Aplikasi Pemantau Kebakaran Hutan Dan Lahan

Aplikasi pemantau kebakaran hutan dan lahan (karhutla) kini jadi tulang punggung operasi tanggap darurat di berbagai wilayah rawan di Indonesia. Sistem pemantauan modern tidak lagi cuma menampilkan titik merah di atas peta statis. Sistem ini mengolah data telemetri satelit multi-sensor, memvalidasi tutupan lahan gambut, dan mendistribusikan peringatan presisi ke tim darat dalam hitungan detik.

Tantangan terbesar dalam ekosistem ini ada pada keseimbangan antara kecepatan deteksi dan akurasi data. Kalau filter terlalu agresif menandai kenaikan suhu permukaan, tim patroli bakal kelelahan mengejar alarm palsu dari atap seng pabrik atau cerobong industri. Sebaliknya, kalau filter terlalu ketat, kebakaran bawah tanah (smoldering) di lahan gambut yang suhunya relatif rendah bisa luput sampai api membesar ke permukaan.

Arsitektur Pipeline Data Titik Panas dan Citra Satelit

Membangun pipeline data untuk aplikasi pemantauan kebakaran butuh integrasi beberapa sensor satelit sekaligus. Satelit cuaca geostasioner punya frekuensi update data sangat cepat tetapi resolusi spasialnya rendah. Tapi satelit polar orbit menawarkan resolusi tajam dengan waktu lintas orbit yang terbatas.

Dalam praktek operasional, sistem pemantauan yang tangguh membagi pipeline ke dalam tiga tingkatan sumber data:

• Satelit Geostasioner (Himawari-9 & GK-2A): Mengambil gambar setiap 10 menit dengan resolusi spasial 2 km per piksel. Sangat berguna sebagai indikator awal kepulan asap tebal (smoke plume) dan pergerakan api masif secara makro.
• Satelit Polar Orbit Resolusi Menengah (SNPP & NOAA-20/21 VIIRS, Terra/Aqua MODIS): Menghasilkan data titik panas (hotspot) dengan resolusi 375 meter (VIIRS I-Band) dan 1 km (MODIS) yang melintas 2 hingga 4 kali sehari di atas kepulauan Indonesia.
• Citra Multispektral Resolusi Tinggi (Sentinel-2 MSI & Landsat-8/9 OLI): Memberikan resolusi 10–30 meter per piksel untuk analisis bekas kebakaran (burned area), tingkat keparahan kebakaran (fire severity), serta verifikasi visual tutupan vegetasi dan pembukaan parit gambut.

Umpan data dari penyedia publik seperti NASA FIRMS umumnya dikonsumsi lewat REST API terjadwal atau stream WebSockets. Worker backend bertugas download berkas CSV atau GeoJSON terbaru, mengekstrak koordinat, tingkat kecerahan (brightness temperature), daya radiasi kebakaran (Fire Radiative Power / FRP), lalu menyimpannya ke database spasial.

{
  "latitude": -0.4521,
  "longitude": 101.4398,
  "bright_ti4": 348.5,
  "scan": 0.41,
  "track": 0.37,
  "acq_date": "2026-09-08",
  "acq_time": "0635",
  "satellite": "NOAA-20",
  "instrument": "VIIRS",
  "confidence": "nominal",
  "version": "2.0NRT",
  "bright_ti5": 298.2,
  "frp": 14.8,
  "daynight": "D"
}

Format data di atas adalah contoh payload standar VIIRS I-Band (375 m). Nilaibright_ti4(kanal termal 3.75 µm) yang melonjak jauh di atasbright_ti5(kanal termal 11 µm) menunjukkan adanya anomali panas terkonsentrasi di permukaan bumi.

