Interpretasi Citra Mangrove: Citra Satelit, Drone, dan Klasifikasi

Semarang – KeSEMaTBLOG. Interpretasi citra mangrove adalah proses mengenali, membedakan, dan menganalisis keberadaan mangrove berdasarkan karakter yang terekam pada citra satelit, foto udara, maupun citra drone. Proses ini memungkinkan hamparan mangrove diamati dari perspektif spasial yang jauh lebih luas dibandingkan pengamatan lapangan saja.

Melalui citra, analis dapat mengidentifikasi tutupan mangrove, pola tajuk, batas vegetasi, saluran pasang, tambak, dataran lumpur, badan air, perubahan garis pantai, hingga indikasi kehilangan dan pertambahan mangrove. Data dari waktu yang berbeda kemudian dapat dibandingkan untuk melihat dinamika kawasan.

Namun, interpretasi citra bukan sekadar melihat warna hijau dan menyimpulkan bahwa objek tersebut adalah mangrove. Vegetasi pesisir lainnya, perkebunan, semak, nipah, pohon daratan, bahkan vegetasi pada pematang tambak dapat memiliki tampilan atau respons spektral yang menyerupai mangrove.

Kondisi pasang surut, musim, bayangan, awan, resolusi spasial, sensor, komposisi spesies, tingkat kerapatan tajuk, kelembapan, dan substrat juga dapat mengubah penampilan mangrove pada citra.

Karena itu, interpretasi citra merupakan proses membangun dugaan berdasarkan bukti visual dan spektral yang kemudian harus diuji menggunakan konteks spasial serta data lapangan.

FAO pada 2024 menerbitkan panduan khusus mengenai teknik penginderaan jauh untuk pemetaan dan monitoring mangrove pada skala detail, yang menempatkan citra resolusi tinggi, Unmanned Aerial Systems (UAS), klasifikasi, pengukuran lapangan, dan evaluasi perubahan sebagai komponen yang saling melengkapi.

Apa yang Dimaksud dengan Interpretasi Citra Mangrove?

Interpretasi citra mangrove adalah proses memperoleh informasi mengenai mangrove melalui pengamatan dan analisis karakter objek pada citra.

Interpretasi dapat dilakukan secara:

visual, yaitu oleh pengamat berdasarkan ciri yang terlihat;

atau

digital, yaitu menggunakan nilai piksel, kanal spektral, indeks, algoritma klasifikasi, hingga machine learning.

Dalam praktik modern, keduanya sering digunakan bersama.

Analis dapat terlebih dahulu membaca citra secara visual untuk memahami bentuk kawasan, kemudian menggunakan klasifikasi digital untuk memetakan area secara lebih sistematis.

Hasil klasifikasi kemudian diperiksa kembali secara visual dan diverifikasi dengan data lapangan.

Dengan demikian, prosesnya tidak berhenti pada:

citra → klasifikasi

tetapi lebih tepat:

citra → interpretasi → klasifikasi → verifikasi → koreksi → peta akhir.

Interpretasi Citra dan Klasifikasi Bukan Hal yang Sama

Kedua istilah ini sering digunakan seolah-olah sama.

Padahal terdapat perbedaan penting.

Interpretasi Citra

Interpretasi adalah proses mengenali dan memahami objek pada citra.

Analis dapat menggunakan:

• warna;
• rona;
• tekstur;
• bentuk;
• ukuran;
• pola;
• lokasi;
• asosiasi;
• bayangan;
• kondisi ekologis.

Contohnya, suatu area berwarna hijau gelap dengan tekstur tajuk rapat, berada di sepanjang saluran pasang, dan terhubung dengan hutan mangrove yang telah diketahui dapat diinterpretasikan sebagai kandidat mangrove.

Klasifikasi Citra

Klasifikasi merupakan proses memberikan label kelas pada piksel atau objek.

Contohnya:

• Mangrove;
• Vegetasi Non-Mangrove;
• Tambak;
• Badan Air;
• Lahan Terbuka;
• Permukiman.

Klasifikasi dapat dilakukan secara manual maupun menggunakan algoritma.

Jadi:

interpretasi menjawab “objek ini kemungkinan apa?”

sedangkan:

klasifikasi menetapkan “objek ini dimasukkan ke kelas apa?”

Apa yang Sebenarnya Direkam oleh Citra?

Sensor penginderaan jauh tidak langsung melihat nama spesies.

Sensor merekam energi elektromagnetik yang dipantulkan atau dipancarkan objek.

Vegetasi mempunyai karakter respons yang berbeda pada berbagai panjang gelombang.

Secara umum, vegetasi hijau:

• menyerap banyak energi pada kanal merah karena klorofil;
• memantulkan lebih banyak energi pada near infrared (NIR);
• menunjukkan respons tertentu pada SWIR yang berhubungan dengan kandungan air dan struktur vegetasi.

Karakter tersebut kemudian membentuk respons atau tanda spektral (spectral response/signature).

Mangrove memiliki respons spektral sebagai vegetasi, tetapi keberadaannya pada lingkungan intertidal dengan kelembapan tinggi, sedimen, dan badan air di sekitarnya memberikan karakter tambahan yang dapat membantu interpretasi.

Namun:

respons spektral mangrove tidak selalu unik.

Vegetasi lain dapat mempunyai nilai spektral yang tumpang tindih.

Karena itu, konteks lokasi menjadi sangat penting.

Elemen Dasar Interpretasi Visual Citra Mangrove

Interpretasi visual biasanya menggunakan beberapa unsur secara bersamaan.

1. Warna dan Rona

Pada citra warna alami, mangrove umumnya terlihat hijau dengan tingkat kecerahan yang berbeda tergantung:

• jenis;
• kesehatan vegetasi;
• kerapatan;
• umur;
• pencahayaan;
• sensor;
• musim.

Pada komposit warna semu, vegetasi dapat tampil merah atau warna lain tergantung kombinasi kanal yang digunakan.

Karena itu:

warna pada citra bukan warna absolut suatu objek.

Warna ditentukan oleh komposit kanal yang ditampilkan.

2. Tekstur

Tekstur menggambarkan tingkat kekasaran visual suatu area.

Tegakan mangrove dewasa dapat menunjukkan tekstur tajuk:

• kasar;
• sedang;
• atau relatif halus,

tergantung resolusi citra dan struktur kanopinya.

Pada citra drone, bahkan perbedaan antar-individu tajuk dapat terlihat.

Sebaliknya, pada Landsat, beberapa pohon dapat tergabung ke dalam satu piksel sehingga tekstur tajuk individual tidak lagi dapat dibedakan.

3. Bentuk

Mangrove alami sering mengikuti bentuk:

• garis pantai;
• muara;
• sungai;
• saluran pasang;
• laguna;
• tepian tambak.

Bentuk dapat membantu membedakan vegetasi alami dari vegetasi budidaya yang tersusun geometris.

Namun, rehabilitasi mangrove dapat membentuk pola penanaman yang sangat teratur sehingga bentuk saja tidak cukup.

