Saran - KESIMPULAN DAN SARAN - Model penduga biomassa tegakan hutan rawa gambut menggunakan cit

IV. KESIMPULAN DAN SARAN

4.2 Saran

1. Pembuatan model penduga biomassa tegakan pada hutan rawa gambut berdasarkan peubah penaksiran secara visual pada citra SPOT Pankromatik masih belum sempurna sehingga perlu diperbaiki dalam penelitian berikutnya.

2. Penggunaan algoritma khusus untuk membatasi tajuk individu pohon pada citra satelit resolusi tinggi diduga dapat meningkatkan ketelitian model pendugaan biomassa sehingga kajian seperti ini perlu dilakukan.

3. Dalam rangka pengembangan keilmuan dan kemudahan dalam aplikasinya perlu dikaji kembali model penduga berdasarkan klasifikasi hutan rawa gambut dan jenis citra satelit yang resolusi spasialnya lebih tinggi.

Aunuddin. 2005. Statistika: Rancangan dan Analisis Data. Bogor: IPB Press.

Basuki TM, van Laake PE, Skidmore AK, Hussin YA. 2009. Allometric equations for estimating the abovegraound biomass in tropical lowland Dipterorcarp forests. Forest Ecology and Management

257:1684-1694

Brown S. 2002. Measuring carbon in forests: current status and future challenges. Environmental Pollution 116:363-372.

Draper NR, Smith H. 1998. Applied Regression Analysis. New York: John Wiley & Sons.

Everitt BS, Hothorn T. 2006. A Handbook of Statistical Analyses Using R. London: CRC Press.

[FAO] Food and Agricultural Organization. 2004. Global forest resources assessment update 2005: Terms and definition. http://www.fao.org/docrep/007/ae156e/ae156e00.htm [15 April 2011]

Fenshem RJ, Fairfax RJ, Holman JE, Whitehead PJ. 2002. Quantitative assessment of vegetation structural attributes from aerial photography.

International Journal of Remote Sensing 23(11):2293-2317

Foody GM, Boyd DS, Cutler MEJ. 2003. Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions. Remote Sensing of Environment 85(4):463-474

Furnival GM. 1961. An index for comparing equations used in constructing volume tables. Forest Science 7:337-341.

[IPCC] Intergovernmental Panel on Climate Change. 2001. Climate Change 2001: Working Group 1: The Scientific Basis. New York: Cambridge University Press.

Jaya INS. 2009. Quick Forest Resources Inventory Techniques Using Remotely Sensed Data: A Multistage and Multiphase Approaches. Di dalam: Samsuri, Lastini T, Purnama ES, editor. Review of The Existing Methods and Design for Ramin Inventory in Peat Swamp Forest. Bogor, 12 Mei 2009. Bogor: ITTO-CITES Project. hlm 75-98.

Jaya INS. 2010. Script Avenue untuk Inventarisasi Hutan Menyeluruh Berkala (IHMB).

[KLH] Kementerian Negara Lingkungan Hidup Republik Indonesia. 2010.

Profil Ekosistem Gambut di Indonesia. Jakarta: Kementerian Negara Lingkungan Hidup.

Lillesand TM, Kiefer RW. 2006. Remote Sensing and Image Interpretation. New York: John Wiley & sons.

Losi CJ, Siccama TG, Condit R, Morales JE. 2003. Analysis of alternative methods for estimating carbon stock in young tropical plantations.

Forest Ecology and Management 184(1-3):355-368.

Lu D. 2006. The potential and challenge of remote sensing-based biomass estimation. International Journal of Remote Sensing 27:1297-1328.

Murdiyarso D, Rosalina U, Hairiah K, Muslihat L, Suryadiputra INN, Jaya A. 2004. Petunjuk Lapangan: Pendugaan Cadangan Karbon pada Lahan Gambut. Bogor: Proyek Climate Change, Forest and Peatlands in Indonesia. Wetlands International-Indonesia Program dan Wildlife Habitat Canada.

Nelson BW, Mesquita R, Pereira JLG, de Souza SGA, Batista GT, Couto LB. 1999. Allometric regressions for improved estimate of secondary forest biomass in the central Amazon. Forest Ecology and Management 117:149-167

Nelson RF, Kimes DS, Salas WA, Routhier M. 2000. Secondary forest age and tropical forest biomass estimation using Thematic Mapper imagery.

BioScience 50(5):419-431.

Parresol BR. 1999. Assessing tree and stand biomass: a review eith examples and critical comparisons. Forest Science 45(4):573-593

Pastor J, Aber JD, Melillo JM. 1984. Biomass prediction using generalized allometric regressions for some Northeast tree speciess. Forest Ecology and Management 7:265-274

[PKKI] Peraturan Konstruksi Kayu Indonesia. 1961. Peraturan Konstruksi Kayu Indonesia:NI-5 PKKI 1961. Bandung: Departemen Pekerjaan Umum dan Tenaga Listrik.

