简介面向遥感专业学生与地理科学备考者的复习题集系统覆盖遥感基础理论与常见考点内容包含名词解释、简答题及对应答案解析。压缩包仅含1个doc文档大小49KB便于随身查看或打印背诵目前已有115人学习下载。资料重点梳理大气窗口、电磁波谱、空间分辨率、波谱分辨率、辐射畸变与辐射校正、监督分类与非监督分类、主动遥感与被动遥感、三基色原理、多源信息复合、纹理特征、环形与线性构造解译等核心知识点并补充遥感分类、遥感地质、地物波谱特征、黑体与对比度变换等延伸内容。对遥感原理、图像处理与地质解译等章节的常见简答也给出答题思路适合期末复习、考研备考或课程考前冲刺使用资源虽小但考点密度高适合考前集中翻阅。1. 从大气窗口到断层标志这份遥感题库真正在考什么遥感复习最怕的不是概念多而是概念之间没有连接。比如“大气窗口”考的是背定义但你拿着 Landsat 影像做岩性解译时发现红外波段糊成一片原因就是波段落在了水汽吸收带上这就是大气窗口知识的实战场景。这份题集从电磁波谱、分辨率体系一直覆盖到褶皱、断层的影像判读内容横跨遥感原理、图像处理和地质解译三个层次适合期末备考、考研刷题也适合已经入行但知识框架还不成体系的从业者用来补短板。它没有废话名词解释直接给标准表述简答和论述题给出可落地的判读逻辑我把其中关键的判据和易混概念按工程视角重新梳理一遍顺便补上可复现的代码和参数说明。2. 大气窗口与分辨率体系遥感数据采集的地基概念2.1 大气窗口为什么遥感通道总是挤在固定波段电磁波穿过大气时会被吸收和散射水汽、二氧化碳、臭氧对特定波段的吸收非常强而透射率较高的区间就是大气窗口。可见光与近红外0.42.5 μm、热红外814 μm、微波1 mm1 m是三个最常用的窗口。传感器设计的工作波段必须选在窗口内否则地面信号到达传感器时已经被大气衰减得无法识别。散射的影响在可见光波段尤其明显。微粒半径远小于波长时发生瑞利散射散射强度与波长的四次方成反比所以蓝光散射最强晴朗天空呈现蓝色微粒半径接近波长时发生米氏散射主要影响近红外到热红外的传输。这个原理直接决定了多光谱影像中蓝波段大气噪声最大也解释了为什么大气校正时蓝波段的校正量通常最重。2.1.1 常见大气窗口的波段划分窗口名称波长范围典型传感器主要用途可见光-近红外0.42.5 μmLandsat OLI、Sentinel-2植被、水体、岩性识别热红外814 μmASTER TIR、Landsat TIRS地表温度、热惯量分析微波1 mm1 mSentinel-1、ALOS PALSAR全天候观测、形变监测2.2 电磁波谱与地物波谱特征识别地物的底层语言电磁波谱把各种电磁波按波长或频率排列从 γ 射线、X 射线、紫外线、可见光、红外、微波一直到无线电波。遥感中真正用到的集中在可见光到微波这一段因为大气窗口限制了可用的波段而地物在不同波段的反射、发射、吸收特性构成了波谱特征曲线。岩石、植被、水体在可见光近红外波段的曲线形态差异明显植被在 0.45 μm 和 0.65 μm 附近是吸收谷0.71.3 μm 是反射峰水体在近红外波段几乎完全吸收岩石的曲线平缓但不同岩性在铁离子、羟基、碳酸根的特征吸收带上差异很大。做岩性解译时有一个常见做法先看多光谱影像上哪些波段的组合能拉开目标与背景的灰度差再回到波谱曲线上找对应的吸收特征而不是盲目叠加所有波段。2.3 空间分辨率与波谱分辨率两个容易被混淆的参数空间分辨率衡量的是“能分辨多小的地物”通常用像素尺寸表示30 m 分辨率意味着一个像元对应地面 30 m×30 m 的范围。波谱分辨率衡量的是传感器区分最小波长间隔的能力波段数越多、波长间隔越窄波谱分辨率越高。两者是独立参数高空间分辨率不等于高波谱分辨率WorldView-3 有 0.3 m 全色和 8 个多光谱波段而 Sentinel-2 的 10 m 多光谱只有 4 个波段但它的 20 m 波段有 6 个波谱覆盖更细。