2026年遥感考试题及答案

2026年遥感考试题及答案一、单项选择题（每题2分，共20分）1.下列传感器中，属于主动式遥感的是（）。A.LandsatOLIB.Sentinel-2MSIC.Sentinel-1SARD.MODIS答案：C2.空间分辨率为30米的遥感影像，能够区分的最小地物尺寸约为（）。A.15米×15米B.30米×30米C.60米×60米D.90米×90米答案：B3.计算NDVI时，主要利用的波段是（）。A.蓝波段与绿波段B.绿波段与红波段C.红波段与近红外波段D.近红外波段与短波红外波段答案：C4.大气校正的主要目的是（）。A.消除传感器噪声B.减少地形起伏影响C.校正因大气散射、吸收导致的辐射误差D.提高影像空间分辨率答案：C5.微波遥感的主要优势是（）。A.光谱分辨率高B.不受云雾影响C.时间分辨率高D.空间分辨率可达厘米级答案：B6.高光谱遥感与多光谱遥感的主要区别在于（）。A.传感器平台不同B.波段数量多且窄C.空间分辨率更高D.主要用于夜间观测答案：B7.热红外遥感主要探测地物的（）。A.反射电磁波B.发射电磁波C.散射电磁波D.透射电磁波答案：B8.雷达后向散射系数与地物的（）关系最密切。A.颜色B.温度C.粗糙度与介电常数D.纹理复杂度答案：C9.遥感图像融合的主要目的是（）。A.增加影像波段数量B.同时保留多光谱的光谱信息与全色的空间细节C.消除辐射畸变D.提高影像时间分辨率答案：B10.监督分类与非监督分类的根本区别是（）。A.是否需要训练样本B.是否基于统计特征C.是否考虑地物空间关系D.是否适用于高光谱数据答案：A二、填空题（每空1分，共20分）1.目前常用的星载合成孔径雷达（SAR）卫星有________（举1例）。答案：Sentinel-1（或高分三号、RADARSAT-2等）2.光谱分辨率通常以________为单位表示。答案：纳米（nm）3.NDVI的计算公式为________。答案：（近红外波段反射率-红波段反射率）/（近红外波段反射率+红波段反射率）4.热红外遥感常用的波段范围是________μm。答案：8-145.ENVI软件的全称是________。答案：EnvironmentforVisualizingImages6.SAR的中文名称是________。答案：合成孔径雷达7.缨帽变换（K-T变换）的主要分量包括________、绿度和湿度。答案：亮度8.大气窗口是指________的电磁波波段。答案：大气对电磁波吸收和散射较小、透射率较高9.遥感影像几何校正时，一般要求控制点数量不少于________个（针对二次多项式模型）。答案：6（或根据具体模型调整，通常二次多项式需要至少6个）10.高光谱遥感的波段数通常超过________个。答案：100三、简答题（每题6分，共60分）1.简述地物光谱特征曲线的定义及其在遥感中的意义。答案：地物光谱特征曲线是指地物对不同波长电磁波的反射、发射或透射能力的定量描述，通常以波长为横轴，反射率（或发射率等）为纵轴绘制。其意义在于：①是遥感识别地物的基础，不同地物光谱曲线形态、特征峰位置差异显著；②为传感器波段设计提供依据（如Landsat红波段与近红外波段对应植被光谱差异）；③支持光谱匹配分类、混合像元分解等定量遥感方法。2.比较监督分类与非监督分类的优缺点。答案：监督分类需先选取训练样本，基于已知类别统计特征分类，优点是分类精度较高、可控制类别数量；缺点是依赖训练样本质量，样本选择易受主观影响，且对未训练类别无法识别。非监督分类无需先验样本，通过像元光谱相似性自动聚类，优点是客观性强、适用于未知地物分布场景；缺点是聚类结果需人工解译类别，可能出现类别混合或数量不合理。3.大气对遥感的主要影响有哪些？常用的校正方法有哪些？答案：大气影响包括：①散射（瑞利散射、米氏散射）导致影像模糊，降低对比度；②吸收（如臭氧吸收紫外、水汽吸收红外）减少到达传感器的能量；③路径辐射（大气自身散射进入传感器的光）增加噪声。