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。
本教程从基础理论、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,教程提供一套基于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。
学习本教程,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。
【特色】:
1、原理深入浅出的讲解,强调原理的重要性;
2、技巧方法讲解,提供教程配套的完整教材数据及提供长期回放;
3、与项目案例相结合,更好的对接实际工作应用;
4、跟学上机操作、独立完成案例操作练习、全程问题跟踪解析;
5、专属助学群辅助巩固学习及实际工作应用交流,不定期召开线上答疑。
更多
●基于Python多元线性回归、机器学习、深度学习在近红外光谱分析中的实践应用
●MATLAB近红外光谱分析技术及实践技术应用
●基于PyTorch深度学习无人机遥感影像目标检测、地物分类及语义分割实践技术应用
●陆面生态水文模拟与多源遥感数据同化应用
●遥感数据与DSSAT作物生长模型同化及在作物长势监测与估产中的应用
●无人机遥感在农林信息提取中的实现方法与GIS融合应用
●近地面无人机植被定量遥感与生理参数反演实践
●“卫星-无人机-地面”遥感数据快速使用及地物含量计算的实现方法实践
●长时间序列遥感数据处理及在全球变化、物候提取、植被变绿与固碳分析、生物量估算与趋势分析等领域中的应用
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。
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。