Pemantauan penginderaan jarak jauh dari intervensi restorasi lahan di Indonesia

lingkungan semi-kering dengan statistik dampak-sebelum-sesudah-kontrol desain

Abstrak
Intervensi restorasi untuk memerangi degradasi lahan dilakukan di daerah kering dan semi
kering untuk meningkatkan tutupan vegetasi dan produktivitas lahan. Mengevaluasi
keberhasilan suatu intervensi dari waktu ke waktu adalah menantang karena berbagai kendala
(mis. Daerah yang sulit diakses, kurangnya catatan jangka panjang) dan kurangnya
metodologi yang terstandarisasi dan terjangkau. Kami mengusulkan metodologi semi-
otomatis yang menggunakan data penginderaan jauh untuk memberikan penilaian cepat,
standar dan obyektif dari dampak biofisik, dalam hal tutupan vegetasi, dari intervensi
restorasi. Indeks Vegetasi Perbedaan Normalized (NDVI) digunakan sebagai proksi untuk
tutupan vegetasi. Menyadari bahwa perubahan pada tutupan vegetasi adalah alami karena
faktor lingkungan seperti musiman dan variabilitas iklim antar-tahunan, kesimpulan tentang
keberhasilan intervensi tidak dapat ditarik dengan memfokuskan pada area intervensi saja.
Oleh karena itu kami menggunakan metode komparatif yang menganalisis variasi temporal
(sebelum dan sesudah intervensi) dari NDVI area intervensi sehubungan dengan beberapa
situs kontrol yang secara otomatis dan acak dipilih dari satu set kandidat yang mirip dengan
intervensi. daerah. Kesamaan didefinisikan dalam hal komposisi kelas yang berasal dari
klasifikasi ISODATA dari citra sebelum intervensi. Metode ini memberikan perkiraan
besarnya dan signifikansi dari perbedaan perubahan hijau antara area intervensi dan area
kontrol. Sebagai studi kasus, metodologi ini diterapkan pada 15 intervensi restorasi yang
dilakukan di Senegal. Dampak intervensi dianalisis menggunakan MODIS 250-m dan data
Landsat 30-m. Hasil menunjukkan bahwa peningkatan yang signifikan pada tutupan vegetasi
dapat dideteksi hanya pada sepertiga dari intervensi yang dianalisis, yang konsisten dengan
penilaian kualitatif independen berdasarkan pengamatan lapangan dan analisis visual dari
citra resolusi tinggi. Lembaga pembangunan pedesaan berpotensi menggunakan metode yang
diusulkan untuk penyaringan intervensi restorasi yang pertama.
Introduction
Desertifikasi, yang didefinisikan sebagai degradasi lahan di daerah sub-lembab
kering, semi-kering dan kering yang dihasilkan dari berbagai faktor, termasuk variasi iklim
dan aktivitas manusia (UNCCD, 1994), merupakan ancaman utama bagi populasi dan
ekosistem (Rendah, 2013; Reynolds et al., 2007). Selain secara fisik mempengaruhi
ekosistem, tanah degradasi menyebabkan berbagai masalah sosial ekonomi, seperti
kerawanan pangan dan konflik (Mbow et al., 2015). Intervensi restorasi adalah salah satu
strategi yang dapat dilakukan untuk memerangi degradasi lahan. Tindakan restorasi sering
melibatkan peningkatan tutupan vegetasi (Zucca et al., 2015), melalui penanaman spesies
yang sesuai (mis. Niang et al., 2014) atau melalui perbaikan pengelolaan tanah, air dan tanah.
Definisi "efektivitas" dari tindakan restorasi dapat mencakup berbagai aspek
intervensi, mulai dari yang murni biofisik hingga yang ekologis dan sosial-ekonomi
(Shackelford et al., 2013). Sehubungan dengan dampak biofisik, pedoman untuk evaluasi
ekologis intervensi restorasi fokus pada perbandingan antara lokasi restorasi dan referensi
untuk sejumlah atribut yang diukur di lapangan, mulai dari komposisi spesies, fungsi
ekosistem dan stabilitas, dan konteks lanskap. (Masyarakat untuk Kelompok Kerja Ilmu
Pengetahuan & Kebijakan Internasional Restorasi Ekologi, 2004). Meskipun komprehensif,
pendekatan ini mahal dan membutuhkan operasi lapangan yang luas.
Penilaian independen atas keberhasilan proyek restorasi sering kali menantang karena
intervensi mungkin berlokasi di daerah yang sulit diakses dan memiliki infrastruktur yang
buruk. Tantangan tambahan mengacu pada kurangnya metodologi / kriteria yang terjangkau
dan terstandardisasi serta kesulitan memperoleh data jangka panjang untuk memantau efek
intervensi di luar rentang waktu proyek. Veri fi kasi yang dilakukan oleh agen pelaksana juga
sering tidak tersedia. Misalnya, dalam survei terbaru tentang proyek restorasi di Cekungan
Mediterania yang dilakukan oleh Nunes et al. (2016) di antara praktisi profesional restorasi,
keberhasilan restorasi tidak dievaluasi di 22% dari proyek dan dievaluasi hanya pada tahun
pertama setelah perkebunan di 19% dari proyek. Ketika dilakukan, evaluasi didasarkan pada
tutupan tanaman dan keanekaragaman (69% dari proyek) dan vitalitas tanaman (48%).
Kurangnya dana, bersama dengan kendala kapasitas dan kurangnya pengetahuan,
diidentifikasi sebagai hambatan untuk pemantauan proyek oleh praktisi restorasi di Afrika
Selatan (Ntshotsho et al., 2015) dan dapat dianggap mewakili keterbatasan umum di daerah
pedesaan lainnya di seluruh benua.
Kurangnya evaluasi dan penyebaran hasil restorasi masih merupakan kendala pada
penerapan teknologi dan pendekatan terbaik yang tersedia (Bautista et al., 2010). Akibatnya,
ada konsensus luas tentang perlunya pendekatan inovatif untuk evaluasi sistematis efektivitas
tindakan restorasi (Bautista et al., 2010; Benayas et al., 2009; Birch et al., 2010; Papanastasis
et al. , 2015).
Penginderaan jauh (RS) dapat membantu mengatasi kurangnya luasnya informasi
tanah yang tepat waktu, jangka panjang, andal, dan homogen, terutama di lahan kering Afrika.
