遥感地学分析复习题.pdf

《遥感地学分析复习题.pdf》由会员分享，可在线阅读，更多相关《遥感地学分析复习题.pdf（8页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、 遥感地学分析复习题 Revised on November 25,2020 遥感地学分析复习题 一、名词解释：1、大气窗口：电磁波通过大气层较少被反射、吸收和散射的那些透射率高的波段称为大气窗口。通常把太阳光透过大气层时透过率较高的光谱段称为大气窗口。考虑各种气体吸收的综合影响，仅有某些波段大气的吸收作用相对较弱，透射率较高。这些能使能量较易通过的波段。2、图像镶嵌：当研究区超出单幅遥感图像所覆盖的范围时，通常需要将两幅或多幅图像拼接成一幅后一系列覆盖全区的较大图像的过程。3、光谱分辨率：是指探测器在波长方向上的记录宽度，又称波段宽度(band width)。光谱分辨率被严格定义为仪器达到光

2、谱响应最大值的 50%时的波长宽度。4、遥感地学分析：遥感地学分析是建立在地学规律基础上的遥感信息处理和分析模型，是综合物理手段、数学方法和地学分析等综合性应用技术和理论，或者能反映地球区域分异规律和地学发展过程的有效信息理论方法。5、水体富营养化：是指由于大量的氮、磷、钾等元素排入到流速缓慢、更新周期长的地表水体，使藻类等水生生物大量地生长繁殖，使有机物产生的速度远远超过消耗速度，水体中有机物积蓄，破坏水生生态平衡的过程。6、植被指数：根据地物光谱反射率的差异作比值运算可以突出图像中植被的特征、提取植被类别或估算绿色生物量，通常把能够提取植被的算法称为植被指数。7、几何纠正：就是纠正这些系统

3、及非系统性因素引起的图像变形，从而使之实现与标准图像或地图的几何整合。二、问答题：1、辐射分辨率与空间分辨率的关系 瞬间视场 IFOV 越大，最小可分像素越大，空间分辨率越低。但是IFOV 越大，通光率即瞬时获得的入射能量越大，辐射测量越敏感，对微弱能量差异的检测能力越强，则辐射分辨率越高。因此，空间分辨率的增大，伴之以辐射分辨率降低。2、在定量遥感中，比较经验模型、物理模型、半经验模型的优缺点。经验模型优点：简单、实用性强 缺点：理论基础不完备，缺乏对物理机理的足够理解和认识，参数之间缺乏逻辑关系。物理模型 优点：理论基础完善，模型参考具有明确的物理意义 缺点：输入参数多，方程复杂，实用性较

4、差，且常对非主要因素有过多的忽略或假定 半经验模型 优点：综合了统计模型和物理模型的优点，模型所有的参数往往虽是经验参数，但又具有一点的物理意义。3、简述陆陆卫星 TM5 传感器的各波段的光谱特性.TM1 m 蓝绿波段 TM2 m 绿红波段 TM3 m 红波段 TM4 m 近红外波段 TM5 m 近红外波段 TM6 m 热红外波段 TM7 m 近红外波段 TM1 蓝波段：对叶绿素和夜色素浓度敏感，对水体穿透强，用于区分土壤与植被、落叶林与针叶林、近海水域制图，有助于判别水深及水中叶绿素分布以及水中是否有水华等。TM2 绿波段：对健康茂盛植物的反射敏感,对力的穿透力强,用于探测健康植物绿色反射率

5、,按绿峰反射评价植物的生活状况,区分林型,树种和反映水下特征。TM3 ,红波段：叶绿素的主要吸收波段,反映不同植物叶绿素吸收,植物健康状况,用于区分植物种类与植物覆盖率,其信息量大多为可见光最佳波段,广泛用于地貌,岩性,土壤,植被,水中泥沙等方面。TM4 近红外波段：对无病害植物近红外反射敏感，对绿色植物类别差异最敏感,为植物通用波段,用于牧师调查,作物长势测量,水域测量，生物量测定及水域判别。TM5 中红外波段：对植物含水量和云的不同反射敏感，处于水的吸收波段,一般内反映含水量,用于土壤湿度植物含水量调查,水分善研究,作物长势分析,从而提高了区分不同作用长势的能力，可判断含水量和雪、云。TM

