一：GeoAI大模型驱动的地球科学智能计算前沿实践技术应用

随着人工智能技术在地球科学领域的深度融合与快速发展，AI大模型正以前所未有的方式重塑地球科学智能的研究范式与应用边界。本课程系统性地整合了从基础数据处理到高阶智能建模的全链条技术体系，以Python编程为基石，以机器学习与深度学习为核心方法论，深入剖析随机森林（RF）、卷积神经网络（CNN）、长短期记忆网络（LSTM）及Transformer等前沿模型在地学场景中的创新应用。课程不仅涵盖地理空间数据清洗、时空统计分析、物理约束建模等关键技术环节，更通过AI大模型（如ChatGPT、DeepSeek、Kimi-K2）的垂直领域赋能，实现代码生成、知识抽取、多模态数据融合等智能化实践，突破传统地学研究的效率瓶颈与认知局限。课程前瞻性地探讨了物理机制与数据驱动的双轨建模（如耦合水文方程的Transformer蒸散发预测）、多模态数据对齐（跨模态清洗）、国产大模型工具链等前沿方向，并通过10+真实案例场景实践，提升学员地球科学智能计算能力，加速地球科学智能技术的产学研转化。

专题一、地理空间智能建模理论基础

1、课程目标与概述

1）地理空间建模的核心概念

2）地理空间建模的流程

3）地球数字孪生的理念

4）大模型应用：提示词的高效互动模式

2、人工智能理论基础

1）智能计算范式的转变

2）知识驱动与数据驱动范式的辩证关系

3）地理空间机器学习方法的谱系与应用

4）大模型应用：科学发现的新路径

专题二、Python地理空间计算编程

1、Python科学计算基础

1）高性能计算与地理空间的结合

2）地理空间智能化重构

3）地理大数据的科学表达形式：Python基础代码

4）大模型应用：GeoAI

2、地理空间计算革命性框架

1）新一代地理计算引擎

2）地理空间AI框架

3）其他AI集成库的简单介绍

4）大模型应用：大模型辅助代码编写

专题三、地理空间智能数据清洗

1、地理空间智能清洗工程

1）地理空间数据特有的维度特征：四维数组

2）地理空间数据的质量约束

3）地理数据清洗的流程与方法

4）大模型应用： 多模态地理大数据

2、AI助力数据分析

1）地理时空统计分析

2）案例：地学数据的前期准备

3）大模型应用：地理空间大模型清洗

专题四、随机森林的地球系统智能计算

1、随机森林在地学的应用与分析

1）随机森林原理：集成学习的地球系统表征

2）随机森林在地学的应用：地理时空插值

3）大模型应用：随机森林的代码编写

2、随机森林的拓展集成学习的地球系统表征

1）Boosting和Bagging树模型

2）数据蒸馏与减枝算法

3）传统机器学习的地理认知瓶颈（SVM和K-mean）

3、随机森林的案例分析

1）案例：土壤水分升尺度智能工程---从点到面的空间扩展

2）案例：陆地总水储量的降尺度—提升空间数据的空间分辨率

3）总结与讨论

专题五、CNN模型的地球系统智能计算

1、CNN在地学的应用与分析

1）CNN原理：卷积操作与特征提取

2）CNN在地学的应用：局部感受野

3）大模型应用：CNN的代码编写

2、CNN的拓展

1）局部感受野的优势与不足

2）多尺度特征提取机制

3）卷积的底层逻辑：与小波变化和傅里叶变换同源

3、CNN的案例分析

1）案例： 图像的变化——卷积操作的简单示例

2）案例： 基于U-Net的遥感影像地物/土地覆被分类

3）总结与讨论

专题六、LSTM模型的地球系统智能计算

1、LSTM在地学的应用与分析

1）LSTM记忆单元：细胞状态与控制门

2）地球系统时间演化：时间预测分析

3）大模型应用：LSTM的代码编写

2、LSTM的拓展

1）循环神经网络的优势与不足

2）LSTM的“偷懒”行为：自相关性

3）Conv-LSTM：LSTM和CNN的结合

3、LSTM的案例分析

1）案例：河流径流时间序列预测

2）案例：地下水位时间序列预测

3）总结与讨论

专题七、Transformer模型的地球系统智能计算

1、Transformer在地学的应用与分析

1）Transformer原理：自注意力机制

2）Transformer与地学的适配：全局空间预测（遥相关）

3）大模型应用：Transformer的代码编写

2、Transformer的拓展

1）Transformer的优势与不足

2）如何搭建大语言模型

3）Transformer与其他深度学习模型的结合

3、Transformer的案例分析

1）案例： 蒸散发预测——基于FLUXNET站点数据的预测

2）将地学知识融入到人工智能中：受物理约束的深度学习

3）总结与讨论

专题八、AI大模型在地学的应用与讨论

1、AI在地学的应用与分析总结

1）机器学习模型的优势与应用场景

2）AI大模型在地学应用的辅助过程

3）AI大模型的提问方式

2、未来人工智能在地学的应用

1）未来地学研究机器学习的发展可能：学科深度交叉

2）其他前沿的机器学习模型：强化学习、图神经网络等

3）一些前沿的机器学习模型：结合物理机制的混合模型等

4）总结讨论

---

二：智能遥感新质生产力暨DeepSeek、Python、OpenCV驱动的空天地数据识别与计算及15个行业标杆案例分析

【保姆级牵引，包教包会】《DeepSeek、Python和OpenCV支持下的空天地遥感数据识别与计算——从0基础到15个案例实战》将带您系统掌握空天地遥感数据分析的全流程，深度融入机器学习、计算机视觉和智能算法的前沿技术。涵盖从基础搭建到实战应用，通过遥感数据的获取、处理、分析到模型搭建的完整学习路径。课程特别设计了15个真实案例，免费提供18.1G的机器学习数据，涵盖土壤成分分析、农作物分类、森林火灾检测、水体动态监测等实际应用，并重点探索植被健康、空气污染、城市发展和地质灾害预测等关键领域。

