Random-Forest-Mangrove-Python - Defani Arman Alfitriansyah

Notebook ini mengimplementasikan klasifikasi tutupan lahan mangrove menggunakan algoritma Random Forest berbasis data Sentinel-2 SR Harmonized melalui platform Google Earth Engine (GEE). Output berupa peta klasifikasi tiga kelas: Badan Air, Mangrove, dan Non-Mangrove.

Repositori di GitHub

Oleh: Defani Arman Alfitriansyah

Seluruh tahapan analisis dalam notebook ini dijalankan di Google Colaboratory menggunakan library geemap yang terhubung dengan Google Earth Engine (GEE). Notebook dapat diakses di: https://colab.research.google.com/drive/1QbNTV-tW1OE2vAPIRL58LTYWdCHZ9AuW?usp=sharing

Daftar Isi¶

Gambaran Umum
Platform & Package
Alur Kerja
Indeks Rumus
- NDVI
- NDWI
- NDMI
- NDBI
- IRECI
Cloud Masking — Cloud Score+
Algoritma Random Forest
Band Sentinel-2 yang Digunakan
Tahapan Analisis
Evaluasi Akurasi
Daftar Referensi

Gambaran Umum¶

Notebook ini mengimplementasikan klasifikasi tutupan lahan mangrove menggunakan algoritma Random Forest berbasis data Sentinel-2 SR Harmonized melalui platform Google Earth Engine (GEE). Output berupa peta klasifikasi tiga kelas: Badan Air, Mangrove, dan Non-Mangrove.

Platform dan Package¶

Seluruh proses komputasi dijalankan di Google Colaboratory menggunakan koneksi ke Google Earth Engine melalui library geemap.

Instalasi¶

!pip install earthengine-api geemap cartopy matplotlib numpy scikit-learn

Package yang Digunakan¶

Package	Versi	Fungsi
`earthengine-api`	latest	Akses Google Earth Engine Python API
`geemap`	latest	Visualisasi peta interaktif berbasis GEE di Colab
`geemap.cartoee`	(bagian geemap)	Ekspor peta GEE ke matplotlib dengan proyeksi kartografi
`cartopy`	latest	Proyeksi peta dan gridline (LONGITUDE_FORMATTER, LATITUDE_FORMATTER)
`matplotlib`	latest	Visualisasi dan plotting hasil klasifikasi
`numpy`	latest	Operasi array dan matriks
`pandas`	latest	Manipulasi data tabular (variable importance)
`seaborn`	latest	Heatmap confusion matrix dan visualisasi statistik
`scikit-learn`	latest	Metrik evaluasi tambahan

Autentikasi GEE¶

import ee
ee.Authenticate()
ee.Initialize(project='ee-defaniarman')

Alur Kerja¶

Sentinel-2 SR Harmonized (2024–2025)
            |
    Cloud Masking (Cloud Score+, cs_cdf >= 0.60)
            |
    Komposit Median + Clip Batas Kajian
            |
    Hitung Indeks: NDVI, NDWI, NDMI, NDBI, IRECI
            |
    Ekstraksi Nilai ke Titik Sampel (sampleRegions)
            |
    Training Random Forest (500 pohon, split 70:30)
            |
    Klasifikasi Citra --> 3 Kelas
            |
    Evaluasi: Confusion Matrix, OA, Kappa

Indeks Rumus¶

1. NDVI¶

Normalized Difference Vegetation Index

Mengukur kerapatan dan kehijauan vegetasi.

\text{NDVI} = \frac{B8 - B4}{B8 + B4}

(1)

Simbol	Band Sentinel-2	Panjang Gelombang
B8	NIR (Near-Infrared)	~842 nm
B4	Red	~665 nm

Interpretasi: Nilai mendekati +1 = vegetasi lebat. Nilai mendekati 0 = lahan terbuka. Nilai negatif = air.

ndvi = s2.select('B8').subtract(s2.select('B4')) \
         .divide(s2.select('B8').add(s2.select('B4'))) \
         .rename('NDVI')

Sitasi: Rouse et al. (1973); Tucker (1979); Jamaluddin et al. (2022)

2. NDWI¶

Normalized Difference Water Index

Mengidentifikasi badan air permukaan dan kelembapan kanopi.

