Kebakaran-Hutan--ATBI---GEE - Defani Arman Alfitriansyah

Pemetaan Keparahan Kebakaran Hutan dengan dATBI menggunakan Google Earth Engine Implementasi berbasis jurnal: Bilal, M. (2025). The automated temporal burn index (ATBI)

Repositori di GitHub

Implementasi berbasis jurnal: Bilal, M. (2025). The automated temporal burn index (ATBI) for accurate and scalable burned area mapping. International Journal of Applied Earth Observation and Geoinformation, 144, 104866. Bilal (2025)

Script GEE: https://code.earthengine.google.com/330ea07830bdf414b5f28e05baa426f6¶

Latar Belakang¶

Kebakaran hutan merupakan salah satu gangguan ekologis dan klimatik terbesar di Bumi, berdampak pada dinamika gas rumah kaca, distribusi vegetasi, dan komunitas manusia (Goldammer et al., 2008; Kloster et al., 2012). Kejadian kebakaran baru-baru ini menegaskan meningkatnya keparahan dan skala kebakaran secara global akibat perubahan iklim (Bowman et al., 2020; Liu et al., 2014).

Pemetaan area terbakar yang akurat sangat kritis untuk:

Penilaian dampak kebakaran terhadap kesehatan dan properti (Reid et al., 2016)
Estimasi emisi gas rumah kaca dan siklus karbon (Randerson et al., 2006)
Perencanaan pemulihan pasca-kebakaran (Lentile et al., 2006)
Pemantauan tren kebakaran jangka panjang (Boschetti et al., 2015)

Indeks konvensional seperti dNBR (Differenced Normalized Burn Ratio) — yang menjadi standar operasional dalam program BAER, MTBS, dan ABoVE (Key & Benson, 2006; Eidenshink et al., 2007) — rentan terhadap kesalahan komisi (commission errors), yaitu mengklasifikasikan vegetasi yang tidak terbakar, awan, bayangan, atau salju sebagai area terbakar (Sparks et al., 2015; Meddens et al., 2016).

Studi ini mengimplementasikan Automated Temporal Burn Index (ATBI) (Bilal, 2025), sebuah indeks baru yang memanfaatkan tanda spektral ko-kurensi kebakaran (NIR↓ dan SWIR↑) melalui formulasi multiplikatif untuk menekan kesalahan komisi secara signifikan.

Landasan Teori¶

Respons Spektral Kebakaran¶

Kebakaran hutan menghasilkan perubahan spektral yang khas dan berlawanan arah pada saluran Near-Infrared (NIR) dan Shortwave-Infrared (SWIR):

Kondisi	NIR	SWIR	Penjelasan
Vegetasi sehat	Tinggi	Rendah	Pantulan mesofil tinggi; kandungan air daun menyerap SWIR
Pasca-kebakaran	Rendah	Tinggi	Hilangnya struktur sel daun; paparan arang/substrat kering
Bayangan/awan	Rendah	Rendah	Tidak memenuhi kondisi ko-kurensi kebakaran
Salju/es	Tinggi	Rendah	NIR tinggi, SWIR tetap rendah

Kombinasi NIR↓ dan SWIR↑ merupakan “sidik jari spektral” (spectral fingerprint) kebakaran yang tidak dimiliki oleh perubahan non-kebakaran (Ceccato et al., 2001; Veraverbeke et al., 2011).

Prinsip Logika AND pada ATBI¶

ATBI dirancang dengan logika AND — nilai tinggi hanya dihasilkan ketika kedua kondisi spektral kebakaran terpenuhi secara bersamaan:

NIR menurun (kehilangan struktur vegetasi)
SWIR meningkat (paparan arang/substrat kering)

Kondisi non-kebakaran seperti bayangan (NIR↓, SWIR↓), tanah lembab (NIR tetap, SWIR tetap), dan perubahan fenologi (NIR naik, SWIR turun) gagal memenuhi salah satu kondisi ini, sehingga menghasilkan nilai ATBI rendah dan menekan deteksi palsu (Bilal, 2025).

