遥感数据智能处理考试复习思考题.docx
《遥感数据智能处理考试复习思考题.docx》由会员分享，可在线阅读，更多相关《遥感数据智能处理考试复习思考题.docx（20页珍藏版）》请在冰豆网上搜索。
遥感数据智能处理考试复习思考题
2014年遥感数据智能处理课程开卷考试复习提纲
一、思考题（60%）
基本要求：
（1）思考题分为三类：
知识点、软件技术点和遥感一般知识；
（2）学生可以任选10题回答（每题6分）
二、综合题（40%）
请任选以下四个题中的一个，并按技术流程，举例说明处理过程（答题要求>260字）
一、思考题
1．绪论
思考题1：
什么是超视觉？
视觉中的光和色的物理含义是什么？
超视觉包括了光谱、时间、空间三个方面。
（1）传感器（CCD）技术扩展了可视范围
（2）载荷平台离开地面扩展了视野（3）计算机国际光学色谱标准
（4）时间压缩1/1000秒表现出看不见的东西
正常的人眼可以看见电磁波谱中0.38μm至0.76μm的波段，所以这一波段被称作可见光谱。
严格地说，只有能够被眼睛感觉到的并产生视觉现象的辐射才是可见辐射或可见光，简称光。
颜色是人的眼睛对可见到光的主观感觉。
自然的颜色与能量有关系，人为的染料颜色没有能量。
思考题2：
遥感系统表达自然光、色结构的基本要素是什么？
遥感系统表达自然光和色的基本要素包括载荷平台、传感器、光谱波段、辐射特征、几何特征。
载荷平台为承载成像传感器及其它相关载荷的卫星平台，如Landsat、SPOT等；传感器为成像载荷，例如Landsat7的ETM+、Terra的MODIS等；光谱特征包括：
电磁波谱的观测范围、光谱响应函数、极化敏感性、波段间的相关性等；辐射特征包括：
广义噪声与信噪比、动态范围、调制传递函数、响应线性度、量化级别、不同像元间的感应度、等噪声概率等；稽核特征包括：
视场角、瞬时视场角、地面采样间隔、影像幅宽、多（高）光谱波段匹配精度等。
思考题3：
试说明遥感识别目标特性信息与局限性
遥感识别目标特性从信息表现在三个方面：
光谱与光谱波段；几何特征与幅宽；辐射特征与灰度编码。
局限性：
有限数量的光谱波段不能完整表达连续的地物光谱曲线;辐射特征是用灰度编码表示的,灰度数量级是有限的、离散化的；遥感图像只是二维的，而实际地物却是复杂连续的三维空间中的特征。
思考题4：
遥感数据处理系统在表现自然的光和色主要瓶颈是什么？
传感器对辐射能量的响应能力，数模转换，大气散射效应，像元的交叉辐射，分类算法的精度，图像转换精度都影响着遥感数据处理系统对自然的光和色的再现能力。
思考题5：
讲出二种遥感原理性误差？
了解遥感成图过程的原理性误差对遥感数据处理有什么帮助？
提示本章的传感器模型的反射、辐射和几何校正原理。
1.遥感原理性误差之一：
交叉辐射原理性误差L（x、y、λ、t、p）
2.遥感原理性误差之二：
图像基本单元—像元的结构性误差。
了解遥感成图过程的原理性误差对遥感数据处理有很大的帮助。
首先，要消除或减弱这些误差必须对它们的性质、特点有所了解，只有这样才能找出有效的处理方法来消除或减弱这些误差。
例如，有些噪声是加性噪声，而另外一些是乘性的，了解可误差的性质，就可以有针对性的找出解决办法。
其次，了解遥感成图过程的原理性误差对图像解译分析也有很大帮助。
可以从遥感成像的机理出发，更好地理解识别图像特征。
思考题6：
一种传感器一种分辨率观测产生了不完整观测，利用多传感器、多分辨率满足完整监测的同时，在数据或信息处理方面带来那些新问题？
多传感器、多分辨率技术的应用给数据或信息处理带来许多新问题。
首先是多传感器图像之间兼容问题，这就要求图像处理软件和技术要兼容多种图像格式，并且能够将多传感器图像结合起来，取长补短。
而且由于这些技术，遥感数据量越来越大，怎样从海量数据中提取有效信息也是一个很大的挑战。
多波段图像的光谱空间维数增多，这就要求图像处理扩展到多维空间中去。