参数类型衡量对象典型数值实际影响空间分辨率地物尺寸与形状0.3 m1 km决定能识别的最小目标波谱分辨率波长间隔和波段数4200 波段决定光谱信息的精细程度辐射分辨率传感器记录辐射值的量化等级8 bit16 bit决定灰度层次和弱信号检测能力时间分辨率对同一地区重复观测的周期116 天决定动态监测能力辐射分辨率也是遥感图像分析中常常被低估的参数。8 bit 影像只有 256 个灰度级16 bit 有 65536 个后者在暗目标信息提取上有明显优势。做定量反演时我一般会优先确认数据的辐射分辨率否则后续的辐射校正和地表参数反演会因为量化误差而损失精度。2.4 用 Python 筛选大气窗口中的可用波段选波段是遥感分析的第一步。下面这段代码用简单的透射率阈值判断哪些波段落在窗口内import numpy as np # 波段中心波长(μm)与对应大气透射率(示例值) bands { coastal: (0.443, 0.75), blue: (0.490, 0.85), green: (0.560, 0.90), red: (0.665, 0.92), nir: (0.865, 0.88), swir1: (1.610, 0.72), swir2: (2.190, 0.58), cirrus: (1.375, 0.10), } threshold 0.60 usable {k: (w, t) for k, (w, t) in bands.items() if t threshold} print(可用波段:, usable)这段代码把各波段的透射率与阈值 0.60 做比较过滤掉透射率过低的波段。cirrus 波段透射率只有 0.10通常不用于地表信息提取而是用来检测卷云污染这个例子正好说明了窗口筛选的实际意义。阈值可以根据传感器波段和工作场景调整海拔高、大气干燥的地区可以适当降低阈值到 0.50沿海高湿地区则建议提高到 0.70。3. 辐射畸变、对比度变换与图像增强一万次分类不如一次好预处理3.1 辐射畸变的五个误差源辐射畸变是地物真实反射率与传感器测量值之间的偏差成因可以拆成五类大气散射和吸收改变了辐射传输路径太阳高度角和传感器观测角不同导致同一地物的辐照度变化地形起伏使坡面接收的太阳辐射产生差异传感器探测系统的灵敏度和光谱响应不一致影像处理过程中的灰度失真。这些误差叠加后有时即使同一个地物在影像两侧的灰度值也可能差出好几个等级。辐射校正的本质是图像恢复。常见做法是暗目标减法在影像中找到深水体或阴影区假定这些像元的真实反射率接近零传感器接收到的值就是大气程辐射把它从所有像元中减去。该方法简单有效但前提是影像里确实存在大面积暗目标且大气状况在整景影像中相对均匀。3.2 辐射校正的简化流程辐射校正一般有三个步骤先做传感器定标把 DN 值转换成辐亮度或反射率再做大气校正消除散射和吸收的影响最后根据地形条件决定是否做地形辐射校正。如果只是做目视解译或分类前两步基本够用地形校正只在山区定量反演时才必须做。3.3 对比度变换线性拉伸与非线性拉伸的取舍对比度变换又叫辐射增强目的是把集中在狭窄灰度范围内的像元分布拉开。线性变换的公式是out (in - in_min) / (in_max - in_min) * 255但影像中有极端离群值时这种方式容易让中间层次丢失。import numpy as np def linear_stretch(image, percent2): 线性拉伸, percent 为裁剪百分比, 用于去除离群值 lo, hi np.percentile(image, [percent, 100 - percent]) stretched (image.astype(np.float32) - lo) / (hi - lo) np.clip(stretched, 0, 1, outstretched) return (stretched * 255).astype(np.uint8) # 模拟一个对比度较差的 8bit 影像 img np.random.normal(loc100, scale8, size(512, 512)).astype(np.uint8) result linear_stretch(img, percent2)percent2表示把灰度直方图两端各 2% 的像元裁掉避免个别极亮或极暗像元决定整幅影像的动态范围。