Les arbres α fournissent une représentation hiérarchique d'une image en partitions de régions d'hétérogénéité croissante. Ce modèle, inspiré du principe de saut minimum, a été revisité récemment en morphologie mathématique pour des images à niveaux de gris, et a été utilisé avec succès dans le domaine de la télédétection. Cet article montre comment cette représentation peut être adaptée à des données plus complexes, ici des images hyperspectrales, suivant différentes stratégies. Nous savons que la mesure de distance entre deux pixels voisins est un élément essentiel dans la qualité de l'arbre construit, mais les métriques usuelles ne sont pas satisfaisantes. Nous montrons ici qu'une solution intéressante pour appréhender des données hyperspectrales consiste en l'apprentissage préalable de la métrique à utiliser et la prise en compte de connaissances du domaine.