培训方式

在线直播+助学群辅助+导师面对面实践工作交流（会务组开课前会通知观看方式）

培训目标

通过本课程的系统学习，学员将能够从零基础起步，全面掌握高光谱遥感数据处理与应用的完整技术链条，熟练运用Python+软件独立完成从数据获取、预处理、机器学习建模到行业案例实战的全流程操作，并具备利用DeepSeek等AI工具辅助科研与工程实践的能力。

导师随行

1.建立导师助学交流群，长期进行答疑及经验分享，辅助学习及应用；

2.课程结束后不定期召开线上答疑交流，辅助学习巩固工作实践问题处理交流；

教学特色

一、理论与案例深度融合，每讲必练

课程秉持“理论为基、案例为桥、练习为验”的教学理念，每一个技术知识点都配有精心设计的上课案例和课后练习。例如，在讲解辐射定标与大气校正时，会现场演示如何对资源02D卫星数据进行实际操作；在讲解支持向量机分类时，会带领学员完成Indian Pines数据集的完整分类流程；每节课后还设置了针对性的练习任务，确保学员能够独立复现课堂内容，真正将理论知识转化为实操能力。

二、完整系统的理论框架，覆盖全技术链条

课程构建了从高光谱遥感基础理论到行业应用的完整知识体系，涵盖数据获取、辐射定标、大气校正、几何校正、光谱特征分析、降维、分类、目标识别、混合像元分解、机器学习建模、深度学习建模等全部关键技术环节。每个模块都从基本原理出发，深入浅出地讲解核心概念和数学模型，确保学员不仅会操作，更理解背后的原理，为后续解决复杂问题奠定坚实的理论基础。

三、层次递进的案例体系，从基础到高阶

课程案例设计遵循“基础操作→核心算法→综合应用”的递进逻辑。基础层案例聚焦单一技术点，如使用GDAL读取高光谱数据、绘制地物光谱曲线；核心层案例整合多项技术，如基于SVM的高光谱图像分类全流程；综合层案例则结合行业场景，如城市不透水面提取、农作物病虫害监测、水质参数反演、土壤有机质填图、蚀变矿物识别五大典型案例，让学员在解决真实问题的过程中融会贯通。

四、双轨并行教学，ENVI图形化与Python编程兼顾

课程采用“ENVI直观演示+Python代码实现”的双轨教学模式。先通过ENVI软件图形化界面直观展示高光谱数据处理的完整流程，帮助零基础学员快速建立感性认识；再通过Python编程逐步复现相同功能，深入理解每一步操作的代码逻辑。这种双轨并行的方式既降低了入门门槛，又保证了技术深度，让学员既能快速上手，又能真正掌握编程实现能力。

五、AI辅助学习，培养智能化工作方式

课程创新性地引入DeepSeek和GPT等大语言模型辅助教学，将其融入理论学习和实践操作的各个环节。在理论学习中，引导学员利用AI快速理解专业概念、梳理知识框架；在代码编写时，学习如何向AI描述需求、获取代码片段并进行适配调试；在遇到问题时，掌握通过对话式问答快速定位解决方案的方法。这不仅提升了学习效率，更帮助学员建立起未来借助AI工具解决复杂问题的工作方式。

适合人群

1.遥感专业学生/研究人员：希望系统掌握高光谱遥感数据处理技术

2.GIS/测绘从业者：希望拓展高光谱数据处理能力

3.地学领域工作者：希望将高光谱技术应用于本行业

4.Python初学者：希望学习编程并应用于实际遥感数据处理

5.对AI/深度学习感兴趣者：希望学习如何将深度学习应用于高光谱数据分析

证书及学时

参加培训的学员可以获得《高光谱遥感数据处理》专业技术证书及学时证明，网上可查。此证书可作为学时证明、个人学习和知识更新、单位在职人员专业技能素质培养及单位人才聘用重要参考依据。证书查询网址：www.aishangyanxiu.com

