遥感信息分析与应用期末复习题

：thermal inertia，它是一个综合指标，是一种测量温度变化的热反应，即测量物质热惰性（防止物理温度变化）大小的物理量。高热惯性物质对温度变化有很大的阻力，通常用P表示P=[Kpc]1/2，k是热导率，c是比热容，p是密度。
热惯性主要用于土壤表面水分变化监测和干旱遥感监测，如土壤水分含量与土壤热惯性建立统计关系，将遥感卫星数据与热惯性联系起来，通过遥感数据获得真实的热惯性，进一步反映土壤水分含量分布。

：brightness temperature，指当一个物体的辐射出射度等于某个黑体时，黑体的温度称为物体的亮度温度，即与观测物体相同的辐射能量的黑体温度。由于自然界中的物体不是完全的黑体，因此习惯于用低于物体真实温度的等效黑体温度来表示物体的温度。亮度温度是衡量物体温度的指标，但不是物体的真实温度，与辐射温度和表观温度的值一致。亮度温度主要用于微波遥感、积雪深度估计等领域。

Spectral Angle Mapping，这是一种监督分类技术。该算法是一种交互式分类方法，将图像波谱与参考波谱直接匹配，是比较图像波谱与地物波谱或波谱库中地物波谱的自动分类方法。通常应用于高光谱遥感领域，将光谱角度匹配与随机森林、水提取、遥感地物提取等算法相结合。
也被称为光谱角度填充法，是指实验室测量的标准光谱或从图像中提取的已知点的平均光谱，验室测量的标准光谱或从图像中提取的已知点的平均光谱。这个广义夹角表示两个光谱的匹配程度。夹角越小，两者之间的相似性就越大。

：Spectral Absorption Index，地物光谱曲线反映了地物的吸收和反射特征，不同的地物通常具有不同的光谱波形特征。因此，从光谱曲线中提取的光谱吸收特征参数可用于识别和分类地物。最常用的是使用SAI光谱吸收特征信息从成像光谱图像中有效提取，用于矿物识别。
光谱吸收峰的存在是识别地物，尤其是蚀变矿物、植物理化组分的理论依据，光谱吸收特征可用一系列波形形态参数来表达，包括吸收峰的波长位置P、宽度W、深度H、斜率K、对称度D、面积A、吸收的数量等。光谱吸收指数SAI被定义为：

：假设温度之一。如果实际物体的总辐射亮度 (包括所有波长) 与绝对黑体的总辐射亮度相等，则黑体的温度称为实际物体的辐射温度。辐射温度是所有波长的表征温度，亮度温度是某一波长下的表征温度。亮度温度常用于微波遥感，辐射温度常用于热红外遥感。在实际应用中，我们经常使用辐射温度或亮度温度来计算表面的真实温度。一般算法包括单窗算法和劈窗算法。
辐射温度又称表观温度，

即二向反射率分布函数，定义给定入射方向上的辐射照度如何影响给定出射方向上的辐射率。一般来说，它描述了入射光在一定表面反射后如何分布在各个出射方向，这可以是从理想镜面反射到漫反射、各向同性或各向异性的各种反射。地物对太阳辐射的反射具有各向异性，二向反射分布函数(inar refiecance ditiribudion functon，BRDF)模型通常用于描述地表各向异性反射的基本特征。BRDF模型还考虑了地面目标的方向特征和光谱特征，可以更全面地描述不同方向条件下地面物体的光道特征。在测量中，通常使用二向反射因子来建立单个现场物体BRDF瓶型通常需要大量不同方向条件下的反射率数据，结合参数拟台的方法，可以获得反映地物方向光谱特征的参数。关于近几年BRDF模型研究取得了很大进展，其中半经验核驱动模型综合考虑了地物本身的物理因素和经验数据，具有突出的拟合和反演能力。李小文等通过实验数据证明了半经验核驱动模型的拟合能力和反演能力，并参考了其他线性模型的想法，提出了线性组合的反射特性。同时，为了提高模型分析和评价的效率，赵云提出了多角度影响计算BRDF建立模型的方法和系统BRDF在软件中编写模型的过程，大大提高了模型分析的速度和精度。目前，BRDF已广泛应用于各个领域，如张虎BRDF准确估计了原型和单向反射率数据，BRDF模型在植被结构参数的反演中也起着关键作用，如叶面积指数和聚集指数。主要是定量遥感反演。

