TEKNOLOGI SATELIT OBSERVASI BUMI OPTIK AMAZONIA-1
MAKALAH TUGAS BESAR SISTEM
KOMUNIKASI SATELIT
TEKNOLOGI SATELIT OBSERVASI
BUMI OPTIK AMAZONIA-1
DISUSUN OLEH :
JAMALUDIN NUR INDRAMUKTI
(19101084)
DOSEN PENGAMPU :
Imam Muhammadi Pradono Budi,
S.T., M.T
FAKULTAS TEKNIK TELEKOMUNIKASI
DAN ELEKTRO (FTTE)
INSTITUT TEKNOLOGI TELKOM PURWOKERTO
JL. D.I. PANJAITAN 128
PURWOKERTO
BAB 1
PENDAHULUAN
1.1 LATAR BELAKANG
Satelit Amazonia 1 merupakan satelit
observasi Bumi yang dikembangkan oleh Organisasi Riset dan Ruang Angkasa
Nasional (INPE) Brasil. Diluncurkan pada 28 Februari 2021 menggunakan roket
PSLV-C51 oleh ISRO, satelit ini adalah satelit pertama yang sepenuhnya
dirancang, dikembangkan, dan dioperasikan oleh Brasil. Nama
"Amazonia" merujuk pada Hutan Amazon yang terkenal di Brasil dan
Amerika Selatan. Dengan sensor optik yang canggih, satelit Amazonia 1 memiliki
tujuan utama untuk memantau deforestasi dan perubahan lahan di wilayah Amazon,
serta menyediakan data penting bagi ilmu pengetahuan, perlindungan hutan, dan aplikasi
lainnya. Dengan berat sekitar 640 kilogram, satelit ini mengorbit pada
ketinggian sekitar 752 kilometer dan sudut inklinasi sebesar 98,4 derajat di
atas permukaan Bumi dan dilengkapi dengan mode onboard dan komunikasi data
real-time. Peluncuran Amazonia 1 menunjukkan kemampuan teknologi antariksa
Brasil dan komitmen mereka dalam pemantauan lingkungan serta kontribusi dalam
pengembangan industri antariksa global.
1.2 RUMUAN MASALAH
BAB 2
TINJAUAN TEORI
2.1 DEFINISI SATELIT
Secara umum, satelit merujuk pada objek
yang mengorbit di ruang angkasa, baik itu objek buatan manusia maupun alami.
Satelit buatan manusia diluncurkan menggunakan roket dan memiliki berbagai
tujuan, seperti komunikasi, pengamatan Bumi, dan navigasi. Mereka memainkan
peran penting dalam mentransmisikan sinyal suara, data, dan gambar di seluruh
dunia, serta mengumpulkan informasi tentang atmosfer, permukaan bumi, dan
perubahan iklim. Sistem navigasi satelit seperti GPS memungkinkan penentuan
posisi dan navigasi dengan presisi tinggi. Selain itu, satelit juga digunakan
dalam riset ilmiah, pengamatan astronomi, penyiaran televisi, dan keperluan
militer. Satelit bekerja dengan mengorbit objek pusat menggunakan gaya
gravitasi dan kecepatan yang tepat, sementara stasiun darat berkomunikasi
dengan mereka melalui pengiriman dan penerimaan sinyal. Aturan internasional
mengatur penggunaan dan peluncuran satelit untuk menjaga keberlanjutan dan
keamanan operasi. Secara keseluruhan, satelit telah menjadi elemen penting
dalam kehidupan modern, terlibat dalam berbagai industri dan sektor kehidupan
manusia di seluruh dunia.
2.2 DESKRIPSI SATELIT AMAZONIA-1
Satelit Amazonia-1 merupakan
satelit observasi Bumi yang dilengkapi dengan sistem optik samping lebar
disertai kamera dengan tiga band dalam spektrum penglihatan dan satu band dekat
inframerah. Satelit tersebut berguna untuk mengobservasi dalam jangkauan 850 km
dengan resolusi 60 meter, serta memiliki massa sekitar 700 kg dan didesain
untuk beroperasi selama empat tahun, dikutip dari Nasa Spaceflight.
2.3 SEJARAH SATELIT AMAZONIA-1
Pengembangan satelit di Brasil
dimulai dengan peluncuran SCD-1 (Satélite de Coleta de Dados-1) pada tahun
1993, yang merupakan satelit pengumpul data. Setelah itu, Brasil meluncurkan
SCD-2 dan SCD-3 dengan fungsi serupa. Kemudian, Brasil menjalin kemitraan
dengan China untuk proyek satelit CBERS, yang dimulai pada tahun 1999. Proyek
ini membantu meningkatkan kemampuan antariksa Brasil dalam pemantauan
lingkungan. Puncaknya adalah peluncuran satelit Amazonia-1 pada tahun 2021,
satelit pertama yang sepenuhnya dirancang dan dioperasikan oleh Brasil. Satelit
ini memiliki tujuan utama untuk memantau deforestasi di wilayah Amazon dan
memberikan kontribusi Brasil dalam industri antariksa global.
2.4 MANFAAT HADIRNYA SATELIT AMAZONIA-1
Kehadiran satelit Amazonia-1 memberikan
sejumlah manfaat penting. Berikut adalah beberapa manfaat utama yang terkait
dengan satelit Amazonia-1:
Dengan manfaat-manfaat ini, satelit Amazonia-1 berperan penting dalam pemantauan lingkungan, konservasi hutan, pengelolaan sumber daya alam, dan peningkatan pemahaman tentang ekosistem Amazon.
BAB 3
KAJIAN DAN ANALISIS
3.1 PENGGUNAAN DAN PENGOPERASIAN SATELIT AMAZONIA-1
Kegunaan satelit ini untuk memonitor Hutan Hujan Amazon, area pesisir, sumber daya air, hutan alam maupun hutan buatan, bencana alam dan berbagai masalah terkait lingkungan. Komponen yang terdapat dalam satelit akan mengumpulkan gambar-gambar planet setiap lima hari. Selain itu satelit itu juga dapat menyediakan data sesuai permintaan dan terspesifikasi pada titik tertentu dalam waktu dua hari sekali, meskipun sudah diluncurkan satelit baru, namun pemerintah setempat membutuhkan sekitar 30 satelit yang sama dengan Amazonia-1 untuk memenuhi kebutuhan penginderaan jauhnya. Bahkan sejak Juni 2020, Kementerian Pertahanan Brasil sudah menggelontorkan dana sebesar 145 juta real untuk membeli citra satelit rahasia dalam memantau Hutan Amazon baik untuk kepentingan sipil dan militer.
Misi Amazon adalah akan menyediakan data penginderaan jauh (gambar) untuk mengamati dan memantau deforestasi, terutama di wilayah Amazon, serta diversifikasi pertanian di seluruh negeri dengan tingkat kunjungan kembali yang tinggi, bekerja bersinergi dengan program lingkungan yang ada. Komponen yang terdapat dalam satelit akan mengumpulkan gambar-gambar planet setiap lima hari. Selain itu satelit itu juga dapat menyediakan data sesuai permintaan dan terspesifikasi pada titik tertentu dalam waktu dua hari sekali. Datanya akan berguna untuk aplikasi terkait lainnya, seperti: pemantauan wilayah pesisir, reservoir air, hutan alam dan budidaya, bencana lingkungan, antara lain. Data akan tersedia untuk komunitas ilmiah dan lembaga pemerintah dan pengguna yang tertarik pada pemahaman yang lebih baik tentang lingkungan terestrial. Misi ini direncanakan memiliki tiga satelit penginderaan jauh: Amazonia 1, Amazonia 1B dan Amazonia-2, yang pertama berada di tahap akhir pengembangan. Selain tujuan akhir yang terkait dengan penyediaan data untuk memantau lingkungan, misi ini memiliki tujuan teknologi penting: validasi Platform Multi Misi PMM sebagai sistem, yang akan digunakan untuk pertama kalinya di satelit Amazonia 1. Akhirnya, Misi Amazonia akan mengkonsolidasikan pengetahuan Brasil dalam pengembangan penuh misi ruang angkasa menggunakan satelit stabil 3 sumbu, karena satelit penginderaan jauh sebelumnya dikembangkan dalam kerja sama internasional dengan negara lain. Kompetensi keseluruhan dalam rekayasa sistem dan manajemen proyek ini membawa negara ini ke tingkat ilmiah dan teknologi baru untuk misi luar angkasa. Dari peluncuran satelit Amazonia 1 dan validasi dalam penerbangan PMM, Brasil akan mendominasi siklus hidup pembuatan sistem ruang angkasa untuk satelit yang distabilkan dalam tiga sumbu.
