PERHITUNGAN EVAPOTRANSPIRASI MENGGUNAKAN CITRA MODIS (STUDI KASUS: DAS CIMADUR, BANTEN)
REYNA PRACHMAYANDINI A14070005
DEPARTEMEN ILMU TANAH DAN SUMBERDAYA LAHAN FAKULTAS PERTANIAN INSTITUT PERTANIAN BOGOR 2012
ii
RINGKASAN REYNA PRACHMAYANDINI. A14070005. “Perhitungan Evapotranspirasi Menggunakan Citra MODIS ( Studi Kasus: Das Cimadur, Banten )”. Dibimbing oleh SURIA DARMA TARIGAN dan BAMBANG H TRISASONGKO. Evapotranspirasi (ET) merupakan komponen neraca air terpenting setelah curah hujan. Saat ini, pengukuran evapotranspirasi dapat dilakukan dengan menggunakan input data yang berbasis penginderaan jauh. Penelitian ini mengkaji persamaan empirik perhitungan evapotranspirasi, yaitu Blaney-Criddle, dengan memanfaatkan nilai Land Surface Temperature (LST) yang diekstrak melalui citra Moderate Resolution Imaging Spectroradiometer (MODIS) sebagai masukan dalam komponen suhu dalam persamaan tersebut. Pada penelitian ini juga dilakukan validasi antara nilai LST MODIS (day dan night), dengan nilai T Stasiun Iklim Darmaga, pada berbagai ketinggian (5 cm, 100 cm, 120 cm) dan waktu (07.00, 07.10, 13.00, dan 13.50 WIB). Pada LST day, temperatur yang diestimasi oleh MODIS, lebih mendekati pengukuran temperatur stasiun iklim pada ketinggian 5 cm, dengan nilai R2 sebesar 0,362. Sedangkan LST night, memiliki hubungan yang cukup kuat dengan T stasiun pada ketinggian 120 cm. Namun demikian, nilai R2 tertinggi didapatkan pada hubungan antara LST night dengan T stasiun pada ketinggian 100 cm, dengan nilai R2 sebesar 0,567. Secara umum, nilai evapotranspirasi potensial yang berada pada DAS Cimadur berada pada rentang 4,45-5,65 mm/hari (mendekati kondisi sebenarnya). Dengan berbasis penginderaan jauh, nilai evapotranspirasi dapat disajikan secara spasial maupun temporal. Namun demikian, terdapat kendala terkait ketersediaan data yang menyebabkan nilai evapotranspirasi hanya tersedia pada bulan-bulan kering. Penelitian ini menunjukkan bahwa jika hal ini diperbaiki dengan mengkombinasikan ketersediaan data LST terbaik dalam 1 bulan, ketersediaan data dalam satu bulan dapat meningkat >50% dari kondisi awal 0%. Hasil validasi antara nilai evapotranspirasi yang dihasilkan pada perhitungan (ETm) dengan nilai evaporasi panci A dan lysimeter, ternyata memberikan nilai ETm yang lebih mendekati nilai evaporasi panci A dengan perbedaan nilai antara keduanya, sebesar 0,82-1,32 mm (untuk 1x1 pixel) dan 0,62-1,34 mm (untuk 3x3 pixel).
Kata kunci : evapotranspirasi, Blaney-Criddle, DAS Cimadur, LST MODIS
SUMMARY REYNA PRACHMAYANDINI. A14070005. “Evapotranspiration Calculation Using MODIS Image (Case Study: Cimadur Watershed)”. Supervised by SURIA DARMA TARIGAN and BAMBANG H TRISASONGKO. Evapotranspiration (ET) is the most important component of water balance after precipitation. Currently, measurement of evapotranspiration can be conducted with the input data based on Remote Sensing data. This research analyzed empiric equation of evapotranspiration, the Blaney-Criddle, using Land Surface Temperature (LST) value, extracted from Moderate Resolution Imaging Spectroradiometer (MODIS), as an temperature input in this equation. In this research validation was made between LST MODIS (day and night) and temperature of climatology station of Darmaga, at various height (5 cm, 100 cm, 120 cm) and times (07.00, 07.10, 13.00, 13.50 WIB). On LST day, temperature estimated by MODIS, closer to the temperature measurement on climatology station at a height 5 cm, with a R2 value 0,362. While the LST night have a fairly strong relationship with the T station at a height 120 cm. However, the highest R2 value obtained on the relationship between LST night with the T station at a height of 100 cm with a R2 value of 0,567. Generally, the evapotranspiration potential value in Cimadur watershed ranged from 4,45-5,65 mm/day (close to actual condition). With remote sensing based, evapotranspiration value can be presented spatially and temporally. However, there are constraints related the availability of data that caused the evapotranspiration value is only available in the dry months. This study shows that if this condition is corrected by combining the best availability of LST within a month, the availability of data in one month can be increased more than 50% from the initial condition 0%. The validation result between evapotranspiration value which is resulted by the Blaney-Criddle (ETm) and evapotranspiration value from evaporation pan A and Lysimeter, was giving the ETm value closer to the evapotranspiration value from pan A with a different value between ETm and pan A ranged from 0,82-1,32 mm (for 1x1 pixel) and 0,62-1,34 mm (for 3x3 pixel). Key word : evapotranspiration, Blaney-Criddle, Cimadur Watershed, LST MODIS
iv
PERHITUNGAN EVAPOTRANSPIRASI MENGGUNAKAN CITRA MODIS (STUDI KASUS: DAS CIMADUR, BANTEN)
REYNA PRACHMAYANDINI A14070005
Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Pertanian pada Fakultas Pertanian Institut Pertanian Bogor
DEPARTEMEN ILMU TANAH DAN SUMBERDAYA LAHAN FAKULTAS PERTANIAN INSTITUT PERTANIAN BOGOR 2012
Judul Nama Mahasiswa Nomor Pokok
: “Perhitungan Evapotranspirasi Menggunakan MODIS (Studi Kasus: Das Cimadur, Banten)” : Reyna Prachmayandini : A14070005
Citra
Menyetujui, Pembimbing I
Pembimbing II
Dr. Ir. Suria Darma Tarigan, MSc. 19620305 198703 1 002
Ir. Bambang H Trisasongko, MSc. 19700903 200812 1 001
Mengetahui, Ketua Departemen Ilmu Tanah dan Sumberdaya Lahan Fakultas Pertanian Institut Pertanian Bogor
Dr. Ir. Syaiful Anwar, MSc 19621113 198703 1 003
Tanggal Lulus:
vi
UCAPAN TERIMA KASIH Alhamdulillahirobbil’alamin. Puji dan syukur kehadirat Allah SWT atas rahmat dan hidayah yang diberikan sehingga penulis dapat menyelesaikan skripsi ini. Ucapan terima kasih dan penghargaan yang tinggi penulis ucapkan kepada : 1. Dr. Ir. Suria Darma Tarigan, MSc. dan Ir. Bambang H Trisasongko, MSc. selaku dosen pembimbing yang telah memberikan motivasi, bantuan, arahan, dan saran dalam penelitian dan penyusunan skripsi. 2. Dr. Khursatul Munibah, MSc. selaku dosen penguji yang telah memberikan masukan dan saran dalam penyusunan skripsi. 3. Orang tua dan keluarga, atas doa, kasih sayang, dan dukungannya baik moril maupun materi selama penulis menjalani masa kuliah hingga selesainya skripsi ini. 4. Prof. Dr. Kukuh Murtilaksono, MSc., Dr. Boedi Tjahjono, dan Tovan atas kesempatannya kepada penulis untuk berpartisipasi dalam survei lapang di DAS Ciambulawung, Banten. 5. Keluarga besar kampung adat Lebak Picung, Banten yang telah membantu dalam proses pengambilan data lapang di DAS Ciambulawung, Banten. 6. Ika Puspita Sari, Deuis Nur Fadhilah, Herdian Priambodo, dan Rhoma Purnanto atas kerjasama, dukungan, dan motivasi selama kegiatan survei lapang, penelitian maupun penulisan skripsi. 7. M. Nizar Khoerudin atas bantuannya selama pengambilan data sekunder, serta motivasi dan dukungan yang tak henti mengalir selama masa penelitian hingga terselesaikannya skripsi ini. 8. Keluarga kecilku Hanna Aditya Januarisky, Astria Hernisa, Juniska Muria, dan Setia Wahyu untuk motivasi, kebersamaan, kekeluargaan dan hari-hari yang telah dilalui selama menjalani masa kuliah, hingga selesainya skripsi ini. 9. Keluarga Hexa Mushroom.Co Hadi Nuryadi, Dwi Rama Nugraha, Irfan Nursyifa, Ahmad Fariz, dan M. Nizar atas dukungan, kerja sama dan motivasinya.
10. Keluarga besar Soil Scaper 44 IPB atas motivasi, dukungan, pengalaman, kebersamaan, dan kekeluargaan yang telah dilalui selama penulis menjalani masa kuliah hingga selesainya penulisan skripsi. 11. Keluarga besar Departemen Ilmu Tanah dan Sumberdaya Lahan IPB atas segala pengalaman, kesempatan, dukungan, dan kebersamaan yang telah diberikan kepada penulis selama menjalani masa perkuliahan hingga selesainya penulisan skripsi. 12. Semua pihak yang tidak dapat disebutkan satu per satu yang telah membantu dalam penyelesaian skripsi ini.
viii
RIWAYAT HIDUP Penulis dilahirkan di Jakarta, 1 Juni 1989 sebagai anak kedua dari tiga bersaudara dari pasangan Bapak Rochman Djaja dan Ibu Dian Gamajanti. Penulis menyelesaikan pendidikan formal di TK Chandra (1995), SD Mutiara Indonesia (2001), SMP Tunas Jakasampurna (2004), dan SMA Tunas Jakasampurna (2007). Pada tahun 2007 penulis diterima sebagai mahasiswa Institut Pertanian Bogor (IPB) melalui Undangan Seleksi Masuk IPB (USMI). Penulis mulai aktif belajar di Departemen Ilmu Tanah dan Sumberdaya Lahan, Fakultas Pertanian, IPB pada tahun 2008. Selama menjadi mahasiswa IPB, penulis memiliki pengalaman sebagai Teacher of EXPRESS (External and Exchange Program IAASers Smart Course) periode 2008-2009, dan juga aktif di beberapa organisasi yaitu Bina Desa BEM KM IPB sebagai staf divisi PSDM periode 2009-2010, dan Himpunan Mahasiswa Ilmu Tanah (HMIT) sebagai sekretaris periode 2010-2011. Selain itu, penulis pernah menjadi asisten praktikum mata kuliah Fisika Tanah (2010/2011), Geomorfologi dan Analisis Lansekap (2010/2011), Sistem Informasi Geografi dan Kartografi (2010/2011), dan Morfologi dan Klasifikasi Tanah (2011/2012). Beberapa prestasi yang pernah diraih oleh penulis selama menjalani masa pendidikannya antara lain Juara II Soil Judging Contest dalam Pekan Ilmiah Mahasiswa Ilmu Tanah Nasional pada tahun 2009 di Yogyakarta, Juara I Theory Capability dalam Pekan Ilmiah Mahasiswa Ilmu Tanah Nasional Wilayah II pada tahun 2011 di Bandung, dan Juara IV Mahasiswa Berprestasi Fakultas Pertanian Institut Pertanian Bogor 2011. Dalam usaha memenuhi syarat untuk memperoleh gelar Sarjana Pertanian di Fakultas Pertanian IPB, penulis menyusun skripsi yang berjudul “Perhitungan Evapotranspirasi Menggunakan Citra MODIS (Studi Kasus: DAS Cimadur, Banten)” dibawah bimbingan Dr. Ir. Suria Darma Tarigan, MSc. dan Ir. Bambang H Trisasongko, MSc.
KATA PENGANTAR Puji syukur penulis panjatkan kepada Allah S.W.T atas rahmat dan hidayah yang diberikan sehingga penulis dapat menyelesaikan skripsi ini. Skripsi yang berjudul “Perhitungan Evapotranspirasi Menggunakan Citra MODIS (Studi Kasus: DAS Cimadur, Banten)” merupakan salah satu syarat memperoleh gelar Sarjana Pertanian di Fakultas Pertanian Institut Pertanian Bogor. Hasil penelitian ini diharapkan menjadi informasi yang berguna bagi berbagai pihak. Penulis juga menyadari bahwa skripsi ini masih kurang sempurna, oleh karena itu diharapkan kritik dan saran yang membangun. Semoga karya ilmiah ini bisa bermanfaat bagi semua pihak yang membutuhkan.
Bogor, Februari 2012
Penulis
x
DAFTAR ISI DAFTAR ISI ...................................................................................
Halaman viii
DAFTAR TABEL ..........................................................................
x
DAFTAR GAMBAR ......................................................................
xi
BAB I PENDAHULUAN 1.1. Latar Belakang ......................................................................... 1.2. Tujuan ...................................................................................... 1.3. Manfaat Penelitian .................................................................... BAB II TINJAUAN PUSTAKA 2.1. Evapotranspirasi Potensial Standar (ETo) ................................ 2.2. Perhitungan Evapotranspirasi Potensial : Blaney-Criddle ........ 2.3. Potensi Land Surface Temperature (LST) pada Moderate Imaging Spectroradiometer (MODIS) ................................... BAB III METODOLOGI PENELITIAN 3.1. Lokasi dan Waktu ..................................................................... 3.2. Alat dan Bahan .......................................................................... 3.3. Jenis dan Teknik Pengambilan Data ......................................... 3.3.1. Data Spasial .................................................................... 3.3.2. Data Atribut .................................................................... 3.4. Tahapan Penelitian .................................................................... 3.4.1. Pembuatan Peta Batas DAS Cimadur ............................. 3.4.2. Pembuatan Peta Penggunaan Lahan DAS Cimadur ....... 3.4.3. Koreksi Geometrik, Ekstraksi Data LST dan Layer Stacking.......................................................................... 3.4.4. Validasi data LST MODIS dan Suhu Stasiun Iklim ....... 3.4.5. Perhitungan Tmean dan P ............................................... 3.4.6. Perhitungan Evapotranspirasi dengan Metode BlaneyCriddle .......................................................................... 3.4.7. Validasi Estimator Evapotranspirasi ............................... 3.4.8. Perbaikkan Data Evapotranspirasi pada Citra MODIS.... 3.5. Diagram Alir Penelitian ............................................................ BAB IV KONDISI UMUM LOKASI PENELITIAN 4.1. Batas Administrasi Kabupaten Lebak, Banten .......................... 4.2. Kondisi Topografi Wilayah ....................................................... 4.3. Kondisi Hidrologi Wilayah ....................................................... 4.4. Permasalahan Hidrologi Pada DAS Cimadur ........................... BAB V HASIL DAN PEMBAHASAN 5.1. Karakteristik Data Land Surface Temperature (LST) MODIS pada Wilayah Penelitian ........................................................... 5.1.1. Gambaran Umum Data Land Surface Temperature (LST) MODIS ................................................................
