Pemetaan Banjir Cepat untuk Manajemen yang Efektif: Pendekatan Pembelajaran Mesin dan Klasifikasi Berbasis Piksel di Distrik Feni, Bangladesh

ABSTRAK
Di Bangladesh, tempat banjir sering terjadi, terdapat risiko tahunan yang parah terhadap perpindahan masyarakat, pertanian, perikanan, peternakan, kesehatan masyarakat, dan ketahanan pangan. Peristiwa banjir ekstrem menjadi lebih umum karena kombinasi perubahan iklim yang disebabkan manusia, aliran air sungai hulu yang tidak teratur, peningkatan proporsi distribusi sedimen di dasar sungai, kerapuhan kelembagaan, kurangnya peraturan perencanaan, dan perubahan pola curah hujan. Pengelolaan banjir yang efektif memerlukan metodologi pemetaan banjir yang tepat dan tepat waktu untuk mengadopsi strategi pengurangan risiko bencana dan memungkinkan upaya respons yang efisien. Studi ini menyajikan pendekatan yang memfasilitasi identifikasi banjir tepat waktu, meningkatkan respons darurat, inisiatif evakuasi, distribusi bantuan, dan pengurangan risiko bencana. Penelitian ini memperkenalkan metodologi baru untuk pemetaan genangan banjir yang dipercepat, dengan menggunakan peristiwa banjir Agustus 2022, 2023, dan khususnya tahun 2024 di Distrik Feni sebagai studi kasus utama. Studi ini menggunakan Google Earth Engine (GEE) dan data radar aperture sintetis (SAR) Sentinel-1 untuk secara akurat menggambarkan wilayah genangan banjir dengan memanfaatkan transmisi vertikal dan penerimaan vertikal (VV), transmisi vertikal dan penerimaan horizontal (VH), dan pita polarisasi VV/VH. Badan air yang dicirikan oleh nilai hamburan balik yang lebih rendah dalam polarisasi VH mulai dari -41,15 hingga -24,06 dB dan polarisasi VV dari -31,66 hingga -15,94 dB diidentifikasi sebagai ambang batas yang sesuai untuk penggambaran wilayah genangan banjir. Untuk menilai keakuratan peta banjir, studi ini berfokus pada klasifikasi digital berbasis piksel dan teknik pembelajaran mesin (ML) secara terpisah untuk pemetaan genangan banjir. Nilai akurasi klasifikasi sebesar 95,60% untuk metode berbasis piksel dan 94,40% untuk model ML hutan acak secara khusus sesuai dengan kejadian banjir tahun 2024. Studi ini mengembangkan metodologi operasional berbasis GEE dengan mengevaluasi dua teknik inovatif yang dirancang untuk pemetaan genangan banjir cepat guna mendukung pengelolaan banjir yang efektif dan upaya pengurangan risiko bencana.

1 Pendahuluan
Banjir adalah salah satu bencana alam paling dahsyat di Bangladesh yang berdampak pada jutaan orang setiap tahun (Islam, Abdullah, et al. 2024 ; Rasid dan Pramanik 1993 ; Uddin et al. 2021 ). Kerentanan negara tersebut berasal dari lokasinya di delta Gangga–Brahmaputra–Meghna (GBM) hilir, di mana hujan monsun yang lebat, luapan sungai di hulu, dan sistem manajemen bencana yang tidak memadai berkontribusi terhadap banjir yang berulang. Peristiwa banjir menyebabkan kerusakan yang meluas, menggusur masyarakat, merusak pertanian, perikanan, dan infrastruktur, serta mengganggu layanan penting seperti pendidikan dan perawatan kesehatan (Hossain et al. 2020 ; Pizzorni et al. 2024 ). Pertanian, tulang punggung ekonomi, sangat terpengaruh oleh banjir rutin, yang memperparah kerawanan pangan, kemiskinan, dan ketidakstabilan ekonomi (Hossain et al. 2020 ; Parven et al. 2022 ). Dengan perubahan iklim yang meningkatkan frekuensi dan tingkat keparahan banjir serta faktor antropogenik lainnya yang memperburuk situasi (Fahad et al. 2024 ; Nones dan Guo 2023 ; Tabari 2020 ; Thapa et al. 2024 ), ada kebutuhan mendesak untuk sistem pengelolaan banjir yang efektif untuk melindungi infrastruktur penting dan masyarakat yang rentan (Grigg 2024 ; Uddin dan Matin 2021 ).

Di luar sistem peringatan dini dan perencanaan evakuasi, metodologi pemetaan genangan banjir yang cepat dan terukur sangat penting untuk respons bencana yang efektif. Sistem seperti itu akan mendukung responden pertama, pekerja bantuan, dan pembuat kebijakan dalam membuat keputusan tepat waktu tentang evakuasi, distribusi sumber daya, dan bantuan darurat. Kemajuan dalam teknologi geospasial, termasuk sistem informasi geografis (SIG), penginderaan jauh, dan kecerdasan buatan (AI), telah membuat pemetaan banjir hampir waktu nyata semakin layak (Haque et al. 2019 ; Rambhad et al. 2023 ). Penginderaan jauh berbasis satelit, khususnya radar aperture sintetis (SAR), sangat penting untuk pemantauan banjir berkelanjutan, terutama di wilayah yang tidak dapat diakses atau berbahaya.

