2025年高考地理信息技術(shù)練習(xí)題模擬試卷及答案一、選擇題（每題4分，共48分。每題只有一個(gè)選項(xiàng)符合題意）1.2024年6月，某研究團(tuán)隊(duì)利用Sentinel2衛(wèi)星影像對(duì)長江中下游圩田區(qū)進(jìn)行水體提取。為消除云層干擾，下列預(yù)處理步驟中最關(guān)鍵的是A.輻射定標(biāo)B.大氣校正C.云掩膜生成D.幾何精校正答案：C解析：圩田區(qū)水體提取依賴近紅外波段，云層在該波段反射率高，直接形成“偽水體”。云掩膜可剔除像元，避免后續(xù)分類誤差。輻射定標(biāo)與幾何精校正雖為必經(jīng)步驟，但對(duì)“消除云層干擾”無直接作用；大氣校正主要去氣溶膠影響，無法移除云像元。2.某市利用出租車GPS軌跡數(shù)據(jù)生成工作日8:00—9:00人口密度熱力圖，發(fā)現(xiàn)城市邊緣出現(xiàn)“虛假高熱區(qū)”。最可能的原因是A.出租車載客率低B.數(shù)據(jù)采樣頻率過高C.路網(wǎng)拓?fù)溴e(cuò)誤D.出租車空駛繞行集中答案：D解析：邊緣區(qū)用地稀疏，乘客少，司機(jī)為躲避擁堵或等待訂單，常在高速匝道、立交橋環(huán)行，導(dǎo)致GPS點(diǎn)空間聚集，熱力算法誤判為人口高密度。載客率低會(huì)降低點(diǎn)密度，不會(huì)反向升高；采樣頻率高只會(huì)增加數(shù)據(jù)量，不會(huì)特定區(qū)域異常聚集；路網(wǎng)拓?fù)溴e(cuò)誤影響路徑規(guī)劃，與點(diǎn)密度無關(guān)。3.在利用無人機(jī)可見光影像生成DOM（數(shù)字正射影像）時(shí)，需布設(shè)若干GCP（地面控制點(diǎn)）。若測區(qū)高差達(dá)180m，下列關(guān)于GCP布設(shè)方案正確的是A.所有GCP布設(shè)在測區(qū)平均高程面B.GCP沿高程梯度分層布設(shè)，每層不少于5個(gè)C.GCP集中布設(shè)在最高山頂D.僅于測區(qū)四角布設(shè)4個(gè)GCP答案：B解析：高差大會(huì)導(dǎo)致外方位元素解算時(shí)高程誤差放大，分層布設(shè)可引入高程約束，提升整體幾何精度。平均高程面方案無法反映地形起伏；山頂集中分布造成解算矩陣病態(tài)；四角4點(diǎn)在高差大時(shí)易出現(xiàn)“外推”誤差。4.某省利用30m分辨率Landsat影像監(jiān)測冬小麥種植面積，發(fā)現(xiàn)與農(nóng)業(yè)部門統(tǒng)計(jì)數(shù)據(jù)相比，遙感估算結(jié)果系統(tǒng)偏大。最可能的誤差來源是A.混合像元效應(yīng)B.太陽耀斑C.波段配準(zhǔn)誤差D.時(shí)間窗口過早答案：A解析：30m像元內(nèi)常含田埂、道路、溝渠，非小麥組分被歸入小麥，導(dǎo)致面積高估。太陽耀斑僅在水體可見光波段出現(xiàn)；波段配準(zhǔn)誤差造成幾何偏移，不會(huì)系統(tǒng)偏大；時(shí)間窗口過早，小麥尚未完全出苗，面積應(yīng)偏小。5.在對(duì)青藏高原冰川邊界進(jìn)行機(jī)器學(xué)習(xí)分類時(shí)，采用NDSI（歸一化積雪指數(shù)）作為特征之一。若影像獲取時(shí)間為2024年9月，下列說法正確的是A.NDSI閾值需高于0.4以剔除季節(jié)性積雪B.冰川表面裸冰NDSI接近0，應(yīng)降低閾值C.可直接采用0.1作為統(tǒng)一閾值D.9月無積雪，NDSI失效答案：A解析：9月高原仍有積雪，但冰川邊界需區(qū)分永久冰與季節(jié)雪。NDSI>0.4可抑制濕雪、季節(jié)雪信號(hào)，保留冰川裸冰與干雪。裸冰NDSI為負(fù)或接近0，但冰川上部干雪NDSI高，故需保留高閾值；統(tǒng)一0.1會(huì)混入大量季節(jié)雪；NDSI在裸冰區(qū)雖低，但綜合其他紋理特征仍可分類，并非失效。6.某市構(gòu)建地下管網(wǎng)三維GIS，需將管線竣工圖中的CAD二維線升維至三維。