أظهرت الدراسات الحديثة أن استخدام المعلومات الطيفية-المكانية يمكن أن يُحسّن بشكل كبير أداء تصنيف الصور الفائقة الطيفية (HSI). وعادةً ما تُقدَّم بيانات HSI على شكل مكعبات ثلاثية الأبعاد. وبالتالي، فإن التصفية المكانية ثلاثية الأبعاد تُقدِّم طريقة بسيطة وفعّالة لاستخراج السمات الطيفية-المكانية معًا داخل هذه الصور. في هذه الورقة، تم اقتراح إطار عمل يعتمد على شبكة عصبية متعددة الطبقات ثلاثية الأبعاد (3D-CNN) لتصنيف دقيق للصور الفائقة الطيفية. يُعامل هذا المنهج بيانات مكعب HSI بشكل شامل دون الاعتماد على أي معالجة مسبقة أو ما بعد المعالجة، مما يسمح باستخراج السمات العميقة المدمجة للخصائص الطيفية-المكانية بشكل فعّال. علاوةً على ذلك، يتطلب النموذج عددًا أقل من المعاملات مقارنةً بالطرق الأخرى القائمة على التعلم العميق. وبالتالي، يكون النموذج أخف وزنًا، وأقل عرضة للانتحاء (over-fitting)، وأسهل في التدريب. ولأغراض المقارنة والتحقق، تم اختبار الطريقة المقترحة مع ثلاث طرق أخرى قائمة على التعلم العميق لتصنيف HSI، وهي: الشبكة التلقائية المكدسة (SAE)، والشبكة العصبية العميقة القصيرة (DBN)، والطرق القائمة على 2D-CNN، على ثلاث مجموعات بيانات حقيقية من الصور الفائقة الطيفية تم جمعها بواسطة مستشعرات مختلفة. أظهرت النتائج التجريبية أن طريقة 3D-CNN المقترحة تتفوّق على هذه الطرق المتطورة، وتُسجّل رقماً قياسياً جديداً.