Original paper

Support Vector Machines for Vegetation Classification A Revision

Braun, Andreas Christian; Weidner, Uwe; Hinz, Stefan

Abstract

Within the last decade, a new classification method from the field of machine learning, has found increased application in remote sensing. So called support vector machines (SVM) are being used for the classification of virtually all kinds of data used in remote sensing. They achieve special attention in the field of hyperspectral datasets. For these, SVMs are especially well suited, as they cope very well with their high number of dimensions. This contribution gives a thorough introduction into the topic, outlines fields of applications - thereby focussing on classifying vegetation - and presents a comparison of results with other methods such as maximum likelihood and spectral angle mapper.

Kurzfassung

Im letzten Jahrzehnt hat ein neues Klassifizierungsverfahren aus dem Bereich des maschinellen Lernens vermehrt Anwendung im Bereich der Fernerkundung gefunden. Die so genannten Support-Vektor-Maschinen (SVM) werden für die Klassifizierung praktisch aller Datentypen der Fernerkundung eingesetzt. Sie erhalten eine besondere Aufmerksamkeit im Bereich hyperspektraler Datensätze, für die SVMs besonders geeignet sind, da sie sehr gut mit der hohen Anzahl an Dimensionen zurechtkommen. Dieser Beitrag gibt eine ausführliche Einführung in das Thema, stellt Anwendungsgebiete - vor allem aus dem Bereich der Vegetationsklassifizierung - dar und präsentiert einen Vergleich anhand von Klassifizierungsergebnissen mit anderen Verfahren (Maximum-Likelihood und Spectral Angle Mapper).

Keywords

support vector machinesvegetation classificationkernel learningpattern recognition