4. Pola

Pola merupakan susunan berulang suatu objek.

Contohnya:

tambak sering membentuk petak geometris.

mangrove alami dapat memiliki pola yang mengikuti jaringan saluran.

mangrove hasil penanaman dapat membentuk barisan.

Pola menjadi sangat berguna ketika citra memiliki resolusi yang cukup tinggi.

5. Ukuran

Ukuran objek juga membantu interpretasi.

Pada citra drone, ukuran tajuk individu dapat diukur.

Pada Sentinel-2, sebuah piksel 10 meter dapat mencakup beberapa pohon dan permukaan di antaranya.

Karena itu, kemampuan melihat objek harus selalu disesuaikan dengan resolusi spasial data.

6. Bayangan

Pohon tinggi dapat menghasilkan bayangan yang membantu memperkirakan keberadaan struktur vertikal.

Namun, bayangan juga dapat menjadi sumber kesalahan.

Area bayangan tajuk dapat tampak:

• sangat gelap;
• menyerupai air;
• atau menyerupai area tidak bervegetasi.

Karena itu, bayangan perlu dikenali sebelum klasifikasi dilakukan.

7. Lokasi

Lokasi merupakan salah satu petunjuk terkuat.

Mangrove umumnya berasosiasi dengan:

• kawasan intertidal;
• estuari;
• muara;
• pantai terlindung;
• sungai pasang surut;
• laguna.

Vegetasi hijau yang berada jauh dari pengaruh pesisir kemungkinan bukan mangrove.

Namun, lokasi saja tidak cukup untuk menentukan kelas.

8. Asosiasi

Asosiasi menggambarkan hubungan suatu objek dengan objek lain.

Mangrove sering berasosiasi dengan:

• sungai;
• tidal creek;
• tambak;
• dataran lumpur;
• garis pantai;
• nipah;
• vegetasi pesisir lainnya.

Kombinasi asosiasi tersebut membantu memperkuat interpretasi.

Citra Satelit untuk Interpretasi Mangrove

Citra satelit sangat berguna untuk monitoring mangrove karena mampu mencakup kawasan luas dan tersedia secara berulang.

Dua sumber yang paling umum digunakan adalah:

Sentinel-2 dan Landsat.

Sentinel-2 untuk Interpretasi Mangrove

Sentinel-2 menggunakan sensor MultiSpectral Instrument (MSI) dengan 13 kanal spektral. Empat kanal utama—Blue, Green, Red, dan NIR—tersedia pada resolusi 10 meter; beberapa kanal red-edge dan SWIR tersedia pada resolusi 20 meter; sedangkan beberapa kanal lainnya berada pada resolusi 60 meter.

Kanal yang sering digunakan antara lain:

B2 – Blue – 10 m

B3 – Green – 10 m

B4 – Red – 10 m

B8 – NIR – 10 m

B11 – SWIR1 – 20 m

B12 – SWIR2 – 20 m

Kanal red-edge juga dapat digunakan untuk berbagai analisis vegetasi.

Sentinel-2 berguna untuk:

• pemetaan tutupan mangrove;
• analisis vegetasi;
• perubahan tutupan;
• indeks vegetasi;
• pemisahan vegetasi dan air;
• klasifikasi mangrove dan non-mangrove.

Apa Arti Resolusi 10 Meter?

Resolusi spasial 10 meter berarti satu piksel mewakili area sekitar:

10 m × 10 m = 100 m²

di permukaan bumi.

Artinya, satu piksel dapat berisi:

• beberapa pohon mangrove;
• tanah;
• air;
• bayangan;
• atau campuran semuanya.

Piksel yang mengandung lebih dari satu jenis objek disebut mixed pixel.

Inilah salah satu alasan mengapa batas kecil atau vegetasi sempit pada pematang tambak sulit diinterpretasikan menggunakan citra resolusi menengah.

Resolusi 10 meter juga tidak berarti posisi batas objek otomatis akurat hingga 10 meter.

Ketelitian hasil pemetaan dipengaruhi banyak faktor lain.

Landsat untuk Interpretasi Mangrove

Landsat memiliki salah satu arsip pengamatan bumi terpanjang sehingga sangat berguna untuk melihat sejarah perubahan mangrove.

Pada Landsat 8 dan 9, kanal multispektral utama seperti Blue, Green, Red, NIR, SWIR1, dan SWIR2 tersedia pada resolusi 30 meter, sedangkan kanal pankromatik memiliki resolusi 15 meter.

Dengan resolusi 30 meter:

1 piksel ≈ 900 m².

Karena itu, Landsat lebih cocok untuk:

• bentang kawasan;
• analisis historis;
• perubahan luas;
• konversi mangrove skala relatif besar;
• tren beberapa dekade.

Landsat kurang ideal apabila tujuan analisis adalah:

• menghitung pohon individu;
• membaca pematang kecil;
• membedakan tajuk individual;
• mengidentifikasi perubahan sangat sempit.

Kekuatan Terbesar Landsat: Waktu

Keunggulan Landsat tidak selalu terletak pada detail spasial.

Nilai terbesarnya adalah rekaman historis.

Dengan seri Landsat, perubahan mangrove dapat dianalisis selama beberapa dekade.

Contohnya:

1990 → 2000 → 2010 → 2020 → 2026

Analisis ini dapat menunjukkan:

• konversi mangrove menjadi tambak;
• regenerasi;
• abrasi;
• akresi;
• perubahan garis pantai;
• ekspansi kawasan terbangun.

Citra Drone untuk Interpretasi Mangrove

Drone memberikan perspektif berbeda.

Jika satelit digunakan untuk melihat bentang luas, drone dapat menghasilkan citra dengan resolusi hingga skala sentimeter tergantung konfigurasi penerbangan dan sensor.

Dengan resolusi tinggi tersebut, analis dapat melihat:

• tajuk individu;
• celah kanopi;
• semak;
• saluran kecil;
• pematang;
• bibit dalam kondisi tertentu;
• pohon mati;
• area terbuka;
• kerusakan lokal.

FAO memasukkan UAS atau drone sebagai salah satu pendekatan penting dalam pemetaan mangrove skala detail, terutama ketika kebutuhan analisis berada pada resolusi spasial lebih tinggi.

Produk Utama Drone

Melalui pemrosesan fotogrametri, data drone dapat menghasilkan:

Orthomosaic

Gabungan foto yang telah dikoreksi secara geometris sehingga dapat digunakan seperti peta.

Digital Surface Model

Model ketinggian yang menggambarkan permukaan objek termasuk vegetasi dan bangunan.

Point Cloud

Kumpulan titik tiga dimensi yang menggambarkan struktur permukaan.

Model 3D

Representasi tiga dimensi kawasan.

Data tersebut sangat berguna untuk monitoring mangrove skala tapak.

Resolusi Tinggi Tidak Otomatis Berarti Interpretasi Benar

Ini adalah prinsip yang sangat penting.

Citra drone yang sangat tajam dapat membuat analis merasa yakin terhadap hasil interpretasi.

Namun, detail visual bukan bukti taksonomi.