Formulasi Matematis¶

1. Normalized Burn Ratio (NBR)¶

\text{NBR} = \frac{\text{NIR} - \text{SWIR}}{\text{NIR} + \text{SWIR}}

(1)

2. Automated Temporal Burn Index (ATBI)¶

\text{ATBI} = \underbrace{\frac{\text{NIR} - \text{SWIR}}{\text{NIR} + \text{SWIR}}}_{\text{NBR (kontras keparahan)}} \times \underbrace{\frac{\text{SWIR}}{\text{NIR}}}_{\text{bobot kekeringan}}

(2)

yang dapat ditulis ulang sebagai:

\text{ATBI} = \text{NBR} \times \frac{\text{SWIR}}{\text{NIR}}

(3)

Keterangan band per sensor Landsat:

Variabel	Landsat 8-9 OLI	Landsat 5 TM / 7 ETM+
NIR	Band 5	Band 4
SWIR	Band 7	Band 7

Interpretasi fisik dua komponen ATBI:

Komponen 1 — NBR: Mengukur kontras keparahan bakar; kebakaran menurunkan NIR (hilangnya struktur seluler daun) dan meningkatkan SWIR (hilangnya kandungan air + paparan arang/substrat).
Komponen 2 — SWIR/NIR: Faktor bobot kekeringan/paparan permukaan. Nilai kecil (<<1) untuk vegetasi sehat (NIR tinggi, SWIR rendah); nilai besar (>>1) untuk permukaan terbakar (NIR rendah, SWIR tinggi). Faktor ini memperkuat piksel yang secara fisik “mirip terbakar” dan melemahkan yang “mirip vegetasi”.

Contoh numerik perbandingan dATBI vs dNBR:

Piksel hutan pra-kebakaran: NIR ≈ 0.5, SWIR ≈ 0.2

\text{NBR}_{\text{pre}} = \frac{0.5 - 0.2}{0.5 + 0.2} \approx 0.43, \quad \text{ATBI}_{\text{pre}} = 0.43 \times \frac{0.2}{0.5} \approx 0.17

(4)

Piksel pasca-kebakaran tinggi: NIR ≈ 0.1, SWIR ≈ 0.3

\text{NBR}_{\text{post}} = \frac{0.1 - 0.3}{0.1 + 0.3} \approx -0.50, \quad \text{ATBI}_{\text{post}} = -0.50 \times \frac{0.3}{0.1} \approx -1.50

(5)

Sehingga:

\text{dNBR} = 0.43 - (-0.50) \approx 0.93

(6)

\text{dATBI} = 0.17 - (-1.50) \approx 1.67

(7)

Perubahan spektral yang sama menghasilkan respons ~1.8× lebih kuat pada dATBI dibandingkan dNBR, memperlebar jarak dinamis dan meningkatkan stabilitas klasifikasi.

3. Differenced ATBI (dATBI) — Pendekatan Bi-temporal¶

\text{dATBI} = \text{ATBI}_{\text{pre}} - \text{ATBI}_{\text{post}} \tag{2}

(8)

4. dATBI Temporal (dATBIt) — Pendekatan Multi-temporal¶

Untuk setiap citra pasca-kebakaran pada waktu $t$ ( $t = 1, \ldots, n$ ):

D_t(x,y) = \text{ATBI}_{\text{pre}}(x,y) - \text{ATBI}_{\text{post}(t)}(x,y)

(9)

Masker kebakaran biner dengan ambang batas $T$ (dATBI ≥ 0.20):

M_t(x,y) = \begin{cases} 1, & \text{jika } D_t(x,y) \geq T \\ 0, & \text{sebaliknya} \end{cases}

(10)

Jumlah deteksi kebakaran per piksel:

K(x,y) = \sum_{t=1}^{n} M_t(x,y)

(11)

5. Temporal Mean Burned Area Composite (dATBItm)¶

\text{dATBI}_{tm}(x,y) = \begin{cases} \dfrac{1}{K(x,y)} \sum_{t=1}^{n} D_t(x,y) \cdot M_t(x,y), & \text{jika } K(x,y) \geq 1 \\ \text{null}, & \text{sebaliknya} \end{cases}

(12)

6. Differenced NBR (dNBR) — Pembanding¶

\text{NBR} = \frac{\text{NIR} - \text{SWIR}}{\text{NIR} + \text{SWIR}}

(13)

\text{dNBR} = \text{NBR}_{\text{pre}} - \text{NBR}_{\text{post}}

(14)

7. Metrik Validasi¶

\text{Precision} = \frac{TP}{TP + FP}

(15)

\text{Recall} = \frac{TP}{TP + FN}

(16)

\text{F1 Score} = \frac{2 \cdot (\text{Precision} \cdot \text{Recall})}{\text{Precision} + \text{Recall}}

(17)

M = \frac{|\mu_b - \mu_{ub}|}{\sigma_b + \sigma_{ub}}

(18)

Hasil Validasi (Park Fire 2024, California)¶

Validasi menggunakan klasifikasi Random Forest (RF) sebagai referensi independen:

