基于衛星或無人機平臺的多光譜數據在地質、土壤調查和農業等應用領域發揮了重要作用，在地質應用方面，綜合Aster的短波紅外波段、landsat熱紅外波段等多光譜數據，可以通過不同的多光譜數據組合，協同用于礦物信息有效提取。
第一：基礎理論和數據下載、處理
1、多光譜遙感基礎理論和主要數據源
多光譜遙感基本概念；?光譜、多光譜、RGB真彩色、彩色圖像、反射率、DN值、輻射亮度等基本理論和概念。多光譜遙感的主要衛星數據源介紹及下載方法（哨兵、Landsat、Aster、Modis等）。典型地物光譜特征，礦物、土壤、植被光譜診斷特征及理論基礎。
2、多光譜數據預處理方法
多光譜遙感的數據處理方法，數據輻射校正、正射校正、地形校正、數據合成、數據鑲嵌，基于SNAP軟件的哨兵數據預處理方法；基于ENVI軟件的多光譜數據預處理、波段組合、光譜指數計算、圖像分類等方法。
SNAP軟件下載安裝使用 ? ? ? ? ? ? ?ENVI軟件處理Landsat數據
第二：多光譜遙感數據處理Python環境搭建和開發基礎
1、Python及安裝、常用功能
Python開發語言；Pycharm、Anaconda軟件下載、安裝和常用功能；Python?基礎語法和開發實踐。Python多光譜圖像處理虛擬環境的構建與第三方包安裝。
Python軟件下載安裝使用 ? ? ? ? ? ? ? ? ? ?conda 虛擬環境構建
2、Python?中的空間數據介紹和處理
使用geopandas?讀取矢量數據?shapefile文件 ，在Python中查看矢量數據元數據和坐標系統，在Python中訪問和查看矢量數據屬性，矢量數據處理。學習在Python中對柵格數據集進行重新分類。使用?shapefile?文件在Python中裁剪柵格數據集，使用rasterio處理柵格數據。
投影數據和山體陰影疊加圖
3、Python多光譜圖像數據顯示、讀取和預處理方法
多光譜數據讀取和顯示；數據預處理（輻射校正、大氣校正）模塊及解析。數據處理常見程序及解析。
打開讀取Landsat多光譜遙感數據
第三：Python機器學習、深度學習方法與實現
Python機器學習庫scikit-learn
2、深度學習方法及Python實現
深度學習基本概念，Python機器學習庫PyTorch，涉及處理數據、創建模型、優化模型參數和保存經過訓練的模型，在?PyTorch?中實現的完整?ML?工作流程。
第四：基于python的多光譜遙感數據清理與信息提取技術
1、多光譜數據清理和光譜指數計算方法
描述云層覆蓋對遙感數據分析的影響。使用掩膜去除被云/陰影覆蓋的光譜數據集（圖像）的部分。基于python計算NDVI：歸一化差異植被指數，NDYI：歸一化差異黃度指數，NBUI：新建筑指數。NBLI：歸一化差異裸地指數，NDWI：歸一化差異水指數等。
2、多光譜機器學習數據整理和分類方法
多光譜數據重組整理、機器學習模型構建、訓練方法。使用深度學習框架實現遙感影像地物識別分類；采用隨機森林等機器學習方法實現多光譜遙感圖像分類；PyTorch訓練U-Net模型實現多光譜衛星影像語義分割等。
多光譜數據重組用于機器學習? ? ? ? ? ? ?多光譜數據分類神經網絡模型
3、多光譜數據協同方法
多時間序列的多光譜數據處理方法，地物分類和分析，衛星、無人機、地面多傳感器協同方法。
多光譜數據時間序列分析? ? ? ? ? ? ? ? ? ? 多傳感器協同
第五：典型案例
1、礦物識別典型案例
基于Aster數據的礦物填圖試驗案例，Aster數據預處理、波段比值分析，礦物光譜匹配方法。
Aster多光譜數據礦物診斷特征對比
基于Landsat數據的蝕變礦物識別案例，學習Landsat?數據處理方法，波段組合方法、波段比值方法，PCA變換、MNF變換等方法。
Landsat多光譜數據光譜范圍
Landsat和Aster、高光譜數據綜合使用礦物識別案例，采用Landsat數據、Aster數據、資源02E數據進行絹云母、綠泥石等蝕變礦物信息提取和定量評估。涉及研究區高光譜影像讀取、評估礦物種類數目、評估礦物含量、數據處理、礦物圖可視化等。
不同波段組合的巖石顏色特征
2、土壤評價與多光譜案例
基于哨兵、Landsat數據對土壤質量參數進行評估，涉及多光譜與土壤調查方案設計、多光譜數據土壤質量參數建模，結果精度評價及可視化等。
對比機器學習方法土壤鹽含量預測精度評估，a MLR，b PLSR，c RR，d ANN
3?植被農作物多光譜分析案例
基于Landsat-8數據植被光譜指數的計算和植被分類；基于時間序列的哨兵數據農作物分類案例；農作物產量評估和長勢預測算法案例。
不同數據源的植被指數計算結果
