Pemetaan Distribusi Spasial Konsentrasi Klorofil-A dengan Landsat 8 di Danau Matano dan Danau Towuti, Sulawesi Selatan

Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia (MAPIN) XX, Bogor, 5-6 Feb 2015

Pemetaan Distribusi Spasial Konsentrasi Klorofil-A dengan Landsat 8 di Danau Matano dan Danau Towuti, Sulawesi Selatan Lalu Muhamad Jaelani1, Fajar Setiawan, Hendro Wibowo, Apip2 Abstrak − Pemantauan kualitas air danau untuk menjaga ekosistem perairan yang sehat dan berkesinambungan memerlukan teknik yang efektif. Dengan mempertimbangkan aspek luas danau, akurasi spasial dan temporal yang memadai, dan lokasi danau yang sulit diakses, maka penggunaan data penginderaan jauh merupakan cara yang tepat. Salah satu parameter kualitas air yang memiliki peran penting adalah konsentrasi klorofil-a (selain TSS dan CDOM), sehingga pemantuan konsentrasi parameter tersebut di daerah perairan menjadi penting. Pada penelitian ini, kami menggunakan data in situ berupa konsentrasi klorofil-a dan spektra (diresampling sesuai kanal Landsat 8) yang direkam di Danau Matano dan Danau Towuti, Sulawesi Selatan untuk membangun algoritma model yang menghubungkan antara reflektan dan klorofil-a. Selanjutnya, data Landsat 8 yang telah terkoresi dari efek atmosfer (atmospherically corrected reflectance) digunakan untuk memetakan distribusi spasial klorofil-a menggunakan algoritma model yang telah dibangun pada tahap sebelumnya. Kata kunci: air danau, penginderaan jauh, Landsat 8, klorofil-a

PENDAHULUAN Danau memegang peran penting dalam penyediaan air bersih yang berguna sebagai bahan dasar air minum, pertanian, industri, rekreasi dan pariwisata (Giardino, et al. 2001). Penurunan kualitas air dan daya dukung daerah sempadan sungai menjadi masalah utama dalam pengelolaan sumberdaya air dan ekosistem perairan darat yang berkelanjutan. Di Indonesia, upaya penyelamatan ekosistem danau ditujukan untuk memulihkan, melestarikan dan mempertahankan fungsi danau berdasarkan prinsip keseimbangan ekosistem dan daya dukung lingkungannya melalui 7 program, diantaranya: pengelolaan ekosistem danau, pemanfaatan sumber daya air danau, pengembangan sistem monitoring, evaluasi dan informasi danau, penyiapan langkah-langkah adaptasi dan mitigasi perubahan iklim terhadap danau, pengembangan kapasitas, kelembagaan dan koordinasi, peningkatan peran masyarakat dan pendanaan berkelanjutan (Suwanto, et al. 2011). Untuk itu, pemantauan kualitas air danau secara rutin menjadi kebutuhan mendesak dengan mempertimbangkan aspek heterogenitas air danau, baik secara spasial dan temporal. Teknologi penginderaan jauh yang telah mengalami perkembangan pesat memiliki peran penting dalam mendukung dan menutupi kekurangan teknik pengambilan sampling secara konvensional (Liu, Islam dan Gao 2003). Estimasi parameter kualitas air (seperti: konsentrasi klorofil-a, yang merupakan parameter kunci pengujian kualitas air) dari data satelit penginderaan jauh sangat tergantung, tidak hanya pada keakuratan koreksi atmosfer, tetapi juga pada keakuratan model yang menghubungkan antara data reflektan penginderaan jauh dengan parameter kualitas air yang akan diekstrak (Ruddick, Ovidio dan Rijkeboer 2000, Sathyendranath, Prieur dan & Morel 1987, Yang, et al. 2011, Jaelani, et al. 2013). Oleh karena itu, penelitian ini memiliki dua tujuan utama, diantaranya adalah: (1) pembuatan algoritma model yang menghubungkan antara data spektral in situ yang telah direkam di atas permukaan air Danau Matano dan Towuti (dalam hal ini adalah remote-sensing reflectance, Rrs(λ)) dan parameter kualitas air yang juga telah diambil di kedua danau tersebut (dalam hal ini difokuskan pada konsentrasi klorofil-a); (2) pembuatan peta distribusi spasial konsentrasi klorofil-a berdasarkan algoritma yang dibangun ditahap sebelumnya dengan menggunakan data penginderaan jauh yang telah terkoreksi dari efek atmosfer (atmospherically corrected reflectance).

