未来已来——工具与开发环境搭建
1.1 机器学习基础
（1）监督学习
（2）非监督学习
（3）深度学习
1.2 GPT安装与用法
（1）ChatGPT 简介
（2）ChatGPT 使用方法
1.3 Python安装与用法
（1）Python简介
（2）Python的特点
（3）Python的应用场景
（4）安装 Python
（5）Jupyter Notebook
（6）Anaconda
（7）创建第一个程序
千里眼——遥感数据应用全流程
2.1 遥感数据获取
（1）遥感定义与原理
（2）常见遥感数据源
（3）遥感数据获取方法
2.2 遥感数据处理
（1）图像去噪
（2）几何校正
（3）大气校正
2.3 遥感数据计算
（1）波段选择
（2）波段计算
2.4 案例实战：计算家乡的土壤成分含量
（1）计算过程
（2）程序实现
（3）计算结果
（4）结果制图
地面数据——图像分类
3.1 学习数据增广
（1）什么是数据增广
（2）数据增广的代码实现
3.2 地面化验数据综合处理
（1）地面数据的作用
（2）地面数据采样方案设计和化验方法
（3）数据读取与初步检查
（4）数据清洗与处理
（5）数据的可视化与分布分析
3.3 程序实现
（1）描述性统计分析
（2）数据分布
（3）相关性分析
（4）数据正态性检验
（5）元素之间的线性回归分析
（6）箱线图和异常值分析
（7）两元素的T检验
3.4 案例实战：自动对农作物进行分类
（1）导入必要的库并准备数据
（2）特征提取（图像降维）
（3）标签编码
（4）训练支持向量机模型
（5）对测试集图片进行分类预测
（6）评估模型性能
（7）使用网格搜索优化SVM参数
（8）使用网格搜索优化SVM参数
（9）使用PCA进行降维
无人机数据——目标检测
4.1 学习制作标签数据
（1）标签数据的重要性
（2）制作和标注机器学习的标签数据
（3）常见的标注格式
（4）LabelImg
（5）标注
（6）标注VOC格式
（7）标注YOLO格式
（9）标注并导出为COCO格式
4.2 无人机多光谱数据综合处理
（1）无人机机载飞行作业
（2）地面同步数据特点
（3）无人机数据处理
4.3 程序实现
（1）数据准备与预处理
（2）环境配置
（3）算法流程
（4）实现基于边缘和轮廓的检测
（5）解释代码
（6）检查结果
4.4 案例实战：自动检测森林火灾范围
（1）林火
（2）环境设置与依赖安装
（3）加载森林图像和对应的标注文件
（4）实现火点检测算法
（5）批量处理森林图像并标记火灾点
卫星数据——变化检测
5.1 学习遥感指数模型
（1）算法与模型库
（2）计算叶绿素含量
5.2 卫星数据综合处理
（1）计算二价铁含量
（2）计算全球环境监测指数
5.3 程序实现
（1）导入必要的库
（2）设置数据路径
（3）加载遥感图像
（4）水体识别算法
（5）变化检测算法
（6）保存变化结果
（7）导出变化统计表
（8）结果展示
5.4 案例实战：自动实现水体动态监测
（1）导入必要的库
（2）加载遥感图像并裁剪到一致大小
（3）计算水体指数 (NDWI)
（4）变化检测
（5）保存变化检测结果
（6）导出变化统计表
多源数据——联合分析
6.1 学习图像自动配准
（1）图像配准
（2）自动配准的步骤
6.2 空天地数据综合处理
（1）图像配准
（2）导入必要的库
（3）读取无人机和卫星图像
（4）生成地理控制点 (GCP)
（5）应用配准算法
（6）保存配准后的无人机图像
（7）保存配准的坐标对应数据
6.3 程序实现
（1）导入必要的库
（2）预处理
（3）特征检测和匹配
（4）图像配准
（5）保存
6.4 案例实战：城市建筑物检测与变化监测
（1）城市建筑物检测与变化监测的原理
（2）图像预处理
（3）建筑物检测
（4）变化检测
（5）输出与可视化
（6）实战
研究热点攻关【案例】
7.1 案例实战：农田作物分类与产量估算
7.2 案例实战：土地利用与土地覆盖分类
7.3 案例实战：植被健康监测与病害检测
7.4 案例实战：海岸侵蚀监测变化分析
7.5 案例实战：空气污染物浓度遥感监测
7.6 案例实战：沙漠化监测与土地退化分析
7.7 案例实战：城市违章建筑监控
7.8 案例实战：碳汇估算与生态服务分析
7.9 案例实战：地表温度与热岛效应分析
7.10案例实战：地质灾害预测与监测
