本教程提供一套基于Python编程工具的高光谱数据处理方法和应用案例。
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，学员将能够提升高光谱技术的应用水平。
深入探讨了高光谱遥感数据处理技术，涵盖了基本概念、成像原理、数据处理和分析方法，以及运用机器学习和深度学习模型提取和应用高光谱信息的技术。此外，通过Python实践练习，帮助学员巩固所学知识，使其得以深入理解与实践。
本教程适合对高光谱技术感兴趣，并希望通过Python进行实践的任何人。
通过学习你将获得：1.全套的高光谱数据处理方法和应用案例（包含python源码） 2.高光谱与机器学习结合的系统化解决方案 3.最新的技术突破讲解和复现代码 4.科研项目实践和学习方法的专题分享 5.高光谱数据预处理-机器学习-深度学习-图像分类-参数回归等12个专题练习
高光谱遥感信息对于我们认识世界具有重要意义。尽管大部分物质在人眼中看似无异，然而高光谱遥感的观察下，它们呈现出独特的"光谱特征"。这种能够窥见事物的"本质"能力具备着革命性的潜能，对精准农业、地球观测、艺术分析和医学等领域带来巨大的影响。通过通俗易懂的课程，我们希望能够让您更加深入地了解和掌握高光谱的知识与技术。愿您在学习的道路上获得愉悦，并汲取丰盛的收获！
推荐：Matlab高光谱遥感、数据处理与混合像元分解实践技术应用
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
关注【科研充电吧】公众号，获取海量教程和资源
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
关注【科研充电吧】公众号，获取海量教程和资源
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
关注【科研充电吧】公众号，获取海量教程和资源
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
关注【科研充电吧】公众号，获取海量教程和资源
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
关注【科研充电吧】公众号，获取海量教程和资源
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
关注【科研充电吧】公众号，获取海量教程和资源
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
关注【科研充电吧】公众号，获取海量教程和资源
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
关注【科研充电吧】公众号，获取海量教程和资源
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
关注【科研充电吧】公众号，获取海量教程和资源
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
关注【科研充电吧】公众号，获取海量教程和资源
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
关注【科研充电吧】公众号，获取海量教程和资源
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
关注【科研充电吧】公众号，获取海量教程和资源
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
关注【科研充电吧】公众号，获取海量教程和资源
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
关注【科研充电吧】公众号，获取海量教程和资源
更多应用：包含InVEST模型、PLUS模型、DNDC模型、APSIM模型、DSSAT模型、MAXENT模型、CENTURY模型、CASA模型、BGC模型、CLM模式、CESM模式、CLUE模型、FLUS模型、PROSAIL模型、Meta分析、BIOMOD2模型、物种气候生态位、物候提取、Python地球科学、Noah-MP陆面过程模型、CLUE模型、Fragstats景观格局分析、GEE遥感云大数据、Matlab/Python高光谱遥感、DICE模型、LEAP模型、双碳、ArcGIS、ArcGIS Pro等...
