KEL 1-A Generalized Deforestation and Land-Use (1) .En - Id

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.
com
ARTIKEL PENELITIAN
Generator Skenario Deforestasi Umum dan

Perubahan Penggunaan Lahan untuk Digunakan
dalam Studi Pemodelan Iklim
Adrian Mark Tompkins1*, Luca Caporaso1, Riccardo Biondi1,2, Jean Pierre Bell1,3
1Fisika Sistem Bumi, The Abdus Salam International Center for Theoretical Physics (ICTP), Strada
Costiera 11, Trieste, Italia,2Pusat Wegener untuk Iklim dan Perubahan Global, Universitas Graz,
Brandhofgasse 5, Graz, Austria,3Pusat Fisika Molekuler Atom dan Optik Kuantum University of Douala,
PO Box.8580, Douala, Kamerun
* tompkins@ictp.it
a11111
Abstrak
Model generator skenario perubahan penggunaan lahan dan deforestasi baru (FOREST-SAGE)
disajikan yang dirancang untuk berinteraksi langsung dengan model vegetasi dinamis yang
AKSES TERBUKA digunakan dalam model sistem bumi generasi terbaru. Model ini memerlukan skenario skala
regional untuk perubahan penggunaan lahan agregat yang mungkin bergantung pada waktu,
Kutipan:Tompkins AM, Caporaso L, Biondi R, Bell JP (2015)
Generator Skenario Deforestasi Umum dan Perubahan yang disediakan oleh studi observasional atau oleh model perubahan penggunaan lahan/
Penggunaan Lahan untuk Digunakan dalam Studi ekonomi regional untuk proyeksi masa depan. Kategori penggunaan lahan dari observasi/
Pemodelan Iklim. PLoS SATU 10(9): e0136154. doi:10.1371/
model ekonomi ini pertama-tama diterjemahkan ke dalam tipe fungsi tanaman yang setara
journal.pone.0136154
yang digunakan oleh model vegetasi tertentu, dan kemudian FOREST-SAGE memilah skenario
Editor:Gil Bohrer, Universitas Negeri Ohio,
skala regional menjadi skala jaringan lokal dari model sistem bumi menggunakan
AMERIKA SERIKAT
seperangkat aturan risiko berdasarkan faktor-faktor seperti kedekatan dengan jaringan
Diterima:29 Agustus 2014
transportasi, kepadatan populasi tertimbang jarak, fragmentasi hutan dan keberadaan
Diterima:31 Juli 2015 kawasan lindung dan konsesi penebangan. Aturan-aturan ini saat ini berfokus pada konversi
Diterbitkan:22 September 2015 hutan menjadi penggunaan pertanian dan padang rumput, tetapi dapat digeneralisasikan
untuk konversi perubahan penggunaan lahan lainnya. Setelah memperkenalkan model,
Hak cipta:© 2015 Tompkins dkk. Ini adalah artikel akses
terbuka didistribusikan di bawah ketentuan Lisensi Atribusi evaluasi kinerjanya ditampilkan untuk perubahan tutupan lahan yang terjadi di Cekungan
Creative Commons , yang mengizinkan penggunaan, Afrika Tengah dari 2001-2010 menggunakan pengambilan dari data Lapangan Kontinu
distribusi, dan reproduksi tanpa batas dalam media apa
Pencitraan Spektroradiometer Resolusi MODerate. Model ini mampu mereproduksi secara
pun, asalkan penulis dan sumber asli disebutkan.
luas pola spasial perubahan tutupan hutan yang diamati oleh MODIS, dan penggunaan faktor
risiko skala lokal memungkinkan FOREST-SAGE untuk memperbaiki pola perubahan
Pernyataan Ketersediaan Data:Semua data yang relevan
penggunaan lahan secara relatif terhadap skenario tolok ukur yang digunakan dalam
ada di dalam kertas dan file Informasi Pendukungnya.
Interkomparasi Model Terpadu terbaru Integrasi proyek.
Pendanaan:Pekerjaan ini sebagian didukung oleh proyek
FP7 Uni Eropa, perjanjian Hibah SEHAT FUTURES no.
266327,http://www. healthyfutures.eu/ . LC, RB, dan JPB
didukung oleh hibah ini. JPB juga didukung oleh ICTP
Sandwich Training Educational Program (STEP). Para
penyandang dana tidak memiliki peran dalam desain
1. Perkenalan
studi, pengumpulan dan analisis data, keputusan untuk
menerbitkan, atau persiapan naskah. Deforestasi telah lama dianggap sebagai masalah kritis untuk pelestarian ekosistem di masa depan dan
pengurangan CO22emisi. Selain itu, banyak penelitian menyoroti dampak kuat yang ditimbulkan oleh
PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 1/24

Model Deforestasi Umum untuk Studi Pemodelan Iklim
Minat Bersaing:Para penulis telah menyatakan bahwa tidak perubahan penggunaan (LUC) dapat terjadi pada iklim lokal dan regional melalui perubahan albedo dan
ada kepentingan yang bersaing.
fluks permukaan serta CO tidak langsung2respons, menggunakan model regional dan global [1–5].
Memahami efek penggunaan lahan dan perubahan tutupan lahan (LULCC) pada iklim sangat penting jika
pengaruh manusia terhadap iklim dan potensi efektivitas strategi mitigasi berbasis penggunaan lahan
(LU) seperti reboisasi atau biofuel akan dinilai.
Estimasi deforestasi tidak pasti dan sangat bervariasi meskipun teknologi penginderaan jauh terus meningkat.
Mengambil Afrika Tengah sebagai contoh, perkiraan laju deforestasi adalah 0,53% per tahun di Kamerun selatan [
6 ], sedangkan Duveiller et al. [7 ] menggunakan citra Landsat untuk memperkirakan 0,21% per tahun untuk Afrika
Tengah, angkanya dua dan empat kali lebih rendah daripada Amerika Selatan dan Asia. Sebaliknya, Hansen et al. [
8 ] menerapkan MODerate Resolution Imaging Spectroradiometer (MODIS) untuk memperoleh produk tutupan
hutan untuk mengkalibrasi data Landsat di Cekungan Sungai Kongo dan menemukan laju deforestasi lebih rendah
dari 0,1% per tahun. Zhang dkk. [9 ] menganalisis gambar Landsat TM menyimpulkan bahwa dari tahun 1980-an
hingga 1990-an tingkat deforestasi tahunan adalah 0,42% bervariasi dari 0,03% hingga 2,72% di Cekungan Kongo,
yang serupa dengan nilai yang dilaporkan sebelumnya sebesar 0,41% [10 ]. Laporan FAO baru-baru ini tentang
hutan hujan [11 ] memberikan laju deforestasi tahunan untuk periode 2000–2010 sebesar 0,23% di Cekungan
Kongo, sekitar 0,43% di Cekungan Amazon dan sekitar 0,41% di Asia Tenggara. Namun demikian, terlepas dari
perkiraan yang berbeda-beda ini, konsensusnya adalah bahwa sistem hutan tropis terancam [12 ].
Memperkirakan faktor yang mendorong LUC juga menantang, karena ini dapat bervariasi dari satu
wilayah ke wilayah lain, dan faktornya banyak dan saling berinteraksi [13 –15 ]. Pemicu deforestasi skala
lokal seringkali terkait dengan akses ke pasar lokal (jarak ke jalan terdekat dan pusat populasi) dan
kepadatan populasi yang mendorong permintaan [16 –18 ]. Kualitas tanah dan kemiringan lahan akan
menentukan produktivitas lahan. Pasar non lokal juga dapat mendorong LUC [14 ,15 ] jika akses ke
pelabuhan memadai dan iklim cocok untuk tanaman berorientasi ekspor bernilai tinggi. Terkait hal
tersebut, jika LUC berupa deforestasi didorong oleh tuntutan pemanenan kayu [19 ,20 ], nilai spesies
pohon itu sendiri dapat memiliki dampak yang jelas.
Degradasi dan fragmentasi hutan yang ada meningkatkan akses dan dengan demikian laju
deforestasi [14 ]. Dalam hal legislasi nasional, pemberian konsesi penebangan atau sebaliknya
pembentukan taman nasional atau tindakan perlindungan lainnya sangat penting [21 –27 ].
Untuk lebih memperumit masalah, faktor skala makro juga berperan dengan kondisi ekonomi global
dan undang-undang dan kebijakan regional yang mendorong permintaan deforestasi eksternal, dengan
lahan dibuka untuk pemeliharaan ternak di Brasil misalnya [28 –30 ], atau kebijakan UE tentang subsidi
bahan bakar nabati yang mendorong izin untuk perkebunan kelapa sawit di Asia [31 ,32 ]. Kebijakan
nasional atau internasional untuk perlindungan (misalnya inisiatif kolaboratif PBB tentang Pengurangan
Emisi dari Deforestasi dan Degradasi Hutan UN-REDD) atau Program Regional Afrika Tengah untuk
Lingkungan (CARPE) di Cekungan Kongo juga dapat mengurangi laju deforestasi, (mis. Afrika Tengah di
kawasan cagar yang ditunjuk [21 ,22 ,26 ,33 ]).
Untuk memahami bagaimana jaringan penggerak yang kompleks ini mempengaruhi penggundulan hutan
saat ini dan kemungkinan memprediksi perubahan LU di masa depan, sangat berguna untuk menurunkan model.
Banyak model deforestasi diturunkan secara lokal menggunakan regresi antara laju deforestasi yang diamati dan
nilai prediktor lokal [6 ,34 ,35 ]. Dengan demikian pengaruh faktor lokal menentukan pola spasial deforestasi,
sedangkan faktor global yang tidak ditentukan secara implisit termasuk dalam laju deforestasi secara
keseluruhan, tetapi tidak berubah terhadap waktu. Model tersebut dapat akurat pada skala nasional atau regional
dan berguna untuk menentukan peta risiko laju deforestasi jangka pendek. Namun, mereka tidak mungkin dapat
memberikan skenario deforestasi di masa depan karena kondisi lokal dan global dapat sangat berubah. Selain itu,
variabilitas yang besar dalam mendorong determinan antar lokasi berarti bahwa model tersebut tidak dapat
diterapkan ke wilayah lain tanpa menurunkan kembali koefisien regresi, dan sulit untuk memasukkan skenario
yang berbeda untuk pemicu deforestasi skala makro di masa mendatang.

Kurangnya generalisasi model deforestasi telah menghambat pengembangan generator skenario