注：办理证书需提供电子版2寸照片及姓名、身份证号信息，开课前发给会务组人员

发票开具

发票类别：培训费、会议费、资料费、技术咨询费等，配有盖章文件等，用于参会人员报销使用

培训费用

非会员费用：3680元

Ai尚研修会员费用：会员政策参会

第一部分、高光谱遥感基础与数据获取

第1课、高光谱遥感概论教学目标：建立对高光谱遥感的宏观认识，理解其核心概念与优势

1.高光谱遥感的定义与特点（“图谱合一”、高光谱分辨率）。

2.高光谱数据的主要获取平台：

卫星平台（如EO-1 Hyperion, GF-5, EnMAP, PRISMA等）

航空平台（机载/无人机，如AVIRIS, CASI/SASI等）

地面平台（如ASD地物光谱仪）

3.高光谱数据的核心概念：

DN值、辐射亮度、反射率

光谱分辨率、波段、波长

高光谱数据立方体的理解

4.高光谱遥感的发展历程与主要应用领域。

第2课、高光谱数据获取与预处理，教学目标：掌握高光谱数据的获取途径、常见格式及数据预处理流程

1.高光谱数据获取方式：

卫星高光谱数据下载与申请（以EnMAP、GF-5为例）

公开数据集介绍与下载

（Indian Pines,PaviaUniversity,

Houston等）

地面光谱测量流程与规范（以ASD为例）

2.高光谱数据预处理原理与流程：

辐射定标（DN值转辐射亮度）

大气校正（辐射亮度转反射率）：必要性（消除大气影响），方法概述：基于辐射传输模型的FLAASH、6S等

几何校正（空间定位）

第二部分、Python空间数据处理与高光谱数据读取

第3课、Python空间数据处理基础，教学目标：搭建Python空间数据处理环境，掌握矢量与栅格数据的基本操作

1.Python空间数据处理环境搭建（Conda, GDAL, Rasterio, Fiona, GeoPandas等）。

2.栅格数据读取与操作（Rasterio/GDAL）：

读取GeoTIFF等格式

获取元数据（波段数、投影、坐标转换等）

读写、合并、裁剪栅格数据

3.矢量数据读取与操作（GeoPandas）：

读取Shapefile文件

创建与导出矢量数据

空间分析（缓冲区、叠加分析、邻近性分析）

第4课、Python高光谱数据读取与可视化，教学目标：熟练使用Python读取多种格式的高光谱数据，并进行初步探索与可视化

1.多源高光谱数据读取：

使用GDAL读取GeoTIFF格式高光谱数据

使用Spectral库读取ENVI格式高光谱数据及光谱库数据（如USGS）

使用Scipy读取.mat格式高光谱公开数据集

2.数据探索与可视化：

查看数据形状、波段信息

使用Matplotlib/Seaborn进行单波段/多波段（RGB合成）显示

绘制典型地物（或感兴趣区域）的光谱曲线

使用view_cube进行高光谱数据立方体的交互式探索

第三部分、高光谱遥感核心分析方法

第5课、高光谱数据降维与特征提取，教学目标：理解高光谱数据“维数灾难”问题，掌握主流降维和特征提取方法

1.光谱特征分析：

包络线去除法（Continuum Removal）与光谱特征参数化（吸收位置、深度、宽度、对称性）

2.光谱特征选择：波段选择（如基于信息熵、相关性）

3.光谱特征提取：

主成分分析（PCA）原理与应用

最小噪声分离（MNF）原理与应用

第6课、高光谱图像分类，教学目标：掌握高光谱图像分类的基本流程和主流机器学习算法

1.分类基本概念：监督分类、无监督分类、分类精度评价（混淆矩阵、准确率、召回率、F1分数）

2.非监督分类算法：K-Means聚类算法

3.监督分类算法：

支持向量机（SVM）原理及参数调优（核函数、C值）

决策树与随机森林原理及实现

第7课、高光谱目标识别与混合像元分解，教学目标：理解高光谱在精细识别中的独特优势，掌握混合像元分解的流程与方法

1.目标识别：光谱角制图（SAM）原理与应用。

2.混合像元分解：

端元数目估计（HySime, HfcVd）

端元光谱提取：纯净像元指数（PPI）、顶点成分分析（N-FINDR）

丰度反演：无约束最小二乘（UCLS）、非负约束最小二乘（NNLS）

