Eksplorasi Ekosistem Mangrove dengan Metode Penginderaan Jauh satelit Abstrak Dalam rangka mengembangkan strategi pengelolaan hutan tropis di Malaysia, survey sumberdaya hutan dan pemantauan area hutan dari efek aktifitas penebangan merupakan hal yang penting. Ada upaya besar yang telah dilakukan dalam klasifikasi tutupan lahan berkaitan dengan pengelolaan sumber daya hutan di negara ini sebagai suatu prioritas dalam keseluruhan aspek pemetaan hutan menggunakan penginderaan jauh dan teknologi yang berkaitan seperti GIS. Pada kenyataannya proses klasifikasi merupakan langkah wajib dalam penelitian mengenai penginderaan jauh. Oleh karena itu, tujuan utama dari tulisan ini adalah untuk menilai akurasi klasifikasi dari pemetaan hutan yang diklasifikasi dengan data Landsat TM dari jumlah perbedaan dari data referensi (200 and 388 data referensi). Pebandingan dibuat dengan observasi (200 data referensi), dan pendekatan interpretasi dan observasi (388 data referensi). Lima kelas tutupan lahan yang disebut dengan hutan primer, hutan berbatang tinggi, badan air, Lahan gundul dan daerah pertanian/campuran hortikultur dapat diidentifikasi dalam perbedaan panjang gelombang spektral. Hasil menunjukkan bahwa overall akurasi dari 200 data referensi sebesar 83.5 %, nilai Kappa 0.7502459; varians kappa 0.002871), dimana dipertimbangkan dapat diterima atau baik untuk data optik. Akan tetapi, ketika 200 data referensi ditingkatkan menjadi 388 dalam confusion matrix, akurasi meningkat dari 83.5% menjadi 89.17%, dengan nilai statistik Kappa meningkat dari 0.7502459 menjadi 0.8026135, secara berturut-turut. Akurasi dalam klasifikasi ini disarankan bahwa strategi ini untuk pemilihan daerah kajian, pendekatan interpretasi dan jumlah data referensi sangat penting untuk memperbaiki hasil klasifikasi. Pendahuluan • Pengkelasan vegetasi hutan secara umum telah dapat diidentifikasi dalam kebanyakan citra satelit optik • Klasifkasi ini menjadi acuan dalam perencanaan dan manajemen hutan • Penilaian akurasi klasifikasi harus mempertimbangkan pengaruh variabilitas seperti komposisi spesies, ukuran batang, area dasar, tutupan kanopi, jumlah lapisan antar area dan tipe hutan dalam sifat yang sama Pendahuluan • Tipe klas hutan tropis dapat dengan mudah diklasifikasi dari data satelit Landsat TM dan secara luas untuk perencanaan tutupan lahan, cakupan lahan dan klasifikasi hutan (Foody and Hill, 1996) • Tujuan utama penelitian ini adalah untuk menilai akurasi klasifikasi peta hutan dari jumlah perbedaan dan data referensi. Perbandingan ini dilakukan dengan observasi dan interpretasi data citra satelit Metodologi Akuisisi data, koreksi geometrik and radiometrik • Citra Landsat TM untuk path 126 row 57 tanggal 8 Mei 2001 • Teknik pengolahan citra menggunakan PCI ImageWorks version 7.0 dan dihasilkan dalam software ArcView version 3.4. • Data tambahan digunakan untuk mendukung data satelit dari Jerantut Forestry Department and Department of Survey and Mapping Malaysia Metodologi • Peta topografi dan peta operasi hutan digunakan untuk pengolahan citra dan klasifikasi • Peta juga digunakan dalam observasi lapangan untuk verifikasi hasil klasifikasi dari citra satelit • Koreksi geometrik terhadap daerah lokal Malaysia dengan 30 m pixel menggunakan metode cubic convolution resampling • Ground control points (GCP’s) pada citra dan peta topografik dengan menggunakan fungsi koreksi geometrik linear. RMS 0.645 pixel atau 16 m. Metodologi Pengembangan skema