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 ۵ درصد بهبود ببخشد. افزایش دقت در برخی از کلاس‌‌ها تا حدود ۱۵ درصد بوده است.

در دهه­ های اخیر مطالعات بسیاری در زمینه آشکارسازی هدف در تصاویر ابرطیفی انجام شده است. این در حالیست که در زمینه آشکارسازی هدف مطالعات کمتری نسبت به حوزه طبقه­بندی جهت کاهش ابعاد و انتخاب باندهای مناسب انجام شده است. از طرفی در پردازش داده­های سنجش از دور، انتخاب باند در حوزه پردازش تصاویر ابرطیفی نقش بسیار مهمی دارد. چرا که از مجموعه تمام باندهای تصویر، بهترین آنها را از لحاظ ارزش و تنوع اطلاعاتی جهت کاهش ابعاد داده و کاهش بارمحاسباتی انتخاب می­شوند. این مطالعه یک روش ساده برای انتخاب باندهای مناسب به منظور آشکارسازی اهداف زیرپیکسل از طریق حذف باندهای بد ارائه می­نماید. این روش بر مبنای شناسایی باندهای بد از طریق مقایسه طیف آزمایشگاهی و میدانی اهداف استوار است. در این روش با برازش یک تابع توزیع نرمال بر روی مقادیر اختلاف دو طیف آزمایشگاهی و میدانی در باندهای متناظر، باندهای بهینه شناسایی و جهت ورود به روش­های آشکارسازی هدف معرفی می­شوند. جهت ارزیابی روش ارائه شده از مجموعه داده ابرطیفی TDBT‌، چند روش انتخاب باند دیگر و پارامتر ارزیابی هشدار اشتباه استفاده شد. روش ارائه شده توانست نتایج آشکارسازی برای اهداف مختلف را در دو روش مطرح و متداول آشکارسازی هدف به نام­های ACE و CEM بهبود ببخشد. در مجموع از میان تمام اهداف مورد ارزیابی تنها در ۱۲ درصد از موارد دقت آشکارسازی کاهش یافت. سرعت بالا، سادگی، بار محاسباتی پایین و زمان کوتاه پردازش از مزایای روش ارائه شده است.

سنجش‌ازدور به دلیل پوشش وسیع، توان جداسازی بالا و هزینه کم در اخذ داده از زمین، به‌عنوان ابزاری کارآمد، نقش مهمی را در حوزه‌ی پژوهش‌هایِ علوم زمین و پایشِ محیط‌زیست داشته است. یکی از مهم‌ترین کاربردهای سنجش‌ازدور آشکارسازی تغییرات است؛ تشخیص به هنگام و دقیق این تغییرات، در مقیاس محلی و جهانی، برای مدیریتِ بهینه‌ی استفاده از منابع، اهمیت زیادی دارد. این مقاله روشی نوین و بدون نظارت آشکارسازی تغییرات، کاربری اراضی با استفاده از تصاویر چند زمانه‌ی فراطیفی را عرضه می‌کند. این روش به‌صورت سلسله مراتبی و مبتنی بر استفاده از الگوریتم­های شباهت مبنا، فاصله مبنا و اتسو است. روش پیشنهادی در دو مرحله ارائه می‌شود: مرحله‌ی اول آن به‌عنوان آشکارساز و مرحله‌ی دوم، به‌عنوان فاز تصمیم‌گیری است. در مرحله اول، ابتدا داده‌ی تصحیح‌شده توسط الگوریتم­های فاصله‌ی مبنا و شباهت مبنا، وارد فضای محاسباتی نوینی به نام فضای شباهت می‌شود. در این فضا نواحی تغییریافته، بارزتر از نواحی بدون تغییر خواهد بود. در ادامه، داده وارد مرحله دوم می­شود. هدف از اجرای مرحله دوم تصمیم­گیری در مورد ماهیت پیکسل در فضای دودویی است که نواحی تغییریافته دارای مقدار یک و نواحی بدون تغییر، دارای مقدار صفر است. مهم‌ترین مزیت روش پیشنهادی، نسبت به دیگر روش‌ها: خودکار بودن؛ نداشتن پیچیدگی در روش پیشنهادی؛ حجم پایین محاسبات و دقت بالای آن است. برای ارزیابی کارایی و دقت روش پیشنهادی، از دو مجموعه داده‌ی چند زمانه‌ی فراطیفی سنجنده‌ی هایپریون، مربوط به مزارع کشاورزی اطراف شهر جیانگسو واقع در چین و مزارع کشاورزی هرمیستن واقع در آمریکا استفاده‌شده است. ارزیابی خروجی­های به‌دست‌آمده نشان‌دهنده، دقت کلی بالا و نرخ کم هشدارهای روش پیشنهادی، در مقایسه با روش‌های رایج آشکارسازیِ تغییرات، است، به‌طوری‌که دقت کلی برای داده چین، ۹۸,۴۸ درصد ضریب کاپا، ۰.۹۶۵ و میزان نرخ هشدار­های اشتباه آن، ۱.۵۱ درصد و همچنین برای داده آمریکا، ۹۵.۱۲ درصد ضریب کاپا، ۰.۸۷۰و میزان نرخ هشدار­های اشتباه آن، ۴.۸ درصد است.