Model Pengelolaan Ekosistem Gambut Berbasis Tata Kelola Air dan Emisi Karbon (Studi Kasus Kesatuan Hidrologis Gambut Pulau Rupat)

Abstract

WALUYO YOGO UTOMO. Model Pengelolaan Ekosistem Gambut Berbasis Tata Kelola Air dan Emisi Karbon (Studi Kasus Kesatuan Hidrologis Gambut Pulau Rupat). Dibimbing oleh BABA BARUS, SURIA DARMA TARIGAN, dan SYAIFUL ANWAR.

Lahan gambut Indonesia diperkirakan sekitar 13.4 hingga 26.6 juta ha (Anda et al. 2021; Joosten et al. 2009; Xu et al. 2018) dan menyimpan stok karbon sebesar 13.6 hingga 40.5 Gt C (Warren et al. 2017) dari sekitar 152 hingga 288 Gt C yang disimpan oleh gambut tropika global (Page et al. 2011a; Ribeiro et al. 2020). Penurunan Tinggi Muka Air Tanah (TMAT) sebagai pendorong utama proses negatif dari degradasi lahan gambut, sehingga restorasi hidrologi lahan gambut sangat penting dilakukan (Dohong et al. 2017; Urzainki et al. 2020). Pada kawasan tropis, dinamika TMAT masih menjadi faktor utama yang mengontrol variabilitas emisi CO2 dari permukaan gambut dan keseimbangan neto ekosistem (Carlson et al. 2015; Ishikura et al. 2019; Evans et al. 2021). Selain oleh aktivitas manusia, gradien TMAT juga sangat dipengaruhi oleh anomali iklim tahunan seperti El Niño dan Indian Ocean Dipole (IOD) (Dadap et al. 2022; Sulaiman et al. 2023). Di antara berbagai komponen emisi Gas Rumah Kaca (GRK), emisi CO2 yang berasal dari respirasi total tanah (Rs) dan respirasi heterotrof (Rh) menjadi indikator kunci dalam kajian gambut tropis (Prananto et al. 2020; Novita et al. 2021). Rs merepresentasikan total emisi CO2 yang keluar dari permukaan gambut, tanpa memandang sumbernya. Dalam hal ini Rs merupakan gabungan dari Rh dan Ra (respirasi autotrofik yang bersumber dari akar hidup). Di sisi lain, Rh merupakan representasi emisi CO2 akibat dekomposisi aerobik bahan gambut, sehingga Rh mencerminkan laju degradasi gambut (Deshmukh et al. 2023; Hirano et al. 2024, 2025). Saat ini, pendekatan pemodelan berbasis data (data-driven modelling) dengan algoritma machine learning (machine learning/ML) banyak diteliti pada berbagai bidang kebumian, termasuk implementasinya pada studi-studi hidrologis berskala lokal hingga kontinen (Hou et al. 2025; Jesse et al. 2025; Martinsen et al. 2022; Refsgaard et al. 2022). Aplikasi model TMAT secara spesifik untuk prediksi TMAT telah dilakukan di wilayah gambut subtropis Eropa menggunakan algoritma ML random forest (RF) dan CatBoost- gradient boosting decision tree (GBDT) (Bechtold et al. 2014; Koch et al. 2023; Lendzioch et al. 2021). Sementara itu, implementasi algoritma ML untuk pemodelan TMAT pada gambut tropis dilaporkan oleh beberapa penelitian di Indonesia (Hikouei et al. 2023; Yonekura et al. 2025) dan Malaysia (Li et al. 2022) yang menggunakan extreme gradient boosting (XGBoost) dan jaringan syaraf tiruan (artificial neural network/ANN). Penelitian ini bertujuan untuk: (1) mengembangkan model prediksi TMAT pada gambut tropis KHG Pulau Rupat berbasis Machine Learning (ML); (2) mengembangkan Kurva Respon CO2-TMAT dan mengestimasi emisi CO2 berbasis respirasi tanah (Rs) dan respirasi heterotrofik (Rh) di lahan gambut; (3). memprediksi cadangan karbon, sekuestrasi dan emisi pada Hutan Tanaman Industri akasia; (4). memprediksi cadangan karbon, sekuestrasi dan emisi pada beberapa tipe penutupan lahan; (5). mengembangkan persamaan allometrik