暖场

神经元、芯片、CPU、GPU、欠拟合、过拟合、道、屎能吃、红楼梦、外星人、我们活在虚拟世界、我们居然是用屁股吃饭、癌症、AI与人类

第一部分、未来已来——工具与开发环境搭建【理论讲解】

1.1 机器学习基础

（1）监督学习

（2）非监督学习

（3）深度学习

1.2 DeepSeek应用方法

（1）DeepSeek 简介

（2）DeepSeek 使用方法

1.3 Python安装与用法

（1）Python简介

（2）Python的特点

（3）Python的应用场景

（4）安装 Python

（5）Jupyter Notebook

（6）Anaconda

（7）创建第一个程序

1.4 OpenCV安装与用法

（1）OpenCV简介

（2）OpenCV的特点

（3）OpenCV的应用场景

（4）图像的读取、显示与保存

（5）图像的基本属性

（6）图像颜色空间转换

（7）图像缩放与裁剪

（8）图像旋转与翻转

（9）图像的几何变换

第二部分、千里眼——遥感数据应用全流程【上机实操】

2.1 遥感数据获取

（1）遥感定义与原理

（2）常见遥感数据源

（3）遥感数据获取方法

特别内容：遥感技术与AI

2.2 遥感数据处理

（1）图像去噪

（2）几何校正

（3）大气校正

2.3 遥感数据计算

（1）波段选择

（2）波段计算

2.4 案例实战：计算家乡的土壤成分含量

（1）计算过程

（2）程序实现

（3）计算结果

（4）结果制图

第三部分、地面数据——图像分类【上机实操】

3.1 学习数据增广

（1）什么是数据增广

（2）数据增广的代码实现

3.2 地面化验数据综合处理

（1）地面数据的作用

（2）地面数据采样方案设计和化验方法

（3）数据读取与初步检查

（4）数据清洗与处理

（5）数据的可视化与分布分析

3.3 程序实现

（1）描述性统计分析

（2）数据分布

（3）相关性分析

（4）数据正态性检验

（5）元素之间的线性回归分析

（6）箱线图和异常值分析

（7）两元素的T检验

3.4 案例实战：自动对农作物进行分类

（1）导入必要的库并准备数据

（2）特征提取（图像降维）

（3）标签编码

（4）训练支持向量机模型

（5）对测试集图片进行分类预测

（6）评估模型性能

（7）使用网格搜索优化SVM参数

（8）使用网格搜索优化SVM参数

（9）使用PCA进行降维

第四部分、无人机数据——目标检测【上机实操】 

4.1 学习制作标签数据

（1）标签数据的重要性

（2）制作和标注机器学习的标签数据

（3）常见的标注格式

（4）LabelImg

（5）标注

（6）标注VOC格式

（7）标注YOLO格式

（9）标注并导出为COCO格式

4.2 无人机多光谱数据综合处理

（1）无人机机载飞行作业

（2）地面同步数据特点

（3）无人机数据处理

4.3 程序实现

（1）数据准备与预处理

（2）环境配置

（3）算法流程

（4）实现基于边缘和轮廓的检测

（5）解释代码

（6）检查结果

4.4 案例实战：自动检测森林火灾范围

（1）林火

（2）环境设置与依赖安装

（3）加载森林图像和对应的标注文件

（4）实现火点检测算法

（5）批量处理森林图像并标记火灾点

第五部分、卫星数据——变化检测【上机实操】

5.1 学习遥感指数模型

（1）算法与模型库

（2）计算叶绿素含量

5.2 卫星数据综合处理

（1）计算二价铁含量

（2）计算全球环境监测指数

5.3 程序实现

（1）导入必要的库

（2）设置数据路径

（3）加载遥感图像

（4）水体识别算法

（5）变化检测算法

（6）保存变化结果

（7）导出变化统计表

（8）结果展示

5.4 案例实战：自动实现水体动态监测

（1）导入必要的库

（2）加载遥感图像并裁剪到一致大小

（3）计算水体指数 (NDWI)

（4）变化检测

（5）保存变化检测结果

（6）导出变化统计表

第六部分、多源数据——联合分析【上机实操】

 6.1 学习图像自动配准

（1）图像配准

（2）自动配准的步骤

6.2 空天地数据综合处理

（1）图像配准

（2）导入必要的库

（3）读取无人机和卫星图像

（4）生成地理控制点 (GCP)