Beberapa contoh penggunaan data RS untuk menilai intervensi restorasi tersedia. Organisasi
Pangan dan Pertanian - Proyek Pengelolaan Informasi Air dan Lahan Somalia (FAO-
SWALIM) menggunakan citra komersial sangat tinggi (VHR) untuk menilai secara visual
penerapan infrastruktur kontrol limpasan permukaan di Somalia (misalnya bendungan batu,
bronjong, tangkapan air) ) dioperasikan oleh berbagai kontaktor (FAO,
2015). Akan tetapi, dengan cara ini, implementasi infrastruktur yang diteliti, bukan
dampak atau keberhasilannya sehubungan dengan dinamika vegetasi. Penafsiran foto dari
rangkaian waktu fotografi udara digunakan oleh Rango et al. (2002) untuk mengevaluasi
secara kualitatif efektivitas jangka panjang dari intervensi restorasi di New Mexico dalam
hal persistensi dalam struktur yang dapat dikenali seperti teras, pola penggerusan, area yang
direvegetasi, dll. Baru-baru ini, inisiatif Openforis dari FAO menyediakan alat sumber
terbuka dan gratis, bernama Collect Earth, yang memfasilitasi interpretasi visual citra
rangkaian waktu VHR dari Google Earth dan Microsoft Bing untuk pengambilan sampel titik
dan deteksi perubahan penggunaan lahan (Bey et al., 2016). Terlepas dari kegunaannya, hasil
analisis rentan terhadap kesalahan interpretasi karena semua contoh ini memanfaatkan
interpretasi foto. Evaluasi kuantitatif intervensi restorasi menggunakan perkebunan Atriplex
nummularia di Maroko dilakukan oleh Zucca et al. (2015) menggunakan citra SPOT5 dan
pengukuran biomassa berbasis-tanah untuk memperoleh hasil biomassa kering dari
perkebunan di Maroko dibandingkan dengan referensi yang diketahui. Klasifikasi tutupan
lahan dan metrik pola spasial telah dianalisis oleh Fava et al. (2015) untuk mempelajari
dampak dari tindakan restorasi di dataran Mediterania.
Indeks vegetasi seperti Indeks Vegetasi Perbedaan yang Normal (NDVI; Rouse et al.,
1974) dapat digunakan sebagai proksi untuk memantau fraksi tutupan vegetasi, yaitu fraksi
tanah yang ditutupi oleh vegetasi hijau (Carlson dan Ripley, 1997) . Namun, mengevaluasi
“penghijauan” intervensi restorasi menghadirkan tantangan, karena perbandingan langsung
NDVI area sebelum dan sesudah intervensi tidak akan informatif. Faktanya, tutupan vegetasi
akan berubah seiring waktu terlepas dari proyek restorasi. Dua sumber utama mendorong
variabilitas temporal status vegetasi: siklus pengembangan musiman tahunan (satu atau lebih)
dan variabilitas iklim antar-tahunan. Kedua fluktuasi ini menghambat kemungkinan untuk
membuat perbandingan langsung. Faktanya, bahkan tanpa adanya gangguan (misalnya
kebakaran, hama), perbedaan dalam NDVI antara dua pengamatan yang dilakukan sebelum
dan sesudah intervensi dapat disebabkan oleh intervensi itu sendiri, tahap perkembangan
vegetasi pada saat-saat pengamatan tertentu. , dan kondisi cuaca yang dialami oleh vegetasi
pada minggu / bulan sebelum pengamatan. Dengan asumsi bahwa kondisi iklim agak
homogen di lingkungan proyek restorasi, masalahnya dapat didekati dengan membandingkan
kondisi area restorasi sebelum dan setelah intervensi dengan kondisi area serupa di sekitarnya,
seperti dalam Zucca et al. (2015). Alasannya adalah bahwa intervensi antropogenik akan
menyebabkan pola perubahan yang berbeda dari sebelum ke sesudah intervensi dibandingkan
dengan perubahan alami di daerah yang tidak terganggu dan serupa. Konsep ini membentuk
dasar dari desain sampling sebelum / sesudah kontrol / dampak (BACI) (Underwood, 1992),
yang awalnya dikembangkan dalam ekologi untuk menilai dampak stres (biasanya diinduksi
oleh kegiatan industri) pada lingkungan. BACI telah berhasil diterapkan untuk secara statistik
mengevaluasi potensi dampak lingkungan dan ekologis (Smith, 2002), tetapi belum
digunakan oleh komunitas RS sejauh ini.
Dalam studi ini kami menggunakan desain BACI untuk mengembangkan metode
untuk menilai dampak intervensi restorasi pada tutupan fraksional vegetasi semata-mata
berdasarkan informasi RS (yaitu NDVI). Metode ini dimaksudkan untuk melakukan
verifikasi biaya-efektif dari efektivitas intervensi restorasi yang dapat digunakan sebagai
penyaringan pertama, dapat digunakan untuk merencanakan kampanye verifikasi lapangan
tambahan, dan sebagai alat pemantauan dampak jangka menengah hingga jangka panjang
ketika diterapkan berulang kali dari waktu ke waktu. Diakui bahwa metode yang diusulkan
cocok untuk intervensi restorasi yang melibatkan peningkatan tutupan vegetasi, yang tidak
berlaku untuk sejumlah jenis intervensi (misalnya lanskap hijau spesies invasif di mana
restorasi akan bertujuan untuk mengubah tanaman komposisi masyarakat; tindakan
konservasi tanah seperti bendungan batu untuk menghentikan erosi parit).
Untuk mengilustrasikan pendekatan ini, kami menerapkannya pada studi kasus di
Seném, di mana sejumlah intervensi restorasi dilakukan dalam konteks Tembok Hijau Besar
untuk Sahara dan Prakarsa Sahel (GGWSSI), sebuah inisiatif pan-Afrika untuk memerangi
desi fi kasi (Badan Uni Afrika & Pan-Afrika dari Great Green Wall, 2012). Dampak biofisik
dinilai menggunakan data RS pada dua resolusi spasial yang berbeda, yaitu
Spectroradiometer Imaging Resolusi Sedang (MODIS) pada 250 m dan Landsat di 30 m, dan
dibandingkan dengan informasi kualitatif dari pengamatan lapangan dan interpretasi foto dari
citra VHR. Pro dan kontra penggunaan MODIS dan data Landsat dibahas.
Study Area
Studi kasus uji mencakup beberapa intervensi yang dilakukan di departemen
Linguere wilayah Louga dan di departemen Ranerou wilayah Matam di Sene-gal utara (Gbr.
1). Daerah studi yang relatif datar termasuk dalam kawasan ekoregion Sahelianacacia
savannah (Olson et al., 2001), dan ditandai oleh iklim gurun gersang yang panas (BWh)
menurut klasifikasi iklim Köppen-Geiger yang diperbarui (Peel et al., 2007) . Suhu rata-rata
dan curah hujan di wilayah studi berkisar antara 27 hingga 28◦C (ECMWF ERA-Interim
selama periode 1990-2014; Deeet al., 2011) dan dari 270 hingga 390 mm (perkiraan curah
hujan CHIRPS pada periode yang sama; Funk et al. , 2015). Mayoritas endapan jatuh selama
musim hujan, yang terjadi antara Juli dan September, dan terkait dengan Monsun Afrika
Barat (Nicholson, 2013). Di daerah tersebut, beberapa proyek restorasi, termasuk refor-
estation dan peningkatan produksi hijauan, telah dilaksanakan antara 2007 dan 2011 dalam
konteks GGWSSI oleh agensi Green Wall besar di bawah tanggung jawab Menteri
Lingkungan Lingkungan Senegal. Namun, alasan teknis untuk pemilihan proyek dan
deskripsi lengkap dari proyek (di mana, apa, bagaimana, tingkat keberhasilan, dll.), Setahu
kami, tidak tersedia.
Data
Remote Sensing
sensing Analisis dilakukan pada citra satelit yang tersedia secara bebas di dua skala
spasial yang berbeda: produk NDIS MODIS 250 m dan pantulan permukaan 30 m dari misi
Landsat. Untuk solusi moderat, kami menggunakan produk eMODIS yang disediakan oleh
UnitedStates Geological Survey (USGS) dan berdasarkan data MODIS yang diperoleh oleh
satelit Terra. Produk ini adalah komposit maksimum valueNDVI selama 10 hari (Jenkerson
dkk., 2010) untuk sementara dihaluskan dengan algoritma Swets (Swets dkk., 1999).
