چکیده: دانش سنجش از دور در مقایسه با سایر روش های گردآوری اطلاعات از قابلیت های ویژه با هزینه کمتری برخوردار است. دلیل این قابلیت تنوع طیفی، فراهم ساختن دید وسیع و یکپارچه از یک منطقه، قابلیت تکرارپذیری، دسترسی آسان به اطلاعات منطقه، دقت بالا در گردآوری اطلاعات و صرفه جویی در زمان است. به همین دلیل، امروزه استفاده از داده های سنجش از دور برای مطالعه سطح زمین و عوامل تشکیل دهنده ی آن نسبت به سایر داده ها ارجحیت دارد. به دلیل رقومی بودن داده ها، سیستم های کامپیوتری از این داده ها بدون واسطه استفاده می کنند. معروف‌ترین کاربرد سنجش از دور در نقشه‌برداری و تهیه ی نقشه پوشش زمین است. نقشه های پوشش زمین برحسب زمان تهیه، اطلاعات مفیدی از وضعیت پوشش اراضی در طول زمان ارائه می کنند. بدین طریق می توان با استفاده از آن ها، روند تخریب منابع محیطی در طول زمان را بررسی کرد. با این حال، به علت حجم زیاد داده های سنجش از دور، پردازش آن ها توسط نرم افزارهای سنتی پردازش اطلاعات و در قالب معماری های کلاسیک پیچیده و وقت گیر است. برای مقابله با این مشکل، در این پایان نامه یک معماری برای پردازش داده های کلان سنجش از دور، براساس پردازش خوشه ای ارائه شده است. از سوی دیگر، یک روش خودکار برای تولید نقشه پوشش زمین با وضوح بالا مورد بررسی قرار گرفته است. در معماری پیشنهادی، با پیش پردازش داده ها، یک کتاب خانه مرجع توسط ترکیب بهینه از ویژگی های طیفی ایجاد می-گردد. سپس مدل یادگیری با استفاده از جنگل های تصادفی آموزش داده می شود. در نهایت از مدل ارائه شده برای تهیه نقشه پوشش زمین ایران با وضوع بالای 30 متر استفاده می شود. در این مطالعه از تصاویر ماهواره لندست 8 استفاده شده است. هر باند تصویر لندست 8 شامل 62 میلیون پیکسل می باشد. پس از بررسی عملکرد و دقت مدل، زمان لازم برای پردازش پنج تصویر ماهواره به ترتیب بر روی یک و پنج نود مقایسه گردید. حدود 3.5 برابر بهبود در روش پیشنهادی مشاهده گردید.