Rawlings JO, Pantula SG, Dickey DA. 1998. Applied Regression Analysis: A Research Tool. Second Edition. New York: Springer.

Rosenqvist A, Milne A, Lucas R, Imhoff M, Dobson C. 2003. A review of remote sensing technology in support of the Kyoto Protocol.

Soewarsono PH. 1990. Berat Jenis dari Jenis-jenis Kayu Indonesia dan Pengertian Beratnya Kayu untuk Keperluan Praktek. Bogor: Pusat Penelitian dan Pengembangan Hasil Hutan.

Steininger MK. 2000. Satellite estimation of tropical secondary forest aboveground biomass data from Brazil and Bolivia. International Journal of Remote Sensing 21:1139-1157.

Sulistiyanto Y, Rieley JO, Limin SH. 2005. Laju dekomposisi dan pelepasan hara dari serasah pada dua sub-tipe hutan rawa gambut di Kalimantan Tengah. Jurnal Manajemen Hutan Tropika 11(2):1-14.

Tiryana T, Tatsuhara S, Shiraishi N. 2011. Empirical models for estimating the stand biomass of teak plantations in Java, Indonesia. Journal of Forest Planning 16:177-188.

Trotter CM, Dymond JR, Goulding CJ. 1997. Estimation of timber volume in a coniferous plantation forest using Landsat TM. International Journal of Remote Sensing 18:2209-2223.

Wiant HV, Harner EJ. 1979. Percent bias and standard error in logarithmic regression. Forest Science 25:223-230.

Wijaya A, Marpu PR, Gloaguen R. 2010. Discrimination of peatlands in tropical swamp forests using dual-polarimetric SAR and Landsat ETM data.

International Journal of Image and Data Fusion 1(3):257-270

Wu Y, Strahler AH. 1994. Remote estimation of crown size, stand density, and biomass on the Oregon transect. Ecological Applications 4(2):299-312.

Zheng D, Rademacher J, Chen J, Crow T, Bresee M, Le Moine J, Ryu S. 2004. Estimating aboveground biomass using Landsat 7 ETM+ data across a managed landscape in northern Winconsin, USA. Remote Sensing of Environment 93:402-411

Lampiran 1. Jenis dan berat jenis (, g cm^-3) pohon-pohon yang ditemukan pada plot contoh pengukuran di lapangan

Jenis pohon Nama ilmiah  Sumber acuan

Berumbung Adina minutiflora 0,85 Soewarsono (1990) Bintangur Calophyllum spp 0,78 Soewarsono (1990) Durian hutan Durio spp 0,64 Soewarsono (1990) Gerunggang Cratoxylum spp 0,47 Soewarsono (1990) Jambu-jambu Eugenia spp 0,54 Soewarsono (1990) Kedondong hutan Spondias spp 0,65 Soewarsono (1990) Kenari Canarium spp 0,55 Soewarsono (1990) Keranji Dialium spp 0,93 Soewarsono (1990) Mahang Macaranga spp 0,42 Soewarsono (1990) Medang Litsea spp 0,61 Soewarsono (1990) Membacang Mangifera spp 0,62 Soewarsono (1990) Mempisang Alphonsea javanica 0,63 Soewarsono (1990) Mendarahan Myristica spp 0,55 Soewarsono (1990) Meranti merah Shorea spp 0,55 Soewarsono (1990) Mersawa Anisoptera spp 0,66 Soewarsono (1990) Nyatoh Palaquium spp 0,67 Soewarsono (1990) Petai hutan Parkia spp 0,55 Soewarsono (1990) Pulai Alstonia spp 0,46 Soewarsono (1990) Punak Tetramerista spp 0,76 Soewarsono (1990) Rambutan hutan Nephelium lappacelum 0,65 Soewarsono (1990) Ramin Gonystylus bancanus 0,63 PKKI NI-5 (1961)

Resak Vatica spp 0,70 Soewarsono (1990)

Sepat Berrya cordofolia 0,65 Soewarsono (1990) Simpur Dillenia spp 0,60 Soewarsono (1990)

Surian Toona spp 0,41 Soewarsono (1990)

Tepis Polyalthia glauca 0,41 Soewarsono (1990) Terap Artocarpus spp 0,44 Soewarsono (1990) Terentang Campnosperma spp 0,40 Soewarsono (1990)

Lampiran 2. Contoh program paket nlme pada program R dalam pendugaan biomassa tegakan pada model linier, pangkat, dan eksponensial menggunakan peubah kerapatan tajuk

# Pemanggilan library & data library(nlme)

library(lattice) library(lmtest) library(car) attach(drt.230)

