LAHAN DENGAN DATA MODIS

Pertemuan Ilmiah Tahunan MAPIN XIV ”Pemanfaatan Efektif Penginderaan Jauh Untuk Peningkatan Kesejahteraan Bangsa”

ESTIMASI UNSUR-UNSUR CUACA UNTUK MENDUKUNG SISTEM PERINGKAT BAHAYA KEBAKARAN HUTAN/LAHAN DENGAN DATA MODIS M. Rokhis Khomarudin1, Orbita Roswintiarti1, dan Arum Tjahjaningsih1 1

Lembaga Penerbangan dan Antariksa Nasional (LAPAN) Jalan LAPAN 70, Pekayon-Pasar Rebo, Jakarta 13710 Telp/Fax : +62 21 8710065/+62 21 8710274 email : [email protected]

Abstrak Kebakaran hutan/lahan di wilayah Indonesia (khususnya di P. Sumatra dan P. Kalimantan) yang terjadi setiap tahun antara lain diakibatkan oleh meningkatnya tekanan sosial-ekonomi dan perubahan penggunaan lahan yang selalu meningkat. Sistem peringatan dini bahaya kebakaran hutan/lahan yang sedang dikembangkan di Indonesia mengadopsi Sistem Peringkat Bahaya Kebakaran (SPBK) Canada. Salah satu komponen utama dari SPBK tersebut adalah sistem Indeks Cuaca Kebakaran (Fire Weather Index, FWI). Sistem FWI terdiri dari tiga kode kelembaban, yaitu Fine Fuel Moisture Code (FFMC), Duff Moisture Code (DMC), dan Drought Code (DC), serta tiga indeks perilaku kebakaran, yaitu Initial Spread Index (ISI), Buildup Index (BUI), dan Fire Weather Index (FWI). Kode-kode FWI biasanya dihitung dari titik-titik pengamatan (umumnya stasiun cuaca) dengan masukan parameter suhu udara, kelembaban udara, kecepatan angin, dan curah hujan. Pada daerah-daerah dimana lokasi stasiun cuaca tidak terjangkau, maka data satelit penginderaan jauh dapat digunakan untuk menyediakan informasi spasial yang lebih homogen. Tujuan dari penelitian ini adalah melakukan pengkajian pendugaan unsur cuaca dengan data Moderate Resolution Imaging Spectroradiometer (MODIS) Satelit Terra/Aqua yang kemudian dapat digunakan dalam pembuatan peringkatperingkat bahaya kebakaran hutan/lahan. Dalam penelitian ini metode regresi berganda (multiple regression) digunakan untuk menduga suhu udara dan kelembaban relatif. Input yang digunakan dalam pendugaan suhu udara dan kelembaban relatif adalah suhu permukaan dan Normalized Difference Vegetation Index (NDVI) dari data MODIS. Input lain adalah ketinggian tempat dan letak lintang. Selanjutnya, dalam penelitian ini didapatkan tiga model regresi berganda untuk menduga suhu udara dan tiga model regresi berganda untuk menduga kelembaban relatif. Tiga model persamaan untuk menduga suhu udara adalah model regresi linear berganda dengan R2 = 0.668, SE=1.58, model regresi berganda kuadratik dengan R2= 0.702, SE=1.53, model regresi berganda kombinasi polinomial dengan R2= 0.69, SE=1.58. Untuk pendugaan kelembaban relatif memiliki tiga model persamaan yaitu model regresi linear berganda dengan R2 = 0.835, SE=5.03, model regresi berganda kuadratik dengan R2= 0.856, SE=4.86, model regresi berganda kombinasi polinomial dengan R2= 0.68, SE=6.97. Secara umum, suhu udara yang dihasilkan dari ketiga model di atas menunjukkan masih dalam kisaran suhu pengukuran, namun polanya tidak mengikuti data observasi. Untuk kelembaban udara hasil dari ketiga model memiliki kisaran nilai yang sama dengan data pengukuran lapangan dan memiliki pola yang mirip dengan data pengukuran.

