遥感领域考研备考核心问题深度解析
遥感专业作为地理科学、地球物理学和计算机科学交叉的学科，近年来备受考研学子的关注。该领域涉及卫星遥感、无人机遥感、地理信息系统等多方面知识，备考难度较大。为了帮助考生更好地理解专业核心内容，本文整理了遥感相关专业考研中的常见问题，从基础知识到实践应用，逐一解析，力求解答详尽且贴近实际。无论是初学者还是有一定基础的考生，都能从中获得有价值的参考。以下将重点探讨几个关键问题，帮助考生明确备考方向。
问题一：遥感图像处理中的辐射定标和大气校正分别是什么？它们在实际应用中有何重要性？
辐射定标和大气校正是遥感图像处理中的两个核心环节，它们直接关系到遥感数据的准确性和应用价值。辐射定标指的是将传感器记录的原始数字信号（DN值）转换为具有实际物理意义的辐射亮度或反射率值的过程。简单来说，就是让遥感数据能够真实反映地物的能量反射情况。这个步骤非常关键，因为传感器的响应是非线性的，直接使用DN值无法准确评估地物的辐射特性。比如，在农业领域，我们需要知道作物的实际反射率来评估其长势，如果只是看DN值，可能会因为传感器差异或光照条件变化导致误判。因此，通过辐射定标，我们可以得到标准化的数据，便于不同传感器、不同时间获取的数据进行对比分析。
而大气校正则是针对遥感图像在传输过程中受到大气散射和吸收影响而进行的校正。大气中的水汽、气溶胶等会散射和吸收部分电磁波，导致图像上的地物亮度偏离真实值。比如，在晴朗的白天，远处的建筑物可能会因为大气散射而显得比实际更亮，这就是典型的路径辐射效应。如果不进行大气校正，这些虚假信息可能会误导我们的分析。大气校正的方法有很多，常见的有基于物理模型的辐射传输模型（如6S模型）和基于经验图像库的暗像元法等。在实际应用中，比如在环境监测中评估水体污染范围时，大气校正尤为重要，因为污染物浓度通常很低，任何虚假亮度的干扰都可能掩盖真实情况。在林业中估算森林生物量时，准确的植被反射率是关键，大气影响会显著降低数据精度。可以说，没有经过有效大气校正的遥感数据，其应用价值会大打折扣。
问题二：无人机遥感与卫星遥感相比，有哪些优势和局限性？在哪些场景下更适用？
无人机遥感和卫星遥感是目前遥感领域最主流的两种技术手段，它们各有优劣，适用于不同的应用场景。无人机遥感最大的优势在于灵活性和高分辨率。由于无人机可以低空飞行，其获取的影像分辨率通常远高于卫星，可以达到厘米级甚至更高，这对于需要精细观测的地面目标非常有利。比如，在考古领域，考古学家需要看清地表细微的遗迹特征，无人机的高分辨率影像可以提供更多细节。无人机作业成本相对较低，可以根据需求随时起降，不受天气条件限制（只要地面天气允许），特别适合小范围、高频率的监测任务。例如，在灾害应急响应中，无人机可以快速抵达灾区获取现场影像，为救援决策提供及时信息。
然而，无人机遥感也有明显的局限性。其覆盖范围有限，一次飞行通常只能覆盖几百到几千平方公里，与卫星的全覆盖能力相比差很多。续航时间短，一般只有几十分钟到两小时，难以进行长时间连续观测。再者，图像质量容易受局部天气影响，比如风大时会导致图像抖动模糊。这些缺点使得无人机遥感在需要大范围、长时间监测的场景中受限。相比之下，卫星遥感虽然分辨率相对较低（一般分米级或米级），但覆盖范围广，可以持续获取全球数据，不受局部天气影响。比如，监测全球气候变化或大范围森林砍伐，卫星遥感是唯一的选择。卫星数据获取成本相对固定，用户可以按需购买，使用效率较高。但卫星遥感也有不足，比如重访周期有限（比如 Landsat 8 只有几天），对于需要高频更新的场景（如农作物生长监测）可能不够用，而且数据获取时间固定，无法灵活调整。
