影象进行融合的原理和步骤。
答：来自不同传感器的信息源有不同的特点，如TM影像光谱信息丰富，但空间分辨率不高，而SPOT全色波段分辨率高，将30M分辨率的TM4、3、2多光谱影像与同一地区10米分辨率的SPOT全色影象进行融合既可以提高新图像的空间分辨率又可以保持较丰富的光谱信息。
不论是那种信息源复合方案，首先要解决的问题就是匹配问题。由于影像所对应的地面范围不同，分辨率不同，地物反射的亮度变化规律不同，为了实现匹配常需要每一种信息源作预处理，但不论增加什么处理方法，都需包括配准和复合两个步骤
1）配准。为了使两幅图像所对应的地物吻合，分辨率一致，必须先完成配准。方法是采用几何校正，分别在不同数据源的影像上选取控制点，用双线性内插或三次卷积内插运算等对分辨率较小的图像进行重采样。
2）复合。将TM与SPOT复合，选取ＴＭ三个波段４，３，２和SPOT全色波段共四个波段。
9．什么是多光谱空间?什么是主成分变换？主成分变换的应用意义是什么?
答：多光谱空间：是一个n维坐标系，每一个坐标轴代表多波段图像的一个波段，坐标值表示该波段像元的灰度值，图像中的每个像元对应于坐标空间中的一个点。
K-L变换又称为主成分变换。它的原理如下：对某一n个波段的多光谱图像实行一个线性变换，即对该多光谱图像组成的光谱空间X乘以一个线性变换矩阵A，产生一个新的光谱空间Y，即产生一幅新的n个波段的多光谱图像。其表达式为Y=AX。式中：X为变换前多光谱空间的像元矢量；Y为变换后多光谱空间的像元矢量；A为一个n×n的线性变换矩阵。K-L变换的应用归纳如下。
1）数据压缩。经过主成分变换，多光谱图像变成了新的主成分图像，像元的亮度值不再表示地物原来的光谱值。但变换后的前几个主分量包含了绝大部分的地物信息，在一些情况下几乎是100%，因此可以只取前几个主分量，既获得了绝大部分的地物信息，又减少了数据量，如TM图像，经主成分变换后可只取前3个主分量，波段数由7个减少到3个，数据量减少到43%，实现了数据压缩。
2）图像增强。主成分变换的前几个主分量包含了主要的地物信息，噪声相对较少；而随着信息量的逐渐减少，最后的主分量几乎全部是噪声信息（如MSS数据中的条纹）。因此，主成分变换突出了主要信息，抑制了噪声，达到了图像的目的。
3）分类前预处理。多波段图像的每个波段并不都是分类最好的信息源，因而分类前的一项重要工作就是特征选择，即减少分类的波段数并提高分类效果。主成变换即是特征选择最常用的方法。
10. 比较欧几里德距离、曼哈顿距离和马氏距离判别函数之间的异同。
答：1）欧几里德距离。欧几里德距离（Euclidean）距离就是两点之间的直线距离（以下简称欧氏距离）。欧氏距离中各特征参数也是等权的。
2）绝对值距离也叫出租汽车距离或城市块距离。在二维空间中可以看出，这种距离是计算两点之间的直角边距离，相当于城市中出租汽车沿城市街道拐直角前进而不能走两点连接间的最短距离。绝对值距离的特点是各特征参数以等权参与进来，所以也称等混合距离。绝对值距离和几里德距离都称为闵可夫斯基（Minkowski）距离（以下简称闵氏距离）
1）闵氏距离与特征参数的量纲有关。有不同量纲的特征参数的闵氏距离常常是无意义的。
2）闵氏距离没有考虑特征参数间的相关性。而哈拉诺比斯距离解决了这个问题。 3）马哈拉诺比斯距离 与前两种距离不同，马氏距离是一种加权的欧氏距离，它是通过协方差矩阵来考虑变量
相关性的。
四、实践题
1. 简述植被指数并分析其影响要素，简述大面积小麦估产的工作方法和技术
常用的植被指数的主要类型有以下几种。
1）比值植被指数（ratio vegetation index， RVI） 基本上不受土壤含水量的影响，能增强植被与土壤背景之间的辐射差异，并提供植被反射的重要信息，可用来估算和监测植被覆盖，是植被长势、丰度的度量方法之一；但该指数对大气影响敏感，最好运用经大气纠正的数据，或将两波段的灰度值转换成反射率，消除大气对两波段不同非线性衰减的影响后再进行指数的计算，而且当植被覆盖不够浓密时（小于50%），其分辨能力也很弱：在植物生长的整个阶段，能较好地反映植被的覆盖度和生长状况的差异，特别适合于植被生长高度旺盛并且具有高覆盖度时的植被监测。
2）归一化植被指数（normalized vegetation index，NDVI）