Dua tajuk mangrove dapat terlihat berbeda karena:

• sudut matahari;
• umur;
• kesehatan;
• kondisi daun;
• pencahayaan;
• bayangan;
• posisi tajuk.

Sebaliknya, dua spesies berbeda dapat terlihat sangat mirip dari udara.

Karena itu:

citra beresolusi tinggi meningkatkan kemampuan melihat objek, tetapi tidak otomatis meningkatkan kemampuan mengetahui identitas objek tanpa referensi yang benar.

RGB, Multispektral, dan Hiperspektral

Tidak semua sensor merekam informasi yang sama.

Kamera RGB

Merekam:

Red + Green + Blue.

Ini seperti kamera digital biasa.

Sangat berguna untuk:

• interpretasi visual;
• digitasi;
• tajuk;
• kondisi lokasi.

Namun, informasi spektralnya terbatas.

Sensor Multispektral

Merekam beberapa kanal tambahan seperti:

• NIR;
• Red Edge;
• kanal lainnya.

Sensor ini dapat memberikan informasi vegetasi yang tidak terlihat oleh mata manusia.

Sentinel-2 merupakan contoh sensor multispektral.

Drone juga dapat membawa sensor multispektral.

Sensor Hiperspektral

Merekam banyak kanal spektral yang sempit dan berdekatan.

Data hiperspektral memiliki potensi lebih besar untuk membedakan karakter vegetasi yang halus.

Namun:

• datanya besar;
• pengolahannya kompleks;
• membutuhkan kalibrasi;
• biaya sensor dapat tinggi;
• klasifikasi spesies tetap membutuhkan data referensi.

Komposit Warna untuk Interpretasi Mangrove

Interpretasi citra satelit dapat dibantu dengan menampilkan kombinasi kanal tertentu.

True Color

Untuk Sentinel-2:

Red = B4

Green = B3

Blue = B2

atau:

B4 – B3 – B2

Tampilan ini menyerupai warna yang dilihat mata manusia.

Mangrove umumnya terlihat hijau.

False Color Vegetation

Kombinasi umum:

NIR – Red – Green

Untuk Sentinel-2:

B8 – B4 – B3

Vegetasi sehat biasanya tampil dalam warna yang sangat kontras, sering kali merah pada konfigurasi false color klasik.

Komposit ini membantu membedakan vegetasi dari:

• air;
• tanah;
• lahan terbangun.

Namun, tetap belum otomatis membedakan mangrove dari semua vegetasi lain.

Indeks Vegetasi untuk Membantu Interpretasi

Selain komposit, analis dapat menggunakan indeks spektral.

NDVI

Normalized Difference Vegetation Index (NDVI) dihitung:

NDVI = (NIR − Red) / (NIR + Red)

Untuk Sentinel-2:

NDVI = (B8 − B4) / (B8 + B4)

Secara umum, vegetasi aktif cenderung mempunyai NDVI lebih tinggi dibandingkan air atau permukaan tidak bervegetasi.

Namun:

NDVI adalah indeks vegetasi, bukan indeks identitas mangrove.

Sawah, hutan daratan, perkebunan, dan vegetasi lainnya juga dapat memiliki NDVI tinggi.

Karena itu, pernyataan:

“NDVI di atas nilai tertentu berarti mangrove”

tidak boleh digunakan secara universal tanpa kalibrasi lokal.

Mangrove Vegetation Index

Mangrove Vegetation Index (MVI) dikembangkan untuk meningkatkan pemisahan mangrove dari tutupan lain dengan memanfaatkan karakter kehijauan dan kelembapan.

Formulanya:

MVI = |NIR − Green| / |SWIR1 − Green|

Untuk Sentinel-2 secara umum menggunakan:

Green = B3

NIR = B8

SWIR1 = B11

MVI dapat membantu memperkuat perbedaan antara mangrove dan beberapa tutupan lainnya.

Namun, MVI bukan tombol otomatis “deteksi mangrove.”

Vegetasi pesisir tertentu, palma, tambak bervegetasi, serta kondisi lokal dapat menghasilkan nilai yang tumpang tindih.

Karena itu, threshold tetap perlu diuji menggunakan data referensi lokal.

Indeks Air dalam Interpretasi Mangrove

Karena mangrove berada pada lingkungan intertidal, indeks air juga dapat membantu.

Contohnya:

Normalized Difference Water Index (NDWI) atau berbagai modifikasinya.

Indeks air dapat membantu membedakan:

• badan air;
• saluran;
• genangan;
• vegetasi.

Namun, area berlumpur dan perairan dangkal dapat mempunyai respons kompleks.

Karena itu, penggunaan indeks air harus dibaca bersama:

• kondisi pasang;
• musim;
• kanal lain;
• citra visual.

Mengapa Kondisi Pasang Sangat Penting?

Mangrove berada pada lingkungan yang terus berubah mengikuti pasang surut.

Bayangkan citra yang sama dari satu lokasi.

Citra A: Saat Surut

Terlihat:

• dataran lumpur;
• saluran kecil;
• batas vegetasi;
• substrat terbuka.

Citra B: Saat Pasang Tinggi

Terlihat:

• area air lebih luas;
• sebagian substrat tertutup;
• saluran melebar;
• batas darat-air bergeser.

Jika citra A dan B dibandingkan tanpa mempertimbangkan pasang, analis dapat salah menginterpretasikan perubahan sebagai:

• kehilangan lahan;
• perluasan air;
• perubahan garis pantai;
• perubahan tutupan.

Padahal yang berubah hanyalah muka air saat perekaman.

Karena itu, analisis multitemporal mangrove sebaiknya mempertimbangkan kondisi pasang sejauh data memungkinkan.

Musim Juga Memengaruhi Interpretasi

Selain pasang, musim dapat memengaruhi:

• kehijauan vegetasi;
• salinitas;
• genangan;
• kelembapan tanah;
• aktivitas pertanian;
• kekeruhan air.

Membandingkan citra musim hujan dengan musim kemarau dapat menimbulkan perbedaan spektral yang bukan merupakan perubahan tutupan sebenarnya.

Untuk analisis perubahan, sebaiknya gunakan citra:

musim relatif sebanding + kondisi pasang relatif sebanding + sensor yang dapat dibandingkan.

Awan dan Bayangan Awan

Daerah tropis mempunyai tantangan besar berupa awan.

Awan dapat menutup mangrove sepenuhnya.

Bayangan awan dapat menyebabkan vegetasi terlihat sangat gelap.

Pada klasifikasi otomatis, bayangan dapat salah dikenali sebagai:

• air;
• tanah basah;
• mangrove rusak;
• area tidak bervegetasi.

Karena itu, tahap cloud masking dan cloud-shadow masking sangat penting sebelum analisis.

Lebih baik memilih citra lain daripada memaksakan area yang tertutup awan untuk diklasifikasikan.

Piksel Campuran pada Mangrove

Mangrove memiliki banyak batas sempit:

• tepian sungai;
• kanal;
• pematang;
• tambak;
• mudflat.