3.2 TEKNOLOGI UTAMA SATELIT AMAZONIA-1
3.2.1 Advanced Wide Field Imager (AWFI)
AWFI (Advanced Wide Field Imager) pada satelit Amazonia 1 berfungsi sebagai sensor optik multispektral dengan bidang pandang yang luas. Fungsi utama AWFI adalah untuk melakukan penginderaan jauh dan pemetaan lingkungan. Dengan kemampuan pengambilan gambar resolusi tinggi dan analisis multispektral, AWFI memungkinkan pemantauan lingkungan yang efektif dan pemetaan yang komprehensif. Data yang dikumpulkan oleh AWFI digunakan untuk pemantauan perubahan lingkungan, pemetaan sumber daya alam, dan penelitian ilmiah. Selain itu, AWFI juga membantu dalam analisis lingkungan, seperti pemetaan komposisi lahan, kualitas air, dan vegetasi, serta pengidentifikasian masalah lingkungan. Dengan fungsi-fungsi tersebut, AWFI pada satelit Amazonia 1 berkontribusi dalam pemahaman yang lebih baik tentang Bumi dan mendukung pengambilan keputusan terkait lingkungan.
3.3 PENGGUNAAN DAN PENGOPERASIAN TEKNOLOGI AWFI
Tujuan utama misi Amazonia-1 adalah
menyediakan data gambar, meningkatkan kemampuan pemantauan deforestasi di
wilayah Amazon. Penggunaan instrumen baru bernama Advanced Wide Field Imager
(AWFI) dengan resolusi spasial 60 meter di atas kapal akan meningkatkan
kemampuan sistem. Kamera Wide Field Imager (WFI) saat ini memperoleh gambar
dalam dua pita spektral, sedangkan di AWFI gambar akan diperoleh dalam empat
pita.
Instrumen WFI beroperasi dalam tiga pita
gelombang tampak (0,45 - 0,50 µm, 0,52 - 0,57 µm, 0,63 - 0,69 µm), serta dalam
rentang inframerah dekat 0,76 - 0,90 µm. Ini memiliki resolusi spasial 60 m di
semua panjang gelombang dan lebar petak 740 km.
AWFI akan memperoleh gambar di wilayah
inframerah dekat, serta dalam spektrum tampak (merah, hijau, biru), dengan
resolusi spasial 60 m. Dengan lebar petak 850 km, ia akan dapat mengunjungi
kembali tempat yang sama setelah lima hari. Amazonia-1 mempertahankan orbit
sirkular sinkron matahari, dengan ketinggian 752 km dan kemiringan 98,4°.
Tabel 3.1 Parameter Instrumen AWFI
|
Jenis pembuat gambar |
Pengamatan mode pushbroom |
|
Central Wavelength |
0.485 µm 0.555 µm 0.660 µm 0.830 µm |
|
Pita spektral (µm) |
0,45-0,52 Biru 0,52-0,59 Hijau 0,63-0,69 Merah 0,77-0,89 NIR (Inframerah Dekat) |
|
Resolusi spasial |
60 m |
|
Lebar petak |
850 km |
|
Tinjau kembali kemampuan |
5 |
3.4 GAP ANALYSIS
Menurut Observing Systems Capability
Analysis and Review Tool (OSCAR) atau Space-based Capabilities (OSCAR/Space)
yang memiliki rincian misi satelit lingkungan, instrumen, dan informasi terkait
lainnya. OSCAR juga memberikan penilaian ahli tentang relevansi instrumen untuk
memenuhi beberapa kemampuan yang telah ditentukan WMO dan pengukuran variabel
fisik tertentu. Jadi makalah ini akan melakukan analisis terhadap intrumen yang
dimiliki oleh satelit Amazonia 1 yaitu AWFI melalui Gap Analysis atau analisis
kesenjangan menurut OSCAR.
Tabel 3.2 Data Gap Analisis menurut OSCAR
|
Variabel |
Tipe |
Timeline |
Relevansi |
|
Land Surface |
Biomass |
2021-2023 |
5 - Marginal |
|
Fraction of vegetated land |
2021-2023 |
2 -Very High |
|
|
Glacier Cover |
2021-2023 |
4 - Fair |
|
|
Land Cover |
2021-2023 |
2 - Very High |
|
|
Leaf Area Index (LAI) |
2021-2023 |
4 - Fair |
|
|
Normalised Difference Vegetation Index (NDVI) |
2021-2023 |
2 - Very High |
Berdasarkan data Gap analisis, dengan
variable permukaan tanah dan tipenya adalah Biomass, Instrumen AWFI memiliki
relevasi tingkat 5 atau Marginal dari tahun 2021-2023. Dimana Marginal artinya data
berada pada batas terendah atau sedikit di bawah standar yang diharapkan atau
diinginkan. Marginal menunjukkan bahwa data tersebut masih dapat diterima atau
digunakan, tetapi mungkin memiliki beberapa kekurangan atau tidak optimal.
Berdasarkan data Gap analisis, dengan
variable permukaan tanah dan tipenya adalah Fraction of vegetated land,
Intrumen AWFI memiliki relevansi tingkat 2 atau very high dari tahun 2021-2023.
Dimana Very High artinya menunjukkan bahwa data atau instrumen tersebut
memiliki tingkat keakuratan, integritas, dan keandalan yang sangat tinggi.
Berdasarkan data Gap analisis, dengan
variable permukaan tanah dan tipenya adalah Glacier Cover, instrumen AWFI
memiliki relevansi tingkat 4 atau fair dari tahun 2021-2023 Dimana Fair artinya
kualitas data berada pada tingkat yang dapat diterima atau cukup memenuhi
standar yang diharapkan. Fair menunjukkan bahwa data tersebut memiliki kualitas
yang cukup baik dan dapat digunakan untuk keperluan tertentu tanpa masalah yang
signifikan.
Berdasarkan data Gap analisis, dengan variable permukaan tanah dan tipenya adalah Land Cover, instrumen AWFI memiliki relevansi tingkat 2 atau very high dari tahun 2021-2023 yang menunjukkan bahwa data atau instrumen tersebut memiliki tingkat keakuratan, integritas, dan keandalan yang sangat tinggi.
Berdasarkan data Gap analisis, dengan variable permukaan tanah dan tipenya adalah Leaf Area Index (LAI), instrument AWFI memiliki relevansi tingkat 4 atau Fair dari tahun 2021-2023 yang menunjukkan bahwa data atau instrumen tersebut memiliki kualitas yang cukup baik dan dapat digunakan untuk keperluan tertentu tanpa masalah yang signifikan.
Berdasarkan data Gap analisis, dengan variable permukaan tanah dan tipenya adalah Normalised Difference Vegetation Index (NDVI), instrumen AWFI memiliki relevansi tingkat 2 atau very high dari tahun 2021-2023 yang menunjukkan bahwa data atau instrumen tersebut memiliki tingkat keakuratan, integritas, dan keandalan yang sangat tinggi.
Dari data Gap analisis oleh OSCAR didapat teknologi AWFI memliki 3 kategori relevansi yaitu Very High, Fair, dan Marginal pada variable observasi permukaan lahan.
3.5 EFFECTS
OF LAND-COVER CHANGES AND WATER FLUXES ANALYSIS
Kemudian ada juga analisis terhadap efek perubahan tutupan lahan pada partisi energi permukaan dan fluks air di Amazonia menggunakan citra satelit beresolusi tinggi melalui beberapa bahan dan metode. Pada penelitian ini menyatakan bahwa variabilitas spasial energi permukaan dan fluks air pada skala lokal sangat dikontrol oleh tanah dan kondisi mikrometeorologi. Dengan demikian, perkiraan yang akurat dari fluks dari ruang angkasa pada resolusi spasial tinggi memiliki potensi untuk meningkatkan prediksi dampak perubahan penggunaan lahan terhadap lingkungan lokal. Jadi dalam studi tersebut, data Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) dan Large-Scale Biosphere-Atmosphere Experiment in Amazonia (LBA) digunakan untuk memeriksa partisi energi permukaan dan fluks air pada berbagai jenis tutupan lahan dalam satu tahun basah.
3.5.1 STUDY AREA AND FLUX TOWER SITE
Daerah penelitian terletak di
sisi timur negara bagian Rondonia, Brasil, Amazonia barat daya (Gambar 3.1).
Wilayah studi meliputi 887,1 km2, dengan ketinggian antara 100 dan 150 m di
atas permukaan laut. Iklim dominan adalah khatulistiwa, hangat, dan lembab,
dengan curah hujan tahunan dan suhu udara bervariasi antara 1.400 hingga 2.400
mm dan 22°C hingga 27°C. Musim panas belahan bumi selatan (Desember hingga
Februari) adalah periode paling hujan di wilayah tersebut dengan total bulanan lebih
dari 200 mm. Selama musim kemarau (Juni hingga Agustus), biasanya terjadi
beberapa minggu tanpa hujan (von Randow et al., 2004).
