python 多光谱遥感数据处理、图像分类、定量评估和机器学习方法

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。

通过对光谱、图像等数据处理，掌握岩矿、土壤、植被等地物的光谱特征和图像特

征，结合 ENVI 等专业软件、Python 开发工具平台，开展多光谱数据预处理、图像分类、定量评估、

机器学习等方法的实践和开发，提高运用多光谱遥感技术解决实际问题能力。

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。

投影数据和山体阴影叠加图

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。

对比机器学习方法土壤盐含量预测精度评估，a MLR，b PLSR，c RR，d ANN

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。