Utilization of READY ARL NOAA data and CMORPH for land and forest fire risk model development in Central Kalimantan
HUTAN DAN LAHAN DI KALIMANTAN TENGAH
INDAH PRASASTI
SEKOLAH PASCA SARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
(2)
Dengan ini saya menyatakan bahwa disertasi Pemanfaatan Data READY-ARL NOAA dan CMORPH untuk Pengembangan Model Risiko Kebakaran Hutan dan Lahan di Kalimantan Tengah adalah karya saya sendiri dan belum pernah diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir disertasi ini.
Bogor, Agustus 2012
Indah Prasasti G261070011
(3)
INDAH PRASASTI. Utilization of READY-ARL NOAA Data and CMORPH for Land and Forest Fire Risk Model Development in Central Kalimantan. Under the supervision of RIZALDI BOER, M. ARDIANSYAH, AGUS BUONO, and LAILAN SYAUFINA.
Land and forest fires are one of the many causes of land degradation in Central Kalimantan. The utilization of remote sensing data, particularly READY-ARL NOAA and CMORPH data, is helpful in providing climate observation data. The objectives of this study are: 1) to analyze the relationship between the surface observation data and the READY-ARL NOAA and CMORPH (CPC Morphing) data by using Partial Least Square (PLS) Method to extract climate data from the satellite, 2) to develop the FDRS (Fire Danger Rating System) indices by using READY-ARL NOAA, CMORPH and hotspot data derived from the satellite data, 3) to develop an estimation model for burned area from hotspot, rainfall condition, and FDRS indices, and 4) to develop fire risk prediction model. The result of this study indicates that the READY-ARL NOAA and CMORPH data have the potential to make climate data estimation and are relatively good as FDRS (SPBK) data input. The use of PLS method is much better in generating a model estimation than simple regression. Precipitation accumulation for two months prior to fire occurrence and drought condition have correlation with the burned area. There is a correlation between the total number of fire hotspot and a series of days without rain around one to two months prior to fire occurrence. In addition, this study also found that the burned area in Central Kalimantan will increase if the drought code exceeds 500 point. Burned area can be estimated by using the following formulas:
Burned Area (Ha) = 5.13 – 21.7 (CH2bl – 93) (R-sq = 67.2%) and this formula:
Burned Area (Ha) = -62.9 + 5.14 (DC – 500) (R-sq = 58%)
where CH2bl = precipitation accumulation for two months prior to fire occurrence and DC = drought code. The forecasts of fire occurrence probability can be determined by using a precipitation accumulation for two months prior to fire occurrence and Monte Carlo simulation. Efforts to anticipate and address the fire risk should be carried out as early as possible, i.e. two months in advance if the probability of fire risk has exceeded the value of 40%.
Keyword: READY-ARL NOAA, CMORPH, Partial Least Square Analyzis, Drought Code,
(4)
Pengembangan Model Risiko Kebakaran Hutan dan Lahan di Kalimantan Tengah. Dibimbing oleh RIZALDI BOER, M. ARDIANSYAH, AGUS BUONO, dan LAILAN SYAUFINA.
Kalimantan Tengah merupakan salah satu wilayah di Indonesia yang paling sering dan hampir setiap tahun mengalami kebakaran, terutama pada musim kemarau. Penggunaan data iklim observasi dalam model-model pengembangan risiko kebakaran hutan dan lahan
seringkali terkendala oleh keterbatasan ketersediaan data yang near real-time dengan
cakupan wilayah bersifat lokal (titik lokasi). Dengan demikian, untuk memantau dan memetakan area bahaya kebakaran yang luas memerlukan banyak data titik lokasi yang
digunakan sebagai masukannya (input). Salah satu upaya mengatasi permasalahan ini adalah
dengan menggunakan data penginderaan jauh (inderaja), seperti data READY-ARL NOAA dan CMORPH. Potensi pemanfaatan data READY-ARL NOAA sebagai penduga unsur cuaca/iklim belum pernah diteliti untuk kepentingan pengembangan model risiko kebakaran hutan dan lahan di Indonesia. Data curah hujan CMORPH merupakan hasil estimasi dari data satelit dengan resolusi temporal tinggi yang diharapkan dapat digunakan sebagai pengisi data hilang serta memenuhi kebutuhan ketersediaan data curah hujan observasi terutama di wilayah yang tidak memiliki stasiun pengamatan. SPBK (Sistem Peringkat Bahaya Kebakaran) yang dikembangkan menggunakan masukan data iklim dari data inderaja diharapkan dapat digunakan sebagai sistem peringatan dini kebakaran dengan cakupan area pemantauan yang lebih luas dibandingkan apabila dikembangkan berdasarkan data observasi permukaan. Selanjutnya, keterkaitan antara parameter SPBK ini dengan kejadian kebakaran, keberadaan hotspot dan kondisi iklim khususnya curah hujan penting pula dianalisis untuk menilai efektifitasnya dalam memberikan peringatan dini kebakaran hutan dan lahan.
Penelitian ini secara umum bertujuan untuk mengembangkan model prediksi tingkat kebakaran di Kalimantan Tengah berdasarkan kondisi iklim. Tujuan khusus penelitian adalah: 1) Mendapatkan model estimasi data profil atmosfir (Suhu, Kelembaban Relatif, Arah Angin, dan Kecepatan Angin) dan data iklim non-hujan (Suhu, suhu maksimum, kelembaban relatif, arah angin, dan kecepatan angin) dari data READY-ARL NOAA berdasarkan metode PLS, 2) Mendapatkan model estimasi curah hujan dari data CMORPH berdasarkan metode PLS, 3) Mengembangkan indeks-indeks SPBK dengan pemanfaatan data READY-ARL NOAA dan CMORPH dan mendapatkan model hubungan antara luas kebakaran dengan masing-masing indeks risiko kebakaran dari kerapatan hotspot, indikator kondisi iklim, dan indeks-indeks SPBK (FFMC, DMC, DC, ISI, BUI, dan FWI), dan 4) Mengembangkan model prediksi risiko kebakaran.
Analisis hubungan parameter suhu (T), kelembaban relatif (RH), arah angin (WD), dan kecepatan angin (WS) dengan data observasi radiosonde menggunakan analisis PLSR (Partial Least Square Regression) menunjukkan korelasi yang relatif baik, terutama arah angin dan kecepatan angin di Cengkareng dengan korelasi > 0.5. Penggunaan analisis PLSR dalam pembangunan model estimasi T, RH, WD, dan WS secara umum meningkatkan perolehan koefisien keragaman model dan menurunkan tingkat bias/galat estimasi model. Hubungan antara suhu READY-ARL NOAA pada level atmosfir permukaan (sekitar 1200mb) pada pukul 06.00 UTC dengan suhu maksimum di beberapa stasiun observasi di Pulau Jawa cukup baik, khususnya di Cilacap yang sangat baik dan konsisten dari hasil validasinya.
Data curah hujan CMORPH mempunyai korelasi yang cukup kuat dengan curah hujan observasi stasiun, sehingga memiliki potensi yang cukup baik untuk dimanfaatkan dalam pengembangan model risiko kebakaran hutan dan lahan. Hasil validasinya menunjukkan bahwa curah hujan hasil estimasi yang diperoleh mempunyai keragaman yang cukup tinggi,
(5)
hutan dan lahan.
Terdapat korelasi yang relatif kuat antara luas kebakaran dengan DC (Drought Code
yang merupakan salah satu code luaran SPBK) dan akumulasi curah hujan dua bulan sebelum
kebakaran. DC juga memiliki korelasi yang sangat kuat dengan akumulasi curah hujan satu hingga tiga bulan sebelumnya. Semakin berkurang jumlah curah hujan 3 bulan sebelumnya, maka DC akan semakin meningkat. DC menggambarkan potensi kekeringan suatu wilayah. Dari hubungan ini luas kebakaran dapat diestimasi dari curah hujan dua bulan sebelumnya dan dari nilai DC melalui persamaan-persamaan berikut:
Luas (Ha) = 5.13 – 21.7 (CH2bl – 93) (R-sq = 67.2%)
Luas (Ha) = -62.9 + 5.14 (DC – 500) (R-sq = 58%)
dengan CH2bl adalah akumulasi curah hujan 2 bulan sebelum kebakaran, dan DC adalah nilai Drought Code. Dari hasil analisis juga menunjukkan bahwa di Kalimantan Tengah umumnya luas kebakaran akan meningkat jika nilai DC melebihi poin 500.
Prediksi peluang kejadian dan luas kebakaran dapat ditentukan menggunakan informasi curah hujan dua bulan sebelumnya dengan menggunakan simulasi Monte Carlo). Sementara itu, upaya antisipasi untuk penanganan risiko kebakaran perlu dilakukan sedini mungkin yaitu dua bulan sebelumnya apabila peluang risiko terjadinya kebakaran melewati nilai 40%.
