常用的遥感数据的专题分类方法有多种，从分类判别决策方法的角度可以分为统计分类器、神经网络分类器、专家系统分类器等；从是否需要训练数据方面，又可以分为监督分类器和非监督分类器。
一、统计分类方法
统计分类方法分为非监督分类方法和监督分类方法。非监督分类方法不需要通过选取已知类别的像元进行分类器训练，而监督分类方法则需要选取一定数量的已知类别的像元对分类器进行训练，以估计分类器中的参数。非监督分类方法不需要任何先验知识，也不会因训练样本选取而引入认为误差，但非监督分类得到的自然类别常常和研究感兴趣的类别不匹配。相应地，监督分类一般需要预先定义分类类别，训练数据的选取可能会缺少代表性，但也可能在训练过程中发现严重的分类错误。
1.非监督分类器
非监督分类方法一般为聚类算法。最常用的聚类非监督分类方法是 K-均值（K-Means Algorithm）聚类方法（Duda and Hart，1973）和迭代自组织数据分析算法（ISODATA）。其算法描述可见于一般的统计模式识别文献中。
一般通过简单的聚类方法得到的分类结果精度较低，因此很少单独使用聚类方法进行遥感数据专题分类。但是，通过对遥感数据进行聚类分析，可以初步了解各类别的分布，获取最大似然监督分类中各类别的先验概率。聚类分析最终的类别的均值矢量和协方差矩阵可以用于最大似然分类过程（Schowengerdt，1997）。
2.监督分类器
监督分类器是遥感数据专题分类中最常用的一种分类器。和非监督分类器相比，监督分类器需要选取一定数量的训练数据对分类器进行训练，估计分类器中的关键参数，然后用训练后的分类器将像元划分到各类别。监督分类过程一般包括定义分类类别、选择训练数据、训练分类器和最终像元分类四个步骤（Richards，1997）。每一步都对最终分类的不确定性有显著影响。
监督分类器又分为参数分类器和非参数分类器两种。参数分类器要求待分类数据满足一定的概率分布，而非参数分类器对数据的概率分布没有要求。
遥感数据分类中常用的分类器有最大似然分类器、最小距离分类器、马氏距离分类器、K-最近邻分类器（K-Nearest neighborhood classifier，K-NN）以及平行六面体分类器（parallelepiped classifier）。最大似然、最小距离和马氏距离分类器在第三章已经详细介绍。这里简要介绍 K-NN 分类器和平行六面体分类器。
K-NN分类器是一种非参数分类器。该分类器的决策规则是：将像元划分到在特征空间中与其特征矢量最近的训练数据特征矢量所代表的类别（Schowengerdt，1997）。当分类器中 K=1时，称为1-NN分类器，这时以离待分类像元最近的训练数据的类别作为该像元的类别；当 K ＞1 时，以待分类像元的 K 个最近的训练数据中像元数量最多的类别作为该像元的类别，也可以计算待分类像元与其 K 个近邻像元特征矢量的欧氏距离的倒数作为权重，以权重值最大的训练数据的类别作为待分类像元的类别。Hardin，（1994）对 K-NN分类器进行了深入的讨论。
平行六面体分类方法是一个简单的非参数分类算法。该方法通过计算训练数据各波段直方图的上限和下限确定各类别像元亮度值的范围。对每一类别来说，其每个波段的上下限一起就形成了一个多维的盒子（box）或平行六面体（parallelepiped）。因此 M 个类别就有M 个平行六面体。当待分类像元的亮度值落在某一类别的平行六面体内时，该像元就被划分为该平行六面体代表的类别。平行六面体分类器可以用图5-1中两波段的遥感数据分类问题来表示。图中的椭圆表示从训练数据估计的各类别亮度值分布，矩形表示各类别的亮度值范围。像元的亮度落在哪个类别的亮度范围内，就被划分为哪个类别。
图5-1 平行六面体分类方法示意图
3.统计分类器的评价
各种统计分类器在遥感数据分类中的表现各不相同，这既与分类算法有关，又与数据的统计分布特征、训练样本的选取等因素有关。
非监督聚类算法对分类数据的统计特征没有要求，但由于非监督分类方法没有考虑任何先验知识，一般分类精度比较低。更多情况下，聚类分析被作为非监督分类前的一个探索性分析，用于了解分类数据中各类别的分布和统计特征，为监督分类中类别定义、训练数据的选取以及最终的分类过程提供先验知识。在实际应用中，一般用监督分类方法进行遥感数据分类。
最大似然分类方法是遥感数据分类中最常用的分类方法。最大似然分类属于参数分类方法。在有足够多的训练样本、一定的类别先验概率分布的知识，且数据接近正态分布的条件下，最大似然分类被认为是分类精度最高的分类方法。但是当训练数据较少时，均值和协方差参数估计的偏差会严重影响分类精度。Swain and Davis（1978）认为，在N维光谱空间的最大似然分类中，每一类别的训练数据样本至少应该达到10×N个，在可能的条件下，最好能达到100×N以上。而且，在许多情况下，遥感数据的统计分布不满足正态分布的假设，也难以确定各类别的先验概率。
最小距离分类器可以认为是在不考虑协方差矩阵时的最大似然分类方法。当训练样本较少时，对均值的估计精度一般要高于对协方差矩阵的估计。因此，在有限的训练样本条件下，可以只估计训练样本的均值而不计算协方差矩阵。这样最大似然算法就退化为最小距离算法。由于没有考虑数据的协方差，类别的概率分布是对称的，而且各类别的光谱特征分布的方差被认为是相等的。很显然，当有足够训练样本保证协方差矩阵的精确估计时，最大似然分类结果精度要高于最小距离精度。然而，在训练数据较少时，最小距离分类精度可能比最大似然分类精度高（Richards，1993）。而且最小距离算法对数据概率分布特征没有要求。
马氏距离分类器可以认为是在各类别的协方差矩阵相等时的最大似然分类。由于假定各类别的协方差矩阵相等，和最大似然方法相比，它丢失了各类别之间协方差矩阵的差异的信息，但和最小距离法相比较，它通过协方差矩阵保持了一定的方向灵敏性（Richards，1993）。因此，马氏距离分类器可以认为是介于最大似然和最小距离分类器之间的一种分类器。与最大似然分类一样，马氏距离分类器要求数据服从正态分布。
K-NN分类器的一个主要问题是需要很大的训练数据集以保证分类算法收敛（Devijver and Kittler，1982）。K-NN分类器的另一个问题是，训练样本选取的误差对分类结果有很大的影响（Cortijo and Blanca，1997）。同时，K-NN分类器的计算复杂性随着最近邻范围的扩大而增加。但由于 K-NN分类器考虑了像元邻域上的空间关系，和其他光谱分类器相比，分类结果中“椒盐现象”较少。
平行六面体分类方法的优点在于简单，运算速度快，且不依赖于任何概率分布要求。它的缺陷在于：首先，落在所有类别亮度值范围之外的像元只能被分类为未知类别；其次，落在各类别亮度范围重叠区域内的像元难以区分其类别（如图5-1所示）。
各种统计分类方法的特点可以总结为表5-1。
二、神经网络分类器
神经网络用于遥感数据分类的最大优势在于它平等地对待多源输入数据的能力，即使这些输入数据具有完全不同的统计分布，但是由于神经网络内部各层大量的神经元之间连接的权重是不透明的，因此用户难以控制（Austin，Harding and Kanellopoulos et al.，1997）。
神经网络遥感数据分类被认为是遥感数据分类的热点研究领域之一（Wilkinson，1996；Kimes，1998）。神经网络分类器也可分为监督分类器和非监督分类器两种。由于神经网络分类器对分类数据的统计分布没有任何要求，因此神经网络分类器属于非参数分类器。
遥感数据分类中最常用的神经网络是多层感知器模型（multi-layer percep-tron，MLP）。该模型的网络结构如图5-2所示。该网络包括三层：输入层、隐层和输出层。输入层主要作为输入数据和神经网络输入界面，其本身没有处理功能；隐层和输出层的处理能力包含在各个结点中。输入的结构一般为待分类数据的特征矢量，一般情况下，为训练像元的多光谱矢量，每个结点代表一个光谱波段。当然，输入结点也可以为像元的空间上下文信息（如纹理）等，或多时段的光谱矢量（Paola and Schowengerdt，1995）。
表5-1 各种统计分类器比较
图5-2 多层感知器神经网络结构
对于隐层和输出层的结点来说，其处理过程是一个激励函数（activation function）。假设激励函数为f（S），对隐层结点来说，有：
遥感信息的不确定性研究
其中，pi为隐层结点的输入；hj为隐层结点的输出；w为联接各层神经之间的权重。
对输出层来说，有如下关系：
遥感信息的不确定性研究
其中，hj为输出层的输入；ok为输出层的输出。
激励函数一般表达为：
遥感信息的不确定性研究
确定了网络结构后，就要对网络进行训练，使网络具有根据新的输入数据预测输出结果的能力。最常用的是后向传播训练算法（Back-Propagation）。这一算法将训练数据从输入层进入网络，随机产生各结点连接权重，按式（5-1）（5-2）和（5-3）中的公式进行计算，将网络输出与预期的结果（训练数据的类别）相比较并计算误差。这个误差被后向传播的网络并用于调整结点间的连接权重。调整连接权重的方法一般为delta规则（Rumelhart，et al.，1986）：
遥感信息的不确定性研究
其中，η为学习率（learning rate）；δk为误差变化率；α为动量参数。
将这样的数据的前向和误差后向传播过程不断迭代，直到网络误差减小到预设的水平，网络训练结束。这时就可以将待分类数据输入神经网络进行分类。
除了多层感知器神经网络模型，其他结构的网络模型也被用于遥感数据分类。例如，Kohonen自组织网络被广泛用于遥感数据的非监督聚类分析（Yoshida et al.，1994；Schaale et al.，1995）；自适应共振理论（Adaptive Resonance Theory）网络（Silva，S and Caetano，）、模糊ART图（Fuzzy ART Maps）（Fischer， and Gopal，S，1997）、径向基函数（骆剑承，1999）等也被用于遥感数据分类。
许多因素影响神经网络的遥感数据分类精度。Foody and Arora（1997）认为神经网络结构、遥感数据的维数以及训练数据的大小是影响神经网络分类的重要因素。
神经网络结构，特别是网络的层数和各层神经元的数量是神经网络设计最关键的问题。网络结构不但影响分类精度，而且对网络训练时间有直接影响（Kavzoglu and Mather，1999）。对用于遥感数据分类的神经网络来说，由于输入层和输出层的神经元数目分别由遥感数据的特征维数和总的类别数决定的，因此网络结构的设计主要解决隐层的数目和隐层的神经元数目。一般过于复杂的网络结构在刻画训练数据方面较好，但分类精度较低，即“过度拟合”现象（over-fit）。而过于简单的网络结构由于不能很好的学习训练数据中的模式，因此分类精度低。
网络结构一般是通过实验的方法来确定。Hirose等（1991）提出了一种方法。该方法从一个小的网络结构开始训练，每次网络训练陷入局部最优时，增加一个隐层神经元，然后再训练，如此反复，直到网络训练收敛。这种方法可能导致网络结构过于复杂。一种解决办法是每当认为网络收敛时，减去最近一次加入的神经元，直到网络不再收敛，那么最后一次收敛的网络被认为是最优结构。这种方法的缺点是非常耗时。“剪枝法”（pruning）是另一种确定神经网络结构的方法。和Hirose等（1991）的方法不同，“剪枝法”从一个很大的网络结构开始，然后逐步去掉认为多余的神经元（Sietsma and Dow，1988）。从一个大的网络开始的优点是，网络学习速度快，对初始条件和学习参数不敏感。“剪枝”过程不断重复，直到网络不再收敛时，最后一次收敛的网络被认为最优（Castellano，Fanelli and Pelillo，1997）。
神经网络训练需要训练数据样本的多少随不同的网络结构、类别的多少等因素变化。但是，基本要求是训练数据能够充分描述代表性的类别。Foody等（1995）认为训练数据的大小对遥感分类精度有显著影响，但和统计分类器相比，神经网络的训练数据可以比较少。
分类变量的数据维对分类精度的影响是遥感数据分类中的普遍问题。许多研究表明，一般类别之间的可分性和最终的分类精度会随着数据维数的增大而增高，达到某一点后，分类精度会随数据维的继续增大而降低（Shahshahani and Landgrebe，1994）。这就是有名的Hughes 现象。一般需要通过特征选择去掉信息相关性高的波段或通过主成分分析方法去掉冗余信息。分类数据的维数对神经网络分类的精度同样有明显影响（Battiti，1994），但Hughes 现象没有传统统计分类器中严重（Foody and Arora，1997）。
Kanellopoulos（1997）通过长期的实践认为一个有效的ANN模型应考虑以下几点：合适的神经网络结构、优化学习算法、输入数据的预处理、避免振荡、采用混合分类方法。其中混合模型包括多种ANN模型的混合、ANN与传统分类器的混合、ANN与知识处理器的混合等。
三、其他分类器
除了上述统计分类器和神经网络分类器，还有多种分类器被用于遥感图像分类。例如模糊分类器，它是针对地面类别变化连续而没有明显边界情况下的一种分类器。它通过模糊推理机制确定像元属于每一个类别的模糊隶属度。一般的模糊分类器有模糊C均值聚类法、监督模糊分类方法（Wang，1990）、混合像元模型（Foody and Cox，1994；Settle and Drake，1993）以及各种人工神经网络方法等（Kanellopoulos et al.，1992；Paola and Schowengerdt，1995）。由于模糊分类的结果是像元属于每个类别的模糊隶属度，因此也称其为“软分类器”，而将传统的分类方法称为“硬分类器”。
另一类是上下文分类器（contextual classifier），它是一种综合考虑图像光谱和空间特征的分类器。一般的光谱分类器只是考虑像元的光谱特征。但是，在遥感图像中，相邻的像元之间一般具有空间自相关性。空间自相关程度强的像元一般更可能属于同一个类别。同时考虑像元的光谱特征和空间特征可以提高图像分类精度，并可以减少分类结果中的“椒盐现象”。当类别之间的光谱空间具有重叠时，这种现象会更明显（Cortijo et al.，1995）。这种“椒盐现象”可以通过分类的后处理滤波消除，也可以通过在分类过程中加入代表像元邻域关系的信息解决。
在分类过程中可以通过不同方式加入上下文信息。一是在分类特征中加入图像纹理信息；另一种是图像分割技术，包括区域增长/合并常用算法（Ketting and Landgrebe，1976）、边缘检测方法、马尔可夫随机场方法。Rignot and Chellappa（1992）用马尔可夫随机场方法进行SAR图像分类，取得了很好的效果，Paul Smits（1997）提出了保持边缘细节的马尔可夫随机场方法，并用于SAR图像的分类；Crawford（1998）将层次分类方法和马尔可夫随机场方法结合进行SAR图像分类，得到了更高的精度；Cortijo（1997）用非参数光谱分类对遥感图像分类，然后用ICM算法对初始分类进行上下文校正。
给你推荐一篇不错的文章，里面对遥感影像分类的方法有详细介绍，希望对你有用。
一、实验目的
