在自然资源调查、生态红线监管、农业估产与应急响应的广阔舞台上，遥感技术已成为无可替代的“天空之眼”。然而，当高分辨率卫星与无人机影像以TB级规模涌来时，“看得见的像素”与“提得出的信息”之间横亘着一道深不见底的鸿沟。传统目视解译与基于像元的分类方法已难以应对地物精细识别、多时相变化监测的需求，而深度学习虽然提供了破局之刃，却让众多从业者卡在了“懂业务不懂算法、会理论不会工程、有影像没有样本、训得出模型交不了成果”的尴尬境地。如何让AI真正听懂遥感语言，并高效产出可交付的业务成果，已成为行业数智化转型的关键瓶颈。

本次内容直面遥感智能化落地中最真实的四大痛点，给出了一套完整的“遥感+深度学习”工程化解决方案。针对任务覆盖窄的难题，我们以场景分类、语义分割、目标检测（含旋转框小目标）与双时相变化检测四大核心任务为主线，贯通CNN、Transformer到空间基础模型（RemoteCLIP、RingMo、SpectralGPT等）三代技术选型；针对样本标注贵的困境，系统引入SAM辅助标注、自监督预训练及多模态大模型的零样本/少样本迁移策略；针对模型交不了差的顽疾，特设整景大幅面影像切片推理、跨切片目标合并、地理坐标恢复与ArcGIS成果入库专题。此外，还融入了AI Agent辅助代码与制图提效的前沿实践，旨在搭建起从算法理论到生产项目的坚实桥梁，让遥感AI真正成为日常科研与业务中的生产力工具。

专题一 GeoAI遥感项目全流程与环境搭建——一次看清"从影像到成果"的完整地图，第一天就跑出首个AI成果

1.GeoAI在场景分类、语义分割、目标检测与变化检测中的任务选择

2.从遥感影像、模型推理到GIS成果交付的完整技术流程

3.CNN、Transformer与空间基础模型的技术演进及应用关系

4.Python、PyTorch、ArcGIS Pro与GeoAI工具环境配置要点

5.预训练模型快速推理：分类、分割、检测成果现场预览

专题二 CNN与PyTorch工程基础——从理论到首个分类模型——零基础可跟的深度学习"最小完整闭环"，为全部实战打地基

1.深度学习、机器学习与遥感智能解译的关系

2.CNN中的卷积、池化、步长、填充与感受野

3.激活函数、损失函数、优化器与反向传播

4.PyTorch张量、Dataset、DataLoader与训练循环

5.迁移学习、GPU调用、模型保存加载与断点续训

6.基于预训练CNN完成首个遥感分类模型及结果可视化

专题三 真实遥感数据与GeoAI样本工程——从原始影像到高质量样本库，样本质量直接决定模型上限

1.GeoTIFF、JPG、PNG及卫星、无人机影像的组织差异

2.坐标系、空间分辨率、波段、NoData与多光谱数据处理

3.分类、分割、检测与变化检测四类样本的组织、划分与质量检查

4.检测标注及COCO、VOC、YOLO标签格式；旋转框标注规范

5.大幅面影像切片、标签同步转换与样本可视化

6.ArcGIS Pro辅助样本制作、标签检查、空间核对与数据整理

7.样本稀缺破局：自监督预训练、半监督与弱监督策略

专题四 遥感场景分类项目——CNN、Transformer与空间基础模型——第一个完整项目，三类模型同台对比，学会选型也学会写结果 

1.场景分类项目需求、类别体系与高分辨率数据适配

2.ResNet预训练模型迁移、分类头改造与短周期微调

3.Vision Transformer与Swin Transformer分类应用

4.空间基础模型预训练特征提取与轻量分类器应用

5.三类模型分类精度、耗时及效果对比4.6单幅与批量预测、混淆矩阵、典型误分类及论文式成果图制作

专题五 遥感语义分割与地物覆盖分类实战——土地利用/地物分类制图第一刚需，学完即可服务国土与生态业务

1.语义分割任务、输出形式与土地利用/地物覆盖应用需求

2.U-Net、DeepLabV3+、SegFormer与HRNet模型选择逻辑

3.像素级样本制作、类别不平衡处理与边界精度优化

4.预训练分割模型迁移、短周期微调与批量推理

5.SAM类模型辅助分割标注与轮廓提取的提效实战

6.mIoU、F1评价体系、误差分析与地物分类专题制图

专题六 目标检测核心理论与遥感专项问题——讲透"为什么通用检测方法在遥感影像上会失灵"

