Aufgaben der Vorhersage anhand von Pixeln in hyperspektralen Bildern (HSI) erfordern eine sorgfältige Gestaltung der Merkmale, die zur Lernung eines Klassifikators verwendet werden. Allerdings kann die generierte Klassifikationskarte unter einem Überglättungsproblem leiden, das sich in erheblichen Unterschieden gegenüber dem ursprünglichen Bild hinsichtlich Objektränder und Details äußert. Um dieses Überglättungsproblem zu bewältigen, haben wir eine Methode zum Extrahieren von spektral-raumzeitlichen Bandkorrelationsmerkmalen (SSBC) entwickelt. Bei den SSBC-Merkmalen wird die gemeinsame extrahierte spektral-raumzeitliche Information als informationskomprimierende Transformation basierend auf der diskreten Kosinustransformation betrachtet, wobei eine Flachstellung (flattening) angewendet wird, um die hohe Rechenkosten zu vermeiden, die durch die Anforderung der Informationssynthese aus 3D-Bildern für gemeinsame spektral-raumzeitliche Informationen entstehen. Dieser Prozess kann jedoch dazu führen, dass die extrahierten Merkmale spektrale Informationen verlieren. Wir argumentieren, dass die Steigerung der spektralen Information in den extrahierten Merkmalen der Schlüssel zur Lösung des Überglättungsproblems in der Klassifikationskarte ist. Dementsprechend werden der normalisierte Differenzvegetationsindex und Eisenoxid zur Verbesserung der Extraktion von Bandkorrelationsmerkmalen für HSI-Daten eingesetzt, um zusätzliche spektrale Information bereitzustellen, da ihre Berechnung auf zwei spektralen Bändern basiert und somit für die reichhaltigen spektralen Bänder von HSI nicht geeignet ist. Experimentelle Ergebnisse auf vier realen HSI-Datensätzen zeigen, dass die vorgeschlagenen Merkmale das Überglättungsproblem erheblich verringern und die Klassifikationsleistung mit der von modernsten tiefen Merkmalen vergleichbar ist.