通过使用ENVI的六种主要的遥感监督分类器——平行六面体分类、最小距离分类、马氏距离分类、最大似然分类、神经网络分类和支持向量机分类的命令，加深对遥感监督分类原理的理解，了解其技术实现过程，初步掌握其ENVI功能命令的基本使用操作。
二、实验内容
①桂林市TM 遥感影像平行六面体分类；②桂林市TM 遥感影像最小距离分类；③桂林市TM 遥感影像马氏距离分类；④桂林市TM 遥感影像最大似然分类；⑤桂林市TM 遥感影像神经网络分类；⑥桂林市TM 遥感影像支持向量机分类；⑦对6种分类结果进行比较分析。
三、实验要求
①平行六面体、最小距离、马氏距离、最大似然、神经网络和支持向量机六种分类方法在理论上比较复杂，为取得好的实验效果，要求实验前事先预习其原理，从理论上理解并掌握它们的特点和异同。②确定分类处理方法训练样本需要用到的已知地质资料，提前准备。③编写实验报告。④由于同时做六种分类处理工作量较大，可以根据实际课时情况选择做其中部分。最小距离分类为必须做的方法。
四、技术条件
①微型计算机；②灌阳地区QuickBird全色波段遥感数据；③ENVI软件；④Photoshop软件（以上）和ACDSee软件（以上）。
五、实验步骤
遥感影像监督分类可以分为四个过程：样本选择、执行监督分类、评价分类结果和分类后处理。具体操作步骤如下。
（一）定义训练
1.样本选择
（1）在ENVI主菜单中，选择“File>Open Image File”，打开灌阳地区QuickBird全色波段遥感数据，Band3、4、1合成RGB并使之显示在“Display”中，通过分析图像，选择耕地、林地、居民地和水体四种地物样本。
图17-1 ROI工具对话框
（2）在主图像窗口中，选择“Overlay>Region of Interest”，打开“ROI Tool”对话框，如图17-1所示。
（3）在“ROI Tool”对话框中，选择“Window”选项，可以在“Image”、“Scroll”或者“Zoom”窗口中绘制感兴趣区；在“ROI Name”字段输入样本的名称；在“Color”字段中，单击右键选择颜色。
（4）在“ROI Tool”对话框中，选择“ROI Type > Polygon”，在“Image”、“Scroll”或者“Zoom”窗口中绘制感兴趣区。
（5）完成一类感兴趣区的绘制后，在“ROI Tool”对话框中，选择【New Region】按钮，新建另一类样本种类，重复上述操作。
2.评价训练样本
在ROI对话框中，选择“Option>Compute ROI Separability”，打开待分类影像文件，选择所有定义的样本类型，可以计算样本的可分离性，如图17-2所示，表示各个样本类型之间的可分离性，用Jeffries-Matusita距离和转换分离度（Transformed Divergence）来表示。ENVI为每一个感兴趣区组合计算Jeffries-Matusita距离和Transformed Divergence，在对话框底部，根据可分离性值的大小，从小到大列出感兴趣区组合。这两个参数的值在0～之间，大于说明样本之间可分离性好，属于合格样本；小于，需要重新选择样本；小于1，考虑将两类样本合成一类样本。
图17-2 样本可分离性计算报表
（二）执行监督分类
在ENVI主菜单中选择“Classificatoin>Supervisred＞分类器类型”，可以根据分类的复杂度、精度需求等选择分类器。
1.平行六面体分类器
平行六面体用一条简单的判定规则对多波谱数据进行分类。判定边界在图像数据空间中形成了一个N维平行六面体。平行六面体的维数由来自每一种选择的分类平均值的标准差的阈值确定。如果像元值位于N 个被分类波段的低阈值与高阈值之间，则它归属于这一类。如果像元值落在多个类里，那么ENVI将这一像元归到最后一个匹配的类里。没有落在平行六面体的任何一类里的区域被称为无类别的。操作步骤如下：
（1）在ENVl主菜单栏中选择“Classification>Supervised>Parallelepiped”，在分类输入文件对话框中选择待分类遥感影像，打开“Parallelepiped Parameters”对话框，如图17-3所示。
图17-3 平行六面体分类器参数设置对话框
（2） Select Classes from Regions：点击【Select All Items】按钮，选择所有的训练样本。
（3） Set Max stdev from Mean：设置标准差阈值。有三种类型：不设置标准差阈值（None）、为所有类别设置一个标准差阈值（Single Value）和分别为每种类别设置一个标准差阈值（Multiple Values）。
（4）选择“Single Value”，在“Max stdev from Mean”文本框里输入标准差阈值。
（5）点击【Preview】按钮，可以预览分类结果。
（6）选择分类结果的输出路径及文件名。
（7）设置“Output Rule Images”：是否选择规则图像数据。
（8）设置完上述参数后，点击【OK】按钮执行分类处理。
2.最小距离分类器
最小距离分类用到每一个终端单元的均值矢量，计算每一个未知像元到每一类均值矢量的欧几里德距离。所有像元都被归为最近的一类，除非限定了标准差和距离的极限（这时，会出现一些像元因不满足选择的标准，而成为“无类别”），操作步骤如下：
（1）在ENVI主菜单栏中选择“Classification>Supervised>Minimum Distance”，在分类输入文件对话框中选择待分类遥感影像，打开“Minimum Distance”对话框，如图174所示。
图17-4 最小距离分类器参数设置对话框
（2） Select classes from Regions：点击【Select All Items】按钮，选择所有的训练样本。
（3） Set Max stdev from Mean：设置标准差阈值。有3种类型：不设置标准差阈值（None）、为所有类别设置一个标准差阈值（Single Value）和分别为每种类别设置一个标准差阈值（Multiple Values）。
（4）选择“Single Value”，在“Max stdev from Mean”文本框里输入标准差阈值。
（5） Set Max Distances Error：设置允许的最大距离误差，距离大于该值的像元将不被分入该类，如果不满足所有类别的最大距离误差，将会被归为未分类类型中，有3种类型：不设置最大距离误差（None）、为所有类别设置一个最大距离误差（Single Value）和分别为每种类别设置一个最大距离误差（Multiple Values）。
（6）点击【Preview】按钮，可以预览分类结果。
（7）选择分类结果的输出路径及文件名。
（8）设置“Output Rule Images”：是否选择规则图像数据。
（9）设置完上述参数后，点击【OK】按钮执行分类处理。
.3 马氏距离分类器
马氏距离分类是一个方向灵敏的距离分类器，分类时用到了统计。它与最大似然分类有些类似，但是假定所有类的协方差相等，所以是一种较快的方法。所有像元都被归到最临近的ROI类，除非用户限定了一个距离阈值（这时，如果一些像元不在阈值内，就会被划为无类别），操作步骤如下：
（1）在ENVI主菜单栏中选择“Classification>Supervised>Mahalanobis Distance”，在分类输入文件对话框中选择待分类遥感影像，打开“Mahalanobis Distance”对话框，如图17-5所示。
（2） Select Classes from Regions：点击【Select All Items】按钮，选择所有的训练样本。
图17-5 马氏距离分类器参数设置对话框
（3） Set Max Distances Error：设置允许的最大距离误差，距离大于该值的像元将不被分入该类，如果不满足所有类别的最大距离误差，将会被归为未分类类型中，有3种类型：不设置最大距离误差（None）、为所有类别设置一个最大距离误差（Single Value）和分别为每种类别设置一个最大距离误差（Multiple Values）。
（4）点击【Preview】按钮，可以预览分类结果。
（5）选择分类结果的输出路径及文件名。
（6）设置“Output Rule Images”：是否选择规则图像数据。
（7）设置完上述参数后，点击【OK】按钮执行分类处理。
4.最大似然分类器
最大似然分类假定每个波段每一类统计呈均匀分布，并计算给定像元属于一特定类别的可能性。除非选择一个可能性阈值，所有像元都将参与分类。每一个像元被归到可能性最大的那一类里。操作步骤如下：
（1）在ENVI主菜单栏中选择“Classification>Supervised>Maximum Likelihood”，在分类输入文件对话框中选择待分类遥感影像，打开“Maximum Likelihood Parameters”对话框，如图17-6所示。
（2） Select Classes from Regio：n点s击【Select All Items】按钮，选择所有的训练样本。
图17-6 最大似然分类器参数设置对话框
（3）Set Probability Threshold：设置似然度的阈值，有3种类型：不设置最大似然度阈值（None）、为所有类别设置一个最大似然度阈值（Single Value）和分别为每种类别设置一个最大似然度阈值（Multiple Values），如果选择Single Value，则在Probability Threshold文本框中输入一个0～1的值。
（4） Data Scale Factor：输入一个数据比例系数，这个比例系数是一个比值系数，用于将整形反射率或者辐射率数据转换为浮点型数据。例如，对于没有经过辐射定标的8bit数据，设定比例系数为255。
（5）点击【Preview】按钮可以预览分类结果。
（6）选择分类结果的输出路径及文件名。
（7）设置“Output Rule Images”：是否选择规则图像数据。
（8）设置完上述参数后，点击【OK】按钮执行分类处理。
5.神经网络分类器
用计算机模拟入脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程应用于图像分类，操作步骤如下：
（1）在ENVI主菜单栏中选择“Classificantion>Supervised>Neural Net”，在分类输入文件对话框中选择待分类遥感影像，打开“Neural Net Parameters”对话框，如图17-7所示。
（2）Select Classes from Regions：点击【Select All Items】按钮，选择所有的训练样本。
图17-7 神经网络分类器参数设置对话框
（3） Activation：选择活化函数，包括对数（Logistic）和双曲线（Hyperbolic）。
（4） Training Threshold Contnbution：输入训练贡献阈值（0～1）。该参数决定了与活化节点级别相关的内部权重的贡献量，它用于调节节点内部权重的变化。训练算法交互式地调整节点间的权重和节点阈值，从而使输出层和响应误差达到最小。将该参数设置为0将不会调整节点的内部权重。适当调整节点的内部权重可以生成一幅较好的分类图像，但是如果设置的权重过大，对分类结果会产生不良影响。
（5） Training Rate：设置权重调节速度（0～1）。参数值越大则使得训练速度越快，但也增加摆动或者使训练结果不收敛。
（6） Training Momentum：设置权重调节动量（0～1）。该值大于0时，在“Training Rate”文本框中输入较大值不会引起摆动。该值越大，训练的步幅越大。该参数的作用是促使权重沿当前方向改变。
（7）Training RMS Exit Criterai：指定RMS误差为何值时训练应该停止。RMS误差值在训练过程中将显示在图表中，当该值小于输入值时，即使还没有达到迭代次数，训练也会停止，然后开始进行分类。
（8） Number of Hidden Layers：输入所用隐藏层的数量。要进行线性分类，输入值为0；进行非线性分类，输入值应该大于或者等于1。
（9） Number of Training Iterations：输入用于训练的迭代次数。
（10） Min Output Activation Threshold：输入一个最小输出活化阈值。如果被分类像元的活化值小于该阈值，在输出的分类中该像元将被归入未分类中。
（11）选择分类结果的输出路径及文件名。
（12）设置“Output Rule Images”：是否选择规则图像数据。
（13）设置完上述参数后，点击【OK】按钮执行分类处理。
6.支持向量机分类器
支持向量机分类（SVM）是一种建立在统计学习理论基础上的机器学习方法。SVM可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率，操作步骤如下：
（1）在ENVl主菜单栏中选择“Classification>Supervised>SupportVec tor Machine”，在分类输入文件对话框中选择待分类遥感影像，打开“Support Vector Machine Classification Parameters”对话框，如图17-8所示。
图17-8 支持向量机分类器参数设置对话框
（2） Select Classes From Regions：点击【Select All Items】按钮，选择所有的训练样本。
（3） Kemel Type下拉列表中的选项有：Linear、Polynomial、Radial Basis Function和Sigmoid。
若选择Polynomial，需要设置一个核心多项式（Degere of Kernel Polynomial）的次数用于SVM，最小值为1，最大值为6；使用向量机规则需要为Kernel指定“this Bias”，默认值为1；“Gamma in Kernel Function”参数设置为大于0的浮点型数据，默认值为输入图像波段数的倒数。
若选择“Radial Basis Function”，需设置“Gamma in Kernel Function”参数为大于0的浮点型数据，默认值为输入图像波段数的倒数。
若选择Sigmoid，需使用向量机规则需要为Kernel指定“this Bias”，默认值为1；设置“Gamma in Kernel Function”参数为大于0的浮点型数据，默认值为输入图像波段数的倒数。
（4） Penalty Parameter：为大于0的浮点型数据，这个参数控制了样本错误与分类刚性延伸之间的平衡，默认值为100。
（5）Pyramid Levels：设置分级处理等级，用于SVM训练和分类处理过程，如果这个值为0，将以原始分辨率处理，最大值随图像的大小改变。
（6） Pyramid Reclassification Threshold（0～1）：当Pyramid Levels值大于0时，需要设置这个重分类阈值。
（7） Classification Probability Threshold（0～1）：为分类设置概率阈值，如果一个像素计算得到所有的规则概率小于该值，该像素将不被分类。
（8）选择分类结果的输出路径及文件名。
（9）设置“Output Rule Images”：是否选择规则图像数据。