np.percentile计算的是分位数比直接取最小最大值更稳健。换成percent5可以得到更强的对比度但代价是损失更多边缘灰度信息。非线性变换中直方图均衡化最常用它把像元重新分布到整个灰度空间中增强视觉效果但会改变像元间的相对辐射关系。做分类前如果数据要用于定量分析优先做线性拉伸而不是直方图均衡化因为后者会破坏光谱特征。3.4 空间滤波与彩色合成增强不是越亮越好空间滤波在频率域中处理舍弃不需要的频率曲线保留并强化需要的频率成分。低通滤波用来平滑噪声高通滤波用来突出边缘和线性构造在断裂解译中高通滤波非常有用能增强断层的线性影像。多波段色彩变换则是把不同波段的图像分别赋予红、绿、蓝通道进行合成。加色法合成中波段组合的选择会直接影响解译效果Landsat 影像里 5、4、3 波段组合分别赋予红、绿、蓝时植被呈红色7、5、4 组合对岩性差异的区分度更高。4. 从监督分类到地质解译把判读标志变成可验证的流程4.1 监督分类训练样本决定分类上限监督分类先选取已知类别的样本统计样本特征建立判别函数再对全部像元分类。最大似然法假设各类别服从正态分布根据概率密度判断像元归属最小距离法计算像元到各分类中心的距离距离最近者胜出。两者的区别在于最大似然法考虑了协方差结构对波段间的相关性更敏感但训练样本不足时容易过拟合。训练样本的选取质量直接决定分类精度每个类别至少要 10 倍于波段数的样本像元。我一般会在影像上均匀布置样本避免集中在一个区域。样本选取完成后先做可分离性分析如果两个类别的样本在特征空间中重叠明显优先考虑合并类别或增加新的训练样本而不是直接调分类器参数。4.2 非监督分类让数据自己说话非监督分类在没有已知类别信息的情况下依据像元在多维波谱空间中的自然分布自动归类最常见的是 K-means 和 ISODATA 聚类算法。K-means 需要预先指定类别数 K聚类中心通过迭代不断移动直到达到收敛条件。ISODATA 改进了 K-means可以自动合并和分裂类别对类别数的选择不敏感。4.2.1 监督与非监督分类的核心差异对比维度监督分类非监督分类是否需要先验类别信息需要不需要核心操作选取训练样本、建立判别函数设定类别数和迭代参数自动化程度中依赖人工样本质量高计算机自动归类分类结果可控性强类别含义明确弱聚类结果需要人工标定适用场景研究区地类已知、有野外调查数据地类未知、快速摸底实际应用中两者经常结合先做非监督分类了解影像的波谱结构再根据聚类结果选择训练样本做监督分类可以显著提高样本的代表性。4.3 地质解译标志从影像特征到构造识别解译标志是识别地物的图像特征包括色调、色彩、大小、形状、阴影、纹理、图案等直接标志以及水系、地貌、植被、土壤等间接标志。地质解译就是利用这些标志结合地质学理论从图像上识别地质体和地质构造、圈定边界、分析成因。4.3.1 褶皱与断层的解译对照构造类型主要解译标志关键判据背斜岩层三角面尖端指向相对单面山缓坡朝外倾外倾转折端内宽外窄色带向斜岩层三角面尖端指向相背单面山缓坡朝内倾内倾转折端内窄外宽色带压性断裂舒缓波状线性展布伴生构造透镜体挤压破碎带明显平行断裂发育扭性断裂平直光滑线性贯穿山地垭口两侧岩层错位有牵引现象X 性断裂锯齿状或雁行排列延伸不远常与区域断裂近于垂直岩层三角面的尖端指向是判断褶皱性质最直观的线索。背斜两翼岩层三角面尖端相对向斜则相背转折端的形态也有规律背斜转折端内层色带尖、外层圆缓向斜正好相反。解译时我会把影像上的岩层条带走向和地形起伏叠加起来看背斜通常对应正地形、放射状水系向斜对应负地形、向心状水系两者结合能显著降低误判率。