Bagian 1 dari seri blog ini tersedia disini

Pada Bagian 1 dari seri blog akurasi data tutupan pohon GLAD, kami menjelaskan dua penilaian akurasi yang berbeda dari data kehilangan dan perolehan tutupan pohon global yang dihasilkan oleh Dr. Matt Hansen dkk dari Global Land Analysis and Discovery group (GLAD) University of Maryland, Google, the U.S. Geological Survey (USGS) dan the National Aeronautics and Space Administration (NASA). Sekarang, kami akan menganalisis faktor-faktor yang meningkatkan error dan bagaimana hal tersebut berdampak kepada penggunaan data.

Apa yang mengakibatkan error pada data?

Error pasti akan terjadi di dalam data yang berusaha untuk menyederhanakan dunia – dalam kasus data tutupan pohon global GLAD menjadi kategori kehilangan dan perolehan tutupan pohon, dan tidak ada perubahan tutupan pohon. Untuk sebagian besar pengukuran, data “kehilangan” GLAD memiliki tingkat error yang lebih rendah dibandingkan set data yang sejenis – sebagai contohnya, data terbaru untuk tutupan lahan dan perubahan hutan pada tahun 1990an yang diambil dari Landsat memiliki tingkat error berturut-turut 21 dan 17 persen. Namun demikian, ada beberapa bagian dari data GLAD di mana tingkat error mencapai 20 persen atau bahkan lebih tinggi lagi. Tingkat error yang lebih tinggi dapat terjadi karena beberapa faktor, termasuk:

  • Kepadatan kanopi tutupan pohon rendah, seperti yang ditemukan di bioma subtropis, yang membuat deteksi kehilangan menjadi lebih susah karena perubahan dari tutupan pohon menjadi tanah kosong lebih susah terlihat dibandingkan hutan yang lebat.
  • Pembukaan lahan skala-kecil, seperti yang terjadi di Afrika Sub-Sahara, yang kemungkinan besar dilewatkan atau tidak diperhitungkan oleh set data karena memiliki lebih banyak tepian dibandingkan wilayah mereka. Pixel di tepian bukaan lahan seringkali terlihat kabur pada citra satelit, sehingga data melewatkan banyak “kehilangan” di bagian kecil ini.
  • Perubahan yang perlahan, seperti perolehan tutupan pohon, yang lebih susah dideteksi dibandingkan perubahan yang cepat.

Penting untuk mengingat skala yang dievaluasi dalam studi ini – keduanya mengevaluasi akurasi data untuk wilayah dan kontinen yang besar, bukan untuk wilayah lokal. Ini berarti bahwa sementara kita yakin bahwa data secara umum akurat untuk skala regional dan global, namun kita tidak dapat memastikan akurasi data tersebut pada sebuah lokasi yang spesifik.

Seberapa besarkah akurasi yang dibutuhkan? Tergantung

Kita mengetahui bahwa data GLAD tidaklah sempurna, dan tingkat error bervariasi tergantung kepada wilayah dan bioma, namun hal tersebut masih belum menjelaskan apakah data tersebut cukup akurat untuk memberikan kita masukan mengenai bagaimana hutan di seluruh dunia berubah. Jawabannya: Tergantung di mana kita melihat dan bagaimana kita ingin menggunakan data.

Ketika memutuskan apakah data tersebut layak anda gunakan, langkah pertama adalah memahami akurasi data – selamat, anda telah memulainya dengan membaca seri blog ini! Langkah berikutnya adalah menentukan bagaimana ketepatan dan kemungkinan error dapat berdampak kepada penggunaan spesifik anda. Pertanyaan apakah datanya cukup akurat akan berbeda dalam setiap kasus penggunaannya, namun berikut ini adalah beberapa pedoman umumnya:

