Hasil Pencarian  ::  Simpan CSV :: Kembali

"Polusi udara terjadi ketika campuran gas beserta partikel lainnya mencapai konsentrasi berbahaya baik yang terjadi di dalam maupun luar ruangan. Polusi udara juga menjadi penyebab kematian di beberapa negara dengan tingkat polusi yang parah. Salah satu polutan yang berbahaya adalah Partikulat halus (PM_2.5/ Particulate Matter_2.5), dimana dengan diameter kurang dari 2,5 μm, kira-kira 3% dari diameter rambut manusia, partikulat halus ini menjadi perhatian utama dalam pengamatan kualitas udara, dikarenakan PM_2.5 dianggap sebagai agen pembunuh utama yang menyebabkan penyakit kardiovaskular, pernapasan dan kanker. Jakarta dinyatakan sebagai kota dengan tingkat polusi udara yang sangat signifikan, isu pencemaran udara menjadi topik pembicaraan banyak pihak, terutama kondisi kualitas udara di ibu kota. Dalam pengukuran kualitas udara di Provinsi DKI Jakarta jaringan pengamatan observasinya masih sangat terbatas. Sehingga dibutuhkan pemodelan dalam andil untuk melakukan pengukuran kualitas udara dalam hal ini adalah PM_2.5. Pemodelan menggunakan algoritma pemebelajaran mesin atau machine learning random forest digunakan dalam penelitian ini dengan memanfaatkan metode regresi spasial. Adapun variabel yang digunakan berupa unsur meteorologi, partikulat dan gas yang diperoleh dengan memanfaatkan penginderaan jauh. Didapatkan variabel yang paling berpengaruh pada pemodelan spatial temporal PM_2.5 ini adalah NO2 dan CO serta dengan fungsi berkebalikan pada variabel curah hujan dan Ozon. Dalam pemodelan yang telah dilakukan ini didapatkan nilai 0,90 dalam korelasi hasil prediksi dengan nilai observasi, dengan nilai ini maka prediksi yang dilakukan oleh Machine Learning Random Forest terbilang baik, serta nilai RMSE sebesar 7,83 µg/m3 juga memberikan gambaran yang baik bagi model yang dibentuk, serta nilai R² sebesar 0,825 mengisyaratkan akurasi variabel yang digunakan mencapai 82,5 persen. Adapun pasial yang terbentuk dalam pemodelan spasial ini mengikuti pola musim hujan dan musim kemarau, dimana nilai tertinggi dari pola spasial parameter PM_2.5 berada pada bulan JJA (Juni, Juli dan Agustus), serta mulai menurun di bulan SON (September, Oktober, dan November), dan pada akhirnya berada di nilai terendah pada bulan DJF (Desember, Januari dan Februari).

---

Air pollution occurs when a mixture of gases and other particles reach dangerous concentrations both indoors and outdoors. Air pollution is also a cause of death in some countries with severe pollution levels. One of the harmful pollutants is fine particulate matter (PM_2.5), which is less than 2.5 μm in diameter, approximately 3% of the diameter of a human hair. This fine particulate matter is a major concern in air quality observations, as PM_2.5 is considered a major killer agent that causes cardiovascular, respiratory diseases and cancer. Jakarta is declared as a city with a very significant level of air pollution, the issue of air pollution has become a topic of conversation for many parties, especially the condition of air quality in the capital city. In measuring air quality in DKI Jakarta Province, the observation network is still very limited. So that modeling is needed in order to measure air quality, in this case PM_2.5. Modeling using machine learning algorithms or machine learning random forest is used in this study by utilizing the spatial regression method. The variables used are meteorological elements, particulates and gases obtained by utilizing remote sensing. It was found that the most influential variables in the spatial temporal modeling of PM_2.5 were NO₂ and CO and with the opposite function in the rainfall and Ozone variables. In the modeling that has been done, a value of 0.90 is obtained in the correlation of the predicted results with the observed values, with this value, the prediction carried out by Machine Learning Random Forest is fairly good, and the RMSE value of 7.83 µg/m3 also provides a good description of the model formed, and the R² value of 0.825 implies that the accuracy of the variables used reaches 82.5 percent. The spatial pattern formed in this spatial modeling follows the pattern of the rainy season and dry season, where the highest value of the spatial pattern of the PM_2.5 parameter is in the JJA month (June, July and August), and begins to decrease in the SON month (September, October and November), and finally at the lowest value in the DJF month (December, January and February)."