多分辨率图像数据的获得要求图像处理能充分利用多分辨率信息。
如可以将高分辨率SAR图像与较低分辨率的光学图像融合，获得集合两种优势的图像。
而且还要求开发新的更有效的图像处理算法。
思考题7：
遥感数据智能处理的基本概念与主要任务是什么？
遥感数据智能处理的感念：
结合应用需求，将统计学、智能算法与遥感信息机理相结合，生成一系列快速有效的算法，对复杂遥感数据进行处理。
通过智能理论技术与遥感信息理论技术的学科交叉，借助计算机处理能力，选择具有自学习、自适应、自组织等智能算法，提高遥感数据分类、特征识别精度和变化检测的鲁棒性；通过构建智能搜索策略与学习规则混合优化，克服多传感器、多分辨率或与非遥感数据的不完整性和不确定性，实现多源信息融合的自动化。
遥感数据智能处理的主要任务：
解决遥感数据处理过成中由其他普通方法无法很好解决的问题。
如：
如遥感图像中的弱信息很难提取，通过采取一定的掩膜方法，以及主成份变换，就能很好的提取出弱信息。
智能化表现为服务于实现目标的计算能力，这种能力在不同方式或不同程度地表现出人类、动物或机器的智能。
传感器超视觉系统获取的地球信息是非线性的，当前的数据处理与分析方法主要是线性近似，智能信息处理理论与方法的应用将推动遥感数据处理质量和应用水平发展。
研究领域包括：
搜索、模式识别、表达、推理、知识与推断、经验学习、规划、认知、启发、遗传等领域。
2．神经网络
思考题8：
神经网络的基本概念、优势与存在问题？
1977年Kohonen专著AssociativeMemory-ASystemTheoreticApproach,Koholen的定义：
“人工神经网络是由具有适应性的简单单元组成的广泛并行互联的网络，它的组织能够模拟生物神经系统对真实世界物体所做出的交互反应。
神经网络的优势:
（1）并行计算
（2）信息处理与存储单元相结合
（3）自组织、自学习、竞争适应功能
神经网络研究的存在问题:
（1）神经网络发展受脑科学研究进度的限制
（2）缺少一个完整、成熟的理论体系
思考题9：
神经网络发展大致经历五个时期，遥感数据处理应用神经网络出现在哪个时期？
经网络是一更强的数学性质和生物学特征，活跃的边缘性交叉学科，诞生半个多世纪以来，经历了5个发展阶段：
（1）奠基阶段
1943年,美国心理学家W.McCulloch和数学家W.Pitts在提出了一个简单的神经元模型，即MP模型。
1949年神经生物学家Hebb的论著TheOrganizationofBehavior，对大脑神经细胞、学习与条件反射作了大胆地假设，称为Hebb学习规则．
（2）第一次高潮阶段
1958年计算机科学家Rosenblatt基于MP模型，增加了学习机制，确定了感知器收敛定理：
输入和输出层之间的权重的调节正比于计算输出值与期望输出之差，他提出的感知器模型，首次把神经网络理论付诸工程实现。
（3）持续阶段
1960‘神经网络理论那遥远但并非遥不可及的目标着实吸引了很多人，美国军方认为神经网络工程应当比“原子弹工程”更重要。
（4）第二次高潮阶段
Kohonen提出了自组织映射网络模型，映射具有拓扑性质。
1982年生物物理学家Hopfield建立了神经网络的神经元的一组非线性微分方程。
1987年在圣地雅哥召开了首届国际神经网络大会，成立国际神经网络联
合会（INNS）,创办了刊物JournalNeuralNetworks。
我国学术界在80年代中期开始关注神经网络领域。
1989年召开了全国一个非正式的神经网络会议，1990年我国的八个学会联合在北京召开了神经网络首届学术大会，1991年在南京召开了中国神经网络学术大会（第二届），会上成立了中国神经网络学会．1990年我国“863”高技术研究计划和“攀登”计划设立了3个课题开展人工神经网络研究，自然科学基金和国防科技预研基地也把神经网络的研究列入选题指南。
神经网络对遥感图像处理大致也出现于这个时期。
（5）新发展阶段
