Der AI4EO HYPERVIEW-Wettbewerb zielt darauf ab, maschinelles Lernen zur Vorhersage agronomisch relevanter Bodenparameter (K, Mg, P₂O₅, pH) aus luftgestützten hyperspektralen Bildern zu fördern. Wir präsentieren ein hybrides Modell, das Zufallsforsten und k-nächste-Nachbarn-Regressoren kombiniert und sowohl durchschnittliche spektrale Reflexionen als auch abgeleitete Merkmale wie Gradienten, Wavelet-Koeffizienten und Fourier-Transformationen nutzt. Die Lösung ist rechnerisch leichtgewichtig und übertrifft die Baseline des Wettbewerbs um 21,9 %, was den ersten Platz auf der öffentlichen Rangliste ergab. Zudem diskutieren wir architektonische Ansätze neuronalen Netze und mögliche zukünftige Verbesserungen.