لاستغلال الميزات الطيفية والمكانية الكامنة في صور الطيف الفائق بشكل كامل، اقترحنا خوارزمية استخراج ميزات صور الطيف الفائق القائمة على التحليل التمييزي الموضعي شبه المُشرف (S₄LFDA). نظرًا لأن مجموعة بيانات الطيف الفائق تتميز بالتماسك المكاني، فقد تم أولاً إعادة بناء البيكسلات مكانيًا للحفاظ على علاقات الجوار في بيانات الطيف الفائق؛ ثم تم إدخال تشتت المعلومات الطيفية لإعادة بناء تشابه بين البيكسلات؛ ومن أجل استغلال العديد من العينات غير الموسومة لتحسين أداء الخوارزمية، استخدمنا خوارزمية التجميع الانتقالي الغامض (Fuzzy C-means) لتجميع العينات والحصول على تسميات زائفة؛ ثم تمت إضافة مصطلح التنظيم إلى مصفوفة التشتت داخل الصفوف ومصفوفة التشتت بين الصفوف في خوارزمية القوة الموضعية التوجيهية (FDA) للحفاظ على اتساق هيكل التجمع للعينات غير الموسومة؛ وأخيرًا من خلال خوارزمية FDA الموضعية تم تعظيم التشتت بين الصفوف وتقليل التشتت داخل الصفوف للعينات الموسومة وحل أفضل متجه إسقاط. تحافظ خوارزمية S₄LFDA على قابلية الفصل في المجال الطيفي وفي الوقت نفسه تحافظ على علاقات الجوار المكاني للبيكسلات، وتستفيد بشكل معقول من العينات الموسومة وغير الموسومة، مما يحسن أداء التصنيف للخوارزمية. تم إجراء التجارب على مجموعات بيانات جامعة بافيا و Indian Pines، حيث وصل دقة التصنيف الكلية إلى 95.60٪ و94.38٪ على التوالي. مقارنة بخوارزميات تقليل الأبعاد الأخرى، تحسنت أداء تصنيف الموضوعات الأرضية بفعالية.

صور الطيف الفائق;شبه مُشرف;طيفي مكاني;تحليل تمييزي;استخراج الميزات;تصنيف الموضوعات الأرضية