IJCNN91大会主席Rumelhart指出神经网络的发展已到了一个转折的时期，它的范围正在不断扩大，其应用领域几乎包括各个方面。
1990年代初，对神经网络的发展产生了很大的影响是诺贝尔奖获得者Edelman提出了Darwini-sm模型，其主要3种形式是DarwinismⅠ、Ⅱ、Ⅲ．建立了一种神经网络系统理论。
为了解决神经网络收敛，避免陷于局部极值，神经网络引入了遗传、小波、模拟退火、随机搜索。
思考题10：
在确定神经网络的隐层节点数时必须满足那两个条件？
一般情况下，在满足精度要求的前提下取尽可能紧凑的结构，即取尽可能少的隐层节点数。
对于BP网络，所取的隐层节点数少时，局部极小就多，容错性差；但是，隐层节点数过多易引起学习时间过长，误差也不一定最佳，因此需要多次试验后选取一个最佳的隐层节点数。
研究表明，隐层节点数不仅仅与输入/输出层的节点数有关。
在确定隐层节点数时必须满足下列条件：
•
（1）隐层节点数必须小于N-1（其中N为训练样本数），否则，网络模型的系统误差与训练样本的特性无关而趋于零，即建立的网络模型没有泛化能力，也没有任何实用价值。
同理可推得：
输入层的节点数（变量数）必须小于N-1。
•
（2）训练样本数必须多于网络模型的连接权数，一般为2-10倍，否则，样本必须分成几部分并采用“轮流训练”的方法才可能得到可靠的神经网络模型。
若隐层节点数太少，网络可能根本不能训练或网络性能很差；
若隐层节点数太多，虽然可使网络的系统误差减小，使网络训练时间延长，训练容易陷入局部极小点而得不到最优点，也是训练时出现“过拟合”的内在原因。
因此，合理隐层节点数应在综合考虑网络结构复杂程度和误差大小的情况下确定。
思考题11：
BP神经网络数学模型最早是由谁建立的，处理遥感数据的主要问题是什么？
BP神经网络的全称为（Backpropagation（BP）Algorithm）前馈神经网络的学习算法—向后传播算法。
BP神经网络被广泛用于遥感数据分类，使用BP神经网络前必须选择神经网络的结构，定义学习率等参数，这些都会影响神经网络的训练时间、实现速率和收敛速率。
BP网络需要解决的问题有：
（1）如何经过反复试验选取最佳的网络结构，使得网络能够识别未知的样本，对此至今没有严格证明。
（2）如何恰当选取学习率和动量项问题以及权重系数初始化的区间。
（3）如何避免过度训练学习所造成的网络性能变得低下问题，至今为止，没有一个清楚的规则帮助我们选择网络结构，而参数选取上只能使用启发式的方法选择网络结构。
思考题12：
什么是SOFM神经网络？
，主要特征是什么？
，LVQ的作用是什么？
芬兰的Kohonen从生物系统得到启发，根据人脑的大脑中视觉皮层中侧反馈的特征，提出了自组织映射神经网络（SOFM,SelfOrganizingFeatureMap）理论。
他认为神经网络中邻近的各个神经元通过彼此侧向交互作用，相互竞争，自适应发展成检测不同信号的特殊检测器，这就是自组织特征映射的含义。
当外界输入样本到人工的自组织映射神经网络中，一开始时，输入样本引起输出兴奋细胞的位置各不相同，但经过自组织后形成一些细胞群，它们分别反应了输入样本的特征。
这些细胞群，如果在二维输出空间，则是一个平面区域，样本自学习后，在输出神经元层中排列成一张二维的映射图，功能相同的神经元靠得比较近，功能不相同的神经元分得比较开，这个映射过程是用竞争算法来实现的，其结果可以使一些无规则的输入自动排序，在调整连接权的过程中可以使权的分布与输入样本的概率分布密度相似。
LVQ（LearningVectorQuantization），即学习矢量量化网络方法，用来在SOFM网络训练结束后，细调SOFM网络的权值。
LVQ方法融合了自组织和有导师的技术，它是SOFM网络方法的有监督学习的扩展形式，它允许对输入矢量将被分到哪一类进行指定。
尽管仍然采用竞争学习，但是其产生方式是有教师监督的。
SOFM网络的训练也称作粗调。
