2026年林业遥感考试试题及答案

2026年林业遥感考试试题及答案一、单项选择题（每题2分，共20分）1.以下哪种传感器属于主动式遥感系统？A.LandsatOLIB.Sentinel-2MSIC.ALOSPALSARD.MODIS答案：C（ALOSPALSAR为合成孔径雷达，主动发射电磁波；其余为被动接收反射光）2.计算归一化植被指数（NDVI）时，通常使用的波段组合是？A.蓝波段与绿波段B.红波段与近红外波段C.绿波段与红波段D.近红外波段与短波红外波段答案：B（NDVI=(NIR-Red)/(NIR+Red)）3.森林冠层郁闭度遥感反演中，最易受大气气溶胶影响的传感器是？A.激光雷达（LiDAR）B.合成孔径雷达（SAR）C.光学多光谱传感器D.热红外传感器答案：C（光学传感器依赖地表反射的太阳辐射，大气散射会干扰红、近红外等波段信号）4.以下哪项不是无人机遥感在林业中的典型应用？A.森林火灾早期预警（热红外）B.单木冠幅精确测量（高分辨率可见光）C.大范围森林类型制图（10m分辨率多光谱）D.病虫害斑块边界提取（高光谱）答案：C（无人机覆盖范围较小，大范围制图通常使用卫星遥感）5.利用Lidar数据反演森林树高时，关键参数是？A.回波强度（Intensity）B.波形宽度（WaveformWidth）C.冠层高度模型（CHM）D.后向散射系数（σ°）答案：C（CHM=DSM（地表+植被）DTM（地表），直接反映植被高度）6.哨兵3号（Sentinel-3）OLCI传感器的主要优势是？A.亚米级空间分辨率B.每日全球覆盖能力C.21个波段的海洋与陆地监测D.穿透云量的雷达成像答案：C（OLCI设计用于海洋水色和陆地生态监测，波段数达21个，覆盖可见光至近红外）7.森林生物量遥感反演中，以下哪种数据组合的互补性最弱？A.光学多光谱（反映植被覆盖）+SAR（穿透冠层）B.LiDAR（垂直结构）+高光谱（光谱特征）C.热红外（地表温度）+微波辐射计（土壤湿度）D.无人机可见光（细节）+卫星多光谱（大范围）答案：C（热红外与微波辐射计主要反映地表能量和水分状态，与生物量直接关联较弱）8.高光谱遥感数据预处理中，“光谱定标”的核心目的是？A.消除传感器内部噪声B.将数字量化值（DN）转换为反射率C.校正几何畸变D.去除大气吸收与散射影响答案：B（定标是将传感器记录的DN值转换为辐射亮度或反射率的物理量）9.以下哪种森林类型在SAR图像中后向散射系数最高？A.幼龄针叶林（树高<5m）B.成熟阔叶林（冠层密集）C.稀疏灌木林（覆盖度<30%）D.采伐迹地（无植被覆盖）答案：B（成熟阔叶林冠层复杂，叶片、枝干对微波多次散射，后向散射强）10.森林碳汇监测中，遥感技术的核心作用是？A.直接测量CO₂浓度B.反演植被生物量与生产力C.监测土壤有机碳含量D.评估林火碳排放通量答案：B（通过生物量反演结合碳转换系数估算碳储量，是遥感监测碳汇的主要路径）二、填空题（每空1分，共20分）1.被动遥感系统依赖______或______的电磁辐射，而主动遥感系统需自带______。（太阳；地物自身；辐射源）2.MODIS传感器的重访周期为______天，其250m分辨率的波段主要用于______监测。（1-2；植被指数）3.激光雷达（LiDAR）数据处理中，______点云用于提供地表模型（DTM），______点云用于提取植被高度。（地面；非地面）4.森林病虫害遥感监测的关键是识别______异常，常用指标包括______（如NDVI下降）和______（如红边位移）。（光谱；植被指数；光谱特征参数）5.SAR数据的后向散射系数受______、______和______三个因素共同影响。（地物介电常数；表面粗糙度；入射角）6.高分辨率遥感影像（<5m）在林业中的典型应用包括______、______和______。（单木识别；林分边界提取；道路/采伐迹地检测）7.多源遥感数据融合的主要方法有______（如IHS变换）、______（如主成分分析）和______（如神经网络）。（像素级；特征级；决策级）8.森林火灾后遥感评估的核心指标包括______、______和______。（过火面积；烧损程度；植被恢复潜力）三、简答题（每题6分，共30分）1.简述光学遥感与SAR遥感在森林垂直结构探测中的差异。