Pengembangan Metode Pengukuran Tingkat Keparahan Kebakaran dan Regenerasi Vegetasi Menggunakan Analisis Multiwaktu Langsung

Abstract

Indonesia kehilangan 2,6 juta ha akibat kebakaran pada tahun 2015 dan terulang dengan kehilangan 1,9 juta ha pada tahun 2019. Kendati luas kebakaran menurun, peluang terjadinya kebakaran masih besar karena masyarakat masih melakukan praktik pembakaran untuk persiapan dan konversi lahan. Kebakaran memberikan dampak negatif terhadap manusia dan lingkungan, termasuk kerusakan vegetasi yang terjadi. Pengukuran keparahan kebakaran penting dilakukan untuk mengetahui tingkat kerusakan dan langkah penanganan yang dapat dilakukan. Keterandalan teknologi penginderaan jarak jauh perlu dilakukan untuk mempermudah dalam kegiatan deteksi kerusakan pasca kebakaran, sehingga pengujian berbagai metode remote sensing perlu untuk dilakukan agar mendapatkan referensi metode terpilih yang dapat digunakan. Disertasi ini membahas beberapa teknik deteksi perubahan menggunakan data penginderaan jauh untuk mengukur perubahan tutupan hutan akibat kebakaran dan pertumbuhan kembali pasca kebakaran. Penelitian ini menggunakan citra Landsat 8 OLI karena memiliki variasi resolusi spektral yang lengkap (cahaya tampak dan inframerah), gratis, data historis yang panjang, resolusi temporal 16 hari (8 hari dengan kombinasi Landsat 9), dan resolusi spasial sedang (30m). Tujuan dari penelitian ini adalah mengembangkan metode deteksi dan identifikasi jenis perubahan menggunakan analisis multiwaktu langsung (direct multidate analysis). Novelty dari penelitian ini adalah (1) metode terpilih yang dapat digunakan dalam pendeteksian kerusakan dan pertumbuhan akibat kebakaran hutan di Indonesia. (2) Pembangunan kriteria dari metode terpilih untuk mendeteksi kerusakan dan pertumbuhan akibat kebakaran hutan dan lahan. Metode yang diuji adalah Image Differencing (ID), Image Differencing Masking (IDM), Vegetation Image Differencing (VID), Image Ratioing (IR), Image Ratioing Masking (IRM), Change Vector Analysis (CVA), dan Multidate Principal Component Analysis (MPCA). Data yang digunakan adalah Landsat 8-OLI resolusi menengah yang diperoleh pada tahun 2014 yang mewakili kondisi sebelum kebakaran; dan Landsat 8-OLI tahun 2016, menggambarkan kondisi pasca kebakaran. Penelitian dilakukan di Kecamatan Berbak, Provinsi Jambi sebagai provinsi yang tiap tahunnya terjadi kebakaran hutan. Hasil penelitian menyimpulkan bahwa teknik CVA yang diuji efektif dan akurat mengukur kelas tidak terbakar, terbakar, dan pertumbuhan kembali dengan nilai akurasi kappa akurasi (KA) 85%. MPCA juga memberikan akurasi yang sebanding dengan KA sebesar 81%. Walaupun sama-sama memiliki akurasi yang tinggi (>80%), CVA lebih mudah digunakan karena indeks yang digunakan lebih fokus mengidentifikasi tutupan lahan menggunakan indeks lahan terbuka (NDBI) dan indeks vegetasi (NDVI). Metode terbaik ketiga adalah IR7 yang memberikan akurasi yang lebih rendah dengan KA hanya 63%. Performa CVA yang sangat baik dibandingkan dengan standar kelas kebakaran yang dibangun oleh USGS (United States Geological Survey) menggunakan dNBR (differenced normalized burnt ratio). Penelitian ini menemukan bahwa CVA dengan memanfaatkan indeks magnitude dan direction dapat mendeteksi kelas pasca kebakaran menjadi 5 kelas: (1) kelas tidak terbakar, (2) kelas terbakar rendah,(3) kelas terbakar sedang, (4) kelas terbakar sedang-tinggi, dan (5) kelas pertumbuhan kembali sedang. Sedangkan dNBR hanya dapat mengklasifikasikan dalam 4 kelas yaitu (1) Kelas terbakar rendah (2) kelas terbakar rendah-sedang (3) kelas pertumbuhan kembali, dan (4) kelas tidak berubah. Dari kedua hasil klasifikasi tersebut, dapat diketahui juga bahwa kinerja pendekatan CVA ini lebih unggul daripada metode dNBR yang ditunjukkan dengan kemampuannya untuk mendeteksi 5 kelas keparahan pasca kebakaran.

Indonesia lost 2.6 million ha to fires in 2015 and again lost 1.9 million ha in 2019. expand fires, the chance of fires is still high because people still practice burning for land preparation and conversion. Fires have a negative impact on humans and the environment, including damage to vegetation that occurs. Measurement of important events is carried out to determine the level of damage and the steps that can be taken to handle it. Reliability of remote sensing technology needs to be done to facilitate the detection of post-fire detection. This dissertation discusses several change finding techniques using remote sensing data to measure forest cover change due to fires and post-fire regrowth. This study uses Landsat 8 OLI imagery because it has a complete, free variation of spectral resolution, long historical data, 16 days temporal resolution (8 days with Landsat 9 combination), and medium spatial resolution (30m). The purpose of this study is to develop a method of detecting and identifying the type of change using direct multidate analysis. The novelty of this research is (1) the best method that can be used in detecting damage and growth due to forest fires in Indonesia. (2) Development of criteria from the selected method in detecting damage and growth due to forest and land fires. The methods tested are Image Differencing (ID), Image Differencing Masking (IDM), Vegetation Image Differencing (VID), Image Ratioing (IR), Image Ratioing Masking (IRM), Change Vector Analysis (CVA), and Multidate Principal Component Analysis (MPCA). The data used are Landsat 8-OLI medium resolution obtained in 2014 which represents conditions before the fire; and Landsat 8-OLI 2016, describing post-fire conditions. The study was conducted in Berbak District, Jambi Province, as a province where forest fires occur every year. The results of the study concluded that the tested CVA technique was effective and accurate in measuring the non-burning, burning, and regrowth classes with a kappa accuracy (KA) of 85%. MPCA also provides a score comparable to KA at 81%. Although both have high accuracy (>80%), CVA is easier to use because the index used is more focused on detecting land cover using the open land index (NDBI) and vegetation index (NDBI). The third best method is IR7 which gives lower accuracy with only 63% KA. The CVA's performance is very good compared to fire standards established by the USGS (United States Geological Survey) using dNBR (differenced normalized burnt ratio). This study found that CVA by utilizing the magnitude and direction indexes can detect post-fire classes into 5 classes: (1) unburned class, (2) low burning class, (3) moderate burning class, (4) medium-high burn class, and (5) moderate regrowth class. While dNBR can only classify into 4 classes, namely (1) low burning class (2) low burning class (3) regrowth class, and (4) unchanged class. From the results of the two classifications, it can also be seen that the CVA approach is superior to the dNBR method which is indicated by its ability to detect 5 levels of post-fire severity.