：采用干涉测量技术的主动遥感合成孔径雷达（InSAR）。利用雷达向目标区域发射微波，然后接收目标反射的回波，得到同一目标区域成像的SAR如果复图像对之间有相关条件，SAR复合图像可以通过共轭乘法获得干涉图。根据干涉图的相位值，得出两个成像中微波的距离差，计算目标区域的地形、地貌和表面的小变化，可用于建立数字标高模型、地壳变形探测等。简单地说，雷达干涉测量是利用复位雷达图像的相位差信息提取目标地形三维信息的技术。广泛应用于地形测量、地球动力学研究、冰川研究、森林调查制图、海洋测绘等领域。
干涉雷达是指采用干涉测量技术的合成孔径雷达InSAR，也叫双天线SAR或相干SAR，它通过两个侧视天线(单轨双天线模式)或一定时间间隔的两个平行观测(单天线重复轨道模式)获得地面同一区域两个成像的双图像对(包括强度信息和相位信息)。由于目标与两天线位置的几何关系，地面目标回波形成相位差信号，通过两个复合图像的复合相关形成干涉图。
干涉图包含图像点和两个探险位置差的准确信息，因此利用遥感器高度、雷达波长、波束视觉和天线基线距的几何关系，可以获取距离信息，准确测量图像上每个点的标高信息，从而获得高分辨率的表面三维图像。在航天平台上，双天线通常使用重复的轨道。
干涉雷达可分为三种工作模式：距离、方向和重轨。
简答题

土地利用/土地覆盖变化(landuseandlandcoverchange，LUCC)它已成为全球变化和可持续发展研究的热点问题，是影响生态环境的重要因素。LUCC是一个受自然和人文因素驱动的动态过程，其过程和机理非常复杂。
土地利用：是土地自然生态系统进入人工生态系统的过程，是自然、经济、社会因素的综合作用，社会生产往往在土地利用中发挥决定性作用，是土地自然属性的人类利用和利用，包括土地利用的目的和意图，是一种人类活动。
土地覆盖：是指表面自然形成或人工覆盖，但不限于表面植被，还包括各种人工覆盖人工改造，使自然植被和自然创造和人工覆盖表面元素，可以说土地覆盖是指地球表面植被覆盖和人工覆盖的综合。它强调土地的自然属性和人类活动的结果。森林、草原、河流、土壤、冰川等属于不同类型的土地覆盖。植被指数与生物物理参数的关系。
根据不同的标准，土地利用变化分析方法可分为不同的类别。
(1)系统诊断模型
系统诊断模型是深入了解土地利用变化机制的主要手段，可分为两种模型①土地利用变化驱动力等基于经验的概念化逻辑诊断模型。概念诊断模型是基于经验的定性分析模型，是建立定量分析模型的基础，为地理相关性预测和土地利用环境影响评价提供了依据。②土地利用变化机制等基于经验的统计诊断模型。
(2)土地利用动态变化模型
土地利用动态变化模型包括土地资源数据、质量随时间变化、土地利用空间变化、土地利用类型组合模式变化、未来土地资源需求变化，因此，土地利用动态变化模型包括土地资源数量变化模型、土地资源生态背景质量变化模型、土地利用空间变化模型、土地利用区域差异模型、土地利用程度变化模型、土地需求预测模型、土地利用变化驱动模型。建立土地利用动态变化模型是研究土地利用变化过程、土地利用变化程度和未来发展变化趋势的主要手段。
(3)土地利用变化综合评价模型
该模型包括温室效应综合评价模型、区域可持续发展影响评价模型、区域水循环影响模型等环境影响评价模型。建立土地利用变化综合评价模型是综合土地利用变化环境效应的主要手段。
目前，土地利用变化分析方法主要是通过多阶段土地利用数据叠加进行比较分析，从主要土地利用变化信息中提取，通过遥感图像信息获取不同阶段的土地利用信息。
根据国家土地利用现状调查统一分类标准TM图像的实际分辨能力和土地利用的现状特征，将研究区土地分为耕地、林草等类型。
遥感图像信息提取过程是遥感图像的分类过程。利用遥感图像解译获取土地利用信息时，首先要进行校正、拼接、切割等预处理，然后通过监督分类、非监督分类、决策树分类、面向对象分类等方对遥感图像进行分类。