Pada resolusi satelit, satu piksel dapat mengandung campuran:

mangrove + air

atau:

mangrove + tanah

atau:

mangrove + tambak.

Piksel tersebut memiliki nilai spektral gabungan.

Akibatnya, batas mangrove dapat tampak:

• lebih lebar;
• lebih sempit;
• atau berbeda dari kondisi sebenarnya.

Masalah ini semakin besar pada citra dengan resolusi lebih kasar.

Interpretasi Manual atau Digitasi Visual

Salah satu metode paling sederhana adalah melakukan digitasi visual.

Analis melihat citra kemudian menggambar batas mangrove.

Metode ini sangat berguna ketika:

• wilayah tidak terlalu luas;
• tersedia citra resolusi tinggi;
• analis memahami kondisi lokal;
• kelas objek cukup jelas.

Kelebihan Digitasi Visual

Interpretasi manusia mampu menggunakan konteks.

Misalnya area hijau di tengah perkebunan mungkin mempunyai warna mirip mangrove.

Algoritma spektral dapat bingung.

Tetapi analis melihat bahwa lokasinya jauh dari pesisir dan langsung memahami bahwa objek tersebut bukan mangrove.

Kelemahannya

Digitasi visual:

• memakan waktu;
• subjektif;
• bergantung pengalaman;
• sulit distandarkan;
• dapat berbeda antaroperator.

Karena itu, metodologinya tetap harus didokumentasikan.

Klasifikasi Tidak Terbimbing

Unsupervised classification mengelompokkan piksel berdasarkan kemiripan nilai spektral tanpa terlebih dahulu memberikan label kelas secara lengkap.

Hasilnya dapat berupa:

Klaster 1
Klaster 2
Klaster 3
dan seterusnya.

Analis kemudian memeriksa setiap klaster dan menafsirkannya sebagai:

• mangrove;
• air;
• tambak;
• vegetasi lain.

Metode ini berguna untuk eksplorasi.

Namun:

klaster statistik tidak selalu sama dengan kelas ekologis.

Mangrove dapat terpecah ke dalam beberapa klaster karena:

• umur;
• jenis;
• kelembapan;
• kerapatan.

Sebaliknya, mangrove dan vegetasi lain dapat tergabung dalam satu klaster.

Klasifikasi Terbimbing

Supervised classification menggunakan data contoh yang telah diketahui kelasnya.

Contohnya analis membuat training samples untuk:

• Mangrove;
• Vegetasi Non-Mangrove;
• Air;
• Tambak;
• Lahan Terbuka;
• Permukiman.

Algoritma mempelajari karakter kelas tersebut dan kemudian mengklasifikasikan area lain.

Kualitas hasil sangat tergantung pada kualitas sampel training.

Training yang salah menghasilkan model yang belajar dari kesalahan.

Maximum Likelihood Classification

Maximum Likelihood Classification (MLC) merupakan salah satu pendekatan klasifikasi klasik.

Metode ini menggunakan karakter statistik tiap kelas untuk memperkirakan probabilitas piksel termasuk ke suatu kelas.

MLC telah banyak digunakan dalam penginderaan jauh.

Namun, perkembangan machine learning menyediakan metode yang sering lebih fleksibel untuk data dengan hubungan nonlinier dan banyak variabel.

Random Forest

Random Forest (RF) merupakan algoritma machine learning yang banyak digunakan untuk klasifikasi tutupan lahan.

RF membangun banyak pohon keputusan dan menggabungkan hasilnya.

Variabel input dapat mencakup:

• Blue;
• Green;
• Red;
• NIR;
• SWIR;
• Red Edge;
• NDVI;
• MVI;
• elevasi;
• tekstur;
• jarak dari pantai.

Keunggulannya antara lain mampu menangani banyak variabel dan hubungan kompleks.

Namun:

Random Forest tidak memahami ekologi mangrove.

Algoritma hanya mempelajari pola yang diberikan melalui data training.

Support Vector Machine

Support Vector Machine (SVM) juga banyak digunakan untuk klasifikasi citra.

SVM mencari batas pemisah optimal antara kelas dalam ruang fitur.

Pada dataset training yang relatif terbatas, SVM dapat bekerja dengan baik pada sejumlah aplikasi.

Namun, seperti RF, hasilnya tetap tergantung:

• kualitas data;
• parameter;
• pemilihan fitur;
• representasi sampel.

Object-Based Image Analysis

Pada citra resolusi tinggi, klasifikasi per piksel dapat menghasilkan tampilan yang sangat berbintik.

Object-Based Image Analysis (OBIA) menawarkan pendekatan berbeda.

Citra terlebih dahulu disegmentasi menjadi objek.

Objek kemudian diklasifikasikan berdasarkan:

• nilai spektral;
• bentuk;
• tekstur;
• ukuran;
• hubungan dengan objek lain.

Pendekatan ini sangat menarik untuk drone karena tajuk atau kelompok tajuk dapat diperlakukan sebagai objek.

Namun, hasil sangat dipengaruhi oleh kualitas proses segmentasi.

Jika segmentasi terlalu kecil, satu tajuk menjadi banyak objek.

Jika terlalu besar, beberapa tipe tutupan berbeda dapat tergabung.

Deep Learning untuk Citra Mangrove

Metode deep learning dapat digunakan untuk segmentasi citra resolusi tinggi.

Model dapat dilatih untuk mengenali pola:

• kanopi;
• mangrove;
• air;
• tanah;
• tambak.

Potensinya besar, terutama pada data drone.

Namun, dibutuhkan:

• data berlabel dalam jumlah memadai;
• label berkualitas;
• perangkat komputasi;
• validasi;
• kemampuan teknis.

Model kompleks bukan selalu pilihan terbaik.

Untuk area kecil dengan citra jelas, digitasi visual terkontrol bahkan dapat lebih efisien.

Apakah Citra Bisa Membedakan Jenis Mangrove?

Jawabannya:

bisa dalam kondisi tertentu, tetapi jauh lebih sulit dibandingkan memetakan mangrove sebagai satu kelas.

Membedakan:

Mangrove vs Non-Mangrove

relatif lebih mudah.

Membedakan:

Rhizophora mucronata vs R. apiculata

jauh lebih sulit.

Beberapa faktor yang memengaruhi kemampuan pemetaan spesies:

• resolusi spasial;
• resolusi spektral;
• bentuk tajuk;
• dominansi spesies;
• musim;
• kondisi kanopi;
• sensor;
• data lapangan.

Pada tegakan campuran, satu piksel dapat mengandung beberapa spesies.

Karena itu, jika metode hanya menggunakan Sentinel-2 dan klasifikasi umum, hasil sebaiknya disebut:

Peta Tutupan Mangrove

bukan:

Peta Spesies Mangrove

kecuali klasifikasi spesies telah benar-benar diuji.

Ground Truth: Menghubungkan Citra dengan Realitas

Ground truth adalah data lapangan yang digunakan untuk memeriksa apa yang sebenarnya berada pada suatu lokasi.

Misalnya pada citra suatu piksel terlihat seperti mangrove.

