卫星遥感图像识别方法
遥感图像中的目标检测与识别
遥感图像中的目标检测与识别第一章引言1.1 研究背景遥感图像是通过人造卫星或无人机等设备获取的地面图像数据，具有广泛的应用领域，如农业、城市规划、环境监测等。
然而，由于遥感图像中的数据量庞大，人类无法直接分析和处理，因此需要借助计算机算法进行目标检测与识别。
1.2 研究意义目标检测与识别在遥感图像中具有重要的应用价值。
通过准确地识别和定位遥感图像中的目标，可以帮助农民进行精准农业管理，提高作物产量；可以为城市规划提供数据支持，促进城市可持续发展；可以监测环境变化，及时发现异常情况等。
第二章遥感图像目标检测方法2.1 基于特征的目标检测方法基于特征的目标检测方法是最经典的方法之一。
常用的特征包括颜色、纹理、形状等。
通过提取图像的特征，然后使用分类算法进行目标检测。
2.2 基于深度学习的目标检测方法随着深度学习算法的快速发展，基于深度学习的目标检测方法在遥感图像中得到广泛应用。
典型的方法包括Faster R-CNN、YOLO等。
这些方法通过深度神经网络对图像进行特征提取和目标定位，具有较高的准确率和检测速度。
第三章遥感图像目标识别方法3.1 基于模板匹配的目标识别方法基于模板匹配的目标识别方法是最简单直接的方法之一。
该方法将目标样本与遥感图像进行匹配，找到最匹配的目标位置。
然而，由于遥感图像中目标的变化多样性，该方法容易受到光照、角度等因素的影响，识别效果有限。
3.2 基于机器学习的目标识别方法基于机器学习的目标识别方法可以通过训练分类器来识别遥感图像中的目标。
常用的机器学习算法包括支持向量机、随机森林等。
这些方法通过训练大量的样本数据，从中学习目标的特征，然后进行目标识别。
3.3 基于深度学习的目标识别方法基于深度学习的目标识别方法在目标识别领域取得了巨大的进展。
通过使用深度神经网络进行特征提取和目标分类，可以实现准确的目标识别。
典型的方法包括卷积神经网络、残差神经网络等。
第四章遥感图像目标检测与识别应用案例4.1 农业领域的应用通过遥感图像的目标检测与识别，可以帮助农民进行农田的精准管理。
遥感图像中的目标检测与识别
遥感图像中的目标检测与识别遥感图像是通过航空器、卫星等远距离传感器获取的地球表面信息的图像。
随着遥感技术的不断发展，遥感图像已经成为了获取地球表面信息最重要的手段之一。
在众多应用中，目标检测与识别是遥感图像处理中最为重要和具有挑战性的任务之一。
目标检测与识别在军事、环境监测、城市规划等领域具有广泛应用，对于提高生产效率和资源利用率具有重要意义。
目标检测与识别是指在遥感图像中自动地找到并判断出特定目标物体并进行分类和识别。
由于地球表面信息十分庞大且复杂多样，传统手动分析方法已经无法满足对大规模数据进行高效处理和分析的需求。
因此，自动化处理技术成为了解决这一问题的关键。
在过去几十年里，研究者们提出了许多不同方法来解决遥感图像中目标检测与识别问题。
其中最常用且最成功的方法之一是基于机器学习算法的方法。
机器学习是一种通过从数据中学习模式和规律来进行预测和决策的方法。
在遥感图像中，机器学习方法通过学习目标物体的特征和上下文信息，来判断图像中是否存在目标物体，并进行分类和识别。
常用的机器学习算法包括支持向量机(SVM)、决策树、随机森林等。
除了机器学习算法，深度学习技术也在遥感图像目标检测与识别中取得了巨大的突破。
深度学习是一种模仿人脑神经网络结构进行模式识别和决策的方法。
与传统机器学习算法相比，深度学习具有更强大的模式识别能力，并且能够自动从大规模数据中提取特征。
在遥感图像处理中，深度学习可以通过卷积神经网络(CNN)等结构来自动提取目标物体的特征，并进行分类和识别。
除了算法方法，在遥感图像目标检测与识别中还存在一些挑战。
首先是数据量庞大且复杂多样。