Untuk memastikan kontinuitas data tanpa membebani server aplikasi utama, alur penarikan data mentah diatur secara terisolasi pakai arsitektur event-driven:

1. Scheduler Task (Celery / BullMQ): Menjalankan worker berkala setiap 15 menit untuk memanggil endpoint API NASA FIRMS, LAPAN/BRIN Fire Hotspot Hub, dan BMKG Data Stream.
2. Raw Data Ingestion & Sanitization: Memvalidasi format koordinat, membuang baris yang rusak (corrupted records), dan menyaring anomali di luar batas teritorial kerja.
3. Spatial Deduplication: Memeriksa apakah titik api tersebut sudah pernah ditarik pada putaran jadwal yang sama dari sensor berbeda guna mencegah duplikasi entri data mentah.
4. Publish ke Message Broker: Memasukkan data bersih ke antrean RabbitMQ atau Apache Kafka untuk diteruskan ke modul kalkulasi risiko dan filter false positive.

┌─────────────────────────────────────────────────────────────┐
│               ALUR PIPELINE DATA INGESTION                  │
├─────────────────────────────────────────────────────────────┤
│ NASA FIRMS / BMKG API / SentinelHub                        │
│        │                                                    │
│        ▼ (Polling Tiap 15 Menit)                            │
│ [Ingestion Worker - Python Celery]                          │
│        │                                                    │
│        ▼                                                    │
│ [Data Validation & Sanitization]                            │
│        │                                                    │
│        ▼                                                    │
│ [Spatial Deduplication Filter]                              │
│        │                                                    │
│        ▼                                                    │
│ [Message Broker: RabbitMQ Topic: raw.hotspots]             │
│        ├───► [Modul Filter False Positive]                  │
│        ├───► [Database Storage: PostGIS Engine]             │
│        └───► [Notification Dispatch Engine]                 │
└─────────────────────────────────────────────────────────────┘

Ekstraksi Indeks Spektral dan Deteksi Anomali Termal

Selain memantau titik panas instan, aplikasi pemantau karhutla modern wajib menghitung indeks vegetasi dan kebasahan lahan dari citra multispektral. Titik panas hanya memberi tahu lokasi anomali saat satelit melintas. Indeks spektral memberi gambaran seberapa kering vegetasi sebelum terbakar dan seberapa parah kerusakan setelah api padam.

Indeks yang paling umum digunakan adalah Normalized Burn Ratio (NBR), yang pakai pita Near-Infrared (NIR) dan Short-Wave Infrared (SWIR). Vegetasi sehat memantulkan radiasi NIR sangat tinggi dan menyerap SWIR, sedangkan area yang terbakar atau kering menunjukkan karakteristik sebaliknya.

Nilai delta NBR yang makin tinggi berkorelasi langsung dengan keparahan kerusakan biomassa. Data ini sangat membantu menghitung perkiraan luasan lahan yang hangus tanpa harus menunggu tim darat menyusuri batas area secara manual.

Selain NBR, beberapa indeks spektral komplementer wajib diproses dalam pipeline citra satelit:

• Normalized Difference Vegetation Index (NDVI): Mengukur kerapatan klorofil hijau pakai band Red dan NIR. Penurunan NDVI drastis sebelum musim kemarau menjadi sinyal awal stres vegetasi.
• Normalized Difference Moisture Index (NDMI): Mengukur kadar air di kanopi daun pakai kombinasi band NIR dan SWIR-1. Nilai NDMI di bawah nol mengindikasikan vegetasi berada pada fase kering kritis yang sangat mudah tersulut percikan api.
• Enhanced Vegetation Index (EVI): Mengoreksi pengaruh sinyal kanopi dan gangguan aerosol atmosfer di wilayah hutan tropis lebat yang sering membuat nilai NDVI mengalami kejenuhan (saturation).

