航天 | 卫星地图（电波信息转换、识别得到的图像）

　　卫星地图（Satellite Map）是一种以人造地球卫星作为主要数据获取平台，通过其搭载的遥感传感器收集地球表面的电磁波信息，经过一系列复杂的数字化处理（如几何校正、辐射校正、投影变换和制图综合）后，生成的能够以图像形式或图像与符号相结合的形式，真实、准确地反映地表自然与人文要素空间分布的地图产品 [1]。

　　作为一种新型的地图载体，真实、准实时或高时效性与高精度，突破了传统测绘资源的局限，利用多光谱传感器捕捉可见光、红外等波段信息，并通过几何校正使像素与地理坐标建立精确对应关系（在一定误差范围内）。随着技术进步，分辨率已突破亚米级，更新频率从数月缩短至数天 [1]，为导航定位、城市规划、精准农业以及自然灾害监测提供了坚实的数据支撑，尤其在传统测绘资源缺失或过期的地区，扮演着“实时地球仪”的关键角色 [2]。

　　定义

　　卫星地图可以被定义为：一种以人造地球卫星作为主要数据获取平台，通过其搭载的遥感传感器收集地球表面的电磁波信息，经过一系列复杂的数字化处理（如几何校正、辐射校正、投影变换和制图综合）后，生成的能够以图像形式或图像与符号相结合的形式，真实、准确地反映地表自然与人文要素空间分布的地图产品 [1]。

　　这个定义包含以下几个核心要点：

　　数据来源的独特性：其根本数据源于外层空间的卫星观测，这使其具备了传统测绘手段难以比拟的宏观性、周期性和客观性 [1]。

　　技术处理的必要性：原始的卫星数据（或称卫星影像）并不能直接作为地图使用，必须经过专业的制图学处理（cartographic enhancement），以消除传感器误差、大气影响和几何形变，并赋予其准确的地理坐标和地图投影，使其变得可读、可理解、可测量 [3]。

　　表现形式的多样性：卫星地图最常见的形式是“影像地图”（Image Map），它以经过处理的卫星影像作为地图的主要内容，直观展示地表景观 [4]。同时，它也可以是“影像-线划混合地图”，即在影像基础上叠加道路、地名、行政区划等传统的线划地图要素，以增强其实用性和信息承载量 [5]。

　　内容的真实性与丰富性：与传统地图经过高度抽象和符号化不同，卫星地图能提供地表“所见即所得”的真实样貌，具有强烈的三维立体感和丰富的光谱信息，能够反映出传统地图无法表达的植被状况、土壤湿度、地表温度等深层信息 [1]。

　　发展历程

　　卫星地图技术的演进过程大致可分为以下几个阶段。

　　早期探索与军事应用：20世纪50年代—70年代

　　1957年：苏联成功发射了人类第一颗人造卫星“斯普特尼克1号”（Sputnik I），标志着太空时代的开启，也为从太空观测地球提供了可能性 [31]。

　　1960年：美国发射了第一颗成功的气象卫星“泰罗斯1号”（Tiros-1），它传回了第一张从太空拍摄的地球云图，开启了系统性地球观测的序幕 [32]。这可以被视为卫星地图的雏形。

　　20世纪60年代：在美苏冷战的大背景下，卫星遥感技术的主要驱动力是军事侦察。美国的“科罗娜”（CORONA）计划是这一时期的代表，该系列侦察卫星通过胶片相机拍摄地面影像，然后将胶片舱回收至地面进行冲洗和判读，为军事情报提供了关键信息 [33]。这些早期的影像在解密后，也为科学研究提供了宝贵的历史数据。

　　1972年：这是一个里程碑式的年份。美国国家航空航天局（NASA）发射了第一颗专门用于民用地球资源探测的卫星——“地球资源技术卫星1号”（ERTS-1），后更名为?“陆地卫星1号”（Landsat 1）? [34]。Landsat计划的启动，标志着卫星遥感技术从军事专属走向科学应用和公共服务。其提供的多光谱数据和全球覆盖能力，极大地推动了地质学、农学、林学、地理学等学科的发展，成为卫星地图大众化的开端。

