Hyperspektrale Fernerkundung kann genauere und reichhaltigere Fernerkundungsinformationen erhalten, daher umfasst sie mehrere Ebenen und Stufen der Luftfahrt, Raumfahrt sowie kleinmaßstäblicher bodengebundener Beobachtungen in verschiedenen Ländern und nimmt einen unersetzlichen Platz im Bereich der terrestrischen Fernerkundung ein. Hyperspektrale Datensätze sind jedoch oft sehr umfangreich und enthalten redundante Informationen, was die nachfolgende Verarbeitung erschwert. Diese Studie wählt die Laplace-Merkmalsabbildung zur Dimensionsreduktion und Merkmalsextraktion hyperspektraler Daten und schlägt einen gewichteten naiven Bayes-Klassifikationsalgorithmus vor. Der klassische naive Bayes-Klassifikator wurde durch eine Belohnungsgewichtungsmethode verbessert, der Algorithmus wurde mit öffentlichen Daten validiert, die Erkennungsgenauigkeit der Geländeinformationen erreichte 92,7 %, was eine deutliche Verbesserung gegenüber herkömmlichen Methoden darstellt.

hyperspektral;Merkmalsextraktion;Objekterkennung;naiver Bayes-Klassifikationsalgorithmus;Laplace-Merkmalsabbildung