卫星遥感农作物估产算法工程师岗位招聘考试试卷及答案

卫星遥感农作物估产算法工程师岗位招聘考试试卷及答案一、填空题（共10题，每题1分）1.归一化植被指数的英文缩写是________。2.农作物产量构成的三大核心因素是穗数、粒数和________。3.卫星遥感按空间分辨率可分为高分辨率、中分辨率和________分辨率。4.Landsat8OLI传感器近红外波段中心波长约为________μm。5.微波遥感的主要优势是不受________影响。6.像元二分模型假设像元由植被和________两部分组成。7.统计模型估产的核心是建立遥感指数与________的统计关系。8.无人机遥感相比卫星遥感的优势之一是________（填一个即可）。9.监测作物缺水状况的常用指数是________（填一个即可）。10.深度学习中常用于遥感分类的网络模型是________（填一个即可）。二、单项选择题（共10题，每题2分）1.以下不属于光学遥感估产常用指数的是？A.NDVIB.EVIC.SARD.SAVI2.Landsat8卫星重访周期约为？A.1天B.16天C.30天D.90天3.属于高分辨率光学卫星的是？A.Landsat7B.Sentinel-2C.GF-2D.MODIS4.物理模型估产的核心是基于？A.统计回归B.作物生长机理C.经验公式D.历史数据5.土壤湿度监测常用的遥感类型是？A.可见光B.近红外C.微波D.热红外6.遥感估产地面验证的关键步骤是？A.数据下载B.样方测产C.图像预处理D.模型训练7.抑制土壤背景影响更好的指数是？A.NDVIB.EVIC.DVID.RVI8.Sentinel-1卫星属于哪种遥感类型？A.光学B.微波C.红外D.紫外9.遥感估产的最佳监测时期是？A.播种期B.苗期C.抽穗期D.成熟期10.随机森林在估产中属于？A.物理模型B.统计模型C.经验模型D.机理模型三、多项选择题（共10题，每题2分，多选/少选不得分）1.遥感估产常用卫星数据源包括？A.Landsat系列B.Sentinel系列C.MODISD.GF系列2.光学图像预处理步骤包括？A.辐射定标B.大气校正C.几何校正D.图像融合3.统计模型估产的优势包括？A.实现简单B.依赖参数少C.精度稳定D.解释性强4.微波遥感在估产中的应用场景包括？A.多云雾监测B.土壤湿度监测C.生物量估算D.夜间监测5.估产地面辅助数据包括？A.气象数据B.土壤墒情C.种植结构D.测产数据6.植被指数在估产中的作用包括？A.反映长势B.估算生物量C.监测病虫害D.预测产量7.无人机遥感估产的优势有？A.高空间分辨率B.高时间分辨率C.灵活机动D.覆盖范围广8.深度学习在估产中的应用方向包括？A.作物分类B.长势监测C.产量预测D.数据融合9.作物长势监测指标包括？A.LAIB.生物量C.株高D.产量10.模型验证常用方法包括？A.R²B.RMSEC.MAED.混淆矩阵四、判断题（共10题，每题2分，√/×）1.NDVI值越大，植被覆盖度一定越高。（）2.Sentinel-2空间分辨率为10m-60m。（）3.微波遥感能穿透云层，但不能穿透植被冠层。（）4.统计模型估产精度一定低于物理模型。（）5.无人机覆盖范围比卫星广。（）6.热红外可监测冠层温度反映缺水状况。（）7.估产只需卫星数据无需地面数据。（）8.EVI比NDVI更适合高植被覆盖区。（）9.深度学习估产无需地面验证。（）10.抽穗期是产量形成关键期，遥感监测意义重大。（）五、简答题（共4题，每题5分）1.简述光学遥感估产的基本流程。2.对比统计模型与物理模型在估产中的差异。3.说明无人机遥感在估产中的应用优势。4.解释NDVI在估产中的作用机制。六、讨论题（共2题，每题5分）1.如何解决多云雾地区遥感估产数据缺失的问题？2.谈谈AI（深度学习）在卫星遥感估产中的应用前景及挑战。---答案部分一、填空题答案1.NDVI2.粒重3.低4.0.855.云雾6.土壤7.作物产量8.高时间分辨率（或灵活机动等）9.NDWI（或MSI等）10.U-Net（或CNN等）二、单项选择题答案1.C2.B3.C4.B5.C6.B7.B8.B9.C10.B三、多项选择题答案1.ABCD2.ABCD3.AB4.ABC5.ABCD6.ABCD7.ABC8.ABCD9.ABC10.ABC四、判断题答案1.×2.√3.×4.×5.×6.√7.×8.√9.×10.√五、简答题答案1.光学遥感估产流程：①数据源选择（Landsat、Sentinel-2等）；②图像预处理（辐射定标、大气校正、几何校正）；③提取植被指数（NDVI、EVI等）；④结合地面辅助数据（测产、气象、土壤）；⑤建立估产模型（统计/物理）；⑥模型验证（R²、RMSE等）；⑦产量估算输出。2.统计vs物理模型差异：①统计模型：基于遥感指数与产量的回归，实现简单、参数少，但精度受区域限制，解释性弱；②物理模型：基于作物生长机理（光合、呼吸），精度高、解释性强，但需大量参数，实现复杂；③适用：统计适合小区域易数据场景，物理适合机理研究/稳定大区域。3.无人机估产优势：①高空间分辨率（厘米级），精准监测单株/小区域；②高时间分辨率（日尺度），适配生长动态；③灵活机动，针对特定地块快速获取；④成本低，适合小面积精准估产；⑤多传感器搭载（光学、热红外），获取长势、温度等多维度数据。4.NDVI作用机制：NDVI=(NIR-Red)/(NIR+Red)，利用植被对近红外高反射、红光强吸收的特性：①值越高，植被覆盖/生物量越高；②生长季变化反映长势（苗期升、成熟期降）；③建立NDVI与产量的统计关系，间接预测产量；④时间序列NDVI提升生长动态监测精度。六、讨论题答案1.多云雾地区数据缺失解决方法：①多源融合：结合光学（Sentinel-2）与微波（Sentinel-1）数据，微波不受云雾影响；②时间插值：利用相邻无云期数据补全缺失值；③无人机补测：针对关键地块获取高分辨率数据；④模型优化：引入气象、土壤等辅助数据，减少对光学数据依赖；⑤深度学习：用GAN生成缺失区域数据，提升完整性。2.AI在估产中的前