下载文档原格式
第一章电磁波及遥感物理基础1、什么是遥感(REMOTE SENSING)遥感即遥远感知，是在不直接接触的情况下，对目标或自然现象远距离探测和感知的一种技术。
2、遥感之所以能够根据收集到的电磁波来判断地物目标和自然现象，是因为一切物体，由于其种类、特征和环境条件的不同，而具有完全不同的电磁波的反射或发射辐射特征。
3、电磁波（是一种横波）（1）变化的电场和磁场交替产生，以有限的速度由近及远在空间内传播的过程称为电磁波。
(包括γ射线、χ射线、紫外线、可见光、红外线、微波、无线电波等。
采用电磁波进行的遥感称电磁波遥感。
）（2）电磁波具有波动性与粒子性：①波动性形成了光的干涉、衍射、偏振等现象。
②粒子性：一个光量子能量Q=hv=hc/λ。
4、电磁波谱红 0.62 ~ 0.76μm可见光绿 0.50 ~ 0.56μm蓝 0.43 ~ 0.47μm远红外 6 ~ 15μm红外波段中红外 3 ~6μm近红外 0.76 ~ 3μm微波 1 mm~ 1m2-2 物体的发射辐射1、一黑体辐射1 绝对黑体: 与温度和波长无关对任何波长的电磁辐射都全部吸收的物体绝对黑体的吸收率α (λ,T)≡1反射率ρ（λ,T）≡0绝对白体则能反射所有的入射光反射率ρ（λ,T）≡1，吸收率α(λ,T)≡02黑体辐射定律Wλ——分谱辐射通量密度h —普朗克，C—光速， K—玻耳兹曼常数，T—绝对温度3、黑体辐射的三个特性 :(1)总辐射通量密度W是随温度T的增加而迅速增加斯忒藩－玻耳兹曼公式:单位面积发出的总辐射能与绝对温度的四次方成正比σ是Boltzmann 常数: 5.6697 x 10 -8 W m-2 K -4热红外遥感就是利用这一原理探测和识别目标物的(2）分谱辐射能量密度的峰值波长随温度的增加向短波方向移动。
维恩位移定律 :若知道了某物体温度，就可以推算出它所辐射的波段(3)每根曲线彼此不相交温度T越高所有波长上的波谱辐射通量密度也越大2、太阳辐射特性（1）太阳辐射的光谱是连续的，（2）它的辐射特性与绝对黑体的辐射特性基本一致。
遥感图像分类方法与准确性评价指标遥感图像分类是利用遥感数据进行地物分类的过程，其目的是将遥感图像中的不同地物进行识别与分类。
在遥感图像分类中，有效的分类方法和准确性评价指标对于获得准确的分类结果至关重要。
一、常用的遥感图像分类方法1. 监督分类方法监督分类方法是指在进行分类之前，通过在选定的地物样本中确定其类别，并利用这些样本进行分类算法的训练。
常用的监督分类方法包括最大似然分类、支持向量机、决策树等。
最大似然分类是一种基于统计理论的方法，其基本假设是不同类别地物的像元值符合某种概率分布。
支持向量机是一种基于几何学原理的分类方法，其核心思想是将不同类别地物的像元用超平面分割成两个部分，以实现分类。
决策树是一种基于判定树的分类方法，通过根据不同属性进行逐级判定，最终将地物分类。
2. 无监督分类方法无监督分类方法是指在进行分类之前不需要先进行样本标签的确定，而是根据图像中像元之间的相似性和差异性进行聚类。
常用的无监督分类方法包括K-means 聚类、高斯混合模型等。
K-means聚类是一种基于距离度量的分类方法，其核心思想是将图像中的像元根据相似性进行分组，形成不同的类，实现地物分类。
高斯混合模型是一种基于概率统计的分类方法，通过假设图像像元符合多个高斯分布的线性组合，确定不同类别地物的概率分布。
二、遥感图像分类准确性评价指标1. 精度（Accuracy）精度是指分类结果中被正确分类的像元数占总像元数的比例。
精度越高，表示分类结果越准确。
在实际应用中，精度常常使用整体精度（Overall Accuracy）和Kappa系数进行评价。
