2025年遥感技术应用试卷及答案

2025年遥感技术应用试卷及答案一、单项选择题（每题2分，共20分）1.下列传感器中，属于被动式遥感的是（）A.激光雷达（LiDAR）B.Landsat-9OLIC.合成孔径雷达（SAR）D.微波辐射计答案：B2.热红外遥感的主要探测对象是地物的（）A.反射率B.发射率C.透射率D.散射率答案：B3.某卫星影像的空间分辨率为0.5米，其最适合的应用场景是（）A.全球植被覆盖监测B.城市建筑物精细化分类C.大气气溶胶反演D.海洋水色观测答案：B4.NDVI（归一化植被指数）的计算公式为（）A.(NIR-R)/(NIR+R)B.(R-NIR)/(R+NIR)C.(NIR+R)/(NIR-R)D.(R+NIR)/(R-NIR)答案：A5.微波遥感的突出优势是（）A.高光谱分辨率B.昼夜及云雾条件下观测C.高时间分辨率D.对植被冠层的穿透性答案：B6.下列卫星中，搭载干涉合成孔径雷达（InSAR）的是（）A.GF-1（高分一号）B.Sentinel-1C.MODISD.SPOT-7答案：B7.高光谱遥感的光谱分辨率通常小于（）A.100nmB.10nmC.1nmD.0.1nm答案：B8.遥感图像辐射校正的主要目的是（）A.消除几何畸变B.校正传感器本身的辐射误差及大气影响C.提高空间分辨率D.增强图像纹理特征答案：B9.下列技术中，最适合用于监测地表形变的是（）A.多光谱遥感B.高光谱遥感C.InSARD.热红外遥感答案：C10.无人机遥感的核心优势是（）A.全球覆盖能力B.高时间分辨率C.灵活的起降与定制化观测D.长波红外探测答案：C二、填空题（每空2分，共20分）1.被动遥感的能量来源主要是__________。答案：太阳辐射2.合成孔径雷达（SAR）通过__________技术提高方位向分辨率。答案：合成孔径3.热红外遥感常用的波段范围是__________微米。答案：8-144.植被指数中，能有效区分植被与背景土壤的是__________（填缩写）。答案：SAVI（土壤调节植被指数）5.我国高分专项中，以高光谱观测为主要载荷的卫星是__________。答案：GF-5（高分五号）6.遥感图像分类中，基于像元的方法易受__________问题影响，而面向对象分类可通过__________弥补这一缺陷。答案：椒盐噪声；地物空间结构信息7.星载激光测高仪（如ICESat-2）主要用于测量__________。答案：地表高程（或冰盖、植被高度）8.多源遥感数据融合按层次可分为__________、特征级融合和决策级融合。答案：像元级融合三、简答题（每题10分，共40分）1.简述光学遥感与微波遥感的主要差异，并举例说明二者在灾害监测中的协同应用。答案：差异：①能量来源：光学依赖太阳辐射（被动），微波可主动发射电磁波（如SAR）；②穿透性：微波可穿透云雾、部分植被和地表，光学受天气影响大；③探测参数：光学反映地物反射特性，微波反映后向散射特性；④分辨率：光学空间分辨率较高，微波（SAR）可通过干涉技术获取形变信息。协同应用：例如地震后，光学遥感（如高分二号）快速获取高分辨率影像，识别房屋倒塌、道路损毁等可见特征；SAR（如Sentinel-1）通过差分干涉（D-InSAR）监测地表微小形变，评估次生灾害风险（如滑坡隐患），二者结合可全面评估灾害影响。2.高光谱遥感的“图谱合一”特性对定量遥感有何意义？请结合农业应用说明。答案：“图谱合一”指高光谱数据同时包含连续光谱信息（图谱）和空间位置信息（图像）。意义：①精细识别地物：窄波段覆盖可捕捉地物独特的光谱特征（如植被叶绿素、水分的吸收峰）；②定量反演精度提升：多波段组合可构建更精确的物理模型（如叶面积指数、生物量反演）；③动态监测能力：连续光谱可追踪地物参数的微小变化（如病虫害初期的光谱异常）。农业应用：通过高光谱数据提取植被红边位置（680-750nm）的偏移量，可早期识别作物氮素缺乏；结合水分吸收波段（1450nm、1940nm）反演冠层水分含量，指导精准灌溉；区分不同作物品种（如小麦与玉米的光谱差异），辅助种植结构监测。3.说明多源遥感数据融合的主要方法（至少3种），并举例其在城市规划中的应用。