اکثر الگوریتم‌‌های طبقه‌‌بندی داده‌های سنجش از دور بر اساس ویژگی‌‌ها و اطلاعات طیفی پیکسل‌‌ها عمل می‌کنند. این مسئله باعث نادیده گرفتن اطلاعات مکانی مفید قابل استخراج از این تصاویر، مانند؛ بافت تصاویر می‌شود. استفاده هم‌‌زمان از بافت و اطلاعات طیفی مبحثی است که به آن کمتر پرداخته شده است. در این پژوهش تاثیر استفاده از بافت تصویر تک‌‌باند سنجنده  ALI  بر دقت طبقه‌‌بندی تصاویر ابرطیفی سنجنده هایپریون در محیط‌‌های شهری بررسی شده است. اطلاعات بافت تصویر تک‌باند با استفاده از ماتریس رخداد همزمان (GLCM) استخراج شده است. طبقه‌‌بندی نیز با به‌کارگیری روش ماشین بردار پشتیبان (SVM) و در سه مرحله انجام پذیرفت: طبقه‌‌بندی اطلاعات طیفی تصویر ابرطیفی، طبقه‌بندی تصاویر ادغام شده به دست آمده از روش تبدیل رنگ نرمالیزه (CNT)، و نهایتا طبقه‌‌بندی با استفاده هم‌‌زمان از بافت تصویر تک‌باند و تصاویر ابرطیفی ادغام شده. تاثیر نوع ویژگی بافت استخراجی از ماتریس رخداد همزمان و همچنین اندازه پنجره استخراج بافت در پوشش‌های مختلف بررسی شد. نتایج پیاده‌سازی‌ها نشان داد که استفاده از ویژگی‌های بافتی در کنار ویژگی‌های طیفی تصاویر حاصل از ادغام، می‌تواند دقت طبقه‌بندی مناطق شهری، مانند؛ بافت مسکونی و مناطق صنعتی را  به طور کلی، حدود 5 درصد بهبود ببخشد. افزایش دقت در برخی از کلاس‌‌ها تا حدود 15 درصد بوده است.