NDVI（归一化植被指数）通过近红外（NIR）与红光波段反射率计算，公式为：NDVI = (NIR - Red) / (NIR + Red)实现步骤：数据准备：获取遥感影像的NIR与红光波段数据（如Landsat TM的Band4与Band3）。计算方法：直接DN值：使用原始像元值（DN）代入公式计算，但精度较低。反射率转换：将DN值转为光谱亮度值：L = (L_min + (L_max - L_min)/(Q_max - Q_min) × (DN - Q_min)其中参数从头文件获取。再通过大气校正与日地距离校正转为反射率。工具自动计算：ENVI：Toolbox→Spectral→Vegetation→NDVI。ArcMap：加载影像后，用Image Analysis模块自动生成。结果范围：输出值应在[-1, 1]，植被区域通常＞0.3。

挑战包括算力有限、内存约束和功耗高；解决方案：模型量化压缩体积、剪枝简化结构、使用轻量框架（如TensorFlow Lite），并优化硬件加速（如NPU），确保低延迟高效运行。

流行目标检测算法：两阶段的Faster R-CNN（高精度）、单阶段的YOLO（实时检测）和SSD（多尺度预测）；基于Anchor机制或Anchor-free设计，平衡速度与准确率，适用于自动驾驶等场景。

常用词嵌入方法：Word2Vec（CBOW或Skip-gram学习上下文关系）、GloVe（全局矩阵分解）、FastText（考虑子词信息），以及上下文感知的BERT动态嵌入，提升语义表示能力。

解决过拟合方法：增加数据量或数据增强（如旋转/翻转图像）、添加正则化（L1/L2权重衰减）、Dropout层随机失活神经元、早停法监控验证集损失，以及简化模型结构降低复杂度。

关键指标包括准确率、精确率、召回率、F1-score（平衡精确与召回）、AUC-ROC曲线（评估分类阈值），针对不平衡数据优先使用F1或AUC，避免单一准确率误导。

自监督学习进展包括对比学习（如SimCLR通过数据增强构建正负样本对）、掩码图像建模（如MAE预测缺失块），无需大量标注数据即可学习通用特征，提升下游任务（如分类）性能。

强化学习通过智能体与环境交互，基于奖励信号优化策略（如Q-learning），核心是马尔可夫决策过程；应用于游戏AI（AlphaGo）、机器人控制、推荐系统，实现自主决策和动态优化。

迁移学习典型应用包括使用预训练模型（如ResNet）微调新任务（如医学图像分类），冻结部分层复用特征，或特征提取适配小数据集；显著减少训练时间和数据需求，提升模型泛化性。

Transformer优势在于并行计算能力（摆脱RNN序列依赖）、自注意力机制捕获长距离依赖、位置编码处理序列顺序，且训练效率更高；在NLP任务中表现更优，如BERT和GPT系列，支持大规模预训练和迁移学习。