4.3.2 用结构化字典管理解译标志野外解译时把标志写在纸上容易漏项我习惯把褶皱判读标志组织成结构化数据随时查漏fold_indicators { 背斜: { 三角面尖端: 指向相对, 单面山缓坡: 朝外倾, 转折端形态: 外倾, 内尖外圆, 色带宽度: 内宽外窄, 水系: 放射状水系, 地形: 多为正地形, }, 向斜: { 三角面尖端: 指向相背, 单面山缓坡: 朝内倾, 转折端形态: 内倾, 内圆外尖, 色带宽度: 内窄外宽, 水系: 向心状水系, 地形: 多为负地形, }, }把影像上能看到的特征逐项和这个字典比对六项中满足四项以上基本可以确定性质。这个思路也可以扩展到断层类型、水平岩层识别中把定性经验转成半定量的判别清单尤其在时间紧任务重的时候可以大大减少遗漏。5. 中心投影与断层性质判定野外解译前最后两道几何关5.1 中心投影与垂直投影的三个差异航空像片属于中心投影地形图属于垂直投影两者的差异集中在投影距离、投影面倾斜和地形起伏三个方面。影响因素中心投影垂直投影投影距离比例尺与航高 H、焦距 f 有关比例尺与投影距离无关全图统一投影面倾斜像点相对位置改变仅比例尺放大相对位置不变地形起伏像点位移随高差增大而增大点位按水平距离成比例缩小中心投影中地面点高程越大在像片上的位移越大这就是投影差。做几何纠正时需要利用地面控制点或 DEM 消除投影差否则在山区叠加矢量数据时误差可能达到几十个像素。5.2 断层性质判定的快速技巧断层性质的判别是遥感地质解译的高频考点也是野外应用价值最大的技巧。压性断裂呈舒缓波状展布规模大有较宽的挤压破碎带断层线常成为色调分界面扭性断裂表现为平直光滑的线形影像延伸远常以线性负地形贯穿一系列山地垭口两侧岩层错位并伴有牵引现象X 性断裂则呈锯齿状或雁行排列延伸不远走向常与区域性断裂近于垂直。实际解译时我的验证手法是先在影像上确定断裂线再沿断裂线追踪地貌标志——河谷是否直线状延伸、冲积扇顶端是否处于同一直线、湖泊群是否线状排列、地下水溢出点是否串珠状分布。如果三个以上标志同时出现基本可以确认断层存在。最后还要看断裂两侧的岩层三角面形态缓翼的三角面尖端较长陡翼的则短而宽这个细节能帮助判断断层的性质。本文还有配套的精品资源点击获取 
长河君 · 2026/9/20 5:15:16 · 阅读 1.2k 遥感地质解译核心考点：大气窗口、图像增强与断层判读实战
简介面向遥感专业学生与地理科学备考者的复习题集系统覆盖遥感基础理论与常见考点内容包含名词解释、简答题及对应答案解析。压缩包仅含1个doc文档大小49KB便于随身查看或打印背诵目前已有115人学习下载。资料重点梳理大气窗口、电磁波谱、空间分辨率、波谱分辨率、辐射畸变与辐射校正、监督分类与非监督分类、主动遥感与被动遥感、三基色原理、多源信息复合、纹理特征、环形与线性构造解译等核心知识点并补充遥感分类、遥感地质、地物波谱特征、黑体与对比度变换等延伸内容。对遥感原理、图像处理与地质解译等章节的常见简答也给出答题思路适合期末复习、考研备考或课程考前冲刺使用资源虽小但考点密度高适合考前集中翻阅。1. 从大气窗口到断层标志这份遥感题库真正在考什么遥感复习最怕的不是概念多而是概念之间没有连接。比如“大气窗口”考的是背定义但你拿着 Landsat 影像做岩性解译时发现红外波段糊成一片原因就是波段落在了水汽吸收带上这就是大气窗口知识的实战场景。这份题集从电磁波谱、分辨率体系一直覆盖到褶皱、断层的影像判读内容横跨遥感原理、图像处理和地质解译三个层次适合期末备考、考研刷题也适合已经入行但知识框架还不成体系的从业者用来补短板。它没有废话名词解释直接给标准表述简答和论述题给出可落地的判读逻辑我把其中关键的判据和易混概念按工程视角重新梳理一遍顺便补上可复现的代码和参数说明。2. 大气窗口与分辨率体系遥感数据采集的地基概念2.1 大气窗口为什么遥感通道总是挤在固定波段电磁波穿过大气时会被吸收和散射水汽、二氧化碳、臭氧对特定波段的吸收非常强而透射率较高的区间就是大气窗口。可见光与近红外0.42.5 μm、热红外814 μm、微波1 mm1 m是三个最常用的窗口。传感器设计的工作波段必须选在窗口内否则地面信号到达传感器时已经被大气衰减得无法识别。散射的影响在可见光波段尤其明显。