1 3 4 5 6 8
11 11 12 12 13 13 13 14 15 16 16 17 17 18 21
22 22 22 23
24 24
ix
5.1.2. Kualitas dan Ketersediaan Data LST MODIS Tahun 2008-2010 Secara Spasial dan Temporal ...................... 5.2. Hasil Validasi Nilai LST MODIS dengan Nilai Suhu (T) pada Stasiun Iklim ............................................................................. 5.2.1. Pola Suhu Harian Darmaga Tahun 2008-2010 ............... 5.2.2. Hasil Validasi Data LST MODIS Tahun 2011 dan Data Suhu (T) Stasiun Klimatologi pada Berbagai Ketinggian dan Waktu ................................................... 5.2.2.1. Hasil Validasi Data LST MODIS day Tahun 2011 dan Data Suhu (T) Stasiun Klimatologi pada Berbagai Ketinggian ................................... 5.2.2.2. Hasil Validasi Data LST MODIS night Tahun 2011 dan Data Stasiun Klimatologi pada Berbagai Ketinggian ............................................ 5.3. Perhitungan Evapotranspirasi dengan Metode Blaney-Criddle. 5.3.1. Ketersediaan Data Evapotranspirasi Secara Spasial dan Temporal ....................................................................... 5.3.2. Pola Evapotranspirasi secara Spasial dan Temporal ........ 5.4. Validasi Nilai Estimator Evapotranspirasi ................................ 5.4.1. Validasi Data ETm dan Panci Evaporasi A ..................... 5.4.2. Validasi Data ETm dan Lysimeter ................................... 5.4.3. Perbandingan Nilai ETm dengan Panci Evaporasi A dan Lysimeter ......................................................................... 5.5. Perbaikkan Data LST Mean MODIS ........................................ 5.5.1.Pengaruh Perbaikan Data Tdan dan Tnight Terhadap Ketersediaan Data Evapotranspirasi Potensial Secara Spasial dan Temporal ...................................................... 5.5.2 Validasi Data Hasil Perbaikan .........................................
25 28 28
30
31
33
35 41 43 44 45 46 47
47 56
KESIMPULAN ................................................................................
58
SARAN ............................................................................................
59
DAFTAR PUSTAKA ......................................................................
60
xii
DAFTAR TABEL No. 1. 2. 3. 4.
Halaman Rata-rata persentase harian dari jam siang hari tahunan untuk berbagai lintang .......................................................... Indeks ONI (Oceanic Nino Index) sebagai Salah Satu Parameter Terjadinya El Nino dan La Nina ......................... Persentase Ketersediaan Data pada Hasil Perhitungan Evapotranspirasi Potensial .................................................... Hasil Perbaikan Data Tmean MODIS .................................
7 28 36 50
DAFTAR GAMBAR No. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21.
Halaman Peta DAS Cimadur, Banten dan Lokasi Pengamatan Lapang .................................................................................. Hasil Pengamatan Lapang, Citra ALOS AVNIR-2, dan Citra Google Earth ............................................................... Ilustrasi Kombinasi Data Sebelum Perbaikan ...................... Ilustrasi Kombinasi Data Setelah Perbaikan ........................ Diagram Alir Penelitian ........................................................ Kenampakan Visual LST MODIS day dan night ................. Kualitas Data LST MODIS dibandingkan dengan data T Stasiun Klimatologi Darmaga, Bogor Tahun 2008-2010 ... Fluktuasi Suhu Harian Stasiun Klimatologi Darmaga Bogor Tahun 2008-2010 ..................................................... Alat Ukur Suhu Pada Stasiun Klimatologi ........................... Grafik Perbandingan LST MODIS day dan Suhu Stasiun Klimatologi Darmaga, Bogor pada Berbagai Ketinggian .... Nilai R2 antara LST MODIS day dan T stasiun pada Berbagai Ketinggian ............................................................ Grafik Perbandingan LST MODIS night dan Suhu Stasiun Klimatologi Darmaga, Bogor pada Berbagai Ketinggian .... Nilai R2 antara LST MODIS night dan T stasiun pada Berbagai Ketinggian ............................................................ Distribusi Evapotranspirasi Potensial Secara Spasial dan Temporal pada Tahun 2008-2011 ........................................ Peta Topografi dan Penggunaan Lahan pada DAS Cimadur, Hasil dari Interpretasi Citra Google Earth dan ALOS AVNIR-2 .................................................................. Hubungan antara Elevasi dan LSTmean pada Berbagai Penggunaan Lahan di DAS Cimadur ................................... Grafik Validasi Estimator Evapotranspirasi dengan panci evaporasi A ........................................................................... Grafik Validasi Estimator Evapotranspirasi dengan Lysimeter .............................................................................. Perbaikan Distribusi Spasial dan Temporal Evapotranspirasi Potensial di DAS Cimadur, Banten .......... Nilai R2 pada perbaikan data ETo MODIS ..........................
11 14 19 20 21 25 27 30 32 33 33 34 35 38
41 43 45 45 52 56
xiv
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam siklus hidrologi, evapotranspirasi merupakan komponen neraca air terpenting setelah curah hujan. Evapotranspirasi (ET) merupakan jumlah air total yang dikembalikan lagi ke atmosfer dari permukaan tanah, badan air, dan vegetasi oleh adanya pengaruh faktor-faktor iklim dan fisiologis vegetasi (Asdak, 2010). Beberapa faktor iklim yang cukup dominan dalam mempengaruhi terjadinya evapotranspirasi antara lain suhu, radiasi matahari, kelembaban atmosfer, dan angin. Sementara faktor lainnya antara lain faktor vegetasi dan kelembaban tanah. Menurut Asdak (2010), evapotranspirasi potensial lebih dipengaruhi oleh faktorfaktor iklim. Sedangkan evapotranspirasi aktual lebih dipengaruhi oleh faktor fisiologi tanaman dan unsur tanah. Pengetahuan mengenai evapotranspirasi penting dalam manajemen sumberdaya air, pendugaan hasil tanaman, dan dalam mempelajari hubungan antara perubahan penggunaan lahan dan iklim. Dalam bidang manajemen dan perencanaan irigasi, misalnya, pengetahuan mengenai evapotranspirasi sangat penting terkait kebutuhan konsumtif air oleh tanaman, sehingga berkaitan pula terhadap produksi. Pada perkembangannya, terdapat beberapa cara pengukuran/perhitungan evapotranspirasi (potensial) secara sederhana, misalnya dengan menggunakan panci evaporasi, atau dengan menggunakan alat ukur Lysimeter. Selain itu, terdapat beberapa persamaan empiris yang sering digunakan dalam perhitungan evapotranspirasi (aktual dan potensial), antara lain metoda Thornthwaite, BlaneyCriddle, Penman, dan lain sebagainya. Metode Blaney-Criddle merupakan metoda evapotranspirasi yang pada awalnya dikembangkan untuk memperkirakan besarnya konsumsi air irigasi di Amerika Serikat (Dunne dan Leopold, 1978). Dalam metode ini, besarnya suhu dan persentase harian (lama waktu penyinaran matahari) merupakan suatu masukan utama. Wang et al. (2007) menjelaskan bahwa metode Blaney-Criddle merupakan salah satu metode empiris yang tergolong sederhana dan memiliki akurasi yang cukup baik, serta membutuhkan sedikit data masukan.
2
Salah satu masukan data utama yang terdapat dalam metoda BlaneyCriddle adalah suhu udara. Data tersebut bisa didapatkan di stasiun meteorologi dan klimatologi terdekat dengan wilayah penelitian. Data kemudian dikumpulkan sebagai titik-titik contoh dengan distribusi yang jarang menjangkau wilayah dengan kondisi iklim yang bervariasi (Vancutsem et al., 2010), sehingga, informasi spasial tentang suhu udara seringkali menjadi terbatas. Metode interpolasi diantara wilayah-wilayah yang memiliki informasi suhu udara sering digunakan untuk mengisi kekurangan informasi tersebut (Anderson, 2002). Namun demikian, teknik interpolasi berbasis data stasiun dirasakan masih sulit dilakukan untuk kondisi stasiun iklim yang berjauhan dan sering mengalami kurangnya ketersediaan data (Lennon et al., 1995). Saat ini, kebutuhan akan informasi suhu secara spasial dengan akses data yang mudah dapat dibangun dengan metode yang berbasis penginderaan jauh. Menurut Vancutsem et al. (2010), kemampuan untuk mendapatkan informasi suhu secara spasial dengan data temporal (harian) dan resolusi spasial (1 km) yang tinggi mulai muncul dengan diluncurkannya Advanced Very High Resolution Radiometer (AVHRR) yang merupakan bagian dari satelit National Oceanic and Atmospheric Administration (NOAA) pada tahun 1981, kemudian diluncurkan Moderate Resolution Imaging Spectroradiometer (MODIS) yang dibawa oleh satelit Aqua dan Terra. Sensor MODIS (Justice et al., 2002) diluncurkan pada tahun 1999 dan 2002. MODIS memiliki sensor multispektral yang terdiri dari 36 kanal, dengan resolusi spasial, 250, 500, dan 1000 m. MODIS merupakan salah satu bagian dari program The United States National Aeronautics and Space Administration (NASA), yang memungkinkan untuk mengamati, meneliti, dan menganalisa daratan, lautan, dan atmosfer. Salah satu produk turunan data MODIS adalah suhu permukaan MODIS MYD11A2 dan MOD11A2 merupakan produk Land Surface Temperature (LST) yang diakuisisi pada pukul 13.30 dan 01.30 untuk Aqua dan 10.30 dan 22.30 untuk Terra pada semua waktu lokal solar. Produk ini termasuk produk dengan resolusi temporal yang tinggi (harian) dengan resolusi spasial 1 km. Produk lainnya adalah maksimum komposit 8 harian LST dengan resolusi spasial 1 km.
xvi3
LST diperoleh dengan menggunakan sensor yang bisa menangkap kisaran panjang gelombang Thermal Infrared (TIR) pada band 31 (10,78-11,28 µm) dan 32 (11,77-12,27 µm) (Tomlinson et al., 2011). Maeda et al. (2011) menggunakan data LST MODIS sebagai masukan utama dalam pengembangan model empirik untuk menghitung evapotranspirasi. Penggunaan data penginderaan jauh sebagai masukan data utama dalam pendugaan evapotranspirasi, dapat memberikan keuntungan tersendiri bagi wilayah-wilayah dengan ketersediaan data minim karena dapat memberikan tambahan informasi, seperti albedo, indeks area daun, dan suhu permukaan lahan (Wan, 2008). Suhu permukaan lahan sangat berkaitan dengan vegetasi atau tutupan lahan, albedo, dan kelembaban permukaan yang terdapat di suatu wilayah kajian. Penelitian ini mencoba mengembangkan metode empirik dengan menggunakan data LST MODIS sebagai masukan utama, pada wilayah dengan ketersediaan data minim. Kajian mengenai evapotranspirasi di Daerah Aliran Sungai (DAS) Cimadur dirasakan cukup penting karena banyaknya areal persawahan yang terdapat pada DAS Cimadur. Selain itu, terdapat beberapa permasalahan hidrologi pada DAS Cimadur yang diakibatkan oleh ketidak seimbangan neraca air yang terdapat dalam wilayah kajian. Misalnya, kondisi kekeringan yang terjadi di wilayah DAS Ciambulawung, yang merupakan sub DAS dari DAS Cimadur, yang mengakibatkan kekeringan pada sejumlah areal persawahan dan juga tidak berfungsinya mikrohidro pada wilayah tersebut. 1.2 Tujuan Berdasarkan latar belakang tersebut, penelitian ini bertujuan untuk : 1. Mengkaji
model
empirik
perhitungan
evapotranspirasi
dengan
menggunakan LST MODIS sebagai masukan utama. 2. Mengetahui kapan dan dalam kondisi apa data MODIS dapat digunakan sebagai masukan dalam perhitungan evapotranspirasi. 3. Melihat pola penyebaran evapotranspirasi secara spasial dan temporal di DAS Cimadur.
4
1.3 Manfaat Penelitian Hasil penelitian ini diharapkan dapat memberikan informasi mengenai hubungan keterkaitan antara data LST MODIS dengan T stasiun klimatologi pada berbagai ketinggian dan waktu pengukuran, serta dapat memberikan informasi terkait kapan dan dalam kondisi apa data penginderaan jauh dapat digunakan sebagai masukan utama perhitungan evapotranspirasi. Selain itu, dengan dikembangkannya model empirik pada perhitungan evapotranspirasi dengan data penginderaan jauh, diharapkan dapat melihat pola penyebaran evapotranspirasi secara spasial dan temporal di wilayah kajian.
xviii
BAB II TINJAUAN PUSTAKA 2.1 Evapotranspirasi Potensial Standard (ETo) Evapotranspirasi adalah jumlah air total yang dikembalikan lagi ke atmosfer dari permukaan tanah, badan air, dan vegetasi oleh adanya pengaruh faktor-faktor iklim dan fisiologis vegetasi. Evapotranspirasi merupakan gabungan antara proses-proses evaporasi, intersepsi, dan transpirasi. Evapotranspirasi dibedakan menjadi evapotranspirasi potensial (PET) dan evapotranspirasi aktual (AET). PET umumnya lebih dipengaruhi oleh faktor-faktor meteorologi, sedangkan AET dipengaruhi oleh faktor fisiologi tanaman dan unsur tanah (Asdak, 2010). Beberapa faktor yang cukup dominan dalam mempengaruhi PET, antara lain radiasi matahari dan suhu, kelembaban atmosfer dan angin, dan secara umum PET akan meningkat ketika suhu, radiasi matahari, kelembaban, dan kecepatan angin bertambah besar. Menurut FAO, evapotranspirasi potensial dibagi menjadi tiga, yaitu evapotranspirasi standard (Eto), evapotranspirasi tanaman standard (Etc), dan evapotranspirasi tanaman dibawah kondisi yang tidak standard (Etc adj). Pada
penelitian
ini,
evapotranspirasi
yang
digunakan
adalah
evapotranspirasi potensial standar (Eto). Menurut FAO, evapotranspirasi potensial standard merupakan evapotranspirasi potensial dari tanaman pendek/rumput dengan asumsi ketinggian 0,12 m, resistensi permukaan 70 s/m, dan albedo 0,23. Kondisi ini menyerupai tanaman pendek seragam yang menutupi tanah secara sempurna, tinggi seragam, dan dalam keadaan cukup air. Konsep evapotranspirasi potensial standard (Eto) diperkenalkan untuk mempelajari kebutuhan evaporasi yang berasal dari atmosfer dan terpisah dari tipe tanaman, pertumbuhan tanaman, dan manajemen tanaman. Eto bertujuan untuk menyatakan kekuatan evaporasi pada
atmosfer
pada
lokasi
dan
waktu
yang
spesifik
mempertimbangkan karakteristik tanaman dan faktor tanah.
dengan
tidak
6
2.2 Perhitungan Evapotranspirasi Potensial : Blaney-Criddle Pada perkembangannya, perhitungan evapotranspirasi potensial dapat dilakukan dengan cara sederhana, maupun dengan menggunakan persamaan empiris. Secara sederhana, perhitungan evapotranspirasi potensial dapat didekatkan dengan perhitungan nilai evaporasi yang berasal dari Panci evaporasi A, maupun Lysimeter. Pada pengukuran dengan menggunakan panci evaporasi A, diperlukan angka koefisien panci yang harus dievaluasi tingkat ketepatannya. Menurut Kantor Cuaca Nasional Amerika Serikat, standard panci yang umum digunakan adalah Panci Evaporasi Klas A dengan ukuran diameter 122 cm dan kedalaman 25 cm (Lee, 1980). Pada teknik pengukuran evapotranspirasi menggunakan lysimeter, profil tanah, perkembangan akar tanaman, dan kondisi kelembaban tanah harus diusahakan sama antara keadaan di dalam dan di luar lysimeter. Jika kelembaban tanah terus dijaga dalam keadaan basah, maka evapotranspirasi yang diperoleh adalah dalam laju potensial (PET), namun jika dikehendaki evapotranspirasi aktual (AET), maka kelembaban tanah harus dibiarkan berfluktuasi seperti yang terdapat dalam tanah sekelilingnya. Terdapat dua tipe lysimeter yang sering digunakan, yaitu tipe drainase dan tipe timbang (Asdak, 2010). Menurut Rosenberg et al. (1983), metode persamaan empirik dapat dibagi menjadi
tiga,
berdasarkan
faktor-faktor
yang
mempengaruhinya,
yaitu
berdasarkan suhu, berdasarkan suhu dan radiasi, serta berdasarkan kombinasi berbagai faktor. Metode empirik berdasarkan suhu, antara lain persamaan BlaneyCriddle, Thornthwaite, dan Samani-Hargreaves. Berdasarkan suhu dan radiasi, yaitu Jensen Haise. Sedangkan metode kombinasi, antara lain Penman, Priestley Taylor,
dan
Penman-Monteith.