deforestasi umum untuk digunakan dalam studi iklim. Kekhawatiran lain adalah ketidaksesuaian skala
dengan banyak model deforestasi yang bekerja pada skala spasial yang sangat halus, dengan dampak
jalan dan kota ditentukan untuk memiliki skala dampak spasial lipat-e dariHAI(10 km) [36 ,37 ] yang
menyiratkan bahwa faktor-faktor pada dasarnya berskala subgrid relatif terhadap model iklim global
generasi saat ini. Ini berarti bahwa hingga saat ini, studi tentang interaksi deforestasi dan iklim sering
diidealkan, di mana deforestasi skala besar diterapkan sebagai perubahan langkah terpisah dan model
berjalan menuju kesetimbangan untuk mengukur dampak pada iklim lokal [5 , 38 ,39 ]. Meskipun berguna
untuk mengukur sensitivitas iklim yang digerakkan oleh LUC, eksperimen ideal semacam itu menghalangi
penyelidikan perubahan hutan yang realistis secara bertahap, yang dapat mengungkapkan keberadaan
“titik kritis” iklim di mana iklim lokal dapat beralih secara diam-diam dari satu keadaan ke keadaan lain
pada deforestasi kritis tertentu atau LUC [40 ,41 ]. Perilaku seperti itu tidak dianggap tidak mungkin karena
hubungan antara iklim dan LU bisa sangat nonlinier, seperti yang diilustrasikan dalam makalah seminal
Charney [42 ].
Baru-baru ini, sejumlah skenario yang diproyeksikan untuk LU masa depan telah dikembangkan oleh
berbagai kelompok pemodelan [43 –45 ]. Kerangka pemodelan penilaian dampak dari laporan penilaian
kelima dari Panel Antarpemerintah tentang Perubahan Iklim (IPCC) menghasilkan empat set peta LU yang
terkait dengan masing-masing dari empat jalur konsentrasi perwakilan gas rumah kaca (RCP) [46 –49 ]. Ini
membentuk dasar garis eksperimental opsional untuk kelompok pemodelan iklim untuk memeriksa
dampak LUC yang realistis. Model iklim kembar dijalankan dengan dan tanpa LUC yang digerakkan secara
antropogenik untuk menilai dampaknya terhadap iklim relatif terhadap emisi gas rumah kaca. Dalam
percobaan model iklim, LUC antropogenik memiliki dampak terbatas pada iklim [50 ,51 ].
Untuk menyiapkan eksperimen LUC ini, sejumlah tantangan teknis harus diatasi. Pertama, model
penilaian terintegrasi (IAM) memberikan informasi yang sangat berbeda dalam hal LUC (dengan satu
model hanya memberikan rata-rata nasional misalnya). Dengan demikian model HYDE digunakan untuk
secara konsisten mengubah informasi IAM LU ke grid 2×2 derajat dari 5 tipe LUC dasar, yang selanjutnya
dipisahkan menjadi resolusi 0,5 derajat [52 ]. Namun, keluaran model HYDE masih memerlukan interpolasi
ke kisi model iklim dengan transisi lahan yang diterjemahkan ke kelas tutupan lahan masing-masing model
iklim. Selain itu, seperti yang diilustrasikan secara skematis diGambar 1 , sifat offline dari transisi HYDE LU
memperumit tugas untuk secara bersamaan menggunakan model vegetasi global dinamis online (DGVM),
karena berbagai ketidakkonsistenan dapat muncul. Misalnya, model HYDE dapat mengalokasikan
deforestasi untuk memenuhi permintaan pemanenan kayu dalam sel di mana DGVM telah mensimulasikan
kematian hutan akibat perubahan iklim. Dalam kasus seperti itu, model harus menerapkan aturan ad hoc
untuk realokasi tren penggunaan lahan secara spasial, yang mungkin berbeda dari model ke model.
Untuk meningkatkan konsistensi pendekatan pemodelan antara kelompok pemodelan iklim, memperhitungkan
pendorong LUC skala lokal, dan yang paling penting memungkinkan integrasi model iklim yang digabungkan sepenuhnya
yang memperhitungkan LUC antropogenik saat menggunakan model vegetasi dinamis, karya ini menyajikan model baru
untuk memilah informasi perubahan penggunaan lahan skala kasar atau tingkat nasional secara langsung pada resolusi
grid halus dari model vegetasi digital yang banyak digunakan.
Model HUTAN-SAGE akan berusaha memasukkan faktor penentu lokal dari variabel deforestasi seperti
akses ke pasar, kepadatan penduduk, jaringan transportasi dan fragmentasi hutan [14 ] dengan cara yang
masuk akal namun diidealkan sesuai dengan model sebelumnya untuk menyediakan distribusi spasial
deforestasi. Namun, alih-alih menerapkan koefisien regresi untuk laju deforestasi keseluruhan, laju
deforestasi regional bruto akan ditentukan secara eksternal, misalnya dengan fungsi waktu yang
diidealkan atau oleh ansambel skenario perubahan penggunaan lahan yang digerakkan secara ekonomi
dan politik (misalnya [52 ]), dengan nada yang mirip dengan skenario emisi masa depan IPCC AR5.
PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 3 / 24

Gambar 1. Skema integrasi HYDE ke dalam model permukaan tanah-iklim yang digabungkan.Metode yang digunakan untuk mengonversi lima kategori HYDE menjadi
kategori lahan yang digunakan oleh ESM tidaklah mudah dan ketidaksesuaian antara model permukaan lahan dan klasifikasi tutupan lahan HYDE 3.1 dapat muncul.
doi:10.1371/journal.pone.0136154.g001
Model tersebut memberikan keluaran secara langsung dalam hal jenis fungsi tanaman yang digunakan oleh
skema LU yang digabungkan dengan model iklim. Dengan melakukan ini, model dapat diintegrasikan secara
online, khususnya ini memungkinkan simulasi integrasi dengan DGVM, seperti yang ditunjukkan padaGambar 2 ,
di mana iklim-DGVM digabungkan menjalankan panggilan HUTAN-SAGE sekali per tahun, melewati peta PFT
DGVM sebagai kondisi awal. FOREST-SAGE kemudian mengalokasikan informasi perubahan penggunaan lahan
antropogenik skala kasar (misalnya, disediakan oleh HYDE pada resolusi 2×2 derajat) ke resolusi DGVM skala halus
menggunakan driver lokal. Peta persentase PFT yang dimodifikasi yang dihasilkan di setiap sel diteruskan kembali
ke DVGM untuk menginisialisasi integrasi gabungan satu tahun berikutnya. Dengan cara ini, penggabungan
antara model iklim dan DGVM tidak dimodifikasi, dan LUC antropogenik digabungkan secara konsisten. Dalam
makalah ini, model disajikan dan kemudian dievaluasi dengan mensimulasikan LUC saat ini di Kongo.
2. Bahan-bahan dan metode-metode
2.1 deskripsi model HUTAN-SAGE

Model FOREST-SAGE dirancang agar fleksibel dan dapat dijalankan pada berbagai resolusi dan dapat
diinisialisasi menggunakan observasi satelit atau model vegetasi dinamis peta PFT. Versi yang digunakan dalam
penelitian ini tersedia diBerkas S1 . Model dapat dioperasikan secara regional atau bahkan lokal dengan
masukan resolusi yang lebih tinggi. Fokus di sini adalah pada penggundulan hutan tetapi teknik ini dapat
diterapkan pada spektrum jenis LUC. Untuk setiap wilayah yang diminatiHAI,makro tahunan
PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 4 / 24

Gambar 2. Skema integrasi HUTAN-SAGE ke dalam model gabungan iklim-permukaan lahan.Skema ini menekankan bagaimana FOREST-SAGE menerjemahkan skenario penggunaan lahan
antropogenik global ke tutupan lahan skala jaringan ESM online dengan cara yang digabungkan sepenuhnya.
laju deforestasi wilayah (MHAI) ditentukan menurut skenario masa depan seperti "bisnis seperti biasa". FaktorMHAI
memungkinkan model untuk membedakan antara ekonomi yang sangat berbeda dan pendorong kebijakan
deforestasi antar wilayah, yang menghasilkan tingkat yang lebih tinggi di Asia dibandingkan dengan, katakanlah,
Afrika. Tingkat deforestasi ditentukan sebagai fungsi waktuMHAI(t)dalam setiap skenario deforestasi, yang dapat
menjelaskan potensi perubahan kebijakan di masa depan atau perkembangan ekonomi/penduduk. Faktanya,
faktor sosio-ekonomi yang terkait dengan deforestasi masih kurang dipahami [14 ], sebagian karena faktor yang
berbeda beroperasi secara tidak merata di berbagai negara dan sebagian karena kelangkaan data yang dapat
diandalkan [15 ,53 ].
Dalam contoh ilustratif dalam karya awal ini, laju deforestasi akan statis dan sama dengan laju deforestasi hasil
pengamatan. Namun, laju deforestasi dapat ditentukan secara dinamis sebagai fungsi perkiraan tutupan global
atau regional, yang mencerminkan potensi pengenalan undang-undang konservasi yang lebih ketat sebagai
tanggapan terhadap tutupan hutan yang lebih rendah di masa depan, misalnya die-back skala besar yang
disimulasikan sebagai bagian dari Penilaian Terpadu kerangka pemodelan [54 ]. Singkatnya, daripada hanya
memperluas tingkat LUC masa lalu ke masa depan sebagai model regresi, FOREST-SAGE memiliki potensi
untuk menghasilkan ansambel skenario LUC untuk mengevaluasi risiko.

Gambar 3. Gambaran distribusi spasial pengemudi lokal.Data input yang digunakan untuk menginisialisasi model
dirangkum dalamTabel 1 .
penilaian mulai dari bisnis seperti biasa hingga pengurangan deforestasi secara drastis untuk menyelidiki
dampak dari berbagai jalur potensial. Langkah waktu integrasi untuk FOREST-- SAGE adalah satu tahun. Model
tersebut memprediksi faktor risiko deforestasi tahunan untuk setiap dan setiap sel jaringan hutan dalam domain
model (dengan fokus di wilayah tropis), menurutlokalfaktor risiko yang diuraikan di bawah ini. Laju deforestasi
sebanding dengan risiko di setiap sel, tetapi diskalakan untuk memberikan laju makroMHAI(t)untuk setiap daerah.
Jika model dioperasikan offline, peta baru yang dimodifikasi ini setelah satu tahun digunakan untuk
menginisialisasi langkah waktu tahun berikutnya dan HUTAN-- SAGE sehingga menghasilkan serangkaian
keadaan tutupan lahan potensial tahunan. Namun, HUTAN-SAGE dapat digabungkan sepenuhnya dengan model
iklim menggunakan model vegetasi dinamis di mana kelas tutupan lahan juga akan diperbarui oleh model ini.
Dalam HUTAN-SAGE ada beberapa faktor (Gambar 3 ) yang mempengaruhi distribusi lokal dari risiko
deforestasi (rtot), yaitu kedekatan dengan jalan (rjalan) dan sungai (rsungai) yang memungkinkan akses ke pasar,
kedekatan dengan pusat populasi dan kepadatan penduduknya (rpop), lokasi di dalam kawasan lindung yang
ditetapkan berdasarkan perjanjian nasional atau internasional (rtaman) atau di dalam konsesi penebangan yang
ditunjuk (rcatatan), yang menentukan akses, dan terakhir fraksi tutupan hutan lokal yang ada itu sendiri, (rfragmen).
Saat ini, faktor-faktor yang mempengaruhi kesesuaian lahan untuk pertanian seperti jenis tanah atau kemiringan
lahan dapat berperan penting dalam deforestasi/penanaman kembali [55 , 56 ] tidak diperhitungkan tetapi dapat
dengan mudah dimasukkan ke dalam kerangka fleksibel. Risiko penggundulan hutan, di setiap lokasi sel jaringan
saya,terkait dengan masing-masing faktor ini digabungkan secara multiplikasi untuk memberikan risiko
deforestasi total:
rtot ¼r r
poprsungai rtaman rcatatan rfragmen
: d1TH
saya
saya saya saya saya sayasaya
jalan

Gambar 4. Risiko deforestasi terkait percobaan 1 (Tabel 3 ).Panelsebuahmengacu pada risiko tutupan hutan (rfragmen), sedangkan panelbdengan risiko yang terkait
baik dengan kawasan lindung (rtaman) dan konsesi penebangan (rcatatan). Di panelcditampilkan risiko yang terkait dengan jalan (rjalan) sedangkan paneld terhubung
ke risiko pusat populasi (rpop). Akhirnya paneleterkait dengan risiko sungai (rsungai) dan terakhir di panelfditunjukkan risiko deforestasi global (rtot).
Faktor individu tidak dinormalisasi karena digabungkan secara berlipat ganda, sehingga perubahan
relatif risiko di seluruh faktor input penentulah yang relevan (Gambar 4 ). Contoh sederhananya adalah
risiko yang terkait dengan taman nasional, di mana parameter yang relevan adalahperbandingan risiko
antara berada di dalam atau di luar kawasan lindung.
Satu kalirtot
saya ditentukan untuk setiap lokasisayadari peta tipe fungsi tanaman input (PFT), the
perubahan tutupan hutan dihitung sebagai:
@f XNHAI XNHAI XNHAI