Tanah di wilayah tersebut
terutama diklasifikasikan sebagai podsol merah-kuning bertekstur sedang (Alvalá
et al., 2002). Jenis vegetasi alami utama di daerah penelitian adalah hutan
tropis yang lebat. Namun, telah ditebang dan secara substansial terganggu dalam
beberapa dekade terakhir. Kami mencatat bahwa sebagian wilayah studi berada di
dalam Jaru Biological Reserve (JBR), yang dikelola oleh Badan Perlindungan
Lingkungan Brasil (IBAMA). Seperti dapat dilihat pada Gambar 3.1, JBR terletak
di sisi timur Sungai Ji-Parana.
Gambar 3.1 Peta yang menunjukkan wilayah studi dan lokasi menara fluks
yang digunakan dalam studi ini
Data menara fluks eddy yang
digunakan dalam penelitian ini (selanjutnya disebut menara fluks JBR) adalah
bagian dari proyek LBA dan terletak di dalam JBR di atas hutan tropis yang
tidak terganggu. Tajuk memiliki tinggi rata-rata 35 m, dengan beberapa pohon
yang lebih tinggi mencapai 45 m (Andreae et al., 2002). Menara fluks JBR
memiliki tinggi 64 m dan terletak 120 m di atas permukaan laut pada koordinat
geografis 10,19°S dan 61,87°B (de Oliveira & Moraes, 2013).
3.5.2 SURFACE
DATA
Data yang dikumpulkan di
menara fluks JBR untuk tahun 2004–2005 diperoleh dari Kantor Regional LBA
Rondonia (Ji‐Parana,
RO, Bra zil; http://lba2.inpa.gov.br/). Pengukuran menara fluks digunakan
sebagai input dan data validasi dalam model Surface Energy Balance Algorithm
for Land (SEBAL) (Bastiaanssen et al., 1998; Bastiaanssen, Menenti, Feddes,
& Holtslag, 1998). Kami menggunakan variabel berikut: PPT (mm), suhu udara
(Tair; °C), kecepatan angin (Ws;ms−1 masuk (K↓) dan keluar (K↑) radiasi
gelombang pendek (W m−2), Rn ( W m−2), H (W m−2),
dan fluks panas laten (LE;Wm−2) LE diubah menjadi ET (mm) dengan
membaginya dengan panas laten penguapan (λ = 2,45 × 106 J kg−1
).Albedo permukaan dihitung sebagai rasio dari radiasi gelombang pendek yang
keluar dengan radiasi gelombang pendek yang masuk. Data fluks LBA telah
diproses sesuai dengan protokol umum dan digabungkan menjadi langkah waktu
setengah jam (Restrepo- Coupe et al., 2013; von Randow et al., 2004). Kontrol
kualitas dalam data mengikuti metodologi yang diterapkan pada semua dataset LBA
dan dapat ditemukan di Gonçalves et al. (2013) dan Restrepo-Coupe et al.
(2013).). Kesenjangan dalam pengukuran diisi menggunakan metode sampling
distribusi marjinal seperti yang dijelaskan dalam Reichstein et al.(2005).Untuk
perbandingan dengan pengukuran layang satelit sesaat (~10:30 pagi waktu
setempat), kami menggunakan data menara fluks yang sesuai dengan 11 :00 pagi,
terdiri dari nilai rata-rata yang dibuat antara pukul 10:30 pagi. M. dan 11:00
waktu setempat di negara bagian Rondonia (GMT‐4).
3.5.3 ASTER
DATA
Data penginderaan jauh yang
digunakan dalam penelitian ini berasal dari sensor ASTER di atas satelit Terra
yang diluncurkan pada Desember 1999 (Yamaguchi, Kahle, Tsu, Kawakami, &
Pniel, 1998). Sensor ASTER memiliki orbit dekat-kutub yang sinkron dengan
matahari, dan interval kunjungan berulang siang hari adalah 16 hari di ekuator.
ASTER beroperasi di bagian spektrum elektromagnetik yang terlihat melalui TIR
(Abrams et al., 2015). Informasi lengkap mengenai karakteristik instrumen ASTER
dapat dilihat pada gambar tabel berikut.
Gambar
3.2 Tabel Karakteristik instrumen Radiometer
Emisi dan Refleksi Antariksa Tingkat Lanjut
Data ASTER diperoleh dari
Sistem Data dan Informasi Sistem Pengamatan Bumi NASA (Sioux Falls, SD;
https://earthdata.nasa.gov/). Kami menggunakan produk Versi 3 berikut: AST07XT dan AST08. AST07XT
memberikan pantulan permukaan untuk pita 1–9, dan AST08 memberikan suhu
permukaan tanah (LST). Kami menggunakan data yang diperoleh pada 16 Juni 2004,
dan 5 Juli 2005, masing-masing pada pukul 10:32:11 dan 10:31:44 waktu setempat.
Penting untuk dicatat di sini bahwa pemandangan yang digunakan dalam penelitian
ini adalah satu-satunya pemandangan yang bebas dari tutupan awan dan yang
membuat semua detektor ASTER bekerja dengan baik sepanjang rekaman lengkap
akuisisi data ASTER (~18 tahun) di area penelitian. Pita inframerah gelombang
pendek (SWIR) dan TIR secara spasial disampel ulang hingga 15 m menggunakan
metode lingkungan terdekat (Hais & Kucera, 2009; Lu & Weng, 2006;
Parker, Kenyon, & Troxel, 1983). Gambar inframerah dekat yang terlihat
digunakan untuk menggabungkan gambar SWIR dan TIR dengan mengidentifikasi
elemen serupa dalam gambar. Dua puluh titik kontrol digunakan, dan diperoleh
kesalahan kuadrat akar rata-rata sebesar 0,05. Kami memilih untuk meningkatkan
data TIR dan SWIR menjadi 15 m agar memiliki plot yang lebih homogen untuk
analisis perubahan tutupan lahan (Bagian 3.5.4), terutama untuk area pertanian
dan padang rumput.
3.5.4 LAND
COVER
Data tutupan lahan dari proyek
TerraClass (Belem, PA, Brazil;
http://www.inpe.br/cra/ingles/project_research/terraclass.php) digunakan untuk
menganalisis dinamika energi permukaan dan fluks air ekosistem yang berbeda di
daerah penelitian. Mulai tahun 2004, proyek TerraClass telah mengembangkan lima
peta tutupan lahan terperinci untuk Amazon Brasil (2004, 2008, 2010, 2012, dan
2014; Almeida et al., 2016). Peta TerraClass dibuat menggunakan citra Thematic
Mapper (TM)/Landsat 5 dengan resolusi spasial 30 m. Penilaian akurasi
klasifikasi didasarkan pada identifikasi kelas secara visual menggunakan citra
High-Resolution Geometric/SPOT-5 pada jarak 2,5 m, yang ditumpang tindih dan
dibandingkan dengan peta yang dihasilkan oleh TerraClass. Informasi lebih
lanjut tentang validasi dapat diperoleh di Almeida et al. (2016).
Untuk mendapatkan informasi
tutupan lahan untuk dua adegan ASTER (16 Juni 2004, dan 5 Juli 2005) kami
menggunakan peta TerraClass 2004 yang disampel ulang dengan resolusi 15 m agar
sesuai dengan data ASTER. Kami menempatkannya di atas pemandangan ASTER dan
secara visual mengklasifikasikan tujuh kelas (hutan tropis primer [PF], hutan
suksesi sekunder [SF], padang rumput [PA], pertanian [AG], penggunaan lain
[OU], dan badan air [WB] ). Peta perubahan tutupan lahan dihasilkan dari
perbedaan antara dua tanggal. Kemudian dimungkinkan untuk mendapatkan semua
areal yang dicakup oleh PF pada tanggal 16 Juni 2004, yang telah ditebang di
beberapa titik setelah tanggal ini dan mewakili PA, AG, atau SF pada tanggal 5
Juli 2005.
Untuk menilai variasi temporal
energi permukaan dan fluks air pada ekosistem terestrial utama di wilayah
studi, kami memilih 24 plot berukuran 12 piksel (15 m), dengan total 288
piksel, atau ~0,065 km2, untuk setiap kelas (PF, SF, PA, dan AG).
Untuk menguji efek perubahan tutupan lahan, kami memilih 16 petak 8 piksel (15
m) untuk konversi dari PF ke PA dan PF ke SF (total 128 piksel, atau ~0,029 km2)
dan enam petak 8 piksel (15 m) untuk versi con dari PF ke AG (total 48 piksel,
atau ~0.01 km2). Analisis uji-t sampel berpasangan digunakan untuk
membandingkan variasi antara variabel biofisik. Dalam analisis ini, nilai t
dihasilkan, dan signifikansi statistik untuk perbedaan antara dan di dalam
kelompok ditetapkan pada tingkat probabilitas 0,01.
3.5.5 ESTIMASI
ENERGI PERMUKAAN DAN FLUKS AIR
SEBAL (Bastiaanssen, Menenti,
et al., 1998) dikembangkan untuk memperkirakan energi yang tersedia dan fluks
energi di permukaan menggunakan data satelit harian dan pengukuran lapangan
minimal. Variabel input terkait dengan Tair dan Ws selama overpass satelit.
