یکی از موفقیت‌آمیز‌ترین کاربردهای داده‎های فراطیفی، طبقه‌بندی آنها و تولید نقشه‌های پوشش زمین بدون نیاز به داده‌های واقعیت زمینی است. در میان روش‌های مختلف طبقه‌بندی غیرنظارت شده، روش‌های جزءبندی به‌دلیل سرعت و عملکرد بالا در خوشه‌بندی داده‌های فراطیفی مورد توجه قرار گرفته‌اند. عملکرد خوشه‌بندی مبتنی بر جزء‌بندی این داده‌ها تابع پنج پارامتر تعداد و موقعیت خوشه‌ها، تعداد و موقعیت باندها و معیار شباهت است. بنابراین می‌توان به مسئله‌ی خوشه‌بندی جزء‌بندی به‌صورت یک مسئله‌ی بهینه‌سازی نگاه کرد که هدف در آن پیدا کردن موقعیت بهینه‌ی پارامترهای مذکور است. بسته به اینکه کدامیک از این پنج پارامتر در فرآیند بهینه‌سازی توده ذرات وارد شوند چهار حالت معنی‌دار در این تحقیق در نظر گرفته شده و هدف پیدا کردن حالتی است که به بالاترین دقت در تهیه نقشه‌های موضوعی منجر شود. لازم به ذکر است که از میان پنج پارامتر مختلف خوشه‌بندی، معیار شباهت و تعداد خوشه ها به منظور جلوگیری از پدیده‌ی افزونی پارامترها وارد فرآیند بهینه‌سازی نشده و ثابت در نظر گرفته شدند. بررسی‌ها بر روی یک مجموعه‏ی داده‌ی شبیه‌سازی و دو داده‌ی واقعی نشان دادند که از میان چهار حالت مورد بررسی در این تحقیق، حالتی که تعداد باندها در یک مرحله‌ی پیش‌پردازشی توسط خوشه‌بندی باندها در فضای داده‌ها یا با استفاده از تبدیل PCA در فضای ویژگی کاهش داده می‌شود دارای دقت بالاتری در تهیه‌ی نقشه‌های موضوعی هستند.