“Python+高光谱遥感数据处理与机器学习教程

详情点击链接：“Python+高光谱遥感数据处理与机器学习教程

第一：高光谱

一：高光谱遥感

01)高光谱遥感

02)光的波长

03)光谱分辨率

04)高光谱遥感的历史和发展

二：高光谱传感器与数据获取

01)高光谱遥感成像原理与传感器

02)卫星高光谱数据获取

03)机载（无人机）高光谱数据获取

04)地面光谱数据获取

05)构建光谱库

三：高光谱数据预处理

01)图像的物理意义

02)数字量化图像（DN值）

03)辐射亮度数据

04)反射率

05)辐射定标

06)大气校正

四：高光谱分析

01)光谱特征分析

02)高光谱图像分类

03)高光谱地物识别

04)高光谱混合像元分解

第二：高光谱开发基础（Python）

一：Python编程

01)Python

02)变量和数据类型

03)控制结构

04)功能和模块

05)文件、包、环境

二：Python空间数据处理

01)空间数据Python处理

02)矢量数据处理

03)栅格数据处理

三：python 高光谱数据处理

01)数据读取

02)数据预处理

辐射定标、6S大气校正

03)光谱特征提取

吸收特征提取

04)混合像元分解

PPI、NFINDER端元光谱提取

UCLS、NNLS、FCLS最小二乘端元丰度计算

第三：高光谱机器学习技术（python）

一：机器学习与python

01)机器学习与sciki learn 

02)数据和算法选择

03)通用学习流程

04)数据准备

05)模型性能评估

06)机器学习模型

二：深度学习与python

01)深度学习

02)深度学习框架

03)pytorch开发基础-张量

04)pytorch开发基础-神经网络

05)卷积神经网络

06)手写数据识别

07)图像识别

三：高光谱深度学习机器学习

01)基于scklearn高光谱机器学习
02)使用自己的数据进行机器学习（envi标注数据）

03) 高光谱深度学习框架

04) 高光谱卷积网络构建

05）使用自己的数据进行深度学习

第四：

一：矿物填图案例

01)岩矿光谱机理

02)基于光谱特征的分析方法

03)混合像元分解的分析方法

二：农业应用案例

01)植被光谱机理

02)农作物病虫害分类

03)农作物分类深度学习实践

三：土壤质量评估案例

01)土壤光谱机理

02)土壤质量调查

03)土壤含水量光谱评估方法

04)土壤有机质含量评估与制图

四：木材含水率评估案例

01)高光谱无损检测

02)木材无损检测

03)高光谱木材含水量评估