سنجش از دور می تواند به عنوان یک ابزار قدرتمند با به کار گیری داده از منابع مختلف و تلفیق آنها با یکدیگر برای طبقه-بندی انواع پوشش گیاهی و کاربری اراضی مورد استفاده قرار گیرد. در این میان محققین در برخی از مناطق مانند مناطق کوهستانی به دلیل شرایط ارتفاعی منطقه و رفتار طیفی نزدیک برخی از گونه های پوشش گیاهی، به سمت استفاده از منابع داده های کمکی در کنار داده های سنجش از دور از منابع مختلف سوق پیدا کرده اند. طبقه بندی انواع مراتع فراهم کننده ی اطلاعات کلیدی برای آنالیز بهره وری کشاورزی، محاسبه ی کربن و شناسایی تنوع زیستی است و در همین راستا علاقه ی روزافزونی برای شناسایی و حفاظت از علفزارهای بومی وجود دارد. اولین مجموعه داده های مورد استفاده در این تحقیق شامل تصویر لندست tm (thematic mapper) اخذ شده در تاریخ 1/6/2009 و دومین مجموعه داده ها، تصویر راداری envisat asar اخذ شده در تاریخ 9/6/2009 برای منطقه مورد مطالعه واقع در محدوده ی شمال غربی شهر تهران (البرز جنوبی) استفاده شد. هدف از این تحقیق استفاده از تصویر لندست tm و تصویر راداری envisat asar برای طبقه بندی انواع مراتع می باشد. در تحقیق حاظر پس از اعمال چندین روش تصحیح توپوگرافی تصویر نوری که همگی جزو روشهای غیرلامبرتی-اند و با توجه به معیارهای ارزیابی این روشها روش scsc به عنوان روش مورد استفاده برای تصحیح تصویر نوری در نظر گرفته شد. در ادامه سودمندی و بهبودی که با استفاده از ویژگیهای استخراج شده از تصویر رادار و نوری که شامل بافت آنها می باشد و در تلفیق با باندهای طیفی تصویر نوری مورد استفاده قرار گرفته است بر روی نتایج طبقه بندی نهایی بررسی شده است و برای انتخاب ویژگیهای مستقل که منتج به بالاترین دقت نتایج شود از الگوریتم ژنتیک استفاده گردید. دقت کلی طبقه بندی بیشترین شباهت با این روش از 77.74 برای تصویر نوری اولیه به 78.71 و در روش کمترین فاصله از 77.11 به 77.91 افزایش یافته است. تاثیر استفاده از داده های ارتفاعی منطقه و شاخص های گیاهی تصویر نوری بر نتایج نهایی طبقه بندی در بخش دیگری از تحقیق بررسی گردید و باندهای بهینه انتخاب شد و در این حالت نیز دقت کلی روش بیشترین شباهت از 77.74 به 83.37 افزایش یافته است که بهترین نتایج طبقه بندی در همین حالت حاصل شده است در حالی که دقت کلی روش کمترین فاصله از 77.11 به 77.14 رسید که نشان دهنده ی این است که تغییر چندانی در نتایج این روش ایجاد نشده است. همچنین نتایج استفاده از آنالیز مولفه های اصلی برای انتخاب باندهای بهینه دارای دقت کمتری نسبت به تصویر نوری اولیه است به گونه ای که دقت کلی طبقه بندی بیشترین شباهت از 77.74 به 74.67 کاهش یافته است.