Peta Deforestasi yang dibuat untuk digunakan di platform ICE CoT.

Peta Deforestasi EUDR ICE CoT tersedia berdasarkan lisensi dari ICE

Benchmark Administration Limited.

Space Intelligence membuat peta tutupan lahan beresolusi 10 m untuk membantu pedagang dan operator komoditas memenuhi kewajiban kepatuhan EUDR mereka..

Peta yang kami hasilkan menetapkan baseline mengenai lahan mana yang merupakan hutan dan bukan hutan per 31 Desember 2020, serta di mana deforestasi telah terjadi dan hutan baru telah tumbuh sejak saat itu hingga saat ini.

Peta ini mengikuti definisi hutan menurut EUDR:

‘Hutan’ berarti lahan dengan luas lebih dari 0,5 hektar dengan pohon setinggi lebih dari 5 meter dan tutupan tajuk lebih dari 10%, atau pohon yang mampu mencapai ambang batas tersebut in situ, tidak termasuk lahan yang sebagian besar digunakan untuk pertanian atau perkotaan.

Serta definisi deforestasi menurut EUDR, yang didefinisikan sebagai:

‘Deforestasi’ berarti konversi hutan menjadi lahan pertanian, baik

disebabkan oleh manusia maupun tidak [setelah tanggal batas 31 Desember 2020]

Mengikuti definisi ini melibatkan proses yang sulit untuk menentukan secara tepat di mana terdapat pertanian pada tahun 2020 dan saat ini, meskipun pertanian tersebut sering berada di bawah tutupan pohon atau pertanian itu sendiri berupa pohon (misalnya dalam sistem agroforestri seperti kakao atau kopi). Bahkan, area pepohonan mungkin tidak memenuhi definisi hutan karena berbagai alasan:

Kami menggunakan dataset satelit berikut, dengan mengambil citra sepanjang tahun untuk mengumpulkan informasi tentang bagaimana setiap bidang lahan berubah di musim yang berbeda. Untuk memperhitungkan perbedaan resolusi awal dan proyeksi peta, semua dataset diselaraskan dan dikoreksi medan ke grid dengan ukuran piksel 10 m x 10 m yang sama. Grid ini menggunakan proyeksi luas sama (ESPG: 6933) untuk memastikan setiap piksel berukuran sama.

Kami menggunakan semua data lapangan yang kami miliki dari negara yang dipetakan, kunjungan lapangan yang kami lakukan secara khusus, foto bergeolokasi yang terbuka, dataset pemetaan yang sudah ada, serta para ahli kami yang mengamati data satelit beresolusi sangat tinggi (<1 m), untuk membuat sekumpulan polygon yang kami yakini dengan pasti merupakan kelas tutupan lahan tertentu.

Ini termasuk upaya besar untuk membuat polygon yang pasti merupakan perkebunan pohon, tanaman pohon, dan pertanian di bawah pepohonan, serta hutan terbuka dan hutan tertutup. Polygon ini sangat penting untuk memisahkan kelas-kelas tersebut, yang sering kali terlihat mirip pada data satelit.

Kami juga membuat dataset tes independen berupa titik-titik, yang tidak digunakan untuk membuat peta, tetapi digunakan untuk menentukan kapan peta sudah cukup akurat untuk digunakan.

Dataset satelit digabungkan menjadi data cube yang mencakup periode enam bulan. Periode ini mencakup enam bulan terakhir tahun 2020 (untuk menghasilkan peta yang menunjukkan kondisi hingga 31 Desember 2020), dan enam bulan terbaru (untuk mencakup periode hingga saat ini). Periode terbaru akan diperbarui setiap tahun, menggunakan data hingga 30 September pada

tahun kalender tersebut.

Awan dan bayangan awan dihapus dari data satelit optik, dan semua dataset dikoreksi secara medan dan radiometrik serta diselaraskan.

Para data scientist kami kemudian melatih dan menjalankan algoritma machine learning yang menggabungkan polygon kebenaran dan data cube satelit, untuk memprediksi peta akhir 2020 dan periode terbaru. Peta ini diuji terhadap dataset tes independen. Berdasarkan hasilnya dan inspeksi visual peta oleh para ahli kami, kami menyempurnakan peta dengan menjalankannya ulang dan melakukan perubahan pada polygon kebenaran, dataset satelit yang digunakan, atau parameter

algoritma machine learning, hingga kami memperoleh peta final untuk suatu negara yang memenuhi persyaratan akurasi kami.

Peta beresolusi 10 m diproses lebih lanjut untuk melakukan perubahan berikut:

Penting untuk memahami performa (‘akurasi’) produk tutupan lahan untuk mengetahui apakah peta tersebut sesuai untuk kasus penggunaan tertentu.