答案：光学遥感主要依赖冠层顶部反射的可见光/近红外辐射，难以穿透密集冠层，对林冠垂直分层（如乔木层、灌木层）的区分能力有限；SAR（合成孔径雷达）利用微波（如C、L、P波段）对植被的穿透性（P波段穿透最深），可通过后向散射特征反映冠层内部结构（如枝干分布、林下层高度），结合双极化或全极化数据可进一步反演垂直分层信息。2.说明高光谱遥感在森林树种分类中的优势及主要挑战。优势：高光谱数据（波段数>100，光谱分辨率<10nm）提供连续光谱曲线，可捕捉树种间细微的光谱差异（如红边位置、叶绿素吸收峰深度、叶肉细胞结构引起的反射率变化），显著提升分类精度；挑战：数据维度高导致“Hughes现象”（样本不足时分类精度下降），需结合特征选择或降维技术；大气校正复杂（需精确去除水汽、臭氧等吸收带影响）；数据量庞大，存储与处理成本高。3.无人机遥感用于森林样地调查时，需重点关注哪些技术参数？需关注：①空间分辨率（通常需<0.5m以识别单木）；②光谱范围（可见光+近红外可计算植被指数，热红外可监测水分状态）；③续航时间（影响覆盖面积，需匹配样地分布密度）；④定位精度（RTK/PPK差分定位确保影像配准误差<5cm）；⑤抗风能力（森林区域气流复杂，需适应3-4级风）。4.简述基于Lidar数据反演森林蓄积量的技术流程。流程：①数据采集（机载/星载Lidar获取点云）；②点云分类（分离地面点与植被点）；③提供CHM（冠层高度模型）与DSM（数字表面模型）；④提取结构参数（平均树高、冠幅、郁闭度、点云密度百分位数如P90）；⑤建立蓄积量反演模型（常用多元回归或机器学习，自变量为Lidar参数，因变量为样地实测蓄积量）；⑥模型验证（交叉验证或独立样地检验精度）；⑦区域尺度反演（应用模型提供蓄积量分布图）。5.比较哨兵2号（Sentinel-2）与Landsat9在森林资源监测中的适用性。Sentinel-2优势：更高空间分辨率（10m多光谱波段）、更短重访周期（5天，单星；2-3天双星）、新增红边波段（705nm、740nm），适合动态监测（如物候变化、病虫害蔓延）和精细分类（如树种识别）；Landsat9优势：更长时间序列（与Landsat系列数据延续性好，支持30年以上变化分析）、热红外波段（10.6-12.5μm）可监测地表温度与水分状况，适合长期森林覆盖变化与生态趋势研究；共同局限：均为光学传感器，受云覆盖影响大（需结合SAR或主动遥感弥补）。四、论述题（每题15分，共30分）1.论述多源遥感数据融合在森林资源年度更新调查中的应用策略。森林资源年度更新需监测森林面积、蓄积量、覆盖类型等变化，单一数据源难以满足“大范围覆盖+高时间分辨率+高空间精度”需求，多源融合是关键策略。（1）数据选择：中分辨率卫星（如Sentinel-2，10m，5天重访）：用于大范围覆盖，捕捉季度尺度植被指数（NDVI、EVI）变化，识别疑似变化区域（如采伐、造林）；高分辨率卫星（如WorldView-3，0.31m）：对疑似变化区域进行详查，精确提取地类边界（如林地转耕地、建设用地）；SAR数据（如Sentinel-1，C波段，6天重访）：弥补光学数据云覆盖缺陷，通过后向散射系数变化（如采伐后地表裸露导致σ°升高）辅助变化检测；无人机遥感（0.1m分辨率）：对重点区域（如自然保护区、争议地块）进行实地验证，获取单木级信息（树高、冠幅）；地面样地数据：结合固定样地实测（胸径、树高、郁闭度），作为模型训练与验证的真值。（2）融合方法：像素级融合：对Sentinel-2与Landsat9进行时空融合（如STARFM算法），提供更高时间分辨率（3天）的10m融合影像，捕捉关键物候期（如春季展叶、秋季落叶）的变化；特征级融合：提取光学影像的光谱特征（NDVI、红边指数）、SAR的后向散射特征（σ°_VV、σ°_VH）、LiDAR的结构特征（平均树高、冠层密度），输入随机森林或XGBoost模型，提升蓄积量反演精度；决策级融合：对不同数据源的变化检测结果（如光学识别的采伐区、SAR识别的火烧迹地）进行一致性分析，排除伪变化（如云层阴影误判），提供最终更新图斑。（3）应用效果：通过多源融合，可将年度更新的最小图斑精度从30m×30m（单一Landsat）提升至10m×10m（Sentinel-2），变化检测总体精度从85%提高至92%以上；同时，结合SAR的全天候能力，云覆盖区的有效数据利用率从60%提升至90%，保障了年度更新的时效性。2.