粗调是自组织竞争学习过程，属于无导师的聚类。
自组织竞争学习完成后，输入空间被划分为一些不相交的类别，每一类由其聚类中心表示。
这些聚类中心被称作模板、参考向量或译码向量。
对粗调后的网络权向量，应用学习矢量量化（LVQ,LearningVectorQuantization）算法进行细调，此过程属于有导师的训练。
思考题13：
什么是PCNN神经网络？
，PCNN在解决图像分割中的欠/过分割会有什么帮助，为什么？
PCNN（Pulse-CoupledNeuralNetwork）脉冲耦合神经网络是模拟视觉神经细胞活动而得到的人工神经元模型。
PCNN网络存在着对一个像元计算时同时激活周围像元的机制，在解决过分割和欠分割方面显示出突出的效果，提供了新的数学支持。
高能量神经元首先激发，通过脉冲耦合机制使得其邻域神经元能量增加并提前激发，阈值单调递减，使得所有神经元均能激发。
迭代上述过程（或使用快速联接机制）使得空间相邻、能量相近的神经元同步激发。
在PCNN中，具有相似输入的神经元同时发生脉冲，能够弥补输入数据的空间不连贯和幅度上的微小变化，从而较完整地保留图像的区域信息，这对图像分割无疑是非常有利的。
采用PCNN进行图像分割完全依赖于图像的自然属性,不用预先选择处理的空间范围,与其它方法相比,这是一种更自然的方式。
3．遗传算法
思考题14：
Richard离散数学中对算法的定义是什么？
一个算法就是一组有限的指令集合，它具有以下性质：
确定性：
每一步必须精确的说明。
唯一性：
每一步执行后所得到的中间结果是唯一的，且仅依赖于输入和先前步骤的结果。
有限性：
任何算法都会在有限条指令执行完毕后结束。
输入：
算法接收输入。
通用性：
算法适用于一类输入。
思考题15：
遗传算法的主要特点是什么，举出2条？
遗传算法的特点（3点）
1.遗传算法在求解问题时，首先要选择编码方式，它直接处理的对象是参数的编码集而不是问题参数本身。
2.在所求解问题为非连续、多峰甚至有噪声的情况下，能够以很大的概率收敛到最优解或满意解，因而具有较好的全局最优解求解能力。
3.针对某一问题的遗传算法经少量修改就可以适应于其他问题。
或者加入特定问题领域知识，或者与已有算法结合便能够较好地解决比较复杂的问题，因而具有很好的普适性和易扩充性。
思考题16：
遗传算法全局最优搜索，在解决超平面分割中的作用？
，在锁定目标中的作用？
遗传算法能够较好解决遥感数据的不确定性导致超平面位置难以确定的问题，遗传算法可以确定超平面的空间组合位置，使遗传算法得以在遥感图像分类中得到应用。
在给定超平面集合的条件下，通过对训练点集合众训练点进行模式描述、模式匹配利用遗传算法的优异搜索性能，通过进化的方式对各种不同的模式分类方案进行比较、选择，得到最好的模式分类方案。
超平面的确定需要确定超平面方程组的参数，遗传算法通过对参数编码方式的选择及采用选择、交叉、变异遗传算子和合适的适应度函数从而确定遥感图像分类中的超平面位置，实现超平面分割。
思考题17：
遗传算法全局最优搜索，在匹配锁定目标中的作用？
遗传算法的自适应性能可以屏蔽掉模板匹配过程中对复杂参数的确定过程，实现对目标的快速准确定位。
遗传算法的自适应迭代寻优搜寻和直接对结构对象进行操作的算法特点适合图像匹配锁定目标。
在配平锁定目标过程中采确定参数编码，采用自然进化模型如选择、交叉、变异等的遗传算法及合适的适应度函数确定遥感图像中的目标位置。
4.Mahalanobis聚类：
思考题18：
什么时候使用聚类算法，模糊聚类的优点在那里？
什么条件使用Euclidean距
离，什么条件下使用Mahalanobis距离？
聚类就是按照事物间的相似性进行区分和分类的过程，在这一过程中没有训练样本指导，因此是一种无监督的分类.人类要认识世界就必须区别不同的事物并认识事物间的相似性类之间的界限有时是模糊的、不清晰的，由于受遥感数据的分辨率限制所反映的大多数地物覆盖在形态和类属方面存在着中介性，没有确定的边界来区分它们。