"Gempa bumi adalah bencana alam yang terjadi secara periodik dengan waktu yang tak tentu terutama pada wilayah yang berdiri pada pertemuan lempeng dunia yang dikenal dengan kawasan Ring of Fire. Gempa bumi yang selama ini dianggap terjadi secara tiba-tiba, mengakibatkan risikonya lebih tinggi dibandingkan bencana alam yang lain yang sudah dapat diprediksi. Sehingga pada penelitian ini, dipaparkan sebuah analisa visual deskriptif mengenai potensi prediksi gempa bumi dan juga memaparkan hubungan gempa bumi dengan bencana longsor geologi dengan multi-analisis spasial geografis. Metode Differential Interferometric Synthetic Aperture Radar (DInSAR)- true vertical time series menggunakan satelit Sentinel 1A SLC IW digunakan dalam penelitian ini, terbukti mampu memarkan besaran deformasi permukaan bumi pada kondisi pre-seismic, co-seismic, dan post seismic, sehingga hasil yang didapatkan tidak hanya besarannya, namun juga polanya. Penelitian ini mampu menujukkan adanya korelasi antara gempa bumi dan bencana longsor geologi pada analisis displacement, phase interferogram, coherence, NDVI, kecepatan longsoran, dengan kondisi geologi sekitarnya. Juga memaparkan analisis crossection pra-seismic, co-seismic, dan post seicmic pada salah satu area wilayah peneltian yang menunjukkan bahwa tidak stabilnya wilayah ini. Peneltian ini menguji ketidakstabilan permukaan wilayah penelitian menggunakan data observasi lapangan berupa data titik kontrol geodesi bernama Continously Operating Reference Stations (CORS) dengan id CPSM dengan hasil RMSE sebesar 0.038353582, menandakan data displacement-true vertical sangat kuat. Kemudian metode fase interferogram time-series pengamatan DInSAR menunjukkan adanya potensi dalam memprediksi gempa bumi berdasarkan data pengamatan dari gempa bumi Pasaman 2022.

---

Earthquakes are natural disasters that occur periodically at uncertain times, especially in areas that stand at the junctions of world plates known as the Ring of Fire. Earthquakes that have been considered to occur unexpectedly are caused the risk is higher than other natural disasters that can be predicted. Therefore, this research presents a descriptive visual analysis of earthquake prediction potential and the relationship between earthquakes and geological landslides with multi-spatial geographic analysis. The Differential Interferometric Synthetic Aperture Radar (DInSAR) method - true vertical time series using the Sentinel 1A SLC IW satellite used in this study, proved to be able to display the size of the earth's surface deformation in pre-seismic, co-seismic, and post-seismic conditions, the results obtained are not only the magnitude but also the pattern. This research is able to show the correlation between earthquakes and geological landslides in the analysis of displacement, phase interferogram, coherence, NDVI, landslide velocity, with the surrounding geological conditions. Exposure of pre-seismic, co-seismic, and post-seismic cross section analysis in one area of the research area which shows that this area is unstable. This research tests the surface instability of the research area using field observation data in the form of geodetic control point data called Continously Operating Reference Stations (CORS) with RMSE results of 0.038353582, indicating that the vertical displacement-true data of this research is very strong. Then the DInSAR observation time-series interferogram phase method shows the potential in predicting earthquakes based on observational data from the 2022 Pasaman earthquake. "

"Kebakaran hutan dan lahan adalah kejadian yang mengancam kehidupan dan mata pencaharian, mempengaruhi ekonomi nasional, dan memiliki potensi yang berdampak panjang pada manusia. Saat ini, 62 persen wilayah Kalimantan mengalami kerentanan kebakaran hebat, dengan kira-kira 10 persen dari wilayah tersebut memiliki kerentanan yang sangat tinggi. Untuk mengurangi dampak dari kebakaran hutan dan lahan terhadap kerusakan lingkungan dan manusia, analisis spasial dan temporal perlu dilakukan salah satunya menggunakan metode machine learning. Penelitian ini bertujuan untuk menganalisis pola spatio-temporal titik panas, hubungan antara titik panas dan unsur iklim, dan memproyeksikan potensi titik panas secara spatio-temporal di daerah Kalimantan Timur. Titik panas didapat dari database SiPongi selama periode 2013-2022 diklasifikasikan menggunakan emerging hotspot analysis. Data iklim dari model TerraClimate dengan resolusi 1/240 dinilai pada setiap pola titik panas yang ada dengan menghitung nilai korelasi dan determinasi pada setiap unsur, yaitu curah hujan, suhu maksimum, evapotranspirasi, kecepatan angin, dan kelembaban tanah. Forest-based forecast digunakan untuk melihat potensi titik panas menggunakan berdasar unsur iklim dan geografis lainnya di Kalimantan Timur. Pola sebaran titik panas di Kalimantan Timur secara spasial dari penelitian ini dapat diketahui memiliki pola yang terklasifikasikan atau mengelompok dengan karakteristiknya masing-masing. Hasil penelitian juga menunjukkan bahwa unsur iklim memiliki nilai yang berpengaruh terhadap penentuan lokasi titik panas. Proyeksi titik panas menggunakan machine learning algoritma random forest dalam penelitian ini dapat menunjukkan prakiraan titik panas dengan kesesuaian jumlah daerah potensi titik panas secara spatio-temporal

