CCfz566的博客

李老师（副教授）：长期从事无人机近地面植被遥感，植被生理参数，多角度遥感， RGB/多光谱/高光谱数据处理，LiDAR点云处理等领域研究工作，具有资深的技术底蕴和专业背景。专题一、近十年近地面无人机植被遥感文献分析、传感器选择、观测方式及质量控制要点。专题四光在植被叶片与冠层中的辐射传输机理及平面模型应用【讲解+实践】点云去噪、滤波、归一化、冠层高度模型生产、单木检测与分割（实践）专题三无人机遥感影像辐射与几何处理【讲解+实践】1.2. 无人机遥感的特点及与卫星遥感的差异。4.1. 植被的结构与功能简介。

按照作物形态、生理生化、作物胁迫和产量计算等4大专题，划分为株数和株高、冠层覆盖度、作物倒伏、不同生育期状况、叶面积指数、作物系数、叶绿素含量、营养元素含量、异常因素胁迫、病虫害、作物衰老、净同化率、蛋白质含量、生物量等主要环节。对无人机遥感的多平台、多传感器应用现状，以及涉及的核心技术具有很深的理解，精通ArcGIS、ENVI、R语言、Unscrambler等分析工具，熟悉目前我国无人机多光谱、高光谱、激光雷达等传感器的应用现状，具有丰富的科研及遥感信息提取经验。分析目前常用于农林行业的无人机平台。

农业是甲烷（CH4）、氧化亚氮（N2O）和二氧化碳（CO2）等温室气体的主要排放源，占全产业排放的13.5%。农田温室气体又以施肥产生的N2O和稻田生产产生的CH4为主，如何对农田温室气体进行有效模拟，不确定性较大。本次将从生命周期评价法（LCA）、经验模型和过程模型三个维度讲解农田温室气体排放的模拟，详细介绍甲烷（CH4）、氧化亚氮（N2O）和二氧化碳（CO2）的排放过程以及模拟技术，掌握农田温室气体排放的模拟技术。

目前在基于数据同化方法耦合遥感与作物模型开展作物估产方面，尚未有成熟的商业软件面世，特举办“遥感数据与作物模型同化实践技术应用”，旨在帮助学员掌握遥感与作物模型同化的基础知识，与传统的作物遥感监测方法的区别与联系，采用“理论讲解+案例实战+动手实操+讨论互动”相结合的方式，抽丝剥茧、深入浅出地分析数据同化方法在作物长势监测及产量估算应用时需要掌握的经验及编程技巧，以便解决农业生产科研中的相关科学问题。遥感平台（如无人机）与传感器、国内外主要陆地卫星（如Landsat、SPOT、HJ、GF）

WOFOST（WorldFoodStudies）和PCSE（PythonCropSimulationEnvironment）是两个用于农业生产模拟的模型：WOFOST是一个经过多年开发和验证的模型，被广泛用于全球的农业生产模拟和农业政策分析；作物本身的生长发育是一个非常复杂的过程，因此在利用作物模型模拟作物生长过程中涉及的输入参数较多，主要包括气象、作物、土壤、田间管理参数等，在模型参数敏感性分析的基础上，结合实验区实际情况，对敏感性较高的参数进行定标，参数标定部分可参阅文献和网站等资料。

其利用高分辨CCD相机系统获取遥感影像，利用空中和地面控制系统实现影像的自动拍摄和获取，同时实现航迹的规划和监控、信息数据的压缩和自动传输、影像预处理等功能，可广泛应用于国家生态环境保护、矿产资源勘探、海洋环境监测、土地利用调查、水资源开发、农作物长势监测与估产、农业作业、自然灾害监测与评估、城市规划与市政管理、森林病虫害防护与监测、公共安全、国防事业、数字地球等领域。由浅入深基本辐射度量：辐射通量、辐照度、辐射强度、辐亮度（推导）点云去噪、滤波、归一化、冠层高度模型生产、单木检测与分割（实践）

数据具有面状、实时、非接触、无伤检测等显著优势，是智慧农业必须采用的重要技术之一。主要针对农业、林业、生态、遥感背景的对无人机遥感有兴趣的初学者（本科生、低年级研究生），MATLAB编程初学者小白。通过学习本课程，让学员将掌握无人机遥感数据预处理的全链条理论与实践流程、典型农林植被性状的估算理论与实践方法、利用MATLAB进行编程实践（脚本与GUI开发）以及期刊论文插图制作等。在新一轮互联网信息技术大发展的现今，无人机、大数据、人工智能、物联网等新兴技术在各行各业都处于大爆发的前夜。