（5）应用配准算法

（6）保存配准后的无人机图像

（7）保存配准的坐标对应数据

6.3 程序实现

（1）导入必要的库

（2）预处理

（3）特征检测和匹配

（4）图像配准

（5）保存

6.4 案例实战：城市建筑物检测与变化监测

（1）城市建筑物检测与变化监测的原理

（2）图像预处理

（3）建筑物检测

（4）变化检测

（5）输出与可视化

（6）实战

第七部分、研究热点攻关【案例实战】

7.1 案例实战：农田作物分类与产量估算

7.2 案例实战：土地利用与土地覆盖分类

7.3 案例实战：植被健康监测与病害检测

特别课：把视频中的物体识别出来

7.4 案例实战：海岸侵蚀监测变化分析

7.5 案例实战：空气污染物浓度遥感监测

7.6 案例实战：沙漠化监测与土地退化分析

7.7 案例实战：城市违章建筑监控

7.8 案例实战：碳汇估算与生态服务分析

7.9 案例实战：地表温度与热岛效应分析

7.10案例实战：地质灾害预测与监测

附赠技能包 

（1）激光点云数据处理

（2）高光谱数据处理

（3）PyCharm程序移植

（4）神秘专题报告

开放式结局 

马车VS火车，我们怎么选

课程连续剧 

第1集《从石器到AI》

第2集《遥感，地球自拍》

第3集《不要随地大小便！》

第4集《遥感估产》

第5集《AI，人类偷下的上帝火种》

第6集《只用浏览器完成遥感数据全流程处理，你也可以！》

第7集《老天根本不在乎你美不美》

持续更新中。。。

---

三：最新AI赋能Python-GEE遥感云大数据分析、可视化与Satellite Embedding创新应用高级培训班

本如今，Earth Engine已广泛应用于各类科研和业务场景，基于Python的GEE编程方法也日益成熟。本次培训特别增加了Satellite Embedding数据集的原理与应用模块，帮助学员掌握这一划时代的AI技术在遥感分析中的实践应用。指在帮助科研工作者掌握Earth Engine的实际应用能力，以Python为基础，结合实例讲解平台搭建、影像数据分析、AI嵌入向量应用、经典应用案例、本地与云端数据管理，以及云端数据可视化等技能。为提高教学质量，将融入ChatGPT 5、Claude 4.1、Gemini 2.5、DeepSeek R1等先进AI大模型辅助教学，提供个性化建议和指导，深化课程内容掌握，并为未来自助学习提供高效的个性化体验。