　　商业化与高分辨率时代：20世纪80年代—21世纪初

　　20世纪80年代：随着技术的成熟，卫星遥感开始走向商业化。1986年，法国发射的SPOT-1卫星是商业遥感卫星的典范，它首次提供了立体像对，使得利用卫星影像进行地形测绘成为可能 [35]。与此同时，地理信息系统（GIS）技术快速发展，ESRI等公司的成立和商业GIS软件的普及，为卫星地图数据的处理、分析和应用提供了强大的工具 [34]。

　　20世纪90年代末至21世纪初：美国政府放宽了对商业遥感卫星空间分辨率的限制，催生了高分辨率商业卫星的浪潮。1999年，IKONOS卫星的发射是一个划时代的事件，它首次提供了1米空间分辨率的商业卫星影像 [36]。随后，QuickBird（0.6米）、WorldView等更高分辨率的卫星相继升空，使得人们能够从卫星地图上清晰地分辨出房屋、汽车、道路等细节，极大地拓展了卫星地图在城市规划、基础设施监测、商业选址等领域的应用 [36]。

　　新世纪的变革：互联网、大数据与智能化：21世纪初—2026年

　　2005年：谷歌地球（Google Earth）?的发布是卫星地图发展史上的又一个重要分水岭。它将海量的、经过处理的全球卫星地图数据通过互联网免费提供给公众，并以其直观的三维浏览体验，彻底改变了大众与地理信息交互的方式 [37]。这标志着卫星地图进入了大众消费和互联网应用的新时代。

　　2010年代：“立方体星”（CubeSat）等微小卫星技术的成熟，催生了以Planet、Spire等公司为代表的商业航天新势力。它们通过发射由数百颗小型、低成本卫星组成的星座，实现了对地球的“每日”甚至更高频率的覆盖，将卫星地图的时间分辨率提升到了前所未有的水平，开启了“地球实时监测”的时代 [38]。

　　2020年代至今（截至2026年）?：大数据、云计算和人工智能（AI）技术与卫星遥感深度融合。海量的卫星数据被存储在云平台上，用户无需下载即可在线进行分析处理。更重要的是，以机器学习和深度学习为代表的AI技术，正在被广泛应用于卫星地图的自动化解译，例如自动识别建筑物、道路、农作物，监测地表变化，甚至预测经济活动 [38]。卫星地图正在从“被动看”向“智能分析”转变，成为洞察地球系统运行规律的“智慧之眼”。

　　核心术语辨析

　　在实际应用中，“卫星地图”常与“卫星影像”和“航空照片”等术语混用，但它们之间存在本质区别。

　　卫星影像 (Satellite Imagery) vs. 卫星地图 (Satellite Map):

　　卫星影像是数据，是原材料。它是由卫星传感器直接记录并下传的地球表面的原始或经过初步处理的栅格数据 [6]。这些图像虽然包含了丰富的地理信息，但可能存在几何畸变（由地球曲率、地形起伏、卫星姿态等引起）、辐射失真，并且没有统一的地理参考框架 [7]。

　　卫星地图是产品，是成果。它是在卫星影像的基础上，通过正射校正（消除几何畸变）、配准到标准地图投影系统、进行图像增强和色彩校正，并可能添加了图名、比例尺、图例、坐标格网等地图要素的最终制图产品 [1]。简而言之，卫星地图是经过了严格制图学加工、符合地图精度要求的卫星影像。所有地图都是一种主观表达，包含了选择、符号化和抽象的过程，而卫星影像则更接近于对电磁波的客观记录 [8]。

　　卫星影像/地图 vs. 航空照片/地图 (Aerial Photography/Map)