---

Forest fires are events that threaten lives and livelihoods, affect national economies, and have the potential to have long-lasting impacts on people. Currently, 62 percent of Kalimantan is highly vulnerable to fires, with approximately 10 percent of the area experiencing very high vulnerability. To reduce the impact of forest fires on environmental and human damage, spatial and temporal analysis needs to be carried out, one of which is using machine learning methods. This study aims to analyze the spatio-temporal patterns of hotspots, the relationship between hotspots and climatic elements, and project hotspot potential spatio-temporally in the East Kalimantan region. Hot spots obtained from the Sipongi database for the period 2013-2022 are classified using emerging hotspot analysis. Climate data from the TerraClimate model with 1/240 resolution is assessed for each hotspot pattern by calculating the correlation and determination values for each element, namely rainfall, maximum temperature, evapotranspiration, wind speed, and soil moisture. Forest-based forecasts are used to see potential hotspots based on climate and other geographical elements in East Kalimantan. The spatial distribution pattern of hotspots in East Kalimantan from this study can be seen to have a pattern that is classified or grouped with their respective characteristics. The results also show that the climate element has a value that influences the location of hotspots. Hot spot projections using the machine learning random forest algorithm in this study can show hotspot predictions with the spatio-temporal suitability of the number of potential hot spot areas."

"Dalam keberlangsungan budidaya rumput laut, terdapat dua faktor penting yang dapat memengaruhi keberhasilannya, yaitu pemilihan lokasi dan kondisi musim. Perairan Desa Sumberkima dan Desa Pemuteran dipilih dalam penelitian karena kawasan ini merupakan bagian dari kecamatan dengan garis pantai terpanjang se-Kabupaten Buleleng, dan Kabupaten Buleleng sendiri merupakan kawasan dengan nilai produktivitas perikanan tertinggi se-Provinsi Bali, namun sayang rumput laut belum menyumbang angka yang signifikan. Penelitian ini bertujuan untuk memetakan persebaran dari kualitas air di Perairan Desa Sumberkima dan Desa Pemuteran, dan mengkaji kesesuaian perairannya terhadap aktivitas budidaya rumput laut dalam dua kondisi curah hujan, yaitu bulan basah dan bulan kering. Dalam penelitian ini, algoritma Laili et al. (2015) digunakan untuk estimasi nilai materi padatan tersuspensi (MPT), algoritma Wouthuyzen (2008) digunakan untuk estimasi nilai salinitas, algoritma Arief et al. (2015) digunakan untuk estimasi nilai suhu permukaan laut (SPL), dan algoritma El-Battay et al. (2014) digunakan untuk estimasi nilai konsentrasi oksigen terlarut. Dalam proses klasifikasi kesesuaian, penelitian ini menggunakan pendekatan faktor pembatas guna mengetahui parameter yang berperan sebagai pembatas dari aktivitas budidaya rumput laut di lokasi penelitian. Penelitian ini terdiri atas dua analisis yaitu analisis spasial dan analisis deskriptif yang digunakan untuk menjawab pertanyaan penelitian. Hasil dari penelitian menunjukkan bahwa sebaran kualitas air pada bulan kering dan basah cenderung rendah di kawasan pesisir dan tinggi di kawasan mendekati perairan lepas. Selain itu, ditemukan juga bahwa nilai rata-rata sebaran materi padatan tersuspensi (MPT) pada bulan kering lebih rendah dari pada bulan basah, nilai rata-rata sebaran salinitas pada bulan kering lebih tinggi dari pada bulan basah, nilai rata-rata sebaran suhu permukaan laut (SPL) pada bulan kering lebih tinggi dari pada bulan basah, dan nilai rata-rata sebaran oksigen terlarut pada bulan kering lebih rendah dari bulan basah. Pada bulan kering, luas kawasan sesuai di Perairan Desa Sumberkima dan Pemuteran yaitu 407 ha, dan pada bulan basah yaitu 1.628 ha. Di mana ditemukan bahwa luasan kesesuaian di wilayah penelitian pada bulan basah lebih besar dari pada bulan kering.