Kata kunci: READY-ARL NOAA, CMORPH, analisis Partial Least Square, Drought Code,
(6)
ak cipta milik Indah Prasasti, tahun 2012
Hak cipta dilindungi
Dilarang mengutip dan memperbanyak tanpa izin tertulis dari Institut Pertanian Bogor, sebagian atau seluruhnya dalam bentuk apa pun, baik cetak, fotocopy, mikrofilm, dan sebagainya
(7)
HUTAN DAN LAHAN DI KALIMANTAN TENGAH
INDAH PRASASTI
Disertasi
Sebagai salah satu syarat untuk memperoleh gelar Doktor pada
Program Studi Klimatologi Terapan Departemen Geofisika dan Meteorologi
SEKOLAH PASCA SARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
(8)
Penguji Luar Komisi:
Sidang Tertutup : Prof (R). Dr. Ir. Irsal Las, MS
(Balai Penelitian Agroklimat dan Hidrologi, Deptan) Dr. Ir. Rini Hidayati, MS
(Departemen Geofisika dan Meteorologi FMIPA IPB)
Sidang Terbuka : Prof. Dr. Ir. I Nengah Surati Jaya, M.Sc
(Guru Besar Fahutan IPB) Dr. Ir. Tania June, M.Sc
(9)
Kebakaran Hutan dan Lahan di Kalimantan Tengah
Nama Mahasiswa : Indah Prasasti
Nomor Pokok : G26107001
Program Studi : Klimatologi Terapan
Disetujui: Komisi Pembimbing
(Prof. Dr. Ir. Rizaldi Boer, M.Sc) Ketua
(Dr. Ir. Muhammad Ardiansyah) Anggota
(Dr. Ir. Agus Buono, M.Si, M.Kom) Anggota
(Dr. Ir. Lailan Syaufina, M.Sc) Anggota
Diketahui
Ketua Departemen Geofisika dan Meteorologi
(Dr. Ir. Rini Hidayati, M.Si)
Dekan Sekolah Pascasarjana
(Dr. Ir. Dahrul Syah, M.Sc.Agr)
(10)
iii
PRAKATA ... i
DAFTAR ISI ... iii
DAFTAR TABEL ... v
DAFTAR GAMBAR ... vi
DAFTAR LAMPIRAN ... viii
1. PENDAHULUAN ... 1
1.1. Latar Belakang ... 1
1.2. Kerangka Pemikiran ... 7
1.3. Tujuan Penelitian ... 11
1.4. Kebaruan / Novelty ... 11
1.5. Manfaat Penelitian ... 11
1.5. Sistematika Penulisan ... 12
2. TINJAUAN PUSTAKA ... 14
2.1. Kebakaran Hutan dan Lahan ... 14
2.1.1. Difinisi, Proses dan Faktor-faktor Penyebabnya ... 14
2.1.2. Kebakaran Lahan Gambut ... 16
2.1.3. Hubungan Kebakaran Hutan/Lahan dengan Faktor Iklim ... 18
2.1.4. Deteksi Hotspot Kebakaran Hutan dan Lahan ... 19
2.2. Analisis dan Pengolahan Risiko (Risk) dan Bahaya (Hazard) Kebakaran ... 24
2.2.1. Definisi Risiko dan Bahaya Kebakaran ... 24
2.2.2. Analisis dan Pengelolaan Risiko Kebakaran ... 25
2.2.3. Beberapa Hasil Penelitian Analisis Risiko dan Bahaya Kebakaran ... 27
2.3. Data READY-ARL NOAA ... 30
2.4. Data CMORPH (CPC MORPHing Technique) ... 32
2.5. Statistical Downscaling ... 33
3. ANALISIS HUBUNGAN DATA ARL-NOAA DENGAN DATA OBSERVASI PERMUKAAN MENGGUNAKAN METODE PLS (Partial Least Square) ... 37
3.1. Pendahuluan ... 37
3.2. Data dan Metode ... 40
3.3. Hasil dan Pembahasan ... 46
3.4. Simpulan ... 62
4. ANALISIS HUBUNGAN DATA CURAH HUJAN CMORPH DENGAN CURAH HUJAN OBSERVASI ... 64
4.1. Pendahuluan ... 64
4.2. Data dan Metode ... 67
4.3. Hasil dan Pembahasan ... 72
(11)
iv
5.1. Pendahuluan ... 89
5.2. Data dan Metode ... 93
5.3. Hasil dan Pembahasan ... 101
5.4. Simpulan ... 114
6. MODEL RISIKO KEBAKARAN HUTAN DAN LAHAN... 116
6.1 Pendahuluan ... 116
6.2. Data dan Metode ... 117
6.3. Hasil dan Pembahasan ... 120
6.4. Simpulan ... 124
7. PEMBAHASAN UMUM ... 125
8. SIMPULAN DAN SARAN ... 131
DAFTAR PUSTAKA ... 134
DAFTAR SINGKATAN DAN ISTILAH ... 143
(12)
v 2-1 Perkiraan luas dan penyebaran lahan gambut di Indonesia
berdasarkan beberapa sumber (Najiyati et al. 2005 yang diacu
Syaufina 2008) ... 17
2-2 Data hotspot berdasarkan penggunaan lahan di Kabupaten Rokan Hilir, Propinsi Riau tahun 1997 – Maret 2005 (Sumber data: Kementrian Lingkungan Hidup 2001 – 2005 dalam
Hendriana 2006) ... 22
3-1 Jumlah PC dan besarnya keragaman X yang diwakili model penduga untuk masing-masing parameter profil atmosfir di
Juanda dan Cengkareng ... 50
3-2 Model Pendugaan Tmax dari T06.00_UTC arl, Koefisien
Determinasi (R-sq), dan Koefisien Korelasi (r) di 9 Wilayah di
Pulau Jawa ... 59
3-3 Koefisien Korelasi (r) dan RMSE Hasil Validasi Silang Model
Pendugaan Tmax dari T06.00_UTC arl di 9 Wilayah di Pulau Jawa .. 60
4-1 Lokasi stasiun hujan yang dikaji ... 67
4-2 Nilai koefisien korelasi (r) dan determinasi (R-sq) untuk masing-masing stasiun hujan berdasarkan analisis regresi
sederhana ... 74
4-3 Keragaman X dan koefisien determinasi (R-sq) berdasarkan
metode PLSR ... 75
4-4 Periode data untuk verifikasi model dan validasi ... 76
4-5 Hasil uji Z pada model regresi linier MK dan MH di Palangka
Raya dan Pekanbaru ... 83
5-1 Jenis data, periode, dan cara perolehannya yang digunakan
(13)
vi
1-1 Distribusi Jumlah hotspot di Provinsi Paling Rawan Kebakaran Hutan dan Lahan Periode tahun 2000 – 2010 (Sumber: Direktorat
Pengendalian Kebakaran Hutan, 2011) ... 6
1-2 Penurunan jumlah hotspot tahun 2006 – 2009 di Kalimantan Tengah (Sumber: Badan Lingkungan Hidup Provinsi Kalimantan Tengah,
2010) ... 6
1-3 Bagan alir kerangka penelitian ... 10
1-4 Keterkaitan antar bab dalam penulisan disertasi ... 13
2-1 Hubungan Jumlah Hari Kering sebelum Kebakaran dengan Jumlah
Hotspot (Sumber: Boer et al. 2010) ... 23
2-2 Hubungan anomali curah hujan dengan hotspot kebakaran di Kalimantan Tengah (Sumber: IRI dan CCROM-SEAP, IPB 2009) ...
23 2-3 Perbandingan IKKB dengan Indeks Nesterov (Sumber: Buchholz dan
Weidemann 2000) ... 29
2-4 Illustrasi Downscaling (Sumber: http://cccsn.ca/ ) ... 34
3-1 Bagan alir tahap pemrosesan dan analisis data ... 45
3-2 Koefisien korelasi hubungan antara masing-masing unsur iklim pada
setiap ketinggian lapisan atmosfir di Juanda, Surabaya ... 47
3-3 Koefisien korelasi hubungan antara masing-masing unsur iklim pada
setiap ketinggian lapisan atmosfir di Cengkareng, Tangerang ... 47
3-4 Koefisien determinasi (R-sq) model (a) dan RMSE (b) untuk Suhu
(T) di Juanda, Surabaya dan Cengkareng, Tangerang ... 51
3-5 Koefisien determinasi (R-sq) model (a) dan RMSE (b) untuk
kelembaban (RH) di Juanda, Surabaya dan Cengkareng, Tangerang ... 52
3-6 Koefisien determinasi (R-sq) model (a) dan RMSE (b) untuk arah
angin di Juanda, Surabaya dan Cengkareng, Tangerang ... 52
3-7 Koefisien determinasi (R-sq) model (a) dan RMSE (b) untuk kecepatan angin (WD) di Juanda, Surabaya dan Cengkareng,
Tangerang ... 53
3-8 Koefisien korelasi dan RMSE dugaan model dengan observasi dari
parameter T (a), RH (b), WD (c), dan WS (d) di Juanda, Surabaya .... 54
3-9 Koefisien korelasi dan RMSE dugaan model dengan observasi dari parameter T (a), RH (b), WD (c), dan WS (d) di Cengkareng,
Tangerang ... 56
3-10 Perbandingan pola T06.00_UTC arl dengan Tmax observasi BMKG
Rata-rata bulanan di 9 (sembilan) wilayah di Pulau Jawa ... 58
3-11 Contoh hasil validasi antara Tmax dugaan model dengan Tmax
observasi permukaan di Serang dan Cilacap ... 60
3-12 Nilai koefisien r antara Tmax dugaan model dengan Tmax observasi
pada 1 (satu) bulan, 2 bulan, dan 3 bulan ke depan di Cilacap ... 61
4-1 Bagan alir proses analisis dan evaluasi model estimasi curah hujan
dari data CMORPH ... 70
4-2 Pola hujan rata-rata bulanan 4 (empat) stasiun observasi di Riau ... 72
(14)
vii
wilayah kajian ... 77
4-5 Nilai RMSE antara nilai dugaan model dengan observasi hasil validasi silang pada masing-masing domain di 4 (empat) wilayah kajian ... 77
4-6 Contoh nilai koefisien model estimasi curah hujan menggunakan PLSR di Pekanbaru pada domain 3x3 dengan 4 PC ... 79
4-7 Perbandingan nilai curah hujan dugaan model dengan curah hujan observasi tahun 2003 di 4 lokasi penelitian ... 79
4-8 Perbandingan nilai koefisien keragaman (R-sq) antara analisis regresi linier dengan PLSR ... 80
4-9 Pola curah hujan di Pekanbaru dan Palangka Raya ... 82
4-10 Perbandingan pola curah hujan CMORPH-IRI dengan observasi ... 83
4-11 Bentuk hubungan CH CMORPH-IRI pada MK dan MH di Palangka Raya dan Pekanbaru ... 84
4-12 Nilai korelasi dan RMSE antara nilai dugaan model dengan observasi 85
4-13 Perbandingan antara curah hujan dugaan model dengan observasi pada musim kemarau dan musim hujan di Palangka Raya (a dan b) dan di Pekanbaru (c dan d) ... 86
5-1 Proses penentuan indeks SPBK dan data masukannya ... 94
5-2 Bagan alir proses dan analisis data hubungan parameter hotspot, SPBK, dan kondisi iklim dengan kejadian kebakaran hutan dan lahan 100 5-3 Lokasi titik kejadian dan pemadaman kebakaran tahun 2009 dan 2011 di Kalimantan Tengah ... 101
5-4 Distribusi hotspot pada tahun 2009 di Kalimantan Tengah (Sumber data diolah dari FIRMS melalui situs: http://maps. geog.umd. edu/firms/shapes.html ) ... 102
5-5 Distribusi hotspot pada tahun 2011 di Kalimantan Tengah (Sumber data diolah dari FIRMS melalui situs: http://maps. geog. umd. edu/firms/shapes.html ) ... 103
5-6 Hubungan luas kebakaran dengan jumlah hotspot ... 104
5-7 Hubungan masing-masing indeks SPBK dengan luas kebakaran di Kalimantan Tengah ... 106
5-8 Hubungan anomali curah hujan dengan jumlah hotspot pada lokasi kebakaran di Kalimantan Tengah pada tahun 2009 (a) dan 2011 (b) ... 108
5-9 Hubungan antara luas kebakaran dengan peubah kondisi iklim ... 109
5-10 Korelasi antara hotspot dengan peubah kondisi iklim ... 110
5-11 Hubungan jumlah hotspot dengan peubah kondisi iklim ... 111
5-12 Hubungan indeks-indeks SPBK dengan kondisi iklim ... 111
5-13 Bentuk hubungan antara potensi kekeringan (DC) dengan peubah iklim curah hujan 1 bulan, 2 bulan, 3 bulan sebelum kebakaran dengan luas kebakaran ... 112
6-1 Proses penyusunan model prediksi risiko kebakaran hutan dari data curah hujan ... 119
6-2 Pola hujan dua bulanan di Palangka Raya ... 120 6-3 Peluang kumulatif terjadi kebakaran (luas > 50 Ha) pada bulan
(15)
viii
dua bulanan di Palangka Raya (Catatan: Nilai CV = simpangan
baku/nilai rata-rata) ... 122
6-5 Perkiraan peluang terjadi kebakaran pada bulan September dan Oktober berdasarkan informasi tinggi hujan dua bulanan pada bulan
Juli-Agustus dan Agustus-September di Palangka Raya ... 123
DAFTAR LAMPIRAN
Halaman 1 Contoh Hasil Uji Korelasi antara Parameter Profil Atmosfir Suhu dari
ARL NOAA dengan Radiosonde di Juanda... 146
2 Contoh Luaran Pengolahan Menggunakan Metode PLSR pada
Analisis Hubungan T dari ARL NOAA dengan Radiosonde ... 148
3 Hasil Ekstraksi Jumlah Hotspot, Curah hujan, dan Jumlah Hari Tidak
Hujan di Masing-masing Lokasi dan Luas Kebakaran ... 154
4 Nilai FFMC, DMC, DC, ISI, BUI, dan FWI di Masing-masing Lokasi
Kebakaran ... 155
5 Korelasi antara indikator kejadian kebakaran (Luas & Jumlah
(16)
i rahmat, nikmat sehat, hidayah, serta pertolongannya-Nya sehingga penulis dapat menyelesaikan penelitian dan penyusunan desertasi ini. Tema yang dipilih dalam disertasi ini adalah iklim dan kebakaran hutan dan lahan.
