Pemetaan Habitat Bentik Perairan Dangkal: Komparasi dan Kombinasi Teknologi Hidroakustik dan Penginderaan Jauh Optik

Abstract

Informasi spasial habitat bentik pada skala spasial yang tepat dan relevan merupakan prasyarat mendasar memahami dan mengelola ekosistem di perairan dangkal dan menjadi langkah penting untuk memantau kesehatan dan evolusinya. Namun, sering kali terhambat oleh kurangnya informasi spasial habitat bentik yang komprehensif. Perkembangan teknologi penginderaan jauh, baik hidroakustik maupun penginderaan jauh optik telah memudahkan dalam melakukan survei pemetaan habitat bentik. Pada berbagai survei hidroakustik, salah satu kelemahan sistem single-beam echosounder (SBES) adalah keterbatasan parameter-parameter akustik yang digunakan sebagai input dalam proses klasifikasi yang hanya terbatas pada echo pertama dan echo kedua. Di sisi lain, meskipun citra satelit memiliki banyak kelebihan, namun gelombang elekromagnetik dari sensor satelit memiliki keterbatasan penetrasi terhadap kolom air. Tujuan penelitian antara lain: (1) menganalisis karakteristik hambur balik akustik beberapa tipe bentik yang mencakup parameter akustik di echo pertama hingga ketiga; (2) menentukan kombinasi parameter akustik dan algoritma machine learning agar menghasilkan peta habitat bentik yang akurat dari dataset SBES; (3) memetakan habitat bentik dari citra SPOT-6 dan Sentinel-2A menggunakan metode dan algoritma klasifikasi yang berbeda-beda; dan (4) menganalisis perbandingan tingkat akurasi dan kemiripan peta habitat bentik dari dataset SBES dengan citra satelit (SPOT-6 dan Sentinel-2A), serta mengkombinasikannya agar menghasilkan peta habitat bentik yang komprehensif. Penelitian ini dilakukan di Atol Kapota, Kabupaten Wakatobi. SBES Simrad EK15 digunakan untuk perekaman data hidroakustik secara stasioner dengan target delapan tipe bentik: pasir (PS1 dan PS2), pasir+lamun (PsL1 dan PsL2), rubble (RB), Acropora tabulate (ACT), Acropora branching (ACB), Coral massive (CM), Coral foliose (CF) dan soft coral (SC); serta perekaman sepanjang lintasan survei akustik. Pengolahan data hambur balik akustik menggunakan perangkat lunak Sonar5-Pro. Proses klasifikasi dataset SBES menggunakan enam algoritma klasifikasi. Adapun citra SPOT-6 dan Sentinel-2A diolah menggunakan perangkat lunak ArcMap 10.8.1, dengan menerapkan dua metode klasifikasi (berbasis objek dan piksel) dan dua algoritma klasifikasi. Hasil penelitian menemukan bahwa energi hambur balik akustik, seperti bottom detection (BD), bottom peak pertama (BP1), AttackSv1, DecaySv1, AttDecSv1, bottom peak kedua (BP2), AttackSv2, DecaySv2, AttDecSv2, bottom peak ketiga (BP3), AttackSv3, DecaySv3, dan AttDecSv3 dari beberapa tipe dasar laut berbeda signifikan, walaupun beberapa diantaranya tidak berbeda signifikan. Di ketiga echo dasar laut, ditemukan bahwa pasir (PS1 dan PS2) yang relatif datar memiliki energi BP dan AttackSv yang lebih tinggi dari tipe bentik lainnya, sedangkan karang CM memiliki energi DecaySv yang lebih tinggi. Pasir yang relatif datar membentuk kurva yang lebih tajam dan lebih sempit di fase decay, sedangkan karang keras (CM, ACB, ACT) dan SC membentuk kurva yang lebih lebar. Karang CM membentuk kurva fase decay yang lebar dekat puncak echo, sedangkan ACT dan ACB di bagian bawah (bagian akhir) fase decay. Kombinasi