Kata kunci : MODIS, Suhu Permukaan, NDVI, Suhu Udara, Kelembaban Relatif

1. PENDAHULUAN Sistem peringatan dini bahaya kebakaran hutan/lahan yang sedang dikembangkan di Indonesia mengadopsi Sistem Peringkat Bahaya Kebakaran (SPBK) Canada. SPBK tersebut adalah sistem Indeks Cuaca Kebakaran (Fire Weather Index, FWI). Sistem FWI terdiri dari tiga kode

kelembaban, yaitu Fine Fuel Moisture Code (FFMC), Duff Moisture Code (DMC), dan Drought Code (DC), serta tiga indeks perilaku kebakaran – Initial Spread Index (ISI), Buildup Index (BUI), dan Fire Weather Index (FWI). Kode-kode FWI biasanya dihitung dari titik-titik pengamatan (umumnya stasiun cuaca) dengan masukan

Gedung Rektorat lt. 3 Kampus Institut Teknologi Sepuluh Nopember Surabaya, 14 – 15 September 2005

MBA - 8


parameter suhu udara, kelembaban kecepatan angin, dan curah hujan.

udara,

Seperti disebutkan di atas, bahwa data stasiun klimatologi/meteorologi yang digunakan untuk menghitung kode kode FWI masih berbasiskan titik (point base), untuk menjadikan suatu informasi spasial (keruangan) memerlukan teknik interpolasi. Hal ini dapat menimbulkan kesalahan terutama apabila jarak titik stasiun sangat berjauhan dan tidak mewakili topografi wilayah (Narasimhan, et al. (2002). Berbeda teknik interpolasi yang digunakan, akan menghasilkan informasi spasial yang berbeda pula. Teknik interpolasi memerlukan jaringan stasiun klimatologi/meteorologi yang cukup mewakili suatu wilayah. Untuk suatu wilayah yang luas seperti Sumatera maupun Kalimantan diperlukan jaringan stasiun klimatologi/meteorologi yang terdistribusi homogen, sehingga dapat mewakili seluruh wilayah di Sumatera maupun Kalimantan. Perkembangan metode yang dapat menggambarkan kondisi spasial adalah penginderaan jauh. Penggunaan data penginderaan jauh memiliki keunggulan dibandingkan dengan data lain untuk suatu lahan yang luas, pengukuran yang sedikit dan ketersediaan data historis yang baik. Unggul untuk lahan yang luas berarti bahwa data penginderaan jauh dapat mencakup suatu lokasi yang luas. Data LANDSAT TM dapat mencakup 185 x 185 km2 dalam satu foto, sedangkan data NOAA AVHRR dapat mencakup luasan 2800 x 2800 km2, atau hampir ¾ luas wilayah Indonesia. Hal ini berarti jika dibandingkan dengan pengukuran manual dengan alat-alat cuaca yang hanya mencakup satu lokasi atau titik, maka data penginderaan jauh lebih efektif untuk suatu luasan yang besar. Beberapa penelitian untuk menduga unsur cuaca,

