Drone untuk Pemetaan Mangrove: Metode, Perencanaan Terbang, Pengolahan Data, dan Analisis

Semarang – KeSEMaTBLOG. Drone untuk pemetaan mangrove dapat digunakan untuk memperoleh citra udara beresolusi sangat tinggi yang kemudian diolah menjadi orthomosaic, model permukaan, peta tutupan vegetasi, informasi struktur kanopi, hingga data pendukung monitoring perubahan ekosistem. Dibandingkan survei lapangan saja, Unmanned Aerial Vehicle atau UAV memungkinkan kawasan pesisir direkam secara lebih cepat dan detail, terutama ketika ukuran objek yang ingin diamati lebih kecil daripada kemampuan resolusi citra satelit.

Pemanfaatan drone dalam penelitian mangrove terus berkembang. Kamera RGB masih menjadi sensor yang paling umum, tetapi penelitian semakin mengintegrasikan sensor multispektral, hiperspektral, Light Detection and Ranging atau LiDAR, Real-Time Kinematic atau RTK, Post-Processed Kinematic atau PPK, serta pendekatan machine learning. Review terbaru mengenai UAV untuk ekosistem pesisir juga menunjukkan perkembangan menuju standardisasi alur Structure from Motion–Multi View Stereo atau SfM-MVS serta penggunaan RTK/PPK, meskipun validasi menggunakan titik kontrol lapangan tetap penting.

Namun, satu prinsip perlu dipahami:

menerbangkan drone ≠ menghasilkan peta yang akurat.

Peta yang dapat dipertanggungjawabkan membutuhkan perencanaan penerbangan, kualitas citra, overlap, kontrol posisi, pengolahan fotogrametri, sistem koordinat, klasifikasi, validasi, dan dokumentasi metode yang baik.

Apa Itu Drone untuk Pemetaan Mangrove?

Drone adalah wahana udara tanpa awak yang dapat membawa sensor untuk merekam kondisi permukaan bumi.

Dalam konteks pemetaan mangrove, istilah yang sering digunakan antara lain:

Unmanned Aerial Vehicle atau UAV

Uncrewed Aerial Vehicle

Unmanned Aircraft System atau UAS

dan secara umum:

drone.

Drone dapat dilengkapi dengan:

• kamera RGB;
• kamera multispektral;
• kamera hiperspektral;
• sensor termal;
• LiDAR.

Data tersebut kemudian dapat digunakan untuk berbagai tujuan penelitian dan monitoring.

Apa yang Bisa Dipetakan dengan Drone?

Drone dapat membantu memetakan:

luas tutupan mangrove;

batas vegetasi;

celah kanopi;

saluran pasang surut;

tambak;

mudflat;

garis pantai;

perubahan kawasan;

serta, pada kondisi dan metode tertentu:

jenis mangrove;

tinggi kanopi;

biomassa;

dan:

indikator kondisi vegetasi.

Review teknologi drone dan penginderaan jauh mangrove menunjukkan pemanfaatan UAV telah berkembang dari pemetaan sederhana menjadi klasifikasi spesies, estimasi karakter vegetasi, biomassa, dan karbon dengan integrasi data lapangan serta algoritme analisis.

Mengapa Drone Berguna untuk Mangrove?

Mangrove sering berada pada lokasi:

• berlumpur;
• tergenang;
• sulit dijangkau;
• mempunyai vegetasi rapat;
• dipotong banyak saluran.

Survei terestris tetap penting, tetapi hanya memberikan informasi pada titik atau plot yang diamati.

Drone memberikan perspektif berbeda:

data spasial kontinu dari atas.

Dengan resolusi sentimeter, objek seperti:

• tajuk pohon;
• bukaan;
• tanggul;
• saluran;
• vegetasi muda dalam kelompok besar;

dapat terlihat jauh lebih detail dibandingkan banyak citra satelit resolusi menengah.

Pada studi Setiu Wetland, Malaysia, citra drone sekitar 5 cm menghasilkan klasifikasi mangrove yang lebih akurat daripada citra satelit Pleiades 50 cm untuk konfigurasi penelitian tersebut. Klasifikasi berbasis objek pada citra drone mencapai overall accuracy sekitar 94%, tetapi hasil tersebut merupakan capaian studi spesifik dan bukan angka yang otomatis berlaku pada lokasi lain.

Drone Tidak Menggantikan Survei Lapangan

Ini sangat penting.

Foto dari atas dapat menunjukkan:

warna;

tekstur;

bentuk tajuk;

pola vegetasi.

Namun, foto belum tentu dapat memastikan:

jenis;

DBH;

kondisi akar;

asal regenerasi;

atau parameter sedimen.

Karena itu:

drone + data lapangan

lebih kuat daripada:

drone tanpa validasi.

Data lapangan dapat digunakan sebagai:

ground truth

training data

dan:

validation data.

USGS juga menggunakan data vegetasi lapangan dan profil spektral bersama citra UAV untuk melatih dan memvalidasi klasifikasi.

Tahapan Pemetaan Mangrove Menggunakan Drone

Secara umum alurnya adalah:

menentukan tujuan → menentukan area → memilih sensor → merancang penerbangan → memasang kontrol → terbang → memeriksa foto → fotogrametri → menghasilkan orthomosaic → klasifikasi/analisis → validasi → peta akhir.

Setiap langkah memengaruhi langkah berikutnya.

Kesalahan saat pengambilan citra sering tidak dapat diperbaiki sepenuhnya saat pengolahan.

Langkah 1. Tentukan Tujuan Pemetaan

Jangan memulai dengan:

“Kita terbangkan drone dahulu.”

Mulailah dengan pertanyaan:

Apa yang ingin diketahui?

Misalnya:

Berapa luas mangrove?

Apakah garis mangrove maju atau mundur?

Di mana terdapat bukaan kanopi?

Berapa luas area rehabilitasi?

Apakah jenis mangrove dapat dipisahkan?

Berapa tinggi kanopi?

Tujuan menentukan:

• sensor;
• resolusi;
• ketinggian;
• metode pengolahan;
• kebutuhan lapangan.

Pemetaan Luas Mangrove

Untuk membedakan kategori sederhana seperti:

mangrove;

air;

tambak;

tanah terbuka;

kamera RGB dengan resolusi tinggi sering sudah dapat memberikan informasi yang sangat berguna.

Namun, klasifikasi tetap perlu divalidasi.

Pemetaan Jenis Mangrove

Pemetaan sampai tingkat spesies lebih sulit.

Jenis seperti:

Rhizophora mucronata

Rhizophora apiculata

Avicennia marina

dan:

Sonneratia alba

dapat mempunyai karakter tajuk berbeda, tetapi kemiripan warna dan spektral dapat menyulitkan klasifikasi.