校正方法：①基于辐射传输模型（如6S、MODTRAN），通过大气参数（气溶胶光学厚度、水汽含量等）计算校正系数；②基于影像自身的经验方法（如暗像元法，假设纯水体或阴影区反射率为0，反演大气程辐射）；③直方图匹配法（利用多幅影像的统计关系校正相对辐射误差）。4.微波遥感相比光学遥感的优势有哪些？答案：①全天时、全天候观测：微波波长较长（毫米至米级），受云雾、降水影响小，可夜间成像；②穿透性：部分微波（如L波段）可穿透植被冠层或干燥土壤，获取地表下信息；③对地表参数敏感：后向散射系数与地物粗糙度、介电常数（含水量）、植被结构等密切相关，适合土壤湿度、森林生物量等反演；④多极化与干涉测量：通过不同极化组合（HH、HV等）和InSAR技术可获取地形、地表形变等信息。5.列举3种遥感图像融合方法，并说明其适用场景。答案：①Brovey变换：基于波段间相关性，将多光谱影像与全色影像进行比值变换，突出光谱信息，适用于地物光谱差异明显的场景（如植被与裸地）；②主成分分析（PCA）：将多光谱影像的主成分与全色影像进行替换，保留主要光谱信息并增强空间细节，适用于多光谱数据维数较高的情况；③小波变换：通过多尺度分解融合全色的高频细节与多光谱的低频信息，保留光谱真实性较好，适用于高空间分辨率融合（如无人机影像与卫星影像）。6.缨帽变换的主要应用有哪些？答案：①土地覆盖分类：通过亮度（反映土壤背景）、绿度（反映植被覆盖度）、湿度（反映水分含量）等分量，简化地物特征，提高分类效率；②植被监测：绿度分量与叶面积指数（LAI）、生物量显著相关，可用于作物长势评估；③土壤分析：亮度分量与土壤有机质含量、表面粗糙度相关，支持土壤类型区分；④干旱监测：湿度分量结合亮度分量可构建干旱指数（如湿度-亮度差值）。7.热红外遥感在地表温度反演中需解决的关键问题有哪些？答案：①大气校正：热红外辐射在传输过程中受大气吸收（主要是水汽）和发射影响，需准确计算大气向上、向下辐射及大气透射率；②比辐射率估计：地表比辐射率与地物类型（如植被、水体、裸土）密切相关，混合像元需分解各组分比辐射率；③温度-比辐射率分离（TES）：单波段数据需假设比辐射率已知或通过多波段（如ASTER的5个热红外波段）解耦温度与比辐射率；④像元尺度效应：遥感反演的是像元平均温度，需结合地面实测数据（如红外热像仪）进行验证与尺度转换。8.高光谱遥感的“同物异谱”现象指什么？如何缓解？答案：“同物异谱”指同一类地物因内部差异（如植被品种、土壤含水量）或外部条件（如光照角度、观测时间）不同，其光谱曲线存在显著差异的现象。缓解方法：①光谱特征提取：通过导数光谱、连续统去除等方法增强特征稳定性；②引入空间信息：结合纹理、形状等空间特征（如Gabor滤波、分形维数），减少单一光谱的局限性；③混合像元分解：利用线性或非线性模型分离端元光谱，降低混合像元的干扰；④多时相数据融合：通过不同季节的光谱差异（如植被物候期）辅助分类，提高类别区分度。9.简述遥感影像镶嵌的主要步骤。答案：①预处理：对多幅影像进行辐射校正（如直方图匹配），消除因传感器或成像时间差异导致的亮度不一致；②几何配准：以其中一幅影像为基准，通过控制点匹配或自动配准（如SIFT特征匹配）实现空间对齐；③重叠区处理：计算重叠区域的融合权重（如线性加权、羽化），避免拼接缝；④镶嵌后裁剪：根据研究区范围裁剪镶嵌结果，去除冗余边缘；⑤质量检查：目视或通过统计指标（如拼接缝处灰度连续性）验证镶嵌效果。10.无人机遥感的特点及在农业中的主要应用有哪些？答案：特点：①高空间分辨率（厘米级）：可获取单株作物细节；②灵活高效：可按需规划航线，响应速度快；③低成本：相比卫星或有人机，运行成本低；④多传感器集成：支持可见光、多光谱、热红外、高光谱等载荷同步观测。农业应用：①作物长势监测：通过NDVI、绿度指数等评估株高、叶面积指数；②病虫害识别：利用红边波段（700-750nm）监测早期病害导致的叶绿素变化；③精准灌溉：通过热红外反演冠层温度，结合作物水分胁迫指数（CWSI）指导灌溉；④产量预估：基于植被指数与产量的统计模型，进行地块级产量预测；⑤农药喷洒导航：通过高精度DSM（数字表面模型）规划无人机喷药路径，避免重喷或漏喷。四、综合分析题（每题10分，共20分）1.