2025年高中地理信息技术竞赛试卷(含答案)

2025年高中地理信息技术竞赛试卷(含答案)一、单项选择题（每题2分，共30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.某校地理社利用无人机对校园周边河流进行航拍，后期需将影像叠加到已有矢量地图上。下列GIS数据格式中，最适合直接存储无人机正射影像的是（）A.ShapefileB.GeoTIFFC.KMLD.GeoJSON答案：B解析：GeoTIFF在TIFF基础上嵌入地理坐标信息，可高效存储栅格影像；Shapefile与GeoJSON用于矢量；KML偏重可视化而非分析级栅格。2.在QGIS中打开某县域30m分辨率DEM，发现高程值范围0–145m，但图例显示为灰度0–255。为恢复真实高程，应优先使用的工具是（）A.重采样B.拉伸直方图C.栅格计算器（乘以比例系数）D.设置图层“增强”对比度答案：C解析：灰度0–255为8位拉伸结果，真实高程=DN×比例系数+偏移，栅格计算器可精确还原；重采样改变分辨率；拉伸与增强仅改变显示。3.某中学利用ArcGISPro构建“15分钟生活圈”，需计算居民点步行1km覆盖范围。下列空间分析工具中最适合的是（）A.BufferB.EuclideanDistanceC.ServiceArea（NetworkAnalyst）D.CostDistance答案：C解析：ServiceArea基于道路网络与步行速度，结果符合真实路径；Buffer为直线距离；EuclideanDistance忽略障碍；CostDistance需额外摩擦图层。4.在ENVI5.6中进行Landsat9影像大气校正，需输入的辅助数据不包括（）A.影像获取的UTC时间B.地面气压C.传感器增益偏移参数D.大气层外太阳辐照度答案：B解析：ENVIQUAC/FLAASH需时间、增益、太阳辐照度，地面气压由标准大气模型估算，无需额外输入。5.某市利用出租车GPS轨迹数据研究“热区”，下列聚类算法对噪声点最鲁棒的是（）A.KmeansB.DBSCANC.层次聚类D.SOM答案：B解析：DBSCAN基于密度，可识别任意形状簇并标记噪声；Kmeans对噪声敏感；层次与SOM需后处理去噪。6.在PostGIS中查询“距离地铁口500m内且建筑面积>10000m²的写字楼”，应使用的空间函数组合是（）A.ST_Distance+ST_AreaB.ST_DWithin+ST_AreaC.ST_Intersects+ST_GeodesicAreaD.ST_Contains+ST_Area答案：B解析：ST_DWithin直接利用空间索引判断距离，效率高；ST_Area计算面积；其余函数逻辑不符或效率低。7.某团队利用智能手机内置IMU进行行人航位推算（PDR），发现累计误差随距离增大。下列算法中，最适合在线纠正的是（）A.卡尔曼滤波B.最小二乘平差C.多项式拟合D.随机森林答案：A解析：卡尔曼滤波融合IMU与GNSS观测量，实时估计系统状态；其余方法非在线或需离线训练。8.在GoogleEarthEngine中计算2020–2024年某流域NDVI年际趋势，应使用的统计函数是（）A.ee.Reducer.mean()B.ee.Reducer.linearFit()C.ee.Reducer.mode()D.ee.Reducer.fixedHistogram()答案：B解析：linearFit()对时间序列做一元线性回归，输出斜率与截距，直接反映趋势；mean仅平均；其余无关。9.某市利用BIM与GIS集成构建CIM平台，需将Revit模型精确匹配到CGCS2000坐标系。下列做法正确的是（）A.在Revit中直接修改“项目基点”经纬度B.导出IFC后，在FME中设置自定义七参数转换C.利用Navisworks“附加”GIS图层自动配准D.在Revit内嵌Cesium插件，拖拽模型到大致位置答案：B解析：FME支持七参数高精度投影转换；Revit项目基点无投影定义；Navisworks与Cesium插件精度不足。10.在夜间灯光遥感研究中，为消除饱和效应，最常用的替代数据是（）A.DMSPOLS稳定灯光年均值B.NPPVIIRSDay/NightBand月度数据C.Luojia101高分辨率夜间灯光D.MODISNDVI答案：C解析：Luojia101为130m分辨率，动态范围高，可缓解DMSP/VIIRS饱和；MODIS无夜间灯光。11.某县利用无人机多光谱影像监测水稻长势，需计算NDVI。若影像为16位原始DN，首先应进行的处理是（）A.辐射定标至表观反射率B.直接计算(NIRR)/(NIR+R)C.进行图像分割D.进行地形校正答案：A解析：DN未消除传感器响应差异，需先辐射定标；直接计算结果错误；分割与地形校正应在反射率之后。12.在Python中使用GeoPandas读取Shapefile后，发现几何列名称为“geometry”，但执行gdf.to_crs()报错“notransformation”。最可能缺少的是（）A.安装matplotlibB.安装pyproj≥2.2C.安装fionaD.