تصبح تصنيف الصور فوق الطيفية شائعاً بشكل متزايد في المهام البصرية عالية الدقة في الاستشعار عن بعد، وذلك بفضل قدرتها على التقاط المعلومات البصرية المتاحة في نطاق واسع من الطيف. ويعمل الباحثون على أتمتة تصنيف الصور فوق الطيفية، حيث استُخدمت نماذج الرؤية المُعتمدة على التحويلات (Vision-Transformers) في الأبحاث الحديثة. ومع ذلك، فإن معظم النماذج البحثية تأخذ بعين الاعتبار فقط المعلومات الطيفية، وتتجاهل الاهتمام بالسياق المحلي (أي البيكسلات المجاورة)، وهو ما قد لا يكون كافياً في التمييز، مما يؤدي إلى قيود في الأداء. ولحل هذه المشكلة، نقدم ثلاث مساهمات: أولاً، نُقدّم نموذجاً جديداً يُسمى "HyLITE" (TransformEr الصور فوق الطيفية المُدرك للسياق المحلي)، وهو نموذج تحويلات رؤية يُنمذج المعلومات المحلية والطيفية معًا. ثانيًا، نُقدّم دالة تنظيم جديدة تعزز دمج المعلومات المحلية مع المعلومات الشاملة (العامة). ثالثًا، يتفوّق النهج المقترح على النماذج التنافسية الأخرى بشكل ملحوظ، ويحقق مكاسب تصل إلى 10% في الدقة. تم إتاحة النماذج المدربة والكود البرمجي على الموقع الرسمي: HyLITE.