It
PENGEMBANGAN MODEL PENGINDERAAN JAUH UNTUK PEMETAAN STOK KARBON PADANG LAMUN DAN HUTAN MANGROVE Ringkasan Disertasi
PRAMADITY A WICAKSONO NIM: I01309474/SGElI97
Tim Peaguji : Prof. Dr. R. Rijanta, M.Sc. P;of. Dr. Hartono, DSA., DESS. Drs. Projo Danoedoro, M.Sc., Ph.D. Prof. Dr. Totok Gunawan, M.S. Dr. R. Suharyadi, M.Sc. Prof. Dr. Suwamo Hadisusanto, M.S. Prof. Dr. Ir. Dewayany Sutrisno, M. App.Sc.
Ketua Tim Penguji Promotor/Anggota Tim Penguji Ko-promotor/Anggota Tim Penguji Ketua Tim Penilai/Anggota Tim Penguji Anggota Tim Penilai/Anggota Tim Penguji Anggota Tim Penilai/Anggota Tim Penguji Penguji/Anggota Tim Penguji
PROGRAM PASCASARJANA FAKULTAS GEOGRAFI UNIVERSITAS GADJAH MADA YOGYAKARTA 2015
PENGEMBANGAN MODEL PENGINDERAAN JAUH UNTUK PEMETAAN STOK KARBON PADANG LAMUN DAN HUTAN MANGROVE Ringkasan Disertasi
PRAMADITY A WICAKSONO NIM: IO/309474/SGEII97
Tim Penguji : Prof. Dr. R. Rijanta, M.Sc. Prof. Dr. Hartono, DEA., DESS. Drs. Projo Danoedoro, M.Sc., Ph.D. Prof. Dr. Totok Gunawan, M.S. Dr. R. Suharyadi, M.Sc. Prof. Dr. Suwarno Hadisusanto, M.S. Prof. Dr. Jr. Dewayany Sutrisno, M. App.Sc.
KetuaTim Penguji Promotor/Anggota Tim Penguji Ko-promotor/Anggota Tim Penguji Ketua Tim PeniJai/Anggota Tim Penguji Anggota Tim Penilai/Anggota Tim Penguji Anggota Tim PeniJai/Anggota Tim Penguji Penguji/Anggota Tim Penguji
PROGRAM PASCASARJANA FAKULTAS GEOGRAFI UNIVERSITAS GADJAH MADA YOGYAKARTA 2015
PENGEMBANGAN MODEL PENGINDERAAN JAUH UNTUK PEMETAA,lI,(STOK KARBON PADANG LAMUN DAN HUTAN MANGROVE Abstnk Padang lamun clan mangrove merupakan blue carbon sink yang paling efektif. Kemampuan mereka dalam men-sekuester C(h dari atmosfer jauh melebihi ekosistem darat. ~:eskipun dcmikian, informasi spasial maupun temporal tentang stok karbon padang lamua dan mangrove pada berbagai skala kedetilan clan kebutuhan pengguna sangat terbatas, yang utamanya disebabkan karena keterbatasan dan kesulitan dalam melakukan koleksi data di lapangan. Sehingga, informasi stok karbon tersebut hanya dapat secara efektif diperoleh melaIui penginderaan jauh. Tujuan dari penelitian ini adalah 1) memetakan stok karbon padang lamun clan mangrove dengan menggunakan penginderaanjauh, 2) membangun model penginderaan jauh untuk pemetaan stok karbon padang Iamun clan mangrove, clan 3) meIakukan estimasi total stok karbon padang Iamun clan mangrove di Kepulauan Karimunjawa. Citra Worldview-2, ALOS AVNIR-2, ASTER VNIR. Landsat 5 TM, clan Landsat 7 ETM+ dipiljh untuk mewakili data penginderaan jauh pada berbagai tingkat skala pemetaan. Koreksi geometrik dan beberapa pendeJcatan radiometrik diterapkan untuk mengisolasi pantulan spektraI lamun clan mangrove.. Stok karbon padang lamun clan mangrove dipetakan dengan menggunakan model semi empiris. Input untuk pemodelan stok karbon lamun adaIah band deglint, band terkoreksi kolom air, clan band Princple Component (PC), sedangkan untuk pemodelan stok karbon mangrove, inputnya adaIah indeks vegetasi, band PC, dan citra fraksi dari analisis Linear Spectral Unmixing (LSU), dan Spektral Angle Mapper (SAM). Data Iapangan digunakan untuk membangun model serta memahami hubungan antar properti biofisik lamun dau mangrove, yang sangat penting untuk membangun framework pemetaan. Model Penginderaan jauh untuk pemetaan stok karbon padang Iamun clan mangrove dikembangkan dengan mempertimbangkan kerangka pikir yang mendasari proses pemetaan, data masukan yang efekti( asumsi clan keterbatasan seIama pemetaan, metodologi untuk pemetaan· stok karbon, clan rentang' akunisi yang dapat diperoleh. Mod~1 yang dihasilkan meliputi logika di batik kemampuan penginderaan jauh daIam menjelaskan variasi stok karbon padang lamun clan mangrove serta kerangka teknis pemetaan. Hasil penelitian menunjukkan bahwa penginderaan jauh dapat digunakan untuk memetakan stok karbon padang lamun clan mangrove. Stok karbon padang lamun dapat dipetakan dengan akurasi maksimum 49,23% (SE '" 6,64 gClm2), 55,64% (SE = 59,52% gClm2), dan 92,9% (SE = 17,41 gClm2) untuk AOC (stok karbon atas), BOC (stok karbon bawah), clan stok karbon sedimennya, Mangrove AGC, BOC, clan stok karbon tanah dapat dipetakan dengan akurasi maksimum 77,81% (SE = 5,71 kgC/m2), 60,82% (SE = 2,48 kgClm2), dan 82,5% (SE = 1,22 kgC/m2). Berdasarkan peta basil pemodeIan, total stok karbon ekosistem Iamun clan mangrove di Kepulauan Karimunjawa diperkirakan sekitar 622,9 dan 181.195,88 ton karbon organik. Tersedianya model penginderaan jauh untuk pemetaan stok karbon Iamun dan mangrove sangat penting untuk memberikan pemahaman yang lebih baik tentang distribusi clan dinamika karbon mereka secara spatio-temporal. SeIain itu, peta stok karbon sangat bermanfaat dalam membantu berbagai kegiatan pengelolaan pesisir dan pulau-pulau keeil. Kata kunci: padang lamun, mangrove, stok karbon, multispektral, model penginderaan jauh 1
BABI. PENDAHULUAN 1.1 Latar Belakang Carbon sink alami merujuk pada habitat a1ami dengan kemampuan untuk menyimpan karbon dari atmosfer dalam jangka waktu tertentu, sehingga mampu menjaga konsentrasi C(h di atmosfer (Laffoley & Grimsditch, 2009). Blue carbon sink adalah segala habitat pesisir atau !aut dengan kemampuan untuk menyerap C02 dari atmosfer. Di antara blue carbon sink, habitat pesisir bervegetasi (vegetated coastal habitats) yangterdiri dari padang lamun, mangrove, dan rawa garam, adalah salah satu kolam karbon terpadat di bumi. Kemampuan habitat pesisir bervegetasi untuk melakukan penyerapan karbon jangka panjang melalui penguburan karbon ke sedimen mencapai 10-50 kali lebih baik daripada habitat derat (Laffoley & Grimsditch, 2009; Nelleman, 2009). Dengan demikian, sangatlah penting untuk memahami distribusi stok karbon padang lamun dan mangrove dalam konteks spasial dan temporal, baik untuk proses adaptasi dan mitigasi perubahan iklim maupun untuk keberlanjutan habitat ini. Padang lamun dan mangrove dipilih sebagai blue carbon sink kajian karena mereka banyak ditemukan di daerah pesisir dan.pulau kecil di Indonesia. Mereka mengalokasikan lebih banyak biomassa ke bawah tanah untuk menyokong kehidupan mereka di substrat lunak dan berlumpur (Komiyama et al. 2008). Oleh karena itumereka menyirnpan stok karbon di bawah tanah dalam jumlah besar, yang akan tersimpan untuk waktu yang lama. Lamun adaJah angiosperma laut. Kemampuan lamun menyimpan karbon dalam sedimen jauh melebihi rnayoritas ekosistem darat, dan dengan demikian menjadi penyerap karbon alami yang paling efektif (Dierssen et al. 2010). Setelah dipulihkan, padang lamun memiliki kemampuan untuk kembali ke fungsi aslinya seeara penuh dalam waktu singkat dibandingkan dengan penyerap karbon alami lainnya (Laffoley & Grimsditch, 2009; Eveleth, 2010). Terumb,:, karang masih dalam perdebatan apakah mereka merupakan sJ1IIlber.karbon (carbon so;uce) atau carbon sink, sehingga tidak dimasukan dalam penelitian ini. Kemampuan makro alga untuk melakukan penguburan karbon bergantung pada substrat mereka. Rawa garam, terlepas dari tingginya kapasitas penguburan, hampir tidak ditemukan di daerah tropis khususnya Indonesia. Penginderaan jauh rnemiliki kemampuan untuk rnenyediakan data spatio-temporal tentang sumber daya a1am, termasuk dinamika karbon di berbagai ekosistem daratan (Thenkabail et al. 2002;. As-Syakur et al. 2010; Dierssen et a1. 2010; Wicaksono et al. 2011). IPCC telah menyatakan bahwa data yang dapat digunakan untuk pengukuran karbon hams lengkap, representatif konsisten waktu, dan transparan (!pCC, 2003). Sementara penginderaan jauh rnampu memenuhi tiga persyaratan pertama, definisi "transparan" membutuhkan data, definisi, metodologi, dan asumsi untuk diuraikan seeara jelas. Sebagai konsekuensinya, model untuk pemetaan stok karbon melalui penginderaan jauh beserta rentang akurasi yang diharapk&n hams ditentukan. Publikasi dan penelitian tentang kemampuan penginderaan jauh untuk memetakan stok karbon padang lamun dan mangrove sangat terhatas. Saat ini, pemetaan properti biofisik
2
padang lamun dan mangrove terbatas pada distribusi spasial, persentase tutupan, indeks luas daun (LAI), biomassa, kepadatan, volume tegakan, komposisi spesies, dan tinggi (Simard et a/. 2006; Phinn et a/. 2008; Roelfsema et a/. 2009. Wicaksono et a/. 2011; Lyons et a/. 2012). Selain itu, teori-teori dan kerangka logis yang mendasari pemetaan tidak pernah didefinisikan dengan jelas (Fatoyinbo et a/. 2008). Dalam kasus mangrove, sebagian besar pemodelan properti biofisik dilakukan dengan menggunakan data penginderaan jauh aktif yang jarang tersedia, bukan sensor pasif yang justru tersedia secara luas. Pene1itian ini menyoroti kesenjangan dalarn ilmu penginderaan jauh, yaitu dalam bidang pemetaan stok karbon padang larnun dan mangrove. Sistem penginderaan jauh yang digunakan dalarn penelitian ini adalah pasif dan multispektral. Sistem penginderaan jauh pasif memiliki kemarnpuan untuk menembus tubuh air dan lebih banyak tersedia dibandingkan dengan data penginderaan jauh aktif. Data multispektral dipilih karena telah banyak tersedia dan lebih hemat biaya dibanding data hiperspektral. Selain itu, jika model yang dikembangkan menggunakan data muitispektral marnpu menghasilkan akurasi yang baik, pefiggunaan data hiperspektral di masa mendatang akan marnpu memberikan hasil yang lebih baik. 1.2 Rumusan Masalah Distribusi spasial dan variasi temporal stok karbon padang larnun dan mangrove secara kontinyu, yang sangat penting untuk mitigasi dan adaptasi perubahan iklim, pengelolaan berkelanjutan wilayah pesisir dan pulau-pulau kecil, inventarisasi sumber daya alam, konservasi dan rehabilitasi, dan kampanye untuk kredit yang layak mereka terima, saat ini sangatlah kurang pada berbagai level skala spasial dan temporal serta kebutuhan pengguna. Alternatif yang paling efektif untuk mendapatkan informasi tersebut adalah dengan menggunakan penginderaan jauh. Namun, meskipun kemajuan teknologi penginderaan jauh saat ini sangat pesat, penggunaan penginderaan jauh untuk pemetaan stok . karbon padang lamun dan mangrove sangat langka. Saat ini, model dan kerangka pemetaan yang mencakup input data yang efektif dan cocok, asurnsi dan keterbatasan selarna pemetaan, metodologi untuk memetakan stok karbon, dan rentang akurasi yang dapat diperoleh belum didefiniskan secara je1as. Akibatnya, kemarnpuan dan kemungkinan penginderaan jauh dalam memetakan stok karbon padang lamun dan mangrove belum dapat dikonfirmasi. 1.3 Pertanyaan
Penelitian
Berdasarkan rumusan masalah di atas, pertanyaan penelitian dari penelitian ini adalah sebagai berikut: I) Dapatkah penginderaan jauh digunakan untuk memetakan stok karbon padang larnun dan mangrove? 2) Seperti apakah model penginderaan jauh untuk pemetaan stok padang lamun dan mangrove karbon, yang mencakup kerangka yang mendasari pemetaan, data masukan yang efektif, asurnsi dan keterbatasan pada saat pemetaan, metodologi untuk memetakan stok karbon dan akurasi yang dapat diperoleh?
3
3) Berapakah besamya stok karbon yang tersimpan di padang lamun dan hutan mangrove, yang diwakili oleh padang lamun dan hutan mangrove di Kepulauan Karimunjawa? 1.4 Tujuan Penelitian Untuk menjawab pertanyaan penelitian tersebut diatas, tujuan dari penelitian ini adalah sebagai berikut: I) Memetakan stok karbon padang lamun dan mangrove di Kepulauan Karimunjawa menggunakan penginderaan jauh 2) Mengembangkan model penginderaan jauh untuk pemetaan stok karbon padang lamun dan mangrove, yang mencakup kerangka yang mendasari pemetaan, data masukan efektif asurnsi dan keterbatasan selarna pemetaan, metodologi untuk memetakan stok karbon dan akurasi yang dapat diperoleh 3) Mengestimasi stok karbon yang tersimpan di padang lamun dan hutan mangrove, menggunakan padang lamun dan hutan mangrove di Kepulauan Karimunjawa sebagai perwakilan. I.S Hasil Penelitian Hasil dari penelitian ini adalah sebagai berikut: I) Peta stok karbon padang lamun dan mangrove yang diperoleh dari data penginderaan jauh 2) Model penginderaan jauh untuk pemetaan stok karbon padang lamun dan mangrove 3) Estimasi stok karbon di padang lamun dan mangrove di Kepulauan Karimunjawa, sebagaimana dipetakan dari penginderaan jauh 1.6 Keliaruan Penelitian Saar ini, green carbon sink yang terdiri dari ekosistem daratan digunakan sebagai strategi utama dalam mengurangi konsentrasi C02 di atmosfer dan mereka menjadi perhatian konservasi utama bagi program-program berbasis perubahan iklim, perdagangan karbon dan program penghitungan karbon seperti INCAS, REDD, REDD+. Namun, stok karbon yang tersimpan dalam ekosistem daratan ini sangat mudah untuk kembali ke atmosfer, utamanya melalui perubahan penggunaan lahan dan kebakaran hutan. Penelitian ini menyajikan altematif bagi green carbon sink, yaitu blue carbon sink, yang mampu menyimpan dan mengubur karbonjauh lebih efektif dibandingkan green carbon sink. Karbon yang terkubur, akan tersimpan di dalam tanah dan sedirnen, dirnana tidak akan mudah kembali ke atmosfer. Oleh karena itu, informasi spasial mengenai stok karbon dari blue carbon sink menjadi sangat penting dan dibutuhkan. Pendekatan penginderaan jauh adalah yang terbaik untuk mendapatkan informasi distribusi spasial dari stok karbon dari blue carbon sink. Saat ini, penginderaan jauh untuk pemetaan padang lamun terbatas pada distribusi spasial (Capolsini et al. 2003), LA! (Yang et al. 2011; Wicaksono & Hafizt, 2013), NPP (Dierssen et al. 2010), persentase tutupan (phinn et al. 2008; Yang & Yang, 2009; Pu et al. 4
2010; Lyons et al. 2011; Meyer & Pu, 2011; Yang et al. 2011; Lyons et al. 2012), biomassa (Mumby et al. 1997; Phinn et al. 2008;. Knudby & Nordlund, 2011) dan komposisi spesies (Pasqualini et al. 2005; Fornes et al. 2006; Phinn et al. 2008; Sagawa et al. 2008; Yang & Yang, 2009). Pemetaan stok karbon belum pernah dilaporkan. Hal ini dapat dimengerti sebagaimana akurasi pemetaan padang Iarnun saat ini masih relatif rendah. Namun, karena penginderaan jauh marnpu memodelkan dan memetakan karakteristik biofisik padang lamun tersebut di atas, penginderaan jauh seharusnya juga dapat digunakan untuk mernodelkan dan memetakan stok karbon. Keberhasilan pemetaan stok karbon padang lamun sangat bergantung pada hubungan antara reflecting tissue lamun dan stok karbonnya. Pemetaan mangrove menggunakan penginderaan jauh juga terbatas pada biomassa (Simard et al. 2006; Li et al. 2007; Fatoyinbo et al. 2008; Simard et al. 2008; Fatoyinbo & Armstrong, 2010), tinggi pohon (Simard et al. 2006; Fatoyinbo et al. 2008), LA! (Green et al. 2000), struktur kanopi (Mougin et al. 1999; Proisy et al. 2000; Proisy et al. 2002; Lucas et al. 2007), dan kornposisi spesies (Vaiphasa et al. 2006; Kamal & Phinn, 2011). Penelitian sebelumnya tentang pemodeIan biofisik mangrove dilakukan dengan menggunakan sistem penginderaan jauh aktif. Dalam penelitian ini, sistem penginderaan jauh pasif .yang lebih banyak tersedia ditekankan. Keberhasilan pemetaan stok karbon mangrove bergantung pada derajat hubungan antar karakteristik biofisik mangrove; terutarna dengan bagian-bagian yang langsung berinteraksi dengan downwelling irradiances. Meskipun sudah ada publikasi penginderaanjauh untuk pemetaan stok karbon mangrove (Fatoyinbo et al. 2008, Wicaksono et al. 2011), publikasi tersebut tidak memberikan penjelasan tentang model dan kerangka kerja pemetaan maupun pendekatan metodologis yang paling sesuai. Berdasarkan penjelasan tersebut, kebaruan pene1itian ini adalah pengembangan model penginderaan jauh yang dapat digunakan untuk menyediakan informasi kuantitatif dari distribusi spasial stok karbon pada padang lamun dan hutan mangrove, yang saat ini masih sangat terbatas di seluruh dunia. Model dikembangkan berdasarkan pengetahuan dan kemajuan dari pemetaan padang lamun dan mangrove saat ini. 1. 7 Signifikansi Penelitian Model pemetaan stok karbon padang lamun dan mangrove diharapkan dapat mengisi celah pengetahuan dalam metodologi penginderaan jauh untuk padang lamun dan mangrove, yang saat ini terbatas pada distribusi spasial, persen tutupan, LA!, biomassa, dan komposisi spesies. Model ini dapat digunakan untuk menghitung dan memperkirakan jumlah stok karbon yang tersimpan di padang Iarnun dan hutan mangrove. Dengan mernaharni dan menonjolkan potensi padang lamun dan mangrove sebagai penyerap karbon, yang didukung oleh bukti-bukti kuantitatif dari peta, dua habitat ini akan menerima pengakuan dan periindungan yang lebih baik. Di Indonesia, menurut Undang-Undang No. 4/2011 dan Peraturan Pemerintah (PP) No. 812013, informasi geospasial dibagi menjadi Informasi Geospasial Dasar (!GD) dan Informasi Geospasia1 Tematik (lGT). Dalam konteks IGT, model pemetaan stok karbon padang lamun dan mangrove dapat sangat membantu proses review dan pengembangan SNI
5
untuk pemetaan stok karbon serta SNI pemetaan padang Jamun dan mangrove. Model penginderaan jauh yang dikembangkan daJam peneJitian ini dapat membantu dan meningkatkan beberapa aspek dari SNI yang telah ada seperti: penentuan data penginderaan jauh yang paling sesuai untuk tiap skala yang berbeda, metode pengoJahan eitra digital dan survei Japangan yang paling efektif, dan rentang akurasi pemetaan yang dapat diperoJeh. Hasil penelitian ini juga dapat sangat mendukung peJaksanaan Keputusan Menteri (Kepmen) No. 200/2004 tentang kriteria untuk menentukan status padang Jamun, tidak banya dengan mempertirnbangkan persentase penutupan, tetapi juga karakteristik biofisik Jainnya. ModeJ untuk pemetaan stok karbon mangrove karbon juga dapat membantu pelaksanaan Keputusan Menteri (Kepmen) No. 20112004 tentang status hutan mangrove di Indonesia. Adanya standar untuk pemetaan stok karbon mangrove dan fakta kuantitatif yang mendukung tentang potensi hutan mangrove daJam penyerapan karbon jangka panjang dapat digunakan untuk meningkatkan kriteria penentuan status hutan mangrove, tidak hanya dengan mempertirnbangkan persentase tutupan kanopi dan jumJah pohon, tetapi juga karakteristik biofisik penting Jainnya. DaJam konteks yang lebih luas, basil penelitian ini akan membantu Undang-Undang No. 27/2007, yang telah direvisi pada Undang-Undang No. 112014, tentang pengelolaan wilayah pesisir dan pulau-pulau keeil. Dalam Undang-Undang No. 27/2007 dan No. 112014, terdapat beberapa poin penting di mana pengelola pesisir membutuhkan peta sebagai dasar dalam proses pengambilan keputusan. Peta yang terkait dengan bahaya, beneana, dan keanekaragaman hayati sangat ditekankan. Peta-peta ini dapat digunakan untuk mengidentifikasi kondisi wilayah pesisir dan pulau-puJau kecil, memantau dinamika wilayah pesisir dan pulau-pulau kecil, mengevaluasi dampak pengelolaan kawasan pesisir dan pulaupuJau kecil, dan menentukan manajemen terbaik bagi keberlanjutan wilayah pesisir dan puJau-puiau keeil. Model pemetaan stok karbon padang lamun dan mangrove dapat memberikan peta spatio-tempora/ keanekaragaman hayati di daerah pesisir dan pulau-pulau kecil, yang dapat digunakan untuk mendukung berbagai maeamkegiatan pengelolaan tersebut di atas. .