1.目标检测任务、输出形式与典型遥感应用

2.检测框、类别概率、置信度与IoU；水平框与旋转框（OBB）

3.Precision、Recall、AP与mAP评价体系

4.两阶段、单阶段与端到端检测范式对比

5.Anchor、Anchor-free、RPN与Object Query基本思想

6.遥感小目标、密集目标、旋转目标、复杂背景与尺度变化

7.Faster R-CNN、YOLO（含OBB）、DETR与RT-DETR模型选择逻辑

专题七 CNN目标检测工程实战——从Faster R-CNN到YOLO旋转框

——水平框到旋转框的工程跨越：遥感小目标、密集目标检测的真实战场

1.检测样本接入、数据配置与训练前检查

2.Faster R-CNN预训练模型加载、类别修改与结构适配

3.YOLO单阶段检测模型的工程应用与配置方法

4.旋转框小目标检测实战（DOTA类任务全流程）

5.输入尺寸、批次大小、学习率与短周期微调

6.检测评价、误检漏检分析与结果导出

专题八 Transformer遥感目标检测实战——DETR与RT-DETR

——端到端检测新范式，掌握论文与项目的下一代技术路线

1.Self-Attention、Transformer编码器与解码器核心机制

2.Vision Transformer、DETR与传统Anchor检测器的技术联系

3.RT-DETR实时端到端检测框架与工程应用特点

4.遥感检测数据配置、预训练权重加载与短周期微调

5.批量推理、阈值优化、检测评价与论文式成果图制作

6.CNN与Transformer检测流程对比及自有项目迁移

专题九 双时相遥感变化检测实战——从双时相配准到变化图斑入库，打通变化检测业务化应用全流程

1.变化检测任务与业务场景：国土变更、卫片执法、违建与灾害监测

2.双时相影像配准、样本组织与变化标签制作

3.孪生网络变化检测模型原理与工程实现

4.SAM＋多模态大模型无监督变化检测：免训练快速出图

5.变化图斑提取、精度验证与GIS成果输出

6.变化检测与分类、分割、检测任务的组合应用范式

专题十 空间基础模型与零样本智能解译——站在遥感AI最前沿：不训练模型，也能完成解译任务

1.遥感基础模型谱系：RemoteCLIP、RingMo、SpectralGPT、SkySense与遥感多模态大模型

2.基础模型与传统CNN、Transformer的应用边界与选型逻辑

3.公开预训练权重获取、多光谱输入适配与遥感特征提取

4.零样本/少样本迁移：少标注甚至免标注完成分类、分割与检测

5.遥感多模态大模型实操：影像问答、影像描述、图文检索

6.基础模型在四大任务中的迁移效果对比与适用场景总结

专题十一 AI Agent（codex）辅助遥感科研与工程自动化——把Agent变成你的科研助理：代码、制图、批处理、论文图表全面提效

1.Codex等AI Agent在遥感项目中的角色定位

2.Agent辅助代码生成与修改、标签格式转换、报错诊断

3.Agent辅助批量制图脚本、GIS自动化处理与成果批量核查

4.多模态AI辅助影像质量、类别体系与标签检查

5.从实验记录到论文图表：Agent辅助成果整理与写作提效

专题十二 整景遥感影像推理与GIS成果交付——从"能跑通Demo"到"能交付项目"的最后一公里

1.大幅面GeoTIFF读取、重叠滑动窗口切片与边缘目标处理

2.切片批量推理、空间索引与检测结果管理

3.跨切片目标框合并、全局NMS与重复目标去除

4.局部像素坐标、整景像素坐标与地理坐标恢复

5.模型导出与推理加速（ONNX）及工程化部署要点

6.GeoJSON、Shapefile、属性字段及ArcGIS Pro成果管理

7.目标统计、专题制图、图层管理与项目交付

---

推荐：GeoAI大模型驱动的地球科学智能计算前沿实践

随着人工智能技术在地球科学领域的深度融合与快速发展，AI大模型正以前所未有的方式重塑地球科学智能的研究范式与应用边界。本次内容系统性地整合了从基础数据处理到高阶智能建模的全链条技术体系，以Python编程为基石，以机器学习与深度学习为核心方法论，深入剖析随机森林（RF）、卷积神经网络（CNN）、长短期记忆网络（LSTM）及Transformer等前沿模型在地学场景中的创新应用。不仅涵盖地理空间数据清洗、时空统计分析、物理约束建模等关键技术环节，更通过AI大模型的垂直领域赋能，实现代码生成、知识抽取、多模态数据融合等智能化实践，突破传统地学研究的效率瓶颈与认知局限。前瞻性地探讨了物理机制与数据驱动的双轨建模（如耦合水文方程的Transformer蒸散发预测）、多模态数据对齐（跨模态清洗）、国产大模型工具链等前沿方向，并通过10+真实案例场景实践，提升学习者地球科学智能计算能力，加速地球科学智能技术的产学研转化。

---

推荐：量化遥感与GeoAI高级建模全流程实践：高级特征提取、多模型评估与可解释性分析、空间预测与制图、知识迁移应用

精准解决遥感科研领域的核心难题：针对“数据获取与预处理繁琐”，通过GEE与标准化工作流实现从研究区ROI检索到本地导出的自动化；针对 “高维光谱/时间序列特征挖掘不足”，以信号处理与流形学习思想突破传统方法局限；针对“模型评估不系统与可解释性差”，构建“多模型对比-超参精调-XAI分析”闭环，让模型预测兼具准确性与科学性；针对“科研成果难落地”，通过分块空间预测与地图要素定制实现结果可视化转化。而学习优势在于，不仅能掌握从数据到成果的标准化科研工作流，更能获得技术迁移能力——可将工作流直接应用于城市热岛监测、农作物长势分析、湖泊水华评估等领域，真正实现从“掌握技术”到“解决实际科研问题”的跨越。

---

感谢点赞+关注！→【科研充电吧】全 网 同 名