Pemetaan Leaf Area Index (LAI) Padang Lamun Tahun 2021-2024 Menggunakan Citra Sentinel-2 Di Sebagian Wilayah Perairan Labuan Bajo
Safina Rajwaa Ananda, Prof. Dr. Pramaditya Wicaksono, S.Si., M.Sc.
2025 | Skripsi | KARTOGRAFI DAN PENGINDRAAN JAUH
Lamun merupakan tumbuhan tingkat
tinggi yang dapat hidup di dalam laut. Peran lamun dalam ekosistem karbon biru
dapat membantu menyerap hingga menyimpan karbon dioksida (CO2).
Pemantauan kondisi lamun dapat dilakukan dengan mengamati beberapa parameter
seperti persentase tutupan lamun, komposisi spesies, dan biomassa. Leaf Area
Index (LAI) berkaitan dengan kerapatan dan biomassa. Pemantauan LAI dapat
dilakukan dengan memanfaatkan penginderaan jauh yang dilakukan secara
multitemporal. Penelitian ini bertujuan untuk (1) memetakan dan menguji akurasi
komposisi habitat padang lamun di wilayah perairan Labuan Bajo dan (2) memetakan
LAI padang lamun di Labuan Bajo tahun 2021 – 2024 serta (3) Analisis pola
dinamika perubahan LAI padang lamun.
Pemetaan komposisi habitat padang
lamun dilakukan dengan algoritma Random Forest menggunakan citra
Sentinel-2 yang akan digunakan sebagai dasar pemodelan LAI padang lamun.
Nilai LAI didapatkan dari hasil konversi percent cover setiap spesies
lamun terhadap rumus alometrik. Pemodelan LAI padang lamun dilakukan dengan Random
Forest Regression pada citra model. Hasil dari pemodelan LAI diterapkan
pada 16 citra lain.
Hasil penelitian menunjukkan nilai User’s
Accuracy (UA) kelas lamun sebesar 76,14?n Producer’s Accuracy
(PA) sebesar 79,13%. Hasil pemodelan LAI
didapatkan hasil terbaik yaitu citra SR (Surface Reflectance) dan citra terkoreksi
sunglint (deglint). Pemodelan LAI pada citra SR didapatkan nilai R2
sebesar 0,4604 dengan RMSE sebesar 0.5078. Hasil regresi dengan model citra
deglint didapatkan R2 sebesar 0,328 dengan RMSE
sebesar 0,5745. Hasil dinamika perubahan LAI padang lamun tahun 2021 – 2024
cenderung fluktuaktif.
Seagrass is a higher level of plant
that can live in the ocean. The role of seagrass in the blue carbon ecosystem
can help absorb and store carbon dioxide (CO2). Monitoring seagrass
conditions can be done by observing several parameters such as the percentage
of seagrass cover, species composition, and biomass. The Leaf Area Index (LAI)
is related to density and biomass. LAI monitoring can be done using remote
sensing in a multitemporal way. This study aims to (1) mapping and test the
accuracy of seagrass habitat composition in Labuan Bajo, (2) Mapping the
seagrass LAI in Labuan Baju 2021 – 2024, dan (3) Identify the dynamics of LAI
changes in the seagrass meadows
Seagrass habitat composition mapping
was performed using the Random Forest algorithm using Sentinel-2 imagery, which
will serve as the basis for modeling the LAI of seagrass meadows. LAI values
were obtained by converting the percent cover of each seagrass species to an
allometric formula. LAI modeling for seagrass meadows was performed using
Random Forest Regression on the modeled images. The LAI modeling results were
applied to 16 other images.
The results showed a User's Accuracy
(UA) value for the seagrass class of 76.14% and a Producer's Accuracy (PA)
value of 79.13%. The best LAI modeling results were obtained for Surface
Reflectance (SR) images and sunglint corrected (deglint) images. LAI modeling
on SR images yielded an R2 value of 0.4604 with an RMSE of 0.5078.
Regression results using the deglint image model yielded an R2 value
of 0.328 with an RMSE of 0.5745. The results of the dynamics of changes in the
LAI of seagrass meadows in 2021-2024 tend to fluctuate.
Kata Kunci : Sentinel-2, LAI, padang lamun, Random Forest, Labuan Bajo
