模块一：GeoAI数据工程与基础特征构建

一：GeoAI导论与空间数据工程 (Module 1) 

1.理论导论：AI遥感与新质生产力

1）定义“新质生产力”在时空遥感大数据领域的体现：新数据、新技术、新决策

2）主流GeoAI应用范式解析（分类、回归、目标检测）

3）空间数据独特性，GeoAI应用范式解析（精准农业、城市规划、灾害应急）

2.公开遥感数据源体系

1）Landsat/Sentinel/高分/高光谱系列数据特性与适用场景

3.【实操】基于Python的自动化数据获取工作流

1）Google Earth Engine (GEE) 平台简介与环境配置

2）掌握geemap与earthengine-api核心库的使用

3）编写函数：实现按研究区范围（ROI）与时间序列的影像检索

4）实现云端计算与本地化数据导出

4.【实操】遥感影像标准化预处理

1）使用GDAL/Rasterio库进行影像读取与写入

2）影像镶嵌与裁剪

3）大气校正的基本原理与实践（以Sentinel-2 L2A产品为例）

二：高价值特征提取与建模样本构建 (Module 2)

1.地面实测数据处理与可视化

1）使用Pandas进行数据读取与清洗

2）使用Matplotlib/Seaborn进行数据分布可视化与正态性检验

2.【实操】空间数据融合：矢量与栅格的精准对齐

1）使用GeoPandas处理矢量数据

2）核心方法：基于地理坐标的像元值提取，构建用于机器学习的“X-y”对齐样本库

3.【实操】特征工程基础

1）常用遥感指数批量计算（NDVI, NDWI等）

2）递归特征消除（Recursive Feature Elimination,RFE）算法原理与scikit-learn实现

模块二：高级特征工程与多模型评估

三：高级特征工程—— 从信号处理与流形学习中挖掘深层特征 (Module 3)

1.高级特征工程导论

1）传统特征工程的局限性（依赖专家知识、难以捕捉深层模式）

2）本专题两大核心思想

信号处理思想：将光谱/时间序列视为信号，分解其不同频率成分。

流形学习思想：假设高维数据实际嵌在一个低维“曲面”上，我们的目标是 “展开”这个曲面。

2.【实操】基于波变换 (Wavelet Transform) 特征提取

1）对于光谱，就是分离出宽缓的背景和尖锐的吸收峰。

2）引入PyWavelets(pywt)核心库。

3）代码演示

a) 使用Numpy生成一条包含多频率成分的模拟光谱信号。

b) 调用pywt进行多级小波分解，得到近似系数（低频）和细节系数（高频）。

c) 核心：讲解如何将这些系数转化为新的机器学习特征（例如，使用各级系数的能量、熵或统计值）。

3.3 【实操】基于流形学习的非线性降维与可视化

1）直观理解：对比PCA（线性降维，像 “拍照片”）与 t-SNE/UMAP（非线性降维，像“铺开一张揉皱的地图”）。

2）引入scikit-learn.manifold.TSNE与umap-learn核心库。

3）代码演示

a) 加载scikit-learn的digits手写数字数据集。

b) 首先使用PCA进行降维可视化，观察效果。

c) 接着使用t-SNE和UMAP进行降维可视化。

d) 强烈对比三种方法的可视化结果，学员会直观地看到t-SNE/UMAP如何更清晰地分离出不同类别的数据簇。

e) 核心：讲解降维后的2个或3个维度可以直接作为 “结构性特征” 送入后续模型。

四：多模型性能评估与模型精调 (Module 4)

1.机器学习核心理论

1）回归问题常用评估指标（R², RMSE, MAE）

2）集成学习（Ensemble Learning）的两大流派：Bagging vs. Boosting

2.【实操】多模型自动化评估流水线

1）构建一个模型评估函数，实现输入任意模型和数据，输出性能指标

2）将多元线性回归、随机森林、XGBoost等模型放入列表

3）循环调用评估函数，一键生成所有模型的性能对比表格，并选择最优模型

3.【实操】最优模型的精细化调优

1）K-折交叉验证（K-Fold Cross-Validation）的原理与实现

2）超参数自动寻优

模块三：模型可解释性与深度拓展

五：模型可解释性(XAI)分析体系与深度实践 (Module 5)

1.可解释性AI(XAI)的知识体系

1）两大类别：内置可解释性模型（白箱） vs. 事后可解释性技术（黑箱）

2）两个维度：全局解释（Global） vs. 局部解释（Local）

3）主流技术地图：特征重要性、部分依赖图（PDP）、LIME、SHAP

2.【实操】全局解释技术：部分依赖图 (Partial Dependence Plot, PDP)

1）PDP原理：分析单个特征如何影响模型预测的平均值

2）使用scikit-learn内置函数快速绘制PDP图，分析关键特征的边际效应

3.【实操】SHAP深度实践：复现顶刊级模型洞察

1）全局解释：shap.summary_plot，揭示特征重要性与影响方向

2）局部解释：shap.force_plot，解剖单一样本的预测归因

3）交互效应：shap.dependence_plot，探索特征间的复杂关系

六：空间预测与专业级成果制图 (Module 6)

1.教学目标与预期管理

2.【实操】像素级空间预测工作流

1）加载已训练好的机器学习模型

2）大尺度影像的分块处理（Block Processing），避免内存溢出

3）将模型predict方法应用于全区像元，生成预测结果矩阵

4）将预测结果矩阵写回为新的地理栅格文件（GeoTIFF）

3.【实操】专业级专题地图制作

1）使用Matplotlib与Rasterio.plot进行栅格数据可视化

2）地图要素定制：颜色映射表（Colormap）、图例（Colorbar）、比例尺、指北针

3）矢量边界与栅格底图的叠加显示与高清地图输出

模块四：空间应用与时空分析

七：工作流复盘与知识迁移 (Module 7)

1.GeoAI项目工作流复盘

1）总结从问题定义到成果输出的全套标准化流程

2）讨论各环节的常见问题与应对策略

2.技术成果的价值提炼与报告撰写

1）如何解读SHAP图谱，将其转化为有决策价值的业务语言

2） Deepseek案例分析：如何将本课程的可解释性分析结果写入科研论文或技术报告

3.【实操】知识迁移与框架复用：如何将本课程的工作流模板应用于其他领域？

1）案例1（城市生态）- 城市热岛效应监测：现场使用GEE代码快速拉取并可视化城市的陆地表面温度（LST）分布

2）案例2（精准农业）- 农作物长势监测：现场使用GEE代码交互式生成农田地块的NDVI生长曲线

3）案例3（水环境）- 湖泊水华评估：现场使用GEE代码快速计算湖泊的归一化差异叶绿素指数（NDCI），识别潜在水华区域

原文：量化遥感与GeoAI高级建模全流程实践技术应用