部分案例展示：

模块一:、遥感云计算基础与开发环境

1.1.遥感云计算概述

1.1.1 Earth Engine平台与生态系统

1)GEE平台架构与技术特点

2)Google Earth AI平台介绍与AlphaEarth Foundations模型原理

3)与其他云计算平台（Microsoft Planetary Computer、PIE-Engine等）比较

4)典型应用场景与成功案例简介

5)GEE数据目录与存储架构

1.1.2 GEE数据资源

1)公共数据集分类与索引方法

2)主要卫星数据：Landsat系列、Sentinel系列、MODIS产品系列

3)气象与环境数据：CHIRPS、WorldClim、ERA5等

4)Satellite Embedding V1数据集：全球年度64维嵌入向量（2017-2024）

5)气象与环境数据：CHIRPS、WorldClim、ERA5等

6)专题数据集：土地覆盖、植被指数产品、DEM等

7)数据更新周期与时效性分析

1.1.3 Earth Engine重要概念

1)客户端与服务器端计算模型

2)延迟计算（Lazy computation）原理

3)代码编辑器与计算任务管理

4)影像属性与元数据解析

1.1.4 核心数据类型与对象

1)基本数据类型：ee.Number、ee.String、ee.Date等

2)容器类型：ee.List、ee.Dictionary、ee.Array等

3)地理数据类型：ee.Geometry、ee.Feature、ee.FeatureCollection

4)栅格数据类型：ee.Image、ee.ImageCollection

5)Reducer对象与原理

1.1.5 JavaScript与Python编程对比

1)语法差异与命名规则

2)功能等效性与性能考量

3)API调用格式比较

4)选择Python的优势场景与限制

1.1.6 Python基础速成

1)语法规则与编程风格

2)数据类型与程序控制结构

3)函数定义与类对象

4)编程实践与调试技巧

1.1.7 常用Python软件包

1)数据处理：pandas、numpy、xarray

2)文件操作：os、glob、gdal

3)统计分析：scipy、scikit-learn

4)常用功能示例与最佳实践

1.1.8 Satellite Embedding数据集详解

1)AlphaEarth Foundations模型架构：多源数据融合（光学、雷达、LiDAR、气候）

2)64维嵌入向量的数学原理与特性

3)单位长度向量与余弦相似度计算

4)时空一致性与跨年份可比性

5)数据压缩效率：16倍存储优化

6)ImageCollection访问方式

1.2.开发环境搭建

1.2.1 本地端开发环境

1)Anaconda安装与环境配置

2)虚拟环境创建与管理

3)Python包管理工具：pip与conda

4)earthengine-api安装与初始化

5)VSCode配置GEE开发环境

1.2.2 geemap安装与配置

1)geemap功能介绍与架构

2)安装与依赖管理

3)界面元素与交互控件

4)常见问题排查与解决方案

1.2.3 GEE云端授权与验证

1)注册Earth Engine账号

2)授权流程与令牌管理

3)私钥配置与多设备授权

4)权限管理与资源访问控制

1.2.4 Google Colab集成

1)Colab环境基础与优势

2)GEE API配置与授权

3)交互式环境配置技巧

4)数据存取与持久化方案

1.2.5 AI辅助开发

1)AI模型辅助编程原理

2)代码生成与补全技术

3)错误检测与调试辅助

4)最佳实践与应用场景

模块二、遥感云数据处理与分析

2.1. 影像基础处理

2.1.1 波段操作与影像运算

1)波段选择与重命名

2)波段添加与组合（addBands）

3)多波段运算：加、减、乘、除

4)自定义波段运算表达式

5)常用指数计算原理与实现

2.1.2 阈值提取与掩膜

1)阈值选择原理与方法

2)updateMask与mask函数区别

3)条件语句与表达式应用

4)多条件组合掩膜策略

5)掩膜应用案例分析

2.1.3 影像过滤与裁剪

1)时间过滤器设计与应用

2)空间过滤方法与技巧

3)属性过滤器组合策略

4)影像裁剪效率优化

5)Filter.and/or复合过滤构建

2.1.4 植被指数计算

1)NDVI、EVI等常用植被指数原理

2)指数计算函数封装与重用

3)多指数组合分析方法

4)时序植被指数提取与分析

5)指数数值范围校正与标准化

2.1.5 影像云检测与去除

1)Landsat系列QA波段解析

2)Sentinel-2云检测算法

3)多时相合成去云技术

4)云阴影识别与移除

5)去云效果评估方法

2.1.6 影像数据整合

1)Reducer家族功能介绍

2)空间整合：reduceRegion/reduceRegions

3)时间整合：reduceNeighborhood

4)集合整合：collection.reduce

5)自定义Reducer设计与应用

2.1.7 卫星嵌入向量处理技术

1)加载和筛选Satellite Embedding数据

2)64个波段的整体使用策略

3)嵌入向量的可视化方法（PCA降维到RGB）

4)点积相似度计算与应用

5)嵌入向量的时间序列分析

6)与传统光谱指数的对比优势

2. 2高级数据处理

2.2.1 像素级变换

1)主成分分析（PCA）原理与实现

2)谐波分析（Harmonic）技术应用

3)谱间变换与特征增强

4)非线性变换与指数增强

5)自定义变换函数设计

2.2.2 邻域分析与空间统计

1)卷积与核函数设计

2)纹理特征提取（GLCM）

3)空间滤波（高斯、中值等）

4)边缘检测与增强

5)地形分析与指数计算

2.2.3 编程范式应用

1)Filter过滤器设计与优化

2)Map函数高效应用策略

3)Reduce多维数据聚合

4)复合操作链构建技巧

5)常见性能瓶颈与解决方案

2.2.4 时间序列处理

1)时间序列数据结构设计

2)周期性模式识别与分析

3)趋势提取与变化检测

4)时序平滑与噪声去除

5)异常值检测与处理

2.2.5 栅格与矢量数据交互

1)栅格转矢量技术（vectorization）

2)矢量转栅格方法（rasterization）

3)混合数据集成分析策略

4)栅格统计与矢量属性关联

5)精度控制与空间优化

2.2.6 基于卫星嵌入数据的高级分析

1)无监督聚类：k-means在64维空间的应用

2)少样本学习：少量样本达到90%精度

3)相似性搜索：实现跨区域生态系统相似性快速匹配

4)变化向量分析：年际变化检测

5)嵌入空间的语义理解与解释

2.3. 数据交互与资产管理

2.3.1 本地与云端数据交互

1)本地文件读写技术

2)CSV、GeoJSON等格式转换

3)矢量数据交互方法

4)栅格数据云端传输技术

5)大文件分块处理策略

2.3.2 区域统计与分区统计

1)zonal statistics实现原理

2)多边形内统计计算优化

3)分区统计结果输出格式

4)统计精度控制技术

5)分层统计与标准化方法

2.3.3 本地端数据上传

1)小型文件上传技术

2)大型文件分块上传策略

3)上传任务监控与恢复

4)元数据与属性设置

5)批量上传自动化工具

2.3.4 个人资产管理

1)资产权限与访问控制

2)目录结构设计与管理

3)资产元数据维护策略

4)版本控制与备份方案

5)资源优化与配额管理模

模块三：精选应用案例实践

3.1 机器学习分类算法案例 

1)多源影像预处理与特征构建 

2)空间分层随机抽样技术 

3)样本随机切分与特征筛选

4)机器学习算法选择与应用 

5)分类后处理与精度评估

实践案例：本案例联合Landsat等长时间序列影像和机器学习算法展示国家尺度的基本遥感分类过程。学员将学习如何进行研究区影像统计分析，应用空间分层随机抽样获取训练样本，实现样本随机切分以确保模型泛化能力。案例将详细讲解时间序列影像的预处理和合成方法，机器学习算法的参数优化与应用技巧，以及分类后处理技术。案例同时对比传统特征工程方法与直接使用Satellite Embedding数据集的效果，展示后者在分类应用方面的巨大潜力。学员还将掌握基于混淆矩阵的精度评估方法，学习如何计算总体精度、用户精度、生产者精度等指标，以及如何解释评估结果并改进分类模型。

