第十八讲 | 支持向量机（SVM）：在地类识别与遥感影像分类中的应用
在遥感影像分类与地类识别中，我们经常面临高维特征、多样地表类型以及样本噪声等挑战。**支持向量机（Support Vector Machine，SVM）**作为一种强大的监督分类方法，因其在小样本、高维特征下依然保持良好泛化能力，被广泛用于遥感影像分析、地类判别及环境监测等领域。
📌 一、什么是支持向量机（SVM）？
SVM 是一种基于统计学习理论的二分类模型，其核心思想是：
通过最大化分类间隔来构建最优超平面，使得不同类别的数据被有效分开。
✅ 特点：
-
对小样本、非线性、高维数据表现良好
-
可通过核函数将原始空间映射到高维空间
-
具备较强的鲁棒性，不易过拟合
🛰️ 二、SVM 在遥感影像分类中的优势
在遥感影像中，我们通常使用像元的光谱特征（如NDVI、SWIR等）作为输入特征，进行分类建模。
| 优势 | 描述 |
|---|---|
| 💡 非线性映射能力 | 可识别复杂地类之间的非线性边界 |
| 🔍 对小样本友好 | 较少的训练样本就能建立有效分类器 |
| 🔬 高维特征兼容 | 可使用高光谱影像、多源数据 |