6
BAB II. TINJAUAN PUSTAKA 2.1 Ringkasan Temuan dan Asumsi yang Relevan dengan Studi Dari hasil kajian literatur, beberapa temuan kunei dan asumsi yang digunakan sebagai dasar untuk pengembangan model pemetaan stok karbon padang lamun dan mengrove berhasil diidentifikasi. Temuan dan asurnsi tersebut adalah sebagai berikut. 2.1.1 Temuan dan Asumsi untuk Pemetaan Stok Karbon Padang Lamun 1) Padang Lamun adalah blue carbon sink yang paling optimal dalam mengurangi kandungan CO2 di atmosfer, terkait dengan kemampuan regenerasi, tingkat penguburan karbon dalam sedimen, biaya pemulihan, dan dukungan terhadap ekosistem. 2) Penginderaan jauh memiliki kemarnpuan untuk menembus tubuh air melalui saJuran tarnpak; karenanya, penginderaan jauh marnpu mengidentifikasi padang lamun, Kemampuan penginderaan jauh untuk menembus tubuh air terbatas pada kedalaman di mana downwelling irradiances menghilang. Sebagian besar padang lamun menempati kedalaman di mana eahaya masih melimpah. 3) Saat ini, publikasi tentang pemetaan stok karbon padang lamun sangat Jangka. Kemajuan penginderaan jauh untuk pemetaan padang lamun meneakup distribusi spasial dan temporal, persentase tutupan, LA!, NPP, komposisi jenis, dan biomasa atas. 4) Reflektansi lamun adalah fungsi dari karakteristik biofisik Jamun, variasi kolom air, permukaan air, dan path radiance. 5) Saluran tarnpak adalah saluran yang paling baik dalam mendeteksi padang lamun; oleh karena itu, pantuJan spektral lamun adaJah fungsi dari sifat biofisik padang lamun yang mempengaruhi interaksi dengan panjang gelombang tarnpak. NIR Band masih mungkin dapat digunakan untuk mendeteksi variasi padang Jamun kerapatan tinggi pada air yang sangat dangkaJ, atau saat air surut dimana Jamun mungkin muneul ke permukaan. 6) Sebelum melakukan pemetaan stok karbon padang Jamun, penting untuk mengetahui apakah stok karbon adaJah salah satu sifat biofisik padang lamun yang mempengaruhi interaksi energi antara Jamun dan panjang gelombang tarnpak. Hal ini diperlukan untuk memahami hubungan antar properti biofisik padang lamun, yang digunakan untuk mengidentifikasi properti biofisik manakah yang berhubungan langsung dengan reflektansi lamun, dan properti manakah yang harus diwakili properti lainnya sebelum dapat dihubungkan dengan reflektansi lamun, Hubungan ini akan sangat penting jika stok karbon padang Jamun tidak seeara Jangsung berhubungan dengan reflektansinya. 7) Spesies lamun mengontrol variasi sifat biofisiknya, sehingga, penting untuk melakukan pemetaan stok karbon pada level spesies. 8) Tingkat penguburan karbon oleh padang lamun dapat diperkirakan dari jumlah stok karbon atas padang lamun (above ground carbon stock), dan total stok karbon sedirnen padang lamun adalah total akumulasi karbon yang terkubur sejak pertama kali padang Jamun mengkoloni daerah tersebut. 7
9) Pendekatan saat ini dalam mengestimasi stok padang lamun karbon adalah dengan merata-rata nilai sampel stok karbon dan atau dengan melakukan interpolasi dan ekstrapolasi data stok karbon pada level plot. 2.1.2 Temuan dan Asumsi untuk Pemetaan Stok Karbon Mangrove 1) Mangrove melakukan sekuestrasi CO2 jangka panjang melalui fotosintesis dan kernampuan mereka untuk mengubur karbon organik dalam tanah. Mangrove mengalokasikan lebih banyak karbon bawah tanah unruk perturnbuhan biomassa akar untuk menopang hidupnya di substrat lunak. 2) Setiap panjang gelombang penginderaan jauh memiliki karakteristik yang unik ketika beinteraksi dengan kanopi mangrove. Saluran tampak unik terhadap pigmentasi daun. Saluran infrarnerah dekat dipengaruhi oleh struktur daun dan kanopi, sementara saluran SWIR adalah fungsi dari struktur internal dan kandungan air dalam daun. 3) Kemajuan penginderaan jauh untuk pemetaan hutan mangrove meliputi distribusi spatio-temporal, tinggi pohon, biornassa, LAl, kerapatan kanopi, dan volume tegakan. 4) Reflektansi mangrove utamanya adalah fungsi dari struktur kanopi mangrove, LAl dan pantulan background tanah. 5) Kebanyakan pemetaan mangrove dilakukan menggunakan sistem penginderaan jauh aktif. 6) Properti mangrove dan parameter terukur pohon berhubungan secara alometrik. Berdasarkan hubungan antar properti biofisik pohon, keberhasilan pemetaan LA! membuka kemungkinan pemetaan properti biofisik vegetasi lainnya seperti volume tegakan, tinggi pohon, biomassa, dan stok karbon. 7) Spesies mangrove mengontrol hubungan antar properti biofisik mangrove, oleh karena itu, apabila memungkinkan, penting untuk melakukan pemetaan spesies sebelum pemetaan stok karbon. 8) Tingkat perturnbuhan satu bagian dari pohon mangrove proporsional dengan bagian yang lain, Karena biomassa dan stok karbon terkait dengan LA! dan biomassa daun, keduanya dapat dirnodelkan secara langsung dari penginderaan jauh. 9) Pendekatan saat ini dalam mengestirnasi stok karbon hutan mangrove adalah dengan merata-rata nilai stok karbon mangrove atau dengan upscaling data pada tingkat petak ke tingkat lanskap dengan menggunakan teknik interpolasi dan atau ekstrapolasi. 2.2 Daerah Penelitian Penelitian ini dilakukan di Pulau Karirnunjawa dan Kemujan, Kepulauan Karimunjawa, yang terletak di Laut Jawa (5°40'39 -, 5°55'00" LS dan 110°05'57 -, 110°31'IS" BT). Kepulauan Karirnunjawa merupakan sebuah kecamatan di Kabupaten Jepara Provinsi Jawa Tengah, yang terletak sejauh 45 mil laut barat laut kota Jepara dan 60 rnillaut utara Kota Sernarang. Kepulauan Karimunjawa juga berada di bawah otoritas Taman Nasional Karirnunjawa sejak tahun 1999 berdasarkan SK Menhut No. 78/ Kpts-Il / 1999. Dalam rangka meningkatkan pengelolaan taman nasional, zonasi di Taman Nasional Karirnunjawa telah direvisi berdasarkan SK Dirjen PHKA No.SK..28 / TV-SET / 2012 pada 6 Maret 2012. 8
Kepulauan Karimunjawa dipilih menjadi daerah peneJitian karena mempunyai keanekaragaman padang lamun (11 spesies) dan hutan mangrove yang tinggi (24 spesies true mangrove, 21 spesies associate mangrove). Padang Jamun dan hutan mangrove di Kepulauan ini masih alami, baik komposisi dan zonasinya, sehingga sangat representatif dalam mewakili kondisi padang lamun yang rnasih asli dan mangrove aJami tipe oceanic di pulau-pulau keeil. Padang lamun berada di perairan dangkal optis dengan substrat pasir karbonat, pasir vulkanik, rubbles atau lumpur. Distribusi vertikal padang lamun adalah sampai dengan kedaJaman tiga meter. Mangrove di Karirnunjawa sebagian besar terletak di selat sempit antara Pulau Karimunjawa dan Kemujan. Formasi hutan mangrove di daerah ini sangat tebal, dan dari eitra satelit, kedua pulau tersebut tampak terhubung disebabkan oleh hutan mangrove tersebut. Mangrove juga dapat ditemukanfringing di sepanjang pantai bagian barat dan utara Pulau Karimunjawa dan juga di bagian tengah selatan Pulau Kemujan. Mangrove juga tumbuh di pulau-pulau lain seperti di Pulau Cemara Kecil, Pulau Krakal Besar, Pulau KrakaJ Kecil, dan Pulau Sintok. Gambar 2.1 memperlihatkan lokasi daerah penelitian. KARIMUNJAWA
ISLANDS
Gambar 2.1 Daerah penelitian untuk pengembangan model penginderaan jauh untuk pemetaan stok karbon padang lamun dan mangrove. Gambar kiri memperlihatkan lokasi Kepulauan Karimunjawa relatifterhadap
Pulau Jawa. Gambar kanan menunjukkan daerah di mana padang lamun dan mangrove berada.
9
BAD III. KERANGKA TEORITIS DaIam konteks adaptasi dan mitigasi perubahan iklim, carbon sink aIami adalah solusi paling optimal dalam mengurangi konsentrasi C02 di atmosfer. Carbon sink alami umurnnya dibagi menjadi green carbon sink dan blue carbon sink. Green carbon sink merujuk: ke segala ekosistem darat dengan kemampuan untuk menyimpan C02 dari atmosfer untuk jangka waktu tertentu. Blue carbon sink adalah segala habitat pesisir dan laut dengan kemampuan yang sarna dengan green carbon sink. Perbedaan utarna antara green and blue carbon sink adalah kemampuan dalam melakukan penyerapan karbon jangka panjang melalui penguburan karbon dalam sedimen mereka. Tingkat penguburan karbon oleh blue carbon sink mencapai 10-50 kali lebih tinggi daripada green carbon sink. ltulah alasan pcmilihan padang lamun dan mangrove sebagai objek kajian utarna dalam penelitian ini. Utamanya, carbon sink alarni menyerap C02 dari atmosfer melalui fotosintesis. Kemudian, karbon anorganik yang diserap akan dikonversi menjadi karbon organik untuk perturnbuhan biomassa. Oleh karena itu, biomasa dari carbon sink merupakan fungsi dari stok karbon organiknya. Dikarenakan pertumbuhan satu bagian dari tanarnan proporsional dengan bagian lain, biomassa dan stok karbon dari tanarnan berkorelasi dengan' sifat-sifat biofisik lainnya seperti LA!, tutupan kanopi, tinggi pohon, diameter pohon, atau volume tegakan. Khusus untuk padang lamun dan mangrove; mereka memiliki kemampuan untuk secara signifikan menyimpan karbon di sistem bawah tanah rnereka, yaitu melalui sistem perakaran ekstensif dan penguburan karbon dalam sedimen mereka. Kemampuan ini disebut sekuestrasi karbon jangka panjang (long-term carbon sequestration). Karbon yang terkubur tidak akan terganggu dan tidak akan kembali ke atrnosfer selama ratusan atau ribuan tahun. Dalam rangka memaharni potensi padang lamun dan mangrove dalam proses adaptasi dan mitigasi perubahan iklim, mereka hams dikelola secara berkelanjutan, Langkah pertarna untuk mengelolanya adalah dengan memaharni distribusi mereka dalam konteks spasial dan temporal, yang saat ini masih sangat kurang, Sarana terbaik untuk mendukung aktifitas tersebut adalah dengan menggunakan peta. . Secara umurn, ada dua pendekatan untuk pemetaan stok karbon habitat tersebut. Pendekatan pertarna adalah dengan menggunakan pengukuran lapangan secara langsung dan analisis laboratoriurn. Interpolasidan ekstrapolasi sampel pada data tingkat plot digunakan untuk proses upscaling data ke tingkat lanskap, demi mendapatkan konteks spasial dari distribusi stok karbon. Alternatif lain adalah dengan merata-rata nilai sampel yang diukur dan menggunakan ni1ai tersebut untuk mewakili kondisi stok karbon pada suatu wilayah. Namun, interpolasi atau ekstrapolasi dari data lapangan dapat menghasilkan bias spasial disebabkan oleh asurnsi bahwa distribusi stok karbon di ekosistem tersebut adalah linear. Pada kenyataannya, distribusi stok karbon di habitat alarni tidak selalu linear. Selain itu, distribusi sampel yang digunakan untuk interpolasi akan sangat rnenentukan kualitas peta output. Data yang diinterpolasi atau diekstrapolasi maupun rata-rata tidak dapat memberikan gambaran distribusi spasial stok karbon secara kontinu dalam suatu wilayah. Namun demikian, masih mampu memberikan estimasi konservatif kasar dari stok carbon wilayah. Dalam konteks temporal, distribusi stok karbon yang signifikan berbeda akan dapat dihasilkan untuk tiap waktu pengukuran karena perbedaan input yang digunakan dalam proses interpolasi atau 10
ekstrapolasi. Selain itu, pengukuran lapangan yang intensif dan terlalu sering dapat membahayakan dan merusak lingkungan, dan memakan biaya dan waktu. Pendekatan kedua adalah melalui penginderaan jauh. Penginderaan jauh mampu menyediakan informasi umum dan khusus atas areal yang luas, kemampuan monitoring berulang untuk analisis multitemporal, dan konteks spasial yang komprehensif. Hal tersebut kompatibel dengan spesifikasi data yang dibutuhkan untuk pemetaan karbon, seperti yang dijelaskan oleh IPCC. Namun, penggunaan penginderaan jauh untuk pemetaan stok karbon membutuhkan pemahaman tentang model dan kerangka kerja untuk pemetaan pada berbagai skala dan tingkat kompleksitas pemetaan. Pemetaan stok karbon dianggap sebagai aplikasi penuh tantangan untuk penginderaan jauh. Hal ini ditunjukkan dengan sedikitnya publikasi peer-review yang menyoroti penggunaan pcnginderaan jauh untuk pemetaan stok karbon. Dinamika karbon beberapa green carbon sink telah berhasil dipetakan dengan menggunakan data penginderaan jauh pada berbagai tingkat akurasi. Dinamika karbon di sini merujuk pada NPP, OPP, dan stok carbon. Kebanyakan NPP dan OPP dimodelkan menggunakan citra resolusi spasial rendah, sementara stok karbon dimodelkan melalui citra pada berbagai resolusi spasial. Dalam kasus stok karbon, transformasi citra-dikombinasikan dengan model empiris rnampu bekerja dengan baik. Logika di balik keberhasilan pemetaan stok karbon bersandar pada asumsi yang digunakan sebelum pemetaan terse but dilakukan. Diasumsikan bahwa reflektansi mangrove adalah fungsi dari beberapa faktor lingkungan mangrove dan sensor. Faktor lingkungan mencakup properti biokimia dan biofisik kanopi mangrove, background reflectance, dan gangguan atmosfer, Faktor dari sensor utamanya adalah resolusi sensor dan gangguan sensor. Dengan menggunakan asumsi ini, jika path radiance, background reflectance, dan gangguan sensor dapat dikompensasi, reflektansi mangrove sepenulmyamencerminkan properti kanopi mereka, yang menurut konsep alometrik, sebanding dan berkorelasi dengan properti biofisik .lainnya termasuk biornassa dan karbon stok. Pemetaan padang lamun memberikan lebih banyak kesulitan bagi penginderaan jauh. Lokasi lamun yang beada di bawah air membutuhkan penanganan khusus agar penginderaan jauh dapat digunakan secara efektifuntuk mengidentifikasi dan memetakan stok karbon. Pada kenyataannya, reflektansi lamun tidak hanya fungsi dari properti biofisik dan biokimia padang lamun tetapi juga pantulan substratnya, kolom air di atasnya, pantulan permukaan air, indeks bias, dan path radiance. Kondisi tersebut belum dipersulit dengan keterbatasan resolusi sensor dalam mendeteksi objek bawah air. Dapat dimengerti jika pada saat ini, publikasi pemetaan stok karbon padang lamun masih sangat terbatas atau bahkan belum ada. Konfigurasi geografis padang lamun dan mangrove membatasi penggunaan penginderaan jauh secara efektif. Mangrove hidup di lingkungan yang unik dan ekstrim, sehingga menghasilkan respon spektral yang spesifik. Meskipun demikian, karena mangrove merupakan vegetasi seperti halnya green carbon sink lainnya, asumsi yang digunakan dalam pemetaan green carbon sink dapat diadaptasi. Beberapa modifikasi akan diperlukan untuk mengakomodasi karakter yang unik dari hutan mangrove dan lingkungarmya.