Desertasi ini tidak akan terwujud tanpa bantuan berbagai pihak. Oleh sebab itu, pada kesempatan ini penulis menyampaikan ucapan terima kasih kepada:
1. Komisi pembimbing yang terdiri atas Prof. Dr. Ir. Rizaldi Boer, MSc (Ketua), Dr. Ir. M. Ardiansyah (anggota), Dr. Ir. Agus Buono, MSi, MKom. (anggota), dan Dr. Ir. Lailan Syaufina, MSc (anggota) atas segala arahan, bimbingan, dukungan semangat dan nasehatnya sehingga desertasi ini dapat diselesaikan sebagaimana mestinya.
2. Rektor Institut Pertanian Bogor, Dekan Sekolah Pascasarjana (SPs) IPB, Ketua dan Staf Pengajar pada Program Studi Klimatologi Terapan SPs-IPB yang telah memberikan kesempatan, bantuan, dan ilmu pengetahuan kepada penulis selama mengikuti pendidikan program Doktor.
3. Kepala LAPAN, Deputi Penginderaan Jauh LAPAN, Kepala PUSFATJA LAPAN, Kepala Bidang Lingkungan dan Mitigasi Bencana atas kesempatan dan bantuan yang diberikan untuk menempuh pendidikan program Doktor hingga selesai.
4. Prof (R) Dr. Irsal Las dan Dr. Rini Hidayati sebagai penguji luar komisi pada sidang tertutup, Prof. Dr. I Nengah Surati Jaya dan Dr Tania June sebagai penguji luar komisi pada sidang terbuka atas kritik dan sarannya yang membangun untuk perbaikan desertasi ini.
5. Sahabat-sahabat saya khususnya Dr Katmoko Ari S atas program esktraksi hotspotnya, Dr Ety Parwati, Ita Carolita, Tatik Kartika, Sri Harini, Arum atas doa dan dukungan
semangatnya, dan Yenny Vetrita atas pelajaran Arc View-nya dan share datanya.
6. Sahabat dan teman seperjuanganku Suciantini yang selalu memberi inspirasi saya agar tetap kuat dan selalu tetap semangat (Tak ada yang tak mungkin jika kita mau berjuang, percaya atas kemampuan diri dan tetap semangat. Sengsara membawa nikmat). Teman baik saya Bu Woro Estiningtyas (Ballitklimat, Bogor) dan Bu Adeley atas dukungan semangat dan partisipasinya pada saat seminar dan sidang terbuka.
7. Sahabat-sahabat saya di CCROM-SEAP IPB (Mbak Pipiet, Ani, Diva, Sisi, Adi, Gito, Doddy) atas kebaikan, keramahan, dan suasana kerja yang santai dan menyenangkan. 8. Almarhum Ibu dan bapak saya, Suami dan anak-anakku tercinta, Ning Yam, serta
adik-adikku terkasih atas doa, perhatian, pengertian, kasih sayang, pengorbanan, dan dukungan semangat yang telah diberikan selama penulis menyelesaikan Program Doktor. Demikian disertasi ini disusun, dengan harapan semoga bermanfaat bagi perkembangan ilmu pengetahuan dan teknologi di bidang iklim, penginderaan jauh, dan teknologi mitigasi kebencanaan.
Bogor, Agustus 2012
(17)
ii Syamsul Barry (almarhum) dan ibu Hj. Noerhajatie Bakrie (almarhum). Penulis adalah puteri pertama dari lima bersaudara. Penulis menikah dengan Imam Ghozali dan telah dikaruniai 2 orang anak yaitu Septian Imansyah Ghozali dan Rizki Novia Rahma. Saat ini penulis dan keluarga tinggal di Cibinong, Bogor.
Jenjang pendidikan sekolah dasar (SD) diselesaikan di SD Islam Tompokersan di Kabupaten Lumajang pada tanggal 31 Desember 1975. Pendidikan sekolah lanjutan pertama (SLTP) diselesaikan di SMPN 1 Lumajang di Kota Lumajang pada tanggal 4 Mei 1979. Adapun jenjang pendidikan sekolah lanjutan atas (SLTA) diselesaikan di SMPP Negeri (sekarang SMAN 2) Lumajang di Kota Lumajang pada tanggal 10 Mei 1982.
Pada tanggal 1 September 1982 penulis melanjutkan studi di Institut Pertanian Bogor melalui jalur PP II di Bogor. Tahun 1983 penulis diterima di Jurusan Geofisika dan Meteorologi Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) IPB, Bogor. Penulis lulus dan meraih gelar Sarjana Sains dari IPB, Bogor tahun 1988. Kemudian penulis melanjutkan studi pada jenjang Strata II (S2) di Program Pascasarjana (PPs) IPB, Bogor pada tahun 1999 pada Program Studi Ilmu Tanah dan lulus serta mendapatkan gelar Magister Sains (MSi) tahun 2004. Sejak tahun 2007 penulis melanjutkan studi jenjang Strata III (S3) pada Sekolah Pascasarjana (SPs) IPB, Bogor pada Program Studi Klimatologi Terapan.
Penulis bekerja sebagai peneliti di Pusat Pemanfaatan Penginderaan Jauh (PUSFATJA) LAPAN sejak 1990.
(18)
Salah satu penyebab degradasi hutan dan lahan adalah kebakaran. Kebakaran hutan dan lahan merupakan fenomena yang hampir setiap tahun terjadi di Indonesia, terutama di Kalimantan dan Sumatera. Pada kejadian kebakaran skala besar pada tahun 1997/1998 diperkirakan sekitar 10 juta hektar lahan rusak terbakar dengan kerugian ekonomis untuk Indonesia mencapai 9.3 milyar dolar US (ADB/BAPPENAS 1999). Sementara kerugian akibat polusi asapnya diperkirakan mencapai 800 juta US dolar. Bersamaan dengan itu, emisi gas rumah
kaca (GRK) yang dilepaskan ke atmosfir sebanyak 810 – 2,563 Mt C (Page et al.
2002) yang setara dengan 13 – 40% total emisi karbon dunia yang dihasilkan
bahan bakar fosil per tahunnya (Cochrane 2003, Page et al. 2002). Apabila
kebakaran terjadi pada lahan gambut, maka emisi karbon yang dikeluarkan tidak hanya terbatas dari vegetasi yang tumbuh di atas permukaan tanah saja tetapi bahan organik yang terdapat di dalam tanah juga akan terurai dan mengeluarkan karbon ke atmosfir. Hal ini dikarenakan lahan gambut memiliki lebih banyak
karbon di bawah permukaan daripada di atasnya (CIFOR, 2009). Pada periode
1997 – 1998 tersebut, diduga lahan gambut menyumbang 60% dari produksi asap
di Asia Tenggara dan mempengaruhi 35 juta orang (ADB/BAPPENAS 1999). Hal
ini berarti akan memberikan kontribusi terhadap pemanasan global dan perubahan iklim.
Hasil kajian pustaka Miettinen (2007) mendapatkan bahwa kebakaran di wilayah tropis terjadi karena kegiatan manusia dalam mengelola lahan (seperti: penyiapan lahan pertanian, pembersihan lahan, dan pembakaran pasca panen), penggunaan api dalam sengketa lahan, perburuan, dan ketidaksengajaan (seperti: api unggun dari aktivitas perkemahan, kegiatanmerokok, dan sebagainya), dan aktivitas pengendalian hama. Menurut Saharjo (2000), dalam satu kali pembukaan lahan sebuah perusahaan dapat melakukan penebangan seluas 10 – 20 ha, bahkan sampai 40 ha, kemudian bekas tebangan dibiarkan mengering selama 2 – 3 minggu untuk selanjutnya dibakar.
Fuller (1995) menyatakan bahwa unsur-unsur iklim berpengaruh sangat besar terhadap kebakaran hutan dan lahan. Hal ini dikarenakan iklim dapat
(19)
mempengaruhi kondisi bahan bakaran dan kemudahannya terbakar. Sementera itu,
Chandler et al. (1983) menyatakan bahwa faktor iklim mempengaruhi kebakaran
melalui dua cara, yakni: menentukan panjang musim dan tingkat keparahan kebakaran, serta berpengaruh terhadap jumlah bahan bakar hutan di suatu daerah. Pada beberapa kejadian kebakaran seperti tahun 1982, 1987, 1991, 1994, 1997/1998, dan 2002, meluasnya bencana kebakaran diakibatkan musim kemarau panjang yang berasosiasi dengan kejadian El Nino. Walaupun sebagian besar kebakaran terjadi akibat ulah manusia, namun faktor iklim terutama curah hujan tetap memegang peranan penting. Hal ini terkait dengan kebiasaan penyiapan lahan yang dilakukan pada musim kemarau. Oleh karena itu, unsur-unsur iklim terutama curah hujan atau tingkat kekeringan akibat menurunnya jumlah hujan merupakan salah satu faktor penting dalam menentukan tingkat risiko kebakaran hutan dan lahan.
Kebutuhan data iklim dan cuaca dalam pengembangan model-model yang
menggunakan data iklim sebagai masukannya (input) seringkali terkendala
dengan keterbatasan ketersediaan data. Kondisi ini menjadi salah satu faktor penghambat untuk melakukan kajian lebih lanjut masalah-masalah yang berhubungan dengan iklim dan cuaca. Pengumpulan informasi ke pusat yang berjalan lambat, jumlah stasiun hujan dan tenaga ahli yang masih sangat kurang menjadi faktor pendukung keterbatasan data. Permasalahan utama lainnya yang dihadapi adalah format dan struktur data yang belum standar, sehingga sulit untuk dapat langsung digunakan dalam penelitian (Balitklimat 2009).
Kebutuhan terhadap ketersediaan data dan informasi yang aktual dan relatif near real-time telah mendorong berkembangnya model prediksi, baik yang berbasis statistik maupun stokastik. Dewasa ini dengan makin berkembangnya teknologi satelit, maka pemanfaatan data satelit menjadi alternatif yang sangat baik. Hal ini dikarenakan datanya lebih mampu mewakili wilayah yang luas, biaya lebih murah, dan tidak membutuhkan tenaga yang banyak dalam pengumpulan datanya.
Berbagai jenis data curah hujan estimasi dan unsur-unsur iklim lainnya dari data satelit telah dikeluarkan oleh NOAA dengan tingkat keakuratan yang relatif baik. Hal ini membuat penggunaan data estimasi curah hujan yang berasal dari
(20)
satelit geostationary menjadi alternatif utama bagi peneliti dalam dan luar negeri untuk melakukan kajian iklim, seperti data estimasi curah hujan CMORPH (CPC-Morphing Technique). Menurut Janowiak (2007), TRMM (Tropical Rainfall Measuring Mission) TMI (TRMM Microwave Image) yang digunakan dalam pembangkitan data curah hujan CMORPH memiliki kemampuan yang lebih baik dalam estimasi hujan dengan tingkat kesalahan kecil. Menurut Oktavariani (2008), kemampuan model estimasi curah hujan dari data CMORPH untuk mengisi data yang hilang selama 2 - 3 bulan adalah cukup baik. Nilai korelasi antara observasi dan hasil dugaannya berkisar antara 0.45 – 0.60.
