Ika Hapsari Rachmaningsih
NIP. 19861108 200912 2 007
Guru SMK Kehutanan Negeri Pekanbaru

Indonesia adalah negara tropis dengan luas hutan terluas ke 9 di dunia dengan presentase tutupan hutan sebesar 49,9% dari luas daratannya (World Bank Data, 2016). Indonesia termasuk kedalam 17 negara yang memiliki biodiversitas yang tinggi (megadiverse) (Convention on Biological Diversity, tt). Hutan Indonesia harus dikelola dan dimanfaatkan dengan baik menggunakan teknologi yang tepat. Salah satu teknologi yang sedang dikembangkan untuk kajian kehutanan adalah teknologi penginderaan jauh.

Penginderaan jauh adalah proses pengumpulan dan interpretasi informasi permukaan bumi dari jarak tertentu menggunakan sensor satelit dalam merekam dengan menerjemahkan radiasi gelombang elektromagnetik yang merupakan pantulan dari suatu objek (Esri, 2014 dalam Thenkabail, 2015). Terdapat beberapa aplikasi penginderaan jauh di bidang kehutanan seperti pengelolaan hutan kayu, estimasi produksi kayu, inventarisasi dan pemantauan sumberdaya hutan, mendeteksi kebakaran hutan, membedakan tanaman sakit dan tanaman sehat, serta dapat digunakan untuk perencanaan konservasi hutan. 

Sumberdaya hutan harus dikelola dan dimanfaatkan dengan baik. Salah satu pertimbangan dalam merencanakan pemanfaatan hutan adalah mengetahui dan mengestimasi produksi kayu dalam kawasan produksi hutan. Estimasi produksi kayu melalui penginderaan jauh memiliki beberapa kelebihan seperti perhitungan estimasi produksi dapat lebih cepat dilakukan, penginderaan jauh mampu menganalisis  dengan luasan lahan yang luas, tidak memerlukan biaya serta tenaga yang besar dibanding dengan survey secara konvensional, risiko lapangan menjadi lebih sedikit dan hasil perhitungan cukup akurat. Namun, terdapat beberapa kelemahan jika menggunakan teknologi ini, ketika musim penghujan tiba dimana konsentrasi awan meningkat, proses akuisisi data penginderaan jauh dapat terganggu, karena terdapat beberapa sensor yang tidak mampu menembus gangguan atmosfer seperti awan, kabut dan asap.

Citra yang digunakan dalam mengestimasi produksi kayu dapat bermacam-macam, tergantung dari luasan yang ingin dipetakan dan tingkat kedetailan yang diharapkan. Citra yang dapat digunakan seperti SPOT, Landsat, ALOS dan Sentinel. Masing-masing citra memiliki resolusi spasial, temporal, dan spektral yang berbeda-beda.

Terdapat beberapa tahapan dalam menghitung estimasi produksi kayu. Tahapannya meliputi, koreksi citra, transformasi citra, pengambilan sampel lapangan dan uji regresi. Setiap citra pasti memiliki kesalahan baik yang disebabkan oleh gerakan satelit, rotasi bumi, gerakan cermin pada sensor atau kesalahan akibat pengaruh dari kelengkungan bumi (Danoedoro, 2012). Kesalahan tersebut harus diperbaiki terlebih dahulu sebelum digunakan lebih lanjut dalam perhitungan agar hasil lebih tepat dan akurat. Terdapat beberapa koreksi yang harus dilakukan, seperti koreksi radiometerik, geometrik ataupun atmosferik. Jenis koreksi tersebut tergantung pada jenis kesalahan pada masing-masing citra, karena semua citra belum tentu memerlukan koreksi yang sama.

Koreksi radiometrik merupakan koreksi yang digunakan untuk memperbaiki nilai piksel citra yang disesuaikan dengan respon spektral suatu objek di permukaan bumi (Danoedoro, 2012). Koreksi radiometrik diperlukan karena pengaruh atmosfer dapat mempengaruhi nilai piksel asli pada citra. Koreksi tersebut dapat dilakukan dengan beberapa metode, seperti metode DOS (Dark Object Substraction), Second Simulation of the Satellite Signal in the Solar Spectrum (6S), Fast Line-of-sight  Atmospheric Analysis of Spektral Hypercubes  (FLASSH), Atmospheric Correction (ATCOR) dan Empirical Line Method (ELM) (Nazeer et al, 2014). Koreksi geometrik merupakan koreksi yang digunakan untuk menghilangkan pergeseran spasial suatu objek pada citra yang disebabkan oleh kerusakan sensor, kerusakan platform atau pengaruh dari gerakan bumi. Koreksi geometrik dapat dilakukan dengan menambahkan titik kontrol pada citra dengan dasar peta RBI, peta dasar lainnya, peta citra lainnya atau pegukuran di lapangan.