具体使用模型，还可以分为数量预测模型（logistic回归模型、markov模型、系统动力学模型等）、空间预测模型（CLUE-S模型、元胞自动机模型等）、耦合模型（CA-Markov模型等）

植被指数可以反演植被生物物理参数，可以作为获取这些生物物理参数的中间变量，或得到两者之间的转换系数。
（1）植被指数与叶面积指数的关系
叶面积指数LAI是指每单位地表面积上方植物单面叶面积之和，无量纲。在高密度和多层植被情况下，NDVI与LAI呈现非线性相关，且存在饱和现象，即随着绿色生物量的增加到一定程度后，NDVI不在增长，处于饱和状态。饱和主要是由于比值的非线性转换引起的，它使NDVI对红色反射率信号过度敏感，而红波段对叶绿素的吸收很快达到饱和。当LAI超过2或3时，NDVI对LAI的变化不敏感。
（2）植被指数与叶绿素含量的关系
叶子生长初期，叶绿素含量与辐射能吸收之间几乎直线相关，即叶绿素含量增多，蓝红波段吸收增强，绿波段反射率降低，近红外反射率增强，植被指数增大；但当叶绿素含量增加到一定程度后，吸收会趋近于饱和，反射率变化小，植被指数的差异不明显，而且不同植被在生长旺季较难区分。
（3）植被指数与植被覆盖度的关系
植被覆盖度FVC是指植被冠层的垂直投影面积与地表面积之比，即植土比。在一定范围内植被指数，例如NDVI越大，植被覆盖度越高。例如使用像元二分法估算植被覆盖度进一步计算RUSLE中的植被覆盖与管理因子等。
（4）植被指数与生物量的关系
生物量指植物组织的重量，大多数的植被指数能够区分大范围空间上的0.3-0.5m的皮叶层的生物量。NDVI与较低的枝叶层有较高的相关而与其他层无相关性，但与不同枝叶层的总绿色生物量不相关。而只有暗化指数与所有的枝叶层中的每个层的生物量都有较高的相关，可用于估算草层和树叶层的总绿色生物量。

图形数据融合：是一个将多遥感器的图像数据和其它信息融合以增强数据精度和丰度的过程。它着重把那些在空间或时间上冗余或互补的数据，按照一定的规则(或算法)进行运算处理，获得比任何单一数据更精确、更丰富的信息，生成一幅具有新的空间、波谱、时间特征的合成图像。它不仅仅是数据间的简单复合，更强调数据的优化，以突出有用的信息，消除或抑制无关的信息，改善目标识别的图像环境，从而增强解译的可靠性，减少模糊性(即多义性、不完全性、不确定性和误差)，改善分类，扩大应用范围和效果。
方法：（1）彩色变换：①RGB彩色合成：指定三个不同类型的图像（如三个不同的波段）分别赋予三原色进行彩色合成，生成一个彩色合成图像。
②HIS彩色变换：将标准RGB图像有效的分离为代表空间信息的明度I，代表波谱信息的色调H、饱和度S
③YIQ变换：通过RGB系统变换而来，Y是图像亮度，是RGB信号的组合，I是红色减去青色；Q是品红减去绿色。
（2）图像代数运算：①图像或波段加和乘运算；
②差值与比值图像：差值图像抑制背景值增强差值，可以提取与背景值差异小的目标地物信息；比值图像对微弱的信号变化有更强的增强能力，且其对地质信息更加敏感，因此常用于进行增强岩性和蚀变岩信息等。
③加减乘除混合运算：在一定程度消除大气影响等
④统计加权法：基于对被融合图像之间的波谱特性的相关统计分析。
（3）图像变换：①主成分分析，又称KL变换，尝试用两种方法，一是用一副高分辨率图像或另一需要的图像数据来替代多波段图像的第一主成分PC1，二是对所有待融合的多种遥感数据进行PCA。
②空间滤波：高通滤波——把空间信息添加到波谱信息中，提高多波段数据空间分辨率。低通滤波——把高分辨率的图像通过对窗口内的像元亮度值的平均，平滑或模糊原图像的细节，使之粗化，再与低分辨率图像进行融合。
③小波变换