2、森林图斑矢量文件拆分与控制点生成，如森林图斑KML/KMZ文件转ESRI Shapefile格式（手动），森林图斑文件拆分成多个独立的Shapefile文件，图斑文件控制点生成、缓冲区边框提取，待处理森林督查图斑明细表格文件整理等。3、结合现状细斑、森林违法图斑边界和不同林地规划本底矢量图，调用arcpy相关函数进行分析处理，如Union、裁剪、空间选择、细斑打散等操作，获得森林图斑违法情况基本信息。1、基本知识及演练，包括Python文件管理，如目录创建、文件查找、文件复制、重命名等；

以高光谱遥感为核心，构建大范围、快速、远程、定量探测技术，已在矿物填图、土壤质量参数评估、植被、农作物生长状态监测等领域取得了突出的成果，而在药品、食物、环境等领域也显示了不可估量的应用潜力。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。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”；

10、涡度通量数据风浪区分析：涡度通量Footprint时空动态分析等析等；9、涡度通量温度敏感性分析：利用夜间通量与温度数据计算温度敏感性参数等；8、涡度通量光敏感性分析：利用白天通量与辐射数据计算光响应曲线参数等；4、涡度通量数据缺失插补：结合气象数据进行通量数据缺失插补等；6、涡度通量数据可视化分析：绘制不同通量组分数据的时间变化等；7、涡度通量与气象数据相关性：时间序列相关分析、回归分析等；3、涡度通量数据质量控制：通量数据异常值识别与剔除等；关注公众号：Ai科研学术社。

由于热红外遥感对地表干湿变化、以及农业干旱响应快速，利用地表温度遥感数据可以快速准确的反演地表水热通量。地表水热通量是陆面与大气交互的重要变量，包含了陆面和大气的共同信息。利用机器学习方法，综合地面观测资料、遥感数据、大气数据进行区域蒸发比参数的训练与建模，作为区域蒸发比参数的先验值。利用MATLAB软件程序进行模型参数的调优，包括蒸发比、湍流传输系数、观测与模型误差、迭代次数等。包括风速、气温、大气压、相对湿度、太阳辐射、大气下行辐射，以及资料发生缺失如何填充等。感热通量、潜热通量、蒸发比的计算与处理。

除了Python标准库，几乎所有行业领域都有相应的Python软件库，随着NumPy、SciPy、Matplotlib和Pandas等众多Python应用程序库的开发，Python在科学和工程领域地位日益重要，在数据处理、科学计算、数学建模、数据挖掘和数据可视化方面的优异性能使得Python在地球科学中地理、气象、气候变化、水文、生态、传感器等领域的学术研究和工程项目中得到广泛应用并高效解决各种数据分析问题，可以预见未来Python将成为科学和工程领域的主流程序设计语言。专题五使用Python处理遥感。

随着数字农业和智慧农业的发展，基于过程的作物生长模型（Process-based Crop Growth Simulation Model）在模拟作物对气候变化的响应与适应、农田管理优化、作物品种和株型筛选、农业碳中和、农田固碳减排等领域扮演着越来越重要的作用。现有版本V4.7能模拟27种主要农作物的生长发育和产量形成过程，被广泛应用于精细农业、水肥管理、气候变化、粮食安全、土壤碳周转、环境影响、农业可持续性、农业生态等诸多与农业生产和科研有关的领域。1 使用Python读取DSSAT文件的模拟结果。

李老师（副教授）：长期从事无人机近地面植被遥感，植被生理参数，多角度遥感， RGB/多光谱/高光谱数据处理，LiDAR点云处理等领域研究工作，具有资深的技术底蕴和专业背景。专题一、近十年近地面无人机植被遥感文献分析、传感器选择、观测方式及质量控制要点。专题四光在植被叶片与冠层中的辐射传输机理及平面模型应用【讲解+实践】点云去噪、滤波、归一化、冠层高度模型生产、单木检测与分割（实践）专题三无人机遥感影像辐射与几何处理【讲解+实践】1.2. 无人机遥感的特点及与卫星遥感的差异。4.1. 植被的结构与功能简介。

专家来自重点国高校及科研院所，长期从事生态系统管理、全球变化生态学、生态模型与遥感、气候变化，生态环境数据处理与分析相关工作。要点：交互式绘图、编程绘图、时序数据、三维数据、动画制作等。要点：脚本编写、函数调用、循环控制、代码调试、文件读写等。要点：文件类型、特征提取、图像分类、图像匹配、视频处理等。要点：介绍、案例演示、软件界面、语法基础、基本运算等。要点：地理空间数据、地图投影与变换、地图可视化等。要点：时间尺度、平滑插值、统计分析、参数拟合等。要点：点云文件读写、可视化分析、点云数据处理等。