- MHAI f ¼ D th SEBUAHsaya; d2TH
@t
saya saya
saya¼1 saya¼1 saya¼1
di manaDsayaadalah laju deforestasi bruto sebanding dengan risiko dan sama dengan:
XNHAI XNHAI
Dsaya¼sebuahHAI
rket d3TH
f
saya saya :
saya¼1 saya¼1
DiPersamaan 3 , αHAIadalah faktor skala yang diturunkan untuk setiap zona makroHAI:
PNHAI PNHAI
MHAId f TH -
d4TH
saya¼1 saya
sebuahHAIdtÞ ¼ PNHAI saya¼1 SEBUAHsaya;
¼1rtot
fsaya
saya saya
di manaSEBUAHsayaadalah tingkat reboisasi, indekssayamerupakan fungsi dari wilayah makroHAIuntuk

menekankan bahwa penjumlahan dilakukan hanya untuk poinNHAIberbohong dengan setiap deforestasi makro

zona danfsayaadalah persentase tutupan hutan di lokasisaya.Untuk singkatnya selanjutnyaHAIakan tersirat dalam
persamaan.
Untuk masing-masing penggerak, fungsi matematika yang paling sederhana telah dipilih untuk
meminimalkan derajat kebebasan. Setiap pendorong kemudian diatur oleh dua variabel yang
menggambarkan besaran relatif dari dampak maksimum (k)bahwa driver dapat memiliki LUC dan
pengaruh spasial mereka (l).Dampak deforestasi lokal sekarang diperkenalkan secara bergiliran.
Tutupan hutan.Laju deforestasi merupakan fungsi dari tutupan hutan,f,diri. Jika tutupan hutan nol maka jelas
tidak ada deforestasi yang dapat terjadi. Demikian pula penelitian sebelumnya telah menunjukkan bahwa
fragmentasi hutan dapat menyebabkan peningkatan akses manusia dan akibatnya deforestasi yang jauh lebih
besar di sepanjang batas hutan [20 ,21 ]. Tepian dapat meluas jauh ke dalam kawasan hutan yang tersisa
meningkatkan jumlah fragmen hutan yang dapat menyebabkan, misalnya, peningkatan kebakaran terkait tepian
yang dapat menembus hingga beberapa kilometer ke dalam hutan yang terfragmentasi [20 ].
Menggunakan model umpan balik tepi, Cumming et al. [57 ] menunjukkan bahwa tepi dapat secara signifikan
memperkuat efek deforestasi (dengan efek tepi maksimum ketika tutupan hutan 50%) yang mengarah ke laju
deforestasi yang cepat (hingga 3-4 kali lebih cepat daripada yang terjadi di bawah model deforestasi linier). Jadi,
dalam implementasi kami, risiko deforestasi meningkat dari nol tanpa tutupan hutan hingga maksimum pada
tutupan antara, kemudian berkurang menjadi nol dengan 100% tutupan hutan. Ini dimasukkan ke dalam model
dengan terlebih dahulu menghitung kerapatan hutan tertimbang jarak untuk setiap sel-grid:
PNHAI
fe
j¼1 j -di;j=lf
fsaya¼PNHAI ; d5TH
e
j¼1 -di;j=lf
di manadaku jadalah jarak antar lokasisayadanjdanlfadalah pembobotan jarak, ditetapkan menjadi 2,5
km. Selanjutnya, fungsi berdasarkan distribusi beta simetris diterapkan:
p
fsaya
p d1 -f
d6TH
TH
rfragmen
th1;
saya
saya ¼ ðkfragmen-1TH
0:52p
di manapadalah parameter bentuk fungsi beta yang menentukan seberapa cepat deforestasi
perubahan risiko dengan meningkatnya fragmentasi. Dalam ungkapan di atasfsayatelah digunakan dalam istilah
kedua di RHS untuk meningkatkan risiko di dekat tepi hutan, sementarafdigunakan pada istilah pertama untuk
menghubungkan risiko hutan secara langsung dengan tutupan lokal ketika tutupan masih jarang (efek tepi
kurang penting). Risiko maksimum terjadi ketika rata-rata tutupan hutan homogen adalah 50%, maka faktor
normalisasi yang memastikan bahwa risikonya sama dengankfragmenpada nilai ini.
Jalan dan Sungai.Jalan meningkatkan nilai lahan dengan mengizinkan akses ke pasar dan dapat
meningkatkan laju deforestasi secara drastis. Contoh klasik dari efek ini adalah pembangunan
jalan pesisir di timur laut Brasil tahun 1960-an yang sangat mempercepat laju deforestasi di
wilayah pesisir [58 ]. Dampak jalan terhadap deforestasi jatuh sebagai fungsi jarak ke jalan dan
dengan demikian diparameterkan sebagai:
rsaya
jalan¼ ðkjalan-1THe-droad=l
saya jalan th1 d7TH
saya adalah jarak lokasisayake jalan terdekat, danljalanadalah peluruhan eksponensial

di manadjalan
dari dampak jalan. Untuk kesederhanaan, tidak ada perbedaan yang dibuat antara jalan kecil atau besar
atau antara jalan beraspal atau tidak beraspal: yang penting hanyalah jarak dan kemudahan akses ke
jaringan jalan. Menetapkan nilai untukljalantidak langsung karena model regresi menunjukkan kisaran nilai
yang luas tergantung pada wilayah yang bersangkutan dan menunjukkan bahwa jalan memiliki dampak
skala kecil, dengan sebagian besar deforestasi terjadi di koridor sempitO (10 km) di sepanjang jalan yang
baru dibangun [59 ]. Namun jalan dapat mempengaruhi laju deforestasi

pada jarak puluhan kilometer [60 ]. Southworth dkk. [59 ] menggunakan citra Landsat multi-
temporal mengevaluasi dampak penggundulan hutan dari Jalan Raya Antar-Lautan baru di
perbatasan antara Peru, Brasil, dan Bolivia. Hasil analisis ini menunjukkan nilailjalanmulai dari
beberapa kilometer sampai dengan sekitar 45 km tergantung pada perkembangan daerah. HUTAN--
SAGE saat ini menggunakan jaringan jalan saat ini dalam perhitungannya dan belum memuat
parameterisasi untuk menambah jalan baru dengan perkembangan penduduk.
Sama halnya dengan jalan, sungai dapat memberikan akses yang lebih mudah ke hutan, [61 ,62 ] dan
“risiko” deforestasi yang terkait dengannya diparametrikan sebagai:
rsungai
saya ¼ ðksungai-1THe-pengemudi=l
saya sungaith1 d8TH
saya adalah jarak lokasisayake sungai terdekat, danlsungaiadalah peluruhan eksponensial

di manadsungai
dari dampak sungai.

Pusat populasi. Terkait erat dengan masalah jalan adalah sekitar utama dan
pusat populasi kecil, yang menyediakan pasar untuk produk dan meningkatkan risiko deforestasi. Banyak
penelitian observasi hanya menggunakan jarak ke kota terdekat atau pusat populasi untuk menghitung
risiko deforestasi [63 ], tetapi hal ini cenderung menyederhanakan masalah, karena mengabaikan ukuran
dan kepadatan penduduk kota yang bersangkutan, dan terlebih lagi tidak memungkinkan sekitar
beberapa pusat populasi diperhitungkan. Oleh karena itu, FOREST-SAGE memodifikasi pendekatan ini
dengan terlebih dahulu menghitung kepadatan populasi tertimbang jarak untuk setiap lokasi:
PNHAI
j¼1 pje-di;j=lp
psaya¼ PNHAI d9TH
e
j¼1 -di;j=lp
di manapjadalah kepadatan populasi dalam sel jaringanjdanlpadalah pembobotan jarak lipat-e. Faktor risiko
yang terkait dengan lokasi sel jaringan karena kepadatan populasi tertimbang kemudian direpresentasikan
sebagai:
rsaya
pop¼ ðkpop-1Þð1 -e-pi = dpÞ þ1 d10TH
di manadpadalah peningkatan e-folding dengan kepadatan penduduk.

Faktor populasi berbobot jarak memungkinkan jarak dan ukuran pasar/nilai lahan digabungkan secara
umum, karena nilai lahan berhubungan langsung dengan kedua faktor tersebut. Lokasi yang dekat dengan pusat
kota kecil akan memiliki risiko deforestasi yang sama dengan lokasi yang jaraknya lebih jauh dari kota
metropolitan yang padat penduduk. Namun demikian, deforestasi dan perubahan tata guna lahan di sekitar
pusat perkotaan dapat memiliki berbagai penyebab, keragaman yang jelas diabaikan dalam pendekatan ini.
Kawasan lindung dan konsesi penebangan.Kawasan lindung, taman nasional dan penebangan
konsesi diperlakukan begitu saja. Faktor risikortamansaya
diatur ke nilai konstan sama denganktamanjika
titiksayaditemukan di dalam taman nasional. Faktor ini mewakili rasio penurunan defor-
risiko estasi terkait dengan status penunjukan masing-masing, dan dengan demikianrtamandiatur
sayake kesatuan jika
lokasisayatidak terletak di taman. Konsesi penebangan diperlakukan sama, denganrcatatan saya mulaikcatatan,
mewakili peningkatan risiko deforestasi terkait dengan konsesi penebangan. Misalnya, jika penunjukan suatu
kawasan sebagai konsesi penebangan di dalam kawasan makro tertentu dianggap membuat deforestasi empat
kali lebih mungkin daripadakcatatandiatur ke 4.0 untuk semua titik di dalam konsesi. Nilai untukktamandi sisi lain harus
mengambil nilai lebih kecil dari 1,0 jika kebijakan ditegakkan secara efektif. Penegakan kebijakan dan pemolisian
kegiatan penebangan liar sangat bervariasi dari satu negara ke negara lain, dan bahkan berpotensi pada skala
sub-nasional. Demikian pula, konflik dan bencana alam dapat mengubah penegakan kebijakan secara drastis
sebagai fungsi waktu. Mengenai variasi spasial ini, jika seorang pengguna daerah memiliki pengetahuan eksplisit
tentang penegakan kebijakan di suatu tempat

negara atau distrik, ini dapat digabungkan dengan mendefinisikan wilayah makro terpisah di HUTAN--
SAGE dan menyesuaikan faktor risiko ini dengan tepat untuk wilayah ini.
Reboisasi.Reboisasi dapat secara signifikan mengimbangi laju deforestasi [63 ]. Pola reboisasi
seringkali secara spasial berbeda dari deforestasi [33 ], dengan tingkat dan laju reboisasi sangat
tergantung pada penyebab pembukaan lahan [64 ]. Mewakili proses ini tidak langsung karena bergantung
baik pada vegetasi potensial (yaitu vegetasi yang akan ada di area tertentu untuk kondisi iklim tertentu
tanpa gangguan besar) dan juga pada motivasi deforestasi. Misalnya, pembukaan untuk pertanian
permanen, peternakan atau perluasan perkotaan dapat menyebabkan pertumbuhan kembali terbatas
atau tidak sama sekali, sedangkan pertanian non-permanen berpindah dapat menyebabkan pertumbuhan
kembali setelah beberapa tahun, dan pembukaan untuk pemanenan kayu diikuti oleh pertumbuhan
kembali segera [64 ]. Algoritma pertumbuhan kembali mengkonversi PFT ke kategori yang terkait dengan
tutupan hutan alam di lokasi yang bersangkutan menggunakan dataset tutupan vegetasi potensial
sebagai referensi yang dapat diturunkan dari sumber model (CLM) atau dengan pengamatan (MODIS).
Dalam demonstrasi ini, tutupan vegetasi potensialftdiberikan oleh nilai maksimum tutupan hutan dari
pengambilan MODIS di wilayah Kongo sebesar 86%. Tutupan hutan alam kemudianftberkurang di setiap
lokasisaya,untuk memperhitungkan kemungkinan LUC permanen tanpa pertumbuhan kembali. Untuk itu,
dibuat asumsi bahwa deforestasi permanen lebih mungkin terjadi di lokasi dengan bobot kepadatan
populasi yang lebih tinggi, seperti
bahwa tutupan hutan potensial yang dimodifikasi diberikan olehfte-pi =tRp,dimana τRpmenentukan bagaimana kemungkinan
deforestasi permanen berubah sebagai fungsi dari bobot kepadatan populasi. Dengan demikian algoritma menentukan
tingkat pertumbuhan kembali sebagai:
fe-pi =tRp - fsaya

¼t
SEBUAH d11TH
saya
tr
di manaSEBUAHsayadiatur ke nol jikafsayamelebihi tutupan hutan potensial yang dimodifikasi dan τrmenentukan skala
waktu pertumbuhan kembali. Salah satu kesulitan dalam membedakan pertumbuhan kembali dari pengamatan
penginderaan jauh adalah seringkali sulit untuk membedakan regenerasi hutan dari deforestasi dan degradasi jika
keduanya ditempatkan secara bersamaan [65 ], seperti yang terjadi dengan regenerasi hutan sekunder di daerah
pertanian berpindah.
Stochasticity.Untuk mengambil sampel ketidakpastian dalam pengaturan model, model HUTAN-SAGE
memungkinkan penerapan ansambel fisika yang terganggu (PPE), yang dihasilkan dengan memvariasikan nilai
parameter tunggal dari waktu ke waktu dalam anggota ansambel HUTAN-SAGE selama simulasi. Dengan
mengganggu parameter fisik model HUTAN-SAGE dalam rentang yang masuk akal (±10%) untuk membuat varian
yang berbeda, dimungkinkan untuk mengambil sampel ketidakpastian model dan mengevaluasi kinerja model
dengan pengamatan. Selain itu, untuk meningkatkan penyebaran ansambel FOR-EST-SAGE untuk
mempertimbangkan ketidakpastian spasial, gangguan stokastik untuk memodelkan fisika telah ditambahkan ke
matriks persentase tutupan pohon menggunakan generator bilangan acak semu [66 ].
2.2 Penyiapan percobaan