11
Singkatnya, kondisi tersebut di atas menyoroti celah pengetahuan dalam ilmu penginderaan jauh, terutama dalam pemetaan cadangan karbon yang melibatkan padang lamun dan mangrove. Penginderaan jauh untuk pemetaan stok karbon mensyaratkan agar surnber data, definisi, metodologi dan asurnsi diuraikan dan didefinisikan dengan jelas, sehingga perlu dikembangkan model penginderaan jauh yang dapat digunakan secara yakin untuk pemetaan stok karbon lamun dan mangrove. Pengembangan model melibatkan penggunaan dan adaptasi asumsi yang sudah ada, model dan met ode yang bekerja pada pemetaan green carbon sink, identifikasi hubungan antar beberapa properti biofisik lamun dan mangrove, penyusunan logika pemetaan stok karbon lamun dan mangrove, dan perurnusan kerangka kerja teknis yang menyediakan prosedur pemetaan yang paling optimal. Terakhir, informasi stok karbon padang lamun dan mangrove digabungkan dengan stok karbon sedimen dan tanah untuk mendapatkan estimasi total stok karbon suatu wilayah. Diagram kerangka teoritis penelitian ini ditunjukkan pada Gambar 3.1.
•.......,..,....
Convertln~~tntoorganicearbon'or
-. • · ·
Rernov. CO2 from atmospher. for ph~yn~is Con ••••• Inorvanic:carbonin~otganicCl!bon foIbi~sliJl'OWth Biomass 111M function at arbon ItDCk BiomassgJtJWfl "'I,atxw.~ TfMpropertes ••.• re4-.ciIllorMtriclla,
8fomu5 is fl. function 01 cation Qodr. BkwnaugroMhfOfabwe •• d below ground Pklntproperies ••.• relat.d •••ometric:aly
RemoveC02 ftom Dnosph_Wldwawr
""""'""" pMitosyn:hesis rh¢ome.
tndrnassMmatt. NPfHl!DgteltOling • Ubcnlory .,lIysiI FI.t:tITlNSUftInMIfIt · HarvMtmef'lod • ""'trMmethod • AIomMriem.'uxl hWpdllticnandedraipCM"on
•.... -
triage ~ m.gennlfonration ElT'Qirial moder Anall)'liclfmodel SIn1lIingdesign
NP!HWI!qte
~~~
--
ctl..aistic:a.,doll.bioph)'Sics EnWan~ratidion
_ .._ ....__ ._----_._....
.-_ ...........•....
HOling
• tt.vutmef1od • ••••.•••• method • AIon'IWIcmeflod htarpollition andeO'apo(don
-~-
bttMfwtction
""""' ..... .,......
rteklmeuUfWnerlt
tnD.ttodng ('BPA
ofv.getation
.~nclm.t.w.
NdIanCle+MflSornotM+....wrwohlilon.
agentvilewbon burilllllnMdillWlt
~.,lIysis
1'---'-'==".-------'
Scaled
nnMd,
PhoIIO
Photoqu••.••
,
~---------------
, ,, ..,..1tion1'tlftK:tance
roots
...•.
~
Canapydl.-acterisics AIonMic •.••aIionsflip
~..--..-- ..-.-
-
Lon..-_
Lon..-"""'"
MqUantion aveniN arbon bani. in Midiment tll'au~
lIAIIlIml
biochemlc.a.l ••••d +.tmospherkp-'h
I
',
,
I
Gap of KnOwtedge
"
----------
Gambar 3.1 Kerangka kerja teoritis pengembanganmodelpenginderaanjauh untuk pemetaan stok karbon padang lamun dan mangrove
12
BABIV.METODEPENELnnAN 4.1 Data Penginderaan
Jauh
Citra yang digunakan untuk peugernbangan model dan pemetaan padang lamun adalah Worldview-2, ALOS AVNIR-2, ASTER VNIR, dan Landsat 5 TM, sedangkan untuk mangrove, Landsat 7 ETM+ digunakan sebagai pengganti Landsat 5 TM. Pemilihan citra Landsat didasarkan pada analisis data time series (10 tahun), di mana Landsat 7 ETM+ mampu mengbasilkan model yang lebih baik untuk mangrove, dan Landsat 5 TM menghasilkan model yang lebih baik untuk padang lamun. Citra tersebut diatas dipilih karena mereka memiliki berbagai kelebihan bagi pemetaan stok karbon padang lamun dan mangrove antara lain 1) sebelumnya telah digunakan untuk pemetaan padang lamun dan mangrove, 2) memiliki saluran spektral yang lengkap, baik untuk melakukan penetrasi tubuh air maupun yang sensitif terhadap vegetasi, 3) citra yang berbeda-beda tersebut dapat digunakan untuk mencakup berbagai macam kebutuhan pengguna, skala pemetaan, dan resolusi deskriptif maksimal, yang sangat penting dalam pengembangan model pemetaan stok karbon. 4.2 Metode Pemetaan Stok Karbon Padang Lamun 4.2.1 Survei Lapangan Padang Lamun Data lapangan lamun dikumpulkan melalui teknik pemanenan dan metode fototransek yang dimodifikasi, yaitu dengan menempatkan kuadrat berukuran I x 1 m di atas tutupan lamun. Sarnpel sedimen juga diambil, Metode pengambilan sampel stratified random aligned digunakan untuk mendistribusikan lokasi transek. Sampling mapping unit dibangun dari kelas spektral padang lamun, batimetri, kerapatan padang lamun, dan variasi lanskap pesisir. Sarnpellamun basil pemanenan and sedimen diproses di laboratorium untuk dihitung biomasa dan stok karbonnya (Coles & Short, 2001). Sampel ini digunakan untuk menganalisis hubungan antar properti biofisik padang lamun yaitu PC (persentase tutupan), SD (kerapatan daun), LA!, SC (biomassa atas kering), dan AGC (stok karbon atas), baik pada level komunitas dan spesies. Hubungan antara lamun AGC, BGC (stok karbon bawah), dan stok karbon sedimen juga diidentifikasi, Sampel lapangan ini dibagi menjadi dua, yaitu sampel untuk pemodelan dan uji akurasi. 4.2.2 Pengolahan Citra untuk Pemetaan Stok Karbon Padang Lamun Pengolahan citra digital untuk pemetaan stok karbon padang lamun meliputi koreksi citra, masking citra, transformasi citra, klasifikasi citra, dan pemodelan citra. •
Nilai DN dikonversi menjadi spektral radiansi dan TOA reflektansi. Setelah itu, koreksi atinosfer dilakukan untuk menghilangkan path radiance. Pantulan specular berupa sunglint dihilangkan menggunakan band inframerah berdasarkan metode yang dikembangkan oleh Hedley et al. (2005). Pengaruh kolom air dinorrnalisasi menggunakan Depth Invariant Index bottom (DII) (Lyzenga, 1978) dan Inverse Model (1M) (Wicaksono & Hafizt, 2013). Koreksi geometrik hanya diterapkan pada ALOS, ASTER, dan Landsat 5 TM. Inforrnasi GCP untuk koreksi geometrik diambil
13
• •
•
•
dari citra Worldview-2. Proses koreksi geometrik dilakukan dengan menggunakan transformasi polinomial orde dua dan metode resampling nearest neigbour. Seagrass mask dibuat melalui interpretasi visual pada citra komposit warna asli untuk masing-masing citra. Transformasi Principle Component Analysis (PCA) dijalankan pada setiap citra dengan tidak melibatkan piksel selain lamun. Tujuannya adalah untuk memaksimalkan variasi informasi yang terkandung oleh piksel-piksel lamun. Transformasi PCA dijalankan pada band deglint, DII, dan band 1M. Band PC ini juga digunakan sebagai input dalam pemodelan empiris properti biofisik lamun. Pemodelan dan pemetaan stok karbon dan properti biofisik padang lamun dilakukan pada tingkat komunitas dan spesies. Pada pemetaan di tingkat spesies, peta komposisi spesies lamun spesies dibuat terlebih dahulu. Peta spesies lamun dibuat dengan menggunakan klasifikasi digital per-pixel. Masukan untuk klasifikasi adalah band deglint, DII, band 1M, band DII-PC, dan band 1M-PC. Analisis regresi digunakan untuk pemodelan penginderaan jauh semi empiris stok karbon padang !amun dan properti biofisik lainnya.
4.2.3 Uji Akurasi Analisis confusion matrix digunakan untuk menguji akurasi pemetaan komposisi spesies lamun. SE dan akurasi rc!atif dari SE ke dataset digunakan untuk mengukur kesalahan prediksi dan akurasi pernetaan padang lamun dengan data kontinu seperti PC, LAI, SC, AGC, BGC, dan stok karbon sedirnen. Sampel yang tidak digunakan untuk melakukan pemodelan empiris dan klasifikasi digunakan untuk uji akurasi. 4.2.4 Diagram Alir Penelitian Diagram alir penelitian untuk pemetaan stok karbon padang lamun ditarnpilkan pada Gambar 4.1.· . ~ .
14
Remote Sens"g
Data:
WorIdview-2
SarrpingMelhod
Seagrass
I
I
I
Sal11llelocatioo
1 Fiekf 1
ALOSAVNIR-2 ASTERVNlR Urdsal5T~
I
1
S,ngin'i"action
~
,-----
---'1
~:~~~-rl -r ~~ Seagrass
I
FiekJ Da~a
I--~
I __
I
1 1
AtrmsphericCorrection
I
Survey
GeometricCooec1ion
I ~.-
j
I
I
I
I
ElrjIiricaiModei
-------I
Aa:uracy
Assessmenl
I
AICOllll1lJnilyLevei IC::~A~IS~peae;'~sL~evel~:::Jc-------~
1
1 Assessmeni
Aexuracy
~--~~~~ SeagrassCarbonSIDck
I
I
I SeagrassSpeciesMap
MapAtConmunlty
level
I
I
---~~~~~ I I SeagrassCarbonSIock MapAt Species level
Gambar 4.1 Diagram alir pemetaan stok karbon padang lamun menggunakan penginderaan jauh
4.3 Metode Pemetaan Stok Karbon Mangrove 4.3.1 Survei Lapangan Mangrove Untuk mewakili variasi kondisi mangrove di daerah penelitian, sampling mapping unit pemetaan untuk pemetaan stok karbon mangrove dibuat dari kombjnasi NDVI dan klasifikasi ISODATA. Stratified random sampling aligned berdasarkan transek yang dibuat tegak lurus garis pantai masuk ke arah darat digunakan untuk mendistribusikan sampel. Sampel plot berukuran 20 x 20 m digunakan untuk mengukur Dbh (diameter setinggi dada), tinggi pohon, kepadatan kayu (wood density), dan komposisi spesies untuk mengestimasi mangrove AGC dan BGC melalui pendekatan alometrik biomassa (Komiyama et al. 2005; Komiyama et at. 2008; Duke et al. 2013). Biomassa atas terdiri dari batang, eabang, dan daun, sedangkan di bagian bawah terdiri dari akar. Pengukuran dilakukan secara individual untuk setiap tahap pertumbuhan yaitu pohon, tiang, dan sapih. Agar memiliki unit pengukuran yang seragam antara tahap pertumbuhan ini, nilai biomassa distandarkan ke dalam ton per hektar. Untuk mengkonversi biomasa mangrove menjadi stok karbon, perkiraan konservatif untuk mangrove Indonesia yang dipublikasikan oleh Murdiyarso et al. (2009) diadopsi, yaitu 0.46 gC per 1 g biomasa mangrove. Untuk mendapatkan kandungan karbon organik tanah, tanah sampai kedalaman 30 em disampel menggunakan soil core. Volume soil core (m3 / area), bulk density tanah (g / m3 / daerah), dan persentase karbon organik tanah (C.,org%) diukur di laboratorium. Data tanah ini sangat penting untuk mendapatkan kandungan karbon organik tanah per area menggunakan formula yang dipublikasikan oleh IPCC (2003). 15
4.3.2 Pengolahan Citra untuk Pemetaan Stok Karbon Mangrove Pengolahan citra untuk pemetaan stok karbon mangrove meliputi koreksi citra, masking citra, transformasi citra, klasifikasi citra, dan pemodelan citra, • •
•
• •
•
•
•
Koreksi citra mencakup koreksi atmosfer dan koreksi geometrik. Mangrove mask dibuat melalui interpretasi visual pada citra komposit false color standar untuk ALOS dan ASTER, dan citra komposit false color non-standar untuk Landsat 7 ETM+. Transformasi citra untuk pemetaan mangrove adalah indeks vegetasi, PCA, Linear Spectral Unximing (LSU), dan Spectral Angle Mapper (SAM). Transformasi tersebut diterapkan pada tiap citra pada level koreksi radiometrik yang berbeda. Indeks vegetasi yang digunakan adalah SR, RSR, NDVI, ARVI, AFRI, VARI, TVI, EVI, EVI-2, MSARVI, dan GEM!. Transformasi PCA dijalankan pada tiap citra dengan tidak melibatkan piksel selain mangrove untuk memaksimalkan variasi informasi yang terkandung oleh mangrove piksel. PCA dijalankan dengan menggunakan matriks kovarians dan koreJasi. Analisis LSU dan SAM diterapkan untuk mendapatkan citra fraksi mangrove. Masukan endmember murni untuk LSU dan SAM diperoleh insitu dari citra menggunakan analisis Pixel Purity Index (PPI). Pemodelan dan pemetaan stok karbon mangrove hanya dilakukan pada tingkat komunitas karena ketidakrnampuan dalam menghasilkan peta spesies mangrove yang akurat, yang dikarenakan oleh keterbatasan resolusi sensor dan kompleksitas spesies mangrove di daerah penelitian. Analisis regresi digunakan untuk memodelkan stok karbon mangrove menggunakan data penginderaan jauh dengan model semi empiris. Masukan untuk analisis regresi ada1ah nilai-nilai pikseJ mangrove dari indeks vegetasi, band PC; clan citra fraksi . mangrove.
