تصنيف الصور فوق الطيفية (HSI) باستخدام الشبكات العصبية التلافيفية (CNN) يُعد أمرًا شائعًا في الأدبيات الحالية. تتراوح الأساليب بين استخدام SVMs وCNNs ثنائية الأبعاد، وCNNs ثلاثية الأبعاد، وCNNs ثلاثية-ثنائية الأبعاد. وبالإضافة إلى نماذج CNN ثلاثية-ثنائية الأبعاد وFuSENet، فإن الطرق الأخرى لا تأخذ بعين الاعتبار الخصائص الطيفية والمكانية معًا في مهمة تصنيف الصور فوق الطيفية، مما يؤدي إلى أداء محدود. فبالرغم من أن CNNs ثلاثية الأبعاد تكون مكلفة من حيث الحسابات ولا تُستخدم على نطاق واسع، فإن CNNs ثنائية الأبعاد لا تأخذ بعين الاعتبار معالجة الصور على أكثر من دقة واحدة، وتحصر نفسها فقط في الخصائص المكانية. ورغم أن نماذج CNN ثلاثية-ثنائية الأبعاد تحاول نمذجة الخصائص الطيفية والمكانية، إلا أن أدائها يبدو محدودًا عند تطبيقها على مجموعات بيانات متعددة. في هذا المقال، نقترح نموذج SpectralNET، وهو نموذج CNN مبني على تحويل الموجات (wavelet CNN)، وهو تنويع لنموذج CNN ثنائي الأبعاد مخصص لتصنيف الصور فوق الطيفية متعددة الدقة. حيث يستخدم تحويل الموجات في طبقات متعددة لاستخراج الخصائص الطيفية، ويتميز بكون عملية حساب تحويل الموجات أقل تكلفة من حساب CNN ثلاثية الأبعاد. ثم يتم ربط الخصائص الطيفية المستخرجة بـ CNN ثنائي الأبعاد لاستخراج الخصائص المكانية، مما يُنتج متجهًا مكانيًا-طيفيًا مُستخدمًا في التصنيف. وبذلك يتم تحقيق نموذج أفضل قادر على تصنيف بيانات الصور فوق الطيفية متعددة الدقة بدقة عالية. وقد أُجريت تجارب على نموذج SpectralNET باستخدام مجموعات بيانات معيارية، مثل Indian Pines وUniversity of Pavia وSalinas Scenes، وقد أكدت النتائج تفوق النموذج المقترح مقارنةً بالأساليب المتطورة حاليًا. ويمكن الوصول إلى الكود المصدري بشكل عام عبر الرابط: https://github.com/tanmay-ty/SpectralNET.