Untuk mengevaluasi model HUTAN-SAGE dan menguji sensitivitas parameternya, percobaan ideal sederhana di
Afrika Tengah telah dilakukan. Eksperimen tersebut menggunakan data satelit dari MODIS untuk menginisialisasi
model pada tahun 2001, dan kemudian mengintegrasikan model ke depan selama satu dekade untuk
mengevaluasi apakah dan seberapa baik model tersebut dapat mereproduksi pola spasial deforestasi yang luas.
Satu-satunya parameter yang ditentukan dari pengamatan satelit adalah rata-rata laju deforestasi linier di wilayah
tersebut; tidak ada informasi spasial yang digunakan dan sebagai gantinya semua pengaturan parameter yang
berkaitan dengan penggerak spasial diambil langsung dari literatur jika tersedia.

wilayah Kongo.Wilayah yang disimulasikan terletak antara 3,5S hingga 3,5N pada garis lintang dan 18,75E hingga
25,5E dalam garis bujur (Gambar 3 ). Daerah ini sesuai dengan inti Cekungan Kongo, ditandai dengan
adanya hutan tropis yang selalu hijau [67 ] dengan hutan rawa yang ada di sepanjang sungai. Hutan
biasanya sangat lebat dan seringkali menghalangi perkembangan semak dan rerumputan [67 ].
Kongo saat ini tunduk pada tingkat deforestasi yang rendah dibandingkan dengan hutan tropis
lainnya [68 ], hanya 0,01% per tahun saat ini menurut data MODIS yang digunakan dalam penelitian
ini. Namun, Kongo adalah satu-satunya hutan hujan di mana laju deforestasi tahunan meningkat [
33 ]. Selain itu, di Afrika Tengah peningkatan LUC dapat diharapkan pada tahun-tahun berikutnya
karena tingginya tingkat pertumbuhan penduduk, berkisar antara 2,5–3,5%tahun−1, [33 ] dan ke
jaringan lebih dari 50.000 kilometer jalan logging baru [25 ]. Cekungan Kongo memiliki luas hutan
sekitar 2 juta kilometer persegi yang mewakili sekitar 18% hutan tropis dunia [69 ] dan kegiatan
sektor kehutanan berkontribusi 3–8% dari produk domestik bruto (PDB) di Afrika Tengah [70 ].
data masukan HUTAN-SAGE.Model ini menggunakan kumpulan data GIS yang tersedia secara gratis
untuk pengemudi jalan dan sungai lokal [71 ], kepadatan penduduk [72 ], kawasan lindung dan konsesi
penebangan [25 ], dengan perincian lebih lanjut tersedia diTabel 1 . Yang menarik bagi wilayah Kongo
adalah data tentang taman dan konsesi penebangan. Meskipun tingkat deforestasi lebih rendah
dibandingkan dengan hutan tropis lainnya, ekosistem hutan hujan Kongo kemungkinan akan menjadi
semakin rapuh akibat meningkatnya penebangan komersial. Data untuk kawasan lindung (PA) berasal dari
database Dunia di Kawasan Lindung (WDPA, rilis versi 2010) yang berisi data spasial dan atribut dengan
shapefile yang diproyeksikan ke resolusi percobaan 5 km. Meskipun tingkat peruntukan taman juga
tersedia dalam database (lokal, nasional atau internasional) dan HUTAN-SAGE memungkinkan pengguna
untuk menentukan nilai yang berbeda dari rtamanuntuk setiap tingkat, tidak ditemukan informasi tentang
tingkat perlindungan sebagai fungsi dari status taman nasional, danrtamankonstan untuk semua taman.
Saat ini, lebih dari 600.000 km2, 30% hutan berada di bawah konsesi penebangan [25 ]. Konsesi
penebangan memiliki umpan balik yang positif terhadap laju deforestasi karena perusahaan penebangan
membangun jalan melalui hutan hujan dan membuka area hutan yang luas untuk meningkatkan
aksesibilitas ke daerah terpencil. Dataset konsesi penebangan disediakan oleh Woods Hole Research
Center [25 ].
Tabel 1. Detail data input yang digunakan untuk menginisialisasi model.
Memasukkan Referensi Sumber Deskripsi singkat
Tutupan Hutan [75] http://glcf.umd.edu/ Kumpulan data ini berasal dari ketujuh pita sensor
data/vcf/ MODerateresolution Imaging Spectroradiometer (MODIS) di
atas satelit Terra milik NASA.
Jalan dan [71] http://www.diva-gis. Basis data ini berasal dari Bagan Digital Dunia (skala
Sungai org/gData 1:1000000) dan dibagi menjadi 2094 ubin yang mewakili area
dunia 5 derajat kali 5 derajat.
Populasi [72] http://www.afripop. Kumpulan data AfriPop memberikan perkiraan persegi per-kisi dari
org/ jumlah orang pada resolusi horizontal 1 km. Data penduduk terutama
berasal dari sensus 1993–2010 dan dari peta pemukiman yang berasal
dari citra Landsat.
Taman IUCN dan UNEP. Basis Data Dunia http://www. Database Dunia tentang Kawasan Lindung (WDPA) menyediakan data
tentang Kawasan Lindung (WDPA). protectedplanet.net untuk kawasan lindung (PA) oleh shapefile ArcGIS dalam format poligon
UNEP-WCMC. http://www.wdpa.org/ yang dikonversi menjadi peta biner dengan resolusi peta HUTAN-SAGE.
Tanggal rilis dari versi yang dimasukkan adalah tahun 2010.
Penebangan [25] http://www.whrc.org/ Kumpulan data konsesi penebangan disediakan oleh Pusat Penelitian
Woods Hole
doi:10.1371/journal.pone.0136154.t001

Tabel 2. Ringkasan percobaan ansambel 729 yang ditentukan oleh pilihan parameter nilai yang berbeda.Ketiga eksperimen tersebut telah dipilih
menggunakan metrik korelasi spasial terbaik (eksperimen 1), BIAS minimum (eksperimen 2) dan RMSE minimum (eksperimen 3).
Pengemudi Artikel Referensi Maksud Ensemble Exp. 1(Berkas S2 ) Exp. 2(Berkas S3 ) Exp. 3(Berkas S4 )
Jalan [17,37,59,60] HAI10-45-100 km HAI100 km HAI10 km HAI100 km

Populasi [9,16,18,33] 8-30-100 orang per km2 100 orang per km2 8 orang per kilometer2 100 orang per km2
Sungai [61,62] HAI1-5-10 km HAI1 km HAI5 km HAI1 km
Taman [33,62] 0,5-0,8-1,0 (50-75-100%) Tidak Ada Dampak (1.0) Tidak Ada Dampak (1.0) Tidak Ada Dampak (1.0)
Konsesi Penebangan [25,33] 1,0-1,3-2,0 (100-130-200%) 130% (1.3) 200% (2.0) 130% (1.3)
Reboisasi [64,81,83] 30-40-60 tahun−1 60 tahun−1 60 tahun−1 40 tahun−1
R 0,61 0,68 0,56 0,68
RMSE 0,26 0,24 0,26 0,23
BIAS - 0,009 0,005 0,0001 - 0,007
2.3 Kekuatan dan skala penggerak LUC

Sejauh mungkin, konstanta yang menentukan kepentingan relatif dan dampak spasial dari setiap pemicu
telah diambil dari studi dalam literatur (Meja 2 ), yang tidak selalu tersedia di wilayah fokus Afrika Tengah.
Untuk banyak faktor ini tinjauan literatur kami hanya mengungkapkan satu atau sejumlah studi, atau
dalam beberapa kasus seperti sungai, tidak ada sama sekali, dan dengan demikian ketidakpastian dalam
spesifikasinya cukup besar.
Untuk menyelidiki dampak ketidakpastian pengaturan parameter, pengaturan parameter HUTAN-
SAGE dieksplorasi dalam pengaturan simulasi ansambel beberapa parameter sederhana dua tahap. Pada
tahap pertama, ansambel 729 percobaan dilakukan, diberikan oleh kombinasi dari enam parameter model
yang dianggap memiliki ketidakpastian yang lebih besar, yang masing-masing dialokasikan salah satu dari
tiga nilai yang mungkin dalam setiap percobaan. Nilai parameter dipilih untuk mengambil sampel rentang
yang diberikan dalam literatur, atau estimasi rentang ketidakpastian di mana hanya satu nilai observasi
yang tersedia. Detail ditentukan diMeja 2 . Tiga eksperimen terbaik dalam hal korelasi spasial, bias
minimum, dan RMSE minimum juga diberikan dalam tabel (data tersedia di Informasi Pendukung:Berkas
S2 ,Berkas S3 danBerkas S4 , masing-masing). Fokusnya adalah pada enam parameter utama dalam
langkah pertama ini karena biaya komputasi yang mahal untuk menyelidiki semua nilai parameter yang
mungkin dari kumpulan parameter HUTAN-SAGE lengkap dalam kerangka ansambel beberapa parameter.
Setelah pengaturan parameter terbaik tercapai untuk enam variabel ini, tahap kedua melibatkan
eksperimen sensitivitas lebih lanjut (Gambar 5 ) di mana set parameter HUTAN-SAGE lengkap berada di
sekitar pengaturan terbaik awal ini. Dimulai dari nilai konstanta yang digunakan pada percobaan 1 (Tabel
3 ), dipilih sebagai tolok ukur karena korelasi spasial terbesar antara perubahan tutupan hutan yang
dimodelkan dan diamati, satu parameter nilai telah dimodifikasi di setiap lintasan: hasilnya, dirata-ratakan
pada 50 km, kemudian dibandingkan dengan MODIS-VCF, mengadopsi perubahan sebagai metrik dalam
korelasi spasial, mean bias atau root mean square error. Masing-masing dari dua belas parameter FOR-
EST-SAGE diatur ke salah satu dari lima nilai. Untuk meningkatkan penyebaran ansambel, simulasi dengan
PPE dan perturbasi stokastik untuk memodelkan fisika telah disertakan (Gambar 5 ).
Mengenai nilai-nilai yang digunakan dalam kerangka ansambel dua tahap, beberapa parameter, dari
set parameter HUTAN-SAGE lengkap, dampak jalan mungkin merupakan salah satu efek terdokumentasi
terbaik dalam literatur, tetapi meskipun demikian, ketidakpastiannya tinggi. Dampak spasial jalan,
misalnya, dapat berkisar dariO <10 km [59 ] di sepanjang jalan yang baru dibangun, hingga HAI100 km [60
]. Sebaliknya jarak yang lebih kecil telah dipilih untuk sungai (mulai dari 1 sampai 10 km).

Gambar 5. Sensitivitas model HUTAN-SAGE.Eksperimen sensitivitas 240 dilakukan dengan mengubah setiap parameter nilai tunggal yang menetapkan eksperimen
1 sebagai referensi dan membandingkan hasilnya (rata-rata pada 50 km) dengan tren MODIS 2001-2010. Untuk mengevaluasi sensitivitas model ansambel fisika
perturbed (PPE) telah dilakukan dan, juga, untuk meningkatkan penyebaran ansambel HUTAN-SAGE dan untuk mempertimbangkan ketidakpastian spasial,
perturbasi stokastik untuk fisika model telah ditambahkan. Diy-sumbu korelasi spasial ditampilkan, sedangkan padax-sumbu nilai parameter diberikan. Panela
−c−d−f−g−lmengacu pada bobot fragmentasi, penebangan, jalan, taman, sungai, populasi masing-masing. Panelbdirujuk kep−qparameter distribusi beta,
sedangkan panelsayamengacu pada laju reboisasi. Apalagi panelnyae−h−mdirujuk ke e-folding skala spasial jalan, sungai, populasi sedangkan panelnmengacu
pada peningkatan e lipat dengan kepadatan penduduk.
Tabel 3 Rangkuman nilai konstanta yang digunakan pada percobaan 1Meja 2 . Keluaran percobaan 1
telah dilampirkan pada Informasi Pendukung (Berkas S2 ).
Variabel Keterangan Nilai

kjalan Berat Jalan 3.5
kpop Berat penduduk 3.5
ksungai
Berat Sungai 3.5
kfragmen
Berat fragmentasi 3.5
kcatatan
Berat area penebangan 1.3
ktaman
Berat kawasan lindung 1.0
p—q Parameter distribusi beta 4-4
ljalan e lipat jalan skala spasial 100 km
lsungai e melipat sungai skala spasial 1 Km

lp e melipatgandakan populasi skala spasial 15 Km
dp e lipat meningkat dengan populasi 100 orang km-2
τRp Sensitivitas populasi terhadap deforestasi permanen 200 orang km-2
τr Tingkat reboisasi 60tahun−1

