Python长时序植被遥感动态分析、物候提取、时空变异归因及RSEI生态评估实战
本次内容针对遥感科学、生态环境、GIS及农林、气候监测等领域专业人员的实际需求，以“AI技术+Python编程”为双轮驱动，系统拆解从多源遥感数据获取、预处理、植被参数反演、物候期精准提取，到时空趋势分析、归因研究乃至生态环境质量遥感评估的全流程技术逻辑。我们旨在通过系统化实战演练，掌握一套前沿、高效、可落地的研究工具与方法，赋能您在生态环境研究领域取得突破性进展。
专题一 Python遥感数据处理基础
1、常用地理空间数据处理python库的介绍及应用示例
GDAL库的介绍、安装与应用示例
Rasterio库的介绍与应用示例
ArcPy库的介绍、安装及应用示例
Numpy库的介绍、安装与应用示例
2、AI大模型的提问框架、优化提示词工具的介绍与应用
专题二 常用共享数据资源介绍
1、常见卫星遥感反射率数据
Landsat系列反射率数据
Sentinel系列卫星数据
MODIS卫星反射率数据
GF/HJ/ZY…系列卫星数据
2、常见植被参数遥感产品
植被指数、植被叶面积指数、植被总初级生产力、植被净初级生产力、植被光合有效辐射吸收比
3、常用气象水文数据集
ERA5及其ERA5_Land数据集（包括气温、降水、风速和土壤湿度等变量）
CHIPRS、TRMM以及GPM降水数据集
GLDAS数据集（包括土壤湿度、气温和降水等变量）
WorldClim数据集（包括气温、降水和风速等变量）
4、其他常用辅助遥感产品数据
数字高程模型数据、土地覆盖/土地利用数据
专题三 地球科学数据处理方法及python实现
1、结合AI的python遥感数据预处理
遥感数据格式转换与拼接
常用卫星遥感数据的去云处理
MODIS遥感产品质量控制图层读取及含义解读
AI辅助下的遥感数据产品质量控制
数据裁剪、重采样以及时间序列数据筛选与合成等
2、常见植被指数及生态参数计算
植被指数NDVI、EVI、NIRv以及kNDVI等的计算
基于已有遥感产品的植被-生态参数的计算
3、python遥感数据时间序列重构
年内时间序列遥感数据重构以去除噪声点(SG滤波、多项式拟合、…)
长时序逐年份遥感产品年均/最大值、月均/最大值、季节均/最大值批处理运算
距平anomaly及变异系数coefficient of variation计算
不良天气(如云)对长时序遥感数据分析的影响
专题四 植被参数遥感反演基本原理及python实现
遥感反演植被参数类型
PROSAIL模型介绍
模型参数敏感性分析方法及python实现
专题五 地球科学数据分析方法及python实现
1、长时间序列趋势分析
长时序趋势分析方法基本原理
一元线性回归趋势分析方法的python实现
Mann-Kendall (M-K)趋势分析方法的python实现
2、数据主要特征提取方法—主成分分析
主成分分析方法基本原理及应用
python遥感数据主成分分析
专题六 植被物候提取与分析实践应用
1、植被物候及其提取原理与方法
植被物候及其提取原理
植被物候常用提取方法
2、python植被物候提取
年内时间序列数据重构
多种植被物候提取方法的python实现（threshold/logistic/derivative/…）
生长季开始/长度/结束日期提取
区域植被SOS/LOS/EOS制图
专题七 植被时空动态分析及python实践应用
python长时序植被动态变化趋势分析
植被变绿/变黄趋势判断准则
基于一元线性回归的植被变化趋势判断
基于M-K趋势分析的植被变化检测
基于变异系数法(CV)的植被变化稳定性分析
专题八 植被动态变化归因分析及python实践应用
python植被变化归因分析
植被动态归因分析方法介绍
基于相关/偏相关系数的植被动态归因分析
基于多元线性回归方法的植被动态归因分析
基于机器学习方法的植被动态归因分析
专题九 生态环境质量遥感评估及python实践应用
1、遥感生态指数（RSEI）原理与计算方法
2、基于遥感数据的遥感生态指数( RSEI)计算
卫星遥感数据预处理
湿度（WET）、绿度（NDVI）、热度（LST）和干度（NDBSI）等生态指标计算
主成分分析（PCA），计算RSEI值
RSEI归一化处理
★ 点 击 下 方 关 注，获取海量教程和资源！
↓↓↓
————————————————