delapan parameter akustik (kedalaman/D, BD, BP1, AttackSv1, DecaySv1, AttDecSv1, AttDecSv2 dan AttDecSv3) sebagai parameter input klasifikasi menghasilkan peta habitat bentik (karang, lamun dan pasir) dengan akurasi maksimum 79,33% dengan menggunakan algoritma Random Forest (RF). Akurasi tersebut lebih tinggi secara signifikan dibandingkan kombinasi parameter akustik utama SBES dalam sistem RoxAnn (E1/DecSv1 dan E2/AttDecSv2). Penambahan dua atau lebih parameter akustik secara bersamaan dapat meningkatkan akurasi peta secara signifikan. Urutan kepentingan delapan parameter akustik dalam proses klasifikasi: AttDecSv2>D>DecaySv1>BD> AttDecSv3>AttackSv1>AttDecSv1>BP1. Citra SPOT-6 dan Sentinel-2A menghasilkan memetakan sembilan kelas bentik, antara lain pasir, karang hidup, karang mati, rubble, lamun padat, campuran rubble dan pasir, campuran lamun sedang dan pasir, campuran pasir dan lamun jarang, serta campuran rubble, karang mati dan lamun jarang. Citra SPOT-6 menghasilkan peta habitat bentik dengan akurasi berkisar 66,67–75,23%, sedangkan citra Sentinel-2A berkisar 63,51–66,22%. Penerapan klasifikasi berbasis objek dapat meningkatkan akurasi peta habitat bentik hingga 2,71% (citra Sentinel-2A) dan 8,56% (SPOT-6) dibandingkan menggunakan klasifikasi berbasis piksel. Adapun algoritma Support Vector Machine menghasilkan peta habitat bentik dengan akurasi tinggi ketika diterapkan pada klasifikasi berbasis objek. Sebaliknya, algoritma RF lebih baik bila diterapkan pada klasifikasi berbasis piksel. Dataset SBES dan citra setelit memiliki kelebihan dan kekurangan dalam memetakan habitat bentik. Jumlah kelas habitat bentik yang terpetakan dari citra satelit (SPOT-6 dan Sentinel-2A) lebih banyak dibandingkan dataset SBES di area yang sama. Begitupun akurasi peta habitat bentik dari citra satelit lebih tinggi dibandingkan dataset SBES pada jumlah kelas bentik yang sama (karang, lamun dan pasir), kecuali akurasi peta dari citra Sentinel-2A berbasis piksel. Namun, citra satelit hanya mampu memetakan habitat bentik dengan baik hingga kedalaman 15 m dan akurasi yang tinggi dibatasi pada kedalaman 10 m. Pada kedalaman >10, kelas karang dan pasir yang terpetakan oleh SBES dominan terpetakan sebagai kelas badan air ketika menggunakan citra satelit. Hal ini sangat dipengaruhi oleh kemampuan gelombang elektromagnetik dalam menembus kolom air. Berdasarkan kelebihan masing-masing sumber data, maka kombinasi peta habitat bentik dari citra SPOT-6 (hingga 10 m) dan SBES (>10 m) menghasilkan peta habitat bentik dengan akurasi yang sangat tinggi (90,67%) untuk tiga kelas bentik (karang, lamun dan pasir). Kombinasi dataset SBES dan citra SPOT-6 dapat memetakan habitat bentik yang lebih komprehensif dan resolusi yang tinggi (sepuluh kelas bentik). Sebagai upaya untuk meningkatkan akurasi peta habitat bentik dari dataset SBES, penambahan parameter turunan data kedalaman (slope dan rugosity) juga perlu dipertimbangkan sebagai parameter input klasifikasi dengan menerapkan metode dan klasifikasi yang berbeda (penerapan algoritma deep learning). Terakhir, diperlukan lebih banyak penelitian terkait komparatif dataset hidroakustik (SBES, MBES atau side scan sonar) dan citra penginderaan jauh optik (multispektral atau hiperspektral) dengan menerapkan teknik dan metode klasifikasi yang lainnya.