1

Jurusan Teknik Geomatika, Insitut Teknologi Sepuluh Nopember, Surabaya 60111, Indonesia. Email : [email protected] 2 Pusat Penelitian Limnologi, Lembaga Ilmu Pengetahuan Indonesia, Cibinong, Bogor 16911.

O4-3 1

Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia (MAPIN) XX, Bogor, 5-6 Feb 2015 METODOLOGI Pengumpulan Data In Situ Data in situ diambil di Danau Matano (-2,494 o S; 121,369o T) dan Danau Towuti (-2,799o S; 121,51o T), yang secara administratif terletak di Kabupaten Luwu Timur, Provinsi Sulawesi Selatan. Danau Matano memiliki luas sekitar 16.408 hektar, dengan kedalaman air rata-rata 595 m (203 m berada di bawah permukaan laut) yang menjadikannya sebagai danau terdalam di Asia Tenggara. Sementara Danau Towuti yang berada di sebelah selatan Danau Matano memiliki luas sekitar 56.108 hektar (terluas kedua di Indonesia) dengan kedalaman mencapai 200 meter (Suwanto, et al. 2011). Di Danau Matano, data diambil pada tanggal 7 oktober 2014, sementara di Danau Towuti, data diambil pada tanggal 8 oktober 2014 di 3 stasiun pengamatan untuk masing-masing danau. Sebaran stasiun dapat dilihat pada Gambar 1. Adapun data lapangan yang diambil berupa reflektan dan konsentrasi klorofil-a.

Gambar 1. Distribusi stasiun pengamatan. Ma adalah Danau Matano, To adalah Towuti

Pengukuran reflektan dilakukan pada dalam rentang waktu jam 10:00 sampai 14:00 di atas air yang secara optis dalam. Adapun parameter yang direkam pada setiap stasiun diantaranya adalah water-leaving radiance (Lu(λ)), downward irradiance (Ed(λ)), dan downward radiance of skylight (Lsky(λ)) menggunakan FieldSpec HandHeld spectroradiometer (Analytical Spectral Devices, Boulder, CO) pada rentang 325–1075 nm dengan interval 1nm. Selanjutnya, above-water remote sensing reflectance (Rrs(λ) dihitung menggunakan rumus berikut (Mobley 1999) : (1) dimana Cal(λ) merupakan reflektan spectral dari grey reference panel yang telah terkalibrasi secara akurat, and r merupakan faktor koreksi reflektan yang dihitung berdasarkan kecepatan angin. Pengambilan sampel air dilakukan bersamaan dengan pengukuran reflektan. Sampel air yang diambil pada kedalaman maksimum 0,5 m dimasukkan kedalam kotak es dan selanjutnya dibawa ke laboratorium untuk dianalisa. Selanjutnya, Klorofil-a diekstrak menggunakan metanol (100%) pada suhu 4°C dalam kondisi gelap selama kurang lebih 24 jam. Kepadatan optis dari ekstrak Klorofil-a diukur pada empat panjang gelombang (754,

O4-3 2

Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia (MAPIN) XX, Bogor, 5-6 Feb 2015 663, 645 dan 630 nm). Terakhir, konsentrasi dari klorofil-a dihitung berdasarkan persamaan SCOR-UNESCO (SCOR-UNESCO 1966). Data in situ kualitas air dan reflektan di enam stasiun pengamatan disajikan pada Tabel 1. Tabel 1. Data in situ kualitas air dan reflektan di enam stasiun pengamatan Danau Matano dan Danau Towuti, Sulawesi Selatan

Citra Landsat Sesuai dengan ketersediaan data reflektan dan data konsentrasi klorofil-a in situ yang telah dikumpulkan di Danau Matano dan Danau Towuti pada tanggal 7 dan 8 Oktober 2014, data citra Landsat yang digunakan dalam penelitian ini adalah Landsat 8. Data citra tersebut direkam satu minggu setelah tanggal pengumpulan data lapangan. Ada tiga produk Landsat yang digunakan: data Landsat 8 Level 1, data reflektan-sensor (reflectance at sensor, top of atmosphere reflectance) dan data reflektan-permukaan (surface reflectance). Ketiga jenis data di atas tersedia secara gratis dan dapat dipesan melalui http://earthexplorer.usgs.gov/ dan http://espa.cr.usgs.gov/.