SEBAL telah ditingkatkan sejak konsepsinya, termasuk parametrisasi baru untuk
albedo (Liang, 2001) dan G (Bastiaanssen, 2000).
LE dihitung sebagai istilah
sisa dari persamaan neraca energi pada saat satelit overpass:
LE= Rn - G – H
di mana Rn adalah radiasi
bersih (W m−2), G adalah fluks panas tanah (W m−2), dan H
adalah fluks panas sensibel (W m−2)
Rn dihitung menggunakan
pantulan permukaan dan suhu permukaan dari satelit. Rn adalah hasil dari
anggaran energi antara radiasi gelombang pendek dan gelombang panjang di
permukaan yang digambarkan sebagai
Rn=(1 - αs)K↓ + L↓-L↑-(1 - εs) L↓
di mana K↓ adalah radiasi
gelombang pendek yang masuk (W m−2), yang dalam SEBAL diperkirakan
menggunakan radiasi ekstraterestrial yang diperkirakan dari parameter
astronomi. αs adalah albedo permukaan, dan L↓ adalah radiasi
gelombang panjang masuk (W m−2), yang diperkirakan menggunakan
persamaan Stefan–Boltzmann dan suhu udara dekat permukaan serta emisivitas
atmosfer. L↑ adalah radiasi gelombang panjang keluar (W m−2), yang
juga dihitung dengan persamaan Stefan–Boltzmann menggunakan suhu permukaan
penginderaan jauh dan emisivitas permukaan (εs).
G dimodelkan sebagai fungsi
dari Rn dan sifat permukaan yang diekspresikan oleh indeks perbedaan vegetasi
yang dinormalisasi (NDVI), LST, dan αs:
G=[LST/αs (0.0038αs+0.0074αs2)(1-0.98NDVI4)]Rn
H dihitung dengan persamaan resistensi
aerodinamis massal, yang menggunakan suhu aerodinamis dan resistensi
aerodinamis terhadap perpindahan panas (rah):
H=(pC_p dT)/
di mana ρ adalah kerapatan udara (kg m−3),
Cp adalah panas spesifik udara kering (1.004 J kg−1 K−1),
dT adalah perbedaan suhu udara (K) antara dua ketinggian (biasanya 0,1 dan 2 m)
, dan rah adalah resistansi aerodinamis (s m−1) terhadap perpindahan
panas dari permukaan tanah ke ketinggian pengukuran kecepatan angin.
Perbedaan suhu (dT) diperkirakan pada dua
piksel jangkar, dengan asumsi bahwa dT antara piksel tersebut adalah fungsi linier
yang dinyatakan oleh:
dT=b+aLST
di mana a dan b adalah konstanta yang
ditentukan secara empiris.
Penentuan a dan b melibatkan
pengidentifikasian piksel panas dan dingin, di mana diasumsikan bahwa energi
permukaan yang tersedia masing-masing dipartisi menjadi H dan LE. Pixel ini
biasanya dipilih masing-masing di atas tanah kosong dan badan air. Setelah
piksel jangkar panas dan dingin telah diidentifikasi, Persamaan (1)
diselesaikan untuk setiap piksel dalam proses iteratif yang dilakukan hingga
suku rah pada Persamaan (4) mencapai stabilitas.
Langkah terakhir SEBAL adalah menghitung
ET harian (ET24hr) dari fraksi penguapan (EF):
EF=LE/(Rn-G)
ET24hr=86,400 (Rn24hrEF)/λ
di mana Rn24hr adalah radiasi
bersih harian dan λ sesuai dengan panas laten penguapan air. Kami mencatat
bahwa dalam penelitian ini analisis difokuskan pada perkiraan sesaat untuk
albedo, Rn, G, H, EF (~10:30 pagi), dan perkiraan harian untuk ET.
SEBAL telah diterapkan dan divalidasi di
berbagai daerah (Bhattarai et al., 2012; Paiva, Franca, Liu, & Rotunno
Filho, 2011; Tang et al., 2013; Yang et al., 2015). Model ini peka terhadap
tutupan lahan, memungkinkan analisis di area pertanian, padang pasir, padang
rumput, dan hutan (Schuurmans, Van Geer, & Bierkens, 2011; Senay, Budde,
Verdin, & Melesse, 2007). Mengenai keakuratan perkiraan, studi menunjukkan
kesalahan relatif berkisar antara ~5% dan 17% (Bastiaanssen, Pelgrum, et al.,
1998; Bhattarai et al., 2012; Hemakumara, Chandrapala, & Moene, 2003;
Kimura, Bai, Fan, Takayama, & Hinokidani, 2007). Sumber utama
ketidakpastian dalam SEBAL terkait dengan penentuan H dan sensitivitas model
yang rendah terhadap kelembaban tanah dan cekaman air. Rincian lebih lanjut
tentang SEBAL dapat ditemukan di Bhattarai, Shaw, Quackenbush, Im, dan Niraula
(2016) dan Santos, da Silva, Silva, dan Neto (2017).
3.5.6 VALIDATION
Estimasi energi permukaan dan
fluks air yang diperoleh dari SEBAL dan data ASTER dibandingkan dengan
pengamatan menara fluks LBA. Nilai perkiraan diekstraksi dari jendela berukuran
67 x 67 piksel (~1 × 1 km2) yang berpusat di menara fluks JBR. Win
dow ini didefinisikan dengan mempertimbangkan pengambilan menara fluks JBR,
yang berada di urutan 1 km ke segala arah, seperti yang dijelaskan dalam von
Randow et al. (2004). Dua indeks, termasuk bias (Persamaan 8) dan kesalahan
relatif (RE; Persamaan 9), digunakan untuk menilai keakuratan perkiraan:
bias=Xmod - Xobs
RE=100|(Xmod - Xobs)/Xobs|
di mana Xobs adalah
pengamatan menara fluks dan Xmod adalah nilai yang dimodelkan.
Indeks ini biasanya digunakan untuk membandingkan pasangan variabel dan
memungkinkan mengevaluasi kesalahan data.
3.6 HASIL
DAN ANALISIS PERUBAHAN TUTUP LAHAN DAN FLUKS AIR
3.6.1
VALIDASI
PERKIRAAN SEBAL
Gambar
3.3 Rata-rata nilai observasi dan estimasi,
bias, RE (%), dan MRE untuk albedo, Rn, H, dan ET
Kesalahan rata-rata dalam Rn
dan ET sekitar 2% dan 15% dari pengukuran lapangan (gambar 3.3). Ada perkiraan
yang terlalu rendah dari −9 dan −11 W m−2 di Rn dan perkiraan lebih
dari 0,48 dan 0,46 mm hari−1 di ET untuk adegan masing-masing 16
Juni 2004, dan 5 Juli 2005. Studi menggunakan SEBAL telah dilakukan di wilayah
Amazon, seperti di Santos et al. (2011), de Oliveira dan Moraes (2013),
Ferreira, Sousa, Vitorino, De Souza, dan Souza (2013), dan de Oliveira et al.
(2016). Studi ini dilakukan di bagian barat daya dan timur Amazon menggunakan
data LBA dari lokasi yang berbeda. Data input diperoleh dari sensor MODIS dan
TM. Hasil sebelumnya menemukan kesalahan relatif ~1–16% untuk Rn dan ~25% untuk
ET.
Kesalahan rata-rata dalam
albedo dan H masing-masing berada di urutan 15% dan 10%. Albedo cenderung
dilebih-lebihkan, dengan bias bervariasi antara 0,016 dan 0,018, sedangkan H
cenderung diremehkan, dengan bias mulai dari −5 dan −10 W m−2.
Sebagai perbandingan, Santos et al. (2011) dan de Oliveira and Moraes (2013)
yang memperkirakan albedo dari citra TM/Landsat 5 dan MODIS/Terra di Amazonia
menemukan kesalahan bervariasi dari 0 hingga 39% dan 13% hingga 19%, secara
berurutan. Kesalahan yang diperoleh untuk H bervariasi dari 8% sampai 11% dan
dapat dibandingkan dengan penelitian lain (Ma et al., 2002; Timmermans, Kustas,
Anderson, & French, 2007). Ingatlah bahwa yang utama sumber ketidakpastian
dalam SEBAL terkait dengan estimasi variabel ini (Allen et al., 2011), yang
memerlukan penentuan piksel panas dan dingin. Menurut Bastiaanssen, Pelgrum,
dkk. (1998), model ini juga menyajikan sensitivitas yang rendah terhadap
kelembaban tanah dan cekaman air, yang terutama menyebabkan ketidakakuratan
estimasi ET baik secara instan maupun harian. G tidak divalidasi karena tidak
adanya pengukuran untuk periode penelitian. Kampanye intensif di situs JBR
telah menunjukkan bahwa G mewakili ~3% dari Rn (Alvalá et al., 2002). Dalam
penelitian kami, G berkorespondensi rata-rata dengan ~ 7% dari Rn secara instan
(~ 10:30 pagi).