假设你获取了Landsat-9OLI（陆地卫星9号OperationalLandImager）的多光谱数据（含蓝、绿、红、近红外、短波红外1、短波红外2共6个波段，空间分辨率30米），需完成某区域（约500km²）的土地利用分类（一级类：耕地、林地、草地、水域、建设用地、未利用地）。请设计详细的技术流程，并说明每一步的关键操作。答案：技术流程及关键操作如下：（1）数据预处理：①辐射定标：将DN值转换为表观反射率，使用Landsat-9的定标参数（增益、偏置），公式为ρ=（DN×增益）+偏置。②大气校正：采用6S模型，输入成像时间、中心经纬度（获取太阳天顶角）、气溶胶类型（如大陆型）、水汽含量（通过近红外与短波红外波段反演），计算地表反射率，消除大气影响。③几何校正：以研究区1:5万地形图或高分卫星影像为参考，选取均匀分布的控制点（每景≥20个），采用二次多项式模型+双线性内插法，确保校正后误差＜0.5个像元（15米）。（2）特征提取与选择：①计算光谱指数：NDVI（近红外-红/近红外+红）区分植被与非植被；MNDWI（绿-短波红外1/绿+短波红外1）提取水域；NDBI（短波红外1-近红外/短波红外1+近红外）识别建设用地。②纹理特征：对近红外波段进行灰度共生矩阵（GLCM）计算，提取对比度、同质性等纹理参数（窗口大小5×5），辅助区分草地（低纹理）与林地（高纹理）。③波段组合：选择红、近红外、短波红外1波段进行假彩色合成（标准假彩色），增强地物差异。（3）分类方法选择与实施：采用随机森林（RandomForest）监督分类：①训练样本采集：基于高分影像（如GoogleEarth）与实地调查，每类选取100-200个样本（总样本量≥600），确保样本覆盖不同子类型（如耕地包括水田、旱地）。②特征重要性评估：通过随机森林的变量重要性得分，筛选关键特征（如NDVI、MNDWI、近红外反射率、纹理对比度），剔除冗余特征（如蓝波段重要性低时可排除）。③模型训练与分类：以70%样本训练模型，30%样本验证，设置树的数量（n_estimators=500）、最大深度（max_depth=10），输出分类结果。（4）后处理与精度验证：①类别合并：对细碎图斑（＜9个像元，即8100m²）进行小斑块合并，基于邻域多数规则调整。②精度验证：使用混淆矩阵计算总体精度（OA）、Kappa系数（要求OA＞85%，Kappa＞0.8），重点检查易混淆类别（如建设用地与未利用地）的用户精度与生产者精度。（5）结果输出：提供土地利用分类图（格式为GeoTIFF），附属性表（记录各地类面积、比例），并撰写报告说明分类精度与误差来源（如混合像元、阴影影响）。2.2025年某流域发生洪灾，需利用遥感技术快速监测淹没范围。假设你可获取Sentinel-1SAR（C波段，VV/VH双极化，空间分辨率10米）和Sentinel-2MSI（多光谱，空间分辨率10-60米）数据，设计洪水监测的技术流程，并说明SAR与光学数据的协同应用优势。答案：洪水监测技术流程及协同应用如下：（1）数据获取与预处理：①SAR数据（Sentinel-1）：下载洪灾前后（灾前1周、灾后3天内）的升轨或降轨影像，确保覆盖研究区。预处理包括：辐射定标（转换为后向散射系数σ°）、多视处理（降低speckle噪声，视数2×2）、地形校正（基于SRTMDEM，消除坡度引起的辐射误差）、speckle滤波（采用LeeSigma滤波，窗口7×7）。②光学数据（Sentinel-2）：下载灾前（同期无云）与灾后（云量＜5%）影像，预处理包括：辐射定标（转换为表观反射率）、大气校正（Sen2Cor算法）、云与云阴影掩膜（利用QA60波段识别）。（2）洪水信息提取：①SAR单数据提取：利用洪水区域后向散射特性（水体表面光滑，VV/VH极化后向散射系数低），设定阈值（如σ°_VV＜-20dB）提取潜在淹没区；结合极化比（VH/VV）增强水体与其他地物（如植被）的区分度（植被VH/VV较高，水体较低）。②光学单数据提取：基于MNDWI（绿波段-短波红外1/绿波段+短波红外1），水体MNDWI值较高（＞0.3），设定