طبقهبندی پوششی تالابها به منظور شناسایی نوع گونههای گیاهی داخل تالاب و تمایز آن با پوشش گیاهی حاشیهی تالاب و بررسی تغییرات اکوسیستم آنها از اهمیت ویژهای برخوردار است. با توجه به مشابهت طیفی بین گونههای مختلف گیاهی تالاب و گیاهان حاشیهی تالاب و زمینهای کشاورزی این امر با استفاده از دادههای چندطیفی با مشکلاتی مواجه است و دادههای ابرطیفی میتواند در این زمینه بسیار سودمند باشد. در این مطالعه توان سنجندههای ابرطیفی و چندطیفی در شناسایی ویژگیهای تالاب و توانایی سنجندههای ETM+(۲۰۱۱)، Hyperion(۲۰۱۱) و ALI(۲۰۱۱) به منظور مطالعهی ویژگیهای تالاب شادگان طی سال ۱۳۹۰ بررسی شد و شاخصهای مختلف طیفی به همراه ترکیب مناسبی از باندهای تصاویر ماهوارهای سنجندههای مذکور به عنوان ورودی انواع روشهای طبقهبندی شامل روشهای حداکثر احتمال، حداقل فاصله، شبکه عصبی و ماشین بردار پشتیبان مورد مقایسه قرار گرفت. نتایج نشان داد که روشهای ماشین بردار پشتیبان و شبکه عصبی با دارا بودن دقت طبقهبندی بالای ۸۵ درصد در هر سه تصویر, نتایج نزدیکتری به واقعیت نشان میدهند. دقت طبقهبندی برای هر سه تصویر برای روش ماشین بردار پشتیبان در بالاترین حد خود بود به طوریکه برای تصویر Hyperion صحت کلی برابر ۹۵.۷۳، برای ALI برابر ۸۸.۰۳ و برای ETM+ برابر با ۸۹.۳۴ است. بنابراین ویژگیهای در نظر گرفته شده برای تالاب، در سه تصویر حاصل از الگوریتم SVM نشان داد که نمایش تمایز کاربری پوشش گیاهی حاشیه تالاب از کاربری زمینهای کشاورزی آبی دارای ابهام بیشتری نسبت به سایر ویژگیهای تالاب است. بررسیها نشان داد که این بخش در تصاویر ALI و ETM+ نسبت به تصاویر Hyperion کمتر قابل شناسایی هستند و یا در برخی مناطق این قسمتها اصلا قابل تفکیک از ارضی کشاورزی آبی نیستند، در حالیکه Hyperion به دلیل دارای بودن تعداد ۲۲۰ باند و داشتن سطح بالاتری از جزئیات طیفی, توانایی تفکیک این دو کلاس را از هم دارد.