Berdasarkan
standard
FAO,
metode
evapotranspirasi standard yang dapat digunakan sebagai referensi, merupakan metode Penman-Monteith. Namun, apabila hanya terdapat masukan data yang minim pada suatu wilayah pengamatan (data suhu saja), maka Blaney-Criddle dapat digunakan untuk perhitungan evapotranspirasi. Pada metode Blaney-Criddle, besarnya suhu dan persentase harian (lama penyinaran matahari) merupakan masukkan utama. Bentuk persamaan yang digunakan adalah, Doorenbos&Pruit (1977) :
xx 7
Eto = p (0,46 Tmean + 8,13)
(2.11)
p merupakan rata-rata persentase harian dari jam siang hari tahunan untuk berbagai lintang. Pada persamaan tersebut, Perhitungan Tmean dilakukan dengan mencari ratarata Tmax dan Tmin dalam satu bulan, kemudian merata-ratakan Tmax dan Tmin tersebut, untuk kemudian dinyatakan sebagai Tmean/hari dalam satu bulan. Tmax = Tmin =
௨ ௗ ்௫ ௗ ௦௧௨ ௨ ௨ ௗ ௦௧௨ ௨ ௨ ௗ ் ௗ ௦௧௨ ௨ ௨ ௗ ௦௧௨ ௨
Tmean =
்௫ା் ଶ
Sementara, nilai p diperoleh berdasarkan tabel (%) persentase harian yang didapatkan dari FAO. Tabel 2.2.a Rata-rata persentase harian dari jam siang hari tahunan untuk berbagai lintang.
(Sumber:http://www.fao.org/docrep/) Dalam aplikasinya, persamaan empirik bersifat sangat spesifik pada suatu lokasi tertentu. Sehingga, pada satu lokasi dapat memberikan korelasi yang kuat terhadap validator yang digunakan (panci evaporasi, lysimeter, atau FAO Penman-Monteith), namun pada lokasi yang lain, tidak memberikan korelasi yang kuat. Xu et al. (2001) pada penelitiannya di Kanada, menunjukkan bahwa metode Blaney-Criddle merupakan metode yang memiliki korelasi yang kuat terhadap
8
hasil pengukuran evapotranspirasi pada panci evaporasi A. Metode ini juga direkomendasikan sebagai metode pengukuran evapotranspirasi pada wilayah penelitiannya, khususnya pada metode yang berbasis suhu. Sementara, Lee et al. (2004) menunjukkan adanya keterkaitan antara metode Blaney-Criddle dan Penman-Monteith sebagai validator. Pada penelitian Lee et al. (2004), kedua metode tersebut berkorelasi cukup kuat dengan nilai koefisien korelasi sebesar 0,55. Wang et al. (2007) juga menyebutkan bahwa, pada musim hujan, pendugaan nilai evapotranspirasi dengan data yang minim (suhu), dapat dilakukan dengan dua metode, yaitu Blaney-Criddle dan Hagreaves. Keduanya menunjukkan korelasi yang dekat dengan metode Penman-Monteith. Namun, Castaneda et al. (2005) menunjukkan bahwa diantara keempat metode yang ditelitinya (Makkink, Turc, Thronthwaite, dan Blaney-Criddle), BlaneyCriddle bukanlah metode terbaik yang berkorelasi dengan metode Penman Monteith. 2.3 Potensi Land Surface Temperature (LST) pada Moderate Resolution Imaging Spectroradiometer (MODIS) Land
Surface
Temperature
(LST)
merupakan
parameter
kunci
keseimbangan energi pada permukaan dan variabel klimatologis utama. Suhu permukaan lahan mengendalikan flux energi gelombang panjang yang melalui atmosfer. Besar suhu permukaan lahan dipengaruhi oleh beberapa faktor, yaitu albedo, kelembaban permukaan, dan tutupan/kondisi vegetasi. Data suhu permukaan merupakan input bagi evapotranspirasi, kelembaban udara, kelengasan tanah, neraca energi, dan sebagainya (Prasasti et al., 2007). Pada perkembangannya, penginderaan jauh untuk mendeteksi suhu permukaan lahan, telah dikembangkan pada beberapa satelit dan sensor, antara lain Advanced Very High Resolution Radiometer (AVHRR), Landsat TM dan ETM+, Geostationary Operational Enviromental Satellite (GOES), Moderate Resolution Imaging Spectroradiometer (MODIS), dan Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) (Tomlinson et al., 2011). MODIS merupakan salah satu sensor yang dibawa oleh satelit Terra dan Aqua yang diluncurkan pada tahun 2000 dan 2002, dengan wilayah cakupan 2330 km dan memiliki resolusi spektral yang cukup tinggi (36 kanal dengan 12 bit data
xxii 9
pada semua kanal) dengan panjang gelombang 0,4 µm-14,4 µm. Selain itu, MODIS memiliki resolusi spasial 250 m untuk kanal 1 dan 2, 500 m untuk kanal 3-7, dan 1 km untuk kanal 8-36. MODIS merupakan sensor multispektral yang dapat menangkap panjang gelombang tampak, infra merah dekat, dan gelombang thermal. Dalam aplikasinya, MODIS dapat digunakan dalam kajian indeks tumbuhan, kelembaban tanah, kadar aerosol di udara, suhu permukaan laut, dan kandungan klorofil laut. MODIS merupakan bagian dari program jangka panjang National Aeronatics and Space Administration (NASA) untuk mengamati, meneliti, dan menganalisa lahan, lautan, atmosfer bumi, dan interaksi antara faktor-faktor tersebut. Salah satu produk MODIS yang dapat mendeteksi suhu permukaan lahan/LST adalah MOD11A2 (dari satelit Terra untuk pengukuran data suhu 8 harian) dan MYD11A2 (dari satelit Aqua untuk pengukuran data suhu 8 harian) (modis.gsfc.nasa.gov). Dalam mendeteksi suhu permukaan lahan/LST, MODIS menggunakan thermal infrared yang terdapat pada kanal 31 (10,78-11,28 µm) dan 32 (11,77-12,27 µm). Pada penggunaannya, terdapat keterbatasan yang cukup serius dari satelit thermal infrared, yaitu pengambilan area bebas awan untuk menghasilkan hasil yang akurat, sehingga citra komposit dari berbagai lintasan sering digunakan untuk membangun citra tanpa keterbatasan tutupan awan, atau algoritma juga dapat digunakan untuk pendugaan pixel. Efek dari hal tersebut adalah perbedaan musim yang akan berpengaruh terhadap ketersediaan citra dan akurasi (meningkatnya tutupan awan dan hujan menyebabkan basahnya permukaan sehingga membuat pengukuran LST tidak masuk akal) (Tomlinson et al., 2011). Secara umum, nilai LST MODIS lebih akurat pada malam hari dibandingkan siang hari (Tomlinson et al., 2011; Vancutsem et al., 2010). Pada malam hari, mendapatkan nilai min T udara lebih sederhana sebagai radiasi solar yang tidak mempengaruhi sinyal thermal infrared. Sementara, pada siang hari perbedaan antara nilai LST dan Tmax stasiun terutama dikontrol oleh keseimbangan energi permukaan, yang merupakan sistem kompleks yang bergantung pada informasi yang sulit tersedia (radiasi matahari, penutupan awan, kecepatan angin, kelembaban tanah, kekasaran permukaan). Menurut Vancutsem
10
et al. (2010), terdapat beberapa hal yang menyebabkan terjadinya perbedaan antara nilai LST dengan nilai Tmin pada stasiun, yaitu kontaminasi awan, efek angular anistropi, dan perbedaan skala spasial (titik vs rataan areal).
xxiv
BAB III METODE PENELITIAN 3.1 Lokasi dan Waktu Penelitian ini dilaksanakan sejak bulan Juli hingga Januari 2012. Pengamatan lapang dilakukan pada tanggal 25-26 Juli 2011 di DAS Ciambulawung, yang merupakan sub DAS dari DAS Cimadur, Banten. Pengamatan lapang, lebih difokuskan pada pengamatan penggunaan lahan sebagai salah satu unit analisis. Setelah itu, dilakukan pengolahan data di Laboratorium Penginderaan Jauh dan Informasi Spasial, Departemen Ilmu Tanah dan Sumberdaya Lahan, Institut Pertanian Bogor.
a). Peta DAS Cimadur, Banten
b). Lokasi Pengamatan Lapang
Gambar 3.1.a Peta DAS Cimadur, Banten (a) dan Lokasi Pengamatan Lapang (b).
3.2 Alat dan Bahan Alat yang digunakan selama penelitian adalah alat tulis, kamera, Global
Positioning System (GPS) dan seperangkat komputer yang dilengkapi dengan software ArcGIS 9.3 serta ENVI 4.5.
12
Bahan yang digunakan berupa data-data spasial dan data atribut. Data spasial berupa peta batas wilayah DAS Cimadur, peta penggunaan lahan DAS Cimadur, peta digital RBI (Rupa Bumi Indonesia) skala 1:25.000, citra Google Earth, citra ALOS AVNIR-2, serta citra MODIS tahun 2008, 2009, 2010 dan 2011. Sedangkan data atribut yang digunakan adalah data suhu udara di Stasiun Klimatologi Darmaga, Bogor dalam berbagai ketinggian dan waktu pengukuran; data lysimeter tahun 2011 di Stasiun Klimatologi Darmaga; data panci evaporasi A di Stasiun Iklim Baranangsiang. 3.3 Jenis dan Teknik Pengambilan Data 3.3.1 Data Spasial Data spasial yang digunakan dalam penelitian ini adalah citra MODIS tahun
2008,
2009,
2010,
dan
2011
yang
didapatkan
dari
http://ladsweb.nascom.nasa.gov. Citra MODIS yang digunakan dalam penelitian ini merupakan citra MODIS dari satelit Terra MOD11A2 yang mengukur suhu permukaan lahan dengan resolusi spasial 1 km pada akuisisi 8 harian. MODIS dipilih sebagai masukan utama pengukuran suhu karena memiliki resolusi spasial, spektral dan temporal yang cukup baik dibandingkan sensor lainnya. Akuisisi data MODIS yang dilakukan dua kali sehari dapat memberikan masukan pengganti nilai Tmax dan Tmin untuk perhitungan Tmean, pada persamaan evapotranspirasi yang digunakan. Selain itu, penggunaan citra MODIS dilakukan sebagai optimalisasi dari tujuan diluncurkannnya satelit MODIS, yaitu penyedia data untuk proses pengkajian global tentang atmosfer, daratan, dan lautan. Batas wilayah DAS Cimadur ditentukan berdasarkan aliran sungai utama dan batas-batas topografi yang diturunkan dari peta kontur digital RBI skala 1:25.000. Peta batas DAS Cimadur tersebut selanjutnya digunakan sebagai batas dalam pembuatan peta penggunaan lahan dan penyajian peta evapotranspirasi. Peta penggunaan lahan DAS Cimadur dibuat berdasarkan citra tahun 2008, 2009, dan 2010 yang telah diunduh dari google earth dan juga ALOS AVNIR-2. Citra ALOS AVNIR-2 berfungsi sebagai citra komposit apabila terdapat citra yang tidak tersedia atau mengalami kerusakan pada citra google earth. Adapun klasifikasi penggunaan lahan di dalam peta penggunaan lahan tersebut dibedakan
xxvi 13
menjadi sawah, pemukiman, semak/tegalan, kebun campuran, hutan, dan tanah terbuka. Hasil pengamatan lapang, disesuaikan dengan penampakan pada citra, untuk memudahkan proses klasifikasi penggunaan lahan tersebut. 3.3.2 Data Atribut Data atribut yang diambil dalam penelitian ini berupa data suhu udara yang
didapatkan dari Badan Meteorologi Klimatologi dan Geofisika Stasiun
Klimatologi Darmaga Bogor. Data suhu yang digunakan dalam penelitian ini adalah rataan suhu harian stasiun klimatologi Darmaga, Bogor pada berbagai tahun pengamatan (tahun 2008, 2009, 2010), suhu harian stasiun klimatologi Darmaga, Bogor tahun 2011 dengan waktu pengamatan pukul 07.00, 07.10, 13.00, dan 13.50 WIB; dan berbagai ketinggian (5 cm, 100 cm, dan 120 cm). Selain itu, sebagai validator, digunakan data lysimeter pada tahun 2009 yang didapatkan dari Badan Meteorologi Klimatologi dan Geofisika Stasiun Klimatologi Darmaga Bogor, dan data panci evaporasi A yang didapatkan dari Stasiun Klimatologi Baranangsiang FMIPA IPB, sejak tahun 2008-2010. 3.4 Tahapan Penelitian 3.4.1 Pembuatan Peta Batas DAS Cimadur Peta batas DAS Cimadur dibuat dengan menggunakan software ArcGIS 9.3 dengan mempertimbangkan sungai utama yang mengalir pada wilayah pengamatan lapang, yaitu DAS Ciambulawung. Selain itu, diperhatikan pula batas-batas topografi yang terdapat di sekitar sungai utama tersebut. Hal tersebut dilakukan sesuai dengan definisi DAS yang merupakan suatu hamparan wilayah/kawasan yang dibatasi oleh pembatas topografi (punggung bukit) yang menerima,
mengumpulkan
air
hujan,
sedimen
dan
unsur
hara
serta
mengalirkannya melalui anak-anak sungai dan keluar pada sungai utama ke laut atau danau. Peta DAS Cimadur tersebut, merupakan salah satu kebutuhan dasar dalam penelitian, terkait peranannya sebagai peta batas DAS pada pembuatan peta penggunaan lahan dan peta evapotranspirasi potensial standar.
