从Landsat/Sentinel卫星数据的智能化去云处理到MODIS植被产品的AI辅助质量控制以ChatGPT 、DeepSeeK为代表的大模型技术已成为提升遥感数据处理效率与精度的核心工具——尤其在长时序植被动态监测、物候期精准提取、时空变异归因分析及生态环境质量评估等领域展现出传统方法难以企及的技术优势。一Python遥感数据处理基础及AI大模型应用技巧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、安装与应用示例多种栅格数据格式、数据裁剪、重投影以及统计分析等Rasterio库的介绍与应用示例主要用于数据读取、写入与数据类型变换ArcPy库的介绍、安装及应用示例结合ArcGIS工具的地理空间数据处理Numpy库的介绍、安装与应用示例主要用于数组形式存储数据的处理2、AI大模型应用技巧AI大模型的提问框架提示词、指令优化提示词工具的介绍与应用专业级GPT store定制版ChatGPT应用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遥感产品植被叶面积指数遥感产品植被总初级生产力遥感产品植被净初级生产力遥感产品植被光合有效辐射吸收比遥感产品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/土地利用数据三:AI辅助下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AI辅助下的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、结合AI的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、结合AI的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四:AI辅助下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实现结合AI的植被参数遥感反演算法及python实现五:AI辅助下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结合AI的一元线性回归趋势分析方法的python实现结合AI的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结合AI的python遥感数据主成分分析六:AI辅助下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、AI辅助下的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制图七:AI辅助下植被时空动态分析及python实践应用AI辅助下的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结果成图显示与分析八:AI辅助下植被动态变化归因分析及python实践应用AI辅助下的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结果成图展示与分析九:AI辅助下生态环境质量遥感评估及python实践应用1、遥感生态指数RSEI原理与计算方法遥感生态指数RSEI原理遥感生态指数RSEI构建方法2、AI辅助下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