klasifikasi Dikembangkan berdasarkan sistem klasifikasi tutupan lahan Gbr. 1 Lokasi studi di Sungai Tekai Forest Reserve di Semenanjung Malaysia Metodologi Skema klasifikasi dan deskripsinya : a. Hutan primer-menengah sampai mahkota besar. Tutupan kanopi-kerapatan tinggi >50% b. Hutan berbatang tinggi- jarang/mahkota sedang. Kerapatan kanopi rendah (<10-50%) c. Daerah pertanian/campuran hortikultur- bagian yang jarang (fraksi hutan 10-70%) d. Badan air- kelas ini menutupi area oleh sungai utama yang melintasi wilayah studi dan juga waduk e. Lahan gundul-lahan yang sangat kecil atau tanpa tutupan vegetasi Metodologi Pengolahan dan analisis citra satelit • Penajaman menggunakan penajaman linear dan penyesuaian kecerahan dan kontras citra • Pengolahan median filter nilai derajat keabuan ke dalam filter empat persegi di sekitar jendela pada setiap pixel Methodology Klasifikasi citra digital • Citra satelit diinterpretasi dengan metode digital dan visual • Citra komposit diuji dalam memilih kombinasi band terbaik yakni 5-4-3 • 30 titik per kelas ditandai sebagai data olahan, yang idealnya sebanyak 150 dalam kasus ini Metodologi • Untuk identifikasi sifat sampel yang baik yang berhubungan dengan tutupan hutan primer dan hutan berbatang tinggi menggunakan Parametric Maximum Likelihood Classifier (MLC) • Fungsi pembedaan ciri digunakan untuk menguji kualitas dari area kajian dan ciri kelas • Kesatuan kajian disusun secara manual untuk mengidentifikasi sifat-sifat tertentu yang termasuk dalam kelas spesifik Metodologi • Identifikasi tekstur untuk tipe tutupan lahan dinilai secara visual dan statistik • Observasi penciri digunakan untuk membedakan tampilan permukaan pada setiap pixel untuk menetapkan ukuran probabilitas dari penutup lahan yang berbeda jenis • Citra klasifikasi difilter menggunakan low pass median filter untuk mendapatkan hasil yang lebih baik Metodologi Pengkajian akurasi • Tipe tutupan lahan hutan diturunkan dari interpretasi dan analisis citra digital yang telah divalidasi dengan data yang diperoleh dari verifikasi lapangan • Confusion matrix, diturunkan dari peta citra dan data lapangan, yang dihasilkan untuk pengkajian akurasi • Akurasi peta tematik ditentukan oleh matriks yang dibangun dengan statistik Kappa untuk menguji apakah terdapat perbedaan dalam interpretasi yang dilakukan Metodologi • Nilai Kappa antara 0 and 1, dimana 0 menggambarkan kesesuaian hanya karena kebetulan. Sedangkan nilai 1 menggambarkan kesesuaian menyeluruh antara dua kesatuan data • Statistik Kappa telah menjadi ukuran yang handal dalam pembedaan interkelas yang lebih baik untuk overall akurasi Metodologi Ground verification • Titik-titik utama di lapangan direkam dalam koordinat GPS • Verifikasi lapangan dilakukan dengan menggunakan area frame sampling-unaligned systematic random sampling • Total 97 segmen sampel diadopsi dari 100, karena tiga sampel mengalami gangguan awan Metodologi • Observasi dibuat dalam area 60m x 60 m pada empat sudut segmen sampel • Cek lapangan tidak dilakukan secara keseluruhan yang disebabkan oleh kesulitan akses lapangan menuju unit sampel karena luasnya area kajian • Hanya terdapat 47 segmen sampel yang digunakan dalam interpretasi data Gbr 2. Lokasi segmen sampel dari citra satelit yang menunjukkan lokasi observasi dan lokasi interpretasi Hasil dan pembahasan • Lima kelas dapat diidentifikasi melalui perbedaan panjang gelombang spektral • Respon spektral dalam skala kecil berkontribusi dalam mis-klasifikasi