2.1.1 波段操作与影像运算

1)波段选择与重命名

2)波段添加与组合（addBands）

3)多波段运算：加、减、乘、除

4)自定义波段运算表达式

5)常用指数计算原理与实现

2.1.2 阈值提取与掩膜

1)阈值选择原理与方法

2)updateMask与mask函数区别

3)条件语句与表达式应用

4)多条件组合掩膜策略

5)掩膜应用案例分析

2.1.3 影像过滤与裁剪

1)时间过滤器设计与应用

2)空间过滤方法与技巧

3)属性过滤器组合策略

4)影像裁剪效率优化

5)Filter.and/or复合过滤构建

2.1.4 植被指数计算

1)NDVI、EVI等常用植被指数原理

2)指数计算函数封装与重用

3)多指数组合分析方法

4)时序植被指数提取与分析

5)指数数值范围校正与标准化

2.1.5 影像云检测与去除

1)Landsat系列QA波段解析

2)Sentinel-2云检测算法

3)多时相合成去云技术

4)云阴影识别与移除

5)去云效果评估方法

2.1.6 影像数据整合

1)Reducer家族功能介绍

2)空间整合：reduceRegion/reduceRegions

3)时间整合：reduceNeighborhood

4)集合整合：collection.reduce

5)自定义Reducer设计与应用

2. 2高级数据处理

2.2.1 像素级变换

1)主成分分析（PCA）原理与实现

2)谐波分析（Harmonic）技术应用

3)谱间变换与特征增强

4)非线性变换与指数增强

5)自定义变换函数设计

2.2.2 邻域分析与空间统计

1)卷积与核函数设计

2)纹理特征提取（GLCM）

3)空间滤波（高斯、中值等）

4)边缘检测与增强

5)地形分析与指数计算

2.2.3 编程范式应用

1)Filter过滤器设计与优化

2)Map函数高效应用策略

3)Reduce多维数据聚合

4)复合操作链构建技巧

5)常见性能瓶颈与解决方案

2.2.4 时间序列处理

1)时间序列数据结构设计

2)周期性模式识别与分析

3)趋势提取与变化检测

4)时序平滑与噪声去除

5)异常值检测与处理

2.2.5 栅格与矢量数据交互

1)栅格转矢量技术（vectorization）

2)矢量转栅格方法（rasterization）

3)混合数据集成分析策略

4)栅格统计与矢量属性关联

5)精度控制与空间优化

2.3. 数据交互与资产管理

2.3.1 本地与云端数据交互

1)本地文件读写技术

2)CSV、GeoJSON等格式转换

3)矢量数据交互方法

4)栅格数据云端传输技术

5)大文件分块处理策略

2.3.2 区域统计与分区统计

1)zonal statistics实现原理

2)多边形内统计计算优化

3)分区统计结果输出格式

4)统计精度控制技术

5)分层统计与标准化方法

2.3.3 本地端数据上传

1)小型文件上传技术

2)大型文件分块上传策略

3)上传任务监控与恢复

4)元数据与属性设置

5)批量上传自动化工具

2.3.4 个人资产管理

1)资产权限与访问控制

2)目录结构设计与管理

3)资产元数据维护策略

4)版本控制与备份方案

5)资源优化与配额管理模

块三：、精选应用案例实践

3.1 机器学习分类算法案例 

1)多源影像预处理与特征构建 

2)空间分层随机抽样技术 

3)样本随机切分与特征筛选

4)机器学习算法选择与应用 

5)分类后处理与精度评估

实践案例：本案例联合Landsat等长时间序列影像和机器学习算法展示国家尺度的基本遥感分类过程。学员将学习如何进行研究区影像统计分析，应用空间分层随机抽样获取训练样本，实现样本随机切分以确保模型泛化能力。案例将详细讲解时间序列影像的预处理和合成方法，机器学习算法的参数优化与应用技巧，以及分类后处理技术。案例同时对比传统特征工程方法与直接使用Satellite Embedding数据集的效果，展示后者在分类应用方面的巨大潜力。学员还将掌握基于混淆矩阵的精度评估方法，学习如何计算总体精度、用户精度、生产者精度等指标，以及如何解释评估结果并改进分类模型。