Kami menanggapi hal ini dengan sangat serius di Space Intelligence dan menilai akurasi produk kami beserta ketidakpastiannya secara ketat secara statistik, mengikuti

praktik terbaik sebagaimana dijelaskan dalam literatur ilmiah1 dan standar internasional (2,3). Kami menetapkan target performa berdasarkan persyaratan kontrak tertentu.

Akurasi dapat diuji dengan berbagai cara, tetapi satu-satunya pendekatan yang memberikan penilaian bermakna atas akurasi piksel acak pada peta output adalah pendekatan 4. Ini adalah pendekatan yang digunakan oleh Verra dalam Consolidated REDD+ Methodology (VM0048) yang baru dan direkomendasikan oleh panduan praktik terbaik (1-3), tetapi tidak selalu diikuti oleh perusahaan yang ingin memamerkan statistik akurasi tinggi. Lihat halaman 4 untuk penilaian lebih lanjut atas setiap pendekatan.

Penting untuk ditegaskan bahwa menggunakan satu metrik saja (seperti overall accuracy) bukan cara yang andal untuk menggambarkan akurasi peta.

Cara yang jauh lebih mudah ditafsirkan dan transparan adalah menggunakan error matrix yang menunjukkan akurasi commission dan omission untuk setiap kelas (pada dasarnya menilai apakah peta memprediksi kelas tertentu secara berlebihan atau kurang). Misalnya, di area dengan tingkat deforestasi 1%, melaporkan tidak adanya deforestasi akan menghasilkan overall accuracy sebesar 99% padahal sama sekali tidak sesuai untuk tujuannya. Dalam kasus ini, lebih baik melaporkan bahwa peta memiliki akurasi 100% untuk hutan yang tidak berubah, dan akurasi 0% untuk deforestasi: sehingga jelas tidak sesuai.

Untuk EUDR, fokusnya adalah memisahkan hutan alami dari semua jenis tutupan lahan lainnya (yang harus mencakup kelas dengan pepohonan, seperti kakao). Ini memungkinkan penilaian atas kemungkinan akurasi suatu penilaian bahwa polygon tertentu, katakanlah pada tahun 2020, saat itu merupakan hutan alami, atau sudah bukan hutan.

Di Space Intelligence, kami percaya bahwa penilaian independen atas titik-titik terpisah yang mengikuti praktik terbaik adalah cara terbaik untuk menilai akurasi peta hutan/non-hutan (pendekatan 4 yang disebutkan sebelumnya). Penilaian ini dilakukan oleh para ahli ekologi dan data scientist kami yang sangat terampil dengan menilai ratusan titik secara ‘blind’, mengikuti skema sampling yang valid secara statistik, menggunakan citra satelit atau udara beresolusi tinggi, termasuk data lapangan lain yang tersedia dari mitra lokal. Agar sesuai dengan cara peta kami digunakan untuk pengujian di ICE CoT, di mana piksel ‘core forest’ yang sedikit terpisah dari tepi yang diperhitungkan, titik-titik yang sangat dekat dengan tepi bidang hutan dikecualikan dari penilaian.

Target kami adalah melampaui akurasi commission dan omission sebesar 90% untuk kelas hutan maupun non-hutan, dengan Overall Accuracy di atas 95%.

Sering kali kami melampaui target ini dengan jauh, tetapi hal ini bergantung pada

jenis vegetasi dan kompleksitas lanskap. Misalnya, pada lanskap Brasil

yang terdiri dari blok-blok besar hutan tropis dan ladang kedelai yang luas, dengan rata-rata luas pembukaan lahan mencapai puluhan hektar, kami mengharapkan overall accuracy di atas 99%. Namun di lanskap kompleks dengan petani kecil, bidang deforestasi kecil (<1 ha), dan tanaman yang mengandung pepohonan (misalnya kakao), tingkat akurasi seperti itu tidak dapat dicapai dan patut dicurigai.

Dengan menggunakan metode canggih kami (menggabungkan berbagai jenis data satelit) dan

pengetahuan lokal, akurasi commission dan omission di atas 90% dapat dicapai bahkan di lanskap yang kompleks ini.

Tes yang dilakukan ICE CoT pada peta kami didasarkan pada akurasi peta kami, pemahaman bahwa kesalahan pada peta terutama terkonsentrasi di tepi area hutan dan deforestasi, serta kemungkinan akurasi unit GPS lapangan yang digunakan untuk memetakan batas lahan.

Kamboja adalah lanskap dengan tingkat deforestasi yang tinggi, di mana sebagian besar pembukaan lahan berskala kecil untuk berbagai tanaman, termasuk tanaman pohon seperti kelapa sawit, karet, dan pinang. Hutannya merupakan campuran kompleks antara hutan kering, lembap, dan basah, termasuk area rawa dan mangrove.