seperti curah hujan, suhu udara, kelembaban udara dan kecepatan angin telah banyak dilakukan. Curah hujan yang diduga dari data satelit merupakan curah hujan sesaat, yaitu pada waktu dimana data citra tersebut diambil. Salah satu teknik untuk menggambarkan data curah hujan harian adalah dengan menggabungkan beberapa data satelit. Teknik ini telah dilakukan oleh National Center for Environmental Programme (NCEP) dan informasinya tersedia setiap hari dalam website NCEP. Data kecepatan angin yang diperoleh dari data MODIS saat ini masih memerlukan penelitian lebih lanjut. Fokus penelitian ini adalah menduga suhu udara dan kelembaban relatif (Relative Humidity, RH) dengan data penginderaan jauh. Han, et al. (2003) telah melakukan pendugaan suhu udara dan kelembaban relatif dari data NOAA AVHRR. Beberapa metode lain juga telah dikembangkan menggunakan konsep termodinamika oleh Sun et al. (2005) dan Dong (2004) dengan mengembangkan teknik jaringan saraf tiruan (neural network). Input yang digunakan dalam penelitian di atas adalah suhu permukaan, NDVI, air mampu curah, letak lintang, ketinggian tempat, waktu setempat, dan tanggal. Beberapa metode di atas menghasilkan pendugaan yang baik jika dibandingkan dengan data pengukuran di lapangan. Tujuan penelitian ini adalah menduga suhu udara dan kelembaban relatif untuk mendukung SPBK hutan/lahan dengan menggunakan teknik regresi berganda seperti yang dikembangkan oleh Han, et al. (2003). 2. METODOLOGI PENELITIAN SPBK dengan menggunakan sistem Fire Weather Index (FWI) telah dikembangkan oleh pemerintah Canada sejak tahun 1970. Gambar 1 adalah data masukan dan informasi keluaran dari sistem FWI. Pada Gambar 1 terlihat bahwa input dari kodekode sistem Fwi adalah suhu udara, kelembaban relatif, kecepatan angin, dan curah hujan. Penelitian ini akan menduga dua unsur cuaca yang dapat digunakan sebagai input dalam perhitungan sistem FWI. Unsur tersebut adalah suhu udara dan kelembaban relatif.

Gambar 1. Struktur sistem FWI


MBA - 9


Untuk melakukan pendugaan suhu udara dan kelembaban relatif diperlukan bahan dan peralatan sebagai berikut: 1. Data MODIS Terra/Aqua Level 2 NDVI dan kanal 31 dan 32 untuk menghitung suhu permukaan (periode tanggal 4 Agustus 2004 – 28 Agustus 2004) 2. Data suhu udara dan kelembaban relatif dari stasiun BMG (23 stasiun di Sumatera dan 21 stasiun di Kalimantan) 3. Data ketinggian (DEM) Metode yang digunakan dalam penelitian ini adalah dengan menggunakan regresi berganda (multiple regression) sebagai berikut: n

Y = b0 + ∑ bi Fi i =1

dimana, Y

= Suhu udara atau kelembaban relatif dugaan = konstanta

b0 bi = koefisien regresi Fi = variabel bebas yang merupakan kombinasi dari beberapa variabel input

Dalam penelitian ini, input yang digunakan dalam menduga suhu udara dan kelembaban relatif adalah suhu permukaan, NDVI, ketinggian, letak lintang. Untuk menduga kelembaban, inputnya ditambah dengan suhu udara sebagai parameter pendugaan. Suhu permukaan diperoleh dengan persamaan Ulivieri et al. (1994) dengan resolusi 1000 m dengan menggunakan kanal 31 dan 32 MODIS, NDVI diperoleh dari data MODIS level 2 dengan resolusi 250 m, data DEM dari data SRTM dengan resolusi 90 m. Kombinasi persamaan variabel bebasnya adalah dengan metode linear berganda, kuadratik, dan kombinasi polinomial yang merujuk pada persamaan Han, et al (2004). Keluaran modelmodel tersebut kemudian dibandingkan dengan observasi dari data stasiun Badan Meteorologi dan Geofisika (BMG) yang terdiri dari 23 stasiun di Sumatera dan 21 stasiun di Kalimantan.