baru untuk prediksi cadangan karbon pada areal Hutan Tanaman Industri akasia secara lokal di KHG Pulau Rupat; serta (6). mengembangkan model pengelolaan Ekosistem Gambut berbasis tata kelola air dan emisi CO2 di lokasi penelitian. Penelitian komprehensif ini mengkaji dinamika hidrologi, estimasi emisi CO2 berbasis respirasi tanah (Rs) dan respirasi heterotrof (Rh), serta kuantifikasi cadangan karbon pada KHG Pulau Rupat menggunakan pendekatan machine learning (ML) dan penginderaan jauh demi mengatasi keterbatasan data lapangan yang kompleks. Pada aspek hidrologi, algoritma Extreme Gradient Boosting (XGBoost) berhasil memprediksi TMAT dengan resolusi spasial 10 meter dan temporal dua mingguan (biweekly) berbasis data observasi periode 2019–2025 dengan akurasi validasi yang baik (R2 = 0,73; RMSE = 8,29 cm). Hasil pemodelan distribusi spasial dan dinamika prediksi TMAT berdasarkan musim hujan dan kemarau antar tahun selama periode penelitian (2019-2025) menunjukkan bahwa rerata TMAT berskala KHG berada pada -32,02 ± 16,35 cm. Rerata TMAT yang relatif dangkal (-10 hingga -30 cm) secara konsisten diprediksi di sekitar kubah bagian tengah dan area gambut yang tidak didrainase. Rerata TMAT yang lebih dalam secara konsisten diprediksi berada pada zona rawa belakang pantai (coastal backswamps) di sisi timur, selatan, dan barat sepanjang musim dan sepanjang tahun, dimana area tersebut dikelola dan didrainase untuk perkebunan, hutan tanaman dan pertanian. Sebaliknya, rerata TMAT yang lebih dangkal secara konsisten terlihat pada gambut di belakang sungai (riverine backswamp) bagian utara. Dinamika hidrologi ini menunjukkan kontras yang tajam antar tutupan lahan, dimana area perkebunan yang didrainase mengalami penurunan TMAT ekstrem hingga mencapai -55 cm selama musim kemarau, jauh lebih rendah dibandingkan dengan kondisi di hutan sekunder alami yang tidak didrainase. Kondisi penurunan air tanah yang drastis ini berimplikasi langsung terhadap peningkatan laju pelepasan karbon ke atmosfer. Pengembangan kurva respon CO2-TMAT melalui penerapan fungsi non-linier logistik/sigmoid Gompertz, merujuk pada metodologi Ishikura et al. (2019), Koch et al. (2023), dan Tiemeyer et al. (2020) menggunakan basis data emisi sungkup tertutup (chamber) di lahan gambut tropis Indonesia berbasis respirasi tanah (Rs) dan respirasi heterotrof (Rh). Pendekatan ini didasarkan asumsi bahwa emisi CO2 dari kedua kompartemen tersebut akan menunjukkan pola mendatar (flatten) pada kondisi TMAT yang sangat dalam maupun pada kondisi tergenang dangkal. Tahap awal pengembangan kurva respon CO2-TMAT melalui telaah pustaka sistematis terhadap dataset terdahulu yang dikompilasi oleh Novita et al. (2021) dan Prananto et al. (2020), dimana basis datanya diperbaharui dengan menambahkan laporan emisi dari studi lapangan untuk periode 2021–2026. Kriteria penyaringan artikel lebih selektif dan hanya menggunakan artikel yang telah melalui proses peer-review yang ketat dan terindeks Scopus dan/atau Web of Science. Selanjutnya, artikel yang tidak merepresentasikan lahan gambut (seperti tanah mineral bergambut), studi dengan periode pengukuran singkat (<5 bulan), penelitian emisi ex-situ (misalnya berbasis monolit dan inkubasi) serta penelitian yang dilakukan di luar Indonesia tidak dimasukkan kedalam basis data. Kurva respon CO2-TMAT yang berhasil dikembangkan menunjukkan tingkat signifikansi yang sangat tinggi (p < 0.001) dengan total respirasi tanah (Rs) diestimasi mencapai 4,44±0,15 Mt CO2/tahun dan respirasi heterotrof (Rh) sebesar 3,55±0,11 Mt CO2/tahun. Kedua model kurva respon CO2-TMAT mempertimbangkan dua kondisi pelandaian emisi (emission plateaus) pada kondisi ekstrim TMAT, yaitu saat TMAT menurun (mendalam) dengan nilai emisi masing-masing untuk Rs dan Rh adalah 105.2 dan 86.2 Mg CO2 ha?