Citra multispektral yang baru masuk dari penyedia seperti Copernicus Data Space Ecosystem diproses secara otomatis di server GIS pakai pipeline berbasis Python dengan library Rasterio atau GDAL.

import numpy as np
import rasterio

def calculate_burn_metrics(nir_path: str, swir_path: str) -> np.ndarray:
    """
    Menghitung Normalized Burn Ratio (NBR) dari band NIR dan SWIR.
    Band Sentinel-2: B8 (NIR) dan B12 (SWIR-2).
    """
    with rasterio.open(nir_path) as nir_src, rasterio.open(swir_path) as swir_src:
        nir = nir_src.read(1).astype(np.float32)
        swir = swir_src.read(1).astype(np.float32)
        
        # Hindari pembagian dengan nol
        denominator = nir + swir
        denominator[denominator == 0] = np.nan
        
        nbr = (nir - swir) / denominator
        return nbr

def classify_severity(dnbr: np.ndarray) -> np.ndarray:
    """
    Mengelompokkan tingkat keparahan kebakaran berdasarkan standar USGS.
    """
    severity_map = np.zeros(dnbr.shape, dtype=np.uint8)
    severity_map[dnbr < 0.1] = 0   # Tidak terbakar / regrowth
    severity_map[(dnbr >= 0.1) & (dnbr < 0.27)] = 1  # Rendah
    severity_map[(dnbr >= 0.27) & (dnbr < 0.66)] = 2 # Sedang
    severity_map[dnbr >= 0.66] = 3  # Tinggi
    return severity_map

Menghitung Tingkat Kepercayaan Hotspot

Tiap titik panas satelit membawa atribut tingkat kepercayaan (confidence). Satelit MODIS pakai skala persentase (0–100%), sementara VIIRS mengelompokkannya menjadi low, nominal, dan high. Backend aplikasi tidak boleh langsung menelan data mentah ini tanpa scoring tambahan.

Untuk memproses data tersebut menjadi rekomendasi aksi di lapangan, backend aplikasi pemantau karhutla menerapkan scoring komposit berdasarkan empat variabel utama:

1. Intensitas Radiasi (FRP): Nilai megawatt (MW) dari energi yang dilepaskan api. Makin tinggi nilainya, makin kecil kemungkinan anomali tersebut berasal dari pantulan sinar matahari biasa.
2. Kesesuaian Multitemporal: Hotspot yang muncul berulang kali di koordinat berdekatan pada orbit yang berbeda memiliki probabilitas kebakaran aktif jauh lebih tinggi daripada anomali satu kali lintas.
3. Kekeringan Bahan Bakar Alami: Nilai Fine Fuel Moisture Code (FFMC) atau indeks kelembapan tanah dari model cuaca BMKG di titik koordinat tersebut.
4. Tipe Tutupan Lahan (LULC): Identifikasi apakah titik berada di hutan primer, perkebunan kelapa sawit, lahan gambut dalam, atau area permukiman terbuka.

Perbandingan karakteristik sensor satelit yang umum diproses di backend disajikan pada tabel berikut:

Pola Integrasi API dan Backend WebGIS Skala Besar

Menyajikan ribuan titik panas beserta layer poligon spasial berat menuntut arsitektur backend yang dioptimalkan untuk query spasial. Jika teman-teman memuat jutaan koordinat titik panas historis langsung ke database relasional biasa tanpa indeks spasial, performa peta web bakal langsung drop saat user melakukan zoom atau filter rentang tanggal.

Stack backend yang terbukti tangguh untuk kasus ini adalah perpaduan antara database PostgreSQL dengan ekstensi PostGIS, geoserver atau vector tile server ringan (seperti Martin atau Tegola), serta layer caching Redis.

sudo -u postgres psql -d karhutla_db -c "CREATE EXTENSION IF NOT EXISTS postgis;"
sudo -u postgres psql -d karhutla_db -c "CREATE EXTENSION IF NOT EXISTS postgis_topology;"
sudo -u postgres psql -d karhutla_db -c "CREATE EXTENSION IF NOT EXISTS btree_gist;"

Manajemen Beban Query Spasial dengan PostGIS

Semua data koordinat titik panas wajib disimpan pakai tipe geometriGEOMETRY(Point, 4326)Dan diindeks dengan algoritma GiST (Generalized Search Tree). Untuk mempercepat pemuatan di sisi frontend (Leaflet, MapLibre, atau Mapbox GL), data titik panas sebaiknya tidak dikirim sebagai GeoJSON raksasa, tapi diubah menjadi Mapbox Vector Tiles (MVT) langsung dari engine database.