　　获取平台不同：这是最根本的区别。卫星影像/地图的数据由运行在数百公里高空地球轨道上的卫星获取；而航空照片/地图则由飞机、直升机或无人机（UAV）等在数千米或更低空域飞行的航空器搭载相机或传感器获取 [9]。

　　覆盖范围与细节精度：卫星的轨道高度使其能够一次性覆盖广阔的区域（从数十到数千平方公里），非常适合进行大尺度、宏观的科学研究和监测。航空摄影的飞行高度较低，单张照片覆盖范围小，但通常能提供更高的空间分辨率和更丰富的细节，更适合小范围、高精度的测绘任务 [9]。

　　获取频率与灵活性：卫星按照固定的轨道周期性地飞越地球上空，可以实现对同一地区的高频次重复观测（即高时间分辨率），这对于监测动态变化至关重要 [10]。航空摄影的安排则更为灵活，可以根据具体需求随时起飞，但受天气、空域管制等因素影响较大，且对于大范围或偏远地区的重复观测成本高昂 [11]。

　　数据特性：卫星传感器通常是多光谱或高光谱的，能获取可见光以外的电磁波段信息，为专业分析提供了更多维度的数据 [12]。而传统的航空摄影多为可见光波段。

　　主要特征

　　卫星地图作为一种现代地理信息载体，具备以下几个显著特征 [4] [12-13]：

　　宏观性与全球覆盖能力：卫星能够在短时间内获取大范围乃至全球的地理数据，为全球性问题的研究（如气候变化、资源调查）提供了前所未有的宏观视角 。

　　现势性与动态监测能力：许多遥感卫星具有较短的重访周期，可以对同一地区进行持续的动态监测，从而能够及时捕捉到地表发生的变化，如城市扩张、森林砍伐、灾害发生等 。

　　信息丰富性与多维性：除了提供地表的几何形状和纹理信息，多光谱和高光谱卫星还能提供地物自身的光谱特征信息，通过分析这些“光谱指纹”，可以识别植被类型、评估作物长势、勘探矿产资源等 。

　　客观性与可达性：卫星遥感是一种非接触式探测技术，能够客观记录地表现状，并且可以深入到人类难以或无法到达的区域，如沙漠、极地、高原和灾区，获取宝贵的一手资料 。

　　数字化与易处理性：卫星地图本质上是数字产品，易于在计算机上进行存储、传输、处理和分析，并且能够与地理信息系统（GIS）无缝集成，作为GIS空间分析的重要数据基础 。

　　技术原理与制作流程

　　卫星地图的诞生是一个集空间科学、光电技术、计算机科学和地理信息科学于一体的复杂系统工程。其背后涉及从太空中的数据采集，到地面上的数据处理，再到最终地图产品的生成的完整技术链条。

　　数据采集：卫星平台与遥感传感器

　　卫星地图的数据源头是运行在地球轨道上的人造卫星。一颗典型的地球观测卫星由两大核心部分组成：卫星平台（Bus/Platform）?和有效载荷（Payload） [14]。

　　卫星平台：是卫星的“身体”和“生命支持系统”，为有效载荷的正常工作提供支撑和保障。它通常包括以下几个子系统：

　　结构子系统 (Structure)：卫星的骨架，用于承载和连接各个部件。　

　　电源子系统 (Power Supply)：通常由太阳能电池板和蓄电池组成，为卫星提供持续的电能。　　

　　姿态与轨道控制子系统 (Attitude and Orbit Control System, AOCS)：负责精确控制卫星的指向和飞行轨道，这是保证对地观测精度和稳定性的关键。　　

　　热控子系统 (Thermal Control)：调节卫星内部温度，确保各种精密仪器在极端太空环境中正常工作。　　

　　推进子系统 (Propulsion)：携带燃料和发动机，用于轨道调整和位置保持。　　

　　通信子系统 (Communication)：包括天线、发射机和接收机，负责接收地面指令和向地面站传回观测数据。　　

　　有效载荷：是卫星的“眼睛”和“大脑”，是直接执行地球观测任务的核心部分。对于制作卫星地图而言，最重要的有效载荷就是遥感传感器 (Remote Sensor)。传感器按其工作方式可分为：　　