整体精度是指分类正确的像元数占总像元数的比例，其范围为0到1之间，1表示分类完全正确。
Kappa系数是基于整体精度的一种校正指标，它考虑了分类结果与随机分类之间的差异性，范围也在0到1之间，1表示没有误分类。
2. 生产者精度（Producer's Accuracy）生产者精度是指在分类结果中，某一类地物被正确分类的像元数占该类地物实际像元数的比例。
如何进行遥感图像的分级分类遥感图像分类是遥感技术中的重要环节，它通过将遥感图像中的像素按照其特征进行归类，从而提取出图像中存在的不同地物和信息。
遥感图像的分级分类可以帮助我们更好地理解遥感图像的内容和特征，为地理信息系统、自然资源管理、环境评估等领域提供有力的支持。
本文将介绍一种基于机器学习的遥感图像分级分类方法。
一、数据准备与预处理在进行遥感图像分类之前，首先需要进行数据准备和预处理。
这包括收集和获取合适的遥感图像数据，对数据进行预处理和增强，以提高分类准确度。
常用的预处理方法包括辐射定标、几何校正、大气校正等，这些都有助于消除图像中的噪声和干扰，提取出地物的真实信息。
二、特征提取与选择特征提取是遥感图像分类的关键步骤之一。
在特征提取过程中，我们需要选择合适的特征来描述图像中不同地物的特征和差异。
常用的特征包括颜色、纹理、形状、光谱等。
在选择特征时，需要考虑特征的判别能力和不变性，以及特征与实际地物之间的相关性。
三、分类方法选择在进行遥感图像的分级分类时，可以选择不同的分类方法。
常用的分类方法包括最大似然分类、支持向量机、决策树、神经网络等。
这些方法在不同的情况下具有不同的适用性和效果。
在选择分类方法时，需要综合考虑分类准确度、计算效率和数据可用性等因素。
四、模型训练与优化在选择好分类方法之后，需要使用一定量的样本数据进行模型的训练。
训练数据需要有标签，即每个像素点都被标记为相应的类别。
通过训练样本数据，可以建立一个分类模型，并对模型进行优化。
模型优化的目标是提高分类效果和泛化能力，避免过拟合和欠拟合现象的发生。
五、分类结果评估与验证分类模型训练完成后，需要对分类结果进行评估和验证。
评估分类结果的准确度和可靠性，可以采用混淆矩阵、Kappa系数、准确度等指标进行评估。
为了验证分类结果的有效性，可以使用独立的测试数据集进行验证。
通过持续的评估和验证，可以不断改进和优化分类模型，提高分类效果和稳定性。
遥感图像的分类方法
遥感图像的分类方法常见有以下几种：
1. 监督分类方法：该方法需要先准备一些具有标签的样本数据集进行训练，并从中学习模式进行分类。
常见的监督分类方法包括最大似然分类、支持向量机等。
2. 无监督分类方法：该方法不需要标签样本数据集，通过对图像像素进行统计分析和聚类来确定类别。
常见的无监督分类方法包括K均值聚类、高斯混合模型等。
3. 半监督分类方法：该方法结合监督和无监督分类方法的优势，同时利用有标签和无标签样本数据进行分类。
常见的半监督分类方法包括标签传播、半监督支持向量机等。
4. 深度学习分类方法：近年来，随着深度学习方法的发展，基于卷积神经网络（CNN）的遥感图像分类方法变得流行。
这些方法通过搭建深度学习网络模型并使用大量的标签样本进行训练，能够实现较高的分类精度。
除了以上几种方法外，还有基于纹理特征、形状特征等的分类方法。
不同的分类方法适用于不同的遥感图像场景和实际需求。
综合考虑数据集大小、分类效果、计算时间等因素，选择合适的分类方法对于遥感图像的分类任务非常重要。
第一章电磁波及遥感物理基础名词解释：1、遥感2、遥感技术3、电磁波4、电磁波谱5、大气窗口6、光谱反射率7、光谱反射特性曲线问答题：1、叙述沙土、植物和水的光谱反射率随波长变化的一般规律。
