高光谱遥感基础与数据获取第1课高光谱遥感概论1.高光谱遥感的定义与特点“图谱合一”、高光谱分辨率。2.高光谱数据的主要获取平台卫星平台如EO-1 Hyperion, GF-5, EnMAP, PRISMA等航空平台机载/无人机如AVIRIS, CASI/SASI等地面平台如ASD地物光谱仪3.高光谱数据的核心概念DN值、辐射亮度、反射率光谱分辨率、波段、波长高光谱数据立方体的理解4.高光谱遥感的发展历程与主要应用领域。第2课高光谱数据获取与预处理1.高光谱数据获取方式卫星高光谱数据下载与申请以EnMAP、GF-5为例公开数据集介绍与下载IndianPines,PaviaUniversity,Houston等地面光谱测量流程与规范以ASD为例2.高光谱数据预处理原理与流程辐射定标DN值转辐射亮度大气校正辐射亮度转反射率必要性消除大气影响方法概述基于辐射传输模型的FLAASH、6S等几何校正空间定位第二部分Python空间数据处理与高光谱数据读取第3课Python空间数据处理基础1.Python空间数据处理环境搭建Conda, GDAL, Rasterio, Fiona, GeoPandas等。2.栅格数据读取与操作Rasterio/GDAL读取GeoTIFF等格式获取元数据波段数、投影、坐标转换等读写、合并、裁剪栅格数据3.矢量数据读取与操作GeoPandas读取Shapefile文件创建与导出矢量数据空间分析缓冲区、叠加分析、邻近性分析第4课Python高光谱数据读取与可视化1.多源高光谱数据读取使用GDAL读取GeoTIFF格式高光谱数据使用Spectral库读取ENVI格式高光谱数据及光谱库数据如USGS使用Scipy读取.mat格式高光谱公开数据集2.数据探索与可视化查看数据形状、波段信息使用Matplotlib/Seaborn进行单波段/多波段RGB合成显示绘制典型地物或感兴趣区域的光谱曲线使用view_cube进行高光谱数据立方体的交互式探索第三部分高光谱遥感核心分析方法第5课高光谱数据降维与特征提取1.光谱特征分析包络线去除法Continuum Removal与光谱特征参数化吸收位置、深度、宽度、对称性2.光谱特征选择波段选择如基于信息熵、相关性3.光谱特征提取主成分分析PCA原理与应用最小噪声分离MNF原理与应用第6课高光谱图像分类1.分类基本概念监督分类、无监督分类、分类精度评价混淆矩阵、准确率、召回率、F1分数2.非监督分类算法K-Means聚类算法3.监督分类算法支持向量机SVM原理及参数调优核函数、C值决策树与随机森林原理及实现第7课高光谱目标识别与混合像元分解1.目标识别光谱角制图SAM原理与应用。2.混合像元分解端元数目估计HySime, HfcVd端元光谱提取纯净像元指数PPI、顶点成分分析N-FINDR丰度反演无约束最小二乘UCLS、非负约束最小二乘NNLS第8课Scikit-learn机器学习模型开发1.机器学习通用流程数据准备特征、标签、划分训练集/测试集模型选择与训练模型评估与超参数调优网格搜索GridSearchCV、交叉验证2.高光谱机器学习练习基于Indian Pines数据集的分类练习SVM, RF模型性能对比与结果可视化第四部分高光谱机器学习与深度学习实践第9课PyTorch深度学习模型开发1.深度学习概述与传统机器学习的对比发展里程碑2.PyTorch入门张量Tensor操作与自动求导Autograd构建神经网络nn.Module、定义损失函数和优化器训练流程前向传播、反向传播、参数更新3.卷积神经网络CNN一维卷积1D CNN用于光谱特征提取二维卷积2D CNN用于空间特征提取三维卷积3D CNN用于空谱联合特征提取4.深度学习练习基于MNIST/CIFAR-10的手写数字/图像识别。第10课高光谱深度学习实践1.基于PyTorch的高光谱数据建模构建高光谱数据加载器Dataset, DataLoader设计适用于高光谱的1D-CNN、2D-CNN、3D-CNN模型处理样本不平衡问题过采样SMOTE类别权重2.模型训练与评估训练循环编写模型保存与加载生成分类图与结果分析第五部分行业典型案例实践应用第11课案例一城市遥感1.