数据同化：将地面、遥感观测和模型模拟结合起来的遥感研究方法。考虑了数据的时空分布以及观测场和背景场误差的基础上，在数值模型的动态运行过程中融合新的观测数据的方法。它是在过程模型的动态框架内，通过数据同化算法不断融合时空上离散分布的不同来源和不同分辨率的直接或间接观测信息来自动调整模型轨迹，以改善动态模型状态的估计精度，来提高模型预测能力；而对于遥感反演过程而言，通过地表过程模型的时间演变和物理属性规律的一致性约束，融入多源遥感数据和先验知识，实现遥感反演的时间过程扩展，提高地表参数的反演精度；最终获得具有时空一致性、物理一致性和高可开度的数据集。
方法：直接替代法：即直接插值法，最简单的数据同化方法，认为所有的观测值都准确，将观测值直接替代对应点的模型预报值，观测点外的状态变量通过插值得到。
客观分析法：包括多项式拟合（用一个多项式展开去拟合包含数个分析格点的一小块分析区域中的所有观测点，得到观测数据的客观分析场，展开系数用最小二乘法确定），逐步订正法（从每个观测中减去背景场得到的观测增量，通过分析观测增量得到分析增量，然后将分析增量加到背景场中得到最终分析）；最优插值法（以线性最小平方估计理论为基础，从统计意义上来说均方法最小的线性插值方法）
变分同化法：根据变分原理，利用所有的观测值对模型预报值（模拟结果）进行全局调整（前后向积分）通过最小化代价函数，使分析场达到统计意义上的最优。
卡尔曼滤波：基本思想是利用前一时刻的状态估计值和当前时刻的观测值来获得当前动态系统当前时刻状态的最优估计，包括预报和分析两个步骤。
集合卡尔曼滤波：基于集合预报的思想，用一个模式状态集合来表征随机动态预报中的概率密度函数，和描述模型状态的统计特征；通过蒙特卡罗方法来计算背景场的误差协方差作为预测误差协方差的近似，通过模型向前积分，与新的观测数据进行整合，得到一组分析场集合，通过卡尔曼滤波方程来更新集合；更新后的集合作为下一时刻背景场，继续向前做短期预报，与下一时刻的新观测数据同化，循环到最后。