2、地物光谱反射率受哪些主要的因素影响？3、何为大气窗口？分析形成大气窗口的原因，并列出用于从空间对地面遥感的大气窗口的波长范围。
第二章遥感平台及运行特点名词解释：1、遥感平台2、遥感传感器3、卫星轨道参数4、升交点赤经5、轨道倾角5、近地点角距6、卫星姿态角7、重复周期8、近圆形轨道9、与太阳同步轨道10、近极地轨道11、小卫星问答题：2、以Landsat-1为例，说明遥感卫星轨道的四大特点及其在遥感中的作用。
3、叙述地心直角坐标系与地心大地直角坐标系的差别和联系。
4、获得传感器姿态的方法有哪些？简述其原理。
5、简述遥感平台的发展趋势。
6、LANDSAT系列卫星、SPOT系列卫星、RADARSAT系列卫星传感器各有何特点？第三章遥感传感器及其成像原理名词解释：1、遥感传感器2、红外扫描仪3、多光谱扫描仪4、推扫式成像仪5、成像光谱仪6、MSS7、TM8、HRV9、SAR 10、INSAR 11、CCD 12、真实孔径侧视雷达13、合成孔径侧视雷达14、全景畸变15、动态全景畸变16、静态全景畸变17、距离分辨率18、方位分辨率19、雷达盲区20、粗加工产品21、精加工产品22、多中心投影填空题：1、目前遥感中使用的传感器大体上可分为等几种。
2、遥感传感器大体上包括几部份。
3、MSS成像板上有个探测单元;TM有个探测单元。
4、LANDSAT系列卫星具有全色波段的是,其空间分辨率为。
5、利用合成孔径技术能堤高侧视雷达的分辨率。
6、扫描仪产生的全景畸变，使影像分辨率发生变化，x方向以变化，y 方向以变化。
7、实现扫描线衔接应满足。
选择题：(单项或多项选择)1、全景畸变引起的影像比例尺变化在X方向①与COSθ成正比②在X方向与COSθ成反比③在X方向与COS²θ成正比④在X方向与COS²θ成反比。
遥感图像分类方法与分类精度评估技巧遥感图像分类是遥感技术的重要应用之一，通过对遥感图像中不同地物进行分类，可以有效提取地物信息，为各类地理研究和应用提供了重要数据支持。
而遥感图像分类方法和分类精度评估技巧则是遥感图像分类工作中的关键环节。
一、遥感图像分类方法遥感图像分类方法主要分为监督分类和非监督分类两种。
监督分类是根据人工定义的训练样本来进行分类，通过计算遥感图像像元的特征值与训练样本的特征值之间的距离或相似度来确定像元的地物类别。
监督分类方法具有分类精度高的优势，但需要大量准确的训练样本，并且需要人工干预进行样本分类。
非监督分类是根据图像像元自身的特征值进行分类，算法会自动对图像中的像元进行聚类，根据像元的特征相似性来确定地物类别。
非监督分类方法可以大幅降低人工干预量，但分类精度相对较低，对遥感图像的解译要求较高。
同时，还有基于物理模型的分类方法，该方法通过对地物的物理性质进行建模，从而实现对遥感图像地物的分类。
基于物理模型的分类方法可以较好地解决遥感图像的反射率与地物属性之间的关系，但对数据质量和物理模型的准确性要求较高。
二、分类精度评估技巧对于遥感图像分类的结果，需要进行分类精度评估来判断分类结果的准确性。
常用的分类精度评估技巧主要包括混淆矩阵、Kappa系数和面积误差指标等。
混淆矩阵是一种常用的分类精度评估方法，通过对分类结果与实际样本之间的差异进行矩阵统计，来获得分类的准确性。
混淆矩阵包括真阳性（TP）、假阴性（FN）、假阳性（FP）和真阴性（TN）四个参数，通过计算这些参数的比例可以得到分类的准确性。
Kappa系数是一种综合评估分类精度的方法，根据分类结果与实际样本的一致性程度来判断分类的准确性。
Kappa系数的取值范围为[-1,1]，取值越接近1表示分类结果越准确。
面积误差指标是一种用来评估分类结果准确性的指标，通过计算分类结果与实际样本之间的面积差异来评估分类的准确性。
面积误差指标越小表示分类结果越准确。