Pemrosesan Data Dalam penelitian ini, data spektral yang direkam di Danau Matano dan Towuti disampling mengikuti kanal yang tersedia di Landsat 8. Untuk keperluan estimasi parameter kualitas air, kanal yang digunakan adalah kanal 1-5, dengan diskripsi seperti pada Tabel 2. Tabel 2. Diskripsi kanal Landsat 8

Data Landsat yang digunakan adalah data yang direkam pada tanggal 16 Oktober 2014, dalam bentuk tiga produk yang berbeda. Pemrosesan untuk masing-masing produk dilakukan untuk menghasilkan data reflektanpermukaan dalam format remote-sensing reflectance (Rrs(λ)): Data Landsat 8 Level 1 berupa data mentah dalam format digital number (DN) yang selanjutnya dikalibrasi radiometrik menggunakan parameter gain dan offset yang tersedia di metadata untuk menghasilkan data dalam format radian (L): Lλ = ML Qcal + AL

(2) 2

Dimana, Lλ merupakan radian sensor (dalam Watts/( m * srad * μm)), ML adalah gain (di metadata tertulis RADIANCE_MULT_BAND_x, dimana x adalah nomor kanal), AL adalah offset (RADIANCE_ADD_BAND_x, dimana x adalah nomor kanal) dan Qcal adalah digital number (DN). Data dalam format radian, selanjutnya akan koreksi dari efek atmosfer menggunakan parameter koreksi dari hasil simulasi menggunakan Second Simulation of a Satellite Signal in the Solar Spectrum - Vector (6SV) (Vermote, et al. 1997). Adapun parameter koreksi yang diperlukan adalah:

O4-3 3

Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia (MAPIN) XX, Bogor, 5-6 Feb 2015 acrλ=yλ/(1.+xcλ*yλ)

(3)

yλ=xaλ*( Lλ)-xbλ;

(4)

Dimana, acrλ adalah reflektan terkoreksi dari efek atmosfer, L λ adalah radian. Parameter koreksi diperoleh dengan menjalankan perangkat lunak 6SV berbasis web yang ada di http://6s.ltdri.org/. Untuk mendifinisikan konsentrasi dari aerosol, digunakan parameter meteorologi berupa horizontal visibility (pada citra ini, digunakan visibility = 9 km) yang dapat dimasukkan secara langsung dalam 6SV. Tebal optis aerosol (aerosol optical thickness) pada 550 nm selanjutnya dihitung berdasarkan profil aerosol daerah tropis. Hasil dari koreksi atmosfer dengan metode 6S ini selanjutnya disebut SR-6SV. Data reflektan-sensor (reflectance at sensor, top of atmosphere reflectance), yang akan digunakan untuk memproduksi data reflektan-permukaan yang terkoreksi atmosfer menggunakan metode Dark Object Substraction (DOS) (Chavez 1996). Prinsip utama dari metode DOS adalah dengan mencari nilai pixel minimum yang ada dalam region of interest (ROI), dalam hal ini adalah badan air danau. Asumsi yang digunakan adalah nilai pixel minimum harus bernilai nol, sehingga nilai minimum yang muncul selain nol dianggap berasal dari atmosfer. Selanjutnya, semua nilai pixel yang ada dalam ROI dikurangi dengan nilai minimum tersebut. Hasil koreksi atmosfer dengan metode ini selanjutnya disebut SR-DOS. Data reflektan-permukaan (surface reflectance) yang telah terkoreksi efek atmosfer (http://landsat.usgs.gov/documents/provisional_l8sr_product_guide.pdf), selanjutnya disebut SR-L8. Data SR-L8 ini diproses oleh USGS menggunakan algoritma internal yang berbeda dari proses pembuatan produk reflektanpermukaan Landsat 8 ke bawah yang berbasis algoritma 6SV. Reflektan terkoreksi dari efek atmosfer, baik SR-6SV, SR-DOS maupun SR-L8 selanjutnya dibagi dengan π untuk menghasilkan Rrs(λ) (dalam satuan sr-1) agar memiliki satuan yang sama dengan reflektan in situ yang direkam dengan field spectroradiometer. Data dari 6 stasiun diekstrak berdasarkan pin yang telah dibuat dalam ukuran 5x5 pixel untuk menghindari kemungkinan kesalahan akibat koreksi geometrik dan dinamika dari badan air, serta kesalahan akibat variabilitas spasial (Han dan Jordan. 2005). Semua pemrosesan citra dalam penelitian ini dilakukan dengan menggunakan perangkat lunak open-source BEAM-VISAT (http://www.brockmannconsult.de/beam/)

Pengujian Akurasi Untuk menguji akurasi dari produk reflektan-permukaan Landsat, dua indeks diantaranya, root mean square error (RMSE) dan normalized mean absolute error (NMAE) digunakan. Kedua indeks tersebut dihitung mengikuti rumus berikut:

(5)

(6) dimana xmeas,i dan xesti,i adalah nilai ukuran dan estimasi. N adalah jumlah data yang digunakan untuk validasi. Selain kedua indeks di atas, determination coefficient (R2) antara data ukuran ( in situ-measured) dan estimasi Rrs(λ) dari produk reflektan-permukaan Landsat termasuk Landsat terkoreksi secara atmosfer (atmospherically corrected Landsat) juga digunakan untuk melihat korelasi antar data ukuran dan estimasi dari citra.