Tim lapangan mengunjungi koordinat tersebut.

Ternyata:

vegetasi pada pematang tambak.

Informasi ini sangat penting karena membantu mencegah interpretasi salah.

Data lapangan dapat berisi:

• kode titik;
• koordinat;
• kelas;
• spesies;
• jenis dominan;
• kondisi tutupan;
• foto;
• tanggal;
• waktu;
• kondisi pasang.

Training Data dan Validation Data Harus Dibedakan

Dalam klasifikasi terbimbing, sebagian data digunakan untuk:

training.

Sebagian lainnya digunakan untuk:

validation.

Jangan menggunakan seluruh titik yang sama untuk keduanya.

Mengapa?

Karena jika model diuji menggunakan data yang telah digunakan untuk belajar, hasil akurasi dapat terlihat sangat tinggi.

Analoginya seperti:

memberikan soal ujian yang sama dengan soal latihan beserta jawabannya.

Akurasi tersebut tidak benar-benar menguji kemampuan model mengenali lokasi baru.

Desain Titik Validasi

Titik validasi harus:

• mewakili seluruh kelas;
• tersebar secara spasial;
• cukup jumlahnya;
• tidak hanya berada di lokasi mudah dijangkau.

Jika seluruh titik mangrove berasal dari tepian jalan dan seluruh titik non-mangrove berasal dari permukiman, data tidak mewakili kompleksitas kawasan.

Kesalahan klasifikasi sering justru terjadi pada:

• batas mangrove;
• pematang;
• tambak terbengkalai;
• nipah;
• semak;
• mudflat;
• vegetasi campuran.

Area-area tersebut penting untuk divalidasi.

Confusion Matrix untuk Menguji Klasifikasi

Setelah klasifikasi selesai, hasil dibandingkan dengan data referensi.

Misalnya:

Hasil Peta	Referensi Mangrove	Referensi Non-Mangrove
Mangrove	90	12
Non-Mangrove	8	110

Dari tabel tersebut dapat dihitung beberapa ukuran akurasi.

Overall Accuracy

OA = Jumlah Sampel Benar / Total Sampel × 100%

Sampel benar:

90 + 110 = 200

Total:

220

Maka:

OA = 200 / 220 × 100%

= 90,91%

Nilai tersebut menunjukkan bahwa sekitar 90,91% sampel validasi diklasifikasikan dengan benar.

Namun, overall accuracy saja belum cukup.

Producer's Accuracy

Producer's Accuracy (PA) menunjukkan kemampuan peta mengenali objek referensi dari suatu kelas.

Untuk mangrove:

PA = Mangrove yang Benar Terdeteksi / Seluruh Mangrove Referensi × 100%

Mangrove referensi:

90 + 8 = 98

maka:

PA = 90 / 98 × 100%

≈ 91,84%

Kesalahan yang tidak berhasil dipetakan sebagai mangrove disebut omission error.

User's Accuracy

User's Accuracy (UA) menunjukkan seberapa dapat dipercaya kelas pada peta.

Total yang dipetakan sebagai mangrove:

90 + 12 = 102

maka:

UA = 90 / 102 × 100%

≈ 88,24%

Artinya, dari seluruh sampel yang dipetakan sebagai mangrove, sekitar 88,24% benar-benar mangrove menurut data referensi.

Kesalahan objek lain masuk menjadi mangrove disebut commission error.

Jangan Hanya Menulis “Akurasi 90%”

Pernyataan ini:

“Peta mangrove memiliki akurasi 90%.”

belum lengkap.

Sebaiknya dijelaskan:

• jumlah sampel;
• desain sampel;
• kelas;
• Overall Accuracy;
• Producer's Accuracy;
• User's Accuracy;
• tahun data referensi.

Dengan begitu, pembaca dapat menilai kualitas klasifikasi secara transparan.

Interpretasi Mangrove Rapat dan Mangrove Jarang

Tegakan rapat umumnya lebih mudah diidentifikasi dibandingkan tegakan jarang.

Pada mangrove jarang, satu piksel dapat mengandung:

tajuk + air + sedimen.

Akibatnya, nilai spektral vegetasi menjadi lebih lemah.

Mangrove muda hasil regenerasi juga dapat sulit dikenali pada citra resolusi menengah karena kanopinya belum membentuk tutupan yang dominan.

Karena itu, luasan mangrove dari citra dapat berbeda tergantung definisi:

Apakah semai masuk kelas mangrove?

Berapa minimum tutupan?

Bagaimana dengan mangrove pada pematang?

Definisi kelas harus ditentukan sejak awal.

Mangrove pada Pematang Tambak

Ini merupakan kasus penting di Indonesia.

Pematang tambak dapat ditumbuhi mangrove yang membentuk jalur sempit.

Pada citra resolusi menengah, jalur tersebut mungkin:

• tidak terdeteksi;
• bercampur dengan piksel tambak;
• terlihat sebagai bagian dari tegakan yang lebih luas.

Jika tujuan analisis adalah menghitung semua individu atau jalur mangrove kecil, citra drone atau resolusi tinggi akan lebih sesuai.

Jika tujuan analisis adalah tutupan bentang alam skala kabupaten, Sentinel-2 atau Landsat mungkin sudah memadai.

Data harus mengikuti pertanyaan.

Tambak Terbengkalai Dapat Membingungkan

Tambak terbengkalai dapat mengalami regenerasi mangrove.

Kondisinya dapat berupa campuran:

• air;
• semai;
• pohon muda;
• rumput;
• sedimen.

Spektrumnya menjadi heterogen.

Jika seluruh tambak langsung diklasifikasikan berdasarkan batas lama sebagai “non-mangrove”, regenerasi dapat terlewat.

Sebaliknya, apabila beberapa pohon tumbuh pada pematang, seluruh petak tambak tidak boleh otomatis dihitung sebagai mangrove.

Interpretasi perlu memperhatikan apa unit yang sebenarnya sedang dipetakan.

Nipah dan Mangrove

Nypa fruticans dapat tumbuh pada lingkungan mangrove dan estuari.

Dari udara, tutupan nipah dapat memiliki tekstur dan warna berbeda dari mangrove berkayu.

Namun, klasifikasi apakah nipah dimasukkan sebagai mangrove tergantung pada:

• definisi dataset;
• tujuan penelitian;
• klasifikasi vegetasi yang digunakan.

Karena itu, definisi kelas harus dijelaskan di dalam metodologi.

Dataran Lumpur dan Air Keruh

Mudflat atau dataran lumpur dapat berubah sangat drastis menurut kondisi pasang.

Ketika basah:

warnanya dapat menjadi gelap dan menyerupai air.

Ketika kering:

dapat terlihat lebih cerah.

Air pesisir yang sangat keruh juga dapat memiliki reflektansi berbeda dari air laut jernih.

Karena itu, interpretasi pesisir memerlukan kehati-hatian khusus terhadap air dangkal, sedimen tersuspensi, dan substrat terbuka.

Bayangan Tajuk Mangrove

Pada citra drone, pohon tinggi menghasilkan bayangan yang kuat.

