Melindungi hutan: Apakah sistem peringatan dini efektif?

Hutan memainkan peran yang sangat diperlukan dalam memperkuat keanekaragaman hayati, mendukung iklim yang stabil, dan menyediakan mata pencaharian yang berkelanjutan. Namun, bumi dengan cepat kehilangan hutannya. Dalam 30 tahun terakhir, dunia telah kehilangan 180 juta hektar hutan—lebih besar dari total luas Libya. Hutan, terutama hutan hujan tropis, sering ditebangi oleh operator ilegal untuk memperoleh lahan terbuka untuk pertanian skala besar dan operasi pertambangan, yang merupakan ancaman serius bagi upaya global untuk mengurangi deforestasi.

Deteksi dini merupakan elemen penting dari upaya pengendalian deforestasi. Satelit buatan telah memainkan peran penting di sini. Menggunakan data satelit optik yang diperbarui secara berkala, seperti LANDSAT, yang menangkap pantulan sinar matahari dari permukaan tanah, beberapa sistem peringatan dini (EWS) untuk deforestasi telah diluncurkan sejak tahun 2000-an untuk memberikan informasi yang tepat waktu tentang perubahan hutan bagi regulator dan kelompok masyarakat sipil . EWS sekarang banyak digunakan di negara-negara tropis untuk memantau perlindungan hutan. Itu Analisis dan Penemuan Tanah Global (GLAD) laboratorium di Departemen Ilmu Geografis di University of Maryland memelihara satu EWS dengan data deforestasi yang tersedia untuk umum. Sayangnya, ada kelemahan parah pada data satelit optik. Seperti yang kita bahas dalam bab kita dalam buku yang akan datang Terobosan: Janji Teknologi Perbatasan untuk Pembangunan Berkelanjutan, mendeteksi deforestasi oleh satelit optik jauh lebih sulit selama musim hujan ketika cakupan awan tinggi. Ini adalah masalah serius karena sebagian besar perusakan ilegal terjadi selama musim hujan di Amazon Brasil untuk menghindari deteksi, menurut badan pengatur deforestasi ilegal Brasil.

Salah satu solusinya adalah dengan menggunakan mata radar sebagai pengganti mata optik. Satelit radar menangkap citra permukaan bumi dengan menangkap pantulan gelombang radar yang dihasilkan oleh satelit itu sendiri. Gelombang ini dapat menembus awan tebal, memungkinkan peneliti untuk mengidentifikasi apakah pohon ada di darat terlepas dari cakupan awan. Satelit radar ALOS-2 Jepang, misalnya, dapat mendeteksi 1,5 hingga 10 kali lebih banyak deforestasi daripada satelit optik selama musim hujan di wilayah Amazon (November hingga Maret). Berdasarkan kemajuan teknologi ini, EWS baru disebut JJ-CEPAT (JICA-JAXA Forest Early Warning System in the Tropics), memanfaatkan data radar ALOS-2, diluncurkan pada tahun 2016 untuk menyediakan data deforestasi di negara-negara tropis.



Meskipun EWS berbasis radar dapat menangkap deforestasi lebih tepat waktu dan akurat selama musim hujan, apakah EWS telah mengurangi deforestasi tropis? Untuk menjawab pertanyaan ini, kami melihat data dari Amazon Brasil, satu-satunya daerah hingga saat ini yang telah menggunakan EWS berbasis radar untuk pemantauan deforestasi. Kami berharap bukti kuantitatif yang diberikan di sini akan memotivasi negara lain untuk menggunakan metode ini untuk membantu memerangi deforestasi.