（10）设置完上述参数后，点击【OK】按钮执行分类处理。
（三）评价分类结果
在执行监督分类后，需要对分类结果进行评价，本次实验采用使用地表真实感兴趣区来计算混淆矩阵（Confusion Matrices）方法进行分类结果评价，操作步骤如下。
1.建立地表真实感兴趣区
可以在高分辨率图像上，通过目视解译获取各个分类的地表真实感兴趣区；也可以通过野外实地调查，根据调查数据生成地表真实感兴趣区，获取方法同“（一）定义训练”，为了同训练样本区别，我们使用“植被、城镇、河流、农田”作为地表真实感兴趣区名称。
2.计算混淆矩阵
（1）打开定义验证样本的文件（即灌阳地区QuickBird全色波段）以及图像分类结果，使之显示在“Available Band”列表中。
（2）在ENVI主菜单栏中选择“Basic>Region of Interest>Restore Saved ROI File”，打开地表真实感兴趣区文件。
（3）在ENVI主菜单栏中选择“Basic>Region of Interest>Restore ROIs via Map”，打开“Reconcile ROIs via Map”对话框（图179），选择相应的地表真实感兴趣区，点击【OK】按钮。
（4）在“Select Source File where ROI was Drawn”对话框中，选择定义验证样本的文件（即灌阳地区 QuickBird 全色波段），点击【OK】按钮。
（5）在“Select Destination File to Reconcile ROIs to”对话框中，选择匹配目标文件，也就是分类结果图像。
（6）在主菜单中选择“Classification>Post Classification> Confusion Matrix> Using Ground Truth ROIs”。
图17-9“Reconcile ROIs via Map”对话框
（7）在“Classification Input File”对话框中，选择分类结果图像。地表真实感兴趣区将被自动加载到“Match Classes Parameters”对话框中。
（8）在“Match Classes Parameters”对话框中，选择所要匹配的名称，然后点击【Add Combination】按钮，将地表真实感兴趣区与最终分类结果相匹配，类别之间的匹配将显示在对话框底部的列表中，如图17-10所示，点击【OK】按钮输出混淆矩阵。
图17-10“Match Classse Parameters”对话框
（9）在混淆矩阵输出窗口的“Confusion Matrix Parameters”对话框中，选择像素（Pixels）和百分比（Percent），如图17-11所示。
（10）点击【OK】按钮，输出混淆矩阵，在输出的混淆矩阵报表中，包含了总体分类精度、Kappa系数、混淆矩阵等几项评价指标。
图17-11 混淆矩阵输出对话框
（四）分类后处理
一般情况下，使用上述分类方法得到的结果难于达到最终应用的目的，所以对获取的分类结果需要进行一些处理，才能得到最终理想的分类结果。
图17-12 编辑分类名称和颜色
1.更改分类颜色、名称
（1）打开分类结果，并使之显示在“Display”窗口中。
（2）在分类结果主图像窗口中，选择“Tools>Color Mapping>Class Color Mapping”，打开“Class Color Mapping”对话框，如图17-12所示。
（3）从“Selected Classes”列表中选择需要修改的类别，改变其颜色或者名称。
（4）完成对需要修改类别的颜色、名称的修改后，选择“Options>Save Changes”保存修改内容。
（5）选择“File>Cancel”，关闭“Class Color Mapping”对话框。
2.聚类处理
分类结果中不可避免的会产生一些面积很小的图斑，从实际应用角度有必要对这些小图斑进行剔除或重新分类。目前，常用的方法有Majority/Minority分析、聚类处理和过滤处理，本次实验选择聚类处理方法对邻近的类似分类区聚类并合并。
聚类处理首先将被选的分类用一个扩大操作合并到一起，然后用参数对话框中指定了大小的变换核对分类图像进行侵蚀操作，具体操作步骤如下：
在ENVI主菜单栏中选择“Classification> Post Classification> Clump Classes”，在“Classification Input File”对话框中，选择分类结果图像，单击【OK】按钮，打开“Clump Parameters”对话框，如图17-13所示。Clump Parameters对话框参数设置如下。
（1）选择分类类别（Select Classes）：单击【Select All Items】按钮选择所有类别；
（2）输入形态学算子大小（Rows和Cols）：默认为3,3;
（3）选择输出路径及文件名，单击【OK】按钮，完成聚类处理。
3.分类统计
分类统计可以基于分类结果计算相关输入文件的统计信息，包括类别中的像元数、最大值、最小值、平均值以及类中每个波段的标准差等，还可以记录每类的直方图以及计算协方差矩阵、相关矩阵、特征值和特征向量，并显示所有分类的总结记录。
（1）在ENVI主菜单栏中，选择“Classification> Post Classification > Class Statistics”，在“Classification Input File”对话框中，选择分类结果图像，单击【OK】按钮。
（2）在“Statistics Input File”对话框中，选择一个用于计算统计信息的输入文件，点击【OK】按钮，打开“Class Selection”对话框（图17-14），在“Select Classes”列表中，选择想计算统计的类别名称，点击【OK】按钮，打开“Compute Statistics Parameters”对话框（图17-15），选择需要的统计项，包括以下统计类型。
图17-13 “Clump Parameters”对话框
图17-14 选择分类对话框
基本统计（Basic Stats）：包括所有波段的最小值、最大值、均值和标准差，若该文件为多波段，还包括特征值。
直方图统计（Histograms）：生成一个关于频率分布的统计直方图。
协方差统计（Covariance）：包括协方差矩阵和相关矩阵以及特征值和特征向量。
（3）输出结果的方式包括3种：可以输出到屏幕显示、生成统计文件（.sta）和生成文本文件，其中生成的统计文件可以通过“Classification>Post Classification>View Statistics File”命令打开，选择输出路径及文件名，单击【OK】按钮，完成分类统计。
4.分类结果转矢量
（1）在ENVI主菜单栏中，选择“Classification>Post Classification>Classification to Vector”，在“Rasterto VectorInput Band”对话框中，选择分类结果图像，单击【OK】按钮，打开“Raster to Vector Parameters”对话框，如图17-16所示。
（2）选择需要被转换成矢量文件的类别，在“Output”标签中，使用箭头切换按钮选择“Single Layer”，把所有分类都输出到一个矢量层中；或者选择“One Layer per Class”，将每个所选分类输出到单独的矢量层。
（3）选择输出路径及文件名，单击【OK】按钮，完成分类结果转矢量文件。
图17-15 计算统计参数设置对话框
图17-16 栅格转为矢量参数设置
完成遥感影像监督分类后，分别利用平行六面体、最小距离、马氏距离、最大似然、神经网络和支持向量机这六种分类器对灌阳地区QuickBird遥感影像进行监督分类处理，利用混淆矩阵对六种分类结果进行评价，得出总体分类精度和Kappa系数。比较六种分类结果，用WORD文件记录，取名为《灌阳地区QuickBird遥感影像六种监督分类方法分类结果评价》，存入自己的工作文件夹。
六、实验报告
（1）简述实验过程。
（2）回答问题：①根据实验操作步骤及各步骤之间的关系，分析所做的监督分类方法在模型设计思想或算法上的共同特点。②通过目视解译，定性比较所获得的监督分类图像的图像识别效果优缺点。
实验报告格式见附录一。
摘要：该实验中，根据各种地物特征在不同波段中表现出来的DN值的不同，我们通过人机互动的方式寻找各种地物特征DN值在遥感影像中的联系，通过这样一种联系，确定区分不同特征的阈值，达到分类的目的。同时，比较通过降噪处理之后的分类图与未经过降噪处理的分类图，寻求提高分类精度的方法。 关键词：Landsat 遥感 影像 分类 中图分类号：P23文献标识码：A文章编号：1007-3973（2012）007-109-02 1 影像DN值分析 遥感影像之所以能够表现出各种地物特征，是因为影像中每个像素点有着不同的DN值（Digital Number），为了对遥感影像进行阈值分类，首先我们要弄清各种地物特征在遥感影像处于什么样的位置，通常我们是要弄清楚遥感影像各地物特征的DN值在遥感影像全局里所处的区间，因此，我们首先要对遥感影像做DN值分析。我们选取2010年洋山港区域的Landsat-7ETM+卫星遥感图片作为研究对象，如图1所示。 这张图像具有Landsat-7ETM+所有波段的信息，我们使用的影响是Unsign-8byte图像，因此，图像里的DN值从0～255，影像是通过DN值的不同来表现出不同的特征，我们从影像的各DN值关系表1可以看出2010年洋山港地区的遥感影像9个波段的基本面貌。 利用阈值关系方法进行信息提取的方法非常容易实现, 我们利用各个通道DN值之间存在的关系，例如第5通道DN值小于20的，我们归类为水体，从而很轻松的将水体特征提取出来。但是在分类过程中，各种地物特征的提取并不是简单地依赖某一通道来完成的。 2 阈值分类算法和分类模型确定 通过对表1各类地物特征DN值关系分析表进行分析，我们可以看出，第五第八通道对水很敏感，光波被水吸收，所以DN值均小于20，这样我们只需要同通过这两个通道就能很好地将水体特征提取出来，而植被可以通过第一第二第三通道来提取，其他几个通道都存在其他地物特征与植被特征DN值重叠的现象因此，分类使用ETM+1，2，3，4即可解决植被分类的问题，人类活动在本次实验中遇到了比较棘手的问题，主要原因是人类活动不存在某一通道就可完全提取特征的DN值范围，每个通道，在区分各种地物特征时却不尽人意，往往是水体与人类混淆，或是植被与人类活动混淆，事实上，在实验的过程中，我们也发现，没有哪个通道可以将人类活动单独提取出来。所以我们需要引入数学上的一个概念，就是交集的概念，在处理人类活动特征时必需进行交集分析，但是对于真实人类活动的特征是存在交集，我们在阈值分析的过程中，发现1，2，3，4，9通道，人类和水体在分别大于68，79，75，50和35的值，可以归为人和水的共同类，而5，8通道，在DN值分别大于20和20的，可以归为人和植被的共同类，而这两大类之间的交集就是任内活动特征，于是，我们通过交集的概念可以很快将人类活动的特征提取出来。通过以上的阈值算法分析，我们需要建立本次实验的分类模型，我们选取对分类有用的通道，每种地物特征均采用交集处理以求得到最为匹配的分类结果图。分类模型示意图如图2所示。 利用阈值方法进行信息提取的方法非常容易实现, 仅用少量的人力物力, 可以达到预期的要求, 能够快速获得变化信息的区域。将以上的分类结果整合之后，我们得到了图3，2010年洋山港地区的分类结果图。 3 降噪处理 本次实验的目的是为了对上海市海岸带的遥感影像进行研究与分析，我们需要获得更为准确的分类图，这样才能为往后的生态评价计算提供良好的基础，而降噪处理作为遥感影像预处理三大过程（辐射校正，几何校正，降噪处理）之一，在本次实验中也得到应用，降噪处理是因为遥感影像信号在产生、传输、接收和记录的过程中，经常会受到各种大气效应和电离层辐射的影响，从而产生各种各样的噪声，当进行下一步的遥感影像的特征提取、信息分析和模式识别等处理时将会带来不同的影响，因此在这之前的遥感影像噪声去除是一个非常重要的预处理步骤。遥感影像中大多数像素的灰度值差别不大，正是由于这种灰度相关性的存在，所以一般遥感影像的能量主要集中在低频区域，只有影像的细节部分的能量处于高频区域。 进行遥感影像平滑的主要目的就是要消除或衰减影像上的噪声，也就是衰减高频分量，增强低频量。但是高频区域同样也包含着影像的细节能量，因此遥感影像在消减噪声的同时，对影像的细节也有一定的衰减作用。这一过程能够增强低频量，也就是说在分类的时候，能够获得更多完整连贯的地理特征板块，而这样的数据对于生态评价有着重要的意义。我们通过对2010年洋山港地区的卫星遥感图像进行降噪处理，降噪以后的图像与原图有着很明显的不同，影像边界变得平滑连贯，这位分类的过程提取大斑块有着明显地改善，如图3，图4所示而通过降噪处理之后的分类图与未进行降噪处理的分类图进行比较，可以看出两者在斑块完整度上，降噪以后的图像更有优势，但是降噪以后的分类效果如何，我们需要对这两幅图进行评价。 4 分类评价 经过DN值分析之后，我们对影响进行分类，分类的效果如何，需要一个分类标准，我们通过结合先验知识与实地测量数据所绘制的的标准分类图（图5）作为标准。用统计学理论描述分类效果可以采用线性关系回归系数评价法。 根据一阶线性回归分析数学方程(1) 线性回归系数 (1) 通过Erdas所具有的空间模型语言功能，我们通过编程很快计算出分类图3与标准分类的线性回归系数r=。而降噪处理之后的分类图4的线性回归系数R=。这说明两幅的线性回归情况很好，说明了阈值分类办法能够很好的提高遥感影像的分类精度。把降噪与未降噪的影像分类之后与标准图比较后发现，降噪后的图像比未降噪图像线性回归的更好，与标准图更为一致，从而更进一步地说明了经过降噪处理之后的遥感影像更有利于分类精度的提高。这样就说明我们的分类图与标准图之间具有很高的一致性，从而说明我的分类方法具有很高的可行性。 5 结论 利用阈值分析的分类方法，可以高效而又准确的进行遥感影像的分类，具有很高的线性回归系数r，本文通过对遥感影像各种地物特征DN值进行分析与讨论，找出不同地物特征DN之间的关系，为影像分类提供依据，基于DN值的影像分类技术与传统遥感影像分类技术相比，可以提高遥感影像分类的效率，对于遥感影像信息提取提供了有效的手段。通过降噪处理之后的遥感影像，分类效果更好。分类过程中我们也发现，分类的类别越少，遥感影像也越容易分类，这是因为由于分类类别的减少能够避免同物异谱，同谱异物现象的出现。因此，对于遥感影像较少类别分类的分类，基于DN值分析的分类方法为影像分类提供了有效的办法。 (基金项目：上海市科委重点项目(075105108)) 参考文献： [1]厉银喜,冯晓光,林友明.美国陆地卫星7号的数据产品分类和格式[J].遥感信息,2000(3):37-40. [2]黄剑玲,郑雪梅.一种基于边缘检测的图像去噪优化方法[J].计算机仿真,2009,26(11):260-261. [3]骆剑承,梁怡,周成虎.基于尺度空间的分层聚类方法及其在遥感影像分类中的应用[J].测绘学报,1999,28(4):319-324. [4]杨希华.遥感技术在黄土高原土地利用现状调查中的应用研究[J].环境遥感,1990(5):257-265.
