La classification des fonds marins basée sur la technologie ALB (Airborne LiDAR Bathymetry) de mesure de profondeur LiDAR aéroportée peut fournir des données fondamentales pour le développement des ressources marines dans les eaux peu profondes, la protection de l'environnement marin, la construction d'ingénierie maritime, etc., et revêt une importance majeure pour les activités marines et la recherche scientifique marine. Pour résoudre le problème de redondance des caractéristiques dans la classification des fonds marins ALB, cet article propose un algorithme de classification du fond tenant compte de la sélection optimale des caractéristiques d'onde et topographiques. Sur la base de l'extraction des caractéristiques d'onde et topographiques, un modèle de sélection de caractéristiques Relief-F a été construit, qui, en calculant la contribution de chaque caractéristique à la classification des fonds, réalise une sélection multiple des caractéristiques ; ensuite, trois classificateurs supervisés, la forêt aléatoire RF (Random Forest), la machine à vecteurs de support SVM (Support Vector Machine) et le réseau de neurones BPNN (Back Propagation Neural Network) sont utilisés pour la classification supervisée, extrayant cinq types de fonds : corail, gravier, sable, végétation et zone côtière. Pour vérifier l'efficacité de la méthode de classification proposée, des expériences ont été menées en utilisant les données ALB mesurées de l'île Ganquan dans l'archipel Xisha, les résultats montrent qu'après la sélection des caractéristiques par l’algorithme Relief-F, la précision de classification de RF, SVM et BPNN a augmenté de 1,1 %, 1,1 % et 2,7 % respectivement ; parmi eux, la classification par forêt aléatoire a une précision plus élevée, la précision globale OA (Overall Accuracy) et le coefficient Kappa ont atteint respectivement 95,36 % et 0,94. Les résultats de cette étude peuvent fournir un support technique efficace pour les besoins en classification des fonds marins dans des domaines tels que l'ingénierie marine.

LiDAR aéroporté; classification des fonds; caractéristiques d'onde; caractéristiques topographiques; modèle de sélection Relief-F; traitement d'image; océan