Selain data CMORPH, NOAA juga telah mengeluarkan data dan informasi meteorologi lainnya yang dapat dieksplorasi dan dimanfaatkan untuk kegiatan pemantauan dinamika atmosfir dan cuaca serta dispersi polusi melalui
pengamatan profil atmosfer, seperti data profil atmosfer dari READY-ARL (
Real-time Environment Applications and Display System-Air Resources Laboratory) NOAA dan dari MODIS. Penggunaan data READY-ARL NOAA sebagai data penduga parameter profil atmosfer dan unsur cuaca diharapkan dapat membantu mengatasi keterbatasan data permukaan dan pengisi data profil atmosfer yang
hilang (missing data) yang secara operasional di permukaan diperoleh dari
radiosonde. Penggunaan data READY-ARL NOAA selama ini belum banyak dieksplorasi untuk kepentingan pendugaan unsur iklim dan cuaca, khususnya di Indonesia. Penelitian ini mencoba menganalisis hubungannya dengan data observasi permukaan dan memanfaatkannya sebagai masukan model Sistem Peringkat Bahaya Kebakaran (SPBK). Selain itu, hasil analisis hubungannya dengan data observasi radiosonde diharapkan menjadi alternatif untuk perolehan data radiosonde di wilayah yang tidak mempunyai stasiun peluncuran radiosonde. Sebagaimana diketahui bahwa, Indonesia dengan wilayah yang sangat luas hanya memiliki 14 stasiun peluncuran radiosonde di seluruh Indonesia. Dengan demikian, potensi pemanfaatan data READY-ARL NOAA sangat penting untuk dikaji. Keunggulan penggunaan data READY-ARL NOAA adalah data dapat diperoleh secara gratis, waktu pengamatan 3 jam-an (dibandingkan dengan radiosonde yang hanya 2 kali sehari), dan data pengamatan yang lebih rapat di level lapisan bawah atmosfir (sebaliknya radiosonde lebih rapat di atas, padahal
(21)
proses dinamika atmosfir yang mempengaruhi cuaca adalah pada lapisan atmosfir bawah).
Adanya kaitan yang cukup erat antara kebakaran hutan dan lahan dengan faktor iklim memungkinkan untuk dikembangkannya model-model pemantauan dan peringatan dini kebakaran. Badan Meteorologi Klimatologi dan Geologi (BMKG) dan LAPAN telah mengembangkan Sistem Peringkat Bahaya Kebakaran (SPBK) yang berbasis data iklim. SPBK BMKG menggunakan data iklim observasi permukaan, sedangkan LAPAN menggunakan data iklim yang diturunkan dari data satelit dari berbagai sumber. Model SPBK, baik yang
dikembangkan oleh BMKG dan LAPAN mengadopsi model FDRS (Fire Danger
Rating System) yang dikembangkan di Canada. Masukan (input) data dalam model ini adalah data suhu, kelembaban, kecepatan angin, dan curah hujan. Akan
tetapi, berdasarkan hasil penelitian Syaufina et al. (2004) menjelaskan bahwa dari
beberapa faktor iklim yang diuji hubungannya dengan kondisi kebakaran lahan gambut di Hutan Simpan Sungai Karang di Tanjong Karang, Selangor, Malaysia hanya faktor curah hujan yang memiliki hubungan yang relatif baik. Faktor curah hujan berpengaruh pada kandungan air bahan bakar organik pada lahan gambut.
Selain itu, Ceccato et al. (2007) mendapatkan bahwa faktor anomali hujan yang
berpengaruh terhadap kejadian kebakaran. Oleh karena itu, penelitian ini juga menganalisis efektifitas penggunaan indeks-indeks SPBK dalam menduga potensi kebakaran hutan dan lahan.
Kondisi suhu yang panas karena kebakaran hutan dan lahan dapat terpantau
oleh satelit sebagai titik-titik panas (hotspots). Deteksi hotspot didasarkan pada
deteksi radiasi inframerah termal (TIR = thermal infrared) yang diemisikan oleh
kobaran api kebakaran yang terjadi di permukaan. Data hotspot tersebut dapat
diperoleh dari data satelit National Oceanic and Atmospheric Administration –
Advanced Very High Resolution Radiometer (NOAA-AVHRR) dan MODIS.Hingga saat ini deteksi hotspot (titik panas) masih dipercaya sebagai salah satu cara yang cocok dan efektif dalam menggambarkan keragaman musiman, tahunan, dan waktu terjadinya kebakaran. Namun dari hasil penelitian sebelumnya telah ditunjukkan bahwa banyaknya jumlah hotspot yang terdeteksi tidak selalu berhubungan dengan banyaknya kejadian dan luasnya kebakaran.
(22)
Oleh sebab itu, penelitian ini juga menilai hubungan jumlah hotspot dengan luas kejadian kebakaran.
Penelitian-penelitian sebelumnya tentang kebakaran hutan dan lahan pada dasarnya telah menggunakan faktor lingkungan fisik, iklim dan infrastruktur baik secara terpisah maupun terintegrasi untuk menilai dan mengkajikondisi kebakaran
yang terjadi, seperti yang dilakukan Hidayat (1997), Syaufina et al. (2004),
Adiningsih (2005), Hadi (2006), dan Jaya et al. (2008). Akan tetapi, setiap lokasi
penelitian memiliki karakter dan perbedaan faktor-faktor utama yang mendukung terjadinya kebakaran tersebut. Kondisi yang berbeda dari setiap kejadian kebakaran suatu daerah menyebabkan perlu dilakukan penelitian secara khusus agar kegiatan pengendalian kebakaran yang akan dilakukan dapat berjalan dengan efektif dan efisien sesuai dengan kondisi daerah tersebut. Pemilihan wilayah Kalimantan Tengah sebagai studi kasus kebakaran dalam penelitian ini adalah dikarenakan ketersediaan data kejadian kebakaran (tanggal, luas, dan posisi lokasi) yang relatif lebih banyak dibandingkan dengan lokasi lain.
Selain itu, sekitar 2 juta hektar lahan di sekitar Kota Palangka Raya, Kalimantan Tengah berupa lahan gambut dengan tutupan vegetasi hutan rawa
gambut (Rieley et al. 1996) yang pada akhir-akhir ini telah rusak akibat konversi
lahan yang berdampak pada penurunan kualitas lahan dengan makin menurunnya tinggi muka air lahan gambut (Simbolon 2003). Kondisi ini dimulai pada tahun 1996 saat terjadi konversi hutan lahan gambut menjadi lahan pertanian melalui program pemerintah Indonesia yang dikenal dengan Mega Proyek Lahan Sawah Sejuta Hektar yang terkait dengan program transmigrasi (Notohadiprawiro 1998). Hampir 1.5 juta hektar total area dibuka dan dikonversi. Sejak itu, lokasi proyek ini menjadi lokasi utama ditemukannya hotspot kebakaran hutan akibat adanya pembakaran sisa-sisa vegetasi untuk pembersihan lahan, khususnya pada musim
kemarau (Jaya et al. 2000, Page et al. 2000). Sementara itu menurut Badan
Lingkungan Hidup (2010), hampir 19.60% (3,010,640 Ha) lahan gambut tersebut mempunyai potensi terjadinya kebakaran.
Berdasarkan data jumlah distribusi hotspot di Indonesia dari Direktorat Pengendalian Kebakaran Hutan periode tahun 2000 - 2010, Kalimantan Tengah merupakan provinsi dengan rata-rata hotspot tertinggi (Gambar 1-1).
(23)
Gambar 1-1. Distribusi J Hutan dan Lahan Periode
Penge
Gambar 1-2. Penu (Sumber: Badan Lingkun
Walaupun sudah ban Provinsi Kalimantan Tenga ribuan hotspot pada tahun
0 5000 10000 15000 20000 25000 30000 35000 40000 45000
Sumut Riau
Ju
m
la
h
H
ot
sp
ot
2000 2001 2002 200
i Jumlah Hotspot di Provinsi Paling Rawan Keba riode Tahun 2000 – 2010 (Data diolahdari Dire ngendalian Kebakaran Hutan, 2011)
enurunan Jumlah Hotspot Tahun 2006 – 2009 di Kalimantan Tengah
gkungan Hidup Provinsi Kalimantan Tengah, 2010
banyak upaya yang dilakukan oleh Pemerinta ngah untuk menurunkan jumlah hotspot dari hun 2006 menjadi sekitar 4600an hotspot pada ta
Sumsel Jambi Kalbar Kalteng Kaltim Kalsel
2003 2004 2005 2006 2007 2008 2009 2010
ebakaran rektorat
, 2010)
ntah Daerah ri sekitar 41 tahun 2009
Sulsel Rata2
(24)
(Gambar 1-2), namun jumlah hotspot di wilayah tersebut pada tahun 2011 juga masih cukup tinggi, yakni sekitar 6.119 hotspot walaupun jika dibandingkan
dengan tahun 2005 – 2009 telah terjadi penurunan sebesar 43% (Vetrita et al.
2012). Kondisi ini menjadikan kebakaran di Provinsi Kalimantan Tengah cukup menarik untuk dikaji.
Dalam pembangunan model hubungan antara data observasi permukaan dengan data yang diturunkan dari data satelit diperlukan teknik atau metode analisis yang memungkinkan diperolehnya model hubungan kedua data. Dalam penelitian ini analisis hubungan antara data iklim observasi dengan data
READY-ARL NOAA dan CMORPH menggunakan teknik analisis PLS (Partial Least
Square). PLSdapat digunakan untuk mengatasi masalah multikolinearitas yang mungkin terjadi antar lapisan atmosfir dari data READY-ARL NOAA dan peubah curah hujan CMORPH yang digunakan dalam membangun model pendugaan parameter iklim/cuaca non hujan dan hujan. PLS umumnya juga digunakan untuk mengatasi adanya multikolinearitas yang terjadi dari persamaan yang menggunakan peubah banyak, mereduksi dimensi kovariasi, menghindari adanya kolinearitas antar komponen kovariasi, dan mengatasi struktur data yang tidak
linier serta mengatasi masalah dimensi peubah respon yang besar (Zhu et al.
2007). Multikolinieritas merupakan hubungan linier yang sempurna atau pasti di antara beberapa atau semua peubah bebas dari model regresi berganda. Multikolinieritas yang tinggi akan menyebabkan koefisien regresi yang diperoleh tidak unik dan menghasilkan penduga model regresi yang bias, tidak stabil, dan mungkin jauh dari nilai sasarannya. Pemanfaatan analisis PLS untuk hubungan data READY-ARL NOAA dengan radiosonde dalam penelitian ini belum pernah dilakukan oleh peneliti lain.
1. 2. Kerangka Pemikiran
Kebakaran hutan dan lahan merupakan fenomena yang hampir setiap tahun terjadi pada musim kemarau, terutama di Kalimantan dan Sumatera dan telah menyebabkan banyak kerugian baik secara ekonomi, ekologi, sosial, maupun politik. Sebaran asapnya juga menyebar ke negara tetangga dan dapat mengganggu kesehatan dan aktivitas masyarakat. Polutannya terutama karbon
(25)
diduga telah memberi kontribusi yang nyata terhadap pemanasan global. Berbagai upaya telah dilakukan baik oleh pemerintah pusat maupun daerah, namun upaya tersebut masih belum optimal dalam mengatasi kebakaran tersebut. Salah satu upaya yang dapat dilakukan adalah dengan mengembangkan model-model pemantauan atau sistem peringatan dini kebakaran baik berdasarkan data observasi maupun dengan memanfaatkan data satelit.