微粒半径远小于波长时发生瑞利散射散射强度与波长的四次方成反比所以蓝光散射最强晴朗天空呈现蓝色微粒半径接近波长时发生米氏散射主要影响近红外到热红外的传输。这个原理直接决定了多光谱影像中蓝波段大气噪声最大也解释了为什么大气校正时蓝波段的校正量通常最重。2.1.1 常见大气窗口的波段划分窗口名称波长范围典型传感器主要用途可见光-近红外0.42.5 μmLandsat OLI、Sentinel-2植被、水体、岩性识别热红外814 μmASTER TIR、Landsat TIRS地表温度、热惯量分析微波1 mm1 mSentinel-1、ALOS PALSAR全天候观测、形变监测2.2 电磁波谱与地物波谱特征识别地物的底层语言电磁波谱把各种电磁波按波长或频率排列从 γ 射线、X 射线、紫外线、可见光、红外、微波一直到无线电波。遥感中真正用到的集中在可见光到微波这一段因为大气窗口限制了可用的波段而地物在不同波段的反射、发射、吸收特性构成了波谱特征曲线。岩石、植被、水体在可见光近红外波段的曲线形态差异明显植被在 0.45 μm 和 0.65 μm 附近是吸收谷0.71.3 μm 是反射峰水体在近红外波段几乎完全吸收岩石的曲线平缓但不同岩性在铁离子、羟基、碳酸根的特征吸收带上差异很大。做岩性解译时有一个常见做法先看多光谱影像上哪些波段的组合能拉开目标与背景的灰度差再回到波谱曲线上找对应的吸收特征而不是盲目叠加所有波段。2.3 空间分辨率与波谱分辨率两个容易被混淆的参数空间分辨率衡量的是“能分辨多小的地物”通常用像素尺寸表示30 m 分辨率意味着一个像元对应地面 30 m×30 m 的范围。波谱分辨率衡量的是传感器区分最小波长间隔的能力波段数越多、波长间隔越窄波谱分辨率越高。两者是独立参数高空间分辨率不等于高波谱分辨率WorldView-3 有 0.3 m 全色和 8 个多光谱波段而 Sentinel-2 的 10 m 多光谱只有 4 个波段但它的 20 m 波段有 6 个波谱覆盖更细。参数类型衡量对象典型数值实际影响空间分辨率地物尺寸与形状0.3 m1 km决定能识别的最小目标波谱分辨率波长间隔和波段数4200 波段决定光谱信息的精细程度辐射分辨率传感器记录辐射值的量化等级8 bit16 bit决定灰度层次和弱信号检测能力时间分辨率对同一地区重复观测的周期116 天决定动态监测能力辐射分辨率也是遥感图像分析中常常被低估的参数。8 bit 影像只有 256 个灰度级16 bit 有 65536 个后者在暗目标信息提取上有明显优势。做定量反演时我一般会优先确认数据的辐射分辨率否则后续的辐射校正和地表参数反演会因为量化误差而损失精度。2.4 用 Python 筛选大气窗口中的可用波段选波段是遥感分析的第一步。下面这段代码用简单的透射率阈值判断哪些波段落在窗口内import numpy as np # 波段中心波长(μm)与对应大气透射率(示例值) bands { coastal: (0.443, 0.75), blue: (0.490, 0.85), green: (0.560, 0.90), red: (0.665, 0.92), nir: (0.865, 0.88), swir1: (1.610, 0.72), swir2: (2.190, 0.58), cirrus: (1.375, 0.10), } threshold 0.60 usable {k: (w, t) for k, (w, t) in bands.items() if t threshold} print(可用波段:, usable)这段代码把各波段的透射率与阈值 0.60 做比较过滤掉透射率过低的波段。cirrus 波段透射率只有 0.10通常不用于地表信息提取而是用来检测卷云污染这个例子正好说明了窗口筛选的实际意义。阈值可以根据传感器波段和工作场景调整海拔高、大气干燥的地区可以适当降低阈值到 0.50沿海高湿地区则建议提高到 0.70。3. 