Review terbaru menunjukkan bahwa kemiripan spektral antarspesies dan tumpang tindih vegetasi menjadi tantangan penting dalam identifikasi jenis mangrove. Kombinasi resolusi spasial dan spektral yang lebih tinggi, termasuk multispektral atau hiperspektral, dapat meningkatkan kemampuan klasifikasi.

Jadi:

foto sangat tajam belum tentu cukup untuk membedakan spesies.

Kamera RGB untuk Pemetaan Mangrove

RGB terdiri atas:

Red

Green

dan:

Blue.

Ini merupakan kamera yang paling umum terdapat pada drone pemetaan maupun drone konsumen.

RGB sangat baik untuk:

• orthomosaic;
• interpretasi visual;
• digitasi;
• tutupan lahan;
• garis pantai;
• objek buatan;
• struktur tajuk tertentu.

Keunggulannya:

murah, sederhana, dan resolusi spasial tinggi.

Namun, RGB mempunyai keterbatasan spektral karena tidak merekam Near Infrared atau NIR seperti sensor multispektral.

Kamera Multispektral

Sensor multispektral merekam beberapa panjang gelombang terpisah.

Umumnya dapat mencakup:

Blue

Green

Red

Red Edge

dan:

Near Infrared.

Data tersebut memungkinkan penghitungan indeks vegetasi.

Salah satu yang paling terkenal adalah:

Normalized Difference Vegetation Index atau NDVI.

Rumus:

NDVI = (NIR − Red) / (NIR + Red)

Nilainya secara teoritis berada sekitar:

−1 sampai +1.

Vegetasi hijau sehat biasanya menghasilkan respons NIR yang relatif tinggi dibandingkan merah.

Namun:

NDVI bukan ukuran kesehatan mangrove yang berdiri sendiri.

Nilainya dipengaruhi:

• kanopi;
• bayangan;
• air;
• substrat;
• sensor;
• kondisi pencahayaan.

Kamera RGB Tidak Menghasilkan NDVI Sejati

Kamera RGB standar tidak mempunyai kanal NIR.

Karena itu, jangan menggunakan:

merah, hijau, biru

lalu menyebut hasilnya:

NDVI

tanpa NIR.

Indeks berbasis RGB memang ada, tetapi itu merupakan indeks yang berbeda.

Kamera Hiperspektral

Sensor hiperspektral mempunyai jauh lebih banyak kanal spektral dengan rentang yang sempit.

Kelebihannya adalah kemampuan menangkap perbedaan spektral yang lebih detail.

Hal ini dapat berguna untuk:

• pemetaan spesies;
• kondisi fisiologis;
• penelitian spektral.

Namun, teknologi ini mempunyai tantangan:

• harga;
• kalibrasi;
• ukuran data;
• pengolahan;
• kebutuhan keahlian.

Studi sintesis penginderaan jauh mangrove menunjukkan data hiperspektral mempunyai potensi besar untuk klasifikasi spesies ketika resolusi spasial dan kualitas spektral memadai.

LiDAR untuk Mangrove

LiDAR menggunakan pulsa laser untuk mengukur jarak ke objek.

Dari data tersebut dapat diperoleh:

point cloud

yang menggambarkan struktur tiga dimensi.

LiDAR sangat berguna untuk:

• tinggi vegetasi;
• struktur kanopi;
• model permukaan;
• analisis biomassa.

Pada vegetasi tertentu, sebagian pulsa dapat melewati celah kanopi dan mencapai permukaan yang lebih rendah sehingga memberikan informasi yang sulit diperoleh hanya dari foto RGB.

Namun:

LiDAR tidak otomatis melihat tanah di bawah seluruh mangrove rapat.

Kepadatan kanopi dan konfigurasi sensor tetap memengaruhi kemampuan penetrasi.

Apa Itu Fotogrametri?

Photogrammetry adalah teknik memperoleh informasi geometrik dari foto yang saling bertampalan.

Dalam pemetaan drone modern sering digunakan metode:

Structure from Motion

dan:

Multi-View Stereo

yang disingkat:

SfM-MVS.

Foto objek yang sama dari banyak posisi digunakan untuk memperkirakan:

• posisi kamera;
• bentuk tiga dimensi;
• point cloud;
• permukaan.

Dari proses tersebut dapat dibuat:

• orthomosaic;
• DSM;
• point cloud;
• model 3D.

Kualitas produk SfM-MVS sangat dipengaruhi kualitas citra, kondisi objek, geometri penerbangan, kontrol posisi, serta perangkat lunak pengolahan.

Apa Itu Orthomosaic?

Orthomosaic merupakan kumpulan foto udara yang telah dikoreksi secara geometrik dan digabung menjadi satu citra kontinu.

Ini berbeda dengan:

foto yang sekadar ditempel.

Foto drone mempunyai:

• perspektif;
• posisi;
• orientasi;
• distorsi.

Proses fotogrametri mengoreksi faktor tersebut sehingga orthomosaic dapat digunakan untuk pengukuran spasial sesuai ketelitian yang dicapai.

Orthomosaic dapat digunakan sebagai dasar:

• digitasi tutupan mangrove;
• menghitung luas;
• pemetaan saluran;
• klasifikasi tutupan lahan;
• monitoring perubahan.

Apa Itu GSD?

GSD adalah Ground Sampling Distance.

GSD menunjukkan ukuran permukaan tanah yang diwakili oleh satu piksel.

Misalnya:

GSD = 5 cm/piksel

berarti secara nominal satu piksel mempunyai ukuran sekitar:

5 × 5 cm di permukaan.

Semakin kecil nilai GSD:

semakin detail citra.

Contoh:

2 cm/piksel

lebih detail daripada:

10 cm/piksel.

Tetapi:

GSD tinggi resolusinya tidak otomatis berarti akurasi posisi tinggi.

Citra dapat sangat tajam tetapi bergeser beberapa meter jika georeferensinya buruk.

USGS menekankan bahwa ketelitian geometrik produk UAV tidak hanya ditentukan oleh ukuran piksel, tetapi juga kualitas titik kontrol dan tie points.

GSD Berbeda dengan Akurasi

Misalnya:

GSD:

3 cm/piksel

tetapi akurasi horizontal:

50 cm.

Ini mungkin terjadi.

Artinya gambar terlihat sangat detail, tetapi posisi objek belum tentu berada tepat pada koordinat sebenarnya.

Karena itu:

resolution ≠ accuracy

dan:

precision ≠ accuracy.

Apa Itu Overlap?

Fotogrametri membutuhkan objek yang sama terlihat pada beberapa foto.

Ini disebut:

image overlap.

Ada dua komponen utama:

front overlap

dan:

side overlap.

Front overlap merupakan tumpang tindih foto sepanjang arah penerbangan.

Side overlap merupakan tumpang tindih antarjalur penerbangan.

Berapa Overlap untuk Pemetaan Mangrove?

Tidak ada satu angka yang selalu tepat untuk semua drone dan lokasi.