Pemanfaatan data satelit untuk pengembangan dan pembangunan model sistem peringatan dini kebakaran hutan dan lahan lebih banyak ditujukan dalam upaya mengatasi keterbatasan data observasi permukaan dan mengisi data yang hilang. Selain itu, cakupan wilayah yang teramati lebih luas dan data dapat
diperoleh secara lebih near real-time dibandingkan bila harus menggunakan data
observasi permukaan. Dalam penelitian ini data satelit yang digunakan adalah data READY-ARL NOAA untuk menurunkan data iklim non hujan dan CMORPH untuk mengestimasi data curah hujan. Dalam pembangunan model hubungan antara data READY-ARL NOAA dan CMORPH dengan data observasi permukaan digunakan teknik analisis PLS. Pada analisis hubungan antara data READY-ARL NOAA dengan observasi radiosonde, penggunaan analisis PLS ditujukan untuk mereduksi multikolinearitas yang terjadi antar masing-masing lapisan atmosfir yang digunakan sebagai data masukan model. Sementara itu, penggunaan PLS dalam analisis hubungan curah hujan CMORPH dengan curah hujan observasi dimaksudkan untuk mereduksi dimensi peubah curah hujan CMORPH yang bersifat global agar lebih kompatibel digunakan dalam mengestimasi curah hujan regional atau lokal di wilayah penelitian.
Data iklim yang diturunkan dari kedua data satelit tersebut selanjutnya digunakan sebagai data masukan dalam model SPBK untuk model pemantauan dan peringatan dini bahaya kebakaran hutan dan lahan yang terjadi di Kalimantan Tengah. Kemudian berdasarkan data curah hujan CMORPH dilakukan analisis hubungan antara kondisi curah hujan dengan kejadian kebakaran.Selanjutnya, dari hubungan yang diperoleh dengan curah hujan ini dibangun model prediksi risiko kebakaran hutan dan lahan sebagai sistem peringatan dini kebakaran. Dengan adanya sistem peringatan dini terhadap bahaya kebakaran tersebut diharapkan dampak yang ditimbulkan dapat di antisipasi lebih awal.
(26)
Data hotspot yang diturunkan dari data kanal inframerah termal (TIR = thermal Infrared) baik dari NOAA maupun MODIS hingga saat ini masih dipercaya sebagai alat deteksi kejadian kebakaran hutan dan lahan. Meskipun dari beberapa hasil wawancara di lapangan di beberapa instansi menyatakan bahwa beberapa hotspot yang dicek di lapangan bukan berasal dari kejadian kebakaran, tetapi dari objek lain seperti: atap seng, lahanpenambangan pasir, dan sebagainya. Oleh sebab itu, penelitian ini juga menilai efektifitas penggunaan informasi hotspot dalam hubungannya dengan kejadian kebakaran dan untuk pendugaan luas kebakaran. Selain itu, juga melihat hubungannya dengan kondisi iklim (curah hujan) dan dengan indeks-indeks SPBK (FFMC, DMC, DC, ISI, BUI, dan FWI).
Berkurangnya akumulasi curah hujan 1, 2, dan 3 bulan dan makin panjangnya hari tanpa hujan 1, 2, dan 3 bulan sebelum kebakaran akan menyebabkan kekeringan dan kelembaban vegetasi jauh menurun dan makin kering. Pada lahan gambut akan menyebabkan makin menurunnya paras muka air lahan. Kondisi ini diprediksi akan berpotensi terjadinya kebakaran. Oleh karena itu, perlu diketahui hubungan kondisi curah hujan tersebut dengan kejadian kebakaran di Kalimantan Tengah.
Tujuan penelitian dicapai melalui serangkaian tahapan penelitian. Tahap pertama adalah melakukan analisis hubungan antara data READY-ARL NOAA dengan data radiosonde dan observasi permukaan untuk mendapatkan model estimasi data non hujan dari data satelit. Tahap kedua adalah melakukan analisis hubungan data CMORPH dengan data curah hujan observasi untuk mendapatkan model estimasi curah hujan dari data satelit. Tahap ketiga adalah menentukan indeks risiko kebakaran (IRK) yang paling baik digunakan sebagai alat peringatan dini kebakaran hutan dan lahan. Tahap ketiga dicapai melalui pembangunan model hubungan antara luas kejadian kebakaran dengan jumlah hotspot pada suatu domain dalam periode waktu tertentu (HS0, HS7, HS14), akumulasi jumlah hujan (CH1Bl, CH2Bl, CH3Bl) dan hari tanpa hujan (HTH) dalam satu periode waktu tertentu (HTH1Bl, HTH2Bl, HTH3Bl), dan indeks-indeks luaran SPBK (FFMC, DMC, DC, ISI, BUI, dan FWI) yang dihitung menggunakan data estimasi dari satelit. Secara ringkas kerangka penelitian selengkapnya disajikan pada Gambar 1-3.
(27)
Gambar 1
Kejadian kebakaran hut adalah kejadian kebakaran dengan kegiatan manusia pa no 41 tahun 1999 dan PP no suatu kesatuan ekosistem be yang didominasi pepohona dengan lainnya tidak dapat daratan yang peruntukanny bagi masyarakat (PP no 4
r 1-3. Bagan Alir Kerangka Penelitian
n hutan dan lahan yang dimaksud di dalam pene n yang terkait secara langsung maupun tidak pada suatu kawasan hutan atau lahan. Berdas
no 4 tahun 2001, yang dimaksud dengan hut berupa hamparan lahan berisi sumber daya al nan dalam persekutuan alam lingkungannya, pat dipisahkan. Lahan adalah suatu hamparan ya untuk usaha dan atau kegiatan ladang dan a 4 tahun 2001). Kawasan hutan adalah wilaya
penelitian ini dak langsung dasarkan UU hutan adalah alam hayati a, yang satu n ekosistem n atau kebun yah tertentu
(28)
yang ditunjuk dan atau ditetapkan oleh Pemerintah untuk dipertahankan keberadaannya sebagai hutan tetap (PP no 4 tahun 2001).
1. 3. Tujuan Penelitian
Penelitian ini secara umum bertujuan untuk mengembangkan model prediksi tingkat kebakaran di Kalimantan Tengah berdasarkan kondisi iklim. Tujuan khusus penelitian adalah: 1) Mendapatkan model estimasi data profil atmosfir (Suhu, Kelembaban Relatif, Arah Angin, dan Kecepatan Angin) dan data iklim non-hujan (Suhu, suhu maksimum, kelembaban relatif, arah angin, dan kecepatan angin) dari data READY-ARL NOAA berdasarkan metode PLS,
2)Mendapatkan model estimasicurah hujan dari data CMORPH
berdasarkanmetode PLS,3) Mengembangkan indeks-indeks SPBK dengan pemanfaatan data READY-ARL NOAA dan CMORPH, dan 4) Mendapatkan model hubungan antara luas kebakaran dengan masing-masing indeks risiko kebakaran dari kerapatan hotspot, indikator kondisi iklim, dan indeks-indeks SPBK (FFMC, DMC, DC, ISI, BUI, dan FWI).
1. 4. Kebaruan/Novelty
Kebaruan penelitian ini terletak pada penggunaan data READY-ARL NOAA sebagai alternatif pengganti data radio/rawinsonde, sebagai pengganti data observasi permukaan terutama pada perolehan data suhu, kelembaban relatif, arah angin, dan kecepatan angin. Kebaruan lainnya terletak pada penggunaan data suhu (T), kelembaban relatif (RH), dan kecepatan angin (WS) pada level permukaan dari data READY-ARL NOAA dalam perhitungan indeks-indeks (code)luaram SPBK. Selain itu, kebaruan juga pada penggunaan metode PLS dalam pembangkitan model estimasi profil suhu, kelembaban relatif, arah angin, dan kecepatan angin dari READY-ARL NOAA dan CMORPH.
1. 5. Manfaat Penelitian
Penelitian ini diharapkan dapat bermanfaat sebagai informasi peringatan dini kebakaran hutan dan lahan di Kalimantan Tengah. Selain itu dapat
(29)
bermanfaat sebagai bahan masukan bagi Pemerintah Daerah Provinsi Kalimantan Tengah dalam merumuskan kebijakan antisipasi dini dan strategi pengelolaan kebakaran hutan dan lahan.
1. 6. Sistematika Penulisan
Penulisan disertasi terdiri dari 8 Bab. Bab 1membahas latar belakang, tujuan serta kerangka pemikiran yang mendasari penelitian, sedangkan Bab 2 berisi tinjauan pustaka tentang definisi, penyebab dan faktor-faktor yang mempengaruhi kebakaran hutan dan lahan, kebakaran lahan gambut, hubungan iklim dengan kebakaran hutan dan lahan, pemanfaatan data inderaja untuk pemantauan dan deteksi kebakaran, serta potensi pemanfaatan data READY-ARL NOAA dan CMORPHuntuk estimasiunsur iklim (khususnya suhu, kelembaban, kecepatan angin, arah angin, dan curah hujan). Bab 2 berisi hasil studi pustaka tentang pemanfaatan data MODIS untuk deteksi hotspot kebakaran, model-model yang telah dikembangkan dalam analisis, deteksi dini, estimasi dan pemetaan kerawanan kebakaran hutan dan lahan, serta pemahaman tentang analisis risiko bencana kebakaran hutan dan lahan. Bab 3 menjelaskan hasil hubungan data inderajaREADY-ARL NOAA dengan data radiosonde dan observasi stasiun cuaca dari BMKG untuk mendapatkan faktor koreksi pendugaan unsur-unsur iklim dari data READY-ARL NOAA di Indonesia. Bab 4 membahas tentang
estimasi curah hujan dari data CMORPH dengan teknik downscaling dan metode
PLS (Partial Least Square) untuk mendapatkan model estimasi curah hujan
CMORPH di Indonesia.Bab 5 membahas tentang hasil pembangunan model SPBK sebagai penduga indeks risiko kebakaran (IRK) dan hubungannya dengan luas kebakaran, kerapatan jumlah hotspot, dan parameter kondisi iklim. Bab 6 menjelaskan tentang hasil penyusuan model prediksi tingkat kebakaran berdasarkan simulasi Monte Carlo. Bab 7 berisi pembahasan umum potensi pemanfaatan data inderaja untuk IRK sebagai sistem peringatan dini kebakaran hutan dan lahan. Bab 8berisi simpulan dan saran. Keterkaitan antar Bab secara keseluruhan dapat dilihat pada Gambar 1-4.
(30)
Gambar 1-4. Keterkaitan Antar Bab dalam Penulisan Disertasi Bab 7
Pembahasan Umum
Bab 8 Simpulan dan Saran Pemodelan
Bab 3 Model estimasi T, RH, WD, dan WS Data ARL-NOAA
Bab 4 Model estimasi
CH dari data CMORPH
Bab 5 IRK dari hotspot,
CH, SPBK Bab 1
Pendahuluan
Bab 2 Tinjauan Pustaka
Bab 6 Model prediksi tingkat kebakaran
dengan simulasi Monte Carlo
(31)
2. TINJAUAN PUSTAKA
2. 1. Kebakaran Hutan dan Lahan
2. 1. 1. Definisi, Proses dan Faktor-faktor Penyebabnya
Menurut Badan Nasional Penanggulangan Bencana (BNPB), kebakaran hutan dan lahan adalah perubahan langsung atau tidak langsung terhadap sifat fisik dan atau hayatinya yang menyebabkan kurang berfungsinya hutan atau lahan dalam menunjang kehidupan yang berkelanjutan sebagai akibat dari penggunaan api yang tidak terkendali maupun faktor alam yang dapat mengakibatkan terjadinya kebakaran hutan dan atau lahan. Sementara itu menurut Syaufina (2008), kebakaran hutan didefinisikan sebagai suatu kejadian di mana api membakar bahan bakar bervegetasi, yang terjadi di dalam kawasan hutan yang menjalar secara bebas dan tidak terkendali, sementara kebakaran lahan terjadi di kawasan non hutan. Kebakaran yang terjadi di Indonesia seringkali membakar areal hutan dan areal non hutan dalam waktu bersamaan akibat penjalaran api yang berasal dari kawasan hutan menuju kawasan non hutan atau sebaliknya. Dengan demikian, istilah kebakaran hutan dan lahan menjadi istilah yang melekat untuk kejadian kebakaran di Indonesia. Menurut JICA (2000), kebakaran hutan adalah keadaan hutan yang dilanda api sehingga mengakibatkan kerusakan hutan dan hasilnya serta menimbulkan kerugian ekonomis, ekologis, dan sosial.
