با پیشرفتهای فناوری سنجش از دور و تولید دادههای فراطیفی با اطلاعات طیفی فراوان، استفاده از این دادهها جهت مطالعه دقیق پدیدهها به سرعت در حال گسترش است. تصاویر فراطیفی به دلیل نمایش گسترده خصوصیات طیفی عوارض و پدیدههای سطح زمین در بسیاری از علوم زمین مورد توجه قرار گرفتهاند. یکی از مهمترین کاربردهای تصاویر فراطیفی، طبقهبندی آنها و تولید نقشههای پوشش زمینی بدون نیاز به دادههای واقعیت زمینی است.در بین روشهای گوناگون طبقهبندی بدون نظارت، استفاده از مدل آمیخته گاوسی به دلیل عملکرد بهتر و دقت بالا در خوشهبندی دادههای فراطیفی، مورد توجه قرار گرفته است. مهمترین بخش یک مدل برآورد پارامترهای آن است. تاکنون روشهای متفاوتی به منظور تخمین پارامترهای مدل آمیختهی گاوسی ارائه شده است. یکی از پرکاربردترین این روشها در سالهای اخیر، الگوریتم امید ریاضی-بیشینهسازی میباشد. این الگوریتم علیرغم سرعت بالا و دقت کلی قابل قبول، از مشکل دقت پایین در طبقهبندی مناطق با وسعت پایین رنج میبرد که این مشکل در مناطق شهری نمود پیدا میکند. در این پژوهش نویسندگان با معرفی الگوریتم نمونهگیر گیبز علاوه بر تلاش برای بالابردن دقت کلی، سعی در فائق آمدن بر مشکل برخورد با عوارض کوچک دارند. از طرف دیگر، استفاده از تمام باندهای تصویر فراطیفی در فرآیند طبقهبندی به علت همبستگی بالای بین باندها و همچنین افزایش زمان محاسبات توصیه نمیگردد. یکی از راهکارهای رفع این مشکل، استفاده از روشهای کاهش ابعاد به منظور بهبود دقت طبقهبندی است. در این پژوهش از روشهای کاهش ابعاد آنالیز مولفههای اصلی و نگاشت تصادفیاستفاده شد. به منظور مقایسه و ارزیابی صحت روشهای پیشنهادی در این پژوهش، دو داده فراطیفی واقعی شناخته شده Pavia University و Salinas و یک داده شبیهسازی شده مورد استفاده قرار گرفت. نتایج آزمایشات صورت گرفته نشان از برتری به کارگیری الگوریتم نمونهگیر گیبز نسبت به الگوریتم امید ریاضی-بیشینهسازی به منظور تخمین پارامترهای مدل آمیخته گاوسی و همچنین دقت بالاتر این الگوریتم در طبقهبندی عوارض کوچک دارد.
