داده های سنجش از دوری در مدیریت مناطق ساحلی نقش عمده ای را بر عهده دارند. از موارد کاربرد سنجش از دور در مدیریت مناطق ساحلی، حفظ محیط زیست و منابع طبیعی در این مناطق می باشد. صخره های مرجانی به عنوان مهم ترین زیست گاه های جانوری در دریا، همواره بیش ترین آسیب را از فعالیت های انسانی در این مناطق متحمل شده اند. اولین قدم در حفظ و نگهداری این ذخایر طبیعی، تهیه ی نقشه ی توزیع این مناطق می باشد. در این پایان نامه سعی گردید از تصاویر ماهواره ای برای تهیه نقشه ی تنوع زیستی کلاس های موجود بر صخره های مرجانی در منطقه ی خلیج فارس و به طور خاص جزایر قشم و لارک استفاده شود. آنچه در این پایان نامه مورد مطالعه قرار گرفت، در وهله ی اول بررسی تعمیم پذیری نتایج تحقیقات در سایر مناطق جهان با استفاده از سنجنده های چندطیفی متوسط مقیاس، برای طبقه بندی پوشش صخره های مرجانی در منطقه ی خلیج فارس، بود. نتایج تحقیق بیانگر مطابقت بالای نتایج طبقه بندی در خلیج فارس با تحقیقات مشابه در سایر مناطق مرجانی جهان می باشد. همچنین دیده شد که تصاویر ماهواره ای متوسط مقیاس، توانایی طبقه بندی 2 تا 4 کلاس را با دقت بالای 70% بر روی صخره های مرجانی در این منطقه دارا می باشند. بهترین سطح طبقه بندی، طبقه بندی با 3 و 4 کلاس تعیین گردید و نشان داده شد که با افزایش بیشتر تعداد کلاس ها، دقت متوسط طبقه بندی به پایین تر از 50% کاهش می یابد. در مرحله ی دوم، به مقایسه ی الگوریتم های طبقه بندی نظارت شده در طبقه بندی پوشش صخره های مرجانی پرداخته شد. این مقایسه میان 3 الگوریتم بیشترین احتمال، ماشین بردار پشتیبان و شبکه عصبی انجام گرفت. در این بررسی، علاوه بر داده های جزیره ای در ساحل شرقی استرالیا، تعمیم پذیری نتایج به آبسنگ های مرجانی جزایر قشم و لارک نیز مورد تحقیق واقع شد. نتایج الگوریتم های طبقه بندی، بسته به تعداد کلاس ها متغیر بود. به نحوی که در طبقه بندی 2 کلاسه الگوریتم بیشترین احتمال عملکرد بهتری داشت ولی با افزایش تعداد کلاس ها، الگوریتم های ماشین بردار پشتیبان و شبکه عصبی برتری خود را بر الگوریتم بیشترین احتمال نشان دادند. در حالت طبقه بندی 4 کلاسه، این دو الگوریتم ، به ترتیب بهبود دقت متوسط در حدود 7% و 9% را نسبت به الگوریتم بیشترین احتمال نشان دادند. پیاده سازی روش تحقیق بر روی داده های منطقه ی قشم، تعمیم پذیری نتایج الگوریتم ماشین بردار پشتیبان را در این منطقه اثبات نمود. الگوریتم ماشین بردار پشتیبان بهبود دقت 5% را نسبت به روش بیشترین احتمال، در این منطقه نشان داد. الگوریتم شبکه عصبی، ضعیف ترین عملکرد را نسبت به دو الگوریتم دیگر، در این منطقه نشان داد که به دلیل حساسیت بالای این روش به کاهش تعداد داده های آموزشی می باشد. در نهایت روش ماشین بردار پشتیبان با توجه به عملکرد مناسب در طبقه بندی پوشش صخره های مرجانی در هر دو منطقه ی مورد مطالعه و پایداری بالای نتایج، به عنوان الگوریتم بهینه برای طبقه-بندی پوشش صخره های مرجانی با تصاویر متوسط مقیاس انتخاب شد. در ادامه، استفاده از تصاویر چندزمانه در بهبود نتایج طبقه بندی بررسی شد. الگوریتم های پیاده شده در حالت تک زمانه، با الگوریتم های مشابه در حالت دو زمانه مقایسه شدند که نتایج بیانگر افزایش دقت 2%-5% در حالت دو زمانه نسبت به حالت تک زمانه می باشد. در مرحله ی چهارم، دو الگوریتم بیشترین احتمال فازی و الگوریتم fcm به عنوان روش-های طبقه بندی نرم، برای این مسئله به کار گرفته شدند که ارزیابی دقت آن ها با استفاده از ماتریس ابهام فازی به ترتیب دقت کل 68% و 72% را حاصل نمود. مزیت این روش ها در دقت مناسب آن ها خلاصه نمی شود. مواردی نظیر توانایی قبول پیکسل های آموزشی مخلوط، خروجی بر حسب درصد هر کلاس و افزایش تعداد داده های آموزشی و تست به علت استفاده از تمام داده های آموزشی و تست برای هر کلاس، از مزایای استفاده از این روش های طبقه بندی می باشد. این روش های طبقه بندی که از مدل های اختلاط غیرخطی برای مدل سازی رفتار طیفی کلاس های مختلف در سطح زیر پیکسل استفاده می کنند، اولین بار در طبقه بندی پوشش صخره های مرجانی، در این تحقیق به کار گرفته شدند و نتایج بسیار مطلوب، در کنار مزایای فراوان ارائه نمودند.