- Data & Tools
Menilai tren hilangnya tutupan pohon dalam kurun waktu data 20 tahun
![satellite data image of amazon rainforest](https://content.globalforestwatch.org/wp-content/uploads/2021/04/51051705677_98ec6a2e9d_k.jpg)
Amazon Rainforest as seen from satellite imagery. ESA/Flickr
Data hilangnya tutupan pohon yang dikembangkan oleh Hansen et al. (2013), yang ditampilkan di Global Forest Watch, merupakan data spasial terbaik mengenai perubahan hutan di seluruh dunia. Data ini unggul dalam cakupan global, rentang waktu puluhan tahun, frekuensi pembaruan tahunan, dan resolusi piksel 30 meternya. Dengan demikian, data ini menjadi alat yang ampuh untuk memetakan hilangnya tutupan pohon baru-baru ini di seluruh dunia dan telah digunakan secara luas oleh pemerintah, akademisi, sektor swasta, dan masyarakat sipil untuk mengidentifikasi dan mengatasi deforestasi.
Data ini masih digunakan secara luas karena terus ditingkatkan kualitasnya, seiring dengan berkembangnya metode dan teknologi terkait. Di sini kami menjelaskan perubahan melalui data dari waktu ke waktu, memaparkan bagaimana data ini ditafsirkan dan digunakan, serta menjelaskan secara singkat rencana kami untuk meningkatkan konsistensi data ini di masa mendatang.
Bagaimana dan mengapa data hilangnya tutupan pohon berubah dari waktu ke waktu?
Ada beberapa faktor yang menyebabkan inkonsistensiinkonsistensi data selama kurun waktu 20 tahun (baca selengkapnya di halaman unduh UMD):
- Penyesuaian algoritma: Algoritma pertama yang digunakan untuk memetakan hilangnya tutupan pohon dari citra satelit untuk 2001-2012 telah diperbaiki dalam pembaruan berikutnya. Peningkatan ini memungkinkan pembaruan tahunan mulai tahun 2013 (dilengkapi dengan sedikit tambahan pada data tahun 2011 dan 2012) dan telah menghasilkan pendeteksian lebih baik akan hilangnya tutupan pohon—terutama dari tahun 2015 dan seterusnya.
- Data satelit yang dimutakhirkan: Algoritma yang dikembangkan menggunakan semua citra Landsat yang tersedia (dari satelit Landsat 5, 7 dan sejak 2013, satelit Landsat 8) untuk mendeteksi hilangnya tutupan pohon. Satelit Landsat 8 memiliki resolusi yang sama dengan misi-misi Landsat sebelumnya, tetapi memiliki sensor yang lebih baik dan dapat melakukan fitur di darat dengan lebih baik. Penggabungan data Landsat 8 ke dalam algoritma menghasilkan deteksi hilangnya tutupan pohon yang lebih baik daripada piksel individual (misalnya, tebang pilih) sejak tahun 2013.
- Variasi dalam ketersediaan citra satelit: Jumlah citra Landsat yang tersedia per tahun umumnya makin meningkat seiring waktu dan memberikan lebih banyak peluang untuk “melihat” perubahan di lapangan. Jumlah citra pada tahun 2012 sangat sedikit akibat jeda waktu antara penonaktifan Landsat 5 pada tahun 2011 dan peluncuran Landsat 8 pada tahun 2013. Awan dan asap juga dapat menghambat deteksi hilangnya tutupan pohon jika tidak tersedia citra yang jelas antara saat kejadian hilangnya tutupan pohon hingga akhir tahun. Hal ini sangat relevan khususnya dengan kejadian kebakaran akhir tahun, yang seringkali tidak terdeteksi hingga tahun berikutnya.
Secara umum, dua faktor pertama telah menyebabkan peningkatan sensitivitas dalam mendeteksi hilangnya tutupan pohon, dan memberikan pemahaman lebih baik tentang perubahan yang biasanya sulit dipetakan, termasuk kebakaran, tebang pilih, dan pertanian berpindah. Daerah-daerah tertentu lebih terbantu daripada daerah lainnya akibat perbaikan ini— daerah Amazon di Brasil dan Indonesia didominasi oleh pembukaan lahan berskala besar sehingga hilangnya tutupan pohon sudah dapat dideteksi dengan baik oleh algoritma awal, sementara Afrika Barat dan Tengah, Asia Tenggara, dan daerah lain dengan skala pembukaan hutan yang lebih kecil, terbantu lebih baik oleh perbaikan ini. Di hutan beriklim Eropa dan Amerika Utara, peningkatan data kehilangan tutupan hutan sejak 2015 memberikan hasil yang lebih sensitif terhadap pendeteksian tebang pilih pohon. Kebakaran permukaan hutan yang dapat merusak sebagian kanopi pohon juga terdeteksi lebih baik dalam data terbaru tersebut dibandingkan dengan produk keluaran 2000-2012.
Sisi buruk dari peningkatan hasil deteksi kehilangan tutupan pohon ini adalah terjadinya inkonsistensi dalam serial waktu. Sampai batas tertentu, hal ini tidak dapat dihindari – sains dan data berkembang dari waktu ke waktu, dan tidak memungkinkan untuk berharap atau mempertahankan konsistensi 100%. Sebagai contoh, mari kita lihat jumlah kasus COVID-19: pengujian covid saat ini jauh lebih tersedia dan lebih mudah dipahami dibandingkan awal 2020, tetapi tidak berarti bahwa jumlah kasus di awal pandemi tidak ada gunanya.
Bagaimana data dapat digunakan untuk menganalisis tren?