Menetapkan faktor risiko untuk konsesi penebangan/taman nasional merupakan tantangan, karena
LUC yang dihasilkan bergantung pada kerangka waktu di mana sumber daya konsesi penebangan akan
diekstraksi, dan tingkat penegakan kebijakan untuk kawasan lindung. Oleh karena itu penting untuk
mengevaluasi sensitivitas HUTAN-SAGE terhadap pengaturan risiko yang berbeda. Alokasi status lindung
dapat mengurangi laju deforestasi hingga 50% di wilayah ini [33 ], sedangkan terjadinya konsesi
penebangan tidak memiliki dampak yang jelas terhadap laju deforestasi [33 ]. Untuk konsesi penebangan,
serangkaian nilai mulai dari “tidak ada dampak”, hingga “berdampak tinggi” (dari 1,0 hingga 4,0) telah
dipilih dan serupa untuk kawasan lindung, berbagai tingkat penegakan kebijakan telah diuji.
Mengenai penggerak populasi, mulai dari Ernst et al. [33 ], beberapa pengujian telah dilakukan, dengan
asumsi nilai kepadatan populasi kritis berkisar antara 8 hingga 100 orang per km2, sedangkan untuk
dampak spasial penduduklpnilai mulai dari 5 sampai 30 km telah dipilih. Untuk waktu reboisasi τrnilai
antara 15 tahun dan 75 tahun telah dipilih dan, dengan tidak adanya peta potensi vegetasi beresolusi
tinggi di wilayah Kongo, nilai yang setara dengan nilai tutupan hutan maksimum (yaitufsaya=86%) telah
dipilih sebagaift. Itupdanqparameter telah diubah untuk memodifikasi bentuk fungsi beta mulai dari
asumsi probabilitas deforestasi yang sama pada persentase tutupan hutan yang berbeda (pdanqsama
dengan 1,0) dengan nilai risiko tinggi yang berpusat di sekitar 50% tutupan hutan (pdanqsama dengan
5,0). Sementara relatif mudah untuk menemukan nilai parameter untuk distribusi spasial dari risiko
deforestasi (Meja 2 ), bukan sumber informasi untukkparameter langka dan menunjukkan berbagai
nilai [6 ,16 ,59 ]. Selain itu, risiko penggundulan hutan yang dihitung dari penginderaan jarak jauh sering
ditaksir terlalu tinggi karena kompleksitas diskriminasi antara pemaksaan individu yang bertindak pada
piksel tunggal (yaitu risikonya seringkali merupakan penjumlahan dari penyebab lokal yang berbeda).
Namun demikian, untuk memverifikasi kepentingan relatif dari suatu driver dibandingkan dengan yang
lain, berbagai kemungkinan nilai telah diadopsi, dengan asumsi nilai antara 1,0 dan 7,0.
2.4 Data satelit

Sementara FOREST-SAGE dirancang untuk dihubungkan langsung dengan model permukaan tanah
seperti CLM, untuk evaluasi ini model telah diinisialisasi dengan informasi tutupan lahan yang berasal dari
Spektroradiometer Pencitraan Resolusi-MODerate Vegetation Continuous Field (MOD-IS-VCF) [73 ,74 ].
Secara khusus, kumpulan data tutupan pohon persentase (koleksi 5 data rilis versi 1, MOD44B) [75 ] telah
digunakan sebagai masukan. Produk MODIS-VCF menggabungkan informasi MODIS dan LandSat untuk
menghasilkan kumpulan data tahunan (saat ini tersedia dari tahun 2000 hingga 2010) dengan resolusi
spasial 250 meter dari parameter berikut: Persen tutupan pohon, tanda data buruk Jaminan Kualitas (QA),
data berawan QA dan standar deviasi model. Untuk detail lengkap tentang algoritme pengambilan, lihat
Hansen et al. [76 ,77 ].
Persentase tutupan pohon menggambarkan persentase tutupan kanopi di setiap piksel (nilai berkisar dari 0
hingga 100) dan disertai dengan data buruk QA yang merupakan bendera kualitas yang menentukan piksel
memiliki kualitas buruk/baik karena tutupan awan, aerosol tinggi, awan shadow atau view zenith > 45°, sedangkan
QA cloudy data adalah quality flag yang difokuskan pada cloud coverage saja. Produk Collection 5 VCF masih
dalam pengembangan aktif dan penanganan piksel yang terpengaruh cloud dalam algoritme pengambilan adalah
tantangan yang tersisa (Dimiceli CM, komunikasi pribadi) dan merupakan peringatan dari pekerjaan ini. Untuk
setiap tahun, piksel dengan tanda kualitas buruk yang melebihi 12,5% akan ditolak dari analisis.
Cekungan Kongo, yang sama dengan daerah tropis lainnya, dicirikan oleh tutupan awan yang tinggi [8
], terutama di dekat pantai barat, yang merupakan sumber utama ketidakpastian evaluasi hutan dari
satelit [78 ]. Pada tahun 2000, area yang terpengaruh oleh kualitas rendah jauh lebih besar daripada
tahun-tahun berikutnya (hampir setengah dari area Cekungan Kongo tidak tersedia menurut kriteria QA
yang diterapkan) dan dengan demikian HUTAN-SAGE diinisialisasi pada tahun 2001.

Produk MODIS saat ini tersedia hingga tahun 2010, dan dengan demikian model HUTAN-SAGE
terintegrasi dari tahun 2001 hingga 2010, dengan laju deforestasi domain rata-rata sebesar 0,01% yang
diterapkan untuk mencocokkan laju pengamatan rata-rata menggunakan data MODIS-VCF. Diakui bahwa 9
tahun adalah periode yang relatif singkat untuk memeriksa tren deforestasi, sehingga dengan kumpulan
data ini hanya mungkin untuk menghitung tren linier tahunan selama satu dekade. Bagaimanapun,
variabilitas tajuk daun dari tahun ke tahun karena variasi iklim, bersama dengan perubahan ketersediaan
spasial data satelit karena perubahan tutupan awan menghalangi pemeriksaan variasi tutupan lahan dari
tahun ke tahun.
Data MODIS digabungkan menjadi resolusi 5 km, yang merupakan resolusi yang digunakan untuk
integrasi model. Resolusi ini berada di garis batas penyelesaian dampak pemicu deforestasi seperti sekitar
jalan dan kota yang telah dinilai memiliki dampak e-folding pada urutan 10 km [36 ,37 ]. Namun, karena
penggundulan hutan pada dasarnya adalah proses stokastik (yaitu jalan meningkatkan penggundulan
hutan, tetapi tidak seragam sepanjang panjangnya, melainkan di permukiman sporadis), keluaran model
telah dirata-ratakan menjadi 50 km untuk statistik evaluasi. Kecocokan regresi linier terhadap perubahan
tutupan lahan yang disimulasikan kemudian dibandingkan dengan kecocokan regresi linier terhadap LUC
satelit yang diamati pada setiap piksel yang lolos kriteria kualitas data.
2.5 Model tolok ukur HYDE

Untuk mengukur kinerja model HUTAN-SAGE di wilayah Kongo, ini dibandingkan dengan skenario
tolok ukur LUC yang disediakan oleh database model HYDE [52 ]. Database HYDE terdiri dari dua
komponen. Yang pertama adalah basis data historis informasi LU termasuk proksi seperti
kepadatan dan distribusi populasi. Seperangkat aturan statistik digunakan dalam model untuk
mengonversi informasi ini menjadi peta penggunaan lahan tahunan dengan jaringan untuk
periode 1500–2005 [79 ].
Komponen kedua dari database adalah penggunaan model untuk mengonversi skenario LUC di masa
mendatang ke format grid yang konsisten. Ini disediakan oleh empat IAM: MESSAGE, AIM, GCAM dan
IMAGE yang masing-masing mengekspresikan Jalur Konsentrasi Perwakilan (RCP) yang ditentukan oleh
pemaksaan radiatif totalnya: RCP8.5 [49 ], RCP6.0 [48 ], RCP4.5 [47 ] dan RCP2.6 [46 ]. Hurt et al. [52 ]
menjelaskan proses bagaimana periode historis dan skenario digabungkan untuk memberikan
serangkaian skenario LUC yang mulus dan harmonis untuk 1500 hingga 2100.
Keluaran penggunaan lahan HYDE tidak menyediakan tutupan hutan langsung, melainkan dinyatakan
dalam proporsi tutupan lahan primer dan sekunder, selain tutupan perkotaan, padang rumput dan
tanaman. Dengan demikian, fraksi hutan diperoleh dengan menggabungkan fraksi primer dan sekunder
dengan peta tutupan vegetasi potensial [80 ]. Luas hutan telah dihitung sebagai jumlah dari hutan primer
dan sekunder.
Periode pengamatan MODIS dari tahun 2001 hingga 2010 mencakup kumpulan data skenario masa lalu dan
masa depan. Oleh karena itu empat perkiraan turunan HYDE dari perubahan tutupan hutan 2001–2010
diturunkan, yang identik untuk periode historis 2001–2005, dan berbeda secara substansial untuk periode 2006–
2010 sesuai dengan skenario yang digunakan. Perubahan tutupan lahan untuk periode historis 2001–2005 secara
efektif adalah nol untuk wilayah yang bersangkutan, dan tren 2001–2010 hampir seluruhnya disebabkan oleh
skenario yang digunakan.
3. Hasil
3.1 Sensitivitas parameter untuk simulasi Kongo
Di sini, sensitivitas simulasi HUTAN-SAGE terhadap pengaturan parameter model dalam
simulasi ansambel beberapa parameter dua tahap dilaporkan.
Ansambel beberapa parameter menunjukkan bahwa model paling sensitif terhadap
fragmentasi dan populasiknilai (Gambar 5a–5l ), itu relatif paling tidak sensitif terhadap jalan raya

dan sungaiknilai (Gambar 5d–5g ). Penjelasan yang mungkin tentang ketergantungan yang lemah terhadap jalan/
sungai dapat dikaitkan dengan keberadaan jaringan ini di mana-mana (Gambar 3 ) dan, dalam kasus jalan, ke
besarljalannilai yang diadopsi (Tabel 3) yang menurunkan kepekaan terhadapk (Gambar 4).
Dampak spasial dari pengemudi lokal memainkan peran penting dalam deteksi pola yang benar,
memberikan korelasi yang lebih tinggi ketika jalan dapat mempengaruhi deforestasi hingga 100 km,
sesuai dengan Pfaff et al. [60 ], sementara dampak sungai terbatas pada 10 km pertama (setelah ambang
ini korelasinya mulai menurun). Dampak spasial populasi hampir datar untuk nilai yang lebih tinggi dari 10
km, sedangkan untuk mengevaluasi perubahan tutupan hutan, kehadiran/ketidakhadiran populasi
tampak lebih penting daripada kepadatan populasi itu sendiri. HUTAN-- SAGE menunjukkan kepekaan
tertinggi terhadap fragmentasi, baik terhadap kekuatan pengemudi (kfragmen) dan dengan bentuk fungsi
beta (Gambar 5 ). Risiko deforestasi probabilitas maksimum yang berpusat pada 50% tutupan hutan [57 ]
menghasilkan korelasi tertinggi, sedangkan menghilangkan efek fragmentasi sama sekali (pdanqsama
dengan 1,0) menghasilkan korelasi terendah.
Meskipun skala waktu reboisasi menunjukkan korelasi tertinggi ketika mengadopsi skala waktu 60
tahun yang sedikit lebih tinggi dari nilai yang ditemukan dalam literatur [81 ], pengaturan skala waktu 40
tahun secara signifikan meningkatkan varian spasial model bila dibandingkan dengan observasi MODIS (
Gambar 6f ). Konsesi penebangan jelas meningkatkan risiko deforestasi, mencapai korelasi tertinggi
dengan asumsi risiko deforestasi 30% lebih tinggi untuk titik-titik di dalam konsesi penebangan bila
dibandingkan dengan sekitarnya. Sebaliknya, kawasan lindung memiliki dampak yang terbatas pada
korelasi karena luasnya yang kecil relatif terhadap konsesi penebangan, namun demikian, analisis
menunjukkan bahwa dampak perlindungan di kawasan ini lebih kecil daripada yang dinyatakan dalam
Ernst et al. [33 ]. Andam dkk. [82 ] mencatat bahwa keterpencilan kawasan lindung seringkali menjadi kunci
tingkat perlindungannya, daripada penegakan kebijakan, yang menunjukkan bahwa faktor risiko untuk
taman cenderung agak heterogen. Selanjutnya percobaan 1 (“Berkas S2 ”tersedia di Informasi Tambahan)
telah ditetapkan sebagai referensi untuk perbandingan berikut.
3.2 Simulasi deforestasi