14
3.4.2 Pembuatan Peta Penggunaan Lahan DAS Cimadur Peta penggunaan lahan dibuat dengan menggunakan software ArcGIS 9.3
dengan melakukan digitasi terhadap citra google earth dan citra ALOS AVNIR-2, yang berfungsi sebagai citra komposit apabila kenampakan pada citra google earth tertutup awan. Adapun klasifikasi penggunaan lahan di dalam peta penggunaan lahan tersebut dibedakan menjadi sawah, sawah, pemukiman, semak/tegalan, kebun campuran, hutan, dan tanah terbuka. Proses klasifikasi dari penampakan citra tersebut, kemudian disesuaikan dengan hasil pengamatan lapang agar memberikan tingkat ketepatan yang lebih baik terhadap peta penggunaan lahan lahan yang dibuat.
a). Pengamatan Lapang
b). Citra ALOS AVNIR-2
c). Citra Google Earth Gambar 3.4.2.a Hasil Pengamatan Lapang (a), Citra ALOS AVNIR -2 (b), dan Citra Google Earth (c).
xxviii 15
3.4.3 Koreksi Geometrik, Ekstraksi Data LST dan Layer Stacking Seluruh proses analisis data pada penelitian ini dilakukan dengan menggunakan software Envi 4.5, diawali dengan melakukan download data MODIS MOD11A2 yang didapatkan dari http://ladsweb.nascom.nasa.gov. MOD11A2 merupakan salah satu produk Land Surface Temperature (LST) yang dimiliki oleh MODIS. Produk tersebut merupakan periode komposit 8 harian, yang merupakaan rataan 8 hari dari produk MOD11A1 (produk harian LST MODIS). Pada penggunaannya, untuk periode analisis selama 1 tahun, membutuhkan sedikitnya 3 hingga 4 data LST MOD11A2. Hasil download produk LST MODIS tersebut tersimpan dalam format data Hierarchical Data Format-Earth Observing System (HDF-EOS). Selanjutnya, dengan tool tambahan berupa MODIS Conversion Toolkit, format file tersebut kemudian diubah menjadi format (img), sekaligus dilakukan tahap koreksi geometrik sistematik. Koreksi geometrik sistematik merupakan proses proyeksi koordinat citra agar sesuai dengan koordinat peta dunia yang sesungguhnya. Pada tahap ini, koordinat citra diubah menjadi Geographic Lat/Lon WGS 84 dengan unit degree. Selain mengubah referensi geometrik, perubahan format data juga mengubah nilai pada pixel yaitu dari nilai emisivitas 31 dan 32 (rentang 0-1) menjadi nilai suhu (K). Sehingga, data dalam format (img) tersebut, dapat langsung digunakan sebagai data LST. Dalam hal ini, ekstrak data dilakukan dua kali dalam citra yang sama, yaitu ekstrak data LST day dan LST night. Selanjutnya, data-data yang telah diekstrak tersebut dikumpulkan menjadi 1 tahun pengamatan (terdiri dari 3-4 data LST), dan dilakukan proses layer stacking untuk mengubah kumpulan 3-4 layer data LST tersebut menjadi 1 layer. Pada proses ini, dalam waktu 1 tahun analisis, akan memiliki 2 layer, yaitu 1 layer LST day dan 1 layer LST night. Sehingga, total layer yang dimiliki adalah 8 layer data, yaitu data tahun 2008 (2), 2009 (2), 2010 (2), dan 2011 (2). Selanjutnya, nilai-nilai yang terkandung pada layer tersebut diekstrak dalam bentuk ASCII Output, yang merupakan format data yang dapat dibaca pada Notepad. Format data tersebut juga dapat dibaca oleh Microsoft Excel, sehingga analisis data dapat disajikan dalam bentuk grafik atau tabel.
16
3.4.4 Validasi Data LST MODIS dan Suhu Stasiun Iklim Validasi data LST MODIS dilakukan untuk mengetahui bagaimana hubungan antara suhu yang terukur pada LST MODIS dengan suhu udara yang terukur pada stasiun klimatologi, serta pada ketinggian berapa data LST MODIS dapat mengestimasi suhu udara stasiun iklim. Pada tahap awal validasi, dianalisis juga kualitas dan ketersediaan data LST MODIS pada tahun 2008-2010 (gambar 5.1.2.a). Pada tahap ini, dibandingkan nilai Tmean stasiun iklim pada ketinggian 120 cm dengan nilai LST mean (rataan LST day dan LST night). Selanjutnya, hasil analisis tersebut menjadi acuan bulan pada validasi data LST MODIS tahun 2011. Validasi suhu dilakukan pada berbagai ketinggian sangkar meteo (5 cm, 100 cm, dan 120 cm) dan juga pada jam pengamatan tertentu (pukul 07.00, 07.10, 13.00 dan 13.50 WIB). Hasil validasi ditampilkan dalam grafik hubungan data LST MODIS dengan data stasiun klimatologi pada berbagai ketinggian dan waktu (sub bab 5.2.2.1). 3.4.5 Perhitungan Tmean dan P Suhu rata-rata (Tmean) yang terdapat pada rumus Blaney Criddle merupakan suhu rata-rata maksimum dan minimum harian selama satu bulan. Perhitungan Tmean dilakukan dengan mencari rata-rata Tmax dan Tmin dalam satu bulan, kemudian merata-ratakan Tmax dan Tmin tersebut, untuk kemudian dinyatakan sebagai Tmean/hari dalam satu bulan. Tmax = Tmin =
௨ ௗ ்௫ ௗ ௦௧௨ ௨ ௨ ௗ ௦௧௨ ௨ ௨ ௗ ் ௗ ௦௧௨ ௨
Tmean =
௨ ௗ ௦௧௨ ௨ ்௫ା் ଶ
Dalam proses ini, dihitung nilai rata-rata untuk Tmax (yang diwakili oleh LST day) selama satu bulan, yaitu rataan 3-4 data LST day. Kemudian dilakukan pula rata-rata nilai Tmin (yang diwakili oleh LST night) selama satu bulan, yang terdiri dari 3-4 data LST night. Selanjutnya, kedua rataan LST day dan LST night tersebut
dirata-ratakan
sehingga
didapatkan
nilai
LST
mean
atau
T
xxx 17
mean/hari/bulan. Pada tahapan ini, proses kalkulasi setiap pixel dilakukan dengan fitur Band Math dalam software Envi 4.5. P merupakan rata-rata persentase harian dari jam siang hari tahunan yang terdapat pada berbagai lintang. Nilai P didapatkan berdasarkan tabel yang didapatkan dari FAO (tabel 2.2.a). 3.4.6 Perhitungan Evapotranspirasi dengan metode Blaney Criddle Setelah nilai Tmean dan nilai P didapatkan, selanjutnya, dilakukan perhitungan menurut persamaan Blaney-Criddle. Persamaan umum yang digunakan adalah Doorenbos&Pruit (1977) : Eto = p (0,46 Tmean + 8,13)
(3.3.3.4.a)
Persamaan tersebut diatas merupakan persamaan dalam perhitungan evapotranspirasi potensial standar (ETo), sehingga nilai evapotranspirasi yang dihasilkan adalah nilai evapotranspirasi dimana faktor iklim (suhu) mendominasi terhadap hasil perhitungan, dan dengan asumsi tanaman dalam kondisi standar (pertumbuhan seragam, sempurna dengan tinggi antara 8-15 cm, dan dalam kondisi air, tanah, lingkungan yang mendukung terhadap pertumbuhan tanaman tersebut). Seperti pada tahapan sebelumnya, kalkulasi matematis dilakukan dengan menggunakan Band Math yang terdapat dalam fitur Basic Tools. Selanjutnya, dilakukan proses pemotongan citra dengan melakukan masking citra berdasar peta batas DAS Cimadur yang telah dikonversi dari format (shp) menjadi (evf), yaitu format yang dapat dibaca oleh Envi 4.5. 3.4.7 Validasi Estimator Evapotranspirasi Validasi data estimator evapotranspirasi dilakukan terhadap data panci evaporasi A dan lysimeter yang didapatkan dari stasiun iklim. Validasi dilakukan untuk melihat hubungan antara data estimator evapotranspirasi dengan data validator yang didapatkan dari stasiun iklim. Pada proses validasi ini, dilakukan validasi terhadap 1x1 pixel dan 3x3 pixel. Hal ini bertujuan untuk menambah ketersediaan data estimator berdasarkan rataan 3x3 pixel, serta meninjau distribusi evapotranspirasi wilayah pada jangkauan 3 km x 3 km di seputar titik stasiun.
18
3.4.8 Perbaikan Data Evapotranspirasi pada citra MODIS Perbaikan data evapotranspirasi yang dihasilkan berdasarkan perhitungan LST
MODIS,
dilakukan
untuk
memperbaiki
kondisi
pixel-pixel
yang
mengandung cukup banyak ‘missing data’. Perbaikan data evapotranspirasi dilakukan dengan menyeleksi data LST MODIS 8 harian yang memiliki ketersediaan data LST day dan LST night yang lebih baik dibandingkan data lainnya. Sehingga, kombinasi data-data tersebut dapat memberikan ketersediaan data untuk LST mean yang lebih baik. Apabila dilakukan seleksi terhadap datadata tersebut, maka kebutuhan untuk kombinasi data dengan ketersediaan terbaik, bisa terdiri dari 1-4 data (Gambar 3.4.8.a dan 3.4.8.b). Selanjutnya, nilai evapotranspirasi kembali dihitung dengan menggunakan rumus Blaney-Criddle. Validasi data evapotranspirasi (dengan perbaikan dan tanpa perbaikan), dilakukan untuk mengetahui nilai R2 dan hubungan kedua data tersebut.
xxxii 19
Gambar 3.4.8.a. Ilustr.asi Kombinasi Data Sebelum Perbaikan
20
Gambar 3.4.8.b. Ilustrasi Kombinasi Data Setelah Perbaikan.
34 21
3.5. Diagram Alir Penelitian
Gambar 3.5.a. Diagram Alir Penelitian.
50
BAB IV KONDISI UMUM LOKASI PENELITIAN 4.1 Batas Administrasi Kabupaten Lebak, Banten Kabupaten Lebak merupakan salah satu kabupaten yang terdapat di provinsi Banten dengan Ibukota Rangkasbitung. Kabupaten Lebak terletak antara 6018’-7000’LS dan 105025’-106030’BT dengan luas wilayah 304.472 Ha (3.044,72 Km2) yang terdiri dari 28 Kecamatan dengan 340 desa dan 5 kelurahan. Berikut merupakan batas administratif Kabupaten Lebak : Sebelah utara
: Kabupaten Serang dan Kabupaten Tangerang
Sebelah Selatan
: Samudra Hindia
Sebelah Barat
: Kabupaten Pandeglang
Sebelah Timur
: Jawa Barat
(http://www.lebakkab.go.id). 4.2 Kondisi Topografi Wilayah Kabupaten Lebak secara topografi memiliki 3 (tiga) karakteristik ketinggian dari permukaan laut, yaitu: 1. 0 - 200 Meter, untuk wilayah sepanjang Pantai Selatan. 2. 201 - 500 Meter, untuk wilayah Lebak Tengah. 3. 501 - 1000 Meter, untuk wilayah Lebak Timur dengan puncaknya yaitu Gn. Sanggabuana dan Gn. Halimun. Ketinggian dari permukaan laut setiap Ibu Kota Kecamatan di Kabupaten Lebak sangat beragam, yang tertinggi adalah Kecamatan Muncang dan Sobang (260 meter), yang terendah Kecamatan Bayah dan Cihara (3 meter) (http://www.lebakkab.go.id). 4.3 Kondisi Hidrologi Wilayah Aspek hidrologi suatu wilayah sangat diperlukan dalam pengendalian dan pengaturan tata air wilayah tersebut, berdasarkan hidrogeologinya, aliran-aliran sungai besar di wilayah Kabupaten Lebak bersama anak-anak sungainya membentuk pola Daerah Aliran Sungai (DAS) yang dapat digolongkan terdiri 2 (dua) DAS yaitu (1) DAS Ciujung yang meliputi Sungai Ciujung, Sungai Cilaki,
51 23
Sungai Ciberang, dan Sungai Cisimeut, (2) DAS Ciliman dan Cimadur yang meliputi Sungai Ciliman dengan anak sungainya, Sungai Cimadur, Sungai Cibareno, Sungai Cisiih, Sungai Cihara, Sungai Cipager, dan Sungai Cibaliung (http://www.lebakkab.go.id). 4.4 Permasalahan Hidrologi pada DAS Cimadur Sebagai bagian dari Kabupaten Lebak, DAS Cimadur juga turut berkontribusi terhadap kejadian banjir yang berlangsung selama musim hujan dan kekeringan pada musim kemarau, yang terjadi di wilayah tersebut. Hal ini dibuktikan dengan kondisi kekeringan yang terjadi pada wilayah pengamatan lapang, yaitu DAS Ciambulawuung, yang merupakan sub DAS Cimadur, yang mengalami kekeringan sehingga menghambat pengairan pada areal persawahan serta tidak berfungsinya mikrohidro di wilayah tersebut. Selain permasalahan banjir dan kekeringan, di Sungai Cimadur (Kecamatan Bayah), ribuan ikan ditemukan mati akibat pencemaran sungai oleh limbah pengolahan lumpur emas yang terdapat pada wilayah tersebut.
52
BAB V HASIL DAN PEMBAHASAN 5.1 Karakteristik Data Land Surface Temperature (LST) MODIS pada Wilayah Penelitian 5.1.1 Gambaran Umum Data Land Surface Temperature (LST) MODIS LST MODIS merupakan suatu rangkaian produk yang melewati berbagai proses yang meliputi transformasi secara spasial dan temporal, untuk kemudian menjadi suatu produk data global harian, 8 harian, serta bulanan. LST MODIS memiliki 7 produk data LST yang memiliki resolusi spasial sebesar 1 km arah nadir dan tutupan nominal 2030 atau 2040 garis (sepanjang track, sekitar 5 menit perekaman MODIS) dengan 1354 pixel tiap garisnya. Level data produk LST antara lain : Level 1B (L1B) merupakan scene data MODIS yang bergeolokasi di sekitar pusat lintang dan bujur dengan resolusi pixel 1 km; Produk level 2 (L2) yaitu produk geofisik dengan lintang dan bujur sebagai orientasi, dan tidak digunakan secara spasial dan temporal; dan produk level 3 (L3) yang merupakan produk geofisik yang digunakan secara spasial dan temporal, dan biasanya merupakan format jaringan proyeksi peta dalam bentuk ‘tiles’ (Wan, 2007). Pada penelitian ini, MOD11A2 merupakan produk level 3 (L3) LST MODIS, dengan resolusi spasial 1 km, resolusi temporal 8 harian, dan proyeksi peta sinusoidal. MOD11A2 tersebut merupakan produk LST 8 harian yang didapat dengan merata-ratakan dua hingga delapan harian produk MOD11A1. Menurut Vancutsem et al. (2010), produk MOD11A2 lebih baik apabila digunakan sebagai parameter suhu permukaan daratan karena variabilitasnya yang lebih rendah terhadap data stasiun, jika dibandingkan dengan variabilitas pada MOD11A1. Sehingga, pada penelitian ini, parameter suhu permukaan daratan didapatkan dari data LST MOD11A2. Secara visual, citra LST MODIS memiliki kenampakan seperti pada Gambar 5.1.1.a. Pada gambar tersebut, masing-masing pixel memiliki nilai suhu permukaan daratan (K). Pada penggunaannya, nilai suhu tersebut diubah dalam bentuk 0C dengan menggunaan fitur Band Math pada software Envi 4.5. Semakin putih kenampakan pixel pada citra, menunjukkan semakin tingginya suhu
53 25
permukaan daratan yang diestimasi oleh MODIS. Sementara, warna hitam menunjukkan kondisi no data area. Kondisi no data area akan tercapai apabila suatu wilayah tertentu merupakan wilayah lautan, atau wilayah yang terkontaminasi oleh tutupan awan dan kondisi cuaca yang buruk.
a). LST day MODIS
b). LST night MODIS Gambar 5.1.1.a Kenampakan Visual LST MODIS day (a) dan night (b).