---

In the sustainability of seaweed cultivation, there are two important factors that can influence its success, which are location selection and weather conditions. Desa Sumberkima and Desa Pemuteran in Gerokgak sub-district was chosen in the study because this area is located in the sub-district that has the longest coastline in Buleleng Regency, and Buleleng Regency itself is an area that has the highest fishery productivity value in the entire Bali Province, but unfortunately seaweed has not contributed a significant figure. This study aims to map the distribution of water quality in Desa Sumberkima and Desa Pemuteran, and examine the suitability of its waters for seaweed cultivation activities in two condition of rainfall, which are the wet month and the dry month. In this study, the algorithm of Laili et al. (2015) was used to estimate the total of suspended solid matter (TSS), the algorithm of Wouthuyzen (2008) was used to estimate the value of salinity, the algorithm of Arief et al. (2015) was used to estimate sea surface temperature (SST) values, and the algorithm of El-Battay et al. (2014) was used to estimate the value of dissolved oxygen concentrations. In the suitability classification process, this study used a limiting factor approach to determine the parameters that act as a barrier to seaweed cultivation activities at the study site. This study consists of two analyses, which are spatial analysis and descriptive analysis used to answer research questions. The results of the study show that the distribution of water quality in the dry and wet seasons tends to be low in coastal areas and high in areas close to open waters. In addition, it was also found that the average value of the total of suspended solids matter (TSS) in the dry season is lower than in the wet season, the average value of the distribution of salinity in the dry season is higher than in the wet season, the average value of the distribution of surface temperature sea ​​level (SST) in the dry season is higher than in the wet season, and the average value of dissolved oxygen distribution in the dry season is lower than the wet season. In the dry season, the area corresponding to the waters of the Gerokgak District is 407 ha, and in the wet season it is 1.628 ha. Where it was found that the area of ​​suitability of the waters of the research location in the wet season is greater than in the dry season."

"Penelitian dilakukan untuk mengetahui pola sebaran spasial perubahan habitat terumbu karang di kawasan pesisir Pulau Derawan tahun 2003, 2011, dan 2021. Selanjutnya dampak resolusi spasial dan tingkat kemampuan algoritma klasifikasi machine learning pada pemetaan distribusi habitat terumbu karang akan dinilai. Penelitian ini menggunakan citra satelit Landsat 7 ETM+ dan Sentinel-2 untuk memetakan sebaran spasial habitat terumbu karang. Selanjutnya, citra satelit Landsat 9 tahun 2022, citra satelit Sentinel-2 tahun 2022, dan Foto Udara Multispektral tahun 2021 digunakan untuk menilai tingkat kemampuan algoritma klasifikasi pembelajaran mesin untuk resolusi spasial. Algoritma klasifikasi non-parametrik seperti Random Forest (RF), Support Vector Machine (SVM), dan Classification and Regression Tree digunakan (CART).

---

The research was done to determine the pattern of the spatial distribution of changes in coral reef habitat in the coastal areas of Derawan Island in 2003, 2011, and 2021. Furthermore, the impact of spatial resolution and the level of ability of machine learning classification algorithms on mapping the distribution of coral reef habitats will be assessed. The study used Landsat 7 ETM+ and Sentinel-2 satellite images to map the spatial distribution of coral reef habitat. Furthermore, Landsat 9 satellite imagery from 2022, Sentinel-2 satellite imagery from 2022, and Multispectral Aerial Photographs from 2021 are used to assess the ability level of the machine learning classification algorithm for spatial resolution. Non-parametric classification algorithms such as Random Forest (RF), Support Vector Machine (SVM), and Classification and Regression Tree are used (CART)."

