遥感数据解译技师考试试卷及答案

遥感数据解译技师考试试卷及答案填空题1.遥感按平台可分为航空遥感和______遥感。2.波谱分辨率的常用单位是______（如10nm）。3.遥感解译标志分为直接标志和______标志。4.NDVI的计算公式为______（NIR为近红外波段反射率）。5.常用遥感数据格式包括TIFF、______（如GeoTIFF）等。6.热红外波段的波长范围大致为______μm（8-14μm）。7.监督分类的核心是需要提供______样本。8.解译中“形状”属于______标志。9.SAR的全称是______（合成孔径雷达）。10.高光谱数据的波段数通常大于______个。单项选择题1.下列属于被动遥感的是（）A.SARB.LiDARC.MODISD.毫米波雷达2.解译标志中属于间接标志的是（）A.色调B.纹理C.位置D.大小3.NDVI值为负值时，最可能代表的地物是（）A.植被B.水体C.土壤D.建筑4.非监督分类的核心是（）A.训练样本B.聚类中心C.阈值设定D.波段组合5.热红外遥感探测的是地物的（）A.反射辐射B.发射辐射C.散射辐射D.透射辐射6.SAR的极化方式不包括（）A.HHB.VVC.HVD.AB7.遥感数据预处理的第一步通常是（）A.辐射定标B.大气校正C.几何纠正D.图像裁剪8.下列分类方法中不需要训练样本的是（）A.最大似然法B.K-meansC.决策树D.神经网络9.高光谱数据与多光谱数据的主要区别是（）A.空间分辨率更高B.波段数更多C.时间分辨率更高D.覆盖范围更大10.“同物异谱”指的是（）A.同一地物不同光谱响应B.不同地物相同光谱响应C.同一地物相同光谱响应D.不同地物不同光谱响应多项选择题1.遥感解译常用专业软件包括（）A.ENVIB.ArcGISC.ERDASD.Photoshop2.主动遥感系统包括（）A.SARB.LiDARC.LandsatD.MODIS3.遥感解译的直接标志有（）A.色调B.形状C.大小D.纹理4.遥感数据预处理的关键步骤包括（）A.辐射定标B.大气校正C.几何纠正D.图像融合5.监督分类的常用方法有（）A.最小距离法B.马氏距离法C.最大似然法D.K-means法6.多光谱遥感传感器包括（）A.LandsatTMB.SPOTHRVC.MODISD.Sentinel-27.热红外遥感的主要应用场景有（）A.火灾监测B.城市热岛效应分析C.地热探测D.植被水分监测8.遥感解译的间接标志包括（）A.位置关系B.相关布局C.活动迹象D.时间变化9.遥感数据融合的常用方法有（）A.IHS融合B.PCA融合C.小波变换融合D.NN融合10.SAR遥感的优势包括（）A.全天候工作B.全天时工作C.穿透植被D.不受云影响判断题1.遥感按平台可分为航空和航天两类。（）2.波谱分辨率越高，地物光谱特征识别越精细。（）3.“异物同谱”是指不同地物具有相同的光谱响应。（）4.监督分类无需人工干预即可完成。（）5.热红外遥感波长范围为0.4-0.76μm。（）6.SAR属于主动遥感，能主动发射电磁波。（）7.NDVI值越大，植被覆盖度越高。（）8.高光谱数据的波段数通常少于100个。（）9.几何纠正需要地面控制点（GCP）来实现。（）10.解译标志仅包括直接标志，无间接标志。（）简答题1.简述遥感数据解译的基本步骤。2.对比监督分类与非监督分类的核心区别。3.说明NDVI的物理意义及主要应用。4.简述热红外遥感的原理及典型应用。讨论题1.如何有效减少遥感解译中“同物异谱”和“异物同谱”的干扰？2.分析多源遥感数据融合在解译中的优势及常用融合方法的选择原则。---答案部分填空题1.航天2.纳米（nm）3.间接4.(NIR-R)/(NIR+R)5.GeoTIFF6.8-147.训练8.直接9.合成孔径雷达10.100单项选择题1.C2.C3.B4.B5.B6.D7.A8.B9.B10.A多项选择题1.ABC2.AB3.ABCD4.ABC5.ABC6.ABCD7.ABCD8.ABCD9.ABC10.ABCD判断题1.√2.√3.√4.×5.×6.√7.√8.×9.√10.×简答题1.①数据预处理（辐射定标、大气校正、几何纠正）；②建立解译标志（直接/间接）；③图像分类（监督/非监督）；④野外验证；⑤成果输出（解译图、报告）。2.监督分类需人工提供训练样本，针对特定类别；非监督分类无需样本，自动聚类成组，适合未知类别区域。监督分类精度依赖样本质量，非监督分类灵活性高但类别含义需后期确认。3.NDVI反映植被健康度：近红外反射高、红光反射低，比值可量化植被覆盖。应用：植被长势监测、荒漠化评估、作物产量预测。4.原理：地物发射热辐射（8-14μm），传感器记录辐射强度。应用：火灾监测（高温异常）、城市热岛（温度分布）、地热探测（地下热源）、植被水分（叶片温度反演）。讨论题1.①多源数据融合（光谱+SAR+LiDAR）补充信息；②高光谱数据细分光谱特征；③结合辅助数据（地形、植被指数）；④机器学习（决策树、随机森林）优化分类；⑤野外验证