3.2.作物分类与面积估算

1)时间序列特征提取与调和回归分析

2)多波段植被指数构建与应用

3)随机森林分类器训练与优化

4)类别精度评估与误差分析

5)分类结果空间统计与可视化

实践案例：本案例将详细讲解如何利用Landsat时间序列影像通过调和回归方法提取农作物特征并进行分类。学员将学习如何处理Landsat影像，进行云掩膜处理和植被指数计算，应用二阶调和回归提取NIR、SWIR1、SWIR2和GCVI等波段的时间序列特征系数。案例将重点展示如何构建和训练随机森林分类器，如何采集训练样本并合理分割训练集和测试集，如何评估分类精度并分析错误来源。此外，还将展示如何结合Satellite Embeding年度数据在云覆盖严重地区仍能保持稳定的作物分类性能。学员还将掌握基于分类结果进行面积统计和估算的方法，学习玉米和大豆的生长特征差异，以及如何通过调整分类参数提高分类准确率。

3.3.决策树森林分类算法案例

1)L波段雷达与光学影像融合技术

2)决策树分类算法构建方法 

3)分类阈值动态优化策略 

4)多年森林分布变化监测 

5)分类结果空间对比分析

实践案例：本案例联合L波段雷达和Landsat光学时间序列影像，使用决策树分类算法提取指定地区多年度森林分布图。学员将学习如何处理PALSAR/PALSAR-2雷达数据和Landsat影像，理解不同传感器对森林要素的响应特征，以及如何基于这些特征构建有效的决策树算法。案例重点介绍分类阈值的动态优化方法，使分类结果能够适应不同年份和不同地区的条件变化。学员还将掌握多年森林分布图的时空分析方法，学习如何与已有产品进行空间比较和精度评估，以及如何解释森林变化的驱动因素。

4.4.森林退化与砍伐监测案例 

1)森林覆盖变化检测技术 

2)选择性砍伐识别方法 

3)NDFI指数应用与改进 

4)连续监测系统设计 

5)预警机制构建

实践案例：本案例整合光学卫星影像和L波段雷达数据，应用归一化差分分数指数(NDFI)和光谱混合分析(SMA)技术，实现热带雨林区域森林退化与砍伐活动的实时监测。学员将学习如何利用时间序列分析区分选择性砍伐和完全砍伐，掌握端元丰度变化和连续退化检测(CODED)算法的应用方法。案例将详细讲解森林干扰检测参数优化、变化阈值设定以及结果验证技术。案例还引入Satellite Embedding向量的年际点积计算，通过设置不同相似度阈值实现分级监测。学员还将学习如何建立基于云计算的森林监测预警系统，设计有效的结果展示方式，以及如何将监测结果应用于森林管理和保护决策支持。

3.5.物候特征分析案例

1)长时间序列植被指数处理

2)时间序列平滑与间隙填充

3)植被物候关键期提取方法

4)多年物候变化趋势分析

5)大尺度物候空间变化特征

实践案例：本案例基于Landsat和MODIS等时间序列影像，通过植被指数变化分析研究植被物候特征。学员将学习如何处理和合成多年的植被指数数据，掌握时间序列平滑(Smoothing)与间隙填充(Gap-filling)技术，以消除云、大气等因素的干扰。案例将重点介绍如何从时间序列曲线中提取返青期、生长期、成熟期等关键物候参数，分析样点尺度的物候年际变异特征。学员还将掌握大尺度物候空间变化分析方法，学习如何制作物候空间分布图和变化趋势图，以及如何解释物候变化与气候变化的关系。

3.6.生态环境质量动态监测案例 

1)RSEI遥感生态指数构建 

2)多指标归一化处理方法

3)主成分分析应用技术

4)生态环境质量等级划分

5)时空变化特征分析方法

实践案例：该案例使用RSEI遥感生态指数和Landsat系列影像，对选定区域的生态状况进行快速监测。学员将学习RSEI指数的原理和构建方法，掌握植被指数计算、地表温度提取、湿度指数和干度指数计算等技术。案例重点介绍数据归一化处理方法，以及如何应用主成分分析(PCA)整合绿度、湿度、热度和干度四项指标，构建综合的RSEI生态指数。学员还将掌握生态环境质量等级划分方法，学习如何制作生态环境质量分布图和变化图，分析生态环境质量的时空变化特征及其与人类活动的关系，为区域可持续发展提供科学依据。

7.洪涝灾害监测案例 

1)SAR影像预处理与校正方法

2)水体识别算法比较与优化 

3)多时相影像差异分析技术

4)非灾害区域掩膜模

5)灾情评估与可视化方法

实践案例：本案例基于Sentinel-1 C波段雷达影像，对特大暴雨灾害进行监测与评估。学员将学习Sentinel-1 SAR数据的获取与预处理流程，掌握多种水体识别算法的原理与实现，包括阈值法、比值法和时间差异法等。案例将重点讲解如何通过灾前灾后影像对比分析识别洪涝区域，如何利用JRC永久/季节性水体和高程数据排除非灾害区域。学员还将掌握灾情空间统计分析方法，学习如何生成受灾面积统计报告并进行空间可视化，为应急管理部门提供科学决策支持。

3.8 干旱遥感监测案例 

1)CHIRPS卫星降雨数据处理 

2)多时间尺度降雨指数计算 

3)长期平均值与偏差分析 

4)干旱等级划分与评估 

5)结果动态可视化技术

实践案例：本案例使用40年历史的CHIRPS卫星遥感降雨数据产品来监测区域尺度的干旱情况。学员将学习CHIRPS数据的特点和获取方法，掌握气象数据基本处理技术，以及年和月尺度数据整合方法。案例重点讲解长期平均值(LPA)计算和降雨偏差分析技术，教授如何基于降雨量与长期平均值的百分比偏差确定干旱强度等级。学员还将掌握干旱结果的动态可视化方法，学习如何生成干旱监测报告和专题图，为水资源管理和农业生产提供决策支持。