"Provinsi Sumatera Selatan merupakan daerah produksi karet terbesar di Indonesia pada tahun 2021 yaitu sebanyak 870.966 ton. Pusat Penelitian Karet Sembawa merupakan lembaga penelitian yang dapat menghasilkan lateks yang mana tanaman karet (Hevea brasiliensis) merupakan komoditas utama yang diteliti. Umur tegakan merupakan salah satu variabel penting karena dapat memprediksi produktivitas lateks. Tujuan dari penelitian ini adalah untuk memetakan distribusi umur tegakan karet menggunakan data nilai spektral band dan indeks vegetasi serta hubungannya terhadap produktivitas lateks. Penginderaan jauh menggunakan citra optik multispektral Sentinel-2 dapat digunakan untuk mengestimasi umur tegakan karena memberikan informasi dengan efisiensi waktu yang lebih baik serta kemudahan mendapatkan data pada area yang susah untuk dijangkau. Nilai spektral band yang kemudian digabungkan menjadi indeks vegetasi diasumsikan dapat mempresentasikan umur tegakan karena kerapatan atau kehijauan kanopi tegakan karet memiliki variasi nilai yang berbeda antara tegakan yang berumur muda dan tegakan yang berumur tua. Indeks vegetasi yang digunakan adalah Normalized Difference Vegetation Index (NDVI), Normalized Difference Yellowness Index (NDYI), serta Soil Adjusted Vegetation Index (SAVI). Pemodelan ini dapat dibentuk melalui pendekatan model statistik yang berupa metode regresi linear berganda karena dengan menggunakan lebih banyak variabel, model yang dihasilkan akan lebih akurat dan presisi. Hasil dari pemodelan yang menggunakan pendekatan model statistik berbasis data citra Sentinel-2 memiliki tingkat akurasi lebih baik (RMSE = 4,767 tahun dan R2 = 0,308) dari beberapa penelitian terdahulu.

---

South Sumatra Province is the largest rubber-producing region in Indonesia in 2021, with a total production of 870,966 tons. Sembawa Rubber Research Center is a research institution that focuses on studying the main commodity, rubber trees (Hevea brasiliensis). The rubber trees in the research area have different age groups and conditions. Estimation of rubber stand age an important variable as it can predict latex productivity. The objective of this research is to map the distribution of rubber tree ages using spectral band values and vegetation indices data, and to examine their correlation with latex productivity. Remote sensing, using multispectral optical images from Sentinel-2, can be used to estimate the age of rubber trees, as it provides information more efficiently and allows for data acquisition in hard-to-reach areas. The combined spectral band values, assumed to represent rubber tree age, can vary between young and old rubber tree canopies in terms of density or greenness. The vegetation indices used in this study are the Normalized Difference Vegetation Index (NDVI), Normalized Difference Yellowness Index (NDYI), and Soil Adjusted Vegetation Index (SAVI). Statistical model approach with multiple linear regression is employed, as using more variables can result in a more accurate and precise model. The results indicate that the statistical model using Sentinel-2 image data has better accuracy (RMSE = 4.767 years and R2 = 0,308) compared to previous research."

"Upwelling adalah proses penting yang mengangkut nutrisi ke sistem biologis yang terkait dengan jaring makanan di kolom air. Penelitian ini bermaksud untuk menyelidiki karakteristik fenomena upwelling dengan menganalisis kesuburan historis perairan Banggai melalui dua indikator utama, yaitu suhu permukaan laut (SST), dan klorofil-a, menggunakan data citra satelit, serta melihat hubungan antara fenomena upwelling dan produksi perikanan tangkap di perairan Banggai. Analisis dilakukan dengan data resolusi spasial 4 kilometer menggunakan SST (NOAA AVHRR Pathfinder Version 5.3 Collated Global), data konsentrasi klorofil (Ocean Color SMI), dan analisis regresi polinemal untuk menguji hubungan fenomena upwelling dengan produksi perikanan tangkap. Hasil pola dispersi klorofil-a dari tahun 1998 hingga 2022 dikumpulkan pada bulan Agustus 2004, 2006 dan 2015, dengan konsentrasi klorofil rata-rata 0,49 mg/m3 dan kisaran suhu permukaan laut 23–24°C. Hasil trend dekomposisi dari sebaran klorofil-a konsentrasi tinggi di perairan Banggai, pola upwelling terjadi setahun sekali pada setiap bulan Agustus. Sementara itu, dekomposisi suhu permukaan laut pada grafik tren musiman menunjukkan nilai yang rendah, dan suhu tersebut dapat meningkat tiga kali lipat dalam satu tahun. Hal ini terkait dengan periode El-Nino. Berdasarkan penelitian ini, persebaran klorofil-a di Banggai paling besar terjadi pada periode El Nino. Pengaruh hubungan antara fenomena upwelling dengan jumlah ikan yang ditangkap melalui grafik fluktuasi tidak menunjukkan pengaruh yang signifikan.

