支持向量机在遥感数据分类中的应用新进展-地球科学进展.pdfVIP

第２４卷　第５期 地球科学进展 Ｖｏｌ．２４　Ｎｏ．５ ２００９年５月 ＡＤＶＡＮＣＥＳＩＮＥＡＲＴＨＳＣＩＥＮＣＥ Ｍａｙ．，２００９ 文章编号：１００１８１６６（２００９）０５０５５５０８ 支持向量机在遥感数据分类中的应用新进展 １，２ ３ 张　睿 ，马建文 （１．中国科学院遥感应用研究所，北京　１００１０１；２．中国科学院研究生院，北京　１０００４９； ３．中国科学院对地观测与数字地球科学中心，北京　１００１９０） 摘　要：支持向量机是一种基于统计学习理论的新型机器学习算法，它通过解算最优化问题，在高 维特征空间中寻找最优分类超平面，从而解决复杂数据的分类及回归问题。随着应用面的不断扩 大，支持向量机在遥感领域也得到了广泛关注。该算法已经成功的应用于遥感数据的土地覆盖、土 地利用分类，多时相遥感数据的变化检测，多源遥感数据信息融合等，并且在高光谱遥感数据处理 中得到了广泛应用。综述了支持向量机算法在遥感数据分类中的应用。首先对支持向量机的理论 进行简要介绍，进而综述了该算法在不同遥感问题中的应用进展，最后阐述了新型支持向量机算法 的发展以及在遥感中的应用。 关　键　词：支持向量机；遥感数据分类 中图分类号：ＴＰ７９　　　文献标志码：Ａ ９０年代末开始，支持向量机算法被用于遥感数据的 １　引　言 分类。该算法最先用于多光谱遥感影像的分类。由 ［１］ 于ＳＶＭ可以支持高维特征空间的分类，大量研究将 从１９９５年Ｖａｐｎｉｋ 发表Ｔｈｅｎａｔｕｒｅｏｆｓｔａｔｉｓｔｉｃａｌ ｌｅａｒｎｉｎｇｔｈｅｏｒｙ开始，支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａ ＳＶＭ用于高光谱数据的分类，结果表明该算法几乎 ｃｈｉｎｅ）算法得到了广泛的关注，并被成功应用于模 不受“维数灾难”的影响，在高维特征空间可以获得 式识别和机器学习领域。该算法旨在解决现实问题 较高的分类精度。随着ＳＶＭ理论和方法的发展，该 中小样本条件下的模式识别问题，并且构建在不同 算法已经在实际运行系统中得到了应用。在美国 于传统统计学的被称为统计学习理论（ｓｔａｔｉｓｔｉｃａｌ Ｔｅｒｒａ卫星上搭载的ＭＩＳＲ传感器产品将 ＳＶＭ作为 ［６］ ｌｅａｒｎｉｎｇｔｈｅｏｒｙ）的基础上，从算法本质上更加适合真 标准产品生成算法 。另外 ＩＴＴＶＩＳ公司的ＥＮＶＩ 实问题。ＳＶＭ算法具有小样本训练、支持高维特征 软件已经集成 ＳＶＭ算法作为监督分类算法之一。 ［２］ 近几年ＳＶＭ算法在遥感领域中的应用进入了更深 空间的特点，可以很好的避免“维数灾难 ”和过学 ［７，８］ 习问题。ＳＶＭ被成功地应用于文本分类、手写体识 层次。比如将ＳＶＭ用于遥感影像分割 、变化检 ［９，１０］ ［８，１１］ ［１２］ 别以及生物信息学等领域，并且该算法一直是这些 测 、地物提取 、混合像元分解 等。由于 领域的研究热点。对ＳＶＭ理论的详细介绍，可参见 这些研究的基础仍然是遥感数据的分类，因此，对于 文献［１，３～５］。 追踪ＳＶＭ算法在遥感数据分类