سابقه و هدف: جنگل‌های زاگرس به‌عنوان یکی از اکوسیستم‌های طبیعی کشور، دارای تنوع اکولوژیکی قابل‌توجهی هستند و تیپ‌بندی آن‌ها نقش کلیدی در مدیریت پایدار دارد. جنگل‌های شهرستان فلارد در استان چهارمحال و بختیاری با پوشش غالب بلوط و بنه بخشی از زاگرس مرکزی را تشکیل می‌دهند و نقش برجسته‌ای در پایداری اکولوژیک، تنوع‌زیستی و تأمین خدمات زیست‌محیطی منطقه دارند. بااین‌حال، نبود نقشه‌های تیپ‌بندی به‌روز و دقیق، مدیریت علمی این عرصه‌ها را با دشواری مواجه ساخته است. روش‌های سنتی برداشت زمینی به‌دلیل هزینه‌های بالا و محدودیت‌های دسترسی فیزیوگرافیکی، کارایی لازم را ندارند. پژوهش پیش‌رو با هدف بهره‌گیری از فناوری‌های نوین سنجش از دور و ارزیابی تأثیر به‌کارگیری شاخص‌های طیفی مستخرج از کتابخانه طیفی بر افزایش دقت طبقه‌بندی نظارت‌شده تصاویر ماهواره‌ای Sentinel-2 در تفکیک تیپ‌های جنگلی انجام شد.
مواد و روش‌ها: به منظور بررسی تاثیر شاخص‌های طیفی حاصل از کتابخانه طیفی در تفکیک گونه‌های غالب منطقه، این مطالعه در سه منطقه جنگلی با دو تیپ خالص و یک تیپ مخلوط به ترتیب میشان (بلوط خالص)، کته‌سیاه (بنه خالص) و وندون (پوشش آمیخته بلوط و بنه) در شهرستان فلارد استان چهارمحال و بختیاری و با سه سناریو مختلف طبقه‌بندی انجام شد. در سناریو اول تنها تصاویرSentinel-2 مربوط به تاریخ ۲۴ مهر ۱۴۰۳)برای هر سه منطقه‌ی مورد مطالعه، مورد طبقه‌بندی قرار گرفت. در سناریو دوم علاوه بر باندهای اصلی سنجنده، شاخص‌های طیفی عمومی (NDVI ، SAVI، MSAVI، GNDVI، EVI) که به‌ترتیب برای ارزیابی سبزینگی، کاهش اثر خاک، سنجش سلامت کلروفیلی و افزایش حساسیت به پوشش‌های متراکم هست، بر روی داده‌های Sentinel-2 اعمال و وارد فرایند طبقه‌بندی شدند. در سناریو سوم علاوه بر باندهای اصلی، شاخص‌های طیفی تخصصی (PRI، CRI، MCRI، CAI، NDVI800، NPCI، RENDVI و ARI) مستخرج از داده‌های کتابخانه‌ی طیفی دو گونه بلوط و بنه در فرایند طبقه‌بندی قرار گرفتند. طبقه‌بندی داده‌ها در هر سه منطقه با سه الگوریتم نظارت‌شده شامل ماشین بردار پشتیبان (SVM)، حداکثر احتمال (MLC)و حداقل فاصله از میانگین (MinDist) انجام شد. صحت طبقه‌بندی با استفاده از نقشه واقعیت زمینی و معیارهای ضریب کاپا و دقت کلی بررسی شد.
یافته‌ها: نتایج نشان داد که در حالت اول، الگوریتم حداکثر احتمال به ترتیب با صحت کلی و ضریب کاپا در میشان (4/98٪، 71/0)، کته‌سیاه (5/77٪، 32/0) و وندون (7/86٪، 67/0) عملکرد بهتری داشت. در حالت دوم، همین الگوریتم در میشان (7/97٪، 65/0) و کته‌سیاه (9/75٪، 38/0) بهترین بود، اما در وندون، ماشین بردار پشتیبان با صحت کلی 9/77٪ و ضریب کاپای 57/0 برتر بود. در حالت سوم، نتایج حاصل از بررسی صحت نشان داد الگوریتم ماشین بردار پشتیبان در هر سه منطقه میشان (2/99٪، 81/0)، کته‌سیاه (2/98٪، 74/0) و وندون (0/89٪، 67/0) بالاترین دقت را گزارش کرده است. مقایسه‌ی سه حالت نشان داد که شاخص‌های طیفی تخصصی حاصل از کتابخانه طیفی در افزایش دقت طبقه‌بندی، مؤثرتر از شاخص‌های عمومی عمل کردند. با وجود دقت بالای الگوریتم‌ها، محدودیت‌هایی مانند شباهت طیفی خاک و پوشش گیاهی در مناطق کم‌تراکم، بر نتایج تأثیر گذاشت.
نتیجه‌گیری: بر اساس یافته‌ها، می‌توان نتیجه گرفت که تلفیق داده‌های طیفی معتبر و الگوریتم‌های یادگیری ماشین، ابزار مؤثری در تهیه نقشه‌های دقیق پوشش جنگلی است. استفاده از کتابخانه طیفی در کنار تصاویر سنتینل-۲، امکان تفکیک دقیق‌تر گونه‌های جنگلی را فراهم می‌کند. همچنین الگوریتم SVM به‌عنوان گزینه‌ای مناسب برای طبقه‌بندی تیپ‌های جنگلی در مناطق با پوشش متراکم و ساختار پیچیده پیشنهاد می‌شود. یافته‌های این پژوهش در برنامه‌ریزی حفاظتی- مدیریتی و پایش مستمر اکوسیستم‌های جنگلی زاگرس قابل کاربرد است.