第四部分、高光谱机器学习与深度学习实践

第8课、Scikit-learn机器学习模型开发，教学目标：掌握使用Scikit-learn构建和评估机器学习模型的通用流程

1.机器学习通用流程：

数据准备（特征、标签、划分训练集/测试集）

模型选择与训练

模型评估与超参数调优（网格搜索GridSearchCV、交叉验证）

2.高光谱机器学习练习：

基于Indian Pines数据集的分类练习（SVM, RF）

模型性能对比与结果可视化

第9课、PyTorch深度学习模型开发，教学目标：了解深度学习框架，掌握使用PyTorch构建和训练神经网络的基本方法

1.深度学习概述：与传统机器学习的对比，发展里程碑。

2.PyTorch入门：

张量（Tensor）操作与自动求导（Autograd）

构建神经网络（nn.Module）、定义损失函数和优化器

训练流程（前向传播、反向传播、参数更新）

3.卷积神经网络（CNN）：

一维卷积（1D CNN）用于光谱特征提取

二维卷积（2D CNN）用于空间特征提取

三维卷积（3D CNN）用于空谱联合特征提取

4.深度学习练习：

基于MNIST/CIFAR-10的手写数字/图像识别。

第10课、高光谱深度学习实践，教学目标：掌握将深度学习模型应用于高光谱图像分类的完整流程

1.基于PyTorch的高光谱数据建模：

构建高光谱数据加载器（Dataset, DataLoader）

设计适用于高光谱的1D-CNN、2D-CNN、3D-CNN模型

处理样本不平衡问题（过采样SMOTE，类别权重）

2.模型训练与评估：

训练循环编写

模型保存与加载

生成分类图与结果分析

第五部分、行业典型案例实践应用

第11课、案例一：城市遥感，教学目标：应用高光谱技术解决城市环境监测与地物精细分类问题

1.城市地物光谱特征：人工材料（沥青、混凝土、金属屋顶）、植被、水体等典型地物光谱特征。

2.城市地物精细分类：利用SVM/随机森林等分类器对城市土地利用类型（如不同材质屋顶、道路、绿地）进行高精度分类。

3.不透水面提取与城市热岛效应分析：结合高光谱数据与热红外数据，评估不透水面分布与城市热岛的关系。

第12课、案例二：农林遥感，教学目标：利用高光谱技术进行农作物精细分类与林业资源监测

1.植被光谱机理：叶绿素、水分、纤维素等生化组分的吸收特征与光谱响应。

2.农作物精细分类：基于高光谱数据区分不同作物类型（如水稻、玉米、大豆）及不同品种，评估种植面积。

3.作物胁迫监测：利用光谱指数（如红边参数）识别作物病虫害、营养胁迫（如氮素亏缺），实现早期预警。

4.林业应用：森林树种识别、森林病虫害（如松材线虫）监测。

第13课、案例三：水环境遥感，教学目标：应用高光谱技术开展水质参数反演与水环境动态监测

1.水体光谱特征：不同水质（清水、富营养化、高悬浮物）的光谱响应机制。

2.水质参数定量反演：

建立叶绿素a浓度、悬浮物浓度、有色可溶性有机物（CDOM）的反演模型（如线性回归、机器学习回归）。

高光谱数据在蓝藻水华监测中的应用。

3.水域环境动态监测：结合多时相数据，分析水体富营养化程度的空间分布与时间变化。

第14课、案例四：土壤遥感，教学目标：应用高光谱技术实现土壤关键属性的定量反演与数字土壤制图

1.土壤光谱机理：有机质、铁氧化物、粘土矿物、水分的诊断性吸收特征。

2.土壤属性反演：

基于回归模型（SVR、RFR、PLSR）反演土壤有机质（SOM）、土壤含水量（SMC）、土壤盐分等关键参数。

光谱预处理与特征波段选择对模型精度的影响分析。

3.数字土壤制图：将反演模型应用于高光谱影像，生成土壤属性空间分布图。

第15课、案例五：地质找矿遥感，教学目标：综合应用高光谱分析技术解决矿物识别、蚀变信息提取与成矿预测问题

1.岩矿光谱机理：电子过程（晶体场、电荷转移）、振动过程（水、羟基、碳酸根）。

2.矿物识别与填图：

基于光谱特征分析（吸收位置、深度）识别蚀变矿物（如高岭石、伊利石、绿泥石、赤铁矿）。

利用混合像元分解（PPI, N-FINDR）提取矿物端元，进行矿物丰度填图。

3.成矿远景区预测：综合蚀变矿物组合与地质背景信息，圈定找矿靶区。