\text{NDWI} = \frac{B3 - B8}{B3 + B8}

(2)

Simbol	Band Sentinel-2	Panjang Gelombang
B3	Green	~560 nm
B8	NIR (Near-Infrared)	~842 nm

Interpretasi: Nilai positif = badan air. Nilai negatif = vegetasi/lahan kering.

ndwi = s2.select('B3').subtract(s2.select('B8')) \
         .divide(s2.select('B3').add(s2.select('B8'))) \
         .rename('NDWI')

Sitasi: McFeeters (1996)

3. NDMI¶

Normalized Difference Moisture Index

Mengukur kandungan air pada vegetasi (kelembapan kanopi).

\text{NDMI} = \frac{B8 - B11}{B8 + B11}

(3)

Simbol	Band Sentinel-2	Panjang Gelombang
B8	NIR (Near-Infrared)	~842 nm
B11	SWIR-1 (Short-Wave Infrared)	~1610 nm

Interpretasi: Nilai tinggi = vegetasi dengan kelembapan tinggi (cocok untuk mangrove). Nilai rendah = vegetasi kering atau lahan terbuka.

ndmi = s2.select('B8').subtract(s2.select('B11')) \
         .divide(s2.select('B8').add(s2.select('B11'))) \
         .rename('NDMI')

Sitasi: Shi et al. (2016); Jamaluddin et al. (2022)

4. NDBI¶

Normalized Difference Built-up Index

Mengidentifikasi kawasan terbangun/permukiman.

\text{NDBI} = \frac{B11 - B8}{B11 + B8}

(4)

Simbol	Band Sentinel-2	Panjang Gelombang
B11	SWIR-1 (Short-Wave Infrared)	~1610 nm
B8	NIR (Near-Infrared)	~842 nm

Catatan: NDBI adalah kebalikan dari NDMI. Nilai positif mengindikasikan kawasan terbangun; nilai negatif mengindikasikan vegetasi.

ndbi = s2.select('B11').subtract(s2.select('B8')) \
         .divide(s2.select('B11').add(s2.select('B8'))) \
         .rename('NDBI')

Sitasi: Zha et al. (2003)

5. IRECI¶

Inverted Red-Edge Chlorophyll Index

Mengukur kandungan klorofil menggunakan band Red-Edge — sangat sensitif terhadap vegetasi mangrove.

\text{IRECI} = \frac{B8 - B4}{B5 / B6}

(5)

Dapat ditulis juga sebagai:

\text{IRECI} = \frac{(B8 - B4) \times B6}{B5}

(6)

Simbol	Band Sentinel-2	Panjang Gelombang
B8	NIR (Near-Infrared)	~842 nm
B4	Red	~665 nm
B5	Red-Edge 1	~705 nm
B6	Red-Edge 2	~740 nm

Interpretasi: Nilai tinggi = kandungan klorofil tinggi, vegetasi sehat dan lebat. Sangat berguna untuk membedakan mangrove dari vegetasi lain.

ireci = s2.select('B8').subtract(s2.select('B4')) \
          .divide(s2.select('B5').divide(s2.select('B6'))) \
          .rename('IRECI')

Sitasi: Clevers et al. (2000); Suardana et al. (2023)

Cloud Masking¶

Proses cloud masking menggunakan Cloud Score+ (CS+), produk quality assessment (QA) berbasis deep learning yang dikembangkan oleh Google. CS+ menghasilkan skor QA per piksel pada rentang kontinu [0, 1], di mana nilai mendekati 1 = piksel bersih dan nilai mendekati 0 = piksel terkontaminasi awan atau bayangan awan.

Model QA¶

Setiap piksel dimodelkan sebagai kombinasi linear antara reflektansi asli permukaan dan kontaminasi atmosfer:

p_m = p_t \cdot q + c \cdot (1 - q)

(7)

QA(p_m) = q

(8)

Simbol	Keterangan
$p_m$	Nilai piksel yang diukur sensor
$p_t$	Reflektansi asli permukaan
$c$	Komponen kontaminasi atmosfer
$q$	Skor QA piksel, $q \in [0, 1]$

Atmospheric Similarity (ASIM)¶

ASIM_i(x_i, y_i) := \min_{p \in \{x_i, y_i\}} QA(p)

(9)

Jika $r$ adalah citra referensi bersih ( $QA(r) = 1$ ), maka $ASIM(x, r) = QA(x)$ .