Berikut contoh skema tabel dan query SQL di PostGIS untuk menyajikan tile dinamis berdasarkan koordinat XYZ:

-- Skema tabel active_hotspots dengan indeks spasial
CREATE TABLE active_hotspots (
    id BIGSERIAL PRIMARY KEY,
    satellite VARCHAR(32) NOT NULL,
    confidence VARCHAR(16) NOT NULL,
    frp NUMERIC(6,2),
    brightness_temp NUMERIC(6,2),
    acq_datetime TIMESTAMPTZ NOT NULL,
    geom GEOMETRY(Point, 4326) NOT NULL
);

CREATE INDEX idx_hotspots_geom_gist ON active_hotspots USING GIST (geom);
CREATE INDEX idx_hotspots_datetime ON active_hotspots (acq_datetime DESC);

-- Fungsi menghasilkan MVT tile untuk titik panas aktif dalam 48 jam terakhir
CREATE OR REPLACE FUNCTION get_hotspots_mvt(z integer, x integer, y integer)
RETURNS bytea AS $$
DECLARE
    mvt bytea;
BEGIN
    SELECT ST_AsMVT(tile, 'hotspots', 4096, 'geom') INTO mvt
    FROM (
        SELECT 
            id,
            satellite,
            confidence,
            frp,
            acq_datetime,
            ST_AsMVTGeom(
                geom,
                ST_TileEnvelope(z, x, y),
                4096,
                64,
                true
            ) AS geom
        FROM active_hotspots
        WHERE geom && ST_TileEnvelope(z, x, y)
          AND acq_datetime >= NOW() - INTERVAL '48 hours'
    ) AS tile;

    RETURN mvt;
END;
$$ LANGUAGE plpgsql STABLE PARALLEL SAFE;

PenggunaanST_TileEnvelopeDan operator overlap&&Memastikan database hanya memproses baris data yang benar-benar jatuh di dalam batas kotak (bounding box) layar yang sedang dilihat user. Cara ini memangkas waktu respons API dari beberapa detik menjadi di bawah 50 milidetik, bahkan saat database menampung jutaan rekor historis.

┌──────────────────────────────────────────────────────────────┐
│                    STRUKTUR TILE CACHE                       │
├──────────────────────────────────────────────────────────────┤
│ Client Request: /tiles/hotspots/12/3214/2048.pbf            │
│                              │                               │
│                              ▼                               │
│                   ┌──────────────────────┐                   │
│                   │ Redis Vector Cache   │                   │
│                   └──────────┬───────────┘                   │
│                        HIT   │   MISS                        │
│                ┌─────────────┴─────────────┐                 │
│                ▼                           ▼                 │
│       [Return PBF bytes]         [PostGIS ST_AsMVT]          │
│                                            │                 │
│                                            ▼                 │
│                                    [Store to Redis]          │
│                                            │                 │
│                                            ▼                 │
│                                   [Return PBF bytes]         │
└─────────────────────────────────────────────────────────────┘

Untuk analisis pemrosesan spasial skala masif yang melibatkan komparasi historis bertahun-tahun, teman-teman bisa pakai integrasi Google Earth Engine lewat API Python. Pendekatan ini memindahkan komputasi berat reduksi citra satelit ke kluster cloud Google sebelum hasilnya ditarik ke server lokal.

Optimasi Layer Batas Wilayah dan Poligon Gambut

Layer spasial poligon seperti Kesatuan Hidrologis Gambut (KHG), konsesi Hak Pengusahaan Hutan (HPH), Hak Guna Usaha (HGU), dan batas administrasi desa seringkali memiliki geometri yang sangat rumit dengan ratusan ribu verteks. Jika dikirim langsung tanpa yang lebih simple, payload JSON akan membengkak puluhan megabyte dan membuat browser macet.

