第一章：基础理论和数据下载、处理
1、多光谱遥感基础理论和主要数据源
多光谱遥感基本概念；介绍光谱、多光谱、RGB真彩色、彩色图像、反射率、DN值、辐射亮度等基本理论和概念。多光谱遥感的主要卫星数据源介绍及下载方法（哨兵、Landsat、Aster、Modis等）。典型地物光谱特征，矿物、土壤、植被光谱诊断特征及理论基础。
电磁波谱 Landsat、哨兵-2 数据下载网站
2、多光谱数据预处理方法
多光谱遥感的数据处理方法，数据辐射校正、正射校正、地形校正、数据合成、数据镶嵌，基于SNAP软件的哨兵数据预处理方法；基于ENVI软件的多光谱数据预处理、波段组合、光谱指数计算、图像分类等方法。
SNAP软件下载安装使用 ENVI软件处理Landsat数据
第二章：多光谱遥感数据处理Python环境搭建和开发基础
1、Python介绍及安装、常用功能
Python开发语言介绍；Pycharm、Anaconda软件下载、安装和常用功能介绍；Python 基础语法和开发实践。Python多光谱图像处理虚拟环境的构建与第三方包安装。
Python软件下载安装使用 conda 虚拟环境构建
2、Python 中的空间数据介绍和处理
使用geopandas 读取矢量数据 shapefile文件 ，在Python中查看矢量数据元数据和坐标系统，在Python中访问和查看矢量数据属性，矢量数据处理。学习在Python中对栅格数据集进行重新分类。使用 shapefile 文件在Python中裁剪栅格数据集，使用rasterio处理栅格数据。
投影数据和山体阴影叠加图
3、Python多光谱图像数据显示、读取和预处理方法
多光谱数据读取和显示；数据预处理（辐射校正、大气校正）模块介绍及解析。数据处理常见程序及解析。
打开读取Landsat多光谱遥感数据
第三章：Python机器学习、深度学习方法与实现
Python机器学习库scikit-learn
2、深度学习方法及Python实现
深度学习基本概念，介绍Python机器学习库PyTorch，涉及处理数据、创建模型、优化模型参数和保存经过训练的模型，介绍在 PyTorch 中实现的完整 ML 工作流程。
第四章：基于python的多光谱遥感数据清理与信息提取技术1、多光谱数据清理和光谱指数计算方法
描述云层覆盖对遥感数据分析的影响。使用掩膜去除被云/阴影覆盖的光谱数据集（图像）的部分。基于python计算NDVI：归一化差异植被指数，NDYI：归一化差异黄度指数，NBUI：新建筑指数。NBLI：归一化差异裸地指数，NDWI：归一化差异水指数等。
2、多光谱机器学习数据整理和分类方法
多光谱数据重组整理、机器学习模型构建、训练方法。使用深度学习框架实现遥感影像地物识别分类；采用随机森林等机器学习方法实现多光谱遥感图像分类；PyTorch训练U-Net模型实现多光谱卫星影像语义分割等。
多光谱数据重组用于机器学习 多光谱数据分类神经网络模型3、多光谱数据协同方法
多时间序列的多光谱数据处理方法，地物分类和分析，卫星、无人机、地面多传感器协同方法介绍。
多光谱数据时间序列分析 多传感器协同
第五章：典型案例1、矿物识别典型案例
基于Aster数据的矿物填图试验案例，讲解Aster数据预处理、波段比值分析，矿物光谱匹配方法。
Aster多光谱数据矿物诊断特征对比
基于Landsat数据的蚀变矿物识别案例，学习Landsat数据处理方法，波段组合方法、波段比值方法，PCA变换、MNF变换等方法。
Landsat多光谱数据光谱范围
Landsat和Aster、高光谱数据综合使用矿物识别案例，采用Landsat数据、Aster数据、资源02E数据进行绢云母、绿泥石等蚀变矿物信息提取和定量评估。涉及研究区高光谱影像读取、评估矿物种类数目、评估矿物含量、数据处理、矿物图可视化等。
不同波段组合的岩石颜色特征2、土壤评价与多光谱案例
基于哨兵、Landsat数据对土壤质量参数进行评估，涉及多光谱与土壤调查方案设计、多光谱数据土壤质量参数建模，结果精度评价及可视化等。
对比机器学习方法土壤盐含量预测精度评估，a MLR，b PLSR，c RR，d ANN
3 植被农作物多光谱分析案例
基于Landsat-8数据植被光谱指数的计算和植被分类；基于时间序列的哨兵数据农作物分类案例；农作物产量评估和长势预测算法案例。
不同数据源的植被指数计算结果
10个月宝宝每天需要喝多少奶粉？