借助CLUE模型，实现对未来土地利用/土地覆盖的时空预测，并进一步评估与权衡其带来的生态效益变化，可为科学研究和政策制定提供重要的决策依据。白老师（研究员）：长期从事生态系统结构-格局-过程-功能-服务的变化与响应关系等研究工作,重点围绕生物多样性、生态系统服务与价值等，构建生物地球化学模型和评价指标体系，为城市、区域和自然保护区的可持续发展和生态环境建设提供理论、方法与途径，发表多篇SCI论文。10、专题图版面设计、制图数据操作、地图标注、图幅整饰等。2、新地图要素的创建、数据加载、数据层操作与保存等；

植被作为陆地生态系统的重要组成部分对于生态环境功能的维持具有关键作用。植被净初级生产力（Net Primary Productivity, NPP）是指单位面积上绿色植被在单位时间内由光合作用生产的有机质总量扣除自养呼吸的剩余部分。植被NPP是表征陆地生态系统功能及可持续性的重要参数之一，不仅直接反映生态系统在自然环境条件下的生产能力及质量状况，也是判定生态系统碳源/汇的重要因子。

1.1 关系模型的构建与应用1.2 CENTURY模型原理1.3 CENTURY模型的结构1.4模型的安装及注意事项1.1 讲解关系模型的特点、优势、构建过程、以及应用时的注意事项；1.2 讲解CENTURY模型的开发及原理；1.3 详细讲解CENTURY模型各个模块的结构，并根据结构解释内涵。1.4 下载并安装CENTURY模型软件，进入安装目录；

传统的地面实测方法能够得到比较准确的植被参数（如叶面积指数、覆盖度、生物量、叶绿素、干物质、叶片含水量、FPAR等），但其获取信息有限，难以满足大范围提取植被参数的需求，尤其在异质地表区域。遥感技术的发展为植被生长状态及动态监测提供了重要的技术手段，与传统地面实测方法不同，遥感把传统的“点”测量获取的有限代表性信息扩展为更加符合客观世界的“面”信息（即区域信息），且不会对生态系统造成破坏，能够长期、动态、连续地估算植被参数，在区域或全球尺度植被参数估算中具有不可替代的优势。1、原理深入浅出的讲解；

遥感技术的发展为植被生长状态及动态监测提供了重要的技术手段，与传统地面实测方法不同，遥感把传统的“点”测量获取的有限代表性信息扩展为更加符合客观世界的“面”信息（即区域信息），且不会对生态系统造成破坏，能够长期、动态、连续地估算植被参数，在区域或全球尺度植被参数估算中具有不可替代的优势。随着科学技术的发展和生态文明建设的需要，借助遥感数据反演植被参数，可为生态系统健康评价提供关键的数据支持，并且植被参数遥感反演是当前遥感应用研究的重要内容之一，也是国际遥感领域的热点研究方向。模型参数敏感性分析原理。

现有版本V4.7能模拟27种主要农作物的生长发育和产量形成过程，被广泛应用于精细农业、水肥管理、气候变化、粮食安全、土碳循环、环境影响、农业可持续性、农业生态等诸多与农业生产和科研有关的领域。R语言在DSSAT模型的气候、土壤、管理措施等数据准备，自动化模拟和结果分析上都发挥着重要的作用。因此，为辅助提高作物模型工作者的使用DSSAT模型的技术，我们举办了本次R语言与作物模型高级应用实战技术培训班，让大家不需要使用界面操作就可以快速批量运行DSSAT模型，方便各个领域可以更好地交叉融合、扩展应用。

生态保护红线政策、保护优先区甄选、自然保护区调整及其他相关项目，均需要在对区域的生态系统服务进行评估的基础上，进一步分析各生态系统服务指标的空间分布与数量特征，揭示各指标的权衡与协同关系；重点围绕生物多样性、生态系统服务与价值等，构建生物地球化学模型和评价指标体系，为城市、区域和自然保护区的可持续发展和生态环境建设提供理论、方法与途径，发表多篇SCI论文。重大生态保护与修复工程、保护与开发项目等生态政策的制定，如退耕还林政策、生态保护政策、自然保护区调整等，均需要提前对项目实施后的生态效益进行预测。