5.1.2 Kualitas dan Ketersediaan Data LST MODIS tahun 2008-2010 Secara Spasial dan Temporal Ketersediaan dan kualitas data LST MODIS tahun 2008-2010 dianalisis dengan membandingkan nilai LST rata-rata dan nilai rataan suhu harian Stasiun Klimatologi Darmaga, Bogor. Nilai LST MODIS diambil menurut koordinat lokasi yang sama dengan lokasi Stasiun Klimatologi Darmaga, Bogor. Selain ketersediaan dan kelengkapan datanya, Bogor dipilih karena lokasinya tidak terlalu jauh dengan wilayah pengamatan. Pada tahapan ini, diasumsikan bahwa
54 26
dengan dilakukannya perbandingan pada stasiun klimatologi Darmaga, Bogor maka hasil perbandingan tersebut juga akan memberikan korelasi yang sama terhadap wilayah penelitian. Nilai LST mean (rata-rata) didapatkan dengan merata-ratakan nilai LST day dan LST night delapan harian. Selanjutnya, nilai suhu (T) rataan delapan harian dari stasiun klimatologi (Staklim), dibandingkan dengan nilai LST rataan delapan harian MODIS dan disajikan dalam Gambar 5.1.2.a. Berdasarkan Gambar 5.1.2.a, terlihat bahwa data LST MODIS umumnya tersedia cukup baik pada bulan-bulan tertentu, seperti bulan Mei hingga September. Ketersediaannya pada awal tahun dan akhir tahun umumnya semakin buruk. Diantara ketiga data tahun tersebut, terlihat bahwa tahun 2008 memberikan korelasi yang cukup baik antara data LST MODIS dan data suhu stasiun iklim. Namun, pada bulan dan hari tertentu, terdapat data LST MODIS yang menyimpang hingga hampir 20C dibandingkan data stasiun iklim. Perbedaan tersebut kemungkinan dipengaruhi oleh fluktuasi cuaca serta faktor perbedaan skala (titik vs areal). Tahun 2009 memberikan pola data LST mean yang cenderung lebih rendah dari data suhu stasiun pada bulan Mei hingga Juli. Namun, pada bulan Agustus hingga Oktober, data LST mean menunjukkan kondisi sebaliknya, yaitu data LST menjadi lebih tinggi dibandingkan data suhu stasiun. Ketersediaan data yang terdapat pada tahun 2009 tergolong cukup baik dibandingkan ketersediaan data pada tahun 2008 dan 2010. Tahun 2010 merupakan tahun dengan ketersediaan dan kualitas data LST paling buruk dibandingkan ketiga tahun lainnya. Gambar 5.1.2.a menunjukkan bahwa hanya terdapat beberapa titik LST yang tersedia sepanjang tahun 2010. Apabila pola tersebut kemudian dikaitkan dengan fenomena iklim yang terjadi pada tahun 2008-2010,
maka fenomena El Nino dan La Nina turut
berkontribusi terhadap fluktuasi nilai suhu udara seperti yang ditampilkan pada tabel 5.1.2.b. Pada tabel tersebut, indeks ONI (Oceanic Nino Index) merupakan indeks yang digunakan sebagai salah satu parameter terjadinya fenomena El Nino dan La Nina. Warna merah menunjukkan terjadinya fenomena El Nino, sedangkan warna biru menunjukkan terjadinya fenomena La Nina. Adapun nilai
55 27
kekuatan El Nino dan La Nina dibagi menjadi 3, yaitu lemah (antara 0,5 sampai 0,9), sedang (1-1,4), dan kuat (≥ 1,5).
Gambar 5.1.2.a Kualitas Data LST MODIS dibandingkan dengan data T Stasiun Klimatologi Darmaga, Bogor Tahun 2008-2010. Pada tabel 5.1.2.b terlihat bahwa pada awal tahun 2009, kondisi iklim cenderung normal. Sementara menuju akhir tahun 2009, terdapat fenomena El Nino yang semakin menguat. Fenomena El Nino yang identik dengan kekeringan, akan berpengaruh terhadap estimasi data LST MODIS. Pengambilan data LST MODIS yang dilakukan pada siang hari (LSTday) umumnya memiliki akurasi yang lebih rendah dibandingkan pada malam hari (LSTnight). Sehingga, nilai LST yang diestimasi MODIS dapat menjadi lebih tinggi dibandingkan kondisi sebenarnya. Puncak El Nino mengakibatkan akurasi LSTday menjadi lebih rendah. Hal ini kemungkinan dipengaruhi oleh kontribusi atmosfer lokal seperti iradiasi, dan lain-lain. Sementara, pada pengukuran LST night, hanya terdapat pancaran iradiasi dengan gangguan atmosfer yang minimum. Akibatnya, terdapat perbedaan nilai LSTday yang cukup besar dan akhirnya mempengaruhi nilai rata-rata LST.
56 28
Ketersediaan data yang minim pada tahun 2010, dapat pula dikaitkan dengan fenomena El Nino dan La Nina. Pada Tabel 5.1.2.b, terlihat bahwa sepanjang tahun 2010, terjadi fenomena El Nino pada awal tahun, yang kemudian diikuti dengan fenomena La Nina pada akhir tahun. Sehingga, hal tersebut memberikan kontribusi terhadap minimnya ketersediaan data LST yang diestimasi oleh MODIS. Tabel 5.1.2.b. Indeks ONI (Oceanic Nino Index) sebagai Salah Satu Parameter Terjadinya El Nino dan La Nina.
Sumber : http://www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ensoyears.shtml
Namun secara umum, ketersediaan data yang minim pada awal tahun dan akhir tahun sepanjang 2008-2010, diduga terkait oleh perbedaan musim. Menurut Tomlinson et al. (2011) perbedaan musim akan berpengaruh terhadap ketersediaan citra (meningkatnya tutupan awan) dan akurasi (meningkatnya hujan akan menyebabkan basahnya permukaan sehingga membuat pengukuran LST menjadi bias). 5.2 Hasil Validasi Nilai LST MODIS dengan Nilai Suhu (T) pada Stasiun Iklim 5.2.1 Pola Suhu Harian Darmaga pada Tahun 2008-2010 Validasi data LST MODIS merupakan tahapan yang menggambarkan hubungan keterkaitan antara nilai LST MODIS dengan nilai suhu udara yang terdapat pada stasiun klimatologi. Pada tahapan ini, terdapat kendala terkait kelengkapan dan ketersediaan data suhu harian pada stasiun klimatologi yang terdapat di wilayah DAS Cimadur, sehingga validasi data LST MODIS dilakukan pada stasiun klimatologi Darmaga, Bogor yang memiliki ketersediaan dan kelengkapan data suhu harian yang cukup baik. Diharapkan dengan dilakukannya validasi pada stasiun klimatologi Darmaga, Bogor maka hasil validasi tersebut juga akan memberikan korelasi yang sama terhadap wilayah penelitian.
57 29
Tahapan validasi data MODIS diawali dengan melihat pola suhu harian yang terdapat pada stasiun klimatologi Darmaga. Hal ini bertujuan untuk melihat pola suhu udara Bogor pada tahun 2008-2010 dan peristiwa iklim yang mungkin terjadi pada tahun-tahun tersebut. Berdasarkan grafik yang ditampilkan pada Gambar 5.2.1.a, terlihat bahwa suhu udara pada tahun 2008-2010 memiliki pola yang berbeda-beda setiap tahunnya. Tahun 2008, misalnya, memiliki suhu udara yang tergolong cukup rendah dibandingkan suhu udara pada tahun 2009 dan 2010, khususnya pada bulan Februari hingga Maret. Tahun 2009, bulan-bulan dengan suhu tertinggi berada sekitar bulan Agustus hingga November. Sedangkan pada tahun 2010, suhu tertinggi terdapat pada bulan April hingga Mei. Jika Gambar 5.2.1.a tersebut kemudian dibandingkan kembali dengan Tabel 5.1.2.a, terlihat bahwa penurunan suhu udara yang terjadi pada awal-awal tahun pada tahun 2008, terjadi akibat fenomena La Nina yang berlangsung dengan kekuatan sedang. Curah hujan tinggi yang berlangsung pada awal tahun 2008 menyebabkan suhu udara harian yang terukur menjadi lebih rendah dibandingkan bulan-bulan lainnya pada tahun tersebut. Untuk tahun 2009, terlihat bahwa ketika fenomena El Nino berlangsung semakin menguat pada akhir-akhir tahun, maka suhu udara kemudian meningkat menjadi lebih tinggi pada akhir tahun tersebut. Hal ini juga ditunjukkan dengan pengaruh El Nino yang terjadi pada tahun 2010 (April-Mei). Tahun 2010 merupakan tahun yang cukup kompleks pada terjadinya fenomena El Nino dan La Nina. Terlihat bahwa suhu udara yang semakin menurun pada akhir tahun 2010, disebabkan oleh munculnya fenomena La Nina yang kemudian semakin menguat. Secara umum, Gambar 5.2.1.a menunjukkan bahwa walaupun fluktuasi suhu udara yang terjadi pada setiap tahun pengamatan memiliki pola yang berbeda-beda, masih terdapat korelasi yang cukup stabil diantara ketiga tahun tersebut pada bulan-bulan tertentu. Grafik menunjukkan bahwa korelasi yang cukup stabil umumnya terjadi pada bulan Juni hingga Agustus. Sementara, pada bulan-bulan lainnya cenderung bervariasi akibat kemarau yang cukup tinggi ataupun puncak musim hujan.
58 30
Fluktuasi Suhu Harian Stasiun Klimatologi Darmaga, Bogor Tahun 2008-2010 Temperature (C)
29.0 28.0 TAHUN 2008 TAHUN 2009 TAHUN 2010
27.0 26.0 25.0 24.0 23.0
Ja
F
M
A
M
Ju
Ju
A
Sep
O
Nov
De
Bulan
Gambar 5.2.1.a. Fluktuasi Suhu Harian Stasiun Klimatologi Darmaga, Bogor Tahun 2008-2010. 5.2.2 Hasil Validasi Data LST MODIS Tahun 2011 dan Data Suhu (T) Stasiun Klimatologi pada Berbagai Ketinggian dan Waktu Berdasarkan hasil analisis pola suhu harian Stasiun Darmaga, Bogor dan analisis ketersediaan serta kualitas data LST MODIS tahun 2008-2010, terlihat bahwa data LST MODIS tersedia cukup baik pada bulan-bulan kering (musim kemarau), yaitu sekitar bulan April hingga September. Sementara, pada bulan lainnya, terutama bulan-bulan basah, ketersediaan data MODIS cenderung minim dan bahkan tidak ada. Dengan demikian, validasi data LST MODIS hanya dilakukan pada bulan April hingga September. Tahun 2011 dipilih sebagai tahun validasi karena belum tersedianya data suhu pada berbagai ketinggian pada tahun 2008-2010. Validasi yang dilakukan pada berbagai ketinggian bertujuan untuk mengkaji sensitivitas nilai LST yang MODIS terhadap nilai stasiun iklim, dan pada ketinggian berapa nilai LST tersebut bersesuaian dengan suhu permukaan lahan. Validasi yang dilakukan pada berbagai waktu bertujuan untuk mencari hubungan antara LSTday dan LSTnight pada MODIS, dengan Tmax dan Tmin yang terukur pada stasiun klimatologi. Sebelumnya, penelitian Maeda et al. (2011) di Kenya dan Vancutsem et al. (2010) di Afrika, menunjukkan bahwa terdapat hubungan yang cukup dekat antara LST night yang terukur pada MODIS dengan T min pada stasiun klimatologi, dan juga LST day pada MODIS dengan Tmax pada stasiun klimatologi.
59 31
5.2.2.1 Hasil Validasi Data LST MODIS day Tahun 2011 dan Data Suhu (T) Stasiun Klimatologi pada Berbagai Ketinggian. Stasiun klimatologi Darmaga, Bogor memiliki beberapa stasiun agroklimat yang digunakan untuk mengukur suhu dan kelembaban udara pada berbagai ketinggian. Stasiun AGM-1C tersebut terutama diperuntukkan untuk keperluan data terkait bidang pertanian. Beberapa ketinggian yang diukur pada stasiun AGM-1C antara lain adalah 5 cm, 10 cm, 15 cm, 30 cm, 50 cm, 150 cm, dan 200 cm. Pada stasiun ini, pengukuran suhu dilakukan dengan menggunakan termometer Physchrometer Assman. Pengukuran dilakukan dua kali dalam sehari, yaitu pada pukul 07.10 dan 13.50 WIB. Sedangkan pengukuran suhu harian rata-rata yang umum digunakan dan diberikan kepada pengguna, merupakan pengukuran suhu rata-rata harian yang berasal dari sangkar meteo, dengan menggunakan termometer bola kering (sesuai dengan standar World Meteorology Organization). Suhu harian rata-rata tersebut diukur pada ketinggian sangkar meteo 120 cm dan pada rataan pengukuran waktu tertentu yaitu pukul 07.00 (dua kali), 13.00, dan 18.00 WIB. Berdasarkan hal tersebut, maka suhu harian yang dibandingkan dengan data LST MODIS merupakan suhu yang berasal dari stasiun AGM-1C pada ketinggian 5 cm dan 100cm, serta suhu yang berasal dari sangkar meteo 120 cm (sebagai sumber data yang umum digunakan oleh pengguna). Sedangkan, waktu pengambilan data dilakukan pada Tmax (pukul 13.00 WIB untuk T pada sangkar meteo, dan pukul 13.50 WIB untuk T pada stasiun AGM 1-C), untuk kemudian dibandingkan dengan LST MODIS day yang diukur pada waktu lokal solar 10.30.
60 32
a). Sangkar Meteo
b). Termometer Bola Basah-Kering
Sumber: www.jsec.com.sg c). Phsychrometer Assman Gambar 5.2.2.1.a Alat Ukur Suhu Pada Stasiun Klimatologi. Gambar 5.2.2.1.b menunjukkan bahwa pada berbagai ketinggian stasiun iklim, pengukuran suhu pada siang hari ternyata memiliki fluktuasi yang berbeda-
beda walaupun membentuk pola yang cenderung mirip satu sama lain. Garis antar stasiun yang ditunjukkan pada gambar 5.2.2.1.b, cenderung sejajar/berhimpit hanya pada Julian Days awal. Jika garis antar stasiun iklim tersebut kemudian dibandingkan dengan garis LST, LST, terlihat bahwa garis LST, hanya sejajar atau berhimpit pada bulan-bulan tertentu saja. Sedangkan fluktuasinya di beberapa
bulan terlihat masih menyimpang cukup jauh ( 2 hingga 30C). Seperti yang telah disebutkan pada sub bab sebelumnya, bahwa penyimpangan penyimpangan nilai LST dan stasiun, dapat terjadi akibat kondisi cuaca, faktor skala, dan juga efek angular anistropi yang bisa menyebabkan tingginya nilai pantulan, bauran, serta efek bayangan pada pengukuran di siang hari (Tomlinson et al., 2011; Vancutsem et
al., 2010).
61 33
Gambar 5.2.2.1.b
Grafik Perbandingan LST MODIS day dan Suhu Stasiun Klimatologi Darmaga, Bogor pada Berbagai Ketinggian.