Log Transform Input¶

x' = \frac{\log(x + 1)}{10}

(10)

Penerapan dalam Notebook¶

csPlus = ee.ImageCollection('GOOGLE/CLOUD_SCORE_PLUS/V1/S2_HARMONIZED')

def maskS2CSPlus(image):
    qa = image.select('cs_cdf')
    return image.updateMask(qa.gte(0.60))

s2 = (s2_base
    .linkCollection(csPlus, ['cs_cdf'])
    .map(maskS2CSPlus)
    .median()
    .clip(batas_kajian)
    .divide(10000))

Threshold cs_cdf >= 0.60 digunakan untuk menyeimbangkan omission dan commission error.

Sitasi: Pasquarella et al. (2023)

Algoritma Random Forest¶

Random Forest (RF) adalah algoritma ensemble berbasis pohon keputusan yang menggunakan majority voting dari sejumlah pohon untuk menentukan kelas akhir setiap piksel.

Dataset dibagi ke sejumlah pohon keputusan (Tree 1, Tree 2, ..., Tree 500). Setiap pohon menghasilkan prediksi kelas secara independen. Kelas akhir ditentukan melalui Majority Voting dari seluruh pohon.

Implementasi dalam GEE¶

classifier = ee.Classifier.smileRandomForest(500).train(
    features=training_data,
    classProperty='lc',
    inputProperties=all_bands
)
classified_image = image_with_indices.select(all_bands).classify(classifier)

Parameter	Nilai
Jumlah pohon	500
Properti kelas	`lc` (land cover)
Fitur prediktor	15 (10 band + 5 indeks)
Split data	70% train / 30% test

Sitasi: Breiman (2001); Jamaluddin et al. (2022)

Band Sentinel-2¶

Band	Nama	Panjang Gelombang	Resolusi
B2	Blue	~490 nm	10 m
B3	Green	~560 nm	10 m
B4	Red	~665 nm	10 m
B5	Red-Edge 1	~705 nm	20 m
B6	Red-Edge 2	~740 nm	20 m
B7	Red-Edge 3	~783 nm	20 m
B8	NIR	~842 nm	10 m
B8A	Narrow NIR	~865 nm	20 m
B11	SWIR-1	~1610 nm	20 m
B12	SWIR-2	~2190 nm	20 m
NDVI	Vegetation Index	—	—
NDWI	Water Index	—	—
NDMI	Moisture Index	—	—
NDBI	Built-up Index	—	—
IRECI	Red-Edge Chlorophyll Index	—	—

Total prediktor: 15 fitur (10 band spektral + 5 indeks turunan)

Sitasi: ESA (2012); ESA (2015); Suardana et al. (2023)

Tahapan Analisis¶

1. Preprocessing Citra¶

Sumber data: COPERNICUS/S2_SR_HARMONIZED
Periode: 1 Januari 2024 – 10 Desember 2025
Filter tutupan awan: CLOUDY_PIXEL_PERCENTAGE < 20
Cloud masking: Cloud Score+ (cs_cdf >= 0.60)
Komposit: Median seluruh scene yang lolos filter
Normalisasi reflektansi: dibagi 10.000

2. Pelatihan Model¶

Algoritma: ee.Classifier.smileRandomForest(500)
Jumlah pohon: 500
Properti kelas: lc
Split: 70% train / 30% test (randomColumn)

3. Kelas Klasifikasi¶

Kode	Kelas	Warna
0	Badan Air	Biru muda
1	Mangrove	Hijau
2	Non-Mangrove	Kuning muda

Evaluasi Akurasi¶

Overall Accuracy (OA)¶

\text{OA} = \frac{\sum_{i} m_{ii}}{\sum_{i}\sum_{j} m_{ij}}

(11)

User’s Accuracy (UA) dan Producer’s Accuracy (PA)¶

UA = \frac{TN}{TN + FP}

(12)

PA = \frac{TP}{TP + FN}

(13)

Sitasi: Jamaluddin et al. (2022)

Kappa Coefficient¶

\kappa = \frac{P_o - P_e}{1 - P_e}

(14)

Nilai Kappa	Interpretasi
> 0.80	Sangat baik
0.60 – 0.80	Baik
0.40 – 0.60	Sedang
< 0.40	Lemah

Hasil¶

Metrik	Nilai	Interpretasi
Overall Accuracy	0.9455	94.55% piksel diklasifikasikan dengan benar
Kappa Coefficient	0.8511	Sangat baik (> 0.80)

Daftar Referensi¶

Algoritma & Model

Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32. Breiman (2001)

Cloud Masking

Pasquarella, V. J., Brown, C. F., Czerwinski, W., & Rucklidge, W. J. (2023). Comprehensive quality assessment of optical satellite imagery using weakly supervised video learning. CVPR Workshop 2023, pp. 2125–2135.