Sebagai studi kasus, kami merangkum di bawah ini hasil peta tutupan lahan tahun 2020 yang dibuat Space Intelligence sebagai bagian dari serangkaian peta yang mempelajari dinamika tutupan lahan negara tersebut selama lebih dari 13 tahun. Peta menunjukkan akurasi tinggi dan sangat sedikit kerancuan antara hutan dan non-hutan, dengan keberhasilan kami mengecualikan perkebunan kayu, tanaman pohon, dan perkebunan karet dari kelas hutan, sebagaimana diperlukan untuk penilaian EUDR.

Tabel 1: Akurasi tematik untuk baseline hutan Kamboja Space Intelligence tahun 2023 sebagaimana dinilai secara independen menggunakan desain sampling probabilistik, yang menunjukkan overall accuracy yang tinggi serta tingkat kerancuan antarkelas yang rendah. Semua nilai mencakup interval kepercayaan 95.

Gambar 1: Sebagian dari baseline hutan Kamboja Space Intelligence, menunjukkan hutan dengan warna hijau, non-hutan dengan warna hitam, dan air dengan warna biru. Titik merah adalah sebagian dari ribuan titik penilaian akurasi acak yang digunakan untuk menilai akurasi peta.

Akurasi dapat diuji dengan berbagai cara, tetapi satu-satunya pendekatan yang memberikan penilaian bermakna atas akurasi piksel acak pada peta output adalah pendekatan 4. Ini adalah pendekatan yang digunakan oleh Verra dalam Consolidated REDD+ Methodology (VM0048) yang baru dan direkomendasikan oleh

panduan praktik terbaik1-3, tetapi tidak selalu diikuti oleh perusahaan yang ingin memamerkan statistik akurasi tinggi.

Pendekatan 1: Perbandingan data pelatihan input (biasanya polygon yang digambar secara visual dengan kelas seperti ‘hutan’ atau ‘non-hutan’) dengan peta output. Biasanya satuan yang digunakan adalah proporsi piksel yang diklasifikasikan dengan benar (‘overall accuracy’), dengan piksel individual sebagai unit penilaian, bukan keseluruhan polygon.

Penilaian: Meskipun umum, metode ini tidak tepat secara ilmiah karena tidak ada independensi antara dataset tes dan dataset pelatihan.

Masalah lainnya adalah penggunaan piksel, bukan polygon, sebagai dasar perbandingan. Piksel yang bertetangga (misalnya semua piksel yang membentuk sebuah lahan yang dibuka di dalam hutan) diperlakukan sebagai sampel independen, padahal sebenarnya piksel tersebut bertetangga dan memiliki jauh lebih banyak kesamaan karakteristik dibandingkan dua piksel acak pada peta output.

Karena kedua alasan tersebut, metode ini pasti akan melebih-lebihkan akurasi.

Pendekatan 2: Perbandingan serupa antara peta output dengan polygon, tetapi menggunakan polygon yang dibuat secara independen dan tidak digunakan untuk melatih peta. Biasanya satuan yang digunakan adalah proporsi piksel yang diklasifikasikan dengan benar (‘overall accuracy’), dengan piksel individual sebagai unit penilaian, bukan keseluruhan polygon.

Penilaian: Pendekatan ini memiliki masalah yang sama seperti di atas, yaitu memperlakukan piksel bertetangga yang tidak independen sebagai independen, sehingga melebih-lebihkan akurasi

Pendekatan 3: Menggunakan data yang dikumpulkan in-situ (data lapangan).

Data lapangan sering diajukan sebagai ‘standar emas’ data validasi, dan dianggap memiliki akurasi lebih tinggi dibandingkan sumber data lainnya.

Penilaian: Namun, karena keterbatasan aksesibilitas dan biayanya yang tinggi dibandingkan, misalnya, interpretasi data penginderaan jauh beresolusi tinggi, ukuran sampel yang kecil dan sempitnya proporsi area yang dapat diambil sampelnya membuat hasilnya tidak dapat diekstrapolasi secara andal ke wilayah yang luas.

Data lapangan juga cenderung bias secara spasial, yang dapat menjadi masalah saat menilai produk tutupan lahan, karena area yang mudah diakses biasanya lebih terganggu.

Pendekatan 4: Penilaian independen atas sekumpulan titik terpisah, yang ditempatkan di seluruh peta output menggunakan pendekatan sampling yang valid secara statistik (biasanya grid atau sampel acak bertingkat).

Penilaian: pendekatan ini memberikan penilaian yang andal atas akurasi berbagai kelas pada peta, serta interval kepercayaan dari penilaian tersebut. Titik tambahan dapat ditambahkan secara valid secara statistik hingga interval kepercayaan pada penilaian akurasi cukup sempit untuk memenuhi persyaratan.