Machine learning for
modeling and understanding
in Earth sciences
Gustau Camps-Valls小组开设的视觉科学、机器学习和图像处理课程资料学的学习与分享。这些课程与他的研究密切相关，课程适合大学(遥感、电子工程和神经科学硕士)，以及视觉科学(IOBA)博士和硕士课程和计算机视觉硕士课程。课程的详细介绍如下(包含：详细的PPT讲义和Matlab代码)：
Gustau Camps-Valls简介
Gustau Camps-Valls（IEEE Fellow，IEEE杰出讲师，物理学博士学位）目前是电气工程专业的教授，并且是图像和信号处理（ISP）组的负责人，网址为https://isp.uv.es。他对开发用于地球科学和遥感数据分析的机器学习算法感兴趣。他是约200篇期刊论文，200余篇会议论文，20篇国际书籍章节的作者，并且是有关内核方法和深度学习的4本书的编辑。他拥有Hirsch的指数h = 60，在2011年进入了ISI的“高被引科学家”名单，汤姆森路透社《科学观察》将他的一篇关于基于核的高光谱图像分析论文确定为快速移动前沿研究。他获得了两项欧洲研究委员会（ERC）赠款：ERC整合者赠款“用于地球观测数据分析的统计学习”（2015年）和ERC协同赠款“通过机器学习理解和建模地球系统”（2019年）。
课程详情
Machine learning and signal processing for remote sensing data analysis (IGARSS14 tutorial) - G. Camps-Valls and D. Tuia
在本教程中，我们将介绍遥感图像处理链，并带领参与者了解用于数据理解的特征提取、分类、分离、检索和模式分析的不同策略。一方面，我们将展示遥感数据分类的强大方法:从数据中提取知识，包括通过主动学习的交互方法，编码先验知识的分类器和不变性。
Hyperspectral image processing
(60 hours) - G. Camps-Valls
介绍了高光谱图像处理的主要概念。我们首先软介绍高光谱图像处理，标准处理链和目前在该领域的挑战。然后从特征提取、监督分类、分离和丰度估计和生物物理参数检索等几个方面分析了生物物理参数提取技术的研究现状。所有的方法和技术的研究是回顾的理论和通过MATLAB练习。
Information Theory for Visual
Communication (30 hours) - J. Malo
在这门课程中，我将介绍信息论的基本要素，以了解为何密度函数的均变化或高斯化以及系统中的噪声是视觉信息传输的关键。这一知识是我们长期以来为单值化(SPCA, PPA, DRR)和高斯化(RBIG)开发可逆变换的基础，也是我们在视觉系统和分裂归一化模型中校准神经噪声的研究的基础。
Statistical Signal Processing (60 hours)
(统计)信号处理硕士课程教材。我介绍了对信号处理感兴趣的工程师和物理学家的基本背景知识:概率和随机变量、离散时间随机过程、谱估计、信号分解和变换，以及对信息论的介绍。
Representation of spatial information
(30 hours) - J. Malo
摄影图像的统计规律表明，一定的空间信息表示在编码效率方面优于其他空间信息表示。在本课程中，我们将介绍图象编码中非监督特征提取或字典学习所需的资讯理论概念(熵、多资讯、相关及负熵)。介绍了图像和序列的冗余性，并介绍了压缩信息表示的基本技术，如矢量量化、预测编码和转换。
Kernel methods in machine learning (30 hours) - G. Camps-Valls
机器学习中的两个基本操作，如回归和分类，涉及到通过一组(标记或未标记)训练样本绘制非线性边界或函数。这些边界或函数在某些(测试)样本可以推导出测试样本与训练样本之间的相似性。这些相似性可以被编码到核中，并且可以使用代表定理在任何测试样本中获得函数的表达式。在本课程中，我们也将回顾。
Google Earth Engine
Google Earth Engine introduction - Emma Izquierdo & Jordi Muñoz-Marí A short introducttion to Google Earth Engine.
1
2021
内容示例截图
Hyperspectral image processing (60 hours) - G. Camps-Valls:
（包括172页的PPT一个，以及Matlab代码及其示例数据：）
课程网址：
https://isp.uv.escourses.html
往期精彩内容
32篇深度学习与遥感论文推荐
GEE Deep Learning
GEE学习资料汇总与分享
面向科研人员的免费遥感数据集
GEE - A Review第二篇
“Tomorrow is a mystery. Yesterday is history. But today is the gift. That is why we called it the present.”
