詳情點擊鏈接：Python高光譜遙感數據處理與高光譜遙感機器學習方法教程

第一：高光譜基礎

一：高光譜遙感基本

01)高光譜遙感

02)光的波長

03)光譜分辨率

04)高光譜遙感的歷史和發展

二：高光譜傳感器與數據獲取

01)高光譜遙感成像原理與傳感器

02)衛星高光譜數據獲取

03)機載（無人機）高光譜數據獲取

04)地面光譜數據獲取

05)構建光譜庫

三：高光譜數據預處理

01)圖像的物理意義

02)數字量化圖像（DN值）

03)輻射亮度數據

04)反射率

05)輻射定標

06)大氣校正

資源02D高光譜衛星數據輻射定標與大氣校正

四：高光譜分析

01)光譜特征分析

02)高光譜圖像分類

03)高光譜地物識別

04)高光譜混合像元分解

（1）使用DISPEC 對光譜庫數據進行光譜吸收特征分析

（2）使用ENVI的沙漏程序對資源02D高光譜衛星數據進行混合像元分解

五：高光譜應用

01)植被調查

02)水質監測

03)巖石、礦物

04)土壤

第二：高光譜開發基礎（Python）

一：Python編程

01)Python

02)變量和數據類型

03)控制結構

04)功能和模塊

05)文件、包、環境

（1）python基礎語法

（2）文件讀寫

（3）包的創建導入

二：Python空間數據處理

01)空間數據Python處理

02)矢量數據處理

03)柵格數據處理

（1）python矢量數據處理

（2）python柵格處理

三：python 高光譜數據處理

01)數據讀取

02)數據預處理

03)光譜特征提取

04)混合像元分解

（1）高光譜數據讀取

（2）高光譜數據預處理

（3）光譜特征提取

（4）混合像元分解

第三：高光譜機器學習技術（python）

一：機器學習與python

01)機器學習與sciki learn?

02)數據和算法選擇

03)通用學習流程

04)數據準備

05)模型性能評估

06)機器學習模型

機器學習sciki learn

二：深度學習與python

01)深度學習

02)深度學習框架

03)pytorch開發基礎-張量

04)pytorch開發基礎-神經網絡

05)卷積神經網絡

06)手寫數據識別

07)圖像識別

（1）深度學習pytorch基礎

（2）手寫數字識別與圖像分類

三：高光譜深度學習機器學習

01)高光譜圖像分類機器學習

02)卷積神經網絡（CNN）在高光譜數據分析中的應用

03)循環神經網絡（RNN）在高光譜數據分析中的應用

（1）高光譜深度學習

（2）使用自己數據測試02)深度學習框架

第四：典型案例操作實踐

一：礦物填圖案例

01)巖礦光譜機理

02)基于光譜特征的分析方法

03)混合像元分解的分析方法

04)礦物識別機器學習分析方法

05)礦物分類圖深度學習方法

（1）礦物高光譜混合像元分解

（2）礦物識別和分類標簽數據制作

（3）礦物分類圖深度學習方法

二：農業應用案例

01)植被光譜機理

02)農作物病蟲害分類

03)農作物分類深度學習實踐

（1）農作物病蟲害數據分類

（2）農作物分類深度學習

三：土壤質量評估案例

01)土壤光譜機理

02)土壤質量調查

03)土壤含水量光譜評估方法

04)土壤有機質含量評估與制圖

（1）基于9種機器學習模型的土壤水分含量回歸

（2）土壤有機質含量回歸與制圖

四：木材含水率評估案例

01)高光譜無損檢測

02)木材無損檢測

03)高光譜木材含水量評估

木材含水量評估和制圖