Pola spasial deforestasi yang diamati oleh MODIS dan disimulasikan oleh FOREST-SAGE dan
HYDE ditunjukkan pada Gambar6 dan7 . Ada kesepakatan yang baik antara output HUTAN-
SAGE dan pengambilan satelit dengan korelasi spasial maksimum 0,68 (Meja 2 ). Variabilitas
spasial tampaknya terutama didorong oleh kepadatan populasi dan aksesibilitas hutan,
khususnya deforestasi jelas lebih ditekankan di sepanjang sungai Kongo, sesuai dengan
Duveiller et al. [7 ], dan umumnya di bagian utara domain di mana terdapat kepadatan
populasi yang lebih tinggi. Selain itu deforestasi tampak lebih aktif di hadapan konsesi
penebangan dan di mana tutupan hutan tidak begitu lebat.
Di wilayah bagian selatan, dimana proses reboisasi relatif dominan, korelasi antara HUTAN-SAGE dan
MODIS-VCF lebih rendah (R * 0,61) dibandingkan dengan wilayah utara (R * 0,74). Masalah dengan
pemodelan proses reboisasi adalah karena kompleksitasnya [83 ] dan kurangnya hubungan yang jelas
dengan perubahan tutupan hutan lainnya [33 ]. Secara umum model cenderung mereproduksi dengan
baik tren tutupan hutan di sepanjang Taman Nasional Salonga, sedikit melebih-lebihkan peningkatan
bersih dalam proses perubahan tutupan hutan di sepanjang Taman Nasional Salonga (Selatan) dan
meremehkannya di sepanjang perbatasan utara kawasan lindung yang sama.
Di sepanjang Sungai Kongo, di mana kepadatan populasi/konsesi penebangan lebih tinggi, model ini
meremehkan perubahan tutupan hutan bersih (Gambar 6c, 6e, dan 6g ). Namun demikian, dalam upaya
validasi pertama ini, FOREST-SAGE menunjukkan kemampuan untuk menangkap pola spasial utama
deforestasi, meskipun dengan kekuatan sinyal yang sedikit diremehkan.
Sementara model HUTAN-SAGE memiliki kekurangan yang jelas dalam pola spasial LUC dan
besarnya, keuntungan menggunakan driver skala lokal untuk masa kini dan jangka pendek

Gambar 6. MODIS (panelsebuah)dan HUTAN-SAGE (panelb−d−f)tren tahun 2001–2010.Panel yang ditampilkanb−d−fdirujuk ke eksperimen HUTAN-SAGE 1–3 (Meja 2
) masing-masing, sedangkan panel (c−e−g)mewakili perbedaan antara HUTAN-SAGE dan MODIS. Nilai negatif menunjukkan kecenderungan deforestasi,
sedangkan nilai positif menunjukkan peningkatan tutupan hutan.
Simulasi LUC terlihat jika model dibandingkan dengan simulasi benchmark dari database
model HYDE (Gambar 7 ). Membandingkan keempat skenario LU yang diselaraskan, tidak ada
yang mampu menangkap variabilitas spasial atau besaran tren tutupan hutan. Selain
misrepresentasi spasial, perubahan hutan juga menunjukkan masalah besarnya sinyal dalam
dua skenario RCP6.0 dan RCP8.5.
Mengenai periode sejarah, penting untuk menekankan kembali pernyataan [79 ], bahwa sementara
pengamatan dan proksi digunakan sebagai masukan untuk proses, basis data HYDE adalah produk model,
dan tidak mewakili pengamatan langsung penggunaan lahan. Perlu diingat juga bahwa HYDE LUC untuk
periode 2001–2005 sangat terbatas, dan perbedaan proyeksi ini sepenuhnya karena skenario yang
digunakan. Akkermans et al. [84 ] menyerukan representasi yang lebih baik dari skenario deforestasi RCP
setidaknya di tingkat regional. Perbandingan ini menegaskan bahwa peningkatan tersebut berpotensi
dilakukan dalam proyeksi LUC jangka pendek dengan menggunakan model seperti FOREST-SAGE pada
antarmuka antara skenario LUC regional yang luas (misalnya disediakan dengan mengintegrasikan
langsung IAM atau keluaran HYDE yang diselaraskan melalui skala kasar), dan model iklim,
memperhitungkan penyebab skala lokal. Seperti yang diilustrasikan dalam

Gambar 7. MODIS (panelsebuah)dan HYDE (panelb−c−d−e)tren untuk tahun 2001-2010.Panel yang ditampilkanb−c−d−edirujuk ke model AIM (RCP6.0),
IMAGE (RCP2.6), MESSAGE (RCP8.5) dan GCAM (RCP4.5). Karena lemahnya sinyal AIM dan MESSAGE, panelb−d ditampilkan dengan skala warna yang
berbeda.
pengantar, ini juga akan memiliki keuntungan untuk dapat mengintegrasikan skala lokal, model LUC
antropogenik on-line dengan model iklim yang digabungkan dengan model vegetasi dinamis,
memastikan bahwa perubahan vegetasi antropogenik dan alami terjadi bersamaan dan dengan
sendirinya. cara yang konsisten.
4. Diskusi
Sebuah model baru telah diperkenalkan, FOREST-SAGE, yang dirancang untuk memungkinkan perubahan
penggunaan lahan antropogenik terintegrasi penuh dengan pemodelan dinamis vegetasi dalam model sistem
bumi, dengan tujuan akhir untuk meningkatkan pemahaman tentang peran LUC pada Sistem Iklim. Model
mengambil skenario regional umum dari LUC dan memilahnya menjadi skala spasial halus yang
memperhitungkan faktor risiko LUC lokal (jalan, kepadatan populasi, fragmentasi hutan, konsesi penebangan,
dan taman nasional) dan menghasilkan perubahan tahunan dalam tipe fungsi tanaman seperti yang digunakan
oleh vegetasi dinamis. model. Faktor risiko saat ini ditetapkan untuk konversi hutan primer menjadi penggunaan
pertanian/penggembalaan, tetapi tujuannya adalah untuk menggeneralisasi model ke konversi penggunaan
lahan lainnya nanti.
Dalam percobaan pertama ini, FOREST-SAGE telah diuji dalam mode 'offline', dalam upaya
untuk mensimulasikan tren terkini dalam tutupan hutan di Afrika Tengah, menggunakan
pengambilan tutupan hutan MODIS-VCF yang baru dikembangkan untuk menginisialisasi
model pada tahun 2001, dan kemudian untuk mengevaluasi simulasi untuk tahun-tahun
berikutnya. Semua faktor risiko lokal diperoleh dari literatur terbuka dan tidak ada informasi
yang digunakan dari MODIS-VCF dalam model, kecuali inisialisasinya. Karena banyak dari
faktor ini sangat tidak pasti, banyak percobaan dilakukan dalam ansambel besar. Eksperimen
awal ini menunjukkan kemampuan model yang luas untuk mereproduksi pola spasial
deforestasi dan pemulihan hutan, dan model tersebut sangat sensitif terhadap parameter
mengenai populasi, fragmentasi dan konsesi penebangan,

membedakan antara rute minor dan utama, dan juga untuk memperhitungkan topografi dan kualitas
tanah yang saat ini terabaikan, yang dapat menentukan di mana sepanjang rute utama pemukiman
paling mungkin terjadi. Penyempurnaan lebih lanjut yang dapat menguntungkan model tersebut
mencakup identifikasi konsesi penebangan aktif di kawasan tersebut dan mempertimbangkan
keefektifan TN dalam mengurangi deforestasi. Keterbatasan yang paling signifikan dari model untuk
penggunaannya dalam proyeksi iklim adalah penggunaan peta statis faktor risiko, daripada mencoba
memproyeksikan dampak pertumbuhan populasi di masa depan pada jaringan transportasi [29 ] dan
pusat populasi. Kekurangan ini sama dengan banyak model LUC saat ini.
FOREST-SAGE belum tentu baru dalam penanganan faktor risiko deforestasi lokal [43 ] tetapi berupaya menyediakan
model untuk menghubungkan pengetahuan penggerak LUC skala lokal dalam kerangka kerja umum yang dapat
dihubungkan langsung dengan model vegetasi dinamis seperti model iklim permukaan tanah yang umum digunakan.
Sementara keumuman model yang diperlukan untuk pemodelan iklim menyiratkan bahwa model tersebut mungkin belum
tentu cocok dengan kemampuan model regresi yang diturunkan secara regional untuk LUC masa lalu, fleksibilitas
pendekatan tersebut menyiratkan bahwa pendekatan tersebut dapat dengan mudah ditingkatkan dengan menyesuaikan
hubungan pada skala lokal atau regional. , dan (pendekatan) diperluas untuk memasukkan pendorong dan faktor lain yang
saat ini diabaikan yang mungkin penting secara regional. Kecanggihan saat ini dalam skenario penggunaan lahan yang
harmonis diwakili oleh kumpulan data History Database of the Global Environment (HYDE) [52 ] yang menyediakan data
penggunaan lahan historis dan masa depan dengan proyeksi ESM di masa depan. Namun, setiap sistem pemodelan
kemudian harus menerjemahkan proyeksi ini ke dalam PFT masing-masing, dan penggunaan proyeksi offline menyiratkan
bahwa proyeksi tersebut tidak selalu konsisten dengan tutupan vegetasi lokal model vegetasi dinamis, dan setiap pusat
pemodelan harus memperkenalkan seperangkat aturan mereka sendiri untuk diselesaikan. konflik semacam itu [50 , 51 ].
Dengan menggunakan FOREST-SAGE untuk menerjemahkan skenario penggunaan lahan antropogenik global ke model
tutupan lahan skala jaringan sistem bumi secara on-line dengan cara yang digabungkan sepenuhnya, umpan balik
semacam itu dapat digabungkan dan perlakuan LUC dan vegetasi yang konsisten difasilitasi. Manuskrip masa depan akan
mendemonstrasikan model yang digunakan untuk mengintegrasikan proyeksi LUC antropogenik dari model HYDE secara
mulus ke kerangka kerja pemodelan permukaan tanah-iklim yang digabungkan menggunakan DGVM aktif.
informasi pendukung
Berkas S1. Kode sumber HUTAN-SAGE.Kode sumber FOREST-SAGE versi 1.0 digabungkan dengan
paket pustaka FortrangIS yang berisi modul shapelib. Model ini ditulis dalam Fortran90 dan
membutuhkan pustaka Fortran dan NetCDF diinstal.
(RITSLETING)
Berkas S2. Eksperimen korelasi terbaik FOREST-SAGE.File tersebut telah diinisialisasi oleh MOD-IS-
VCF 2001 menggunakan pengaturan eksperimen 1 dan berisi simulasi HUTAN-SAGE selama 10
tahun pada resolusi horizontal 5 km.
(NC)
Berkas S3. Eksperimen BIAS minimum HUTAN-SAGE.File tersebut telah diinisialisasi oleh MOD-IS-
(NC)
Berkas S4. Eksperimen RMSE minimum HUTAN-SAGE.File tersebut telah diinisialisasi oleh MOD-IS-
(NC)

