“Python+”集成技术高光谱遥感数据处理与机器学习深度应用

涵盖高光谱遥感数据处理的基础、python开发基础、机器学习和应用实践。重点解释高光谱数据处理所涉及的基本概念和理论旨在帮助学员深入理解科学原理。结合Python编程工具专注于解决高光谱数据读取、数据预处理、高光谱数据机器学习等技术难题通过复现高光谱数据处理和分析过程并解析代码掌握python高光谱数据处理技巧。通过矿物识别、农业应用、木材含水量提取、土壤有机碳评估等案例提供可借鉴的高光谱应用技术方案结合Python科学计算、可视化、数据处理和机器学习库深入讲解应用开发。通过4个应用场景和12个实践案例能够提升高光谱技术的应用水平。第一章、高光谱数据处理基础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)大气校正练习1: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练习21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第二章、高光谱开发基础PythonPython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、环境练习31python基础语法练习2文件读写练习3包的创建导入练习4numpy\pandas 练习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)栅格数据处理练习41python矢量数据处理练习2python栅格处理练习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练习51高光谱数据读取2高光谱数据预处理3光谱特征提取4混合像元分解第三章、高光谱机器学习技术python机器学习概述与python实践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)机器学习模型练习6机器学习sciki learn练习深度学习概述与python实践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)图像识别练习71深度学习pytorch基础练习2手写数字识别与图像分类练习高光谱深度学习机器学习实践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练习81高光谱数据分类练习2高光谱深度学习练习3使用自己数据测试第四章、典型案例操作实践矿物填图案例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练习91矿物高光谱特征分析习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练习101农作物病虫害机器学习分类2农作物分类深度学习练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练习111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练习12木材含水量评估和制图