Strategi optimasi layer poligon mencakup langkah-langkah teknis berikut:

• yang lebih simple Geometri Multi-Resolusi (ST_SimplifyPreserveTopology): Buat layer tabel terpisah untuk setiap tingkatan zoom level peta web. Pada zoom level rendah (nasional/provinsi), sederhanakan verteks poligon dengan toleransi 0.01 derajat. Pada zoom tinggi (desa/blok kebun), sajikan geometri penuh.
• Topological Pre-Clipping: Potong poligon berukuran besar ke dalam grid spasial standar sebelum proses indexing agar PostGIS tidak perlu mengevaluasi satu poligon raksasa yang melintasi ribuan kilometer persegi sekaligus.
• Dynamic Vector Tile Partitioning: Konversi poligon tutupan lahan statis menjadi format static MBTiles atau PMTiles yang disajikan langsung lewat web server Nginx atau Cloudflare CDN tanpa menyentuh database operasional.

Sinkronisasi Offline-First untuk Pelaporan Petugas Lapangan

Masalah klasik di lapangan adalah buruknya sinyal telekomunikasi di area pedalaman hutan dan konsesi gambut terpencil. Aplikasi mobile untuk regu pemadam seperti Manggala Agni, BPBD, atau relawan desa harus dirancang dengan arsitektur offline-first.

Petugas tidak boleh terhambat oleh ketiadaan koneksi internet saat ingin mengisi formulir verifikasi ground-check, mengambil foto dokumentasi bergeotag, atau menandai sumber air terdekat (water intake point).

Alur Sinkronisasi Offline-First Petugas Lapangan:
[Peta Offline (MBTiles)] ──► [Formulir Ground Check] ──► [Local SQLite Queue]
                                                               │
                                                               ▼ (Ketika Dapat Sinyal)
                                                      [Background Sync Worker]
                                                               │
                                                               ▼
                                                      [API Server Karhutla]

Langkah-langkah menyusun arsitektur sinkronisasi data lapangan yang tahan gangguan jaringan:

1. Paketkan Peta Dasar Vektor Format MBTiles: Simpan peta dasar topografi, jaringan parit gambut, dan batas kawasan hutan langsung di penyimpanan lokal perangkat mobile. Ukuran file MBTiles yang terkompresi dengan baik biasanya hanya memakan 150–300 MB untuk satu kabupaten penuh.
2. Simpan Formulir ke Database Lokal: Semua data input petugas (koordinat GPS perangkat, estimasi luas kebakaran aktual, vegetasi terbakar, metode pemadaman) ditulis ke database lokal seperti SQLite, WatermelonDB, atau Realm.
3. Kompresi dan Antrean Gambar: Foto kondisi lapangan dikompresi otomatis (resolusi maksimum 1280x720 piksel dengan format WebP) dan disimpan di direktori internal aplikasi dengan statuspending_upload.
4. Sinkronisasi Latar Belakang Idempoten: Saat perangkat mendeteksi koneksi internet (baik seluler 2G/EDGE maupun Wi-Fi posko), background worker mengirim data payload pakai ID unik UUIDv4. Endpoint API dibuat idempoten agar data tidak terduplikasi jika terjadi timeout di tengah pengiriman.

Tips: Gunakan format payload berbasis Protocol Buffers (Protobuf) atau JSON terkompresi Gzip untuk transmisi data melalui jaringan seluler 2G di lokasi terpencil. Pengurangan ukuran payload hingga 70% dibanding JSON polos sangat menentukan keberhasilan upload laporan.

Petugas di garis depan juga butuh panduan navigasi darat menuju titik api tanpa bergantung pada peta online komersial. Peta vektor lokal di dalam MBTiles harus menyertakan data jalur setapak (footpaths), batas sekat kanal gambut (peatland canal blocks), serta titik embung air buatan.

Filter False Positive dan Validasi Tutupan Lahan

Salah satu sumber frustrasi terbesar tim penanggulangan bencana adalah tingginya angka false positive (alarm palsu). Tanpa filter spasial yang cerdas, sistem pemantau akan mendeteksi banyak titik panas di area yang sebenarnya bukan kebakaran vegetasi liar.