Gambar 5.2.2.1.c juga menunjukkan bahwa hubungan terdekat antara LST MODIS day dengan T stasiun, diperoleh T stasiun pada ketinggian 5 cm dengan nilai R2 sebesar 0,362. Sementara itu, R2 antara LST MODIS day dan T stasiun 100 cm adalah 0,304. Sedangkan nilai R2 terkecil didapatkan dari hubungan antara LST MODIS day dan T stasiun 120 cm, yaitu 0,277. Terlihat bahwa nilai LST day pada data MODIS lebih erat kaitannya pada T stasiun dengan ketinggian 5 cm, walaupun secara umum, perbedaan antara ketiga ketinggian tersebut tidak menghasilkan nilai R2 yang jauh berbeda.
b). LSTday-T100 c). LSTday-T120 a). LSTday-T5 Gambar 5.2.2.1.c Nilai R2 antara LST MODIS day dan T stasiun pada Berbagai Ketinggian. 5.2.2.2 Hasil Validasi Data LST MODIS night Tahun 2011 dan Data Stasiun Klimatologi pada Berbagai Ketinggian. Proses validasi MODIS night dilakukan pada bulan Mei hingga September 2011. Hal ini disebabkan oleh data MODIS night yang tidak tersedia pada bulan April. Secara umum, data LST night lebih sulit tersedia dibandingkan dengan data LST day. Validasi LST MODIS night dilakukan dengan membandingkan T
62 34
stasiun pada ketinggian 5, 100, dan 120 cm pada pukul 07.00 WIB (untuk pengukuran T sangkar meteo) dan 07.10 WIB (untuk pengukuran T pada stasiun AGM-1C), dengan LST MODIS night pada waktu akuisisi 22.30 waktu lokal solar.
Gambar 5.2.2.2.a Grafik Perbandingan LST MODIS night dan Suhu Stasiun Klimatologi Darmaga, Bogor pada Berbagai Ketinggian. Gambar 5.2.2.2.a menunjukkan bahwa pada pengukuran suhu minimum, terdapat hubungan yang cukup dekat antara stasiun pada ketinggian 5 cm dan 100 cm. Sementara itu, pada stasiun dengan ketinggian 120 cm, terdapat perbedaan pengukuran suhu hingga mencapai 20C jika dibandingkan dengan kedua nilai suhu lainnya. Hal tersebut mengindikasikan adanya perbedaan nilai yang disebabkan oleh perbedaan alat ukur pengukuran suhu udara. Jika dibandingkan antara nilai LST night dengan nilai T stasiun, terlihat bahwa garis LST night cenderung berhimpit pada pengukuran T stasiun 120 cm. Hal ini tentu berbeda dengan kondisi pada LST day, yang cenderung mendekati nilai Tstasiun pada ketinggian 5 cm. Terdapat dua asumsi terkait perbedaan nilai tersebut. Asumsi pertama, jika nilai LST MODIS berada pada ketinggian 5 cm, maka perbedaan ini disebabkan oleh perbedaan waktu akuisisi data dan pengambilan data T stasiun.
Pada LST MODIS night, pengambilan data
dilakukan pada pukul 22.30 waktu lokal solar. Sementara, pada T stasiun, pengambilan data dilakukan pada pukul 07.00 WIB. Dengan demikian, nilai Tmin yang dimaksud pada LST MODIS night, menjadi terlihat lebih setara dengan pengukuran T stasiun pada ketinggian 120 cm. Asumsi kedua adalah nilai LST memang berada di sekitar ketinggian 120 cm dari permukaan lahan. Sehingga, LST night tepat mendekati nilai stasiun iklim
63 35
pada ketinggian 120 cm. Sementara, hubungan antara nilai LST day yang tidak terlalu erat dengan T stasiun pada ketinggian 120 cm, lebih disebabkan oleh besarnya bias yang terjadi pada pengukuran siang hari oleh sensor MODIS. Pada asumsi kedua ini, bias waktu kurang dipertimbangkan.
b). LSTnight-T100 c). LSTnight-T120 a). LSTnight-T5 2 Gambar 5.2.2.2.b Nilai R antara LST MODIS night dan T stasiun pada Berbagai Ketinggian. Sementara, analisis regresi (Gambar 5.2.2.2.b) menunjukkan bahwa R2 terbesar ditunjukkan pada ketinggian 100 cm. Nilai R2 pada ketinggian tersebut adalah 0,567. Selanjutnya, nilai R2 terbesar kedua didapatkan dari ketinggian 5 cm, yaitu 0,442. Pada ketinggian 120 cm, yang justru terlihat lebih dekat dengan LST MODIS night, ternyata hanya memiliki nilai R2 sebesar 0,283. Hal ini disebabkan oleh fluktuasi nilai LST MODIS night yang pada beberapa titik cenderung lebih tinggi atau lebih rendah. Sehingga, walaupun garis LST MODIS night cenderung berhimpitan dengan T pada ketinggian 120 cm, nilai R2 yang dihasilkannya akan menjadi lebih kecil. 5.3
Perhitungan Evapotranspirasi dengan metode Blaney-Criddle
5.3.1 Ketersediaan Data Evapotranspirasi Secara Spasial dan Temporal Hasil perhitungan evapotranspirasi potensial dengan menggunakan metode Blaney-Criddle disajikan secara spasial dan temporal pada gambar 5.3.1.a. Nilai evapotranspirasi potensial tersebut dibagi menjadi delapan kelas dengan rentang 0,2 mm. Sehingga memiliki nilai evapotranspirasi potensial antara 4,45 sampai 5,65 mm dan No Data area. Pada gambar tersebut, terlihat bahwa ketersediaan data evapotranspirasi potensial yang dibangun dengan basis data penginderaan jauh, mengalami kendala dalam hal ketersediaan data. Secara umum, pada awal
64 36
dan akhir tahun dari keempat tahun pengamatan, memiliki 0% ketersediaan data pada wilayah penelitian (tabel 5.3.1.a). Pada tahun 2008, terdapat 0% ketersediaan data pada bulan Januari, Februari, Maret, April, Oktober, November, dan Desember. Ketersediaan data pada tahun 2008 dimulai pada bulan Mei dengan 24,2% ketersediaan data. Selanjutnya, menurun menjadi 22,6% pada bulan Juni dan meningkat menjadi 33,5% pada bulan Juli. Sementara, pada bulan Agustus dan September, ketersediaannya semakin menurun dari 8,9% menjadi 2,4%. Tahun 2009 memiliki ketersediaan data yang jauh lebih baik jika dibandingkan dengan tahun 2008. Namun, ketersediaan data pada tahun 2009, baru tersedia sejak bulan Juni hingga Oktober. Pada bulan Juni 2009, ketersediaan data sebesar 18,5% dan meningkat pada bulan Juli menjadi 99,2%. Selanjutnya, ketersediaannya kembali menurun pada bulan Agustus menjadi 81% dan meningkat kembali menjadi 95,2% pada bulan September. Pada bulan Oktober, data tersedia hanya mencapai 0,4%. Tabel 5.3.1.a Persentase Ketersediaan Data pada Hasil Perhitungan Evapotranspirasi Potensial. Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
Jumlah Data Tersedia 2008 2009 2010 2011 0 0 0 0 0 0 0 0 0 0 0 0 0 0 13 0 60 0 0 143 56 46 0 0 83 246 69 228 22 201 31 207 6 236 0 210 0 1 0 0 0 0 0 0 0 0 0 Total Data/Pixel
% Data Tersedia 2008 2009 2010 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 5,2% 24,2% 0% 0% 22,6% 18,5% 0% 33,5% 99,2% 27,8% 8,9% 81% 12,5% 2,4% 95,2% 0% 0% 0,4% 0% 0% 0% 0% 0% 0% 0%
2011 0% 0% 0% 0% 57,7% 0% 91,9% 83,5% 84,7% 0% 0% 248
Tahun 2010 memiliki ketersediaan data yang paling buruk jika dibandingkan dengan ketiga tahun pengamatan lainnya. Pada tahun 2010, data mulai tersedia pada bulan April dengan ketersediaan sebesar 5,2%. Kemudian,
65 37
kembali menjadi 0% pada bulan Juni. Ketersediaan data tertinggi terdapat pada bulan Juli dengan ketersediaan sebesar 27,8% dan kembali menurun pada bulan Agustus
menjadi
12,5%.
Selanjutnya,
pada
bulan-bulan
berikutnya,
ketersediaannya menjadi 0%. Tahun 2011, kualitas ketersediaan data hampir sama dengan ketersediaan data pada tahun 2009. Ketersediaan data pada tahun 2011 dimulai pada bulan Mei dengan 57,7% ketersediaan data. Selanjutnya, data kembali tersedia pada bulan Juli sebesar 97,9% dan menurun pada bulan Agustus menjadi 83,5% dan sedikit meningkat menjadi 84,7% pada bulan September. Selain faktor anomali iklim, faktor error internal juga sangat berpengaruh terhadap minimnya ketersediaan data. Faktor error tersebut antara lain dipengaruhi oleh jumlah hari hujan dan hari kering pada satu bulan pengamatan. Dalam satu bulan pengamatan, dibutuhkan data LST MODIS 8 harian sebanyak 34 data. Diantara 3-4 data tersebut, tentunya ada beberapa data yang memiliki hari hujan, yang sangat berpotensi pada timbulnya ‘missing data’. Dalam kalkulasi Tmean pada penelitian, hasil akhir Tmean sangat ditentukan oleh 3-4 data tersebut. Prinsip perhitungan pada kalkulasi band adalah apabila available data dikalkukalsikan dengan not avilable data, maka hasil akhir proses tersebut akan menghasilkan not available data. Sehingga, walaupun hanya terdapat satu data ‘missing’ yang terdistribusi cukup merata pada wilayah penelitian, data ‘missing’ tersebut menjadi sangat potensial untuk memberikan hasil akhir data dengan 0% ketersediaan data. Sehingga, saat dilakukan perhitungan evapotranspirasi potensial, ketersediaan datanya menjadi sangat minim bahkan mencapai 0%.
66 38
Distribusi Evapotranspirasi Potensial (ETo) Tahun 2008-2011 di DAS Cimadur, Banten 2008
2009
2010
2011
Keterangan : Evapotranspirasi dalam satuan mm/hari
67 39
Distribusi Evapotranspirasi Potensial (ETo) Tahun 2008-2011 di DAS Cimadur, Banten 2008
2009
2010
2011
Keterangan : Evapotranspirasi dalam satuan mm/hari
40 68
Distribusi Evapotranspirasi Potensial (ETo) Tahun 2008-2011 di DAS Cimadur, Banten 2008
2009
2010
2011
Keterangan : Evapotranspirasi dalam satuan mm/hari
Gambar 5.3.1.a Distribusi Evapotranspirasi Potensial Secara Spasial dan Temporal pada Tahun 2008-2011.
69 41
5.3.2 Pola Evapotranspirasi Secara Spasial dan Temporal Pola distribusi evapotranspirasi potensial standar (ETo) secara spasial dan temporal belum bisa dilakukan secara optimal, akibat tidak lengkapnya data dalam satu tahun pengamatan. Namun, jika dilihat secara umum pada setiap tahun pengamatan, wilayah bagian selatan pada DAS Cimadur umumnya memiliki nilai evapotranspirasi yang lebih tinggi dibandingkan wilayah tengah DAS Cimadur, dan berangsur-angsur kembali meningkat pada bagian utara. Pola tersebut nampak sangat jelas pada bulan September 2009. Menurut kondisi topografi wilayah penelitian (Gambar 5.3.2.a), wilayahwilayah pada bagian utara DAS Cimadur memang memiliki topografi dan elevasi yang lebih tinggi dan cenderung bergunung dibandingkan wilayah pada bagian selatan DAS Cimadur. Pada bagian tengah wilayah utara juga terlihat terdapat suatu cekungan. Kondisi ini diduga merupakan salah satu faktor yang menyebabkan tingginya suhu permukaan pada bagian selatan (sehingga mempengaruhi nilai evapotranspirasi) dan semakin rendahnya suhu udara menuju ke utara wilayah DAS Cimadur.
a). Peta Topografi Gambar 5.3.2.a
b). Peta Penggunaan Lahan
Peta Topografi (a) dan Penggunaan Lahan (b) pada DAS Cimadur, Hasil dari Interpretasi Citra Google Earth dan ALOS AVNIR-2.
70 42
Jika pola tersebut dikaitkan dengan penggunaan lahan yang terdapat pada DAS Cimadur (gambar 5.3.2.a), terlihat bahwa pada bagian selatan dari DAS Cimadur didominasi oleh sawah, semak/tegalan, dan kebun campuran. Kemudian, semakin menuju ke arah utara, hutan mulai mendominasi penggunaan lahan pada DAS Cimadur. Pada bagian utara DAS Cimadur, terlihat bahwa dibagian tengah wilayah tersebut, mulai didominasi kembali oleh sawah dan semak/tegalan. Seperti yang telah dibahas sebelumnya, bahwa nilai evapotranspirasi potensial yang didapatkan pada penelitian ini, sangat terkait dengan masukan data suhu dari LST MODIS. Sehingga, jika terdapat pola evapotranspirasi potensial yang terdapat pada gambar 5.3.2.a, besar kemungkinan bahwa pola tersebut dipengaruhi oleh suhu udara. Secara umum, suhu permukaan akan meningkat seiring dengan berkurangnya vegetasi yang menutupi permukaan tanah/lahan. Penelitian Hung et al. (2005) dan Sandholt et al. (2002) menunjukkan bahwa hubungan antara LST dan NDVI adalah negatif, yang berarti semakin tinggi suhu permukaan, maka indeks vegetasinya menurun. Sehingga, hal tersebut sesuai dengan apa yang ditampilkan pada Gambar 5.3.1.a, bahwa suhu permukaan jauh lebih tinggi pada bagian
selatan
DAS
Cimadur
(dengan
menganalogikan
bahwa
nilai
evapotranspirasi yang terdapat pada gambar tersebut, berbanding lurus dengan suhu permukaan), akibat pola penggunaan lahannya yang cenderung dipenuhi oleh sawah, semak/tegalan, dan pemukiman. Pada wilayah utara, vegetasi hutan cenderung memiliki suhu/suhu yang lebih rendah. Pada wilayah tengah di sebelah utara DAS Cimadur, kenaikan suhu disebabkan oleh terdapatnya pola penggunaan lahan berupa semak/tegalan dan persawahan pada wilayah tersebut (gambar 5.3.2.a). Gambar 5.3.2.b menunjukkan hubungan antara elevasi dan LSTmean terhadap penggunaan lahan yang terdapat di DAS Cimadur. Hutan dan sawah dipilih sebagai pembanding terkait dengan karakteristik penggunaan lahan yang sangat berbeda diantara keduanya. Pada analisis tersebut, diambil 6 titik contoh untuk elevasi dan penggunaan lahan yang berbeda. Berdasarkan gambar 5.3.2.b, terlihat bahwa penggunaan lahan sawah memberikan nilai suhu yang lebih tinggi
71 43
dibandingkan hutan. Bahkan pada elevasi yang relatif sama, sawah masih memiliki nilai suhu yang lebih tinggi dibandingkan hutan. Gambar 5.3.2.b juga menunjukkan bahwa, pada penggunaan lahan yang relatif sama, topografi juga berkontribusi terhadap perubahan suhu yang diestimasi oleh LST MODIS. Hal ini dapat diamati pada penggunaan lahan sawah dan hutan, yang memiliki nilai suhu yang semakin meningkat seiring dengan rendahnya elevasi pada wilayah penelitian.
Gambar 5.3.2.b
Hubungan antara Elevasi dan LSTmean pada Berbagai Penggunaan Lahan di DAS Cimadur.
