BAB III DATA DAN METODOLOGI
3.1 Data
Dalam tugas akhir ini data yang di gunakan yaitu data meteorologi dan data citra satelit ASTER. Wilayah penelitian tugas akhir ini adalah daerah Bandung dan sekitarnya yang memiliki letak geografis 6o48’ LS – 7o3’ LS dan 107o 28’ BT – 107o 45’ BT.
3.1.1 Data Meteorologi
Data meteorologi terdiri dari temperatur udara, kecepatan angin, kelembaban udara, lama penyinaran dan tekanan udara, diperoleh dari Badan Meteorologi dan Geofisika. Data meteorologi yang digunakan yaitu data harian untuk tanggal 12 Juni 2003 dan 7 Oktober 2005.
3.1.2 Data Citra Satelit ASTER
Citra satelit ASTER yang digunakan terdapat 2 scene, direkam pada tanggal 12 Juni 2003 dan 7 Oktober 2005, dengan geodetic datum: WGS 84 dan proyeksi peta SUTM 48. Citra asli yang belum diolah dapat dilihat pada gambar A-1 dan A-2, lampiran A
3.2 Metodologi
Metodologi penelitian tugas akhir ini dapat dilihat pada gambar 3.1.
3.2.1 Pengolahan Citra
Pengolahan citra ASTER dilakukan untuk mendapatkan nilai reflektansi, albedo ( α ),indeks vegetasi (NDVI), fraksi tutupan vegetasi (fc), emisivitas (ε), temperatur permukaan (Ts), indeks luas daun (LAI), lebar parameter kekasaran (Zom dan Zoh),
ketinggian vegetasi (h) dan ketinggian perpindahan atau displacement height (d). Parameter-parameter ini akan menjadi input dalam perhitungan evapotranspirasi secara spasial.
•
Reflektansi ( α )
Untuk menghitung reflektansi menggunakan persamaan berikut (Guzman, 2007);
α=
Lλ πd 2 …………………………………………………………….(3.1) ESUN λ cos θ z
dimana,
α = reflektansi (-) Lλ = Spektral radian (Wm-2sr-1µm-1) d = Jarak relatif matahari-bumi (AU) ESUNλ = Band dependant exoatmospheric irradiance (Wm-2µm-1) (Tabel B-1, Lampiran B)
θz = Sudut zenit matahari (derajat)
•
Albedo
Untuk menghitung albedo menggunakan persamaan berikut (Liang,2001) ; α ASTER = 0.484α 1 + 0.335α 3 − 0.324α 5 + 0.551α 6 + 0.305α 8 − 0.376α 9 − 0.0015 ..(3.2)
dimana,
α = reflektansi (-) α i adalah albedo dengan i adalah band 1-9
•
NDVI
NDVI dihitung daripersamaan berikut (Guzman, 2007) :
NDVI = dimana,
ρ nir − ρ red ……………………………………………………….......(3.3) ρ nir + ρ red
ρ nir reflektansi pada band near infrared (band 3 pada ASTER) ρ red reflektansi band visible (band 2 pada ASTER)
•
Fraksi tutupan vegetasi (fc)
Fc digunakan untuk membedakan daerah yang ditutupi vegetasi dan tidak . Fc dihitung menggunakan persamaan (Carlson & Ripley, 1997) ; NDVI − NDVI min f c = NDVI max − NDVI min
2
…………………………………………………(3.4)
fc = fraksi tutupan vegetasi NDVImin dan NDVImax diambil dari nilai terendah dan tertinggi dari histogram
• Emisivitas
Menghitung nilai emissivitas ( ε 0 ) menggunakan rumus sebagai berikut (Valor & Caselles, 1996) ;
ε 0 = ε c f c + ε s (1 − f c ) + 4(dε ) f c (1 − f c ) ………………………………………(3.5) dimana,
ε0 = emissivitas εc = emissivitas permukaan dengan tutupan vegetasi penuh εs = emissivitas dari tanah fc = fraksi tutupan vegetasi dε = parameter struktur vegetasi 0.015
• Indeks luas daun (LAI)
LAI aktif adalah indeks luas daun yang aktif berkontribusi terhadap transfer uap ke bagian atasnya. Dimana LAI diperoleh dengan persamaan (Kustas & Norman, 1997); LAI =
log(1 − f c ) ……………………………………………………………...(3.6) − 0. 5
dimana,
f c = fraksi tutupan vegetasi (-)
• Parameter kekasaran (Zom dan Zoh)
Zom diperoleh dari persamaan berikut (Jia et all, 1999) ; Zom = EXP (−7.13 + 9.33 * NDVI ) ……………………………………………...(3.7) dimana, Zom =lebar kekasaran atau roughness length (m) Zoh diperoleh dari persamaan berikut (Jia et all, 1999) ; Zoh= 0.1 Zom………………………………………………………...................(3.8) Zoh= lebar kekasaran (m)
• Ketinggian vegetasi (h)
diperolah dari persamaan berikut (Jia et all, 1999) ; h=
