weixin_56135535的博客

随机森林（RF）、极限梯度提升机（XGBoost）和支持向量机（SVM）等机器学习算法，分别建立预测模型，并参数调优。（2）R语言基础语法与数据结构，包括：程序包安装、加载、更新，数据读取与输出，ggplot2常规画图等。（1）机器学习案例分析：以随机森林为例，分析高水平论文结构与写作思路、复现相关图表。通过R2、RMSE、MAE等指标评价模型效率，选择最优模型进行空间预测。（2）植被特征指数解释与提取：归一化植被指数、水体指数等数十种植被指数。（2）整合、分析机器学习在遥感、生态领域的经典论文。

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。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；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。

核心内容聚焦于AI技术在多个关键领域的应用。在气候变化与极端天气事件愈发频繁的当下，我们致力于将传统分析方法与现代AI技术相结合，助力研究人员在复杂问题的研究中突破瓶颈，显著提升数据处理效率与科学发现能力，为地球科学研究开辟新的道路。2、无监督学习：聚类（K-means、DBSCAN、层次聚类）、降维（PCA、t-SNE）1、监督学习：回归与分类算法（线性模型、支持向量机、随机森林、梯度提升树、深度学习）1、常见地球科学数据类型：站点观测、格点数据、再分析数据、遥感影像、模式输出。

●叶片尺度的结构与功能●植株/冠层尺度的结构与功能●冠层覆盖度与叶面积指数的定义详解。

遥感云计算技术的发展和平台的出现为遥感大数据处理和分析提供了前所未有的机遇，表现在：（1）云端有海量数据资源，无需下载到本地处理，（2）云端提供批量和交互式的大数据计算服务，（3）云端提供应用程序接口API（Application Programming Interface），无需在本地安装软件，才可以进行处理分析。光谱和图像是人们观察世界的两种方式，高光谱遥感通过“图谱合一”的技术创新将两者结合起来，大大提高了人们对客观世界的认知能力，本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。

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。

ChatGPT、Python和OpenCV支持下的空天地遥感数据识别与计算

卫星遥感具有客观、连续、稳定、大范围、重复观测的优点，已成为监测全球碳盘查不可或缺的技术手段，卫星遥感也正在成为新一代 、国际认可的全球碳核查方法。本教程的目的就是梳理碳中和与碳达峰对卫星遥感的现实需求，系统总结遥感技术在生态系统碳储量、碳收支、碳循环以及人为源排放反演等领域的技术发展，以实践的角度切实解决遥感技术在生态、能源、大气等领域的碳排放监测及模拟问题。专题一 双碳视角下遥感技术的研究方向双碳背景及遥感的现实需求全球碳库、碳收支及碳循环现状碳储量、碳收支与碳循环中的遥感技术。

本教学融合无人机生态环境监测技术和ArcGIS数据分析技术，通过具体案例分析与软件操作实践，详细介绍包括无人机多源遥感影像数据采集（可见光、多光谱、激光雷达等）、影像数据拼接、空间数据编辑、空间数据分析、空间数据专题制图等流程的一条完整作业“流水线”，期望能够为感兴趣的资源环境领域的从业人员提供实用的帮助。2、ArcGIS软件基本操作与常用功能（ArcMap、ArcCatalog、常见数据格式、数据文件读写、格式转换、投影变换等）1、ArcGIS可视化（图层操作、符号化、色彩配置、透明度、掩膜显示等）

成像光谱遥感技术中的AI革命：ChatGPT应用指南

Python+高光谱数据预处理-机器学习-深度学习-图像分类-参数回归

GEE-PIE遥感大数据处理与典型案例实践技术应用​

遥感云大数据在灾害、水体与湿地领域典型案例实践及GPT模型应用

GPT模型支持下的Python-GEE遥感云大数据分析、管理与可视化技术

ENVI 5.6软件安装教程

ContextCapture Master 倾斜摄影测量实景三维建模

5.丰富的数据输出成果，支持Bentley(3MX、3SM等)、OSGB、OBJ、LOD tree export、SuperMap(S3M)等数据格式；4.生成二维和三维GIS模型使用一系列完整的地理数据类型(例如正射图像、点云、栅格数字高程模型和Esri I3S格式)生成精确的地理参考三维模型，与GIS系统解决方案的数据互操作性强；6.采用最新的计算系统，具有可扩展的计算能力，可以使用桌面计算机和集群处理设备，实现GPU计算、多核计算、高级波束平差、拼接机制、任务队列和监控、网格计算。

随着小卫星星座的普及，对地观测已具备多次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘探、精准农业、城市规划、林业测量、军事目标识别和灾害评估。另一方面，随着无人机自动化能力的逐步升级，它被广泛的应用于多种领域，如航拍、农业、植保、灾难评估、救援、测绘、电力巡检等。从CNN到Transformer：基于PyTorch的遥感影像、无人机影像的地物分类、目标检测、语义分割和点云分类。专题六：Transformer的遥感影像目标检测任务案例 【DETR】专题四：卷积神经网络的遥感影像目标检测任务案例。

卫星遥感具有客观、连续、稳定、大范围、重复观测的优点，已成为监测全球碳盘查不可或缺的技术手段，卫星遥感也正在成为新一代 、国际认可的全球碳核查方法。梳理碳中和与碳达峰对卫星遥感的现实需求，系统总结遥感技术在生态系统碳储量、碳收支、碳循环以及人为源排放反演等领域的技术发展，以实践的角度切实解决遥感技术在生态、能源、大气等领域的碳排放监测及模拟问题，理论+实践+多案例分析的教学模式，可成为相关领域人员技能提升的精品教案，欢迎相关领域人员参加。碳储量、碳收支与碳循环中的遥感技术。

5.丰富的数据输出成果，支持Bentley(3MX、3SM等)、OSGB、OBJ、LOD tree export、SuperMap(S3M)等数据格式；4.生成二维和三维GIS模型使用一系列完整的地理数据类型(例如正射图像、点云、栅格数字高程模型和Esri I3S格式)生成精确的地理参考三维模型，与GIS系统解决方案的数据互操作性强；6.采用最新的计算系统，具有可扩展的计算能力，可以使用桌面计算机和集群处理设备，实现GPU计算、多核计算、高级波束平差、拼接机制、任务队列和监控、网格计算。

Python-GEE遥感云大数据分析、管理与可视化技术