01
遥感概述
基本概念 · 电磁波谱 · 平台传感器 · Landsat/Sentinel-2/MODIS
基础多源
02
遥感图像预处理
辐射定标 · 大气校正(6S/FLAASH/Sen2Cor) · 几何校正 · 融合镶嵌
预处理校正
03
遥感图像增强与变换
对比度拉伸 · 滤波锐化 · PCA · 缨帽变换 · NDVI/EVI/SAVI
增强指数
04
训练样本采集
样本设计 · GPS实地采样 · 目视解译 · 质量控制与纯化
样本野外
05
监督分类算法（上）
最大似然 · SVM · 随机森林 · 参数调优
MLCSVMRF
06
监督分类算法（下）
决策树 · KNN · ANN · 深度学习CNN基础
DTKNNCNN
07
非监督分类
K-Means · ISODATA · 应用场景与局限性
聚类无标签
08
面向对象分类
多尺度分割 · 对象特征 · 规则集与机器学习结合
OBIA分割
09
分类后处理
小图斑去除 · 聚类过滤 · 矢量化 · 面积统计
后处理矢量化
10
精度验证基础
混淆矩阵 · OA/UA/PA · Kappa系数
精度Kappa
11
验证样本设计
样本量计算 · 二项/多项分布 · 随机/分层/系统抽样
采样统计
12
精度评估指标详解
F1-Score · ROC/AUC · 错分/漏分误差 · 面积误差
指标ROC
13
空间一致性分析
逐像元比较 · 误差分布图 · 类别转换矩阵 · 变化检测
空间变化
14
基于GEE的分类
GEE平台 · JS/Python API · ee.Classifier · 精度验证
GEE云平台
15
Python遥感分类实战（上）
GDAL/Rasterio/Scikit-learn · 数据读取 · 特征工程
Python环境
16
Python遥感分类实战（下）
模型训练调参 · 分类后处理 · 精度评估代码
调参代码
17
时间序列遥感分类
多时相堆叠 · 时间特征 · CUSUM/BFAST · 动态监测
时序变化
18
高光谱遥感分类
高光谱特点 · MNF/PCA降维 · SAM · SVM分类
高光谱SAM
19
雷达遥感分类
SAR基础 · 极化/纹理特征 · 光学+SAR融合
SAR融合
20
深度学习遥感分类（上）
PyTorch/TensorFlow · U-Net · 语义分割 · 训练策略
深度学习U-Net
21
深度学习遥感分类（下）
数据增强 · 迁移学习 · 评估可视化 · 部署推理
迁移部署
22
样本不平衡处理
欠采样 · SMOTE · 代价敏感 · 集成学习
不平衡SMOTE
23
特征选择与降维
过滤/包裹/嵌入式 · RFE · 特征重要性
降维RFE
24
多源数据融合分类
光学+SAR · +DEM · 光谱+纹理+空间 · 决策融合
融合多源
25
土地覆盖分类系统
分类体系设计 · 一级/二级类 · Landsat/Corine/自定义
体系标准
26
分类结果制图与可视化
地图布局 · 图例 · 比例尺 · 专题图 · Web发布
制图可视化
27
精度验证报告撰写
报告结构 · 统计表格 · 误差分析 · 结论建议
报告写作
28
案例实战（一）
Landsat 8 · 30m分类 · 农田/水体/建筑/林地/裸地
Landsat8实战
29
案例实战（二）
Sentinel-2 · 10m精细分类 · 绿地/不透水/道路/屋顶
Sentinel2精细
30
案例实战（三）
多时相变化检测 · 2000-2020土地利用变化分析
变化检测长时序