最合理的技術(shù)路線是A.直接賦予管線圖層統(tǒng)一埋深值B.利用管線起點(diǎn)、終點(diǎn)高程字段插值生成三維節(jié)點(diǎn)C.將CAD線拉伸為統(tǒng)一深度立方體D.采用二維拓?fù)渲亟ǎ雎愿叱檀鸢福築解析：竣工圖通常記錄井底高程，通過節(jié)點(diǎn)高程線性插值可獲得連續(xù)三維路徑，既保持精度又符合管線實(shí)際坡度。統(tǒng)一埋深或拉伸立方體無法表達(dá)上下游高差；忽略高程則失去三維意義。7.在利用InSAR監(jiān)測城市地面沉降時(shí)，發(fā)現(xiàn)某區(qū)域出現(xiàn)“相位跳變”現(xiàn)象，最可能的原因是A.形變速率超過1/2波長B.大氣延遲C.多普勒中心頻率偏移D.基線過大答案：A解析：InSAR以相位整周計(jì)數(shù)，當(dāng)?shù)孛娉两堤荻葘?dǎo)致相鄰像元相位差超過π（即1/2波長）時(shí)，出現(xiàn)相位跳變（phaseunwrappingerror）。大氣延遲造成緩慢變化；多普勒偏移影響成像幾何；基線過大降低相干性，但不會(huì)直接引起跳變。8.某省發(fā)布“電子圍欄”政策，禁止共享單車在重點(diǎn)區(qū)域停放。為實(shí)現(xiàn)實(shí)時(shí)監(jiān)管，平臺(tái)需調(diào)用終端的A.GNSS芯片+陀螺儀B.基站三角定位C.藍(lán)牙信標(biāo)D.WiFi指紋答案：A解析：電子圍欄需米級(jí)定位，GNSS提供絕對(duì)坐標(biāo)，陀螺儀輔助判斷車輛是否靜止，防止漂移?；径ㄎ痪劝倜准?jí)；藍(lán)牙信標(biāo)需大規(guī)模布設(shè)；WiFi指紋更新成本高，均不適合城市級(jí)實(shí)時(shí)監(jiān)管。9.在利用夜光遙感影像評(píng)估敘利亞戰(zhàn)后經(jīng)濟(jì)恢復(fù)時(shí)，下列做法最可能影響結(jié)果可靠性的是A.采用年度合成影像消除云層B.用DMSPOLS與NPPVIIRS交叉校準(zhǔn)C.直接對(duì)比2022年與2010年原始DN值D.以網(wǎng)格單元GDP加權(quán)平均答案：C解析：DMSPOLS存在飽和效應(yīng)，NPPVIIRS輻射量化更精細(xì)，二者DN值尺度不同，直接對(duì)比會(huì)夸大恢復(fù)幅度。年度合成、交叉校準(zhǔn)、GDP加權(quán)均為規(guī)范處理。10.某高校利用無人機(jī)多光譜影像監(jiān)測校園銀杏葉綠素含量，構(gòu)建NDVI與SPAD值回歸模型。若R2僅0.38，下列改進(jìn)措施中效果最差的是A.引入紅邊NDVIB.增加樣本數(shù)量C.采用分位數(shù)隨機(jī)森林D.將影像分辨率重采樣至1m答案：D解析：銀杏冠層結(jié)構(gòu)復(fù)雜，單一NDVI飽和，紅邊指數(shù)可提升靈敏度；樣本少導(dǎo)致欠擬合；隨機(jī)森林可捕捉非線性。重采樣至1m會(huì)降低空間細(xì)節(jié)，混合像元增加，模型性能下降。11.在利用社交媒體（微博）簽到數(shù)據(jù)識(shí)別城市熱點(diǎn)時(shí)，發(fā)現(xiàn)凌晨2點(diǎn)CBD簽到量異常高于居住區(qū)。最合理的解釋是A.簽到地理位置漂移B.數(shù)據(jù)爬蟲時(shí)間戳錯(cuò)誤C.夜班人群集中D.簽到文本語義誤判答案：A解析：CBD高樓林立，GPS信號(hào)多路徑效應(yīng)顯著，常產(chǎn)生“漂移”至附近熱門POI，導(dǎo)致夜間“幽靈”簽到。時(shí)間戳錯(cuò)誤應(yīng)呈隨機(jī)分布；夜班人群規(guī)模有限；語義誤判與簽到量無關(guān)。12.某市利用BDS3三頻信號(hào)開展PPPRTK實(shí)驗(yàn)，將收斂時(shí)間從30min縮短至30s，主要得益于A.相位偏差小數(shù)偏差產(chǎn)品B.電離層free組合C.