Bayangan dapat:

• mengurangi luas kanopi yang terdeteksi;
• diklasifikasikan sebagai air;
• menyebabkan batas tajuk tidak jelas.

Beberapa pendekatan menggabungkan:

• warna;
• tekstur;
• bentuk;
• posisi tajuk;

untuk mengurangi kesalahan tersebut.

Namun, dalam monitoring multitemporal, waktu penerbangan drone juga perlu dibuat konsisten karena sudut matahari mengubah arah dan panjang bayangan.

Interpretasi Citra untuk Mendeteksi Pohon Mati

Citra resolusi tinggi dapat membantu mendeteksi:

• tajuk tanpa daun;
• pohon tumbang;
• celah baru;
• perubahan warna tajuk.

Tetapi perubahan warna tidak selalu berarti kematian.

Daun dapat berubah karena:

• fenologi;
• stres;
• salinitas;
• pencahayaan;
• sensor;
• koreksi citra.

Karena itu, deteksi kematian sebaiknya diverifikasi melalui lapangan atau citra pada tanggal lain.

Interpretasi Citra Multitemporal

Multitemporal imagery berarti menggunakan citra dari beberapa waktu.

Contohnya:

2016
2018
2020
2022
2024
2026

Data tersebut dapat digunakan untuk melihat:

• kehilangan;
• pertambahan;
• fragmentasi;
• regenerasi;
• ekspansi tambak;
• perubahan garis pantai.

Namun, citra antarperiode harus dibuat sebanding.

Perhatikan:

• sensor;
• resolusi;
• musim;
• pasang;
• awan;
• koreksi atmosfer;
• sistem koordinat;
• metode klasifikasi.

Post-Classification Change Detection

Salah satu pendekatan adalah mengklasifikasikan setiap tahun secara terpisah.

Contoh:

Peta 2016

dan

Peta 2026

kemudian dilakukan overlay.

Hasil dapat berupa:

Mangrove → Mangrove = Stable

Mangrove → Non-Mangrove = Loss

Non-Mangrove → Mangrove = Gain

Metode ini mudah dipahami.

Namun, kesalahan klasifikasi dari kedua peta dapat terakumulasi.

Jika masing-masing peta memiliki kesalahan, sebagian gain dan loss dapat merupakan perubahan palsu.

Perubahan Spektral Tidak Selalu Berarti Perubahan Tutupan

Nilai piksel dapat berubah karena:

• musim;
• hujan;
• pasang;
• kelembapan;
• sudut matahari;
• kondisi atmosfer.

Karena itu, perubahan NDVI atau reflektansi tidak otomatis berarti mangrove hilang.

Perubahan spektral sebaiknya diperiksa menggunakan:

• citra visual;
• data tanggal lain;
• data lapangan;
• konteks penggunaan lahan.

Cara Interpretasi Citra Mangrove yang Sistematis

Tahap 1. Tentukan Pertanyaan

Contoh:

Mengidentifikasi tutupan mangrove tahun 2026.

atau:

Menganalisis kehilangan mangrove periode 2016–2026.

Tahap 2. Tentukan Definisi Mangrove

Apakah kelas mangrove mencakup:

• mangrove sejati?
• nipah?
• semai?
• mangrove pada pematang?
• tegakan campuran?

Definisi harus jelas.

Tahap 3. Pilih Data

Tentukan apakah menggunakan:

• Sentinel-2;
• Landsat;
• drone;
• citra resolusi tinggi;
• kombinasi beberapa sensor.

Tahap 4. Periksa Tanggal dan Kualitas Citra

Periksa:

• awan;
• bayangan;
• musim;
• pasang;
• kualitas radiometrik.

Tahap 5. Tampilkan Beberapa Komposit

Gunakan:

• True Color;
• False Color;
• indeks vegetasi;
• indeks air.

Jangan hanya bergantung pada satu tampilan.

Tahap 6. Pelajari Pola Spasial

Periksa hubungan dengan:

• pantai;
• sungai;
• tambak;
• saluran;
• vegetasi daratan.

Tahap 7. Susun Kelas Tutupan

Contohnya:

1. Mangrove
2. Vegetasi Non-Mangrove
3. Tambak
4. Air
5. Lahan Terbuka
6. Terbangun

Tahap 8. Kumpulkan Data Lapangan

Ambil training dan validation samples.

Tahap 9. Lakukan Klasifikasi

Gunakan metode yang sesuai:

• digitasi visual;
• Random Forest;
• SVM;
• OBIA;
• lainnya.

Tahap 10. Periksa Hasil Secara Visual

Cari:

• noise;
• mangrove di tengah kota;
• air diklasifikasikan sebagai vegetasi;
• vegetasi daratan menjadi mangrove.

Kesalahan yang tampak jelas harus diperiksa.

Tahap 11. Uji Akurasi

Gunakan validation data.

Tahap 12. Revisi Bila Perlu

Jika banyak kesalahan:

• tambah training;
• ubah fitur;
• perbaiki kelas;
• gunakan citra lain.

Tahap 13. Hitung dan Analisis

Setelah peta valid:

• hitung luas;
• lakukan overlay;
• analisis perubahan;
• integrasikan data lain.

Workflow Interpretasi Citra Drone

Untuk drone, alurnya dapat berbeda.

1. Perencanaan Terbang

Tentukan:

• ketinggian;
• area;
• overlap;
• waktu;
• kondisi cuaca;
• kondisi pasang.

2. Pengambilan Foto

Pastikan kualitas dan overlap mencukupi.

3. Fotogrametri

Hasilkan orthomosaic.

4. Quality Control

Periksa:

• distorsi;
• area kosong;
• sambungan citra;
• ketepatan posisi.

5. Interpretasi

Identifikasi:

• kanopi;
• air;
• tanah;
• saluran;
• tambak.

6. Ground Truth

Hubungkan objek pada foto dengan kondisi lapangan.

7. Klasifikasi atau Digitasi

Pilih metode sesuai tujuan.

Drone dan Ground Control Point

Jika dibutuhkan ketelitian posisi yang lebih baik, survei drone dapat menggunakan Ground Control Point (GCP).

GCP adalah titik di permukaan yang koordinatnya diketahui dengan baik dan dapat dikenali pada citra.

GCP membantu meningkatkan kualitas georeferensi dan produk fotogrametri.

Pada sistem drone dengan RTK atau PPK, strategi kontrol lapangan dapat berbeda, tetapi akurasi tetap perlu diverifikasi menggunakan titik independen apabila produk digunakan untuk kebutuhan presisi tinggi.

Drone untuk Menghitung Individu Mangrove

Pada kondisi tertentu, citra drone dapat digunakan untuk mendelineasi atau menghitung tajuk individual.

Namun, ini paling mudah ketika:

• tegakan masih muda;
• tajuk terpisah;
• penanaman teratur.

Pada hutan dewasa dengan kanopi tumpang tindih:

satu individu sulit dipisahkan berdasarkan tajuk.

Karena itu:

jumlah tajuk ≠ selalu jumlah pohon.