Di antara satelit observasi Bumi yang mengorbit, sensor radar aperture sintetis (SAR) Sentinel-1 menyediakan pencitraan segala cuaca, siang dan malam tanpa biaya (Amitrano et al. 2024 ; Ghosh et al. 2022 ). Mengintegrasikan data SAR dengan algoritma pembelajaran mesin (ML) seperti hutan acak (RF) pada platform seperti Google Earth Engine (GEE) secara signifikan meningkatkan efisiensi dan otomatisasi pemetaan banjir (Ghosh et al. 2023 ; Mayer et al. 2025 ; Uddin et al. 2021 ). Pendekatan ini memungkinkan kumpulan data besar diproses dengan cepat, membedakan area yang banjir dengan akurasi tinggi tanpa perlu pengambilan data manual yang ekstensif (Liao et al. 2023 ; Refice et al. 2018 ). Otomatisasi pemetaan banjir melalui skrip GEE memungkinkan pemantauan waktu nyata, menjadikannya alat yang sangat berharga untuk respons dan manajemen banjir. Selain itu, metode klasifikasi digital berbasis SAR menyempurnakan presisi pemetaan banjir dengan memanfaatkan pengukuran hamburan balik, sehingga mengurangi waktu pemrosesan sekaligus meningkatkan akurasi.

Meskipun beberapa algoritme ML dapat digunakan untuk deteksi banjir, RF telah muncul sebagai salah satu metode yang paling efektif. Kemampuannya untuk menangani kumpulan data berdimensi tinggi dan mengelola variabel kontinu dan kategoris membuatnya sangat cocok untuk klasifikasi berbasis SAR. Tidak seperti algoritme lain, RF juga dapat menilai pentingnya berbagai variabel input, seperti nilai polarisasi VV dan VH, yang berkontribusi pada pemetaan genangan banjir yang lebih akurat. Hal ini menjadikan RF sebagai pilihan yang lebih disukai untuk aplikasi yang memerlukan akurasi klasifikasi tinggi, seperti pemetaan banjir di lingkungan yang menantang seperti Bangladesh.

Kemajuan teknologi ini dapat secara signifikan memperkuat upaya pengelolaan banjir di Bangladesh dengan mengoptimalkan respons darurat, perencanaan evakuasi, dan pemulihan pascabencana. Studi ini menunjukkan bagaimana data SAR, GEE, dan klasifikasi dapat mempercepat pemetaan banjir dan meningkatkan ketahanan. Pemetaan genangan banjir berkelanjutan juga mendukung perencanaan ketahanan jangka panjang dengan mengidentifikasi area berisiko tinggi dan memandu investasi infrastruktur, seperti tempat perlindungan banjir, untuk mengurangi risiko di masa mendatang (Phongsapan et al. 2019 ). Terhadap latar belakang ini, studi ini mengembangkan metodologi operasional untuk pemetaan genangan banjir cepat, menggunakan peristiwa banjir Agustus 2024 sebagai studi kasus utama, dengan penilaian historis tambahan untuk Agustus 2022 dan 2023 untuk menangkap pengulangan dan tren banjir. Dengan memanfaatkan citra Sentinel-1 SAR dan teknik ML pada platform GEE, studi ini bertujuan untuk meningkatkan akurasi deteksi banjir melalui analisis komparatif teknik klasifikasi berbasis piksel dan berbasis ML. Untuk memastikan metodologi ini dapat diadaptasi di berbagai konteks geografis dengan membangun kerangka kerja yang sistematis dan dapat dipindahtangankan, studi ini berkontribusi untuk meningkatkan pemantauan dan pengambilan keputusan banjir secara real-time, mendukung upaya mitigasi dan respons bencana yang lebih efektif. Studi ini mengikuti kerangka kerja operasional terstruktur seperti yang dijelaskan di bawah ini:

1. Prapemrosesan citra SAR, termasuk penghilangan gangguan termal, penyaringan bintik, dan ekstraksi fitur berdasarkan nilai hamburan balik polarisasi VV dan VH.
2. Klasifikasi dan penilaian akurasi, menerapkan klasifikasi berbasis piksel dan RF menggunakan sampel pelatihan dan validasi yang telah ditentukan sebelumnya.
3. Skalabilitas, memastikan pendekatan dapat diterapkan pada berbagai peristiwa banjir di lokasi berbeda dengan sedikit penyesuaian.
4. Analisis perkembangan banjir, menangkap perubahan spasial dan temporal dalam luas banjir untuk meningkatkan strategi pengelolaan banjir jangka panjang.