¹ tahun?¹, sedangkan saat TMAT tergenang (dangkal) memiliki nilai emisi sebesar 26.11 dan 22.80 Mg CO2 ha?¹ tahun?¹ untuk Rs dan Rh. Penelitian ini berhasil mengidentifikasi kawasan gambut dangkal terdrainase di rawa belakang pantai sebagai hotspot emisi utama, serta mendeteksi tahun 2020 sebagai hot moment atau puncak emisi akibat adanya anomali iklim antar tahun. Selanjutnya, pemetaan multisektoral menggunakan algoritma Random Forest yang dioptimasi dengan Monte Carlo Cross Validation (MCCV) dan data Sentinel-2 mengonfirmasi variasi nilai Total Carbon Stock (TCS) yang signifikan di berbagai tipe penggunaan lahan. Hutan alami mempertahankan cadangan karbon tertinggi (1241,60±117,07 Mg C/ha), diikuti oleh perkebunan karet (827,76 Mg C/ha), hutan tanaman industri akasia (810,97 ± 135,78 Mg C/ha), kelapa sawit (709,81±96,23 Mg C/ha), dan kawasan rawa (657,58±32,29 Mg C/ha). Secara vertikal, Karbon Organik Tanah (SOC) pada kedalaman atas 0–40 cm merupakan kontributor utama mutlak yang menyumbang sekitar 93,4% hingga 94,2% dari total cadangan karbon di seluruh wilayah studi. Khusus pada area budidaya Hutan Tanaman Industri (HTI) akasia, meskipun tegakan mampu tumbuh di bawah cekaman tanah masam dengan pH rata-rata 3,76 dan menghasilkan TCS mencapai 806,45±136,48 Mg C/ha, analisis statistik membuktikan bahwa umur tanaman akasia memiliki pengaruh negatif sebesar 24% terhadap stabilitas TCS (p-value<0,001). Temuan ini menjadi peringatan krusial bahwa tanpa adanya tata kelola air dan hidrologi yang ketat, potensi sekuestrasi jangka panjang pada konsesi budidaya ini akan terus tergerus akibat degradasi gambut yang berkelanjutan di masa depan. Untuk meminimalkan ketidakpastian dalam perhitungan biomassa di atas permukaan tanah (Aboveground Carbon/AGC) pada HTI Akasia, penelitian ini menyempurnakan metode kuantifikasi melalui pengembangan persamaan alometrik baru berskala lokal untuk spesies Acacia crassicarpa. Pengujian terhadap beberapa model regresi menunjukkan bahwa persamaan polinomial berganda yang mengombinasikan parameter diameter batang (DBH) dan tinggi pohon menghasilkan performa estimasi terbaik dengan nilai akurasi tertinggi (R2 = 0,96) dan tingkat kesalahan terkecil (RMSE=38,20 kg). Penggunaan alometrik lokal baru ini berhasil mengoreksi kelemahan alometrik regional terdahulu yang sering kali kurang akurat karena menggunakan kapasitas dataset terbatas dan mengabaikan cekaman lingkungan spesifik. Secara keseluruhan, integrasi pemodelan hidrologi XGBoost, kurva emisi non-linier Gompertz, algoritma spasial Random Forest, serta pembaruan rumus alometrik lokal ini menghasilkan dataset geospasial beresolusi tinggi yang sangat esensial. Rangkaian metodologi berbasis data ini direkomendasikan secara kuat sebagai opsi saintifik tingkat tinggi untuk mendukung program aksi nasional pengurangan emisi karbon di sektor pertanian dan kehutanan serta mewujudkan tata