摄影测量与遥感技术发展论文主要通过对摄影技术与遥感技术的发展进行了研究，并对其在各个方面的运用进行了论述。
摄影测量与遥感技术发展论文【1】
摘要：随着经济的不断发展，科学的不断进步，摄影测量与遥感技术因其运用范围广、作用大而走上了逐渐发展的道路，并且对国民经济生活起着重要的影响。
关键词：摄影测量;遥感技术;发展;应用
摄影测量与遥感技术被划分在地球空间信息科学的范畴内，它在获取地球表面、环境等信息时是通过非接触成像传感器来实现的，并对其进行分析、记录、表达以及测量的科学与技术。
3S技术的应用、运用遥感技术以及数字摄影测量是其主要研究方向。
在多个领域内都可以运用遥感技术与摄影测量，比如：自然灾害、勘查土木工程、监测环境以及国土资源调查等。
随着我国经济的不断发展，运用到遥感技术与摄影测量的领域也在逐渐的增多。
在人类认识宇宙方面，遥感技术与摄影测量为人类提供了新的方式与方法，也为人类对地球的认知以及和谐共处提供了新的方向。
遥感技术和摄影测量可以提供比例不同的地形图以服务于各种工作，并且还能实现基础地理信息数据库的建立;遥感技术与摄影测量与地图制图、大地测量、工程测量以及卫星定位等构成了一整套技术系统，是测绘行业的支柱。
一、摄影测量与遥感技术的发展
从摄影测量与遥感技术的发展来看，摄影测量与遥感技术在近30年的时间里已经涉及到城市建设、水利、测绘、海洋、农业、气象、林业等各个领域，在我国的经济发展中起着至关重要的作用。
摄影测量从20世纪70年代后期从模拟摄影中分离出来，并逐渐步入数字摄影阶段，摄影测量正在逐渐的转变为数字化测绘技术体系。
(一)摄影测量与遥感技术有利于推动测绘技术的进步
我国的摄影测量从上世纪70年代后期经历一个系统的转变。
在经历了模拟摄影测量以及解析摄影测量阶段之后，摄影测量终于步入了数字摄影测量的阶段，这也成为我国传统测绘体系解体，测绘技术新体系兴起的标志。
首先，从数字影像的类型来看，当前我国已经建立了数字栅格图、数字高程模型以及数字正射影像，土地利用与地名数据库也随之建立起来，摄影测量与数据库的多样性在一定程度上为生产运用提供了可能，从而进一步推动了测绘技术的发展。
其次，由于摄影测量与遥感技术的飞速发展，也逐渐被国家所重视，并利用这两项技术来完成了各种地理比例尺地形图的绘制。
此外，还推动了诸多具有全国界别的基础地理信息数据库的建立。
比如：比例尺级别为1：50000，1：1000000等的国家级地理信息数据库;除开国家级的，还有省级、县级等的地理信息数据库等。
(二)摄影测量与遥感技术有利于提升空间数据的获取能力
我国获取空间数据的能力在经过五十年的发展，有了较大的提升。
对具有自主知识产权的处理遥感数据平台进行了研发，从而推动了国产卫星遥感影像地面处理系统的建立，并在摄影测量方面积极进行研究和探索，为我国独立处理信息、获取观测体系的建立提供了坚实的基础。
首先，从获取数据的能力方面来看，传感器在国家863以及973计划的支持上成功被研制出来，成功发射了对地观测的包括通信卫星、海洋卫星、气象卫星以及资源卫星等五十多颗卫星，并推动了资源、风云、环境减灾以及海洋四大民用对地观测卫星体系的建立，实现了从太阳和地球同步轨道对地球多传感器、多平台的观测以及对地球表面分辨率不同的雷达和光学图像的获取，并将这些获取的数据用于对海洋现象、大气成分、自然灾害以及水循环等各个方面的监测。
其次，从数据储备方面来看，数据积累已经成功的覆盖了全国海域、陆地以及我国周围国家和地区的包括一千五百万平方公里的地球表面数据。
二、摄影测量与遥感技术在国民经济各项领域中的运用
(一)摄影测量与遥感技术在应对自然灾害中的运用
在发生自然灾害时，为了能够第一时间了解灾情的具体分布，获取高分辨率灾区遥感影像，可以采用低空无人遥感、航天、航空遥感等方式，对灾区原有的地理信息以及尺度进行整合，推动地理信息服务平台的建立，将多尺度影像地图制作出来，及时、有效的提供地理信息以及地图数据支持，为及时制定出应对自然灾害的措施提供了依据。
比如在汶川地震时，在灾区道路交通与通信严重受损的情况下，通过摄影测量与遥感技术在第一时间获取了灾区的详细信息与资料，并利用航空遥感技术和无人机连续、动态的实现对灾区的监测，并对道路交通以及房屋倒塌等情况进行分析，建立起灾区地理信息综合服务平台，将灾区的地理信息数据进行整合，比如水系、居民地以及交通等，为各级抗震救灾指挥部门作出正确的决策以及救援人员的搜救工作提供了及时有效的灾情信息。
在灾区的救援工作中，发挥着至关重要的作用。
(二)摄影测量与遥感技术在气象中的运用
在气象方面中，摄影测量与遥感技术主要运用在对各种气象灾害的.预报和监测两方面。
在热带天气系统的监测方面，气象卫星发挥着极其重要的作用，尤其是对于台风的预报和监测。
在我国的春、夏季中，雷雨、暴雨等作为多发性的灾害性天气，在监测和分析方面，如果运用常规的气象观测资料是非常困难的。
利用具有高空间分辨率和高时间密度特点的卫星云图以及卫星产品，可以对对流系统的演变、发生、移动以及发展过程进行全方位的监测，从而为对流天气的分析和提前预警提供了非常重要的信息。
三、结语
摄影测量与遥感技术的应用已经逐渐步入信息化阶段。
随着我国航空航天技术的不断发展，如何将各行各业的发展与摄影测量和遥感技术相结合从而推动我国经济的发展，已经成为未来摄影测量和遥感技术发展的主要方向。
【参考文献】
[1]张景雄.地理信息系统与科学[M].武汉：武汉大学出版社，2010：108―114
[2]张剑清.潘励.王树根.摄影测量学[M].武汉：武汉大学出版社，2009：89―93
[3]李德仁.王树根.周月琴.摄影测量与遥感概论[M].北京：测绘出版社，2008：131―137
[4]乔瑞亭.孙和利.李欣.摄影与空中摄影学[M].武汉：武汉大学出版社，2008：178―182
[5]窦超.李兆钧.浅谈摄影测量与遥感的发展应用[M].青海国土经略，2011(06)：29―31
摄影测量与遥感技术的新特点及技术【2】
摘要：本文主要分析了近年来我国摄影测量与遥感技术表现出的许多新的特点，分别从航空摄影自动定位技术、近景摄影测量、低空摄影测量、SAR数据处理、多源空间数据挖掘等方面进行了总结与论述。
关键词：电子科技论文发表,科技论文网,自动定位技术,近景摄影测量,低空摄影测量,SAR数据处理,多源空间数据挖掘
前言：摄影测量与遥感是从摄影影像和其他非接触传感器系统获取所研究物体，主要是地球及其环境的可靠信息，并对其进行记录、量测、分析与应用表达的科学和技术。
随着摄影测量发展到数字摄影测量阶段及多传感器、多分辨率、多光谱、多时段遥感影像与空间科学、电子科学、地球科学、计算机科学以及其他边缘学科的交叉渗透、相互融合，摄影测量与遥感已逐渐发展成为一门新型的地球空间信息科学。
1、航空摄影自动定位技术
近年来，随着卫星导航和传感器技术的进步，遥感对地目标定位逐步摆脱了地面控制点的束缚，向少控制点甚至是无控制点的方向发展。
利用基于载波相位测量的GPS动态定位技术测定航空影像获取时刻投影中心的3维坐标，以此为基础研究了GPS辅助空中三角测量理论和质量控制方法，在加密区四角布设地面控制点的GPS辅助光束法区域网平差的精度可满足摄影测量规范的精度要求，大量减少了航空摄影测量所需的地面控制点。
研究成果已大规模用于国家基础测绘，产生了显著的社会和经济效益。
开展利用在飞机上装载IMU和GPS构成的POS系统直接获取航摄像片6个外方位元素的多传感器航空遥感集成平台研究，可实现定点航空摄影和无地面控制的高精度对地目标定位。
研究成果表明，在1：5万及以下比例尺的4D产品生产中，可直接使用POS系统测得的像片外方位元素进行影像定向，基本无需地面控制点和摄影测量加密，从而改变了航空摄影测量的作业模式，并使无图区、困难地区的地形测绘和空间信息数据的实时更新成为可能。
2、近景摄影测量技术
近景摄影测量的研究应用领域已涉及空间飞行器制造、航空工业、船舶工业、汽车工业、核能工业、化学工业以及医学、生物工程、公安刑事侦破、交通事故及其他事故现场处理、古建筑建档和恢复、大型工程建设监测等方面。
利用数字相机与实时数字近景摄影测量技术相结合建立相应的工业零件检测系统。
该类系统使用高重叠度序列图像作为影像数据源，利用较多同名特征的冗余观测值成功地进行粗差剔除，根据2维序列图像导出物体不同部位的3维信息，然后将这些3维信息融为统一的表面模型，实现了高精度3维重建。
利用数码相机与全站仪集成形成一个全新的测量系统——摄影全站仪系统。
尽管传统近景摄影测量近年来得巨大发展，但必须在被测物体表面或周围布设一定数量的控制点，摄影测量工作者心中的“无接触测量“没有真正实现。
全站仪作为一种高精度测量仪器在工程测量中被广泛接受，本质上它是一种基于”点“的测量仪器。
将它与基于”面“的摄影测量有机地结合起来，形成一个全新的测量系统——摄影全站仪系统。
在该系统中，量测数码相机安装在全站仪的望远镜上，测量时利用全站仪进行导线测量，在每个导线点利用量测数码相机对被测物体进行摄影。
每张影像对应的方位元素可以由导线测量与全站仪的读数中获取。
3、低空摄影测量技术
近年来随着低空飞行平台(固定翼模型飞机、飞艇、直升机、有人驾驶小型飞机)及其辅助设备的进一步完善、数码相机的快速普及和数字摄影测量技术的日趋成熟，由地面通过无线电通讯网络，实现起飞、到达指定空域、进行遥感飞行以及返回地面等操作的低空遥感平台为获取地面任意角度的清晰影像提供了重要途径。
建立基于无人驾驶飞行器的低空数字摄影测量与遥感硬件系统。
硬件平台包括无人驾驶遥控飞行平台，差分GPS接收机，姿态传感器，高性能数码相机和视频摄像机，数据通讯设备，影像监视与高速数据采集设备，高性能计算机等等。
需要深入研究无人驾驶飞行平台的飞行特性，并研制三轴旋转云台、差分GPS无线通讯、视频数据的自动下传、自动曝光等关键技术。
研究无人驾驶飞行平台的自动控制策略。
在飞行器上搭载飞控计算机，由差分GPS数据得到飞艇(相机)的精确位置，在此基础上对较低分辨率的视频序列影像进行匹配，结合姿态传感器的输出信号实时自动确定飞行器的姿态，从而进行飞行自动控制，并将所有数据同时下传到地面监控计算机。
研究多基线立体影像中连接点的多影像匹配方法与克服影像几何变形的稳健影像匹配方法。
数字表面模型与正射影像的自动获取及立体测图。
4、SAN数据处理技术
SAR成像具有全天时、全天候的工作能力，它与可见光红外相比具有独特的优势。
随着我国SAR传感器研制技术的进一步发展，先后研制了不同波段，不同极化方式，空间分辨率达到 In的传感器，并在SAR立体测绘方面设计了不同轨道和相同轨道的重复观测，为我国开展SAR技术的相关研究奠定了数据基础。
根据不同应用目的的SAR图像与可见光图像的融合。
利用SAR和可见光反映地物不同特性的特点，在提取不同土壤性质以及洪水监测和灾害评估方面采用不同的融合方法，取得了一定的理论成果，并完成了国家和部门的科研课题。
SAR图像噪声去除方法。
由于SAR的成像特点，造成了SAR图像的信噪比低，噪声严重。
提出了自适应滤波思想，基于图斑的去噪方法以及噪声去除方法的评价等。
机载和星载重复轨道的SAR立体测图技术以及星载的InSAR技术和D—InSAR的突破。
完成了星载InSAR生成DEM及D—InSAR形变检测的相关软件开发，利用极化SAR数据提取地物目标，开展极化干涉测量的研究。
5、多源空间数据挖掘技术
多源空间数据挖掘技术主要研究应用数学方法和专业知识从多源对地观测数据中，提取各种面向应用目的的地学信息。
从遥感图像数据中挖掘GIS数据。
在统计模式识别的基础上，通过神经网络、模糊识别和专家系统等技术实现图像光谱特征自动分类。
基于纹理分析的分类识别。
包括基于统计法的纹理分析、基于分形法的纹理分析、基于小波变换的纹理分析、基于结构法的纹理分析、基于模型法的纹理分析和空间/频率域联合纹理分析等。
遥感图像的解译信息提取。
把计算机自动识别出来的影像，结合GIS数据库或解译员的知识，确定其对应的地学属性。
包括基于GIS数据的图像信息识别、基于地学知识辅助的图像信息识别、基于专家知识辅助的图像信息识别、基于立体观察的图像信息识别、基于矢量栅格转化的信息提取和基于多源数据融合的信息识别等。
摄影测量与遥感的现状及发展趋势【3】
摘 要：随着信息时代的来临，人类社会步入全方位信息时代，各种新兴的科学技术迅猛发展，并广泛应用于人类生活中去。
摄影测量与遥感技术被广泛应用于我国测绘工作去，本文探讨了我国摄影测量与遥感的发展现状以及展望了发展趋势。
关键词：摄影测量;遥感;现状
随着信息时代的来临，人类社会步入全方位信息时代，各种新兴的科学技术迅猛发展，并广泛应用于人类生活中去。
摄影测量经历了模拟摄影测量、解析摄影测量和数字摄影测量三个阶段。
而在这期间，从遥感数据源到遥感数据处理、遥感平台和遥感器以及遥感的理论基础探讨和实际应用，都发生了巨大的变化。
数字地球(digitalearth)的概念是基于信息高速公路的假设和地理空间信息学的高速发展而产生的，数字地球为摄影测量与遥感学科提供了难得一遇的机会和明确的发展方向，与此同时，也向摄影测量和遥感技术提出了一些列的挑战。
而摄影测量和遥感学科是为数字地球提供空间框架图像数据及从数据图像中获得相关信息惟一技术手段
一、国内外摄影测量与遥感的现状
(一)摄影测量现状
摄影测量经历了漫长的发展过程，随着计算机技术以及自动控制技术的高数发展，进入20世纪末期的时候，基于全数字自动测图软件的完成，数字摄影测量工作站获得了迅猛发展并普遍存在于测量工作中。
进入21世纪后，科学技术的提升帮助摄影测量进入了数字化时代，数字摄影测量学学科与计算机科学有了大面积的知识交叉，摄影测量工具也变为较为经济的计算机输入输出设备，这种革命性的变革，使得数字摄影测量提升到了另一个台阶，数字摄影测量的语义信息提取、影像识别与分析等方面均产生了从质到量的变化。
目前我国各省测绘局均已广泛应用了数字摄影测量，建立了数字化测绘生产基地，实现了全数字化摄影测量与全球定位系统之间的有机合成，并且应用与测量实际工作中。
(二)遥感技术现状
目前遥感技术主要应用在日常的天气、海洋、环境预报及灾害监测、土地利用、城市规划、荒漠化监测、环境保护等方面，为社会带来了巨大的经济利益。
尤其要提出的是航天遥感，是利用卫星遥感获取各种信息是目前最有效的方法。
在实现数字地球概念，卫星遥感技术具有很重要的地位。
数字地球的实际意义就是将地球转为一个虚拟的球体，以数字形式来表达地球上的不同种类的信息，实现三维式和多分辨形式的地球描述。
数字地球是一个数量庞大的工程，从长远来看，信息量的更新一集信息的收取都需要卫星遥感技术提供可靠的信息源，换句话说，卫星遥感是实现数字地球的必要手段，也是其他手段不能够替代的。
二、摄影测量与遥感的应用与主要技术
(一)摄影测量与遥感在地籍测量中的应用
应用数字摄影测量与遥感模式进行地籍测量前景非常广阔。
航空航天事业的飞速发展，为高分辨率卫星遥感影像技术为空间地理信息提供主要的数据元。
主要以激光成像雷达、双天线SAR系统等三维数字摄影测量系统。
利用卫星遥感进行土地资源调查和土地利用动态监测，为快速及时的变更地籍测量做好参照，同时还能顺利的完成地籍线画图的测绘，还可以得到正射影像地籍图、三维立体数字地籍图等附属产品。
数字摄影测量主要以大比例尺航空像片为数据采集对象，利用该技术在航片上采集地籍数据，实行空三加密。
数字摄影测量与模式得到的地籍图信息丰富，实时性强;大部分工作均在室内完成，降低劳动强度与人工成本，还能大幅度提高工作效率，是一种非常实用的地籍测量模式。
(二)摄影测量在三维模型表面重建的应用
三维物体的重建技术可广泛应用于古建筑重建和文物保护、医学重建、工业量测、人脸重建、人体重建及程勘察等方面，这种技术主要通过手持量测数码相机进行操作，得到一组具有短基线和多度重叠的图片，通过立体匹配获取可靠的模型点数据。
基于短基线多影像数字摄影测量的快速三维重建技术能够解决静静摄影测量中不能同时兼顾变形早点近景和远景的问题，在操作过程中采用量测数码相机以及手持拍摄方式，使得这种技术简单快速，并且具有高度自动化的有点。
(三)遥感自动定位技术的应用
遥感自动定位技术能够确定影响目标的实际位置，并且准确的解译影响属性，在GPS空中三角测量的基础上，利用惯性导航系统，形成航空影响传感器，实现高精度的定点摄影成像。
在卫星遥感条件下，精度甚至可以达到米级。
遥感自动定位技术的应用，有助于实现实时测图和实时数据更新的作业流程，能够大量减少野外像控测量的工作量。
三、摄影测量与遥感发展展望
目前，摄影测量与遥感技术在数据获取与处理、信息服务和数据分析方面都有了新的进展，数据获取装备发展迅猛，数据处理系统自动化程度相应的提高，航空摄影测量软件实现模块化和标准化，实现了内外一体化的航空摄影测量方法，遥感影像信息管理能力增强。
除此之外，还可以看到测绘领域的全球化进程日益加剧。
四、结语
虽然现在摄影测量与遥感技术相对发展迅速，并且已经广泛应用与测绘工作中，逐步实现数字化与智能化。
在我国目前，摄影测量与遥感装备存在产品种类单一、生产效率低等实际生产问题，这是与飞速发展的信息产业背道而驰的，达不到国际水平。
需要国家发展测绘仪器制造业和专业软件开发能力，跨学科展开合作，集中优势力量，通过政府出台政策来引导市场发展，我国想要在摄影测量与遥感上取得更大的飞跃，还有一段很长的路要走。
参考文献：
[1]李德仁等.地球空间信息学与数字地球[C].空间数据基础设施与数字地球论文集，1999.