Sebagai referensi umum, panduan fotogrametri PIX4D menggunakan minimum sekitar:

75% front overlap

dan:

60% side overlap

untuk kasus umum.

Namun, untuk hutan dan vegetasi rapat, rekomendasinya meningkat hingga sekitar:

85% pada kedua arah

karena cabang dan daun mempunyai geometri kompleks serta dapat berubah antarframe akibat angin.

Untuk mangrove rapat, overlap tinggi sering lebih aman.

Namun, semakin tinggi overlap:

• jumlah foto meningkat;
• waktu terbang meningkat;
• penyimpanan meningkat;
• pemrosesan semakin berat.

Jadi desain harus menyeimbangkan kualitas dan efisiensi.

Mengapa Mangrove Sulit untuk Fotogrametri?

Kanopi mempunyai:

ribuan daun;

ranting;

bayangan;

tekstur berulang.

Selain itu, daun bergerak akibat angin.

Foto pertama dapat menunjukkan posisi daun berbeda dengan foto kedua beberapa detik kemudian.

Algoritme SfM mencari fitur yang sama antarimage.

Jika fitur berubah terlalu banyak:

matching menjadi sulit.

Itulah sebabnya vegetasi rapat membutuhkan perhatian khusus pada:

• overlap;
• angin;
• ketinggian;
• ketajaman foto.

Hindari Terbang Saat Angin Terlalu Kuat

Angin memengaruhi dua hal.

Pertama:

stabilitas drone.

Kedua:

pergerakan tajuk.

Daun dan cabang yang berubah posisi antarimage dapat mengurangi kualitas feature matching.

Panduan fotogrametri untuk vegetasi rapat juga menyarankan menghindari kondisi ketika vegetasi bergerak signifikan antarimage.

Motion Blur Harus Dihindari

Motion blur dapat terjadi ketika:

• drone bergerak terlalu cepat;
• shutter speed terlalu lambat;
• cahaya rendah.

Hasilnya:

foto terlihat kabur.

Foto seperti ini dapat menyulitkan:

• feature matching;
• identifikasi tajuk;
• klasifikasi.

Jangan hanya melihat:

jumlah foto.

Periksa:

kualitas foto.

Waktu Penerbangan

Pencahayaan memengaruhi citra.

Masalah yang dapat muncul:

• bayangan panjang;
• pantulan air;
• sun glint;
• awan bergerak;
• perubahan eksposur.

Untuk monitoring berulang, usahakan:

• periode pengambilan relatif sebanding;
• sudut matahari tidak terlalu berbeda;
• kondisi pencahayaan terdokumentasi.

Ini penting terutama jika citra akan digunakan untuk:

analisis spektral.

Pasang Surut Juga Penting

Mangrove berada pada zona intertidal.

Peta yang dibuat saat:

pasang tinggi

dapat menunjukkan banyak area sebagai air.

Peta yang sama saat:

surut rendah

dapat menunjukkan:

• mudflat;
• saluran;
• tanah terbuka.

Jika tujuan adalah membandingkan garis habitat antarwaktu:

kondisi pasang harus diperhatikan.

Jangan menyimpulkan:

luas mangrove berubah

hanya karena dua survei dilakukan pada kondisi pasang yang sangat berbeda.

Perencanaan Jalur Terbang

Untuk pemetaan area, pola yang umum digunakan adalah:

grid flight.

Drone bergerak dalam jalur paralel dengan:

• tinggi relatif konsisten;
• front overlap;
• side overlap.

Untuk kebutuhan struktur 3D kompleks dapat digunakan:

cross-grid

atau tambahan foto oblique sesuai kebutuhan.

Namun, jika tujuan hanya orthomosaic nadir:

penerbangan vertikal ke bawah biasanya menjadi dasar.

Foto Nadir

Nadir image berarti kamera diarahkan mendekati:

tegak lurus ke permukaan bumi.

Foto ini cocok untuk:

• orthomosaic;
• klasifikasi tutupan;
• digitasi.

Foto miring atau oblique dapat berguna untuk struktur 3D.

Namun:

jangan mencampur strategi penerbangan tanpa mengetahui tujuan pengolahannya.

Ketinggian Terbang

Tidak ada satu ketinggian ideal untuk seluruh pemetaan mangrove.

Ketinggian ditentukan berdasarkan:

• GSD target;
• sensor;
• luas area;
• keselamatan;
• topografi;
• aturan ruang udara.

Semakin rendah:

GSD biasanya semakin kecil dan detail meningkat.

Tetapi:

• area per foto mengecil;
• foto bertambah;
• baterai bertambah;
• efek perspektif tajuk dapat meningkat.

Sebaliknya, terbang lebih tinggi:

• cakupan meningkat;
• resolusi menurun.

Desain harus dimulai dari:

kebutuhan produk akhir.

GCP untuk Pemetaan Drone

GCP adalah:

Ground Control Point.

GCP merupakan titik di lapangan dengan koordinat diketahui dan dapat terlihat jelas pada foto udara.

GCP digunakan untuk membantu mengikat model fotogrametri ke sistem koordinat sebenarnya.

Koordinat GCP dapat diukur menggunakan:

• GNSS RTK;
• GNSS survei;
• total station;
• teknik geodesi lainnya.

USGS menegaskan bahwa distribusi dan ketelitian GCP merupakan faktor penting yang mengontrol ketelitian produk fotogrametri.

Bagaimana Bentuk GCP?

GCP harus mudah terlihat pada citra.

Bentuk umum:

• silang;
• kotak kontras;
• papan hitam-putih.

Ukuran target harus disesuaikan dengan:

• ketinggian;
• GSD.

Target terlalu kecil:

tidak terlihat.

Target terlalu besar:

sulit menentukan titik tengah secara presisi.

Distribusi GCP Lebih Penting daripada Menumpuk di Satu Tempat

Misalnya tersedia enam GCP.

Jangan semua dipasang:

di dekat titik lepas landas.

Sebarkan ke:

• tepi area;
• bagian tengah;
• variasi elevasi jika relevan.

USGS menekankan bahwa GCP yang baik harus terdistribusi secara planimetris dan, jika diperlukan, secara vertikal.

Tantangan GCP di Mangrove

Masalahnya:

mangrove sulit diinjak.

Tidak mudah memasang target di tengah:

• lumpur;
• saluran;
• kanopi rapat.

Alternatif dapat menggunakan:

• area terbuka;
• tanggul;
• jalan;
• tambak;
• objek stabil.

Tetapi distribusinya tetap harus mewakili area.

Jangan mengorbankan keselamatan hanya untuk memasang titik di tengah hutan.

Apa Itu Check Point?

Check point adalah titik independen yang tidak digunakan untuk membangun atau mengikat model, tetapi digunakan untuk menguji akurasinya.

Ini berbeda dari GCP.

GCP = kontrol

Check point = validasi

Jika seluruh titik dipakai sebagai GCP:

tidak tersisa data independen untuk menilai akurasi eksternal.

