Pemantauan area pasca‐kebakaran menggunakan citra satelit merupakan langkah krusial dalam mengurangi risiko kebakaran hutan dan merencanakan restorasi ekosistem. Penelitian ini mengembangkan model hybrid yang mengintegrasikan encoder ASPP dari DeepLabv3+ dan decoder dari U-Net disertai spatial attention gate pada skip connection dengan memanfaatkan data Sentinel-1 (polarisasi VV+VH) dan Sentinel-2 (kanal 2, 3, 4, 8, 12) pada resolusi spasial 10 m. Data citra diambil dari area Tanjung Jabung Barat untuk lahan gambut serta dari Bromo dan Magepanda untuk lahan savana. Teknik augmentasi seperti random flip horizontalvertikal, rotasi sudut acak, dan penyesuaian brightness-contrast diterapkan pada tahap preprocessing sehingga menghasilkan 411 triplet citra. Hasil evaluasi menunjukkan bahwa model hybrid mencapai nilai Intersection over Union (IoU) tertinggi untuk area terbakar, yaitu 0,8263, dengan akurasi keseluruhan 91,49%, mengungguli DeepLabv3+ (IoU 0,8165 dan akurasi 91,07%) dan Spatial Attention U-Net (IoU 0,8031 dan akurasi 89,17%). Dari sisi Dice coefficient, model hybrid juga memimpin dengan skor 0,9064, melampaui DeepLabv3+ dengan 0,8990 dan Spatial Attention U-Net dengan 0,8933. Temuan ini menegaskan model hybrid sebagai solusi optimal untuk aplikasi yang menuntut akurasi tertinggi.

---

Monitoring post‐fire areas using satellite imagery is a crucial step in reducing wildfire risk and planning ecosystem restoration. This study develops a hybrid model integrating the Atrous Spatial Pyramid Pooling (ASPP) encoder from DeepLabv3+ with the U-Net decoder, augmented by spatial attention gates on each skip connection using Sentinel-1 data (VV+VH polarizations) and Sentinel-2 data (bands 2, 3, 4, 8, and 12) at 10 m spatial resolution. Image data were acquired from Tanjung Jabung Barat for peatland and from Bromo and Magepanda for savanna. Augmentation techniques such as random horizontal-vertical flips, random rotations, and brightness–contrast adjustments were applied during preprocessing, resulting in 411 image triplets. Evaluation results show that the hybrid model achieved the highest Intersection over Union (IoU) for burned areas at 0.8263 with an overall accuracy of 91.49%, outperforming DeepLabv3+ (IoU 0.8165, accuracy 91.07%) and Spatial Attention U-Net (IoU 0.8031, accuracy 89.17%). In terms of Dice coefficient, the hybrid model also leads with a score of 0.9064, surpassing DeepLabv3+ (0.8990) and Spatial Attention U-Net (0.8933). These findings confirm the hybrid model as the optimal solution for applications demanding the highest segmentation accuracy.