城市地物光谱特征人工材料沥青、混凝土、金属屋顶、植被、水体等典型地物光谱特征。2.城市地物精细分类利用SVM/随机森林等分类器对城市土地利用类型如不同材质屋顶、道路、绿地进行高精度分类。3.不透水面提取与城市热岛效应分析结合高光谱数据与热红外数据评估不透水面分布与城市热岛的关系。第12课案例二农林遥感1.植被光谱机理叶绿素、水分、纤维素等生化组分的吸收特征与光谱响应。2.农作物精细分类基于高光谱数据区分不同作物类型如水稻、玉米、大豆及不同品种评估种植面积。3.作物胁迫监测利用光谱指数如红边参数识别作物病虫害、营养胁迫如氮素亏缺实现早期预警。4.林业应用森林树种识别、森林病虫害如松材线虫监测。第13课案例三水环境遥感1.水体光谱特征不同水质清水、富营养化、高悬浮物的光谱响应机制。2.水质参数定量反演建立叶绿素a浓度、悬浮物浓度、有色可溶性有机物CDOM的反演模型如线性回归、机器学习回归。高光谱数据在蓝藻水华监测中的应用。3.水域环境动态监测结合多时相数据分析水体富营养化程度的空间分布与时间变化第14课案例四土壤遥感1.土壤光谱机理有机质、铁氧化物、粘土矿物、水分的诊断性吸收特征。2.土壤属性反演基于回归模型SVR、RFR、PLSR反演土壤有机质SOM、土壤含水量SMC、土壤盐分等关键参数。光谱预处理与特征波段选择对模型精度的影响分析。3.数字土壤制图将反演模型应用于高光谱影像生成土壤属性空间分布图。第15课案例五地质找矿遥感教学目标综合应用高光谱分析技术解决矿物识别、蚀变信息提取与成矿预测问题1.岩矿光谱机理电子过程晶体场、电荷转移、振动过程水、羟基、碳酸根。2.矿物识别与填图基于光谱特征分析吸收位置、深度识别蚀变矿物如高岭石、伊利石、绿泥石、赤铁矿。利用混合像元分解PPI, N-FINDR提取矿物端元进行矿物丰度填图。3.成矿远景区预测综合蚀变矿物组合与地质背景信息圈定找矿靶区。
覆盖了从数据获取到行业应用的全流程核心技术包括卫星、航空、地面数据的获取与处理辐射定标与大气校正的完整流程基于Scikit-learn的机器学习分类与回归以及基于PyTorch的深度学习模型构建与训练。第一部分高光谱遥感基础与数据获取第1课高光谱遥感概论1.高光谱遥感的定义与特点“图谱合一”、高光谱分辨率。2.高光谱数据的主要获取平台卫星平台如EO-1 Hyperion, GF-5, EnMAP, PRISMA等航空平台机载/无人机如AVIRIS, CASI/SASI等地面平台如ASD地物光谱仪3.高光谱数据的核心概念DN值、辐射亮度、反射率光谱分辨率、波段、波长高光谱数据立方体的理解4.高光谱遥感的发展历程与主要应用领域。第2课高光谱数据获取与预处理1.高光谱数据获取方式卫星高光谱数据下载与申请以EnMAP、GF-5为例公开数据集介绍与下载IndianPines,PaviaUniversity,Houston等地面光谱测量流程与规范以ASD为例2.高光谱数据预处理原理与流程辐射定标DN值转辐射亮度大气校正辐射亮度转反射率必要性消除大气影响方法概述基于辐射传输模型的FLAASH、6S等几何校正空间定位第二部分Python空间数据处理与高光谱数据读取第3课Python空间数据处理基础1.Python空间数据处理环境搭建Conda, GDAL, Rasterio, Fiona, GeoPandas等。2.栅格数据读取与操作Rasterio/GDAL读取GeoTIFF等格式获取元数据波段数、投影、坐标转换等读写、合并、裁剪栅格数据3.矢量数据读取与操作GeoPandas读取Shapefile文件创建与导出矢量数据空间分析缓冲区、叠加分析、邻近性分析第4课Python高光谱数据读取与可视化1.多源高光谱数据读取使用GDAL读取GeoTIFF格式高光谱数据使用Spectral库读取ENVI格式高光谱数据及光谱库数据如USGS使用Scipy读取.mat格式高光谱公开数据集2.数据探索与可视化查看数据形状、波段信息使用Matplotlib/Seaborn进行单波段/多波段RGB合成显示绘制典型地物或感兴趣区域的光谱曲线使用view_cube进行高光谱数据立方体的交互式探索第三部分高光谱遥感核心分析方法第5课高光谱数据降维与特征提取1.