遥感原理考研常见知识点深度解析

遥感原理作为测绘考研的核心科目，涉及卫星遥感、航空遥感、光学与雷达遥感等多维度知识体系。考生往往在理解成像机理、大气校正、影像解译等关键概念时遇到困难。本文结合历年真题与教材内容，从基础理论到应用实践，系统梳理了遥感原理中的高频考点，帮助考生突破重难点，构建完整的知识框架。文章以通俗易懂的方式解析了抽象概念，并提供了大量实例分析，适合不同基础阶段的考生参考。

遥感影像分辨率的概念与分类

遥感影像分辨率是衡量遥感数据质量的重要指标，考生需要深入理解其定义与分类方式。空间分辨率通常用地面采样距离（GSD）表示，如Landsat 8的30米分辨率意味着每个像素对应地面30×30平方米的区域。光谱分辨率则指传感器区分不同光谱波段的能力，高光谱遥感可达几十个波段。还有时间分辨率（如Sentinel-2的2-6天重访周期）和辐射分辨率（如8位或16位量化精度）。考生需掌握不同卫星数据的空间分辨率特点，并理解其在地物分类、变化监测等应用中的实际意义。例如，高空间分辨率影像适合精细农业管理，而高光谱数据则能更精确地识别植被种类。

大气校正的原理与常用方法

大气校正的核心目标是消除大气散射与吸收对遥感影像的影响，还原地表真实反射率。其物理基础源于光线在大气中的散射模型，如瑞利散射和米氏散射。常见的校正方法包括：

基于物理模型的辐射传输方程法

利用暗像元法估算大气影响

经验线性回归校正

。考生应重点掌握MODTRAN等大气校正软件的操作流程，并理解不同方法的适用条件。例如，暗像元法适用于植被覆盖区域，而星-地同步观测数据可简化大气校正步骤。实际应用中，考生还需考虑大气水汽含量、气溶胶浓度等参数对校正结果的影响，这些知识点常出现在选择题与简答题中。

遥感影像解译中的主成分分析应用

主成分分析（PCA）是遥感影像解译中的常用数据处理方法，其原理是将多波段影像转化为少数几个综合波段，同时保留大部分原始信息。该方法特别适用于光谱数据降维，消除波段间的相关性。例如，当Landsat影像包含4个可见光波段和2个红外波段时，通过PCA可提取出3-4个主成分，其中第一主成分通常反映植被与土壤的综合信息。考生需掌握PCA变换后的特征值与特征向量解读，如特征值代表各主成分的方差贡献率。实际应用中，主成分图像常用于：

减少数据量，提高分类效率

突出地物光谱特征差异

为后续分类或指数计算提供数据基础

。值得注意的是，PCA处理后的数据需进行反变换才能恢复原始波段组合，这一点在实验操作中易被忽视。