包括光谱特征分析方法、光谱变化向量分析方法、时间序列分析方法、基于GIS知识的遥感变化检测
（1）光谱特征分析方法
①多时相图像叠合：在图像处理过程中将不同时相遥感图像的各波段数据分别以RGB图像存储，从而对相对变化的区域进行显示增强与识别。简单有效
②图像代数运算：
图像差值—将两个不同时期同一波段图像的对应像元值进行相减，生成差值图像，来推断变化情况。多时相图像差值法能更好的检测出植被特征以及不同植被覆盖类型之间的转换，但差值法容易造成信息丢失或误差。
图像比值：将不同时期、同一波段图像的对应像元进行相除。能很好的抑制太阳角、阴影及地形的影响。
图像回归：假定不同时期图像的像元值之间存在线性关系，线性回归得出关系式，然后用回归函数计算出t2时刻的像元预测值，之后使用预测值减去T1时刻的原始值，从而获得回归残差图像，最后以阈值法确定变化区域。适用于小区域，消除了大气条件、太阳高度角带来的影响。
③多光谱变换：使光谱空间坐标按照一定的规律进行旋转，产生一组新的组分图像，将原多波段中的有用信息集中到尽可能少的组分中，突出和提取变化信息。包括主成分分析和缨帽变换。
主成分分析：假设多时相数据存在高度相关，主成分分析去掉相关。又有几种途径，一是将经几何配准的多时相图像组成一个数据集，再对该数据集进行主成分分析，生成新的互不相关的新分量。二是对经几何配准的多时相图像分别进行PCA，再做差值，提取变化信息；三是对两个时相对应波段的图像进行差值，取绝对值获得数个差值图像。
缨帽变换（TC变换。K-T变换）：基于图像物理特征上的固定转换，与主成分变换相比，其分量更具有明确的物理意义，更易于解读和具有一致性，有利于数据分析。有两种途径进行变化检测，一是对几何配准的多时相图像进行KT变换，产生四个分量，取前三个分量（亮度B、绿度G、湿度W）再对各分量进行差值运算，再使用阈值法进行分类以识别变化信息，生成变化图像。二是多时相K-T变换，使基于对多波段多时相的数据集的正交变换。
④分类后比较：基于不同时相的遥感图像的光谱分类，并对分类结果进行逐个像元的比较，确定变化信息和类型特征，生成变化图像。有两种情况，一种是景观几何配准的不同时相遥感图像用统一的分类体系与分类标准进行光谱分类处理，获得两个分类图像，逐个像元比较，提取信息与特征。二是直接对多时相多波段的多维数据集光谱自动分类，生成变化分类图像。
（2）光谱变化向量分析方法：是基于不同时相图像之间的辐射变化，是在相对辐射归一化矫正基础上进行。着重对各波段的差异进行分析，计算变化的强度与方向特征，是一种特征向量变化检测方法。提取变化强度、方向、变化模式等
（3）时间序列分析方法：包括变化特征的确定以及进行时间序列分析（时间序列曲线重建、时间序列曲线参数化、时间数据统计分析、时间序列信号分解等过程）。使用长时间的遥感数据，建立时间序列曲线（可以使用最大值合成法、高斯函数拟合等进行平滑）；时序曲线参数化是从时序曲线分解一系列的参数，如提取最大值、最小值、标准方差、条件概率等信息；时序数据统计分析可以采用回归分析、相关系数法；时间序列信号分解，可以采用傅里叶变换、小波变换、主成分分析等方法。
（4）基于GIS知识的遥感变化检测：GIS可以为变化检测提供相关的专题信息等，其空间分析算法、数据等也可以作为检测手段，GIS可以为遥感图像分类等提供之间的数据与只是等，可以作为变化的参考基准，可以提供变化分析模型中的参数，如提供地物的属性数据或相关的模型参数（如坡度、坡向等数据）

