Pemetaan Kebakaran Hutan di Taman Nasional Bromo Tengger Semeru Menggunakan Indeks BAIS2 dan NBR
DOI:
https://doi.org/10.29408/geodika.v9i1.29078Keywords:
kebakaran hutan dan lahan, BAIS2, NBRAbstract
Kebakaran hutan di Taman Nasional Bromo Tengger Semeru menimbulkan banyak dampak negatif. Diantaranya, banyak vegetasi yang mati, lahan menjadi gersang, dan dampak sosial ekonomi lainnya. Identifikasi area terbakar secara konvensional cukup sulit dan memakan banyak biaya untuk wilayah yang luas. Untuk itu, dilakukan penelitian dengan penginderaan jauh untuk memetakan area terdampak berdasarkan tingkat keparahan kebakaran di area TNBTS yang cukup luas. Penelitian ini menggunakan pendekatan multitemporal dengan membandingkan keakuratan dan efektivitas indeks kebakaran, yaitu NBR (Normalized Burned Ratio) dan BAIS2 (Burned Area Index for Sentinel-2). Tahap penelitian meliputi analisis citra sebelum dan sesudah kebakaran, kemudian dihitung selisih indeks dan indeks separabilitasnya dan dicari luasan tingkat keparahan kebakaran. Hasil menunjukkan bahwa Indeks BAIS2 lebih baik daripada NBR dalam mengidentifikasi kebakaran. Hal ini dilihat dari akurasi tertinggi pada kelas terbakar ringan indeks dBAIS2 sebesar 92,5%. Sedangkan, Indeks dNBR memiliki akurasi tertinggi 77,5% pada kelas yang sama. Hasil uji indeks separabilitas menunjukkan bahwa BAIS2 lebih baik dalam membedakan area terbakar dan tidak terbakar dibandingkan NBR. Indeks BAIS2 lebih baik dalam memetakan area terdampak kebakaran dengan luas total 5462,6 Ha sedangkan indeks NBR hanya merekam 3239,09 Ha.
References
Arrafi, M., Somantri, L., & Ridwana, R. (2022). Pemetaan Tingkat Keparahan Kebakaran Hutan dan Lahan Menggunakan Algoritma Normalized Burn Ratio (NBR) Pada Citra Landsat 8 di Kabupaten Muaro Jambi. Jurnal Geosains dan Remote Sensing, 3(1), 10-19.
Badan Nasional Penanggulangan Bencana. (2023). Karhutla Terjadi di Bukit Teletubies Gunung Bromo Sebagian Kawasan Wisata Ditutup. (online), https://bnpb.go.id/berita/karhutla-terjadi-di-bukit-teletubies-gunung-bromo-sebagian-kawasan-wisata-ditutup, diakses pada 17 Desember 2023.
Boschetti, M., Stroppiana, D., & Brivio, P. A. (2010). Mapping burned areas in a Mediterranean environment using soft integration of spectral indices from high-resolution satellite images. Earth Interactions, 14(17), 1-20.
Chuvieco, E. (2009). Global impacts of fire. In Earth Observation of Wildland Fires in Mediterranean Ecosystems; Chuvieco, E., Ed.; Springer: Berlin/Heidelberg, Germany; pp. 1–11.
Chuvieco, E., Martin, M. P., & Palacios, A. (2002). Assessment of different spectral indices in the red-near-infrared spectral domain for burned land discrimination. International Journal of Remote Sensing, 23(23), 5103-5110.
Curran, P. J., Dungan, J. L., & Gholz, H. L. (1990). Exploring the relationship between reflectance red edge and chlorophyll content in slash pine. Tree physiology, 7(1-2-3-4), 33-48.
Fernández-Manso, A., Fernández-Manso, O., & Quintano, C. (2016). SENTINEL-2A red-edge spectral indices suitability for discriminating burn severity. International Journal of Applied Earth Observation and Geoinformation, 50, 170-175.
Filipponi, F. (2018). BAIS2: Burned area index for Sentinel-2. In Proceedings (Vol. 2, No. 7, p. 364). MDPI.
Katadata. (2023). Luas Kebakaran Hutan Indonesia Capai 267 Hektare Sampai Agustus 2023. (online), (https://databoks.katadata.co.id/datapublish/2023/09/20/luas-kebakaran-hutan-indonesia-capai-267-ribu-hektare-sampai-agustus), diakses pada 16 Desember 2023.
Mallinis, G., Mitsopoulos, I., & Chrysafi, I. (2018). Evaluating and comparing Sentinel 2A and Landsat-8 Operational Land Imager (OLI) spectral indices for estimating fire severity in a Mediterranean pine ecosystem of Greece. GIScience & Remote Sensing, 55(1), 1-18.
Pusfatja LAPAN. (2015). Pedoman Pemanfaatan Data LANDSAT-8 untuk Deteksi Daerah Terbakar (Burned Area). Jakarta: Pusat Pemanfaatan Penginderaan Jauh, LAPAN.
Rahmi, K. I. N., & Febrianti, N. (2020). Pemanfaatan data sentinel-2 untuk analisis indeks area terbakar (burned area). Jurnal Penginderaan Jauh Indonesia, 2(1), 1-6.
Sentinel-hub. (2020). BAIS2 Adapts the Traditional BAI for Active Fires. (online), (https://custom-scripts.sentinel-hub.com/custom-scripts/sentinel-2-for-BAIS2), diakses pada 9 Januari 2024.
Soverel, N. O., Perrakis, D. D., & Coops, N. C. (2010). Estimating burn severity from Landsat dNBR and RdNBR indices across western Canada. Remote Sensing of Environment, 114(9), 1896-1909.
Thonicke, K., Venevsky, S., Sitch, S., & Cramer, W. (2001). The role of fire disturbance for global vegetation dynamics: coupling fire into a Dynamic Global Vegetation Model. Global Ecology and Biogeography, 10(6), 661-677.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Nur Afifah, Ike Sari Astuti

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.