Mangrove forest represented a coastal ecosystem in Indonesia. Theoretically, mangrove forest mapping took a lot of cost and long time. The objectives of the study were (1) to examine the acuracy of the estimation of the mangrove forest density using vegetation index transformation, and (2) to map the mangrove forest condition. The location of the study was Alas Purwo Resort Grajagan National Park area. The material of the study was Landsat-8 OLI image recorded on January 19th, 2016 using SAVI vegetation index transformation method. Gap fraction filed measurement method was a new method in Indonesia. The results of the study showed that the regression of the SAVI index between index transformation value and in-field condition (R2) was 0.566, the forest density estimation resulting from the SAVI index transformation had the RMSE of 2.334178 and the density of the mangrove forest in Grajagan Bay of the Alas Purwo National Park included low density of 0-12.5% (30.42 ha), medium density of 12.6-25% (116.55 ha), and high density of 25.1-37.6% (463.68 ha).

Penyediaan data distribusi mangrove serta perubahannya membutuhkan waktu pemrosesan yang lama jika dilakukan dengan interpretasi citra secara konvensional, apalagi jika dilakukan pada area yang luas seperti Kabupaten Kubu Raya. Hadirnya platform yang bernama Google Earth Engine (GEE) bisa menjadi solusi permasalahan tersebut. GEE mempunyai akses data yang besar, mampu mengolah data berbasis cloud serta memiliki banyak algoritma machine learning. Oleh karena itu penelitian ini mencoba memetakan mangrove di Kabupaten Kubu Raya menggunakan machine learning yang tersedia di GEE, selain itu kami juga membahas beberapa future work terkait pemetaan mangrove di Kabupaten Kubu Raya menggunakan GEE. Machine learning yang digunakan dalam penelitian ini antara lain: CART, Random Forest, GMO Max Entropy, Voting SVM, Margin SVM. Hasil penelitian ini menunjukkan bahwa machine learning yang terbaik dalam memetakan mangrove di Kabupaten Kubu Raya adalah CART. Random Forest juga menjadi machine learning dengan akurasi tertinggi setelah CART, baik keduanya merupakan machine learning berbasis logika atau juga disebut machine learning berbasis pohon keputusan. Dari beberapa studi juga mendukung bahwa machine learning ini sangat cocok digunakan untuk pemetaan penutup lahan. Hasil pemetaan mangrove ini memiliki akurasi kappa yang baik walaupun masih terdapat misklasifikasi sehingga perlu dilakukan sentuhan manual seperti interpretasi visual. Penelitian ini masih terdapat banyak keterbatasan sehingga perlu dikembangkan penelitian dengan menggunakan input data yang lebih beragam dan pengujian hyperparamater antar machine learning.

Kondisi topografi mempengaruhi perbedaan besarnya energi sinar matahari yang ditangkap, dipantulkan balik dan diterima sensor penginderaan jauh. Hal ini membuat perlu dilakukan koreksi radiometri topografi pada proses pra pengolahan citra. Metode koreksi topografi terhitung banyak sedangkan penelitian terkait koreksi topografi ternilai cukup jarang dilakukan di Indoensia. Tujuan penelitan ini adalah membandingkan metode koreksi topografi. Adapun wilayah studi dalam penelitian ini adalah wilayah Gunung Telomoyo.Data yang digunakan dalam penelitian ini adalah citra satelit Landsat 8 dan DEMNAS. Adapun metode koreksi topografi yang diujikan dalam penelitian ini adalah metode koreksi topografi C Correction dan SCS+C.Hasil dari penelitian menunjukkan bahwa data DEMNAS dapat digunakan sebagai sumber data untuk koreksi radiometrik topografi. Metode koreksi topografi yang paling baik pada penelitian ini adalah metode SCS+C dilihat dari kenampakan visual dan memiliki nilai standar deviasi terendah dibandingkan dengan metode C Correction. Sehingga untuk wilayah dengan dominasi tutupan lahan hutan maka metode SCS+C bisa direkomendasikan. Koreksi topografi berguna dalam peningkatan akurasi perhitungan biomassa dan estimasi karbon di dataran tinggi menggunakan data penginderaan jauh.