Pemodelan Struktur Vegetasi di Sekitar Kubangan Badak Jawa menggunakan Fusi Sentinel-1, Sentinel-2, dan GEDI

Abstract

Kajian habitat yang mendalami vegetasi sangatlah penting dalam upaya konservasi badak jawa. Penelitian bertujuan memodelkan struktur vegetasi di sekitar kubangan badak jawa. Model menggunakan random forest dengan data latihan berupa GEDI L2A, serta variabel multisensor seperti data spektral, radar, topografi, dan penutup lahan untuk memprediksi tinggi tajuk. Hasil model mampu mengestimasi tinggi tajuk pada rentang 8,15–40,06 m dengan akurasi tertinggi untuk pohon dewasa (R² = 0,61), tetapi rendah pada strata tiang dan pancang karena keterbatasan citra dalam mendeteksi lapisan bawah. Nilai tinggi tajuk ini dipengaruhi oleh kerapatan, frekuensi, dan dominasi vegetasi, baik dari pohon dewasa yang membentuk kanopi utama maupun pohon muda (tiang) yang mengisi strata bawah, sehingga variasi parameter tersebut turut menentukan profil vertikal yang terdeteksi. Satu-satunya pola struktur yang teridentifikasi adalah menurunnya tinggi vegetasi ketika mendekati kubangan. Studi ini menegaskan pentingnya fusi data satelit dan inventarisasi lapangan dalam mendukung pemetaan struktur vertikal vegetasi, serta memberi rekomendasi penggunaan data resolusi tinggi dan perluasan titik sampel untuk meningkatkan akurasi model ke depan.

Vegetation studies are crucial for Javan rhino conservation. This research aims to model vegetation structure around rhino wallows using a random forest algorithm trained on GEDI L2A data and multisensor variables like spectral, radar, topography, and land cover to predict canopy height. The model estimates canopy height between 8.15–40.06m, with highest accuracy for mature trees (R²=0.61) but low accuracy for pole and sapling strata due to limits in detecting lower layers. Canopy height is influenced by vegetation density, frequency, and dominance from both mature and young trees, shaping the detected vertical profile. The only pattern found is decreasing height near wallows. This study highlights the importance of combining satellite data and field surveys for mapping, and recommends using high-resolution data and expanding sample points to improve model accuracy.