kelola ekosistem gambut tropis yang berkelanjutan di Indonesia. Penelitian ini mengestimasi potensi manfaat mitigasi dari intervensi pengelolaan tata air, dengan melakukan simulasi skenario rewetting (peningkatan TMAT) beserta proyeksi spasial emisi CO2 gambut. Prioritas pengelolaan TMAT difokuskan pada dua tipologi area berdasarkan hasil analisis TMAT, yakni (1) area yang memiliki rerata TMAT musiman dan tahunan yang relatif dalam secara konsisten; (2) area yang memiliki deviasi (didefinisikan sebagai SD) TMAT yang besar. Penelitian ini mengkelaskan nilai persentase kejadian TMAT yang lebih dangkal dari -40 cm menjadi 4 kelas status tata kelola air, yaitu buruk (<40%), sedang (40–60%), baik (60–80%), dan sangat baik (80–100%). Skema klasifikasi ini mengadaptasi kategorisasi penilaian dari Keputusan Menteri Lingkungan Hidup/Kepala Badan Pengendalian Lingkungan Hidup Nomor 1375 Tahun 2025 tentang Program Penilaian Peringkat Kinerja Perusahaan dalam Pengelolaan Lingkungan Hidup (Kepmen LH/BPLH, 2025). Terdapat 6 skenario peningkatan TMAT secara seragam, yakni sebesar +5, +10, +20, +30, +40, dan +50 cm. Selanjutnya, keenam raster hasil simulasi tersebut diintegrasikan dengan ambang minimum TMAT berdasarkan regulasi hidrologis gambut nasional yakni -40 cm. Hasil integrasi tersebut menghasilkan raster kebutuhan peningkatan minimum (minimum required increment) per piksel untuk mencapai kepatuhan TMAT = -40 cm dengan pengkelasan mengikuti enam kelas skenario peningkatan TMAT. Berdasarkan matriks prioritas intervensi tata air KHG Pulau Rupat disusun 8 kelas prioritas, mulai dari Prioritas 1A (prioritas intervensi tertinggi) hingga Prioritas 4B (prioritas terendah). Pada matriks ini, area dengan tingkat ketercapaian TMAT -40 cm yang rendah memperoleh prioritas restorasi lebih tinggi, sedangkan informasi ketidakpastian digunakan untuk membedakan tingkat urgensi dan pendekatan pengelolaan yang diperlukan pada setiap kelas. Selain itu, wilayah yang memiliki SD tinggi mendapatkan bobot intervensi yang lebih tinggi (sub-kelas A) dibandingkan dengan wilayah yang memiliki SD rendah (sub-kelas B). Berdasarkan hasil pemetaan spasial diketahui bahwa status tata kelola air yang dikategorikan baik hingga sangat baik memiliki sebaran terpusat di wilayah gambut bagian tengah dan gambut pada wilayah rawa belakang sungai (riverine backswamp) di bagian utara. Pada zona tersebut persentase kejadian TMAT yang lebih dalam dari -40 cm terestimasi relatif rendah, sebaliknya status tata kelola air dengan klasifikasi sedang hingga buruk terkonsentrasi pada areal pinggiran gambut yang terasosiasi dengan wilayah rawa belakang pantai (coastal backswamps) di pesisir barat, barat daya, dan selatan. Pada wilayah ini, persentase kejadian TMAT yang lebih dalam dari -40 cm terestimasi relatif tinggi. Area Prioritas 4A (Sangat Baik + SD Tinggi) dan Prioritas 4B (Sangat Baik + SD Rendah) mendominasi bagian tengah KHG. Sebaliknya, kelas Prioritas 2B hingga 3B tersebar pada bagian tepi gambut, khususnya pada bagian barat yang terasosiasi dengan rawa belakang pantai. Secara kuantitatif, Prioritas 4A merupakan kelas yang paling dominan dengan luas mencapai 50.032 ha (43%), diikuti Prioritas 4B seluas 26.929 ha (23%), Prioritas 3B seluas 19.736 ha (17%), dan Prioritas 3A seluas 16.378 ha (14%). Berdasarkan pendekatan ini, sekitar 97% dari total