با پیشرفت سنجنده‌های سنجش از دور طیفی با توانتفکیک طیفی بالا، تصاویر ابرطیفی ماهواره‌ای بطور وسیع به منظور نظارت بر سطح زمین به خدمت گرفته شده‌اند. بزرگی ابعاد این تصاویر نه تنها باعث افزایش پیچیدگی محاسبات گردیده بلکه باعث کاهش دقت طبقه‌بندی تصویر نیز شده است. کاهش ابعاد یکی از اصلی‌ترین روشها در تصاویر ابرطیفی برای بهبود دقت طبقه‌بندی است. معمول‌ترین روش در کاهش ابعد انتخاب عارضه می‌باشد. بطور ایده‌آل کاهش نمایندگان یک مجموعه به کاهش ابعاد ذاتی آن مرتبط می‌شود. روشهای مختلفی برای برآورد بعد ذاتی و نیز کاهش ابعاد در تصاویر ابرطیفی در منابع وجود دارد. در این مقاله به شرح و مقایسه پنج تکنیک برآورد بعد ذاتی پرداخته و کارایی این تکنیکها را به منظور طبقه‌بندی بانظارت تصاویر ابرطیفی بررسی و بحث کرده است. این تکنیکها شامل برآوردکننده مقدار ویژه(EV)، برآوردکننده بیشترین شباهت (ML)، برآوردکننده بعد همبسته (CD)، برآوردکننده عدد بسته‌بندی (PN) و کمترین گشترش درخت ژئودزیک (GMST) می‌باشد. روش طبقه‌بندی کننده نزدیکترین همسایگی (K-NN) به منظور طبقه‌بندی بانظارت مورد استفاده قرار گرفته است. تعداد زیادی از فواصل متریک در این طبقه‌بندی کننده مورد استفاده و مقایسه قرارگرفته است. پرکاربردترین روشهای کاهش ابعاد مانند تحلیل مولفه اصلی (PCA) و تحلیل مولفه مستقل (ICA) در خروجی روشهای برآوردهگر بکارگرفته شده است. این تحقیق نگاهی مقایسهای و مروری بر روشهای برآورده‌گر داشته و نیز عارضه‌های باندی استخراج شده را به منظور طبقه بندی مورد استفاده قرار داده است.