USGS membedakan fungsi tersebut secara jelas dalam survei UAS modern.

Apa Itu RTK pada Drone?

RTK adalah:

Real-Time Kinematic.

Teknologi ini memungkinkan posisi kamera diperbaiki secara real-time menggunakan informasi koreksi GNSS.

Keunggulannya:

• posisi foto lebih akurat;
• kebutuhan GCP dapat berkurang dalam beberapa desain;
• efisiensi lapangan meningkat.

Tetapi:

drone RTK bukan berarti peta pasti benar.

Kesalahan dapat berasal dari:

• sistem koordinat;
• tinggi antena;
• geoid;
• kamera;
• kalibrasi;
• pemrosesan.

Validasi independen tetap dibutuhkan jika ketelitian merupakan bagian penting proyek.

Apa Itu PPK?

PPK adalah:

Post-Processed Kinematic.

Berbeda dengan RTK yang menerapkan koreksi selama penerbangan, PPK mengolah data posisi setelah penerbangan menggunakan observasi GNSS dari drone dan stasiun referensi.

RTK dan PPK sama-sama dapat meningkatkan posisi foto.

Namun, pilihan tergantung:

• perangkat;
• jaringan koreksi;
• lingkungan;
• alur kerja.

Drone RTK Tidak Membuat GCP “Tidak Berguna”

Dalam proyek tertentu RTK/PPK dapat mengurangi kebutuhan GCP secara signifikan.

Namun, tetap perlu membedakan:

kontrol

dan:

validasi.

Walaupun tanpa banyak GCP, check point independen tetap sangat berharga untuk mengetahui apakah produk benar-benar mencapai ketelitian yang diklaim.

Apa Itu Point Cloud?

Point cloud adalah kumpulan titik tiga dimensi yang mempunyai koordinat:

X

Y

Z.

Dalam fotogrametri, titik tersebut dihasilkan dari kesamaan objek pada banyak foto.

Produk awal dapat berupa:

sparse point cloud

kemudian:

dense point cloud.

Data ini dapat digunakan untuk membangun model permukaan.

Apa Itu DSM?

DSM adalah:

Digital Surface Model.

DSM menggambarkan elevasi permukaan tertinggi yang terdeteksi.

Di kawasan mangrove, permukaan tersebut sering berupa:

kanopi.

Karena itu, DSM hasil fotogrametri RGB pada hutan rapat sering lebih dekat dengan:

permukaan tajuk

daripada:

permukaan tanah.

Apa Itu DTM?

DTM adalah:

Digital Terrain Model.

DTM berusaha menggambarkan:

permukaan tanah.

Di mangrove rapat, menghasilkan DTM dari foto RGB sangat sulit karena kamera dari udara tidak dapat melihat tanah yang tertutup kanopi.

Ini merupakan kesalahan yang sering terjadi:

DSM disebut DTM.

Padahal keduanya berbeda.

Jangan Menganggap Fotogrametri RGB Bisa Melihat Tanah di Bawah Kanopi

Jika kanopi tertutup:

kamera hanya merekam:

daun dan tajuk.

Algoritme tidak mempunyai informasi visual tentang permukaan lumpur di bawahnya.

Karena itu, DTM yang “dibentuk” melalui interpolasi pada area tertutup rapat dapat mengandung asumsi besar.

Untuk kebutuhan elevasi tanah presisi:

• LiDAR;
• GNSS lapangan;
• survei terestris;

dapat lebih sesuai.

Apa Itu CHM?

CHM adalah:

Canopy Height Model.

Rumus sederhananya:

CHM = DSM − DTM

Jika:

DSM tajuk = 8,5 m

DTM tanah = 1,2 m

maka:

CHM:

8,5 − 1,2

= 7,3 m

Artinya estimasi tinggi kanopi sekitar:

7,3 meter.

Namun, kualitas CHM bergantung pada kualitas DSM dan DTM.

Jika DTM salah:

CHM juga salah.

Tinggi Kanopi Berbeda dengan Tinggi Setiap Pohon

CHM menggambarkan permukaan kanopi.

Ia tidak otomatis memberikan tinggi akurat setiap individu pohon.

Pada tajuk yang saling bertumpang tindih:

batas pohon sulit dibedakan.

Untuk memperoleh tinggi individual perlu:

• segmentasi tajuk;
• deteksi puncak;
• model yang sesuai;
• validasi lapangan.

Menghitung Luas Mangrove dari Orthomosaic

Salah satu penggunaan paling sederhana adalah digitasi.

Alurnya:

orthomosaic → delineasi batas → polygon → hitung luas.

Hasil dapat dinyatakan:

m²

atau:

ha.

Karena:

1 ha = 10.000 m²

Jika polygon menghasilkan:

256.000 m²

maka:

256.000 / 10.000

= 25,6 ha.

Digitasi Manual atau Otomatis?

Keduanya memungkinkan.

Digitasi Manual

Operator menentukan batas berdasarkan interpretasi visual.

Keunggulan:

• mudah;
• dapat memahami konteks.

Kelemahan:

• subjektif;
• lambat untuk area luas.

Klasifikasi Otomatis

Algoritme mengelompokkan piksel atau objek.

Metode dapat berupa:

supervised classification

Object-Based Image Analysis

Random Forest

Support Vector Machine

deep learning.

Review mangrove menunjukkan pendekatan machine learning dan integrasi multi-sensor semakin banyak digunakan dalam klasifikasi.

Pixel-Based Classification

Pada klasifikasi berbasis piksel:

setiap piksel dianalisis berdasarkan karakteristiknya.

Metode ini bekerja baik pada kondisi tertentu.

Namun, citra drone mempunyai resolusi sangat tinggi.

Satu tajuk dapat terdiri atas ribuan piksel dengan:

• bayangan;
• daun terang;
• cabang;
• variasi warna.

Akibatnya dapat muncul efek:

salt-and-pepper.

Object-Based Image Analysis

Object-Based Image Analysis atau OBIA mengelompokkan piksel menjadi objek sebelum klasifikasi.

Objek dapat dianalisis dari:

• warna;
• tekstur;
• bentuk;
• ukuran;
• konteks.

Pada pemetaan mangrove resolusi tinggi, OBIA sering mempunyai keunggulan karena tajuk atau kelompok vegetasi lebih alami direpresentasikan sebagai objek dibandingkan piksel individual.

Studi Setiu Wetland menghasilkan klasifikasi berbasis objek yang lebih akurat dibandingkan pendekatan berbasis piksel dalam dataset drone tersebut.

Tetapi:

OBIA tidak selalu otomatis lebih baik.

Hasil tergantung:

• segmentasi;
• fitur;
• data latihan;
• kelas;
• kondisi lokasi.

Machine Learning untuk Mangrove

Algoritme dapat dilatih untuk membedakan kelas berdasarkan sampel.

Contoh:

Mangrove
Air
Tambak
Mudflat
Permukiman.

