بیشتر الگوریتم های طبقه بندی داده های سنجش از دور براساس ویژگی ها و اطلاعات طیفی پیکسل ها عمل می کنند. این مسئله باعث نادیده گرفتن اطلاعات مکانی سودمند و قابل استخراج بسیاری، مانند بافت تصاویر می شود. محیط شهری بافت ناهمگنی دارد که شناسایی انواع کاربری ها را به فرایندی دشوار و پیچیده تبدیل کرده است. در این پژوهش تأثیر استفاده از بافت تصویر تک باند سنجنده ALI (Advanced Land Imager) بر دقت طبقه بندی تصاویر ابرطیفی سنجنده هایپریون«Hyperion» در محیط های شهری بررسی شد. طبقه بندی با استفاده از روش جنگل های تصادفی[1] و در پنج سناریوی مختلف انجام شد: سناریوی شماره 1: طبقه بندی اطلاعات طیفی تصویر ادغام شده به روش [1]CNT(بدون لحاظ کردن اطلاعات بافت)؛ سناریوهای 2، 3، 4 و 5: طبقه بندی تصویر CNT با افزوده شدن بردارهای ویژگی بافت حاصل از روش ماتریس هم وقوعی در اندازه های پنجره 3، 5، 7 و 9 هستند. براساس یافته های این تحقیق، افزودن بافت به طیف تصویر ادغامی به روش CNT دقت طبقه بندی را بهبود چشمگیری داد، به گونه ای که دقت کلی بر اثر افزودن بافت با حدود ده درصد افزایش، از 80.47% به 90.74% رسید. بسیاری از پوشش های کاربری مانند جاده، بافت مسکونی، صنایع کوچک و پراکنده و صنایع متمرکز نیز در زمینه دقت تولیدکننده و مصرف کننده رشد چشمگیری را شاهد بودند. پارامتر خطای OOB[1] با 11% کاهش، از 19.86 به 8.87% رسید. بردارهای ویژگی مانند میانگین و کنتراست نیز، توانستند از لحاظ میزان اهمیت در رتبه های بالا قرار گیرند. همچنین، افزایش اندازه پنجره منجر به بهبود بیشتر دقت طبقه بندی شد، به گونه ای که اندازه پنجره 9 بهترین عملکرد را در پی داشت.