Indeks	Presisi	Recall	F1-Score
dATBI	0.919	0.975	0.946
dNBR	0.729	0.979	0.836

Indeks Separabilitas (M)¶

Indeks	Piksel Terbakar	Piksel Tidak Terbakar	$\mu_b$	$\mu_{ub}$	$\sigma_b$	$\sigma_{ub}$	M
dATBI	1,258,751 (66.17%)	643,515 (33.83%)	0.481	0.072	0.219	0.079	1.38
dNBR	1,571,297 (84.01%)	299,081 (15.99%)	0.481	0.115	0.219	0.065	1.29

dATBI memberikan nilai rata-rata kelas tidak terbakar yang jauh lebih rendah ( $\mu_{ub}$ = 0.072 vs 0.115), meningkatkan jarak antar kelas dan mengurangi overlap histogram. Hal ini secara kuantitatif mengkonfirmasi bahwa dATBI menyediakan diskriminasi kelas yang lebih baik dibandingkan dNBR.

Keunggulan Utama dATBI¶

Presisi lebih tinggi (~0.92 vs ~0.73): jauh lebih sedikit deteksi palsu pada vegetasi sehat, bayangan, dan salju
F1-Score lebih tinggi (~0.94 vs ~0.84): klasifikasi keseluruhan lebih andal
Separabilitas lebih baik (M = 1.38 vs 1.29): jarak antar kelas lebih lebar
Recall setara (~0.97–0.98): tidak mengorbankan deteksi area terbakar yang nyata
Stabilitas ambang batas: performa tidak sensitif terhadap pergeseran ambang batas kecil, tidak seperti dNBR yang memerlukan kalibrasi per-scene
Robust terhadap gangguan atmosfer: SREM-corrected imagery menghasilkan output dATBI yang lebih bersih dibandingkan produk LaSRC standar

Struktur Kode¶

Script ini dijalankan di Google Earth Engine (GEE) dan terdiri dari beberapa tahapan:

DATBI.js
├── Akuisisi Citra
│   ├── Citra Sentinel-2 SR Sebelum Kebakaran (pre-fire)
│   └── Citra Sentinel-2 SR Sesudah Kebakaran (post-fire)
├── Komputasi Indeks
│   ├── hitungATBI()  ← fungsi utama ATBI
│   ├── atbiSebelum   ← ATBI pre-fire
│   ├── atbiSesudah   ← ATBI post-fire
│   └── dATBI         ← selisih (differenced ATBI)
├── Klasifikasi Keparahan
│   └── areaKebakaran (4 kelas: 0, 1, 2, 3)
├── Visualisasi
│   ├── RGB True Color Pre-fire
│   ├── False Color Post-fire
│   └── Peta Keparahan (Low/Moderate/High)
└── Ekspor
    ├── dATBI_LosAngeles_2025.tif
    └── Keparahan_Kebakaran_LosAngeles_2025.tif

Cara Penggunaan¶

Prasyarat¶

Akun Google Earth Engine
Area kajian didefinisikan sebagai variabel batas_wilayah (geometry GEE)

Langkah 1 — Definisikan Area Kajian¶

Sebelum menjalankan script, buat atau import geometry batas wilayah di GEE:

var batas_wilayah = ee.Geometry.Rectangle([/* koordinat bbox */]);
// atau import shapefile via Assets

Langkah 2 — Akuisisi Citra¶

// Citra Pra-Kebakaran
var sebelumKebakaran = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED')
  .filterBounds(batas_wilayah)
  .filterDate('2024-10-01', '2024-12-31')      // Sesuaikan tanggal
  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))
  .mosaic()
  .clip(batas_wilayah)
  .multiply(0.0001);                            // Scaling faktor Sentinel-2

// Citra Pasca-Kebakaran
var sesudahKebakaran = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED')
  .filterBounds(batas_wilayah)
  .filterDate('2025-01-15', '2025-02-15')      // Sesuaikan tanggal
  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))
  .mosaic()
  .clip(batas_wilayah)
  .multiply(0.0001);

Catatan band Sentinel-2: Script menggunakan B8 (NIR, 842 nm) dan B12 (SWIR, 2190 nm), setara dengan Band 5 dan Band 7 pada Landsat 8-9 OLI yang digunakan dalam paper rujukan.