[2]刘经南.激光扫描测高技术的发展与现状[M].武汉大学学报，2003(2)：132-137.
[3]郑立中，陈秀万.中国卫星遥感与定位技术应用的现状和发展[A].中国遥感奋进创新二十年学术论丈集[C].北京：气象出版社，2001.
这两个杂志不是一回事吧？
比较容易发表论文的测绘类期刊有《测绘科学技术学报》、《遥感学报》、《地理科学进展》创、《地理与地理信息科学》。
1、《测绘科学技术学报》创于1984年，是由中国人民解放军信息工程大学主管、信息工程大学测绘学院主办的测绘科学学术期刊。本刊在国内外有广泛的覆盖面，题材新颖，信息量大、时效性强的特点，其中主要栏目有：学科进展、学术研究、应用工程等。
办刊宗旨：本刊以马列主义、毛泽东思想、邓小平理论为指针，贯彻执行江主席“三个代表“重要思想，坚持以建设有中国特色社会主义理论为指导，积极报道和反映测绘科学最新研究成就，传播和积累军事测绘科学知识。
2、《遥感学报》创刊于1997年，由中国科学院遥感应用研究所，中国环境遥感学会主办。致力于报道遥感领域及其相关学科具有国际、国内先进水平的研究报告和阶段性研究简报以及高水平的述评。着重反映本领域的新概念、新成果、新进展。
内容涉及遥感基础理论，遥感技术发展及遥感在农业、林业、水文、地矿、海洋、测绘等资源环境领域和灾害监测中的应用，地理信息系统研究，遥感与GIS及空间定位系统（GPS）的结合及其应用等方面。
3、《地理科学进展》创刊于1982年，是由中国科学院地理科学与资源研究所主办、科学出版社出版的综合性学术刊物。获奖情况：全国中文核心期刊。
主要刊登地理学及其分支学科的研究成果，反映国内外地理学研究动态。发表论文的领域为资源与环境、全球变化、可持续发展、区域研究及地理信息系统等方面的成果与新技术。
4、《地理与地理信息科学》创刊于1985年，由河北省地理科学研究所主办。包括地理学和地理信息科学两大部分，具体栏目有：3S研究与应用、数字城市与数字国土、区域经济、环境与生态、旅游开发、可持续发展研究等。
基本涵盖了地理学、地理信息科学的前沿与热点，侧重报道国家自然科学基金、国家重点实验室基金项目、国家科技攻关项目和国际合作项目的新研究成果。
尽快投出去吧，不然明年四五月份肯定出刊不了，国内核心期刊审稿本身就慢，而且从录用到出刊中间隔的时间是非常长得。优尔设计网提供！
遥感类的EI收录，非SCI的，你可以试一试武汉大学学报，有一定的科研说服力。如果你不要求EI SCI，我推荐中国图象图形学报，遥感所出的，很不错。只要有创新，就可以。
自己进百度去查啊!!!!~~~~~~
森林资源调查中SPOT5遥感图像处理方法探讨王照利、黄生、张敏中、马胜利（国家林业局西北林业规划设计院，遥感计算中心，西安710048）本文发表于＜陕西林业科技＞2005 摘要： 目前，多光谱、高空间分辨率的SPOT5卫星遥感数据被广泛应用到森林资源调查中。本文结合SPOT5遥感数据的特点，根据森林资源调查的需要，从遥感数据的正射校正、波段组合、融合处理和数据变换处理等方面探讨了SPOT5数据的处理和信息提取。探讨性地提出了适应于森林资源调查的SPOT5遥感数据处理方法。 关键词：SPOT5 遥感数据，森林资源调查、数据处理DISCUSSION ON SPOT5 IMAGE DATA PROCESSING FOR FOREST INVENTORYWang Zhaoli, Huangsheng,Zhangminzhong,Ma Shengli(Northwest Institute for Forest Inventory, Planning &Design, Xi’an China 710048) Abstract: Now days, high spatial resolution and multispectral SPOT5 image data are widely applied in forest inventory in China. Based on the characteristics of SPOT5 image and requirements of forest inventory, this paper discusses the processing procedures of ordering image data, ortho-rectification, image bands composition and image data fusion. The complete steps of image processing for forest inventory are words: SPOT5 image data，forest inventory, data processing 前言 卫星遥感影像具有空间宏观性、视角广、多分辨率（光谱和空间）、多时相、周期性、信息量丰富等特点，所以卫星遥感影像既可以提供森林资源的宏观空间分布信息又能提供局部的详细信息以及随时间、空间变化的信息等[1]。目前在林业领域卫星遥感数据被广泛的应用于不同尺度层次的森林资源调查、资源监测、病虫害、火灾监测等方面。2002年5月法国SPOT地球观测卫星系列之5号卫星（即SPOT5星）发射。SPOT5遥感数据的多光谱波段空间分辨率为10米（短波红外空间分辨率为20米），但全色波段空间分辨率达到米。SPOT5遥感数据的高空间分辨率和多光谱分辨率为森林资源调查提供了丰富的、可靠的、高精度的基础数据源。从性价比分析，在其他高分辨率遥感数据目前比较昂贵的状况下，SPOT5遥感数据比较适宜应用于大面积的森林资源调查，可大幅度的森林调查的减少外业工作量、提高工作效率。在我国SPOT5卫星数据已被大量地应用于森林资源调查工作中，尤其，是在森林资源“二类”调查中被作基本的森林资源信息源提取各类信息。针对于将多光谱分辨率和高空间分辨率的SPOT5遥感数据应用于森林资源调查的数据处理技术和方法鲜有报道。本文总结工作实践，结合SPOT5遥感数据的特点，根据森林资源调查的需要，从遥感数据的订购、正射校正、波段组合、融合处理和数据变换处理等方面探讨了SPOT5数据的基本处理方法。 1．SPOT5卫星遥感数据特点 SPOT卫星系统采用线性阵列传感器和推扫式扫描技术，具有旋转式平面镜可以进行倾斜观察获得倾斜图像和立体像对。采用与太阳同步的近极地的椭圆形轨道，轨道高度约832Km，轨道倾角 ，每天绕地球14圈多，重复覆盖周期26天[2]。由于有倾斜观测功能，使重复覆盖周期减少到2-3天。SPOT5卫星载有2台高分辨率几何成像仪（HRG）、1台高分辨率立体成像装置（HRS）和1台宽视域植被探测仪（VGT）。高分辨率几何成像仪的波段选择是总结了多年的研究成果，认为HRG的波段设置（见表1）足以取得辨别作物和植被类型的最佳效果。本文主要探讨HRG高空间分辨率数据的处理。 2．SPOT5数据的处理方法和过程 SPOT5数据处理工作流程： 遥感数据的订购 订购数据时，用户需向数据代理商提供购买区域的四个角的大地坐标或者数据的景号（PATH/ROW）。特别应该注意数据订购时间和用户拿到数据之间有时间差，间隔时间长短因用户的要求、天气、卫星重复覆盖周期而异。相对于其他卫星数据，比较有利的一面是SPOT5卫星装置有旋转式平面镜可以进行倾斜观察，用户可向代理商申请红色编程提前得到调查区域的遥感数据，但要支付编程费。对于遥感数据的时相、云量、入射角、阴影量、是否购买高空间分辨率的全色波段等用户根据自己具体的工作需要向代理商提出限制要求。 根据我们对SPOT5遥感数据的使用，对于森林资源调查，北方9，10月份和11月初的遥感影像比较适宜。代理商向用户提供经过处理的不同级别的影像产品，在森林资源调查中建议购买SPOT1A级产品，用户可根据自己的工作需要进行处理，同时也可减少费用。 基础数据准备 大比例尺地形图和高精度DEM是进行SPOT5遥感数据高精度正射校正必需的基础地理数据。建议购买1：10000地形图和1：25000数字高程模型（DEM）。 将1：1万地形图扫描，扫描分辨率设置为300DPI。将扫描好的地形图进行几何精纠正，纠正精度控制在毫米内。从测绘部门购买的1：1万地形图为北京54坐标系3度分带高斯克吕格投影，而1：万DEM为北京54坐标系6度分带投影。在数据准备时，将校正好的1：1万地形图通过换带转换转成和DEM一致的6度分带投影。 对于没有1：1万地形图的地区，建议使用差分GPS接收机采集地面控制点。 几何正射校正 正射校正过程应用了法国SPOT公司发行的GEOIMAGE软件。GEOIMAGE软件有针对SPOT5卫星数据开发的SPOT5物理模型。模型模块自动读取DEM信息。SPOT 物理模型可读取卫星在获取遥感数据的瞬间状态参数，这些参数存贮在数据的头文件中[3]。卫星状态参数包括：卫星成像瞬间的经纬度、高度、倾角等。卫星状态参数能够帮助提高几何校正的精度。 以校正好的1：1万地形图为基准，在影像图上找出和地形图上地物相匹配的明显地物作为地面控制点。在进行正射校正时，应先进行全色波段数据校正，然后以校正好的全色波段数据为基准进行多光谱数据校正。以全色波段数据为基准校正多光谱波段就比较容易校正，且能提高两者的匹配精度。地面控制点应分布均匀，影像的边缘部分布要有控制点分布，同时在不同的高程范围最好都有控制点。地面控制点的数量因地形地貌的复杂程度而定，根据我们的经验，一景60KmX60Km的SPOT5数据，一般地势平缓的地区20个左右控制点即可达到满意的结果，在高山区25个左右控制点就可使正射校正精度满足要求。重采样方法采用双线性内插法。 辐射校正 用户购买的SPOT5的各级数据，数据提供商已经根据卫星的记录参数对遥感数据做了辐射校正，即消除了传感器自身引起的、大气辐射引起的辐射噪声。若果影像存在薄雾或地形高差较大引起的辐射误差情况，用户应进一步进行辐射校正处理。薄雾的简单消除原理是基于近红外波段不受大气辐射影响，清澈的水体或死阴影区的数值应为零。从各波段数据中减去近红外波段的水体或阴影的不为零值。地形起伏引起的辐射误差校正公式: f (x,y)=g(x,y)/cosa，g(x,y)为坡度为a的倾斜面上的地物影像；f (x,y)为校正后的影像。由于坡度因子参与校正所以需要DEM支持。 波段组合 根据SPOT5数据波谱特征（表1），各波段分别记录反映了植被的不同特征方面：B4（SWIR）短波红外反映植物和土壤的含水量，利于植被水分状况和长势分析；B3（NIR）近红外波段对植被类别、密度、生长力、病虫害等的变化敏感；B2（RED）红光波段对植被的覆盖度、植被的生长状况敏感；B1（VIS）可见光波段对植物的叶绿素和叶绿素浓度敏感。经过比较分析和实际应用发现SPOT5的B3、B4、B2波段组合对植被类型的识别要优于B3、B2和B1的组合。但由于B4波段的空间分辨率为20米，使B342组合对植被空间几何细节表达没有B321组合清晰，例如林缘界线信息表达方面B321要优于B342。 影像数据融合 对于购买有高空间分辨率全色波段数据的用户，进行数据融合是必不可少的。影像数据融合能够综合不同波段、不同空间分辨率数据（层）的特征，融合后的数据具有更丰富、更可靠的信息[4]。 根据影像数据融合的水平阶段，影像融合分为：像元级、特征级和决策级三个层次。为了最大限度的从SPOT5遥感数据中提取森林植被信息，应进行像元级的数据融合，将米的全色波段和10米多光谱数据进行融合。融合得到的新数据既具有全色波段数据的高空间分辨率特征又具有多光谱特征。像元级数据融合的方法多种多样，根据数据融合的目的，即最大限度的突显森林植被信息，应选取B4、B3、B2和PAN波段，根据我们的试验Brovey 融合算法方法比较理想： 遥感影像地图 将融合好的数据按Rfused、Gfused、Bfused组合，叠加上行政界线、公里格网、坐标、比例尺等辅助信息，按1：1万地形图分幅生成1：1万纸质图作为外业手图。 3. 结果和讨论 几何精度 利用SPOT5物理模型，采用1：1万地形图和万DEM ，经过正射校正处理，可使影像的几何精度控制在2个像元内（<10米）,达到1：1万制图标准要求。为以遥感影像为基础信息源提取林分调查因子、区划林班界线生成大比例尺的林相图、森林分布图提供了几何精度保障。 波段选择 对于没有全色波段的情况，SPOT5数据的B342组合有利于森林植被类型的识别。在应用遥感技术进行森林资源调查区划中，林分类型信息提取是最为重要的环节，所以B342波段组合是小班区划和外业手图的最佳组合。 融合效果 融合数据技术使SPOT5遥感影像既具有全色波段的高空间分辨率又拥有多光谱数据的光谱分辨率，丰富了遥感影像的信息量。采用Brovey算法使SPOT5遥感影像从色彩、纹理等方面增强了影像的可判读性，提高了小班因子正判率和林分小班的区划精度。 参考文献 1．周成虎，杨晓梅，骆剑承等.《遥感影像地学理解与分析》，科学出版社，北京，2001，3-4. 2．赵英时.《遥感应用分析原理与方法》，科学出版社，北京， 3．北京视宝卫星图像有限公司.《专业制图工作室GEOIMAGE用户指南》，2004，68-70. 4．Christine Pohl. Geometric Aspects of Multisensor Image Fusion for Topographic Map Updating in The Humid Tropics, ITC Publication, 1996,世纪遥感与GIS的发展 来源： 李德仁 时间： 2005-08-11-23:09 浏览次数: 79 21世纪遥感与GIS的发展李德仁 （武汉大学测绘遥感信息工程国家重点实验室，武汉市珞瑜路129号，430079） 摘要：在20世纪，人类的一大进步是实现了太空对地观测，即可以从空中和太空对人类赖以生存的地球通过非接触传感器的遥感进行观测，并将所得到的数据和信息存储在计算机网络上，为人类社会的可持续发展服务。在短短的30年中，遥感和GIS作为一个边缘交叉学科已发展成为一门科学、技术和经济实体。本文深入地论述了21世纪中遥感的6大发展趋势和GIS的5个发展特征。 关键词：发展趋势；航空航天遥感；地理信息系统；对地观测 中图法分类号：P208； 随着计算机技术、空间技术和信息技术的发展，人类实现了从空中和太空来观测和感知人类赖以生存的地球的理想，并能将所感知到的结果通过计算机网络在全球流通，为人类的生存、繁荣和可持续发展服务。