安装rtree答案：B解析：to_crs()依赖pyproj实现投影转换；fiona负责读写；rtree用于空间索引；matplotlib无关。13.某市利用InSAR监测地铁施工引发的地表形变，需提高时间序列相干性。下列方法中，最有效的是（）A.选取影像时避开雨季B.使用短时空基线阈值C.采用多基线MBInSARD.提高SLC影像分辨率答案：C解析：MBInSAR联合多基线估计，可克服失相干；避开雨季与短基线有一定效果，但非根本；分辨率与相干性无直接关系。14.在WebGIS开发中，为实现“点击地图查询要素属性并高亮”，前端最合理的实现顺序是（）A.map.on('click')→WMSGetFeatureInfo→vector.setStyle()B.vector.on('click')→openPopup()→map.fitBounds()C.map.on('singleclick')→WFSGetFeature→vectorLayer.getSource().addFeature()D.vector.on('click')→WMTSGetTile→map.panTo()答案：C解析：WFS返回GML/JSON要素，可客户端高亮；WMSGetFeatureInfo仅返回属性；WMTS为栅格切片。15.某省发布“实景三维”建设要求，规定Mesh模型平面精度优于5cm，最符合的数据采集方案是（）A.1:10000航空摄影+倾斜相机B.1:500无人机倾斜摄影+RTK像控C.1:2000卫星立体像对D.车载移动激光扫描答案：B解析：1:500倾斜+RTK像控可满足5cm；1:10000与卫星立体精度不足；车载激光需空地融合。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）16.下列关于GIS空间索引的描述，正确的有（）A.Rtree适用于高维空间查询B.Quadtree对空间分布不均匀数据效率低C.GeoHash一维编码可支持范围查询D.空间索引可显著减少磁盘I/OE.空间索引必须在数据库内核层实现答案：ACD解析：Rtree可扩展至高维；GeoHash前缀匹配支持范围；索引减少I/O；Quadtree对不均匀数据仍高效；空间索引可在应用层（如SQLiteRTree）。17.在利用机器学习进行土地覆盖分类时，属于“特征工程”范畴的有（）A.利用灰度共生矩阵提取纹理B.采用SMOTE算法平衡样本C.将Sentinel2波段进行主成分变换D.使用GridSearchCV调优随机森林参数E.计算NDWI水体指数答案：ACE解析：纹理、PCA、指数均为特征生成；SMOTE为样本层面；GridSearchCV为模型调参。18.下列关于北斗三号系统特色功能的描述，正确的有（）A.全球短报文通信容量提升至560bitB.星间链路实现卫星卫星测距C.采用“地球静止+倾斜地球同步+中圆轨道”混合星座D.全球定位精度优于GPSIIIE.提供国际搜救返向链路服务答案：ABCE解析：北斗三号具备上述功能；全球精度与GPSIII相当，未全面优于。19.在利用激光雷达（LiDAR）提取建筑物轮廓时，可辅助提高精度的数据或方法有（）A.回波次数滤波（LastReturn）B.基于RANSAC的平面拟合C.融合多光谱影像进行语义分割D.使用最小值滤波去除植被点E.采用扫描角阈值剔除边缘畸变点答案：ABCE解析：最小值滤波易错分类地面点，非植被去除主流方法；其余均可提升精度。20.下列Python代码片段中，可正确实现“将WGS84点缓冲区500m再计算面积”的有（）A.```pythonfromgeopy.distanceimportgeodesicbuf=geodesic(kilometers=0.5).destination(point,90)```B.```pythonimportgeopandasasgpdgdf=gpd.GeoDataFrame(geometry=[point],crs=4326)area=gdf.to_crs(3857).buffer(500).area```C.```pythonfromshapely.opsimporttransformimportpyprojproj=pyproj.Transformer.from_crs(4326,32650,always_xy=True).transformarea=transform(proj,point).buffer(500).area```D.```pythongdf=gpd.GeoDataFrame(geometry=[point],crs=4326)area=gdf.buffer(0.005).area0.005°≈500m```E.```pythongdf=gpd.GeoDataFrame(geometry=[point],crs=4326)area=gdf.to_crs(gdf.estimate_utm_crs()).buffer(500).area```答案：BCE解析：B、E通过本地UTM投影保证米制单位；C手动投影后缓冲；A仅计算单点坐标；D以度为单位的缓冲在纬度方向失真。三、实践操作题（共25分）21.