6、61.远红外波段：可以根据辐射响应的差别,区分农林覆盖长势,差别表层湿度,水体岩石,以及监测与人类活动有关的热特征,作温度图，植物热强度测量。TM7 中红外波段,为地质学家追加波段,处于水的强吸收带,水体呈黑色,可用于区分主要岩石类型,岩石的热蚀度,探测与交代岩石有关的粘土矿物.4、NDVI 的计算及优缺点：优点：几种典型的地面覆盖类型在大尺度 NDVI 图像上区分鲜明，植被得到有效的突出。因此，NDVI 特别适用于全球或各大陆等大尺度的植被动态监测；是植被生长状态及植被覆盖度的最佳指示因子；NDVI 经比值处理，可部分消除与太阳高度角、卫星观测角、地形、大气层辐射（云/阴影和大气条件有关的辐

7、照度条件变化）等影响。同时，NDVI 的归一化处理，使因传感器标定衰退的影响降低（对单波段从10-30%降到对 NDVI 的 0-6%），并使由地表二向反射和大气效应造成的角度影响减小。因此，NDVI 增强了对植被的响应能力。缺点：NDVI 对土壤背景的变化较为敏感。实验表明，作物生长初期 NDVI 将过高估计植被覆盖度，而作物生长结束季节，NDVI 值偏低。NDVI 更适用于植被发育中期或中等覆盖度植被监测。5、变化检测对遥感数据时间分辨率、光谱分辨率、辐射分辨率等有何要求 时间分辨率：1.尽可能选每一天同一时刻或者相近时刻的遥感图像 2.尽可能选用年间同一季节甚至同一日期的遥感数据 空间分

8、辨率：1.采用具有相同的瞬时视场的遥感数据 2.采用具有相同或相近俯视角的数据 辐射分标率：1.采用具有相同辐射分辨率的不同日期遥感图像 2.如果采用具有不同辐射分辨率的图像进行比较的话，需要把低辐射分辨率遥感图像数据转换为较高辐射分辨率的图像数据。6、比值植被指数（RVI）和归化植被指数（NDVI）的优缺点：比值植被指数（PPT2-72、73、74）优点：比值植被指数能增强植被与土壤背景之间的辐射差异。比值植被指数可提供植被反射的重要信息，是植被长势、丰度的度量方法之一。比值植被指数 可从多种遥感系统中得到。它与叶面积指数（LAI）、叶干生物量（DM）、叶绿素含量相关性高，被广泛用于估算和监

9、测绿色植物生物量。缺点：在植被高密度覆盖情况下，它对植被十分敏感，与生物量的相关性最好。但当植被覆盖度小于 50%时，它的分辨能力显着下降。RVI 对大气状况很敏感，大气效应大大地降低了它对植被检测的灵敏度，尤其是当 RVI 值 高时。因此，最好运用经大气纠正的数据，或将两波段的灰度值（DN）转换成反射率后再计算 RVI，以消除大气对两波段不同非线性衰减的影响。归一化植被指数（PPT2-76、77、78）优点：几种典型的地面覆盖类型在大尺度 NDVI 图象上区分鲜明，植被得到有效的突出。因此，NDVI 特别适用于全球或各大陆等大尺度的植被动态监测；是植被生长状态及植被覆盖度的最佳指示因子；ND