# Model linier penduga biomassa berdasarkan kerapatan tajuk menggunakan metode GLS

mod.bc.gls <- gls(btonha ~ clapp, data=drt.230, weights=varPower(form=~clapp))

summary(mod.bc.gls)

# Penghitungan RMSE model

RMSE.mod.bc.gls <- sqrt(sum((residuals(mod.bc.gls))^2)/ (length(btonha)-(length(coef(mod.bc.gls))))) RMSE.mod.bc.gls

# Penghitungan koefiesien determinasi model

SST.mod.bc.gls <- ((length(btonha))-1)*(var(btonha)) SSR.mod.bc.gls <- sum((residuals(mod.bc.gls))^2) R2.mod.bc.gls <- (1-(SSR.mod.bc.gls/SST.mod.bc.gls)) R2.mod.bc.gls R2adj.mod.bc.gls <- 1-(((1-R2.mod.bc.gls)*(length(btonha)-1))/(length(btonha)-(length(coef(mod.bc.gls))))) R2adj.mod.bc.gls

# Penggambaran pola pencaran sisaan untuk pengujian heteroskedastisitas

plot(mod.bc.gls, col="black")

# Model pangkat penduga biomassa berdasarkan kerapatan tajuk menggunakan metode GNLS

mod.bc2.gnls <- gnls(btonha ~ a*(clapp^b), data=drt.230, start=list(a=0.1, b=0.1), weights=varPower(form=~clapp)) summary(mod.bc2.gnls)

# Penghitungan RMSE model RMSE.mod.bc2.gnls

<- sqrt(sum((residuals(mod.bc2.gnls))^2)/(length(btonha)-(length(coef(mod.bc2.gnls)))))

RMSE.mod.bc2.gnls

# Penghitungan koefiesien determinasi model

SST.mod.bc2.gnls <- ((length(btonha))-1)*(var(btonha)) SSR.mod.bc2.gnls <- sum((residuals(mod.bc2.gnls))^2) R2.mod.bc2.gnls <- (1-(SSR.mod.bc2.gnls/SST.mod.bc2.gnls)) R2.mod.bc2.gnls R2adj.mod.bc2.gnls <- 1-(((1-R2.mod.bc2.gnls)*(length(btonha)-1))/(length(btonha)-(length(coef(mod.bc2.gnls))))) R2adj.mod.bc2.gnls

# Penggambaran pola pencaran sisaan untuk pengujian heteroskedastisitas

plot(mod.bc2.gnls, col="black")

# Model eksponensial penduga biomassa berdasarkan kerapatan tajuk menggunakan metode GNLS

mod.bc3.gnls <- gnls(btonha ~ a*exp(b*clapp), data=drt.230, start=list(a=0.1, b=0.1), weights=varPower(form=~clapp)) summary(mod.bc3.gnls)

# Penghitungan RMSE model RMSE.mod.bc3.gnls

<- sqrt(sum((residuals(mod.bc3.gnls))^2)/(length(btonha)-(length(coef(mod.bc3.gnls)))))

RMSE.mod.bc3.gnls

# Penghitungan koefiesien determinasi model

SST.mod.bc3.gnls <- ((length(btonha))-1)*(var(btonha)) SSR.mod.bc3.gnls <- sum((residuals(mod.bc3.gnls))^2) R2.mod.bc3.gnls <- (1-(SSR.mod.bc3.gnls/SST.mod.bc3.gnls)) R2.mod.bc3.gnls R2adj.mod.bc3.gnls <- 1-(((1-R2.mod.bc3.gnls)*(length(btonha)-1))/(length(btonha)-(length(coef(mod.bc3.gnls))))) R2adj.mod.bc3.gnls

# Penggambaran pola pencaran sisaan untuk pengujian heteroskedastisitas

ABSTRACT

PRIYANTO. Estimation Model of Peat Swamp Forest Stand Biomass Using SPOT Panchromatic Imagery. Under direction of I NENGAH SURATI JAYA and BUDI KUNCAHYO

This study developed a biomass estimation models based on high resolution satellite imagery in peat swamp forest located PT Diamond Raya Timber area in Riau. Stand biomass and data was derived from ground sample plots data. Linear, power, and exponential model forms were examined using crown density and crown diameter as independent variable to estimate biomass. To get the best model, all models were verified using separated sample plot data. The models were developed using ordinary least square (OLS), generalized linear least square (GLS), and generalized nonlinear least square (GNLS).

The study results show that the power model provide better estimate than both the linier model and the exponential model using crown density variable, i.e.

B = 4.594Clap^0.608 having R²_adj= 40.54%, SA <1, SR = 11.83%, and 2

< 42.56. Correlation analysis between field measurement and satellite measurement show that there are not discrepancies between the measurement in the field and satellite sample plot.

