Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kebakaran hutan dan lahan merupakan bencana alam yang terjadi berulang hampir setiap tahun di Indonesia, dan mengakibatkan kerugian ekonomi yang besar maupun bagi lingkungan. Penggunaan data satelit penginderaan jauh dalam menurunkan informasi fire hotspot dapat digunakan untuk melakukan pemantauan kebakaran lahan gambut (peat) dan tanah mineral (non-peat) di Indonesia. Sistem pemantauan harian sangat diperlukan untuk membantu pemangku kepentingan di lapangan dalam mengambil tindakan mitigasi bencana. Tujuan penelitian ini adalah membangun sebuah model filtering dan clustering untuk deteksi dini kebakaran hutan dan lahan di Indonesia dengan data sensor Visible Infrared Imaging Radiometer Suite (VIIRS) dari satelit Suomi NPP dan NOAA-20 menggunakan metode Euclidean distance. Model filtering dan clustering digunakan untuk menyederhanakan jumlah fire hotspot yang sangat bermanfaat bagi kepentingan di lapangan ketika terjadi kebakaran hutan dan lahan. Model filtering dilakukan dengan cara membangun peta hotspot per tahun dengan kejadian pengulangan melebihi suatu ambang batas, dan peta tersebut akan digunakan sebagai filter dari data fire hotspot yang dihasilkan. Model clustering dilakukan dengan menggunakan menghitung jarak Euclidean antar titik fire hotspot yang dihasilkan, jika jaraknya memenuhi 1,5 kali ukuran piksel maka titik fire hotspot tersebut akan dikelompokkan menjadi satu cluster. Nilai akurasi dievaluasi berdasarkan estimasi luas kebakaran, peta burned area, dan peta lahan gambut dari setiap kejadian kebakaran yang dilaporkan petugas lapangan. Hasil pengolahan dan analisis menunjukkan bahwa akurasi efektif pada data VIIRS yaitu pada jarak 1,5 km atau empat kali ukuran pikselnya dari pusat kebakaran. Akurasi deteksi secara umum untuk cluster hotspot (cluster-HS) dan titik hotspot (titik-HS) masing-masing sebesar 52% dan 53%. Untuk wilayah yang luasnya lebih dari 14 ha, akurasinya menjadi sangat baik yaitu sampai dengan sebesar 83%. Analisis dengan pemilahan lahan gambut dan tanah mineral menunjukkan cluster-HS berkinerja lebih baik di lahan gambut dengan akurasi sebesar 62% dibandingkan di lahan tanah mineral sebesar 57%. Tanpa mengurangi ketepatan pengamatan titik api, penelitian ini menunjukkan bahwa model dapat diandalkan untuk membantu pemangku kepentingan di lapangan dalam mengambil tindakan. Oleh karena itu, model ini dapat diimplementasikan ke dalam pemantauan hotspot harian di Indonesia.

---

In Indonesia, forest and land fires are frequent natural catastrophes that do significant damage to the environment and economy. The use of remote sensing satellite data to derive fire hotspot information can be used to monitor peat and non-peat land fires in Indonesia. A daily monitoring system is very necessary to assist stakeholders in the field in taking disaster mitigation actions. The aim of this research is to build a filtering and clustering model for early detection of forest and land fires in Indonesia using Visible Infrared Imaging Radiometer Suite (VIIRS) sensor data from the Suomi NPP and NOAA-20 satellites using the Euclidean distance method. The filtering and clustering model is used to simplify the number of fire hotspots which is very useful for interests in the field when forest and land fires occur. The filtering model is carried out by building a persistent hotspot map per year with repeated events exceeding a threshold, and this map will be used as a filter for the resulting fire hotspot data. The clustering model is carried out by calculating the Euclidean distance between the resulting fire hotspot points. If the distance is 1.5 times the pixel size, the fire hotspot points will be grouped into one cluster. Accuracy values ​​are evaluated based on estimates of fire area, burned area maps, and peatland maps for each fire incident reported by field officers. The results of processing and analysis show that the effective accuracy of VIIRS data is at a distance of 1.5 km or four times the pixel size from the center of the fire. The general detection accuracy for hotspot clusters (cluster-HS) and hotspot points (point-HS) is 52% and 53%, respectively. For areas larger than 14 ha, the accuracy is very good, namely up to 83%. Analysis by separating peat and non-peat land shows that the HS-cluster performs better on peat land with an accuracy of 62% compared to 57% on non-peat land. Without reducing the accuracy of hotspot observations, this research shows that the model can be relied on to assist stakeholders in the field in taking action. Therefore, this model can be implemented into daily hotspot monitoring in Indonesia."