地球表面信息非常庞大且复杂多样，遥感图像处理需要处理海量的数据，并从中提取出有效的特征。
其次是目标物体的多尺度和多角度。
遥感图像中目标物体往往具有不同尺度和角度，需要对图像进行多尺度和多角度的处理。
再次是遥感图像中的噪声和干扰。
由于遥感图像是通过远距离传感器获取，其受到了大气、云层、地表反射等因素的干扰，需要进行噪声和干扰的去除。
卫星遥感影像的目标检测与识别
卫星遥感影像的目标检测与识别一、卫星遥感技术卫星遥感技术是利用卫星对地球进行非接触式观测和测量的一种技术，是遥感技术领域的重要分支。
卫星遥感技术可以获取到大面积、连续性的、多时相的地表影像数据，可应用于农业、地质、环境、城市规划等领域。
二、卫星遥感影像目标检测目标检测是指在图像中自动检测出特定目标的过程。
在卫星遥感影像中，常见的目标包括建筑物、道路、车辆、水体等。
卫星遥感影像目标检测的目的在于快速、准确地提取出地表上的特定目标信息，以便后续分析和应用。
卫星遥感影像目标检测的方法可以分为传统算法和深度学习算法两种。
传统算法主要包括基于像素的方法、基于纹理特征的方法和基于形状特征的方法等。
深度学习算法则是近年来在卫星遥感影像目标检测中被广泛应用的方法，常用的模型包括Faster R-CNN、YOLO、SSD等。
三、卫星遥感影像目标识别目标识别是指在目标检测的基础上，对检测到的目标进行识别的过程。
在卫星遥感影像中，目标识别的任务是将检测到的目标归类为不同的类别，比如建筑物、道路、机场等。
卫星遥感影像目标识别的方法可以分为传统算法和深度学习算法两种。
传统算法主要包括特征提取和分类器两个步骤，其中特征提取常使用手工设计的特征，如HOG特征、SIFT特征等。
近年来，深度学习算法也出现在卫星遥感影像目标识别中，如当前最为流行的卷积神经网络，在卫星遥感影像目标识别任务中取得了较好的效果。
四、卫星遥感影像目标检测与识别的应用卫星遥感影像目标检测与识别技术在很多领域都有广泛的应用。
比如，军事情报领域可以使用卫星遥感影像目标检测技术获取敌方军用设施的信息；矿产资源勘探可以通过卫星遥感影像目标识别技术准确识别矿山等资源；城市规划可以利用卫星遥感影像目标检测技术提取出城市中的建筑物、道路等信息，进行精准规划等。
总之，卫星遥感影像目标检测与识别技术在很多领域都有广泛的应用前景，可以提高生产效率、编辑资源利用效率和决策效率等，具有广泛的应用前景。
卫星遥感图像的图像分类与识别技术研究
卫星遥感图像的图像分类与识别技术研究随着卫星遥感技术的快速发展和卫星载荷的不断升级，卫星遥感图像的获取和应用日益普及。
卫星遥感图像作为一种重要的地球观测数据，对于自然资源管理、环境保护、灾害监测等领域具有重要意义。
然而，由于卫星遥感图像具有大数据量、高维度等特点，图像的分类和识别工作变得愈发复杂和困难。
因此，研究卫星遥感图像的图像分类与识别技术具有重要的理论和应用价值。
卫星遥感图像的图像分类与识别技术旨在将卫星遥感图像准确地归类到特定的地物类型，从而实现对地球表面覆盖类型的监测和分析。
在实际应用中，卫星遥感图像常被用于土地利用与覆盖变化分析、城市规划、农作物生长监测等。
因此，研究卫星遥感图像的图像分类与识别技术对于提高遥感图像处理与解译的准确性和效率具有重要的意义。
首先，卫星遥感图像的图像分类与识别技术需要借助计算机视觉和机器学习的方法。
在图像分类中，常用的方法包括特征提取和选择、分类器的训练和测试等。
特征提取和选择是图像分类的重要环节，它能够从图像中提取出有效的特征信息，用于区分不同的地物类型。
常见的特征包括颜色、纹理、形状等。
而分类器的训练和测试则是将提取出的特征信息输入到模型中进行分类。
常用的分类器包括支持向量机、随机森林、卷积神经网络等。
通过合理选择和组合特征提取和选择的方法以及分类器模型，可以提高卫星遥感图像的分类准确性。