此时想区分类别，可使用聚类算法。
模糊聚类得到了样本属于各个类别的不确定性程度，表达了样本类属的中介性，即建立起了样本对于类别的不确定性的描述，增加相似性度量的精度。
能更客观地反映现实世界，不同的距离度量用来检测不同结构的数据子集.检测特征空间中超球体结构的数据子集时用Euclidean距离，检测特征空间中超椭球结构的数据子集时用Mahalanobis距离。
5.粗糙集RS
思考题19:
粗糙集RS的概念，粗糙集在处理那类问题时有优势？
令X属于论域U，R为U上的一个等价关系。
当X能够表达成某些R基本范畴的并时，称X是R可定义的；否则称R是不可定义的。
R可定义集是论域U的子集，它可在知识库K中精确定义，而R不可定义集不能在这个知识库K中精确定义。
R可定义集也称为R精确集，而R不可定义集也可以称为R非精确集或R粗糙集。
粗糙集理论,是一种刻画不完整性和不确定性的数学工具，能有效地分析不精确，不一致（inconsistent），不完整（incomplete）等各种不完备的信息，还可以对数据进行分析和推理，从中发现隐含的知识，揭示潜在的规律。
粗糙集理论是建立在分类机制的基础上的，它将分类理解为在特定空间上的等价关系，而等价关系构成了对该空间的划分。
粗糙集RS算法可用于粗糙集直接分类；也可用于训练样本优化，加快BP网络收敛，提高分类精度。
粗糙集地处理下列问题时有优势:
1、不确定或不精确知识的表达；
2、经验学习并从经验中获取知识；
3、不一致信息的分析；
4、根据不确定，不完整的知识进行推理；
5、在保留信息的前提下进行数据化简；
6、近似模式分类；
7、识别并评估数据之间的依赖关系。
6.伪二维马尔可夫P2DHMM思考题
思考题20:
伪二维马尔可夫的算法优势体现在那几个方面？
算法对平移、旋转、尺度、几何畸变及部分残缺的目标有分类的不变性。
伪二维隐马尔科夫P2DHMM一种动目标识别与跟踪算法，通过影像匹配的方法实现。
其不仅在机场飞机识别方面具有很强的能力，而且在港口的船只种类、核设施和战场等敏感区域的变化检测等应用领域也具有潜在的应用价值。
具体的算法优势主要体现在以下三个方面：
（1）伪二维隐马尔可夫拓扑网络构建的适用性。
研究中用基于伪二维隐马尔科夫模型拓扑结构，超状态搜索、距离度量算法等，得到测试影像和参考影像间具有类型不变性的距离度量，算法对平移、旋转、尺度、几何畸变及部分残缺的目标有分类的不变性。
（2）参数的二维补偿。
目标的识别过程中，对目标模型进行合理的描述建立合理的参量是很重要的步骤。
研究中对遥感影像进行水平和垂直方向的Sobel滤波处理，分别从两梯度影像上提取像素3×3区域的像素信息，对这18个像素的灰度梯度值进行排列得到像素的18维矢量描述,用影像所有像素的18维矢量来对影像进行描述。
（3）采用了模板匹配策略。
研究中建立了参考影像和测试影像数据库、飞机目标变化的格网显示与直方图分析等，是目标识别的基础性工作。
7．弱信息提取
思考题21：
传统数学中有广阔的图像处理算法开发空间，引入新算法时需要了解的四个条件是什么？
线性代数的矩阵变换与分解，针对卫星遥感波段相关性产生数据冗余和应用特征信息提取的需要，新引入开发了4种新的算法，展示传统数学在遥感新算法开发方面的探索空间。
需要了解的四个条件是问题明确、遥感物理意义清楚、算法机制合理、验证信息指向。
思考题22：
MPH技术在以下三个步骤，样本选择与统计结果、在特征空间和在彩色空间的处理过程是如何突出目标线索的？
根据遥感波段数据的统计结果，选择相关性小的三个波段合成一幅彩色图像，首先判断目标单元和背景单元，相当于把整个图像分成2大块，我们想要的信息和不想要的信息。
根据背景单元中不同地物的DN值覆盖范围，比如图像中有植被信息，那么我们可以先做4/3NDVI比值，这样增强了图像中植被的信息，然后根据植被的DN值范围做二值图象即去掉植被的膜，其它的地物也是根据它们的DN值做膜，最后把各种地物的膜做成一个综合膜，即一个综合的二值图象，其中0代表背景单元，1代表我们想要的目标单元。
