في السنوات الأخيرة، تم تقديم أطر تعلم عميق مختلفة لتصنيف الصور فوق الطيفية (HSI). ومع ذلك، فإن النماذج الشبكية المقترحة تتميز بتعقيد نموذجي مرتفع، ولا تحقق دقة تصنيف عالية عند استخدام التعلم القائم على عدد قليل من الأمثلة (few-shot learning). تقدم هذه الورقة طريقة لتصنيف الصور فوق الطيفية تجمع بين شبكة القطع العشوائية (RPNet) والتصفية المتكررة (RF) للحصول على ميزات عميقة مفيدة. تقوم الطريقة المقترحة أولاً بتماثل أشرطة الصورة باستخدام قطع عشوائية لاستخراج ميزات RPNet العميقة متعددة المستويات. ثم يتم تقليل أبعاد مجموعة ميزات RPNet من خلال تحليل المكونات الرئيسية (PCA)، وتُمرر المكونات المستخرجة عبر عملية التصفية المتكررة (RF). وأخيرًا، تُدمج ميزات الطيف فوق الطيفية للصورة مع ميزات RPNet–RF المُستخرجة لتصنيف الصور فوق الطيفية باستخدام فئة تصنيف آلة الدعم المتجه (SVM). لاختبار أداء الطريقة المقترحة RPNet–RF، أُجريت بعض التجارب على ثلاث مجموعات بيانات شهيرة باستخدام عدد قليل جدًا من العينات التدريبية لكل فئة، وتم مقارنة نتائج التصنيف مع تلك الناتجة عن طرق متقدمة أخرى لتصنيف الصور فوق الطيفية المستخدمة في الحالات التي تتوفر فيها عينات تدريب قليلة. أظهرت المقارنة أن تصنيف RPNet–RF يتميز بقيم أعلى لمعظم مقاييس التقييم، مثل الدقة الإجمالية ومعامل كابا.