其次，卫星遥感图像的图像分类与识别技术还需要考虑到遥感图像的特殊性。
遥感图像具有较大的分辨率，在处理过程中需要考虑到数据量的处理和存储问题。
此外，由于卫星遥感图像的获取依赖于天候条件和卫星的轨道周期等因素，图像中可能存在云、阴影等干扰因素。
因此，研究卫星遥感图像的图像分类与识别技术还需要考虑到干扰因素的处理和纠正，以提高分类和识别的准确性。
此外，卫星遥感图像的图像分类与识别技术还需要考虑到不同地理环境和目标需求的差异。
地球表面的地物类型多种多样，并且在不同的地理环境中可能存在着不同的类别和特征。
测绘中的卫星遥感图像分类技术
测绘中的卫星遥感图像分类技术随着科技的不断发展，卫星遥感图像分类技术在测绘领域中发挥着越来越重要的作用。
这项技术利用卫星传感器获取到的各种地物信息，通过一系列的算法和处理方法将图像中的对象进行分类，从而实现地物的识别和分析。
本文将从图像分类的原理、方法和应用等方面进行探讨。
首先，我们来看一下卫星遥感图像分类的原理。
图像分类的基本原理是通过一系列的特征提取、分类器训练和分类方法等步骤，将图像中的对象按照一定的规则进行分类。
卫星遥感图像一般包含多个波段的信息，例如可见光、红外线和微波等。
不同的地物在这些波段上有着不同的反射率和散射特性，通过分析和比较这些特征，可以实现地物的判别和分类。
其次，我们来看一下卫星遥感图像分类的方法。
目前，常用的图像分类方法主要包括：监督分类、非监督分类和半监督分类等。
监督分类是指事先给定训练样本集，通过训练分类器来实现对未知图像的分类。
非监督分类则是根据图像中像素之间的相似性进行分类，通常采用聚类算法来实现。
而半监督分类则是结合了监督和非监督分类的特点，既利用了有标记的样本进行分类器训练，又利用了无标记的样本进行分类辅助。
根据实际需求和数据特点，选择合适的分类方法对于提高分类精度至关重要。
然后，我们来看一下卫星遥感图像分类技术在测绘领域中的应用。
卫星遥感图像分类技术在测绘领域中有着广泛的应用，如土地利用分类、森林覆盖分类、城市建设分类等。
通过对卫星遥感图像进行分类，可以实现对不同地物的分布和变化进行监测和分析，为城市规划、资源管理和环境保护等方面提供数据支持。
同时，卫星遥感图像分类技术还可以应用于灾害监测和预警等领域，通过对地震、洪水等灾害情况的分析和分类，提前预警并采取相应的应急措施。
最后，我们来看一下卫星遥感图像分类技术面临的挑战和发展趋势。
随着数据的不断增加和传感器技术的不断进步，卫星遥感图像分类技术也面临着不少挑战。
其中之一是数据质量的问题，不同卫星获取的图像质量存在差异，处理不当可能导致分类结果的不准确性。
使用卫星影像进行遥感测绘的步骤与方法
使用卫星影像进行遥感测绘的步骤与方法近年来，随着科技的不断进步和发展，遥感技术在各个领域中得到了广泛应用。
而其中，使用卫星影像进行遥感测绘已经成为了一种常见的方法。
卫星影像作为一种得到高质量、全球覆盖的遥感数据源，它的使用可以帮助我们了解地球表面的特征以及变化的趋势。
在这篇文章中，我将会介绍使用卫星影像进行遥感测绘的一些步骤和方法，并探讨其在实际应用中的一些挑战和解决办法。
首先，我们需要获取卫星影像数据。
目前，在市场上有很多卫星影像的供应商，如DigitalGlobe、GeoEye等。
这些供应商一般提供高分辨率的卫星影像数据，可以满足我们对地表特征的观察和分析需要。
我们可以通过与供应商进行合作或购买订阅服务来获得所需的卫星影像数据。
同时，我们还可以获取一些免费的卫星影像数据，如美国地质调查局（USGS）提供的Landsat数据等。
这些免费数据可能分辨率较低，但对于一些低要求研究或初步分析来说已经足够。
接下来，我们需要对卫星影像数据进行预处理。
预处理是遥感图像处理中的重要步骤，可以校正图像失真、增强图像对比度等。