4.3.3 Uji Akurasi SarnpeJ mangrove yang tidak digunakan dalam pembuatan model stok karbon digunakan untuk menguji akurasi peta stok karbon yang dihasilkan. SE dan akurasi relatif dari SE ke dataset digunakan untuk mengukur kesalahan prediksi dan akurasi dari pemodelan dan pemetaan mangrove AGC, BGC, dan stok karbon sedimen. 4.3.4 Diagram Alir Penelitian Diagram alir penelitian untuk pemetaan stok karbon mangrove ditarnpilkan pada Gambar4.2
16
Accuracy
Mangrove Carbon Stock Map At Cof1111Unity Level
Assessment
Mangrove Carbon Stock Map At Specles Level
Gambar 4.2 Diagram alir pemetaan stok karbon mangrove menggunakan penginderaanjauh
17
BAB V. PENYUSUNAN MODEL PENGINDERAAN JAUH UNTUK rEMET AAN KARBONSTOK Model pemetaan stok karbon padang lamun dan mangrove di formulasikan setelah logika pemetaan stok karbon dibangun, dan pemetaan dilakukan dengan berbagai jenis citra, properti biofisik padang lamun dan mangrove, dan teknik pengolahan citra digital. Sehingga, akurasi dari tiap peta karbon stok yang dihasilkan dapat digabungkan dengan citra, variabel lapangan, dan proses pengolahan citra yang bersangkutan. Model penginderaan jauh untuk pemetaan stok karbon padang lamun dan mangrove mencakup logika dan kerangka kerja teknis pemetaan. Logika pemetaan menjelaskan alasan di balik kemampuan data penginderaan jauh dalam menjelaskan variasi stok karbon lamun dan mangrove. Kerangka tersebut meliputi pemilihan citra satelit yang sesuai, asurnsi dan keterbatasan, prosedur pengolahan citra yang paling optimal, prosedur survei lapangan yang efisien, dan akurasi pemetaan yang diharapkan. Sangat penting untuk mengembangkan model penginderaan jauh yang efektif untuk menjelaskan variasi stok karbon padang lamun dan mangrove. Hal ini terkait dengan kemudahan penerapan dan user-friendliness. Dengan demikian, efisiensi biaya dan waktu, kesulitan pemetaan, kisaran akurasi yang diharapkan, cakupan wilayah, tingkat presisi pemetaan dan skala peta, ketersediaan data, dan kemudahan penerapannya, dipertimbangkan secara cermat dalam pengembangan model. Model pemetaan yang paling cfektif adalah yang membutuhkan paling sedikit sumberdaya pemetaan namun mampu menghasilkan akurasi yang lebih tinggi, pada suatu skala pemetaan tertentu. Meskipun akan ada trade-off antara ketersediaan sumber daya dan akurasi yang diperoleh, model yang paling efektif berusaha untuk menemukan keseimbangan antara keduanya. Model ini juga harus dapat diterapkan secara luas, diulang secara konsisten, dan user-friendly karena ada kemungkinan bahwa model yang menghasilkan akurasi tertinggi mensyaratkan proses pengolahan yang sangat . rumit, dataset yang mahal, dan hanya mencakup wilayah kecil.-Berikut adalah beberapa pertimbangan dalam pengembangan model penginderaan jauh yang efektif untuk pemetaan stok karbon padang lamun dan mangrove. Prosedur pengolahan citra juga mempengaruhi efektivitas modeL Pengolahan citra mencakup beberapa koreksi radiometrik dan geometrik. Pemetaan lamun mensyaratkan koreksi radiometrik tambahan berbasis air seperti koreksi sunglint dan koreksi kolom air. Masing-masing dari koreksi ini membutuhkan input yang berbeda, yang mungkin atau mungkin tidak tersedia. Idealnya, dua koreksi ini harus dilakukan sebelum pemetaan, namun, perbedaan akurasi pemetaan lamun dengan menggunakan citra terkoreksi dan citra tidak terkoreksi juga harus dipertimbangkan. Sebagai contoh, jika input untuk melakukan koreksi tidak tersedia, dan perbedaan akurasi antara citra terkoreksi dan tidak terkoreksi hanya kecil, pemetaan dapat dilakukan secara langsung pada citra yang tidak dikoreksi. Hal ini akan lebih efektif dibanding memaksakan untuk memproduksi semua input yang diperlukan untuk proses koreksi, namun peningkatan akurasi yang diperoleh kurang signifikan. Untuk koreksi geometric, ada rekomendasi untuk metode resampling dan orde transformasi yang paling optimal serta pilihan sumber GCP. Beberapa transformasi citra termasuk indeks vegetasi, LSU, SAM, dan PCA diuji dan dievaluasi untuk mendapatkan peningkatan akurasi. 18
Transformasi tersebut memerlukan data lapangan untuk mengkalibrasi nilai piksel mereka menjadi stok karbon atau informasi properti biofisik padang lamun dan mangrove lainnya. Oleh karena itu, survei lapangan dan teknik pengukuran sampel yang efisien juga dimasukkan dalam model. Metode survei lapangan sebaiknya non-destruktif aman, cepat, representatif, mampu mengumpulkan lebih banyak data dalam waktu yang singkat, dan dapat diintegrasikan dengan data penginderaan jauh. Terakhir, model untuk pemetaan stok karbon disesuaikan dengan skala peta yang tepat. Hal ini terkait dengan resolusi deskriptif maksimum setiap data dan prosedur pengolahan citra dalam model tersebut. Skala peta menentukan detail dari informasi yang dapat disajikan dalam peta serta luas satuan minimum yang boleh muncul sebagai informasi individu. Pemilihan skala peta mengikuti PP No, 812013. Penggunaan skala peta sebagaimana tercanturn dalam PP No 812013 akan membuat peta stok karbon yang dihasilkan dapat diintegrasikan dengan data spasial lain untuk tujuan pemetaan yang lebih komprebensif. Ilustrasi konseptual pengembangan model dan kerangka kerja penginderaan jauh untuk pemetaan stok karbon ditampilkan pada Gambar 5.1. ·Seagrass Species variation ·Seagrass biophysics ·MangrOlle species variation ·t.+1ngrovebiophysics Environmental restriction
/' "'~~=~;~:i~"""""""""'*"""';i:=:;~:;~~'" _\, ·Data availabili1y ·Cost-effectiveness
·Image transfonnations ·Image modeling
·Benthic habitat mapping ·Land cOlIermapping ·Sampfing design ·Mapping un~ ·Sampling method ·Fieldsurvey ·Field survey procedJre -Field data
Gambar 5.1 ilustrasikonseptualpengembanganmodel penginderanajauh pemetaan stok karbon padang lamun dan mangrove
19
BAB VI. HASIL DAN PEMBAHASAN: PEMET AAN STOK KARBON PADANG LAMUN 6.1 Data Lapangan Terdapat 57 sampellamun hasil panen, 218 sarnpellamun basil foto-transek, dan 5 sampel sedimen yang dikumpulkan selama survei lapangan. Dari sampel panen, informasi kornposisi spesies lamun, PC, SD, LA!, SC, dan AGC berhasil diperoleh. Dari sampel fototransek, informasi komposisi jenis lamun dan PC didapatkan. Berdasarkan analisis properti biofisik padang lamun, LA! adalah properti terbaik untuk mernprediksi AGC, namun PC adalah yang paling efisien. Dengan demikian, sampel PC padang lamun hasil foto-transek dikonversi menjadi LA!, SC, dan AGC. Konversi PC padang lamun ke properti lainnya dilakukan pada level spesies. Ada hubungan yang kuat antara lamun AGC dan BGC, terutarna pada level komunitas. Oleh karena itu, lamun BGC dapat diprediksi dari AGC. Disarankan untuk memprediksi BGC pada tingkat komunitas karena matte aktual jauh lebih luas daripada lamun yang terlihat diatas permukaan. Pertumbuhan vegetatif utama Jamun ada di bawah tanah dan bahkan di daerah tanpa lamun, sedimennya dapat berisi rhizorna dan akar lamun yang sangat melimpah. Dengan demikian, estimasi BGC dari AGC sangat konservatif. Jumlah BGC yang sebenarnya jauh lebih besar dari jumlah yang diperkirakan dari AGC. Estimasi di tingkat komunitas mampu secara parsial mengakomodasi masalah ini. Tidak ada hubungan yang signifikan antara lamun AGC, BGC dan stok karbon sedimen. Stok karbon sedimen tidak hanya fungsi dari AGC aktual dan BGC, tetapi juga jumlah total karbon organik yang terkubur sejak pertarna kali lamun mengkoloni wilayah, kedaJarnan sedimen, danjenis sedimen. 6.2 Pe~etaan
Komposisi Spesies Padang Lamun
Pemetaan kornposisi spesies padang lamun hanya dilakukan pada citra Worldview-2. Dikarenakan kondisi lingkungan padang lamun di daerah penelitian, ALOS, ASTER, dan Landsat 5 TM tidak dapat digunakan untuk melakukan pemetaan spesies lamun. Skerna kJasifikasi untuk pemetaan komposisi spesies dibangun berdasarkan variasi lifeform lamun, yang mengontrol interaksi dengan downwelling irradiances. Ada tiga kelas komposisi lamun yaitu Ea, ThCr dan Ea+. Kelas Ea didominasi oleh lamun yang tumbuh memanjang secara vertikal dalam kolom air, seperti Enhalus acoroides. Kelas ThCr terdiri dari spesies yang tumbuh di bawah, seperti Thalassia hemprichii dan Cymodocea rotundata. Kelas Ea+ adalah kombinasi dari lamun di kelas Ea dan ThCr. Peta komposisi spesies padang lamun dengan akurasi tertinggi dihasilkan dari band DII-PC dengan akurasi keseluruhan 51,85%. Karena sampel Ea+ memiliki kerapatan yang lebih tinggi, kelas ini memiliki user dan producer accuracy tertinggi. Peta kornposisi spesies ini digunakan untuk membantu pemetaan AGC lamun pada tingkat spesies.
20
6.3 Pemetaan Stok Karbon Padang Lamun Penginderaan jauh dapat digunakan untuk rnemetakan properti biofisik padang lamun tennasuk AGe, baik pada level komunitas dan spesies. Akurasi dari Worlview-2, ALOS, ASTER, dan Landsat 5 TM hampir mirip, yang ditunjukkan oleh hampir seragamnya pola distribusi AGC lamun pada peta yang dihasilkan. Perbedaan utama adalah tingkat presisi infonnasi yang dapat disajikan, dirnana tiap citra tersebut ditujukan untuk detil pemetaan yang berbeda. Meskipun secara statistik dimungkinkan, peta stok karbon pada level spesies tidak dapat dihasilkan dari ALOS, ASTER, dan Landsat 5 TM karena resolusi spasial mereka terlalu kasar untuk identifikasi spesies rnaupun lifeform pada padang lamun yang sempit di daerah penelitian. Tabel 6.1 dan Tabel 6.2 menunjukkan resume pemetaan properti biofisik padang lamun dengan menggunakan penginderaan jauh. Jelas bahwa dengan meningkatnya kornpleksitas pemetaan, akurasi akan semakin menurun. PC lamun berhasil dipetakan pada akurasi yang lebih tinggi. LA! dan SC dipetakan pada akurasi yang sama karena mereka merepresentasikan satu sarna lain, namun tetap pada akurasi yang lebih rendah dari PC. AGC padang lamun dipetakan pada akurasi terendah. Tabel6.1 Resume basil uji akurasi pemetaan properti biofisik padang lamun Properti Biofisik
No
I
Persentase tutupan
2
LAl
3
Biomassa atas (kering)
4
AGC(stok karbon atas)
Citra Worldview-2 ALOS AVNIR-2 ASTER VN1R Landsat TMlETM+ Worldview-2 ALOS AVN1R-2 ASTERVN1R Landsat TMlETM+ Worldview-2 ALOS AVN1R-2 ASTERVN1R Landsat TMlETM+ Worldview-2 ALOS AVN1R-2 ASTER VN1R Landsat TMlETM+
Akurasi(%) Level Level Spesies Komunitas 63,14 - 63,67 58,43 - 81,83 61,55 - 63,22 52,84 - 79,55 6085 -61,67 53,02 - 81,65 50,43 - 82,34 59,01 - 60,69 56,61 - 58,26 44,78-75,4 33,33 - 73,73 52,52 - 62,18 56,-t2 - 59,57 39,45 - 75,62 41,4-73,54 54,87 - 57,49 56,46 - 58,54 47,88 - 75,47 52,84 - 62,05 37,53 - 74,31 56,15 - 59,39 42,81 - 75,91 54,95 - 57,62 43,83 - 73,89 41,97 -49,23 53,25 - 71,64 38,74-47,24 46,35 - 73,66 43,13 - 44,88 50,32 -74,4 41,9-46,25 48,25 - 71,29
Presisi 4m 100 m' 225 m' 900m' 4m' 100m' 225m' 900m 4m' 100m' 225m' 900m' 4m' 100m' 225m' 900m'
Keberhasilan pemetaan AGC padang lamun bergantung pada hubungan antara reflecting tissue lamun, yang merupakan struktur internal daun dan LA!, dan lamun AGe. Sebagai hasilnya, lamun AGC dapat dimodelkan secara langsung menggunakan penginderaan jauh dan variabel pengganti tidak diperlukan. Variasi spesies mengontrol hubungan antara lamun dan downwelling irradiances, yang menjelaskan alasan mengapa pemetaan AGC lamun pada tingkat spesies menghasilkan akurasi yang lebih tinggi. Kelas monospesies Ea adalah yang paling konsisten untuk dipetakan, Ea + dipetakan pada akurasi yang lebih tinggi
21
karena sampe\ pemodelannya memiliki kerapatan yang tinggi, dan kelas spesies campuran Ther dipetakan pada akurasi yang terendah. BGe padang lamun dapat dipetakan dari penginderaan jauh karena adanya hubungan yang baik antara lamun BGe dan AGe, terutama di tingkat komunitas. Oleh karena itu, keakuratan pemetaan lamun BGe relatif sarna dengan AGe. Pemetaan lamun BGe hanya memungkinkan dilakukan pada tingkat komunitas karena matte lamun sang at kompleks. Analisis di tingkat spesies sangat sulit dilakukan karena rhizoma dan sistem perakaran berbagai macam spesies lamun dapat saling tumpang tindih. Stok karbon sedimen dapat langsung dimodelkan dari penginderaan jauh karena setiap piksel lamun mengandung reflektansi tarnbahan dari background sedimen. Data resolusi spasial yang lebih rendah yaitu ALOS, ASTER, memberikan hubungan yang lebih baik dengan stok karbon sedimen padang lamun karena tiap pikselnya mengandung lebih banyak reflektansi sedimen. Pada citra resolusi spasial tinggi yaitu Worldview-2, sebagian besar pikse\ lamun hanya mengandung reflektansi lamun, sehingga kontribusi pantulan background sangat rendah. Landsat 5 1M gaga! memodelkan stok karbon sedimen karena terlalu banyak variasi lain yang mempengaruhi hubungan antara nilai pikse\ Landsat dan stok karbon sedimen. Tabel6.2 Resume uji akurasi untuk pemetaan BGC padang lamun dan stok karbon sedimen No
Properti Biofisik
I
BGC (stok karbon bawah)
2
Stokkarbon sedimen
Akurasi(%)
Citra Worldview-2 ALaS A VNIR-2 ASTER VNIR Landsat TMlE1M+ Worldview-2 ALaS A VNIR-2 ASTER VNIR Landsat TMlE1M+
~
± 52,94 ± 55,64 ± 54,05 ±49,96 7522-75,3 ± 82,54 80,85-92,9
-
Presisi 4m' 100m' 225 mZ 900m' 4m 100m' 225 mZ 90001'
Peta stok karbon padang lamun berhasil dibuat pada berbagai tingkat presisr pemetaan, sehingga total AGe, BGe, dan stok karbon sedimen di padang lamun Pulau Karimunjawa dan Pulau Kemujan dapat diestimasi (Tabel 6.3 dan Tabel 6.4). Peta stok karbon padang lamun dapat dilihat pada Lampiran 1. Tabel6.3 Estimasitotal AGe lamun di Pulau Karimunjawadan Pulau Kemujan No I 2 3 4
hnaj1;e Worldview-2 ALaS ASTER Landsat51M
Total AGC (ton C) 11,029 12705 13612 15,581
Mean AGC (kJ1;C/pixel) 0,04 101 219 8,69
Mean AGC (kl/: C/m') 001 0,0104 0,00976 0,00966
22
Tabel 6.4 Jumlah total BGC lamun dan stok karbon sedimen di Pulau Karimunjawa
dan Kemujan
diestimasi dari penginderaanjauh
No I 2 3 4
Citra Worldview-2 ALOS ASTER LandsatTM
No I 2 3 4
Citra Worldview-2 ALOS ASTER Landsat 5 TM
LamunBGC Total BGC (IOn C) Rerata BGC (kg C!pixel) 121,88 0,45 139,137 11,46 150,356 24,24 174,89 97,59 Stok Karbon Sedimen Total BGC (ton C) Rerata BGC (kg C/pixel) 0,638 175,02 222,446 20,96 432,432 76,71
-
-
Rerata BGC (kg C/m') 0,112 0,114 0,107 0,108 Rerata BGC (kg C/m') 0,159 0,209 0,34
-
6.4 Manfaat Peta Stok Karbon Padang Lamun Ketersediaan peta stok karbon padang lamun bermanfaat untuk mendukung berbagai kegiatan pengelolaan seperti penentuan kawasan lindung, menyediakan baseline untuk inventarisasi sumber daya alam, dan mengevaluasi dampak pengelolaan di wilayah pesisir dan pulau-pulau keeil. Menggunakan peta ini, stok karbon lamun dapat ..diperkirakan, dan dengan demikian, menyediakan bukti kuantitatif padang lamun sebagai blue carbon sink. Diharapkan, padang lamun akan menerirna lebih banyak kredit dan perlindungan. Peta dan model pemetaan stok karbon lamun akan sangat membantu proses review, irnplementasi dan pengembangan Kepmen No. 200/2004 tentang status padang lamun, UU No. 4/2011 tentang SNI untuk pemetaan padang lamun dalam konteks IGT, dan UU No. 27/2007 dan UU No. 112014tentang pengelolaan pulau kecil dan wilayah pesisir.
23
BAB vn, HASIL DAN PEMBAHASAN: PEMETAAN STOK KARBON MANGROVE 7.1 Data Lapangan Selama survei lapangan, 40 sarnpel mangrove yang terdistribusi spasial dengan baik berhasil dipero!eh. 25 sarnpel digunakan untuk membangun model stok karbon mangrove dan 15 sarnpel digunakan untuk melakukan uji akurasi. Dalam perhitungan persamaan alometrik biornassa, empat spesies diukur dengan menggunakan persamaan spesies-spesifik. Spesies ini adalah Avicennia marina, Xylocarpus granatum, Bruguiera gymnorrhiza, Rhizopora apiculata dan Rhizopora stylosa. Biomassa dari spesies mangrove lainnya dihitung melalui persamaan alometrik umum (Komiyama et al. 2005). Khusus untuk Rhizopora apiculata, biomassa prop roots juga diukur dan ditambahkan dengan nilai BGB. Terakhir, stok karbon masing-masing tegakan mangrove dijumJahkan untuk memperoleh total AGC dan BGC mangrove pada setiap lokasi sampel. Stok karbon tanah diukur di laboratorium. Tidak ada hubungan yang signifikan antara mangrove AGC dan BGC dengan stok karbon tanah dibawahnya. Stok karbon tanah memiliki hubungan yang baik dengan kedalaman tanah dan jarak dari garis pantai. Namun, dua faktor ini tidak dapat sepenuhnya menjelaskan distribusi spasial stok karbon mangrove tanah. Total stok karbon tanah mungkin juga fungsi dari ketebalan tanah ke material dasar, umur tallith, umur hutan, jenis material dasar, variasi antar spesies dalam tingkat perpindaban karbon organik ke bawah tanah, danjenis tanah. Faktor-faktor ini tidak dapat diukur secara langsung dengan menggunakan kondisi biomassa mangrove. 7.2 Pemetaan Stok Karbon Mangrove Penginderaan jauh berhasil digunakan untuk memetakan mangrove AGC dan BGC (Tabel 7.1). Namun, pemetaan pada tingkat spesies tidak memungkinkan karena kompleksitas komposisi spesies mangrove di daerah penelitian. HanyaALOS dan Landsat ETM+ yang berhasil mernodelkan mangrove AGC dan BGC. Worldview-2 tidak dapat digunakan untuk melakukan pemetaan karena ukuran piksel nya sub-kanopi mangrove. Proses resampling ukuran piksel Worldview-2 ke resolusi spasial yang lebih rend all tidak berhasil meningkatkan kualitas model dari Worldview-2. ASTER gagal memodelkan mangrove AGC dan BGC, tetapi berhasil dalam pemodelan stok karbon tanah. Citra ASTER juga tidak berhasil digunakan untuk pemodelan biomassa dan stok karbon hutan (Bajracharya, 2008). Hasil pemode1an dari ASTER tersebut menunjukkan tidak konsistennya kualitas dan integritas radiometrik dari data ASTER. ALOS menghasilkan peta mangrove AGC dan BGC yang paling akurat. Dinilai dari skala peta yang efektif dan tingkat kedetilan informasi yang dapat disajikan oleh masing-rnasing citra, kinerja masing-masing citra sarna baiknya dan pola distribusi stok karbon yang dihasilkan oleh kedua citra tersebut relatif identik. Input yang paling efektif untuk pemetaan stok karbon mangrove adalah indeks vegetasi, terutama DVI. DVi adalah indeks vegetasi yang paling sederhana, yang hanya membutuhkan saluran merah dan inframerah dekat. Kinerja DVi untuk memetakan mangrove 24
AGC dan BGC konsisten di pada berbagai citra dan level radiornetrik. Band PC berada di urutan kedua karena cepat untuk diperoleh, dan input dari transformasi tersebut hanya statistik dari citra itu sendiri, Selain itu, band PC dapat digunakan memodelkan dan peta stok karbon tanah, dimana semua indeks vegetasi gagaL LSU dan SAM merupakan yang paling tidak efektif karena prosesnya membutuhkan sumberdaya yang lebih banyak dibanding indeks vegetasi dan PCA. Akurasi peta stok mangrove karbon yang berasal dari LSU dan SAM juga lebih rendah dibandingkan dengan dua input yang lain. Stok karbon tanah di hutan mangrove dapat dimodelkan dari penginderaan jauh pasif secara langsung. Hal ini dikarenakan reflektansi mangrove utamanya adalah fungsi dari kanopi mangrove dan material background yaitu tanah, sehingga resolusi spasial sedang mampu bekerja dengan lebih baik --dimana ukuran piksel masih mengandung reflektansi tanah-- dan menggarisbawahi bahwa variasi stok karbon tanah lebih pada level area atau lanskap, PantuIan background tanah ini dapat dideteksi oleh band-band PC dan citra fraksi tanah basil analisis LSU. PCA berhasil menonjolkan inforrnasi stok karbon tanah ketika transformasi dilakukan pada tingkat mangrove. Sebagai hasilnya, informasi PC band terkonsentrasi untukmenjelaskan variasi kondisi dan karakteristik mangrove, namun tidak menekan inforrnasi lainnya. Sebaliknya, informasi non-mangrove, seperti variasi kondisi background tanah, dimasukkan ke daIam band-band PC akhir atau pada band PC di mana eigenvektor-nya memiliki arah yang berlawanan dengan informasi yang paling umum di data space, yaitu mangrove. Kedalaman 10 em diduga sebagai jangkauan deteksi optimal untuk penginderaan jauh pasif dalam mengidentifikasi karakteristik tanah. Tabe17.1 Resume uji akurasi untuk pemetaanstok karbon mangrove No
Stok Karbon Mangrove
AGe
·1
2
3
BGC
Tanah
Citra Worldview-2 ALOS A VNIR-2 ASTERVNIR Landsat 7 ETM+ Worldview-2 ALOS A VNIR-2 ASTERVNIR Landsat 7 ETM+ Worldview-2 ALOSAVNIR-2 ASTER VNIR Landsat 7 ETM+
Akurasi(%)
65.7 -77.81
54.76 - 56.77
52.52 - 60.82
-
49.98 - 50.5
69.21 - 81.83 78.85 -82.5
Presisi 4mlOOm< 225m< 900m' 4m 100m< 225 m" 900m' 4m' 100m< 225m< 900m<
Estimasi total stok karbon mangrove di Pulau Karimunjawa dan Kemujan pulau dapat diperoleh dari peta stok karbon yang dihasilkan (Tabel 7.2). Estimasi total stok karbon mangrove dari Landsat sedikit lebih rendah dibandingkan dari ALOS dikarenakan resolusi spasiainya kurang presisi, Penelitian ini menunjukkan bahwa mangrove di Karimunjawa dan Kemujan Pulau menyimpan stok karbon biru daIam jurnlah besar dan karenanya harus dilindungi, Secara potensial, terdapat sekitar 120.546 ton C dari tegakan mangrove di kedua Pulau ini dan bila dikombinasikan dengan data stok karbon tanah hingga kedalaman 30 em, jumlah total stok karbon hutan mangrove diperkirakan mencapai sekitar 181.192 ton. 25
Pengrusakan ekosistem ini berpotensi akan melepaskan CO2 ke atmosfer dalam jumlah yang sangat besar, dan karenanya, akan meningkatkan konsentrasi gas rumah kaca serta mengintensifkan perubahan iklim. Peta stok karbon mangrove dapat dilihat pada Lampiran 2. Tabe17.2 Stok karbon mangrove hasil estirnasi dari penginderaanjauh.
