Python高光谱数据预处理-机器学习-深度学习-混合像元分解-农业-土壤-矿物等案例应用
本教程提供一套基于Python编程工具的高光谱数据处理方法和应用案例。
内容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，学员将能够提升高光谱技术的应用水平。
深入探讨了高光谱遥感数据处理技术，涵盖了基本概念、成像原理、数据处理和分析方法，以及运用机器学习和深度学习模型提取和应用高光谱信息的技术。此外，通过Python实践练习，帮助学员巩固所学知识，使其得以深入理解与实践。
本教程适合对高光谱技术感兴趣，并希望通过Python进行实践的任何人。
通过学习，你将获得：
1.全套的高光谱数据处理方法和应用案例（包含python源码）
2.高光谱与机器学习结合的系统化解决方案
3.最新的技术突破讲解和复现代码
4.科研项目实践和学习方法的专题分享
5.高光谱数据预处理-机器学习-深度学习-图像分类-参数回归等12个专题练习
高光谱遥感信息对于我们认识世界具有重要意义。尽管大部分物质在人眼中看似无异，然而高光谱遥感的观察下，它们呈现出独特的"光谱特征"。这种能够窥见事物的"本质"能力具备着革命性的潜能，对精准农业、地球观测、艺术分析和医学等领域带来巨大的影响。
第一章 高光谱数据处理基础
一、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
二、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
三、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
四、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）
一、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
二、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
三、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）
一、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
二、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
三、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
一、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
二、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
三、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
四、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
注：请提前自备电脑及安装所需软件
更多应用
①Matlab高光谱遥感、数据处理与混合像元分解实践技术应用
②高光谱遥感数值建模技术及在植被、水体、土壤信息提取领域应用