軌道機(jī)動(dòng)預(yù)報(bào)D.衛(wèi)星鐘差二次插值答案：A解析：PPPRTK通過區(qū)域網(wǎng)估計(jì)并播發(fā)相位小數(shù)偏差（FCB），用戶端模糊度固定，實(shí)現(xiàn)瞬時(shí)收斂。電離層free組合為雙頻經(jīng)典方法，收斂需十幾分鐘；軌道機(jī)動(dòng)與鐘差插值提升精度，但對(duì)收斂時(shí)間貢獻(xiàn)有限。二、綜合題（共52分）13.閱讀圖文材料，完成下列要求。（24分）材料一：2024年9月，某科研團(tuán)隊(duì)利用GF6衛(wèi)星寬幅影像（空間分辨率16m，幅寬800km）對(duì)黃淮海平原夏玉米進(jìn)行長勢監(jiān)測。選取2024年7月15日、8月10日、8月30日三期影像，構(gòu)建NDVI時(shí)間序列，結(jié)合氣象站點(diǎn)降水?dāng)?shù)據(jù)，建立干旱指數(shù)模型。材料二：團(tuán)隊(duì)采用隨機(jī)森林回歸，以NDVI、地表溫度（LST）、降水（PRE）、緯度（LAT）、經(jīng)度（LON）為自變量，實(shí)測0–20cm土壤相對(duì)濕度（RSM）為因變量，訓(xùn)練集R2=0.81，驗(yàn)證集R2=0.63。圖1為特征重要性排序，圖2為8月30日RSM預(yù)測空間分布。（1）指出GF6影像在監(jiān)測夏玉米長勢方面相較于Landsat8OLI的兩項(xiàng)優(yōu)勢，并說明理由。（4分）答案：①幅寬更大，黃淮海平原范圍大，單景即可覆蓋，減少鑲嵌誤差；②16m分辨率高于Landsat30m，可識(shí)別更窄的田塊，降低混合像元比例，提升NDVI精度。（2）解釋隨機(jī)森林驗(yàn)證集R2低于訓(xùn)練集的原因，并提出兩項(xiàng)改進(jìn)措施。（6分）答案：原因：樣本量不足或空間自相關(guān)導(dǎo)致過擬合，模型在“未見”區(qū)域泛化能力下降。措施：①增加野外采樣點(diǎn)，尤其在高程、土壤類型過渡帶；②引入空間交叉驗(yàn)證（spatialkfold），將空間塊作為驗(yàn)證單元，避免同一塊田同時(shí)出現(xiàn)在訓(xùn)練與驗(yàn)證集。（3）據(jù)圖1，LST重要性高于PRE，請(qǐng)從作物生理角度分析其合理性。（4分）答案：8月黃淮海玉米處于抽雄—灌漿期，需水量大，但該區(qū)降水年際變率大，灌溉普遍，土壤水分受灌溉影響大于降水；LST直接反映蒸散需求，溫度升高導(dǎo)致作物氣孔導(dǎo)度下降，NDVI對(duì)水分脅迫響應(yīng)更敏感，故LST重要性更高。（4）描述圖2中RSM低值區(qū)的空間分布特征，并推測其主導(dǎo)自然因素。（4分）答案：低值區(qū)呈條帶狀分布于古黃河泛道沙質(zhì)土壤區(qū)，呈西北—東南走向；主導(dǎo)因素：土壤質(zhì)地偏砂，持水能力差，降水易滲漏，加之地形微高，灌溉水難以滯留。（5）團(tuán)隊(duì)計(jì)劃將模型推廣至2025年，但僅使用2024年樣本。從遙感數(shù)據(jù)獲取角度指出潛在風(fēng)險(xiǎn)，并提出解決方案。（6分）答案：風(fēng)險(xiǎn)：GF6衛(wèi)星狀態(tài)、傳感器響應(yīng)可能隨時(shí)間衰減，導(dǎo)致NDVI、LST數(shù)值漂移，模型外推失效。方案：①建立穩(wěn)定場定標(biāo)網(wǎng)，每年獲取均勻場影像，更新輻射定標(biāo)系數(shù)；②引入多源數(shù)據(jù)（Sentinel2）交叉校準(zhǔn)，構(gòu)建時(shí)間一致性NDVI序列；③采用遷移學(xué)習(xí)，用2024年模型作為預(yù)訓(xùn)練，2025年少量新樣本微調(diào)。14.閱讀圖文材料，完成下列要求。（28分）材料：2025年初，某市啟動(dòng)“城市信息模型（CIM）+實(shí)景三維”項(xiàng)目，整合無人機(jī)傾斜攝影、BIM、IoT傳感器等多源數(shù)據(jù)，構(gòu)建中心城區(qū)500km2精細(xì)三維底圖。