Inforrnasi stok karbon tanah
dari citra Landsat 7 ETM+ hanya sampai kedalaman 15 em
No
Citra
I
ALOS
2
ASTER Landsat 7ETM+
3
Total AGe (ton C)
Rerata AGe (kg
Rerata AGe (kg
C/pixel)
Clm')
Total BGC (ton C)
BGC (kg
Rerata BGC(kg
C/pixel)
C/m')
Rerata
Tanah (ton C)
96.482
2.164
21.64
24.064
539
5.39
-
-
-
-
-
-
-
60.649
86.176
18.984
21.09
19.154
4.577
5.08
30.908
7.3 Manfaat Peta Stok Karbon Mangrove Peta stok ~bon mangrove sangat berguna untuk mendukung berbagai kegiatan pengelolaan pesisir dan pulau-puJau kecil seperti halnya peta stok karbon padang lamun. Dari model dan peta yang dihasilkan, stok karbon mangrove dapat diprediksi. Dengan demikian, dapat memberikan dan meningkatkan bukti kuantitatif bagi mangrove sebagai blue carbon sink. Diharapkan, mangrove akan menerirna kredit dan perlindungan yang seharusnya Peta dan model pemetaan stok mangrove karbon juga akan sangat mendukung proses review dan pengembangan SNI pemetaan mangrove dalam konteks lOT serta pelaksanaan dan peningkatan Kepmen No. 20112004 tentang status hutan mangrove dan UU No. 27/2007 dan UU No. 112014 tentang pengelolaan pesisir dan pulau-puJau keeil.
26
BAD VIII. MODEL PENGINDERAAN JAUH UNTUK PEMETAAN STOK KARBON PADANG LAMUN DAN HUTAN MANGROVE Berdasarkan hasil pemetaan stok karbon padang lamun dan hutan mangrove pada bab-bab sebelumnya, model penginderaan jauh untuk pemetaan stok karbon padang lamun dan hutan mangrove berhasil dikembangkan. Model penginderaan jauh yang dikembangkan terdiri dari tiga komponen utama yaitu: (1) logical framework (kerangka kerja logis), yang menjelaskan dasar logika dan fundamental dibalik kemampuan penginderaanjauh dalam mendeteksi dan menje1askan variasi stok karbon padang lamun dan hutan mangrove, (2) technical framework (kerangka kerja teknis), yang mencakup pemilihan data input yang paling sesuai dan efektif untuk tiap skala pemetaan, asumsi, pertimbangan dan keterbatasan dalam proses pemetaan, dan metode untuk pemetaan stok karbon padang lamun dan hutan mangrove, dan (3) model penginderaan jauh untuk pemetaan padang lamun dan hutan mangrove beserta rentang akurasi pemetaan yang dapat diperoleh jika model tersebut digunakan. 8.1 Kerangka Kerja Logis Pemetaan Stok Karbon Padang Lamun Logika di balik kemampuan data penginderaan jauh untuk memetakan lamun AGC bergantung pada hubungan berantai antara reflecting tissue lamun dan downwelling irradiances, terutama dengan panjang gelombang tampak. Energi yang jatuh ke lamun akan ada yang dipantulkan, ditransmisikan atau diserap oleh jaringan lamun, sehingga menghasilkan respon spektral yang unik untuk jenis dan karakteristik lamun tertentu. Singkatnya, pantulan spektral dari suatu padang lamun merepresentasikan karakteristik biofisiknya yang unik, termasuk AGC. Hubungan antara reflektansi lamun dan AGC adalah yang terendah jika dibandingkan dengan properti biofisik lainnya. Hal ini dapat dipahami karena hubungan antara LA! dan AGC Iebih rendah dibanding dengan SC. Hanya sekitar 60% dari variasi AGC lamun dapat dijelaskan oleh LA! sendiri, Sisanya adalah fungsi dari variasi spesies, tingkat produksi primer, dan kepadatan stok karbon dalam jaringan lamun. Ketika variasi spesies dinormalisasi, LA! dapat menje1askan lebih dari 80% dari variasi lamun AGe. Reflektansi lamun hanya mampu menjelaskan kurang dari 40% dari variasi lamun AGC, yang tidak hanya fungsi hubungannya dengan LA!, tetapijuga fungsi dari resolusi spektral, spasial, dan radiometrik citra. Hubungan antara reflektansi lamun dan BGC adalah fungsi dari AGe. Seagrass BGC proporsional dengan bagian atasnya, dan dengan demikian jumlah BGe dapat diprediksi dari AGC dan penginderaan jauh. Variasi stok karbon sedimen dapat dijelaskan dari panjang gelombang penginderaan jauh karena pikse1 lamun masih mengandung reflektansi background sedimen. Tambahan reflektansi dari background sedimen memberikan informasi tentang karakteristik sedimen tersebut, termasuk variasi stok karbon sedimennya. Kerangka kerja yang menunjukkan logika bagaimana penginderaan jauh dapat digunakan untuk menjelaskan variasi stok karbon padang lamun ditampilkan pada Gambar 8.1. 27
-----------------------------, Spedescompositlon
I Perceetcceer Piamentation _Spatial resokltioa _Leaf
H "--------'
~
-SpectR)
internal
,"',,"". _leafl~yerin!
~:::~tial
resolution
_Radiometric
Rate of photosynthesis
,----------------------------Above &round biomus
Dialtllli image
1::,
processina
!maae correction: Belowaround
---, 1::,
Geometric
biomass I~
Abow
around carbon
correction:
Radiometric
stock 1mase transformation
Ik!lowaround
carbon
stock
, :------------------------------.!
,
, L
'
•
Gambar 8.1 Kerangka kerja logis pemetaan stok karbon padang lamun
8.2 Kerangka Kerja Teknis Pemetaan Stok Karbon Padang Lamun 8.2.1 Input Input citra segala citra dengan resolusi spektral merepresentasikan tertentu.
resolution
-Tcmporalresolutioo
~rnnaement
penginderaan jauh untuk pemetaan stok padang lamun karbon adalah saluran tampak, yang diperlukan untuk menembus tubuh air. Citra dengan yang lebih tinggi dianjurkan. Resolusi spasial yang berbeda detil pemetaan yang berbeda dan dimaksudkan untuk skala pemetaan
Data lapangan yang dibutuhkan untuk rnemetakan stok karbon padang lamun dikumpuJkan melalui teknik pemanenan dan foto-transek yang dimodifikasi. Sampel yang dipanen digunakan untuk membangun hubungan antar properti biofisik lamun, yaitu PC, LA!, SC, AGC, dan BGC. Pengukuran properti ini dilakukan di laboratorium. SarnpeJ foto-transek digunakan trntuk pembuatan model stok karbon dan uji akurasi. Sampellamun PC dari fototransek dikonversi menjadi AGC dengan menggunakan hubungan yang dibangun dari analisis sampel basil panen. Sampel sedimen juga dikumpulkan untuk memahami hubungan antara lamun AGC, BGC, dan stok karbon sedimen sebelum melakukan pemetaan. Stok karbon sedirnen padang lamun diukur di laboratorium. Untuk mendistribusikan lokasi sampel dan transek secara spasiai, dan untuk mendapatkan sampel yang representatif yang dapat mencakup variasi stok karbon lamun di daerah penelitian, sampling mapping unit yang terdiri dari beberapa faktor yang mempengaruhi pertumbuhan dan distribusi lamun perlu dibangun. Stratified random sampling aligned digunakan untuk menentukan lokasi pengambilan sampeJ berdasarkan sampling mapping unit yang dihasilkan.
28
-------------------------------, Spec;escomposition
I
H :,1:,'
Peruntcover
:-;;::::====:;-1
_t.ufinternill struct ..•.e
_Spatial resolution ~atercoJumn
_SpectRlresointioa
aUCZluation coefflClmt(kj
_leaflayerin!
_Radiometricresolutioa _Temporalresolutioo
_Waterquality(rv) _Waterdepth(:r:)
,--~~_:~_":'_P~_·~_·__,'''rn••-,",-n-t_--,
_Specularreflection _Refraction
(n)
mdex
Rate of photosynthesis
,----------------------------Above .round
ImiIle correction: Below around biomass
~
Detonnin"",-",mi
:====:lC:==~i+L Above cround carbon stock
---.
Digital imille processinl
biomass
e~riaimodel
H
~,:i,':::,
Imqe correction:
Geometric
Radiometric
'
lmace transformation Bekrwcround
arbon
stock
:------------------------------.!
Gambar 8.1 Kerangka kerja logis pemetaan stok karbon padang lamun 8.2 Kerangka Kerja Teknis Pemetaan Stok Karbon Padang Lamun 8,2.1 Input Input citra segala citra dengan resolusi spektral nierepresentasikan tertentu.
penginderaan jauh untuk pemetaan stok padang lamun karbon adalah saluran tampak, yang diperlukan untuk menembus tubuh air. Citra dengan yang lebih tinggi dianjurkan. Resolusi spasial yang berbeda deti! pemetaan yang berbeda dan dimaksudkan untuk skala pemetaan
Data lapangan yang dibutuhkan untuk memetakan stok karbon padang lamun dikumpulkan melalui teknik pemanenan dan foto-transek yang dimodifikasi. Sampel yang dipanen digunakan untuk membangun hubungan antar properti biofisik lamun, yaitu PC, LA!, SC, AGC, dan BGC. Pengukuran properti ini dilakukan di laboratorium. Sampel foto-transek digunakan untuk pembuatan model stok karbon dan uji akurasi. Sampel lamun PC dari fototransek dikonversi menjadi AGC dengan menggunakan hubungan yang dibangun dari analisis sampel basil panen. Sarnpel sedimen juga dikumpulkan untuk mernahami hubungan antara lamun AGC, BGC, dan stok karbon sedimen sebelum melakukan pemetaan. Stok karbon sedimen padang lamun diukur di laboratorium. Untuk mendistribusikan lokasi sampel dan transek secara spasial, dan untuk mendapatkan sampel yang representatif yang dapat mencakup variasi stok karbon lamun di daerah penelitian, sampling mapping unit yang terdiri dari beberapa faktor yang mempengaruhi pertumbuhan dan distribusi lamun perlu dibangun. Stratified random sampling aligned digunakan untuk menentukan lokasi pengambilan sampel berdasarkan sampling mapping unit yang dihasilkan.
28
8.2.2 Pemetaan Stok Karbon Padang Lamun Koreksi geometrik dan atmosfer dilakukan sebelum pemetaan. Koreksi sung/int dan kolom air juga direkomendasikan ketika data yang dibutuhkan tersedia. Stok karbon Iamun dan sedirnen dimodelkan melalui pemodelan semi empiris. Pemetaan lamun AGC dapat dilakukan pada level komunitas maupnn spesies. Pemetaan lamun AGC pada tingkat spesies mensyaratkan peta komposisi spesies dibuat terlebih dahulu, yang dapat dilakukan melalui klasifikasi per-piksel atau segmentasi citra. BGC dan stok karbon sedirnen lebih baik dirnodelkan pada tingkat komunitas. Analisis regresi linier digunakan untuk melakukan prediksi. Regresi linier lebih dianjurkan karena memberikan akurasi yang lebih tinggi, SE yang lebih rendah, serta mewakili variasi populasi lebih baik dibandingkan dengan model lainnya seperti eksponen, logaritma, dU. Input yang paling efektif untuk pemodelan stok karbon lamun AGC, BGC, dan sedirnen adalah band PC. Transformasi PCA tidak memerlukan data dan input yang harus diturunkan secara empiris. Input untuk menjalankan PCA adalah statistik dari pada citra itu sendiri, oleh karena itu, mampu merninimalkan perambatan kesalahan yang disebabkan oleh subjektivitas interpreter clan pemodelan empiris, seperti yang terjadi pada proses koreksi kolom air yaitu DII dan IM. PCA dapat dilakukan oleh berbagai jenis pengguna, terutarna oleh mereka yang memiliki sumber daya pemetaan yang terbatas. Band PC memberikan akurasi yang lebih baik dari band-band deglint dan sebanding dengan DII dan IM band. Ketika diterapkan pada DII atau IM band, band PC rnampu memberikan akurasi yang lebih baik lagi. Selain itu, dianjurkan untuk menjalankan PCA dengan hanya pada piksel-piksel lamun. Mayoritas peta lamun AGC terbaik berasal dari band-band PC. Untuk Worldview-2, yang peta Iamun AGC terbaik berasal dari IM-PC2, untuk ALOS diperoleh dari IM-PCI, untuk ASTER diproduksi oleh PCI, dan untuk Landsat 5TM berasal dari DIIl2. Band PC juga merupakan input yang lebih baik untuk pemetaan stok karbon sedirnen. Gambar 8.2 dan Gambar 8.3 dapat digunakan sebagai pedoman dalam pemilihan input pemodelan. Garis horizontal mewakili akurasi band deg/int. Nilai-nilai positif menggambarkan peningkatan akurasi dan sebaliknya. Woddview-2
ALOS
8
i:
6
j
4
'6
0
ia
ii
i: .81
2 .81+
..
.ThCr
·2
.Comnunly
~ 0egIilt
IJil
1M
PC DlI-PC IM-PC
:
~! ;;
iil
ii
14 12 10 8 6 4 2 0 ·2
.81 .81+
.~ .ThCr
-4
~ Degilt
011
1M
PC DlI-PCIM-PC
29
ASTER
l
1 i
j
landsatSTM 6
6 5 4 3 2 1 0 -1 -2 -3 -4
oEo oE eoThCr oConm.oiy
l
4
j
2
i ie
oEo
0 oE ••
-2 -4
oThCr oConm.oiy
ii -s -8
DegI;,t
011
1M
PC DlI-PC IM-I'C
Degrnt
D!I
1M
PC OIl-PC IM-Pe
Gambar 8.2 Perbandingan akurasi pemetaan lamun AGC dengan menggunakan berbagai input Grafik ini juga merepresentasikan
kinerja setiap input dalam pemetaan lamun BGC ALOS· Seagrats Sediment
Woo1dview·2· Seagrass Sediment
DegInt
011
1M
PC
0I1-PC
IM-PC
Deg<
ASTER· Seagrass Sediment
Dli
1M
PC
DII-PC
IM-PC
landsatS TM· Seagrass Sediment
i:: i j 0.4
il
ii DegInt
Dli
1M
PC
DIH'C
tr.I-PC
"0.2 0 I----~-~-~~~-~~ DegInt
DII
1M
PC
DIH'C
I\A-PC
Gambar 8.3 Perbandingan akurasi pemetaan stok karbon sedimen padang lamun dengan menggunakan berbagai input. Untuk Landsat, tidak ada band yang mampu memodelkan stok karbon sedimen padang lamun. Berdasarkan untuk pemetaan
pembahasan
tersebut,
kerangka
stok Iamun karbon berhasil dibangun
kerja (Gambar
teknis
yang
direkomendasikan
8.4).
30
Mapping
""•...
••
1_ ••160,
Mapping purpose Mapping scale
I
MAPPING
INPUT DATA AND CONSIDERA TION
I
Seagrass Carbon Stock Mapping
,
U
!
Setae",'.ndIC·P'Y·rt.tIOD
....
_----------_
-Regulltiona -Uaerneeda -Mapping purpoae -Sugraaa configurationa
.I!!wIn.i.wl!
-Substrate.nd .edlm.at ·Tlde. ·Sallnlty,temperature ·Dlat.Dceto ahorellne -Depth -Wive expoaure/ahelter
llndus.