Komposit diproduksi setiap lima hari, menghasilkan enam komposit yang tumpang tindih
per bulan. Di sini kami hanya menggunakan komposit untuk hari 1–10,11-20, dan 21 hari
terakhir setiap bulan. Baik seri waktu pengamatan 10 hari dan nilai NDVI tahunan
maksimum, yang mewakili pengembangan puncakgetasi, digunakan dalam analisis.
Inspeksi profil temporal multi-tahunan MODIS untuk area intervensi memungkinkan
kami untuk menentukan periode pertumbuhan vegetasi, yang secara kasar berkisar antara
Juni hingga September, dengan perkembangan maksimum yang dicapai pada akhir Agustus.
Citra Land-sat Cloud-free dipilih selama periode ini. Data Landsat 8 OperationalLand Images
(OLI) tersedia sejak 2013; sebelum itu kita harus mengandalkan data Landsat 5 Thematic
Mapper (TM) dan Landsat 7Enhanced Thematic Mapper Plus (ETM +). Namun, citra
Landsat 7ETM + yang dikumpulkan setelah 31/05/2002 memiliki kesenjangan data karena
kegagalan Korektor Saluran Laut (SLC-off; Andrefouet et al., 2003). Masalah ini tidak
mencegah analisis tetapi harus diperlakukan dengan benar, seperti yang dijelaskan dalam
bagian metode.
Meskipun tidak sepenuhnya diperlukan, desain BACI mendapat manfaat dari
memiliki beberapa pengamatan waktu sebelum dan sesudah waktu intervensi. Sementara
mengumpulkan beberapa pengamatan MODIS sangat mudah, sangat menantang bagi
Landsat 5 dan 7 dalam pengaturan geografis di mana ketersediaan gambar bebas awan selama
musim tanam sangat terbatas. Misalnya, ada datagap besar antara 2003 dan 2007 dan antara
2007 dan 2012, ketika tidak ada satu pun gambar bebas awan yang tersedia dalam periode
perkembangan vegetasi maksimum. Daftar gambar Landsat yang digunakan dalam analisis
disajikan pada Tabel 1.
NDVI berbasis Landsat dihitung menggunakan pita merah dan nearinfrared produk
reflektansi permukaan (USGS, 2016a, 2016b)
Tabel 1. Tanggal akuisisi dan sensor data Landsat yang digunakan (jalur 204 dan
baris 49).

diambil dari Survei Geologi Amerika Serikat. Citra bebas cloud sebagian besar dipilih,
dan pita CFmask dari produk pemantulan permukaan digunakan untuk menutupi awan tipis
dan bayangan awan.
Singkatnya, MODIS dan analisis berbasis Landsat berbeda dalam tiga aspek: i)
resolusi spasial (250 m vs 30 m), ii) RS-variabel yang dapat digunakan (NDVI musiman
maksimum vs NDVI pada spesifik, dan didorong ketersediaan data) , tanggal selama musim),
dan iii), periode temporal tercakup sebelum dan sesudah intervensi (hingga lima tahun dari
akuisisi vs satu akuisisi).
Akhirnya, untuk memeriksa konsistensi hasil BACI, citra VHR dari Google Earth
(GE) digunakan untuk evaluasi kualitatif dan visual dari intervensi restorasi. Analisis visual
dari VHRimagery sebelum dan sesudah tanggal intervensi bertujuan untuk menemukan
tanda-tanda intervensi, mulai dari tanda-tanda pembajakan traktor hingga visiblepatterns
perkebunan reguler dan pertumbuhan pohon baru. Ketika gambaran sebelum intervensi tidak
tersedia di GE (8 kasus dari 15), penilaian intervensi dilakukan pada citra hanya setelah
intervensi, dan didasarkan pada perbandingan tutupan vegetasi di dalam area intervensi
dengan wilayah tersebut. luar, dengan batasan yang jelas pada interpretasi yang mungkin.
Misi lapangan dan intervensi yang dianalisis
Intervensi Garis besar poligon proyek dan informasi proyek utama (jenis dan tahun
intervensi) diperoleh selama kunjungan tiga lapangan (2014-2015) yang dilakukan oleh Pusat
Penelitian Ilmiah Pusat Nasional Perancis (CNRS) dan didukung oleh Negara Bagian
SenegalLayanan Air dan Hutan. Karena catatan proyek restorasi yang tersentralisasi dan
publik tidak ada, lokasi proyek intervensi yang akan dikunjungi ditetapkan dengan staf
Layanan Air dan Hutan Senegal dan Badan Nasional Green Wall Agency Senegal. Informasi
awal ini dilengkapi dengan interpretasi visual menggunakan citra satelit VHR dari GE
sebelum kampanye lapangan dan wawancara dengan masyarakat setempat selama kampanye.
Area proyek kemudian digambarkan di lapangan menggunakan GPS.
Intervensi restorasi terutama melibatkan penanaman pohon (Acacia nilotica, Acacia
senegal, Acacia seyal dan Balanites aegypti-aca), pemagaran plot untuk meningkatkan
regenerasi alami spesies kayu dan mengembalikan rumput rangeland, dan kombinasi
keduanya. Penanaman pohon biasanya terjadi pada bulan Agustus, selama musim hujan.
Kegiatan dirancang untuk meningkatkan produktivitas lahan dalam jangka panjang
berdasarkan hipotesis bahwa peningkatan tutupan hutan karena intervensi akan
mengembalikan kesuburan tanah dan pada saat yang sama memberikan jasa ekosistem yang
relevan untuk masyarakat lokal (mis. Produksi gom arab dari Acacia Senegal, buah dari
Balanites aegyptiaca, dan jerami rumput untuk dipanen pada akhir musim dan digunakan
atau dijual). Intervensi restorasi dilaksanakan oleh National Great Green WallAgency
Senegal dalam kerangka program cash for work. Dicatat bahwa salah satu intervensi yang
dipertimbangkan dalam kasus uji (mis. Proyek no. 81 dari Gambar. 1) bukan milik GGWSSI,
tetapi merujuk pada perkebunan Acacia Senegal yang dilaksanakan oleh perusahaan swasta
untuk produksi permen karet Arab.
M. Meroni et al. / International Journal of Applied Earth Observation and
Geoinformation 59 (2017) 42–52
Gambar 1. Lokasi intervensi yang dipertimbangkan dalam studi kasus (poligon hijau dan
nomor identifikasi, perincian dalam Bagian 3.2). Area dengan dokumentasi yang tidak
mencukupi mengenai waktu intervensi, intervensi yang lebih kecil dari 0,25 km2, dan area
yang dikenai jenis intervensi lainnya (mis. Konservasi) berwarna abu-abu. Kotak merah
menggambarkan batas-batas citra Landsat yang digunakan. Citra latar adalah gabungan
warna yang benar (sumber: Esri). (Untuk interpretasi referensi warna dalam legenda gambar
ini, pembaca dirujuk ke versi web artikel ini.)