Proses pembakaranterjadi apabila ada tiga unsur yang bersatu, yaitu: bahan bakar, oksigen dan panas. Jika salah satu dari ketiganya tidak ada, maka proses pembakaran tidak akan terjadi. Proses pembakaran merupakan kebalikan dari proses fotosintesa. Pada proses fotosintesa, energi matahari terpusat secara
perlahan-lahan, sedangkan pada proses pembakaran, energi yang berupa panas
dilepaskan dengan cepat. Selain panas, proses pembakaran (combustion) juga
menghasilkan beberapa jenis gas terutama karbondioksida, uap air dan
partikel-partikel. Secara sederhana hubungan antara proses fotosintesa dengan pembakaran dapat digambarkan sebagai berikut:
Fotosintesa:
(32)
Pembakaran:
C6H12O6 + O2 + suhu penyalaan CO2 + H2O + panas
Menurut BNPB, kebakaran hutan dan lahan dapat disebabkan oleh, antara lain: 1) Aktivitas manusia yang menggunakan api di kawasan hutan dan lahan, sehingga menyebabkan bencana kebakaran, 2) Faktor alam yang dapat memicu terjadinya kebakaran hutan dan lahan, 3) Jenis tanaman yang sejenis dan memiliki titik bakar yang rendah serta hutan yang terdegradasi menyebabkan semakin rentan terhadap bahaya kebakaran, 4) Angin yang cukup besar dapat memicu dan mempercepat menjalarnya api, dan 5) Topografi yang terjal semakin mempercepat merembetnya api dari bawah ke atas. Sementara itu dari hasil penelitian CIFOR/ICRAF (2001) di 10 lokasi penelitian di 6 propinsi: Lampung, Jambi, Sumatera Selatan, Riau, Kalimantan Barat, dan Kalimantan Timur, menunjukkan bahwa penyebab langsung kebakaran hutan dan lahan di Indonesia adalah sebagai berikut: a) Api digunakan dalam pembukaan lahan; b) Api digunakan sebagai senjata dalam permasalahan konflik tanah; c) Api menyebar secara tidak sengaja; dan d) Api yang berkaitan dengan ekstraksi sumberdaya alam. Sementara penyebab tidak langsung kebakaran hutan dan lahan, meliputi: a) Penguasaan lahan; b) Alokasi penggunaan lahan; c) Insentif/Dis-insentif ekonomi; d). Degradasi hutan dan lahan; e) Dampak dari perubahan karakteristik kependudukan; dan f) Lemahnya kapasitas kelembagaan. Hasil penelitian Chokkalingam dan Suyanto (2004) di Sumatera, telah mengidentifikasi beberapa penyebab kebakaran di lahan basah antara lain: penggunaan api dalam pengelolaan lahan oleh masyarakat, pembakaran untuk pembersihan lahan oleh perusahaan hutan dan perkebunan, pembukaan daerah transmigrasi, pembangunan berskala besar, konversi lahan, dan konflik antara perusahaan dan masyarakat. Pada proses konversi lahan, kegiatan penyiapan lahan sering kali diawali oleh penebangan yang menghasilkan sisa-sisa penebangan, serasah, dan limbah kayu yang dibiarkan menumpuk dan mengering di lapangan. Selanjutnya, agar lahan bersih dari sisa-sisa tebangan dan limbah kayu, maka dilakukan pembakaran. Seringkali proses pembakaran tidak terkendali sehingga menyebabkan kebakaran hutan dan lahan yang besar.
(33)
Menurut Tacconi (2003), salah satu faktor penyebab kebakaran yang cukup menonjol adalah faktor penutup lahan dan perubahannya. Pada kawasan yang dilanda kebakaran tahun 1997/1998 di Indonesia diperoleh bahwa lahan pertanian menempati urutan pertama dalam luas kawasan yang terbakar di Sumatera. Urutan kedua terluas terbakar adalah hutan payau dan gambut, yang selanjutnya diikuti oleh hutan dataran rendah, semak dan rumput, hutan tanaman, dan perkebunan.
2. 1. 2. Kebakaran Lahan Gambut
Lahan gambut merupakan ekosistem yang bersifat unik yang tidak ditemukan pada ekosistem lain. Pada musim hujan, lahan gambut berperilaku seperti spons yang menyerap kelebihan air hujan sehingga mencegah terjadinya banjir. Sebaliknya pada musim kemarau, lahan gambut mengeluarkan air ke udara dan mengalirkannya ke tempat lain sehingga tidak terjadi kekeringan. Lahan gambut memiliki peran utama dalam siklus karbon dan hidrologi serta
proses-proses lingkungan global lainnya (Krankina et al. 2008; Syaufina 2008),
konservasi biodiversiti untuk flora dan fauna yang penting, sebagai lahan budi daya di bidang pertanian, kehutanan, dan perkebunan (Syaufina 2008).
Berdasarkan tingkat dekomposisinya gambut dapat dikelompokkan menjadi 3 (tiga) tipe, yakni: fibrik, saprik, dan Hemik. Fibrik, apabila 1/3 dari bahan asal telah terdekomposisi dan 2/3 bagian masih dapat dilihat dan ditentukan bahan asalnya. Saprik, apabila 2/3 dari bahan asal sudah terdekomposisi, dan hemic adalah di antara fibrik dan saprik.
Berdasarkan hasil kajian pustaka oleh Syaufina (2008), Indonesia menempati urutan keempat di dunia untuk negara dengan lahan rawa gambut terluas, yakni sekitar 17,2 juta ha (Euroconsult 1984 dalam Syaufina 2008) atau sekitar 17,0 – 27,0 juta ha (Maltby 1997 dalam Syaufina) setelah Kanada (170 juta ha), Uni Soviet (150 juta ha), dan Amerika Serikat (40 juta ha). Meskipun lahan gambut tropika hanya sekitar 10 – 12% dari total lahan gambut dunia, namun keberadaannya berperan sangat penting pada lingkungan global. Lahan gambut sebagian besar tersebar di Pulau Sumatera, Kalimantan, dan Papua dengan perkiraan luas yang cukup beragam menurut berbagai sumber (Tabel 1). Perbedaan perkiraan luas lahan gambut di Indonesia dikarenakan adanya
(34)
perbedaan dalam definisi dan standar klasifikasi lahan gambut yang digunakan oleh berbagai sumber tersebut.
Tabel 2-1. Perkiraan Luas dan Penyebaran Lahan Gambut di Indonesia
Berdasarkan Beberapa Sumber (Najiyati et al. 2005 dalam
Syaufina 2008)
Penulis / Sumber Penyebaran gambut (dalam juta hektar)
Sumatera Kalimantan Papua Lainnya Total
Driessen (1978) 9,7 6,3 0,1 - 16,1
Puslittanak (1981) 8,9 6,5 10,9 0,2 26,5
Euroconsult (1984) 6,84 4,93 5,46 - 17,2
Soekardi & Hidayat (1988)
4,5 9,3 4,6 < 0,1 18,4
Deptrans (1988) 8,2 6,8 4,6 0,4 20,1
Subagyo et al.
(1990)
6,4 5,4 3,1 - 14,9
Di Kalimantan, lahan gambut tersebar terutama di Kalimantan Barat dan Kalimantan Tengah. Umumnya terdapat di sepanjang pantai barat Provinsi Kalimantan Barat, seperti: Mempawah, Ketapang, dan Sambas. Sementara di Kalimantan Tengah terdapat di pantai selatan di sepanjang aliran Sungai Sebangau, Kahayan, dan Barito. Di Kalimantan timur, lahan gambut banyak dijumpai di wilayah danau di basin bagian tengah Sungai Mahakam, sebelah barat laut Kota Samarinda, dan bagian barat Kota Tarakan (Syaufina 2008).
Sifat kebakaran yang terjadi di kawasan hutan lahan gambut berbeda dengan yang terjadi di kawasan hutan lahan tanah mineral (bukan gambut). Di kawasan bergambut, kebakaran tidak hanya menghanguskan tanaman dan vegetasi hutan
serta lantai hutan (forest floor) termasuk lapisan serasah, dedaunan dan bekas
kayu yang gugur, tetapi juga membakar lapisan gambut baik di permukaan maupun di bawah permukaan (Kurnain, 2005).
Menurut Syaufina (2008), berdasarkan pola penyebaran dan tipe bahan bakar kebakaran hutan dan lahan digolongkan ke dalam tiga tipe, yaitu: kebakaran
bawah (ground fire), kebakaran permukaan (surface fire), dan kebakaran tajuk
(crown fire). Dalam hal ini, kebakaran lahan gambut termasuk tipe kebakaran
bawah (ground fire). Pada tipe ini, api menjalar di bawah permukaan membakar
bahan organik dengan pembakaran yang tidak menyala (smoldering). Sementara
(35)
gambut, yaitu tipe lapisan permukaan (surface fire) dan tipe bawah permukaan (ground fire). Tipe yang pertama dapat menghanguskan lapisan gambut hingga 10–15 cm, yang biasanya terjadi pada gambut dangkal atau pada hutan dan lahan berketinggian muka air tanah tidak lebih dari 30 cm dari permukaan. Pada tipe
yang pertama ini, ujung api bergerak secara zigzag dan cepat, dengan panjang
proyeksi sekitar 10–50 cm dan kecepatan menyebar rata-rata 3,83 cm jam-1(atau
92 cm hari-1). Tipe yang kedua adalah terbakarnya gambut di kedalaman 30–50
cm di bawah permukaan. Pada tipe dua ini ujung api bergerak dan menyebar ke
arah kubah gambut (peat dome) dan perakaran pohon dengan kecepatan rata-rata
1,29 cm jam-1(atau 29 cm hari-1). Kebakaran tipe kedua ini lebih berbahaya karena
menimbulkan kabut asap gelap dan pekat, dan melepaskan gas pencemar lainnya ke atmosfer. Di samping itu, kebakaran tipe dua ini sangat sulit untuk dipadamkan, bahkan oleh hujan lebat sekalipun.
Dari uraian di atas jelas bahwa kebakaran hutan dan lahan gambut dapat menimbulkan dampak/akibat buruk yang lebih besar dibandingkan dengan kebakaran yang terjadi di kawasan tidak bergambut (tanah mineral). Oleh karena itu, cara penanganannyapun berbeda.
2. 1. 3. Hubungan Kebakaran Hutan/Lahan dengan Faktor Iklim
Cuaca dan iklim mempengaruhi kebakaran hutan melalui dua cara, yaitu: panjang musim dan keparahan kebakaran, dan peningkatan jumlah bahan bakar
hutan di suatu daerah (Chandler et al. 1983). Lebih lanjut Chandler et al. (1983)
menyatakan bahwa cuaca dan iklim mempengaruhi kebakaran hutan melalui berbagai cara yang saling berkaitan, yakni: 1. Jumlah total bahan bakar yang tersedia, 2. Jangka waktu dan keparahan musim kebakaran, 3. Cuaca mengatur kadar air dan kemudahan bahan bakar hutan untuk terbakar, dan 4. Cuaca mempengaruhi proses penyalaan dan penjalaran kebakaran hutan. Sementara itu
menurut Pyne et al. (1996), iklim terutama curah hujan juga menentukan jumlah
dan jenis vegetasi serta kadar air bahan bakaran.
