بدليل پديده هاف در طبقه بندي داده هاي ابر طيفي، طبقه بندي كننده هاي معمولي به تعداد نمونه هاي آموزشي زيادي دارند و معمولا نتايج رضايت بخشي بدست نمي آورند. در بسياري از موارد جمع آوري حجم زياد مورد نياز از داده هامشكل و غير ممكناست. براي بهبود دقت طبقه بندي، با حجم داده هاي آموزشي كم، اخيرا روش Support Vector Machines (SVMs) مبتني بر خواص هندسي داده ها توسط محققين پيشنهاد شده است. در اين تحقيق، كارايي و حساسيت SVM به تعداد نمونه هاي آموزشي كم در مقايسه با طبقه بندي كننده K-Nearest Neighbor(KNN) ارزيابي شده است. داده هاي ابر طيفي استفاده شده در اين تحقيق بوسيله سنجنده Airborne Visible/Infrared Imaging Spectroradiometer (AVIRIS) در ژوئن 1992 درمنطقه Indian Pines (Indiana) كه شامل انواع مختلف پوشش گياهي است اخذ شده است . نتايج اين تحقيق نشان مي دهد كه در همه موارد مورد آزمايش با تعداد نمونه هاي آموزشي مختلف، دقت طبقه بندي به روش SVM بطور قابل توجه اي بيشتر از روش KNN مي باشد بنابراين استفاده از SVM مي تواند بعنوان يك راه حل براي مسئله تعداد نمونه هاي آموزشي براي حصول دقت مناسب در طبقه بندي داده هاي ابر طيفي مورد توجه قرار گيرد.

كلمات كليدي:

تصاوير ابر طيفي ، Support Vector Machines (SVM)