3.9 保护区人类活动监测 

1)人类活动压力指标设计 

2)多源时序数据整合分析 

3)植被变化趋势评估方法 

4)气候-人类活动交互作用分析 

5)缓冲区分级评价体系构建

实践案例：本案例通过遥感方法分析保护区周边区域近20年的植被变化趋势，评估人类活动对保护区的影响。学员将学习如何利用MODIS植被指数产品和Sen斜率线性趋势估计方法，分析保护区缓冲区植被"绿化"趋势的时空变化。案例重点介绍如何计算干季像元绿度的单调趋势指标，如何基于趋势指标推断农业实践变化的性质和强度，以及如何探索植被绿度变化与生态系统类型（由年平均降水量决定）之间的关系。学员还将掌握如何设计保护区人类活动压力指标体系，构建多源遥感数据的整合分析框架，以及如何评估不同降水区域保护区的人类活动强度变化。通过本案例，学员将了解如何利用长时间序列植被指数数据监测保护区周边土地利用变化，为野生动物保护和人兽冲突管理提供科学依据。

3.10 牧场土地覆盖变化监测

1)时间序列数据预处理与残差分析 

2)植被指数长序列变化趋势提取 

3)基于轨迹的土地覆盖分类方法 

4)变化点检测与空间模式分析 

5)监测结果精度评估与可视化

实践案例：本案例将详细讲解如何利用LandTrendr算法对干旱和半干旱牧场生态系统进行土地覆盖变化监测。学员将学习如何处理Landsat长时间序列影像，进行云掩膜处理、大气校正和植被指数计算。案例重点展示如何通过降水和植被指数的回归分析提取残差值，消除气候变化的短期影响。学员将掌握如何应用时间序列分割算法识别植被变化的关键转折点，并基于变化轨迹的相似性进行土地覆盖分类。案例还将介绍如何评估传统土地覆盖数据产品（如MODIS MCD12Q1、ESA WorldCover）在牧场生态系统中的适用性及局限性，以及如何通过聚类方法创建基于轨迹的新型分类系统。学员将学习如何解读不同类型轨迹所代表的生态学意义，以及如何通过空间统计分析评估变化的时空模式。

模块四：科研级数据可视化

4.1.Python科学可视化基础

4.1.1 主要可视化库介绍

1)Matplotlib核心功能与架构

2)Seaborn统计可视化特点

3)Plotly交互式可视化能力

4)库选择策略与整合方法

5)可视化工作流设计

4.1.2 基本图形概念与结构

1)图形对象层次结构

2)坐标系统与投影变换

3)元素组合与布局控制

4)Figure与Axes操作方法

5)图层管理与叠加技术

4.1.3 常用图表创建

1)散点图与线图

2)柱状图与饼图

3)热力图与等值线图

4)箱线图与小提琴图

5)多图组合与共享轴

4.1.4 配色与美学

1)科学配色原则与标准

2)色彩理论与视觉感知

3)自定义色板创建

4)ColorBrewer色板应用

5)视觉层次与突出重点

4.1.5 高级栅格可视化

1)多波段组合显示

2)栅格直方图匹配与拉伸

3)透明度与阴影效果

4)3D地形渲染技术

5)动态栅格可视化

4.2.专题图制作与时空可视化

4.2.1 研究区地形图绘制

1)底图选择与处理

2)高程数据渲染技术

3)等高线生成与标注

4)坡度坡向可视化

5)地图要素布局与组织

4.2.2 影像覆盖统计与可视化

1)空间覆盖密度图

2)时间序列覆盖统计

3)多维统计结果展示

4)交互式查询界面设计

5)数据质量空间分布表达

4.2.3 分类结果专题图

1)分类图例设计原则

2)空间分布特征突出

3)面积统计图表整合

4)比例符号与定量表达

5)多时期对比表达技术

4.2.4 时空动态可视化

1)时间序列动画制作

2)关键帧选取策略

3)变化突出与标注技术

4)GIF与视频输出

5)交互式时间轴设计

4.2.5 出版级图件优化

1)图表元素精细调整

2)文字标注规范与排版

3)图例设计与布局优化

4)出版物尺寸与分辨率

5)图形格式选择与导出

---

四：AI智慧高光谱遥感实战精修班暨手撕99个案例项目、全覆盖技术链与应用场景一站式提升方案

以DeepSeek平台为核心，深度融合Python生态中的科学计算库（如GDAL、scikit-learn、TensorFlow），不仅教授传统的高光谱辐射校正、几何精校正、大气校正等预处理技术，更重点突破深度学习在高光谱领域的应用瓶颈。例如，在特征工程部分，将亲手实现Savitzky-Golay滤波、包络线去除、空谱联合的3D CNN特征提取；在建模环节，课程涵盖从SVM参数优化到Vision Transformer的注意力机制改进，再到混合像元分解的端元可变性建模。每个技术点均配有工业级代码（如程序42“XGBoost超参数调优”、程序58“蚀变矿物填图”），确保学员能直接复用到实际项目中。

