هدف از این تحقیق پیش بینی توزیع مکانی گروه گونه های درختی با استفاده از داده های توپوگرافی، خاک، پوشش گیاهی و اقلیم می باشد. همچنین در این تحقیق امکان بهبود پیش بینی توزیع مکانی گروه گونه های درختی با استفاده از داده های طیفی ماهواره quickbrid در سری یک طرح جنگلداری دکتر بهرام نیای گرگان مورد بررسی قرار گرفت. به این منظور اطلاعات درختان و درختچه ها از 518 قطعه نمونه طرح جنگلداری استخراج گردید و با استفاده از دو مشخصه فراوانی نسبی گونه ها و فراوانی رویه زمینی گونه ها در قطعات نمونه فراوانی گروه گونه های درختی غالب در هر منطقه مشخص گردید. از مدل رقومی ارتفاع برای تهیه نقشه های خصوصیات اولیه توپوگرافی مانند ارتفاع از سطح دریا، جهت شیب، سطح ویژه حوضه آبخیز، انحنای مماسی، انحنای مسطح، انحنای نیمرخی و شیب و نقشه های خصوصیات ثانویه فیزیوگرافی شامل تابش خورشید، قدرت جریان آب، شاخص رطوبت و شاخص ظرفیت حمل رسوبات استفاده گردید. پس از تهیه نقشه خصوصیات اولیه و ثانویه توپوگرافی، داده های اقلیم و استخراج اطلاعات تحت رده خاک و تیپ بندی جنگل از بانک اطلاعات طرح جنگلداری دکتر بهرام نیا، مدلسازی پیش بینی مکانی گروه گونه ها با استفاده از آلگوریتم های نزدیک ترین همسایه (knn) و جنگل تصادفی (rf) با استفاده از هر کدام از گروه متغیرها و همچنین ترکیبی از آنها با استفاده از 80 درصد از قطعات نمونه انجام پذیرفت. پس از انجام عمل پیش پردازش (تصحیح هندسی، حذف خطای ناشی از پستی و بلندی زمین) و پردازش داده های طیفی (نسبت گیری، تسلدکپ، آنالیز بافت و تجزیه مولفه های اصلی) بر روی باندهای چند طیفی و پانکروماتیک ماهواره quickbird، مقدار ارزش پیکسل های آن ها در محل قطعات نمونه استخراج گردید. سپس برای بررسی اثر ترکیب داده های کمکی با داده های فیزیوگرافی، اقلیمی و محیطی، داده های طیفی حاصل از سنجش از دور با این گروه متغیرها ترکیب گردید و عمل مدلسازی یا استفاده از هر دو آلگوریتم برای آن انجام پذیرفت. ارزیابی صحت نقشه های حاصل با استفاده از قطعات نمونه و با معیار صحت کلی صورت پذیرفت. نتایج نشان داد عوامل فیزیوگرافی بخصوص ارتفاع از سطح دریا مهم ترین عوامل موثر در پراکنش گروه گونه های درختی می باشند. همچنین عوامل محیطی تحت رده خاک و پوشش گیاهی و گروه متغیر اقلیم از مهم ترین متغیرهای تاثیرگذار در پراکنش گروه گونه های درختی می باشند. به طوری که بهترین مدلسازی در این تحقیق از ادغام این داده (30/59 درصد) با یکدیگر حاصل شد. همچنین مدلسازی با استفاده از آلگوریتم rf براساس فراوانی رویه زمینی گونه ها دارای بیشترین صحت طبقه بندی (86/63 درصد) می باشد. نتایج نشان داد ادغام تصاویر ماهواره ای با داده های غیر طیفی باعث افزایش صحت کلی مدلسازی نمی گردد.