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，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。

专题一 高光谱数据处理基础

1.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

2.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

3.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

4.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

使用DISPEC 对光谱库数据进行光谱吸收特征分析

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

专题二 高光谱开发基础（Python）

1.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

python基础语法练习

文件读写练习

包的创建导入练习

numpy\pandas 练习

2.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

python矢量数据处理练习

python栅格处理练习

3.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

高光谱数据读取

高光谱数据预处理

光谱特征提取

混合像元分解

专题三 高光谱机器学习技术（python）

1.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

2.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

深度学习pytorch基础练习

手写数字识别与图像分类练习

3.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

高光谱数据分类练习

高光谱深度学习练习

使用自己数据测试

专题四 典型案例操作实践

1.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

矿物高光谱特征分析习

基于混合像元分解矿物填图

2.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

农作物病虫害机器学习分类

农作物分类深度学习练习

3.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

基于9种机器学习模型的土壤水分含量回归

土壤有机质含量回归与制图

4.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

---

★ 点 击 下 方 关 注，获取海量教程和资源！

↓↓↓