在20世纪后半叶，遥感和地理信息系统作为一门新兴的科学和技术，迅速地成长起来。 1 遥感技术的主要发展趋势 航空航天遥感传感器数据获取技术趋向三多（多平台、多传感器、多角度）和三高（高空间分辨率、高光谱分辨率和高时相分辨率） 从空中和太空观测地球获取影像是20世纪的重大成果之一，短短几十年，遥感数据获取手段迅猛发展。遥感平台有地球同步轨道卫星（35000km）、太阳同步卫星（600—1000km）、太空飞船（200—300km）、航天飞机（240—350km）、探空火箭（200—1000km），并且还有高、中、低空飞机、升空气球、无人飞机等；传感器有框幅式光学相机、缝隙、全景相机、光机扫描仪、光电扫描仪、CCD线阵、面阵扫描仪、微波散射计雷达测高仪、激光扫描仪和合成孔径雷达等，它们几乎覆盖了可透过大气窗口的所有电磁波段。三行CCD阵列可以同时得到3个角度的扫描成像，EOS Terra卫星上的MISR可同时从9个角度对地成像。 卫星遥感的空间分辨率从Ikonos Ⅱ的1m，进一步提高到Quckbird（快鸟）的，高光谱分辨率已达到5—6nm，500—600个波段。在轨的美国EO-1高光谱遥感卫星，具有220个波段，EOS AM-1（Terra）和EOS PM-1（Aqua）卫星上的MODIS具有36个波段的中等分辨率成像光谱仪。时间分辨率的提高主要依赖于小卫星技术的发展，通过发射地球同步轨道卫星和合理分布的小卫星星座，以及传感器的大角度倾斜，可以以1—3d的周期获得感兴趣地区的遥感影像。由于具有全天候、全天时的特点，以及用INSAR和D-INSAR，特别是双天线INSAR进行高精度三位地形及其变化测定的可能性，SAR雷达卫星为全世界各国所普遍关注。例如，美国宇航局的长远计划是要发射一系列太阳同步和地球同步的长波SAR,美国国防部则要发射一系列短波SAR，实现干涉重访问间隔为8d、3d和1d，空间分辨率分别为20m、5m和2m。我国在机载和星载SAR传感器及其应用研究方面正在形成体系。“十五”期间，我国将全方位地推进遥感数据获取的手段，形成自主的高分辨率资源卫星、雷达卫星、测图卫星和对环境与灾害进行实时监测的小卫星群。 航空航天遥感对地定位趋向于不依赖地面控制 确定影像目标的实地位置（三维坐标），解决影像目标在哪儿（Where）是摄影测量与遥感的主要任务之一。在已成功用于生产的全自动化GPS空中三角测量的基础上，利用DGPS和INS惯性导航系统的组合，可形成航空/航天影像传感器的位置与姿态的自动测量和稳定装置（POS），从而可实现定点摄影成像和无地面控制的高精度对地直接定位。在航空摄影条件下的精度可达到dm级，在卫星遥感的条件下，其精度可达到m级。该技术的推广应用，将改变目前摄影测量和遥感的作业流程，从而实现实时测图和实时数据库更新。若与高精度激光扫描仪集成，可实现实时三维测量（LIDAR），自动生成数字表面模型（DSM），并可推算出数字高程模型（DEM）。 美国NASA在1994年和1997年两次将航天激光测高仪（SLA）安装在航天飞机上，企图建立基于SLA的全球控制点数据库，激光点大小为100m，间隔为750m，每秒10个脉冲；随后又提出了地学激光测高系统（GLAS）计划，已于2002年12月19日将该卫星IICESat（cloud and land elevation satellite）发射上天。该卫星装有激光测距系统、GPS接收机和恒星跟踪姿态测定系统。GLAS发射近红外光（1064nm）和可见绿光（532nm）的短脉冲（4ns）。激光脉冲频率为40次/s，激光点大小实地为70m，间隔为170m，其高程精度要明显高于SRTM，可望达到m级。他们的下一步计划是要在2015年之前使星载LIDAR的激光测高精度达到dm和cm级。 法国利用设在全球的54个站点向卫星发射信号，通过测定多普勒频移，以精确解求卫星的空间坐标，具有极高的精度。测定距地球1300km的Topex/Poseidon卫星的高度，精度达到±3cm。用来测定SPOT 4卫星的轨道，3个坐标方向达到±5cm精度，对于SPOT 5和Envisat，可望达到±1m精度。若忽略SPOT 5传感器的角元素，直接进行无地面控制的正射像片制作，精度可达到±15m，完全可以满足国家安全和西部开发的需求。 摄影测量与遥感数据的计算机处理更趋向自动化和智能化 从影像数据中自动提取地物目标，解决它的属性和语义（What）是摄影测量与遥感的另一大任务。在已取得影像匹配成果的基础上，影像目标的自动识别技术主要集中在影像融合技术，基于统计和基于结构的目标识别与分类，处理的对象既包括高分辨率影像，也更加注重高光谱影像。随着遥感数据量的增大，数据融合和信息融合技术逐渐成熟。压缩倍率高、速度快的影像数据压缩方法也已商业化。我国学者在这些方面取得了不少可喜的成果。 利用多时像影像数据自动发现地表覆盖的变化趋向实时化 利用遥感影像自动进行变化监测（What change）关系到我国的经济建设和国防建设。过去人工方法投入大，周期长。随着各类空间数据库的建立和大量新的影像数据源的出现，实时自动化监测已成为研究的一个热点。 自动变化监测研究包括利用新旧影像（DOM）的对比、新影像与旧数字地图（DLS）的对比来自动发现变化和更新数据库。目前的变化监测是先将新影像与旧影像（或数字地图）进行配准，然后再提取变化目标，这在精度、速度与自动化处理方面都有不足之处。笔者提出了把配准与变化监测同步的整体处理[1]。最理想的方法是将影像目标三维重建与变化监测一起进行，实现三维变化监测和自动更新。进一步的发展则是利用智能传感器，将数据处理在轨完成，发送回来的直接为信息，而不一定为影像数据。 摄影测量与遥感在构建“数字地球”、“数字中国”、“数字省市”和“数字文化遗产”中正在发挥愈来愈大的作用 “数字地球”概念是在全球信息化浪潮推进下形成的。1999年12月在北京成功地召开了第一届国际“数字地球”大会后，我国正积极推进“数字中国”和“数字省市”的建设，2001年国家测绘局完成了构建“数字中国”地理空间基础框架的总体战略研究。在已完成1∶100万和1∶25万全国空间数据库的基础上，2001年全国各省市测绘局开始1∶5万空间数据库的建库工作。在这个数据量达11TB的巨型数据库中，摄影测量与遥感将用来建设DOM（数字正射影像）、DEM（数字高程模型）、DLG（数字线划图）和CP（控制点数据库）。如果要建立全国1m分辨率影像数据库，其数据量将达到60TB。如果整个“数字地球”均达到1m分辨率，其数据量之大可想而知。本世纪内可望建成这一分辨率的数字地球。 “数字文化遗产”是目前联合国和许多国家关心的一个问题，涉及到近景成像、计算机视觉和虚拟现实技术。在近景成像和近景三位量测方面，有室内各种三维激光扫描与成像仪器，还可以直接由视频摄像机的系列图像获取目标场三维重建信息。它们所获取的数据经过计算机自动处理后，可以在虚拟现实技术支持下形成文化遗迹的三维仿真，而且可以按照时间序列，将历史文化在时间隧道中再现，对文化遗产保护、复原与研究具有重要意义。 全定量化遥感方法将走向实用 从遥感科学的本质讲，通过对地球表层（包括岩石圈、水圈、大气圈和生物圈4大圈层）的遥感，其目的是为了获得有关地物目标的几何与物理特性，所以需要通过全定量化遥感方法进行反演。几何方程式是有显式表示的数学方程，而物理方程一直是隐式。目前的遥感解译与目标识别并没有通过物理方程反演，而是采用了基于灰度或加上一定知识的统计、结构和纹理的影像分析方法。但随着对成像机理、地物波谱反射特征、大气模型、气溶胶的研究深入和数据积累，多角度、多传感器、高光谱及雷达卫星遥感技术的成熟，相信在21世纪，估计几何与物理方程式的全定量化遥感方法将逐步由理论研究走向实用化，遥感基础理论研究将迈上新的台阶。只有实现了遥感定量化，才可能真正实现自动化和实时化。 2 GIS技术的主要发展趋势 空间数据库趋向图形、影像和DEM三库一体化和面向对象[2] GIS发展曾经历过栅格、矢量两个不同数据结构发展阶段，目前随着高分辨率卫星遥感数据的飞快增长和数字地球、数码城市的需求，形成了面向对象的数据模型和三库（图形矢量库、影像栅格库和DEM格网库）一体化的数据结构。这样的数据库结构使GIS的发展更加趋向自然化、逼真化，更加贴近用户。以面向应用的GIS软件为前台，以大型关系数据库（Oracle 8i,9i等)为后台数据库管理，成为当前GIS技术的主流趋势。 空间数据表达趋向多比例尺、多尺度、动态多位和实时三维可视化 在传统的GIS中，空间数据是以二维形式存储并挂接相应的属性数据。目前，空间数据表达的趋势是基于金字塔和LOD（level of detail）技术的多比例尺空间数据库，在不同尺度表示时可自动显示出相应比例尺或相应分辨率的数据，多比例尺数据集的跨度要比传统地图的比例尺大，在显示不同比例尺数据时，可采用LOD或地图综合技术。真三维GIS的空间数据要存储三维坐标。动态GIS在土地变更调查、土地覆盖变化监测中已有较好的应用，真四维的时空GIS将有望从理论研究转入实用阶段。基于三库一体化的时空3D可视化技术发展势头迅猛，已能再PC机上实现GIS环境下的三维建筑物室外室内漫游、信息查询、空间分析、剖面分析和阴影分析等，基于虚拟现实技术的真三维GIS将使人们在现实空间外，可以同时拥有一个Cyber空间。 空间分析和辅助决策智能化需要利用数据挖掘方法从空间数据库和属性数据库中发现更多的有用知识 GIS是以应用导向的空间信息技术，空间分析与辅助决策支持是GIS的高水平应用，它需要基于知识的智能系统。知识的获取是专家系统中最困难的任务。随着各种类型数据库的建立，从数据库中挖掘知识成为当今计算机界一个非常引人注目的课题。从GIS空间数据库中发现的知识可以有效的支持遥感图像解译，以解决“同物异谱”和“同谱异物”的问题。反过来，从属性数据库中挖掘的知识又具有优化资源配置等一些列空间分析的功能[3]。尽管数据挖掘和知识发现这一命题仍处于理论研究阶段，但随着数据库的快速增大和对数据挖掘工具的深入研究，其应用前景是不可估量的。 通过Web服务器和WAP服务器的互联网和移动GIS将推进联邦数据库和互操作的研究及地学信息服务事业 随着计算机通讯网络（包括有线和无线网）的大容量和高速化，GIS已成为在网络上的分布式异构系统。许多不同单位、不同组织维护管理的既独立又互联互用的联邦数据库，将可提供全社会各行各业的应用需要。因此，联邦数据库和互操作（federal databases & interoperability）问题成为当前国际GIS联合研究的一个热点。互操作意味着数据库中数据的直接共享，GIS规律功能模块的互操作与共享，以及多点之间的相同工作，这方面的研究已显示出明显的成效。未来的GIS用户将可能在网络上缴纳为其需要所选用数据和软件功能模块的使用费，而不必购买这个数据库和整套的GIS软硬件，这些成果产生的直接效果是GIS应用将走向地学信息服务。 目前已兴起的LBS和MLS，即基于位置的服务和移动定位服务，突出地反映了这种变化趋势。它引起的革命性变化使GIS将走出研究院所和政府机关，成为全社会人人具备的信息服务工具。我国目前已有2亿个手机用户，若每人每月为MLS支付10元费用，全国一年的产值将达到240亿。可以预测在不久的将来，地学信息将能随时随地为任何人和任何事情进行4A服务（geo-in-formation for anyone and anything at anywhere and anytime）。 地理信息科学的研究有望在本世纪形成较完整的理论框架体系 笔者曾扼要地叙述了地球空间信息科学的7大理论问题[4]：（1）地球空间信息的基准，包括几何基准、物理基准和时间基准；（2）地球空间信息标准，包括空间数据采集、存储与交换标准、空间数据精度与质量标准、空间信息的分类与代码标准、空间信息的安全
浅议遥感技术在环境污染监测中的应用论文
1概述
随着我国经济的高速发展,环境污染和生态破坏日益严重,突发性环境污染事故也时有发生。环境监测作为环境管理和污染控制的主要手段之一,正在发挥不可替代的作用。但是,由于我国面积辽阔,地面环境监测网点分散,仅依靠现有的监测台站和传统监测技术方法不能满足连续、动态、宏观、快速监测环境污染的要求,也满足不了及时、准确地做出环境质量报告和污染预报的要求。因此,日益恶化的环境迫切需要实时、快速、宏观、准确的监测技术,以便更加全面准确地反映环境污染对生态系统和人体健康的影响。近年来国内外大量实践表明,遥感技术是获取环境信息的强有力手段,是实现这一目的的极其有效的技术。运用遥感技术监测环境污染及生态环境状况,正确评价环境质量,寻求改善生态环境的途径和措施,具有重要的意义。
遥感技术具有监测范围广、速度快、成本低,且便于进行长期的动态监测等优势,还能发现用常规方法往往难以揭示的污染源及其扩散的状态,因此遥感技术正广泛地应用于监测水污染、大气污染等环境问题。它不仅可以快速、实时、动态、省时省力地监测大范围的环境变化和环境污染,具有其它常规方法不可替代的优越性;也可实时、快速跟踪和监测突发环境污染事件的发生、发展,并及时制定处理措施,减少污染造成的损失。因此,发展我国的环境污染遥感监测技术,建立重大环境事故的预报、预警和应急响应系统,对保护我国环境及发展经济都具有重要作用,能产生巨大的社会、经济和环境效益。
2环境污染遥感监测技术
遥感技术是一种利用物体反射或辐射电磁波的固有特性,远距离不直接接触物体而识别、测量并分析目标物性质的技术。根据所利用的波段,遥感监测技术主要分为可见光、反射红外遥感技术,热红外遥感技术,微波遥感技术三种类型。当前,遥感的应用已深入到农业、林业、渔业、地理、地质、海洋、水文、气象、环境监测、地球资源勘探、城乡规划、土地管理、和军事侦察等诸多领域,从室内的工业测量到大范围的陆地、海洋、大气信息的采集以至全球范围的环境变化的监测。
遥感技术在环境污染监测中的应用发展很快,现在已可测出水体的叶绿素含量、泥沙含量、水温、水色;可测定大气气温、湿度、CO、NOx、CO2、O3、ClOx、CH4等主要污染物的浓度分布;可测定固体废弃物的堆放量、分布及其影响范围等,还可对环境污染事故进行遥感跟踪调查,预报事故发生点、污染面积、扩散程度及方向,估算污染造成的损失并提出相应的对策。近几年来,随着全球环境问题日益突出,具有全球覆盖、快速、多光谱、大信息量的遥感技术已成为全球环境变化监测中一种主要的技术手段。国际上相继提出了一系列的全球环境遥感监测计划,其中主要有美国宇航局(NASA)的对地观测计划(EOS)、欧空局的对地观测计划和日本的对地观测计划等。这些计划将极大地推动环境遥感技术的实用化和遥感技术的发展。
