多光谱遥感突破了普通成像的波段局限可获取丰富的地物光谱信息。依托免费、长时序、大范围的卫星多光谱数据搭配灵活度高、分辨率优的无人机多光谱数据能够形成优势互补的观测体系。该技术结合智能算法后已广泛应用于地质勘查、农业监测、土壤调查等领域可实现矿物识别、作物估产、土壤参数反演等分析工作具备极高的实践应用价值。从基础理论、技术方法、应用实践三个维度系统讲解多光谱遥感技术内容涵盖主流遥感数据源介绍、ENVI软件数据处理、Python智能分析与时序数据处理等核心模块。结合多行业实战案例融合软件操作、编程分析与数据可视化技能帮助学习者掌握地物光谱与图像特征独立完成多光谱数据处理与分析切实提升运用遥感技术解决实际工程问题的综合能力。第一章、基础理论和数据下载、处理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。投影数据和山体阴影叠加图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。打开读取Landsat多光谱遥感数据第三章、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。Python机器学习库scikit-learn2、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。Aster多光谱数据矿物诊断特征对比基于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多光谱数据光谱范围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。对比机器学习方法土壤盐含量预测精度评估a MLRb PLSRc RRd ANN3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。不同数据源的植被指数计算结果