Indeks Vegetasi

Clevers, J. G. P. W., Jong, S. M. De, Epema, G. F., Addink, E. A., & Box, P. O. (2000). MERIS and the Red-Edge Index. 2nd EARSeL Workshop, Enschede. (IRECI)

McFeeters, S. K. (1996). The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7), 1425–1432. (NDWI)

Rouse, J. W., Haas, R. H., Schell, J. A., & Deering, D. W. (1973). Monitoring Vegetation Systems in the Great Plains with ERTS. Remote Sensing Center. (NDVI)

Shi, T., Liu, J., Hu, Z., Liu, H., Wang, J., & Wu, G. (2016). New spectral metrics for mangrove forest identification. Remote Sensing Letters, 7(9), 885–894. (NDMI)

Tucker, C. J. (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8, 127–150. (NDVI, DVI)

Zha, Y., Gao, J., & Ni, S. (2003). Use of normalized difference built-up index in automatically mapping urban areas from TM imagery. International Journal of Remote Sensing, 24(3), 583–594. (NDBI)

Pemetaan Mangrove dengan Random Forest

Jamaluddin, I., Chen, Y.-N., Ridha, S. M., Mahyatar, P., & Ayudyanti, A. G. (2022). Two Decades Mangroves Loss Monitoring Using Random Forest and Landsat Data in East Luwu, Indonesia (2000–2020). Geomatics, 2, 282–296. Jamaluddin et al. (2022)

Suardana, A. A. Md. A. P., Anggraini, N., Nandika, M. R., Aziz, K., As-syakur, A. R., Ulfa, A., Wijaya, A. D., Prasetio, W., Winarso, G., & Dewanti, R. (2023). Estimation and Mapping Above-Ground Mangrove Carbon Stock Using Sentinel-2 Data Derived Vegetation Indices in Benoa Bay of Bali Province, Indonesia. Forest and Society, 7(1), 116–134. Suardana et al. (2023)

Data Satelit

ESA. (2012). Sentinel-2: ESA’s Optical High-Resolution Mission for GMES Operational Services.

ESA. (2015). Sentinel-2 User Handbook. ESA Standard Document.

Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18–27.

Software & Library

Jupyter / Google Colaboratory: https://colab.research.google.com

Wu, Q. (2020). geemap: A Python package for interactive mapping with Google Earth Engine. Journal of Open Source Software, 5(51), 2305. Wu (2020)

Wu, Q., & Landgrebe, T. (2023). geemap (Python package). https://geemap.org

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... Duchesnay, É. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825–2830.

Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90–95.

Harris, C. R., et al. (2020). Array programming with NumPy. Nature, 585, 357–362.

Waskom, M. (2021). seaborn: statistical data visualization. Journal of Open Source Software, 6(60), 3021. Waskom (2021)

Notebook¶

Notebook dari repositori ini, tampil lengkap dengan sel kode dan hasilnya:

Mangrove_RF (2).ipynb · GitHub · Colab

References¶

Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32. 10.1023/a:1010933404324
Jamaluddin, I., Chen, Y.-N., Ridha, S. M., Mahyatar, P., & Ayudyanti, A. G. (2022). Two Decades Mangroves Loss Monitoring Using Random Forest and Landsat Data in East Luwu, Indonesia (2000–2020). Geomatics, 2(3), 282–296. 10.3390/geomatics2030016
Suardana, A. A. Md. A. P., Anggraini, N., Nandika, M. R., Aziz, K., As-syakur, Abd. R., Ulfa, A., Wijaya, A. D., Prasetio, W., Winarso, G., & Dewanti, R. (2023). Estimation and Mapping Above-Ground Mangrove Carbon Stock Using Sentinel-2 Data Derived Vegetation Indices in Benoa Bay of Bali Province, Indonesia. Forest and Society, 7(1), 116–134. 10.24259/fs.v7i1.22062
Wu, Q. (2020). geemap: A Python package for interactive mapping with Google Earth Engine. Journal of Open Source Software, 5(51), 2305. 10.21105/joss.02305
Waskom, M. (2021). seaborn: statistical data visualization. Journal of Open Source Software, 6(60), 3021. 10.21105/joss.03021