Monitoring Post-Disaster Mangrove Forest Recoveries in Lawaan-Balangiga, Eastern Samar Using Time Series Analysis of Moisture and Vegetation Indices

Abstract

Abstract. The mangrove forests of Lawaan-Balangiga in Eastern Samar lost significant cover due to the Typhoon Haiyan that struck the region in 2013. The mangroves in the area have since shown signs of recovery in terms of growth and spatial coverage, but these widely varied with locations. This study aims to further examine the status of recovery of mangroves across different locations by analysing the time series trends of selected vegetation and moisture indices: Normalized Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI), Modified Soil Adjusted Vegetation Index (MSAVI), and Normalized Difference Moisture Index (NDMI). These indices were extracted from Landsat 8 surface reflectance images, spanning 2014 to 2020, using Google Earth Engine (GEE). The time series analyses showed similar NDVI, MSAVI and NDMI values and trends after the 2013 typhoon event. The trend slopes also indicated high correlation (0.91 – 1.00) between and among the indices, with NDVI having the highest correlation with MSAVI (∼1.00). The study was able to corroborate the previous study on mangroves in Lawaan-Balangiga, by presenting positive trend results in the identified recovered areas. These trends, however, would still have to be validated by collecting and comparing biophysical parameters in the field. The next step of the research would be to identify the factors that contribute to the varying rates of recovery in the areas and to evaluate how this can affect the carbon sequestration rates of recovering mangroves.

Analisis Kerapatan Vegetasi Kota Ambon Menggunakan Data Citra Satelit Sentinel-2 dengan Metode MSARVI Berbasis Machine Learning pada Google Earth Engine

“…270 Philia Christi Latue 69 MSARVI (Modified Soil-Adjusted Vegetation Index) adalah salah satu metode penginderaan jauh yang digunakan untuk mengukur kerapatan vegetasi dengan menggunakan data citra satelit [8]. Metode ini didasarkan pada rasio antara inframerah dekat (NIR) dan cahaya merah (RED) pada citra satelit, yang mencerminkan keberadaan klorofil dalam tumbuhan dan digunakan sebagai indikator kerapatan vegetasi [9]. Dengan menggunakan metode MSARVI pada data citra satelit Sentinel-2, dapat dilakukan analisis kerapatan vegetasi yang akurat dan efektif.…”

“…Dengan menggunakan platform Google Earth Engine dan metode MSARVI berbasis machine learning, analisis kerapatan vegetasi dapat dilakukan secara efektif dan efisien dengan tingkat akurasi yang lebih tinggi [11]. Hasil analisis dapat digunakan untuk memantau perubahan kerapatan vegetasi dari waktu ke waktu dan membantu dalam pengambilan keputusan dalam manajemen lingkungan dan pengelolaan sumber daya alam [9]. Menurut Ticman et al, beberapa kelebihan analisis kerapatan vegetasi menggunakan data citra satelit Sentinel-2 dengan metode MSARVI berbasis machine learning pada Google Earth Engine dibandingkan dengan menggunakan metode lain diantaranya yaitu; Platform Google Earth Engine memungkinkan pemrosesan data citra satelit dengan efektif dan efisien, karena menggunakan infrastruktur cloud computing, metode MSARVI berbasis machine learning dapat memberikan hasil analisis kerapatan vegetasi yang lebih akurat dan konsisten, data citra Sentinel-2 yang tersedia di Google Earth Engine memungkinkan pemantauan perubahan vegetasi dari waktu ke waktu dengan akurasi yang lebih tinggi, dan kemampuan integrasi data yang lebih komprehensif dan analisis yang lebih holistik [9].…”

“…MSARVI adalah salah satu metode penginderaan jauh yang digunakan untuk mengukur kerapatan vegetasi dengan menggunakan data citra satelit [8]. Metode ini didasarkan pada rasio antara inframerah dekat (NIR) dan cahaya merah (RED) pada citra satelit, yang mencerminkan keberadaan klorofil dalam tumbuhan dan digunakan sebagai indikator kerapatan vegetasi [9].…”

“…Pada NDVI, bobot yang digunakan sama besar untuk kedua band (NIR dan Red), sedangkan pada MSARVI, bobot yang digunakan lebih besar pada band NIR daripada Red. Hasil perhitungan MSARVI akan menghasilkan nilai indeks kerapatan vegetasi yang berkisar dari -0 hingga 0 [9]. Nilai -0 menunjukkan bahwa wilayah tersebut memiliki kerapatan vegetasi yang sangat rendah, sedangkan nilai 0 menunjukkan bahwa wilayah tersebut memiliki kerapatan vegetasi yang sangat tinggi.…”

Analisis Spasial Perubahan Suhu Permukaan Daratan Kota Kupang Menggunakan Pendekatan Geospatial Artificial Intelligence (GeoAI)

“…Platform ini menyediakan infrastruktur yang kuat untuk memproses, memvisualisasikan, dan menganalisis petabytes data geospasial dengan cepat dan efisien (Muntaga 2019). Google Earth Engine telah digunakan dalam berbagai aplikasi, termasuk pemantauan lingkungan, analisis perubahan iklim, pemetaan perubahan tutupan lahan, pemantauan bencana alam, dan banyak lagi (Ticman et al 2021). Platform ini telah membuka peluang baru dalam bidang pemantauan bumi dan analisis geospasial, dan terus menjadi alat yang berharga bagi para ilmuwan dan praktisi di seluruh dunia (Ermida et al 2020…”