　　被动式传感器 (Passive Sensors)：不主动发射电磁波，而是接收和记录由太阳反射或地物自身发射的电磁波能量，如可见光相机、多光谱扫描仪、热红外辐射计等。这是最常见的传感器类型，但其工作受光照和天气（如云层）条件影响。　　

　　主动式传感器 (Active Sensors)：主动向地表发射特定波段的电磁波（如微波），然后接收并分析从地物返回的信号。最典型的代表是合成孔径雷达 (Synthetic Aperture Radar, SAR)。SAR可以全天候、全天时工作，能够穿透云、雾、雨，甚至一定的地表覆盖物，在地质勘探、灾害监测（特别是洪水）等领域具有独特优势 [15]。　　

　　核心技术要素：分辨率的四个维度

　　卫星地图的质量和应用潜力在很大程度上取决于其“分辨率”，这是一个多维度的概念，通常包括以下四个方面 [16]：　　

　　空间分辨率 (Spatial Resolution)：指卫星地图上能够分辨的最小地物尺寸，通常用一个像素（Pixel）代表的地面实际距离来表示。空间分辨率越高，图像越清晰，能够识别的地物细节越多 [12] [16]。例如，30米分辨率的影像适合进行区域土地覆盖分类，而亚米级（<1米）分辨率的影像则可以用于识别车辆、房屋等精细目标 。

　　光谱分辨率 (Spectral Resolution)：指传感器能够感知的电磁波谱段的数量和每个波段的宽度。波段数量越多、波段宽度越窄，光谱分辨率就越高，区分不同地物的能力就越强 [12]。　　

　　全色 (Panchromatic)：单个较宽的波段，通常覆盖整个可见光范围，空间分辨率高，但没有色彩信息，呈黑白状。　　

　　多光谱 (Multispectral)：通常有3到10几个离散的、较宽的波段，可以生成彩色合成图像，并进行植被指数计算等分析。　　

　　高光谱 (Hyperspectral)：拥有数百个连续的、非常窄的波段，能够获取地物精细的光谱曲线，极大地增强了物质识别和成分分析的能力。　　

　　辐射分辨率 (Radiometric Resolution)：指传感器记录电磁波强度等级的能力，通常用比特数（bit）来表示。例如，8比特的辐射分辨率意味着传感器可以将探测到的能量强度分为2?=256个等级（0-255）。辐射分辨率越高，图像对地物亮度差异的感知能力越精细，能更好地区分亮度差异微小的目标 [17]。　

　　时间分辨率 (Temporal Resolution)：指卫星重复观测同一地点的间隔时间，也称为重访周期。时间分辨率越高（间隔时间越短），捕捉地表快速变化的能力就越强。例如，每日重访的卫星非常适合洪水、火灾等灾害的应急监测，而16天重访的Landsat卫星则更适合进行季节性或年度性的环境变化研究 [10]。　　

　　这四个分辨率之间往往存在相互制约的关系，用户需要根据具体的应用需求，在它们之间进行权衡和选择 [17]。

　　数据处理与地图制作流程

　　从卫星下传的原始数据到用户手中的卫星地图，需要经过一系列复杂而严谨的处理流程，这个过程可以概括为以下几个关键步骤 [18-19] [21]：

　　（1）数据接收与预处理：卫星飞越地面站上空时，将存储的观测数据通过高速链路下传 。地面站接收后，进行初步的解包、检错和数据整理，形成原始数据产品。

　　（2）辐射校正：此步骤旨在消除由传感器自身状态、大气散射和吸收等因素引起的辐射误差，将传感器记录的无量纲数值（DN值）转换为具有物理意义的辐射亮度值或地表反射率值 。这是进行定量化遥感分析的基础。

