Indeks risiko kebakaran gambut
Karhutla Intelijen, dibuat oleh Gias Oktario · data cuaca sampai 14 Oktober 2026
Per 14 Oktober 2026, ±3.807.543 ha dari ±14.964.013 ha lahan gambut Indonesia (25,4%) berada pada risiko kebakaran tinggi atau lebih untuk 7 hari ke depan. Peta dihitung per kotak 1 km; diuji pada kebakaran gambut 2021-2025 yang tidak dipakai saat melatih, modelnya mencapai AUC 0,91 dan 10% area paling berisiko memuat 70% kebakaran gambut.
Buka peta, lalu Lapisan, Risiko kebakaran gambutKenapa gambut, kenapa air
Gambut terbakar karena kering, dan gambut kering karena air tanahnya turun. Api gambut membara di bawah permukaan, sulit dipadamkan, dan menghasilkan asap paling pekat. Di peta Karhutla Intelijen, api di gambut sekitar seperlima dari jumlah kebakaran tetapi hampir separuh dari luas terdampak. Indeks ini menunjukkan di mana gambut sudah cukup kering untuk terbakar, sebelum ada api, supaya pembasahan, patroli, dan larangan membakar bisa didahulukan di tempat yang tepat.
Cara kerja
- Sel gambut. Seluruh lahan gambut Indonesia (peta gambut Kementerian Pertanian, ±14.964.013 ha) dibagi ke 805 sel 0,25 derajat (sekitar 27 km), mengikuti grid model cuaca ECMWF.
- Cuaca harian sejak 2011. Hujan dan suhu maksimum harian setiap sel dari NASA POWER (MERRA-2 dengan koreksi curah hujan) untuk hari yang sudah lewat, data hari-hari terakhir dari model ECMWF, dan prakiraan ECMWF untuk 7 hari ke depan.
- Drought Code (DC). Ukuran kekeringan lapisan organik dalam dari Canadian Forest Fire Weather Index System, yang dipakai Sistem Peringkat Bahaya Kebakaran Indonesia (BMKG) untuk gambut dan kabut asap. Rumus dan faktor panjang hari ekuator mengikuti implementasi terbuka xclim (Ouranos) yang mengikuti kode GFWED NASA. Kelas BMKG: rendah di bawah 140, sedang 140-260, tinggi 260-350, ekstrem di atas 350. Kabut asap parah dari gambut menjadi sangat mungkin di atas sekitar 400 (Field dkk. 2004).
- Keetch-Byram Drought Index (KBDI). Defisit air tanah dalam milimeter, dengan curah hujan tahunan rata-rata tiap sel.
- Hujan 30 hari dan hari tanpa hujan (berturut-turut di bawah 1 mm, definisi BMKG), serta berapa hari kering lagi sampai DC melewati 350.
- Model peluang api. Regresi logistik yang belajar dari kebakaran gambut sungguhan: setiap sel-hari diberi label apakah satelit VIIRS mendeteksi api di gambut sel itu dalam 7 hari berikutnya. Masukannya DC (dengan titik belok di batas kelas BMKG), KBDI, hujan, hari tanpa hujan, musim, dan riwayat sel itu sendiri.
Peta 1 km
Cuaca hanya tersedia per sekitar 27 km, tetapi kebakaran gambut tidak tersebar rata di dalam satu wilayah cuaca: gambut yang sudah rusak dan dikanal terbakar berulang, gambut hutan yang utuh jauh lebih jarang. Peta dihitung untuk 148.195 kotak 1 km. Kekeringan setiap kotak dibaurkan dari pusat sel-sel cuaca di sekitarnya, sehingga tidak ada lompatan di batas sel, lalu digabung dengan riwayat kebakaran gambut di kotak itu dan tetangganya (arsip VIIRS 375 m) dan jarak ke permukiman. Tingkat di peta adalah peluang api di kotak 1 km dalam 7 hari: rendah di bawah 0,1%, sedang 0,1-0,5%, tinggi 0,5-2%, sangat tinggi 2-5%, ekstrem 5% ke atas. Rata-rata lahan gambut 0,058% per minggu, jadi ekstrem berarti puluhan kali rata-rata.
| AUC peta 1 km pada tahun uji | 0,91 |
| AUC model 27 km yang dibaurkan ke 1 km, sebagai pembanding | 0,87 |
| Bagian kebakaran gambut yang jatuh di 10% area paling berisiko, peta 1 km | 70% |
| Sama, model 27 km | 64% |
Karena ada sekitar 700 juta kotak-hari, model 1 km belajar dari setiap kebakaran dan sampel acak dari sisanya (case-control), lalu titik potongnya dikoreksi agar peluangnya berlaku untuk seluruh populasi.
Akurasi, diuji pada tahun yang tidak dipakai melatih
Angka di bawah untuk model sel 27 km yang menjadi dasar kekeringan wilayah.