3.6.2 LAND-COVER
PATTERNS
Gambar
3.4 Peta tutupan lahan wilayah studi untuk (a)
16 Juni 2004, dan (b) 5 Juli 2005. Panah menunjukkan pola tulang ikan
deforestasi di Amazon Brazil
Gambar
3.5 Kuantifikasi tipe tutupan lahan di wilayah
studi dan perbedaan absolut (km2) dan relatif (%) yang diamati dalam interval
antara 16 Juni 2004 dan 5 Juli 2005
Daerah penelitian didominasi
oleh hutan tropis primer (Gambar 3.4 dan Gambar 3.5). Karena penggundulan
hutan, adalah mungkin untuk mengamati tambalan luas dari tipe tutupan lahan
yang berbeda seperti hutan sekunder, padang rumput, dan lahan pertanian (terutama
kedelai dengan kopi dan kelapa sawit). Sekitar 77% wilayah studi ditutupi oleh
hutan (primer dan sekunder). Padang rumput dan area pertanian menempati ~21%
dari wilayah tersebut. Sisa dari wilayah studi diwakili oleh badan air, dengan
Sungai Ji-Parana sebagai yang paling representatif dalam hal luas total, dan
penggunaan lain seperti tanah kosong, singkapan berbatu, dan pertambangan.
Rondonia terletak di dalam
busur deforestasi, di mana terdapat tekanan yang lebih tinggi dari pemukiman
manusia (Almeida et al., 2016; Lambin, Geist, & Lepers, 2003), terutama di
sisi barat dan timur laut Ji-Parana Sungai di mana pola deforestasi fishbone
diamati (Brown, Jepson, & Price, 2004). Di sisi barat sungai, hutan hujan
telah dibabat secara progresif selama 35 tahun terakhir. Sebagian besar wilayah
sepanjang sisi timur Sungai Ji-Parana berada di dalam JBR. Meskipun kawasan ini
dilindungi oleh IBAMA, telah mengalami beberapa kegiatan tebang-dan-bakar skala
kecil, terutama di dekat perbatasan timur laut (panah hitam pada Gambar 2).
Namun, kawasan yang terganggu di dalam JBR dianggap kecil bila dibandingkan
dengan kawasan luas hutan asli (von Randow et al., 2004).
Padang rumput meningkat 15,5
km2 (~9%), sedangkan area pertanian menurun 5,9 km2
(~40%) antara 16 Juni 2004, dan 5 Juli 2005. Kami mencatat bahwa faktor ekonomi
dapat menjelaskan pola ini, karena umumnya lahan pertanian berotasi dengan
padang penggembalaan, terutama ketika harga gabah rendah (Alves, Morton,
Batistella, Roberts, & Souza, 2009; Mor ton et al., 2006). Untuk alasan
ini, beberapa penulis membagi lahan pertanian antara permanen dan sementara
saat mempelajari tutupan lahan di Ama zonia (Aguiar, Câmara, & Escada,
2007; Espindola, De Aguiar, Pebesma, Câmara, & Fonseca, 2012). Itu tidak
mungkin untuk mengadopsi pembagian ini dalam pemetaan kami karena terbatasnya
cakupan temporal dari penelitian ini. Selama periode 1 tahun ini, terjadi
pengurangan masing-masing 9,6 (~2%) dan 2,8 km2 (~4%) wilayah yang
ditutupi oleh hutan primer dan sekunder. Dari data perubahan tutupan lahan,
kami mengamati bahwa dari ~9,6 km2 yang ditebang di beberapa titik
setelah 16 Juni 2004, total ~8,9 km2 (93%) dikonversi menjadi padang
rumput (~4,2 km2), suksesi sekunder hutan (~3,6 km2),
atau pertanian (~1,1 km2). Sisanya, kira-kira 0,7 km2
(7%), diklasifikasikan pada tanggal 5 Juli 2005, sebagai penggunaan lain atau
air (kami mencatat bahwa kasus ini kemungkinan besar terkait dengan kawasan
hutan yang dipetakan pada kejadian tahun 2004 yang dibanjiri adegan tahun
2005).
3.6.3 VARIASI
SPATIO-TEMPORAL ENERGI PERMUKAAN DAN FLUKS AIR DI WILAYAH STUDI
Gambar
3.6 Distribusi spasial (a) albedo dan (b)
radiasi bersih (Rn) di wilayah studi pada tanggal 16 Juni 2004 dan 5 Juli 2005
Gambar
3.7 Distribusi spasial (c) fluks panas tanah
(G) dan (d) fluks panas sensibel (H) di wilayah studi pada tanggal 16 Juni 2004
dan 5 Juli 2005
Gambar 3.6, 3.7, 3.8
mengilustrasikan sebaran spasial albedo, Rn, G, H, ET, dan EF di wilayah studi
pada tanggal 16 Juni 2004 dan 5 Juli 2005. Nilai rata-rata antara kedua scene
hampir sama. Perilaku ini tidak mengherankan mengingat fakta bahwa pemandangan
diperoleh pada periode musim kemarau yang sama (Juni/Juli), yang menyiratkan
bahwa permukaan tanah mengalami kondisi lingkungan eksternal yang sebanding
(yaitu, sudut puncak matahari). Diamati bahwa rata-rata harian (07:00 sampai
17:00) albedo, G, H, ET, dan EF adalah ~2% (0,144–0,147), ~21% (42–51 W m−2
) , ~11% (70–78 W m−2 ), ~2% (3,47–3,59 mm hari−1 ), dan
~1% (0,82–0,83) lebih tinggi pada 5 Juli 2005, dibandingkan dengan 16 Juni 2004
Rn menunjukkan pengurangan kecil, dalam urutan ~1% (525–518 W m−2 ).
Perilaku ini dapat dipahami saat menganalisis data cuaca tambahan yang
diperoleh menara fluks JBR, seperti K↓, Tair, dan PPT (Gambar 3.7). Rata-rata
harian (07.00 hingga 17.00) K↓ dan Tair masing-masing ~11% dan ~25% lebih
tinggi pada 5 Juli 2005 (545 W m−2 dan 30°C) dibandingkan dengan 16
Juni 2004, (491 W m−2 dan 24°C). Perbedaan signifikan diamati dalam akumulasi
PPT selama 30 hari sebelum akuisisi adegan. Antara 17 Mei 2004 hingga 15 Juni
2004, dan 5 Juni 2005 hingga 4 Juli 2005, akumulasi PPT masing-masing sebesar
51,2 dan 4,6 mm. Pada tahun 2005, Lembah Amazon mengalami salah satu episode
kekeringan paling intens dalam 100 tahun terakhir (Marengo et al., 2008; Zeng
et al., 2008).
G dan H sebanding dengan K↓
dan Tair, dan studi lokal di Amazonia telah menunjukkan bahwa nilai albedo
tertinggi dan, akibatnya, nilai Rn terendah umumnya terjadi pada waktu yang
sama dengan kondisi kelembaban tanah terkering (Gash & Nobre, 1997; von
Randow et al., 2004). Dengan demikian, peningkatan G, H, dan albedo serta
penurunan Rn pada adegan tahun 2005 dapat diprediksi. Mengenai ET, nilai
rata-rata yang lebih tinggi akan diharapkan pada pemandangan tahun 2004
terutama mengingat ketersediaan uap air yang lebih besar di permukaan. Namun,
diamati bahwa ET lebih tinggi pada adegan tahun 2005. Penting untuk dicatat di
sini bahwa rata-rata untuk seluruh level adegan tidak signifikan secara
statistik.
Menganalisis Gambar 3.4 dan
Gambar 3.7, 3.8, serta 3.9 membantu untuk memahami variabilitas fluks permukaan
sesuai dengan tutupan lahan di wilayah tersebut. Adalah mungkin untuk
memverifikasi perbedaan albedo antara areal bekas tebangan dan areal berhutan,
dengan areal yang terakhir menunjukkan nilai yang lebih rendah. Karena lebih
gelap, hutan memiliki albedo yang lebih rendah sehingga menyerap lebih banyak
radiasi matahari daripada vegetasi pendek (Culf, Fisch, & Hodnett, 1995;
Priante-Filho et al., 2004). Nilai Rn tertinggi berada di bagian timur wilayah
studi, yang mengalami deforestasi lebih sedikit dibandingkan wilayah barat. Rn
di kawasan hutan lebih tinggi daripada di padang rumput atau daerah pertanian
karena perbedaan radiasi matahari yang diserap dan keseimbangan radiasi
gelombang panjang (Bastable, Shuttleworth, Dallarosa, Fisch, & Nobre, 1993;
Davidson et al., 2012). Daerah yang gundul memiliki jumlah panas sensibel
tertinggi. Penebangan hutan dewasa cenderung meningkatkan LST dan mengubah
emisivitas, mengakibatkan peningkatan radiasi gelombang panjang yang
masuk/keluar (Aguiar et al., 2011; Souza Filho, Ribeiro, Costa, Cohen, &
Rocha, 2006). ET dan EF di kawasan berhutan lebih tinggi dibandingkan di
kawasan tidak berhutan. Perbedaan ET dan EF antara area ini terkait dengan
variasi struktur dan fisiologi tanaman, yang pada gilirannya menyebabkan
perbedaan dalam penggunaan airnya (Yang et al., 2016; Zhang et al., 2014).
