Citra udara membantu mengidentifikasi area yang cocok untuk restorasi
Pemodelan geospasial dan emisi
Penilaian dinamika penggunaan lahan historis di wilayah pesisir bergantung pada analisis geospasial dari serangkaian citra satelit. Analisis ini mengklasifikasikan kategori penggunaan lahan dan bagaimana area tersebut berubah dari waktu ke waktu. Dengan menggunakan dinamika ini, kuantifikasi emisi karbon yang terkait dengan konversi hutan bakau menjadi penggunaan lahan lainnya dapat diperkirakan melalui pemodelan. Hal ini dapat memberikan penilaian terhadap cadangan karbon yang hilang dan juga identifikasi area yang cocok untuk restorasi. Hal ini juga dapat dikaitkan dengan perkiraan modal alam yang hilang dari waktu ke waktu.
Syarat utamanya adalah tersedianya serangkaian citra satelit yang konsisten, bebas dari tutupan awan, dan memiliki resolusi spasial yang cukup untuk membedakan tegakan (dan jenis) bakau, pertanian di sekitarnya, serta penggunaan lanskap oleh manusia. Kapasitas lokal atau nasional untuk pemrosesan penginderaan jauh dan analisis GIS tingkat lanjut terhadap fitur-fitur pesisir juga penting. Pemodelan emisi merupakan tantangan yang perlu diselesaikan melalui peningkatan kapasitas.
Meskipun fasilitas GIS dan personil terlatih telah tersedia, kapasitas untuk mengklasifikasikan berbagai jenis mangrove di dalam suatu tegakan dengan tepat masih kurang di bidang GIS/penginderaan jarak jauh, terutama jika menggunakan citra dengan resolusi yang lebih tinggi. Kami telah menjajaki penerapan teknik pengolahan citra dan klasifikasi yang inovatif dengan hasil yang baik. Namun, proses ini tidak dapat sepenuhnya otomatis dan analisisnya membutuhkan waktu dan penilaian ahli untuk menyelesaikannya.
Akses ke serangkaian gambar yang bebas awan secara konsisten pada tanggal yang berbeda merupakan suatu tantangan. Hal ini ditambah dengan tidak berfungsinya satelit yang terkenal, yang semakin membatasi ketersediaan gambar yang sesuai untuk analisis.
Peningkatan skala analisis dari skala lokal ke subnasional hingga regional menghadirkan tantangan tambahan dalam hal resolusi spasial, volume data untuk analisis, dan waktu yang dibutuhkan.