┌─────────────────────────────────────────────────────────────┐
│                 SKEMA FILTER FALSE POSITIVE                 │
├─────────────────────────────────────────────────────────────┤
│ Raw Hotspot Masuk                                           │
│        │                                                    │
│        ▼                                                    │
│ [Cek Layer Buffer Industri / Kilang / Flare Gas]            │
│        ├─── DIDALAM BUFFER ────► Tandai: "False Alarm-Industri"
│        │                                                    │
│        ▼ DILUAR                                             │
│ [Cek Atribut Albedo & Tutupan Lahan (LULC)]                 │
│        ├─── LAHAN TERBUKA KERING ──► Confidence: RENDAH     │
│        │                                                    │
│        ▼ VEGETASI / GAMBUT                                  │
│ [Cek Nilai Brightness Temp Ch4 vs Ch5]                      │
│        ├─── ANOMALI SIGNIFIKAN ────► Confidence: TINGGI     │
│        │                                                    │
│        ▼ NORMAL                                             │
│ [Tandai sebagai Observasi Biasa / Log Historis]             │
└─────────────────────────────────────────────────────────────┘

Sumber anomali non-karhutla yang paling sering memicu alarm palsu meliputi:

• Flare Gas Kilang Minyak & Pabrik Kelapa Sawit: Cerobong pembakaran gas buang menghasilkan panas konstan lebih dari 400 K di titik koordinat yang sama persis sepanjang tahun.
• Atap Pabrik Logam / Gudang Luas: Seng atau material galvalum memantulkan panas radiasi matahari langsung ke sensor satelit saat melintas siang hari (solar glint).
• Lahan Tambang Terbuka: Batuan dan tanah gundul di area tambang menyerap panas matahari parah dan melepaskannya kembali pada siang hari.
• Pantulan Permukaan Air Dangkal: Pada sudut pengamatan tertentu (specular reflection), badan air tenang dapat memantulkan spektrum inframerah pendek yang menipu sensor satelit beresolusi rendah.

Untuk memangkas alarm palsu ini, backend aplikasi wajib melakukan pengecekan persilangan spasial (spatial intersection) dengan layer poligon zona industri permanen dan menerapkan aturan spatial masking. Jika sebuah titik panas terdeteksi berada di dalam radius 300 meter dari koordinat flare gas terdaftar dan tidak menunjukkan perluasan area selama 3 orbit berturut-turut, sistem otomatis menurunkan prioritas notifikasinya.

Peringatan: Jangan menghapus titik panas yang masuk dalam zona anomali industri secara permanen dari database. Simpan data tersebut dengan status flagged agar histori suhu di sekitar fasilitas industri tetap bisa dianalisis jika suatu saat terjadi insiden kebakaran struktural nyata.

Berikut implementasi SQL di PostGIS untuk memvalidasi apakah hotspot baru berada di zona industri atau tutupan lahan sensitif:

-- Query klasifikasi hotspot berdasarkan tutupan lahan dan buffer industri
WITH hotspot_check AS (
    SELECT 
        h.id,
        h.geom,
        -- Cek apakah berada di dalam radius 500m cerobong flare industri
        EXISTS (
            SELECT 1 FROM industrial_flare_zones ind 
            WHERE ST_DWithin(h.geom::geography, ind.geom::geography, 500)
        ) AS is_industrial,
        -- Cek kedalaman gambut
        COALESCE(p.peat_depth_cm, 0) AS peat_depth,
        -- Ambil jenis tutupan lahan
        l.landuse_type
    FROM incoming_hotspots h
    LEFT JOIN peatland_map p ON ST_Intersects(h.geom, p.geom)
    LEFT JOIN landuse_map l ON ST_Intersects(h.geom, l.geom)
)
UPDATE incoming_hotspots target
SET 
    status = CASE 
        WHEN hc.is_industrial THEN 'FILTERED_INDUSTRIAL_GLINT'
        WHEN hc.peat_depth > 200 THEN 'CRITICAL_PEAT_BURNING'
        ELSE 'STANDARD_HOTSPOT'
    END,
    priority_level = CASE 
        WHEN hc.is_industrial THEN 0
        WHEN hc.peat_depth > 200 THEN 3
        ELSE 1
    END
FROM hotspot_check hc
WHERE target.id = hc.id;

