目录
Python高光谱遥感数据处理与机器学习实践技术
第一章 高光谱基础
第二章 高光谱开发基础（Python）
第三章 高光谱机器学习技术（python）
第四章 典型案例操作实践
Matlab 高光谱遥感数据处理与混合像元分解
第一章 理论基础
第二章 Matlab开发基础
第三章 Matlab高光谱数据处理技术
第四章 Matlab混合像元分解技术
第五章 典型案例操作实践
Python高光谱遥感数据处理与机器学习实践技术
总结了高光谱遥感技术领域的基础原理与核心概念，采用编程语言复现经典数据处理和应用方法，追踪了最新的技术突破，在消化理解、触类旁通之后，用即使是遥感“小白”也容易接受的方式分享给你。
您将通过高光谱遥感、电磁波谱、电磁波谱与物质的作用，光谱成像机理等基础理论，了解高光谱遥感的“底层逻辑”；从高光谱数据处理、光谱特征分析、图像分类、混合像元分解等技术中掌握高光谱遥感的“方法论”；在具体实践案例中，学会运用上述原理和技术方法，提升高光谱技术的应用能力水平。
第二季依然从基础、方法、实践三方面对高光谱遥感进行讲解。基础篇，站在学员的角度去理解“高光谱”，用大家能听的懂的语言去讲述高光谱的基本概念和理论，帮助学员深入理解这项技术的底层科学机理。方法篇，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课程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！
本教程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
第一章 高光谱基础
一 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
二 高光谱传感器与数据获取
高光谱传感器类型
如何获取高光谱数据
高光谱数据获取的挑战和限制
三 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
四 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
五 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）
第二章 高光谱开发基础（Python）
一 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
二 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
三 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
第三章 高光谱机器学习技术（python）
一 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
二 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
三 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
四 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
第四章 典型案例操作实践
一 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 ）
二 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）
三 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
四 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
Matlab 高光谱遥感数据处理与混合像元分解
教程从基础、方法、实践三方面对高光谱遥感进行讲解。基础篇，站在学员的角度去理解“高光谱”，用大家能听的懂的语言去讲述高光谱的基本概念和理论，帮助学员深入理解这项技术的底层科学机理。方法篇，将高光谱技术与MATLAB工具结合起来，采用MATLAB丰富的工具箱，快速复现高光谱数据处理和分析过程，对学习到的理论和方法进行高效反馈。同时，充分发挥MATLAB草稿纸式的编程语言的简洁和易操作性，对每一行代码进行解析。实践篇，通过高光谱矿物识别，植物含水量提取、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MATLAB矩阵计算、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，深入介绍高光谱技术的应用功能开发。