Atau:

Rhizophora
Avicennia
Sonneratia.

Algoritme dapat menggunakan fitur:

• RGB;
• NIR;
• indeks vegetasi;
• tekstur;
• tinggi;
• bentuk tajuk.

Namun:

algoritme canggih tidak memperbaiki label lapangan yang salah.

Jika training data salah:

model belajar dari kesalahan.

Pisahkan Training dan Validation Data

Jangan menggunakan semua titik lapangan untuk melatih model lalu menguji model menggunakan titik yang sama.

Itu menghasilkan evaluasi terlalu optimistis.

Pisahkan:

training data

dan:

validation data.

Prinsip ini sama dengan GCP dan check point:

data yang membangun model idealnya tidak sekaligus menjadi satu-satunya data yang menilai keberhasilannya.

Apa Itu Confusion Matrix?

Confusion matrix digunakan untuk membandingkan:

kelas hasil prediksi

dengan:

kelas referensi.

Dari tabel tersebut dapat dihitung:

Overall Accuracy

Producer's Accuracy

User's Accuracy

serta metrik lain.

Rumus Overall Accuracy

Rumus sederhananya:

OA = Jumlah Sampel yang Diklasifikasikan Benar / Total Sampel Validasi × 100%

Misalnya:

200 titik validasi.

180 benar.

Maka:

180 / 200 × 100%

= 90%

Jadi:

Overall Accuracy = 90%

Akurasi 90% Tidak Berarti Semua Kelas 90%

Misalnya:

mangrove = sangat akurat.

Mudflat = sering salah.

Air = sangat akurat.

Rata-rata keseluruhan dapat tetap:

90%.

Karena itu, jangan hanya melaporkan Overall Accuracy.

Periksa akurasi setiap kelas.

Pemetaan Spesies Mangrove Lebih Sulit

Pada tingkat tutupan:

mangrove vs air

perbedaannya sangat besar.

Pada tingkat spesies:

Rhizophora mucronata

vs:

Rhizophora apiculata

dapat jauh lebih mirip.

Studi multispektral dan hiperspektral menunjukkan resolusi spektral menjadi sangat penting untuk pemetaan spesies. Dalam beberapa dataset dengan sensor dan metode maju, akurasi tinggi dapat dicapai, tetapi angka tersebut bergantung kuat pada lokasi dan teknologi yang digunakan.

Jangan menjanjikan:

“drone pasti dapat mengenali semua jenis mangrove.”

Pemetaan Pohon Individu

Pada tegakan dengan tajuk terpisah, citra drone dapat digunakan untuk:

• mendeteksi puncak;
• delineasi tajuk;
• menghitung individu.

Namun, pada mangrove yang:

• rapat;
• tajuk saling tumpang tindih;
• bercabang kompleks;

satu tajuk visual belum tentu sama dengan satu individu.

Karena itu:

jumlah tajuk hasil segmentasi ≠ jumlah pohon secara otomatis.

Validasi lapangan tetap diperlukan.

Drone untuk Menghitung Mangrove Muda

Pada area rehabilitasi yang terbuka, individu mangrove muda dapat terlihat jelas.

Drone beresolusi sangat tinggi dapat membantu:

• mendeteksi lokasi;
• memetakan distribusi;
• menghitung kandidat individu.

Namun, rumput atau vegetasi lain dapat mempunyai:

• warna;
• ukuran;
• tekstur;

yang mirip.

Akibatnya identifikasi otomatis dapat menghasilkan:

false positive

atau:

false negative.

Jangan menyatakan jumlah hasil algoritme sebagai jumlah pasti tanpa uji akurasi.

False Positive dan False Negative

False positive

terjadi ketika objek bukan mangrove diklasifikasikan sebagai mangrove.

False negative

terjadi ketika mangrove nyata tidak terdeteksi.

Contoh:

rumput → dianggap semai mangrove

= false positive.

Semai mangrove tertutup rumput → tidak terdeteksi

= false negative.

Keduanya penting dalam pemetaan.

Drone untuk Monitoring Rehabilitasi

Drone sangat bermanfaat untuk monitoring berulang.

Misalnya survei dilakukan:

bulan ke-0;

bulan ke-6;

bulan ke-12;

bulan ke-24.

Produk dapat dibandingkan untuk melihat:

• perubahan tutupan;
• bukaan;
• perkembangan kanopi;
• abrasi;
• sedimentasi;
• distribusi vegetasi.

Namun, monitoring harus menggunakan prosedur yang konsisten.

Penerbangan Monitoring Harus Sebanding

Jika 2026 menggunakan:

GSD 3 cm

dan 2027:

GSD 15 cm,

kemampuan mendeteksi objek berubah.

Jika satu survei dilakukan saat pasang:

dan lainnya saat surut,

batas kelas juga berubah.

Karena itu, usahakan konsisten pada:

• sensor;
• GSD;
• ketinggian;
• waktu;
• musim;
• pasang;
• overlap;
• sistem koordinat.

Jangan Membandingkan Dua Orthomosaic Hanya dengan Mata

Untuk mendeteksi perubahan kecil, kedua produk harus:

• tergeoreferensi baik;
• mempunyai sistem koordinat sama;
• mempunyai ketelitian yang diketahui.

Jika salah satu peta bergeser:

1 meter,

seolah-olah seluruh batas mangrove berpindah.

Padahal itu hanya:

kesalahan geometri.

Change Detection

Change detection digunakan untuk mendeteksi perubahan antarwaktu.

Contoh:

Mangrove 2026 = 100 ha

Mangrove 2028 = 105 ha.

Perubahan bruto:

105 − 100

= +5 ha

Tetapi analisis lebih kuat memisahkan:

gain

dan:

loss.

Misalnya:

Mangrove baru = +8 ha

Mangrove hilang = −3 ha

Netto:

+5 ha.

Ini memberikan informasi lebih baik daripada hanya selisih total.

Drone dan Garis Pantai

Drone dapat membantu mendigitasi posisi:

• garis vegetasi;
• batas mudflat;
• garis air.

Namun:

garis air sangat dipengaruhi pasang surut.

Jika tujuan memantau abrasi, gunakan definisi garis pantai yang konsisten.

Jangan membandingkan:

garis air saat surut

dengan:

garis air saat pasang.

Drone dan Sedimentasi Mangrove

Drone dapat memetakan perubahan bentuk permukaan pada skala tertentu.

Namun:

drone RGB tidak langsung mengukur:

mg/cm²/hari sedimentasi.

Untuk laju deposisi diperlukan:

sediment trap.

Untuk perubahan elevasi sangat presisi dapat dibutuhkan:

Surface Elevation Table.

Drone merupakan:

alat spasial pendukung

bukan pengganti seluruh metode sedimentasi.

Drone dan Tutupan Kanopi

Citra drone dapat memetakan kanopi dari atas.

Namun, ini berbeda dari:

hemispherical photography

yang melihat kanopi dari bawah.

