随着生态学、林学、地理信息科学等多个学科对"结构---功能"一体化研究的共同推进，无人机多光谱与结构光摄影测量（SfM）技术已经从早期实验室验证阶段，走向区域尺度精细生态监测与资源清查的主流工具。过去十年，厘米级空间分辨率、十余个窄波段的多光谱传感器与轻量级激光雷达共同下沉至科研团队与工程单位，使得冠层三维形态、叶面积指数、生物物理变量乃至碳储密度的大规模、可重复估算成为可能。然而，这一技术红利并未自动转化为高质量研究成果：一方面，不同传感器、航线设计、辐射定标、地面控制点布设等细节缺乏统一规范，导致同区域数据差异显著；另一方面，从原始影像到可发表的生态变量，需要跨越多源数据预处理、稠密点云质量控制、植被指数与地形因子耦合、机器学习模型选择与解释等复杂链条，任何环节的技术断层都会削弱成果的可信度与可重复性。因此，我们决定举办此次为期四天的"无人机多光谱-生态三维建模与案例实战"培训班，搭建一个面向科研院所、大学学者及工程技术人员的共享平台，集中讨论并解决"如何获取高质量三维多光谱数据集、如何建立可解释的生态模型、如何快速产出可复现的研究成果"这三大核心问题，以推动无人机生态遥感技术从"能用"走向"好用、敢用、持续用"。
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