Nilai ET dan EF tertinggi terletak di bagian timur wilayah studi, yang terjadi
seperti yang diharapkan karena wilayah ini lebih terpelihara dalam hal
deforestasi.
3.6.4 FLUKS
ENERGI PERMUKAAN DAN AIR UNTUK TIPE TUTUPAN LAHAN YANG BERBEDA
Gambar
3.8 Distribusi spasial (e) evapotranspirasi
(ET) dan (f) evaporatif fraksi (EF) di wilayah studi pada tanggal 16 Juni 2004
dan 5 Juli 2005
Gambar
3.9 (a) Radiasi gelombang pendek yang masuk
(K↓;Wm−2 ), (b) suhu udara (Tair; °C), dan (c, d) curah hujan (PPT;
mm) yang diukur di menara fluks Jaru Biological Reserve (JBR) . K↓ dan Tair
diukur antara pukul 07.00 dan 17.00. waktu lokal. PPT diukur selama 30 hari
sebelum akuisisi adegan ASTER, antara 17 Mei 2004 hingga 15 Juni 2004, dan 5
Juni 2005, dan 4 Juli 2005
Gambar
3.10 Ilustrasi yang mencontohkan beberapa plot
yang digunakan untuk mengekstrak estimasi SEBAL untuk tipe tutupan lahan yang
berbeda di area studi. kotak putih menunjukkan jendela 12-piksel, dan koordinat
mewakili lokasi pusat untuk setiap kotak. Komposit warna semu (R3G2B1)
diperoleh melalui gambar ASTER dari 16 Juni 2004
Gambar
3.11 Magnitudo (a) albedo, (b) radiasi bersih
(Rn;Wm−2 ), (c) fluks panas tanah (G;Wm−2 ), (d) fluks
panas sensibel (H;Wm−2 ), (e ) evapotranspirasi (ET; mm hari−1
), dan (f) fraksi evaporasi (EF) untuk tipe tutupan lahan yang berbeda di
wilayah studi
Hasil tersebut menggambarkan
bahwa perubahan siklus energi dan air di wilayah studi merupakan fungsi tutupan
lahan (Khanna et al., 2017; Song, Huang, Saatchi, Hansen, & Townshend,
2015). Kini, analisis yang lebih komprehensif dapat dilakukan mengenai dinamika
albedo, Rn, G, H, ET, dan EF pada berbagai ekosistem di wilayah studi. Gambar 5
mengilustrasikan beberapa plot yang digunakan untuk mengekstrak perkiraan SEBAL
untuk masing-masing tipe tutupan lahan yang berbeda (PF, SF, PA, dan AG), dan
Gambar 3.9 menunjukkan besarnya fluks permukaan untuk 16 Juni, 2004, dan 5 Juli
2005. Ekosistem alam (PF dan SF) menyajikan Rn, ET, dan EF yang lebih tinggi
dan albedo, G, dan H yang lebih rendah daripada ekosistem antropik (PA dan AG).
Kecil fluktuasi nilai albedo (dari ~1% hingga 5%) diamati antara dua
pemandangan di ekosistem yang berbeda. Rata-rata albedo berkisar antara 0,135
(PF) hingga 0,20 (AG), menggambarkan perbedaan ~48%. SF menunjukkan albedo
rata-rata 0,158, sedangkan PA memiliki nilai 0,190. Hasil ini menunjukkan bahwa
PF dan SF rata-rata memiliki albedo ~19% lebih rendah daripada AG dan PA (p
< 0,01, nilai t = 26,66, n = 576). Studi yang dilakukan pada tanaman hutan,
padang rumput, dan kedelai di Amazonia telah menunjukkan nilai sekitar 0,134,
0,18, dan 0,20, yang sebanding dengan yang diperoleh di sini (Culf et al.,
1995; Shuttleworth, 1989; Souza, Rocha, Ribeiro, & Souza, 2010).
Semua tipe tutupan lahan
memiliki nilai Rn yang lebih tinggi pada 16 Juni 2004 dibandingkan pada 5 Juli
2005. Ini mengikuti pola yang diamati untuk seluruh wilayah studi, seperti yang
dibahas di Bagian 3.3. Rn terhadap AG bervariasi antara 478 W m−2
(16 Juni 2004) dan 468 W m−2 (5 Juli 2005; rata-rata = 473 W m−2
), sedangkan Rn terhadap PA bervariasi antara 487 W m−2 (16 Juni
2004) dan 480 W m−2 (5 Juli 2005; rata-rata = 483 W m−2
). Ini adalah perbedaan ~2% dalam Rn antara kedua ekosistem (p <.01, nilai t
= 12.92, n = 288). Wright dkk. (1992) dan Galvão dan Fisch (2000) mengamati
lokasi padang rumput di Amazonia dengan nilai sekitar 500 W m−2 pada
~10:30 pagi. Di kawasan hutan (SF dan PF), kami menemukan nilai berkisar antara
517 dan 543 W m−2 pada 16 Juni 2004, dan antara 513 dan 533 W m−2
pada 5 Juli 2005. SF memiliki nilai rata-rata 515 W m−2, sedangkan
PF memiliki nilai 538 W m−2. Dimungkinkan untuk mengamati bahwa Rn
di kawasan hutan ~10% lebih besar daripada di lahan pertanian dan padang rumput
(p < .01, nilai t = 23.69, n = 576). Analisis oleh von Randow et al. (2004)
dan Aguiar dkk. (2006) mengamati nilai 450 dan 530 W m−2 di atas
lokasi hutan di bagian barat daya Amazonia (~10:30 pagi). Hasil kami untuk G
menunjukkan bahwa AG memiliki rata-rata nilai tertinggi (96 W m−2),
diikuti oleh PA (92 W m−2), SF (57 W m−2), dan PF (32 Wm−2).
Perilaku serupa ditemukan untuk H (AG = 293 W m−2, PA = 247 W m−2,
SF = 113 W m−2, dan PF = 36 W m−2). G lebih besar pada
empat tipe tutupan lahan pada tahun 2005 jika dibandingkan dengan tahun 2004.
Peningkatan yang lebih tinggi diamati untuk AG (90 hingga 103 W m−2)
dan PA (86 hingga 98 W m−2; keduanya ~14%), sedangkan peningkatan
yang lebih rendah diamati untuk PF (31 hingga 34 W m−2; ~10%) dan SF
(55 hingga 58 W m−2; ~5%). H lebih besar dari AG dan PA dalam adegan
dari tahun 2005 dibandingkan dengan tahun 2004 (~1% dan ~2%), tetapi PF dan SF menurunkan
tarifnya (~10% dan 15%). Perilaku ini dapat dipahami saat menganalisis EF pada
ekosistem yang berbeda. EF atas PF dan SF adalah ~1% dan ~4% lebih besar pada
tahun 2005 dibandingkan tahun 2004 (masing-masing 0,92 hingga 0,93 dan 0,74
hingga 0,77). Untuk AG dan PA, EF menurun pada tahun 2005 dibandingkan tahun
2004 sebesar ~24% (0,25 hingga 0,19) dan 10% (0,34 hingga 0,39). Ingatlah bahwa
tahun 2005 adalah tahun kekeringan; oleh karena itu, permukaan tanah mengalami
kondisi yang lebih kering dibandingkan tahun 2004. Mekanisme interaksi antara
radiasi matahari dan fisiologi tajuk, yang bergantung baik oleh tanaman (yaitu
konduktansi stomata dan jaringan akar, yang mengeksploitasi air tanah) dan
kondisi lingkungan (yaitu, defisit Tair dan tekanan uap), kemungkinan besar
memiliki dampak yang lebih besar daripada ketersediaan air di ET atas hutan di
bagian Amazonia ini (Albert et al., 2018; Christoffersen et al., 2014; de
Oliveira et al. , 2017; Rocha et al., 2004). Oleh karena itu, kami berpendapat
bahwa kurangnya respon terhadap ketersediaan kelembaban terkait dengan kontrol
konduktansi stomata kanopi pada penggunaan air vegetasi dan akar yang lebih
dalam dari spesies pohon Amazon, yang memungkinkan akses ke air yang lebih
dalam (Malhi et al., 2002).; Saleska, Didan, Huete, & Rocha, 2007). Hasil
ini membuktikan bahwa keterbatasan air di bagian Amazonia ini cenderung lebih
mempengaruhi ekosistem antropik (AG dan PA) daripada yang alami (PF dan SF).