-s••
·Specle. compo.lUoa gra •• biophysical propertle. -Landform -AsIOciated L.ndcover .nd
Id.
.•.
I
FlaJdd,tacolleet!on
unn
-Slmpllngmethodl -S•• gr ••• field measurement *l.Ibor.tory measurement Ind 'Oily'" tor 18.graal biophysical properties.nd c.rbonltock
DESCRIPTIVE RESOLUTION I CATEGORICAL RESOLUTION
I
: :::::::~~~:~ng
I
I~===~--,
I
\
,,----------- ..• , I ImageRtsolytJon. I -Spew.1 -Sp.ti.1 I .R,dlometrlc : -Temporal
I
INPUT PATA AND CONSIDERATION
1
AND MAPPING
METHODS
\
I
1
Index lmagetranafonnltlon Prtnclp'eComponent An.lysls (PCA) '~-------~-~-~-----
I
I I I
:I IVegetation
I I.e.
Imlgefractlonlng ·Llnearspectl'alunmlxlng ·Spectrallnglemapper
I DIgital clmlflcltion
I ,
I ~I
I
: I I I I
I
\
,
- -- ,
W.tercolumn attenuation coeffiCient ·water depth ·Water reflectance
~
-Sungllntvartation. .Need Infrared banda
,~~----------:------------.- --..
..".
••.•
...,..
••. Su.~~:~O:I:::
I I I I
I
:
Ge2metrie eamctfon. -seneer behaviors ·Localtopogrlphy
..".
••••••
I :
RldlpmetrteeprrutiP"' - Senaorcallbration -Atmoapherlc conditions
I
•••••. .,..
"
MODELING
~------------------------, :
I'
Gambar 8.4 Kerangka kerja teknis yang direkomendasikan untuk pemetaan stok karbon padang lamun
I
I
max DOP -NIR bind to 1 m depth Ind for.merglng,easr •••
bind.
-VI.lblebandstothe
p.netraUOD
•...
vegetation ItD.Hlveb.od, I ·VI,lbleb.ndlo pigmentation I .NIR bind to le.f Internal atructllrn(verylhanow)
I I
I I :
I Water
,-------------
Q!l[f!1!
8.3 Kerangka Kerja Logis Pemetaan Stok Karbon Mangrove Logika berpikir di balik kemampuan data penginderaan jauh dalam memetakan mangrove AGe bergantung pada hubungan antara karakteristik mangrove kanopi dan downwelling irradiances. Tingkat pertumbuhan satu bagian dari mangrove proporsional dengan bagian lain, oleh karena itu, besamya LAI mangrove adalah proporsional dengan biomassa atau stok karbonnya, yang dibenarkan oleh fakta bahwa biomassa daun dapat diperkirakan dari tinggi dan dbh pohon melalui persamaan alometrik. Sebagai hasilnya, ada hubungan yang kuat antara LAI, biomassa, dan stok karbon, dan kemampuan panjang gelombang penginderaan jauh dalam menjelaskan variasi AGC merupakan fungsi dari LAI. Respon spektral dari karakteristik kanopi spesies mangrove tertentu merepresentasikan properti biofisik unik mereka, termasuk AGC. Reflektansi mangrove hanya mampu menje1askan sekitar 60% atau kurang dari variasi AGC mangrove. Sisanya 40% adalah fungsi resolusi spasial, radiometrik dan temporal citra. Hubungan antara mangrove reflektansi dan BGC (<40%) juga merupakan fungsi dari LAI dan AGC. Variasistok karbon tanah dapatdijelaskan dari panjang gelombang penginderaan jauh karena mangrove piksel masih mengandung reflektansi background tanah. Tergantung pada karakteristik hutan mangrove yang dikaji, resolusi spasial yang efektifuntuk mendeteksi variasi stok karbon tanah dapat bervariasi. Kerangka kerja yang menunjukkan logika tentang bagaimana penginderaan jauh dapat digunakan untuk menje1askan variasi mangrove stok karbon ditarnpilkan pada Gambar 8.5. ~-------------._-----
--._-----
Species type
Sun I;:[ICI"gy
Chloropbyll contents Leafpigmenu LA! Leafintemalstrncture
.Spatialresolution
Leaflayering Maqroves
rj
-SpcctralresokJtion
Leafmoisture
-Radiometric
0...."
resolution
-Temponlresolution
Ratcofphotosyntbesi!
I ~mlmuuuuumm
Above .,ound biomass Bdow
wound
biomass
:
i
Oeterministio-semi empiricl:lmodd
Digil:aJ mageprocessiDl
I
Imagecorrectioo.:Gcometrit
I
~i:: i Lm__:=~:::~:~_·_~~ !__ H
Fconcctioo:Radmmetric
Gambar 8.5 Kerangka kerja logis pemetaan stok karbon mangrove
32
8.4 Kerangka Kerja Teknis Pemetaan Stok Karbon Mangrove 8.4.1 Input Data penginderaan jauh untuk pemetaan stok karbon mangrove harus memiliki setidaknya band merah dan inframerah dekat. Kedua band dapat dikombinasikan untuk menghasilkan DVI, indeks vegetasi yang paling konsisten untuk memetakan stok karbon mangrove. Citra dengan resolusi spektral tinggi dianjurkan. Penggunaan data resolusi spasial tinggi memerlukan penanganan khusus karena ukuran pikseinya mungkin sub-kanopi mangrove, dimana dapat menghalangi pembuatan model stok karbon mangrove menggunakan penginderaan jauh. Mangrove AGC dan BGe diukur di lapangan dengan menggunakan pendekatan alometrik biomassa . Pendekatan ini sangat efisien dari segi biaya dan waktu, serta aman bagi lingkungan, terutama untuk pengukuran yang dilakukan secara rutin. Berbagai persamaan alometrik biomassa mangrove dikompilasi oleh Komiyama et al. (2008) dan Duke et al. (2013). Sampling mapping unit untuk survei lapangan biomassa mangrove dapat dibangun dari kelas spektral mangrove dan indeks vegetasi. Stratified random aligned sampling digunakan untuk mendistribusikan lokasi transek sampling. Sampel tanah dikumpulkan hingga kedalaman 30 em (IPCC, 2003). Semua data diatas digunakan untuk menganalisis hubungan antara mangrove AGC, BGC, dan stok karbon tanah, serta untuk melakukan pemetaan. 8.4.2 Pemetaan Stok Karbon Mangrove Koreksi geometrik harus dilakukan sebelum pemetaan dilakukan. Koreksi atmosfer mungkin tidak dibutuhkan tergantung pada metode transformasi yang digunakan. Pemetaan stok karbon pada tingkat spesies harus diakomodasi dengan peta spesies mangrove yang akurat. Pemetaan stok karbon mangrove dan tanah dilakukan melalui pemodelan semi. empiris. Seperti dalam pemetaan lamun, analisis regresi linier lebih disarankan untuk pemodelan mangrove stok karbon. AlOS· Mangroves
!~••
landsat·
0.1 0 -G.1 -G2
-o.J
_AGe
-G.4 -G.5
_BGC
-G.6
j
•• ~
Mangroves
0.3 02 0.1 0 -G.1 -G2 -G.3
-AGe _BGC
-G.4 1/1
PCA
lSU
SAM
Vi
PCA
lSU
SAM
Gambar 8.6 Perbandingan akurasi pemetaan stok mangrove karbon dengan menggunakan ALOS dan
Landsat 7 ETM+
33
SE of ASTER soil carbon stock mocieling
~
(3 c
g w
U>
50 40 30 20 10 0
--LSU
--PC2
San
10cm
1Scm
20 an
0
21.S9
0
0
8.18
12.73
22.29
30.32
2San
30 an
35.67
38.8
0
soil depth (em)
Gambar 8.7 SE dari pemodelan stok karbon tanah dengan menggunakan ASTER LSU dan pe2. Nilai yang lebih rendah adalah lebih baik. Dengan bertambahnya kedalaman, kesalahan estimasi meningkat
Gambar 7.2 dan Gambar 7.3 memberikan perbandingan berbagai input untuk pemetaan stok mangrove karbon, yang dapat digunakan sebagai pedoman dalam pernilihan input band. Untuk stok karbon tanah, hanya ASTER yang mampu memberikan hasil yang meyakinkan. Garis horizontal mewakili akurasi indeks vegetasi. Nilai-nilai positif menggambarkan peningkatan akurasi dan sebaliknya. Berdasarkan pembahasan tersebut di atas, kerangka kerja teknis yang direkomendasikan untuk pemetaan stok karbon mangrove dapat dihasilkan (Gambar 8.8).
34
l.U U1
Mangroves Carbon Stock Mapping
.•. '
·OstroNds °Mapplngpurpoll -Mangroves conftguratioM
~"Regulation.
'Specles coft1)olltlon 'Mangroves biophysical properties oTypesof lNogmes forest ,Landform -As,oclated Landcover and Landuse 'SoU .ad sediment ·TIde. 'Sallnlty 'Dlstanceto shoreline
LJ.
Mongmyolaod.eapoyarlatlon
'IDslUveb,ndJ ·V1,lbl.bandl to plomentJ '~R b.ndto leaf Internal structures °S'MR band to Ie,f Intem.1 structurlllndw.t.rcont.nt"
VegetaUon
,.---------"
I ,-----------"
DESCRIPTIVE RESOLUTION I CATEGORICAl. RESOLUTION
lJ
'Sampllng design -Sampling mapping unit -Sampling methods ·Manoroves bloohvlleal
Flc!ddaycoi!tdlon
~lli ·Sp.ctral 'SpaUaI -Radiometric -Temporal
,
:
: :
:
, , , , , ,
,,,~---------- ... ,,
INPUT DATA AND CONSIDERATION AND MAPPING METHODS
•
• Sensor calibration -Atmolphericcondltlons
Bad!9mttr!CCQae~
. Geometric correctio(!J 'Senlor behaviors . °Localtopography
IDigital clllllflcaUon I
lmagefractlon/ng ·Un.anpedtlll unmlxlng ·Spectralangle mapper
\,=:-~-~:~::--::::::--:---
I
'.-------., -Sun illumination
I
I
I I
I
I
,'--------------------------~,
,
MOPEUNG
Gambar 8.8 Kerangka kerja teknis yang direkomendasikan untuk pemetaan stok karbon mangrove
I
OUTPUT
8.5 Model Penginderaan Mangrove
Jauh untuk Pemetaan Stok Karbon Padang Lamun dan Hutan
Dari kerangka kerja logis dan teknis diatas, model penginderaanjauh untuk pemetaan stok karbon padang lamun dan hutan mangrove dikembangkan. Model ini dapat digunakan untuk memetakan stok karbon padang lamun dan hutan mangrove pada level komunitas dan spesies. Menggunakan model ini, stok karbon padang lamun dapat dimodelkan dan diestimasi hingga kedalaman maksimum penetrasi tubuh air dari spektral band dari sistem penginderaan jauh pasifyang digunakan. Model penginderaanjauh tersebut disajikan pada Gambar 8.9. Remote Sensing Dat. llJ~speciaI.
hyperspecr.j, salelile. Ubome
VISibE:a'ldrfR
SpalalresolJtion
-+ Ellectivemapp;ngscale
Image Conoctlons Geometric Atmospheric Sunglint (Seagrass only, requires Infrarodband) Water CoItm1 (50_ss only. req_ ballymety. wa~cofumn attenuation coetridenl,
(mask out land, olherbenlhlc
i ~
i
y
Seagrass field measurement (s~ mapping unit tnm seagrasslsodatadassificatioo+
I
relative density + landscape, harvest sampling,
batlyme~+
! coastal ~
-J
Mangrove masking (mast ClItOItIer land coYers, water)
Im.geready
Mangrove field measurement (saqling mapping lA'Iit tom lsodata dassification+vevet,aoonindex.dbh! hdght
allometric)
Seagrass field data .nalysls
compositon,
percentCO'lef,
!L..s_hooI_de...:~=I~:::. LA::;.=~:!t=a::c7_;ng_",,_P.-,
I
Image Transformation Prindple ComponentAn
i
Vegetation Index
Une" Spec'~ l.illlix;ng (lSU) Spectral Angle Mapper(SAM)
Mangrovefielddata analysis
I
(abnetriceslimales.wooddet1~. mangro",biophysicalproperties _sh~)
I
(spedescomposition,biomass, carbonstoc:tr;)
1~-=Se=on=:~=:=:3:c:~=d=:~=.t=~=aI~1
i (species
~
l
l
'---'--~
photo-transecO
;,' """~ana/y ••• -.yanalysis. seagrass biophysical properties
I
- -.----.l------.~ measurement
i~::;:r===~
i
I
water)
habitats. 0!Jti
-..--.---..- ..-~ i
I
Seagrassmasldng
I
renectanceofpure
Imag.Classlfication SpedesorSj>edes~ mapping using: Per-jilxeldassitlcation ~asedclassJicalion Tranilg area tCln ie" data
Mang"",e field data
Seagrass Carbon Stock Map (Seagrasscarbon stodI: estinate)
I
I
I
MangroveCarbon Stock Map (MMIgrovecamon skldt estimate)
Accuracy assessment Confusion marlx (Categorical data)
I
I
Gambar 8.9 Model penginderaan jauh untuk pemetaan stok karbon padang lamun dan hutan mangrove 36
Menggunakan
model tersebut,
dan hutan mangrove
jumlah
di Pulau Karimunjawa
yang lebih luas, model ini dapat digunakan dan hutan mangrove
diseluruh
Indonesia.
stok karbon
yang tersimpan
dan Kemujan
untuk memprediksi
Ringkasan
di padang
dapat diprediksi.
lamun
DaJam konteks
stok karbon padang
dari estimasi
lamun
stok karbon padang lamun
disajikan pada Tabel 8.1. Tabel 8.1 Resume dari estimasi stok karbon padang lamun. Nilai dalam kurung adalah nilai rerata dan (-) menunjukkan bahwa tidak ada data referensi yang telah dipublikasikan. Model untuk stok karbon tanah hanya sedalam 10 em, sedangkan data referensi sedalam 1 1D. Living Biomass Rata-rata (ton Clha) Karimunjawa
Indo-pacific
Indonesia
model
Global
model
data
model
Data"
model
-
-
-
0.610±0.26
-
0.603±O.02
Data' 2.514±O.49
Total estimasi (ton C) Karimuniawa
!ndo-pacifie
Indonesia
model 132.909 190.471 (159.790)
model 1.81 x 10' -3.62 x 106
data' 7.6x 10615.1 x 106
Global
data
model
-
model 18.1 x 10' -36.2x 106
-
data' 76 x 106151 x 106
Sedimen Rata-rata (ton Clha) Karimuniawa
Indo-pacific
Indonesia model data
model 2.367±1.06
-
Global
model
Data"
model
Data"
-
23.600±8.30
-
I94.200±20.2
-
Total estimasi (ton C) Indo-pacific Indonesia data data' model .model 0.071 x 10'4.2" 10'8.4 x 10' 0.142x 8 10 et al. (2012), 0 Fourqurean et al. (2014)
Karimuniawa model 175.020 432.432 (276.633)
Global
-
,
Fourqurean
model
data'
0.71 x 10' - 1.42 x 10'
42 x 10'-84 x 10'
(pendleton
besarnya social cost of carbon sebesar 41USD/ton of released C02 et al. 2012), kerusakan habitat lamun di Indonesia akan mempunyai dampak dan
kehilangan
sosia! sebesar
Menggunakan
Karimunjawa Indonesia.
dan Untuk
356.12 USD/ha,
41,624.917
per
pariwisata), Untuk
114,024,000,000
sedimennya,
seluruh
400
dan ekonorni
padang
USD per tahun. Jumlah
padang
seluruh
lamun
padang
lamun di Pulau Karimunjawa
(keragarnan
lamun
untuk
lamun di Indonesia.
di Pulau lamun
dan Kemujan
di Indonesia,
padang
pantai, kuaJitas air,
(Fourqurean
et al. 2014),
bernilai 2,321,528.64
padang
di
sebesar
dan Kemujan,
Dari dukungan
hayati, perlindungan
18,004 USD/ha/tahun
lamun di Karimunjawa padang
USD untuk
USD
social cost of carbon-nya diprediksi
USD untuk padang
padang lamun bernilai
122.16 ha padang
tahun.
23,457.172
544,701,
USD untuk seluruh
lamun dari aspek ekologi sehingga
dan
stok karbon
dan 2,136,774,313 perikanan,
88.52 USD/ha,
Kemujan,
lamun
yang sang at besar ini menunjukkan
bernilai besarnya
USD sekitar nilai
37
dan dukungan ekologis maupun ekonomis dari padang lamun yang akan hilang jika mereka rusak dan hilang. Rusaknya hutan mangrove di Indonesia akan mempunyai dampak buruh setara dengan 39,267.5 USD/ha, 16,993,780.8 USD untuk mangrove di PuIau Karimunjawa dan Kemujan, dan 132,102,000,000 USD untuk seIuruh hutan mangrove di Indonesia. Untuk stok karbon yang tersimpan dalam tanah hutan mangrove, social cost of carbon diperkirakan sebesar 15,543.5 USD/ha, 6,888,411.7 USD untuk mangrove di Pulau Karimunjawa dan Kemujan, dan 51,293,718,300 USD untuk seIuruh hutan mangrove di Indonesia. Dari dukungan mangrove dari aspek ekologi dan ekonomi (keragarnan hayati, perlindungan pantai, kualitas air, perikanan, pariwisata, kayu), hutan mangrove bernilai 9,900 USD/ha/tahun (Fourqurean et al. 2014), sehingga hutan mangrove di Karimunjawa dan Kemujan bernilai 4,816,678.5 USD per tahun. Pada level nasional, hutan mangrove bernilai sekitar 32,967,000,000 USD per tahun. Tabe18.1 Resume dari estimasi stok karbon hutan mangrove. NiIai dalam kurung adalah niIai rerata dan (-) menunjukkan bahwa tidak ada data referensi yang teIah dipublikasikan. Model untuk stok karbon tanah hanya sedalam 30 em, sedangkan data referensi sedalam I m.
Karimunjawa model 266.04 Karimunjawa model 112,938
Living Biomass Rata-rata (too C/ha) Indonesia Global model model data' data" I I 97.57 79.90 I I Total estimasi (too C) Indonesia Global model data" model data' I I 877.932 x 10 I 321.981 x 10 4,043.808 x 10" I 1,200 x 10" Taoab Rata-rata (too Clba) Indonesia Global data' model model I I data' 328.95 309.09 I I Total estimasi (too C) Indonesia Global data' model model I I data' 1,020 x 10' 340.89 x 10' I 1,570.16 x 10' I 5,000 x 10' .. (2009), • Nelleman (2009), e Jardme & Siikamaki (2014)
-
-
-
Karimunjawa model 103.3
f---
Karimunjawa model 45,779.303 a
Murdiyarso et ai.
