从数据获取到行业应用的全流程核心技术，包括卫星、航空、地面数据的获取与处理，辐射定标与大气校正的完整流程，基于Scikit-learn的机器学习分类与回归，以及基于PyTorch的深度学习模型构建与训练。
第一部分：高光谱遥感基础与数据获取
第****1课：高光谱遥感概论
目标：建立对高光谱遥感的宏观认识，理解其核心概念与优势
1 . 高光谱遥感的定义与特点（ "图谱合一"、高光谱分辨率）。
2.高光谱数据的主要获取平台：
卫星平台（如 EO-1 Hyperion, GF-5, EnMAP, PRISMA等）
航空平台（机载 /无人机，如AVIRIS, CASI/SASI等）
地面平台（如 ASD地物光谱仪）
3.高光谱数据的核心概念：
DN值、辐射亮度、反射率
光谱分辨率、波段、波长
高光谱数据立方体的理解
4.高光谱遥感的发展历程与主要应用领域。
第****2课：高光谱数据获取与预处理
目标：掌握高光谱数据的获取途径、常见格式及数据预处理流程
1.高光谱数据获取方式：
卫星高光谱数据下载与申请（以 EnMAP、GF-5为例）
****公开数据集介绍与下载（Indian Pines,PaviaUniversity,Houston等）
地面光谱测量流程与规范（以 ASD为例）
2.高光谱数据预处理原理与流程：
辐射定标（ DN值转辐射亮度）
大气校正（辐射亮度转反射率）：必要性（消除大气影响），方法概述：基于辐射传输模型的 FLAASH、6S等
几何校正（空间定位）
第二部分：Python空间数据处理与高光谱数据读取
第****3课：Python空间数据处理基础
目标：搭建 Python空间数据处理环境，掌握矢量与栅格数据的基本操作
1 . Python空间数据处理环境搭建（Conda, GDAL, Rasterio, Fiona, GeoPandas等）。
2.栅格数据读取与操作（ Rasterio/GDAL）：
读取 GeoTIFF等格式
获取元数据（波段数、投影、坐标转换等）
读写、合并、裁剪栅格数据
3.矢量数据读取与操作（ GeoPandas）：
读取 Shapefile文件
创建与导出矢量数据
空间分析（缓冲区、叠加分析、邻近性分析）
第****4课：Python高光谱数据读取与可视化
教学目标：熟练使用 Python读取多种格式的高光谱数据，并进行初步探索与可视化
1.多源高光谱数据读取：
使用 GDAL读取GeoTIFF格式高光谱数据
使用 Spectral库读取ENVI格式高光谱数据及光谱库数据（如USGS）
使用 Scipy读取.mat格式高光谱公开数据集
2.数据探索与可视化：
查看数据形状、波段信息
使用 Matplotlib/Seaborn进行单波段/多波段（RGB合成）显示
绘制典型地物（或感兴趣区域）的光谱曲线
使用 view_cube进行高光谱数据立方体的交互式探索
第三部分：高光谱遥感核心分析方法
第****5课：高光谱数据降维与特征提取
目标：理解高光谱数据 "维数灾难"问题，掌握主流降维和特征提取方法
1.光谱特征分析：
包络线去除法（ Continuum Removal）与光谱特征参数化（吸收位置、深度、宽度、对称性）
2 . 光谱特征选择：波段选择（如基于信息熵、相关性）
3.光谱特征提取：
主成分分析（ PCA）原理与应用
最小噪声分离（ MNF）原理与应用
第****6课：高光谱图像分类
目标：掌握高光谱图像分类的基本流程和主流机器学习算法
1 . 分类基本概念：监督分类、无监督分类、分类精度评价（混淆矩阵、准确率、召回率、 F1分数）
2 . 非监督分类算法： K-Means聚类算法
3.监督分类算法：
支持向量机（ SVM）原理及参数调优（核函数、C值）
决策树与随机森林原理及实现
第****7课：高光谱目标识别与混合像元分解
目标：理解高光谱在精细识别中的独特优势，掌握混合像元分解的流程与方法
1 . 目标识别：光谱角制图（ SAM）原理与应用。
2.混合像元分解：
端元数目估计（ HySime, HfcVd）
端元光谱提取：纯净像元指数（ PPI）、顶点成分分析（N-FINDR）
丰度反演：无约束最小二乘（ UCLS）、非负约束最小二乘（NNLS）
第****8课：Scikit-learn机器学习模型开发
