Jutaan dolar telah diinvestasikan dalam upaya menekan kontribusi deforestasi wilayah tropis pada perubahan iklim. Untuk memastikan apakah dana itu dibelanjakan dengan benar, para pengambil keputusan memilih berbagai cara untuk mengukur penurunan deforestasi. Cara apa yang dapat dipercaya? Menurut riset terbaru akurasi setiap metode berbeda karena perbedaan lokasi, bergantung pada penyebab deforestasi lokal dan situasi negara terkait.

REDD+, skema dukungan PBB yang bertujuan memberi kompensasi bagi negara berkembang untuk mengurangi deforestasi dan degradasi hutan – telah berusia lebih satu dekade. Beberapa negara tropis, termasuk Indonesia dan Brasil akan mendapat pembayaran atas hasil yang dicapai.

Mengingat beberapa aksi awal REDD+ berada pada tingkat lokal – dan lebih dari 300 proyek-nya masih aktif – kita perlu memahami apakah inisiatif ini berkontribusi pada penurunan deforestasi, dan besarannya. Tetapi, adakah cara terbaik untuk mengukurnya?

Sebuah penelitian terbaru dari para peneliti Universitas Wageningen dan Pusat Penelitian Kehutanan Internasional (CIFOR) menguji akurasi dua pendekatan, dan menemukan bahwa tidak ada jawaban tunggal – semua bergantung pada konteks masing-masing.

Satelit dapat digunakan untuk memetakan hutan dan perubahan yang terjadi. Tahun 2008, U.S. Geological Survey (USGS) membuka arsip lengkap citra satelit Landsat. Langkah ini membuat para peneliti memiliki akses atas keberlimpahan informasi mulai dari 1970-an dan meliputi seluruh dunia.

Bagaimana Satelit Membantu Memetakan Deforestasi

Lebih dari seribu satelit mengelilingi bumi, dan sebagiannya digunakan untuk memantau perubahan tutupan lahan – hutan menjadi pertanian atau padang rumput, atau sebaliknya.

Satelit Landsat 7 mengelilingi bumi dalam enam belas hari, artinya – ketika cuaca cerah – setiap titik di bumi tertangkap sekali dalam periode orbit tersebut. Satelit ini memiliki tujuh pita spektral berbeda, termasuk tiga pita yang bisa terlihat mata kita (merah, hijau dan biru). Ketiga pita ini dapat dikombinasikan untuk menghasilkan apa yang disebut citra ‘warna asli’, yang terlihat sama dengan apa yang kita lihat di dunia.

Empat pita lainnya memungkinkan ilmuwan memonitor fenomena lain, seperti kandungan air atau vegetasi. Dengan menumpangsusunkan seluruh citra dari satu area tertentu, komputer dapat diprogram untuk memantau iregularitas dalam periode waktu tertentu. Oleh karena itu, deforestasi dapat dideteksi dan dipetakan pada peta global.

Namun, para ilmuwan membuat program komputer berbeda-beda. Seberapa sensitif seharusnya komputer terhadap perubahan vegetasi? Perlukah membedakan efek musiman dengan deforestasi “nyata”? Keputusan berbeda dalam proses deteksi perubahan ini mengarah pada perbedaan peta deforestasi (lihat peta di bawah ini), meskipun bersumber pada sepasang mata satelit Landsat 7 yang sama.

   Area berwarna merah menunjukkan kawasan pertambangan di Kalimantan Barat.

   Deforestasi akibat pertambangan di Kalimantan Barat antara 2001 dan 2014. Dalam area merah, kedua peta deforestasi disepakati sebagai deforestasi, dalam area oranye peta diperdebatkan.

Situasi ini, mendorong meningkatnya penggunaan perangkat daring dalam mengakses performa REDD+.

Pengambil keputusan dapat memilih perangkat peta daring termudah, yang dapat menunjukan deforestasi di seluruh dunia. Kustomisasi bisa dilakukan menggunakan algoritma deteksi deforestasi open-source, meski menyita waktu

Pada praktiknya, seringkali sulit memutuskan data mana yang sesuai dengan kebutuhan. Derajat kepakaran yang diperlukan untuk menggunakan perangkat  dan data, juga sangat bervariasi. Publik dan organisasi kurang memiliki kemampuan penginderaan jarak jauh akan memilih data global – mudah dibuat dan diakses. Namun, apakah ini yang paling akurat?

Lebih Baik Daripada Sekedar Menghitung Jumlah

Untuk menjawabnya, kami mengumpulkan referensi data deforestasi rinci tingkat lokal di lima lokasi proyek REDD+ di Indonesia, Peru, Tanzania dan Vietnam. Data tersebut dibandingkan dengan estimasi deforestasi lokasi dari peta yang didapat dari dua perangkat berbeda – set data global dan algoritma terkustomisasi lokal.

