برآورد پارامترهای ساختاری جنگل با روش های جمع آوری داده های زمینی گران و وقت گیر است. داده های سنجش از راه دور گزینه ای کم هزینه در مدل سازی و نقشه برداری پارامترهای ساختاری در مناطق جنگلی بزرگ است. هدف از این مطالعه مقایسه روش های پارامتری و ناپارامتری در بررسی قابلیت استفاده از داده های ماهواره ای چند طیفیworld view-2 برای پیش بینی پارامترهای ساختاری جنگل مانند حجم، رویه زمینی، تعداد درخت در هکتار، انحراف معیار قطر برابر سینه و شاخص تفاوت قطری در جنگل های دارابکلا واقع در شمال ایران است. روابط بین مشخصه های بافت تصویر و پارامتر های ساختاری مذکور با استفاده از تجزیه و تحلیل همبستگی مورد آزمون قرار گرفت. در این مطالعه تعداد 140 قطعه نمونه به روش آماربرداری تصادفی منظم برداشت شد. پیش پردازش ها و پردازش های لازم بر روی تصاویر اعمال گردید. سپس از روش های مختلف پارامتری (روش رگرسیون خطی چند متغیره) و ناپارامتری (روش knn، svm، brt و rf) برای مدلسازی استفاده شد. نتایج نشان داد مقدار میانگین مربعات خطا با استفاده از روش رگرسیون خطی چند متغیره به ترتیب برای مشخصه های حجم سرپا، رویه زمینی، تعداد درخت در هکتار، انحراف معیار قطر و شاخص تفاوت قطری به ترتیب 38/112، 17/8، 43/86، 49/4 و 12/0 می باشد. همچنین مقدار میانگین مربعات خطا در برآورد مشخصه های حجم سرپا (m3 ha-1)، رویه زمینی (?m^2 ha?^(-1))، تعداد درخت در هکتار (n ha-1)، انحراف معیار قطر و شاخص تفاوت قطری به ترتیب 29/125، 92/7، 50/92، 49/4 و 10/0برای روش knn، 16/110، 51/6، 65/73، 53/4 و 09/0 برای روش svm، 28/99، 89/7، 35/87، 44/4 و 092/0برای روش brt و 33/109، 79/7، 63/84، 30/4 و 092/0برای روش rf بدست آمد. به طور کلی نتایج نشان داد که بهترین روش ها برای برآورد هر یک از مشخصه های ساختاری جنگل شامل حجم سرپا (m3 ha-1)، رویه زمینی (?m^2 ha?^(-1))، تعداد درخت در هکتار (n ha-1)، انحراف معیار قطر و شاخص تفاوت قطری به ترتیب روش های الگوریتم طبقه بندی و رگرسیونی درختی تقویت شونده (brt)، ماشین های بردار پشتیبان (svm)، ماشین های بردار پشتیبان (svm)، الگوریتم طبقه بندی و رگرسیونی جنگل تصادفی (rf) و الگوریتم طبقه بندی و رگرسیونی درختی تقویت شونده ((brt با مقدار میانگین مربعات خطا به ترتیب 28/99، 51/6، 65/73، 30/4 و 092/0 است.