Terima kasih
Terima kasih CM Dimiceli karena memberi nasihat tentang produk pengambilan MODIS-VCF yang
tersedia secara gratis dihttp://glcf.umd.edu/data/vcf/ . Naskah mendapat manfaat dari banyak saran
yang diberikan oleh pengulas anonim.
Kontribusi Penulis
Menyusun dan merancang percobaan: AMT LC JPB. Melakukan percobaan: LC.
Menganalisis data: LC. Kontribusi reagen/bahan/alat analisis: LC AMT RB. Menulis kertas:
AMT LC.
Referensi
1.Polcher J, Laval K. Dampak deforestasi Afrika dan Amazon pada iklim tropis. Jurnal Hidrologi. 1994;
155(3-4):389–405. doi:10,1016/0022-1694(94)90179-1
2.Oleson KW, Bonan GB. Efek tipe fungsional tanaman penginderaan jauh dan indeks luas daun pada simulasi
fluks permukaan hutan boreal oleh model permukaan tanah NCAR. Jurnal Hidrometeorologi. 2000; 1(5):431–
446. doi:10.1175/1525-7541(2000)001%3C0431:TEORSP%3E2.0.CO;2
3.Semazzi F, Song Y. Sebuah studi GCM tentang perubahan iklim yang disebabkan oleh deforestasi di Afrika.
Penelitian Iklim. 2001; 17(2):169–182. doi:10.3354/cr017169
4.Feddema JJ, Oleson KW, Bonan GB, Mearns LO, Buja LE, Meehl GA, dkk. Pentingnya perubahan tutupan
lahan dalam mensimulasikan iklim masa depan. Sains. 2005; 310(5754):1674–1678. doi:10.1126/
sains.1118160 PMID:16339443
5.Nogherotto R, Coppola E, Giorgi F, Mariotti L. Dampak deforestasi Cekungan Kongo pada monsun
Afrika. Surat Sains Atmosfer. 2013; 14(1):45–51. doi:10.1002/asl2.416
6.Mertens B, Lambin EF. Pemodelan spasial deforestasi di Kamerun Selatan: Pemilahan spasial dari
beragam proses deforestasi. Geografi Terapan. 1997; 17(2):143–162. doi:10.1016/
S0143-6228(97)00032-5
7.Duveiller G, Defourny P, Desclee B, Mayaux P. Deforestasi di Afrika Tengah: Estimasi pada tingkat regional, nasional,
dan lanskap dengan pemrosesan lanjutan dari ekstrak Landsat yang didistribusikan secara sistematis.
Penginderaan Jauh Lingkungan. 2008; 112(5):1969–1981. doi:10.1016/j.rse.2007.07.026
8.Hansen MC, Roy DP, Lindquist E, Adusei B, Justice CO, Altstatt A. Metode untuk mengintegrasikan data
MODIS dan Landsat untuk pemantauan sistematis tutupan hutan dan perubahan di Cekungan Kongo.
Penginderaan Jauh Lingkungan. 2008; 112(5):2495–2513. doi:10.1016/j.rse.2007.11.012
9.Zhang Q, Devers D, Desch A, Justice CO, Townshend J. Memetakan deforestasi hutan tropis di Afrika
Tengah. Pemantauan dan penilaian lingkungan. 2005; 101(1):69–83. PMID:15736876
10.Achard F, Eva HD, Stibig HJ, Mayaux P, Gallego J, Richards T, dkk. Penentuan laju deforestasi hutan
tropis lembab dunia. Sains. 2002; 297(5583):999. doi:10.1126/sains. 1070656 PMID:12169731
11.FAO. Keadaan hutan di Cekungan Amazon, Cekungan Kongo, dan Asia Tenggara. Sebuah preport disiapkan
untuk puncak dari tiga cekungan hutan hujan. Brazzaville, Republik Kongo, 31 Mei-3 Juni 2011.
FAO; 2011.http://www.fao.org/docrep/014/i2247e/i2247e00.pdf .
12.Laurance WF. Refleksi tentang krisis deforestasi tropis. Konservasi Hayati. 1999; 91
(2):109–117. doi:10.1016/S0006-3207(99)00088-9
13.Lambin EF, Turner BL, Geist HJ, Agbola SB, Angelsen A, Bruce JW, dkk. Penyebab perubahan tata guna lahan
dan tutupan lahan: melampaui mitos. Perubahan lingkungan global. 2001; 11(4):261–269.
doi:10.1016/S0959-3780(01)00007-3
14.Geist HJ, Lambin EF. Penyebab terdekat dan kekuatan pendorong yang mendasari deforestasi hutan tropis.
Biosains. 2002; 52(2):143–150. doi:10,1641/0006-3568(2002)052%5B0143:PCAUDF%5D2.0.CO;2
15.DeFries RS, Rudel T, Uriarte M, Hansen M. Deforestasi didorong oleh pertumbuhan penduduk perkotaan dan
perdagangan pertanian di abad kedua puluh satu. Geosains Alam. 2010; 3(3):178–181. doi:10.1038/ ngeo756
16.Laurance WF, Albernaz AK, Schroth G, Fearnside PM, Bergen S, Venticinque EM, dkk. Prediktor
deforestasi di Amazon Brasil. Jurnal biogeografi. 2002; 29(5-6):737–748. doi:10,1046/j.
1365-2699.2002.00721.x

17.Ferraz SFdB, Vettorazzi CA, Theobald DM. Menggunakan indikator deforestasi dan dinamika penggunaan lahan
untuk mendukung strategi konservasi: Studi kasus Rondônia tengah, Brasil. Ekologi dan Pengelolaan Hutan.
2009; 257(7):1586–1595. doi:10.1016/j.foreco.2009.01.013
18.Laurance WF, Goosem M, Laurance SG. Dampak jalan dan pembukaan lahan pada hutan tropis.
Tren Ekologi & Evolusi. 2009; 24(12):659–669. doi:10.1016/j.tree.2009.06.009
19.Asner GP, Knapp DE, Broadbent EN, Oliveira PJ, Keller M, Silva JN. Penebangan selektif di Amazon
Brasil. Sains. 2005; 310(5747):480–482. doi:10.1126/science.1118051 PMID:16239474
20.Broadbent EN, Asner GP, Keller M, Knapp DE, Oliveira PJ, Silva JN. Fragmentasi hutan dan efek tepi
dari deforestasi dan penebangan selektif di Amazon Brasil. Konservasi Hayati.
2008; 141(7):1745–1757. doi:10.1016/j.biocon.2008.04.024
21.Bruner AG, Gullison RE, Beras RE, Da Fonseca GAB. Efektivitas taman dalam melindungi keanekaragaman
hayati tropis. Sains. 2001; 291(5501):125. doi:10.1126/science.291.5501.125 PMID:11141563
22.Naughton-Treves L, Holland MB, Brandon K. Peran kawasan lindung dalam melestarikan keanekaragaman hayati dan
mempertahankan mata pencaharian lokal. Sumber Daya Lingkungan Annu Rev. 2005; 30:219–252. doi:10.1146/annurev.
energi.30.050504.164507
23.Gaveau DL, Wandono H, Setiabudi F. Tiga dekade penggundulan hutan di barat daya Sumatera: Apakah kawasan lindung
menghentikan hilangnya hutan dan penebangan, dan mendorong pertumbuhan kembali? Konservasi Hayati. 2007;
134(4):495–504.
24.Gaveau DL, Epting J, Lyne O, Linkie M, Kumara I, Kanninen M, dkk. Mengevaluasi apakah kawasan lindung
mengurangi deforestasi hutan tropis di Sumatera. Jurnal Biogeografi. 2009; 36(11):2165–2175.
doi:10.1111/j.1365-2699.2009.02147.x
25.Laporte NT, Stabach JA, Grosch R, Lin TS, Goetz SJ. Perluasan penebangan industri di Afrika Tengah.
Sains. 2007; 316(5830):1451–1451. doi:10.1126/science.1141057 PMID:17556578
26.Nagendra H. Apakah taman berfungsi? Dampak kawasan lindung terhadap pembukaan tutupan lahan. AMBIO:
Jurnal Lingkungan Manusia. 2008; 37(5):330–337. doi:10.1579/06-R-184.1
27.Soares-Filho B, Moutinho P, Nepstad D, Anderson A, Rodrigues H, Garcia R, dkk. Peran kawasan

lindung Amazon Brasil dalam mitigasi perubahan iklim. Prosiding National Academy of Sciences.
2010; 107(24):10821–10826. doi:10.1073/pnas.0913048107
28.Hecht SB. Logika peternakan dan penggundulan hutan di Amazonia. Biosains. 1993; 43(10):687–695. doi:
10.2307/1312340
29.Soares-Filho BS, Nepstad DC, Curran LM, Cerqueira GC, Garcia RA, Ramos CA, dkk. Pemodelan
konservasi di lembah Amazon. Alam. 2006; 440(7083):520–523. doi:10.1038/nature04389 PMID:
16554817
30.Nepstad DC, Stickler CM, Almeida OT. Globalisasi industri kedelai dan daging sapi Amazon: peluang
untuk konservasi. Biologi Konservasi. 2006; 20(6):1595–1603. doi:10.1111/j.1523-1739.2006. 00510.x
PMID:17181794
31.Fargione J, Hill J, Tilman D, Polasky S, Hawthorne P. Pembukaan lahan dan utang karbon biofuel.
Sains. 2008; 319(5867):1235–1238. doi:10.1126/science.1152747 PMID:18258862
32.Koh LP, Wilcove DS. Apakah pertanian kelapa sawit benar-benar menghancurkan keanekaragaman hayati tropis? Surat Konservasi.
2008; 1(2):60–64. doi:10.1111/j.1755-263X.2008.00011.x
33.Ernst C, Mayaux P, Verhegghen A, Bodart C, Christophe M, Defourny P. Perubahan tutupan hutan nasional di
Congo Basin: deforestasi, reboisasi, degradasi dan regenerasi untuk tahun 1990, 2000 dan 2005. Biologi
Perubahan Global. 2013; 19(4):1173–1187. doi:10.1111/gcb.12092
34.Ludeke AK, Maggio RC, Reid LM. Analisis deforestasi antropogenik menggunakan regresi logistik dan
GIS. Jurnal Pengelolaan Lingkungan. 1990; 31(3):247–259. doi:10.1016/S0301-4797(05) 80038-6
35.Angelsen A, Kaimowitz D. Model ekonomi penggundulan hutan tropis: tinjauan. vol. 14. Pengamat
Riset Bank Dunia; 1999.http://www.fao.org/ag/againfo/programmes/en/lead/toolbox/grazing/
defcause.pdf .
36.Laurance WF, Cochrane MA, Bergen S, Fearnside PM, Delamônica P, Barber C, dkk. Lingkungan: masa
depan Amazon Brasil. Sains. 2001; 291(5503):438–439. doi:10.1126/sains.291. 5503.438 PMID:
11228139
37.Chomitz KM, Wertz-Kanounnikoff S. Mengukur dampak awal deforestasi program Mato Grosso
untuk pengendalian lingkungan. vol. 3762. Publikasi Bank Dunia; 2005.
38.Shukla J, Nobre C, Sellers P. Deforestasi Amazon dan perubahan iklim. Sains. 1990; 247
(4948):1322. doi:10.1126/science.247.4948.1322 PMID:17843795

