Python高光谱遥感数据处理与机器学习深度应用

高光谱遥感信息对于我们认识世界具有重要意义。尽管大部分物质在人眼中看似无异，然而高光谱遥感的观察下，它们呈现出独特的"光谱特征"。这种能够窥见事物的"本质"能力具备着革命性的潜能，对精准农业、地球观测、艺术分析和医学等领域带来巨大的影响。

高光谱数据处理

高光谱遥感基本概念

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

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

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

资源02D高光谱卫星数据辐射定标与大气校正

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

（1）使用DISPEC 对光谱库数据进行光谱吸收特征分析

（2）使用ENVI的沙漏程序对资源02D高光谱卫星数据进行混合像元分解

高光谱开发基础（Python）

Python编程介绍

01)Python简介

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

（1）python基础语法 

（2）文件读写 

（3）包的创建导入 

（4）numpy\pandas 

Python空间数据处理

01)空间数据Python处理介绍

02)矢量数据处理

03)栅格数据处理

（1）python矢量数据处理 

（2）python栅格处理 

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

（1）高光谱数据读取

（2）高光谱数据预处理

（3）光谱特征提取

（4）混合像元分解

高光谱机器学习技术（python）

机器学习概述与python

01)机器学习与sciki learn 介绍

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

机器学习sciki learn 

深度学习概述与python

01)深度学习概述

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

（1）深度学习pytorch基础

（2）手写数字识别与图像分类

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

（1）高光谱数据分类练习

（2）高光谱深度学习练习

（3）使用自己数据测试

典型案例

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

（1）矿物高光谱特征分析

（2）基于混合像元分解矿物填图

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

（1）农作物病虫害机器学习分类

（2）农作物分类深度学习

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

（1）基于9种机器学习模型的土壤水分含量回归

（2）土壤有机质含量回归与制图

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

木材含水量评估和制图

“Python+”集成技术高光谱遥感数据处理与机器学习深度应用