目前在已知比辐射率的前提下，利用各种对大气辐射传输方程的近似和假设，相关学者相继提出了多种地表温度反演算法。
（1）单通道法：选用卫星遥感的热红外单波段数据，借助无线电探空或卫星遥感提供的大气垂直廓线数据，结合大气辐射传输方程计算大气辐射和大气透射率等参数，以修正大气对比辐射率的影响，从而得到地面温度。单通道法反演的地表温度的精度取决于辐射模型、地表比辐射率、大气廓线的精度。
（2）多通道法（又称为分裂窗法、劈窗算法）利用10_{13微米的大气窗口内，两个相邻通道（一般取波长11微米附近和12微米附近）对大气吸收作用的不同（尤其对大气中水汽吸收作用的差异），通过两个通道测量值（亮度温度）的线性组合来提出带去的影响，反演地表温度。多通道法应用广泛，反演地表温度的精度可为1}2℃，取决于大气和比辐射率的校正误差。
（3）单通道多角度法：此法依据在于同一物体从不同角度观测时所经过的大气路径不同，产生的大气吸收也不同，大气的作用可以通过单通道在不同角度观察下所获得的亮度的线性组合来消除。
（4）多通道多角度法：是多通道法和多角度法的结合，依据在于无论是多通道还是多角度分窗法，地表真实温度是一致的。利用不同通道、不同角度对大气效应的不同反应来消除大气的影响，反演地表温度。
（5）日夜多通道法：即双温多通道法，应用昼夜两个不同时相的数据，多通道指应用3.5_{4.5微米的中红外波段数据，以及多个热红外数据。由于劈窗算法中10}13微米两个相邻通道辐射特征的差别较小，数据相关性高，影响反演精度，于是考虑引入中红外波段数据和昼夜数据，既可以增加波段数据之间以及昼夜数据之间的差异，又增加了信息源。双通道法假设昼夜两次观测时目标的比辐射率不变，而温度不同。

特点：
（1）高光谱高分辨率：能获得整个可见光、近红外、短波红外、热红外波段的多而窄的连续的光谱波段。波段数目多，波段间隔一般为5~20nm，个别甚至2.5nm。
（2）图谱合一：在获取数十数百的光谱图像的同时，能够获取图像中的每个像元的连续光谱数据，可以反映目标的精细光谱差异，能够检测出具有诊断意义的地物光谱特征
（3）空间分辨率较高，一般瞬时视场角为1~3mrad
（4）辐射分辨率与信噪比：高光谱遥感成像光谱仪具有丰富的空间、辐射、光谱三重信息，能够为目标地物提供直接的信息源，课广泛应用于精细农业、城市遥感等。
主要分析技术：
高光谱遥感数据波段多、波带窄、数据量大，且数据输出率高，在输出传输过程中必须进行压缩，高光谱遥感数据专门的技术方法包括：数据高比例压缩技术、数据显示模式、图像数据-光谱的转换、光谱特征参量化、以及专门针对光谱形状、波长位置、特征吸收带的地物光谱特征提取、目标识别与分类等方法和建立不同的应用分析模型。
（1）图像数据-光谱转换：包括成像光谱仪的光谱和辐射定标、成像光谱数据转换为反射率。
（2）成像光谱图像的波谱曲线提取：使用二维波谱曲线看来表达图像上任意一点的光谱特征，显示光标任意指定像元波谱曲线或特定区域的平均波普曲线；快速确定具有相同或相似光谱特征的像元等。
（3）光谱特征参数提取：①光谱吸收指数：使用一系列波形形态参数表达光谱吸收特征；②导数光谱方法，提取光谱特征参数
（4）光谱匹配 识别方法:光谱数据编码匹配、光谱角度匹配、导数光谱波形匹配识别法

热红外地表温度反演需要将遥感器输出的地物辐射温度的量度与地物真是温度建立定量关系，原理简单介绍如下：（1）均匀、同温度的物体表面，热红外遥感器获得的辐射能量与真实温度和辐射率间的关系满足普朗克定律和斯玻定律，故可以建立遥感器接受的目标物表观辐射出射度、平均环境辐照度、红外测温仪所测目标物与环境的温度、目标物与环境的比辐射率之间的关系式。（2）利用热遥感器获得地表辐射亮度，景观辐射纠正、几何纠正、大气纠正后，获得地表发射的热辐射辐射信息，等效于地表的辐射温度。（3）地表比辐射率与地表物质组成、地表结构等因素有关，要对地表比辐射率进行精确估计。（4）环境辐照度主要是大气、云的辐射和高大地物的辐射，现阶段往往在稳定的天气条件下，利用窄视场角的红外测温仪对天空进行测量，通过加权计算等得到天空辐射出射度，从而获得天空温度来表征环境辐照度。（5）热红外遥感与地面同步测量或地面同步定标，建立去两者数据间的线性回归方程，确定关系，进行使用地物辐射温度反演出真实的温度。