"Tanaman adalah makhluk hidup yang dapat menyerap karbon pada suatu daerah melalui proses fotosintesis, sehingga keberadaannya diperlukan untuk menyerap emisi karbon. Mengestimasi nilai biomassa merupakan indikator penting karena memberikan prasyarat dasar mengenai estimasi kepadatan dan penyimpanan karbon dalam wilayah tersebut. Ketidak seimbangan antara emisi karbon dengan stok karbon akan terjadi apabila kegiatan manusia yang menghasilkan emisi karbon lebih tinggi dibandingkan dengan stok karbon pada daerah tersebut. Faktor yang memengaruhi tingkat emisi karbon pada daerah tersebut adalah tingkat kepadatan populasi, persentase wilayah urban, dan kepadatan jalan. Nilai karbon didapatkan dari model dengan perhitungan model menggunakan regresi linear. Sementara untuk mengetahui nilai biomassa diperlukan data diameter setinggi dada pada jenis jenis pohon perkotaan. Citra satelit untuk kemudian diolah menjadi data NDVI serta citra yang digunakan adalah Sentinel 2-A. Nilai Estimasi stok karbon dapat dilakukan dengan menggunakan perhitungan persamaan allometrik yang dapat menentukan nilai biomassa permukaan, setelah mendapatkan nilai biomassa permukaan dilakukan persamaan regresi terhadap nilai NDVI. Perhitungan antara nilai emisi karbon dengan nilai stok karbon kemudian dihitung selisihnya untuk mendapatkan wilayah yang kelebihan penyimpanan karbon atau kekurangan penyimpanan karbon. Hasil dari penelitian ini adalah komposisi antara karbon yang mampu disimpan oleh tanaman pada wilayah Kecamatan Kuta, Kuta Utara dan Kuta Selatan dengan emisi karbon yang terdapat di Kecamatan Kuta, Kuta Utara dan Kuta Selatan.

---

The Plant is an living creatures that can absorbs carbons on open air with their capability to photosynthesis, therefore its existence are surely needed to absorbs carbon emissions. Estimating biomass was one of the important indicator because it is an basic requirements about estimating the density of carbons storage on that region. The imbalance between carbon emissions and carbon stocks will happen if the human activity that produce carbon emissions were higher than carbon stocks on that region. Driving factors that interfere the size of carbon emissions on some regions are populations density, road density, and urban percentages. Carbons value were collected by model with calculations using linear regressions. In the other hand to determine biomass value required diameter breast height on tree species on the city. Satellite imagery is also required to produce NDVI data, satellite imagery that were used on this study was Sentinel 2-A. Estimations value of carbon stocks can be obtained by using allometric equation which can determine aboveground biomass, after obtaining the aboveground biomass the next step is making linear regressions against NDVI value. Calculations between carbon emissions value and carbon stocks value were calculated the difference for obtaining which region that had more carbon stocks and which region that hasn’t. the result of this study were composisions between carbons that can be absorbs by the plant in Kuta,North Kuta, and South Kuta District with the carbon emissions that happened on Kuta, North Kuta and South Kuta District."

"The Indonesian spatiotemporal cloud cover distribution was quantified with the aid of GMS, Landsat and SPOT data. Iterative interactive factorial analyses grouped pixels with similar profiles into 18 classes for all land areas. For each class, statistics of Landsat and SPOT images, grouped by class, were used to verify, calibrate and improve class profiles. This led to quantified temporal profiles of probability of acquiring remotely sensed data with 10, 20, and 30 percent cloud cover, for any Indonesian land area."