Citra drone lebih dekat dengan:

proyeksi tutupan tajuk dari atas.

Foto hemisferis lebih dekat dengan:

canopy closure

dari titik pengamatan bawah.

Keduanya tidak boleh dianggap identik.

Drone dan Biomassa Mangrove

UAV dapat menyediakan variabel seperti:

• tinggi;
• luas tajuk;
• struktur kanopi;
• indeks spektral.

Variabel tersebut dapat digunakan untuk membangun model biomassa.

Review sistematis 2025 menunjukkan RGB dan LiDAR merupakan sensor yang banyak digunakan dalam estimasi biomassa dan karbon mangrove, tetapi standardisasi metode dan validasi masih menjadi tantangan, khususnya untuk biomassa bawah tanah.

Jadi:

drone tidak “mengukur karbon” secara langsung.

Drone mengukur atau memprediksi karakter yang kemudian dimasukkan ke model.

Drone dan Karbon Mangrove

Jika model menyatakan:

AGB = f(tinggi kanopi, luas tajuk, NDVI)

maka model harus dikalibrasi menggunakan:

biomassa lapangan.

Kemudian:

biomassa dapat dikonversi menjadi karbon sesuai metode yang digunakan.

Jangan membuat:

warna hijau → ton karbon

tanpa kalibrasi.

Data Lapangan untuk Model Biomassa

Plot lapangan dapat mengukur:

• DBH;
• tinggi;
• jenis;
• densitas kayu.

Biomassa dihitung melalui persamaan allometrik.

Kemudian hasil plot dibandingkan dengan variabel UAV.

Dari sini dibangun model statistik atau machine learning.

Alur:

field plot → biomassa referensi → variabel drone → model → prediksi spasial.

Jangan Menggunakan Model dari Lokasi Lain Secara Buta

Model yang dikembangkan di:

China

belum tentu langsung akurat di:

Indonesia.

Karena terdapat perbedaan:

• spesies;
• struktur;
• sensor;
• musim;
• kondisi tapak.

Model sebaiknya:

divalidasi secara lokal.

Orthomosaic Bukan Data Mentah

Data mentah adalah:

foto individual.

Produk olahan dapat berupa:

• orthomosaic;
• DSM;
• DTM;
• point cloud.

Jangan menghapus foto mentah setelah produk selesai.

Foto tersebut diperlukan jika:

• pengolahan harus diulang;
• metode berubah;
• kesalahan ditemukan.

Struktur Folder Data Drone

Contoh:

01_Raw_Images

02_GNSS_GCP

03_Flight_Log

04_Photogrammetry_Project

05_Point_Cloud

06_Orthomosaic

07_DSM_DTM

08_Classification

09_Validation

10_Final_Map

Struktur seperti ini membantu traceability.

Metadata Penerbangan

Catat:

• tanggal;
• waktu;
• lokasi;
• operator;
• drone;
• sensor;
• ketinggian;
• GSD target;
• front overlap;
• side overlap;
• kondisi cuaca;
• pasang surut;
• sistem koordinat;
• RTK/PPK;
• GCP.

Tanpa metadata:

peta sulit direplikasi.

Sistem Koordinat Harus Jelas

Data drone memiliki koordinat.

Jangan hanya menulis:

UTM

tanpa zona.

Contoh:

WGS 84 / UTM Zone 49S

atau sistem lain sesuai lokasi dan kebutuhan.

Kesalahan zona atau datum dapat menghasilkan pergeseran besar.

Horizontal dan Vertikal Datum Berbeda

Untuk analisis elevasi:

referensi vertikal sangat penting.

Tinggi GNSS elipsoid tidak otomatis sama dengan:

elevasi terhadap muka laut.

Jika penelitian berkaitan dengan:

• elevasi mangrove;
• pasang surut;
• kenaikan muka laut;

datum vertikal harus didefinisikan dengan jelas.

RMSE untuk Akurasi Posisi

Salah satu ukuran yang umum digunakan adalah:

Root Mean Square Error atau RMSE.

Untuk error horizontal sederhana:

RMSEr = √(RMSEX² + RMSEY²)

Sementara kesalahan vertikal dapat dianalisis pada komponen:

Z.

Namun, jangan menilai akurasi hanya dari residual GCP yang digunakan dalam model.

Gunakan:

independent check points

jika memungkinkan.

USGS menggunakan titik independen serta RMSE untuk menilai ketelitian produk elevasi dan orthomosaic.

Akurasi Geometrik Berbeda dari Akurasi Klasifikasi

Peta drone memiliki setidaknya dua konsep akurasi berbeda.

Akurasi Geometrik

Apakah posisi objek benar?

Contoh:

jalan berada pada koordinat sebenarnya.

Akurasi Tematik

Apakah kelas objek benar?

Contoh:

vegetasi yang disebut mangrove memang mangrove.

Peta dapat:

posisinya sangat akurat tetapi klasifikasinya salah.

Atau sebaliknya.

Keduanya harus dibedakan.

Software Pengolahan Drone

Perangkat lunak dapat mencakup:

• Agisoft Metashape;
• PIX4D;
• DJI Terra;
• OpenDroneMap;
• WebODM;
• perangkat lunak GIS.

Untuk GIS dapat digunakan:

QGIS

atau:

ArcGIS.

Pemilihan perangkat lunak bukan faktor utama kualitas.

Dataset buruk tetap menghasilkan produk buruk meskipun perangkat lunaknya mahal.

Jangan Mengandalkan Default Settings Tanpa Memeriksa Hasil

Setelah pengolahan, periksa:

• foto yang gagal align;
• cakupan;
• lubang;
• distorsi;
• GCP residual;
• check point error;
• kualitas DSM;
• batas orthomosaic.

Jangan hanya melihat:

Processing Completed 100%.

Selesai diproses bukan berarti:

hasil valid.

Keamanan Penerbangan Drone di Mangrove

Mangrove mempunyai tantangan operasional:

• lokasi pendaratan sempit;
• lumpur;
• air;
• angin;
• burung;
• kehilangan sinyal.

Sebelum penerbangan:

tentukan:

• take-off point;
• area pendaratan darurat;
• batas baterai;
• ketinggian aman;
• jalur pulang.

Jangan mengorbankan keselamatan operator atau masyarakat demi memperoleh satu jalur foto tambahan.

Aturan Drone di Indonesia

Pengoperasian drone juga harus memperhatikan aturan ruang udara.

Peraturan Menteri Perhubungan Nomor PM 37 Tahun 2020 tentang Pengoperasian Pesawat Udara Tanpa Awak di Ruang Udara yang Dilayani Indonesia tercatat masih berlaku pada basis peraturan pemerintah per Agustus 2026. Peraturan tersebut mengatur pengoperasian UAV di ruang udara Indonesia, termasuk kondisi tertentu yang memerlukan persetujuan dan kawasan seperti KKOP, ruang udara terbatas, serta ruang udara terlarang.