2 Area Studi
Distrik Feni di Bangladesh, yang mengalami banjir bandang, telah dipilih sebagai studi kasus. Secara khusus, peristiwa banjir Agustus 2024, yang dipicu oleh hujan lebat dan aliran air di hulu, menghancurkan masyarakat di 11 distrik di wilayah timur Bangladesh, khususnya di distrik Feni, Comilla, Noakhali, Laxmipur, dan Moulvibazar. Menurut Tim Negara Perserikatan Bangsa-Bangsa (PBB) di Bangladesh, banjir bandang tersebut memengaruhi lebih dari 5,8 juta orang, menyebabkan 52 kematian, mengganggu layanan bagi lebih dari 1 juta orang, membuat 0,5 juta orang mengungsi, merusak lebih dari 300.000 ha tanaman, menutup paksa lebih dari 7000 sekolah yang memengaruhi lebih dari 1,75 juta siswa sekolah dasar, dan menimbulkan kerugian pada perikanan dan peternakan yang diperkirakan masing-masing sebesar USD 122 juta dan USD 34 juta (PBB 2024 ).

Secara khusus, Feni dipilih untuk analisis lebih lanjut, karena distrik ini terkena dampak parah dengan lebih dari 150.000 orang mengungsi (ECHO 2024 ). Area studi, ditunjukkan pada Gambar 1 , menunjukkan bahwa Distrik Feni, yang terletak di wilayah tenggara Bangladesh, membentang lintang 22°44′–23°17′ dan bujur 90°15′–91°35′. Ini mencakup area seluas sekitar 990 km 2 dan berbatasan dengan distrik Comilla di Bangladesh dan negara bagian Tripura di India di utara. Distrik ini terdiri dari enam sub-distrik administratif, yang secara resmi disebut Upazilas: Chhagalnaiya, Daganbhuiya, Feni Sadar, Fulgazi, Parshuram, dan Sonagazi. Sekitar 32% dari total luas daratan distrik terdiri dari komunitas perkotaan, sedangkan 68% sisanya adalah pedesaan. Pertanian merupakan sumber pendapatan utama bagi 141.564 dari 322.772 keluarga. Beberapa sungai, termasuk Feni, Muhuri, Kohua, Selonia, Kalidas, dan Pahalia melintasi Distrik Feni. Sungai-sungai ini tetap dapat dilayari sepanjang tahun dan penting untuk transportasi air dan irigasi. Distrik Feni menerima curah hujan rata-rata tahunan sebesar 2603 mm (BBS 2022 ).

3 Metode
3.1 Data yang Digunakan
Citra Sentinel-1 ground range detecting (GRD), yang diidentifikasi dengan nomor ID 20240821T120417 dan 20240821T120442 (tertanggal 21 Agustus 2024), digunakan untuk pemetaan genangan banjir, pengembangan algoritma, dan perbandingan metode. Untuk menetapkan dasar perbandingan, data Sentinel-1 dari musim kemarau (Januari–Maret) juga dianalisis untuk mengklasifikasikan badan air abadi. Sistem SAR Sentinel-1, yang berfungsi dalam pita C, sangat efektif dalam mengidentifikasi air permukaan dalam semua jenis keadaan cuaca, termasuk situasi mendung dan basah yang umumnya terkait dengan kejadian banjir. Hasil GRD menjalani praproses untuk menghilangkan gangguan termal guna meningkatkan akurasi spasial. Data hamburan balik dalam polarisasi VV dan VH membedakan area yang tergenang air dari karakteristik terestrial lainnya (Gambar 2 ). Permukaan air menampilkan lebih sedikit hamburan balik dan tampak gelap dalam pencitraan radar, sehingga memudahkan identifikasi area yang tergenang.

Selain itu, data pemetaan banjir historis dari Agustus 2022 hingga 2023 dimasukkan untuk menganalisis tren, menentukan daerah rawan banjir yang berulang, dan mengidentifikasi lokasi yang baru tergenang. Pendekatan komprehensif ini memberikan dasar yang kuat untuk memahami pola banjir selama beberapa tahun dan mendukung strategi pengelolaan banjir yang efektif. Lebih jauh lagi, data OpenStreetMap (OSM 2021 ) digunakan untuk menilai paparan banjir pada infrastruktur, khususnya untuk menentukan jumlah bangunan yang terkena banjir. Mengintegrasikan kumpulan data ini memberikan dukungan yang berharga untuk pengelolaan banjir, memungkinkan pemahaman yang lebih baik tentang dampak banjir dan membantu dalam mengembangkan strategi mitigasi yang ditargetkan.

3.2 Pemetaan Genangan Banjir
Data Sentinel-1 diproses pada GEE untuk memetakan area genangan banjir yang melalui beberapa langkah pra-pemrosesan untuk analisis citra SAR. Prosedur pra-pemrosesan adalah eliminasi derau termal, kalibrasi radiometrik, koreksi medan menggunakan DEM SRTM 30 m, dan penerapan filter bintik Lee. Koefisien hamburan balik ( σ °) dihitung dalam desibel (dB) untuk setiap piksel, dengan filter bintik diterapkan untuk mengurangi derau granular dan meningkatkan visibilitas fitur. Untuk mengklasifikasikan area yang tergenang banjir, total 320 titik referensi didigitalkan secara manual di GEE untuk mengidentifikasi area yang tergenang banjir, menggunakan citra resolusi tinggi, yang mencakup 130 titik banjir, 130 titik daratan, dan 60 badan air abadi. Satu set independen yang dibuat secara acak dari 250 situs validasi dibuat di seluruh area studi untuk memberikan independensi statistik dan representasi spasial. Titik referensi ini digunakan untuk mengekstraksi nilai hamburan balik VV dan VH dari citra Sentinel-1 tanggal 21 Agustus 2024 (Gambar 2 ). Nilai yang diekstraksi kemudian dianalisis untuk menetapkan perbedaan statistik antara permukaan air dan non-air, yang menjadi dasar klasifikasi.

