将高光谱技术与Python编程工具结合起来，聚焦高频技术难点，明确开发要点，快速复现高光谱数据处理和分析过程，并对每一行代码进行解析，对学习到的理论和方法进行高效反馈。实践篇，通过高光谱矿物识别，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领域的技术服务方案，结合Python科学计算、可视化、数据处理与机器学习等开源开发库，深入介绍高光谱技术的应用功能开发。
高光谱遥感信息对于我们了解世界具有重要价值，大多数材料在人眼看来都是一样，而在高光谱遥感的观察下，显示出独特的“光谱特征”。这种看到“本色”的能力对于精准农业、地球观测、艺术分析和医学等一系列应用具有革命性的潜力，希望通过通俗易懂的内容让你了解掌握更多高光谱的知识和技术，祝你学习愉快并有所收获！
适合每一个对高光谱技术感兴趣，并想用python进行实践的人。
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
高光谱遥感简介
什么是高光谱遥感？
高光谱遥感为什么重要？
高光谱遥感与其他遥感技术的区别是什么？
高光谱遥感的历史和发展
高光谱传感器与数据获取
² 高光谱传感器类型
² 如何获取高光谱数据
高光谱数据获取的挑战和限制
高光谱数据预处理
高光谱图像物理意义
辐射定标
大气校正
光谱平滑和重采样
高光谱分析
光谱特征提取
降维技术（如PCA、MNF）
高光谱分类、回归、目标检测
混合像元分解方法
高光谱应用
环境监测（植被分类、水质评估）
农业（作物产量估计、病害检测）
矿产勘探（矿物识别、地质调查）
城市规划（如土地利用/覆盖分类、城市热岛分析）
Python编程介绍
Python简介
变量和数据类型
控制结构
功能和模块
文件处理
第三方包与虚拟环境
Python空间数据处理
空间数据和Python介绍
Python空间数据处理库介绍
Python读取和写入空间数据文件
Python进行地理空间分析
python 高光谱数据处理
高光谱数据读取python实现
高光谱数据预处理python实现
高光谱混合像元分解python实现
高光谱数据可视化python实现
机器学习概述与python实践
机器学习介绍
sciki learn 介绍
数据和算法选择
通用学习流程
机器学习模型
高光谱机器学习
机器学习技术在高光谱数据处理、分析中的应用介绍
高光谱数据机器学习实践
机器学习模型性能评估和验证技术
深度学习概述与python实践
深度学习介绍
PyTorch概述
PyTorch开发基础
PyTorch案例分析
高光谱深度学习
自编码器在高光谱数据分析中的应用
卷积神经网络（CNN）在高光谱数据分析中的应用
循环神经网络（RNN）在高光谱数据分析中的应用
高光谱深度学习案例分析
矿物填图案例
岩矿光谱机理
高光谱矿物填图方法介绍
高光谱数据矿物填图（ENVI）
高光谱数据矿物填图（Python）
高光谱数据矿物填图机器学习案例（ Python ）
农业应用案例
植被高光谱机理
高光谱数据作物分类（ENVI）
高光谱数据作物识别与分类（Python）
高光谱数据农业应用机器学习案例（Python）
土壤质量评估案例
土壤光谱机理与特征
土壤质量调查内容
地面光谱测量与采样
无人机高光谱测量与土壤调查
高光谱土壤机器学习程序解析
木材含水率评估案例
无损检测原理
木材无损检测
木材含水率检测练习
回顾与总结
交流答疑
最新技术介绍和讨论