objek • Batas antara hutan pimer dan hutan berbatang tinggi tidak mudah dapat diidentifikasi dari citra satelit Hasil dan pembahasan Hasil statistik dari klasifikasi tutupan lahan citra Landsat TM ditunjukkan pada Tabel 1, dimana terdiri dari jumlah pixel per kelas dan proporsi relatifnya Hasil dan pembahasan • Hasil riset ini menghitung area dan persentase dari setiap kelas lahan yang tercakup dalam suatu maximum likelihood classification • Data verifikasi lapangan yang digunakan dalam laporan maximum likelihood sebagai kesatuan data independen akurasi klasifikasi yang dibandingkan • Pengkajian akurasi dibangun dari 200 data referensi (observasi) dan 388 data referensi (termasuk data observasi dan interpretasi) Tabel 2. Matrix Error untuk klasifikasi tutupan lahan dari 200 Data Referensi
• 83.5 % overall akurasi
diperoleh dari 200 data referensi, dimana akurasi user dan producer, masing-masing hampir sama 93.75 % Tabel 3. Matrix Error untuk klasifikasi tutupan lahan dari 388 Data Referensi (observasi dan interpretasi)
• Matrix error dihasilkan
dari 388 data referensi menunjukkan peningkatan dalam overall akurasi dibanding 200 data referensi, yakni meningkat dari 83.5 % ke 89.71 % • Kalkulasi Kappa menunjukkan perbaikan nilai dengan kesesuaian pengukuran yang baik dengan nilai Kappa 0.8026135 and varians- nya 0.0026036 Hasil dan pembahasan a. User’s akurasi meningkat untuk kelas hutan primer dari 90% ke 94.19%, tapi menurun pada producer’s akurasi dari 88.88% ke 72.73% b. User’s akurasi and producer’s akurasi menuingkat dengan persentase yang sama untuk kelas hutan berbatang tinggi dari 66.66% ke 78.72% c. User’s akurasi and producer’s akurasi untuk kelas badan air dari 80% ke 72.73%, and 88.88% ke 72.73%, d. User’s akurasi and producer’s akurasi sama untuk kelas daerah pertanian dan gabungan hortikultur dengan 84.61% dan 91.66% e. User’s akurasi menurun untuk kelas badan air dari 80.00% ke 72.73%, dan juga menurun producer’s akurasi dari 88.88% ke 72.73%. Hasil dan pembahasan • Ini menunjukkan bahwa nilai Kappa 0.7502459 (dengan varians 0.002871) menggambarkan peluang akurasi 75 % lebih baik dibanding jika klasifikasi dihasilkan dari random unsupervised classification, sebagai ganti dilakukannya maximum likelihood classification • Nilai Kappa <40 % adalah buruk, 40-55 % sedang, 55-70 % baik, 70-85 % sangat baik dan >85 % unggul Hasil dan pembahasan • Overall akurasi dalam studi ini dapat diterima untuk diaplikasikan • Tipe-tipe informasi yang diperoleh dari hasil ini dapat dijadikan tipe umum pembedaan tutupan lahan dan kemampuan sumberdaya hutan • Kondisi struktur hutan menunjukkan bahwa tutupan kanopi pada hutan berbatang tinggi kurang dari 50 % dan untuk hutan primer berkisar antara 55 % - 85% Gbr. 3 Batas dari bagian hutan yang di-overlay dengan lima klas tipe tutupan lahan Kesimpulan • Overall akurasi dalam kemampuan untuk membedakan ciri untuk 200 and 388 data referensi memiliki skala kesesuaian yang sangat baik • Data referensi dalam confusion matrix yang mencakup pendekatan observasi dan interpretasi, dapat memperbaiki dari 83.5% menjadi 89.17%, dengan nilai statistik Kappa meningkat dari 0.7502459 menjadi 0.8026135 Kesimpulan • Penelitian mendatang dalam aplikasi metode ini dengan resolusi yang berbeda, kualitas data citra dengan berbagai band spektral dan teknik handal dalam pengolahan dan analisis citra dapat meningkatkan akurasi satelit berdasarkan prediksi dan estimasi sumberdaya hutan hujan tropis