Cara terbaik untuk menganalisis tren hilangnya tutupan pohon untuk area dan periode waktu tertentu yang dipilih adalah mengambil sampel dengan model statistik yang sesuai. Peta hilangnya tutupan pohon dapat digunakan untuk mengidentifikasi lokasi kemungkinan terjadinya perubahan lahan setiap tahun, dan sampel titik di dalam dan di luar area tersebut dapat diteliti menggunakan data serial waktu Landsat (misalnya, data siap analisis yang disediakan oleh lab UMD GLAD) dan citra satelit beresolusi tinggi. Data referensi yang dikumpulkan melalui kegiatan tersebut dapat digunakan untuk mengembangkan estimasi yang tidak bias dari area hilangnya tutupan pohon yang terjadi, serta menjadi ukuran ketidakpastian pada estimasinya. Estimasi berbasis sampel ini tidak bergantung pada perubahan metode dalam data yang dipetakan.
Namun, cara ini tidak dapat diterapkan pada setiap proyek atau analisis ketika mempertimbangkan ketepatan waktu, jumlah area yang akan dinilai, atau anggaran. Berikut adalah beberapa petunjuk yang perlu diingat saat menggunakan data hilangnya tutupan pohon secara langsung untuk menilai tren:
- Hanya ada sedikit perubahan pada metode dan data satelit setelah tahun 2015, sehingga analisis masa lalu cenderung tidak mencakup inkonsistensi temporal.
- Gunakan pergerakan rata-rata 3 tahun untuk meminimalisir data yang tidak konsisten antar tahun yang diakibatkan ketersediaan citra satelit Landsat dan lebih baik memperhitungkan keterlambatan deteksi kebakaran akhir tahun dan kehilangan tutupan lahan lainnya.
- Saat membandingkan periode waktu seperti sebelum atau setelah 2011, atau sebelum dan setelah 2015, ketahuilah bahwa Anda membandingkan seluruh perubahan model.
- Berhati-hatilah saat menilai tren dari waktu ke waktu di area yang lebih mungkin terkena dampak perubahan (seperti Afrika Tengah), dan catat setiap perubahan tren yang terjadi seiring waktu perubahan metode (misalnya kenaikan besar mulai tahun 2013 yang mungkin terjadi di waktu yang sama dengan penggunaan Landsat 8).
- Hubungi tim GFW atau UMD jika Anda ingin bertanya tentang perubahan kinerja model untuk wilayah tertentu.
Apakah perubahan tersebut mempengaruhi penggunaan data lainnya?
Tidak ada dampak tertentu bagi pihak yang menggunakan peta kehilangan tutupan pohon untuk menganalisis terjadinya perubahan tutupan hutan. Perubahan model telah mempengaruhi sensitivitas data untuk mendeteksi hilangnya tutupan pohon, sehingga kita dapat mendeteksi perubahan secara lebih menyeluruh dari sebelumnya.
Demikian juga tidak ada pengaruh yang besar saat menghitung statistik secara meluas untuk tahun tertentu tetapi tidak membandingkan dari waktu ke waktu. Data tersebut dapat digunakan untuk memberikan indikasi relatif tentang tingkat kehilangan tutupan pohon di berbagai bentang lahan.
Perubahan apa yang mempengaruhi data kehilangan tutupan pohon di masa mendatang?
University of Maryland dan GFW sedang mengerjakan versi terbaru dari algoritma kehilangan tutupan pohon untuk diterapkan mulai tahun 2001, agar menghasilkan catatan kehilangan yang lebih konsisten di seluruh rangkaian waktu. Data “versi 2.0” ini tidak hanya mampu meningkatkan deteksi kehilangan di tahun-tahun sebelumnya, tetapi juga dapat mendeteksi sejumlah kehilangan di piksel yang sama seiring waktu (misalnya, di tempat-tempat di mana siklus pertanian atau kehutanan sedang berlangsung) dan membedakan daerah-daerah yang lahannya ditebangi seluruhnya dari daerah yang mengalami gangguan parsial (misalnya, dari tebang pilih atau kebakaran di bawah permukaan tanah).
“Versi 2.0” ini akan menuntaskan inkonsistensi dalam data yang terkait dengan algoritma, tetapi peningkatan ketersediaan data dan citra satelit akan selalu menjadi faktor penyebab variasi dalam detail pendeteksian. Landsat 8 telah memberikan kualitas dan kuantitas yang konstan sejak diluncurkan pada tahun 2013 dandiharapkan akan berlanjut dengan peluncuran Landsat 9, yang dijadwalkan pada akhir tahun 2021.
Namun, seiring dengan data citra satelit dan metode yang terus diperbarui, kemungkinan akan selalu ada kompromi antara mendeteksi sebaik mungkin perubahan saat ini dan memastikan konsistensi dari waktu ke waktu. Data kehilangan tutupan pohon masih menjadi salah satu sumber informasi terbaik tentang hutan karena cakupan, resolusi spasial, dan pembaruan rutinnya. Dengan menyadari kekurangan dan perubahan pada data dari waktu ke waktu, kita bisa memanfaatkan sumber daya yang berharga ini dengan sebaik-baiknya.
Explore More Articles
![Planet satellite imagery of primary forest removal in Kalimantan Barat, Indonesia on GFW map](https://content.globalforestwatch.org/wp-content/uploads/2022/03/image-1.png)
Looking for the Quickest Signal of Deforestation? Turn to GFW’s Integrated Alerts
GFW’s integrated deforestation alerts layer combines the analytical power of GLAD, GLAD-S2 and RADD deforestation alerts to provide a faster, more confident view of forest disturbances than any one individual system.