归一化植被指数（NDVI）对绿色植被表现敏感，它可以对农作物和半干旱地区降水量进行预测 ，该指数常被用来进行区域和全球的植被状态研究。对低密度植被覆盖，NDVI对于观测和照明几何非常敏感。但在农作物生长的初始季节，将过高估计植被覆盖的百分比；在农作物生长的结束季节，将产生估计低值。继之,将各波段反射率以不同形式进行组合来消除外在的影响因素，如遥感器定标、大气、观测和照明几何条件等。这些线性组合或波段比值的指数发展满足特定的遥感应用，如作物产量、森林开发、植被管理和探测等。
3）差值植被指数（difference vegetation index，DVI）DVI=IR-R 4）正交植被指数（perpendicular vegetation index，PVI）PVI=1.622 5（IR）-2.297 8（R）+11.0656或PVI=0.939（IR）-0.344（R）+0.09
5）农业植被指数（argriculture vegetation index ，AVI） 其特点是对土壤背景的变化极为敏感，如水体、湖泊和较大的水库在植被指数图上明显区别于周围环境，随植被量增加而迅速增大。
6）环境植被指数（EVI-Environmental Vegetation Index）
近红外光与红光波段之差，又称为差值植被指数。EVI=NIR-R，EVI对土壤背景的变化较RVI要敏感，在植被覆盖度为15-25％时，它随植被量的增加而迅速增大，当植被覆盖80％时它对植被的灵敏度有所下降
在建立估测平均单产的模型时，首先以相似性原理为依据，根据田间试验及农业气象观测资料，建立作物生长发育及产量形成的数值模拟模型；再利用遥感方法建立作物叶面积指数等农学参数与光谱之间的关系模型；然后将2种模型耦合，利用遥感手段为数值模拟模型获取所需的输入变量或参数，进行宏观数值模拟试验，建立作物估产的遥感一数值模拟模型。该方法充分利用了遥感与数值模拟方法的优点，操作性和准确性都大幅度提高。
在遥感估产中，种植面积的测算是关键问题之一，是由单产估测总产的必需参量。 1）进行遥感估产区划。利用遥感技术进行农作物长势监测和估产是在较大范围内进行的，但由于各地区自然条件和社会环境不一致，农作物的生长状况也不尽相同，因此需要将条件基本相同的地区归类，以便进行作物长势监测与估产模型的构建。
2）进行地面采样点布设。遥感估产中的信息主要是来自于遥感信息，但为了得到高精度的作物种植面积和产量，仅依靠遥感信息是不够的，必须在地面布设足够多的样点，并在地面监测作物长势和产量，从而为遥感提供补充信息和地面验证数据。
3）背景数据库系统的建立。在遥感估产中，建立背景数据库是一项重要的基础性工作，它收集、存储估产区自然环境等方面的信息，如地形／地貌、土地利用现状、种植制度、土地类型、土壤肥力、农业气候资料，农业灾情、历年的单产和总产、种植面积以及人口和社
会经济情况的数据信息等。背景数据库在遥感估产中的作用主要是两方面，一是为遥感图象信息分类提供背景，使分类精度提高；二是当遥感信息难以获取时，支持模型分析，即从历史资料和实际样点采集的数据中综合分析，从而取得当年的实际种植面积和产量。
4）进行农作物种植面积的提取。农作物播种面积的提取是农作物估产中的关键部分。一般常利用TM资料进行监督分类，并在GIS支持下进行作物播种面积的提取，若进行大范围面积量算，则需利用抽样外推法得到面积数据。目前，还可利用作物物候自动提取作物种植面积。
5）进行不同生长期作物长势动态监测。利用遥感数据监测作物在不同时期的苗情并估测趋势产量，以便于采取各种管理措施，保证农作物的正常生长和增产。监测的主要方法是利用不同时期的作物植被指数进行监测。根据植被指数的变化以及与历年资料的对比，便可以及时获得各种作物在不同生长期的长势，根据作物长势情况，从而预报作物的趋势产量。
6）建立遥感估产模型。建立遥感估产模型是农作物估产的核心问题。遥感估产是建立作物光谱与产量之间联系的一种技术，它是通过光谱来获取作物的生长信息，如利用植被指数建立的经验模型进行估产．
7）遥感估产精度的分析和确认。无论使用何种估产方法，估产精度一直是人们最为关心的问题，它直接标志着整个估产结果的可信度。由于遥感估产方法牵涉到中间环节多，可能产生误差瞬素也很多，为了保证最终的精度要求，总是在每个环节上尽量减少误差的可能性。目前，对小麦遥感估产的精度可达到95％以上。
8）建立遥感估产运行系统。利用遥感技术进行农作物种植面积提取、长势监测及单产与总产的预报等，都是在农作物遥感监测与估产集成系统下完成的。估产系统一般包含遥感信息获取；建立背景数据库；估产模型建立；面积提取等部分。