遥感数据处理技术与高光谱遥感机器学习方法深度应用"/>
Python高光谱遥感数据处理技术与高光谱遥感机器学习方法深度应用
本次是高光谱遥感的第二季(第一季:Matlab高光谱遥感、数据处理与混合像元分解实践技术应用)
总结了高光谱遥感技术领域的基础原理与核心概念,采用编程语言复现经典数据处理和应用方法,追踪了最新的技术突破,在消化理解、触类旁通之后,用即使是遥感“小白”也容易接受的方式分享给你。
高光谱遥感的第一季:提供一套基于Matlab编程工具的高光谱数据处理方法和应用案例,从基础、方法、实践三方面对高光谱遥感进行深入讲解,通过8个核心概念,4个功能模块,3个典型应用场景,帮助大家了解高光谱遥感的“底层逻辑”,掌握高光谱遥感的“方法论”,并在具体实践案例中,学会运用上述原理和技术方法,提升了学员高光谱技术的应用能力水平。
第二季将继续深入讲解高光谱遥感的技术概念、处理方法和典型应用,并在此基础上,采用python语言复现课程中的所有经典案例,并准备以小专题的形式,交付机器学习的系统性课程,帮你建立属于你自己的高光谱遥感机器学习结构化知识体系和方法指南。
第二季依然从基础、方法、实践三方面对高光谱遥感进行讲解。基础篇,站在学员的角度去理解“高光谱”,用大家能听的懂的语言去讲述高光谱的基本概念和理论,帮助学员深入理解这项技术的底层科学机理。方法篇,将高光谱技术与Python编程工具结合起来,聚焦高频技术难点,明确开发要点,快速复现高光谱数据处理和分析过程,并对每一行代码进行解析,对学习到的理论和方法进行高效反馈。实践篇,通过高光谱矿物识别,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领域的技术服务方案,结合Python科学计算、可视化、数据处理与机器学习等开源开发库,深入介绍高光谱技术的应用功能开发。
高光谱遥感信息对于我们了解世界具有重要价值,大多数材料在人眼看来都是一样,而在高光谱遥感的观察下,显示出独特的“光谱特征”。这种看到“本色”的能力对于精准农业、地球观测、艺术分析和医学等一系列应用具有革命性的潜力,希望通过通俗易懂的课程让你了解掌握更多高光谱的知识和技术,祝你学习愉快并有所收获!
适合每一个对高光谱技术感兴趣,并想用python进行实践的人。
学习,你将获得:
1、全套的高光谱数据处理方法和应用案例(包含python源码)
2、高光谱与机器学习结合的系统化解决方案
3、最新的技术突破讲解和复现代码
4、科研项目实践和学习方法的专题分享
第一章 高光谱基础
第一课:高光谱遥感基本概念
①高光谱遥感
②光的波长
③光谱分辨率
④高光谱遥感的历史和发展
第二课:高光谱传感器与数据获取
①高光谱遥感成像原理与传感器
②卫星高光谱数据获取
③机载(无人机)高光谱数据获取
④地面光谱数据获取
⑤构建光谱库
第三课:高光谱数据预处理
①图像的物理意义
②数字量化图像(DN值)
③辐射亮度数据
④反射率
⑤辐射定标
⑥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
第四课:高光谱分析
①光谱特征分析
②高光谱图像分类
③高光谱地物识别
④高光谱混合像元分解
练习2
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
第二章 高光谱开发基础(Python)
第一课:Python编程介绍
①Python简介
②变量和数据类型
③控制结构
④功能和模块
⑤文件、包、环境
练习3
1.python基础语法练习
2.文件读写练习
3.包的创建导入练习
4.numpy\pandas 练习
第二课:Python空间数据处理
①空间数据Python处理介绍
②矢量数据处理
③栅格数据处理
练习4
1.python矢量数据处理练习
2.python栅格处理练习
第三课:python 高光谱数据处理
①数据读取
②数据预处理 辐射定标、6S大气校正
③光谱特征提取 吸收特征提取
④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5
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
第三章 高光谱机器学习技术(python)
第一课:机器学习概述与python实践
①机器学习与sciki learn 介绍
②数据和算法选择
③通用学习流程
④数据准备
⑤模型性能评估
⑥机器学习模型
练习6:机器学习sciki learn练习
第二课:深度学习概述与python实践
①深度学习概述
②深度学习框架
③pytorch开发基础-张量
④pytorch开发基础-神经网络
⑤卷积神经网络
⑥手写数据识别
⑦图像识别
练习7
1.深度学习pytorch基础练习
2.手写数字识别与图像分类练习
第三课:高光谱深度学习机器学习实践
①基于scklearn高光谱机器学习
②使用自己的数据进行机器学习(envi标注数据)
③高光谱深度学习框架
④高光谱卷积网络构建
⑤使用自己的数据进行深度学习
练习8
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
第四章 典型案例操作实践
第一课:矿物填图案例
①岩矿光谱机理
②基于光谱特征的分析方法
③混合像元分解的分析方法
练习9
1.矿物高光谱特征分析习
2.基于混合像元分解矿物填图
第二课:农业应用案例
①植被光谱机理
②农作物病虫害分类
③农作物分类深度学习实践
练习10
1.农作物病虫害机器学习分类
2.农作物分类深度学习练习
第三课:土壤质量评估案例
①土壤光谱机理
②土壤质量调查
③土壤含水量光谱评估方法
④土壤有机质含量评估与制图
练习11
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
第四课:木材含水率评估案例
①高光谱无损检测
②木材无损检测
③高光谱木材含水量评估
练习12:木材含水量评估和制图
总结与答疑
课程回顾与总结 交流答疑
最新技术介绍和讨论
原文连接:【最热Pyhon技巧】Python高光谱遥感数据处理技术与高光谱遥感机器学习方法深度应用=MzU0MDQ3MDk3NA==&mid=2247563549&idx=4&sn=229d764081ccb6df6b106fa383b99c32&chksm=fb3b02cccc4c8bdaa6e19c6bae4c4f809e00ddc9e2182610a44f46d13bcf5420553cecc2d4cc&token=780621846&lang=zh_CN#rd
相关教程:
生态、遥感、农业、双碳类推荐=MzU0MDQ3MDk3NA==&mid=2247560279&idx=4&sn=94093e5e3a6291e2e7ef947bb015c9f0&chksm=fb3b1786cc4c9e90576977dc69bc4b527bdb972529f600aaba35e03a25dd4a9837679623134a&scene=21#wechat_redirect
文章咨询看下方↓↓↓添加小编
更多推荐
Python高光谱遥感数据处理技术与高光谱遥感机器学习方法深度应用
发布评论