使用遥感影像分类方法对遥感图像上的土地覆盖与利用信息是研究中重要环节[2]。较传统目视解译分类方法，使用电子计算机对遥感图像进行分类重复性高，处理时间少，分类精度高且时效性好。即便计算机分类具有种种优点，但目视解译也不可替代。计算机分类较之目视解译，计算机不容易解决同物异谱、异物同谱、混合像元等问题[3]，面对以上问题易产生错分、漏分现象，从而使分类精度不高、图斑凌乱[4]。

除了一些传统监督分类与非监督分类外，国内外今年还新出现一些较新分类方法，如最大似然法[5]、人工神经网络分类方法（Artificial Neural Network）[6]、模糊分类法[7]、支撑向量机分类法（Support Vector Machine）[8]、决策树分类法（Decision Tree Classifier）[9]、亚像元分类法（Subpixel Classfifcation）[10]。上述方法在不同地物的分类精度上有各自的优点，但也具有不同的缺陷。本文预分析最大似然法、神经网络法、支撑向量机分类法三种遥感图像分类方法，对这三种影像分类方法对不同地物分类精度进行论述评价。

1.2遥感分类研究现状

20世纪80年代，人们开始研究利用人工智能模式识别方法对遥感图像进行分类[11]；20世纪90年代至今，大量遥感图像分类方法涌现，比较出名的神经网络、支撑向量机等分类方法皆获得良好效果[12]。

国外对遥感分类的研究中，有很多显著的成果，例如，美国ERDAS公司推出的ERDAS imagine[13]、加拿大ERM公司研制的ER Mapper[14]、新加坡3-link公司的ENVI[15]等遥感图像分类软件。市面上常用的如ERDAS、ENVI等商业遥感图像处理软件提供三个级别的软件模块供购买者选择，即基础级、高级和专用级。专业级遥感图像处理模块基础上，使用二次开发工具可使遥感图像处理软件成为RS与GIS综合的分类工具，终构成系统性、功能性、高耦合的多光谱图像研究工具，同时也具有高水平光谱区分、地物识别精度能力强的图像处理软件。

目前中国在GIS和遥感图像处理领域起步相对较晚，产品功能较为简单，在国际市场上占有率相对较小[16]。进入20世纪90年代以后，伴随着信息化的高速发展，微型计算机的发展和地理信息系统领域的迅速发展，国内一些学者也开始致力于遥感图像处理软件的开发，如武汉大学开发的MAPGIS、北京诺瓦信息技术有限公司推出的Tellux Imager，但功能相比ERDAS和ENVI等产品要弱，分类方法少、分类精度也差。

1.3研究区选取

徐州市，东经116°22′～118°40′、北纬33°43′～34°58′之间。总面积11265平方公里，其中市区面积3058平方公里。地形以平原为主，平原约占全市90%，地势西北至东南下降，平均坡度1/7500，海拔30~50m。气候为半湿润季风气候。年均温14℃，年日照时数为2284~2495h，日照率52%~57%，年均无霜期200~220天，年均降水量800~930mm。

图1 徐州市地理位置

徐州市土地利用类型多样化，有耕地、林地、园地、建设用地、草地和其他用地多种用地类型。据2015年徐州市土地利用现状公开数据所示，徐州市耕地面积为608713.74公顷、园地55995.97公顷、林地24955.85公顷、草地6213.84公顷、建筑用地206973.46公顷和其他用地22958.5公顷。其用地类型繁多，用地类型明确，易于遥感图像分类解译，故选用徐州市遥感影像数据为基础数据，进行最大似然法、神经网络法、支撑向量机法这三种不同遥感图像分类。