HASIL DAN PEMBAHASAN Tabel 1 menampilkan data pengukuran sampel air di laboratorium beserta data spektral yang dikumpulkan di enam stasiun pengamatan. Konsentrasi klorofil-a berkisar antara 0,2 sampai 0,4 mg m-3 , dengan konsentrasi tertinggi di stasiun Ma.1 Danau Matano dan terendah di stasiun To.2 Danau Towuti. Sementara transparansi air yang menunjukkan tingkat kejernihan air berkisar antara 12-19 meter, dengan tingkat kejernihan tertinggi di stasiun Ma.2 yang berada di tengah-tengah Danau Matano dan tingkat kejernihan terendah di stasiun To.3 yang berada di sisi selatan Danau Towuti. Pada Tabel 1 kolom 5-9 terdapat data reflektan (Rrs(λ)) yang dihitung dari rata-rata 5x5 pixel. Untuk mengetahui korelasi antara data konsentrasi klorofil-a dan reflektan, dibuat model regresi dengan menggunakan data klorofil sebagai variabel tidak bebas dan reflektan sebagai variable bebas. Tabel 3 dan 4 secara berturut-turut adalah model regresi data klorofil-a dengan kanal tunggal dan rasio-kanal. Persamaan

O4-3 4

Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia (MAPIN) XX, Bogor, 5-6 Feb 2015 regresi pada kedua tabel tersebut mengikuti ide dari Luoheng Han (Han dan Jordan. 2005). Model regresi terbaik mengikuti format: (7) dimana chl-a adalah konsentrasi klorofil-a (dalam mg m-3), bj dan bk adalah reflektan-permukaan kanal 4 dan 5. Nilai yo dan a, masing-masing adalah 0,3619 dan -0,9889 sebagaimana ditampilkan pada Gambar 2.

Gambar 2. Model regresi dengan menggunakan rasio Rrs(λ) pada kanal 4 dan kanal 5 Landsat 8 Tabel 3. R2 untuk kanal tunggal Landsat 8

Tabel 4. R2 untuk rasio-kanal Landsat 8

Setelah algoritma model yang menghubungkan konsentrasi klorofil-a dan reflektan dibuat, selanjutnya estimasi konsentrasi klorofil-a berdasarkan data citra satelit bisa dibuat dengan terlebih dahulu memproses data tersebut sampai pada status reflektan-permukaan. Gambar 3, menunjukkan perbandingan reflektan permukaan dari tiga sumber/metode yang berbeda, masing masing adalah SR-L yang berasal dari produk USGS langsung, dan SR6SV dan SR-DOS yang diturunkan dari data Landsat Level 1 menjadi reflektan-permukaan dengan menggunakan 6SV dan metode DOS. Secara umum, SR-DOS memberikan nilai paling rendah untuk semua stasiun pengamatan, kecuali di stasiun Ma.1 dimana SR-L menjadi yang terendah. Karena tidak tersedianya data reflektan in situ, maka ketiga data tersebut tidak bisa diuji akurasinya.

O4-3 5

Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia (MAPIN) XX, Bogor, 5-6 Feb 2015

Gambar 3. Reflektan terkoreksi atmosfer, SR-L berasal dari produk reflektan-permukaan keluaran USGS, SR-6SV dan SRDOS berasal dari produk Landsat 8 Level 1 yang dikoreksi dari efek atmosfer dengan menggunakan perangkat lunak simulasi 6SV dan metode DOS

Gambar 4 menampilkan distribusi spasial konsentrasi klorofil-a yang diproses dengan algoritma model yang sama tetapi menggunakan tiga data masukan (input) yang berbeda.