目标：掌握使用 Scikit-learn构建和评估机器学习模型的通用流程
1.机器学习通用流程：
数据准备（特征、标签、划分训练集 /测试集）
模型选择与训练
模型评估与超参数调优（网格搜索 GridSearchCV、交叉验证）
2.高光谱机器学习练习：
基于 Indian Pines数据集的分类练习（SVM, RF）
模型性能对比与结果可视化
第四部分：高光谱机器学习与深度学习实践
第****9课：PyTorch深度学习模型开发
目标：了解深度学习框架，掌握使用 PyTorch构建和训练神经网络的基本方法
1 . 深度学习概述：与传统机器学习的对比，发展里程碑
2**.**PyTorch入门：
张量（ Tensor）操作与自动求导（Autograd）
构建神经网络（ nn.Module）、定义损失函数和优化器
训练流程（前向传播、反向传播、参数更新）
3**.**卷积神经网络（ CNN）：
一维卷积（ 1D CNN）用于光谱特征提取
二维卷积（ 2D CNN）用于空间特征提取
三维卷积（ 3D CNN）用于空谱联合特征提取
4 . 深度学习练习：基于 MNIST/CIFAR-10的手写数字/图像识别。
第10课：高光谱深度学习实践****
目标：掌握将深度学习模型应用于高光谱图像分类的完整流程
1**.**基于 PyTorch的高光谱数据建模：
构建高光谱数据加载器（ Dataset, DataLoader）
设计适用于高光谱的 1D-CNN、2D-CNN、3D-CNN模型
处理样本不平衡问题（过采样 SMOTE，类别权重）
2**.**模型训练与评估：
训练循环编写
模型保存与加载
生成分类图与结果分析
第五部分：行业典型案例实践 应用
第11课：案例一：城市遥感****
目标：应用高光谱技术解决城市环境监测与地物精细分类问题
1 . 城市地物光谱特征：人工材料（沥青、混凝土、金属屋顶）、植被、水体等典型地物光谱特征。
2 . 城市地物精细分类：利用 SVM/随机森林等分类器对城市土地利用类型（如不同材质屋顶、道路、绿地）进行高精度分类。
3 . 不透水面提取与城市热岛效应分析：结合高光谱数据与热红外数据，评估不透水面分布与城市热岛的关系。
第12课：案例二：农林遥感****
目标：利用高光谱技术进行农作物精细分类与林业资源监测
1 . 植被光谱机理：叶绿素、水分、纤维素等生化组分的吸收特征与光谱响应。
2 . 农作物精细分类：基于高光谱数据区分不同作物类型（如水稻、玉米、大豆）及不同品种，评估种植面积。
3**.**作物胁迫监测：利用光谱指数（如红边参数）识别作物病虫害、营养胁迫（如氮素亏缺），实现早期预警。
4.林业应用：森林树种识别、森林病虫害（如松材线虫）监测。
第****13课：案例三：水环境遥感
目标：应用高光谱技术开展水质参数反演与水环境动态监测
1.水体光谱特征：不同水质（清水、富营养化、高悬浮物）的光谱响应机制。
2.水质参数定量反演：
建立叶绿素 a浓度、悬浮物浓度、有色可溶性有机物（CDOM）的反演模型（如线性回归、机器学习回归）。
高光谱数据在蓝藻水华监测中的应用。
3.水域环境动态监测：结合多时相数据，分析水体富营养化程度的空间分布与时间变化
第****14课：案例四：土壤遥感
目标：应用高光谱技术实现土壤关键属性的定量反演与数字土壤制图
1.土壤光谱机理：有机质、铁氧化物、粘土矿物、水分的诊断性吸收特征。
2**.**土壤属性反演：
基于回归模型（ SVR、RFR、PLSR）反演土壤有机质（SOM）、土壤含水量（SMC）、土壤盐分等关键参数。
光谱预处理与特征波段选择对模型精度的影响分析。
3 . 数字土壤制图：将反演模型应用于高光谱影像，生成土壤属性空间分布图。
第15课：案例五：地质找矿遥感****
目标：综合应用高光谱分析技术解决矿物识别、蚀变信息提取与成矿预测问题
1 . 岩矿光谱机理：电子过程（晶体场、电荷转移）、振动过程（水、羟基、碳酸根）。
2**.**矿物识别与填图：
基于光谱特征分析（吸收位置、深度）识别蚀变矿物（如高岭石、伊利石、绿泥石、赤铁矿）。
利用混合像元分解（ PPI, N-FINDR）提取矿物端元，进行矿物丰度填图。
3 . 成矿远景区预测：综合蚀变矿物组合与地质背景信息，圈定找矿靶区。