area KHG Pulau Rupat berada pada kategori Baik hingga Sangat Baik, sedangkan area yang termasuk kategori Sedang dan Buruk hanya mencakup sekitar 4% dari keseluruhan wilayah. Kelas Prioritas 2B memiliki luas 4.270 ha (4%), sedangkan Prioritas 1B hanya 87 ha (<0,1%) dan Prioritas 2A hanya 3 ha (<0,01%). Tidak ditemukan area yang termasuk ke dalam kelas Prioritas 1A. Simulasi pembasahan kembali (rewetting) dilakukan dengan menerapkan kenaikan TMAT secara bertahap sebesar +5 cm, +10 cm, +20 cm, +30 cm, +40 cm, dan +50 cm terhadap kondisi TMAT awal. Pada skenario kenaikan +5 cm dan +10 cm, nilai TMAT di sebagian besar areal penelitian masih berada pada rentang negatif (di bawah 0 cm), dengan nilai terendah terkonsentrasi di wilayah tengah kubah gambut. Pada skenario +20 cm menunjukkan nilai TMAT yang mendekati 0 cm di sebagian besar area, sedangkan untuk skenario kenaikan +30 cm, nilai TMAT di wilayah tengah mendekati 0 hingga positif rendah, sementara wilayah tepi khususnya bagian utara, barat, dan selatan mulai menunjukkan nilai TMAT positif lebih tinggi. Pola ini berlanjut pada skenario +40 cm dan +50 cm, di mana proporsi area dengan nilai TMAT tertinggi, mendekati atau melebihi 45 cm, semakin meluas terutama di sepanjang tepi lanskap, sementara wilayah tengah kubah tetap menunjukkan nilai TMAT yang relatif lebih rendah dibandingkan wilayah tepi pada seluruh skenario kenaikan. Pada skenario respon emisi Rs, nilai emisi tertinggi (oranye tua hingga merah gelap, mendekati 55 unit) teramati pada skenario +5 cm dan +10 cm, dengan konsentrasi tertinggi di wilayah tengah kubah gambut. Pada skenario +20 cm, nilai emisi menurun ke rentang oranye-kuning (sekitar 35–45 unit). Penurunan nilai emisi berlanjut pada skenario +30 cm dan +40 cm, ditandai dengan dominasi warna hijau-kuning (sekitar 25–35 unit), hingga mencapai nilai terendah pada skenario +50 cm yang didominasi warna biru-hijau (sekitar 15–25 unit di wilayah tengah dan di bawah 10 unit di sebagian tepi utara dan selatan). Pada kedua parameter (Rs dan Rh), pola spasial yang konsisten teramati di seluruh skenario, yaitu nilai emisi di wilayah tepi lanskap secara umum lebih rendah dibandingkan wilayah tengah pada skenario kenaikan TMAT rendah (+5 cm hingga +20 cm), sementara pada skenario kenaikan TMAT tinggi (+30 cm hingga +50 cm) sebagian wilayah tepi utara dan selatan menunjukkan nilai emisi terendah dibandingkan wilayah lainnya. Skenario terbaik dalam intervensi hidrologis Ekosistem Gambut pada lokasi penelitian adalah dengan menaikkan TMAT sebesar +5 cm dan 10 cm, dengan kategori Prioritas 1B (Buruk+SD rendah), Prioritas 2A (Sedang+SD Tinggi) dan Prioritas 2B (Sedang+SD rendah) dengan total luasan ? 4.360 Ha (3,71%). Temuan penelitian ini mengindikasikan bahwa kebutuhan restorasi hidrologi intensif bersifat lokal (site-specific). Sementara sebagian besar wilayah KHG lebih membutuhkan strategi pengelolaan adaptif berupa pemantauan dan pemeliharaan untuk menjaga keberlanjutan fungsi hidrologi gambut.

Kata kunci: gambut, karbon, emisi CO2, respirasi tanah (Rs), respirasi heterotrof (Rh), machine learning, TMAT, sentinel-2, rewetting.

WALUYO YOGO UTOMO. Peat Ecosystem Management Model Based on Carbon Emission and Water Governance (Case Study of the Rupat Island Peat Hydrological Unit). Supervised by BABA BARUS, SURIA DARMA TARIGAN, and SYAIFUL ANWAR.

