基于python多光谱遥感数据处理、图像分类、定量评估及机器学习方法应用

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。本课程从基础理论、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课程提供一套基于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。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。