相比于ENVI等传统的遥感影像处理工具，GEE在处理海量遥感数据方面具有不可比拟的优势，一方面提供了丰富的计算资源，另一方面其巨大的云存储节省了科研人员大量的数据下载和预处理的时间，是遥感数据的计算和分析可视化方面代表世界该领域最前沿水平，是遥感领域的一次革命。专题涉及光学和雷达数据处理、机器学习算法应用、反演精度评估、变量重要性分析、结果可视化、栅格与矢量转换等内容，将演示如何利用红树林的生境特

课程兼顾ENVI图形化软件操作与Python编程两种方式，通过ENVI直观展示数据预处理、分类、混合像元分解等核心流程，再通过Python实现相同功能，在理解理论的同时，真正掌握代码编写的逻辑与技巧，做到“知其然，更知其所以然”。当难以理解专业概念时，通过对话式问答快速获得通俗解释。系统覆盖了从数据获取到行业应用的全流程核心技术，包括卫星、航空、地面数据的获取与处理，辐射定标与大气校正的完整流程，

其中，Earth Engine最为强大，能够存取和同步遥感领域目前常用的MODIS、Landsat和Sentinel等卫星图像和NCEP等气象再分析数据集，同时依托全球上百万台超级服务器，提供足够的运算能力对这些数据进行处理。作为国内最先进的遥感云平台，PIE Engine近年来发展发非常迅速，拥有丰富的国产卫星数据，以及中国区域的其它重要开源数据，在数据安全性和访问便利性方面具有独到的优势。影像

专题涉及长时间序列遥感影像预处理、植被指数批量计算、年度影像合成、数组影像概念和使用方法、LandTrendr算法原理及参数设置、森林扰动结果解译与空间统计分析、可视化及专题图绘制等。专题涉及影像过滤、Landsat和Sentinel-2光学影像除云等预处理、植被指数计算、影像合成、火灾区域识别和灾害强度分级，结果统计分析与可视化等。专题涉及时间序列影像预处理、影像集连接、影像合成、变化趋势非参数

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。案例重点展示如何通过降水和植被指数的回归分析提取残差值，消除气候变化的短期影响。学员还将掌握生态环境质量等级划分方法，学习如何制作生

课程以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。更重要的是，课程突破了传统遥感培训“重理论轻实践”的局限，通过50GB真实数据集（含欧比特卫星、高分5B、HySpex、双利合谱、地面传感器数据等）和99个完

随着AI技术的发展，大语言模型如ChatGPT、DeepSeek、豆包等在数据分析、代码生成和复杂问题求解领域展现出强大的辅助能力，正深刻重塑生态水文与双碳研究的技术范式。通过裁剪操作，可以删除不感兴趣的数据或者将数据限制在特定区域内，以便更好地分析和可视化数据。Python中常见的数据问题有数据重复、数据异常、文本类型、数据缺失、数据无效等，对应异常值处理、文本转换和空缺值填补等操作。下载后的数

随着AI技术的发展，大语言模型如ChatGPT、DeepSeek、豆包等在数据分析、代码生成和复杂问题求解领域展现出强大的辅助能力，正深刻重塑生态水文与双碳研究的技术范式。通过裁剪操作，可以删除不感兴趣的数据或者将数据限制在特定区域内，以便更好地分析和可视化数据。Python中常见的数据问题有数据重复、数据异常、文本类型、数据缺失、数据无效等，对应异常值处理、文本转换和空缺值填补等操作。下载后的数

例如，通过多样性指数（如Shannon-Wiener指数、Simpson指数）可以量化物种多样性，通过非度量多维尺度分析（NMDS）、主成分分析（PCA）等方法揭示群落的组成和生态位特征。此外，R语言强大的空间数据分析能力也为研究森林的空间分布模式提供了便利，例如通过莫兰指数（Moran's I）或Ripley’s K函数，可以分析树木分布的聚集性、随机性或均匀性。这种方法的整合为森林生态系统的结

随着数字农业和智慧农业的发展，基于过程的农业生产系统模型在模拟作物对气候变化的响应与适应、农田管理优化、作物品种和株型筛选、农田固碳和温室气体排放等领域扮演着越来越重要的作用。APSIM (Agricultural Production Systems sIMulator)模型是世界知名的作物生长模拟模型之一。