技術(shù)流程如下：①無人機(jī)采用五鏡頭傾斜相機(jī)，獲取1.5cm分辨率影像，航向重疊80%，旁向重疊70%，共飛行2800架次；②利用ContextCapture生成Mesh模型，簡化后三角面片數(shù)達(dá)120億；③將BIM模型按IFC4標(biāo)準(zhǔn)轉(zhuǎn)換為CityGML，LOD3細(xì)節(jié)層次；④在重點(diǎn)建筑內(nèi)部部署1萬個(gè)物聯(lián)網(wǎng)傳感器，實(shí)時(shí)回傳溫度、濕度、CO?濃度；⑤基于Cesium平臺(tái)發(fā)布3DTiles服務(wù)，前端加載時(shí)間目標(biāo)<8s。（1）計(jì)算無人機(jī)影像總數(shù)據(jù)量（原始RAW格式，單張影像50MB），并評(píng)價(jià)存儲(chǔ)壓力。（4分）答案：單架次按五鏡頭、平均1200張影像計(jì)，總張數(shù)=2800×1200=3.36×10?張；數(shù)據(jù)量=3.36×10?×50MB=168TB。存儲(chǔ)壓力極大，需采用分布式對(duì)象存儲(chǔ)+ErasureCode，降低冗余至1.5倍，實(shí)際約252TB。（2）指出傾斜攝影生成Mesh模型的兩類主要誤差來源，并提出對(duì)應(yīng)質(zhì)量控制方法。（6分）答案：①空三解算誤差：像點(diǎn)匹配粗差、弱紋理區(qū)域?qū)е伦藨B(tài)解算漂移；方法：引入高精度POS數(shù)據(jù)+布設(shè)稀疏GCP，采用光束法平差后粗差探測。②幾何簡化誤差：三角面片簡化導(dǎo)致建筑邊緣銳角鈍化；方法：采用帶約束的QEM算法，保留≥70°dihedralangle特征邊，對(duì)玻璃幕墻區(qū)域單獨(dú)設(shè)置簡化率<5%。（3）BIM到CityGML轉(zhuǎn)換過程中，出現(xiàn)“幾何丟失”與“語義映射失敗”兩個(gè)問題，請(qǐng)分別給出技術(shù)解決思路。（6分）答案：幾何丟失：IFC參數(shù)化曲面（NURBS）在CityGML中僅支持邊界描述，需提前將NURBS離散為三角網(wǎng)，并記錄離散精度。語義映射失?。篒FC屬性集與CityGMLADE（應(yīng)用域擴(kuò)展）字段不匹配，需構(gòu)建雙向字典，采用SPARQL查詢IFCOWL本體，自動(dòng)匹配同名、同單位屬性，無法匹配字段寫入GenericAttribute。（4）IoT傳感器數(shù)據(jù)接入CIM平臺(tái)后，需實(shí)現(xiàn)“實(shí)時(shí)渲染+歷史回放”雙模式。從數(shù)據(jù)組織角度說明如何設(shè)計(jì)存儲(chǔ)架構(gòu)。（6分）答案：采用“熱溫冷”三級(jí)存儲(chǔ)：①熱數(shù)據(jù)：Kafka接入最近1小時(shí)傳感器流，寫入Redis時(shí)序隊(duì)列，前端WebSocket訂閱，實(shí)現(xiàn)<1s延遲；②溫?cái)?shù)據(jù)：按1min粒度聚合，存入Cassandra，按（建筑ID+時(shí)間桶）主鍵，支持最近7天快速回放；③冷數(shù)據(jù)：按1h粒度轉(zhuǎn)存至HDFS，Parquet列式壓縮，通過SparkSQL供分析，降低90%存儲(chǔ)。（5）3DTiles前端加載時(shí)間超標(biāo)，經(jīng)分析網(wǎng)絡(luò)帶寬為100Mbps，平均HTTP請(qǐng)求往返600ms。請(qǐng)?zhí)岢鰞身?xiàng)優(yōu)化策略并給出預(yù)期效果。（6分）答案：①建立邊緣節(jié)點(diǎn)：將3DTiles瓦片緩存至市內(nèi)5個(gè)CDN邊緣，用戶平均RTT降至30ms，加載時(shí)間從15s降至6s。②采用Draco幾何壓縮+WebP紋理壓縮：三角網(wǎng)壓縮率70%，紋理壓縮率60%，總數(shù)據(jù)量減少68%，在相同帶寬下加載時(shí)間再降至4s，滿足<8