BAB 4: Menangkap Hutan yang Hilang: Deteksi Deforestasi

#Bagian A: QGIS

#Bagian A: Deteksi deforestasi di QGIS

#Cara 1: dua waktu (Skrip 4.1)

Langkahnya, dengan komposit median dari Bab 2 sebagai bahan:

1. Selisih: dNDVI = komposit Sesudah - komposit Sebelum dengan Raster Calculator.
2. Ambang: piksel yang tadinya berhutan (NDVI sebelum minimal 0,7) dan turun lebih dari 0,25.
3. Saring derau: alat Sieve (GDAL) membuang gumpalan lebih kecil dari 5 piksel (0,05 ha).
4. Buang hutan tanaman: ubah Kawasan_HTI.gpkg menjadi raster dengan Rasterize, lalu keluarkan area itu.
5. Hitung luas per KPH.

# SKRIP 4.1 (cuplikan; berkas lengkap: skrip/4_1_deforestasi_dua_waktu.py)
processing.run("native:rastercalc", {"LAYERS": [sebelum, sesudah],
    "EXPRESSION": '(("sebelum@1" >= 0.7) AND (("sesudah@1" - "sebelum@1") < -0.25)) * 1', "OUTPUT": kand})
processing.run("gdal:sieve", {"INPUT": kand, "THRESHOLD": 5, "EIGHT_CONNECTEDNESS": True,
                              "NO_MASK": True, "OUTPUT": saring})
processing.run("gdal:rasterize", {"INPUT": hti_gpkg, "BURN": 1, "UNITS": 1, "WIDTH": 10, "HEIGHT": 10,
    "EXTENT": "312000,312400,9996000,9996400 [EPSG:32749]", "INIT": 0, "NODATA": 255, "DATA_TYPE": 0, "OUTPUT": hti})

Hasil uji terhadap peta acuan:

[terbukti: dihitung dari data sintetis]

Uji kepekaan: ambang dan peta kawasan hutan tanaman

Berikut hitungan pada piksel (tepat, salah tambah, terlewat), tanpa saringan luas minimum.

Pelajaran dari tabel: ambang terlalu longgar menangkap panen hutan tanaman dan derau (133 salah tambah). Ambang terlalu ketat melewatkan deforestasi, karena hutan yang dibuka sudah mulai ditumbuhi semak pada komposit akhir. Peta kawasan hutan tanaman memangkas salah tambah dari 24 menjadi 1 pada ambang -0,25. [terbukti]

#Cara 2: titik patah (Skrip 4.2)

Cara dua waktu tidak bisa menyebut tanggal. Skrip 4.2 menonton tiap piksel:

1. Dasar: median enam pengamatan bersih pertama. Piksel yang dasarnya di bawah 0,7 (bukan hutan) dilewati.
2. Aturan: NDVI turun lebih dari 0,25 dari dasar pada K pengamatan bersih berturut-turut.
3. Tanggal: pengamatan pertama dalam rangkaian itu.

# SKRIP 4.2 (cuplikan; berkas lengkap: skrip/4_2_titik_patah.py)
dasar = np.median(ndvi[idx[:N_DASAR], i, j])          # idx = tanggal bersih piksel ini
turun = ndvi[idx[N_DASAR:], i, j] < dasar - AMBANG
for n in range(len(turun) - K + 1):
    if turun[n:n + K].all():
        hasil[i, j] = idx[N_DASAR + n]               # tanggal awal perubahan
        break

Mengapa K dan mask awan penting. Tabel berikut menghitung piksel (tepat, salah tambah di luar kawasan hutan tanaman, terlewat) pada aturan yang sama.

Tanpa mask awan, ratusan piksel salah ditandai. Dengan mask saja (K=1), masih ada 92 salah tambah: 48 piksel di bekas terbakar yang NDVI-nya sempat turun, dan 44 piksel hutan stabil yang tertipu kabut awan tipis lolos SCL. Dengan K=2, tersisa 8 piksel, semuanya bekas terbakar. Dengan K=3, semuanya hilang. Tetapi K besar punya harga: kejadian di akhir deret tidak bisa dipastikan karena belum cukup pengamatan sesudahnya. [terbukti]

Ketepatan tanggal. Tanggal sebenarnya diketahui karena data ini sintetis.

Tunda ini wajar: tanggal terdeteksi paling awal adalah pengamatan bersih pertama sesudah kejadian. Selisih tanggal sebenarnya dengan citra tidak bisa lebih rapat dari jarak antar-citra. Pada bukaan 1, sebagian piksel baru terdeteksi sampai 14 Januari 2025 karena awan menutupi citra bersih pertama. Laporkan tanggal sebagai rentang ("antara 16 Oktober dan 15 November 2024"), bukan satu hari. [terbukti]

Hasilnya: Anda bisa menjawab Kepala Seksi. Di mana: bukaan 1 di utara Gamma dan bukaan 2 kecil di Alpha. Luas: 1,30 ha total (1,00 ha Gamma, 0,30 ha Alpha). Kapan: antara 16 Oktober dan 15 November 2024 untuk bukaan 1, dan antara 19 Mei dan 18 Juni 2025 untuk bukaan 2.

#Bagian B: ArcGIS Pro

#Bagian B: ArcGIS Pro

1. Dua waktu: hitung selisih dan ambang dengan Raster Calculator atau Minus dan Con. Hapus gumpalan kecil dengan Region Group dan seleksi luas, atau dengan Majority Filter. [CEK]
2. Titik patah: Pro punya Analyze Changes Using CCDC (Image Analyst Tools, perlu ekstensi Image Analyst). Alat ini memakai algoritma Continuous Change Detection and Classification pada raster multidimensi. Menurut dokumentasi Esri, masukannya minimal 12 irisan yang mencakup setidaknya satu tahun, sebaiknya sudah ternormalisasi dan bebas awan. Hasilnya CRF berisi koefisien model, RMSE, dan perubahan teramati.
3. Alat pendampingnya, Detect Change Using Change Analysis Raster, mengolah hasil CCDC menjadi informasi perubahan per piksel.
4. Data latihan ini (24 irisan, dua tahun) memenuhi syarat jumlah. Cocokkan dengan versi Anda. [CEK]

#Bagian C: ArcMap 10.8

#Bagian C: ArcMap 10.8

ArcMap tidak punya padanan untuk deteksi titik patah (CCDC).

1. Dua waktu: Raster Calculator untuk selisih, Con untuk ambang, lalu Region Group atau Majority Filter untuk menyaring derau. [CEK]
2. Titik patah: tulis skrip ArcPy dengan NumPy, mengikuti Skrip 4.2. [CEK]