【教程】python多光谱遥感数据处理、图像分类、定量评估及机器学习方法

详情点击链接:python多光谱遥感数据处理、图像分类、定量评估及机器学习方法

一,数据下载、处理

1、光谱遥感基础和主要数据源

多光谱遥感; 光谱、多光谱、RGB真彩色、彩色图像、反射率、DN值、辐射亮度等基本理论。多光谱遥感的主要卫星数据源及下载方法(哨兵、Landsat、Aster、Modis等)。典型地物光谱特征,矿物、土壤、植被光谱诊断特征及理论。 

2、多光谱数据预处理方法

多光谱遥感的数据处理方法,数据辐射校正、正射校正、地形校正、数据合成、数据镶嵌,基于SNAP软件的哨兵数据预处理方法;基于ENVI软件的多光谱数据预处理、波段组合、光谱指数计算、图像分类等方法。
二,多光谱遥感数据处理Python环境搭建和开发​​​​​​​

1、Python安装、常用功能

Python开发语言Pycharm、Anaconda软件下载、安装和常用功能;Python 基础语法和开发。Python多光谱图像处理虚拟环境的构建与第三方包安装。

2、Python 中的空间数据和处理

使用geopandas 读取矢量数据 shapefile文件 ,在Python中查看矢量数据元数据和坐标系统,在Python中访问和查看矢量数据属性,矢量数据处理。在Python中对栅格数据集进行重新分类。使用 shapefile 文件在Python中裁剪栅格数据集,使用rasterio处理栅格数据。

3、Python多光谱图像数据显示、读取和预处理方法

多光谱数据读取和显示;数据预处理(辐射校正、大气校正)模块介绍及解析。数据处理常见程序及解析。
三,Python机器学习、深度学习方法​​​​​​​

1、机器学习方法及Python实现

Python机器学习库scikit-learn;包括:安装scikit-learn、数据集生成、数据切分、数据标准化和归一化;从回归、分类、聚类、降维4个方面学习scikit-learn的使用,包括随机森林、决策树、支持向量机、朴素贝叶斯等机器学习方法。

2、深度学习方法及Python实现

 深度学习基本,Python机器学习库PyTorch,涉及处理数据、创建模型、优化模型参数和保存经过训练的模型,在 PyTorch 中实现的完整 ML 工作流程。
四,基于python的多光谱遥感数据清理与信息提取技术​​​​​​​

1.多光谱数据清理和光谱指数计算方法

描述云层覆盖对遥感数据分析的影响。使用掩膜去除被云/阴影覆盖的光谱数据集(图像)的部分。基于python计算NDVI:归一化差异植被指数,NDYI:归一化差异黄度指数,NBUI:新建筑指数。NBLI:归一化差异裸地指数,NDWI:归一化差异水指数等。
2.多光谱机器学习数据整理和分类方法

多光谱数据重组整理、机器学习模型构建、训练方法。使用深度学习框架实现遥感影像地物识别分类;采用随机森林等机器学习方法实现多光谱遥感图像分类;PyTorch训练U-Net模型实现多光谱卫星影像语义分割等。
3.多光谱数据协同方法

多时间序列的多光谱数据处理方法,地物分类和分析,卫星、无人机、地面多传感器协同方法。
五,典型案例​​​​​​​

1.矿物识别

基于Aster数据的矿物填图试验案例,讲解Aster数据预处理、波段比值分析,矿物光谱匹配方法。

2.土壤评价与多光谱

基于哨兵、Landsat数据对土壤质量参数进行评估,涉及多光谱与土壤调查方案设计、多光谱数据土壤质量参数建模,结果精度评价及可视化等。

3 植被农作物多光谱分析

基于Landsat-8数据植被光谱指数的计算和植被分类;基于时间序列的哨兵数据农作物分类案例;农作物产量评估和长势预测算法案例。
 

 

 

你可能感兴趣的:(生态遥感,人工智能,python,开发语言,机器学习,人工智能)