Spatial information of benthic habitats at appropriate and relevant spatial scales is a fundamental prerequisite for understanding and managing shallow water ecosystems. It is an important step in monitoring their health and evolution. However, the lack of comprehensive spatial information on benthic habitats often hampered it. The development of remote sensing technology, both hydroacoustic and optical remote sensing, has made it easier to conduct benthic habitat mapping surveys. In various hydroacoustic surveys, one of the weaknesses of the single-beam echosounder (SBES) system is the limitation of acoustic parameters used as input in the classification process, which is limited to the first and second echoes. On the other hand, although satellite imagery has many advantages, electromagnetic waves from satellite sensors have limited penetration into the water column. The objectives of the study include: (1) analyzing the acoustic backscatter characteristics of several types of benthic including acoustic parameters in the first to third echoes; (2) determining the combination of acoustic parameters and machine learning algorithms to produce accurate benthic habitat maps from the SBES dataset; (3) mapping benthic habitats from SPOT-6 and Sentinel-2A images using different classification methods and algorithms; and (4) analyzing the comparative level of accuracy and similarity of benthic habitat maps from SBES datasets with satellite images (SPOT-6 and Sentinel-2A), and combining them to produce a comprehensive benthic habitat map. This research was conducted in Kapota Atoll, Wakatobi Regency. SBES Simrad EK15 was used for stationary hydroacoustic data recording with eight benthic types as targets: sand (PS1 and PS2), sand+seagrass (PsL1 and PsL2), rubble (RB), Acropora tabulate (ACT), Acropora branching (ACB), Coral massive (CM), Coral foliose (CF) and soft coral (SC); and recording along the acoustic survey line. Acoustic backscatter data processing used Sonar5-Pro software—the SBES dataset classification process used six classification algorithms. The SPOT-6 and Sentinel-2A images were processed using ArcMap 10.8.1 software by applying two classification methods (object- and pixel-based) and two classification algorithms. The results of the study found that acoustic backscatter energy, such as bottom detection (BD), first bottom peak (BP1), AttackSv1, DecaySv1, AttDecSv1, second bottom peak (BP2), AttackSv2, DecaySv2, AttDecSv2, third bottom peak (BP3), AttackSv3, DecaySv3, and AttDecSv3 from several types of seabeds were significantly different. However, some of them were not significantly different. In the three seabed echoes, it was found that relatively flat sand (PS1 and PS2) had higher BP and AttackSv energy than other benthic types, while CM coral had higher DecaySv energy. Relatively flat sand formed a sharper and narrower curve in the decay phase, while hard corals (CM, ACB, ACT) and SC formed wider curves. CM coral formed a wide decay phase curve near the echo peak, while ACT and ACB were at the bottom (end) of the decay phase. The combination of eight acoustic parameters (depth/D, BD, BP1, AttackSv1, DecaySv1, AttDecSv1, AttDecSv2, and AttDecSv3) as classification input parameters produces a benthic habitat map (coral, seagrass, and sand) with a maximum accuracy of 79.33% using the Random Forest (RF) algorithm. This accuracy is significantly higher than the combination of the main SBES acoustic parameters in the RoxAnn system (E1/DecSv1 and E2/AttDecSv2). Adding two or more acoustic parameters simultaneously can significantly increase the accuracy of the map. The order of importance of the eight acoustic parameters in the classification process: AttDecSv2>D>DecaySv1>BD>AttDecSv3>AttackSv1> AttDecSv1>BP1. SPOT-6 and Sentinel-2A images produced nine benthic classes, including sand, live coral, dead coral, rubble, dense seagrass, a mixture of rubble and sand, a mixture of medium seagrass and sand, a mix of sand and sparse seagrass, and a mixture of rubble, dead coral, and sparse seagrass. SPOT-6 images produced benthic habitat maps with an accuracy ranging from 66.67% to 75.23%, while Sentinel-2A images ranged from 63.51% to 66.22%. Object-based classification can increase the accuracy of benthic habitat maps by up to 2.71% (Sentinel-2A images) and 8.56% (SPOT-6) compared to pixel-based classification. When applied to object-based classification, the Support Vector Machine algorithm produces benthic habitat maps with high accuracy. Conversely, the RF algorithm is better when applied to pixel-based classification. SBES datasets and satellite imagery have advantages and disadvantages in mapping benthic habitats. The number of benthic habitat classes mapped from satellite imagery (SPOT-6 and Sentinel-2A) exceeds the SBES dataset in the same area. Likewise, the accuracy of benthic habitat maps from satellite imagery is higher than the SBES dataset for the same number of benthic classes (coral, seagrass, and sand), except for the accuracy of maps from pixel-based Sentinel-2A images. However, satellite imagery can only map benthic habitats up to a depth of 15 m, and high accuracy is limited to 10 m. At depths >10, the coral and sand classes mapped by SBES are predominantly mapped as water body classes when using satellite imagery. This is greatly influenced by the ability of electromagnetic waves to penetrate the water column. Based on the advantages of each data source, the combination of benthic habitat maps from SPOT-6 imagery (up to 10 m) and SBES (>10 m) produces benthic habitat maps with very high accuracy (90.67%) for three benthic classes (coral, seagrass, and sand). Combining the SBES dataset and SPOT-6 imagery can map more comprehensive benthic habitats and high-resolution (ten benthic classes). To improve the accuracy of benthic habitat maps from SBES datasets, adding depth data-derived parameters (slope and rugosity) must also be considered as classification input parameters by applying different methods and classifications (application of deep learning algorithms). Finally, more research is needed on the comparative hydroacoustic datasets (SBES, MBES, or side scan sonar) and optical remote sensing imagery (multi- or hyper-spectral) by applying other classification techniques and methods.