3.2.作物分类与面积估算

1)时间序列特征提取与调和回归分析

2)多波段植被指数构建与应用

3)随机森林分类器训练与优化

4)类别精度评估与误差分析

5)分类结果空间统计与可视化

实践案例：本案例将详细讲解如何利用Landsat时间序列影像通过调和回归方法提取农作物特征并进行分类。学员将学习如何处理Landsat影像，进行云掩膜处理和植被指数计算，应用二阶调和回归提取NIR、SWIR1、SWIR2和GCVI等波段的时间序列特征系数。案例将重点展示如何构建和训练随机森林分类器，如何采集训练样本并合理分割训练集和测试集，如何评估分类精度并分析错误来源。此外，还将展示如何结合Satellite Embeding年度数据在云覆盖严重地区仍能保持稳定的作物分类性能。学员还将掌握基于分类结果进行面积统计和估算的方法，学习玉米和大豆的生长特征差异，以及如何通过调整分类参数提高分类准确率。

3.3.决策树森林分类算法案例

1)L波段雷达与光学影像融合技术

2)决策树分类算法构建方法 

3)分类阈值动态优化策略 

4)多年森林分布变化监测 

5)分类结果空间对比分析

实践案例：本案例联合L波段雷达和Landsat光学时间序列影像，使用决策树分类算法提取指定地区多年度森林分布图。学员将学习如何处理PALSAR/PALSAR-2雷达数据和Landsat影像，理解不同传感器对森林要素的响应特征，以及如何基于这些特征构建有效的决策树算法。案例重点介绍分类阈值的动态优化方法，使分类结果能够适应不同年份和不同地区的条件变化。学员还将掌握多年森林分布图的时空分析方法，学习如何与已有产品进行空间比较和精度评估，以及如何解释森林变化的驱动因素。

4.4.森林退化与砍伐监测案例 

1)森林覆盖变化检测技术 

2)选择性砍伐识别方法 

3)NDFI指数应用与改进 

4)连续监测系统设计 

5)预警机制构建

实践案例：本案例整合光学卫星影像和L波段雷达数据，应用归一化差分分数指数(NDFI)和光谱混合分析(SMA)技术，实现热带雨林区域森林退化与砍伐活动的实时监测。学员将学习如何利用时间序列分析区分选择性砍伐和完全砍伐，掌握端元丰度变化和连续退化检测(CODED)算法的应用方法。案例将详细讲解森林干扰检测参数优化、变化阈值设定以及结果验证技术。案例还引入Satellite Embedding向量的年际点积计算，通过设置不同相似度阈值实现分级监测。学员还将学习如何建立基于云计算的森林监测预警系统，设计有效的结果展示方式，以及如何将监测结果应用于森林管理和保护决策支持。

3.5.物候特征分析案例

1)长时间序列植被指数处理

2)时间序列平滑与间隙填充

3)植被物候关键期提取方法

4)多年物候变化趋势分析

5)大尺度物候空间变化特征

实践案例：本案例基于Landsat和MODIS等时间序列影像，通过植被指数变化分析研究植被物候特征。学员将学习如何处理和合成多年的植被指数数据，掌握时间序列平滑(Smoothing)与间隙填充(Gap-filling)技术，以消除云、大气等因素的干扰。案例将重点介绍如何从时间序列曲线中提取返青期、生长期、成熟期等关键物候参数，分析样点尺度的物候年际变异特征。学员还将掌握大尺度物候空间变化分析方法，学习如何制作物候空间分布图和变化趋势图，以及如何解释物候变化与气候变化的关系。

3.6.生态环境质量动态监测案例 

1)RSEI遥感生态指数构建 

2)多指标归一化处理方法

3)主成分分析应用技术

4)生态环境质量等级划分

5)时空变化特征分析方法

实践案例：该案例使用RSEI遥感生态指数和Landsat系列影像，对选定区域的生态状况进行快速监测。学员将学习RSEI指数的原理和构建方法，掌握植被指数计算、地表温度提取、湿度指数和干度指数计算等技术。案例重点介绍数据归一化处理方法，以及如何应用主成分分析(PCA)整合绿度、湿度、热度和干度四项指标，构建综合的RSEI生态指数。学员还将掌握生态环境质量等级划分方法，学习如何制作生态环境质量分布图和变化图，分析生态环境质量的时空变化特征及其与人类活动的关系，为区域可持续发展提供科学依据。

7.洪涝灾害监测案例 

1)SAR影像预处理与校正方法

2)水体识别算法比较与优化 

3)多时相影像差异分析技术

块四：科研级数据可视化