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
