Sentinel-2卫星高分辨率遥感影像虽然能够提供丰富的地物特征信息，但在影像分类过程中，通常面临特征维度过高和数据冗余等问题。为应对这些挑战，本文提出了一种基于遗传算法（Genetic Algorithm， GA）与模拟退火算法（Simulated Annealing， SA）相结合的特征选择方法（GA-SA），提取最优特征子集，并结合支持向量机（Support Vector Machine， SVM）实现Sentinel-2影像分类。实验结果表明：（1）基于GA-SA算法的特征选择方法能够在减少特征变量的同时提高分类精度，实验数据的总体精度达到85.61%，Kappa系数为0.87。相比于单独应用GA和SA算法，该方法不仅分类效果优越，而且在提取特征子集方面表现出更高的稳定性；（2）利用该特征子集对验证数据进行分类时，精度达到85.54%，Kappa系数为0.87。此外，整个研究区域的分类耗时不到1分钟，极大地提高了分类效率，进一步验证了GA-SA算法的鲁棒性和可迁移性。

1 研究区及数据源
1.1研究区概况
1.2研究数据
2 研究方法
2.1数据预处理
2.2影像分割
2.3特征提取
2.4特征选择
2.4.1遗传算法
2.4.2模拟退火算法
2.4.3遗传-模拟退火结合算法
2.5目标函数及精度评价方法
3 结果与分析
3.1影像分割
3.2 特征提取
3.3特征选择
3.4实验数据分类结果与精度分析
3.5验证数据分类结果与精度分析
4 结论

乔慧娇,杜芳静,许镇藩,等.基于GA-SA特征优选算法的Sentinel-2影像分类[J/OL].太原理工大学学报,1-13[2025-01-13].http://kns.cnki.net/kcms/detail/14.1220.N.20250107.1412.002.html.