Hal ini terkait dengan struktur vegetatif, kapasitas fotosintesis, dan
mekanisme fisiologis yang berbeda di antara ekosistem tersebut.
EF lebih tinggi dari PF dan SF
pada 5 Juli 2005, dibandingkan dengan 16 Juni 2004, menyebabkan peningkatan ET
pada ekosistem ini sebesar ~7% (3,88 hingga 4,15 mm hari−1) dan ~1% (3,22
hingga 3,26 mm hari−1) dan ~1% (3,22 hingga 3,26 mm hari−1),
masing-masing. Sangat menarik untuk dicatat bahwa peningkatan ET ~6% lebih
tinggi di hutan primer daripada yang diamati di kawasan hutan sekunder.
Perilaku ini mungkin terkait dengan kondisi tanah-tanah-atmosfer tertentu pada
tanggal yang dianalisis serta kebutuhan fisiologis tanaman, tergantung pada
tahap perkembangannya. Penting untuk dicatat bahwa pada tahap awal hutan, laju
ET rendah, tetapi saat hutan mendekati dewasa, laju ET meningkat tajam
(Giambelluca, 2002; Hölscher, Sá, Bastos, Denich, & Fölster, 1997). Seperti
yang diharapkan, karena penurunan EF atas AG dan PA pada 5 Juli 2005,
dibandingkan dengan 16 Juni 2004, ekosistem ini menunjukkan penurunan laju ET
dalam urutan ~17% (0,92 hingga 0,76 mm hari−1) dan 3% (1,45 hingga
1,40 mm hari−1), masing-masing. Mempertimbangkan rata-rata antara
dua tanggal, diamati bahwa nilai ET antara empat ekosistem berkisar antara 0,84
mm hari−1 (AG) hingga 4,01 mm hari−1 (PF). PA dan SF
menunjukkan nilai antara masing-masing mendekati 1,43 dan 3,24 mm hari−1.
Sebagai perbandingan, studi lokal yang dikembangkan di berbagai bagian Amazonia
menunjukkan nilai ET selama musim kemarau bervariasi dari 3,4 hingga 4,0 mm
hari−1 untuk hutan (Rocha et al., 2004; von Randow et al., 2004) dan
dari 1,93 hingga 2,73 mm hari−1 untuk padang rumput/tanaman tahunan
(Galvão & Fisch, 2000; Wedler, Gomes, Aguiar, De Andrade, & Aguiar,
2013), yang sebanding dengan yang ditemukan di sini.
3.6.5 PENGARUH
PERUBAHAN TUTUPAN LAHAN
Gambar
3.12 Variasi absolut dalam albedo, Rn (W m−2),
G (W m−2), H (W m−2), ET (mm hari−1), dan EF
untuk setiap situasi perubahan tutupan lahan (PF ke PA, PF ke AG, dan PF ke SF)
Gambar
3.13 Variasi relatif (%) dalam albedo, radiasi
bersih (Rn), fluks panas tanah (G), fluks panas sensibel (H), evapotranspirasi
(ET), dan fraksi evaporatif (EF) untuk setiap situasi perubahan tutupan lahan
(tropis primer). hutan [PF] menjadi padang rumput [PA], hutan tropis primer
[PF] menjadi pertanian [AG] dan hutan tropis primer [PF] menjadi hutan suksesi
sekunder [SF])
Tiga situasi dipilih untuk
menganalisis efek perubahan tutupan lahan di Amazonia pada energi permukaan dan
fluks air: (a) PF ke PA, (b) PF ke AG, dan (c) PF ke SF. Tabel 4 dan Gambar 7
menyajikan nilai absolut dan relatif albedo, Rn, G, H, ET, dan EF untuk setiap
skenario perubahan tutupan lahan. Konversi primer hutan menjadi padang rumput,
pertanian, dan area suksesi sekunder menyebabkan peningkatan albedo, G, dan H
serta penurunan Rn, ET, dan EF. Peningkatan albedo terutama terkait dengan
fakta bahwa daun dari padang rumput, lahan pertanian, dan hutan sekunder
memantulkan lebih banyak dan menyerap lebih sedikit radiasi matahari daripada
daun di hutan primer. Peningkatan yang diamati pada G dan H kemungkinan besar
terkait dengan suhu permukaan dan udara yang lebih tinggi yang diamati di
daerah dengan tutupan vegetasi yang rendah. Penurunan Rn terkait dengan peningkatan
albedo dan LST, sedangkan penurunan ET dan EF terjadi karena kekasaran
aerodinamis permukaan yang lebih rendah, luas daun yang lebih rendah, dan
kedalaman perakaran padang rumput, lahan pertanian, dan hutan sekunder yang
lebih dangkal dibandingkan dengan hutan primer. Hasil kami sesuai dengan
beberapa penelitian yang dilakukan di wilayah Amazon yang melibatkan dampak
deforestasi pada pertukaran tanah-atmosfer berdasarkan percobaan
mikrometeorologi dan regional pemodelan sistem bumi (Costa & Foley, 1999;
Guimberteau et al., 2017; Henderson-Sellers et al., 1993; Khanna et al., 2017;
Moraes, Franchito, & Brahmananda Rao, 2004; Nobre, Sellers, & Shukla,
1991; Panday, Coe, Macedo, Lefebvre, & Castanho, 2015; Sampaio et al.,
2007).
Dalam Situasi 1 (PF ke PA) dan
2 (PF ke AG), dampak relatif terbesar teramati untuk H (53 hingga 178 W m−2
[~236%] dan 55 hingga 195 W m−2 [~255%] ), sedangkan yang terkecil
diamati untuk Rn (539 hingga 504 W m−2 [~6%] dan 535 hingga 495 W m−2
[~7%]). Sampaio et al. (2007) menemukan bahwa konversi dari hutan primer
menjadi padang rumput di Amazon menyebabkan peningkatan H dan Rn masing-masing
~43% dan 6%. Untuk konversi dari hutan primer menjadi lahan pertanian kedelai,
penulis menemukan peningkatan ~54% pada H dan ~7% pada Rn. Disini, dampak pada
H lebih tinggi, tetapi pengaruh pada Rn serupa dengan yang ditemukan dalam
penelitian Sampaio et al. Efek yang terkait dengan konversi dari PF ke PA pada
Rn sebanding dengan yang dijelaskan oleh Lean, Button, Nobre, dan Rowntree (1996),
yang menunjukkan penurunan ~9%. Di kawasan hutan primer sebelum konversi
menjadi PA dan AG, teramati bahwa G dan H mengkonsumsi masing-masing ~7% dan
~10% dari Rn. Setelah konversi ke PA, tercatat bahwa G dan H masing-masing
mengkonsumsi ~18% dan ~35% dari Rn. Mengikuti konversi ke AG, G dan H
masing-masing berhubungan dengan ~19% dan ~39%, dari Rn. Hasil ini menunjukkan
bahwa penggundulan hutan dan peralihan yang diakibatkannya ke padang rumput
atau kedelai meningkat kira-kira dua sampai empat kali total energi yang
digunakan untuk memanaskan tanah di bawah permukaan (G; 34 sampai 93 W m−2
; p < .01, nilai t = 32.29, n = 176) dan menaikkan Tair (H; 54 hingga 187 W
m−2 ; p < .01, nilai t = 56.15, n = 176), berturut-turut.
Nilai albedo meningkat ~20%
(0,136–0,163; p <.01, nilai t = 8,45, n = 128) dalam konversi dari PF ke PA
dan ~23% (0,141–173; p <.01, nilai t = 7.48, n = 48) dalam konversi dari PF
ke AG. Bastable et al. (1993) dan Costa, Yanagi, Souza, Ribeiro, dan Rocha
(2007) melaporkan peningkatan ~24% (0,131–0,163) dan ~62% (0,125–0,205) untuk
skenario deforestasi padang rumput dan kedelai. EF menurun sekitar 36% dan 43%
untuk Situasi 1 (p <.01, nilai t = 102.21, n = 128) dan 2 (p <.01, nilai
t = 219.72, n = 48), masing-masing. Nilai EF berubah dari 0,89–0,57 (PF ke PA)
dan 0,89–0,51 (PF ke AG). von Randow dkk. (2004) melaporkan nilai EF untuk
konversi dari hutan primer menjadi padang penggembalaan dari 0,74–0,56,
menunjukkan penurunan ~24%. Nilai EF terkait perubahan dari hutan primer
menjadi areal pertanian di Amazonia tidak ditemukan dalam literatur. Seperti
yang diharapkan, EF menurun dalam tingkat relatif yang sama dengan yang
ditemukan untuk ET. Diamati bahwa konversi dari PF ke PA mengurangi ET pada
~35% (~1,30 mm hari−1; p <.01, nilai t = 39,78, n = 128),
sedangkan konversi dari PF ke AG mengurangi ET pada ~ 42% (~1,54 mm hari−1
; p < ,01, nilai t = 42,09, n = 48). Sampaio et al. (2007) menyelidiki kasus
deforestasi di Amazonia melaporkan pengurangan ~26% (~1,0 mm hari−1)
untuk konversi menjadi padang rumput dan ~31% (~1,2 mm hari−1) untuk
konversi menjadi kedelai.