3. HASIL DAN PEMBAHASAN 3.1. Hasil Persamaan Model Penelitian ini menghasilkan model pendugaan suhu udara dan kelembaban relatif dengan metode regresi berganda dengan tiga kombinasi persamaan, yaitu linear, kuadratik, dan polinomial. Untuk persamaan polinomial, kombinasi variabel bebas mengikuti yang dilakukan oleh Han, et al. (2003), kecuali parameter tanggal, waktu setempat, dan air mampu curah. Data yang digunakan tidak cukup memadai untuk memasukkan parameter tanggal dan waktu setempat, sedang untuk menduga air mampu curah model penurunan dengan MODIS masih dikembangkan. Jumlah variabel bebas untuk menduga suhu udara dan kelembaban relatif berkurang menjadi 11 variable bebas dari 31 variabel bebas untuk menduga suhu udara dan 28 variabel bebas untuk menduga kelembaban relatif. Tabel 1 dan 2 merupakan perolehan konstanta b0, koefisien regresi, bi, serta koefisien determinasi (R2) dan standar error (SE) dari model pendugaan suhu udara dan kelembaban relatif. Tabel 1. Model pendugaan suhu udara

Model

Variabel, Fi

Linear X1 X2 X3 X4 Kuadratik X1 X2 X3 X4 X12 X22 X32 X42 Model Polinomial kombinasi

Variabel, Fi b0 X13 X12X2 X12X4


Koefisien, bi b0 = 30.5 b1 = 0.023 b2 =-0.540 b3 =-5.190 b4 = -0.049 b0 = 25.1 b1 = 0.38 b2 = 3.39 b3 = -1.5 b4 = -0.08 b5 = -0.007 b6 = -4.9 b7 =-2.08 b8 = 0.028 Koefisien, bi b0 = 27.3 b1 = 0.00009 b2 = 0.00424 b3 = 0.0001

R2

SE

0.668

1.58

0.702

1.53

R2

SE

0.69

1.58

MBA - 10


X1 X32 X2 X42 X2 X2 X42 X3 X3

b4 = -0.113 b5 = 0.1236 b6 = 0.23 b7 = 0.85 b8 = 0.01566 b9 = -1.57 b10 = 0.065 b11 = -1.95

35.00 34.00

Ta

Ta*

Ta**

Ta***

33.00 Suhu Udara (°C)

X22X1 X32X1

32.00 31.00 30.00 29.00 28.00 27.00 1

4

7

10 13

16 19

22

25

28

31 34

37 40

43

46

49

52 55

58

61

Data ke-

Tabel 2. Model pendugaan kelembaban relatif

Varia bel, Fi

Koefisien, bi

R2

SE

Linear

b0=171.28 0.83 5.03 X1 b1=0.0196 X2 b2=-1.035 X3 b3=3.993 X4 b4=0.32 X5 b5=-3.55 Kuadratik b0=159.48 0.85 4.85 X1 b1=-2.51 X2 b2=-8.23 X3 b3=7.5 X4 b4=0.496 X5 b5=-0.5268 X12 b6=0.05 X22 b7=13.33 X32 b8=-2.247 X42 b9=0.0985 X52 b10=-0.0553 Polinomial b0=57.07 0.68 6.9 kombinasi X13 b1=0.000403 X2 X3X1 b2=1.03685 X2 X5X1 b3=-0.073 X22X3 b4=4.889 X22 b5=20.94 X32X2 b6=-37.65 X4X2 b7=-0.01658 X2 b8=40.7466 X3 X5 b9=6.62 X12 X3 b10=-0.22245 X52 X4 b11=0.000504 Keterangan : X1 = suhu permukaan (°C), X2 = NDVI (1<x<1), X3 = ketinggian tempat (km), X4 = letak lintang (desimal) (N = +, S = -), X5 = suhu udara (°C), R2 = koefisien determinasi, SE = standar error

Gambar 2. Grafik perbandingan suhu udara dugaan dari beberapa model dengan suhu udara pengukuran