Untuk menguji metodologi yang diusulkan, dari daftar situs intervensi yang
diidentifikasi, kami memilih yang dengan karakter-karakter berikut: i) memiliki dokumentasi
periode intervensi, ii) dicakup oleh jalur Landsat 204 dan baris 49, iii) dilaksanakan setelah
tahun2002, dan iv) dengan luas lebih dari 0,25 km2 (yaitu minimum empat piksel MODIS).
Ini menghasilkan total 15 intervensi (poligon hijau pada Gambar. 1). Intervensi tanpa
karakteristik seperti itu dan area yang dikenai konservasi alam (grey polygonsin Gambar. A)
dikeluarkan dari algoritma pencarian situs kontrol yang dijelaskan dalam bagian metode.
Deskripsi singkat tentang berbagai proyek, termasuk waktu dan jenis intervensi, pengiriman
lapangan dan evaluasi analisis VHR, disajikan dalam bagian hasil (Tabel 3).
Evaluasi kualitatif dari keberhasilan intervensi tersedia untuk lima lokasi yang
dikunjungi pada Oktober 2015 dan Agustus2016. Berbagai elemen dipertimbangkan dalam
evaluasi ini: keberadaan dan status kesehatan pohon yang baru ditanam, perbedaan tutupan
pohon dan pohon sehubungan dengan lingkungan sekitar, wawancara informal dengan
penduduk setempat. Informasi ini, bersama dengan interpretasi visual dari citra VHR,
digunakan untuk melakukan pemeriksaan konsistensi dengan hasil metodologi yang
diusulkan.
Metode
Dalam desain BACI, untuk memperhitungkan perubahan alami, NDVI dari area
intervensi konservasi (yaitu situs "dampak") dibandingkan dengan situs lain, yang disebut
sebagai situs "kontrol" (Smith, 2002). Penggunaan beberapa situs kontrol (mis. BACI dengan
beberapa situs) memperluas ide ini dan menghindari kritik bahwa hasil percobaan BACI
semata-mata karena pilihan yang buruk dari situs kontrol.
Lokasi kontrol dipilih secara acak di antara situs yang mirip dengan situs dampak
(rincian dalam Bagian 4.1).
4.1. Spatial sampling
Sehubungan dengan lokasi dampak, area kontrol harus memiliki karakteristik berikut:
1. Tutupan lahan yang serupa sebelum intervensi;
2. Relatif dekat di ruang angkasa untuk mengalami variabilitas cuaca yang sama;
3. Tidak mengalami perubahan antropogenik selama periode sebelum – setelah
dianalisis;
4. Dipilih secara acak.
Selain itu, bahkan jika tidak benar-benar diperlukan oleh desain BACI, kami memilih
untuk memilih area kontrol dengan ukuran yang sama dengan area impak untuk memastikan
ukuran sampling yang lebih seimbang. Kesamaan karakteristik tanah, yang dikenal sebagai
penentu penting veg-etasi dalam sistem kering, diharapkan secara implisit dipastikan oleh
kondisi i.
Untuk memenuhi persyaratan ini, kami melanjutkan sebagai berikut untuk setiap situs
dampak. Ketika pengaturan yang berbeda digunakan untuk analisis MODIS dan Landsat, ini
secara eksplisit disebutkan dalam teks dan dilaporkan dalam Tabel 2. Beberapa produk antara
dari analisis untuk data Landsat dan nomor lokasi dampak 9 ditunjukkan pada Gambar. 2
sebagai contoh.
 Pertama, kami membatasi area dari mana kontrol dipilih untuk area melingkar yang
berpusat pada centroid dari situs dampak. Piksel Yang Terkena kontaminasi awan dan SLC-
off di sebelumnya
M. Meroni et al. / International Journal of Applied Earth Observation and
Geoinformation 59 (2017) 42–52

Gambar 2. Contoh hasil antara dari pemrosesan yang diuraikan untuk proyek no. 9 (poligon
kuning, proyek lain berwarna merah). Gambar Landsat berasal dari tanggal berikut:
19/07/2003 (sebelum), 13/09/2012 (setelah). (A) dekat inframerah warna komposisi warna
gambar Landsat sebelumnya; piksel bertopeng (mis. di luar area pencarian, SLC-off,
terdeteksi sebagai cloudsor cloud shadow di gambar sebelum atau sesudah) berwarna hitam,
¨stripes ”berasal dari piksel yang terpengaruh SLC-off; (B) lima kelas klasifikasi ISODATA
dari piksel yang valid; (C) komposisi kelas RMSE sehubungan dengan area intervensi;
RMSE dari jendela yang ditetapkan ke piksel pusat; piksel yang jendelanya akan tumpang
tindih dengan proyek lain yang ditutup-tutupi (hitam); (D) poligon kotak hijau adalah kontrol
yang dipilih; Perbedaan NDVI (nilai setelah – sebelum) di latar belakang. (Untuk interpretasi
referensi warna dalam legenda gambar ini, pembaca dirujuk ke versi web artikel ini.)
Tabel 2. Daftar parameter MODIS dan spesifik Landsat yang digunakan dalam analisis.

atau setelah pencitraan ditutup (Gbr. 2A). Pembatasan ke area melingkar tersebut memiliki
tujuan memenuhi kondisi ii, yaitu mendefinisikan "lingkungan" di mana kondisi iklim tidak
boleh berubah secara signifikan. Luasnya area ini didefinisikan sebagai kelipatan dari ukuran
area dampak (area pencarian / area dampak = r). Kami membuat area penelitian ini
proporsional dengan ukuran area dampak untuk memastikan bahwa area tersebut
mengandung jumlah kontrol potensial yang kira-kira konstan, terlepas dari ukuran area
dampak. Rasio r ditetapkan untuk penelitian ini menjadi 600. Jika area dampak memiliki
bentuk lingkaran, ini akan sesuai dengan rasio antara area yang dicari dan radius dampak
24,5. Dalam studi kasus, ini menghasilkan radius pencarian rata-rata 25 km (kisaran = 9-61
km), di mana kondisi iklim yang serupa dapat diharapkan secara wajar.
Kedua, kami menggunakan gambar yang diperoleh pada periode sebelum intervensi
(Gbr. 2A) untuk melakukan iteratif algoritma pengelompokan yang diatur sendiri
(ISODATA) berulang dengan kelas n yang dibatasi secara spasial ke area pencarian (Gambar
2B). Dengan proses coba-coba yang didasarkan pada perbandingan kualitatif peta klasifikasi
ISODATA dan citra VHR, kami menetapkan n = 5 dalam penelitian ini. Sejumlah besar kelas
dapat dipilih jika lanskap lebih heterogen. Untuk sepenuhnya membandingkan hasil yang
dikumpulkan dengan Landsat dan analisis MODIS, kami melakukan klasifikasi
menggunakan data MODIS Landsator untuk kedua jenis analisis, menyiratkan bahwa situs
kontrol yang berbeda dipilih. Untuk analisis Landsat, semua band dalam domain pantul dari
satu gambar digunakan untuk klasifikasi, sedangkan untuk MODIS kita mengikuti
pendekatan yang diusulkan oleh de Bieet al. (2011), menggunakan lintasan NDVI multi-
temporal alih-alih informasi multispektral. Klasifikasi demikian dilakukan pada lima tahun
dataset multi-temporal dari komposit 10-hari yang berakhir tahun sebelum pelaksanaan
tindakan restorasi. Setelah tahap klasifikasi ini, komposisi kelas fraksional dari daerah yang
terkena dihitung.