10、VI 经比值处理，可部分消除与太阳高度角、卫星观测角、地形、大气程辐射（云/阴影和大气条件有关的辐照度条件变化）等的影响。同时，NDVI 的归一化处理，使因传感器标定衰退的影响降低（对单波段从 10-30%降到对 NDVI 的 0-6%），并使由地表二向反射和大气效应造成的角度影响减小。因此，NDVI 增强了对植被的响应能力。缺点：实验表明，作物生长初期 NDVI 将过高估计植被覆盖度，而作物生长结束季节，NDVI 值偏低。NDVI 更适用于植被发育中期或中等覆盖度植被检测 7、简述石油遥感监测光谱特征。可见光：可见光中的使油膜和周围干净海水的反差达到最大。因此，用红光波段监测海面油膜，次之为

11、蓝光波段来，多波段组合使可见光航遥油测效果最佳。油膜对紫外光的反射率比海水高倍，有较好的亮度反差，但仅对厚度小于5mm 的各种水面油膜敏感，因此，利用紫外波段电磁波可把海面薄油膜显示出来。近红外：厚度大于的油膜，热红外比辐射率在之间，海水的比辐射率为。因此，当油膜与海水实际温度相同时，它们的热红外辐射强度是不同的。厚度小于 1mm 的油膜，其比辐射率随厚度的增加而增加。因此，可通过红外影像的灰度层次进行油膜厚度反演，基于油膜的厚度和分布，进而推算总溢油量。微波石油遥感监测波段特征：微波波长较长（1mm-30cm），具有很强的绕射透射能力，可以穿透云、雨、雾。运用微波波段的被动式和主动式传感器，

12、均有监测海面溢油的能力。波长 8mm、和 3cm 的微波，不论入射角和油膜厚度如何，比辐射率比海水高。这样，用微波辐射计可以观测海面油膜。油膜的微波比辐射率随其厚度变化，反映到微波辐射计影像上灰度随油膜厚度变化，因此，用微波辐射计亦可监测油膜厚度。雷达石油遥感监测波段特征：油膜对海面起平滑作用，使海面粗糙度降低，受油膜覆盖的海面，对雷达脉冲波的后向散射系数明显比周围无油膜区小得多，因此在侧视雷达和合成孔径雷达图像上，油膜成暗色调。雷达和微波遥感可以全天时、全天候地进行海上石油监测，缺点是地面分辨率低。三、论述题：1、论述我国内陆湖泊蓝藻水华遥感监测研究进展.今后,对湖泊富营养化遥感的重点研究方

13、向：(1)深入研究湖泊富营养化参数的光谱特性,加深对富营养化遥感机理的认识,以进一步发展富营养化遥感建模方法;(2)多种遥感数据结合,提高富营养化遥感监测精度;(3)加强对富营养化遥感建模方法的研究,建立富营养化综合评价模型;(4)遥感与 GIS 结合,GIS 可以更有效组织、管理和分析遥测的数据,与遥感集成,便于动态监测和分析;(5)加强河道型水体富营养化的遥感监测与评价方法研究。2、论述当前国内外农作物的遥感估产研究进展 农作物估产则是指根据生物学原理,在收集分析各种农作物不同生育期不同光谱特征的基础上,通过平台上的传感器记录的地表信息,辨别作物类型,监测作物长势,并在作物收获前,预测作物

14、的产量的一系列方法。包括三方面内容：农作物识别、种植面积估算、长势与旱情监测和估产模式建立 现有遥感估产问题 数据源的选取和精度控制方面：为降低成本，大面积估产用 NOAA 数据，其低空间分辨率导致作物面积分布信息不准确；提高空间分辨率的 SPOT 和 QuickBird影像数据，因时间分辨率降低，不能进行连续的作物长势监测，降低估产精度。遥感估产模型小区实验可行，但不能满足大面积估产需求：依据植被指数与农学参数建立的遥感估产回归模型，普适性较差，未来应考虑模型的机理性与普适性，增强模型在区域间或年份间的通用性。未来估产的研究趋势：提高数据源的空间分辨率。利用数据反演综合气候环境因子 极端气候条件下的产量评估 构建新植被指数提高估产精度