||
本内容提供一套基于Python编程工具的高光谱数据处理方法和应用案例。
涵盖高光谱遥感的基础、方法和实践。基础篇以学员为中心,用通俗易懂的语言解释高光谱的基本概念和理论,在深入理解科学原理。方法篇结合Python编程工具,专注于解决高频技术难题,通过复现高光谱数据处理和分析过程,并解析代码,提供高效反馈,掌握实践技巧。实践篇通过矿物识别、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。此外,还提供机器学习的系统教程,建立个性化的高光谱遥感机器学习知识体系和方法指南。
本内容将获得:
1.全套的高光谱数据处理方法和应用案例
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
【内容简介】:
第一章、高光谱基础
第一: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
第二: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
第三: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:资源02D高光谱卫星数据辐射定标与大气校正
第四: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。
第五:高光谱应用
1)植被调查
2)水质监测
3)岩石、矿物
4)土壤
第二章、高光谱开发基础(Python)
第一:Python编程介绍
01)Python简介
02)变量和数据类型
03)控制结构
04)功能和模块
05)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
第二: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
第三:python 高光谱数据处理
1)数据读取
2)数据预处理
3)光谱特征提取
4)混合像元分解
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: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:深度学习概述与python实践
1)深度学习概述
2)深度学习框架
3)pytorch开发基础-张量
4)pytorch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:高光谱深度学习机器学习实践
01)高光谱图像分类机器学习实践
02)卷积神经网络(CNN)在高光谱数据分析中的应用
03)循环神经网络(RNN)在高光谱数据分析中的应用
练习8
(1)高光谱深度学习练习
(2)使用自己数据测试02)深度学习框架
第四章、典型案例操作实践
第一: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
4)矿物识别机器学习分析方法
5)矿物分类图深度学习方法
练习9
(1)矿物高光谱混合像元分解练习
(2)矿物识别和分类标签数据制作
(3)矿物分类图深度学习方法
第二:农业应用案例
01)植被光谱机理
02)农作物病虫害分类
03)农作物分类深度学习实践
练习10
(1)农作物病虫害数据分类
(2)农作物分类深度学习练习
第三: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
第四: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
总结与答疑
回顾与总结
交流答疑
最新技术介绍和讨论
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-9-1 07:33
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社