2025年秋地理信息技术应用能力测试试卷及答案

2025年秋地理信息技术应用能力测试试卷及答案一、单项选择题（每题2分，共20分。每题只有一个正确答案，请将正确选项字母填在括号内）1.在QGIS3.34中，若需将WGS84经纬度坐标系下的矢量图层转换为CGCS2000/3degreeGaussKrugerzone39投影坐标系，应优先使用的工具是（）。A.图层属性→源→设置CRSB.处理工具箱→矢量通用→重新投影图层C.地理处理→裁剪D.插件→GeoHey→坐标转换答案：B解析：重新投影图层（ReprojectLayer）是官方推荐的标准工具，可完整写入新.prj文件并自动计算七参数，A项仅改变显示CRS不会重写几何坐标，C、D与投影无关。2.利用Sentinel2L2A影像计算NDVI时，若影像为10m分辨率，但用户只想提取20m分辨率结果以匹配实测样方，最合理的降采样方法是（）。A.双线性重采样→聚合因子2B.最邻近重采样→聚合因子2C.双三次卷积→聚合因子3D.模式重采样→聚合因子4答案：A解析：NDVI为连续变量，双线性可保留光谱渐变信息；因子2可将10m聚合为20m，B最邻近易产生锯齿，C因子3无法整除，D模式用于离散数据。3.在PostGIS中执行空间索引优化的语句是（）。A.VACUUMANALYZE;B.CREATEINDEXidx_roads_geomONroadsUSINGGIST(geom);C.CLUSTERroadsUSINGidx_roads_geom;D.SELECTUpdateGeometrySRID('roads','geom',4526);答案：B解析：GIST索引是PostGIS加速空间查询的核心，A仅统计更新，C物理聚簇非必须，D改SRID与索引无关。4.某市利用出租车GPS轨迹数据建立道路拥堵模型，需将1秒一条的原始轨迹压缩为30秒间隔，同时保留转向点，应选择的算法是（）。A.DouglasPeuckerB.TopdownTimeRatioC.STTraceSimplificationD.BellmanFord答案：C解析：STTrace兼顾时空维度，可设定速度转角阈值保留关键转向，A仅几何、B仅时间、D为最短路径。5.在GoogleEarthEngine中，下列代码用于掩云的功能是（）。A.image.updateMask(image.select('QA60').eq(0))B.image.clipToCollection(roi)C.image.remap([10],[1])D.image.multiply(0.0001)答案：A解析：Sentinel2QA60位存储云掩膜，eq(0)保留无云像元，B为裁剪，C为重映射，D为尺度转换。6.利用无人机航测生成DSM时，若出现“穹顶”现象，最可能的原因是（）。A.相机畸变未校正B.飞行方向单一C.地面控制点高程错误D.光照过强答案：B解析：缺乏交叉航线导致前方交会角过小，高程在边缘处外推形成穹顶，A影响平面精度，C影响绝对高程，D影响纹理。7.在ArcGISPro中，使用“训练深度学习模型”工具需先创建的输入是（）。A.栅格函数模板B.已标注的影像切片和JSON标签C.拓扑规则D.网络数据集答案：B解析：深度学习需标准PASCALVOC或COCO格式切片+标签，A用于栅格代数，C、D与训练无关。8.下列关于SAR影像几何校正的说法正确的是（）。A.距离向分辨率与入射角无关B.多普勒中心频率为零时无几何畸变C.地形起伏引起的叠掩只能利用外部DEM校正D.SAR影像必须做辐射定标后才能地理编码答案：C解析：叠掩（Layover）需DEM模拟地形相位进行RD几何校正，A距离向随入射角变化，B多普勒为零仅说明正侧视，D地理编码可后做辐射定标。9.在遥感变化检测中，若两期影像获取季节不同，为减小物候差异，最佳策略是（）。A.直接做差值并阈值分割B.利用同期多年合成影像作为参考C.采用CVA变换D.采用MAD变换答案：B解析：多年同期合成可抑制年际物候差异，A忽略物候，C、D对季节差异敏感。10.在PyTorch中编写自定义栅格数据集类时，必须重写的关键方法是（）。A.__init__与__len__B.__getitem__C.__iter__D.__next__答案：B解析：DataLoader通过__getitem__按索引读取样本，A非必须，C、D为迭代器协议，非Dataset要求。二、多项选择题（每题3分，共15分。每题有两个或两个以上正确答案，多选、少选、错选均不得分）11.下列哪些技术可有效提升夜光遥感影像去噪效果（）。A.小波软阈值B.NLM非局部均值C.STARFM时空融合D.主成分分析答案：A、B解析：小波与NLM均为经典去噪，C用于时空融合，D用于降维而非去噪。12.关于三维城市模型LOD3的描述正确的是（）。A.包含屋顶结构细节B.可区分建筑立面材质C.可用于城市风环境模拟D.