在Biome-BGC模型中，对于碳的生物量积累，采用光合酶促反应机理模型计算出每天的初级生产力(GPP)，将生长呼吸和维持呼吸减去后的产物分配给叶、枝条、干和根。对于水份输运过程，该模型模拟的水循环过程包括降雨、降雪、冠层截留、穿透降水、树干径流、 冠层蒸发、融雪、雪升华、冠层蒸腾、土壤蒸发、蒸散、地表径流和土壤水分变化以及植物对水分的利用；Biome-BGC是利用站点描述数据、气象数据和植被生理生态参数，模拟日尺度碳、水和氮通量的有效模型，其研究的空间尺度可以从点尺度扩展到陆地生态系统。

最大熵模型（Maxent模型）利用物种的分布与环境数据，采用特定算法评估物种的生态位，并投射到景观中，可以直观的呈现物种出现的概率、生境适宜度或物种丰富度等，是目前应用最广泛、预测效果最好的物种分布模型。自然保护区的结构调整与布局优化，是“十四五”期间全国生物多样性保护、重要生态系统保护与修复的重要方向之一。重点围绕生物多样性、生态系统服务与价值等，构建生物地球化学模型和评价指标体系，为城市、区域和自然保护区的可持续发展和生态环境建设提供理论、方法与途径，发表多篇SCI论文。

无人机和有人机机载高光谱遥感能够探测具有诊断性的地物光谱吸收物质，在多种算法支持下，不仅能为准确区分地表地物类型、评估和成分含量评价等提供精确的数据支持，使得定量或半定量地物信息提取成为可能，而且在大量试验的基础上，能够为相关硬件仪器的研发提供理论依据。通过本次培训的理论学习，让学员掌握高光谱遥感数值建模思路与基本步骤，结合高光谱遥感、热红外遥感、多光谱遥感在水体、土壤信息提取领域的实际案例，通过一步步讲解与上机操作，备解决多地物高光谱遥感反演问题的能力。4）高光谱遥感在信息提取中的技术优势。

深度卷积网络采用“端对端”的特征学习，通过多层处理机制揭示隐藏于数据中的非线性特征，能够从大量训练集中自动学习全局特征（这种特征被称为“学习特征”），是其在遥感影像自动目标识别取得成功的重要原因，也标志特征模型从手工特征向学习特征转变。为使广大学者能理解卷积神经网络背后的数学模型和计算机算法，掌握利用PyTorch为基础的遥感影像地物分类，遥感图像目标检测，以及遥感图像目标分割等应用。1.现有几个优秀模型结构的演变原理，包括AlexNet，VGG，googleNet，ResNet，DenseNet等模型。

10、涡度通量数据风浪区分析：涡度通量Footprint时空动态分析等析等。9、涡度通量温度敏感性分析：利用夜间通量与温度数据计算温度敏感性参数等。8、涡度通量光敏感性分析：利用白天通量与辐射数据计算光响应曲线参数等。4、涡度通量数据缺失插补：结合气象数据进行通量数据缺失插补等。6、涡度通量数据可视化分析：绘制不同通量组分数据的时间变化等。7、涡度通量与气象数据相关性：时间序列相关分析、回归分析等。3、涡度通量数据质量控制：通量数据异常值识别与剔除等。更多资讯，关注公众号：Ai科研学术社；

无人机遥感（Unmanned Aerial Vehicle Remote Sensing ), 即利用先进的无人驾驶飞行器技术、遥感传感器技术、遥测遥控技术、通讯技术、GPS差分定位技术和遥感应用技术，能够实现自动化、智能化、专用化快速获取国土资源、自然环境、地震灾区等空间遥感信息，且完成遥感数据处理、建模和应用分析的应用技术。无人机遥感系统由于具有机动、快速、经济等优势，已经成为世界各国争相研究的热点课题，现已逐步从研究开发发展到实际应用阶段，成为未来的主要航空遥感技术之一。发表SCI/EI论文多篇。

按照作物形态、生理生化、作物胁迫和产量计算等4大专题，划分为株数和株高、冠层覆盖度、作物倒伏、不同生育期状况、叶面积指数、作物系数、叶绿素含量、营养元素含量、异常因素胁迫、病虫害、作物衰老、净同化率、蛋白质含量、生物量等主要环节。其中，围绕着四大类信息，划分为十四个子专题：株数和株高、冠层覆盖度、作物倒伏、不同生育期状况、叶面积指数、作物系数、叶绿素含量、营养元素含量、异常因素胁迫、病虫害、作物衰老、净同化率、蛋白质含量、生物量。分析目前常用于农林行业的无人机机载传感器。2.4.3 变化检测工作流 44。