Kebakaran lahan gambut dapat ditanggulangi dengan melakukan analisis kerapatan vegetasi menggunakan model deep learning dan augmentasi data. Dalam penerapannya model deep learning membutuhkan banyak dataset agar mencapai hasil yang optimal. Penelitian ini menggunakan dataset yang diambil menggunakan Unmanned Aerial Vehicle (UAV) dari hutan lindung Liang Anggang, Kalimantan Selatan. Tantangan utama dalam pengambilan dataset adalah terbatasnya area yang dapat dijangkau oleh UAV akibat kedekatannya dengan Bandara Syamsudin Noor, yang berada di zona terbang terbatas. Drone hanya diizinkan terbang hingga ketinggian maksimum 60 meter, dengan sebagian besar data diambil pada ketinggian 20 meter untuk memastikan cakupan area yang memadai. Selain itu, proses pelabelan citra juga membutuhkan waktu dan tenaga yang cukup besar. Hal ini diatasi dengan penggunaan augmentasi data untuk meningkatkan variasi dan jumlah dataset. Generative Adversarial Networks (GANs) digunakan sebagai salah satu metode augmentasi data untuk menghasilkan dataset baru. Dalam penerapan segmentasi pada citra tutupan lahan yang memiliki variasi vegetasi dan bentuk yang beragam, model SegFormer menjadi pilihan pada penelitian ini. SegFormer dapat memahami konteks global pada sebuah citra dengan objek yang bervariasi. Hasil dari penelitian ini adalah model SegFormer dengan bantuan augmentasi data menghasilkan accuracy sebesar 94% dan mean Intersection Over Union sebesar 89%. Sedangkan model SegFormer tanpa bantuan augmentasi data menghasilkan accuracy sebesar 60% dan mean Intersection Over Union sebesar 36%. Hasil tersebut membuktikan bahwa performa model SegFormer yang dilatih dengan bantuan augmentasi data lebih baik dibandingkan model SegFormer yang dilatih tanpa bantuan augmentasi data, dengan peningkatan rata-rata accuracy sebesar 34% dan peningkatan rata-rata IoU sebesar 53%.