weixin_48230888的博客

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。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。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；

当前的CMIP6计划相较于前代模型，在空间分辨率、物理过程表达和地球系统组件耦合等方面均有显著提升。随着人工智能技术的飞速发展，大语言模型(LLM)和深度学习方法为气候科学研究带来革命性变革。AI技术在气候数据处理、模式识别、预测建模、降尺度方法和极端事件分析等领域展现出巨大潜力。从自动化数据获取到高级Python工具应用，从统计降尺度到动力降尺度，从极端事件检测到区域影响评估，人工智能正逐步融入气候研究的各个环节。

DeepSeek、Python高光谱遥感从数据到智能决策的全流程实现与城市、植被、水体、地质、土壤五维一体应用》为您提供从数据获取到智能决策的完整解决方案。以40个真实项目案例为依托，涵盖城市、植被、水体、地质、土壤五大领域，结合前沿的机器学习与光谱分析技术，助您快速掌握高光谱遥感的核心技能。提供50G的高光谱数据，涵盖城市 、植被 、水体 、地质 、土壤五大领域，解决实际业务问题。（8）图像的读取、显示、保存、基本属性、颜色空间转换、缩放与裁剪、旋转与翻转、几何变换。（2）实现——显示光谱库数据。

4.讲解two-stage（二阶）检测模型框架，RCNN, Fast RCNN, Faster RCNN等框架 的演变和差异。6.现有检测模型「CNN系列」发展小结，包括AlexNet，VGG，googleNet， ResNet，DenseNet等模型。3.讲解目标检测模型的评估方案，包括正确率，精确率，召回率，mAP等。1.一份完整的Faster-RCNN 模型下实现遥感影像的目标检测。1.一份完整的DETR模型下实现遥感影像的目标检测。2.讲解数据集的制作过程，包括数据的存储和处理。

以PyTorch为主体的深度学习平台为使用卷积神经网络也提供程序框架。但卷积神经网络涉及到的数学模型和计算机算法都十分复杂、运行及处理难度很大，PyTorch平台的掌握也并不容易。

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）多光谱相机成像类型与核心问题（波段影像套合、滤光片）非朗伯表面的二向性反射之BRDF与BRF详解（推导）二维影像与三维点云的投影与反投影（实践+代码讲解）基本辐射定律之朗伯余弦定律与平方反比定律（推导）正射影像、DEM、DSM的生成（实践+代码讲解）1.2. 无人机遥感的特点及与卫星遥感的差异。植被指数构建的基本思想、原则与方法（示例）成像光路中的暗电流、暗角效应、大气效应介绍。

3.3.1 理论与方法3.3.2 加载影像3.2.3 地面实测数据3.2.4 假设条件3.2.5 数据采集与整理3.2.6 相关性分析3.2.6 建立回归方程。3.2.1 理论与方法3.2.2 加载影像3.2.3 地面实测数据3.2.4 假设条件3.2.5 归一化水分指数提取3.2.6 数据整理。5.2.1 理论与方法5.2.2 加载数据5.2.3 地面实测数据5.2.4 作物多种指数计算5.2.5 采集指数数据。3.1.1 理论与方法3.1.2 加载影像3.1.3 地面实测数据3.1.4 假设条件。

无人机遥感监测介绍无人机航线规划设计无人机飞行软件操作无人机航拍一般过程。

1.无人机行业应用概况2.无人机遥感监测简介3.无人机与传感器类型4.无人机航线规划设计（谷歌地球软件的使用）5.无人机飞行软件操作（DJI App设置实践视频）6.无人机航拍一般过程（户外飞行实践视频）7.无人机航拍注意事项（实际飞行经验分享）1.无人机图像拼接软件Photoscan（软件安装、破解、汉化等）2.软件界面与功能详解（菜单栏、工具栏、工作区、模型界面等）3.软件基本操作学习与实践（图像加载、可视化、预处理等）4.不同图像拼接模式介绍（单体三维建模、正射影像航拍制图等）