结合机器学习技术，论述如何利用遥感数据构建森林病虫害早期预警模型。森林病虫害早期预警需在症状可见前（如叶片失绿、枯萎）识别异常，机器学习可挖掘遥感数据的多维特征与病虫害发生的关联。（1）数据准备：遥感数据：高光谱（如Hyperion，242波段）用于提取精细光谱特征（红边斜率、叶绿素吸收深度）；多光谱（Sentinel-2）用于获取植被指数（NDVI、PRI）与冠层水分指数（NDWI）；热红外（Landsat9TIRS）用于监测冠层温度异常（感病树木蒸腾减弱导致温度升高）；SAR（ALOS-2PALSAR-2）用于获取后向散射系数（感病树木介电常数变化）。环境数据：DEM（海拔、坡度、坡向）、气象数据（温度、降水、湿度）、历史病虫害记录（发生位置、种类、时间）。地面数据：样地实测（病虫害等级、叶片叶绿素含量、虫口密度）作为标签。（2）特征工程：光谱特征：计算红边位置（REP）、黄边位置（YEP）、归一化红边指数（NRRI）等，反映叶绿素降解与叶肉结构破坏；时间序列特征：提取植被指数的季节变化率（如NDVI月变化量）、异常波动（如某波段反射率突然升高）；空间特征：基于纹理分析（如GLCM对比度、熵）识别冠层均匀度下降（病虫害导致斑块状分布）；环境特征：构建地形湿度指数（TWI）、积温（>10℃天数）等，反映病虫害适生环境。（3）模型构建：采用梯度提升树（LightGBM）或深度学习（CNN-LSTM）模型：LightGBM适合处理结构化的多源特征（光谱、环境、时间），可快速筛选关键因子（如红边斜率、前30天降水量）；CNN-LSTM结合高光谱影像的空间特征（卷积层）与时间序列特征（LSTM层），捕捉病虫害发展的时空动态。训练策略：采用时间分割验证（如用2018-2022年数据训练，2023年数据验证），结合交叉验证避免过拟合；引入类别平衡（病虫害样本通常较少），采用SMOTE过采样或加权损失函数。（4）预警实现：实时反演：利用近实时Sentinel-2数据计算关键特征（如REP<710nm、NDVI月降>0.15），输入训练好的模型，输出病虫害发生概率（0-1）；阈值设定：结合历史数据确定预警阈值（如概率>0.7为高风险），提供预警图；验证与优化：通过无人机实地核查高风险区域，修正模型参数（如调整特征权重），提升预警准确率（目标：提前2-4周识别症状前的异常）。五、案例分析题（20分）某省计划开展2026年全省森林火灾后生态恢复评估，需利用遥感技术完成以下任务：①精确计算过火面积；②评估烧损程度（轻度、中度、重度）；③预测1年内植被恢复潜力。请设计技术方案，要求明确数据选择、处理流程及关键方法。技术方案设计如下：（一）数据选择1.遥感数据：光学数据：哨兵2号（Sentinel-2）L2A级产品（10m分辨率，多光谱波段），火灾前（2025年10月）与火灾后（2026年3月）影像；Landsat9OLI-2（30m分辨率）辅助长时序分析；SAR数据：哨兵1号（Sentinel-1）GRD级产品（C波段，VV/VH双极化，10m分辨率），弥补光学数据云覆盖缺陷；热红外数据：VIIRS（375m分辨率）活跃火产品（VNP14IMG）用于确定火灾发生范围；无人机数据：对重点过火区（如自然保护区）获取0.2m分辨率可见光+多光谱影像，验证烧损程度。2.辅助数据：数字高程模型（DEM，30m）：分析地形对烧损程度的影响（如坡度大区域火势更猛）；森林类型图（2025年）：区分针叶林、阔叶林等，结合不同林型的烧损特征；气象数据（火灾期间风速、降水）：辅助解释烧损异质性。（二）处理流程与关键方法1.过火面积精确计算步骤1：火灾范围初提取。利用VIIRS活跃火数据（750m分辨率）圈定大致过火区域（热异常区）；步骤2：光学影像变化检测。对Sentinel-2火灾前/后影像进行辐射归一化（如伪不变特征法），计算NBR（归一化燃烧指数，NBR=(NIR-SWIR)/(NIR+SWIR)），提取ΔNBR（前-后），设定阈值（如ΔNBR>0.15）确定过火边界；步骤3：SAR辅助修正。对云覆盖区，利用Sentinel-1后向散射系数变化（火灾后地表裸露，σ°_VV升高）补充光学未覆盖区域；步骤4：精度验证。随机选取100个样本点，通过无人机影像人工判别是否过火，计算总体精度（目标>95%）。2.烧损程度评估指标构建：以ΔNBR为主指标，结合其他辅助指标：光谱角度指数（SAI）：衡量火