隨著航空、航天、近地空間遙感平臺(tái)的持續(xù)發(fā)展，遙感技術(shù)近年來取得顯著進(jìn)步。遙感數(shù)據(jù)的空間、時(shí)間、光譜分辨率及數(shù)據(jù)量均大幅提升，呈現(xiàn)出大數(shù)據(jù)特征。這為相關(guān)研究帶來了新機(jī)遇，但同時(shí)也帶來巨大挑戰(zhàn)。傳統(tǒng)的工作站和服務(wù)器已無法滿足大區(qū)域、多尺度海量遙感數(shù)據(jù)處理需求。

為解決此問題，全球涌現(xiàn)出多個(gè)地球科學(xué)數(shù)據(jù)在線可視化計(jì)算和分析云平臺(tái)，如谷歌Earth Engine（GEE）、航天宏圖PIE Engine和阿里AI Earth等。其中，Earth Engine功能最為強(qiáng)大，能存取和同步MODIS、Landsat、Sentinel等衛(wèi)星影像及NCEP等氣象再分析數(shù)據(jù)集，并依托全球上百萬臺(tái)超級服務(wù)器提供強(qiáng)大運(yùn)算能力。目前，該平臺(tái)包含1000余個(gè)公共數(shù)據(jù)集，每月新增約2 PB數(shù)據(jù)，總?cè)萘砍^100PB。與傳統(tǒng)的處理影像工具（例如ENVI）相比，Earth Engine在處理海量遙感數(shù)據(jù)方面具有顯著優(yōu)勢，提供了豐富的計(jì)算資源和巨大的云存儲(chǔ)能力，節(jié)省大量數(shù)據(jù)下載和預(yù)處理時(shí)間。它代表了遙感數(shù)據(jù)計(jì)算、分析和可視化領(lǐng)域的世界前沿水平，堪稱遙感領(lǐng)域的革命性進(jìn)展。

第一章、理論基礎(chǔ)

1、Earth Engine平臺(tái)及應(yīng)用、主要數(shù)據(jù)資源介紹

2、Earth Engine遙感云重要概念、數(shù)據(jù)類型與對象等

3、JavaScript與Python遙感云編程比較與選擇

4、Python基礎(chǔ)（語法、數(shù)據(jù)類型與程序控制結(jié)構(gòu)、函數(shù)及類與對象等）

5、常用Python軟件包（（pandas、numpy、os等）介紹及基本功能演示（Excel/csv數(shù)據(jù)文件讀取與數(shù)據(jù)處理、目錄操作等）

6、JavaScript和Python遙感云API差異，學(xué)習(xí)方法及資源推薦

7、ChatGPT、文心一言等AI自然語言模型介紹及其遙感領(lǐng)域中的應(yīng)用

第二章、開發(fā)環(huán)境搭建

1、本地端與云端Python遙感云開發(fā)環(huán)境介紹

2、本地端開發(fā)環(huán)境搭建

1）Anaconda安裝，pip/conda軟件包安裝方法和虛擬環(huán)境創(chuàng)建等；

2）earthengine-api、geemap等必備軟件包安裝；

3）遙感云本地端授權(quán)管理；

4）Jupyter Notebook/Visual Studio Code安裝及運(yùn)行調(diào)試。?

3、云端Colab開發(fā)環(huán)境搭建

4、geemap介紹及常用功能演示

5、ChatGPT、文心一言帳號申請與主要功能演示，如遙感知識(shí)解答、數(shù)據(jù)分析處理代碼生成、方案框架咨詢等。

第三章、遙感大數(shù)據(jù)處理基礎(chǔ)與AI大模型交互

1、遙感云平臺(tái)影像數(shù)據(jù)分析處理流程介紹：介紹遙感云平臺(tái)影像數(shù)據(jù)分析處理流程的基本框架，包括數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、算法開發(fā)、可視化等。

2、要素和影像等對象顯示和屬性字段探索：介紹如何在遙感云平臺(tái)上顯示和探索要素和影像等對象的屬性字段，包括如何選擇要素和影像對象、查看屬性信息、篩選數(shù)據(jù)等。

3、影像/要素集的時(shí)間、空間和屬性過濾方法：介紹如何對影像/要素集進(jìn)行時(shí)間、空間和屬性過濾，包括如何選擇時(shí)間段、地理區(qū)域和屬性條件，以實(shí)現(xiàn)更精確的數(shù)據(jù)分析。

4、波段運(yùn)算、條件運(yùn)算、植被指數(shù)計(jì)算、裁剪和鑲嵌等：介紹如何在遙感云平臺(tái)上進(jìn)行波段運(yùn)算、條件運(yùn)算、植被指數(shù)計(jì)算、裁剪和鑲嵌等操作，以實(shí)現(xiàn)更深入的數(shù)據(jù)分析。