 Ketiga, kami mendefinisikan kontrol generik sebagai jendela spasial persegi dengan
area yang sama dengan lokasi dampak. Populasi kontrol potensial dengan demikian dibentuk
oleh semua win- dow berpusat pada masing-masing piksel yang termasuk dalam area
pencarian. Kontrol potensial yang tumpang tindih dengan lokasi dampak lainnya atau area
yang dikecualikan (area yang menjadi subjek pelestarian lingkungan dalam studi kasus kami)
dikecualikan. Kontrol potensial yang memiliki lebih dari 50% piksel tidak valid (karena
tertutup oleh cloud dan shadow mask) juga dikecualikan. Kemudian, komposisi kelas
fraksional dihitung untuk setiap kontrol potensial.
Keempat, kesamaan tutupan lahan antara masing-masing kontrol potensial dan
dampaknya didefinisikan sebagai pelengkap kesalahan akar berarti persegi antara komposisi
fraksional dan satu, yaitu sim-ilaritas s = 1-RMSE (Gambar 2C). Nilai-nilai yang dekat
dengan satu dengan demikian mengindikasikan komposisi kelas keseluruhan yang hampir
identik dari kontrol potensial dan dampaknya. Perhatikan bahwa kesamaan nilai-nilai NDVI
sebelum intervensi tidak dipertimbangkan di sini karena desain BACI tidak memerlukan
tingkat variabel minat yang serupa.
Kelima, kami melakukan subsampel populasi kontrol potensial dengan melepaskan
kartu yang memiliki kesamaan lebih kecil dari s (0,9). Pada titik ini kami memiliki sampel
kontrol potensial yang memenuhi kondisi i danii. Dari sampel ini kami secara acak
mengekstrak situs nccontrol (nc = 20 dalam penelitian ini, Gambar. 2D). Ekstraksi acak
dilaksanakan menggunakan probabilityproportional to size sampling (Lohr, 2010), di mana
kemungkinan pemilihan untuk setiap elemen sebanding dengan kemiripannya dengan situs
yang terkena dampak. Dengan cara ini, kontrol yang paling mirip memiliki kemungkinan
yang lebih tinggi untuk dipilih. Setelah kontrol diekstraksi, semua kontrol potensial yang
bertepuk tangan dikecualikan untuk seleksi lebih lanjut dan ekstraksi acak diulangi sampai
semua kontrol yang diperlukan dipilih. Perlu dicatat bahwa prosedur ini tidak menjamin
bahwa semua kontrol yang diinginkan benar-benar tersedia. Jika jumlah kontrol yang dipilih
dianggap tidak cukup, seseorang dapat meningkatkan area pencarian atau mengurangi
kesamaan yang diperlukan untuk meningkatkan populasi kontrol kandidat dan dengan
demikian jumlah kontrol yang dipilih.
Setelah lokasi kontrol ditetapkan, NDVI diekstraksi untuk semua piksel valid milik
dampak dan area kontrol untuk periode sebelum dan setelah intervensi. Proses seleksi yang
dijelaskan sejauh ini dilaksanakan di IDL (Harris GeospatialSolution, Inc.) dan sepenuhnya
terotomatisasi.
Akhirnya, kondisi iii diuji dengan memeriksa secara visual seri waktu yang tersedia
dari citra Landsat dari lokasi kontrol yang dipilih. Itis mencatat bahwa hanya perubahan
penggunaan lahan yang jelas, misalnya dari vegetasi alami ke lahan pertanian atau ke
pemukiman, yang dapat dideteksi sejauh ini. Kemungkinan terjadinya perubahan yang
kurang terlihat, seperti praktik manajemen hutan dataran yang tidak dilaporkan, karenanya
tidak dapat dikecualikan. Dampak dari pemilihan potensial kontrol yang tidak sesuai tersebut
diharapkan dapat dikurangi dengan mengumpulkan sejumlah besar lokasi kontrol.

4.2. Treatment of Landsat 7 SLC gaps

Diperkirakan 22% dari adegan Landsat 7 hilang karena kegagalan SLC
(http://landsat.usgs.gov/products slcoffbackground.php). Efek SLC-off paling
menonjol di sepanjang tepi adegan dan secara bertahap berkurang menuju pusatnya.
Preiselokasi garis pemindaian yang hilang bervariasi dari satu tempat ke tempat lain.
Oleh karena itu, sulit untuk mengantisipasi sebagian kecil dari data yang hilang untuk
masing-masing bidang dampak. Dengan kasus pengujian kami, fraksi data yang
hilang bervariasi antara 0% dan 40% dan dioperasikan sebagai sampel acak tanpa ada
konsekuensi yang diharapkan pada tes BACI berikut. Di hadapan masalah SLC ini,
piksel yang terkena dampak dianggap sebagai milik kelas tutupan lahan tambahan,
sehingga berkontribusi pada ukuran kesamaan yang dijelaskan di atas. Dengan cara
ini kami menyukai pemilihan kontrol yang menunjukkan frekuensi piksel yang
terpengaruh SLC yang sama.
4.3. Temporal sampling
Pengambilan sampel temporal berganda sebelum dan setelah dampak yang
diduga lebih disukai karena memastikan bahwa fluktuasi temporal yang kebetulan di
kedua lokasi tidak membingungkan deteksi dampak (Underwood, 1992). Karena
frekuensi akuisisi temporal yang terbatas, kami tidak dapat mengambil beberapa citra
pengamatan sebelum dan setelah intervensi dari Landsat, dan kami secara konsisten
menerapkan BACI berdasarkan pada beberapa pasangan sebelum – setelah
pengamatan dan beberapa lokasi kontrol. Dengan demikian, gambar awan-bebas
terdekat sebelum dan sesudah waktu intervensi dipilih untuk setiap lokasi restorasi.
Desain BACI yang lebih kuat, dengan pengamatan dari berbagai tanggal dan situs,
malah digunakan dengan data MODIS frekuensi temporal yang tinggi. Artinya,
hingga lima nilai tahunan NDVI tahunan maksimum diekstraksi dari jadwal waktu
MODIS.
4.4. Statistical analysis
Model efek campuran linier pada rata-rata tingkat situs NDVI digunakan untuk
menguji dampak intervensi restorasi seperti dalam Schwarz (2015). Dalam konteks
ini, periode (sebelum / sesudah), kelas situs (dampak / kontrol) dan interaksi kelas
dan periode situs diperbaiki efek sementara situs dan waktu pengambilan sampel,
menjadi sampel yang tidak lengkap dari situs potensial dan waktu pengambilan
sampel , dianggap sebagai efek acak. Model efek campuran linier menggunakan
kemungkinan maksimum untuk memperkirakan parameter fungsi linier yang
mengandung efek tetap dan acak. Output dalam bentuk perkiraan z-rasio atau
penyimpangan normal, yang memungkinkan pengujian statistik pada setiap
kombinasi linear dari parameter tetap (Pinheiro dan Bates, 2000). Untuk
mengevaluasi dampak intervensi, kami tertarik pada interaksi periode dan kelas
lokasi (yang disebut efek BACI) yang mewakili perubahan yang berbeda antara
dampak dan lokasi kontrol yang dibandingkan sebelum dan setelah intervensi.