几何精度优于LOD2答案：A、B、C、D解析：LOD3定义包含屋顶、立面材质与开口，精度<0.5m，适用于CFD。13.在GeoServer发布PostGIS栅格表时，需配置的参数包括（）。A.栅格表名与几何字段B.瓦片大小与影像金字塔C.JDBC连接池D.样式SLD路径答案：A、B、C解析：D样式可在发布图层后绑定，非数据源配置阶段必须。14.下列属于移动GIS离线缓存格式的是（）。A.MBTilesB.GeoPackageC.TPKXD.SLPK答案：A、B、C解析：SLPK为场景包，非传统二维缓存。15.关于激光雷达点云分类，基于深度学习的PointNet++相比传统渐进式加密的优势有（）。A.无需手动设计特征B.可端到端输出类别C.对噪声点鲁棒D.计算耗时更低答案：A、B、C解析：PointNet++推理耗时高于渐进式，D错误。三、填空题（每空2分，共20分）16.在GDAL命令行中，将栅格A.tif的NoData值设为9999并生成新文件B.tif的指令为：gdal_translatea_nodata（1）A.tifB.tif答案：9999解析：a_nodata后接具体值。17.在WMTS标准中，TileMatrixSet定义了瓦片矩阵的层级、像素尺寸与（2）。答案：TileMatrix原点解析：原点决定瓦片编号方向。18.在Python中，利用Rasterio读取栅格第3波段并转为numpy数组的代码为：withrasterio.open('img.tif')assrc:  band3=src.read（3）答案：3解析：read(3)表示第三波段。19.在SARscape中进行InSAR处理时，若基线超过临界基线的30%，会导致（4）现象。答案：去相干解析：空间基线过长使频谱偏移过大，失去干涉信号。20.在CityEngine中，使用CGA规则进行建筑拉伸时，命令extrude(world.up,30)中的world.up表示（5）方向。答案：世界坐标Z轴解析：world.up即全局高程方向。21.在Kepler.gl中添加时空立方体图层需指定的时间字段类型为（6）。答案：timestamp解析：Kepler.gl识别timestamp才能播放动画。22.在GRASSGIS中，利用v.to.rast将矢量道路转为栅格时，若按类别值转换，需设置type=（7）。答案：area解析：type=area表示按面类别，line则按线长度密度。23.在遥感影像分类精度评估中，用户精度与制图精度之和减去（8）等于1。答案：漏分误差解析：用户精度=1错分，制图精度=1漏分，二者无直接和为1关系，此处考察概念，填“漏分误差”即可。24.在三维激光扫描中，点云强度值主要受目标物（9）与入射角影响。答案：反射率解析：强度=反射率×cos(入射角)×距离衰减。25.在FME中，使用Clipper转换器时，被裁剪对象应连接到（10）端口。答案：Clippee解析：Clippee为被裁剪，Clipper为裁剪边界。四、判断题（每题1分，共10分。正确打“√”，错误打“×”）26.在PostgreSQL中，执行SELECTPostGIS_Version()可查看PostGIS版本号。（√）27.无人机航测时，增大旁向重叠率可有效减少“空洞”但会降低空三计算速度。（√）28.在ENVI中，MNF变换第一分量一定包含最大方差信息，因此可直接用于变化检测。（×）解析：第一成分为最大方差，但未必代表变化信息，需后续分析。29.在GeoJSON中，FeatureCollection的“features”键值类型为数组。（√）30.在ArcGISPro字段计算器中使用Python表达式，!shape.area!与!shape.geodesicArea!在WebMercator坐标系下数值相同。（×）解析：WebMercator面积变形大，二者差异显著。31.在激光雷达点云滤波中，PMF算法假设地形坡度局部恒定。（√）32.在GoogleEarthEngine中，导出影像到Drive时，设置maxPixels参数为1e13可跳过所有计算限制。（×）解析：仍受用户配额与计算时间限制。33.在QGIS中，虚拟图层支持使用SpatiaLite函数进行空间查询。（√）34.在SAR影像中，升轨与降轨数据可以互相替代进行DEM生成。（×）解析：几何构像差异大，需联合使用提高精度。35.在三维CityGML中，LOD0仅表示建筑基底footprint，无高度信息。（√）五、简答题（每题10分，共30分）36.简述利用深度学习进行高分辨率影像建筑物提取的完整流程，并指出两个关键评价指标及其计算公式。答案：流程：①数据准备：收集亚米级影像，标注矢量边界，切片为512×512像素，按8:1:1划分训练、验证、测试集。②数据增强：随机旋转、翻转、色彩抖动、随机裁剪，扩增5倍。③模型选择：采用SwinUNet，编码器用SwinT，解码器用U型跳跃连接，损失函数为Dice+BCE联合。