O4-3 6

Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia (MAPIN) XX, Bogor, 5-6 Feb 2015

Gambar 4. Peta distribusi konsentrasi klorofil-a yang dibuat dengan algoritma model berdasarkan data masukan (input) SR6SV, SR-DOS dan SR-L

Data estimasi konsentrasi klorofil-a untuk masing masing stasiun pengamatan dapat dilihat di Tabel 5. SR-L dan SR-6SV memberikan hasil yang sangat mirip, kecuali di stasiun Ma.1 Nilai rata-rata untuk SR-L, SR-6SV dan SR-DOS masing-masing adalah 0.374, 0.141 dan 0.253. Jika stasiun Ma.1 dikeluarkan dari data, maka terlihat kedekatan nilai antara SR-L dan SR-6SV dengan nilai rata-rata sebesar 0.086 dan 0.098 mg m-3. Kondisi ini disebabkan karena rasio reflektan kanal 4 dan kanal 5 pada kedua sumber data tersebut sangat berdekatan. Tabel 5. Estimasi klorofil-a berdasarkan algoritma model dengan input reflektan-permukaan SR-L, SR-6SV dan SR-DOS

KESIMPULAN Pemantauan kualitas air secara rutin merupakan kebutuhan mendesak untuk mendukung pelestarian ekosistem perairan danau. Pemanfaatan data penginderaan jauh mempermudah proses pemantuan tadi dan menutup kekurangan yang ada pada metode konvensional yang dibatasi masalah variasi spasial dan temporal. Namun, penggunaan data penginderaan jauh harus memperhatikan dua aspek: koreksi atmosfer dengan tujuan utama menurunkan data reflektan pada sensor ke permukaan objek dan algoritma model yang menghubungkan data reflektan-permukaan dengan parameter kualitas air. Pembuatan algoritma model telah dilakukan dengan menggunakan data in situ konsentrasi klorofil-a dan reflektan-permukaan yang diambil di Danau Matano dan Towuti. Algortima modelnya bisa dilihat di persamaan (7) dengan R2 sebesar 0,5. Pembuatan peta distribusi klorofil-a selanjutnya dilakukan dengan menggunakan

O4-3 7

Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia (MAPIN) XX, Bogor, 5-6 Feb 2015 algoritma model tersebut dengan data masukan (input) berasal dari tiga reflektan permukaan yang belum divalidasi (karena tidak tersedianya reflektan in situ pada saat akuisi citra landsat tersebut). Konsentrasi klorofila yang diturunkan dari data SR-L dan SR-6SV memperlihatkan adanya kesamaan hasil dengan nilai rata-rata sebesar 0,086 dan 0,098 mg m-3.

DAFTAR PUSTAKA Chavez PS. 1996. Image-based atmospheric corrections - revisited and improved. Photogrammetric Engineering and Remote Sensing, Vol. 62, No. 9, 1025–1036. Giardino, Claudia, Monica P, Pietro AB, Paolo G, Eugenio Z. 2001. Detecting chlorophyll, Secchi disk depth and surface temperature in a sub-alpine lake using Landsat imagery. The Science of The Total Environment, Vol. 268, No. 1-3, 19-29. Han, Luoheng, Karen JJ. 2005. Estimating and mapping chlorophyll- a concentration in Pensacola Bay, Florida using Landsat ETM+ data. International Journal of Remote Sensing, Vol. 26, No. 33, 5245–5254. Jaelani LM, Matsushita B, Yang W, Fukushima T. 2013. Evaluation of four MERIS atmospheric correction algorithms in Lake Kasumigaura, Japan. International Journal of Remote Sensing, Vol. 34, No. 24, 8967– 8985. Liu Y, Islam MA, Gao J. 2003. Quantification of shallow water quality parameters by means of remote sensing. Progress in Physical Geography, Vol. 27, No. 1, 24–43. Ruddick KG, Ovidio F, Rijkeboer M. 2000. Atmospheric correction of SeaWiFS imagery for turbid coastal and inland waters. Applied Optics, Vol. 39, No. 6, 897–912. Sathyendranath S, Prieur L, Morel A. 1987. An evaluation of the problems of chlorophyll retrieval from ocean colour, for case 2 waters. Adv. Space Res, Vol.7, No. 2, 27–30. SCOR-UNESCO. 1966. Determination of photosynthetic pigment in seawater, monographs on oceanographic methodology. 1966. http://unesdoc.unesco.org/images/0007/000716/071612eo.pdf. Suwanto, Arif. 2011. Profil 15 Danau Priortas Nasional. Jakarta. Vermote EF, Tanre D, Deuze JL, Herman M, Morcette JJ. 1997. Second simulation of the satellite signal in the solar spectrum, 6S: an overview. IEEE Transactions on Geoscience and Remote Sensing Vol. 35, No. 3, 675–686. Yang W, Matsushita B, Chen J, Fukushima T. 2011. Estimating constituent concentrations in case II waters from MERIS satellite data by semi-analytical model optimizing and look-up tables. Remote Sensing of Environment, Vol. 115, No. 5, 1247–1259.

O4-3 8