　　（3）几何校正：这是将卫星影像转化为地图的关键一步。该过程旨在消除由地球曲率、地形起伏、卫星姿态变化和传感器扫描方式等引起的几何畸变，使影像上的每一个像素都具有精确的地理坐标 [20]。　　

　　系统级几何校正：利用卫星自身的轨道和姿态数据进行初步校正。　　

　　精确几何校正（正射校正）?：利用高精度的地面控制点（GCPs）和数字高程模型（DEM），对影像进行逐像素的校正，消除地形起伏造成的像点位移。经过正射校正的影像，具有地图的几何精度，可以直接用于量测。　　

　　（4）影像增强与融合：为了改善影像的视觉效果和信息量，常常需要进行影像增强处理，如对比度拉伸、色彩调整等 。此外，一个常见的技术是影像融合，即将高空间分辨率的全色影像与较低空间分辨率的多光谱影像进行融合，生成既有高分辨率细节又保留了彩色信息的彩色影像，即我们常见的彩色卫星地图 。

　　（5）地图整饰与输出：在处理好的影像基础上，根据地图产品的要求，进行镶嵌（将多景影像拼接成一幅大图）、裁剪，并添加地图要素，如地名标注、道路网、行政区划、图名、比例尺、图例、坐标格网等 。最终，根据需求输出为数字栅格文件（如GeoTIFF）、在线地图瓦片服务或印刷品 。

　　整个流程高度依赖于专业的遥感图像处理软件（如ERDAS IMAGINE, ENVI）和地理信息系统软件（如ArcGIS, QGIS） [22]。

　　关键应用领域

　　截至2026年，卫星地图的应用已经渗透到社会经济的方方面面，成为支撑全球可持续发展、提升社会治理能力和改善民生的关键技术。

　　环境监测与全球气候变化研究

　　卫星地图为我们提供了持续、客观、大范围监测地球环境的独特能力，是理解和应对全球气候变化不可或缺的工具 [23]。　　

　　气候变化监测：通过长时序的卫星地图数据，科学家可以精确监测全球冰川和极地冰盖的消融速度、海平面的上升趋势、全球森林覆盖的变化（毁林与再造林）、以及地表温度的异常。　　

　　生态系统监测：卫星地图被广泛用于监测生态系统的健康状况和动态变化。例如，通过分析多光谱影像计算出的植被指数（如NDVI），可以评估草地生产力、森林健康状况。在高光谱卫星地图的支持下，甚至可以识别特定的植被物种和病虫害胁迫。针对干旱区的荒漠生态系统，可以利用多源卫星协同和时间序列分析技术，监测其结构和功能变化，为生态保护和恢复提供决策依据 [23]。　　

　　环境污染监测：卫星地图还能“看见”污染。例如，通过监测水体的光谱特征，可以评估水华（蓝藻爆发）的范围和严重程度；通过分析大气传感器的数据，可以追踪大气污染物（如NO?、SO?）的来源和扩散路径。　　

　　智慧城市管理与城市规划

　　在高分辨率卫星地图的支持下，现代城市管理正变得前所未有的精细和智能 [24-25]。　　

　　城市扩张与土地利用监测：高分辨率卫星地图能够清晰地展示城市建成区的边界、内部结构和用地类型。通过对比不同时期的地图，管理者可以精确掌握城市扩张的速度和模式，监测土地利用的动态变化（如耕地被占用、绿地增减），为制定科学的城市总体规划和土地利用政策提供依据。　　

　　基础设施管理：卫星地图可用于城市基础设施的清查、监测和维护。例如，可以利用卫星地图快速统计城市建筑物的数量和分布，识别违章建筑；监测道路网络的变迁，规划新的交通线路；评估城市绿地系统的连通性和服务范围。　　