  • Menyelidiki tren dan pola pada skala besar: Tingkat error global secara relatif rendah dibandingkan set data yang sejenis, jadi kita dapat merasa yakin dalam menggunakan data untuk mengkaji tren dan pola pada skala besar (seperti global, regional, dan nasional).
  • Gunakan rataan 3 tahunan: Karena ketidakpastian per tahunnya, kami merekomendasikan penggunaan rataan 3 tahunan. Awan secara harafiah menghalangi “pandangan” satelit, khususnya di daerah tropis yang gerah di mana awan dapat mengganggu pandangan hampir sepanjang tahun. Hal tersebut berarti bahwa terdapat kemungkinan pohon ditebang atau terbakar dibawah tutupan awan dan mungkin tidak dapat terdeteksi hingga tahun berikutnya. Pengguna data dapat mengakali ketidakpastian tersebut dengan melihat rataan data selama beberapa tahun.
  • Amati lokasi umum dari “kehilangan”: Meskipun akurasi tidak dinilai pada skala lokal, kami mengetahui bahwa sebagian besar “kehilangan” terjadi pada tepian, sehingga kami dengan yakin dapat menggunakan data untuk mengidentifikasi lokasi umum dari “kehilangan” pada tingkat lokal.
  • Teliti dengan pengukuran lokal: Namun demikian, membuat pengukuran lokal yang tepat (seperti kehilangan tutupan pohon yang berhektar-hektar, karbon yang dihasilkan dari deforestasi) membutuhkan informasi lebih mengenai akurasi di lokasi spesifik tersebut – sebagai contohnya, melalui pemahaman terhadap konteks lokal, citra satelit, membandingkan dengan data perubahan hutan lainnya, dll.
  • Sesuaikan tingkat keyakinan dengan akurasi: Hindari membuat klaim yang kuat berdasarkan data dengan akurasi rendah (misalnya di wilayah dengan kepadatan kanopi dan perolehan tutupan pohon yang rendah).

Jika anda memiliki pertanyaan mengenai kasus anda, anda dapat menghubungi komunitas kami melalui GFW Discussion Forum di mana pengguna lainnya mendiskusikan kekuatan dan keterbatasan data.

Konteks data GLAD

Kritik terhadap akurasi dari ketidaksepakatan mengenai definisi hutan

Peneliti lainnya telah mempublikasikan kritik terhadap akurasi data pada wilayah tertentu termasuk wilayah tropis, Indonesia dan hutan boreal. Namun demikian, banyak dari kritik tersebut yang mempermasalahkan definisi hutan ketimbang akurasi datanya. Sebagian besar ketidaktepatan yang dilaporkan di dalam tulisan-tulisan tersebut merupakan kasus kehilangan tutupan hutan di dalam wilayah yang bukan termasuk hutan, seperti di perkebunan. Menurut definisi tutupan pohon dari set data – vegetasi yang lebih tinggi dari 5 meter dan tutupan kanopi yang lebih dari 30 persen – wilayah tersebut diklasifikasikan secara tepat. Namun bagi mereka yang tertarik dengan deforestasi yang disebabkan oleh manusia, wilayah-wilayah tersebut dianggap tidak tepat. Metode penginderaan jarak jauh saat ini belum mampu membedakan hutan alami dan yang ditanam oleh manusia; oleh sebab itu, hingga saat ini, kehilangan tutupan hutan merupakan sesuatu yang paling mendekati deforestasi dengan menggunakan metode global tersebut.

Meskipun tidak tanpa error, data GLAD tetap merupakan set data kehilangan tutupan pohon global yang terbaik, dengan metodologi yang konsisten di seluruh dunia yang memungkinkan pelacakkan tren-tren global serta resolusi yang cukup tinggi untuk mengawasi dan menemukan wilayah lokal yang mengalami kehilangan tutupan pohon, seperti di tar sands of Canada atau untuk produksi kakao di Peru. Data ini mewakili sebuah perbaikkan yang signifikan dibandingkan dengan data perubahan hutan di tahun-tahun sebelumnya: banyak yang berdasarkan kepada data spasial resolusi rendah (250- atau 500- meter), sementara yang lainnya (seperti Forest Resources Assessment of the FAO) tidak jelas secara spasial atau diperbaharui secara rutin. Data lokal seringkali memiliki tingkat error yang rendah, karena dikalibrasi khusus untuk konteks tersebut, namun sangat mahal untuk diproduksi dan jarang tersedia setiap tahunnya.

Data perubahan tutupan pohon GLAD bukanlah perwakilan yang tepat untuk kehilangan atau perolehan tutupan pohon, dan terdapat beberapa aspek dari data yang memiliki tingkat error yang tinggi. Namun demikian, GLAD merupakan data perubahan tutupan pohon terbaik yang tersedia pada skala global dan tersedia secara gratis di Global Forest Watch. Kami berharap bahwa dengan menjelaskan akurasi data dan meningkatkan kewaspadaan terhadap tingkat error sebelum menggunakan data, kita dapat mendorong para pengguna untuk mengambil kesimpulan yang sesuai yang dapat menantang deforestasi “business-as-usual” di seluruh dunia.