把这个膜与原始图像通过逻辑运算相乘，就得到只含有目标单元的图像。
为了最后得到完整的图像，要做一个反膜，即0代表目标单元，而1代表我们去掉的背景单元，与原始图像相乘，得到只包含背景单元的图像。
主成分分析法是一种降维的统计方法，它借助于一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量。
由于主成分变换结果依赖于样本均值、协方差的初值。
因此将MASK后的波段作为初始数据输入，而不是将原始波段作为输入，可以更好地突出主成分变换对MASK后多光谱数据的分解效果。
在MASK和PCA的基础上选择三个分量合成彩色影像。
转换到彩色空间，形成I亮度，H色度，S饱和度三个独立的分量。
进行适当调整，这个调整过程可以细分光谱，增加差异，区别岩性不相同但光谱相似的混合现象。
MPH技术，基于对遥感信息的理解和对算法的理解。
充分利用了主成分变化对多波段数据的压缩的（分解）作用，掩膜处理可以人为剔除干扰信息，色度调整可以将已经突出的微弱差别凸现出来，使微弱信息可见。
思考题23：
GIVENS的算法机理是什么？
为什么有时在处理遥感数据时会取得更好的结果？
开发潜力在那里？
算法机理：
GIVENS是通过一个正交矩阵Upq来对矩阵A进行迭代旋转变换以求得矩阵A的特征值和特征向量的方法，正交矩阵Upq是将单位向量的（p，q）,（q，p），（p，p），（q，q）位置上替换为正交分量，如：
Upq的作用就是将主对角线上的元素不断增加，非对角线上的元素的值不断降低，每一次旋转，就得到p和q两个因子方差最大的正交轴，也就是使得p和q两个新向量之间互相独立，协方差为零。
通过两两建立相互正交轴，反复迭代，最终能够获得全部的方差最大的正交轴，当方差协方差矩阵旋转成对角矩阵时，得到的特征值和特征向量为主成分分析的结果。
GIVENS迭代变换通过对旋转过程中变量载荷因子的分析，得到不同旋转位置在原始数据的载荷分配，从而达到突出和提取有用的岩性信息的目的。
GIVENS迭代变换的另一个重要作用在于它提供了一种能够从角度来分析主成分变换结果的可能性。
该变换根据旋转角度所在的空间位置，可以分析主成分因子所表示的结果，从而也就解决了主成分分析结果难以解释的困难；它也为选择面向目标的旋转角度提供了依据。
思考题24：
在什么条件下提出了引进Gram—Schmidt方法？
在遥感数据处理中应用的条件
和开发潜力？
提出背景：
在弱信息提取过程中，考虑能否使用目标的光谱信息，将TM6个波段中有用的，但是较为弱的信息累加起来，使弱信息在图像中从不可见到可见，就选择了Gram-Schmidt向量空间投影变换。
其核心思想是根据图像空间中的空间均方差最小而对信息进行取舍。
在这种条件下提出了Gram—Schmidt方法。
应用的条件和开发潜力：
遥感数据是传感器接收到的地表能量，所以总是有限的，在影像上有时候不能表现出来。
遥感数据是平方可积的离散数据，可以利用空间中的向量分析方法进行分析。
我们对波段数据利用Gram—Schmidt方法来构造互不相关的向量，这些互不相关的向量之间既消除了相关性，又可以使其具有明确的物理含义。
Gram—Schmidt方法通过向量的正交变换消除了遥感信息之间的相关性，同时构造了具有明确物理意义的新向量，消除了数据之间的冗余和干扰，在遥感弱信息提取方面可以发挥重要作用，使要表达的信息从不可见到可见。
8．贝叶斯网络
思考题25：
遥感数据处理中的贝叶斯网络方法？
贝叶斯网络是图论和概率论结合产生的一种信息描述方法，是1988年在贝叶斯定理的基础上提出和发展起来的，其有向无环图的结构可以很好地表达特征间的依赖关系，通过概率推理能够实现多特征的知识表达与不确定性推理与预测。
遥感数据是多波
升级会员 