3遥感在环境监测中的应用
水环境污染遥感监测
对水体的遥感监测是以污染水与清洁水的反射光谱特征研究为基础的。总的看来,清洁水体反射率比较低,水体对光有较强的吸收性能,而较强的分子散射性仅存在于光谱区较短的谱段上。故在一般遥感影像上,水体表现为暗色色调,在红外谱段上尤其明显。为了进行水质监测,可以采用以水体光谱特性和水色为指标的遥感技术。
遥感监测视野开阔,对大面积范围里发生的水体扩散过程容易通览全貌,观察出污染物的排放源、扩散方向、影响范围及与清洁水混合稀释的特点。从而查明污染物的来龙去脉,为科学地布设地面水样监测提供依据。在江河湖海各种水体中,污染物种类繁多。为了便于遥感方法研究各种水污染,习惯上将其分为泥沙污染、石油污染、废水污染、热污染和水体富营养化等几种类型。
大气污染遥感监测
大气遥感是利用遥感器监测大气结构、状态及变化。大气遥感器除了测量气温、水蒸汽、大气中的微量成分气体、气溶胶等的三维分布以外,还用来进行风的测量及地球辐射收支的测量等。
影响大气环境质量的主要因素是气溶胶含量和各种有害气体。这些物理量通常不可能用遥感手段直接识别。水汽、二氧化碳、臭氧、甲烷等微量气体成分具有各自分子所固有的辐射和吸收光谱,所以,实际上是通过测量大气的散射、吸收及辐射的光谱而从其结果中推算出来的。通过对穿过大气层的太阳(月亮、星星)的直射光,来自大气和云的散射光,来自地表的反射光,以及来自大气和地表的热辐射进行吸收光谱分析或发射光谱分析,从而测量它们的光谱特性来求出大气气体分子的密度。测量中所利用的电磁波的光谱范围很宽,从紫外、可见、红外等光学领域一直扩展到微波、毫米波等无线电波的领域。大气遥感器分为主动式和被动式,主动方式中有代表性的遥感器是激光雷达,被动式遥感器有微波辐射计、热红外扫描仪等。
4国内发展现状
我国环境污染遥感监测技术发展和应用的主要问题有:①环境污染遥感监测系统和技术方法基本上处于起步阶段。虽然我国的遥感理论、技术和应用发展很快,但与国外相比差距甚大,在环境污染监测中的应用基本还没有开展起来,目前在全国范围内基本上没有建立起环境遥感的监测体系与系统。②对于环境监测而言,传感器的技术性能要求较高,不仅要求传感器能提供高分辨率的探测,而且要求具有全天候、全天时、大范围、多谱段和灵敏度高的特点,这样才能满足环境污染动态、实时、多样的监测需求。当前所用的高分辨率传感器基本上依靠进口,在地面和飞机上测量化学成分的遥感技术还处于实验室的摸索阶段,而在环境污染监测中的应用基本空白。③遥感信息源缺乏。目前我国尚未发射自己的环境污染监测遥感卫星,遥感信息源主要来自于国外的相关卫星资料。同时国际上用于环境监测的遥感商业卫星寥寥无几,从而客观上制约了我国环境遥感监测技术和应用水平的发展。④新型遥感技术在环境污染监测上应用的理论和方法有待探索和发展,缺少环境污染遥感监测体系与系统。
5结论与展望
目前,遥感技术正从单一遥感资料的分析,向多时相、多数据源(包括非遥感资料数据)的信息复合与综合分析过渡;从资源环境静态分布研究,向动态过程监测过渡;从动态监测,向预测、预报过渡;从定性调查、系列制图,向计算机辅助的.数字处理、定量自动制图过渡;从对各种事物的表面性的描述,向内在规律分析、定量化分析过渡。就环境污染遥感监测技术而言,有待于在以下几方面加强研究:
(1)利用环境污染遥感监测技术,建立突发性环境污染事故的实时监测和预警系统。通过集成多种遥感传感器,并结合地面环境监测网站的监测数据,进行多环境参数的自动监测,并实时监测各种指标的时空变化趋势,以便在某些指标刚刚接近警戒线时预报可能出现的危机,确定环境污染事故所在的空间位置,并提供其空间影响范围的模拟和模型方法,为突发性事故管理决策提供信息,实现连续、自动监测和总量控制。如利用环境污染遥感监测技术,通过建立城市大气环境质量预测预报系统,可以对城市大气环境质量状况进行预报,并对可能发生的大气污染事件提出预警。
(2)高性能传感器的研制。重点发展能够选择监测某种或某类优先污染物(如氯苯和硝基苯等)浓度的遥感器。
(3)研制环境污染物的定量遥感监测技术。如利用水面反射光谱测量与水质参数进行回归分析,建立某一谱段上光谱反射率与某些水质参数的函数关系式。一般来说,水质参数中的透明度、固体悬浮物浓度、叶绿素含量和水面混浊度与光谱反射率或卫星影像的密度值之间往往存在比较明显的对应关系。
(4)将环境污染遥感监测技术与GIS(地理信息系统)、GPS(全球定位系统)、ES(专家系统)技术集成。利用环境污染遥感监测集成系统,可以大大提高环境监测的科学性、合理性及智能化程度,从而大大扩展环境监测的应用范围。集成技术应用于环境污染遥感监测中的优越性具体体现如下:遥感监测技术为集成系统提供正确、迅速、宏观的环境污染监测数据,GIS可利用其强大的空间信息管理功能,建立各类有毒、有害、易燃、易爆物质的理化特性数据库,有关自然、经济、社会、生态环境数据库和图形库及模型库,同时可结合地面监测数据,经由GPS提供的精确位置信息,在ES技术支持下对监测数据进行有效的管理、分析和计算并将综合数据以直观、形象的图形化方式输出或显示出来,从而使环境管理者迅速了解和掌握各类突发事故的多发地带、发生频率、潜在事故发生源的时空分布、事故发生后污染物的影响范围及时空变化,更好地实现事故的预防、应急处置和灾后恢复。
当前,我国环境污染遥感监测技术应依托我国的对地观测技术和对地观测系统的发展计划,同时充分利用国际上资源环境卫星系统,开展广泛的国际合作和交流,大力发展我国的环境污染遥感监测技术,并充分利用现有的环境监测网点和常规监测方法,采用遥感技术与地面监测相结合的方法,建立我国的环境污染遥感监测系统。
遥感原理与应用第一章 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、绝对黑体 6、绝对白体7、灰体 8、绝对温度 9、辐射温度 10、光谱辐射通量密度 11、大气窗口12、发射率 13、热惯量 14、热容量 15、光谱反射率 16、光谱反射特性曲线 填空题：1、电磁波谱按频率由高到低排列主要由 、 、 、 、 、 、 等组成。2、绝对黑体辐射通量密度是 和 的函数。3、一般物体的总辐射通量密度与 和 成正比关系。4、维恩位移定律表明绝对黑体的 乘 是常数。当绝对黑体的温度增高时，它的辐射峰值波长向 方向移动。5、大气层顶上太阳的辐射峰值波长为 μm选择题：(单项或多项选择)1、 绝对黑体的 ①反射率等于1 ②反射率等于0 ③发射率等于1 ④发射率等于0。2、 物体的总辐射功率与以下那几项成正比关系 ①反射率 ②发射率 ③物体温度一次方 ④物体温度二次方 ⑤物体温度三次方 ⑥物体温度四次方。3、 大气窗口是指 ①没有云的天空区域 ②电磁波能穿过大气层的局部天空区域 ③电磁波能穿过大气的电磁波谱段 ④没有障碍物阻挡的天空区域。4、 大气瑞利散射①与波长的一次方成正比关系 ②与波长的一次方成反比关系 ③与波长的二次方成正比关系 ④与波长的二次方成反比关系 ⑤与波长的四次方成正比关系 ⑥与波长的四次方成反比关系 ⑦与波长无关。5、 大气米氏散射 ①与波长的一次方成正比关系 ②与波长的一次方成反比关系 ③与波长无关。问答题：1、 电磁波谱由哪些不同特性的电磁波组成？它们有哪些不同点，又有哪些共性？2、 物体辐射通量密度与哪些因素有关？常温下黑体的辐射峰值波长是多少？3、 叙述沙土、植物和水的光谱反射率随波长变化的一般规律。4、 地物光谱反射率受哪些主要的因素影响？5、 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。6、 传感器从大气层外探测地面物体时，接收到哪些电磁波能量？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6、近地点角距 7、地心直角坐标系 8、大地地心直角坐标系 9、卫星姿态角10、开普勒第三定理 11、重复周期 12、近圆形轨道 13、与太阳同步轨道14、近极地轨道 15、偏移系数 16、GPS 17、ERTS_1 18、LANDSAT_1 19、SPOT 20、IRS 21、CBERS 22、ZY_1 23、Space Shuttle 24、MODIS 25、IKONOS 26、Quick Bird 27、Radarsat 28、ERS 29、小卫星填空题：1、遥感卫星轨道的四大特点 。2、卫星轨道参数有 。3、卫星姿态角是 。4、遥感平台的种类可分为 、 、 三类。5、卫星姿态角可用 、 、 等 方法测定。6、与太阳同步轨道有利于 。7、LANDSAT系列卫星带有TM探测器的是 ；带有TM探测器的是 。8、SPOT系列卫星可产生异轨立体影像的是 ；可产生同轨立体影像的是 。9、ZY-1卫星空间分辨率为 。10、美国高分辨率民用卫星有 。11、小卫星主要特点包括 。12、可构成相干雷达影像的欧空局卫星是 。选择题：(单项或多项选择)1、 卫星轨道的升交点和降交点是卫星轨道与地球①黄道面的交点②地球赤道面的交点③地球子午面的交点。2、 卫星与太阳同步轨道指①卫星运行周期等于地球的公转周期②卫星运行周期等于地球的自转周期③卫星轨道面朝向太阳的角度保持不变。3、 卫星重复周期是卫星①获取同一地区影像的时间间隔②经过地面同一地点上空的间隔时间③卫星绕地球一周的时间。4、 以下哪种仪器可用作遥感卫星的姿态测量仪①AMS②TM③HRV④GPS⑤星相机。5、 问答题：1、 根据Landsat-1的运行周期，求该卫星的轨道高度。2、 根据Landsat-4/5的运行周期、重复周期和偏移系数，通过计算排出其轨道（赤道处）的分布图。3、 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。4、 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。5、 获得传感器姿态的方法有哪些？简述其原理。6、 简述遥感平台的发展趋势。7、 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、探测器 3、致冷器 4、红外扫描仪 5、多光谱扫描仪6、推扫式成像仪 7、成像光谱仪 8、瞬时视场 9、MSS 10、TM 11、HRV 12、SAR 14、INSAR 15、CCD 16、真实孔径侧视雷达17、合成孔径侧视雷达18、全景畸变 19、动态全景畸变 20、 静态全景畸变 21、距离分辨率22、方位分辨率23、雷达盲区24、角隅反射 25、粗加工产品 26、精加工产品27、多中心投影 28、多中心斜距投影填空题：1、MODIS影像含有 个波段,其中250米分辨率的包括 波段。2、RADARSAT-1卫星空间分辨率最高可达 ,共有 种工作模式。3、多极化的卫星为 。4、目前遥感中使用的传感器大体上可分为 等几种。5、遥感传感器大体上包括 几部份。6、MSS成像板上有 个探测单元;TM有 个探测单元。7、LANDSAT系列卫星具有全色波段的是 ,其空间分辨率为 。8、利用合成孔径技术能堤高侧视雷达的 分辨率。9、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。10、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。2、 全景畸变引起的影像比例尺变化在Y方向①与COSθ成正比②与COSθ成反比③与COS²θ成正比④与COS²θ成反比。3、 TM专题制图仪有① 4个波段②6个波段③7个波段④9个波段。4、 TM专题制图仪每次同时扫描①6条扫描线②12条扫描线③16条扫描线④20条扫描线。5、 HRV成像仪获得的影像①有全景畸变②没有全景畸变。6、 SPOT卫星获取邻轨立体影像时，HRV中的平面镜最大可侧旋①10º②16º③27º④32º。7、真实孔径侧视雷达的距离分辨率与①天线孔径有关②脉冲宽度有关③发射的频率有关。7、 径侧视雷达的方位分辨率与①天线孔径有关②天线孔径无关③斜距有关④斜距无关。问答题：1、叙述侧视雷达图像的影像特征2、MSS、TM、ETM+影像各有何特点？3、有哪几种方法可以获得多光谱摄影影像？4、对物面扫描的成像仪为什么会产生全景畸变？扫描角为θ时的影像的畸变多大？5、叙述Landsat-1上的MSS多光谱扫描仪获取全球（南北纬度81°之间）表面影像的过程。6、TM专题制图仪与MSS多光谱扫描仪有何不同？7、SPOT卫星上的HRV推扫式扫描仪与TM专题制图仪有何不同？8、侧视雷达影像的分辨力、比例尺、投影性质和投影差与中心投影航空或航天像片影像有何不同？9、侧视雷达为什么要往飞机侧方发射脉冲并接收其回波成像？如果向飞机或卫星正下方发射脉冲并接收回波成像会是什么情景？10、简述INSAR测量高程的基本原理。第四章 遥感图像数字处理的基础知识名词解释：1、光学影像 2、数字影像 3、空间域图像 4、频率域图像 5、图像采样6、灰度量化7、BSQ 8、BIL 9、BMP 10、TIFF 11、ERDAS 12、PCI 13、3S集成填空题：1、光学图像是一个 函数。2、数字图像是一个 函数。3、光学图像转换成数字影像的过程包括 等步骤。4、图像数字化中采样间隔取决于图像的 ，应满足 （公式）。5、一般图像都由不同的 、 、 、 的周期性函数构成。6、3S集成一般指 、 和 的集成。选择题：(单项或多项选择)1、 数字图像的①空间坐标是离散的，灰度是连续的②灰度是离散的，空间坐标是连续的③两者都是连续的④两者都是离散的。2、 采样是对图像①取地类的样本②空间坐标离散化③灰度离散化。3、 量化是对图像①空间坐标离散化②灰度离散化③以上两者。4、 图像数字化时最佳采样间隔的大小①任意确定②取决于图像频谱的截止频率③依据成图比例尺而定。5、 图像灰度量化用6比特编码时，量化等级为①32个②64个③128个④256个。6、 BSQ是数字图像的①连续记录格式②行、波段交叉记录格式③象元、波段交叉记录格式。问答题：1、 叙述光学影像与数字影像的关系和不同点。2、 怎样才能将光学影像变成数字影像。3、 叙述空间域图像与频率域图像的关系和不同点。