Perbandingan Model Robust dan Model In Situ Pemetaan Above Ground Carbon Stock Padang Lamun di Pulau Menjangan Besar, Kep. Karimunjawa Berbasis Citra Sentinel-2A

RIZKI NURVITASARI, Prof. Pramaditya Wicaksono, S.Si., M.Sc.

2025 | Skripsi | KARTOGRAFI DAN PENGINDRAAN JAUH

Padang lamun merupakan tanaman yang dapat ditemukan di wilayah perairan laut dangkal. Padang lamun memiliki peran penting dalam mitigasi perubahan iklim yang terjadi karena pemanasan global karena memiliki kemampuan lebih banyak dalam menyerap dan menyimpan karbon dibandingkan dengan terumbu karang, mangrove, atau vegetasi daratan lainnya. Saat ini telah dikembangkan sebuah model robust yang dapat secara otomatis memperoleh nilai AGC tanpa memerlukan integrasi dengan data lapangan menggunakan citra Sentinel-2A. Namun, model ini dikembangkan dengan skala global sehingga akurasi yang dihasilkan mungkin tidak akan optimal di semua wilayah. Tujuan penelitian ini adalah 1) memetakan distribusi spasial padang lamun di Pulau Menjangan Besar berbasis citra Sentinel-2A, 2) menerapkan dan menguji akurasi model robust pemetaan AGC di Pulau Menjangan Besar berbasis citra Sentinel-2A, dan 3) membandingkan akurasi model robust pemetaan AGC dan model in situ pemetaan AGC di Pulau Menjangan Besar berbasis citra Sentinel-2A. Klasifikasi random forest digunakan untuk memetakan persebaran habitat lamun dan regresi random forest digunakan untuk memodelkan nilai AGC lamun dengan model in situ pada citra Sentinel-2A. Pemodelan lamun dengan model robust memiliki akurasi sebesar 5,40 g C/m2 dan R2 sebesar 0,129 sedangkan pada pemodelan dengan model in situ menggunakan regresi random forest memiliki akurasi sebesar  6,43 g C/m2 dan  R2  sebesar 0,091. Total estimasi stok karbon atas permukaan yang dihasilkan oleh kedua model adalah sebesar 24 ton C atau 0,10 ton C/hektar untuk model robust sedangkan 24,6 ton C atau 0,11 ton C/hektar untuk model in situ.

Seagrass beds are plants that can be found in shallow coastal waters. Seagrass meadows have an important role in mitigating climate change due to global warming because they have more ability to absorb and store carbon compared to coral reefs, mangroves, or other terrestrial vegetation. Currently, a robust model has been developed that can automatically derive AGC values without requiring integration with field data using Sentinel-2A imagery. However, this model was developed on a global scale so the resulting accuracy may not be optimal in all regions. The aims of this study were 1) to map seagrass spatial distribution in Menjangan Besar Island using Sentinel-2A images, 2) to apply and test the accuracy of robust model of AGC mapping in Menjangan Besar Island using Sentinel-2A images, and 3) to compare the accuracy of robust model of AGC mapping and in situ model of AGC mapping in Menjangan Besar Island using Sentinel-2A images. Random forest classification was used to map the distribution of seagrass habitat and random forest regression was used to model seagrass AGC values with in situ model on Sentinel-2A images. Seagrass modeling with robust model has an accuracy of 5,40 g C/m2 and R2 of 0.129 while modeling with in situ model using random forest regression has an accuracy of 6,43 g C/m2 and R2 of 0,09. The total estimated above ground carbon stock produced by both models was 24 tons C or 0,10 tons C/hectare for the robust model and 24,6 tons C or 0,11 tons C/hectare for the in situ model.

Kata Kunci : padang lamun, model robust, model in situ, random forest, Sentinel-2A, Menjangan Besar