چکیده: سنجنده های ابرطیفی نسبت به سنجنده های چندطیفی از باندهای طیفی بسیار بیشتری برخوردار بوده و در نتیجه قادر به ثبت اطلاعات طیفی دقیق تری از عارضه های سطح زمین هستند. این ویژگی می تواند در فرآیند طبقه بندی تصاویر ابرطیفی خلل وارد کرده و با کاهش محسوسی در دقت طبقه‌‌بندی مواجه نماید. علاوه بر این، تصویر ابرطیفی هایپریون از وجود نویز در داده ها نیز رنج می برد. در این تحقیق سعی بر آن است که با استفاده از روش های داده‌‌کاوی، اثر مشکلات مذکور تا حد امکان تعدیل گردند. بدلیل آنکه روش های مبتنی بر کرنل از کارایی بالایی برای طبقه‌‌بندی داده های بیش‌‌ابعاد برخوردار هستند، از روش طبقه‌‌بندی ماشین بردار پشتیبان (SVM) برای طبقه‌‌بندی داده های ابرطیفی هایپریون استفاده شد. همچنین نویز موجود در داده های هایپریون با پیاده سازی نسخه مقاوم SVM نسبت به داده های نویزی (Robust-SVM)، تحت پوشش قرار گرفت. یکی دیگر از راه های غلبه بر مشکلات مذکور، استفاده از روش های کاهش ابعاد داده است. روش های مذکور و تصویر هایپریون برای شناسایی دگرسانی های معادن سرچشمه، دره زار و منطقه سریدون استفاده شدند. در گام نخست، استفاده از یک روش انتخاب ویژگی منجر به شناسایی حدوداً ۱۱% (۱۸ باند) از کل باندهای طیفی قابل استفاده هایپریون (۱۶۵ باند) شد. نتایج نشان داد که روش Robust-SVM، نقشه های دگرسانی دقیق تری را نسبت به SVM استاندارد تولید می کند. اما دقیق ترین نتایج زمانی بدست آمد که طبقه بندی با استفاده از Robust-SVM و باندهای منتخب حاصله از روش انتخاب ویژگی انجام شد. در این حالت، ضریب کاپای طبقه‌‌بندی برابر با 0/61 شد که در مقایسه با SVM استاندارد با استفاده از باندهای طیفی منتخب (0/53)، Robust-SVM با کل باندهای طیفی (0/49) و SVM استاندارد با کل باندهای طیفی (0/41)، دقیق ترین حالت است. همچنین از رگرسیون بردار پشتیبان (SVR) برای انجام طبقه‌‌بندی زیر‌‌پیکسلی استفاده شد. مشاهده شد که نقشه زیر‌‌پیکسلی بدست آمده از روش SVR حتی با کل باندهای طیفی و در حالت استاندارد (و نه مقاوم) از نقشه های پیکسل‌‌پایه SVM و Robust-SVM دقیق تر بوده و مناطق دگرسانی را با دقت بیشتری تفکیک می نماید.