您将通过高光谱遥感、电磁波谱、电磁波谱与物质的作用，光谱成像机理等基础理论，了解高光谱遥感的“底层逻辑”；从高光谱数据处理、光谱特征分析、图像分类、混合像元分解等技术中掌握高光谱遥感的“方法论”；在具体实践案例中，学会运用上述原理和技术方法，提升高光谱技术的应用能力水平。
第一章 理论基础
1、高光谱遥感
高光谱遥感是什么？—高光谱遥感基本概念；
高光谱遥感的三个特点—光谱分辨率高、光谱通道连续、光谱成像；
高光谱遥感为什么有用？—高光谱遥感产生动机和过程，基于cite space的高光谱技术热点分析。
2、高光谱遥感成像与数据处理
数字魔方游戏—高光谱成像机理与成像光谱仪；
谈反射率数据实际上是谈什么？—高光谱遥感数据类型、参数、元数据数据预处理（辐射校正、大气校正）；
高光谱为什么要降维？—光谱特征提取，主成分分析（PCA）、最小噪声分离（MNF）。
3、高光谱遥感图像分类与混合像元分解
高光谱遥感图像分类与识别，监督分类与非监督分类。
无处不混合—混合光谱形成、物理机理；
线性与非线性模型—混合像元分解模型，线性光谱混合物理、数学模型，Hapke非线性模型。
第二章 Matlab开发基础
1、matlab软件介绍及安装、常用功能介绍
matlab版本介绍，安装；
Matlab软件界面，常用功能介绍；
过去踩过的那些坑—常见错误和使用注意，路径问题等
2、Matlab高光谱图像处理框架
Matlab高光谱图像处理框架组织与分析；
APP—高光谱查看器的使用介绍。主要界面，波段选择，波段组合图像显示和光谱可视化；
数据读写可视化、增强、校正、降维、光谱解混、光谱匹配等六组函数；
数据预处理（辐射校正、大气校正）Matlab模块介绍及解析。
3、Matlab精选案例及解析
高光谱遥感图像分类案例介绍及解析，SAM图像分类；
高光谱遥感图像解混案例介绍及解析，HFC、N-FINDR、spectralMatch、SID等程序。
第三章 Matlab高光谱数据处理技术
1、高光谱成像数据处理及matlab实现
GF-5、资源02D卫星高光谱图像数据读取可视化（APP、函数）
2D\3D高光谱数据矩阵变换（函数）
2、地面波谱测量数据处理及matlab实现
便携式地物光谱仪（asd），数据读取，可视化（函数）
反射率因子数据计算（函数）
光谱曲线显示可视化（函数）
3、高光谱数据回归定量分析及matlab实现
高光谱回归分析数据整理（函数）
回归学习器，随机森林、线性、支持向量机等（APP、函数）
回归分析结果、误差分析可视化。（APP、函数）
第四章 Matlab混合像元分解技术
1、高光谱端元数量评估及matlab实现
Harsanyi-Farrand-Chang（NWHFC）噪声白化方法、Hysime高光谱数据的程序实现。
Hysime端元数量评估方法代码解析。
2、端元光谱提取及matlab实现
采用PPI、VCA等方法对高光谱数据的端元光谱进行提取。
VCA端元光谱提取的代码解析。
3、端元含量评估及matlab实现
采用最小二乘、稀疏运算等方法对高光谱数据的端元含量进行评估。
最小二乘端元含量评估方法代码解析。
第五章 典型案例操作实践
1.矿物填图案例：以甘肃某地区为例，采用资源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、提取矿物端元光谱、利用光谱库进行识别、评估矿物含量、数据处理、矿物图可视化、结果输出等。
2.木材含水量算法案例：采用回归学习器对森林木材样品数据含水量进行定量分析，涉及高光谱数据读取、写入、高光谱回归分析数据整理，回归学习器，随机森林、线性、支持向量机等含水量评估、误差分析可视化。回归分析结果可视化、结果输出等。
3.土壤质量评估案例：基于航空高光谱、地面波谱测试数据对土壤质量参数进行评估，涉及航空、地面高光谱土壤调查方案设计、高光谱数据的预处理整体，土壤质量参数建模，结果可视化等。
Python高光谱遥感数据处理与机器学习实践技术_WangYan2022的博客-CSDN博客总结了高光谱遥感技术领域的基础原理与核心概念，采用编程语言复现经典数据处理和应用方法，追踪了最新的技术突破，在消化理解、触类旁通之后，用即使是遥感“小白”也容易接受的方式分享给你。https://blog.csdn.net/WangYan2022/article/details/130314143?spm=1001.2014.3001.5502Matlab 高光谱遥感数据处理与混合像元分解_matlab遥感数据处理-CSDN博客您将通过高光谱遥感、电磁波谱、电磁波谱与物质的作用，光谱成像机理等基础理论，了解高光谱遥感的“底层逻辑”；从高光谱数据处理、光谱特征分析、图像分类、混合像元分解等技术中掌握高光谱遥感的“方法论”；在具体实践案例中，学会运用上述原理和技术方法，提升高光谱技术的应用能力水平。
https://blog.csdn.net/WangYan2022/article/details/127636772?spm=1001.2014.3001.5502