（10分）某市提供2024年6月1日–6月30日出租车GPS轨迹（CSV，字段：vehicle_id,lon,lat,time,status），数据量约2000万条。要求：（1）使用Python生成“工作日早高峰（7:00–9:00）”数据子集，并投影至本地UTM（50N）；（4分）（2）基于DBSCAN（eps=300m，min_samples=50）识别热区，计算热区数量及平均面积；（4分）（3）将热区结果保存为GeoPackage，图层名“taxi_hotspots”。（2分）答案与解析：```pythonimportpandasaspd,geopandasasgpd,datetimeasdtfromsklearn.clusterimportDBSCANfromshapely.geometryimportPoint1.读取并过滤df=pd.read_csv('taxi_june2024.csv',parse_dates=['time'])df['dow']=df.time.dt.weekdaydf['hour']=df.time.dt.hourwork_peak=df[(df.dow<5)&(df.hour>=7)&(df.hour<9)]gdf=gpd.GeoDataFrame(work_peak,geometry=[Point(xy)forxyinzip(work_peak.lon,work_peak.lat)],crs=4326)gdf=gdf.to_crs(32650)UTM50N2.DBSCANcoords=np.vstack([gdf.geometry.x,gdf.geometry.y]).Tdb=DBSCAN(eps=300,min_samples=50,metric='euclidean').fit(coords)gdf['label']=db.labels_hotspots=gdf[gdf.label!=1].dissolve(by='label').reset_index()hotspots['area']=hotspots.geometry.areaprint('热区数量:',len(hotspots),'平均面积(m²):',hotspots.area.mean())3.保存hotspots.to_file('taxi_analysis.gpkg',layer='taxi_hotspots',driver='GPKG')```解析：利用pandas快速过滤高峰；DBSCAN在投影后米制空间运行保证距离准确；dissolve聚合同一簇点并计算面积；GeoPackage支持多图层且轻量。22.（8分）某县提供2023年土地变更调查矢量（DLTB.shp，字段BSM,TBMJ,DLMC）与2024年无人机影像（0.2m，4波段）。要求：（1）使用ArcGISPro构建随机森林分类器，训练样本通过“创建精度点”工具生成，每类≥60个；（3分）（2）以2023年DLMC为真实标签，计算2024年分类混淆矩阵，要求总体精度>85%，Kappa>0.8；（3分）（3）将精度报告导出为PDF，文件名“RF_accuracy_2024.pdf”。（2分）答案与操作要点：1.创建训练样本：使用“分类向导→手动选取”或“创建精度点”分层随机，导出Training.shp。2.随机森林参数：n=500，树深度=30，变量数=√n。3.分类后，使用“计算混淆矩阵”工具，输入2023年DLMC作为参考，输出OverallAccuracy=87.4%，Kappa=0.83。4.在“分类结果”右键→导出报表→PDF，命名完成。解析：以历史调查为真值可快速验证；随机森林对高分辨率影像过拟合风险低；PDF报表含用户/制图者精度，满足规范。23.（7分）某流域提供Sentinel1GRD影像（20240815，VV+VH），需提取水体。要求：（1）使用GoogleEarthEngine编写JavaScript代码，完成边缘引导Otsu阈值分割；（4分）（2）将水体结果导出为GeoTIFF，分辨率10m，区域为矩形ROI（提供坐标）。（3分）答案：```javascriptvarroi=/color:d63000/ee.Geometry.Polygon([[[113.1,22.5],[113.1,22.4],[113.3,22.4],[113.3,22.5]]]);varimg=ee.Image('COPERNICUS/S1_GRD/20240815').filterBounds(roi).select(['VV','VH']).focal_mean(30,'circle','meters').clip(roi);varotsu=function(histogram){varcounts=ee.Array(ee.Dictionary(histogram).get('histogram'));varmeans=ee.Array(ee.Dictionary(histogram).get('bucketMeans'));varsize=means.length().get([0]);vartotal=counts.reduce(ee.Reducer.sum(),[0]).get([0]);varsum=means.multiply(counts).reduce(ee.Reducer.sum(),[0]).get([0]);varmean=sum.divide(total);varindices=ee.List.sequence(1,size);varbss=indices.map(function(i){varaCounts=counts.slice(0,0,i);varaCount=aCounts.reduce(ee.Reducer.sum(),[0]).get([0]);varaMeans=means.slice(0,0,i);varaMean=aMeans.multiply(aCounts).reduce(ee.Reducer.sum(),[0]).get([0]).divide(aCount);varbCount=total.subtract(aCount);varbMean=sum.subtract(aCount.multiply(aMean)).divide(bCount);returnaCount.multiply(aMean.subtract(mean).pow(2)).add(bCount.multiply(bMean.subtract(mean).pow(2)));});varmaxBss=bss.reduce(ee.Reducer.max());varmode=bss.indexOf(maxBss);returnmeans.get(mode);};varhistogram=img.select('VV').reduceRegion({reducer:ee.Reducer.histogram(255),geometry:roi,scale:10,maxPixels:1e9});varthreshold=otsu(histogram.get('VV'));varwater=img.select('VV').lt(threshold);Export.image.toDrive({image:water,description:'water_20240815',scale:10,region:roi,crs:'EPSG:4326',fileFormat:'GeoTIFF'});```解析：先进行边缘保持滤波（focal_mean）抑制散斑；Otsu自适应阈值对VV单波段有效；导出10m保持原始分辨率。四、综合案例分析（共30分）24.（15分）“城市内涝监测与预警”项目集成多源数据：雨量站（5min）、管网GIS、社交媒体文本、SAR影像、DEM。请回答：（1）设计一套时空数据仓库分层模型（ODS→DWD→DWS→ADS），给出每层核心表结构与字段；（5分）（2）采用何种深度学习框架与网络结构，实现0.5h分辨率内涝风险图滚动预报？说明输入输出与损失函数；（5分）（3）给出社交媒体文本（如微博）关键词过滤与地理坐标解析的完整技术流程，并评估其定位精度。（5分）答案与解析：（1）分层模型：ODS（原始）：ods_rainfall(station_id,tm,rainfall_5min,qc_flag)ods_pipe_net(pipe_id,material,diam,inv_up,inv_down,geom)ods_weibo(id,txt,publish_time,user_loc,pic_url)ods_sar(img_path,satellite,pass_time,polarization,geom)DWD（清洗）：dwd_rainfall_grid(grid_id,tm,rainfall_1km,source)——克里金插值dwd_pipe_event(pipe_id,tm,depth,velocity)——耦合SWMMdwd_weibo_geo(id,txt,publish_time,geom,keyword)——NLP+地理解析DWS（汇总）：dws_rain_30min(grid_id,tm_start,rainfall_sum,max_intensity)dws_flood_sim(grid_id,tm,water_depth,sim_step)——LISFLOODFPdws_sentiment(grid_id,tm,negative_ratio,count)ADS（应用）：ads_alert_grid(grid_id,tm,risk_level,confidence,suggestion)（2）框架与网络：采用PyTorchLightning+ConvLSTM编码解码结构。输入：5通道—(rainfall_0.5h,DEM,impervious,weibo_density,SAR_flood_prev)。输出：1通道—risk_probability(0–1)。损失函数：FocalLoss+SSIM，缓解类别不平衡与空间平滑。训练：2020–2023年事件集，数据增广使用随机旋转与镜像。解析：ConvLSTM捕捉时空依赖；FocalLoss降低易分样本权重；SSIM保持边缘锐度。（3）技术流程：1.关键词过滤：构建内涝词典（积水、淹、内涝、看海），使用Jieba+自定义词典分词，TFIDF>阈值保留。2.地理解析：a.用户注册地址→高德GeoCod