Python+高光谱数据预处理-机器学习-深度学习-图像分类-参数回归-CSDN博客

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个实践案例将能够提升高光谱技术的应用水平。

第一章 高光谱数据处理基础

第一课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

第二课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

第三课高光谱数据预处理

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

第四课高光谱分析

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

第一课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

第二课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

第三课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

第一课机器学习概述与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

第二课深度学习概述与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

第三课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

第一课矿物填图案例

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

第二课农业应用案例

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

第三课土壤质量评估案例

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

第四课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
课程回顾与总结 交流答疑

最新技术介绍和讨论

 原文阅读“Python+”高光谱遥感数据处理与机器学习深度应用丨高光谱数据预处理-机器学习-深度学习-图像分类-参数回归