Kedua hal tersebut mengindikasikan bahwa suhu yang diestimasi oleh MODIS relatif sensitif terhadap perubahan penggunaan lahan dan juga topografi. Dengan demikian, nilai LST tersebut akan mempengaruhi nilai evapotranspirasi yang dihasilkan dalam penelitian. Seperti yang telah dibahas sebelumnya, bahwa persamaan Blaney-Criddle yang digunakan dalam penelitian ini merupakan persamaan evapotranspirasi potensial dalam keadaan standard. Asumsi yang digunakan adalah kondisi tanaman pendek/rumput, tinggi seragam, menutupi tanah sempurna, dan dalam kondisi cukup air. Dengan demikian, nilai evapotranspirasi yang didapat, tidak spesifik secara langsung untuk jenis penggunaan lahan tertentu. Namun, pola penggunaan lahan dan topografi tetap akan memberikan kontribusi terhadap nilai suhu permukaan lahan, yang merupakan data masukan utama dalam perhitungan nilai ETo. 5.4 Validasi Nilai Estimator Evapotranspirasi Validasi nilai estimator evapotranspirasi dilakukan untuk mengetahui seberapa jauh perbedaan antara nilai evapotranspirasi yang didapatkan dari hasil
72 44
penelitian (ETm), dengan nilai evapotranspirasi yang diukur pada panci evaporasi yang berasal dari stasiun klimatologi Baranangsiang FMIPA IPB (sejak tahun 2009-2010) dan data Lysimeter (tahun 2009) yang didapatkan dari stasiun klimatologi Darmaga. Panci evaporasi A dan Lysimeter merupakan suatu metode sederhana dalam perhitungan Evapotranspirasi. Validasi diharapkan dapat memberikan gambaran mengenai keterkaitan data evapotranspirasi hasil perhitungan pada penelitian, dengan dua metode evapotranspirasi sederhana yang juga umum digunakan sebagai standar perhitungan evapotranspirasi. Pada tahap validasi, dilakukan perbandingan antara nilai ETm dengan nilai validator
evapotranspirasi
(panci
evaporasi
A
dan
lysimeter)
dengan
membandingkan nilai estimator evapotranspirasi rataan dari 1x1 pixel dan 3x3 pixel, dengan nilai yang ditunjukkan oleh validator. Hal ini bertujuan untuk melihat pengaruh spasial nilai evapotranspirasi antara 1x1 pixel dan 3x3 pixel, dan juga untuk menambah ketersediaan data validasi. 5.4.1 Validasi Data ETm dan Panci Evaporasi A Validasi Data ETm dan panci evaporasi A memiliki kendala terkait ketersediaan data ETm. Nilai ETm tidak bisa didapatkan untuk setiap bulannya karena pengaruh pixel yang mengandung ‘no data’ area. Pada tahun 2008 dan 2009, data ETm yang tersedia pada titik stasiun Baranangsiang, hanya terdapat pada 1 bulan pengamatan. Bahkan, pada tahun 2010, tidak ada data yang tersedia (Gambar 5.4.a (a dan b))). Namun, validasi terhadap rataan pixel 3x3 pada titik stasiun iklim Baranangsiang ternyata mampu menambah ketersediaan data untuk validasi, walaupun tidak cukup banyak data yang bertambah. Sehingga, pada validasi data ETm, hanya didapatkan total 2 bulan nilai evapotranspirasi pada tahun 2008 dan 2009 (untuk nilai evapotranspirasi 1x1 pixel) dan juga total 5 bulan nilai evapotranspirasi pada tahun 2008 dan 2009 (untuk nilai evapotranspirasi 3x3 pixel). Sedangkan tahun 2010, data tetap tidak tersedia.
73 45
a). 1x1 pixel
Gambar 5.4.1.a
b). 3x3 pixel
Grafik Validasi Estimator Evapotranspirasi dengan panci evaporasi A.
Berdasarkan grafik yang ditunjukkan pada gambar 5.4.a (a dan b), terlihat bahwa perbandingan nilai evapotranspirasi antara 1x1 pixel dengan 3x3 pixel, tidak menghasilkan nilai yang berbeda jauh. Hal ini terlihat dari titik-titik pada pengamatan 1x1 pixel dengan 3x3 pixel, yang tidak mengalami pergeseran yang signifikan. Hal ini menunjukkan bahwa pada luasan 9 km2, nilai evapotranspirasi masih memberikan korelasi yang kuat dengan nilai evapotranspirasi pada luasan wilayah 1 km2 pada titik pengamatan stasiun. Sementara, perbandingan antara nilai ETm dan nilai evaporasi panci A sendiri, memiliki perbedaan dalam rentang 0,82-1,32 mm (untuk 1x1 pixel) dan 0,62-1,34 mm (untuk 3x3 pixel). 5.4.2 Validasi Data ETm dan Lysimeter
a). 1x1 pixel
Gambar 5.4.2.a
b). 3x3 pixel
Grafik Validasi Estimator Evapotranspirasi dengan Lysimeter.
Pada validasi data ETm dan Lysimeter, hanya didapatkan 3 bulan ketersediaan data ETm dari satu tahun pengamatan. Selain kendala yang terdapat pada area ‘no data’ di titik stasiun iklim Darmaga, minimnya ketersediaan data
74 46
juga dipengaruhi oleh terbatasnya distribusi lysimeter dan data tahun lysimeter. Validasi dengan ketersediaan nilai ETm yang minim pada satu stasiun dapat dihindari apabila terdapat beberapa stasiun yang memiliki lysimeter atau memiliki beberapa tahun lysimeter, sehingga titik-titik validasi menjadi lebih tersedia dan akurat untuk dilakukan. Pada grafik yang ditunjukkan pada Gambar 5.4.2.a (a dan b), terlihat bahwa pada validasi ETm dan lysimeter, perbandingan nilai evapotranspirasi antara 1x1 pixel dengan 3x3 pixel tidak menghasilkan nilai yang berbeda jauh. Sementara, pada perbandingan antara ETm dan lysimeter, terlihat bahwa pada bulan Juni dan Juli terdapat perbedaan yang cukup tinggi antara nilai ETm dengan nilai evapotranspirasi yang berasal dari lysimeter (berbeda 4,12 mm untuk 1x1 pixel dan 4,13 mm untuk 3x3 pixel pada bulan Juni, dan 3,70 mm untuk 1x1 pixel dan 3,69 mm untuk 3x3 pixel pada bulan Juli). Sementara, pada bulan September, nilai estimator evapotranspirasi cukup dekat dengan nilai lysimeter (nilai lysimeter lebih tinggi 0,45 mm untuk 1x1 pixel dan 0,46 mm untuk 3x3 pixel). 5.4.3 Perbandingan Nilai ETm dengan Panci Evaporasi A dan Lysimeter Hasil validasi ETm terhadap kedua validator menunjukkan bahwa terdapat korelasi yang cukup baik antara nilai ETm dengan panci evaporasi A karena memiliki rentang perbedaan nilai yang lebih kecil dibandingkan dengan rentang nilai pada lysimeter. Walaupun demikian, pada bulan September beda nilai antara ETm dan lysimeter tidak terlalu besar. Hal ini mengindikasikan bahwa nilai ET yang dihasilkan berdasarkan perhitungan ternyata lebih mendekati nilai evapotranspirasi potensial yang diukur melalu panci evaporasi A. Besar kemungkinan hal ini disebabkan oleh masukan data pada persamaan Blaney Criddle yang hanya mempertimbangkan faktor iklim seperti suhu dan ratarata persentase harian dari jam siang hari tahunan untuk berbagai lintang, sehingga menghasilkan nilai ET yang cenderung mendekati nilai panci evaporasi A. Pada perhitungan evapotranspirasi dengan menggunakan lysimeter terdapat faktor lain yang harus dipertimbangkan, yaitu curah hujan dan simpanan air tanah. Sehingga,
75 47
korelasi lysimeter dengan nilai ET berdasarkan rumus Blaney-Criddle, memberikan perbedaan rentang nilai yang cukup tinggi. Pengaruh faktor iklim terhadap nilai evapotranspirasi, dapat terlihat dari variabilitas nilai evapotranspirasi yang ditunjukkan pada hasil pengukuran panci evaporasi A dan Lysimeter. Panci evaporasi A, yang nilai evapotranspirasinya lebih kuat dipengaruhi oleh faktor iklim, cenderung memberikan nilai evapotranspirasi dengan keragaman yang tidak terlalu besar pada setiap bulannya. Pola yang hampir sama dengan keragaman pada nilai evapotranspirasi yang dihasilkan oleh ETm terjadi di setiap bulannya. Kondisi ini berbeda dengan keragaman
yang
ditunjukkan
pada
Lysimeter,
dimana
terdapat
angka
evapotranspirasi yang berfluktuasi pada setiap bulan yang berbeda. Hal tersebut menunjukkan bahwa selain faktor iklim, kondisi tanah dan tanaman turut berkontribusi terhadap nilai evapotranspirasi yang dihasilkan. Faktor penting lainnya terkait perbedaan nilai antara ETm dan kedua validator adalah faktor skala. Nilai ETm pada penelitian ini merupakan nilai evapotranspirasi dengan resolusi 1 km, sementara, titik validasi pengamatan hanya berupa petak seluas 1 m x 1 m (pada lysimeter) dan berdiameter ±120 cm (pada panci evaporasi A). Sehingga, nilai yang diduga oleh lysimeter dan panci evaporasi A merupakan salah satu bentuk keragaman data evapotranspirasi yang terdapat dalam luasan 1 km x 1 km. Secara umum, beberapa kendala yang terdapat dalam validasi nilai ETm merupakan ketersediaan data ETm itu sendiri. Tidak tersedianya data ETm pada kedua validasi disebabkan oleh lokasi titik validasi (Bogor), yang merupakan salah satu daerah dengan curah hujan tinggi. Sehingga, ketersediaan data MODIS untuk wilayah Bogor, tidak cukup baik. Selain itu, minimnya data validator (baik berupa data bulan, tahun, maupun stasiun) menyebabkan sulitnya melihat pola variabilitas yang terdapat pada setiap tahun validasi. 5.5 Perbaikan data LSTmean MODIS 5.5.1 Pengaruh Perbaikan Data Tdan dan Tnight Terhadap Ketersediaan Data Evapotranspirasi Potensial Secara Spasial dan Temporal Perbaikan
data
evapotranspirasi
potensial
dilakukan
dengan
mengkombinasikan data 8 harian terbaik pada data LSTday dan LSTnight pada
76 48
MODIS, sehingga akan memberikan perbaikan terhadap data LSTmean yang digunakan dalam persamaan Blaney-Criddle. Pada proses perbaikan ini, dilakukan kombinasi 1 hingga 4 data LST 8 harian yang memberikan ketersediaan data terbaik pada wilayah penelitian. Perbaikan data tersebut diperlukan untuk menambah ketersediaan data evapotranspirasi potensial pada DAS Cimadur, sehingga memberikan informasi distribusi evapotranspirasi potensial secara spasial dan temporal dengan lebih lengkap. Tabel 5.5.1.a menunjukkan bahwa berbagai kombinasi data 8 harian dilakukan pada data LST day dan night. Kombinasi tersebut bersifat sangat spesifik dan berbeda untuk masing-masing bulan pada setiap tahun. Beberapa data LST juga menunjukkan hasil yang cukup baik, sehingga tidak perlu dilakukan perbaikan data (menggunakan 3-4 data 8 harian yang terdapat dalam satu bulan). Namun, terdapat pula beberapa data yang bersifat tidak tersedia (100% ‘missing’), sehingga tidak dapat diperbaiki dan menghasilkan 0% data tersedia. Pada kombinasi data LSTday, terlihat bahwa untuk beberapa bulan yang dianggap masih cukup baik ketersediaan datanya, kombinasi bisa dilakukan sebanyak 3 hingga 4 data (tanpa perbaikan). Namun pada awal dan akhir bulan, biasanya memiliki kombinasi data sekitar 1 hingga 2 data saja. Dengan demikian, bulan tersebut tidak memiliki data yang cukup baik pada setiap rataan 8 harian akuisisi data. Pada kombinasi LSTnight, tidak banyak data yang bisa dikombinasikan dari 3-4 data 8 harian pada setiap bulan. Secara umum, hanya terdapat sekitar 1 hingga 2 kombinasi data LSTnight yang dapat dilakukan untuk memperbaiki ketersediaan data. Hanya pada bulan Juni 2011, kombinasi LSTnight dapat dilakukan untuk 3 data akuisisi 8 harian. Bahkan, pada beberapa bulan di tahun 2008, 2010, dan 2011, data LSTnight tidak tersedia untuk wilayah penelitian. Kondisi ini tentunya berpengaruh terhadap ketersediaan data Tmean yang merupakan rata-rata dari nilai Tday dan Tnight. Dalam perhitungan, apabila suatu pixel dengan ‘available data’ dirata-ratakan dengan pixel yang mengandung ‘not available data’, maka hasil akhir pixel tersebut akan menghasilkan ‘not available data’ area. Sehingga, bila nilai Tmean dimasukkan dalam persamaan Blaney-
77 49
Cridlle, ketersediaan nilai evapotranspirasi potensial tersebut besar kemungkinan menjadi 0% ketersediaannya. Berdasarkan perbaikan yang telah dilakukan, pemilihan kombinasi data dengan ketersediaan terbaik dalam satu bulan pengamatan, dapat meningkatkan kualitas ketersediaan data hingga mencapai lebih dari 50% dari kondisi awal yang bernilai 0%. Tahun 2008, ketersediaan data meningkat dari 5 bulan data tersedia menjadi 11 bulan data tersedia. Tahun 2009, ketersediaan data meningkat dari 5 bulan data tersedia menjadi 12 bulan data tersedia. Tahun 2010, ketersediaan data meningkat dari 3 bulan data tersedia menjadi 10 bulan data tersedia. Sedangkan pada tahun 2011, ketersediaan data meningkat dari 4 bulan data tersedia menjadi 9 bulan data tersedia.