更重要的是，课程突破了传统遥感培训“重理论轻实践”的局限，通过50GB真实数据集（含欧比特卫星、高分5B、HySpex、双利合谱、地面传感器数据等）和99个完整程序案例，让学员在实战中掌握技术细节。例如，程序27“辐射一致性检验”将演示如何利用相对辐射归一化解决多时相数据差异；程序65“救援路径规划”则结合高光谱与GIS技术，实现灾害应急的智能决策。无论是遥感专业的研究生，还是希望转型AI的地信工程师，都能通过本课程构建完整的高光谱技术体系。

不需要安装任何专业软件，全部在网页上操作，实现技术与应用的无缝对接，开启智能遥感的广阔新视野。

高光谱基本知识

高光谱遥感技术与AI

第一部分、基础准备与环境搭建（12个程序）

1.1 高光谱数据基础

程序01：ENVI格式数据读取与头文件解析

程序02：HDF5数据分层提取与转换

程序03：光谱曲线动态可视化（Matplotlib交互式）

1.2 Python科学计算环境

程序04：Anaconda多环境配置（CPU/GPU版本）

程序05：Jupyter Lab插件开发（自定义高光谱工具）

程序06：Docker容器化部署（环境一键打包）

1.3 DeepSeek深度集成

程序07：高光谱数据云端批量预处理流水线

程序08：空-谱联合特征分布式计算框架

程序09：高光谱智能解译云服务API

程序10：高光谱处理流程自动化测试

1.4 数据质量检查

程序11：辐射定标验证（辐射标准板校正）

程序12：几何精度验证（GCP残差分析）

第二部分、预处理全流程（15个程序）

2.1 辐射校正进阶

程序13：非均匀性校正（平场域法）

程序14：条纹噪声去除（傅里叶变换）

程序15：微笑效应校正（波长重采样）

2.2 几何精校正

程序16：无人机POS数据融合校正

程序17：三维点云辅助校正（LiDAR数据）

程序18：超分辨率重建（SRCNN应用）

2.3 大气校正专家级

程序19：MODTRAN参数优化（大气模式选择）

程序20：气溶胶反演（暗像元法）

程序21：水汽含量反演（波段比值法）

2.4 数据增强

程序22：光谱混合增强（线性插值）

程序23：空间-光谱联合增强（3D滤波）

程序24：对抗生成增强（CycleGAN）

2.5 质量评估体系

程序25：MTF调制传递函数计算

程序26：波段配准误差分析

程序27：辐射一致性检验（相对辐射归一化）

第三部分、特征工程大师课（12个程序）

3.1 光谱特征挖掘

程序28：包络线去除（凸包算法）

程序29：吸收特征参数化（高斯拟合）

程序30：光谱相似性度量（SID算法）

3.2 空谱特征融合

程序31：超像素分割（SLIC算法）

程序32：形态学特征提取（开闭运算）

程序33：纹理特征计算（GLCM矩阵）

3.3 深度学习特征

程序34：自编码器特征降维

程序35：注意力机制特征加权

程序36：对比学习特征增强

3.4 时序特征分析

程序37：NDVI时间序列滤波（SG滤波）

程序38：物候特征提取（双逻辑斯蒂拟合）

程序39：变化检测（CVA算法）

第四部分、模型构建实战（12个程序）

4.1 传统模型优化

程序40：SVM多核学习（线性+RBF组合）

程序41：随机森林OOB误差分析

程序42：XGBoost超参数调优

4.2 深度学习突破

程序43：Transformer位置编码改进

程序44：知识蒸馏模型压缩

程序45：元学习小样本分类

4.3 混合像元分解

程序46：非线性混合模型（双线性）

程序47：端元可变性建模

程序48：时空约束分解

4.4 模型解释性

程序49：SHAP值特征重要性

程序50：梯度加权类激活图

程序51：对抗样本鲁棒性测试

第五部分、行业解决方案（15个程序）

5.1 智慧农业

程序52：作物胁迫早期预警

程序53：精准施肥量计算

程序54：无人机巡田系统

5.2 环境监测

程序55：水质污染溯源

程序56：大气污染扩散模拟

程序57：固废堆放监测

5.3 地质勘探

程序58：蚀变矿物填图

程序59：油气微渗漏预测

程序60：岩性三维建模

5.4 智慧城市

程序61：建筑能耗评估

程序62：交通流量反演

程序63：违建自动识别

5.5 应急管理

程序64：灾害损失评估

程序65：救援路径规划

程序66：灾后重建监测

第六部分、工程化落地（12个程序）

6.1 云原生部署

程序67：Kubernetes集群部署

程序68：微服务架构设计

程序69：自动扩缩容策略

6.2 边缘计算

程序70：Jetson设备部署

程序71：模型量化压缩

程序72：联邦学习框架

6.3 智能终端

程序73：移动端AR可视化

程序74：微信小程序集成

程序75：无人机端计算

6.4 商业闭环

程序76：数据产品定价模型

程序77：SaaS服务搭建

程序78：区块链存证系统

第七部分、前沿拓展（9个程序）

7.1 新型传感器

程序79：量子点光谱仪数据处理

程序80：光谱视频分析

程序81：偏振高光谱解析

7.2 交叉创新

程序82：高光谱+LiDAR融合