Hipotesis (nol) tidak ada perubahan ditolak pada tingkat signifikansi konvensional
5%.
Analisis BACI menyediakan dua statistik penting (di antara yang lain): tingkat
signifikansi (yaitu nilai-P) dari uji efek BACI (yaitu, tidak mengubah hipotesis nol)
dan kontras BACI. Kontra BACI dihitung sebagai perbedaan (kontrol vs dampak)
antara perbedaan rata-rata (setelah vs sebelumnya):

Di mana µ rata-rata spasial spesifik-lokasi dari variabel yang dipilih untuk

mewakili dampak (di sini NDVI); CA, IA adalah singkatan dari Control andImpact
After, masing-masing; CB dan IB untuk Kontrol dan Dampak Sebelumnya, masing-
masing. Berdasarkan konvensi, suatu kontras negatif menunjukkan bahwa variabel
tersebut telah meningkat lebih banyak (atau berkurang lebih sedikit) di lokasi yang
terkena dampak sehubungan dengan kontrol dalam periode waktu mulai dari sebelum
setelah pelaksanaan proyek restorasi. BACIcontrast diekspresikan dalam satuan
variabel minat yang sama, di sini NDVI. Untuk menyoroti besarnya kontras dengan
memperhatikan kondisi awal, kami menormalkannya dengan rata-rata NVI dari area
dampak sebelum intervensi berlangsung (IB) dan menyatakannya sebagai persentase.
Variabel turunan ini disebut sebagai "kontras relatif" sebagai berikut.
Perlu dicatat bahwa, terlepas dari kenyataan bahwa NDVI dihitung dari Land-
sat 7 dan 8 (ETM + dan sensor OLI) mungkin sedikit berbeda karena respon spektral
yang berbeda dari band (Roy et al., 2015) dan algoritma koreksi atmosfer yang
berbeda, ini berdampak pada situs proyek dan kontrol dan karenanya tidak
berpengaruh pada analisis BACI, yang bekerja pada perbedaan antara dua jenis area.
Tabel 3. Informasi utama dari intervensi yang dianalisis, evaluasi misi lapangan,
interpretasi visual citra VHR Google Earth dan hasil BACI pada MODIS dan data
Landsat. n.a. singkatan tidak tersedia. Mean dari variabel RS dihitung sebagai rata-
rata keseluruhan diekstraksi sebelum intervensi (semua situs, semua tanggal
pengambilan sampel). Hijau (kemungkinan berhasil), hijau muda (sukses sedang atau
ambigu) dan latar belakang abu-abu (kemungkinan gagal) digunakan untuk
menentukan peringkat keberhasilan intervensi berdasarkan misi lapangan dan
evaluasi kualitatif VHR. Latar belakang hijau digunakan di bagian BACI untuk
menyoroti kontras BACI negatif (dalam huruf tebal) yang signifikan pada nilai-0,05
P. Latar belakang abu-abu menunjukkan efek BACI yang tidak signifikan.
Perangkat lunak statistik sumber terbuka R (R Development Core Team, 2016) digunakan
untuk mengembangkan skrip untuk mengotomatiskan uji statistik berikut Schwarz (2015).
hasil dan Diskusi
Hasil analisis BACI, bersama dengan informasi proyek, interpretasi foto VHR dan
evaluasi kualitatif misi lapangan, dicantumkan dalam Tabel 3. Jumlah lokasi kontrol
dikeluarkan dari analisis setelah inspeksi visual berkisar dari nol hingga maksimum enam.
Perubahan antropogenik yang terdeteksi pada periode setelah intervensi terutama mengacu
pada penampilan bidang pertanian dan pemukiman.
5.1. BACI analysis
Kontras BACI negatif yang signifikan (yaitu peningkatan NDVI dengan sehubungan
dengan kontrol setelah intervensi) terdeteksi di lima dan empat dari 15 situs menggunakan
MODIS dan data Landsat, masing-masing. Untuk sebagian besar situs, hipotesis (nol) tidak
ada perubahan tidak dapat ditolak. Untuk tiga situs, kontrasnya memang positif, yaitu. ada
penurunan relatif dalam NDVI di area restorasi.
Memfokuskan pada situs yang efek BACInya signifikan terdeteksi, kontras relatif
rata-rata adalah −20% dan −27% untuk data MODIS dan Landsat. Mempertimbangkan
NDVI sebagai pendekatan kasar dari tutupan vegetasi fraksional, numberstranslate ini
menjadi peningkatan yang signifikan dalam tutupan vegetasi dengan memperhatikan kontrol.
Sebagai contoh dari data yang digunakan untuk analisis BACI, dampak dan rata-rata
kontrol ditunjukkan pada Gambar. 3 untuk empat perwakilan intervensi: no. 9, di mana efek
BACI negatif signifikan ditemukan dengan menggunakan Landsat dan MODIS; no.81, di
mana negativecontrast signifikan pada level 0,05 hanya untuk MODIS (P <0,1 untukLandsat);
tidak. 17 dengan kontras positif tetapi tidak signifikan; dan akhirnya tidak. 4 dengan kontras
positif dan tidak signifikan (P <0,1 untuk Landsat).
Untuk mendapatkan wawasan tentang perbedaan antara MODIS dan analisis Landsat
kami fokus pada perjanjian antara dua statistik BAC yang relevan (yaitu kontras dan nilai-P).
Pertama, Tabel 3 menunjukkan kecocokan sempurna dalam tanda kontras BACI. Artinya,
kedua jenis analisis setuju dalam evaluasi tanda intervensi, baik penghijauan (kontras negatif)
atau degradasi (kontras positif) dari lokasi dampak dibandingkan dengan kontrol. Besarnya
kontras dan rata-rata variabel RS dapat berbeda antara dua jenis analisis karena variabel RS
berbeda: mereka NDVI musiman maksimum untuk MODIS, dan nilai NDVI selama musim
tanam pada tanggal pengambilan sampel tertentu yang ditentukan oleh ketersediaan gambar
untuk Landsat.
Kedua, kesepakatan besar dalam pendeteksian penghijauan kembali yang signifikan
dari intervensi (yaitu kontras BACI negatif dengan nilai-P <0,05) ada di antara kedua jenis
analisis. Hanya satu kasus ketidaksepakatan kecil yang ditemukan untuk situs no. 81 (Tabel
3 dan Gambar 3), di mana analisis visual Google Earth VHR menggambarkan bahwa
perkebunan benar-benar dilaksanakan. Dalam tulisan ini kedua jenis analisis menghitung
kontras BACI yang hampir identik dan negatif (-0,12) sedangkan mereka berbeda dalam
tingkat signifikan yang dikaitkan. Namun, nilai P Landsat (0,058) tidak jauh dari ambang
batas (0,05) yang digunakan untuk menolak (nol) hipotesis nochange. Akibatnya, perubahan
yang terdeteksi menggunakan data Landsat memiliki tingkat kepercayaan yang lebih rendah
(P <0,10).
Perbedaan kecil lainnya (mis. Tidak mengarah pada hasil tes yang berbeda) antara
hasil dari dua jenis analisis merujuk besarnya nilai P yang berbeda. P-value MODIS secara
umum lebih rendah daripada Landsat. Gambar. 4 menunjukkan nilai-P dari dua jenis analisis
vs. nilai absolut dari BACIcontrast relatif.
