La télédétection hyperspectrale permet d'obtenir des informations de télédétection plus précises et plus riches, couvrant ainsi plusieurs niveaux et étapes de l'aéronautique, de l'aérospatial et des observations terrestres à petite échelle dans différents pays, occupant une place irremplaçable dans le domaine de l'observation terrestre par télédétection. Cependant, les ensembles de données hyperspectrales sont souvent très volumineux et contiennent des informations redondantes, ce qui complique le traitement ultérieur. Cette recherche choisit d'utiliser la cartographie des caractéristiques de Laplace pour la réduction de dimension et l'extraction des caractéristiques des données hyperspectrales, et propose un algorithme de classification bayésienne naïf pondéré. Le classificateur bayésien naïf classique a été amélioré par une méthode de pondération des récompenses, l'algorithme a été validé sur des données ouvertes, la précision de la reconnaissance des informations au sol a atteint 92,7%, ce qui représente une amélioration significative par rapport aux méthodes traditionnelles.

hyperspectral;extraction de caractéristiques;reconnaissance d’objets;algorithme de classification bayésienne naïf;cartographie des caractéristiques de Laplace