5、Landsat/Sentinel-2等常用光學(xué)影像去云：介紹如何在遙感云平臺(tái)上使用不同方法去除Landsat/Sentinel-2等常用光學(xué)影像中的云，以提高影像數(shù)據(jù)質(zhì)量。

6、影像與要素集的迭代循環(huán)：介紹如何使用遙感云平臺(tái)的迭代循環(huán)功能對影像和要素集進(jìn)行批量處理，以提高數(shù)據(jù)分析效率。

7、影像數(shù)據(jù)整合（Reducer）：介紹如何使用遙感云平臺(tái)的Reducer功能將多個(gè)影像數(shù)據(jù)整合成一個(gè)數(shù)據(jù)集，以方便后續(xù)數(shù)據(jù)分析。

8、鄰域分析與空間統(tǒng)計(jì)：介紹如何在遙感云平臺(tái)上進(jìn)行鄰域分析和空間統(tǒng)計(jì)，以獲取更深入的空間信息。

9、常見錯(cuò)誤與代碼優(yōu)化：介紹遙感云平臺(tái)數(shù)據(jù)分析過程中常見的錯(cuò)誤和如何進(jìn)行代碼優(yōu)化，以提高數(shù)據(jù)分析效率和精度。

10、Python遙感云數(shù)據(jù)分析專屬包構(gòu)建：介紹如何使用Python在遙感云平臺(tái)上構(gòu)建數(shù)據(jù)分析專屬包，以方便多次使用和分享分析代碼。

第四章、典型案例操作實(shí)踐與AI大模型交互

11、機(jī)器學(xué)習(xí)分類算法案例：本案例聯(lián)合Landsat等長時(shí)間序列影像和機(jī)器學(xué)習(xí)算法展示國家尺度的基本遙感分類過程。具體內(nèi)容包括研究區(qū)影像統(tǒng)計(jì)、空間分層隨機(jī)抽樣、樣本隨機(jī)切分、時(shí)間序列影像預(yù)處理和合成、機(jī)器學(xué)習(xí)算法應(yīng)用、分類后處理和精度評估等方面。

12、決策樹森林分類算法案例：本案例聯(lián)合L波段雷達(dá)和Landsat光學(xué)時(shí)間序列影像，使用決策樹分類算法提取指定地區(qū)2007-2020年度森林分布圖，并與JAXA年度森林產(chǎn)品進(jìn)行空間比較。案例涉及多源數(shù)據(jù)聯(lián)合使用、決策樹分類算法構(gòu)建、閾值動(dòng)態(tài)優(yōu)化、分類結(jié)果空間分析等方面。

13、洪澇災(zāi)害監(jiān)測案例：本案例基于Sentinel-1 C波段雷達(dá)等影像，對省級尺度的特大暴雨災(zāi)害進(jìn)行監(jiān)測。案例內(nèi)容包括Sentinel-1 C影像處理、多種水體識(shí)別算法構(gòu)建、影像差異分析以及結(jié)果可視化等方面。。

14、干旱遙感監(jiān)測案例：本案例使用40年歷史的衛(wèi)星遙感降雨數(shù)據(jù)產(chǎn)品如CHIRPS來監(jiān)測省級尺度的特大干旱情況。案例內(nèi)容包括氣象數(shù)據(jù)基本處理、年和月尺度數(shù)據(jù)整合、長期平均值LPA/偏差計(jì)算，以及數(shù)據(jù)結(jié)果可視化等方面。

15、物候特征分析案例：本案例基于Landsat和MODIS等時(shí)間序列影像，通過植被指數(shù)變化分析典型地表植被多年的物候差異（樣點(diǎn)尺度）和大尺度（如中國）的物候空間變化特征。案例內(nèi)容包括時(shí)間序列影像合成、影像平滑（Smoothing）與間隙填充（Gap-filling）、結(jié)果可視化等方面。

16、森林植被健康狀態(tài)監(jiān)測案例：本案例利用20年的MODIS植被指數(shù)，對選定區(qū)域的森林進(jìn)行長期監(jiān)測，并分析森林植被的綠化或褐變情況。涉及影像的連接和合成、趨勢分析、空間統(tǒng)計(jì)以及可視化等方法。

17、生態(tài)環(huán)境質(zhì)量動(dòng)態(tài)監(jiān)測案例：該案例使用RSEI遙感生態(tài)指數(shù)和Landsat系列影像，對選定城市的生態(tài)狀況進(jìn)行快速監(jiān)測。主要涉及的技術(shù)包括植被指數(shù)的計(jì)算、地表溫度的提取、數(shù)據(jù)的歸一化、主成分PCA分析、RSEI生態(tài)指數(shù)的構(gòu)建以及結(jié)果的可視化等。

第五章、輸入輸出及數(shù)據(jù)資產(chǎn)高效管理與AI大模型交互

1.?本地?cái)?shù)據(jù)與云端交互：介紹如何將本地端csv、kml、矢量和柵格數(shù)據(jù)與云端數(shù)據(jù)相互轉(zhuǎn)換，并講解數(shù)據(jù)導(dǎo)出的方法。

