Perbandingan Nilai ETm dengan Panci Evaporasi A dan Lysimeter

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 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- 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. Tabel 5.5.1.a Hasil Perbaikan Data Tmean MODIS. Tah un Bul an Kombinasi Julian Days Data Tersedia Tanpa Perbaikan Data Tersedi a Dengan Perbaik an Tday Tnight 2008 Jan 001-01, 009-09, 017-17 017-17 0,0 79,0 Feb 057-26 Data Tidak Tersedia 0,0 0,0 Mar 081-21, 089-29 065-05, 081-21, 089-29 0,0 89,5 Apr 097-06, 113-22, 121-30 121-30 0,0 41,5 Mei Tanpa Perbaikan 129-08, 145-24 24,2 99,2 Jun Tanpa Perbaikan 169-17, 177-26 22,6 99,2 Jul Tanpa Perbaikan 185-03, 201-19 33,5 98,0 Agu st Tanpa Perbaikan 217-04, 225-12 8,9 73,0 Sept 257-13, 265-21 257-13, 265-21 2,4 99,6 Okt 285-15 297-23 0,0 80,2 Nov 329-24 329-24 0,0 78,2 Des 353-18 353-18 0,0 4,8 2009 Jan 017-17 017-17 0,0 100,0 Feb 057-26 033-02 0,0 0,4 Mar Tanpa Perbaikan 065-06, 073-14, 089-30 0,0 91,9 Apr 105-15, 113-23 105-15 0,0 72,6 Mei 121-01, 137-17, 145-25 145-25 0,0 98,8 Jun Tanpa Perbaikan 169-18, 177-26 18,5 99,6 Jul Tanpa Perbaikan Tanpa Perbaikan 99,2 99,2 Agu st Tanpa Perbaikan Tanpa Perbaikan 81,0 81,0 Sept Tanpa Perbaikan Tanpa Perbaikan 95,2 95,2 Okt 281-08, 289-17 289-17, 297-24 0,4 70,2 Nov 305-01 305-01 0,0 67,7 Des 345-11, 353-19 353-19 0,0 98,0 Tah un Bul an Kombinasi Julian Days Data Tersedia Tanpa Perbaikan Data Tersedi a Dengan Perbaik an Day Night 2010 Jan 001-01, 017-7 009-09 0,0 4,8 Feb 033-02, 049-18, 057-26 057-26 0,0 4,0 Mar Tanpa Perbaikan 089-30 0,0 36,3 Apr 097-07, 113-23 113-23 5,2 81,9 Mei 121-01, 137-17, 145-25 137-17 0,0 65,7 Jun 161-10, 169-18 169-18 0,0 75,4 Jul Tanpa Perbaikan 201-20, 209-28 27,8 85,9 Agu st 225-13, 233-21, 241-29 233-21, 241-29 12,5 83,5 Sept 249-06, 273-30 265-22 0,0 13,3 Okt 281-08, 289-16 281-08 0,0 96,4 Nov 305-01 Data Tidak Tersedia 0,0 0,0 Des 353-19 Data Tidak Tersedia 0,0 0,0 2011 Jan 017-17 Data Tidak Tersedia 0,0 0,0 Feb 041-10, 049-18 057-26 0,0 19,4 Mar 073-14, 089-30 Data Tidak Tersedia 0,0 0,0 Apr 105-15, 113-23 105-15 0,0 5,6 Mei Tanpa Perbaikan 129-09, 137-17 57,7 95,2 Jun Tanpa Perbaikan 153-02, 161-10, 169-18 0,0 97,6 Jul Tanpa Perbaikan Tanpa Perbaikan 91,9 91,9 Agu st Tanpa Perbaikan Tanpa Perbaikan 83,5 83,5 Sept Tanpa Perbaikan Tanpa Perbaikan 84,7 84,7 Okt Tanpa Perbaikan 281-08 0,0 41,5 Nov 313-09 313-09 0,0 47,6 Julian days-TanggalXXX-XX Distribusi Evapotranspirasi Potensial ETo Tahun 2008-2011 di DAS Cimadur, Banten 2008 2009 2010 2011 Keterangan : Eto dalam satuan mmhari. 52 Distribusi Evapotranspirasi Potensial ETo Tahun 2008-2011 di DAS Cimadur, Banten 2008 2009 2010 2011 Keterangan : Eto dalam satuan mmhari. Distribusi Evapotranspirasi Potensial ETo Tahun 2008-2011 di DAS Cimadur, Banten 2008 2009 2010 2011 Keterangan : Eto dalam satuan mmhari. Gambar 5.5.1.a Perbaikan Distribusi Spasial dan Temporal Evapotranspirasi Potensial di DAS Cimadur, Banten. 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 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 R 2 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 R 2 pada hasil analisis regresi tersebut mencapai angka 0,901 sehingga dapat disimpulkan bahwa metode perbaikan yang telah dilakukan untuk pengisian ‘missing data’, layak dilakukan R 2 mendekati 1. 57 KESIMPULAN 1. Kajian mengenai pengembangan perhitungan evapotranspirasi dengan metode empirik dalam penelitian ini Blaney-Criddle, memberikan rentang nilai evapotranspirasi ETm 4,45-5,65 mmhari 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 R 2 sebesar 0,362. Sedangkan LST night, memiliki hubungan yang cukup kuat dengan T stasiun pada ketinggian 120 cm. Namun demikian, nilai R 2 tertinggi diperoleh pada hubungan antara LST night dengan T stasiun pada ketinggian 100 cm, dengan nilai R 2 sebesar 0,567. Perbedaan tersebut disebabkan oleh fluktuasi cuacaiklim, 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.