Tieflern-basierte Klassifikationsalgorithmen für Landbedeckung wurden kürzlich in der Literatur vorgeschlagen. Bei hyper spektralen Bildern (HSI) stellen sich ihnen die Herausforderungen der hohen Dimensionalität, der räumlichen Variabilität von Spektralsignaturen und der Knappheit an etikettierten Daten. In diesem Artikel schlagen wir eine End-to-End-Tieflern-Architektur vor, die bandspezifische spektro-raumliche Merkmale extrahiert und eine Landbedeckungsklassifikation durchführt. Die Architektur verfügt über weniger unabhängige Verbindungsgewichte und erfordert daher eine geringere Anzahl von Trainingsdaten. Die Methode erzielt höhere Genauigkeiten als die bisher höchsten berichteten Werte auf bekannten hyper spektralen Bilddatensätzen.