Journal of Forest Ecosystems Research

fa ارزیابی نقش شاخص‌های طیفی استخراج‌شده از کتابخانه طیفی در بهبود طبقه‌بندی تیپ‌های جنگلی زاگرس مرکزی با استفاده از تصاویر Sentinel-2 Evaluating the Role of Spectral Library–Derived Indices in Improving Forest Type Classification in the Central Zagros Using Sentinel-2 Imagery تخصصي Special پژوهشي Research <div style="text-align: justify;">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.  </div> <div style="text-align: justify;">Background and objectives: The Zagros forests, one of Iran's natural ecosystems, possess significant ecological diversity, and understanding their typology is crucial for sustainable management. The forests of Flard County in Chaharmahal and Bakhtiari Province, primarily covered by oak (Quercus brantii) and pistachio (Pistacia mutica), are part of the central Zagros region. These forests play a prominent role in ecological sustainability, biodiversity conservation, and providing environmental services. However, the lack of current and accurate typological maps has hindered their scientific management. Traditional ground-based survey methods are inefficient due to high costs and difficult terrain. This study aimed to use modern remote sensing technologies and evaluate how spectral indices derived from a spectral library improve the accuracy of supervised classification of Sentinel-2 satellite imagery for discriminating forest types. Materials and methods: To investigate the impact of spectral indices derived from the spectral library on distinguishing the region's dominant species, this study was conducted in three forest areas: two pure types and one mixed type. These areas were Mishan (pure oak), Kate-Siah (pure pistachio), and Vandun (mixed oak-pistachio cover) in Flard County, Chaharmahal and Bakhtiari Province. Three different classification scenarios were used. In Scenario 1, only Sentinel-2 images from October 15, 2024, were classified for all three study areas. In Scenario 2, in addition to the sensor's main bands, general spectral indices—NDVI, SAVI, MSAVI, GNDVI, and EVI—were applied to the Sentinel-2 data and incorporated into the classification process. These indices, respectively, assess greenness, reduce soil background effects, measure chlorophyll health, and enhance sensitivity to dense canopies. In Scenario 3, besides the main bands, specialized spectral indices—PRI, CRI, MCRI, CAI, NDVI800, NPCI, RENDVI, and ARI—extracted from the spectral library data of the oak and pistachio species were included in the classification process. Data classification in all three areas was performed using three supervised algorithms: Support Vector Machine (SVM), Maximum Likelihood Classification (MLC), and Minimum Distance (MinDist). Accuracy was assessed using a ground truth map, the Kappa coefficient, and overall accuracy criteria. Results: Results indicated that in Scenario 1, the Maximum Likelihood Classification (MLC) algorithm performed best with overall accuracies and Kappa coefficients of 98.4% and 0.71 in Mishan, 77.5% and 0.32 in Kate-Siah, and 86.7% and 0.67 in Vandun, respectively. In Scenario 2, the same algorithm was best in Mishan (97.7% overall accuracy, 0.65 Kappa coefficient) and Kate-Siah (75.9% overall accuracy, 0.38 Kappa coefficient). However, in Vandun, the SVM algorithm was superior, achieving an overall accuracy of 77.9% and a Kappa coefficient of 0.57. In Scenario 3, accuracy assessment results demonstrated that the SVM algorithm reported the highest accuracy in all three regions: Mishan (99.2% overall accuracy, 0.81 Kappa coefficient), Kate-Siah (98.2% overall accuracy, 0.74 Kappa coefficient), and Vandun (89.0% overall accuracy, 0.67 Kappa coefficient). A comparison of the three scenarios showed that specialized spectral indices derived from the spectral library were more effective in increasing classification accuracy than general indices. Despite the high accuracy of the algorithms, limitations such as spectral similarity between soil and vegetation in low-density areas affected the results. Conclusion: Based on these findings, integrating valid spectral data with machine learning algorithms is an effective tool for preparing detailed forest cover maps. Using a spectral library alongside Sentinel-2 imagery enables more accurate discrimination of forest. The SVM algorithm is a suitable option for classifying forest types in areas with dense cover and complex structures. The findings of this research are applicable to conservation-management planning and the continuous monitoring of Zagros Forest ecosystems.  </div> Sentinel-2, جنگل‌های فلارد, تیپ جنگلی, الگوریتم, بلوط و بنه, کتابخانه طیفی. Falard forests, Forest type, Machine learning algorithms, Pistacia mutica, Quercus brantii, Sentinel‑2, Spectral library 88 102 http://yujs.yu.ac.ir/jzfr/browse.php?a_code=A-10-279-1&slc_lang=fa&sid=1 Zahra Amiri زهرا امیری zraamyry30@gmail.com 10031947532846001766 10031947532846001766 No Shahrekord University دانشگاه شهرکرد Mozhgan Abbasi مژگان عباسی mozhgan.abasi@gmail.com 10031947532846001767 10031947532846001767 No Shahrekord University دانشگاه شهرکرد Saleh Kahyani صالح کهیانی skahyani@sku.ac.ir 10031947532846001768 10031947532846001768 No Shahrekord University دانشگاه شهرکرد Hamid Reza Riyahi Bakhtyari حمیدرضا ریاحی بختیاری hriyahi@sku.ac.ir 10031947532846001769 10031947532846001769 Yes Shahrekord University دانشگاه شهرکرد