Hasil yang muncul menunjukkan tidak ada juara tunggal. Kami menemukan, performa peta deforestasi global atau algoritma terkustomisasi tidak lebih baik. Malah, satu sama lain saling mengalahkan dalam konteks berbeda.

Algoritma terkustomisasi lebih akurat di Tanzania dan Vietnam. Namun di lokasi REDD+ di Indonesia, performa peta global malah lebih baik. Di Peru, perbedaan akurasi antara kedua peta itu bisa diabaikan.

Tiap perangkat deteksi memiliki kekuatan dan kelemahan. Ketika salah satunya lebih baik dalam mendeteksi deforestasi akibat pertambangan, yang lain lebih bermanfaat untuk menunjukkan perubahan akibat konversi hutan alam menjadi perkebunan kelapa sawit.

Untuk menjawab hal ini, kami mencoba menemukan apakah kombinasi informasi dari dua perangkat berbeda bisa menghasilkan peta gabungan yang lebih baik daripada sekadar penjumlahan sebagian-sebagian.

Kami melakukan eksperimen dengan strategi kombinasi berbeda, dan menemukan bahwa peta dasar deteksi awal deforestasi memiliki tingkat akurasi lebih tinggi dan terhindar dari peningkatan signifikan jumlah positif-palsu (area tertanda deforestasi yang sebenarnya tidak terdeforestasi).

Namun, ini hanya berlaku pada peta individual dan perangkat yang sudah bagus. Satu peta kurang sempurna dapat merusak akurasi, bahkan jika dikombinasikan dengan peta bagus.

Mengelola Ketidakpastian 

Untuk menilai performa REDD+, salah satu pendekatannya adalah membandingkan deforestasi dalam periode setelah intervensi dimulai dengan deforestasi bertahun sebelumnya.

Dalam menilai performa dua data di lima lokasi, kami menggunakan estimasi deforestasi rata-rata tahunan untuk kedua periode tersebut berdasarkan data referensi lokal resolusi tinggi – yang digunakan untuk menilai akurasi kedua perangkat dan kombinasinya. Meski tetap saja, estimasi deforestasi dari data rujukan memiliki ketidakpastian, yang dimaknai dari interval keterpercayaan di sekelilingnya.

Jika trend deforestasi ditemukan menurun, berarti REDD+ telah memberi dampak. Meskipun, ketika tren estimasi deforestasi tipis, dan ketidakpastian tinggi, sangat mungkin dalam realitasnya, tingkat deforestasi stabil atau meningkat – hingga memicu pertanyaan mengenai alasan pemberian kompensasi.

Pada salah satu lokasi, kami menemukan perbedaan tren deforestasi menurun, terlepas dari ketidakpastian yang ada. Sementara di lokasi lain – meski dengan derajat berbeda – ketidakpastian dalam tren tetap ada.

   Teknologi drone sebagai alternatif pemetaan penginderaan jauh, dengan biaya kompetitif dan kualitas foto bagus. Yves Laumonier/CIFOR

Tanamkan Uang Di Lokasi Data

Tidak seperti banyak strategi konservasi hutan, dalam REDD+, mereka yang membantu hutan tegak seharusnya diganjar insentif. Namun, pembayaran berbasis hasil seperti ini bergantung pada kepercayaan data.

Lebih dari satu dekade lalu, para ilmuwan berikrar untuk menjadi konservatif dalam penghitungan REDD+. Alasannya, pengukuran performa REDD+ seharusnya dibuat seakurat mungkin – meski jika ada ketidakpastian, kalkulasi penurunan deforestasi tetap harus konservatif.

Namun, apa arti ‘konservatif’?

Pada penelitian di salah satu lokasi di Indonesia, kami menerapkan beberapa derajat ‘konservativitas’ dalam pengukuran deforestasi – dan variabel ini berpengaruh besar pada hasil akhir. Dalam penelitian kami, variasi ‘konservativitas’ dan ‘keterpercayaan’ menghasilkan estimasi penurunan deforestasi tahunan antara 7 persen dan 20 persen – sebuah perbedaan yang signifikan.

Faktor-gaktor tersebut, ditambah ketidakpastian dalam peta, bisa sangat mempengaruhi pengukuran deforestasi yang dilaporkan dalam REDD+, sekaligus keputusan pemberian atau besaran kompensasi.

Terbuka dan transparan dalam hal kekuatan dan kelemahan peta dan perangkat yang dibuat, serta standar pelaporan yang diikuti, seharusnya menjadi kesepakatan dan praktik bersama.