Permukaan yang tergenang dan tidak tergenang menunjukkan karakteristik hamburan balik SAR yang berbeda, yang digunakan untuk pemetaan. Perairan terbuka yang tenang, seperti danau, waduk, dan sungai besar, mengalami pantulan spekular, di mana sebagian besar energi radar dipantulkan menjauh dari sensor. Akibatnya, nilai hamburan balik VV dan VH sangat rendah, yang menunjukkan sinyal balik minimal. Sebaliknya, vegetasi yang terendam sebagian dalam air banjir dapat menciptakan hamburan pantulan ganda, di mana sinyal radar terpantul di antara permukaan air dan batang tanaman sebelum kembali ke sensor. Efek ini lebih jelas dalam polarisasi VV, terkadang menghasilkan nilai hamburan balik yang lebih tinggi di hutan yang tergenang, lahan basah, atau area dengan tanaman yang muncul, membuatnya tampak lebih cerah dalam gambar SAR daripada perairan terbuka. Namun, bahkan dalam kasus ini, nilai hamburan balik tetap lebih rendah daripada daratan kering.

Dengan menggunakan perbedaan hamburan balik ini, dua metode klasifikasi diterapkan: ambang batas berbasis piksel dan klasifikasi berbasis ML. Untuk klasifikasi berbasis piksel, nilai ambang batas diterapkan langsung ke data hamburan balik VV dan VH yang diekstraksi untuk menggambarkan area yang tergenang. Secara paralel, RF adalah salah satu dari banyak algoritma ML, khususnya metode pembelajaran ensemble berdasarkan pengklasifikasi pohon keputusan (Pal 2005 ) dilatih menggunakan set yang sama dari 320 titik referensi. Model RF dikembangkan menggunakan pohon keputusan, di mana setiap pohon dilatih pada subset titik referensi. Model tersebut menggunakan nilai hamburan balik VV dan VH sebagai variabel prediktor, yang bertujuan untuk membedakan area yang tergenang banjir dari daratan dan badan air permanen. Pengklasifikasi RF belajar dari variasi nilai hamburan balik, mengidentifikasi ambang batas utama yang memisahkan piksel yang tergenang dari yang tidak tergenang.

Setelah klasifikasi selesai, peta banjir divalidasi menggunakan kumpulan 250 titik referensi yang independen. Akurasi dinilai melalui analisis matriks kebingungan, akurasi keseluruhan, dan koefisien Kappa, dan laporan terperinci tentang penilaian akurasi disajikan dalam Data S1 . Peta banjir akhir kemudian digunakan untuk menghitung area yang tergenang banjir. Untuk menilai kekambuhan banjir, data Sentinel-1 historis dari Agustus 2022 hingga 2023 dianalisis di ArcGIS Desktop untuk mengklasifikasikan area rawan banjir yang terus-menerus dan lokasi yang baru tergenang.

4 Hasil
Peta genangan banjir menghasilkan beberapa hasil yang menjanjikan, menggunakan dua metodologi klasifikasi digital berbasis piksel dan pendekatan RF berbasis ML. Keduanya menggunakan pita polarisasi VV, VH, dan VV/VH untuk menggambarkan luas genangan banjir.

Analisis hamburan balik dari titik sampel daratan dan air menggunakan data radar Sentinel-1 mengungkap perbedaan yang jelas dalam interaksi mereka dengan polarisasi VV dan VH, yang sangat penting untuk pemetaan genangan banjir yang akurat. Badan air menunjukkan nilai hamburan balik yang jauh lebih rendah daripada daratan, khususnya dalam polarisasi VH, di mana nilai berkisar dari −41,15 hingga −24,06 dB, dengan rata-rata −31,29 dB. Dalam polarisasi VV, titik air memantulkan energi radar yang sedikit lebih tinggi, berkisar dari −31,66 hingga −15,94 dB dengan rata-rata −23,20 dB (Gambar 2 ). Nilai hamburan balik yang lebih rendah ini dikaitkan dengan permukaan air yang halus dan reflektif, yang memantulkan gelombang radar menjauh dari sensor, sehingga menghasilkan pengembalian yang lemah. Perbedaan yang jelas dalam nilai hamburan balik antara air dan daratan, khususnya dalam polarisasi VH, secara signifikan meningkatkan akurasi peta banjir. Keakuratan pengguna dan produsen ditampilkan dalam Tabel 1 dan 2 .

TABEL 1. Matriks kesalahan untuk peta genangan banjir berbasis piksel bulan Agustus 2024.