z om ……………………………………………………………………...(3.9) 0.136
dimana, h = ketinggian vegetasi (m) Zom = lebar kekasaran (m)
•
Displacement height (d)
Diperoleh dari persamaan berikut (Jia et all, 1999) ; d=
2 h ……………………………………………………………………… (3.10) 3
dimana, d = displacement height (m) h = ketinggian vegetasi (m)
•
Spektral Radian (Lλ)
Nilai piksel (DN) dari band 13 (band TIR) diubah menjadi ke spektral radian (Lλ) (Lu dan Weng, 2005) ; Lλ = (DN – 1) * UUC ………………………………………………………..(3.11) dimana, Lλ = Spektral radian (Wm-2sr-1µm-1) DN = Digital Number atau nilai piksel (-) UCC = Unit conversion coefficient (-) (Tabel B-2, Lampiran B)
•
Temperatur benda hitam (Tb)
mengubah nilai spektral radian ke temperatur benda hitam menggunakan persamaan berikut (Lu dan Weng, 2005) : Tc =
C2 …………………………………………………………..............(3.12) C1 + 1) λc ln( 5 λcπLλ
dimana, Tc = temperatur benda hitam dalam Kelvin (K) C2 = konstanta radiasi kedua (0.0143879 m·K) C1 = konstanta radiasi pertama (3.74151. 10−16 W·m−2·sr−1·µm−1) Lλ = spektral radian dalam W m−3 sr−1 µm−1
λc = panjang gelombang sensor (1.75 µm)
•
Temperatur Permukaan (Ts)
Nilai temperatur yang diperoleh dari langkah 2 merujuk pada benda hitam. Oleh karena itu perlu dilakukan koreksi emisivitas (ε). Nilai emisivitas diperoleh
dari
pengolahan band VNIR (persaman 4.5) berdasarkan jenis-jenis tutupan lahan. Kemudian baru diperoleh nilai temperatur permukaan dengan menggunakan persamaan berikut (Lu & Weng, 2005) Ts =
Tc ………………………………………………………………(3.13) 1 + (λ * Tc / ρ ) ln ε 0
dimana, Ts = Temperatur permukaan Tc = Temperatur benda hitam
λ = panjang gelombang (10.6 µm) ρ=h.c/σ = (1.438 .10−2 m·K), σ = konstanta Boltzmann (1.38.10−23 JK−1), h = konstanta Planck (6.626 .10−34 J·s) c = kecepatan cahaya (2.998 .108 ms−1)
ε 0 = emissivitas permukaan
3.2.2 Klasifikasi Citra
Klasifikasi citra dilakukan untuk kedua scene citra untuk memperoleh klasifikasi tutupan lahan. Klasifikasi dilakukan dengan menggunakan metode Unsupervised classification. Dari hasil klasifikasi kedua citra ini dapat dilihat perubahan luas masing-masing jenis tutupan lahan. Klasifikasi data adalah suatu proses dimana semua pixel dari suatu citra yang mempunyai penampakan spektral yang sama akan diidentifikasikan. Kita mempunyai sejumlah pilihan untuk membuat suatu klasifikasi, kita dapat memilih jenis keluaran yang diinginkan dan juga pengolahan data yang diinginkan. Dalam proses klasifikasi kita akan membuat suatu data set klasifikasi atau suatu algoritma dari tiap-tiap baris yang mempresentasikan suatu kelas. Klasifikasi digunakan untuk mengklasifikasi keseluruhan suatu dataset menjadi kelaskelas. Kelas-kelas dapat mengidentifikasi area hutan, perkebunan, mineral, urban. Suatu dataset klasifikasi biasanya diperlihatkan dengan menggunakan suatu tampilan baris klasifikasi dalam algoritma. Tampilan baris klasifikasi dapat menampilkan banyak kelas, dengan warna yang berbeda-beda untuk masing-masing kelas.
Kita menggunakan klasifikasi unsupervised ketika kita mempunyai sedikit informasi tentang dataset kita. Klasifikasi data unsupervised memulai mengklarifikasi dari kelas-kelas atau wilayah-wilayah yang kita spesifikasikan atau dari jumlah nominal kelas. Klasifikasi unsupervised secara sendiri akan mengatagorikan semua pixel
menjadi kelas-kelas dengan menampakan spektral atau karateristik spektral yang sama. Hasil klasifikasi dipengaruhi oleh parameter-parameter yang kita tentukan dalam kotak dialog klasifikasi unsupervised. Klasifikasi unsupervised akan menghitung secara statistik untuk membagi dataset menjadi kelas-kelas sesuai dengan jumlah kelas yang kita inginkan.
