普通数码相机记录了红、绿、蓝三种波长的光，多光谱成像技术除了记录这三种波长光之外，还可以记录其他波长（例如：近红外、热红外等）光的信息。与昂贵、不易获取的高光谱、高空间分辨率卫星数据相比，中等分辨率的多光谱卫星数据可以免费下载获取，例如：landsat数据、哨兵-2号数据、Aster数据、Modis数据等，这些海量的长时间对地观测数据，蕴藏着丰富的信息。随着无人机行业的快速发展，无人机作为一种低成本的平台，具有时效高、灵活性强、空间分辨率优等特点，可以作为卫星多光谱数据的有效补充，也发挥了越来越重要的作用。

基于卫星或无人机平台的多光谱数据在地质、土壤调查和农业等应用领域发挥了重要作用，在地质应用方面，综合Aster的短波红外波段、landsat热红外波段等多光谱数据，可以通过不同的多光谱数据组合，协同用于矿物信息有效提取。此外，随着机器学习方法的深入应用，多光谱数据在矿物填图、矿山环境监测等方面都发挥了重要作用，并显示出巨大的应用潜力。在农业应用领域，无人机、卫星多光谱遥感技术已成为作物长势监测的重要技术手段。通过最佳植被指数和最优的数据采集时期，构建相关地区的水稻、小麦等作物估产模型，可以为不同尺度的作物估产和长势评估提供重要技术支持。针对土壤调查研究，以卫星、无人机多光谱为主要数据源，结合多种机器学习方法，可以进行土壤有机质、盐度等理化参数评估。

  基础理论、技术方法、应用实践三方面对多光谱遥感技术进行讲解。基础理论篇，介绍多光谱的基本概念和理论，介绍了Landsat数据、哨兵-2号数据、Aster数据、Modis数据等多光谱数据说明和下载方法。技术方法篇，介绍基于ENVI的上述多光谱数据处理方法，包括数据辐射定标、大气校正等预处理方法，波段组合、光谱指数计算、图像监督、非监督分类等方法。针对多光谱数据处理，除了ENVI自带和拓展的功能之外，课程提供一套基于Python开发方法，结合目前主流的机器学习和深度学习方法，介绍多光谱遥感数据的整理、图像分类、多时间序列处理、多传感器协同等方法，基于python实现多光谱数据处理和分析过程。实践篇，通过矿物识别，农作物长势评估、土壤质量评价等案例，提供可借鉴的多光谱应用领域的技术服务方案，结合ENVI软件、Python开发、科学数据可视化、数据处理与机器学习、图像处理等功能模块，，对学习到的理论和方法进行高效反馈。

  通过对光谱、图像等数据处理，掌握岩矿、土壤、植被等地物的光谱特征和图像特征，结合ENVI等专业软件、Python开发工具平台，开展多光谱数据预处理、图像分类、定量评估、机器学习等方法的实践和开发，提高运用多光谱遥感技术解决实际问题能力。基于python多光谱遥感数据处理、图像分类、定量评估及机器学习方法应用 (qq.com)

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。

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。

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。

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。

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。

第三章 Python 机器学习、 深度学习方法与实 现

1 、机器学习方法及 Python 实现

Python 机器学习库 scikit-learn ；包括：安装 scikit-learn 、数据集生成、数

据切分、数据标准化和归一化；

从回归、分类、聚类、降维 4 个方面学习 scikit-learn 的使用，包括随机

森林、决策树、支持向量机、朴素贝叶斯等机器学习方法。

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。

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。

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。

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 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。

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。

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。