39.Bala G, Caldeira K, Wickett M, Phillips TJ, Lobell D, Delire C, dkk. Gabungan efek iklim dan siklus karbon
dari deforestasi skala besar. Proc Nat Acad Sci. 2007; 104(16):6550. doi:10.1073/pna. 0608998104
PMID:17420463
40.Lenton TM, Held H, Kriegler E, Hall JW, Lucht W, Rahmstorf S, dkk. Tipping elemen dalam sistem iklim
Bumi. Prosiding National Academy of Sciences. 2008; 105(6):1786. doi:10.1073/pnas.0705414105
41.Nepstad DC, Stickler CM, Soares-Filho B, Merry F, dkk. Interaksi antara tata guna lahan, hutan, dan
iklim Amazon: prospek untuk titik kritis hutan jangka pendek. Transaksi Filosofis Kerajaan
Masyarakat B: Ilmu Biologi. 2008; 363(1498):1737–1746. doi:10.1098/rstb.2007.0036
42.Charney JG. Dinamika gurun dan kekeringan di Sahel. Quart J Roy Meteor Soc. 1975;101:193–
202. doi:10.1002/qj.49710142802
43.Justice C, Wilkie D, Zhang Q, Brunner J, Donoghue C. Hutan Afrika Tengah, karbon dan perubahan
iklim. Penelitian Iklim. 2001; 17(2):229–246. doi:10.3354/cr017229
44.Strengers B, Leemans R, Eickhout B, de Vries B, Bouwman L. Proyeksi penggunaan lahan dan emisi yang
dihasilkan dalam skenario skenario SRES IPCC sebagaimana disimulasikan oleh model IMAGE 2.2.
GeoJournal. 2004; 61(4):381–393. doi:10.1007/s10708-004-5054-8
45.Akkermans T, Van Rompaey A, Van Lipzig N, Moonen P, Verbist B. Mengukur tutupan lahan suksesi setelah
pembukaan hutan hujan tropis di sepanjang perbatasan hutan di Congo Basin. Geografi Fisik. 2013;
34(6):417–440.
46.Van Vuuren DP, Edmonds J, Kainuma M, Riahi K, Thomson A, Hibbard K, dkk. Jalur konsentrasi yang
representatif: gambaran umum. Perubahan Iklim. 2011; 109(1-2):5–31. doi:10.1007/s10584-
011-0148-z
47.Thomson AM, Calvin KV, Smith SJ, Kyle GP, Volke A, Patel P, dkk. RCP4. 5: jalur untuk stabilisasi
pemaksaan radiasi pada tahun 2100. Perubahan Iklim. 2011; 109(1-2):77–94. doi:10.1007/
s10584-011-0151-4
48.Masui T, Matsumoto K, Hijioka Y, Kinoshita T, Nozawa T, Ishiwatari S, dkk. Jalur emisi untuk stabilisasi
pada pemaksaan radiasi 6 Wm-2. Perubahan Iklim. 2011; 109(1-2):59–76. doi:10.1007/
s10584-011-0150-5
49.Riahi K, Rao S, Krey V, Cho C, Chirkov V, Fischer G, dkk. RCP 8.5—Skenario emisi gas rumah kaca yang
relatif tinggi. Perubahan Iklim. 2011; 109(1-2):33–57. doi:10.1007/s10584-011-0149-y
50.Pitman A, de Noblet-Ducoudré N, Cruz F, Davin E, Bonan G, Brovkin V, dkk. Ketidakpastian tanggapan iklim
terhadap perubahan tutupan lahan di masa lalu: Hasil pertama dari studi perbandingan LUCID. Surat
Penelitian Geofisika. 2009; 36(14). doi:10.1029/2009GL039076
51.Brovkin V, Boysen L, Arora VK, Boisier JP, Cadule P, Chini L, dkk. Pengaruh penggunaan lahan antropogenik dan
perubahan tutupan lahan pada iklim dan penyimpanan karbon lahan dalam proyeksi CMIP5 untuk abad kedua
puluh satu. J Iklim. 2013; 26(18):6859–6881. doi:10.1175/JCLI-D-12-00623.1
52.Hurtt G, Chini LP, Frolking S, Betts R, Feddema J, Fischer G, dkk. Harmonisasi skenario penggunaan lahan untuk
periode 1500–2100: 600 tahun transisi penggunaan lahan global gridded tahunan, pemanenan kayu, dan lahan
sekunder yang dihasilkan. Perubahan Iklim. 2011; 109(1-2):117–161. doi:10.1007/s10584-011-0153-2
53.Grainger A. Kesulitan melacak tren global jangka panjang di kawasan hutan tropis. Prosiding National
Academy of Sciences. 2008; 105(2):818–823. doi:10.1073/pnas.0703015105
54.Moss RH, Edmonds JA, Hibbard KA, Manning MR, Rose SK, van Vuuren DP, dkk. Skenario generasi
berikutnya untuk penelitian dan penilaian perubahan iklim. Alam. 2010; 463(7282):747–756. doi:10.
1038/nature08823 PMID:20148028
55.Teixeira AMG, Soares-Filho BS, Freitas SR, Metzger JP. Memodelkan dinamika lanskap di wilayah Hutan
Hujan Atlantik: implikasi untuk konservasi. Ekologi dan Pengelolaan Hutan. 2009; 257(4):1219– 1230.
doi:10.1016/j.foreco.2008.10.011
56.Freitas SR, Hawbaker TJ, Metzger JP. Pengaruh jalan, topografi, dan penggunaan lahan pada dinamika tutupan
hutan di Hutan Atlantik Brasil. Ekologi dan Pengelolaan Hutan. 2010; 259(3):410–417. doi:
10.1016/j.foreco.2009.10.036
57.Cumming GS, Southworth J, Rondon XJ, Marsik M. Kompleksitas spasial dalam fragmentasi hutan hujan
Amazon: Apakah umpan balik dari efek tepi mendorong hutan menuju ambang batas ekologis?
Kompleksitas Ekologis. 2012; 11:67–74.
58.Menakutkan PM. Deforestasi di Amazonia Brasil: sejarah, tingkat, dan konsekuensi. Biologi
konservasi. 2005; 19(3):680–688. doi:10.1111/j.1523-1739.2005.00697.x
59.Southworth J, Marsik M, Qiu Y, Perz S, Cumming G, Stevens F, dkk. Jalan sebagai pendorong perubahan:
Lintasan melintasi perbatasan tiga negara di MAP, Amazon Barat Daya. Penginderaan jauh. 2011; 3
(5):1047–1066. doi:10.3390/rs3051047

60.Pfaff A, Robalino J, Walker R, Aldrich S, Caldas M, Reis E, dkk. Investasi jalan, limpahan spasial, dan
deforestasi di Amazon Brasil. Jurnal Ilmu Daerah. 2007; 47(1):109–123. doi:10. 1111/
j.1467-9787.2007.00502.x
61.Ramirez-Gomez JADI. Pendorong Spasial Deforestasi di Suriname; 2011.http://holzwirtschaft.com/sites/
default/files/userfiles/1file/sara_suriname.pdf .
62.Rogers, J. Efektivitas kawasan lindung di Afrika tengah: Pengukuran penggundulan hutan dan akses
dari jarak jauh. Universitas Columbia, Tesis PhD. 2011; hal. 139.
63.Mertens B, Lambin EF. Lintasan perubahan tutupan lahan di Kamerun Selatan. Annals dari asosiasi ahli
geografi Amerika. 2000; 90(3):467–494. doi:10.1111/0004-5608.00205
64.Chazdon RL. Pemulihan hutan tropis: warisan dampak manusia dan gangguan alam. Perspektif
dalam Ekologi Tumbuhan, Evolusi dan Sistematika. 2003; 6(1):51–71. doi:10.1078/1433-8319-00042
65.DeFries R, Achard F, Brown S, Herold M, Murdiyarso D, Schlamadinger B, dkk. Pengamatan bumi untuk
memperkirakan emisi gas rumah kaca dari deforestasi di negara berkembang. Ilmu & Kebijakan
Lingkungan. 2007; 10(4):385–394. doi:10.1016/j.envsci.2007.01.010
66.Marsaglia G, Zaman A. Monyet menguji generator angka acak. Komputer & matematika dengan
aplikasi. 1993; 26(9):1–10. doi:10.1016/0898-1221(93)90001-C
67.Mayaux P, De Grandi G, Malingreau JP. Tutupan hutan Afrika Tengah ditinjau kembali: Analisis multisatelit.
Penginderaan Jauh Lingkungan. 2000; 71(2):183–196. doi:10.1016/S0034-4257(99)00073-5
68.FAO. Kondisi Hutan Dunia 2011. FAO; 2011.http://www.fao.org/docrep/013/i2000e/i2000e.pdf .
69.FAO. Penilaian sumber daya hutan global 2005: kemajuan menuju pengelolaan hutan lestari. vol. 147.
Makalah Kehutanan FAO; 2006. ftp://ftp.fao.org/docrep/fao/008/A0400E/A0400E00.pdf.
70.CARPE. Hutan di Lembah Kongo: Penilaian awal. Program Regional Afrika Tengah untuk Lingkungan;
2005.http://carpe.umd.edu/Documents/2005/focb_aprelimassess_en.pdf .
71.Hijmans R, Guarino L, Bussink C, Mathur P, Cruz M, Barrentes I, dkk. DIVA-GIS. Vsn. 5.0. Sebuah
sistem informasi geografis untuk analisis data distribusi spesies. Manual tersedia dihttp://
wwwdiva-gisorg . 2004;.
72.Tatem AJ, Noor AM, von Hagen C, Di Gregorio A, Hay SI. Peta populasi beresolusi tinggi untuk negara berpenghasilan
rendah: menggabungkan tutupan lahan dan sensus di Afrika Timur. PLoS Satu. 2007; 2(12):e1298. doi:
10.1371/journal.pone.0001298 PMID:18074022
73.Carroll M, Townshend J, Hansen M, Di Miceli C, Sohlberg R, Wurster K. MODIS konversi tutupan vegetatif dan
bidang vegetasi berkelanjutan. Dalam: Penginderaan Jauh Darat dan Perubahan Lingkungan Global.
Peloncat; 2011. hal. 725–745.
74.Townshend JRG, Carroll M, Dimiceli C, Sohlberg R, Hansen M, DeFries R. Lahan kontinyu vegetasi
MOD44B, 2001 persen tutupan pohon, koleksi 5; 2011.
75.Hansen MC, Townshend JR, DeFries RS, Carroll M. Estimasi tutupan pohon menggunakan data MODIS
pada skala global, benua dan regional/lokal. Jurnal Internasional Penginderaan Jauh. 2005; 26
(19):4359–4380. doi:10.1080/01431160500113435
76.Hansen JW. Menyadari manfaat potensial dari prediksi iklim untuk pertanian: masalah, pendekatan,
tantangan. Sistem Pertanian. 2002; 74(3):309–330. doi:10.1016/S0308-521X(02)00043-4
77.Hansen M, DeFries R, Townshend J, Sohlberg R, Dimiceli C, Carroll M. Menuju bidang berkelanjutan MODIS
dari algoritme tutupan pohon persen: contoh menggunakan data AVHRR dan MODIS. Penginderaan
Jauh Lingkungan. 2002; 83(1):303–319. doi:10.1016/S0034-4257(02)00079-2
78.Roy D, Lewis P, Schaaf C, Devadiga S, Boschetti L. Dampak global awan pada produksi komposit
berbasis model reflektansi dua arah MODIS untuk pemantauan terestrial. Geosains dan Surat
Penginderaan Jauh, IEEE. 2006; 3(4):452–456. doi:10.1109/LGRS.2006.875433
79.Goldewijk KK, Verburg PH. Ketidakpastian dalam rekonstruksi penggunaan lahan historis berskala global: ilustrasi
menggunakan kumpulan data HYDE. Ekologi Lansekap. 2013; 28(5):861–877. doi:10.1007/s10980-013-9877-x
80.Hurtt G, Frolking S, Fearon M, Moore B, Shevliakova E, Malyshev S, dkk. Landasan sejarah penggunaan lahan:
Tiga abad transisi penggunaan lahan grid global, aktivitas pemanenan kayu, dan menghasilkan lahan
sekunder. Biologi Perubahan Global. 2006; 12(7):1208–1229. doi:10.1111/j.1365-2486.2006. 01150.x
81.Aide TM, Zimmerman JK, Pascarella JB, Rivera L, Marcano-Vega H. Regenerasi hutan dalam kronosekuensi
padang rumput tropis yang ditinggalkan: implikasi untuk ekologi restorasi. Ekologi Restorasi.
2000; 8(4):328–338. doi:10.1046/j.1526-100x.2000.80048.x
82.Andam KS, Ferraro PJ, Pfaff A, Sanchez-Azofeifa GA, Robalino JA. Mengukur efektivitas jaringan
kawasan lindung dalam mengurangi deforestasi. Prosiding National Academy of Sciences. 2008;
105(42):16089–16094. doi:10.1073/pnas.0800437105

83.Brown S, Lugo AE, dkk. Hutan sekunder tropis. Jurnal ekologi tropis. 1990; 6(1):1–32. doi:
10.1017/S0266467400003989
84.Akkermans T, Thiery W, Van Lipzig NP. Dampak iklim regional dari skenario penggundulan hutan masa
depan yang realistis di Cekungan Kongo. Jurnal Iklim. 2014; 27(7):2714–2734. doi:10.1175/JCLI-D-13-
00361.1

KEL 1-A Generalized Deforestation and Land-Use (1) .En - Id

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

KEL 1-A Generalized Deforestation and Land-Use (1) .En - Id

Diunggah oleh

Hak Cipta:

Format Tersedia

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

Generator Skenario Deforestasi Umum dan

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 1/24

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 2/24

Kurangnya generalisasi model deforestasi telah menghambat pengembangan generator skenario

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 3 / 24

2. Bahan-bahan dan metode-metode

2.1 deskripsi model HUTAN-SAGE

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 4 / 24

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 5/24

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 6/24

@f XNHAI XNHAI XNHAI

saya¼1 saya¼1 saya¼1

sebuahHAIdtÞ ¼ PNHAI saya¼1 SEBUAHsaya;

di manaSEBUAHsayaadalah tingkat reboisasi, indekssayamerupakan fungsi dari wilayah makroHAIuntuk

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 7/24

saya adalah jarak lokasisayake jalan terdekat, danljalanadalah peluruhan eksponensial

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 8/24

saya adalah jarak lokasisayake sungai terdekat, danlsungaiadalah peluruhan eksponensial

dari dampak sungai.

di manadpadalah peningkatan e-folding dengan kepadatan penduduk.

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 9/24

tingkat pertumbuhan kembali sebagai:

fe-pi =tRp - fsaya

2.2 Penyiapan percobaan

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 10/24

Tabel 1. Detail data input yang digunakan untuk menginisialisasi model.

Memasukkan Referensi Sumber Deskripsi singkat

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 11/24

Jalan [17,37,59,60] HAI10-45-100 km HAI100 km HAI10 km HAI100 km

2.3 Kekuatan dan skala penggerak LUC

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 12/24

Variabel Keterangan Nilai

lsungai e melipat sungai skala spasial 1 Km

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 13/24

2.4 Data satelit

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 14/24

2.5 Model tolok ukur HYDE

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 15/24

3.2 Simulasi deforestasi

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 16/24

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 17/24

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 18/24

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 19/24

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 20/24

27.Soares-Filho B, Moutinho P, Nepstad D, Anderson A, Rodrigues H, Garcia R, dkk. Peran kawasan

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 21/24

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 22/24

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 23/24

PLOS SATU | DOI:10.1371/journal.pone.0136154 22 September 2015 24/24

Anda mungkin juga menyukai