Karena ketentuan operasional dapat berubah dan lokasi pemetaan berbeda-beda:

periksa aturan ruang udara yang berlaku sebelum setiap kegiatan.

Jangan menganggap lokasi mangrove pasti merupakan ruang udara bebas.

Drone di Kawasan Konservasi

Selain regulasi penerbangan, lokasi dapat mempunyai aturan pengelolaan sendiri.

Misalnya:

• kawasan konservasi;
• wilayah pelabuhan;
• fasilitas vital;
• kawasan bandara;
• lahan privat.

Karena itu, izin pengelola kawasan dan izin ruang udara merupakan hal yang berbeda.

Keduanya perlu diperiksa sesuai lokasi.

Gangguan terhadap Satwa

Drone dapat menimbulkan:

• suara;
• objek bergerak;
• gangguan visual.

Kawasan mangrove dapat menjadi habitat:

• burung;
• kelelawar;
• satwa lainnya.

Jika terlihat respons stres atau gangguan:

operasi perlu disesuaikan.

Pemetaan ilmiah tidak seharusnya merusak objek yang sedang dipelajari.

Kesalahan Umum Pemetaan Mangrove dengan Drone

Terbang Tanpa Tujuan Produk

Menghasilkan banyak foto tetapi tidak menjawab pertanyaan.

Overlap Terlalu Rendah

Fotogrametri gagal atau menghasilkan lubang.

Terbang Saat Angin Kuat

Kanopi bergerak dan foto kabur.

Tidak Menggunakan GCP atau RTK tetapi Mengklaim Akurasi Sentimeter

Resolusi foto bukan akurasi.

Menggunakan Semua GCP sebagai Validasi

Tidak menghasilkan uji independen.

Menyebut DSM sebagai DTM

Sangat bermasalah pada kanopi rapat.

Menganggap NDVI Bisa Dihitung dari RGB Biasa

NDVI membutuhkan NIR.

Menganggap Tajuk Sama dengan Individu

Tidak selalu benar.

Menggunakan Model Biomassa Tanpa Kalibrasi Lapangan

Prediksi dapat bias.

Tidak Mencatat Pasang Surut

Membuat perbandingan pesisir antarwaktu menyesatkan.

Membandingkan Peta dengan Sistem Koordinat Berbeda

Menghasilkan pergeseran palsu.

Tidak Melakukan Uji Akurasi

Peta menjadi gambar menarik tetapi kekuatan ilmiahnya rendah.

QA/QC Pemetaan Drone Mangrove

Sebelum penerbangan:

cek sensor

cek baterai

cek ruang udara

cek cuaca

cek kartu memori

cek GCP

cek RTK/PPK

Selama penerbangan:

pantau baterai

pantau angin

pantau kamera

pantau jalur

Setelah penerbangan:

cek ketajaman foto

cek cakupan

cek overlap

cek jumlah foto

backup data

Setelah pengolahan:

cek GCP residual

cek check point

cek orthomosaic

cek DSM

cek klasifikasi

cek akurasi.

Cara Menulis Metode Pemetaan Mangrove dengan Drone

Contoh:

“Pemetaan mangrove dilakukan menggunakan UAV multirotor dengan kamera RGB. Penerbangan dirancang dalam pola grid dengan kamera berorientasi nadir. Front overlap dan side overlap ditetapkan sebesar 85% untuk meningkatkan keberhasilan rekonstruksi fotogrametri pada vegetasi rapat. Koordinat titik kontrol dan titik uji diukur menggunakan GNSS RTK. Foto diolah menggunakan metode Structure from Motion–Multi View Stereo untuk menghasilkan dense point cloud, Digital Surface Model, dan orthomosaic. Tutupan mangrove kemudian didelineasi dan hasil klasifikasi divalidasi menggunakan data lapangan independen.”

Metode tersebut jauh lebih kuat dibandingkan:

“Pemetaan dilakukan menggunakan drone.”

Cara Menulis Hasil Pemetaan Drone

Kurang kuat:

“Drone berhasil memetakan mangrove dengan akurat.”

Lebih baik:

“Survei UAV menghasilkan orthomosaic dengan GSD 4,2 cm/piksel. Berdasarkan digitasi dan klasifikasi citra, tutupan mangrove pada area survei teridentifikasi seluas 24,6 ha. Evaluasi menggunakan titik validasi independen menghasilkan overall accuracy sebesar 91%. Ketelitian geometrik dan tematik dilaporkan secara terpisah sehingga nilai klasifikasi tidak ditafsirkan sebagai akurasi posisi.”

Kalimat tersebut menjelaskan:

• resolusi;
• luas;
• metode;
• validasi;
• keterbatasan.

Drone dalam Pendekatan EMR

Dalam Ecological Mangrove Restoration atau EMR, drone dapat membantu memahami kondisi tapak sebelum memutuskan intervensi.

Drone dapat menunjukkan:

• saluran;
• tanggul;
• bekas tambak;
• bukaan;
• konektivitas permukaan;
• distribusi vegetasi.

Namun, drone tidak dapat sendiri menjelaskan seluruh hidrologi.

Data tetap perlu dipadukan dengan:

• pasang surut;
• elevasi;
• sejarah lokasi;
• survei lapangan;
• regenerasi alami.

Jadi, drone membantu:

membaca lanskap

bukan menggantikan diagnosis ekologis.

Drone dalam Pendekatan CBEMR

Dalam Community-Based Ecological Mangrove Restoration atau CBEMR, peta drone dapat menjadi alat komunikasi yang sangat efektif.

Masyarakat dapat melihat langsung:

• lokasi tambak;
• saluran;
• mangrove alami;
• area rehabilitasi;
• abrasi.

Peta tersebut dapat digunakan dalam diskusi partisipatif untuk:

• menandai lokasi;
• mengoreksi interpretasi;
• menambahkan sejarah kawasan.

Data spasial memberikan gambaran dari atas.

Pengetahuan masyarakat memberikan:

sejarah dan konteks.

Drone dan Monitoring Mangrove KeSEMaT

Bagi KeSEMaT, drone seharusnya tidak diposisikan hanya sebagai alat untuk menghasilkan foto udara yang menarik.

Nilai utamanya berada pada kemampuan mengubah citra menjadi:

data spasial yang dapat diukur, dibandingkan, diverifikasi, dan dipantau dari waktu ke waktu.

Sebuah foto udara dapat terlihat sangat tajam.

Tetapi peta ilmiah harus dapat menjawab:

berapa resolusinya?

berapa akurasinya?

bagaimana koordinatnya dikontrol?

bagaimana kelasnya divalidasi?

apa keterbatasannya?

Dalam penelitian mangrove, drone paling kuat ketika digabungkan dengan survei lapangan. Plot menjelaskan apa yang ada di bawah kanopi. GNSS memastikan posisi. Drone memperluas informasi dari titik-titik tersebut menjadi gambaran spasial. Citra satelit kemudian dapat memperluasnya lagi menuju skala bentang alam yang lebih besar.

