جمع آوری داده توسط سنجش از دور یک مرحله اساسی در مدیریت پایدار زمین می باشد. یکی از پردازش های مهم و پرکاربرد بر روی تصاویر سنجش از دور، طبقه بندی است. از دیدگاه تصمیم گیری، نقشه های حاصل از طبقه بندی می توانند مفید واقع شوند، زیرا، این الگوریتم ها اطلاعات پیچیده طیفی- مکانی را در تعداد محدودی کلاس مورد نیاز، خلاصه می کنند. داده های پلاریمتریک sar به دلیل دارا بودن اطلاعات غنی از محیط، در چند دهه اخیر به یکی از پراستفاده ترین داده های سنجش از دوری تبدیل شده اند. به طور کلی، برای طبقه بندی تصاویر پلاریمتریک از دو منبع اطلاعاتی شامل، نوع مکانیسم پراکنش عوارض و توزیع آماری داده ها استفاده می کنند. معروف ترین توزیع آماری تصاویر پلاریمتریک، توزیع ویشارت بوده، و طبقه بندی کننده ویشارت نیز یکی از روش های پایه برای طبقه بندی این تصاویر محسوب می شود. همان طور که می دانیم یکی از مشکلات روش های طبقه بندی پیکسل پایه مخصوصاً به دلیل وجود اسپکل در تصاویر sar، وجود کلاس های ناهمگن و پیکسل های پراکنده در خروجی نقشه طبقه بندی شده می باشد. در این تحقیق، برای غلبه بر این مشکل و بهبود نتایج طبقه بندی، در روند طبقه بندی تصاویر پلاریمتریک sar علاوه بر استفاده از توزیع ویشارت، از اطلاعات موجود در همسایگی پیکسل ها نیز استفاده شد. برای مدل سازی اطلاعات همسایگی پیکسل ها، میدان های تصادفی مارکوف را به کار گرفته و تلفیق آن با توزیع آماری تصاویر یعنی توزیع ویشارت، طبقه بندی را انجام دادیم. برای مدل سازی اطلاعات همسایگی توسط میدان‎ های تصادفی مارکوف، از یک مدل ایزوتروپیک با یک سیستم همسایگی مرتبه دوم و برای پیدا کردن ماکزیمم احتمال موخر (مینیمم تابع انرژی) از روش icm استفاده نمودیم. هدف اصلی این تحقیق، پیاده سازی و اجرای الگوریتم طبقه بندی به صورت نظارت شده می باشد. ولی در کنار این تحقیق، با استفاده از نتایج طبقه بندی بر مبنای فضای h/? (طبقه بندی نظارت نشده)، طبقه بندی را به صورت نظارت نشده نیز انجام دادیم. استفاده از ویژگی های آنتروپی و زاویه آلفا در طبقه بندی نظارت نشده، بیشتر برای آنالیزهای پلاریمتریکی کلاس ها مفید بودند. از آنجا که تخمین پارامترها در حالت نظارت شده بر مبنای داده های آموزشی جمع آوری شده است، نتایج بدست آمده در طبقه بندی نظارت شده مستحکم و اعتمادپذیر می باشند. برای ارزیابی نتایج طبقه بندی نظارت شده از ماتریس خطا و برای طبقه بندی نظارت نشده از معیار purity استفاده نمودیم. با توجه به پیچیدگی و مشابهت کلاس های منطقه، به منظور بهبود نتایج طبقه بندی و افزایش قدرت تفکیک پذیری کلاس ها، به طور همزمان از دو تصویر پلاریمتریک sar مربوط به دو فصل زمستان و تابستان از یک منطقه مشابه، در طبقه بندی استفاده کردیم. البته، طبقه بندی در حالت تک تصویر نیز اجرا شد. با توجه به نتایج بدست آمده، بیشترین مقدار بهبود در دقت کلی طبقه بندی با روش wmrf (تلفیق mrf و ویشارت) نسبت به روش ویشارت، در حالت تلفیق دو تصویر و فیلتر اسپکل با پنجره 3×3 حاصل شد. در این حالت دقت کلی با روش ویشارت و روش wmrf به ترتیب برابر با، 65.4% و 76.4% بدست آمد. به عبارتی، میزان بهبود در دقت کلی برابر 11% بوده، در حالی که بدون در نظر گرفتن کلاس آب (در هر دو روش دارای دقت 100% و بدون اطلاعات بافت) برای 4 کلاس باقی مانده، میزان بهبود به 15% افزایش می یابد. بیشترین دقت کلی حاصله برای طبقه بندی، در حالت تلفیق دو تصویر و فیلتر اسپکل با پنجره 7×7 بدست آمد. در این حالت، دقت روش ویشارت و روش wmrfبه ترتیب برابر با، 79.6% و 84.7% بودند.