Sumatera dan 21 Stasiun di Kalimantan. Hasil pendugaan suhu udara dengan model regresi berganda linear (Ta*), kuadratik (Ta**), dan polinomial (Ta***) menunjukkan masih dalam kisaran nilai suhu udara jika dibandingkan dengan hasil pengukuran di stasiun BMG. Namun pola hasil suhu udara dugaan dengan observasi masih terlalu jauh, sehingga model masih belum mengikuti pola suhu pengukuran. Gambar 2 merupakan perbandingan suhu udara dugaan dengan suhu udara hasil pengukuran (Ta). Demikian juga dengan perbandingan hasil pendugaan kelembaban relatif dengan kelembaban relatif hasil pengukuran menunjukkan kisaran nilai yang sama dan memiliki pola yang mirip. Hal ini dimungkinkan karena nilai koefisien determinasi (R2) model pendugaan RH lebih tinggi dibandingkan dengan model pendugaan suhu udara. Gambar 3 merupakan grafik perbandingan antara kelembaban relatif hasil model regresi linear berganda (RH*), kuadratik (RH**), dan polinomial (RH***) dengan kelembaban relatif hasil pengukuran (RH). 80.00 75.00

Kelembaban Relatif (%)

Model

70.00 65.00 60.00 55.00 50.00 45.00 40.00

RH

RH*

RH**

RH***

35.00

3.2. Model vs Observasi

30.00 1

4

7

10

13

16 19

22 25

28 31

34 37

40 43

46 49

52 55

58 61

Data ke-

Perbandingan suhu udara dan kelembaban relatif hasil model dibandingkan dengan data pengukuran BMG yang meliputi wilayah Sumatera dan Kalimantan, yang terdiri dari 23 stasiun di

Gambar 2. Grafik perbandingan kelembaban relatif dugaan dari beberapa model dengan kelembaban relatif pengukuran


MBA - 11


4.

KESIMPULAN DAN SARAN

retrieval from remote sensing data based on thermodynamics. Theor. Appl. Climatol. 80, 37–48

Dalam penelitian ini didapatkan tiga model regresi berganda untuk menduga suhu udara dan tiga model regresi berganda untuk menduga kelembaban relatif. Tiga model persamaan untuk menduga suhu udara adalah model regresi linear berganda dengan R2 = 0.668, SE=1.58, model regresi berganda kuadratik dengan R2= 0.702, SE=1.53, model regresi berganda kombinasi polinomial dengan R2= 0.69, SE=1.58. Untuk pendugaan kelembaban relatif memiliki tiga model persamaan yaitu model regresi linear berganda dengan R2 = 0.835, SE=5.03, model regresi berganda kuadratik dengan R2= 0.856, SE=4.86, model regresi berganda kombinasi polinomial dengan R2= 0.68, SE=6.97. Secara umum, suhu udara yang dihasilkan dari ketiga model di atas menunjukkan masih dalam kisaran suhu pengukuran, namun polanya tidak mengikuti data observasi. Untuk kelembaban udara hasil dari ketiga model memiliki kisaran nilai yang sama dengan data pengukuran lapangan dan memiliki pola yang mirip dengan data pengukuran. 5.

DAFTAR PUSTAKA

Dong, J.J, 2004. Evaluation of thermal-water stress of forest in southern Québec from satellite images. Université Laval FACULTÉ DE FORESTRIE ET DE GÉOMATIQUE. Doctorat en sciences géomatiques Han, K.S, Viau,A.A. and Anctil, F, 2003. Highresolution forest fire weather index computations using satellite remote sensing. Canadian. Journal For. Remote Sensing. Vol. 33. Narasimhan, B and Srinivasan, R, 2002. Determination of Regional Scale Evapotranspiration of Texas from NOAA-AVHRR Satellite. Final Report Submitted to Texas Water Resources Institute. March, 5, Texas. USA Ulivieri, C, Castronouvo, M. M., Francioni, R., and Cardillo, A, 1994. A split-window algorithm for estimating land surface temperature from satellites. Advances in Space Research , Vol. 14, No. 3, pp. 59-65 Sun, Y.-J. Wang, J.-F. Zhang, R.-H. Gillies, R. R. Xue, Y. and Bo, Y.-C, 2005. Air temperature


MBA - 12

LAHAN DENGAN DATA MODIS

Recommend Documents