　　智慧交通系统：尽管卫星地图本身不直接提供实时交通流，但它是智能交通系统（ITS）不可或缺的地理底图。高精度的卫星地图为车辆导航、路径规划、交通流量可视化和拥堵分析提供了准确的地理空间框架。GIS系统可以整合卫星地图、实时交通探测器数据、摄像头视频流等信息，实现对城市交通的综合管控和应急响应 [24]。　　

　　BIM与GIS集成：在智慧城市建设中，建筑信息模型（BIM）与地理信息系统（GIS）的集成是重要趋势。卫星地图作为宏观GIS环境的基础数据，可以与精细的微观BIM模型相结合，实现从城市到建筑的无缝可视化和管理，支持城市级的灾害模拟、应急疏散规划等高级应用 。　　

　　灾害应急响应与风险管理

　　在自然灾害（如地震、洪水、火灾、滑坡）发生时，卫星地图是决策者和救援人员的“天眼” [26-27]。　　

　　灾情快速评估：灾害发生后，尤其是当灾区地面交通和通信中断时，第一时间获取的灾后卫星地图是评估灾害范围、损失程度和确定救援重点区域的最有效手段。通过对比灾前和灾后的高分辨率影像，可以快速识别出倒塌的房屋、被淹没的区域、损毁的道路和桥梁 [26]。　　

　　应急响应支持：基于最新的卫星地图，应急指挥部门可以规划安全的救援路线，确定空投物资和人员安置的地点，指导救援力量精准投入。　　

　　气候灾害预警与监测：截至2026年，利用卫星数据进行灾害的实时监测和预警技术取得了长足进步。例如，通过持续监测降雨的卫星数据和地面高程模型，可以进行洪水演进模拟和风险预警。合成孔径雷达（SAR）卫星由于其全天候观测能力，在洪水和滑坡监测中发挥着尤其重要的作用 。　　

　　精准农业与粮食安全

　　卫星地图正在引发一场农业生产的“绿色革命”，使农业管理从凭经验、大水漫灌的粗放模式，转向基于数据、精准施策的智能化模式 [28]。　　

　　作物长势监测与估产：通过分析多光谱卫星地图计算出的植被指数，农场主和农业管理部门可以大范围、非接触地监测作物的长势，识别出长势不佳或遭受病虫害的区域，从而进行精准的灌溉、施肥或施药，实现“按需管理”，节约资源、保护环境 。结合气象数据和作物生长模型，卫星遥感还能对区域乃至国家的粮食产量进行预测，为保障粮食安全提供重要信息。　　

　　土地资源调查与规划：卫星地图可用于精确测绘耕地面积、评估土地质量、划分农业适宜区，为农业生产的宏观布局和土地流转提供科学依据。　　

　　农业保险与灾害评估：对于农业保险公司而言，卫星地图是进行农业灾害（如干旱、洪涝、冰雹）评估和理赔的有力工具。通过分析灾前灾后的卫星影像，可以客观、高效地确定受灾范围和损失程度。　　

　　军事、安全及其他领域　　

　　军事与国家安全：军事应用是卫星地图技术发展的源头，至今仍是其最重要的应用领域之一。高分辨率、高时效性的卫星地图为情报、监视和侦察（ISR）、精确打击、战场环境分析、军事部署提供了关键支持 [28]。　　

　　全球导航与定位：虽然全球导航卫星系统（GNSS，如GPS、北斗）本身不直接提供地图，但它们提供的精确定位服务是所有现代地图应用（包括卫星地图）的基础。反之，卫星地图也为导航应用提供了丰富的可视化背景和上下文信息 [29]。　　

　　商业与大众应用：在日常生活中，卫星地图已经无处不在。从在线地图服务（用于导航、出行规划） [30]，到房地产行业（用于评估地块环境、展示房产周边），再到新闻报道（用于直观展示事件发生地），卫星地图已经成为大众获取地理信息、认知世界的标准方式之一。　　

　　参考资料

　　1Vansteenvoort, L., LAVREAU, J., & De Maeyer, P. (2001). Satellite image map as a planimetrical basis for areas without an up-to-date cartography. Proceedings of the 1st Workshop of the Earsel Special Interest Group on Remote Sensing for Developing Countries, Gent (Belgium), 2001, 269–278.