Integrasi Sensor IoT Permukaan Tanah dan Stasiun Cuaca Otomatis (AWS)

Meskipun citra satelit memberikan cakupan wilayah yang luas, satelit tidak bisa memantau kondisi mikroklimat bawah tanah secara terus-menerus. Satelit hanya memotret saat melintas di atas orbitnya. Untuk mengatasi jeda waktu tersebut, sistem pemantau karhutla modern mengintegrasikan jaringan sensor Internet of Things (IoT) yang ditanam langsung di lahan gambut dan kawasan hutan.

Sensor permukaan tanah bertugas mendeteksi perubahan parameter biofisik sebelum api menyala di permukaan:

• Sensor Tinggi Muka Air Tanah (TMAT): Mengukur penurunan muka air tanah di lahan gambut. Sesuai regulasi, jika TMAT turun lebih dari 40 cm di bawah permukaan tanah, gambut masuk dalam kategori rentan terbakar hebat (extreme flammability).
• Sensor Kelembapan Tanah (Soil Moisture Multi-Kedalaman): Ditanam pada kedalaman 10 cm, 30 cm, dan 50 cm untuk memantau kekeringan bahan bakar organik di lapisan bawah gambut (peat smoldering potential).
• Stasiun Cuaca Otomatis (Automatic Weather Station / AWS): Mengukur kecepatan angin, arah angin, suhu udara ambien, kelembapan relatif (relative humidity), dan curah hujan harian secara real-time.

┌─────────────────────────────────────────────────────────────┐
│                 TOPOLOGI SENSOR IOT LAPANGAN                │
├─────────────────────────────────────────────────────────────┤
│ [Sensor TMAT Gambut] ──┐                                    │
│ [Sensor Soil Moisture] ──┼──► [LoRaWAN Node / Solar Powered]│
│ [Sensor Termal Bawah]  ──┘                 │                │
│                                            ▼                │
│                                   [LoRa Gateway / Posko]    │
│                                            │                │
│                                            ▼ (Koneksi Satelit/4G)
│                                   [MQTT Broker / EMQX]      │
│                                            │                │
│                                            ▼                │
│                                 [Time-Series DB: InfluxDB]  │
│                                            │                │
│                                            ▼                │
│                                 [Aplikasi Dashboard WebGIS] │
└─────────────────────────────────────────────────────────────┘

Protokol transmisi yang digunakan di lapangan umumnya mengandalkan teknologi LoRaWAN (Long Range Wide Area Network) karena hemat daya dan mampu menjangkau radius hingga 10–15 km di tengah kerapatan tegakan pohon hutan tanpa perlu infrastruktur seluler komersial.

Data dari sensor LoRaWAN dikirim ke server aplikasi melalui broker MQTT. Payload telemetri ini disimpan ke dalam database time-series seperti TimescaleDB atau InfluxDB sebelum digabungkan dengan peta persebaran titik panas satelit.

import paho.mqtt.client as mqtt
import json
from datetime import datetime

def on_message(client, userdata, msg):
    """
    Handler penerimaan payload sensor telemetri TMAT dan AWS melalui MQTT
    """
    payload = json.loads(msg.payload.decode('utf-8'))
    sensor_id = payload.get("device_id")
    water_table_cm = payload.get("water_table_depth_cm")
    soil_temp = payload.get("soil_temp_celsius")
    
    # Logika peringatan dini level sensor
    if water_table_cm < -40.0:
        trigger_ground_drought_alert(
            sensor_id=sensor_id,
            depth=water_table_cm,
            temp=soil_temp,
            timestamp=datetime.utcnow().isoformat()
        )

def trigger_ground_drought_alert(sensor_id: str, depth: float, temp: float, timestamp: str):
    print(f"[PERINGATAN KEKERINGAN GAMBUT] Node: {sensor_id} | TMAT: {depth} cm | Suhu: {temp}°C | Waktu: {timestamp}")

Kombinasi antara anomali termal satelit di atas dan pembacaan TMAT rendah di bawah tanah memberikan tingkat akurasi deteksi hampir 99% terhadap potensi kebakaran lahan gambut tak terkendali.