Model dilatih pada 2012-2020 lalu diuji pada 2021-2025 (1.464.295 sel-hari), termasuk El Nino 2023. Angka di bawah dari tahun uji itu saja.
| AUC model (kemampuan membedakan minggu yang akan terbakar dari yang tidak) | 0,86 |
| AUC Drought Code saja | 0,71 |
| AUC KBDI saja | 0,71 |
| Bagian dari semua minggu kebakaran gambut yang jatuh di 10% sel-hari paling berisiko menurut model | 50% |
| Brier skill score (0 = tidak lebih baik dari rata-rata, 1 = sempurna) | 0,10 |
Seberapa sering api menyusul, menurut kelas Drought Code BMKG
| Kelas DC | Sel-hari | Api gambut dalam 7 hari |
|---|---|---|
| rendah | 1.407.361 | 2,7% |
| sedang | 41.055 | 12,1% |
| tinggi | 9.305 | 22,9% |
| ekstrem | 6.574 | 33,7% |
Per tahun uji
| Tahun | AUC | Minggu kebakaran |
|---|---|---|
| 2021 | 0,83 | 6.960 |
| 2022 | 0,82 | 6.059 |
| 2023 | 0,89 | 18.126 |
| 2024 | 0,85 | 8.515 |
| 2025 | 0,83 | 7.611 |
Kalibrasi: peluang yang disebut model dibanding yang benar-benar terjadi
| Peluang menurut model | Terjadi | Sel-hari |
|---|---|---|
| 2,1% | 1,7% | 1.290.839 |
| 13,8% | 9,9% | 116.605 |
| 24,1% | 16,1% | 30.912 |
| 34,4% | 25,4% | 12.859 |
| 44,4% | 35,3% | 6.837 |
| 54,5% | 49,2% | 3.629 |
| 64,3% | 60,1% | 1.705 |
| 74,3% | 74,1% | 648 |
| 83,9% | 86,6% | 253 |
| 90,8% | 50% | 8 |
Wilayah gambut paling berisiko sekarang
| Provinsi | Gambut berisiko tinggi atau lebih |
|---|---|
| Kalimantan Tengah | ±2.782.185 ha |
| Riau | ±1.244.758 ha |
| Sumatera Selatan | ±1.201.667 ha |
| Kalimantan Barat | ±936.121 ha |
| Jambi | ±596.500 ha |
| Papua Selatan | ±530.231 ha |
| Kalimantan Timur | ±144.671 ha |
| Kalimantan Selatan | ±119.180 ha |
| Sel (provinsi, koordinat) | Peluang 7 hari | DC | Hari tanpa hujan |
|---|---|---|---|
| Kalimantan Tengah (-3.13, 113.88) | 85,5% | 782 | 13 |
| Kalimantan Tengah (-3.13, 114.13) | 84,5% | 805 | 13 |
| Kalimantan Tengah (-2.63, 112.88) | 83,1% | 713 | 13 |
| Kalimantan Tengah (-2.88, 112.88) | 82,9% | 688 | 13 |
| Sumatera Selatan (-3.38, 105.38) | 82,9% | 722 | 20 |
| Sumatera Selatan (-3.88, 105.88) | 82,4% | 808 | 20 |
| Sumatera Selatan (-3.13, 105.38) | 81,5% | 720 | 20 |
| Sumatera Selatan (-3.38, 105.63) | 81,3% | 752 | 20 |
| Sumatera Selatan (-3.38, 105.13) | 81,3% | 691 | 16 |
| Sumatera Selatan (-3.13, 105.13) | 81,2% | 691 | 20 |
| Kalimantan Selatan (-2.63, 114.88) | 81,2% | 771 | 13 |
| Kalimantan Tengah (-2.13, 113.88) | 80,9% | 691 | 13 |
Rujukan
- de Groot, W. J. dkk. (2006). Development of the Indonesian and Malaysian Fire Danger Rating Systems. Mitigation and Adaptation Strategies for Global Change 12, 165-180.
- Field, R. D., Wang, Y., Roswintiarti, O., Guswanto (2004). A drought-based predictor of recent haze events in western Indonesia. Atmospheric Environment 38, 1869-1878.
- Van Wagner, C. E. (1987). Development and structure of the Canadian Forest Fire Weather Index System. Canadian Forestry Service.
- Keetch, J. J., Byram, G. M. (1968). A drought index for forest fire control. USDA Forest Service.
- Implementasi terbuka: xclim (github.com/Ouranosinc/xclim), cffdrs-ng (github.com/nrcan-cfs-fire/cffdrs-ng), GFWED (NASA GISS).
- Data: NASA POWER, ECMWF open data (CC BY 4.0), NASA FIRMS VIIRS, peta gambut Kementerian Pertanian.
Akses data
Peta risiko bisa dilihat semua orang di karhutla.si. Data lengkap per kotak dan per sel beserta hasil model tersedia untuk instansi, jurnalis, dan peneliti dengan kunci akses; permintaan kunci lewat halaman Intel di peta.