程序83：高光谱+InSAR协同

程序84：多物理场耦合分

7.3 未来趋势

程序85：数字孪生构建

程序86：元宇宙场景应用

程序87：空间计算集成

第八部分、毕业设计（9个程序）

8.1 综合项目

程序88：智慧农业全栈系统

程序89：城市体检评估平台

程序90：矿产勘探AI助手

8.2 创新竞赛

程序91：IEEE GRSS数据挑战赛方案

程序92：创新创业大赛作品

程序93：专利技术实现

8.3 论文撰写

程序94：技术方案优化

程序95：数据实现设计

程序96：技术报告自动撰写

第九部分、彩蛋专题（3个程序）

程序97：高光谱艺术创作

程序98：光谱音乐生成

程序99：AI科幻写作

---

五：AI+Python驱动的无人机生态三维建模与碳储/生物量/LULC估算全流程实战技术培训班

以“技术细节透明化、代码脚本可复现、成果模板可移植”为设计主线：系统梳理多光谱传感器波段设置、辐射定标与航线规划准则，结合Metashape SfM全流程演示Tie Points筛选、重投影误差控制及点云空洞修复策略；利用Python开源栈（rasterio、GDAL、geopandas、scikit-image）完成批量投影转换、影像裁剪、掩膜过滤与NDVI、MSAVI、GNDVI等植被指数计算；通过随机森林、XGBoost、SVM三套并行建模管线，对碳储量、下层植被生物量、土地利用/覆盖分类三个真实案例进行交叉验证、网格搜索与超参数优化，并引入SHAP值与偏依赖图提升模型可解释性；

第一部分、Python工具基础与AI辅助应用

快速掌握Python核心语法与AI辅助调试，打造高效科研工具箱。

1、Python入门与开发环境

1)Python 基本语法：变量、数据类型、列表/字典

2)控制结构：条件判断、循环

3)函数与模块调用

4)常用库安装与环境管理

5)Jupyter Notebook / VS Code 基础

6)AI 辅助应用：利用大模型进行代码调试与错误提示，快速生成示例代码

2、科学计算与可视化

1)Numpy：矩阵运算、数组操作

2)Pandas：数据表格处理、缺失值处理

3)Matplotlib/Seaborn：数据可视化（直方图、散点图、热力图）

4)Scikit-learn：机器学习常用工具链

第二部分、生态三维建模原理与应用导论

理解生态“结构–功能”研究框架，掌握AI驱动的建模新范式。

1、结构建模vs功能建模

2、AI辅助下三维建模与多光谱遥感融合范式

3、应用场景：碳储、植被监测、土地利用

第三部分、无人机多光谱平台与数据获取策略

传感器选择、航线规划与数据质量控制。

1、无人机平台与多光谱传感器

2、数据获取流程与预处理（投影、裁剪、校正）

第四部分、AI辅助三维重建与SfM点云建模实战

实战Metashape/Pix4D建模流程，借助AI实现误差分析与成果整理。

1、Metashape/Pix4D 流程

2、稠密点云生成与 DSM/DTM/CHM

3、三维精度控制与误差分析

4、AI辅助应用：用于自动化文档检索、实验记录整理与绘制 UAV 流程图

第五部分、多光谱–点云融合特征提取与AI优化

植被指数、冠层结构、纹理特征，结合AI进行特征选择与可视化。

1、地形因子（坡度、高程等）

2、植被指数（NDVI、MSAVI、GNDVI等）

3、冠层结构因子（冠层表面模型、冠层高度模型）

4、纹理特征

5、特征选择（相关性、VIF、PCA）

6、AI 辅助应用：用于结果绘图，并帮助解释代码错误

第六部分、AI辅助生态建模方法与工具链

 RF、XGBoost、SVM、MLR等建模方法，结合AI实现调参与结果解释。

1、数据预处理与样本构建

2、模型：RF、SVM、XGBoost、MLR

3、模型调参与交叉验证

4、可解释性分析：SHAP、PDP、特征重要性

5、AI辅助应用：用于结果绘图，并帮助解释代码错误

第七部分、案例Ⅰ：AI驱动的碳储空间建模

UAV+点云特征，AI辅助模型对比与分布图生成。

1、UAV+点云特征→碳储预测

2、RF vs XGBoost模型比较

3、AI辅助应用：自动生成碳储分布图说明文字，辅助检查模型调参脚本

第八部分、案例Ⅱ：AI助力的下层植被生物量估算

 CHM推导、生物量建模，AI支持结果可视化与实验报告。

1、UAV-SfM → CHM → 生物量建模

2、回归、多项式拟合

3、精度评价与SHAP解释

4、AI辅助应用：辅助绘制结果图表、生成实验报告。

第九部分、案例Ⅲ：AI赋能的土地利用/覆盖分类（LULC）

多分类建模与土地转移识别，AI自动生成混淆矩阵与方法对比。

1、多分类建模

2、多时序预测

3、土地转移识别与量化

4、AI辅助应用：自动绘制分类混淆矩阵图、桑基图等，辅助撰写方法对比分析

第十部分、科研论文写作与AI前沿趋势

掌握科研写作与制图技巧，探索AI在多源遥感中的最新突破。

1、科研写作模板构建

2、高质量科研制图

3、AI辅助应用：科研写作润色、图表自动生成与说明文字撰写

4、前沿趋势：AI +多源遥感（UAV + LiDAR +高光谱）、AI +大模型在生态学中的应用