چکیده با توجه به تشکیل شدن اکثر زیست توده جنگل ها از کربن و اهمیت نقش منابع کربن در تغییرات آب و هوا، تخمین دقیق زیست توده به منظور ارزیابی منابع کربن، مقدار انرژی ذخیره شده در جنگل ها، میزان چوب و همچنین تغییرات زیست محیطی بسیار مورد توجه می باشد. محدودیت، زمانبر بودن و سختی جمع آوری داده های زمینی در اندازه گیری های زمینی بسیار حائز اهمیت بوده و برای مناطق با وسعت بالا فوق العاده سخت و پر هزینه می باشد. این چالش ها موجب تحولی شگرف در استفاده از تکنیک های سنجش دوری شد. همچنین زیست توده تحت تاثیر عوامل مختلف جغرافیایی و محیطی بوده و تخمین زیست توده به کمک سنجش از دور، به مسئله پیچیده ای تبدیل شده است. در این تحقیق مروری بر روش ها و مطالعات صورت گرفته در مورد برآورد زیست توده انجام شد. نهایتاً با در نظر داشتن پیچیدگی تخمین زیست توده و منطقه مورد مطالعه، استفاده از تصویر اپتیک alos avnir-2 شامل 4 باند و تصویر راداری alos palsar با دو پلاریزاسیون hh , hv مد نظر قرار گرفت. از داده های زمینی 246 پلات برای بررسی و ارزیابی نتایج استفاده شد. داده های زمینی شامل مقدار زیست توده در این پلات ها بود که با اندازه گیری های زمینی و معادلات مربوطه محاسبه شده است. از تصاویر مورد استفاده در این تحقیق، ویژگی هایی اعم از نسبت گیری باندی، شاخص های گیاهی و اندازه گیری های بافت از محدوده 246 پلات استخراج شده است. انتخاب بهترین ویژگی ها جهت تخمین زیست توده از بین چندین وِیژگی استخراج شده از تصاویر، از اهمیت ویژه ای برخوردار است. ویژگی های انتخابی باید وابستگی بالا با زیست توده و وابستگی کمی با یکدیگر داشته باشند. یک الگوریتم بهینه سازی همانند الگوریتم ژنتیک توانایی بسزایی در انتخاب بهترین ویژگی ها با توجه به معیارگفته شده دارد. مجموعاً 5 ویژگی، سه ویژگی از تصویر اپتیک و 2 ویژگی از تصویر رادار انتخاب شدند. شبکه های عصبی قابلیت بالایی در ترکیب اطلاعات با توزیع آماری متفاوت و از منابع مختلف را دارند. با توجه به اینکه ویژگی های انتخابی از دو سنجنده متفاوت می باشند، جهت ترکیب آن ها از یک شبکه عصبی سه لایه mlpn، با یک لایه ورودی، یک لایه میانی و یک لایه خروجی استفاده شد. در پایان نتایج بدست آمده مورد ارزیابی قرار گرفته و راهکارها و پیشنهاد هایی جهت کارایی بیشتر الگوریتم و بهبود دقت نتایج ارائه شد.