---

Upwelling is an important process that transports nutrients to biological systems linked to food webs in the water column. This study intends to investigate the characteristics of the upwelling phenomena by analyzing the historical fertility of Banggai waters via two key indicators, namely sea surface temperature (SST), and chlorophyll-a, using satellite imagery data, as well as looking at the relationship between the phenomenon of upwelling and capture fisheries production in Banggai waters. The analysis was conducted with a data spatial resolution of 4 kilometers using SST (NOAA AVHRR Pathfinder Version 5.3 Collated Global), chlorophyll concentration (Ocean Color SMI) data, and polynemal regression analysis to examine the relationship of the upwelling phenomenon with capture fisheries production. Results of chlorophyll-a dispersion patterns from 1998 to 2022 were collected in August 2004, 2006 and 2015, with an average chlorophyll concentration of 0.49 mg/m3 and a sea surface temperature range of 23–24°C. The result of trend decomposition from the distribution of high concentrations of chlorophyll-a in Banggai waters, the pattern of upwelling occurs once a year in every August. Meanwhile, the decomposition of sea surface temperature on the seasonal trend chart shows a low value, and the temperature can increase three times in one year. This is related to the El-Nino period. Based on this study, the chlorophyll-a distribution in Banggai was greatest during the El Nino period. The effect of the relationship between the upwelling phenomenon and the amount of fish caught through the fluctuation graph does not show a significant effect."

"Dinamika keanekaragaman hayati seringkali dikaitkan dengan perubahan lingkungan, termasuk kedalaman perairan, produktivitas, sifat sedimen, ketersediaan oksigen, morfologi, serta gangguan fisik lainnya. WPPNRI 573 adalah salah satu dari 11 wilayah pengelolaan perikanan di Indonesia yang memiliki karakteristik geografis dan oseanografis yang unik. Isu yang berkembang pada WPPNRI 573 antara lain eksploitasi berlebih, degradasi habitat, pencemaran dan penangkapan tidak ramah lingkungan, serta masuknya spesies invansif yang terjadi karena kurangnya wawasan dan perhatian pemerintah, serta kurangnya sumberdaya manusia dalam hal pengelolaan. Penelitian ini bertujuan untuk menyajikan informasi terkait resiko ancaman kepunahan keanekaragaman hayati serta variasi morfologi yang mempengaruhinya. Metode yang digunakan dalam penelitian ini adalah analisis spasial dan spasio-temporal dengan Red List Index sebagai model penilaian distribusi wilayah resiko keanekaragaman hayati. Sampel data keanekaragaman hayati dikumpulkan dari GBIF.org dalam rentang tahun 1989-2023. Hasil penelitian mengungkapkan bahwa resiko terhadap ancaman kepunahan kehati di wilayah WPPNRI 573 cenderung rendah. Spesies lebih dominan berdistribusi secara mengelompok pada zona epipelagik dan semakin terdistribusi secara menyebar pada zona laut yang semakin dalam. Morfologi berpengaruh signifikan dalam level moderat terhadap distribusi keanekaragaman pada kategori nilai resiko ancaman yang sama. Kedalaman memiliki pengaruh yang paling besar, diikuti dengan lereng. Sedangkan orientasi, kelengkungan, dan kekasaran tidak memiliki pengaruh yang signifikan.

---

The biodiversity dynamics are often associated with environmental changes, including water depth, productivity, sediment characteristics, oxygen availability, geomorphology, and other physical disturbances. WPPNRI 573 is one of 11 fisheries management areas in Indonesia that has unique geographical and oceanographic characteristics. Issues that occurred in WPPNRI 573 include overexploitation, habitat degradation, pollution, and non-eco-friendly fishing, as well as the entry of invasive species that occur due to lack of government insight and attention, and also lack of human resources in terms of management. This study aims to present information about the risk of biodiversity extinction threats and geomorphological variations that affect it. The method used is spatial and spatial-temporal analysis with Red List Index as a model for assessing the distribution of biodiversity risk areas. Samples of biodiversity data were collected from GBIF.org between 1989 and 2023. The results revealed that the risk of biodiversity extinction in the WPPNRI 573 area tends to be low of biodiversity extinction risk status. Species are predominantly distributed in clusters in the epipelagic zone, and also dispersed in deeper marine zones. Geomorphology has a significant moderate effect on the distribution of diversity in the same threat risk value category. Depth has the most influence, followed by a slope. While aspect, curvature, and ruggedness do not have a significant effect."