Transformasi citra yang digunakan yaitu transformasi indeks vegetasi citra untuk mempertajam informasi vegetasi. Transformasi indeks vegetasi dibagi menjadi indeks vegetasi dasar, indeks vegetasi yang mengurangi pengaruh tanah, indeks vegetasi yang mengurangi pengaruh atmosfer dan indeks vegetasi dengan kombinasi saluran spektral yang lain (Ray, 1995 dalam As-syakur dkk, 2009). Transofrmasi indeks vegetasi dasar dapat dilakukan dengan menggunakan transformasi RVI, NDVI, TVI, DVI, PVI dan WDVI. Transformasi indeks vegetaasi untuk mengurangi pengaruh tanah dapat dilakukan dengan menggunakan transformasi SAVI, TSAVI, MSAVI dan MSAVI2. Transformasi indeks vegetasi untuk mengurangi pengaruh atmosfer dapat dilakukan dengan menggunakan transformasi GEMI, ARVI dan VARI. Sedangkan trasnformasi indeks vegetasi dengan kombinasi saluran spektral lain dapat dilakukan dengan menggunakan metode transformasi MSI, SARVI, MSARVI, RSR, MidIR Index, AFRI dan CARI. Masing-masing cara transformasi memiliki cara pendeketan yang berbeda dengan tingkat akurasi yang berbeda-beda pula yang juga bergantung pada daerah yang akan dikaji dan diteliti.

Sampel lapangan digunakan untuk menguji peta yang dihasilkan. Sampel dibagi menjadi dua, yaitu sampel uji dan sampel model, dimana kedua sampel tersebut digunakan untuk dasar dalam proses uji regresi. Jumlah sampel tergantung dari luasan wilayah yang akan dikaji, jenis variabel yang akan dikaji dan tergantung pada metode apa yang digunakan dalam penentuan jumlah sampel. Sampel lapangan harus menyebar dan mewakili dari masing-masing kelas yang akan dipetakan.

Regresi adalah model persamaan yang digunakan untuk melihat hubungan antara variabel satu dengan lainnya (Setiawan, 2010). Regresi yang dicari adalah regresi yang menunjukkan hubungan dari hasil transformasi dengan hasil yang ada di lapangan. Hasil pengukuran lapangan bersifat variabel terikat (variabel dependen), sedangkan hasil trasnformasi indeks vegetasi adalah variabel bebas atau variabel independen. Semakin tinggi nilai korelasinya, maka akan semakin baik indeks yang digunakan dan semakin baik akurasi dari hasil pemodelannya.

Referensi :

As-Syakur dkk, 2009, Analisis Indeks vegetasi Menggunakan Cira Alos Avnir-2 dan Sistem Informasi Geografi (SIG) untuk Evaluasi Tata Ruang Kota Denpasar. Bali. Universitas Udayana : Jurnal Bumi Lestari Vol.9

Convention on Biological Diversity. Tt. Indonesia – Country Profile. https://www.cbd.int/countries/profile/default.shtml?country=id diakses pada tanggal 24 Juli 2019 puku 11:29 WIB. 

Danoedoro, Projo, 2012. Pengantar Penginderaan jauh Digital. Yogyakarta: ANDI

Nazeer, et al, 2014, Evaluation of Atmospheric Correction Models and Landsat Surface Reflectance Product in an Urban Coastal Environment. International Journal of Remote Sensing 35(16): 6271 – 6291. Doi: 10.1080/01431161.2014.951742.

Setiawan dan Endah, 2010, Ekonometrika. Yogyakarta : Penerbit ANDI

Thenkabail, Prasad S, 2015, Remote Sensing Handbook- three Volume Set – 1st ed. CRC Press.

World Bank Data. 2016. Forest Area (% of Land Area). data.worldbank.ord/indicator/ag.lnd.frst.zs diakses pada tanggal 24 Juli 2019 pukul 11:41 WIB

0

You may also like

Berwisata di kawasan dilindungi
Asyiknya Belajar Dendrologi Melalui Ecoprint Basic Sutera
EKSISTENSI SASTRA HIJAU DI PROVINSI RIAU

Leave a Reply

Your email address will not be published. Required fields are marked *