Catatan: Akurasi klasifikasi keseluruhan = 95,60% dan statistik Kappa keseluruhan = 0,9191.

TABEL 2. Matriks kesalahan untuk peta genangan banjir berbasis RF bulan Agustus 2024.

Catatan: Akurasi klasifikasi keseluruhan = 94,40% dan statistik Kappa keseluruhan = 0,8964.

Sebaliknya, titik daratan menunjukkan nilai hamburan balik yang lebih tinggi karena permukaannya yang kasar dan kompleks, termasuk vegetasi, bangunan, dan tanah. Polarisasi VV untuk titik daratan berkisar antara -8,78 hingga 5,39 dB, dengan rata-rata -2,85 dB, yang mencerminkan pengembalian radar yang lebih besar yang disebabkan oleh interaksi dengan struktur vertikal. Polarisasi VH untuk daratan, meskipun lebih rendah dari VV, masih menunjukkan nilai hamburan balik yang lebih tinggi daripada air, berkisar antara -15,23 hingga -10,87 dB, dengan rata-rata -13,38 dB, yang menunjukkan peningkatan hamburan dari permukaan kompleks seperti vegetasi dan medan yang tidak rata (Gambar 2 ).

Untuk penilaian akurasi peta banjir, 250 titik referensi dibuat secara acak untuk validasi klasifikasi digital berbasis piksel dan metode ML. Peta terklasifikasi berbasis piksel menunjukkan akurasi klasifikasi keseluruhan sebesar 95,60%, dengan statistik Kappa keseluruhan sebesar 0,9191. Ini merupakan indikasi tingkat kesepakatan yang tinggi. Sebagai perbandingan, model RF berbasis ML menghasilkan akurasi klasifikasi keseluruhan sebesar 94,40%, dengan statistik Kappa keseluruhan sebesar 0,8964. Hasil validasi menunjukkan kinerja yang sedikit lebih rendah daripada metode berbasis piksel; namun, ini masih merupakan metode klasifikasi yang kuat. Laporan terperinci tentang penilaian akurasi dapat ditemukan di Tabel 1 dan 2 , serta kode GEE S1 .

Metode klasifikasi digital mengidentifikasi total area banjir seluas 201 km 2 (Gambar 3b ), sedangkan pendekatan ML mendeteksi area yang lebih luas sekitar 254 km 2 (Gambar 3c ). Perbedaan yang nyata dalam tingkat genangan banjir tercatat di seluruh Upazila/sub-distrik. Sonagazi menemukan area yang paling banjir, dengan 49 km 2 ditentukan menggunakan klasifikasi digital berbasis piksel dan 60 km 2 dengan metode ML, masing-masing. Daganbhuiyan menunjukkan area yang paling sedikit tergenang, menghitung 16 km 2 per metode klasifikasi digital dan 23 km 2 menurut metode ML, masing-masing. Pendekatan ML secara konsisten menghitung area banjir yang lebih besar, menangkap tingkat banjir yang lebih luas di seluruh area studi. Misalnya, 20% distrik dipetakan sebagai tergenang oleh air banjir menggunakan metode klasifikasi digital, sedangkan 26% area diidentifikasi tergenang menggunakan metode ML berbantuan RF. Terakhir, peta banjir yang dihasilkan dalam studi ini dibagikan kepada organisasi manajemen bencana terkait di Bangladesh, termasuk Sentinel Asia (AentinelAsia 2024 ). Setiap pengguna dapat mengakses kode GEE yang digunakan dalam studi ini secara publik dan melakukan pemetaan banjir dari tautan kode GEE ini (lihat Data S2 ).

Studi ini menekankan kemampuan unggul ML untuk menggambarkan secara tepat cakupan banjir yang menyeluruh, yang menunjukkan kegunaannya sebagai instrumen efektif untuk pemetaan banjir yang dipercepat—khususnya, metode klasifikasi digital menghasilkan peta dengan presisi yang lebih tinggi. Mengintegrasikan data SAR dengan model ML, seperti RF, menghadirkan potensi yang cukup besar untuk meningkatkan manajemen dan mitigasi bencana banjir di daerah rawan banjir seperti Bangladesh.

Peta genangan banjir untuk bulan Agustus tahun 2022, 2023, dan 2024 ditunjukkan pada Gambar 4 dan 5. Analisis daerah genangan banjir menurut sub-distrik (Upazial) dari tahun 2022 hingga 2024 di Distrik Feni mengungkapkan peningkatan yang signifikan di daerah yang terkena banjir selama bertahun-tahun. Pada tahun 2022, total daerah genangan banjir adalah 27 km 2 , yang sedikit menurun menjadi 17 km 2 pada tahun 2023. Namun, tahun 2024 menyaksikan banjir dahsyat, dengan 201 km 2 tergenang. Di antara Upazila, Sonagazi mengalami genangan maksimum pada tahun 2024, meliputi 49 km 2 , diikuti oleh Chhagalnaiya (37 km 2 ), Fulgazi (35 km 2 ), dan Feni Sadar (33 km 2 ). Banjir terendah terpetakan di Daganbhuiyan (16 km 2 ) dan Parshuram (31 km 2 ). Tingkat keparahan di daerah yang terkena banjir pada tahun 2024 menunjukkan adanya peningkatan kerentanan, yang memerlukan tindakan mitigasi banjir yang mendesak, strategi penggunaan lahan yang adaptif, dan prakiraan banjir dengan dukungan informasi debit hulu.