Indonesia's peatlands are estimated to cover approximately 13.4 to 26.6 million ha (Anda et al. 2021; Joosten et al. 2009; Xu et al. 2018) and store carbon stocks of 13.6 to 40.5 Gt C (Warren et al. 2017) out of approximately 152 to 288 Gt C stored by global tropical peatlands (Page et al. 2011a; Ribeiro et al. 2020). Groundwater level decline (GST) is the main driver of the negative processes of peatland degradation, so peatland hydrological restoration is crucial (Dohong et al. 2017; Urzainki et al. 2020). In tropical regions, Water Table Depth (WTD) dynamics remain a major factor controlling the variability of CO2 emissions from peat surfaces and the net ecosystem balance (Carlson et al. 2015; Ishikura et al. 2019; Evans et al. 2021). In addition to human activities, WTD gradients are also significantly influenced by annual climate anomalies such as El Niño and the Indian Ocean Dipole (IOD) (Dadap et al. 2022; Sulaiman et al. 2023). Among the various components of Greenhouse Gas (GHG) emissions, CO2 emissions from total soil respiration (Rs) and heterotrophic respiration (Rh) are key indicators in tropical peat studies (Prananto et al. 2020; Novita et al. 2021). Rs represents the total CO2 emissions emitted from the peat surface, regardless of source. In this case, Rs is a combination of Rh and Ra (autotrophic respiration originating from living roots). On the other hand, Rh represents CO2 emissions due to aerobic decomposition of peat material, thus reflecting the rate of peat degradation (Deshmukh et al. 2023; Hirano et al. 2024, 2025). Currently, data-driven modeling approaches using machine learning (ML) algorithms are widely researched in various geoscience fields, including their implementation in hydrological studies at local to continental scales (Hou et al. 2025; Jesse et al. 2025; Martinsen et al. 2022; Refsgaard et al. 2022). The WTD model has been specifically applied to TMAT prediction in subtropical European peatlands using the random forest (RF) and CatBoost-gradient boosting decision tree (GBDT) ML algorithms (Bechtold et al. 2014; Koch et al. 2023; Lendzioch et al. 2021). Meanwhile, the implementation of ML algorithms for WTD modeling in tropical peatland has been reported by several studies in Indonesia (Hikouei et al. 2023; Yonekura et al. 2025) and Malaysia (Li et al. 2022) using extreme gradient boosting (XGBoost) and artificial neural networks (ANN). This study aims to: (1) develop a WTD prediction model on tropical peat of Rupat Island PHU based on Machine Learning (ML); (2) develop a CO2-WTD response curve and estimate CO2 emissions based on soil respiration (Rs) and heterotrophic respiration (Rh) in peatlands; (3). predict carbon stocks, sequestration and emissions in Acacia Industrial Plantation Forests; (4). predict carbon stocks, sequestration and emissions in several land cover types; (5). develop a new allometric equation for predicting carbon stocks in the Acacia Industrial Plantation Forest area locally in Rupat Island PHU; and (6). develop a Peat Ecosystem management model based on water management and CO2 emissions at the research site. This comprehensive study examines hydrological dynamics, CO2 emission estimation based on soil respiration (Rs) and heterotrophic respiration (Rh), and carbon stock quantification in the Rupat Island PHU using machine learning (ML) and remote sensing approaches to overcome the limitations of complex field data. In the hydrological aspect, the Extreme Gradient Boosting (XGBoost) algorithm successfully predicted WTD with a spatial resolution of 10 meters and biweekly temporal based on observation data for the 2019-2025 period with good validation accuracy (R2 = 0.73; RMSE = 8.29 cm). The results of spatial distribution modeling and dynamics of WTD prediction based on the rainy and dry seasons between years during the study period (2019–2025) showed that the average WTD at the PHU scale was at -32.02 ± 16.35 cm. Relatively shallow WTD averages (-10 to -30 cm) are consistently predicted around the central dome and undrained peat areas. Consistently deeper WTD averages are predicted in the coastal backswamps on the eastern, southern, and western sides across seasons and throughout the year, where these areas are managed and drained for plantations, tree plantations, and agriculture. In contrast, shallower WTD averages are consistently observed in the northern riverine backswamp peat. These hydrological dynamics demonstrate a sharp contrast between land covers, with drained plantation areas experiencing extreme WTD declines of up to -55 cm during the dry season, significantly lower than those in undrained natural secondary forest. This drastic groundwater decline has direct implications for increasing the rate of carbon release to the atmosphere. The development of the CO2-WTD response curve through the application of the non-linear logistic/sigmoid Gompertz function, referring to the methodology of Ishikura et al. (2019), Koch et al. (2023), and Tiemeyer et al. (2020) using a closed chamber emission database in Indonesian tropical peatlands based on soil respiration (Rs) and heterotrophic respiration (Rh). This approach is based on the assumption that CO2 emissions from both