Penggunaan Citra Pesawat Tak Berawak dalam Inventarisasi Dimensi Vegetasi Nipah (Nypa fruticans).

Abstract

Salah satu asosiasi tumbuhan yang masuk kedalam ekosistem mangrove adalah vegetasi nipah (Nypa fruticans). Informasi dan data mengenai nipah masih sangat jarang ditemukan baik mengenai potensi, pertumbuhan dinamis dan dimensi tegakannya. Permasalahan kehutanan yang sangat kompleks dengan dinamika perubahannya yang cepat, tidak terkecuali pada vegetasi nipah, membutuhkan teknologi inventarisasi yang handal, cepat, murah, akurat dan praktis. Perkembangan drone (dynamic remotely operated navigation equipment) memberikan peluang baru. Drone atau pesawat tak berawak (unmanned aerial vehicle/UAV) mampu menghasilkan citra resolusi tinggi dan sangat tinggi, selain itu lebih murah, cepat, resiko kecil dan terbang dibawah awan. Penggunaan citra resolusi tinggi dan sangat tinggi menjadi sebuah kebutuhan dalam pengelolaan hutan, salah satunya dalam mendeteksi dan mengidentifikasi dimensi tegakan hutan. Penggunaan citra resolusi tinggi dan sangat tinggi menbutuhkan pendekatan yang berbeda dengan citra resolusi rendah dalam pengolahan data. Pendekatan yang menjadi tren dalam pengolahan citra resolusi tinggi dan sangat tinggi adalah Object-based Image Analysis (OBIA). Tujuan utama penelitian ini adalah menguji kemampuan dan keterhandalan pendekatan klasifikasi berbasis objek (OBIA) dengan menggunakan algoritma mean-shift yang diintegrasikan dengan pendekatan berbasis piksel dalam menginventarisasi dimensi vegetasi nipah (Nypa fruticans). Tujuan tambahan penelitian ini untuk mendesain bentuk dan ukuran plot optimal terhadap dimensi vegetasi nipah untuk menaksir persentase kerapatan tajuk dan gap nipah dari citra UAV. Lokasi penelitian berada di wilayah konsesi PT Kandelia Alam, Kabupaten Kubu Raya Provinsi Kalimantan Barat. Data utama pada penelitian ini berupa citra UAV mencakup luasan 4087 ha dan direkam pada bulan Februari 2016. Citra UAV yang digunakan merupakan citra multispektral dengan resolusi spasial 10 cm. Data pendukung penelitian berupa diameter individu nipah, diameter pelepah, jumlah pelepah hidup dan mati serta sampel pelepah dengan berat 100–200 gram. Metode yang digunakan terdiri dari beberapa tahapan antara lain pengolahan citra digital (segmentasi dan klasifikasi), simulasi plot terestris dan perhitungan kerapatan tajuk dan gap nipah. Segmentasi citra UAV menggunakan algoritma mean-shift segmentation dengan 27 kombinasi dari parameter spatial radius (hs), range radius (hr), dan minimum region size (M). Pendugaan kerapatan tajuk dan gap vegetasi nipah dilakukan dengan menggabungkan hasil klasifikasi berbasis piksel (maximum likelihood classifier) dengan pendekatan berbasis objek (mean-shift segmentation). Uji akurasi digunakan untuk membandingkan hasil klasifikasi OBIA dengan hasil interpretasi visual. Hasil klasifikasi terbaik kemudian digunakan untuk menghitung kerapatan tajuk dan gap berdasarkan ukuran plot optimal di lapangan. Simulasi plot terestris ditentukan berdasarkan nilai koefisien keragaman (CV) dengan waktu inventarisasi. Plot simulasi terbaik kemudian digunakan untuk menduga dimensi kerapatan tajuk dan gap nipah pada klaster penelitian. Beberapa hal yang menjadi hasil dari penelitian ini adalah bahwa kombinasi parameter segmentasi yang paling optimal dalam menaksir kerapatan tajuk dan gap vegetasi nipah adalah kombinasi dari spatial radius 10, range radius 10 dan minimum region size 50 (K-10). Hasil uji akurasi hasil segmentasi menggunakan kombinasi parameter pada K-10 adalah sebesar 76.6% untuk akurasi keseluruhan dan 55.7% untuk akurasi kappa. Parameter minimum region size (M) lebih berpengaruh terhadap hasil segmentasi dibandingkan dengan parameter lainnya (spatial radius dan range radius). Dengan menggunakan plot optimal terestris berukuran 20×100 meter ditemukan estimasi kerapatan tajuk dan gap nipah di areal penelitian mempunyai kisaran 53.0% – 74.9% untuk kerapatan tajuk, dan 25.1% – 47% untuk gap. Menggunakan bentuk dan ukuran plot yang sama, kerapatan tajuk citra yang diperoleh baik menggunakan metode interpretasi visual maupun metode kombinasi mampu menjelaskan kerapatan individu di lapangan dengan nilai koefisien determinasi (R2) berturut-turut sebesar 77.6% dan 66.8%.