Langkah 3 — Komputasi ATBI¶

var hitungATBI = function(img) {
  var nir  = img.select('B8');   // Near-Infrared
  var swir = img.select('B12');  // Shortwave-Infrared

  // NBR = (NIR - SWIR) / (NIR + SWIR)
  var nbr   = nir.subtract(swir).divide(nir.add(swir));

  // SWIR/NIR = faktor bobot kekeringan
  var rasio = swir.divide(nir);

  // ATBI = NBR × (SWIR/NIR)
  return nbr.multiply(rasio).rename('ATBI');
};

var atbiSebelum = hitungATBI(sebelumKebakaran);
var atbiSesudah = hitungATBI(sesudahKebakaran);

// dATBI = ATBIpre - ATBIpost
var dATBI = atbiSebelum.subtract(atbiSesudah).rename('dATBI');

Langkah 4 — Klasifikasi Keparahan¶

var areaKebakaran = dATBI
  .where(dATBI.lt(0.20),                           0)  // Tidak terbakar
  .where(dATBI.gte(0.20).and(dATBI.lt(0.27)),      1)  // Keparahan rendah
  .where(dATBI.gte(0.27).and(dATBI.lt(0.66)),      2)  // Keparahan sedang
  .where(dATBI.gte(0.66),                           3)  // Keparahan tinggi
  .rename('Keparahan_Kebakaran');

Langkah 5 — Ekspor Hasil¶

// Ekspor dATBI kontinu
Export.image.toDrive({
  image: dATBI,
  description: 'dATBI_LosAngeles_2025',
  folder: 'GEE_Kebakaran',
  scale: 10,                  // Resolusi spasial 10m (Sentinel-2)
  region: batas_wilayah,
  fileFormat: 'GeoTIFF'
});

// Ekspor peta keparahan teklasifikasi
Export.image.toDrive({
  image: areaKebakaran,
  description: 'Keparahan_Kebakaran_LosAngeles_2025',
  folder: 'GEE_Kebakaran',
  scale: 10,
  region: batas_wilayah,
  fileFormat: 'GeoTIFF'
});

Output¶

File	Deskripsi	Format
`dATBI_LosAngeles_2025.tif`	Nilai dATBI kontinu (float)	GeoTIFF, 10m
`Keparahan_Kebakaran_LosAngeles_2025.tif`	Peta keparahan diskret (0–3)	GeoTIFF, 10m

Legenda peta keparahan:

Nilai	Kelas	Warna
0	Tidak terbakar	Transparan
1	Keparahan rendah	Kuning
2	Keparahan sedang	Oranye
3	Keparahan tinggi	Merah

Keterbatasan¶

Kalibrasi ambang batas empiris: Ambang batas keparahan dATBI saat ini diadaptasi dari konvensi dNBR. Kalibrasi terhadap data Composite Burn Index (CBI) lapangan masih diperlukan untuk operasionalisasi penuh di berbagai ekosistem (Bilal, 2025).
Koreksi atmosfer: dATBI sensitif terhadap kualitas data reflektansi permukaan. Produk SREM memberikan hasil yang lebih bersih dibandingkan LaSRC standar; perbedaan produk atmosfer dapat mempengaruhi akurasi (Bilal, 2025).
Regrowth cepat: Di ekosistem dengan regenerasi cepat (misal savana Cerrado), sinyal bakar pada piksel yang sudah tumbuh kembali tetap terdeteksi jika setidaknya satu citra menangkap kondisi pasca-kebakaran segera.
Sungai bermuatan sedimen: Pada skala besar, beberapa sungai bermuatan sedimen tinggi dapat salah terklasifikasi sebagai terbakar karena reflektansi gelap yang menyerupai arang (Bilal, 2025).
Adaptasi sensor: Implementasi ini menggunakan Sentinel-2 (B8/B12), sedangkan paper rujukan menggunakan Landsat. Perbedaan karakteristik sensor perlu diperhatikan dalam interpretasi hasil.

Daftar Pustaka¶

Bilal, M. (2025). The automated temporal burn index (ATBI) for accurate and scalable burned area mapping. International Journal of Applied Earth Observation and Geoinformation, 144, 104866. Bilal (2025)

Bilal, M., Nazeer, M., Nichol, J.E., Bleiweiss, M.P., Qiu, Z., Jäkel, E., ... & Lolli, S. (2019). A Simplified and Robust Surface Reflectance Estimation Method (SREM) for use over Diverse Land Surfaces using Multi-Sensor Data. Remote Sensing, 11.

Boschetti, L., Roy, D.P., Justice, C.O., & Humber, M.L. (2015). MODIS–Landsat fusion for large area 30 m burned area mapping. Remote Sensing of Environment, 161, 27–42.