常见的预处理方法包括辐射定标和大气校正。
辐射定标是将卫星影像中的像素值转换为物理量，如辐射通量或辐射辐射度。
大气校正是用于消除大气影响，以获得地表反射率的方法。
这些预处理步骤可以提高卫星影像的质量，使其适用于后续的分析和应用。
然后，我们需要对预处理后的卫星影像进行图像解译和分析。
图像解译和分析是遥感测绘中的核心环节，可以对图像中的地物进行识别、分类和定量分析。
常见的图像解译方法包括目视解译和机器学习解译。
目视解译是通过人眼观察和识别图像中的地物特征，进行分类和标注。
机器学习解译则是利用计算机算法对图像进行自动分类和分析。
常见的机器学习方法包括决策树、支持向量机（SVM）、神经网络等。
这些方法可以根据地物的光谱、纹理、形状等特征进行自动识别和分类。
最后，我们可以将图像解译和分析的结果应用到实际的问题中。
使用遥感技术进行卫星图像解译的步骤和技巧
使用遥感技术进行卫星图像解译的步骤和技巧引言：遥感技术的发展使得我们能够通过卫星图像来获取地球表面的信息，这为研究地质、环境、气象等领域提供了重要的数据来源。
然而，要正确解读和分析卫星图像，需要掌握一些步骤和技巧。
本文将介绍使用遥感技术进行卫星图像解译的基本步骤和一些实用的技巧，帮助读者更好地理解卫星图像。
一、图像预处理首先，对卫星图像进行预处理是十分重要的。
这一步骤包括噪声去除、辐射定标和几何校正等。
噪声去除能够提高图像的质量，使得后续分析更加准确。
辐射定标能够将图像中的亮度值转化为反射率或辐射通量，从而消除由于地表反射和大气散射引起的变异。
几何校正则是将图像进行地理坐标转换，使其具有地理空间参考。
这些预处理步骤可以利用遥感软件完成，如ENVI、ERDAS等。
二、波段选择卫星图像通常包含多个波段，不同波段对应不同的能量范围和物理特征。
因此，选择适当的波段进行解译非常重要。
通常，可见光和近红外波段能够提供地物的光谱信息，热红外波段能够反映地物的热特征，雷达波段能够穿透云层，获取地表的形状信息。
根据研究目标和需求，选择合适的波段进行解译。
三、特征提取在进行卫星图像解译时，需要从图像中提取出代表地物的特征。
这一步骤可以利用图像处理和模式识别技术来实现。
常用的特征包括土地覆盖类型、植被指数、湿度指数等。
特征提取可以通过图像分割、分类和聚类等方法完成。
图像分割将图像分为若干个不同的区域，分类将每个区域判别为某一类别，聚类则将图像中的像素划分为几个类别。
四、分类与识别分类是卫星图像解译的核心步骤之一。
分类可以根据不同的标准进行，如最大似然法、支持向量机、人工神经网络等。
这些分类方法可以根据提取的特征进行训练，并对未知像素进行分类。
识别是指将分类结果与地物进行对应，确定每个类别代表的地物类型。
分类与识别的准确性往往依赖于特征提取的效果和训练样本的质量。
五、验证与精度评价解译卫星图像后，需要对结果进行验证和精度评价。
遥感图像目视判读
遥感图像目视判读遥感图像目视判读是指通过观察遥感图像中的特定特征，进行分析和解译的过程。
遥感图像是利用航空或卫星传感器获取的地球表面信息的电磁图像。
目视判读可以帮助我们了解地表的特征、环境变化以及资源分布情况等，对于城市规划、环境保护、农业发展等领域具有重要的应用价值。
一、目视判读的基本原理遥感图像中的各种特征可以通过目视判读的方法进行解译，其基本原理包括：1. 各类地物在遥感图像上具有特定的光谱反射特征，如植被、水体、建筑物等，不同地物在图像上会呈现不同的颜色和亮度。
2. 地物的形态特征也可以通过目视判读进行解译，如河流的走向、湖泊的形状等。
3. 图像上的纹理和阴影也是目视判读的重要参考因素，可以帮助判读地物的类型和分布情况。
二、目视判读的步骤目视判读一般包括以下几个步骤：1. 图像预处理：对遥感图像进行预处理，如去除噪声、增强对比度等，以提高图像的观测质量。