Biasanya
hasil-hasil
klasifikasi
unsupervised
harus
diinterpretasi
dengan
menggunakan data yang sebenarnya di lapangan untuk menentukan kelas-kelas yang mempresentasikan area atau wilayah sebenarnya di lapangan. Dari informasi ini mungkin kita bisa memutuskan untuk mengkombinasikan atau menghapus kelaskelas yang diinginkan. Kita perlu juga untuk memberi warna dan nama untuk masingmasing kelas.
3.3 Pengolahan data meteorologi dan uji hipotesis
3.3.1 Konversi Kecepatan angin (U) Data kecepatan angin yang diperoleh dari stasiun merupakan kecepatan angin pada ketinggian 10 m. Sehingga perlu dilakukan konversi kecepatan angin 10 m menjadi kecepatan angin pada ketinggian 2 m.
…………………………………………………(3.14) ln ( 67 ,8 z − 5,42 )
U 2 = U z
4 ,87
dimana, U 2 = kecepatan angin pada ketinggian 2 m, (m/s).
U z = kecepatan angin pada ketinggian z m, (m/s).
z
= ketinggian alat ukur kecepatan angin, (m)
3.3.2 Spasialisasi data meteorologi
Untuk memperoleh nilai evapotranspirasi spasial maka data meteorologi yang digunakan harus spasial. Nilai piksel dari citra diregresikan dengan data meteorologi
hasil pengukuran lapangan dengan menggunakan metode kuadrat terkecil (persamaan 2.6, 2.7 dan 2.8). Persamaan regresi ini selanjutnya digunakan untuk memperoleh data pada daerah-daerah yang tidak memiliki data lapangan sehingga diperoleh suatu data spasial.
3.3.3 Perhitungan tekanan uap jenuh ( e s )
Tekanan uap jenuh dihitung menggunakan persamaan (Tetens, 1930):
17 ,27 T ……………………………………………………(3.15) T + 237 ,3
e s = 0 ,611 exp
T = suhu udara rata-rata, (o C). e s = tekanan uap jenuh pada suhu T , (kPa)
3.3.4 Perhitungan tekanan uap aktual ( e a )
Tekanan uap jenuh dihitung menggunakan persamaan dihitung dengan: e a = e s x RH …………………………………………………………………(3.16)
dimana, RH = kelembaban relatif rata-rata, (%)
3.3.5 Perhitungan radiasi matahari (Rs)
Data lama penyinaran merupakan merupakan persentase lamanya penyinaran dalam satu hari. Data lama penyinaran ini di konversikan ke dalam satuan jam dengan mengalikan dengan standar lama penyinaran matahari di Indonesia yaitu 8 jam. Selanjutnya digunakan sebagai input untuk memperoleh nilai radiasi matahari. dan Rs dihitung dengan :
R s = ( 0 ,25 + 0 ,5
n N
) Ra ……………………………………………………(3.17)
dimana,
n = lama matahari bersinar dalam satu hari, (jam).
N = lama maksimum matahari bersinar dalam satu hari, (jam). Ra = radiasi matahari ekstraterestrial, (MJ/m2/hari).
3.4 Perhitungan Radiasi net (Rn)
Rn dihitung dengan menggunakan persamaan 2.2.
3.5 Perhitungan fluks Panas Tanah (G)
Fluks panas tanah diturunkan dari citra menggunakan persamaan 2.3.
3.6 Perhitungan hambatan aerodinamik (ra)
Nilai ra dihitung menggunakan persamaan 2.4 dengan input hasil pengolahan citra yaitu zom, zoh, d dan data kecepatan angin U2.
3.7 Perhitungan hambatan permukaan (rs)
Hambatan permukaan dihitung menggunakan persamaan 2.5 dengan input indeks luas daun (LAI).
3.8 Perhitungan evapotranspirasi
Data citra dan data meteorologi yang telah diolah menjadi input kedalam perhitungan evapotranspirasi dengan menggunakan rumus Penman-Monteih (persamaan 2.1). Bagian – bagian dari perhitungan evapotranspirasi yaitu radiasi net (Rn), fluks panas tanah (G), selisih tekanan uap jenuh dan aktual (es –ea) hambatan aerodinamik dan hambatan permukaan.
Data
Data citra
Data meteorologi Regresi Linear U2
RM
RH & Tu
TIR
VSNIR & SWIR
n
Analisa statistik dan spasialisasi
Tb
α,NDVI,fc,ε,LAI, Zom,Zoh,h,d,rs,ra
Rs
Tu spasial
RH spasial
Ts
es,ea
Rumus Penman-Monteith
Citra evapotranspirasi
Citra Klasifkasi
Analisis
Gambar 3.1 Diagram Alir Pengerjaan Tugas Akhir