　　2杨云,陈英,彭晓霞,等.基于卫星地图的人工影响天气安全射界图研究[J].电子技术与软件工程.2016,(17).

　　3K?bben, B. (2003). Advances in satellite image mapping : ITC's expericence. In Proceedings of the national seminar on satellite image map (SIM) production and operationalisation (pp. 1-27) http://kartoweb.itc.nl/kobben/publications/Macres2003.pdf

　　4Keskin, M., Dogru, A.O., & Ulugtekin, N. (2015). Multi-scale GIS based Satellite Image Mapping.

　　5Keskin, M., Dogru, A.O., & Ulugtekin, N. (2015). Multi-scale GIS based Satellite Image Mapping.Wahid, Kamaruzzaman (2009) Accuracy estimates of digital elevation model (DEM) towards the creation of satellite image map (SIM) / Kamaruzzaman Wahid. Masters thesis, Universiti Teknologi MARA (UiTM).

　　6Miller, K. (2003). Understanding the spatial database of the multipurpose GIS.

　　7G. Joseph, Fundamentals of remote sensing. Universities Press, 2005.

　　8Niphadkar, M., Dhital, N., Neeti, N., Gowans, S., Volker, S., Janssen, Media, C., Ltd, P., El-Sheimy, N., El-Sheimy PEng, C., Gowans, N., & Janssen, D.V. GIS vs Remote Sensing in India: Demystifying the Mix-up in Simple Terms.

　　9Santos, ?lvaro & Kuhn, Caiubi & Reis, Fabio & Canil, Kátia & Figueira, Ronaldo & Filho, Augusto & Nascimento, Marcos & Hoff, Rosemary. (2019). Geologia de Engenharia, Riscos Ambientais e Planejamento Territorial.

　　10Majidi Nezhad, Meysam & Nastasi, Benedetto & Groppi, Daniele & Lamagna, Mario & Piras, Giuseppe & Astiaso Garcia, Davide. (2021). Green Energy Sources Assessment Using Sentinel-1 Satellite Remote Sensing. Frontiers in Energy Research. 9. 10.3389/fenrg.2021.649305.

　　11Asefpour Vakilian, Afshin & Momeni, Mehdi. (2013). Mapping from space - Ontology based map production using satellite imageries. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. XL-1/W3. 453-458. 10.5194 /isprsarchives-XL-1-W3-453-2013.

　　12Mrs. Pushpa. R. N,Novel Review on Various Resolutions of Satellite Images,(2019) International Journal for Research in Applied Science and Engineering Technology.

　　13Zhang, Chuanrong & Li, Xinba. (2022). Land Use and Land Cover Mapping in the Era of Big Data. Land. 11. 1692. 10.3390/land11101692.

　　14Rodriguez Pirateque, German & Sofrony, Jorge & Cortés, Ernesto & Rueda, Kennet. (2020). Dise?o de misión, síntesis de factores operacionales y representaciones del segmento espacial, caso FACSAT y EMFF. Ciencia y Poder Aéreo. 15. 143-165. 10.18667/cienciaypoderaereo.678.

　　15Baudry, J. (2015). Evaluation des données de télédétection pour l’identification et la caractérisation des continuités écologiques. Http Www Theses Fr. https://doi.org/10.3390/RS6053752

　　16Zhang, Chuanrong & Li, Xinba. (2022). Land Use and Land Cover Mapping in the Era of Big Data. Land. 11. 1692. 10.3390/land11101692.

　　17Meyer, M.D. (2006). THE FEASIBILITY OF USING AN AUTOMATIC, DEMARCATION PROCESS ON SATELLITE IMAGERY TO IDENTIFY SETTLEMENT CHANGE FOR CENSUS PURPOSES.