Gambar 1 mengkonseptualisasikan bagaimana EWS satelit radar dapat membantu mencegah deforestasi. Misalkan ada dua kawasan hutan dengan ukuran yang sama di Amazon. Dalam tiga bulan terakhir, katakanlah Februari hingga April, Area 1 dan Area 2 memiliki jumlah deforestasi yang sama, diukur berdasarkan area, menurut data optik (GLAD). Namun, gambar yang disediakan oleh data radar (JJ-FAST) menunjukkan bahwa Area 1 memiliki deforestasi yang lebih luas daripada Area 2. Ketika badan kehutanan menganalisis data, Area 1 kemungkinan akan menarik lebih banyak perhatian, yang berarti bahwa operator ilegal di Area 1 menghadapi kemungkinan penangkapan yang lebih tinggi, mendorong operator ilegal untuk menghentikan penebangan dan melarikan diri. Akibatnya, deforestasi Area 1 seharusnya lebih kecil di bulan Mei. Oleh karena itu, jika EWS berbasis radar mengurangi deforestasi, harus ada korelasi negatif antara jumlah deforestasi yang terdeteksi radar (JJ-FAST) dan deforestasi pada bulan-bulan berikutnya.

Gambar 1. Sistem peringatan dini dan penegakan hukum

Sistem Peringatan Dini dan penegakan hukum

Data kami berasal dari tiga gambar raster yang mencakup Amazon Brasil pada tahun 2019—data radar bulanan (JJ-FAST), data optik bulanan (GLAD), dan tutupan awan bulanan rata-rata.

Gambar 2.1. Gambar raster Peringatan GLAD

Gambar raster Peringatan GLAD

Gambar 2.2. Gambar raster JJ-FAST

Gambar raster JJ-FAST

Untuk menyelidiki apakah kami dapat mengamati korelasi negatif yang signifikan secara statistik antara deforestasi yang terdeteksi oleh satelit radar dan deforestasi pada bulan-bulan berikutnya, kami memperkirakan persamaan berikut menggunakan OLS (kuadrat terkecil biasa):

Persamaan menggunakan OLS (Ordinary Least Squares)

Di mana kamudkk adalah area penggundulan hutan di dalam sel J dalam bulan T , dilaporkan oleh GLAD. JJjs adalah deforestasi yang terdeteksi oleh JJ-FAST di bulan S dalam sel J . SENANGjs adalah deforestasi yang dicatat oleh GLAD. AWANdkk adalah tutupan awan. Koefisien minat kami adalah B , yang merupakan korelasi antara deforestasi JJ-FAST selama tiga bulan sebelumnya T dan kamudkk . Jika B negatif dan signifikan secara statistik, ini berarti bahwa sel-sel dengan deforestasi yang lebih tinggi yang tercatat oleh JJ-FAST dalam tiga bulan terakhir telah secara sistematis menurunkan rekor deforestasi pada bulan ini.

Tabel 1 melaporkan hasil. Singkatnya, kami mengamati bahwa pemantauan JJ-FAST secara signifikan mengurangi deforestasi di Amazon Brasil. Kolom pertama menunjukkan hasil estimasi OLS. Seperti yang diharapkan, perkiraan pengaruh cakupan awan, D , negatif dan signifikan, menunjukkan bahwa cakupan awan yang lebih tinggi dikaitkan dengan rekor deforestasi yang lebih rendah oleh GLAD. perkiraan dari saya berarti 1 kmduapeningkatan deforestasi, seperti yang terdeteksi oleh JJ-FAST, dalam tiga bulan sebelumnya mengurangi deforestasi pada bulan ini sebesar 0,024 kmdua. Untuk mengkonfirmasi kekokohan hasil ini, kami juga melaporkan hasil efek tetap pada sel di kolom kedua. Dengan estimasi fixed-effect, besarnya dampak JJ-FAST meningkat menjadi 0,120.

Penyelidikan kuantitatif kami menunjukkan bahwa EWS berbasis radar secara efektif mengurangi deforestasi di Amazon Brasil. Meskipun analisis lebih lanjut menggunakan data dari geografi lain diperlukan, hasil kami menyoroti peran penting yang dapat dimainkan oleh teknologi baru dalam melindungi barang publik global.

apa yang dibutuhkan bernie sanders untuk menang?

Dampak JJ-FAST EWS dalam mengurangi deforestasi