Kedua jenis analisis menunjukkan pengurangan nilai-P dengan peningkatan nilai
absolut dari kontras relatif, karena tes pada dasarnya membangun (juga) pada besarnya
kontras BACI. Namun,
Gambar 3. Profil sementara nilai rata-rata NDVI untuk dampak terpilih (garis biru) dan situs
kontrol yang sesuai (garis merah) untuk data Landsat (kiri) dan MODIS (kanan). Tanggal
sampling sebelum dan sesudah intervensi dipisahkan oleh garis hitam vertikal. Nilai-P (P)
dan persentase kontras relatif (RC) dilaporkan. (Untuk interpretasi referensi warna pada
legenda gambar ini, pembaca dirujuk ke versi web artikel ini.)
nilai-P MODIS sebagian besar lebih rendah daripada Landsat untuk kontras relatif
yang serupa. Oleh karena itu, pengambilan sampel temporal berganda yang dapat dicapai
dengan menggunakan data MODIS tampaknya berperan penting dalam meningkatkan
tingkat signifikansi pengujian sehubungan dengan analisis waktu tunggal Landsat. Hal ini
kemungkinan disebabkan oleh tiga alasan: i) peningkatan ukuran sampel untuk analisis
MODIS, ii) representasi yang lebih baik dari keseluruhan tutupan vegetasi yang ditawarkan
oleh maksimum NDVI sehubungan dengan NDVI tanggal tunggal, dan iii) berkurangnya
ketergantungan MODIS pada tahun dan waktu tertentu. Mengenai yang terakhir, dengan set-
up MODIS kami menganalisis perilaku diferensial kontrol / dampak dalam rentang waktu
multi-tahun, menjadikannya kekhasan khusus tahun-atas yang mungkin tidak terlalu sensitif
yang mungkin memengaruhi pengaturan Landsat resolusi tinggi satu tahun (lihat Gambar 3).
Tercatat bahwa desain periode-ganda dapat diaplikasikan ke data beresolusi tinggi yang
tersedia secara bebas dalam pengaturan geografis dengan ketersediaan citra Landsat bebas-
awan yang lebih tinggi, atau ketika menganalisis proyek-proyek yang lebih baru yang dapat
mengeksploitasi ketersediaan Landsat 8 yang lebih sering dan lainnya yang tersedia saat ini
instrumen (misalnya Sentinel 2). Ketidakpastian yang terhubung dengan penggunaan gambar
tunggal sebelum dan sesudah intervensi dicontohkan dengan baik oleh evolusi temporal
NDVI untuk proyek no. 81 pada Gambar. 3. Efek BACI yang tidak signifikan dideteksi
menggunakan pengaturan citra tunggal Landsat (P = 0,058) meskipun terdapat kontras relatif
negatif yang cukup besar (-27,95%). Untuk situs yang sama, profil multi-tahun MODIS
menunjukkan keragaman antar-tahunan yang besar. Pengaturan gambar tunggal Landsat
mengambil 2007 sebagai tahun sebelumnya, ketika kontrol memiliki MODIS NDVI tertinggi
ketiga. Jika tahun yang berbeda tersedia, misalnya 2006 ketika kontrol memiliki MODIS
NDVI terendah kedua. , ini mungkin menghasilkan nilai P yang berbeda (lebih rendah).

Gambar 4. Scatterplot nilai absolut dari kontras BACI relatif (sama dengan 100 * | kontras
| / rata-rata variabel RS sebelum intervensi) vs. nilai-P dari BACItest. Penolakan hipotesis
nol untuk nilai-P ambang batas khas 0,05 dan 0,1 ditunjukkan sebagai garis putus-putus.
Nomor proyek. 4 (menunjukkan penurunan sehubungan dengan kontrol)
menunjukkan perilaku yang berlawanan: nilai-P yang lebih rendah (mis. Kepercayaan diri
yang lebih tinggi) untuk analisis Landsat. Di sini, ukuran kecil restorasi tidak berperan,
menghasilkan sampel spasial MODIS yang buruk, di satu sisi dengan mengurangi ukuran
sampel dan kekuatan tes, dan di sisi lain dengan membuat beberapa sampel MODIS kurang
dapat diandalkan. Bahkan, area aktual yang dirasakan oleh instrumen lebih besar daripada
resolusi spasial nomi-nal, dan memiliki bentuk elips yang dikontrol oleh karakteristik sensor
dan geometri pengamatan (Duveiller et al., 2011; Duveiller dan Defourny, 2010). Dengan
demikian, sebagian kecil dari piksel signalin yang terletak di perbatasan area proyek dapat
berasal dari area di luar. Efek ini mungkin tidak dapat diabaikan ketika area proyek hanya
terdiri dari beberapa piksel MODIS, seperti untuk projectno. 4.
Selain hasil uji statistik (yaitu penolakan terhadap hipotesis nol dari tidak ada
perubahan), kontras BACI relatif dapat memberikan wawasan tambahan tentang tingkat
keberhasilan suatu proyek intervensi yang diberikan. Misalnya, dengan analisis MODIS, ini
berkisar dari + 6,3% (degradasi untuk proyek no. 4) menjadi −27,7% (perbaikan untuk
proyek. 14), menunjukkan besarnya perbedaan efek dari intervensi restorasi yang berbeda.
5.2. BACI results vs. qualitative information
Informasi Sebuah kesepakatan umum antara informasi kualitatif yang diekstraksi dari
citra Google Earth VHR dan hasil BACI diamati. Di semua situs di mana tidak ada tanda-
tanda intervensi atau tidak ada perbedaan dengan daerah sekitarnya diamati dalam citra VHR,
efek BACI tidak signifikan. Di semua lokasi di mana pola pohon yang ditanam secara teratur
dan ditanam diamati, kontras BACI negatif dan efek BACI signifikan, dengan pengecualian
situs no. 81 yang tidak signifikan ketika Landsat digunakan. Uji pengaruh BACI juga setuju
dengan evaluasi kualitatif lapangan yang tersedia untuk lima lokasi. Di antara lima situs, dua
dievaluasi sebagai relatif sukses dan dicocokkan dengan efek BAC yang signifikan (situs no.
14 dan 15), dan tiga dievaluasi secara negatif dan dicocokkan dengan efek BACI yang tidak
signifikan (situs no. 9, 16and 44) . Situs no. 5, di mana keberadaan intervensi reboisasi tidak
terlihat, malah ditemukan memiliki BACI yang signifikan dan negatif. Namun, evaluasi
lapangan tidak memberikan informasi tentang tutupan padang rumput yang mungkin telah
membaik setelah intervensi pagar, sehingga memicu deteksi statistik efek penghijauan.
5.3. Applicability of the method to different intervention types
Meskipun intervensi restorasi yang tidak melibatkan “penghijauan” tidak dapat
diteliti dengan menggunakan NDVI, rentang penerapannya dapat diperluas menggunakan
kerangka kerja statistik yang sama dengan indikator kuantitatif berbasis RSK lainnya, bila
dianggap relevan untuk menilai keberhasilan jenis intervensi khusus di skala analisis.