-
-
Terakhir, stok karbon padang lamun dan hutan mangrove hasil pemodelan penginderaan jauh dapat dibandingkan dengan stok karbon dari habitat lain. Gambar 8.10 menunjukkan bagaimana hutan mangrove di Pulau Karimunjawa dan Kemujan mempunyai stok karbon living biomass (AGC+BGC) yang sangat tinggi jika dibandingkan dengan habitat lain dan rata-rata mangrove global. Untuk padang lamun, meskipun biomasa tegakannya rendah, mampu mengubur dan menyimpan karbon yang sangat besar dalam sedimennya.
38
Uving Biomass Carbon Stock 300
266.04
250 D
.c
200
\:1 150 e II 100
12C.45 79.9
50 ~~~"L.JIL~~.·.33-r~7_.2
__ r-L_7_6,-6_.3_2~_1_.U __ r4~2 •.8L6,-0_.W __3~2_.5_1-r~~~
0
Soil Carbon Stock 800
72857
700
.
.c
600 500
\:1 400 e II 300
343.8
328.94 236
200 100 0
Gambar 8.10 Perbandingan rata-rata stok karbon antar carbon sinks (Laffoley & Grimsditch, 2009; • Nelleman, 2009; Fourqurean et al. 2014; Hasil penelitian ini)
39
BAB IX. KESIMPULAN DAN REKOMENDASI 9.1 Kesimpuian Tujuan dari penelitian ini adalah (I) memetakan stok karbon padang lamun dan mangrove dengan menggunakan penginderaanjauh (2) mengembangkan model penginderaan jauh untuk pemetaan stok karbon padang lamun dan mangrove, dan (3) mengestimasi stok karbon yang tersimpan di padang lamun dan hutan mangrove Kepulauan Karimunjawa Untuk mencapai tujuan ini, berbagai macam proses, eksperimen dan analisis telah dilakukan. Berikut adalah kesimpulan dari penelitian ini: I. Penginderaan jauh dapat digunakan untuk memetakan stok karbon padang lamun dan mangrove. Stok karbon padang lamun dapat dipetakan dengan akurasi maksimum 49,23% untuk AGC (SE = 6,64 gC / m2), 55,64% untuk BGC (SE = 59,52% gC / m2), dan 92,9% untuk stok karbon sedimen (SE = 17,41 gC / m2). Mangrove AGC, BGC, dan stok karbon tanah dipetakan dengan akurasi maksimum masing-rnasing 77,81% (SE = 5,71 kgC / m2), 60,82% (SE = 2,48 kgC / m2), dan 82,5% (SE = 1,22 kgC / m2). 2. Model penginderaan jauh untuk pemetaan stok karbon padang !amun dan mangrove mencakup logika dan kerangka kerja pemetaan. Logika pemetaan menjustifikasi kernampuan data penginderaan jauh untuk mendeteksi variasi stok karbon. Kerangka pernetaan meliputi pernilihan input yang sesuai, asumsi dan keterbatasan selama pemetaan, metodologi untuk memetakan stok karbon, serta rentang akurasi yang diharapkan. Pernilihan input yang cocok mempertimbangkan skala pemetaan dan konfigurasi lingkungan padang lamun atau mangrove, asumsi dan keterbatasan memberikan landasan bagi kegiatan pemetaan yang ideal, metodologi untuk memetakan stok karbon meliputi berbagai teknik pengolahan citra dan prosedur pengumpulan data lapangan serta prosedur pemetaan .yang paling efektif, kisaran . akurasi yang diharapkanmencantumkanakurasi yang dapat diperoleh untuk tiap iriput dan prosedur pemetaan yang berbeda. 3. Berdasarkan model penginderaan jauh untuk pemetaan stok karbon yang dikembangkan dalam penelitian ini, estimasi stok karbon di padang lamun dan hutan mangrove di Kepulauan Karimunjawa dapat dilakukan. Padang lamun di Kepulauan Karimunjawa diperkirakan menyimpan 307,93-622,9 ton karbon organik, terdiri dari 11,03-15,58 ton AGC, 121,88-174,89 ton BGC dan 175,02-432,43 ton organik karbon di sedimennya. Hutan mangrove di Kepulauan Karimunjawa diperkirakan menyimpan 136.238,72 - 181.195,88 ton stok karbon organik, yang berasal dari 86.176 - 96.482 ton AGC, 19.154 - 24.064 ton BGC dan 30,908.72 - 60,649.88 ton organik karbon tanah. 9.2 Rekomendasi Kedepan, pemetaan stok karbon padang lamun dan mangrove, serta properti biofisik lainnya, dapat menggunakan data hiperspektral yang dikombinasikan dengan data penginderaan jauh aktif untuk mendapatkan akurasi yang lebih baik dan kontinuitas data. Penginderaan jauh pasif sangat terganggu oleh tutupan awan dan kabut, dan karenanya untuk
40
pemetaan mangrove, sistem penginderaan jauh aktif seperti LIDAR adalah alternatif yang baik. Untuk pemetaan padang lamun, penggunaan LIDAR bawah air dan SONAR dapat digunakan untuk membantu mengidentifikasi karakteristik dasar !aut. Akutasi peta stok karbon padang lamun clan mangrove menggunakan data multispektral dari penelitian ini dapat dijadikan baseline untuk pemetaan di masa mendatang. Karena citra hiperspektral memiliki keunggulan spektral atas data multispektral, mereka memiliki kesempatan yang lebih besar dalam memberikan hasil yang lebih akurat. Karena padang lamun dan mangrove menampung stok karbon dalam jumIah yang sangat besar, mereka harus dilestarikan sehingga potensi mereka sebagai carbon sink alami dan agen penyerap karbon jangka panjang, serta fungsi ekologis dan ekonomis mereka, dapat terjamin, Pelestarian padang lamun dan hutan mangrove sangat penting karena mereka berdua jika digabungkan bemilai ekologis dan ekonomis sebesar 1.46 billion USD per tahun. Langkah pertama untuk mengelola habitat tersebut secara berkelanjutan adala.h dengan memahami distribusi mereka dalam konteks spasial dan temporal. Model penginderaan jauh untuk pemetaan lamun dan mangrove stok karbon yang dikembangkan dalam penelitian ini dapat digunakan mengestimasi dan menghitung blue carbon sink di Indonesia, khususnya padang lamun di pulau-pulau kecil dan hutan mangrove tipe oceanic yang masih alami. Dengan agenda pemerintah yang ingin menjadikan Indonesia sebagai poros maritime, sangat mungkin nantinya padang lamun dan hutan mangrove menjadi perhatian utama. Salah satu pilar dalam menuju Indonesia sebagai poros maritime adalah melindungi dan mengelola sumberdaya alam pesisir dan laut untuk ketahanan pangan meIalui industri perikanan.Melindungi kedua ekositem ini dapat membantu terwujudnya pilar tesebut, karena kesehatan padang. lamun dan hutan mangrove akan sangat mempengaruhi kelestarian dan keberlanjutan dari perikanan tangkap, menjaga fungsinya dalam konteks perubahan iklim global dan sektor pariwisata. Kedepan juga penting untuk mempertimbangkan biomasa dari epifit yang menempel pada Iamun dan fitoplankton yang berada di kolom air karena mereka juga berkontribusi pada resultan pantulan spektral lamun yang terekam oleh sensor dan juga pada total stok karbon ekosistem padang lamun, Disarankan juga untuk melakukan penelitian serupa pada padang lamun dan hutan mangrove dengan kondisi biogeografi yang berbeda, dan juga dengan data penginderaan jauh lainnya, baik sistem aktif maupun pasif. Hal ini penting untuk memaharni lebih jauh lagi maximum descriptive resolution dari data penginderaan jauh untuk pemetaan padang lamun dan hutan mangrove.
41
DAITAR PUSTAKA R., Osawa, T., & Adnyana, I. W. (2010). Medium Spatial Resolution Satellite Imagery to Estimate Gross Primary Production in an Urban Area. Remote Sensing, 2, 1496-1507. Capolsini, P., Andrefouet, S., Rion, C, & Payri, C. (2003). A Comparison of Landsat ETM+, SPOT HRV, IKONOS, ASTER and airborne MASTER Data for Coral Reef Habitat Mapping in South Pacific Island. Canadian Journal of Remote Sensing, 29 (2), 187-200. Dierssen, H. M., Zimmerman, R. c., Drake, L. A., & Burdige, D. (2010). Benthic ecology from space: optics and net primary production in seagrass and benthic algae across the Great Bahama Bank. Marine Ecology Progress Series, 411, 1-15. Duke, N. C., J, M., & A, W. (20 (3). Preliminary assessment of biomass and carbon content of mangroves in Solomon Islands, Vanuatu. Fiji, Tonga and Samoa James Cook University. Townsville: Centre for Tropical Water & Aquatic (Trop WATER). Eveleth, R. (2010). Seagrass: A Potential Carbon Sink (Report ENVR 102). UNEP. Fatoyinbo, T. E., & Armstrong, A. H. (2010). Remote Characterization of Biomass Measureroents:Case Study of Mangrove Forests. In M. Momba, & F. Bux (Eds.), Biomass. Croatia: Sciyo. Fatoyinbo, T., Simard, M., & Washington-Allen, R. A. (2008). Landscape scale height, biomass and carbon estimation of mangrove forests with Shuttle Radar Topography Mission elevation data. Journalfor Geophysical Research-Biogeosciences, 113. Fornes, A., Basterretxea, G., Orfila, A., Jordi, A., Alvarez, A., & Tintore, J. (2006). Mapping Posidonia oceanica from IKONOS. ISPRS Journal of Photogrammetry & Remote Sensing, 60,315-322. Fourqurean, J. (2014, OOober 21). Estimates of Sea grass Carbon Storage -Indonesia. Rio Grande, Brasil: The Blue Carbon Initiative, International Scientific Working Group Meeting. Fourqurean, J. W., Duarte, C. M., Kennedy, H., Marba, N., Holmer, M., Mateo, M. A., et a1. (2012). Seagrass ecosystems as a globally significant carbon stock. Nature Geoscience, 5,505-509. Green, E. P., Mumby, P. J., Edwards, A. 1., & Clark, C. D. (2000). Remote Sensing Handbookfor Tropical Coastal Management. Coastal Management Sourcebooks 3. (A. 1. Edwards, Ed.) Paris: UNESCO. Hedley, J. D., Harbome, A. R., & Mumby, P. J. (2005). Simple arid Robust Removal of Sunglint for Mapping Shallow-Water Benthos. International Journal of Remote Sensing, 26 (10), 2107-2112. IPCC. (2003). /PCC Good Practice Guidance for Land Use, Land-Use Change and Forestry Prepared by the National Greenhouse Gas Inventories Programme. (J. Penman, M. Gytarsky, & T. Hiraishi, Eds.) Hayama: IGES. Jardine, S. L., & Siikamaki, J. V. (2014). A Global Predictive Model of Carbon in Mangrove Soils. Environmental Research Letters, 9, 1-9. . Kamal, M., & Phinn, S. (2011). Hyperspectral Data for Mangrove Species Mapping:A Comparison of PixelBased and Object-Based Approach. Remote Sensing, 3, 2222-2242. Knudby,> A., & -Nordlund, L. (20 Il). Remote sensing of seagrass in a patchy multi-species envirmmenl International Journal of Remote Sensing, 32 (8), 2227-2244. . Komiyama, A., Ong, J., & Poungpam, S. (2008). Allometry, biomass, and productivity of mangrove forests: A review. Aquatic Botany, 89, 128-137. Komiyama, A., Poungparn, S., & Kato, S. (2005). Common allometric equations for estimating the tree weight of mangroves. Journal of Tropical Ecology, 21,471-477. Laffoley, D., & Grimsditch, G. (2009). The management of natural coastal carbon sinks. (G. Grimsditch, Ed.) Gland, Switzerland: !UCN. L~ X., Gar-on Yeh, A., Wang, S~ Liu, K., Liu, X., Qian, J., et a1. (2007). Regression and analytical models for estimating mangrove wetland biomass in South China using Radarsat images. International Journal of Remote Sensing, 28 (24), 5567-5582. Lucas, R. M., Mitchell, A. L., Rosenqvist, A., Proisy, C., Melius, A., & Ticehurst, C. (2007). The potential ofLband SAR for quantifying mangrove characteristics and change: case studies from the tropics. Aquatic Conservation: Marine and Freshwater Ecosystems, 17, 245. Lyons, M. B., Phinn, S. R., & Roelfsema, C. M. (20 (2). Long term land cover and seagrass mapping using Landsat and object-based image analysis from 1972 to 20 lOin the coastal environment of South East Queensland, Australia. ISPRS Journal of Photogrammetry and Remote Sensing, 71, 34-46. Lyons, M., Phinn, S., & Roe1fsema, C. (2011). Integrating Quickbird Multi-Spectral Satellite and Field Data: Mapping Bathymetry, Seagrass Cover, Seagrass Species and Change in Moreton Bay, Australia in 2004 and 2007. Remote sensing, 3,42-64. Lyzenga, D. R. (1978). Passive Remote-Sensing Techniques for Mapping Water Depth and Bottom Features. Applied Optics, 17, 379-383. Meyer, C. A., & Pu, R. (20 II). Seagrass resource assessment using remote sensing methods in St. Joseph Sound and Clearwater Harbor, Florida, USA. Environmental Monitoring Assessment, 184 (2), 1131-1143. As-syakur,
42
E., Proisy, c., Marty, G., Fromard, F., Puig, H., Betoulle, J. L., et al. (1999). Multifrequency and multipolarisation radar backscattering from mangrove forests. IEEE Transactions on Geoscience and Remote Sensing, 37,94-102. Mumby, P. J., Green, E. P., Edwards, A. J., & Clark, C. D. (1997). Measurement of sea grass standing crop using satellite and digital airborne remote sensing. Marine Ecology Progress Series, 159, 51-60. Murdiyarso, D., Donato, D., Kauflinan, J., Kurnianto, S., Stidham, M., & Kanninea, M. (2009). Carbon storage in mangrove and peailand ecosystem: A preliminary account from plots in Indonesia. Center for International Forestry Research: Bogor. Nellemann, C., Corcoran, E., Duarte, C. M, Valdes, L., De Young, c., Fonseca, L., et al. (2009). Blue Carbon A Rapid Response Assessment. (G. Grimsditch, Ed.) United Nations Environment Programme, GRID-Arenda!. Pasqualini, V., Pergent-Martini, C., Pergent, G., Agreil, M., Skoufas, G., Sourbes, L., et a!. (2005). Use of SPOT 5 for mapping seagrasses: An application to Posidonia oceanica. Remote Sensing of Environment, 94,39-45. Pendleton, L., Donato, D., Murray, B., Crooks, S., Jenkins, W., Sifleet, S., et al. (2012). Estimating Global "Blue Carbon" Emissions from Conversion and Degradation of Vegetated Coastal Ecosystems. PlosOne, 7 (9). Phinn, S. R, Roelfsema, C. M., Brando, V., & Anstee, J. (2008). Mapping seagrass species, cover and biomass in shallow waters: An assessment of satellite multi-spectral and airborne hyper-spectral imaging systems in Moreton Bay (Australia). Remote Sensing of Environment, 112, 3413-3425. Proisy, c., Mougin, E., Fromand, F., Trichon, V., & Karam, M. A. (2002). On the influence of canopy structure on the polarimetric radar response from mangrove forest International Journal of Remote Sensing, 23,4197-4210. Proisy, C., Mougin, E., Fromard, F ~ & Karam, M. A (2000). Interpretation of polarimetric radar signatures of mangrove forests. Remote Sensing of Environment, 71, 56-66. Pu, R, Bell, S., Levy, K. H., & Meyer, C. (20 I 0). Mapping detailed seagrass habitats using satellite imagery. Proceedings of IGARSS 2010. Honolulu, USA: lGARSS. Roelfsema, C. M., Phinn, S. R, Udy, N., & Maxwell, P. (2009). An Integrated Field and Remote Sensing Approach for Mapping Seagrass Cover, Moreton Bay, Australia. Spatial Science, 54 (1), 45-62. Sagawa, T., Mikami, A, Komatsu, T., Kosaka, N., Kosaki, A, Miyazaki, S., et al. (2008). Technical Note. Mapping seagrass beds using IKONOS satellite image and side scan sonar measurements: a Japanese case study. International Journal of Remote Sensing, 29 (I), 281-291. Short, F. T., & Coles, R G. (2001). Global Seagrass Research Methods. (R G. Coles, Ed.) Amsterdam: Elsevier Science B. V. Simard, M., Zhang, K., Rivera-Monroy, V. H., Ross, M. S., Ruiz, P. L., Castaiieda-Moya, E., et a!. (2006). Mapping Height and Biomass of Mangrove Forests in Everglades National Park with SRTM Elevation Data. Photogrammetric Engineering & Remote Sensing, 72.(3),299-311. Thenkabail, P. S., Stucky, N., Griscom, B. W., Ashton, MS., Enclona, E., Diels, J., et al. (2002). Biomass . Estimations and Carbon Stock Calculations in the Oil Palm Plantations of African Derived Savannas using IKONOS Data. FlEOS 2002 Conference Proceedings. lSPRS. Vaiphasa, C., Skidmore, A. K., & de Boer, W. F. (2006). A post-classifier for mangrove mapping using ecological data,. PamiRS, 61 (I), 1-10. Wicaksono, P., & Hafizt, M. (2013). Mapping seagrass from space: Addressing the complexity of sea grass LAl mapping. European Journal of Remote Sensing, 46, 18-39. Wicaksono,' P., Danoedoro, P., Hartono, Nehren, U., & Ribbe, L. (2011). Preliminary work of mangrove ecosystem carbon stock mapping in smaIl island using remote sensing: above and below ground carbon stock mapping 00 medium resolution satellite image. Proc. SPIE 8174, Remote Sensingfor Agriculture, Ecosystems, and Hydrology Xlll, 81741 B. Prague: SPIE Remote Sensing. Yang, D., & Yang, C. (2009). Detection of seagrass distribution changes from 1991 to 2006 in Xincun Bay, Hainan, with Satellite Remote Sensing. Sensor, 9, 830-844. Yang, D., Yang, Y., Yang, C., Zhao, J., & Sun, Z. (2011). Detection ofseagrass in optical shaUow water with Quickbird in the Xincun Bay, Hainan province, China. lET Image Processing, 5 (5),363-368. Mougin,
43
LAMPIRAN 1: PETA STOK KARBON PADANG LAMUN
r---
r-=------=-;-----
IS. •••••• -. CotbooIS_..... at Spedes
:-
••
'
;
;_ j
level
.•
I
i
·t··~~·-'~I .
