Las redes neuronales recursivas y los transformadores se han vuelto recientemente dominantes en la clasificación de imágenes hiperespectrales (HS) debido a su capacidad para capturar dependencias a largo plazo en secuencias espectrales. A pesar del éxito de estas arquitecturas secuenciales, los métodos principales de aprendizaje profundo manejan principalmente datos estructurados bidimensionales. Sin embargo, desafíos como la maldición de la dimensionalidad, la variabilidad espectral y factores confusos en imágenes de teledetección hiperespectrales limitan su efectividad, especialmente en aplicaciones de teledetección. Para abordar este problema, este documento propone un novedoso algoritmo de clasificación de cobertura terrestre que integra bosques aleatorios con una estructura de red transformadora espectral (RS-Net).