 

Pola surut dan naiknya banjir di Feni, Bangladesh, untuk Agustus 2022, 2023, dan 2024 menunjukkan variasi spasial yang penting di seluruh Distrik Feni. Menurut Gambar 6 , total 18 km 2 tergenang pada Agustus 2022, dengan 9 km 2 tetap tergenang pada kedua tahun tersebut. Namun, tambahan 8 km 2 area baru tergenang pada Agustus 2023, yang menunjukkan perluasan cakupan banjir. Sonagazi mengalami paparan banjir tertinggi di antara Upazila, dengan 7 km 2 tergenang dan 4 km 2 baru tergenang pada tahun 2023. Demikian pula, Fulgazi dan Chhagalnaiya melihat 3 km 2 area yang baru terdampak, yang menyoroti pergeseran zona rawan banjir. Daganbhuiyan mencatat peningkatan signifikan dalam genangan baru dengan 3 km 2 , sedangkan Parshuram memiliki perubahan minimal.

Pola banjir antara Agustus 2023 dan Agustus 2024 menunjukkan perluasan signifikan di wilayah yang tergenang di Feni, Bangladesh. Wilayah yang sering tergenang telah meningkat, dengan Upazila Sonagazi mengalami banjir yang paling luas dan terus-menerus pada 90,72 km 2 , diikuti oleh Daganbhuiyan (34,03 km 2 ) dan Feni Sadar (9,12 km 2 ). Wilayah yang baru tergenang pada Agustus 2023 relatif kecil di sebagian besar distrik, dengan Sonagazi (4,53 km 2 ) dan Feni Sadar (1,12 km 2 ) menunjukkan peningkatan sedang.

Selain itu, data lapisan bangunan OpenStreetMap diintegrasikan untuk memperkirakan jumlah bangunan yang terkena banjir, dengan sebagian kecil area divisualisasikan dalam 3D pada Gambar 7. Tabel menyajikan data tentang jumlah bangunan dan yang terkena banjir di berbagai upazila di Distrik Feni, Bangladesh (Data S3 ). Di antara upazila yang terdaftar, Feni Sadar memiliki jumlah bangunan tertinggi (56.274), sedangkan Sonagazi memiliki jumlah bangunan yang terkena banjir tertinggi (311). Parshuram dan Fulgazi juga menunjukkan paparan signifikan, dengan masing-masing 247 dan 179 bangunan terkena dampak. Sebaliknya, Daganbhuiyan memiliki paparan banjir terendah, dengan hanya 12 bangunan yang berisiko. Data ini menyoroti berbagai tingkat kerentanan banjir di berbagai upazila, yang menekankan perlunya upaya mitigasi banjir yang ditargetkan di area yang paling terkena dampak.

5 Diskusi
Hasil studi ini menggarisbawahi efektivitas klasifikasi berbasis piksel tradisional dan teknik ML, khususnya algoritma RF, untuk memetakan genangan banjir di Bangladesh dengan cepat. Dengan memanfaatkan citra SAR Sentinel-1 pada platform GEE, kedua metode tersebut mencapai akurasi tinggi dalam mengidentifikasi area yang terdampak banjir, dengan pendekatan berbasis piksel sedikit mengungguli pendekatan RF. Hasil ini menekankan nilai metode klasifikasi berbasis piksel dengan data satelit SAR untuk pemantauan banjir secara real-time di area yang sangat rentan seperti Distrik Feni dan wilayah lain di Bangladesh untuk pemetaan banjir operasional. Selain itu, pemetaan genangan banjir berbasis RF juga berpotensi di Bangladesh karena menghasilkan akurasi yang tinggi.

Mengingat paparan Bangladesh terhadap hujan lebat yang sering terjadi, antara 1500 dan 4000 mm curah hujan per tahun (Islam dan Nursey-Bray 2017 ; Rahman et al. 2018 )—pemetaan genangan banjir secara otomatis menggunakan data SAR sangatlah bermanfaat (Raju et al. 2022 ; Uddin dan Matin 2021 ). Kemampuan untuk menghasilkan peta dengan akurasi yang lebih tinggi sangat penting untuk upaya respons yang tepat waktu, terutama saat jaringan komunikasi terputus, yang menyediakan tim penyelamat dengan informasi yang dapat diandalkan untuk memprioritaskan upaya di komunitas yang terkena dampak. Klasifikasi digital berbasis piksel relatif lebih cepat karena kita tidak perlu memasukkan sampel pelatihan dari sumber lain (Balha et al. 2021 ; Refice et al. 2022 ). Banjir dan lanskap yang tergenang juga membuat pengumpulan data referensi dari lapangan menjadi tantangan (Schumann et al. 2023 ).

