使用遥感写程序主要涉及以下几种编程语言和技术：
Python
数据处理与分析：Python具有强大的科学计算和数据处理能力，提供了诸如NumPy、Pandas等库，用于数据的读取、处理和分析。
图像处理：Python有丰富的图像处理库，如OpenCV和Scikit-learn，可以进行图像分类、目标检测等任务。
数据可视化：利用Matplotlib、Seaborn等库，可以方便地展示遥感图像及分析结果。
遥感软件API接口：可以通过Python调用遥感软件的API接口，实现自动化处理和分析。
R
统计分析和数据可视化：R语言在统计分析和数据可视化方面非常强大，有专门用于空间数据分析和地理信息系统的包，如raster和spatial。
MATLAB
图像处理：MATLAB提供了图像处理工具箱，可以进行图像的增强、滤波、分割、融合等处理。
数学建模和算法开发：适用于遥感数据的数学建模和算法开发，例如图像分类、目标检测、变化检测等。
3D可视化：利用MATLAB的三维绘图工具箱展示遥感数据的三维地理表面。
C/C++
高性能处理：C和C++是编译型语言，适用于对性能要求较高的遥感应用，如图像匹配、图像融合和图像分类等。
底层代码开发：许多遥感软件和库（如ENVI、ERDAS IMAGINE）的底层代码通常是用C或C++编写的。
Java
跨平台应用：Java是一种跨平台的编程语言，适合开发遥感数据处理和分析的桌面应用程序、Web应用和移动应用。
图像处理库：Java提供了如Java Advanced Imaging （JAI）、GeoTools和ImageJ等库，用于图像处理。
建议
选择合适的编程语言：根据项目需求、团队熟悉度及性能要求选择合适的编程语言。对于数据处理和分析，Python是一个很好的选择；对于需要高性能处理的场景，C/C++更为合适；对于统计分析和数据可视化，R语言具有优势；Java则适合跨平台应用开发。
学习相关库和工具：掌握所选编程语言中与遥感相关的库和工具，如Python的GDAL、NumPy、Pandas等，可以大大提高开发效率。
实践项目：通过实际项目来应用所学知识，不断积累经验，以便更好地应对实际遥感编程任务。