2.?服務(wù)器端數(shù)據(jù)批量下載：包括直接本地下載、影像集批量下載，以及如何快速下載大尺度和長時(shí)間序列數(shù)據(jù)產(chǎn)品，例如全球森林產(chǎn)品和20年的MODIS數(shù)據(jù)產(chǎn)品等。。

3.?本地端數(shù)據(jù)上傳與屬性設(shè)置：包括earthengine命令使用，介紹如何上傳少量本地端矢量與柵格數(shù)據(jù)并設(shè)置屬性（小文件），以及如何批量上傳數(shù)據(jù)并自動(dòng)設(shè)置屬性，還將介紹如何使用快速上傳技巧上傳超大影像文件，例如國產(chǎn)高分影像。

4、個(gè)人數(shù)據(jù)資產(chǎn)管理：介紹如何使用Python和earthengine命令行來管理個(gè)人數(shù)據(jù)資產(chǎn)，包括創(chuàng)建、刪除、移動(dòng)、重命名等操作，同時(shí)還會(huì)講解如何批量取消上傳/下載任務(wù)。

第六章、云端數(shù)據(jù)論文出版級可視化與AI大模型交互

1.?Python可視化及主要軟件包簡介：介紹matplotlib和seaborn可視化程序包，講解基本圖形概念、圖形構(gòu)成以及快速繪制常用圖形等內(nèi)容。

2.?研究區(qū)地形及樣地分布圖繪制：結(jié)合本地或云端矢量文件、云端地形數(shù)據(jù)等，繪制研究區(qū)示意圖。涉及繪圖流程、中文顯示、配色美化等內(nèi)容，還會(huì)介紹cpt-city精美調(diào)色板palette在線下載與本地端應(yīng)用等。

3.?研究區(qū)域影像覆蓋統(tǒng)計(jì)和繪圖：對指定區(qū)域的Landsat和Sentinel等系列影像的覆蓋數(shù)量、無云影像覆蓋情況進(jìn)行統(tǒng)計(jì)，繪制區(qū)域影像統(tǒng)計(jì)圖或像元級無云影像覆蓋專題圖。

4.?樣本光譜特征與物候特征等分析繪圖：快速繪制不同類型樣地的光譜和物候特征，動(dòng)態(tài)下載并整合樣點(diǎn)過去30年縮略圖（thumbnails）和植被指數(shù)時(shí)間序列等。

5.?分類結(jié)果專題圖繪制及時(shí)空動(dòng)態(tài)延時(shí)攝影Timelapse制作：單幅或多幅分類專題圖繪制及配色美化，制作土地利用變化清晰的Timelapse，還會(huì)介紹動(dòng)畫文字添加等內(nèi)容。

6、分類結(jié)果面積統(tǒng)計(jì)與繪圖：基于云端的分類結(jié)果和矢量邊界文件，統(tǒng)計(jì)不同區(qū)域不同地類面積，提取統(tǒng)計(jì)結(jié)果，以不同圖形展示統(tǒng)計(jì)面積；制作土地利用變化統(tǒng)計(jì)繪圖等。

第七章、AI大模型與科研輔助經(jīng)驗(yàn)分享

1、文獻(xiàn)總結(jié)：本部分將演示AI如何幫助研究人員高效提取文獻(xiàn)要點(diǎn)，包括快速識(shí)別關(guān)鍵變量、研究方法和主要發(fā)現(xiàn)，旨在提升文獻(xiàn)審閱的效率和質(zhì)量。

2、文獻(xiàn)查找：學(xué)習(xí)如何利用AI工具從海量數(shù)據(jù)中篩選和推薦與研究議題相關(guān)的論文，從而加速文獻(xiàn)回顧的過程并確保研究的全面性。

3、框架生成：本節(jié)將指導(dǎo)如何運(yùn)用AI工具構(gòu)建科研論文的大綱框架，并提供結(jié)構(gòu)和邏輯的修改建議，以加強(qiáng)論文的條理性和說服力。

4、圖表生文：介紹AI如何輔助解讀復(fù)雜的科研數(shù)據(jù)和圖表，并將這些信息融入論文撰寫中，增強(qiáng)論文的數(shù)據(jù)支撐力和論證的準(zhǔn)確性。

5、中譯英提升：探討AI翻譯工具如何幫助研究者將中文科研材料準(zhǔn)確、流暢地轉(zhuǎn)換為英文，滿足國際學(xué)術(shù)交流的需求。

6、中英文潤色：通過AI工具優(yōu)化中文和英文論文的語言表達(dá)和學(xué)術(shù)措辭，提升論文的整體質(zhì)量，使其更符合專業(yè)的學(xué)術(shù)標(biāo)準(zhǔn)和出版要求。

原文鏈接