跨越传统界限：ChatGPT+ENVI/Python/GEE集成实战，覆盖无人机遥感、深度学习、洪水监测、矿物识别填图、土壤含水量评估等
了解应用人工智能技术来改变遥感科学研究和应用的可能性。突出了人工智能和遥感科学的融合，展示了我们在理解地球和与地球互动方面取得重大进展的潜力。是一次探索、技能提升和实际应用的旅程，为学习者站在这场技术革命的前沿奠定基础。
专题一 成像光谱遥感科学与chatgpt基础
①成像光谱遥感与chatgpt原理与最新进展
成像遥感的基本原理
Chatgpt工作原理
Chatgpt在成像遥感领域的最新进展
②提示词工程与遥感提示词
Prompt技巧和模板
优质的学术提问prompt
遥感提示词示例
遥感类文献综述、润色、翻译、修改提示词
③chatgpt高级分析、插件与遥感类源代码介绍
高级分析功能
典型GPTS应用
GitHup遥感chatgpt源代码介绍
遥感应用经典文献解读
专题二 遥感数据处理软件、开发平台与chatgpt集成
①ENVI与chatgpt集成
envi遥感数据处理
预处理、图像特征提取、分类
envi遥感数据批处理
②Python与chatgpt集成
python开发基础
python遥感数据处理开发基础
python机器学习
③GEE与chatgpt集成
GEE基础开发
GEE遥感数据处理基础开发
GEE机器学习应用
专题三 无人机遥感数据处理
无人机遥感介绍
基于chatgpt和python的无人机遥感数据处理
遥感图像及其相应的标签数据整理与处理
无人机图像的机器学习分类模型的构建和应用
模型的保存、成果图片的输出
无人机高光谱的地物分类实践
专题四 深度学习
遥感深度学习研究现状和最新进展
Chatgpt辅助下Pytorch深度学习框架编程实践
数据标准化、清洗
深度神经网络模型构建和可视化
遥感深度学习框架源代码解析
基于命令行的代码架构
模型数据的处理与数据管道的构建
图像分类深度学习模型实践
卷积神经网络、递归神经网络模型遥感图像分类实践，包括以下模型：
"hu (1D CNN), "
"hamida (3D CNN + 1D classifier), "
"lee (3D FCN), "
"chen (3D CNN), "
"li (3D CNN), "
"he (3D CNN), "
"luo (3D CNN), "
"sharma (2D CNN), "
"liu (3D semi-supervised CNN), "
"mou (1D RNN)",
专题五 多光谱数据分析与实践
①基于哨兵1号雷达数据洪水监测应用
sentinel-1SAR数据介绍下载、显示
sentinel-1SAR数据镶嵌和裁切处理掩膜提取洪水前后水体区域
洪水淹没识别与面积统计
②城市绿化调查监测哨兵2号多光谱数据应用
合成显示城市sentinel-2数据
chatgpt生成Google Earth Engine JavaScript API代码，用来绘制选定城市的绿地面积
基于chatgpt与GEE统计城市和绿地面积
③干旱指数Modis数据应用
VCI植被指数chatgpt+GEE计算
温度状况指数 (TCI)计算
基于蒸散量和植被指数的干旱指数计算和显示
专题六 高光谱分析与实践
①基于天-空-地高光谱数据的矿物识别和填图
高光谱矿物识别的基础原理、研究现状和最新进展
矿物光谱特征提取与分析
Chatgpt与python集成的卫星、机载和近景地面高光谱数据的处理和混合像元分解
②遥感农作物分类的机器学习和深度学习
随机森林、支持向量机、神经网络农作物分类模型构建与精度评价、制图
Chatgpt与python集成三维卷积神经网络构建与农作物分类
③土壤含水量评估与制图
土壤光谱机理与高光谱调查方法
基于chatgpt与python的土壤含水量模型构建和评价
高光谱土壤有机质含量评估与制图
★ 点 击 下 方 关 注，获取海量教程和资源！
↓↓↓