Estimasi Perambatan Api dan Analisis Risiko Gambut

Aplikasi pemantau yang baik tidak cuma bersikap reaktif mencatat titik api yang sudah membesar, tapi juga mampu memprediksi arah dan kecepatan perambatan api dalam 3 hingga 12 jam ke depan.

Model perambatan api di dalam backend WebGIS menggabungkan data statis dan data dinamis pakai turunan persamaan fisika semi-empiris Rothermel Surface Fire Spread Model. Parameter yang dimasukkan meliputi:

1. Vektor Angin Lokal: Kecepatan dan arah hembusan angin dari stasiun AWS terdekat atau model prediksi numerik cuaca (NWP) BMKG/ECMWF.
2. Kelerengan Medan (Slope & Aspect): Dihitung dari model elevasi digital (DEM NASADEM atau LiDAR). Api merambat jauh lebih cepat menaiki lereng curam dibanding pada permukaan tanah datar karena pemanasan awal bahan bakar di atasnya (convective preheating).
3. Model Bahan Bakar (Fuel Model): Membedakan apakah vegetasi berupa ilalang kering, semak belukar sekunder, serasah daun akasia, atau gambut padat.
4. Indeks Kebakaran Cuaca (Fire Weather Index / FWI): Sistem penghitungan standar yang memproses enam komponen: FFMC, DMC (Duff Moisture Code

Checklist

• Siapkan worker terjadwal untuk menarik data telemetri hotspot multi-sensor dari NASA FIRMS dan BRIN.
• Buat indeks spasial GiST pada tabel koordinat PostGIS dan sajikan titik panas lewat Mapbox Vector Tiles (MVT).
• Terapkan layer buffer spasial pada koordinat kilang minyak dan cerobong industri untuk memangkas false positive.
• Susun modul kalkulasi indeks spektral NBR dan delta NBR dari citra Sentinel-2 untuk memetakan keparahan karhutla.
• Bangun scoring komposit tingkat keyakinan hotspot berdasarkan FRP, riwayat multitemporal, dan jenis tutupan lahan.
• Sederhanakan geometri poligon gambut dan batas konsesi per zoom level memakai fungsi topologi PostGIS.
• Sediakan paket peta dasar offline format MBTiles dan antrean lokal SQLite di aplikasi mobile tim patroli.
• Pasang kompresi foto otomatis ke format WebP sebelum background sync mengirim dokumentasi lapangan.
• Hubungkan broker MQTT untuk membaca telemetri sensor Tinggi Muka Air Tanah (TMAT) dan stasiun cuaca AWS real-time.
• Pastikan endpoint sinkronisasi laporan lapangan bersifat idempoten agar data tidak duplikat saat sinyal drop.

Poin penting

• Kombinasi satelit geostasioner dan polar orbit wajib dipakai demi menyeimbangkan kecepatan deteksi serta ketajaman resolusi spasial.
• Filter anomali termal harus mengecualikan pantulan atap industri agar tim darat tidak lelah mengejar alarm palsu.
• Kalkulasi indeks spektral seperti NBR krusial untuk memetakan tingkat kekeringan vegetasi sebelum api menjalar luas.
• Kebakaran lahan gambut butuh pemantauan khusus karena bara bawah tanah kerap luput dari sensor termal standar.
• Pipeline data wajib menerapkan deduplikasi spasial untuk mencegah banjir notifikasi ganda dari lintasan satelit berbeda.
• Aplikasi patroli lapangan wajib mendukung arsitektur offline-first guna menjamin kelancaran input data di area tanpa sinyal.