Penggunaan citra SAR Sentinel-1 pada platform GEE secara signifikan meningkatkan pemetaan banjir di Distrik Feni dengan memungkinkan pemrosesan dan klasifikasi real-time dari area yang terdampak banjir. Kombinasi pita polarisasi VV dan VH memberikan perbedaan yang jelas antara air dan daratan, sehingga meningkatkan akurasi deteksi banjir. Lingkungan komputasi awan GEE memfasilitasi analisis citra skala besar tanpa memerlukan sumber daya komputasi lokal yang besar, sehingga ideal untuk upaya respons cepat. Selain itu, kemampuan pra-pemrosesan dalam GEE, termasuk penyaringan bintik, penghilangan derau termal, dan koreksi geolokasi, memastikan bahwa citra Sentinel-1 dioptimalkan untuk klasifikasi yang akurat. Integrasi data SAR dan metode klasifikasi otomatis yang lancar dalam GEE memungkinkan pemetaan genangan banjir yang cepat dan efisien, sehingga menyediakan data penting bagi tim tanggap bencana dan pembuat kebijakan.

Meskipun drone dapat digunakan untuk pemetaan banjir beresolusi tinggi, keterbatasannya harus diakui. Drone cocok untuk area kecil dan terlokalisasi tetapi kurang praktis untuk zona banjir skala besar, di mana cakupan yang cepat dan luas sangat penting (Iqbal et al. 2023 ). Drone juga tidak berguna pada hari hujan. Selain itu, drone menghasilkan sejumlah besar data yang memerlukan pemrosesan berbasis desktop, yang berpotensi menunda pembuatan peta tepat waktu yang diperlukan untuk operasi bantuan. Oleh karena itu, meskipun drone dapat berharga untuk survei lokal terperinci atau liputan media, drone tidak ideal untuk upaya pemetaan banjir skala besar yang luas (Singh et al. 2024 ).

Meskipun sebagian besar literatur yang ada berfokus pada keakuratan peta banjir, keandalan dan kualitasnya sama pentingnya untuk manajemen bencana yang efektif. Autentikasi peta banjir selama kejadian aktif menimbulkan tantangan yang signifikan, karena akses ke daerah yang tergenang sering kali sulit (Jerolleman 2020 ; Mudashiru et al. 2021 ). Hal ini menggarisbawahi pentingnya alokasi sumber daya yang strategis untuk validasi berbasis darat dan pengembangan sistem alternatif untuk memastikan keandalan peta dalam skenario waktu nyata. Penilaian risiko banjir harus diintegrasikan dengan indikator kerentanan seperti kepadatan penduduk, kondisi sosial ekonomi, dan kedekatan dengan daerah rawan banjir untuk mengidentifikasi zona berisiko tinggi secara efektif (Chen et al. 2021 ; Mayer et al. 2025 ).

Dalam konteks ini, ditingkatkan dengan kombinasi pita yang inovatif, analisis citra SAR sangat penting dalam menghasilkan peta banjir berkualitas tinggi (Amitrano et al. 2024 ; Luo dan Pi 2023 ). Cara yang lebih baik untuk memproses data SAR, terintegrasi dengan citra optik, dapat meningkatkan akurasi klasifikasi dengan memberikan nilai hamburan balik yang lebih tepat, yang meningkatkan deteksi banjir. Nilai hamburan balik yang disempurnakan ini, setelah ditentukan, dapat digunakan kembali untuk lokasi dan kondisi yang serupa di tahun-tahun mendatang. Namun, kalibrasi ulang nilai ambang batas diperlukan ketika lokasi atau data SAR berubah untuk memastikan akurasi pemetaan yang berkelanjutan. Teknik klasifikasi berbasis RF bergantung pada sampel pelatihan air dan lahan yang dikumpulkan secara akurat. Mobilitas air banjir, yang tidak pernah statis, berarti bahwa sampel pelatihan yang dikumpulkan dari tahun-tahun sebelumnya mungkin tidak menghasilkan peta berkualitas tinggi.

Setelah pemetaan genangan banjir dilakukan selama beberapa tahun, data dapat dimanfaatkan untuk penilaian risiko banjir yang komprehensif dan untuk mengidentifikasi lokasi yang sesuai untuk tempat perlindungan banjir. Selama peristiwa banjir yang berkepanjangan, tempat perlindungan banjir menjadi penting untuk manajemen bencana yang efektif, menyediakan tempat yang aman bagi masyarakat yang terkena dampak (Hasan et al. 2024 ; Uddin dan Matin 2021 ). Kesesuaian lokasi tempat perlindungan banjir dapat ditentukan melalui analisis GIS, mengintegrasikan peta banjir, data tutupan lahan, dan lapisan tambahan seperti ketinggian, kedekatan dengan permukiman, dan aksesibilitas (Mayer et al. 2025 ). Pendekatan ini memastikan bahwa tempat perlindungan ditempatkan secara strategis di area yang paling membutuhkannya, meminimalkan risiko dan meningkatkan ketahanan masyarakat yang rentan selama peristiwa banjir (Lee et al. 2021 ; Mabahwi et al. 2021 ).