答案：主要方法：①像元级融合：通过加权、主成分分析（PCA）等将多传感器像元级数据合并（如高空间分辨率全色影像与多光谱影像融合）；②特征级融合：提取各数据源的特征（如纹理、边缘）后合并（如SAR的雷达纹理与光学的光谱特征结合）；③决策级融合：基于各数据源的分类或识别结果进行投票或贝叶斯推理（如光学识别建筑、InSAR识别沉降区，综合判定危旧建筑分布）。城市规划应用：融合高分辨率光学影像（如0.5米GF-7）与LiDAR点云数据，提取建筑物高度、密度等三维参数，辅助城市容积率计算；结合夜间灯光数据（如珞珈一号）与SAR影像，分析城市扩张边界与土地利用变化，优化功能区规划；融合热红外数据（如ASTER）与气象数据，识别城市热岛中心，指导绿地与水体布局。4.人工智能（AI）在遥感图像解译中的典型应用有哪些？当前面临的主要挑战是什么？答案：典型应用：①目标检测：基于YOLO、FasterR-CNN等模型自动识别特定地物（如车辆、港口）；②语义分割：通过U-Net、DeepLabv3+实现地类精细分类（如耕地、森林、水体）；③时序分析：利用LSTM、Transformer处理长时间序列遥感数据，预测土地利用变化；④端元提取：结合深度学习优化高光谱混合像元分解，提高定量反演精度。挑战：①标注数据不足：高质量遥感标注样本获取成本高，尤其稀缺地物（如火山、特殊灾害）；②模型泛化性：不同传感器（光学、SAR）、不同区域（地形、气候）的影像差异大，模型易过拟合；③可解释性差：深度学习的“黑箱”特性限制了对解译结果的机理分析（如分类错误的具体原因）；④计算资源需求：高分辨率、大区域影像处理需高性能计算支持，边缘设备部署困难。四、综合分析题（每题10分，共20分）1.某地区发生森林火灾后，需利用多源遥感数据监测灾后恢复情况。假设你拥有Landsat-9（多光谱，30米分辨率，16天重访）、Sentinel-1（SAR，5米分辨率，12天重访）、无人机（可见光/多光谱，0.1米分辨率，按需获取）三种数据，设计监测方案并说明各数据的作用。答案：监测方案分三阶段：（1）火灾初期（0-1个月）：①无人机：快速获取火场核心区0.1米分辨率影像，识别过火边界、残留火源（热红外载荷辅助），评估乔木、灌木烧毁程度；②Sentinel-1：利用SAR穿透烟雾特性，监测火场周边未完全燃烧区域（后向散射系数变化反映植被结构破坏）；③Landsat-9：覆盖大区域，通过NBR（归一化燃烧指数）计算过火面积，与历史影像对比确定火灾强度等级。（2）恢复中期（1-12个月）：①Landsat-9：定期（16天）获取NDVI、EVI（增强型植被指数），追踪植被覆盖度变化，结合热红外波段监测土壤湿度（影响恢复速度）；②Sentinel-1：通过干涉测量（InSAR）监测地表沉降（火灾导致的土壤结构变化），结合相干性分析评估植被再生的垂直结构恢复（如灌木萌发）。（3）长期评估（1年以上）：①多源数据融合：将无人机的高分辨率影像（验证局部恢复细节）与Landsat的长期序列（分析整体趋势）、Sentinel-1的结构信息（区分草本与木本植物）结合，构建恢复指数（如RVI=（NDVI恢复率+相干性恢复率）/2）；②结合地面样方调查，验证遥感反演结果，优化恢复模型参数（如不同树种的再生周期）。2.假设你需利用遥感技术为某城市设计“海绵城市”建设效果评估方案，需包含关键指标、数据来源及技术方法。答案：（1）关键指标：①透水地表比例：硬质铺装（如水泥、沥青）与透水铺装（如透水砖、绿地）的面积比；②地表径流调控能力：通过下垫面类型反演地表径流系数；③内涝点变化：历史内涝区的积水频率与范围；④生态空间连通性：湿地、绿地的斑块密度、连接度。（2）数据来源：①高分辨率光学影像（如GF-6，2米全色+8米多光谱）：提取土地利用类型（区分透水/硬质地表）；②SAR影像（如Sentinel-1）：结合后向散射特性识别潜在积水区（水体与非水体的散射差异）；③热红外数据（如ASTER，90米分辨率）：反演地表温度，评估绿地、水体对热岛的缓解作用；④地形数据（如SRTMDEM，30米分辨率）：分析地表坡度、汇水区域，辅助径流模型构建；⑤社会经济数据（如人口密度、管网分布）：与遥感指标关联分析，识别建设薄弱区。（3）技术方法：①面向对象分类：基于GF-6影像的光谱、纹理（如灰度共生矩阵）和形状特征（如长宽比），分类透水地表（绿地、透水铺装）与硬质地表；②径流系数反演：结合土地利用分类结果与SCS-CN模型（曲线数模型），计算不同区域的径流系数，评估雨水滞留能力；③内涝点监