辐射畸变、对比度变换与图像增强一万次分类不如一次好预处理3.1 辐射畸变的五个误差源辐射畸变是地物真实反射率与传感器测量值之间的偏差成因可以拆成五类大气散射和吸收改变了辐射传输路径太阳高度角和传感器观测角不同导致同一地物的辐照度变化地形起伏使坡面接收的太阳辐射产生差异传感器探测系统的灵敏度和光谱响应不一致影像处理过程中的灰度失真。这些误差叠加后有时即使同一个地物在影像两侧的灰度值也可能差出好几个等级。辐射校正的本质是图像恢复。常见做法是暗目标减法在影像中找到深水体或阴影区假定这些像元的真实反射率接近零传感器接收到的值就是大气程辐射把它从所有像元中减去。该方法简单有效但前提是影像里确实存在大面积暗目标且大气状况在整景影像中相对均匀。3.2 辐射校正的简化流程辐射校正一般有三个步骤先做传感器定标把 DN 值转换成辐亮度或反射率再做大气校正消除散射和吸收的影响最后根据地形条件决定是否做地形辐射校正。如果只是做目视解译或分类前两步基本够用地形校正只在山区定量反演时才必须做。3.3 对比度变换线性拉伸与非线性拉伸的取舍对比度变换又叫辐射增强目的是把集中在狭窄灰度范围内的像元分布拉开。线性变换的公式是out (in - in_min) / (in_max - in_min) * 255但影像中有极端离群值时这种方式容易让中间层次丢失。import numpy as np def linear_stretch(image, percent2): 线性拉伸, percent 为裁剪百分比, 用于去除离群值 lo, hi np.percentile(image, [percent, 100 - percent]) stretched (image.astype(np.float32) - lo) / (hi - lo) np.clip(stretched, 0, 1, outstretched) return (stretched * 255).astype(np.uint8) # 模拟一个对比度较差的 8bit 影像 img np.random.normal(loc100, scale8, size(512, 512)).astype(np.uint8) result linear_stretch(img, percent2)percent2表示把灰度直方图两端各 2% 的像元裁掉避免个别极亮或极暗像元决定整幅影像的动态范围。np.percentile计算的是分位数比直接取最小最大值更稳健。换成percent5可以得到更强的对比度但代价是损失更多边缘灰度信息。非线性变换中直方图均衡化最常用它把像元重新分布到整个灰度空间中增强视觉效果但会改变像元间的相对辐射关系。做分类前如果数据要用于定量分析优先做线性拉伸而不是直方图均衡化因为后者会破坏光谱特征。3.4 空间滤波与彩色合成增强不是越亮越好空间滤波在频率域中处理舍弃不需要的频率曲线保留并强化需要的频率成分。低通滤波用来平滑噪声高通滤波用来突出边缘和线性构造在断裂解译中高通滤波非常有用能增强断层的线性影像。多波段色彩变换则是把不同波段的图像分别赋予红、绿、蓝通道进行合成。加色法合成中波段组合的选择会直接影响解译效果Landsat 影像里 5、4、3 波段组合分别赋予红、绿、蓝时植被呈红色7、5、4 组合对岩性差异的区分度更高。4. 从监督分类到地质解译把判读标志变成可验证的流程4.1 监督分类训练样本决定分类上限监督分类先选取已知类别的样本统计样本特征建立判别函数再对全部像元分类。最大似然法假设各类别服从正态分布根据概率密度判断像元归属最小距离法计算像元到各分类中心的距离距离最近者胜出。两者的区别在于最大似然法考虑了协方差结构对波段间的相关性更敏感但训练样本不足时容易过拟合。训练样本的选取质量直接决定分类精度每个类别至少要 10 倍于波段数的样本像元。我一般会在影像上均匀布置样本避免集中在一个区域。样本选取完成后先做可分离性分析如果两个类别的样本在特征空间中重叠明显优先考虑合并类别或增加新的训练样本而不是直接调分类器参数。4.2 非监督分类让数据自己说话非监督分类在没有已知类别信息的情况下依据像元在多维波谱空间中的自然分布自动归类最常见的是 K-means 和 ISODATA 聚类算法。