AI+Python驱动的高光谱遥感全链路解析与典型案例——涵盖城市遥感、农林遥感、水环境遥感、土壤遥感、地质找矿遥感

点击关注上方“技术科研吧”，选择加"星标"置顶
重磅干货，第一时间送达
直播课
最新AI+Python驱动的高光谱遥感全链路解析与典型案例实践高级技术应用
培训时间：5月22日-23日 29日-30日
每日授课：【17日、24日晚上19:30-22:00、
18日、25日全天上课,上午：9：30-12：00 下午14：30-18：00】
前沿
本课程是一门真正面向零基础学员的实战课程，无论是否有高光谱遥感背景、是否接触过Python编程、是否使用过ENVI软件，都可以从零开始，一步步掌握高光谱遥感数据处理与应用的完整技术链条。课程从高光谱遥感的基本概念讲起，用通俗易懂的语言解释“图谱合一”、“光谱分辨率”等核心术语，同时专门设置Python编程入门模块，手把手教你安装配置环境、理解变量与循环、编写第一行代码。课程兼顾ENVI图形化软件操作与Python编程两种方式，通过ENVI直观展示数据预处理、分类、混合像元分解等核心流程，再通过Python实现相同功能，在理解理论的同时，真正掌握代码编写的逻辑与技巧，做到“知其然，更知其所以然”。
课程系统覆盖了从数据获取到行业应用的全流程核心技术，包括卫星、航空、地面数据的获取与处理，辐射定标与大气校正的完整流程，基于Scikit-learn的机器学习分类与回归，以及基于PyTorch的深度学习模型构建与训练。课程还特别精选了城市遥感、农林遥感、水环境遥感、土壤遥感、地质找矿遥感五大典型案例，每个案例都配有完整的数据和代码，帮助学员将所学知识直接应用于实际场景。无论是城市不透水面提取、农作物病虫害监测、水质参数反演，还是土壤有机质填图、蚀变矿物识别，学员都能通过本课程掌握解决问题的完整思路和实操方法。
课程创新性地引入DeepSeek和GPT等大语言模型辅助学习与开发，帮助学员更高效地解决实际难题。当遇到Python代码报错时，学习如何向AI描述问题、快速获得解决方案；当需要生成特定功能的代码片段时，利用AI辅助编写并适配到自己的数据中；当难以理解专业概念时，通过对话式问答快速获得通俗解释。这一特色不仅让学习过程更加顺畅高效，更培养学员在未来的科研与工作中借助AI工具提升效率的能力。课程采用直播与录播相结合的形式，提供完整的配套资源与专属答疑服务，确保每一位学员都能在轻松的氛围中，从零基础成长为具备独立解决高光谱遥感实际问题能力的专业人才。
培训费用
非会员费用：3680元 Ai尚研修会员费用：会员政策参会【最高享受75折优惠】
【优惠活动】：1：学生凭学生证有效证件参会可享受85折优惠。2：分享朋友圈设置公开集赞20枚立减100元。
【会议赠送】：1个月ChatGPT会员【可同时使用Claude、Gemini、Grok等模型，无需科学上网】
发票及证明
课程安排
【注：本课程聚焦前沿AI应用场景，具体技术细节与实操案例将结合实时环境动态展开，故本简介仅作框架性概述。完整知识体系与工作流将在实战教学中全面呈现。】
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（IndianPines,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
第四部分：高光谱机器学习与深度学习实践
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