高光谱遥感地物分类识别技师考试试卷及答案

高光谱遥感地物分类识别技师考试试卷及答案一、填空题（共10题，每题1分）1.高光谱遥感的核心特征是具有______的光谱分辨率，通常达纳米级。2.用于地物分类的高光谱参考光谱数据集称为______。3.混合像元中提取纯净端元的常用方法有______（举1种）。4.线性混合像元分解假设像元光谱是端元光谱的______组合。5.监督分类常用分类器有______（举1种）。6.非监督分类基于像元光谱的______进行聚类。7.光谱匹配分类常用算法有______（举1种）。8.去除高光谱数据大气影响的方法是______。9.缓解高光谱维度灾难的方法有______（举1种）。10.分类精度评价中反映用户信任度的指标是______（举1种）。二、单项选择题（共10题，每题2分）1.以下属于监督分类方法的是？A.K-meansB.ISODATAC.支持向量机D.光谱角匹配2.线性混合像元分解不假设的是？A.线性叠加B.端元数量已知C.分布均匀D.光谱稳定3.高光谱大气校正常用工具是？A.FLAASHB.RasterCalculatorC.GDALD.numpy4.“休斯顿悖论”指的是？A.维度越高精度越低B.数据量太大C.混合像元多D.光谱变异大5.像元纯度指数（PPI）的作用是？A.计算端元数量B.筛选纯净端元C.分解混合像元D.大气校正6.属于非线性混合分解模型的是？A.LSMMB.多元回归C.神经网络D.最小二乘法7.监督分类关键输入是？A.无标签样本B.训练样本集C.端元光谱D.大气参数8.特征选择的主要目的是？A.减少维度B.增加通道C.校正大气D.增强混合像元9.混淆矩阵指标是？A.相关系数B.均方根误差C.总体精度D.信噪比10.适合非监督分类的场景是？A.有大量训练样本B.类别已知C.无先验知识D.光谱差异大三、多项选择题（共10题，每题2分，多选/少选/错选不得分）1.高光谱分类步骤包括？A.预处理B.特征提取C.分类器训练D.精度评价2.混合像元分解模型有？A.LSMMB.Hapke模型C.K-meansD.SVM3.监督分类方法有？A.MLCB.SVMC.RFD.K-means4.数据预处理环节有？A.辐射定标B.大气校正C.几何校正D.特征降维5.分类精度指标有？A.总体精度B.Kappa系数C.生产者精度D.用户精度6.端元提取方法有？A.PPIB.N-FINDRC.MLCD.光谱匹配7.光谱匹配算法有？A.SAMB.SIDC.最小距离D.RF8.维度灾难表现有？A.计算量剧增B.精度下降C.过拟合D.通道冗余9.大气校正影响因素有？A.水汽B.传感器角度C.太阳高度角D.地物反射率10.非监督分类方法有？A.K-meansB.ISODATAC.MLCD.SVM四、判断题（共10题，每题2分，√/×）1.高光谱只能获取反射光谱，不能获取发射光谱。（）2.线性混合分解假设像元光谱是端元线性加权和。（）3.监督分类无需先验知识，自动聚类。（）4.大气校正是预处理必要环节。（）5.端元数量越多，分解精度越高。（）6.SAM通过计算光谱夹角判断相似度。（）7.高光谱维度越高，分类精度一定越高。（）8.非监督分类需要训练样本。（）9.Kappa系数评价分类与真实情况一致性。（）10.混合分解结果是端元丰度。（）五、简答题（共4题，每题5分）1.简述高光谱与多光谱分类的主要区别。2.线性混合像元分解的基本假设是什么？3.监督分类的一般步骤有哪些？4.光谱匹配分类的核心思想是什么？六、讨论题（共2题，每题5分）1.如何解决高光谱维度高导致的“休斯顿悖论”？2.混合像元对高光谱分类的影响及应对策略？---答案部分一、填空题答案1.高（纳米级）2.光谱库3.像元纯度指数法（N-FINDR等）4.线性加权5.支持向量机（MLC等）6.相似性（距离）7.光谱角匹配（SID等）8.大气校正9.主成分分析（MNF等）10.用户精度（生产者精度）二、单项选择题答案1.C2.B3.A4.A5.B6.C7.B8.A9.C10.C三、多项选择题答案1.ABCD2.AB3.ABC4.ABCD5.ABCD6.AB7.AB8.ABCD9.ABC10.AB四、判断题答案1.×2.√3.×4.√5.×6.√7.×8.×9.√10.√五、简答题答案1.区别：①光谱分辨率：高光谱达纳米级，可区分细微差异；多光谱仅数十个宽波段。②分类依据：高光谱依赖连续光谱曲线；多光谱依赖有限波段反射值。③混合像元处理：高光谱可分解识别亚像元；多光谱难以实现。④精度：高光谱对相似地物（如植被类型）分类精度更高。2.基本假设：①像元光谱是端元光谱线性加权和；②端元分布均匀、无相互作用；③端元光谱稳定；④丰度非负且和为1；⑤端元数量已知。3.步骤：①预处理（定标、校正）；②选训练样本（代表性、足够数量）；③特征提取/选择；④训练分类器；⑤整幅图像分类；⑥精度评价（混淆矩阵、Kappa）。4.核心思想：将待分类像元光谱与已知光谱库（或训练样本）计算相似度，相似度越高则类别越匹配。关键是定义合理度量（如SAM夹角、SID分布差异），无需复杂训练，适合已知光谱场景。六、讨论题答案1.解决方法：①特征降维：用PCA、MNF等线性降维，或流形学习非线性降维；②特征选择：通过ReliefF、遗传算法筛选有效波段；③正则化分类器：用L1正则SVM、随机森林降低过拟合；④增加训练样本；⑤半监督学习：利用少量标签+大量无标签样本