78 50
Tabel 5.5.1.a Hasil Perbaikan Data Tmean MODIS. % Data Tersedia (Tanpa Perbaikan)
% Data Tersedi a (Dengan Perbaik an)
0,0%
79,0%
0,0%
0,0%
0,0%
89,5%
121-30
0,0%
41,5%
129-08, 145-24
24,2%
99,2%
169-17, 177-26
22,6%
99,2%
185-03, 201-19
33,5%
98,0%
217-04, 225-12
8,9%
73,0%
257-13, 265-21 297-23 329-24 353-18 017-17 033-02 065-06, 073-14, 089-30 105-15
2,4% 0,0% 0,0% 0,0% 0,0% 0,0%
99,6% 80,2% 78,2% 4,8% 100,0% 0,4%
0,0%
91,9%
0,0%
72,6%
145-25
0,0%
98,8%
169-18, 177-26
18,5%
99,6%
99,2%
99,2%
81,0%
81,0%
95,2%
95,2%
0,4% 0,0% 0,0%
70,2% 67,7% 98,0%
Kombinasi Julian Days* Tah un
Bul an
Tday
Tnight
Jan
001-01, 009-09, 017-17
017-17
Feb
057-26
Mar
081-21, 089-29
Apr Mei 2008
Jun Jul Agu st Sept Okt Nov Des Jan Feb Mar Apr Mei Jun
2009 Jul Agu st Sept Okt Nov Des
097-06, 113-22, 121-30 Tanpa Perbaikan Tanpa Perbaikan Tanpa Perbaikan Tanpa Perbaikan 257-13, 265-21 285-15 329-24 353-18 017-17 057-26 Tanpa Perbaikan 105-15, 113-23 121-01, 137-17, 145-25 Tanpa Perbaikan Tanpa Perbaikan Tanpa Perbaikan Tanpa Perbaikan 281-08, 289-17 305-01 345-11, 353-19
Data Tidak Tersedia 065-05, 081-21, 089-29
Tanpa Perbaikan Tanpa Perbaikan Tanpa Perbaikan 289-17, 297-24 305-01 353-19
79 51
Day
Night
009-09
0,0%
057-26
0,0%
4,0%
089-30
0,0%
36,3%
113-23
5,2%
81,9%
137-17
0,0%
65,7%
169-18
0,0%
75,4%
201-20, 209-28
27,8%
85,9%
Agu st Sept Okt
001-01, 017-7 033-02, 049-18, 057-26 Tanpa Perbaikan 097-07, 113-23 121-01, 137-17, 145-25 161-10, 169-18 Tanpa Perbaikan 225-13, 233-21, 241-29 249-06, 273-30 281-08, 289-16
% Data Tersedi a (Dengan Perbaik an) 4,8%
233-21, 241-29
12,5%
83,5%
0,0% 0,0%
13,3% 96,4%
Nov
305-01
0,0%
0,0%
Des
353-19
0,0%
0,0%
Jan
017-17
0,0%
0,0%
Feb
041-10, 049-18
0,0%
19,4%
Mar
073-14, 089-30
0,0%
0,0%
Apr
105-15, 113-23 Tanpa Perbaikan Tanpa Perbaikan Tanpa Perbaikan Tanpa Perbaikan Tanpa Perbaikan Tanpa Perbaikan 313-09
265-22 281-08 Data Tidak Tersedia Data Tidak Tersedia Data Tidak Tersedia 057-26 Data Tidak Tersedia 105-15
0,0%
5,6%
129-09, 137-17
57,7%
95,2%
0,0%
97,6%
91,9%
91,9%
83,5%
83,5%
84,7%
84,7%
281-08
0,0%
41,5%
313-09
0,0%
47,6%
Kombinasi Julian Days* Tah un
Bul an
Jan Feb Mar Apr Mei Jun 2010
Jul
Mei 2011
Jun Jul Agu st Sept Okt Nov
153-02, 161-10, 169-18 Tanpa Perbaikan Tanpa Perbaikan Tanpa Perbaikan
% Data Tersedia (Tanpa Perbaikan)
*Julian days-Tanggal/XXX-XX
152
Distribusi Evapotranspirasi Potensial (ETo) Tahun 2008-2011 di DAS Cimadur, Banten 2008
2009
2010
Keterangan : Eto dalam satuan mm/hari.
2011
253
Distribusi Evapotranspirasi Potensial (ETo) Tahun 2008-2011 di DAS Cimadur, Banten 2008
2009
2010
Keterangan : Eto dalam satuan mm/hari.
2011
354
Distribusi Evapotranspirasi Potensial (ETo) Tahun 2008-2011 di DAS Cimadur, Banten 2008
2009
2010
2011
Keterangan : Eto dalam satuan mm/hari. Gambar 5.5.1.a
Perbaikan Distribusi Spasial dan Temporal Evapotranspirasi Potensial di DAS Cimadur, Banten.
455
Gambar
5.5.1.a
menunjukkan
pola
spasial
dan
temporal
data
evapotranspirasi setelah mengalami perbaikan, dengan melakukan kombinasi LSTday dan LSTnight dari ketersediaan data-data terbaik. Pola yang ditunjukkan pada gambar tersebut secara umum, lebih dipengaruhi oleh kualitas beberapa data pada satu bulan pengamatan. Sehingga, pola iklim pada data-data tersebut tidak terlihat cukup kuat seperti pola iklim yang ditunjukkan pada Gambar 5.3.1.a. Dengan mempertimbangkan data kombinasi yang terdapat pada tabel 5.5.1.a, terlihat bahwa pada bulan-bulan awal (Januari hingga Maret), proses perbaikan belum mampu menambah ketersediaan data yang berarti. Diantara ketiga bulan tersebut, bulan Februari merupakan bulan yang memiliki ketersediaan data yang minim dan berlangsung konstan dari tahun ke tahun. Sementara, pada bulan Januari dan Maret (terutama tahun 2010 dan 2011), perbaikan belum memberikan pengaruh yang berarti terhadap ketersediaan data. Pola ini tampak berbeda dengan tahun 2008 dan 2009 yang sudah memiliki data yang cukup baik pada bulan Januari dan Maret. Pada tahun 2010, ketersediaan data yang minim, diduga akibat pengaruh iklim yang kuat, seperti yang telah dipaparkan sebelumnya. Sementara pada tahun 2011, keminiman data ternyata lebih disebabkan oleh tidak tersedianya data LST night MODIS (Tabel 5.5.1.a). Pada akhir tahun (bulan Oktober-Desember), juga menunjukkan ketersediaan data terlihat tidak cukup baik. Namun, hasil perbaikan yang dilakukan masih lebih baik bila dibandingkan perbaikan data pada awal-awal tahun. Tidak tersedianya data LST night pada awal tahun, menyebabkan tidak banyak perbaikan yang dapat dilakukan untuk menambah ketersediaan data. Perbaikan data yang lebih baik pada akhir tahun dibandingkan perbaikan pada awal tahun (Gambar 5.5.1.a), disebabkan oleh adanya 1-2 data dengan ketersediaan baik pada tiap bulannya, sehingga menghasilkan angka ketersediaan yang cukup tinggi. Sementara untuk data lainnya menghasilkan ‘missing’ yang cukup tinggi, dibuktikan dengan 0% ketersediaan data pada akhir tahun sebelum diperbaiki. Kuatnya kaitan antara pola iklim dengan suhu dan evapotranspirasi ini menunjukkan bahwa perhitungan evapotranspirasi hanya layak dilakukan pada
5 56
bulan-bulan kering atau ketika musim kemarau berlangsung. Pada musim hujan, umumnya perhitungan suhu permukaan akan terganggu dengan tutupan awan ataupun kurang validnya nilai perhitungan (akibat basahnya permukaan lahan). Selain itu, jika data tersebut diusahakan untuk diperbaiki, nilai suhu yang didapatkan hanya mewakili kondisi setengah bulan dari satu bulan yang diamati. Sehingga, akan sangat berpengaruh terhadap rataan evapotranspirasi harian selama satu bulan. 5.5.2 Validasi Data Hasil Perbaikan Validasi data evapotranspirasi potensial sebelum dan sesudah dilakukannya perbaikan bertujuan untuk mengetahui nilai akurasi perbaikan yang telah dilakukan pada data evapotranspirasi ini, dan juga apakah metode tersebut dapat diterima sebagai suatu alternatif dalam pengisian ‘missing’ data dalam penelitian. Pada tahap validasi, dilakukan pengambilan beberapa titik contoh dalam setiap bulannya, untuk kemudian dibandingkan nilai evapotranspirasinya, pada saat sebelum dan setelah dilakukannya perbaikan. Hal ini bertujuan untuk mengetahui secara langsung perbedaan nilai evapotranspirasi sebelum dan sesudah dilakukannya perbaikan.
Gambar 5.5.2.a Nilai R2 pada perbaikan data ETo MODIS. Pada Gambar 5.2.2.a terlihat bahwa validasi dilakukan pada 5 bulan pengamatan dengan tahun yang berbeda, yaitu bulan Mei 2008, Juni 2008, Juli 2008, Juli 2010, dan Mei 2011. Pada kelima bulan tersebut, semua titik umumnya mendekati garis linear seperti yang ditunjukan pada gambar. Bahkan, nilai R2 pada hasil analisis regresi tersebut mencapai angka 0,901 sehingga dapat
6 57
disimpulkan bahwa metode perbaikan yang telah dilakukan untuk pengisian ‘missing data’, layak dilakukan (R2 mendekati 1).
7
KESIMPULAN 1. Kajian mengenai pengembangan perhitungan evapotranspirasi dengan metode empirik (dalam penelitian ini Blaney-Criddle), memberikan rentang nilai evapotranspirasi (ETm) 4,45-5,65 mm/hari di wilayah penelitian. Nilai dugaan evapotranspirasi tersebut ternyata lebih mendekati nilai evaporasi panci A. Perbedaan rentang nilai antara panci A dan ETm tersebut sebesar 0,82-1,32 mm (untuk 1x1 pixel) dan 0,62-1,34 mm (untuk 3x3 pixel). 2. Pada validasi data LST MODIS dengan data T stasiun, didapatkan bahwa nilai LST day MODIS memiliki keterkaitan yang cukup dekat dengan nilai T stasiun pada ketinggian 5 cm, dengan nilai R2 sebesar 0,362. Sedangkan LST night, memiliki hubungan yang cukup kuat dengan T stasiun pada ketinggian 120 cm. Namun demikian, nilai R2 tertinggi diperoleh pada hubungan antara LST night dengan T stasiun pada ketinggian 100 cm, dengan nilai R2 sebesar 0,567. Perbedaan tersebut disebabkan oleh fluktuasi cuaca/iklim, dan juga perbedaan waktu akuisisi data MODIS. 3. Sebagai salah satu masukan pada perhitungan evapotranspirasi, LST MODIS memberikan ketersediaan data yang baik pada musim-musim kering/ musim kemarau, dan pada kondisi cuaca baik (tidak hujan atau berawan). Penelitian ini juga membuktikan bahwa tidak semua bulan dalam satu tahun memiliki ketersediaan data MODIS yang diharapkan. 4. Distribusi evapotranspirasi secara temporal sepanjang tahun agak sulit untuk dilakukan mengingat ketersediaan data MODIS yang cukup minim pada bulan-bulan yang basah. Namun demikian, secara spasial terlihat bahwa nilai evapotranspirasi dapat diduga dengan menggunakan LST MODIS. Suhu yang diestimasi oleh LST MODIS, erat kaitannya dengan topografi dan penggunaan lahan di suatu wilayah.
8
SARAN 1. Validasi antara nilai LST MODIS dengan nilai T stasiun, sebaiknya mencakup data-data stasiun dengan jumlah titik stasiun yang lebih banyak, serta tahun pengamatan yang lebih panjang. Sehingga, hal ini akan membantu dalam proses analisis hasil validasi data, untuk memperoleh kesimpulan secara luas terhadap kajian-kajian LST MODIS di Indonesia. 2. Pada perhitungan nilai evapotranspirasi, perbandingan berbagai metode perhitungan evapotranspirasi, penting untuk dilakukan agar mengetahui persamaan yang lebih tepat untuk diterapkan pada wilayah kajian. 3. Pada proses validasi ETm dan ETvalidator, perlu ditingkatkan jumlah titik dan tahun stasiun. Selain itu, validasi juga dapat dilakukan dengan menggunakan persamaan Penman-Monteith (sebagai referensi, sesuai saran FAO), apabila tidak terdapat nilai Panci Evaporasi A dan Lysimeter yang memadai.
9
DAFTAR PUSTAKA Allen R G, Pereira L S, Raes D, Smith M. 1998. Crop Evaporation (Guidelines for Computing Crop Water Requirements). FAO Irrigation and Drainage Paper No. 56. Rome: FAO. Anderson S. 2002. An Evaluation of Spatial Interpolation Methods on Air Temperature in Phoenix, Arizona State: Department of Geography, Arizona State University dalam Vancutsem C, Ceccato P, Dinku T, Connor S J. 2010. Evaluation of MODIS Land Surface Temperature Data to Estimate Air Temperature in Different Ecosystem Over Africa. Remote Sensing of Environment 114 : 449-465. Asdak C. 2010. Hidrologi dan Pengelolaan Daerah Aliran Sungai. Yogyakarta : Gajah Mada University Press. Castaneda L, Rao P. 2005. Comparison of Methods For Estimating Reference Evapotranspiration in Southern California. Journal of Enviromental Hydrology 13 paper 14. Doorenbos J, Pruitt W O. 1977. Guidelines for Predicting Crop Water Requirements. FAO Irrigation and Drainage Paper. No 56. Rome:FAO. Dunne T, Leopold L B. 1978. Water in Enviromental Planning. W E Freeman Company. New York dalam Asdak C. 2010. Hidrologi dan Pengelolaan Daerah Aliran Sungai. Yogyakarta : Gajah Mada University Press. FAO.
1986. Irrigation Water Management: Irrigation Water Needs. www.fao.org/docrep/S2022E/s2022e07.htm#3.3%20calculation%20of%20 the%20crop%20watr%20need. [2 Desember 2011].
Hung T, Yoshifumi Y. 2005. MODIS Application in Enviromental Change Researches inthe Southeast-Asian Region. International Journal of Geoinformatics. Vol 1 (1). Johnson S C P. 2005. Assman Phsychrometer, Small Type (JH-MR-59). www.jsec.com.sg/product_info.php?products_id=1650&osCsid=8e8b48b d072a8b78504a94762832dc46. [2 Desember 2011]. Justicea C O, Giglio L, Korontzi S, Owens J, Morisette J T, Roy D, Descloitre J, Alleaume S, Petitcolin F, Kaufman Y. 2002. The MODIS Fire Product. Remote Sensing of Enviroment 83: 244-262. Lebak K. 2011. Kondisi Geografis. www.lebakkab.go.id. [8 Januari 2012]. Lee R. 1980. Forest Hydrology. New York: Columbia University Press dalam Asdak C. 2010. Hidrologi dan Pengelolaan Daerah Aliran Sungai. Yogyakarta : Gajah Mada University Press. Lee T S, Najim M M M, Aminul M H. 2004. Estimating Evapotranspiration of Irrigated Rice at the West Coast of the Peninsular of Malaysia. Journal of Applied Irrifation Science 39 (1): 103-117. Lennon J J, Tunner J R G.1995. Predicting the Spatial Distribution of Climate: Temperature in Great Britain. Journal of Animal Ecology 64 (3): 370-392.
10 61
Maeda E E, Wiberg D A, Pellikka P K E. 2011. Estimating Reference Evapotranspiration Using Remote Sensing and Empirical Models in a Region with Limited Ground Data Availability in Kenya. Applied Geography 31: 251-258. NASA. About MODIS. www. modis.gsfc.nasa.gov. [8 Januari 2012]. Prasasti I, Sambodo K A, Carolita I. 2007. Pengkajian Pemanfaatan Data Terra MODIS untuk Ekstraksi Data Suhu Permukaan Lahan (SPL) Berdasarkan Beberapa Algoritma. Jurnal Penginderaan Jauh 4 (1): 1-8. Rosenberg N J, Blad B L. Verma S B. 1983. Microclimate : The Biological Environment. 2nd Ed John Wiley and Sons, Inc. USA. Sandholt I, Rasmussen K, Andersen J. 2002. A Simple Interpretation of The Surface Temperature/Vegetation Index Space for Assessment of Surface Moisture Status. Remote Sensing of Environment. Vol 79: 213-224. Team
CPCI. 2012. Cold and Warm Episodes by Season. www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ensoyea rs.shtml. [8 Januari 2012].
Tomlinson C J, Chapman L, Thornes J E, Baker C. 2011. Remote Sensing Land Surface Temperature for Meteorology and Climatology : a review. Meteorological Applications 18: 296-306. Vancutsem C, Ceccato P, Dinku T, Connor S J. 2010. Evaluation of MODIS Land Surface Temperature Data to Estimate Air Temperature in Different Ecosystem Over Africa. Remote Sensing of Environment 114 : 449-465. Wan Z. 2007. Collection-5 MODIS Land Surface Temperature Products User’s Guide. ICESS, University of California, Santa Barbara. Wang Y, Traore S, Kerh T. 2007. Determination of a Reference Model for Estimating Evapotranspiration in Burkina Faso. Proceedings of the 6th WSEAS Int. Conf. On Artificial Intelligence, Knowledge Engineering and data Bases, Corfu Island, Greece. Xu C Y, Singh V P. 2001. Evaluation and Generalization of Temperature Based Methods for Calculating Evaporation. Hydrol. Process 15: 305-319.