Hal ini harus dijelaskan apabila dilakukan estimasi jumlah individu dari citra.

Interpretasi Manual versus Otomatis

Tidak ada metode yang selalu lebih unggul.

Manual Lebih Cocok Ketika

• area kecil;
• citra sangat detail;
• kelas rumit;
• analis memahami lokasi;
• kebutuhan interpretasi kontekstual tinggi.

Otomatis Lebih Cocok Ketika

• area luas;
• data banyak;
• monitoring berulang;
• kelas cukup konsisten;
• tersedia training data yang baik.

Pendekatan Gabungan

Sering kali pilihan terbaik adalah:

klasifikasi otomatis → inspeksi visual → koreksi manual → validasi.

Dengan demikian, efisiensi komputer dan kemampuan interpretasi manusia digunakan bersama.

Klasifikasi Biner atau Multikelas?

Klasifikasi Biner

Hanya:

Mangrove

dan

Non-Mangrove.

Lebih sederhana.

Cocok jika tujuan utama adalah luas mangrove.

Multikelas

Misalnya:

• Mangrove;
• Tambak;
• Air;
• Vegetasi Darat;
• Mudflat;
• Terbangun.

Lebih informatif, tetapi lebih sulit.

Semakin banyak kelas:

semakin besar kemungkinan terjadi tumpang tindih spektral.

Karena itu, jumlah kelas perlu disesuaikan dengan kemampuan data.

Jangan Membuat Kelas yang Tidak Bisa Dibedakan Sensor

Misalnya analis ingin menghasilkan:

• mangrove sehat;
• mangrove sedikit sehat;
• mangrove agak rusak;
• mangrove rusak.

Jika tidak ada definisi kuantitatif dan bukti bahwa sensor mampu membedakan kelas tersebut, hasilnya akan sangat subjektif.

Kelas harus memiliki:

definisi + indikator + bukti bahwa data dapat mengenalinya.

Interpretasi Citra dan Mangrove Health Index

MHI merupakan indeks berbasis parameter struktur komunitas seperti:

• tutupan kanopi;
• diameter;
• pancang.

Citra satelit dapat digunakan untuk mencari hubungan dengan beberapa karakter vegetasi.

Namun:

nilai spektral citra bukan MHI itu sendiri.

Jika MHI akan dipetakan menggunakan penginderaan jauh, diperlukan:

1. pengukuran MHI di lapangan;
2. variabel citra;
3. model hubungan;
4. validasi model.

Tanpa itu, NDVI tidak boleh langsung diberi label sebagai MHI.

Interpretasi Citra dan Morfometri

Drone dapat membantu mengestimasi sejumlah parameter seperti:

• diameter tajuk;
• luas tajuk;
• tinggi vegetasi jika tersedia model permukaan yang sesuai.

Namun, DBH tidak terlihat langsung dari atas.

Jika DBH diperkirakan melalui hubungan dengan tinggi atau tajuk, hasil tersebut merupakan estimasi model, bukan pengukuran DBH langsung.

Karena itu, laporan harus membedakan:

measured DBH

dengan:

predicted DBH.

Interpretasi Citra dan Hidrologi

Citra sangat berguna untuk membaca:

• jaringan saluran;
• badan air;
• tambak;
• tanggul;
• pola genangan.

Tetapi satu citra hanya menunjukkan kondisi pada satu waktu.

Untuk memahami hidroperiode, dibutuhkan informasi temporal.

Contohnya:

• seri citra;
• data pasang;
• logger muka air;
• elevasi.

Air terlihat pada citra tidak berarti lokasi selalu tergenang.

Interpretasi Citra dan Elevasi

Orthomosaic tidak sama dengan peta elevasi.

Untuk memperoleh informasi elevasi diperlukan produk seperti:

• DEM;
• DSM;
• DTM;
• LiDAR;
• survei GNSS.

Drone fotogrametri dapat menghasilkan DSM, tetapi pada vegetasi lebat nilai tersebut sering merepresentasikan bagian atas kanopi.

Karena itu, jangan membaca warna pada orthomosaic sebagai elevasi.

Interpretasi Citra untuk Restorasi

Citra dapat membantu mengidentifikasi kandidat lokasi seperti:

• bekas tambak;
• kehilangan historis mangrove;
• area terfragmentasi;
• saluran terputus;
• kawasan regenerasi.

Tetapi interpretasi citra tidak dapat sendirian menentukan:

“lokasi ini siap ditanami.”

Restorasi membutuhkan pemeriksaan:

• elevasi;
• hidrologi;
• sumber propagul;
• substrat;
• regenerasi alami;
• status lahan;
• penggunaan masyarakat.

Karena itu, citra paling tepat digunakan untuk:

screening → survei → verifikasi → keputusan.

Kesalahan Umum Interpretasi Citra Mangrove

1. Semua Warna Hijau Dianggap Mangrove

Vegetasi non-mangrove juga hijau.

2. NDVI Tinggi Dianggap Mangrove

NDVI mengindikasikan vegetasi, bukan identitas mangrove.

3. Menggunakan Satu Nilai MVI Universal

Threshold harus diuji pada kondisi lokal.

4. Mengabaikan Kondisi Pasang

Perubahan muka air dapat menghasilkan perubahan semu.

5. Mengabaikan Musim

Kondisi vegetasi dan kelembapan dapat berubah.

6. Tidak Masking Awan dan Bayangan

Keduanya dapat menghasilkan klasifikasi palsu.

7. Menggunakan Citra Resolusi Rendah untuk Detail Kecil

Objek yang lebih kecil dari kemampuan sensor tidak dapat dipaksakan terlihat.

8. Menganggap Drone Pasti Lebih Benar

Drone memiliki detail tinggi tetapi tetap membutuhkan interpretasi dan referensi.

9. Memetakan Spesies tanpa Validasi Spesies

Peta tutupan jangan diubah menjadi peta spesies tanpa bukti.

10. Menggunakan Data Training untuk Validasi

Akurasi menjadi terlalu optimistis.

11. Tidak Menjelaskan Definisi Mangrove

Hasil luas menjadi sulit dibandingkan antarpenelitian.

12. Menganggap Klasifikasi adalah Hasil Final

Hasil harus diperiksa, divalidasi, dan dikoreksi.

Quality Control Interpretasi Citra

Sebelum peta digunakan, periksa beberapa hal.

Konsistensi Geometri

Apakah batas antar-tahun sejajar?

Konsistensi Kelas

Apakah definisi mangrove sama?

Konsistensi Waktu

Apakah kondisi musim dan pasang dapat dibandingkan?

Outlier Spasial

Apakah terdapat “mangrove” di:

• tengah permukiman;
• lapangan;
• kawasan pertanian jauh dari pesisir?

Jika ada, periksa kembali.

Validasi Lapangan

Apakah kelas sulit telah diuji?

Metadata

Apakah metode terdokumentasi?

