是用于高光谱遥感影像分类的机器学习脚本，其中使用了MLP算法（Multilayer Perceptron Algorithm）对Salinas数据集进行分类。 Salinas数据集是一个常用的高光谱遥感影像数据集，包含了来自13种不同作物和地物的224个像素。在你的Python脚本中，使用了MLP算法对这些像素进行分类。MLP算法是一种基于神经网络的分类算法，其通过多层神经元对特征进行抽象和表达，从而实现高效的分类。在该算法中，使用了反向传播算法对网络进行训练，以便调整网络中的权重和偏置，从而提高分类的准确性。

为了更好地监测太湖水体富营养化状况，我们利用高光谱地物波谱辐射计，通过垂直水面法和倾斜测量法得到太湖水体3～10月份的波谱信息．利用这些数据，分析了太湖水体藻类的叶绿素(主要是chl―a)与水体反射光谱特征的关系，建立了藻类叶绿素高光谱遥感模型，并分析了模型精度．研究发现：两种测量法数据精度差别不大；叶绿素在700 nm附近反射峰的位置、高度与叶绿素浓度有较好的对应性；利用700 nm左右反射峰／685 nm左右吸收峰附近波段的比值，建立了和叶绿素的线性关系，在较短的时间区间(月)内，有很好的相关性．

需要读入已经包络线消除的文本文件

高光谱遥感的理论基础、成像机理，数据预处理及应用简介

童庆禧 张兵等著，高等教育出版社出版，很详细的技术书籍

高光谱遥感图像的端元递进提取算法.pdf

遥感图像分类的应用在遥感图像研究中具有重要意义。为了提高高光谱遥感图像分类精度，本文提出了基于多特征融合的高光谱遥感分类方法。该方法将图像的空间特征和光谱特征归一融合，然后使用AdaBoost分类器集成算法对特征进行分类。首先，该方法使用主成分分析对高光谱数据降维，并提取图像的纹理特征和直方图特征，然后将三种特征归一化；最后使用AdaBoost集成分类方法对高光谱遥感数据分类。实验结果表明，相比于单个特征分类，该方法可取得较高的分类精度。

小样本高光谱遥感图像深度学习方法

人工神经网络在高光谱遥感影像分类中的应用，郑玉凤，，高光谱遥感图像数据具有数据量大、波段很多很窄、波段相关性强、信息冗余多、图光一体化等特征。而遥感图像上的光谱值是多种地物

人工智能-机器学习-高光谱遥感资源探测算法设计与软件实现.pdf