compartments will show a flattening pattern in very deep WTD conditions as well as in shallow flooded conditions. The initial stage of developing the CO2-WTD response curve through a systematic literature review of previous datasets compiled by Novita et al. (2021) and Prananto et al. (2020), where the database was updated by adding emission reports from field studies for the period 2021–2026. The article screening criteria were more selective and only used articles that had gone through a rigorous peer-review process and were indexed by Scopus and/or Web of Science. Furthermore, articles that do not represent peatlands (such as peaty mineral soils), studies with short measurement periods (<5 months), ex-situ emission studies (e.g., monolith-based and incubation-based) and studies conducted outside Indonesia are not included in the database. The successfully developed CO2-WTD response curve shows a very high level of significance (p < 0.001) with total soil respiration (Rs) estimated at 4.44±0.15 Mt CO2/year and heterotrophic respiration (Rh) at 3.55±0.11 Mt CO2/year. Both CO2-WTD response curve models consider two emission plateaus under extreme WTD conditions, namely when WTD decreases (deepens) with emission values for Rs and Rh of 105.2 and 86.2 Mg CO2 ha?¹ year?¹, respectively, while when WTD is flooded (shallows) has emission values of 26.11 and 22.80 Mg CO2 ha?¹ year?¹ for Rs and Rh. This study successfully identified the drained shallow peat area in the backwater swamp as the main emission hotspot, and detected 2020 as a hot moment or peak emission due to interannual climate anomalies. Furthermore, multisectoral mapping using the Random Forest algorithm optimized with Monte Carlo Cross Validation (MCCV) and Sentinel-2 data confirmed significant variations in Total Carbon Stock (TCS) values across land use types. Natural forests maintained the highest carbon stocks (1241.60±117.07 Mg C/ha), followed by rubber plantations (827.76 Mg C/ha), acacia industrial plantations (810.97±135.78 Mg C/ha), oil palm (709.81±96.23 Mg C/ha), and swamp areas (657.58±32.29 Mg C/ha). Vertically, Soil Organic Carbon (SOC) at the upper depth of 0–40 cm was the absolute main contributor accounting for approximately 93.4% to 94.2% of the total carbon stocks across the study area. Specifically in the acacia Industrial Plantation Forest (HTI) cultivation area, although the stands were able to grow under acid soil stress with an average pH of 3.76 and produced TCS reaching 806.45±136.48 Mg C/ha, statistical analysis proved that the age of the acacia plants had a negative effect of 24% on TCS stability (p-value <0.001). This finding is a crucial warning that without strict water and hydrological governance, the long-term sequestration potential in this cultivation concession will continue to be eroded due to ongoing peat degradation in the future. To minimize uncertainty in the calculation of aboveground biomass (Aboveground Carbon/AGC) in Acacia plantations, this study refines the quantification method by developing a new local scale allometric equation for Acacia crassicarpa. Testing of several regression models shows that a multiple polynomial equation combining stem diameter (DBH) and tree height parameters produces the best estimation performance with the highest accuracy value (R2 = 0.96) and the smallest error rate (RMSE = 38.20 kg). The use of this new local allometric successfully corrects the weaknesses of previous regional allometrics which are often inaccurate due to using limited dataset capacity and ignoring specific environmental stresses. Overall, the integration of XGBoost hydrological modeling, Gompertz nonlinear emission curves, the Random Forest spatial algorithm, and the updated local allometric formula produces a very essential high-resolution geospatial dataset. This data-driven methodology suite is strongly recommended as a high-level scientific option to support the national action program for reducing carbon emissions in the agriculture and forestry sectors and realizing sustainable tropical peat ecosystem management in Indonesia. This study estimates the potential mitigation benefits of water management interventions by simulating rewetting scenarios (raising the WTD) and projecting spatial peat CO2 emissions. Management priorities focused on two area typologies identified through WTD analysis: (1) areas with consistently deep average seasonal and annual WTD levels; and (2) areas exhibiting high WTD deviation (defined as standard deviation). The study classified the percentage of occurrences where WTD was shallower than -40 cm into four water management status categories: poor (<40%), moderate (40–60%), good (60–80%), and very good (80–100%). This classification scheme adapts the assessment categories from the Minister of Environment/Head of the Environmental Protection Agency Decree Number 1375 of 2025 regarding the Corporate Performance Rating Assessment Program for Environmental Management (Kepmen LH/BPLH, 2025). Six scenarios involving uniform WTD increases – specifically +5, +10, +20, +30, +40, and +50 cm – were modeled. Subsequently, the six resulting simulation rasters were integrated with the national regulatory minimum WTD threshold