光谱特征分析包络线去除法Continuum Removal与光谱特征参数化吸收位置、深度、宽度、对称性2.光谱特征选择波段选择如基于信息熵、相关性3.光谱特征提取主成分分析PCA原理与应用最小噪声分离MNF原理与应用第6课高光谱图像分类1.分类基本概念监督分类、无监督分类、分类精度评价混淆矩阵、准确率、召回率、F1分数2.非监督分类算法K-Means聚类算法3.监督分类算法支持向量机SVM原理及参数调优核函数、C值决策树与随机森林原理及实现第7课高光谱目标识别与混合像元分解1.目标识别光谱角制图SAM原理与应用。2.混合像元分解端元数目估计HySime, HfcVd端元光谱提取纯净像元指数PPI、顶点成分分析N-FINDR丰度反演无约束最小二乘UCLS、非负约束最小二乘NNLS第8课Scikit-learn机器学习模型开发1.机器学习通用流程数据准备特征、标签、划分训练集/测试集模型选择与训练模型评估与超参数调优网格搜索GridSearchCV、交叉验证2.高光谱机器学习练习基于Indian Pines数据集的分类练习SVM, RF模型性能对比与结果可视化第四部分高光谱机器学习与深度学习实践第9课PyTorch深度学习模型开发1.深度学习概述与传统机器学习的对比发展里程碑2.PyTorch入门张量Tensor操作与自动求导Autograd构建神经网络nn.Module、定义损失函数和优化器训练流程前向传播、反向传播、参数更新3.卷积神经网络CNN一维卷积1D CNN用于光谱特征提取二维卷积2D CNN用于空间特征提取三维卷积3D CNN用于空谱联合特征提取4.深度学习练习基于MNIST/CIFAR-10的手写数字/图像识别。第10课高光谱深度学习实践1.基于PyTorch的高光谱数据建模构建高光谱数据加载器Dataset, DataLoader设计适用于高光谱的1D-CNN、2D-CNN、3D-CNN模型处理样本不平衡问题过采样SMOTE类别权重2.模型训练与评估训练循环编写模型保存与加载生成分类图与结果分析第五部分行业典型案例实践应用第11课案例一城市遥感1.城市地物光谱特征人工材料沥青、混凝土、金属屋顶、植被、水体等典型地物光谱特征。2.城市地物精细分类利用SVM/随机森林等分类器对城市土地利用类型如不同材质屋顶、道路、绿地进行高精度分类。3.不透水面提取与城市热岛效应分析结合高光谱数据与热红外数据评估不透水面分布与城市热岛的关系。第12课案例二农林遥感1.植被光谱机理叶绿素、水分、纤维素等生化组分的吸收特征与光谱响应。2.农作物精细分类基于高光谱数据区分不同作物类型如水稻、玉米、大豆及不同品种评估种植面积。3.作物胁迫监测利用光谱指数如红边参数识别作物病虫害、营养胁迫如氮素亏缺实现早期预警。4.林业应用森林树种识别、森林病虫害如松材线虫监测。第13课案例三水环境遥感1.水体光谱特征不同水质清水、富营养化、高悬浮物的光谱响应机制。2.水质参数定量反演建立叶绿素a浓度、悬浮物浓度、有色可溶性有机物CDOM的反演模型如线性回归、机器学习回归。高光谱数据在蓝藻水华监测中的应用。3.水域环境动态监测结合多时相数据分析水体富营养化程度的空间分布与时间变化第14课案例四土壤遥感1.土壤光谱机理有机质、铁氧化物、粘土矿物、水分的诊断性吸收特征。2.土壤属性反演基于回归模型SVR、RFR、PLSR反演土壤有机质SOM、土壤含水量SMC、土壤盐分等关键参数。光谱预处理与特征波段选择对模型精度的影响分析。3.数字土壤制图将反演模型应用于高光谱影像生成土壤属性空间分布图。第15课案例五地质找矿遥感教学目标综合应用高光谱分析技术解决矿物识别、蚀变信息提取与成矿预测问题1.岩矿光谱机理电子过程晶体场、电荷转移、振动过程水、羟基、碳酸根。2.矿物识别与填图基于光谱特征分析吸收位置、深度识别蚀变矿物如高岭石、伊利石、绿泥石、赤铁矿。利用混合像元分解PPI, N-FINDR提取矿物端元进行矿物丰度填图。3.成矿远景区预测综合蚀变矿物组合与地质背景信息圈定找矿靶区。
)
)