Faktor iklim sangat mempengaruhi perilaku api dalam hal proses penyalaan, perkembangan nyala api, penjalaran api, dan kondisi asap (Weise dan Biging
(36)
1996; Saharjo 1999; Gomez-Tejedor et al. 2000). Selain itu, faktor iklim juga mempengaruhi sifat-sifat bahan bakar seperti tipe bahan bakar, kandungan bahan bakar, sifat-sifat instrinsik, kekompakan, dan kadar air bahan bakar (Johansen 1985; van Wagtendonk dan Sydoriak 1985; Saharjo 1999). Walaupun hampir seluruh kejadian kebakaran hutan dan lahan di Indonesia disebabkan oleh kegiatan manusia, baik sengaja maupun tidak disengaja, namun faktor iklim tetap memegang peranan penting. Hal ini terkait dengan kebiasaan penyiapan lahan yang dilakukan pada musim kemarau. Fakta lain menunjukkan bahwa kemarau panjang tahun 1982, 1987, 1991, 1994, 1997/1998, dan 2002 yang berasosiasi dengan kejadian El Nino menyebabkan meluasnya bencana kebakaran hutan.
2. 1. 4. Deteksi Hotspot Kebakaran Hutan dan Lahan
Deteksi dini kebakaran hutan sangat penting dalam mengurangi dampak kerusakan kebakaran. Satelit inderaja membuka peluang pilihan analisis kehutanan dan ekosistem lainnya secara kualitatif pada skala spasial dan geografis. Sehubungan dengan kebakaran hutan dan lahan, data satelit mempunyai peranan yang sangat penting dalam identifikasi dan pemetaan kebakaran hutan serta dalam perekaman frekuensi kerusakan pada wilayah atau tipe vegetasi. Dengan demikian, pemantauan dan pendeteksian kebakaran hutan akan sangat efektif menggunakan data inderaja. Selain itu, data inderaja juga dapat digunakan untuk memahami perilaku kebakaran hutan, faktor-faktor lingkungan yang berpengaruh terhadap area kebakaran, dan faktor-faktor utama yang mempengaruhi perilaku kebakaran. Integrasi antara data inderaja dengan faktor-faktor penyebab kebakaran secara Sistem Informasi Geografi (GIS) akan sangat efektif untuk keperluan pemetaan wilayah risiko kebakaran hutan.
Kondisi suhu yang panas karena kebakaran hutan/lahan sering terpantau
oleh satelit sebagai hotspots (titik-titik panas). Hotspots merupakan salah satu
indikator terjadinya kebakaran hutan/lahan. Deteksi kebakaran aktif menggunakan
hotspot didasarkan pada deteksi dari radiasi inframerah termal (TIR = termal
infrared) yang diemisikan oleh api kebakaran. Data hotspot tersebut dapat diperoleh dari data satelit NOAA-AVHRR dan MODIS.
(37)
Hotspotdidefinisikan sebagai titik-titik pada citra (pixel atau sub-pixel) yang
mempunyai suhu sangat tinggi dan berhubungan dengan active fire (Kobaran Api)
di permukaan bumi. Menurut hukum pergeseran WIEN’S, suhu tersebut berkisar
antara 400 oK sampai dengan 700 oK di permukaan bumi. Suhu titik api tersebut
pada citra dapat dihasilkan berdasarkan nilai suhu kecerahannya (Temperature
Brightness=Tb), yang diturunkan berdasarkan persamaan yang dikembangkan oleh D’Souza (1993). Data hotspot dari NOAA-AVHRR ditentukan dengan memanfaatkan data kanal 3 (kanal inframerah sedang) dengan panjang gelombang
3.55 – 3.93 m dan kanal 4 (kanal inframerah panjang) dengan panjang
gelombang 10.3 – 11.3 m, sedangkan dari data MODIS ditentukan dengan menggunakan kanal-kanal yang mempunyai panjang gelombang 4µm dan 11µm. Dari hasil penelitian terdahulu menunjukkan bahwa data hotspot yang diturunkan dari data NOAA maupun MODIS dapat digunakan sebagai indikasi terjadinya kebakaran hutan/lahan di suatu wilayah.
Penggunaan MODIS untuk deteksi hotspot kebakaran memiliki beberapa kelebihan dibandingkan dengan menggunakan AVHRR-NOAA. Kelebihannya adalah penentuan posisi geolokasi yang lebih baik, penggunaan metode pemrosesan data yang lebih konsisten, dan informasi dapat diperoleh lebih cepat melalui internet. Selain itu, algoritma yang diaplikasikan untuk data AVHRR tidak mampu menghasilkan nilai suhu permukaan yang lebih tinggi dari 325 K, sehingga nilai ini diterima sebagai nilai maksimum pada kisaran luaran sensor. Hal ini dikarenakan adanya kejenuhan (saturasi) dalam kanal 3 (3.55 – 3.93 m) (Kaufman et al. 1990 yang diacu oleh Fuller 2003). Meskipun pengaruh “ Sun-glint” dan suhu permukaan yang tinggi selama siang hari memungkinkan menghasilkan nilai suhu yang lebih tinggi (Justice et al. 2002 yang diacu oleh Fuller 2003), akan tetapi kanal-kanal termal MODIS jenuh pada suhu yang lebih tinggi sehingga memungkinkan untuk mendapatkan sumber informasi suhu yang lebih akurat pada sebaran dan waktu kejadian kebakaran dibandingkan dengan AVHRR. MODIS memiliki 36 kanal yang dapat digunakan untuk mengkoreksi nilai suhu yang tidak benar dibandingkan AVHRR yang hanya memiliki 4 kanal. Selain itu, kanal inframerah-tengah MODIS dipusatkan pada 4 m; sedangkan
(38)
AVHRR pada 3.8 m, yang dapat mengurangi proporsi radiansi yang diterima dari pantulan permukaan (Fuller 2003).
Deteksi kebakaran dengan hotspot dapat dilakukan secara harian dan dipertimbangkan sebagai cara yang relatif baik dan cukup efektif untuk menentukan keragaman kebakaran antar musim, waktu dan tahun (Eva dan Lambin 1998a). Kelemahan utama sistem deteksi hotspot ini antara lain: adanya kemungkinan bias yang disebabkan oleh tidak sesuainya waktu kejadian kebakaran regional dengan waktu lintas satelit yang relatif tetap (Eva dan Lambin 2000) dan masalah penutupan awan yang menjadi hambatan khususnya pada area tropis lembab seperti wilayah Indonesia. Selain itu, sistem deteksi hotspot tidak mampu untuk mengestimasi dampak kebakaran dikarenakan ketidakmampuannya untuk mengukur/menghitung total area dari bagian permukaan yang terbakar pada
area yang terkena kebakaran. Sebuah piksel berukuran 1km2dapat dijenuhi oleh
sebuah kebakaran yang tidak lebih besar dari 0.001km2yang melebihi
ketidakpastian ukuran area terbakar yang terjadi pada daerah yang terdeteksi terbakar. Walaupun demikian, dikarenakan perlunya informasi tentang dampak dari kebakaran vegetasi dan ketiadaan data yang lebih baik, maka penggunaan hotspot sering pula digunakan untuk mengestimasi area terbakar secara luas dan telah diuji oleh beberapa peneliti dengan berbagai tingkat keberhasilan, baik pada
skala global (Giglio et al. 2006) dan regional (Eva and Lambin 1998a, Stolle et al.
2004).
Berdasarkan distribusi hotspot kebakaran hutan dan lahan di Indonesia terjadi hampir di seluruh provinsi, khususnya Pulau Sumatera dan Kalimantan yang merupakan wilayah dengan kejadian kebakaran terbesar. Di Sumatera, kebakaran lebih sering terjadi di wilayah Provinsi Riau, Jambi, dan Sumatera Selatan (Gambar 2-1). Sementara itu di Provinsi Riau, wilayah yang sering dilanda kebakaran ada di Kabupaten Pelalawan, Bengkalis, dan Rokan Hilir (Gambar 2-2). Berdasarkan penggunaan lahan di Kabupaten Rokan Hilir pada tahun 2001 sampai dengan 2005, hotspot rata-rata tertinggi ditemukan pada areal perkebunan (264), diikuti pada areal HPH (259), areal penggunaan lain (157) dan HTI (103) (Hendriana 2006). Selengkapnya dapat dilihat pada Tabel 2-1.