2. 地物分类：根据遥感图像上的颜色、亮度等信息，将地物进行分类，如区分植被、水体、建筑物等。
3. 目标探测：探测和识别具有特定目标的地物，如识别道路、农田、城市区域等。
4. 变化检测：通过对比多期遥感图像，判断地表的变化情况，如城市扩张、土地利用变化等。
5. 结果验证：对目视判读的结果进行验证，可以通过实地调查或其他遥感数据进行对比。
三、目视判读的应用领域目视判读在许多领域具有广泛的应用，包括但不限于以下几个方面：1. 城市规划：通过对城市遥感图像的目视判读，可以获取城市用地的分布情况和更新变化，为城市规划提供重要参考。
2. 农业发展：农田遥感图像的目视判读可以帮助农业管理者监测作物种植情况、病虫害的扩散情况和土地利用的变化等，提高农业生产效益。
3. 环境保护：通过遥感图像目视判读，可以了解环境中的污染源和敏感区域，指导环境保护工作，保护生态环境。
4. 自然资源管理：通过对遥感图像的目视判读，可以了解地表的自然资源分布情况，包括水资源、森林资源、矿产资源等，为资源管理和合理利用提供依据。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
地物辐射
大气吸收、透射（折射）、散射 ＋ 大气自身辐射
传感器 图像（数字或光学）
传感器噪声
地面站接收
3、地物反射光谱
地物对不同波长入射光有不同的反射率，这就构成了地物反射 光谱。这也是我们能够用颜色、色调分辨各种地物的原因。
—— 雪反射光谱曲线
1） 雪对所有波长反射率都很高且与太阳能量频谱基本 同步、这是雪呈现白色的原因。
——存在遥感影像噪声 ——大气扰动（折射率不稳定）是影像变形的原因
之一
——地物反射率的大小是决定对应像元的灰度的主 要因素
——遥感光源及传感器与目标地物的距离对影响质 量影响很大
——人的肉眼视觉与遥感工作模式是一样的
5、遥感技术成像中的数据矛盾
—— 噪声与信息数据
信息讯号常常淹没在噪声之中
—— 信息掩盖与信息挖掘
微波
—— 按应用划分可分为：地质遥感、农业遥感、军用遥感、气象遥感
海洋遥感、资源遥感等。
—— 按遥感平台划分可分为:
• 航空遥感 包括低空航模遥感 （< 500米 ） 中高度航空遥感 （ 500 ～ 3,000米 ） 高空航空遥感 （ 3,000 ～ 10,000米 ）
• 航天飞机遥感 包括航天飞机、回收式卫星，如我国尖兵1号。 • 卫星遥感 • 地面遥感（雷达地面遥感车） 还可以按分辨率划为高、中、低分辨率遥感
2） 雪在紫兰波段反射率较大，因而雪呈兰白色。
—— 沙漠反射光谱曲线
沙漠与雪有基本相同的性质，相对讲红、橙、兰波段反射率 较大，因而呈淡橙黄色。
R(%)
雪
沙漠
植物
湿地
λ(μm) 雪、沙漠、植物与湿地反射光谱示意图
0.003 ～ 0.38 m 紫外 0.43 ～ 0.47 m 兰 0.50 ～ 0.56 m 绿 0.59 ～ 0.62 m 橙 0.76 ～ 3 m 近红外 8 ～ 14 m 远红外
遥感技术的改进促使遥感专题信息的提 取方法也在不断地改进，经历了目视解 译、自动分类、光谱特性的信息提取及 光谱与空间特征的专题信息提取等多个 阶段．
（一）监督分类
图像解译者用指定的方法来“监督”像元分类 过程，这些指定的方法是计算机的算法、图像 中所出现各种土地类型的数字描述等。为了做 到这一点，用已知覆盖类型的代表样区，这种 样区也称为训练区，来汇编一个数字的“判读 关键字”，然后将数据集上的每一个像元在数 字上和判读关键字中的每一种类进行比较，并 把它用“看起来最像”的类型的名字来标注。
占有全部太阳光能量90.8%，这是遥感识别植被并判断植被状态 的主要依据。
4） 在 1.45 至 1.95 m 有两处吸收谷，表明植被中水分含量。