④训练策略：AdamW优化器，初始学习率1e4，余弦退火，早停patience=20，batch=16，迭代200epoch。⑤后处理：采用CRF条件随机场细化边缘，去除<25像素小斑块，填补孔洞。⑥精度评估：在测试集上计算。关键指标：1.IoU=TP/(TP+FP+FN)2.F1=2×Precision×Recall/(Precision+Recall)，其中Precision=TP/(TP+FP)，Recall=TP/(TP+FN)。解析：IoU兼顾漏提与误提，F1平衡精确与召回，二者互补。37.说明如何利用多源数据（Sentinel1/2、DEM、土地覆盖）在GoogleEarthEngine中实现滑坡易发性制图，并给出核心代码片段。答案：步骤：①数据获取：S1选用20192023升轨VV+VH，S2选用同期L2A波段，DEM选用SRTM30m，土地覆盖选用ESA10m。②特征提取：S1：计算均值、标准差、纹理（GLCM对比度）。S2：计算NDVI、NDWI、MoistureIndex、波段比值。DEM：坡度、坡向、曲率、TWI、SPI。土地覆盖：重编码为数值类别。③样本构建：结合历史滑坡编目，随机生成等量非滑坡点，共8000样本，按7:3划分。④模型：调用ee.Classifier.smileRandomForest(500,5,50)训练。⑤精度：使用confusionMatrix计算OA、kappa。核心代码：```javascriptvars1=ee.ImageCollection('COPERNICUS/S1_GRD')  .filterBounds(roi)  .filterDate('20190101','20231231')  .filter(ee.Filter.eq('orbitProperties_pass','ASCENDING'))  .map(function(img){   varvv=img.select('VV');   varvh=img.select('VH');   returnvv.addBands(vh)    .copyProperties(img,['system:time_start']);  });vars1Mean=s1.mean();vardem=ee.Image('USGS/SRTMGL1_003');varslope=ee.Terrain.slope(dem);varrf=ee.Classifier.smileRandomForest(500)  .train({   features:sample,   classProperty:'label',   inputProperties:bands  });varsusceptibility=stacked.classify(rf);Map.addLayer(susceptibility,{min:0,max:1,palette:['white','red']},'LandslideSusceptibility');```解析：多源特征提升非线性可分性，RF对高维特征稳健，TWI反映水文条件，对滑坡极为重要。38.阐述利用移动激光雷达（MLS）数据提取道路标线的算法思路，并说明如何验证其平面精度。答案：算法思路：①预处理：采用IMU/GNSS融合解算轨迹，使用CLOCS算法进行SLAM精化，剔除漂移。②点云分割：基于扫描线角度与强度双重阈值，强度>150且回波次数=1的点初筛。③聚类：采用欧氏距离聚类，距离阈值0.3m，强度方差<10，聚为潜在标线簇。④几何拟合：对每簇做RANSAC直线拟合，断裂长度>2m则分段，曲率>0.05m1采用三次样条。⑤拓扑连接：建立图结构，节点为端点，边为距离<0.5m且方向差<15°，采用最小生成树连接。⑥类别细分：基于宽度、平行间距区分虚线、实线、箭头，宽度阈值0.150.25m。精度验证：采用全站仪实测200个标线中心点作为真值，计算RMSE=√[Σ(xiXi)²+(yiYi)²]/n。相对精度：以车载POS标称精度±2cm+1ppm作为基准，要求RMSE≤5cm。解析：强度阈值为经验值，需现场标定，RANSAC抗噪强，图结构可修复遮挡断裂。六、综合应用题（25分）39.某市计划建设一条长30km的地铁延长线，需进行施工前沿线1km缓冲区的施工扰动评估。请利用遥感与GIS技术完成以下任务，并给出详细步骤、数据源、处理工具、结果指标。（1）构建20202024年土地利用/覆盖变化序列；（2）估算施工扰动导致的碳汇损失；（3）提出基于自然的解决方案（NbS）缓解措施并做空间选址。答案：（1）变化序列构建数据源：Sentinel2L2A20202024每年6月与9月影像，共10期；本地LULC2020年矢量作为基准；GoogleEarth高分辨率影像作为验证。工具：GEE+Python+QGIS步骤：①在GEE中构建年度无云合成，计算NDVI、NDWI、BI、EVI、纹理。②采用RF分类器，以2