Pemodelan Biomassa Tegakan Berbasis Indeks Vegetasi Citra Sentinel-2 di Hutan Pendidikan Gunung Walat

Abstract

Keterbatasan pengukuran biomassa lapangan pada areal bertopografi mendorong pemanfaatan indeks vegetasi Sentinel-2 sebagai alternatif pendugaan above-ground biomass (AGB) di areal rehabilitasi Hutan Pendidikan Gunung Walat. Penelitian ini bertujuan menganalisis nilai dugaan AGB pada seluruh petak dengan tahun tanam berbeda dan menguji enam indeks vegetasi (MSAVI, SAVI, ARVI, IRECI, NDRE, NDWI) untuk menyusun model terbaik penduga biomassa. Sebanyak 54 plot contoh lingkaran berukuran 0,04 ha dipilih secara sengaja (purposive) mewakili seluruh petak tahun tanam berbeda. Hasil penelitian menunjukkan bahwa rata-rata AGB sebesar 146,97 ton/ha dan bervariasi antarpetaknya. Keragaman ini dipengaruhi oleh heterogenitas komposisi jenis dan kerapatan tegakan akibat riwayat penyulaman. Model regresi kubik menjadi penduga AGB terbaik dengan MSAVI sebagai prediktor (R2 = 51,14%; s = 0,196). Namun, model ini belum divalidasi sehingga belum direkomendasikan untuk penerapan praktis. Peningkatan kualitas model penduga AGB dapat dilakukan melalui integrasi variabel biofisik atau data multi-sensor.

Field measurement limitations in complex terrains have prompted the use of Sentinel-2 vegetation indices as an alternative approach for estimating above-ground biomass (AGB) in the rehabilitation area of Gunung Walat Educational Forest (HPGW). This study analyzed estimated AGB values across all plots with different planting years and evaluated six vegetation indices (MSAVI, SAVI, ARVI, IRECI, NDRE, NDWI) to develop the best predictive model. Fifty-four circular plots (0.04 ha) were purposively selected to represent all plots across planting years. The average AGB was 146.97 ton/ha and varied among plots. This variability was driven by heterogeneity in species composition and stand density resulting from replanting history. Cubic regression yielded the best AGB model with MSAVI as the predictor (R² = 51.14%; s = 0.196). However, this unvalidated model is not yet recommended for practical application. Improving the AGB predictive model can be achieved through the integration of biophysical variables or multi-sensor data.