5） 不同种类植物反射光谱曲线的变化趋势相同，而植物与其 它地物的反射光谱曲线显著不同，这是遥感可以估测生物量的基础。
6） 植物叶片重叠时，反射光能量在可见光部分几乎不变，而 在红外却可增加20~40%。这是因为红外光可透过叶片，又经下层叶 片重复反射。叶片重叠反映作物长势旺盛，生物量高。
7) 植物叶片可见光区反射率有显著的方向性，这是因为植物 叶片反射（散射）不是纯粹的朗伯散射，还有方向性。而在红外区 方向性就不显著，这是因为红外光透射性好，透射后重复反射打扰 了方向性。
—— 湿地
湿地对可见光 — 红外很宽的波区反射率都很低，绝大部分光 能被吸收，因而在遥感图像上呈黑色或深灰色。
4、关于遥感工作模式的讨论
遥感图像处理的一个任务就是从这些几何变形中将几何数据 提取出来，且保证一定的精度 。
—— 有限的遥感图像数据与无限的信息需求
遥感图像不是唯一的地学信息源，遥感数据要与地学其它信息 数据相结合 。
11、遥感分类
—— 按机理划分
遥感可分为被动遥感与主动遥感
—— 按光（电磁波）波段划分可分为：（紫外）、可见光、红外、
卫星遥感图像的识别方法 戴亮
一、遥感概述
1、遥感定义
—— 遥感（Remote Sensing）是非接触远程获取面状图像信息 的技术手段。
• 非接触 意为需要利用电磁波（光）作为信息获取手段， 以区别与其它测试手段； • 远程 以区别显微镜、X光机、CT扫描机； • 面状图象信息 以区别遥测；
—— 遥感的特点：
二、遥感图象识别
遥感技术己成为当前人类研究地球资源 环境的一种有力技术手段．在遥感技术 的研究中，通过遥感影像判读识别各种 目标是遥感技术发展的一种重要环节， 无论是专业信息提取，动态变化预测， 还是专题地图制作和遥感数据库的建立 等都离不开分类，对照地面地物类型， 便可以从影像上进行地类的识别。
2） 在红光处（0.68 m ）有一吸收谷，这是光合作用吸收谷。
此处太阳光能仍很大，若吸收谷减小，则植被发黄、红。
3） 在 0.7~1.4 m与 1.5 ~ 1.9 m有很高红外反射峰，反射率
可高达70%以上，这两峰与前边红光波谷是植被光谱的特征。这
第一峰波长段还处在太阳光能波谱中主要能量分布区（0.2~1.4m ）
0.38 ～ 0.43 m 紫 0.47 ～ 0.50 m 青 0.56 ～ 0.59 m 黄 0.62 ～ 0.76 m 红
3 ～ 5 m 中红外
0.3 ～ 100 cm 微波与雷达
—— 绿色植被反射光谱曲线
1） 对绿光 （0.55 m）有一小的反射峰值，反射率大致为
20%，这是绿色植物呈现绿色的原因。注意这里也正是太阳光的 光能峰值。
1）训练阶段
尽管多光谱图像数据的分类实际上是各高度自 动化的阶段，但是在训练阶段它绝不是自动的。 它需要图像分析者和图像数据之间进行紧密的 配合，而且还需要了解研究区内大量的参照数 据和完整的地理知识。训练阶段的整个目标就 是，收集一系列描述图像分裂种每一种地面覆 盖类型的光谱响应模式的统计数字。
遥感图像中有一类为显性信息，如几何位置、几何形状、亮 度、光洁度等；
又有一类为隐性信息，如湿度、温度、生物量、化学物质含量。 所谓信息挖掘就是透过显性信息数据，根据物理原理 成像机理 将隐性信息挖掘发现出来。
—— 几何变形与几何分辨
几何变形原因： 大气折射不稳定 混合象元（与几何分辨率有关） 成象机制原因，包括地球曲面影响
• 大面积 • 快速 • 分波段成象 • 高精度数字成象
IRS+TM 影像（彩色） 大兴农田
1米几何分辨率（IKONOS)影像显示（彩色）
2、遥感图像获取模型
பைடு நூலகம்
太阳光（Solar Light）或人造雷达电磁波 大气吸收、透射（折射）、散射 ＋
大气自身辐射
到达地面与地物作用，包括反射（散射）、吸收