第一部分、高光谱遥感基础与数据获取

第1课、高光谱遥感概论教学目标：建立对高光谱遥感的宏观认识，理解其核心概念与优势

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，教学目标：掌握高光谱数据的获取途径、常见格式及数据预处理流程

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

（Indian Pines,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，教学目标：搭建Python空间数据处理环境，掌握矢量与栅格数据的基本操作

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，教学目标：熟练使用Python读取多种格式的高光谱数据，并进行初步探索与可视化

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，教学目标：理解高光谱数据“维数灾难”问题，掌握主流降维和特征提取方法

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，教学目标：掌握高光谱图像分类的基本流程和主流机器学习算法

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，教学目标：理解高光谱在精细识别中的独特优势，掌握混合像元分解的流程与方法

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）

第四部分、高光谱机器学习与深度学习实践

第8课、Scikit-learn机器学习模型开发，教学目标：掌握使用Scikit-learn构建和评估机器学习模型的通用流程

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9课、PyTorch深度学习模型开发，教学目标：了解深度学习框架，掌握使用PyTorch构建和训练神经网络的基本方法

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，教学目标：掌握将深度学习模型应用于高光谱图像分类的完整流程

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，教学目标：应用高光谱技术解决城市环境监测与地物精细分类问题

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，教学目标：利用高光谱技术进行农作物精细分类与林业资源监测

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，教学目标：应用高光谱技术开展水质参数反演与水环境动态监测

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，教学目标：应用高光谱技术实现土壤关键属性的定量反演与数字土壤制图

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。

---

📞 报名咨询

联系人：赵钰 185-1037-1663（微电）

扫微信二维码：

课程二

培训时间：5月23日-24日、30日

学习方式：直播课程+助学群长期辅助指导+永久回放特权

课程内容：（上下滑动查看更多）

📢培训目标：

1.掌握InSAR原理和技术方法及其应用；

2.以典型案例的讲课方式，熟练掌握InSAR数据处理（包括InSAR高程测量、DInSAR形变提取以及时序InSAR等）的流程与方法，为测绘、遥感、地球物理、地质工程、环境工程、土木工程、灾害监测评估、资源勘探以及地理信息工程等相关领域的科研与工程实践服务。

📢课程大纲：

注：请提前自备电脑及安装所需软件。

课程三

培训时间：5月20日-21日、25日、27日-28日

学习方式：直播课程+助学群长期辅助指导+永久回放特权

课程内容：（上下滑动查看更多）

注：请提前自备电脑及安装所需软件。

课程四

培训时间：5月23日-24日、30 日

学习方式：直播课程+助学群长期辅助指导+永久回放特权

课程内容：（上下滑动查看更多）

📢 课程特点：

以PBL理念为引导，对课程教学内容进行重构，设计了金岭岩体找矿项目，并开发了地质矿产勘查模拟实训系统。学员进入系统后，身份为某矿产勘查公司的技术骨干，整个课程学习期间，全面负责整个金岭岩体找矿项目的运作，包括找矿线索梳理、区域三维地质建模、成矿有利区圈定、三维环境勘查工程设计、勘查工程施工（模拟实训系统生成结果）、矿体圈定及三维建模、三维储量估算、勘查报告编写。学员不仅需要负责业务内容，还需要控制施工成本、保障安全环保、协调工程进度。系统运行主要界面如图所示。

（上图为系统登陆界面，左下图为学生设计勘查工程后提交施工的界面，右下图为AI根据学生提交的勘查工程方案，生成的钻孔编录、岩性、样品分析数据）

📢 培训目标：

1、区域三维地质建模：地质、物探、测量数据导入及处理、区域地质建模、远景区圈定；

2、勘查工程方案设计：在优选的勘查区，设计勘探剖面、制作勘探线剖面图、设计钻孔；

3、矿体圈定及储量估算：根据钻孔编录及样品分析资料，进行矿体圈定、矿体三维实体建模、矿体三维块体建模、资源量估算、地质图件制作。

（参会学员请自行提前安装软件、配置上课所需环境）

📢 课程大纲：

注：请提前自备电脑及安装所需软件。

课程五

培训时间：5月23日-24日、30日-31日

学习方式：直播课程+助学群长期辅助指导+永久回放特权

课程内容：（上下滑动查看更多）

📢 培训目标：

1.理解OGS的有限元求解框架、输入文件结构与参数化系统，能够熟练使用网格前处理工具（ogs-gina、ogs-data-explorer）及命令行运行环境。

2.能够根据实际地质问题（地热开发、CO₂地质封存、污染物迁移、核废料处置等）识别涉及的主要物理过程（渗流、热传导、固体变形、化学反应），并理解其耦合机制（Biot系数、热膨胀、相变、溶解平衡等）。

3.能够针对不同应用领域，合理选择OGS提供的单场（流动、力学、热传导）、多场（HM、HC、TM、THM）或两相流（TH2M）过程，并配置相应的本构模型与材料参数。

4.能够利用函数表达式、曲线插值、空间分组等参数定义方式，建立随空间、时间或状态变量变化的材料属性、边界条件和源汇项；能够通过修改关键参数开展敏感性分析，评估其对模拟结果的影响。

5.能够从问题抽象、几何建模、网格生成、参数设置、求解控制到结果后处理与可视化，独立完成一个应用领域的数值模拟，并规范地整理模拟报告。

6.能够结合地质背景与物理机制，分析模拟结果的合理性，识别潜在的数值问题（网格依赖、收敛性等），并将模拟成果转化为对工程实践或科学研究的有效指导。

📢 课程大纲：

注：请提前自备电脑及安装所需软件。

📞 报名咨询

微信二维码：