Situasi 3 mengilustrasikan
skenario umum di wilayah Amazon, yaitu pengembangan SF di area tebang habis,
padang rumput terbengkalai, dan ladang mekanis terbengkalai. Mempertimbangkan
interval waktu antara dua adegan (~1 tahun), kemungkinan besar area suksesi
sekunder yang dianalisis terkait dengan penelantaran segera setelah penebangan
habis hutan dewasa (yaitu, setelah penebangan, lahan tidak digunakan untuk
ternak atau pertanian ekstensif). Variasi relatif dalam albedo dan Rn sebanding
dengan yang diamati untuk skenario konversi dari PF ke PA dan PF ke AG. Efek
yang paling besar pada fluks permukaan terjadi pada G (29 hingga 64 W m−2
, atau peningkatan rata-rata ~119%; p <.01, nilai t = 13.95, n = 128) dan H
(47 hingga 95 W m−2 , atau peningkatan rata-rata ~103%; p <.01,
nilai t = 8.81, n = 128). Nilai G dan H yang diamati untuk Situasi 3 adalah
~17% dan ~43% lebih rendah daripada yang diamati untuk Situasi 1 dan ~56% dan
~60% lebih rendah daripada Situasi 2. Konversi PF ke SF menimbulkan pengurangan
pada EF dari ~13% (~0.91–0.79; p <.01, nilai t = 9.38, n = 128) dan pada ET
sebesar 12% (~3.92–3.43 mm hari−1; p <.01, nilai t = 8.36, n =
128). Sangat menarik untuk dicatat bahwa penurunan ET adalah ~0,49 mm hari−1,
yaitu ~62% dan 68% lebih rendah dari penurunan yang diamati pada ET untuk
Situasi 1 dan 2. Sampai saat ini, penelitian terbatas telah dilakukan untuk
memahami penggabungan antara hutan sekunder dan atmosfer di wilayah Amazon.
Kami menyoroti bahwa hasil yang diperoleh di sini sesuai dengan penelitian ini,
yang telah menunjukkan bahwa penguapan menyumbang ~80% Rn pada vegetasi
sekunder muda dibandingkan dengan 90% untuk penguapan hutan primer (Feldpausch,
Riha, Fernandes, & Wandelli, 2005 ; Giambelluca, 2002; Giambelluca et al.,
1997; Giambelluca, Nullet, Ziegler, & Tran, 2000; Hölscher et al., 1997;
Jipp, Nepstad, Cassel, & Carvalho, 1998). Aspek yang menarik adalah bahwa
beberapa studi ini melaporkan pemulihan ET dalam waktu 15 tahun untuk nilai
hutan primer. Pemulihan tingkat ET yang tinggi mungkin berimplikasi pada iklim
regional, karena ~25–56% curah hujan Amazon Basin berasal dari daur ulang air
yang menguap di dalam cekungan (Eltahir & Bras, 1996; Feldpausch et al.,
2005).
Dengan gabungan efek pada energi permukaan dan fluks air antara ekosistem hutan alami yang tidak terganggu (PF) dan area yang terganggu (PA, AG, dan SF) di wilayah tersebut dirangkum, hasil kami menunjukkan bahwa albedo, G, dan H cenderung meningkat. sebesar 23%, 157%, dan 19%, sedangkan Rn, ET, dan EF cenderung menurun masing-masing sebesar 7%, 30%, dan 31%.
BAB 4
PENUTUP
A. KESIMPULAN
1. Teknologi AWFI membantu
dalam analisis lingkungan, seperti pemetaan komposisi lahan, kualitas air, dan
vegetasi, serta pengidentifikasian masalah lingkungan.
2. Berdasarkan data Gap
analisis oleh OSCAR, teknologi AWFI dalam observasi bumi memiliki kategori relevansi
yaitu Very High, Fair, dan Marginal terhadap tipe variabelnya.
3. Rata-rata relevansi yang
didapat menandakan AWFI memiliki kualitas yang cukup
baik dan dapat digunakan untuk keperluan tertentu walau memiliki beberapa
kekurangan.
4. Dalam studi ini, citra ASTER dan observasi lapangan LBA digunakan untuk menguji partisi energi permukaan dan fluks air pada berbagai tipe tutupan lahan dalam satu tahun basah (2004) dan satu tahun kekeringan (2005) di wilayah terfragmentasi di busur deforestasi di Brasil. Pita SWIR (30 m) dan TIR (90 m) disampel ulang menjadi 15 m dari pita inframerah tampak dan dekat, pita inframerah dekat, menjadikan penelitian ini yang pertama untuk memeriksa interaksi tanah-atmosfer di Ama zonia dengan ketinggian seperti itu. resolusi spasial. Perbandingan antara perkiraan yang diperoleh SEBAL dan pengukuran yang dikumpulkan di menara fluks JBR menunjukkan kesalahan sebesar 2% untuk Rn sesaat dan 13% untuk ET harian. Variasi spasial albedo, Rn, G, H, ET, dan EF terutama terkait dengan rendahnya keberadaan hutan (primer atau sekunder) di sisi barat Sungai Ji‐Parana dibandingkan dengan sisi timur, yang berada di dalam kawasan lindung JBR. Tercatat bahwa peristiwa kekeringan dan, akibatnya, keterbatasan air di bagian Amazonia ini cenderung lebih mempengaruhi ekosistem yang dianggap antropik (AG dan PA) daripada yang dianggap alami (PF dan SF). Hal ini terkait dengan fakta bahwa karena akarnya yang dalam, spesies pohon Amazon memiliki kemampuan untuk menarik air dari lapisan tanah yang lebih dalam, sehingga mengakses air yang disimpan dari periode hujan sebelumnya.
5. Penelitian juga ditemukan adanya perbedaan yang signifikan secara statistik pada energi permukaan dan fluks air sebelum dan ~1 tahun setelah deforestasi. Diamati bahwa Rn di kawasan hutan (~527 W m−2) adalah ~10% lebih besar daripada di lahan pertanian dan penggembalaan (~478 W m−2). Selain itu, kami mengamati bahwa penggundulan hutan dan konsekuensi transisi ke padang rumput atau lahan pertanian meningkat dua sampai empat kali energi total yang digunakan untuk memanaskan tanah di bawah permukaan (G) dan menaikkan Tair (H). Perbedaan dalam pembagian energi ini berkontribusi pada sekitar tiga kali lebih tinggi ET untuk area yang ditanami (~408 W m−2, atau 3,63 mm hari−1) dibandingkan dengan area nonhutan (~114 W m−2 , atau 1,14 mm hari− 1). Faktor-faktor seperti variasi struktur dan fisiologi tanaman serta ketersediaan air menyebabkan perbedaan penyerapan/pantulan radiasi matahari dan kehilangan air. Konversi PF ke AG kemungkinan memiliki dampak yang lebih tinggi pada iklim lokal di bagian Amazonia ini jika dibandingkan dengan perubahan ke PA dan SF, karena konversi PF ke AG menyiratkan Rn dan ET yang lebih rendah serta G dan H yang lebih tinggi Lebih sedikit dampak yang terjadi pada fluks energi permukaan dan air dengan modifikasi SF. Mempertimbangkan fakta bahwa hutan sekunder yang dianalisis di sini hanya berumur ~1 tahun dan saat mendekati kedewasaan tingkat ET cenderung meningkat tajam, hasil ini menggambarkan pentingnya melestarikan kawasan hutan sekunder di Amazonia. Kami menyimpulkan bahwa metodologi kami berdasarkan penggunaan data satelit beresolusi tinggi adalah proposisi yang berguna untuk menganalisis energi permukaan lokal dan pertukaran air di Amazonia barat daya. Informasi yang diperoleh dapat digunakan sebagai masukan dalam model permukaan sistem bumi, yang memungkinkan untuk mengevaluasi dampak, baik skala regional maupun global, yang disebabkan oleh perubahan tutupan lahan.
B. SARAN
1. Data
yang didapat haya berasal dari satu referensi, untuk selanjutnya dapat diperoleh
dari berbagai referensi lain supaya lebih relevan dan akurat.
2. Dapat
mengetahui lebih lanjut tentang satelit Amazonia 1 dalam penggunaan
teknologinya.
3. Dapat mengkomparasikan antara satelit Amazonia-1B dan satelit Amazonia-2 yang akan datang. Alasannya adalah karena kedua satelit tersebut memiliki teknologi High Resolution Optical Imager dalam observasi bumi. Komparasi yang dapat dilakukan pembaca yaitu terkait manfaat, penggunaan dan pengoperasian teknologi, serta analisis kesenjangan.
DAFTAR PUSTAKA
|
|
|
Komentar
Posting Komentar