K-means 需要预先指定类别数 K聚类中心通过迭代不断移动直到达到收敛条件。ISODATA 改进了 K-means可以自动合并和分裂类别对类别数的选择不敏感。4.2.1 监督与非监督分类的核心差异对比维度监督分类非监督分类是否需要先验类别信息需要不需要核心操作选取训练样本、建立判别函数设定类别数和迭代参数自动化程度中依赖人工样本质量高计算机自动归类分类结果可控性强类别含义明确弱聚类结果需要人工标定适用场景研究区地类已知、有野外调查数据地类未知、快速摸底实际应用中两者经常结合先做非监督分类了解影像的波谱结构再根据聚类结果选择训练样本做监督分类可以显著提高样本的代表性。4.3 地质解译标志从影像特征到构造识别解译标志是识别地物的图像特征包括色调、色彩、大小、形状、阴影、纹理、图案等直接标志以及水系、地貌、植被、土壤等间接标志。地质解译就是利用这些标志结合地质学理论从图像上识别地质体和地质构造、圈定边界、分析成因。4.3.1 褶皱与断层的解译对照构造类型主要解译标志关键判据背斜岩层三角面尖端指向相对单面山缓坡朝外倾外倾转折端内宽外窄色带向斜岩层三角面尖端指向相背单面山缓坡朝内倾内倾转折端内窄外宽色带压性断裂舒缓波状线性展布伴生构造透镜体挤压破碎带明显平行断裂发育扭性断裂平直光滑线性贯穿山地垭口两侧岩层错位有牵引现象X 性断裂锯齿状或雁行排列延伸不远常与区域断裂近于垂直岩层三角面的尖端指向是判断褶皱性质最直观的线索。背斜两翼岩层三角面尖端相对向斜则相背转折端的形态也有规律背斜转折端内层色带尖、外层圆缓向斜正好相反。解译时我会把影像上的岩层条带走向和地形起伏叠加起来看背斜通常对应正地形、放射状水系向斜对应负地形、向心状水系两者结合能显著降低误判率。4.3.2 用结构化字典管理解译标志野外解译时把标志写在纸上容易漏项我习惯把褶皱判读标志组织成结构化数据随时查漏fold_indicators { 背斜: { 三角面尖端: 指向相对, 单面山缓坡: 朝外倾, 转折端形态: 外倾, 内尖外圆, 色带宽度: 内宽外窄, 水系: 放射状水系, 地形: 多为正地形, }, 向斜: { 三角面尖端: 指向相背, 单面山缓坡: 朝内倾, 转折端形态: 内倾, 内圆外尖, 色带宽度: 内窄外宽, 水系: 向心状水系, 地形: 多为负地形, }, }把影像上能看到的特征逐项和这个字典比对六项中满足四项以上基本可以确定性质。这个思路也可以扩展到断层类型、水平岩层识别中把定性经验转成半定量的判别清单尤其在时间紧任务重的时候可以大大减少遗漏。5. 中心投影与断层性质判定野外解译前最后两道几何关5.1 中心投影与垂直投影的三个差异航空像片属于中心投影地形图属于垂直投影两者的差异集中在投影距离、投影面倾斜和地形起伏三个方面。影响因素中心投影垂直投影投影距离比例尺与航高 H、焦距 f 有关比例尺与投影距离无关全图统一投影面倾斜像点相对位置改变仅比例尺放大相对位置不变地形起伏像点位移随高差增大而增大点位按水平距离成比例缩小中心投影中地面点高程越大在像片上的位移越大这就是投影差。做几何纠正时需要利用地面控制点或 DEM 消除投影差否则在山区叠加矢量数据时误差可能达到几十个像素。5.2 断层性质判定的快速技巧断层性质的判别是遥感地质解译的高频考点也是野外应用价值最大的技巧。压性断裂呈舒缓波状展布规模大有较宽的挤压破碎带断层线常成为色调分界面扭性断裂表现为平直光滑的线形影像延伸远常以线性负地形贯穿一系列山地垭口两侧岩层错位并伴有牵引现象X 性断裂则呈锯齿状或雁行排列延伸不远走向常与区域性断裂近于垂直。实际解译时我的验证手法是先在影像上确定断裂线再沿断裂线追踪地貌标志——河谷是否直线状延伸、冲积扇顶端是否处于同一直线、湖泊群是否线状排列、地下水溢出点是否串珠状分布。如果三个以上标志同时出现基本可以确认断层存在。最后还要看断裂两侧的岩层三角面形态缓翼的三角面尖端较长陡翼的则短而宽这个细节能帮助判断断层的性质。本文还有配套的精品资源点击获取