Dengan demikian:

lapangan memberikan kebenaran ekologis, drone memberikan detail spasial, dan penginderaan jauh memberikan skala.

Ketiganya bukan pesaing.

Ketiganya merupakan lapisan data yang saling melengkapi.

Drone bukan sekadar mata dari udara. Dalam pemetaan mangrove yang dirancang dengan benar, drone menjadi instrumen pengukuran yang menghubungkan kondisi lapangan dengan peta, model, dan monitoring perubahan ekosistem secara terukur. (ADM).

FAQ Drone untuk Pemetaan Mangrove

Apa kegunaan drone untuk pemetaan mangrove?

Drone dapat digunakan untuk membuat orthomosaic, memetakan luas mangrove, perubahan tutupan, saluran, kanopi, rehabilitasi, dan berbagai parameter spasial lainnya.

Apa itu UAV?

UAV adalah Unmanned Aerial Vehicle, yaitu wahana udara tanpa awak.

Apa itu orthomosaic?

Orthomosaic adalah gabungan foto udara yang telah melalui koreksi geometrik sehingga dapat digunakan sebagai citra peta.

Apa itu GSD?

GSD atau Ground Sampling Distance menunjukkan ukuran permukaan yang diwakili satu piksel citra.

Apakah GSD sama dengan akurasi?

Tidak. GSD menunjukkan resolusi spasial, sedangkan akurasi menunjukkan kedekatan posisi atau hasil terhadap kondisi sebenarnya.

Berapa overlap untuk pemetaan mangrove?

Untuk vegetasi rapat, panduan fotogrametri dapat merekomendasikan overlap sekitar 85% pada arah depan dan samping, tetapi nilai optimal tetap bergantung sensor, kondisi vegetasi, dan kebutuhan proyek.

Apa itu GCP?

Ground Control Point adalah titik dengan koordinat diketahui yang terlihat pada foto dan digunakan untuk mengontrol geometri model.

Apa perbedaan GCP dan check point?

GCP digunakan dalam pembangunan model, sedangkan check point disimpan sebagai data independen untuk menguji ketelitian hasil.

Apa itu drone RTK?

Drone RTK menggunakan koreksi GNSS secara real-time untuk meningkatkan ketelitian posisi kamera.

Apa itu PPK?

Post-Processed Kinematic mengoreksi posisi GNSS setelah penerbangan.

Apakah drone RTK tidak membutuhkan GCP?

Dalam beberapa proyek kebutuhan GCP dapat dikurangi, tetapi validasi independen tetap penting untuk membuktikan ketelitian produk.

Apa itu DSM?

Digital Surface Model menggambarkan elevasi permukaan yang terdeteksi, termasuk tajuk pohon.

Apa itu DTM?

Digital Terrain Model menggambarkan permukaan tanah.

Apakah drone RGB dapat menghasilkan DTM di bawah mangrove rapat?

Tidak selalu. Kanopi dapat menutupi permukaan tanah sehingga fotogrametri RGB tidak mempunyai informasi yang cukup untuk membentuk DTM nyata di bawah vegetasi rapat.

Apa itu CHM?

Canopy Height Model merupakan model tinggi kanopi yang secara sederhana dihitung:

CHM = DSM − DTM

Apakah drone dapat menghitung jumlah pohon mangrove?

Dapat membantu mendeteksi atau mengestimasi individu pada kondisi tertentu, tetapi tajuk yang saling bertumpang tindih dapat menyebabkan jumlah hasil segmentasi berbeda dari jumlah pohon sebenarnya.

Apakah drone bisa mengenali jenis mangrove?

Bisa pada kondisi tertentu dengan sensor, data latihan, dan metode klasifikasi yang sesuai. Namun, pemetaan spesies lebih sulit daripada pemetaan mangrove sebagai satu kelas.

Apakah kamera RGB dapat menghitung NDVI?

Tidak untuk NDVI sejati karena NDVI membutuhkan kanal NIR.

Apa rumus NDVI?

NDVI = (NIR − Red) / (NIR + Red)

Apakah drone dapat menghitung biomassa mangrove?

Drone dapat menghasilkan variabel prediktor seperti tinggi dan struktur tajuk, tetapi estimasi biomassa membutuhkan model yang dikalibrasi dengan data lapangan.

Apakah drone dapat menghitung karbon mangrove?

Tidak secara langsung. Data UAV dapat digunakan dalam model estimasi biomassa dan karbon apabila tersedia kalibrasi serta validasi yang sesuai.

Apakah penerbangan drone di mangrove memerlukan izin?

Tergantung lokasi dan kondisi ruang udara. Permenhub PM 37 Tahun 2020 tentang pengoperasian pesawat udara tanpa awak masih tercatat berlaku per Agustus 2026, dan operasi pada ruang udara atau kawasan tertentu dapat memerlukan persetujuan. (ADM).

Daftar Pustaka

Ruwaimana, M., Satyanarayana, B., Otero, V., M. Muslim, A., Syafiq A., M., Ibrahim, S., Raymaekers, D., Koedam, N., & Dahdouh-Guebas, F. 2018. The Advantages of Using Drones over Space-Borne Imagery in the Mapping of Mangrove Forests. PLOS ONE, 13(7).

Berra, E. F., & Peppa, M. V. 2020. Advances and Challenges of UAV SfM-MVS Photogrammetry and Remote Sensing: Short Review. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences.

Thakur, S., Mondal, I., Ghosh, P. B., Das, P., & De, T. K. 2020. A Review of the Application of Multispectral Remote Sensing in the Study of Mangrove Ecosystems with Special Emphasis on Image Processing Techniques. Spatial Information Research, 28, 39–51.

Cao, J., et al. 2023. Advances in Multi- and Hyperspectral Remote Sensing of Mangrove Species: A Synthesis and Study Case on Airborne and Multisource Spaceborne Imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 195, 298–312.

Zhang, et al. 2025. A Review of Applying Drones and Remote Sensing Technology in Mangrove Ecology. Forests, 16, 870.

U.S. Geological Survey. 2023. Guidelines for Calibration of Uncrewed Aircraft Systems Imagery. Open-File Report 2023-1033.

U.S. Geological Survey. 2026. Creating 3D Point Clouds, Digital Elevation Models, and Orthomosaics from Historical Aerial Imagery through Structure-from-Motion-Aided Photogrammetry.

Kementerian Perhubungan Republik Indonesia. 2020. Peraturan Menteri Perhubungan Nomor PM 37 Tahun 2020 tentang Pengoperasian Pesawat Udara Tanpa Awak di Ruang Udara yang Dilayani Indonesia.

(Sumber gambar: Tomas Castelazo/Wikimedia Commons, CC BY-SA 4.0, dipotong ke rasio 4:3)