for peatlands (-40 cm). This integration produced a raster representing the minimum required increment per pixel to achieve compliance with the WTD = -40 cm standard, classified according to the six WTD increase scenarios. Based on the water management intervention priority matrix for the PHU of Rupat Island, eight priority classes were established, ranging from Priority 1A (highest intervention priority) to Priority 4B (lowest priority). In this matrix, areas with low achievement levels regarding the -40 cm WTD target are assigned higher restoration priority, while uncertainty data is used to differentiate the urgency and required management approach for each class. Furthermore, areas with high subsidence rates (SD) are assigned a higher intervention weight (sub-class A) compared to areas with low subsidence rates (sub-class B). Spatial mapping results indicate that water management status classified as "good" to "very good" is concentrated in the central peat areas and the riverine backswamp peat areas in the north. In these zones, the estimated percentage of occurrences where the WTD drops below -40 cm is relatively low; conversely, water management status classified as "moderate" to "poor" is concentrated in peat margin areas associated with coastal backswamps along the western, southwestern, and southern coasts. In these areas, the estimated percentage of occurrences where the groundwater level drops below -40 cm is relatively high. Priority 4A ("Very Good" + High SD) and Priority 4B ("Very Good" + Low SD) areas dominate the central part of the KHG. In contrast, Priority classes 2B through 3B are distributed along the peat margins, particularly in the west, where they are associated with coastal backswamps. Quantitatively, Priority 4A is the most dominant class, covering an area of 50,032 ha (43%), followed by Priority 4B at 26,929 ha (23%), Priority 3B at 19,736 ha (17%), and Priority 3A at 16,378 ha (14%). Based on this approach, approximately 97% of the total area of Rupat Island PHU falls into the Good to Very Good categories, whereas areas classified as Moderate and Poor account for only about 4% of the total territory. Priority Class 2B covers an area of 4,270 ha (4%), while Priority 1B covers only 87 ha (<0.1%) and Priority 2A only 3 ha (<0.01%). No areas were found to fall within Priority Class 1A. Rewetting simulations were conducted by applying incremental increases in the WTD of +5 cm, +10 cm, +20 cm, +30 cm, +40 cm, and +50 cm relative to the initial condition. In the +5 cm and +10 cm scenarios, WTD values across most of the study area remained in the negative range (below 0 cm), with the lowest values concentrated in the central region of the peat dome. The +20 cm scenario showed WTD values approaching 0 cm across most of the area; meanwhile, in the +30 cm scenario, WTD values in the central region approached 0 cm or slightly positive levels, whereas the peripheral areas-particularly the northern, western, and southern sections-began to exhibit higher positive WTD values. This pattern persisted in the +40 cm and +50 cm scenarios, where the proportion of the area with the highest WTD values (approaching or exceeding 45 cm) expanded, especially along the landscape edges, while the central dome region consistently showed relatively lower WTD values compared to the periphery across all increase scenarios. Regarding the Rs emission response, the highest emission values (ranging from dark orange to dark red, approaching 55 units) were observed in the +5 cm and +10 cm scenarios, with the highest concentrations in the central peat dome region. In the +20 cm scenario, emission values dropped to the orange-yellow range (approximately 35–45 units). This decline continued in the +30 cm and +40 cm scenarios, characterized by a dominance of green-yellow hues (approximately 25–35 units), ultimately reaching the lowest values in the +50 cm scenario, which was dominated by blue-green hues (approximately 15–25 units in the central region and below 10 units in parts of the northern and southern periphery). For both parameters (Rs and Rh), a consistent spatial pattern was observed across all scenarios: emission values in the landscape's peripheral areas were generally lower than in the central areas under low groundwater level rise scenarios (+5 cm to +20 cm), whereas under high groundwater level rise scenarios (+30 cm to +50 cm), parts of the northern and southern peripheral areas exhibited the lowest emission values compared to other regions. The best scenario for hydrological intervention in the Peat Ecosystem at the research site is to increase the TMAT by +5 cm and 10 cm, with Priority 1B (Poor + Low SD), Priority 2A (Moderate + High SD), and Priority 2B (Moderate + Low SD) categories with a total area of = 4,360 Ha (3.71%). The findings of this study indicate that the need for intensive hydrological restoration is local (site-specific). Meanwhile, most PHU areas require adaptive management strategies in the form of monitoring and maintenance to maintain the sustainability of peat hydrological functions.

Keywords: peat, carbon, CO2 emission, soil respiration (Rs), heterotrof respiration (Rh), machine learning, WTD, sentinel-2, rewetting.