Meskipun untuk tujuan penilaian paparan studi ini, khususnya untuk bangunan, kami melakukan analisis dengan melapisi peta banjir dengan bangunan OpenStreetMap. Akan tetapi, lembaga seperti ICIMOD, ESRI, atau Copernicus menghasilkan kumpulan data tutupan lahan yang juga dapat digunakan untuk estimasi kerusakan tanaman. Mengintegrasikan peta banjir dengan data tutupan lahan memungkinkan pihak berwenang untuk mengevaluasi dampak pada berbagai penggunaan lahan, termasuk pertanian, hutan, dan wilayah perkotaan. Integrasi ini penting untuk memperkirakan kerugian tanaman dan kerusakan infrastruktur, menginformasikan perencanaan pemulihan pascabencana, dan membentuk skema kompensasi (Haque dan Jahan 2015 ; Islam, Ahamed, dkk. 2024 ).

Sangat penting untuk menyadari bahwa keakuratan penilaian kerusakan ini juga dapat dipengaruhi oleh faktor-faktor seperti durasi banjir dan kedalaman genangan (Bofana et al. 2022 ; Cohen et al. 2018 ; Uddin et al. 2019 ). Banjir yang lebih lama atau lebih dalam dapat menyebabkan kerusakan yang lebih besar pada tanaman dan infrastruktur. Oleh karena itu, studi berbasis penginderaan jauh dapat difokuskan pada penilaian kerusakan berbasis lapangan. Terkadang, banyak bangunan mungkin terendam, tetapi tidak boleh dianggap rusak. Studi ini menyoroti keuntungan pemetaan berbasis SAR sambil mengakui keterbatasannya di lingkungan hutan lebat dan perkotaan, yang dikaitkan dengan hamburan sinyal dan efek penundaan. Untuk meningkatkan akurasi pemetaan, upaya selanjutnya harus mengeksplorasi integrasi SAR dengan pencitraan optik dan lapisan geografis tambahan. Dengan demikian, menggabungkan karakteristik banjir—seperti kedalaman dan durasi air—ke dalam pemetaan otomatis dan model estimasi kerusakan akan meningkatkan keandalannya. Pada akhirnya, mengintegrasikan elemen-elemen ini ke dalam pemetaan banjir dan proses estimasi kerusakan akan memperkuat respons bencana dan strategi pemulihan, menyediakan alat yang lebih efektif untuk mengelola dampak banjir berulang di Bangladesh. Lebih jauh lagi, pendekatan multikriteria yang menggabungkan intensitas bahaya, paparan, dan penilaian kerentanan dapat meningkatkan pengambilan keputusan untuk manajemen risiko banjir, memastikan bahwa upaya mitigasi diarahkan kepada masyarakat yang paling berisiko.

6 Kesimpulan
Penelitian ini menyoroti kemanjuran mengintegrasikan data SAR Sentinel-1 dengan klasifikasi berbasis piksel dan metode ML untuk pemetaan banjir yang dipercepat di Distrik Feni selama banjir Agustus 2024. Kami secara efektif memproses kumpulan data besar dengan menggunakan GEE, menghasilkan peta banjir yang tepat waktu. Akibatnya, pendekatan yang mapan dapat digunakan untuk tujuan pemetaan banjir operasional. Teknik berbasis piksel dan pengklasifikasi RF menunjukkan akurasi yang tinggi, dengan metode berbasis piksel yang mengungguli dalam skenario rumit yang bergantung pada titik referensi. Jenis pemetaan ini sangat efektif untuk pemetaan banjir waktu nyata dan memberikan manfaat besar bagi manajemen bencana di wilayah rawan banjir. Meskipun pengklasifikasi berbasis piksel menunjukkan kinerja yang unggul, metodologi ML tetap berharga. Penelitian ini mengonfirmasi kemanjuran teknik ini untuk pemantauan banjir waktu nyata dan menggarisbawahi pentingnya sampel pelatihan yang dapat diandalkan dan ambang batas yang fleksibel. Namun, pengklasifikasi RF sensitif terhadap kualitas data pelatihan dan mungkin mengalami kesalahan klasifikasi di lanskap banjir yang sangat heterogen, terutama ketika data referensi terbatas. Temuan-temuan ini menyoroti pentingnya citra satelit dan ML dalam meningkatkan respons banjir dan taktik pengelolaan di Bangladesh, negara dengan risiko tinggi dari banjir yang disebabkan oleh perubahan iklim. Penelitian lebih lanjut untuk mengoptimalkan teknik pemetaan banjir, termasuk menyempurnakan algoritma klasifikasi dan meningkatkan metode integrasi data, sangat penting untuk meningkatkan akurasi dan keandalan. Efektivitas inisiatif pemetaan banjir operasional bergantung pada ketahanan teknisnya. Alat-alat teknologi canggih dan peningkatan keterlibatan masyarakat sangat penting untuk memperkuat sistem respons banjir. Agenda penelitian yang komprehensif sangat penting untuk mengoptimalkan kemanjuran respons dan pengelolaan banjir di daerah-daerah berisiko tinggi.