Bowman, D.M.J.S., Kolden, C.A., Abatzoglou, J.T., Johnston, F.H., van der Werf, G.R., & Flannigan, M. (2020). Vegetation fires in the Anthropocene. Nature Reviews Earth & Environment, 1, 500–515.

Ceccato, P., Flasse, S., Tarantola, S., Jacquemoud, S., & Grégoire, J.M. (2001). Detecting vegetation leaf water content using reflectance in the optical domain. Remote Sensing of Environment, 77, 22–33.

Chuvieco, E., Martín, M.P., & Palacios, A. (2002). Assessment of different spectral indices in the red-near-infrared spectral domain for burned land discrimination. International Journal of Remote Sensing, 23, 5103–5110.

Eidenshink, J., Schwind, B., Brewer, K., Zhu, Z.-L., Quayle, B., & Howard, S. (2007). A Project for monitoring Trends in Burn Severity. Fire Ecology, 3, 3–21.

Goldammer, J.G., Statheropoulos, M., & Andreae, M.O. (2008). Impacts of vegetation fire emissions on the environment, human health, and security: a global perspective. Developments in Environmental Science, 8, 3–36.

Holsinger, L.M., Parks, S.A., Saperstein, L.B., Loehman, R.A., Whitman, E., Barnes, J., ... & Bohlman, S. (2022). Improved fire severity mapping in the North American boreal forest using a hybrid composite method. Remote Sensing in Ecology and Conservation, 8, 222–235.

Key, C.H., & Benson, N.C. (2006). Landscape Assessment: Ground measure of severity, the Composite Burn Index; and Remote sensing of severity, the Normalized Burn Ratio. Ogden, UT.

Kloster, S., Mahowald, N.M., Randerson, J.T., & Lawrence, P.J. (2012). The impacts of climate, land use, and demography on fires during the 21st century simulated by CLM-CN. Biogeosciences, 9, 509–525.

Lentile, L.B., Holden, Z.A., Smith, A.M.S., Falkowski, M.J., Hudak, A.T., Morgan, P., ... & Benson, N.C. (2006). Remote sensing techniques to assess active fire characteristics and post-fire effects. International Journal of Wildland Fire, 15.

Liu, Y., Goodrick, S., & Heilman, W. (2014). Wildland fire emissions, carbon, and climate: Wildfire–climate interactions. Forest Ecology and Management, 317, 80–96.

Meddens, A.J.H., Kolden, C.A., & Lutz, J.A. (2016). Detecting unburned areas within wildfire perimeters using Landsat and ancillary data across the northwestern United States. Remote Sensing of Environment, 186, 275–285.

Pleniou, M., & Koutsias, N. (2013). Sensitivity of spectral reflectance values to different burn and vegetation ratios: a multi-scale approach applied in a fire affected area. ISPRS Journal of Photogrammetry and Remote Sensing, 79, 199–210.

Randerson, J.T., Liu, H., Flanner, M.G., Chambers, S.D., Jin, Y., Hess, P.G., ... & Zender, C.S. (2006). The impact of boreal forest fire on climate warming. Science, 314, 1130–1132.

Reid, C.E., Brauer, M., Johnston, F.H., Jerrett, M., Balmes, J.R., & Elliott, C.T. (2016). Critical Review of Health Impacts of Wildfire Smoke Exposure. Environmental Health Perspectives, 124, 1334–1343.

Roy, D.P., Huang, H., Boschetti, L., Giglio, L., Yan, L., Zhang, H.H., & Li, Z. (2019). Landsat-8 and Sentinel-2 burned area mapping — A combined sensor multi-temporal change detection approach. Remote Sensing of Environment, 231.

Sparks, A.M., Smith, A.M.S., Talhelm, A.F., Kolden, C.A., Yedinak, K.M., & Johnson, D.M. (2015). Spectral indices accurately predict forest burn severity in the western USA. International Journal of Wildland Fire.

Veraverbeke, S., Harris, S., & Hook, S. (2011). Evaluating spectral indices for burned area discrimination using MODIS/ASTER (MASTER) airborne simulator data. Remote Sensing of Environment, 115, 2702–2709.

Vermote, E., Justice, C., Claverie, M., & Franch, B. (2016). Preliminary analysis of the performance of the Landsat 8/OLI land surface reflectance product. Remote Sensing of Environment, 185, 46–56.

Script GEE: https://code.earthengine.google.com/330ea07830bdf414b5f28e05baa426f6

References¶

Bilal, M. (2025). The automated temporal burn index (ATBI) for accurate and scalable burned area mapping. International Journal of Applied Earth Observation and Geoinformation, 144, 104866. 10.1016/j.jag.2025.104866