深度卷积网络采用“端对端”的特征学习，通过多层处理机制揭示隐藏于数据中的非线性特征，能够从大量训练集中自动学习全局特征（这种特征被称为“学习特征”），是其在遥感影像自动目标识别取得成功的重要原因，也标志特征模型从手工特征向学习特征转变。为使广大学者能理解卷积神经网络背后的数学模型和计算机算法，掌握利用PyTorch为基础的遥感影像地物分类，遥感图像目标检测，以及遥感图像目标分割等应用，1.现有几个

深度卷积网络采用“端对端”的特征学习，通过多层处理机制揭示隐藏于数据中的非线性特征，能够从大量训练集中自动学习全局特征（这种特征被称为“学习特征”），是其在遥感影像自动目标识别取得成功的重要原因，也标志特征模型从手工特征向学习特征转变。为使广大学者能理解卷积神经网络背后的数学模型和计算机算法，掌握利用PyTorch为基础的遥感影像地物分类，遥感图像目标检测，以及遥感图像目标分割等应用，1.现有几个

数值模式模拟是分析大气污染物时空分布和成分贡献的重要工具，利用模拟结果可以分析大气污染的来源、成因、污染程度、持续时间、主要成分、相对贡献等问题，有助于分析并合理控制污染源排放，为产业调整提供参考。1、WRF-Chem模式在大气环境（PM2.5、臭氧、能见度）、生态（污染物/元素成分的干湿沉降）等领域的应用个例解析。针对遥感、生态农林、水文水资源、大气科学、地下水土壤、数据语言、生物信息、人工智能

其中，Earth Engine功能最为强大，能存取和同步MODIS、Landsat、Sentinel等卫星影像及NCEP等气象再分析数据集，并已整合最新的Satellite Embedding年度数据集（2017-2024），提供全球10米分辨率的64维AI嵌入向量。案例重点介绍如何计算干季像元绿度的单调趋势指标，如何基于趋势指标推断农业实践变化的性质和强度，以及如何探索植被绿度变化与生态系统类型

Ai尚研修科研技术服务平台开设本课程，初衷在于搭建“理论标准-工具实操-场景落地”的完整学习链路：既帮助研究者吃透科研制图的底层规范（如 RGB/CMYK 转换、矢量图与位图区别、FDR显著性校正可视化逻辑），又聚焦Python在生态与地学领域的实战应用（如遥感分类结果制图、多Y轴气候水文图、SHAP模型解释图），最终让研究者能将数据转化为符合顶级期刊要求、兼具科学性与美观性的学术图表。（统计范式

6、Matplotlib基本图形绘制（线形图、柱状图、饼图、气泡图、直方图、箱线图、散点图等）、图形的布局（多个子图绘制、规则与不规则布局绘制、向画布中任意位置添加坐标轴）支持向量机、决策树、随机森林、变量降维与特征选择、群优化算法等）和热门深度学习方法（卷积神经网络、迁移学习、自编码器、U-Net等）的基本原理及代码实现。7、张量（Tensor）的运算（加法、减法、矩阵乘法、哈达玛积（eleme

为科学理解和有效应对气候变化，气候专家开发了一系列全球气候模型(GCM)，这些复杂的数值模型通过数学方程组描述大气、海洋、冰层、陆地和生物地球化学过程等地球系统组成部分及其相互作用。世界气候研究计划(WCRP)组织的气候模型比较计划(CMIP)提供了宝贵的框架，使科学家能够系统性地比较不同模型的模拟结果，评估其一致性与不确定性。大语言模型（LLM）的基本原理和发展趋势（ChatGPT、GPT-4、

以DeepSeek平台为核心，深度融合Python生态中的科学计算库（如GDAL、scikit-learn、TensorFlow），不仅教授传统的高光谱辐射校正、几何精校正、大气校正等预处理技术，更重点突破深度学习在高光谱领域的应用瓶颈。然而，海量的波段数据、复杂的预处理流程、以及传统方法在特征提取和分类精度上的局限，让许多从业者望而却步。在农业（作物监测/精准施肥）、环保（水质/污染溯源）、地质

本课程旨在利用前沿的AI Agent技术和Python编程，系统讲解如何通过机器学习（如K-means、SVM、决策树）与深度学习（如CNN、LSTM）模型，进行全球气候变化驱动因素的数据分析与趋势预测。5.1、全球气候变化相关数据集下载与处理（MERRA2气溶胶、MODIS气溶胶、MODIS海冰、MODIS叶绿素、CALIPSO气溶胶、AERONET气溶胶）ChatGPT、Gemini、Deep

旨在帮助学员掌握Python编程的基础知识与技巧、特征工程（数据清洗、变量降维、特征选择、群优化算法）、回归拟合（线性回归、BP神经网络、极限学习机）、分类识别（KNN、贝叶斯分类、支持向量机、决策树、随机森林、AdaBoost、XGBoost与LightGBM等）、聚类分析（K均值、DBSCAN、层次聚类）、关联分析（关联规则、协同过滤、Apriori算法）的基本原理及Python代码实现方法。