Die Bodensedimentklassifikation basierend auf der airborne LiDAR-Bathymetrie (ALB)-Technologie kann grundlegende Daten für die Erschließung mariner Ressourcen in flachen Meeresgebieten, den Meeresschutz und den maritimen Ingenieurbau liefern und ist von großer Bedeutung für maritime Aktivitäten und die Meereswissenschaft. Um das Problem der Merkmalsredundanz bei der ALB-Bodensedimentklassifikation zu lösen, schlägt dieser Artikel einen Bodensedimentklassifikationsalgorithmus vor, der eine bevorzugte Auswahl von Wellenform- und Geländemerkmalen berücksichtigt. Basierend auf der Extraktion von Wellenform- und Geländemerkmalen wurde ein Relief-F-Merkmalsauswahlmodell entwickelt, das durch Berechnung des Beitrags jedes Merkmals zur Sedimentklassifikation eine multivariate Merkmalsauswahl ermöglicht; anschließend werden mit drei überwachten Klassifikatoren, Random Forest (RF), Support Vector Machine (SVM) und Back Propagation Neural Network (BPNN), fünf Sedimenttypen – Korallenriffe, Kies, Sand, Vegetation und Küstenzone – klassifiziert. Zur Validierung der vorgeschlagenen Klassifikationsmethode wurden Experimente mit gemessenen ALB-Daten von der Ganquan-Insel im Xisha-Archipel durchgeführt. Die Ergebnisse zeigen, dass nach der Merkmalsauswahl mit dem Relief-F-Algorithmus die Klassifikationsgenauigkeit von RF, SVM und BPNN um 1,1 %, 1,1 % bzw. 2,7 % verbessert wurde; dabei weist die Random-Forest-Klassifikation die höchste Genauigkeit auf, mit einer Gesamtgenauigkeit (OA) von 95,36 % und einem Kappa-Koeffizienten von 0,94. Die Forschungsergebnisse können eine effektive technische Unterstützung für die Anforderungen der Bodensedimentklassifikation in Bereichen wie dem maritimen Ingenieurbau bieten.

Airborne LiDAR-Tiefenmessung; Bodensedimentklassifikation; Wellenformmerkmale; Geländemerkmale; Relief-F-Merkmalsauswahlmodell; Bildverarbeitung; Meer