那么在哪些场景下选择哪种技术呢？一般来说，如果任务需求是高精度、小范围、强时效性，比如城市精细化管理、小流域水土流失监测，无人机遥感往往是更好的选择。而如果需要大范围、长时间序列的宏观监测，如全球土地利用变化研究、气候变化趋势分析，则应优先考虑卫星遥感。在许多实际应用中，两者还可以结合使用，形成优势互补。比如，可以用卫星数据确定大范围监测区域，再用无人机对重点区域进行精细化调查，这样既能保证全局视角，又能深入细节，效率更高。选择哪种技术取决于具体的应用需求、预算限制以及数据时效性要求。
问题三：遥感图像分类中，监督分类和非监督分类的主要区别是什么？各自适用于哪些情况？
遥感图像分类是遥感数据应用的核心环节之一，目的是将像元或地物按照某种属性划分为不同的类别。监督分类和非监督分类是两种主要的分类方法，它们在原理、操作和应用场景上都有显著区别。监督分类需要先收集一批已知类别的样本，然后利用这些样本训练分类器，最后用训练好的分类器对未知区域进行分类。简单来说，就像教计算机认识不同物体一样，先给它看很多标记好的图片（样本），让它学习特征，然后让它给新的图片（未知区域）打标签。监督分类的优点是分类精度通常较高，因为分类器是基于已知样本建立的，能够较好地反映地物的实际类别。比如，在土地利用调查中，如果已经知道哪些区域是农田、哪些是林地，就可以用监督分类快速准确地划分出各类用地。常用的监督分类方法有最大似然法、支持向量机（SVM）、神经网络等。
然而，监督分类也有其局限性。需要高质量的训练样本，而获取这些样本往往需要大量的人工判读和野外调查，成本较高。如果训练样本代表性不足，或者地物类别之间特征不明显，分类结果就会受影响。监督分类对先验知识依赖性强，需要用户对地物类别有较清晰的了解。相比之下，非监督分类不需要训练样本，它直接根据像元之间的光谱或纹理特征自动进行聚类。就像把一堆颜色不同的球自动分成几堆，不需要事先告诉它每一堆代表什么。非监督分类的优点是操作简单，不需要先验知识，特别适合对地物类别不明确、或者训练样本难以获取的场景。比如，在探索性研究中，可以先使用非监督分类大致了解遥感图像中的地物分布格局，然后再进行更精细的分析。常用的非监督分类方法有K-均值聚类、ISODATA法等。但非监督分类的缺点是分类结果需要人工解译，类别名称和划分可能不符合实际应用需求，分类精度通常不如监督分类。
那么这两种方法适用于哪些情况呢？一般来说，当分类目标明确、已有可靠的训练样本时，应优先选择监督分类，因为精度是关键。比如，在精准农业中，需要准确识别不同作物品种，监督分类是更好的选择。而在地物类别复杂、难以获取训练样本的情况下，非监督分类则更具优势。比如，在遥感考古中，考古遗迹可能与周围环境光谱特征相似，难以预先标记，此时可以先用非监督分类发现潜在的文化遗迹区域，再结合其他信息进行确认。非监督分类在变化检测中也有应用，比如先对历史影像进行非监督分类，得到初始地物分布图，再与现状影像对比，识别变化区域。值得注意的是，在实际应用中，这两种方法并非完全互斥，有时可以结合使用。比如，可以先进行非监督分类得到粗略分类图，再对重点区域进行监督分类细化，这样既能利用非监督分类的广泛性，又能发挥监督分类的高精度优势。选择哪种方法需要综合考虑研究目标、数据质量、样本可用性以及精度要求等因素。