||
一:未来已来——工具与开发环境搭建
1.1 机器学习基础(1)监督学习
(2)非监督学习
(3)深度学习
1.2 GPT安装与用法
(1)ChatGPT
(2)ChatGPT 使用方法
1.3 Python安装与用法
(1)Python简介
(2)Python的特点
(3)Python的应用场景
(4)安装 Python
(5)Jupyter Notebook
(6)Anaconda
(7)创建第一个程序
二:千里眼——遥感数据应用全流程
2.1 遥感数据获取
(1)遥感定义与原理
(2)常见遥感数据源
(3)遥感数据获取方法
2.2 遥感数据处理
(1)图像去噪
(2)几何校正
(3)大气校正
2.3 遥感数据计算
(1)波段选择
(2)波段计算
2.4 案例:计算家乡的土壤成分含量
(1)计算过程
(2)程序实现
(3)计算结果
(4)结果制图
三:地面数据——图像分类
3.1 数据增广
(1)什么是数据增广
(2)数据增广的代码实现
3.2 地面化验数据综合处理
(1)地面数据的作用
(2)地面数据采样方案设计和化验方法
(3)数据读取与初步检查
(4)数据清洗与处理
(5)数据的可视化与分布分析
3.3 程序实现
(1)描述性统计分析
(2)数据分布
(3)相关性分析
(4)数据正态性检验
(5)元素之间的线性回归分析
(6)箱线图和异常值分析
(7)两元素的T检验
3.4 案例:自动对农作物进行分类
(1)导入必要的库并准备数据
(2)特征提取(图像降维)
(3)标签编码
(4)训练支持向量机模型
(5)对测试集图片进行分类预测
(6)评估模型性能
(7)使用网格搜索优化SVM参数
(8)使用网格搜索优化SVM参数
(9)使用PCA进行降维
四:无人机数据——目标检测
4.1 学习制作标签数据
(1)标签数据的重要性
(2)制作和标注机器学习的标签数据
(3)常见的标注格式
(4)LabelImg
(5)标注
(6)标注VOC格式
(7)标注YOLO格式
(9)标注并导出为COCO格式
4.2 无人机多光谱数据综合处理
(1)无人机机载飞行作业
(2)地面同步数据特点
(3)无人机数据处理
4.3 程序实现
(1)数据准备与预处理
(2)环境配置
(3)算法流程
(4)实现基于边缘和轮廓的检测
(5)解释代码
(6)检查结果
4.4 案例:自动检测森林火灾范围
(1)林火
(2)环境设置与依赖安装
(3)加载森林图像和对应的标注文件
(4)实现火点检测算法
(5)批量处理森林图像并标记火灾点
五:卫星数据——变化检测
5.1 学习遥感指数模型
(1)算法与模型库
(2)计算叶绿素含量
5.2 卫星数据综合处理
(1)计算二价铁含量
(2)计算全球环境监测指数
5.3 程序实现
(1)导入必要的库
(2)设置数据路径
(3)加载遥感图像
(4)水体识别算法
(5)变化检测算法
(6)保存变化结果
(7)导出变化统计表
(8)结果展示
5.4 案例:自动实现水体动态监测
(1)导入必要的库
(2)加载遥感图像并裁剪到一致大小
(3)计算水体指数 (NDWI)
(4)变化检测
(5)保存变化检测结果
(6)导出变化统计表
六:多源数据——联合分析
6.1 学习图像自动配准
(1)图像配准
(2)自动配准的步骤
6.2 空天地数据综合处理
(1)图像配准
(2)导入必要的库
(3)读取无人机和卫星图像
(4)生成地理控制点 (GCP)
(5)应用配准算法
(6)保存配准后的无人机图像
(7)保存配准的坐标对应数据
6.3 程序实现
(1)导入必要的库
(2)预处理
(3)特征检测和匹配
(4)图像配准
(5)保存
6.4 案例:城市建筑物检测与变化监测
(1)城市建筑物检测与变化监测的原理
(2)图像预处理
(3)建筑物检测
(4)变化检测
(5)输出与可视化
(6)实战
七:研究热点攻关
7.1 案例:农田作物分类与产量估算
7.2 案例:土地利用与土地覆盖分类
7.3 案例:植被健康监测与病害检测
7.4 案例:海岸侵蚀监测变化分析
7.5 案例:空气污染物浓度遥感监测
7.6 案例:沙漠化监测与土地退化分析
7.7 案例:城市违章建筑监控
7.8 案例:碳汇估算与生态服务分析
7.9 案例:地表温度与热岛效应分析
7.10案例:地质灾害预测与监测
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-11-1 10:19
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社