==.:~
I I; . za..••.••••••
II-~:~--I
"":-----
11-- -
fIIOIt·....
.-
=-:,.:.~
1--- •••...•..•.
Ii
I
JAVUEA
i
!
I ...,---
__
I ---~
I '. I
: I
II
I
I
I
J
44
---Soo9--
,I
-,... .-.
-
...........•..••.. _.r---~.......-
••••
1Jftoi
IJA~_ I
l f
45
LAl\1PIRAN 2: PETA STOK KARBON MANGROVE
-I
-
+' . .'-', ,....,...,.mr ...., .•.•......~ .•. ~l1niI
,....--••... ·.....,...
•• IoWGl'OIfnd
M.OI AYMIR~· PCA
~-_-- ..........• ~_I'
~
•
1
.
.-. •••. ..,........WC&t-*
--46
.• _... _. __ . __.... _---_._-------_
_._._-_._
.•.• _,----_
.•-r-r-t
---·~t--
-"'" ,! Z-:4i""'~-*""" ~"_UIIU
It) l-
I~ i • --T-lAYiJ_,1
,
r-.•... ---··--·-· .--i lllAouo.*,"
.•.. ,_,.-"""c:.. ~_;--tl.--'---'I:;-·':O-:'c::. [C1\A';,_"'a.;.
,
~*••. e,tiIa
:: i
•.•--
1 •••••• __ OtlW--..-..
Ii
" •••••••••••
.-.
;-=$..~
47
CURRICULUM
INFORMASI
UMUM
Name
: Pramaditya
Wicaksono,
VITAE
S.Si., M.Sc.
Tempat Lahir : Semarang Tanggal Lahir : 6 Juli 1987 Jenis Kelamin
: Pria
NIP
: 198707062014041002
NIDN
: 0006078701
Warga Negara : Indonesia Pekerjaan
: Dosenllllb
Afiliasi: •
Kartografi dan Penginderaan
Jauh, Fakultas Geografi, Universitas Gadjah Mada
Keluarga Ayah
: Ir. Wahyu Herwanto
Ibu
: Sri Mulyo Pudji Astuti
Saudara
: Prama Ardha Aryaguna, S.Si. (Adik)
Lain-lain: •
Anggota SPIE - The International
•
Reviewer lET image Processing Journal, Remote Sensing section (Belong to The Institution
ofEngineering
Societyfor
Optics and Photonics
and Technology.
•
Reviewer European journal
•
Anggota pengurus pusat MAPIN
United Kingdom)
of Remote Sensing
Alamat
: Banteng Perbsa
No •. HP
: +62 856 29269071 +6281391179917
E-mail
: prama.wicaksono(u.lgco.ugm.ac.id
Website
: 11I1ps :!/www.researCh!!ale. n~l/profile!Pramndil va Wicaksono'
GRANTSIBEASISW I.
A
international Tropics".
Grant
29 Oktober
(Pan Ocean Remote Administrations, Bcasiswa Scholarship 3.
Beasiswa Universitas
dari
on PORSEC
Training
- 3 November Sensing
Natural
Agemy)
and
for
and Space
Administrations,
Development
the.
Organization
Aeronautics
dan ESA (European
Resources
D1KTI untuk Masters
Validation
by PORSEC
NASA (National
dari DAAD Germany 2010-2013. Unggulan
Sensing
Oceanic andAtmospheric
and Exploration
Center for
"Remote
2014. Coordinated
Conference),
NOAA (National
(The Japan Aerospace 2.
No.1 Dayu Sieinan, DIY, Indonesia
JAXA
Splice Agell(l'). (CNRD)
Ph.D
. Program
MPPDAS
Fakultas
Geografi
Gadjah Mada, 2008-2010.
1
PENDIDIKAN SD SDN Cacaban III Magelang 1992-1998
Nama Sekolah Tahun Masuk-Lulus
SMA SMAN III Magelang
1998-2001
2001-2004
S-1 Universitas Gadjah Mada
Nama Perguruan Tinggi
Bidang IImu
Penginderaan
Tahun Masuk-Lulus Judul Skripsi/T esislDisertasi
Nama Pembimbing/Promotor
SMP SLTPN 1 Magelang
S-2 Universitas Gadjah Mada
,
Jauh
Mada/Cologne University oj Applied Sciences
Geografi
2004-200X Kajian Pengolahan Citra Digital Resolusi Sedang untuk Pemetaan Kondisi Kesehatan Terumbu Karang di Pulau Menjangan Besar dan Menjangan Kecil Kepulauan Karirnunjawa Dr. Sigit Hcru Murti, M.Si., Dr. Nurul Khakhim, M.Si .:
S-3 Universitas Gadjah
200X-2010
Penginderaan Jauh 2010- 2015
Integrated Model oj WaterColumn
Remote Sensing Model
Correction
Developmentfor
Technique to Improve SatelliteBasedBenthic Habitat Mapping. Case study on Menjangan Island
Seagrass and Mangrove Carbon Stock Mapping
Kurimunjawa Prof Dr. Hartono. DEA.., -nESS. Drs. Projo Danoedoro. M.Sc., Ph.D.
Prof Dr. Hartono. DEA., DESS. Drs. Projo Danoedoro. M.Sc .. · Ph.D. Prof Lars Ribbe Dr. Udo Nehren
PlIBLIKASI Internasional I.
Pramaditya
Wicaksono,
Mangrove
Biomass
Multispectral 2.
3.
Remote
Projo Danoedoro, Carbon
Stock
Sensing.
Hartono.
Mapping
of
Udo Nehren, Lars Ribbe. 2015. Karimunjawa
Islands
Using
International Journal of Remote Sensing - 2015
(Article in Press). ISSN 1366-5901. Pramaditya Wicaksono. 2014. The use of image rotations for multispectral-based benthic habitats mapping. Proceedings of the iz" Biennial PORSEC 2014. Pramaditya
Wicaksono.
Projo Danoedoro.
Hartono, Udo Nehren. Lars Ribbe.
Seagrass Standing Carbon Stock Mapping using Multispectral. Symposium
2014. "Research
ITT
2014. Spring
for the Water, Energy, and Food Security Nexus". 2
4.
Pramaditya
Wicaksono,
Remote Sensingfor "Research 5.
Projo Danoedoro.
Continuous
Hartono, Udo Nehren. Lars Ribbe.
for the Water. Energy. and Food Security Nexus".
Pramaditya
Wicaksono,
Addressing
the Complexity
Sensing
20/3.
-
Muhammad
46:
Hafizt. 2013. Mapping
of Seagrass
18-39.
Doi:
Pramaditya
Wicaksono.
identification.
I0.572 I/EuJRS20134602.
Journal
Engineering.
ISSN
0/ Remote 2279-7254.
)
of Advanced
Volume
from Space:
Joumal
2012. The effect of sung lint on satellite-based
International
Communication
Seagrass
LAI mapping. European
(http://www.aitjoumal.comlarticleView.aspx?ID=741 6.
2013.
lIT Spring Symposium 2013
Seagrass LA I Mapping.
Research
I. Issue fi. August
benthic habitat
in
Computer
and
2012. pp 364-370.
ISSN
2278-1021. 7. Projo
Danoedoro,
Nurhidayati. Sanjiwana
Ita Carol ita, Pramaditya
Widayani,
Arjasakusuma,
Support
Pramaditya
Dimar
Wahyu
Activities.
Wahyu
Iswari Wibowo,
o/ALOS
data to
of ALOS Application
Project in Indonesia.
·Wicaksono.
on Multitemporal
Projo Danoedoro.
Analysis.
Report
Verification
Project in Indonesia.
Pramaditya
Wicaksono,
Preliminary
work
remote sensing:
Suharyadi,
Torok
Report and Proceedings
2012. Multitemporal
Mapping using ALOS A VNIR-2: The Importance
9.
Wicaksono,
Anggoro,
Nursida Arif. 2012. Capability Assessment
Various Mapping
and Verification 8.
Sarno,
Prima
and' Proceedings
Projo Danoedoro.
0/ mangrove
Vegetation
Cover
Effect Normalization
of Atmospheric
of ALOS
Application
Hartono, Udo Nehren.
and
Lars Ribbe. 2011.
ecosystem carbon stock mapping in Small Island using
above and below ground
carbon
mapping
medium
VII
resolution
satellite image. SPIE Remote Sensing Vol. R 174-50 "Remote
Sensing for Agriculture.
Ecosystems,
ISBN 978-081-94880-1-
and Hydrology
XIIl". Doi: 10.1117112.897926.
5. 10. Pramaditya
Wicaksono,
Sigit Heru Murti. 201 I. Evaluation
for Coral Reef Cover Mapping. Kecil Island. Karimunjawa Asian
Survey
Congress
Performance
of ASTER
Case Study in Menjangan
Besar and Menjangan
Island. indonesia. Proceedings of The II'h South East 131h IntematiohaI Surveyors Congress. "Innovation
and
towards Sustainability". II. Pramaditya
Wicaksono.
Natural
Carbon
Seminar
on Marine.
Hanono,
Sink .. A Remote "Sustainable
Projo Danoedoro. Sensing Marine
2011. Mapping
Approach.
Seagrass
Proceedings
and Coastal
as a
of International
Resource
Management
ill
Coral Triangle Initiative (CTI) Region", pp 407-422. ISBN: 978-979-15873-8-9. 12.Sigit and
Heru Murti, Prarnaditya Geographic
Information
Kaligarang
Watershed.
"Featuring
the Indonesian
Opportunities
Wicaksono. System
Proceedings
2010. The Integration
for
Flood
of
Indonesia
Delta
Deltas to the World: Understanding
for Adaptation
of Remote Sensing
Characteristic
to Global Climate Change",
Identification
Forum
(IDF
the Challenges
pp 159-164.
ill
2010). and
ISBN 978-
979-1266-68-0. J3.Prarnaditya
Wicaksono,
Band Contribute
Sigit Heru Murti. 2009. Factor Loadings
More on Coral Reef Health Condition
Identification.
Analysis:
Which
Proceedings
of
3
The 10'h South East Asian Survey Congress. "Integrating
Geo-lnformation
Island".
pp 166-171. ISBN: 978 - 979 - 26 - 6953 - 4.
I.
Pramadit),a Wicaksono,
Prama Ardha Aryaguna,
Hubitat Bentik Sebugui Dusur Pengrloluan
Hidayat Akhyar.
Studi Kasus Pulau Menjongan Besar dan Menjangan ProsidingSeminar 2.
~O15. Pemetaan
Wiluyah Pesisi: dun Puluu-Pulau
Kecil,
Kecil Kepuluuan Karimunjawa.
Nasional ke-I Pengelolaan Pesisir dan Dacrah ·Aliran Sungai,
Pramaditya Wicaksono.
Nur Mohammad Farda. 2015. Aplikasi Algoritma Klasifikasi
Mean Shift untuk Pemetaan
Habitat Beutik SllIdi Kn.
KarimUII;lIIl'O.
Prosiding PIT MAPIN XX ~015. 3. Dimar
Wahyu
Integration
Anggara,
or Active
Pramaditva
Projo
Danoedoro.
The
2015.
Forest Stand-
and SRTM Datu. Presiding PIT l'"lAPIN XX ~015.
Fulllme using ALOS.4~NIR-:
4. Sigit Heru Muni,
Wicaksono,
and Passive Remote Sensing System: Mapping
Pramaditya
Wicaksono.
2014.
Analisis
Saluran
Spcktral
yang
Dalam Identifikasi Kesehatan Terumbu Karang. Majalah Ilmiah
Paling Berpengaruh
Globe, 16(1): 113-120. ISSN: 1411-0512. 5. Pramaditya
Wicaksono.
Penginderuan
Jauh
Karimunjawa.
Prosiding
2014 .. Pemetaan
Resolusi
Spasial
Makro
Alga
di
Pulau
Tinggi
Seminar Nasional Teknologi
Menggunakan Kemujan
Citra
Kepulauan
Terapan II. ISBN 978-602-
1159-06-4. 6. Pramaditya Wicaksono, Remote Sensing-hosed
Muhammad Hafizt, Ridwan Ardiyanto. Initial Results of Benthic Habitat Classification Scheme Development oj
Karimunjawa Islands. Presiding Simposium Nasional Sains Geoinformasi "Meningkatkan Kualitas Data Geospasial Melalui Spasial", pp 233-239. ISBN 978-979-98521-4-4. 7. Sanjiwana 2011.
Artarajasa,
Yanuar Adji Nugroho,
Isti Fadatul.
Evaluasi Metode Fusi Citra Multi Resolusi
Bovik dan Object Based Image Analysis
Analisis
(OBIA).
Pramaditya
rnenggunakan
Presiding Simposium
- II 20 I I. "Membangun
Wilayah", pp 3 J 7-325. ISBN: 978-602-19265-0-5.
Menjangan
Kondisi Kesehatan
Besar dan Menjangan
Wang
Nasional
Informasi Geospasial untuk Pengeloluan
Sains Geoinformasi
ASTER dalam Pemetaan
Wicaksono.
Algoritrna
dan Pengembangan
8. Pramaditya Wicaksono. 2008. Perbandingan
- III 2013.
Citra don Pemodelan
Kemampuan
Citra Landsat 7 ETM+ dan
Terumbu Karang.
Kecil, Kepulauan
Studi Kasus Pulau
Karimunjawa.
Proceedings
PIT MAPIN XVII. "Kebijakan dun Trend Trknologi P•.nginderuan Pengelolaan Sum her Daya Alam dan Lingkungan", pp 404-410.
Jauh
of
dalum
PENELlTlAN I. Rcprcscntasi
Landskap Bawah A ir Habitat Bentik Menggunakan
Jauh Multispektral
Data Pcngindcraan
di Pulau Kernujan. Hibah Penelitian Dosen Sekolah Vokasi UGM
(2015). 4
2. Pengaruh Variasi Kualitas Radiometrik Pemetaan
Data PenginderaanJauh
Terhadap
Akurasi
Biofisik Padang Lamun pada Level Data Kategori dan Kontinyu .. Hibah
Penelitian Dosen Fakultas Geografi UGM (2015). 3.
Integrasi Teknik Rotasi Citra, Transfonnasi Peningkatan
Akurasi
Pemetaan
Habitat
Citra dan Pernodelan
Bentik
Menggunakan
Batimetri
dalarn
Data Muhispekual.
Hibah Penelitian Dosen Fakultas Geografi UGM (2014). 4.
Pemetaan
Makro
Alga Menggunakan
data Multispektral.
Hibah
Penelitian
Dosen
Sekolah Vokasi UGM (2014). 5. Kajian
Pengelolaan
Mangrove
di Kabupaten
Serang.
Kerjasama
Geografi dan DKPESDM Kabupaten Serang (2014). 6. Pembuatan peta Sumber Daya Alam Digital Provinsi
antara
Fakultas
Kalimantan 'Utara
(2014).
Kerjasama antara Fakultas Geografi dan Bappeda Kalimanta Utara. 7. F~eshwater (2012-
Aquaculture
ongoing
International
site selection for
project).
Kerjasama
Agricultural
Research),
West Province
antara
ACIAR
Ok Teddy
of Papua New Guinea (Australian'
Center
fur
Company
(PNG).
dan
Mining
PUSPICS UGM. &. ACIAR (Australiall Center for IlIt!fIIa/ional Agricultural Research) - Application of Aquaculture Planning Tools in lndonesiu.: Kerjasama ACIAR. PUSPICS UGM. UNSW (University of New South Wales) Australia. University of Sydney and RICA (Research Institutefor 9. Pernodelan'
Coastal Aquaculture).
Kapasitas
Penginderaan
Serapan
Karbon
Jauh Optis, Studi Kasus
(on-guing) Padang
Kepulauan
Lamun
Mcnggunakan
Karimunjawa.
Data
Hibah Penelitian
Dosen Muda UGM (2013). 10. Pengembangan
Sistern Klasifikasi
Habitat Bentik Berbasis Penginderaan
Mendukung Manajemen Sumberdaya Kepulauan Karirnunjawa, pembangunan
Kcrjasama
antara
Jauh unruk
Kecil. Studi Area
Hibah Penelitian Dosen Fakultas Geografi UGM (2013).
II. Pembuatan Detailed Engineering untuk
Alam Pesisir dan Pulau-Pulau
PPI
Design (DED) dan Kerangka Acuan Kerja (KAK)
di Kecarnatan
PUSTEK
UGM.
Puloampel
DKPESDM
Kabupaten
Kabupatcn
Serang
Serang,
(2012).
and Bappeda
Kabupaten Serang. 12. Pembuatan
Rencana
Zonasi Tata Ruang wilayah
Pesisir Kabupaten
Kerjasama PUSTEK UGM. Bappeda Kabupaten Gunungkidul. 13. ALaS
Technical Report.
Working Group 4 - Mapping
Gunungkidul.
and DKP DIY (2012).
Team. JOi111research and
project antara JAXA (The Japan Aerospace and Exploration Agency) Japan, LAPAN dan PUSPICS UGM (2011-2012). ~4. Koreksi Datum, Sistern Proyeksi, dan Garis Pantai Pet a Laut Indonesia. PUSTEK UGM and D1SHIDROS AL (2006-2012). 15. Penentuan
DAS
Prioritas
PUSPICS UGM danBPDAS
dan Identifikasi
Karakteristik
Kerjasama
. DAS
Musi,
Kerjasama
Musi Sumatera Selatan (201'1).
16. Pembuatan Petunjuk Pemetaan Tipologi Pesisir Indonesia. Studi kasus di Kepulauan Karimunjawa, Pulau Panjang. Delta Ujung Pangkah, Delta Wulan, dan Pantai Parangtritis.
Kerjasama PUSPICS UGM dan BAKOSURTANAUBIG
(2009-2011).
5
) 7. Pemetaan Penggunaan
Potensi
Bencana
Pengelolaan-Ekoregicn)
I.
Projo
Danoedoro,
Wicaksono.
dan
Kerusakan
Lingkungan
Akibat
Pengelolaan
Laban di Pulau Kalimantan. Kerjasama PUSPICS UGM dan PPE (Pusat Kalimantan (2011).
Suprajaka,
Sri
Hartini,
Sigit
Heru
Muni
B5,
PrdmadjtY=d
2012. Model Integrasi Remote Sensing dan GIS di Wilayah Pesisir dan
Pulau Kecil: Kasus di Pulau Karimunjawa don Pulau Kemujan, Jawa Tengab. Dalam Modellnventarisasi
Sumber Daya Wilayah Pesisir dan Laut Secara Terpadu Menuju
"One Map Pulicy- (Editor Asep Karsidi, Aris Poniman, Hartono). Bogor: Penerbit PT Sarana Komunikasi
Utama. ISBN 978-979-1291-41-5.
Yogyakarta.3 Pramaditya
Mei 2015
Wicaksono,
5.Si.• M.5c.
6