(1)
152
2 0,486315 7403,60 0,068013 3 0,591513 5069,82 0,361797 4 0,660351 5011,43 0,369147 5 0,734021 4672,27 0,411841 6 0,793940 3664,59 0,538690 7 0,859010 3459,37 0,564525 8 0,898181 3363,27 0,576622 9 0,937751 3234,03 0,592891 Model Selection and Validation for 20_R Components X Variance Error SS R-Sq 1 0,338979 7022,02 0,043186 2 0,486315 5846,59 0,203350 3 0,591513 5833,16 0,205179 4 0,660351 3942,93 0,462741 5 0,734021 3518,43 0,520582 6 0,793940 3485,45 0,525076 7 0,859010 3314,55 0,548362 8 0,898181 3181,09 0,566548 9 0,937751 3180,86 0,566580 Regression Coefficients
1000_R 925_R 850_R 700_R 500_R 400_R 300_R Constant 22,7849 -0,086093 -13,6361 18,2019 -11,4624 -10,1797 -8,90741 1000_ARL 0,2160 0,313794 0,3339 -0,0548 0,1346 -0,0233 0,04230 925_ARL 0,2296 0,362960 0,4162 -0,0273 0,0264 0,0200 0,00301 850_ARL 0,2183 0,334436 0,4217 0,1363 -0,0535 0,0485 0,02562 700_ARL 0,0353 0,001893 0,0580 0,7259 0,0374 0,0713 -0,03331 500_ARL 0,0089 0,089051 -0,0083 0,2315 0,6933 0,0606 -0,00819 400_ARL 0,0080 -0,024039 -0,0464 0,0295 0,0608 0,6817 0,21546 300_ARL -0,0432 -0,019298 -0,0203 -0,0488 0,0139 0,1423 0,34091 250_ARL -0,0061 -0,019307 -0,0172 -0,0472 -0,0066 -0,0591 0,29338 200_ARL 0,0641 -0,052196 -0,0512 0,0720 -0,0939 -0,1157 0,11662 150_ARL 0,1085 -0,026046 -0,0566 0,0821 -0,0112 -0,0029 -0,14508 100_ARL 0,0525 0,027444 0,0097 0,0551 -0,0214 0,0011 -0,00351 50_ARL -0,0128 0,027472 0,0198 0,0399 0,0079 0,0018 0,02960 20_ARL -0,0073 0,022758 0,0073 0,0146 -0,0030 0,0019 -0,01450 250_R 200_R 150_R 100_R 50_R 20_R
Constant -17,2552 -15,2272 -9,62268 -9,28314 -0,417980 -30,3035 1000_ARL 0,1019 0,1091 0,00658 0,37232 -0,363980 0,1380 925_ARL 0,0307 0,0402 -0,02773 0,03672 0,002314 0,1304 850_ARL 0,0366 0,0553 -0,01685 -0,20088 0,296445 0,0124 700_ARL -0,0188 0,0544 0,03580 0,30105 0,398014 0,1015 500_ARL 0,0853 0,0496 0,12941 0,01795 0,025565 0,2000 400_ARL 0,0423 -0,0052 0,05506 -0,23876 -0,250005 -0,0529 300_ARL 0,2656 0,1383 -0,22053 -0,05030 0,339414 0,0013 250_ARL 0,2935 0,2206 -0,11748 0,21230 0,049616 0,0358 200_ARL 0,1864 0,2888 0,33937 0,19387 -0,125055 0,1153 150_ARL -0,0538 0,1704 0,75360 -0,10903 0,125721 -0,1762 100_ARL -0,0004 0,0432 0,02608 1,01357 0,036752 -0,0970 50_ARL 0,0136 0,0022 -0,00181 -0,04105 0,803436 -0,0199 20_ARL -0,0186 -0,0129 -0,05678 -0,08022 -0,025976 0,7951
1000_R 925_R 850_R 700_R 500_R standardized standardized standardized standardized standardized Constant 0,000000 0,000000 0,000000 0,000000 0,000000 1000_ARL 0,164721 0,236239 0,233420 -0,031224 0,093342 925_ARL 0,176245 0,274997 0,292792 -0,015656 0,018396 850_ARL 0,153684 0,232383 0,272089 0,071617 -0,034233 700_ARL 0,033139 0,001757 0,050018 0,509414 0,031937 500_ARL 0,008180 0,081197 -0,007054 0,159588 0,582320
(2)
153
400_ARL 0,007505 -0,022290 -0,039935 0,020714 0,051925 300_ARL -0,043734 -0,019277 -0,018794 -0,036871 0,012789 250_ARL -0,005983 -0,018640 -0,015406 -0,034484 -0,005902 200_ARL 0,059330 -0,047727 -0,043445 0,049791 -0,079123 150_ARL 0,132107 -0,031299 -0,063164 0,074574 -0,012393 100_ARL 0,167078 0,086152 0,028150 0,130896 -0,061979 50_ARL -0,049051 0,104303 0,069701 0,114480 0,027716 20_ARL -0,026195 0,080414 0,023889 0,039111 -0,009894 400_R 300_R 250_R 200_R 150_R standardized standardized standardized standardized standardized Constant 0,000000 0,000000 0,000000 0,000000 0,000000 1000_ARL -0,015088 0,028301 0,071852 0,076310 0,003176 925_ARL 0,013060 0,002029 0,021783 0,028321 -0,013466 850_ARL 0,029011 0,015822 0,023844 0,035665 -0,007504 700_ARL 0,056970 -0,027478 -0,016295 0,046872 0,021290 500_ARL 0,047557 -0,006634 0,072817 0,042022 0,075618 400_ARL 0,544283 0,177560 0,036765 -0,004470 0,032720 300_ARL 0,122399 0,302664 0,248441 0,128364 -0,141172 250_ARL -0,049138 0,251734 0,265341 0,197842 -0,072686 200_ARL -0,091079 0,094776 0,159640 0,245270 0,198864 150_ARL -0,002956 -0,154956 -0,060579 0,190244 0,580366 100_ARL 0,003057 -0,009783 -0,001088 0,125909 0,052459 50_ARL 0,005761 0,099870 0,048256 0,007665 -0,004403 20_ARL 0,005686 -0,045546 -0,061544 -0,042195 -0,128581 100_R
standardized 50_R standardized 20_R standardized Constant 0,000000 0,000000 0,000000 1000_ARL 0,073864 -0,067223 0,026518 925_ARL 0,007332 0,000430 0,025208 850_ARL -0,036782 0,050532 0,002197 700_ARL 0,073624 0,090615 0,024052 500_ARL 0,004313 0,005718 0,046548 400_ARL -0,058338 -0,056868 -0,012512 300_ARL -0,013240 0,083173 0,000337 250_ARL 0,054009 0,011751 0,008813 200_ARL 0,046714 -0,028051 0,026915 150_ARL -0,034524 0,037062 -0,054054 100_ARL 0,838468 0,028304 -0,077703 50_ARL -0,041074 0,748310 -0,019329 20_ARL -0,074692 -0,022516 0,717063
(3)
154
Lampiran 3. Hasil Ekstraksi Jumlah Hotspot, Curah hujan, dan Jumlah Hari Tidak Hujan di Masing-masing Lokasi dan Luas Kebakaran
Lokasi
Tgl
Kebakaran
Luas
(Ha)
HS14 HS7
HS0
CH
CH1bl CH2Bl
CH3bl
HTH1bl HTH2bl HTH3bl
Kalteng 1
13/09/2009
2
22
22
7 1.93
16.6
94.84 104.36
28
51
68
Kalteng 2
12/09/2009
62.5
138
35
0 0.11
57.42 112.58 167.42
28
49
71
Kalteng 3
10/09/2009
4.5
52
39
0 1.32
64.44
95.76 168.95
26
50
72
Kalteng 4
15/09/2009
100
46
44
0 3.19
23.47
89.73 182.98
26
51
70
Ds Handil Marhanang
08/08/2011
300
5
5
0
0.1
34.67
51.78 107.78
23
50
70
Ds Handil Marhanang
12/08/2011
1500
5
5
0 0.28
34.2
51.82
87.04
24
50
71
Pulau Telo
09/09/2011
1
0
0
0 3.16
48.92
92.74 106.45
22
45
71
Ds. Batuah, Kec. Basarung
19/09/2011
3
1
0
0 1.32
59.32
91.72 123.98
19
44
65
Kameloh Baru
07/08/2011
10
9
7
4 0.15
95.64 129.11 383.33
19
43
57
Bereng Bengkel
20/08/2011
1.5
24
9
1 0.78
75.69 134.98
250
23
43
62
Kel. Kelampangan,Jl. Mahir Mahar
03/08/2011
3
7
1
0 0.16
95.11 141.31 382.96
20
41
58
Kalampangan
10/08/2011
0.25
12
6
0 0.35
95.64 126.71 375.31
19
44
59
Jekan raya
11/08/2011
0.5
12
6
0 0.81
96.04 127.11
371.8
19
44
60
Simpang 4 Kereng
13/08/2011
0.25
14
5
0 0.81
87.16 127.11 322.33
20
44
61
Kel. Panarung, Kec. Pahandut
15/08/2011
1
13
2
0 0.81
78.55 127.11 251.31
22
44
62
Simpang 4 Kereng
16/08/2011
0.25
13
6
4 0.81
77.24 127.11 251.18
23
44
62
Jl. Mahir Mahar
16/08/2011
9
13
6
4 0.81
77.24 127.11 251.18
23
44
62
Kel. Menteng
23/08/2011
2
19
14
7 3.12
13.07 134.98 217.87
26
43
63
Kel. Langkai, Kec. Pahandut
23/08/2011
1.5
19
14
7 3.12
13.07 134.98 217.87
26
43
63
Jl. Mahir Mahar (Menteng)
01/08/2011
4.7
12
6
0 0.14
60.84 154.31 349.84
22
43
63
Kel. Menteng, Kec. Jekan Raya
15/08/2011
5
65
51
8 0.84
55.98 102.51
267
21
45
64
(4)
155
Lampiran 3. Lanjutan
Lokasi
Tgl
Kebakaran
Luas
(Ha)
HS14 HS7
HS0
CH
CH1bl CH2Bl
CH3bl
HTH1bl HTH2bl HTH3bl
Jl. T. Tilung 16, Kel. Menteng
09/08/2011
0.5
59
9
3
0.17 62.64
101.02 342.09 20
46
63
Jl. Cilik Riwut Km 3, Palangka
Raya
06/08/2011
2
20
1
0
0.24 62.64
118.36 342.29 20
44
63
Tumbang Tahai
23/08/2011
10
20
15
12
1.88 16.02
99.84
214.33 26
44
63
Tangkiling
24/07/2011
6
0
0
0
1.94 83.82
198.31 429.96 18
38
51
Kel. Banturung
01/08/2011
2
5
0
0
0.34 45.6
143.82 318.67 23
41
58
Tangkiling, Bukit Batu Banama
07/08/2011
3.25
6
2
0
0.56 48.4
94.96
314.67 23
44
61
Bukit Baranahu
16/08/2011
3
19
4
0
0.81 46.84
93.91
268.87 24
45
63
Bukit Tangkiling (Hutan
Konservasi)
19/08/2011
5
23
6
2
0.59 40.69
99.89
276.84 24
44
62
Lampiran 4. Nilai FFMC, DMC, DC, ISI, BUI, dan FWI di Masing-masing Lokasi Kebakaran
Lokasi
Tgl
Kebakaran
Luas
(Ha)
FFMC DMC
DC
ISI
BUI
FWI
Kalteng 1
13/09/2009
2 90.31 89.96
529 12.72 115.36
35.69
Kalteng 2
12/09/2009
62.5 92.34 79.59 500.4 12.61
113.2
36.01
Kalteng 3
10/09/2009
4.5 89.55 81.05 516.4
10.4 114.82
31.37
Kalteng 4
15/09/2009
100 89.01 54.54 462.2 10.17
82.93
26.34
Ds Handil Marhanang
08/08/2011
300 91.57 71.07 638.5 13.63 110.67
37.82
Ds Handil Marhanang
12/08/2011
1500 92.12
79.6 672.6
15.1 122.41
41.85
Pulau Telo
09/09/2011
1 84.07
22.6 587.4
6.78
40.94
14.29
Ds. Batuah, Kec. Basarung
19/09/2011
3 87.01 27.82 586.1
9.58
49.18
20.31
Kameloh Baru
07/08/2011
10 90.22 56.13 328.9
8.35
78.41
23.6
Bereng Bengkel
20/08/2011
1.5 92.93 67.69 429.6 14.57
96.31
37.16
(5)
156
Lampiran 4. (Lanjutan)
Lokasi
Tgl
Kebakaran
Luas
(Ha)
FFMC DMC
DC
ISI
BUI
FWI
Kel. Kelampangan,Jl. Mahir
Mahar
03/08/2011
3
91.51 44.45 291.2 10.81 64.05
24.67
Kalampangan
10/08/2011
0.25
90.84 64.24 356.6 10.14 88.24
27.94
Jekan raya
11/08/2011
0.5
91.04 64.25 363.8 10.38 88.57
28.48
Simpang 4 Kereng
13/08/2011
0.25
91.95 64.84 378.3 11.94 90
31.38
Kel. Panarung, Kec. Pahandut
15/08/2011
1
91.5
65.16 392.7 11.4
91.2
30.62
Simpang 4 Kereng
16/08/2011
0.25
91.64 65.38 400
11.63 91.9
31.17
Jl. Mahir Mahar
16/08/2011
9
91.64 65.38 400
11.63 91.9
31.17
Kel. Menteng
23/08/2011
2
90.05 58.67 421.2 11.87 86.43
30.46
Kel. Langkai, Kec. Pahandut
23/08/2011
1.5
90.05 58.67 421.2 11.87 86.43
30.46
Jl. Mahir Mahar (Menteng)
01/08/2011
4.7
90.36 38.26 327
9.07
58.76
20.88
Kel. Menteng, Kec. Jekan Raya
15/08/2011
5
89.5
59.73 444.6 9.16
88.21
25.89
22/08/2011
1
88.04 55.51 477.9 9.54
85.03
25.82
Jl. T. Tilung 16, Kel. Menteng
09/08/2011
0.5
91.04 59.03 401
9.51
85.62
26.92
Jl. Cilik Riwut Km 3, Palangka
Raya
06/08/2011
2
88.81 50.69 373.3 6.89
75.18
20.18
Tumbang Tahai
23/08/2011
10
87.71 46.82 507.8 7.53
75.42
21.01
Tangkiling
24/07/2011
6
85.75 22.78 310.3 6.15
38.04
12.75
Kel. Banturung
01/08/2011
2
89.27 33.67 363.6 7.91
54.26
18.36
Tangkiling, Bukit Batu Banama
07/08/2011
3.25
87.77 41.49 410.5 6.43
65.6
17.58
Bukit Baranahu
16/08/2011
3
88.53 47.26 474.8 7.8
74.91
21.39
Bukit Tangkiling (Hutan
(6)