Python+”高光谱遥感数据处理与机器学习深度应用丨高光谱数据预处理-机器学习-深度学习-图像分类-参数回归

涵盖高光谱遥感数据处理的基础、python开发基础、机器学习和应用实践。重点解释高光谱数据处理所涉及的基本概念和理论,旨在帮助学员深入理解科学原理。结合Python编程工具,专注于解决高光谱数据读取、数据预处理、高光谱数据机器学习等技术难题,通过复现高光谱数据处理和分析过程,并解析代码,使学员掌握python高光谱数据处理技巧。通过矿物识别、农业应用、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技术方案,结合Python科学计算、可视化、数据处理和机器学习库,深入讲解应用开发。通过4个应用场景和12个实践案例,将能够提升高光谱技术的应用水平。

第一章 高光谱数据处理基础

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

原文阅读:“Python+”高光谱遥感数据处理与机器学习深度应用丨高光谱数据预处理-机器学习-深度学习-图像分类-参数回归

你可能感兴趣的:(遥感,机器学习,python,深度学习)