　　18Pierce L. Smith. William C. Webb, Landsat-D Data Acquisition and Processing,(2013) Machine processing of remotely sensed data.

　　19Marghany, M. (Ed.). (2016). Environmental Applications of Remote Sensing. InTech. doi: 10.5772/60828.

　　20Vansteenvoort, L., Maeyer, P.D., & Lavreau, J. (2003). Mapping in inaccessible areas by integrating remote sensing data and historic cartographic documents.

　　21Doyle, F.J., Kaula, W.M., Lindquist, C.A., Mueller, I.I., Sharp, J.V., & Tobler, W. (1969). Useful applications of earth-oriented satellites - Geodesy-cartography, panel 13.

　　22Thomas Lillesand , Ralph W. Kiefer , Jonathan Chipman. Remote Sensing and Image Interpretation: Wiley, 2003:820

　　23孙强强, 林昕, 焦心, 冀正欣, 张永翔, & 高翔等. (2025). 旱区荒漠生态系统结构与功能稳定性监测及适应性治理. 农业工程学报, 42(1), 331.

　　24Gupta, P., Jain, N., Sikdar, & Kumar, K. (2003). Geographical Information System in Transportation Planning.

　　25Wach-Kloskowska, Ma?gorzata . (2018). INTELIGENTNY I ZR?WNOWA?ONY ROZW?J TRANSPORTU JAKO ELEMENT REALIZACJI ZA?O?E? KONCEPCJI SMART CITY-PRZYK?ADY POLSKIE I EUROPEJSKIE INTELLIGENT AND SUSTAINABLE DEVELOPMENT OF TRANSPORTATION AS AN ELEMENT OF IMPLEMENTATION OF THE SMART CITY CONCEPT-POLISH AND EUROPEAN EXAMPLES. 30. 99-108. 10.25167/sm2018.030.07.

　　26Voigt, Stefan & Giulio Tonolo, , Debarati. (2016). Global trends in satellite-based emergency mapping. Science. 353. 247-252. 10.1126/science.aad8728.

　　27梁晓龙.采用“北斗”卫星技术天然气管线智能巡检系统[J].石油化工自动化,2009,45(02): 51-53+64.

　　28Lee, I., Chang, C.H., & Seo, Y.C. (2012). Image-Based Cadastral Mapping with Fusion of Cadastre and Image Information.

　　29?stensen, O.M. (1996). Mapping the Future of Geomatics. International Hydrographic Review, 73.

　　30M. Nikhita and R. Mohan, "Congestion-Aware Routing in Software Defined Vehicular Networks," 2023 IEEE 14th Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON), New York, NY, USA, 2023, pp. 0127-0133.

　　31Protik, R.C. (2023). Updated Standard for Secure Satellite Communications: Analysis of Satellites, Attack Vectors, Existing Standards, and Enterprise and Security Architectures. ArXiv, abs/2310.19105.

　　32van der Wel, Frans. (2000). Assessment and Visualisation of Uncertainty in Remote Sensing Land Cover Classifications.

　　33Surveillance by Satellite. GWU. https://nsarchive2.gwu.edu/NSAEBB/NSAEBB235/13.pdf

　　34Rothstein, S. (2016). Mapping A Critical Introduction To Cartography And Gis.

　　35García, A.S., & Ruiz, N. (2014). Análisis de las capacidades de los sistemas Landsat y E01 para la actualización cartográfica. Estudio de un caso práctico.

　　36Fraser, Clive & Hanley, H & Yamakawa, T. (2001). Sub-metre geopositioning with Ikonos GEO imagery. 19-21.

　　37Teaching Geography．Teaching Geography [引用日期2026-04-27]

　　38Aiken, E.L., Rolf, E., & Blumenstock, J.E. (2023). Fairness and representation in satellite-based poverty maps: Evidence of urban-rural disparities and their impacts on downstream policy. International Joint Conference on Artificial Intelligence.　　

　　本词条认证专家为 曾海涛 助理研究员