Misalnya, proses erosi tanah dapat dinilai dengan mendeteksi fitur erosi dan erosi area atau
dengan memperkirakan faktor-faktor pengendali erosi, seperti kelembaban tanah dan
kekasaran permukaan (Anderson dan Croft, 2009; Vrieling, 2006). Metrik pola spa dapat
mendukung penilaian intervensi restorasi yang berdampak pada komposisi habitat,
fragmentasi, dan konektivitas di tingkat lanskap, juga terkait dengan proses degradasi lahan
(Fava et al., 2015; Kéfi et al., 2007). Sebagai contoh tambahan, pemetaan kuantitatif skala-
halus dari spesies tanaman tertentu (mis. Invasif) dapat menjadi sangat penting untuk
memantau efektivitas upaya penanaman atau upaya pengendalian tanaman (Pysek dan
Richardson, 2010).
5.4. Applicability of the method to different landscape settings
Variasi topografi tidak secara eksplisit diperhitungkan dalam metode yang dijelaskan.
Meskipun tidak menjadi masalah dalam studi kasus lahan datar, dua efek topografi dapat
dipertimbangkan di daerah dengan bantuan yang signifikan. Pertama, tipe vegetasi yang
berbeda tumbuh di lokasi dengan ketinggian, kemiringan, dan aspek yang berbeda. Dengan
demikian, kontrol harus dipilih dengan karakteristik topografi yang serupa sehubungan
dengan situs restorasi. Seperti yang kita harapkan berbagai jenis vegetasi terlihat oleh
klasifikasi citra RS, efek pertama ini tidak menghambat metode yang diusulkan. Selain itu,
dalam kasus-kasus di mana karakteristik topografi diharapkan menjadi penting, mereka dapat
ditambahkan ke lapisan input klasifikasi. Efek kedua topografi adalah pada geometri sistem
sensor target matahari, dan dengan demikian pada reflektansi. Variasi pertolongan sedang
diharapkan memiliki dampak kecil pada metode ini karena penggunaan bandratio seperti
NDVI akan mengurangi efek topografi (Lee and Kaufman, 1986). Selain itu, kondisi
pencahayaan yang berbeda (setidaknya yang terkait dengan komponen lampu langsung)
dapat dinormalisasi menggunakan, misalnya, koreksi aspek-lereng (misalnya Teillet et al.,
1982). Oleh karena itu, topografi dapat diperlakukan dan tidak membatasi penerapan metode.
Analisis BACI adalah metode komparatif di mana variabilitas temporal karena
kondisi lingkungan alami (mis. Cuaca) dicatat menggunakan kontrol. Pemilihan acak dari
beberapa situs kontrol utama dan inspeksi visual stabilitas mereka selama periode analisis
meminimalkan dampak dari pemilihan kontrol yang tidak cocok (yaitu dipengaruhi oleh
perubahan cuaca yang didorong oleh faktor cuaca setelah waktu intervensi). Namun, jika
lansekap di sekitar area restorasi mengalami perubahan antropogenik yang meluas (mis.
Intensifikasi pertanian, urbanisasi), kemungkinan pemilihan beberapa kontrol yang sesuai
akan sangat terbatas, sehingga memengaruhi kekuatan diskriminasi tes. Sebaliknya,
gangguan alami yang mungkin terjadi seperti kebakaran atau hama dapat diperhitungkan
dengan tes ini. Bahkan, penurunan kehijauan akan terdeteksi jika gangguan hanya
mempengaruhi lokasi restorasi sementara peningkatan relatif akan lebih mungkin terdeteksi
jika dis-turbance mempengaruhi beberapa kontrol. Perubahan dalam warna hijau dapat
ditafsirkan sebagai penurunan (atau peningkatan) kerentanan terhadap gangguan seperti itu
karena intervensi.
Kesimpulan
Untuk pertama kalinya, desain sebelum / sesudah kontrol / dampak (BACI)
diterapkan pada data RS untuk mengevaluasi dampak biofisik dari proyek restorasi.
Kesepakatan besar ditemukan dalam hasil uji statistik menggunakan MODIS atau data
Landsat. Pengamatan MODIS yang sering terjadi membuat data instrumen ini sesuai dengan
desain BACI yang paling kuat, mengeksploitasi beberapa kontrol dan beberapa pengamatan
sebelum dan setelah intervensi. Penggunaan data Landsat dalam studi kasus uji kami dibatasi
oleh ketersediaan awan yang terbatas. -Gambar gratis, memaksa penerapan desain BACI satu
kali dan menghasilkan kepercayaan diri yang lebih rendah (yaitu tingkat signifikansi yang
lebih tinggi, nilai P) dari hasil pengujian. Analisis proyek intervensi yang lebih baru akan
mendapat manfaat dari ketersediaan lebih sering pengamatan satelit dari satelit Land-sat 8
dan Sentinel 2. Kombinasi dari resolusi spasial dan temporal tinggi yang ditawarkan oleh
sensor seperti Sentinels 2 dapat meningkatkan potensi metode yang diusulkan. Selain itu,
untuk proyek sebelumnya, penggunaan satelit komersial (mis. SPOT 4 dan 5, Rapid Eye)
dapat dipertimbangkan untuk melengkapi citra bebas dan meningkatkan ketersediaan data.
Hasil analisis statistik sesuai dengan informasi kualitatif yang disediakan oleh
observasi lapangan dan interpretasi visual dari citra VHR di Google Earth. Pendekatan yang
diusulkan dapat dianggap sebagai penapisan pertama intervensi restorasi yang dapat
mendorong lebih lanjut dan saling melengkapi dalam situasi, sehingga meningkatkan
efisiensi biaya dan kelayakan evaluasi intervensi restorasi. Selain itu, metode-ology dapat
digunakan untuk pemantauan jangka panjang intervensi restorasi, sehingga memungkinkan
manfaat investasi awal dan keberlanjutannya dievaluasi.
Ketika NDVI digunakan, penerapan metode yang diusulkan terbatas pada verifikasi
dampak biofisik dalam hal variasi dalam tutupan vegetasi. Ini tidak terbatas pada reboisasi
dan peningkatan lahan tetapi untuk sejumlah intervensi (mis. Konservasi tanah, kontrol aliran
air permukaan, infrastruktur untuk irigasi, perbaikan tata kelola dan pengelolaan lahan, dll.)
Yang juga menyebabkan penghijauan kembali. Penggunaan variabel penginderaan jarak jauh
lainnya (mis. Kelembaban tanah, kekasaran permukaan, fragmentasi, pemetaan spesies VHR)
dapat lebih lanjut memperluas penerapan kerangka kerja logistik untuk aspek-aspek lain dari
intervensi restorasi. Analisis in situ tetap merupakan hal yang sangat mendasar, tidak hanya
memberikan serangkaian indikator biofisik yang lebih terperinci yang ditargetkan pada
restorasi spesifik, tetapi juga mempertimbangkan aspek-aspek kunci lainnya dari restorasi
yang terkait dengan persepsi sosial dan dampak ekonomi.
Ucapan Terima Kasih
Kami ingin mengucapkan terima kasih kepada Moustapha Bassimbé Sagna atas dukungan
selama misi lapangan dan Observatorium Lingkungan Manusia CNRS (Tessekeré, Senegal)
atas dukungan keuangan untuk misi lapangan. Pekerjaan ini didanai oleh Pengaturan
Administratif antara Komisi Eropa DG DEVCO dan JRCfor¨Teknis dan ilmiah dukungan
untuk pertanian dan pangan dan sektor keamanan gizi "(TS4FNS2, ref. 33272).