Mapbiomas Indonesia | FIRE 1.0 menyajikan data dan peta area terbakar di Indonesia sepanjang 2013-2023, yang diperoleh dengan menganalisis citra satelit Landsat 8 melalui proses komputasi deep learning Deep Neural Network (DNN). Model DNN memaksimalkan kecerdasan buatan (artificial intelligence) dan algoritma machine learning untuk mengklasifikasi fenomena kompleks demi performa yang lebih tinggi, termasuk pemetaan area terbakar (Langford, 2018).

Citra satelit diproses pada Google Earth Engine (GEE) guna menghasilkan mosaik untuk digunakan mengukur nilai spektral area terbakar (dan non-terbakar) yang kemudian dijadikan sebagai dasar pengumpulan training samples. Baik training samples maupun mosaik ditempatkan pada penyimpanan berbasis Google (google drive) yang kemudian diunduh ke server lokal. Kemudian, training samples dijadikan sebagai material untuk melatih DNN mengenali area terbakar pada mosaik.

Pendekatan ini mengkombinasi kemampuan mumpuni deep learning memindai citra satelit secara komprehensif, sehingga menghadirkan peta area terbakar Indonesia yang rinci dan dapat diandalkan. Pengolahan citra dan prosedur klasifikasi pemetaan area terbakar tersebut mengikuti tahapan berikut:

1. Penentuan region. Hal ini dilakukan untuk meningkatkan keakuratan proses klasifikasi, terutama mengingat adanya karakteristik tertentu area terbakar pada setiap region. Pada tahap ini, Indonesia dibagi menjadi 7 region, yakni Sumatera, Jawa, Kalimantan, Bali-Nusa Tenggara, Sulawesi, Kepulauan Maluku, dan Tanah Papua.
2. Pengkonstruksian mosaik. Seluruh citra satelit Landsat 8 sepanjang 2013-2023 diproses sedemikian rupa sehingga menjadi mosaik tahunan berkualitas tinggi. Mosaik ini ditempatkan pada server lokal, yang akan digunakan sebagai dataset dalam proses klasifikasi.
3. Pengumpulan training samples. Representasi area terbakar (samples) dikumpulkan dari mosaik. Pada proses selanjutnya, proses deep learning akan dilatih mengenali area terbakar melalui samples ini, atau kerap disebut training samples.
4. Klasifikasi. Model DNN dilatih (deep learning) mengenali samples menggunakan nilai spektral area terbakar pada setiap sample. Model ini kemudian disebar ke mosaik tahunan untuk mengidentifikasi area terbakar pada periode/waktu mosaik tersebut.

5. Post-klasifikasi. Pada tahap ini dilakukan pemeriksaan visual (visual inspection) terhadap area teridentifikasi. Bila area teridentifikasi dinilai kurang meyakinkan dan/atau kurang akurat, proses diulang kembali ke tahap 3 di atas. Pengulangan seperti ini dilakukan terus hingga secara visual diperoleh area teridentifikasi yang meyakinkan.

   Selanjutnya, berbagai penyaringan (filters), baik spasial maupun karakteristik tertentu (masking), disematkan pada area teridentifikasi guna meningkatkan akurasi pun mengurangi kekeliruan (noises).

6. Validasi Area teridentifikasi divalidasi dengan membandingkannya dengan data/peta referensi. Pengecekan visual (visual check) dilakukan, terutama terhadap area yang berbeda (disagreement area), guna mengetahui keakuratan area teridentifikasi tersebut.

Metodologi MapBiomas Indonesia | FIRE Koleksi 1.0 selengkapnya tersaji pada Algorithm Theoretical Basis Documents (ATBD).