Suksesi Vegetasi di Gunung Merapi Menggunakan Cellular Automata dengan Referensi Tertentu pada Model Rantai Markovian untuk Pemodelan Terintegrasi Sistem Sosial-Lingkungan

Wikan Jaya Prihantarto, Wenang Anurogo

Abstract

Suksesi vegetasi merupakan suatu proses alami yang terjadi pada suatu ekosistem. Proses suksesi dimulai dari perkembangan tanaman perintis yang berkembang tergantikan secara gradual oleh vegetasi sejati dengan kanopi yang jelas hingga menjadi vegetasi berkayu keras. Perkmbangan tersebut dapat terjadi akibat adanya kompetisi dan penyesuaian dengan lingkuangan yang ada. Pengideraan jauh memberikan kemudahan dalam monitoring perubahan tutupan lahan oleh vegetasi dengan kemampuan synoptic overview yang dimiliki. Selaras dengan hal tersebut, perkembangan Sistem Informasi Geografis memungkinkan pemodelan multitemporal untuk prediksi, salah satunya dengan metode cellular aoutomata. Tujuan dari penelitian ini adalah memodelkan perembetan vegetasi di sebagai bentuk suksesi pada daerah terdampak erupsi gunungapi dengan menggunakan metode cellular automata. Selain itu, penelitian ini diarahkan untuk mengevaluasi hasil pemodelan perembetan vegetasi cellular automata. Kelas strata vegetasi yang ada meliputi vegetasi kerapatan redah, sedang, dan tinggi berkembang secara spasial serta mengekspansi lahan berpasir secara natural dari tahun 2011 hingga 2015. Sekalipun hasil model 2015 menunjukkan statistik yang cukup logis dimana tidak memungkinkan terjadinya perubahan dari level tutupan yang lebih tinggi, namun tidak memberikan signifikansi pada pola spasial saat divalidasi dengan data eksisting tahun 2015. Akurasi total model sebesar 0,703 dengan nilai ideks kappa sebesar 0,579 menunjukkan pemodelan cellular automata untuk kasus ini perlu dievaluasi.

Keywords

Suksesi Vegetasi, Penginderaan Jauh, Cellular Aoutomata, Rantai Markovian

Full Text:

PDF

References

Antoni, S., Bantan, R. A., Taki, H. M., Anurogo, W., Lubis, M. Z., Al Dubai, T. A., ... & Arabia, S. (2018). The extent of agricultural land damage in various tsunami wave height scenarios: Disaster management and mitigation. Intl Arch Photogramm Remote Sens Spatial Inf Sci. DOI, 10.

Anurogo, W., Lubis, M. Z., & Mufida, M. A. K. (2018). Modified soil-adjusted vegetation index in multispectral remote sensing data for estimating tree canopy cover density at rubber plantation. Journal of Geoscience, Engineering, Environment, and Technology, 3(1), 15-24.

Anurogo, W., Lubis, M. Z., Sari, L. R., Mufida, M. A. K., & Prihantarto, W. J. (2018, August). Satellite-based Estimation of Above Ground Carbon Stock Estimation for Rubber Plantation in Tembir Salatiga Central Java. In 2018 4th International Conference on Science and Technology (ICST) (pp. 1-6). IEEE.

Austin, M. P. 2002. Spatial prediction of species distribution: an interface between ecological theory and statistical modelling. J. Ecological Modelling 157: 101-118

Cooke, S.J., Hinch, S.G., Wikelski M., Andrews R.D., Kuchel LJ, Wolcott T.G., Butler P.J. 2004. Biotelemetry: a mechanistic approach to ecology. Trends in Ecology and Evolution 19:334-343

Rizki, F., Situmorang, A. D. L., Wau, N., Lubis, M. Z., & Anurogo, W. (2017). Mapping Of Vegetation And Mangrove Distribution Level In Batam Island Using SPOT-5 Satellite Imagery. Journal of Geoscience, Engineering, Environment, and Technology, 2(4), 264-267.

Susilo, Bowo. 2013. Simulasi spasial berbasis sistem informasi geografi dan cellular automata untuk pemodelan perubahan penggunaan lahan di daerah pinggiran kota yogyakarta. J. Bumi lestari 13 No. 2: 327-340

Wijaya, M. S., Umam, Nuril. 2015. Pemodelan Spasial Perkembangan Fisik Perkotaan Yogyakarta Menggunakan Model Cellular Automata dan Regresi Logistik Biner. Majalah ilmiah globë 17: 165-172

Prach, K., Bartha, S., Joyce, C. B., Pyšek, P., Van Diggelen, R., & Wiegleb, G. (2001). The role of spontaneous vegetation succession in ecosystem restoration: a perspective. Applied Vegetation Science, 4(1), 111-114.

Van Hall, R. L., Cammeraat, L. H., Keesstra, S. D., & Zorn, M. (2017). Impact of secondary vegetation succession on soil quality in a humid Mediterranean landscape. Catena, 149, 836-843.

Shen, Y., Wu, Z. G., Shi, P., & Ahn, C. K. (2019). Model reduction of Markovian jump systems with uncertain probabilities. IEEE Transactions on Automatic Control, 65(1), 382-388.

Mishra, V. N., & Rai, P. K. (2016). A remote sensing aided multi-layer perceptron-Markov chain analysis for land use and land cover change prediction in Patna district (Bihar), India. Arabian Journal of Geosciences, 9(4), 249.

Weiss, M., Jacob, F., & Duveiller, G. (2020). Remote sensing for agricultural applications: A meta-review. Remote Sensing of Environment, 236, 111402.

Marko, K., Zulkarnain, F., & Kusratmoko, E. (2016, November). Coupling of Markov chains and cellular automata spatial models to predict land cover changes (case study: upper Ci Leungsi catchment area). In IOP Conference Series: Earth and Environmental Science (Vol. 47, No. 1, pp. 1755-1315). IOP Publishing.

Refbacks

  • There are currently no refbacks.