4、 叙述储存遥感图像有哪几种方法，列举2—3种数字图像存储格式，并说明其特点。5、叙述3S集成的形式和作用。第五章 遥感图像几何处理名词解释：1、 共线方程2、外方位元3、像点位移4、几何变形5、几何校正6、粗加工处理7、精加工处理8、多项式纠正9、间接法纠正10、直接法纠正11、灰度重采样12、最邻近像元重采样13、双线性内插14、双三次卷积15、图像配准16、数字镶嵌17、数字地面模型18、正射影像19、地理编码图象 20、DEM填空题：1、 分别写出中心投影，推扫式传感器（旁向，航向倾斜），扫描式传感器的共线方程表达式 ， ， ， 。2、 遥感图像的变形误差可以分为 和 ，又可以分为 和 。3、 外部误差是指在 处于正常的工作状态下，由 所引起的误差。包括 ， ， ， 等因素引起的变形误差。4、 传感器的六个外方位元素中 的变化对图像的综合影响使图像产生线性变化，而 使图像产生非线性变形。 5、 地球自转对于多中心投影影像产生像点位移在 方向上，位移量bb’= 。6、 TM卫星图像的粗纠正使用的参数有 ， ， ， 纠正的变形有 ， 。7、 遥感图像几何纠正的常用方法有 ， ， 。8、 多项式拟合法纠正中，项数N与其阶数n的关系 。9、 多项式拟合法纠正中，一次项纠正 ，二次项纠正 ，三次项纠正 。10、项式拟合法纠正中控制点的要求是 ， ， 。11、多项式拟合法纠正中控制点的数量要求，一次项最少需要 个控制点，二次项最少项需要 个控制点，三次项最少需要 个控制点。12、SPOT图像采用共线方程纠正时需要 ，有 未知参数，最少需要 个控制点。13、常用的灰度采样方法有 ， ， 。14、数字图象配准的方式有 ， 。15、数字图像镶嵌的关键 ， ， 。16、在姿态角都为0的情况下，中心投影像片的投影差为 ，推扫式影像（HRV）的投影差为 ，扫描仪影像（MSS）的投影差 ，侧视雷达影像（SAR）的投影差 。17、灰度采样中，双线性内插的权矩阵采用 函数求取， 双三卷积的权矩阵采用 函数求取。选择题：(单项或多项选择)1、 垂直航线方向距离越远比例尺越小的影像是①中心投影影像②推扫式影像（如SPOT影像）③逐点扫描式影像（如TM影像）④真实孔径侧视雷达影像。2、 垂直航线方向距离越远比例尺越大的影像是①中心投影影像②推扫式影像（如SPOT影像）③逐点扫描式影像（如TM影像）④真实孔径侧视雷达影像。3、 真实孔径天线侧视雷达影像上高出地面的物点其象点位移（投影差）①向底点方向位移②背向底点方向位移③不位移。4、 逐点扫描式影像（如TM影像）上高差引起的像点位移（投影差）发生在①像底点的辐射方向②扫描方向。5、 多项式纠正用一次项时必须有①1个控制点②2个控制点③3个控制点④4个控制点。6、 多项式纠正用二次项时必须有①3个控制点②4个控制点③5个控制点④6个控制点。7、 多项式纠正用一次项可以改正图像的①线性变形误差②非线性变形误差③前两者。8、 共线方程的几何意义是在任何情况下①像主点、像底点和等角点在一直线上②像点、物点和投影中心在一直线上③ 主点、灭点和像点在一直线上。问答题：1． 叙述中心投影的航空像片,MSS多光谱扫描仪影像,SPOT的HRV推扫式影像和真实孔径侧视雷达图像的几何特征。2． 列出中心投影影像、推扫式影像（旁向和航向）、逐点扫描影像和侧视雷达影像的构像方程和共线方程表达式。3． 列出中心投影影像、推扫式影像、逐点扫描影像和侧视雷达影像的投影差公式，并说明投影差产生的像点位移各自不同点。4. 已知中心投影影像姿态产生的变形误差公式为推导出推扫式影像、逐点扫描影像和侧视雷达影像的像点位移公式。5． 叙述最邻近法、双线性内插、双三次卷积重采样原理（可作图说明）和优缺点。6． 两幅影像进行数字镶嵌应解决哪些关键问题？解决的基本方法是什么？7． 叙述多项式拟合法纠正卫星图像的原理和步骤。8． 多项式拟合法选用一次项、二次项和三次项，各纠正遥感图像中的哪些变形误差？9． 多项式拟合法平差后精度应控制在什么范围内？超限了怎么办？10．叙述共线方程法纠正SPOT卫星图像的原理和步骤。11．在几何纠正的重采样中，内插像元4*4图像亮度值矩阵为：在间接法纠正过程中，某地面点反算到原始像点的坐标值为（ ,）,利用最邻近法和双线性内插法求像点的亮度值。12．叙述数字图像镶嵌的过程。13．画出各个外方位元素变化引起的图形变化情况第六章 遥感图像辐射处理名词解释：1、辐射误差2、辐射定标3、大气校正4、图像增强 5、图像直方图 6、假彩色合成 7、密度分割 8、真彩色合成 9、假彩色合成 10、伪彩色图像 11、图像平滑 12、图像锐化 13、边缘检测 14、低通滤波 15、高通滤波 17、图像融合 18、直方图正态化 19、梯度算子 20、线性拉伸 21、拉氏算子 22、直方图均衡 23、邻域法处理 填空题：1、辐射传输方程可以知道，辐射误差主要有 ， ， 。2、常用的图像增强处理技术有 ， 。3、增强的常用方法有 ， ， ， ， ， ， 等。子4、直方图均衡效果 ， ， 。5、3*3的拉普拉斯算子 。6、图像平滑和锐化的关系 。 7、NDVI= 。8、图像融合的层次 ， ， 。9、HIS中的H指 ，I指 ， S指 。 图像融合的常用算法 ， ， ， ， 等。选择题：(单项或多项选择)1、 图像增强的目的① 增加信息量②改善目视判读效果。2、 图像增强①只能在空间域中进行②只能在频率域中进行③可在两者中进行。3、 从图面上看直方图均衡后的效果是①增强了占图面面积小的灰度(地物)与周围地物的反差②减弱甚至于淹没了占图面面积小的灰度(地物)与周围地物的反差③增强了占图面面积大的灰度(地物)与周围地物的反差④减弱占图面面积大的灰度(地物)与周围地物的反差。4、 标准假彩色合成(如TM4、3、2合成)的卫星影像上大多数植被的颜色是①绿色②红色③蓝色。5、 图像边缘增强采用①低通滤波②高通滤波。6、 消弱图像噪声采用①低通滤波②高通滤波。7、 图像融合前必须先进行①图像配准②图像增强③图像分类。8、 图像融合①必须在相同分辨率图像间进行②只能在同一传感器的图像间进行③可在不同分辨率图像间进行④可在不同传感器的图像间进行⑤只限于遥感图像间进行⑥可在遥感图像和非遥感图像间进行。 问答题：10、 根据辐射传输方程，指出传感器接收的能量包含哪几方面，辐射误差及辐射误差纠正内容是什么，11、 简述遥感数字影像增强处理的目的，例举一种增强处理方法，说明其原理和步骤。12、 什么是遥感图像大气校正？为什么要进行遥感图像大气校正？请以多光谱扫描仪（MSS）资料为例，说明大气校正的原理和方法。13、 以美国陆地卫星TM图像的波段为例，分别说明遥感图像的真彩色合成与假彩色合成方案。与真彩色合成图像相比，假彩色合成图像在地物识别上有何优越性？14、 叙述美国陆地卫星ETM图像分辨率30米的5、4、3波段影像与分辨率15米的全色影像进行融合的步骤和方法。15、 说明以下直方图的影像特征。第七章 遥感图像判读名词解释：1、遥感图像判读 2、景物特征 3、判读标志 4、几何分辨率 5、辐射分辨率6、光谱分辨率 7、时间分辨率 8、波谱响应曲线 9、热阴影 10、冷阴影11、雷达盲区 12、角隅反射 13、体散射 14、影像几何特性 15、影像辐射特性16、 地物光谱特征 17、地物空间特征 18、地物时间特征填空题：1、遥感图像信息提取中使用的景物特征有 。2、遥感图像空间特征的判读标志主要有 等。3、传感器特性对判读标志影响最大的是 等。4、光谱分辨率根据 三项指标来判定。5、热红外图像上的亮度与地物的 和 有关， 比 影响更大。6、 侧视雷达图像上的亮度变化与 等有关。选择题：(单项或多项选择) 1、 遥感图像的几何分辨率指 ①象元相应地面的宽度 ②传感器瞬时视场内观察到地面的宽度 ③能根据光谱特征判读出地物性质的最小单元的地面宽度。2、 热红外图像是 ①接收地物反射的红外光成的像 ②接收地物发射的红外光成的像。3、 热红外图像上的亮度与地物的 ①反射率大小有关 ②发射率大小有关 ③反射太阳光中的红外光强度有关 ④温度高低有关。4、 侧视雷达图像垂直飞行方向的比例尺 ①离底点近的比例尺大 ②离底点远的比例尺大 ③比例尺不变。问答题：1、 遥感图像判读主要应用景物的哪些特征？2、 何为传感器的空间分辨率、辐射分辨率、光谱分辨率？3、 叙述TM多光谱图像的几何特征和辐射特征。4、 叙述地物光谱特性曲线与波谱响应曲线之间的关系和不同点？（可作图说明）5、 举例说明为什么多光谱图像比单波段图像能判读出更多的信息？6、 叙述热红外图像的几何特征和辐射特征。7、 叙述侧视雷达图像的几何特征和辐射特征。第八章 遥感图像自动识别分类名词解释：1、模式识别 2、遥感图像自动分类了 3、统计模式识别 4、结构模式识别5、光谱特征向量 6、特征空间 7、特征变换 8、特征选择 9、主分量变换10、哈达玛变换 11、穗帽变换 12、生物量指标变换 13、标准化距离14、类间离散度15、类间离散度16、类内离散度17、判别函数18、判别边界19、监督法分类20、非监督法分类21、条件概率22、先验概率23、后验概率24、贝叶斯判别规则25、马氏距离26、欧氏距离27、计程距离28、错分概率29、训练样区 30、最大似然法分类 31、最小距离法分类32、ISODATA法分类33、混淆矩阵填空题：1、遥感图像上的地物在特征空间聚类的一般特点是 等。2、特征变换在遥感图像分类中的作用是 。3、遥感图像特征变换的主要方法有 等。4、特征选择的目的是 。5、标准化距离的公式 。6、马氏距离公式 ，欧氏距离公式 ，计程距离公式 。7、最大似然法分类判别函数 。8、分类后处理主要包括 ， 。选择题：(单项或多项选择)1、 同类地物在特征空间聚在①同一点上②同一个区域③不同区域。2、 同类地物在特征空间聚类呈①随机分布②近似正态分布③均匀分布。3、 标准化距离大可以说明①类间离散度大，类内离散度也大②类间离散度小，类内离散度大③类间离散度大，和/或类内离散度小④类间离散度小，类内离散度也小。4、 监督分类方法是①先分类后识别的方法②边学习边分类的方法③人工干预和监督下的分类方法。5、 两类地物的最大似然法分类判别边界在①两类地物分布概率相等处②两类地物均值的中值位置③其中一类地物分布概率的最大处。6、 ISODATA法分类的样区①尽量选在同一类别中②尽量包含所需识别的类别③类别是已知的④类别是未知的。问答题：1、 什么叫特征空间？地物在特征空间聚类有哪些特性？2、 作图并说明遥感影像主分量变换的原理和它在遥感中的主要作用。3、 叙述生物量指标变换的原理及其作用。4、 为什么要进行特征选择？列举几种特征选择的主要方法和原理。5、 叙述监督分类与非监督分类的区别。6、 叙述最大似然法分类原理及存在的缺点。7、 叙述最小距离法分类的原理和步骤。8、 叙述ISODATA法非监督分类的原理和步骤。9、 叙述图像增强中的平滑处理与分类后的平滑处理的异同点。10、述改善仅用光谱特征的统计模式识别自动分类的主要方法和基本原理。11、评价以下的混淆矩阵，并求出平均可信度和加权可信度。类 别 1 2 3 4 5 12345其它类 象元数 135 276 463 178 30512、根据下图中两类地物在一维特征空间中的分布，画出最大似然法、最小距离法的判别边界并分析和比较它们的错分概率。第九章 遥感技术的应用名词解释：1、卫星影像地图 2、DRG 3、DLG 4、GIS 5、同轨立体影像 6、邻轨立体影像 7、沙尘暴 8、海洋赤潮 9、地质构造 10、植被指数 11、森林立地条件12、臭氧空洞 13、土壤侵蚀 14、遥感考古 15、蓝冰填空题：1、 利用遥感图像修测地形图，修测的主要内容有 等。2、遥感图像制作影像图时控制点来源有 等。3、森林立地因子包括 等。4、多时遥感影像监测冰川流速的步骤是 等。选择题：(单项或多项选择) 1、 分辨率30米的TM影像，按规范要求的平面精度（图上），适合制作哪种比例尺的影像图 ①1：10000 ②1：100000 ③1：500000。2、 按规范要求的平面精度制作卫星影像图，选控制点用的地形图比例尺，应比影像图的比例尺 ①大一个等级 ②小一个等级。问答题：1、 举例说明制作不同比例尺卫星影像地图时怎样选择遥感图像？2、 叙述遥感监测南极冰川流速和流量的基本方法。3、 中国南方草场三级分类的内容是什么？TM影像可能提取出哪些信息？4、 叙述遥感调查中国南方草场资源的基本方法。5、 叙
会议吧，国际会议比较快
这个我知道，您是要发表EI期刊吗？我们可以的
1、Small Methods：一本综合性sci期刊，最新IF=，收录范围：材料科学、生物医学、化学和物理等各个领域的纳米级和微米级的研究方法的重大进展，比如X射线、电子衍射、层析成像方法、扫描探针技术、波长色散X射线能谱、扫描隧道显微镜、单细胞方法、基因编辑等等。
2、International Journal of Molecular Sciences：最新IF=，收录范围：分子相关的科学研究，包括生物学、化学和医学领域的基础研究、实验技术研究、理论研究等。
3、Cell Proliferation：最新IF=，主要接收干细胞，再生医学，组织工程，细胞周期控制，细胞衰老，细胞死亡，数学建模等领域的研究。
4、Npj Breast Cancer：最新IF=6，收录任何和乳腺癌相关的主题，包括乳腺癌的影像学、免疫疗法、疾病的分子分类、信号通路、遗传易感性和分子流行病学在内的致癌作用、转移机制、肿瘤微环境等等。
5、Frontiers in Cell and Developmental Biology：最新IF=，主要接收分子医学、分子与细胞肿瘤学、细胞生长分裂、细胞存活与凋亡、细胞生物化学、细胞粘附和迁移、表观遗传学、表观基因组学、干细胞研究、线粒体研究、进化发育生物学等13个相关领域的学术论文。
6、BIOCHEMICAL AND BIOPHYSICAL RESEARCH COMMUNICATIONS (BBRC)：最新IF=，大家熟悉的研究生之友。
审核比较快的期刊，这个其实没有多快的，都是比较慢的，都是在3-4个月左右，慢的有的得5-6个月，也是有的。快的可能是2个月吧。这个也没有一个期刊名单说哪个期刊审核比较快，不是说二区三区的就审核慢，四区的就审核快，不一定的，不同的刊物不一样的。如果你着急发表，去淘淘论文网上看下，那边有一些可以相对快一点发表，也只是相对快而已。