Format Metadata Interpretasi Citra

Produk akhir sebaiknya mencantumkan:

Judul: Peta Tutupan Mangrove 2026
Sensor: Sentinel-2 MSI
Tanggal Akuisisi: …
Resolusi: …
Level Produk: …
Metode: Random Forest
Kelas: Mangrove/Non-Mangrove
Training Data: …
Validation Data: …
Overall Accuracy: …
CRS: …
Pembuat: …
Tanggal Pemrosesan: …
Keterbatasan: …

Dengan metadata tersebut, orang lain dapat memahami bagaimana peta dihasilkan.

Interpretasi Citra dalam Monitoring Jangka Panjang

Interpretasi citra menjadi sangat kuat ketika dilakukan secara konsisten.

Misalnya:

2026: baseline

2027: monitoring pertama

2028: monitoring kedua

2030: evaluasi jangka menengah

Perubahan kemudian dapat dibandingkan berdasarkan lokasi yang sama.

Jika ditemukan kehilangan kanopi:

tim dapat memeriksa penyebabnya.

Jika ditemukan pertambahan:

periksa apakah berasal dari regenerasi alami atau penanaman.

Dengan cara tersebut, penginderaan jauh menjadi sistem peringatan awal yang membantu menentukan lokasi yang memerlukan pemeriksaan lapangan.

Citra Tidak Menggantikan Pengamatan Lapangan

Dari atas, mangrove dapat terlihat hijau dan rapat.

Tetapi citra mungkin tidak dapat menjawab:

• apakah semai tersedia;
• apakah akar rusak;
• apakah salinitas terlalu tinggi;
• apakah sampah menumpuk;
• apakah masyarakat menebang;
• apakah air masih mengalir;
• apakah spesies benar;
• apakah tanah mengalami subsiden.

Sebaliknya, survei lapangan dapat sangat rinci tetapi hanya mencakup titik tertentu.

Karena itu:

citra memberi konteks spasial luas, sedangkan lapangan memberi detail ekologis.

Keduanya saling melengkapi.

Dari Piksel menuju Pemahaman Ekosistem

Pada layar komputer, mangrove dapat terlihat hanya sebagai:

piksel hijau.

Namun, setiap piksel dapat mewakili:

• pohon;
• semai;
• air;
• sedimen;
• akar;
• fauna;
• saluran;
• aktivitas manusia.

Tugas interpretasi adalah mengubah sinyal tersebut menjadi informasi dengan tetap memahami keterbatasannya.

Prosesnya bergerak dari:

nilai piksel

menjadi:

kelas tutupan

kemudian:

pola spasial

dan akhirnya:

interpretasi ekologis.

Semakin jauh proses analisis bergerak dari data asli menuju kesimpulan ekologis, semakin penting verifikasi.

Kesimpulan

Interpretasi citra mangrove merupakan proses mengenali dan menganalisis kondisi mangrove berdasarkan karakter visual, spektral, spasial, dan temporal yang terekam oleh sensor satelit maupun drone.

Karakter yang dapat digunakan dalam interpretasi visual meliputi:

• warna;
• rona;
• tekstur;
• bentuk;
• pola;
• ukuran;
• bayangan;
• lokasi; dan
• asosiasi.

Sentinel-2 memberikan data multispektral dengan kanal beresolusi 10, 20, dan 60 meter, sedangkan Landsat sangat berguna untuk membaca perubahan jangka panjang dengan kanal multispektral utama sekitar 30 meter. Drone memberikan detail spasial jauh lebih tinggi dan dapat digunakan untuk membaca tajuk, saluran, pematang, serta kondisi tapak pada skala lokal.

Interpretasi dapat diperkuat melalui:

• komposit warna;
• NDVI;
• MVI;
• indeks air;
• digitasi visual;
• klasifikasi terbimbing;
• Random Forest;
• Support Vector Machine;
• OBIA;
• hingga deep learning.

Namun, semakin kompleks algoritmanya tidak otomatis semakin akurat hasilnya.

Kualitas peta sangat dipengaruhi oleh:

kualitas citra + definisi kelas + training data + validasi + pemahaman ekologis analis.

Kondisi pasang surut, musim, awan, bayangan, mixed pixel, resolusi spasial, dan kesamaan spektral dengan vegetasi lain harus selalu diperhitungkan.

Hasil klasifikasi kemudian perlu diuji menggunakan data independen melalui confusion matrix, Overall Accuracy, Producer's Accuracy, dan User's Accuracy sebelum digunakan sebagai dasar analisis yang lebih lanjut.

Yang tidak kalah penting, citra mangrove tidak boleh digunakan melampaui kemampuan datanya.

Citra hijau tidak otomatis berarti mangrove.

NDVI tinggi tidak otomatis berarti mangrove sehat.

Resolusi tinggi tidak otomatis berarti spesies dapat dikenali.

Area terbuka tidak otomatis merupakan lokasi restorasi.

Dan perubahan warna piksel tidak otomatis berarti perubahan ekosistem.

Bagi KeSEMaT, interpretasi citra sebaiknya ditempatkan sebagai bagian dari pendekatan berbasis bukti yang menghubungkan penginderaan jauh, GIS, survei lapangan, hidrologi, elevasi, vegetasi, dan pengetahuan masyarakat.

Citra membantu melihat mangrove dari atas. Data lapangan membantu melihat apa yang sebenarnya terjadi di bawah tajuk. Analisis yang baik menghubungkan keduanya sebelum menarik kesimpulan. (ADM).

Daftar Pustaka

Baloloy, A. B., Blanco, A. C., Sta. Ana, R. R. C., & Nadaoka, K. (2020). Development and application of a new mangrove vegetation index (MVI) for rapid and accurate mangrove mapping. ISPRS Journal of Photogrammetry and Remote Sensing, 166, 95–117.

Food and Agriculture Organization of the United Nations. (2024). Remote Sensing Techniques for Mapping and Monitoring Mangroves at Fine Scales. Rome: FAO.

Giri, C. (2021). Recent advancement in mangrove forests mapping and monitoring of the world using earth observation satellite data. Remote Sensing, 13.

Green, E. P., Mumby, P. J., Edwards, A. J., & Clark, C. D. (2000). Remote Sensing Handbook for Tropical Coastal Management. Paris: UNESCO.

Kuenzer, C., Bluemel, A., Gebhardt, S., Quoc, T. V., & Dech, S. (2011). Remote sensing of mangrove ecosystems: A review. Remote Sensing, 3(5), 878–928.

Olofsson, P., Foody, G. M., Herold, M., Stehman, S. V., Woodcock, C. E., & Wulder, M. A. (2014). Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment, 148, 42–57.

Pham, T. D., Yokoya, N., Bui, D. T., Yoshino, K., & Friess, D. A. (2019). Remote sensing approaches for monitoring mangrove species, structure, and biomass: Opportunities and challenges. Remote Sensing, 11.

U.S. Geological Survey. Landsat Missions: Band Designations and Sensor Characteristics. USGS.

Copernicus Programme. Sentinel-2 MultiSpectral Instrument Documentation. European Union/Copernicus.

(Sumber gambar: Fandano/Wikimedia Commons, CC0 1.0, dipotong ke rasio 4:3)