Keywords: biomass estimation model, peat swamp forest, crown density, crown diameter

RINGKASAN

PRIYANTO. Model Penduga Biomassa Tegakan Hutan Rawa Gambut Menggunakan Citra SPOT Pankromatik. Dibimbing oleh I NENGAH SURATI JAYA dan BUDI KUNCAHYO

Kemampuan hutan dan ekosistem didalamnya sebagai penyimpan karbon dalam bentuk biomassa di atas tanah dan di bawah tanah mempunyai peranan penting untuk menjaga keseimbangan kapasistas gas rumah kaca di atmosfer. Informasi ini diperlukan dalam kegiatan pengelolaan hutan secara menyeluruh dan secara strategis untuk terlibat dalam perdagangan karbon dunia sebagai implikasi dari diberlakukannya Protokol Kyoto. Metode-metode pendugaan kandungan biomassa dari pohon maupun tegakan telah dikembangkan oleh para peneliti terdahulu (Brown 2002; Lu 2006; Basuki et al. 2009) dan akan terus berkembang untuk mendapatkan metode yang mempunyai keakuratan tinggi.

Metode pendugaan biomassa yang sudah ada, disusun dengan pendekatan hubungan matematik antara peubah biomassa dengan peubah pohon atau tegakan dalam bentuk persamaan regresi. Metode destruktif digunakan untuk mengukur secara langsung besarnya biomassa pohon dan akumulasi nilai biomassa pohon dalam suatu tegakan menjadi dugaan biomassa tegakan hutan. Selain itu, dikembangkan juga metode nondestruktif menggunakan persamaan alometrik biomassa pohon. Persamaan ini dibangun dengan menghubungkan biomassa pohon dengan peubah yang diukur pada pohon seperti diameter dan tinggi pohon. Pada tahap berikutnya, dikembangkan juga model-model penduga biomassa tegakan berdasarkan dimensi tegakan yang diukur di lapangan. Model-model penduga tersebut masih perlu diuji tingkat keakuratannya agar memberikan informasi dugaan yang tidak berbias.

Seiring dengan perkembangan teknologi penginderaan jauh dan sistem informasi geografis, pendekatan spasial dalam pendugaan biomassa tegakan hutan semakin terbuka lebar dan menjadi penting. Ketersediaan model penduga biomassa tegakan melalui data citra satelit memberikan kemudahan dalam pendugaan biomassa tegakan hutan pada cakupan yang lebih luas dibandingkan dengan model terestris.

Berkaitan dengan hal tersebut di atas, perlu dilakukan kajian model penduga biomassa tegakan menggunakan peubah yang dapat diukur pada citra satelit. Model penduga biomassa ini dapat diterapkan bersama-sama dengan metode penarikan contoh yang umum digunakan dalam pendugaan potensi tegakan. Informasi kandungan biomassa dalam tegakan hutan merupakan salah satu komponen penting dalam penentuan stok karbon yang tersimpan dalam hutan.

Penyusunan model penduga biomassa tegakan hutan rawa gambut berdasarkan plot contoh yang dibuat di lapangan dan pada citra SPOT Pankromatik berbentuk bujur sangkar (20  20 m²). Penempatan plot contoh secara sistematik pada lokasi penelitian yang tercakup oleh citra SPOT Pankromatik bertujuan mendapatkan plot contoh tersebar dan dapat mewakili lokasi penelitian. Jumlah dan posisi plot contoh yang dibuat di lapangan sama dengan plot contoh yang dibuat pada citra SPOT Pankromatik tersebut.

Penaksiran citra SPOT Pankromatik dilakukan secara visual dengan membatasi (deliniasi) tepi batas tajuk pohon setiap plot contoh untuk mendapatkan kerapatan tajuk dan diameter tajuk menggunakan programArc View

3.3. Kerapatan tajuk merupakan rasio antara luas tajuk dengan luas plot contoh dan diameter tajuk dihitung sebagai rata-rata diameter tajuk. Pengukuran lapangan dilakukan pada plot-plot contoh bersesuian dengan citra SPOT Pankromatik dan penentuan lokasinya menggunakan bantuan titik awal pengukuran. Pengukuran dimensi pohon dan tegakan meliputi: diameter pohon setinggi dada, tinggi total dan bebas cabang pohon, jari-jari tajuk pohon, nama jenis, koordinat pohon, dan jumlah pohon dalam plot contoh.

Hasil pengolahan data plot contoh lapangan berupa biomassa tegakan di atas permukaan tanah per plot, kerapatan tajuk per plot, dan diameter tajuk per plot digunakan dalam penyusunan model regresi. Biomassa tegakan dalam penelitian ini dibatasi pada biomassa di atas tanah (aboveground biomass). Penyusunan model regresi tersebut menggunakan 3 macam bentuk persamaan: linier, pangkat, dan eksponensial. Penggunaan model-model ini merupakan upaya eksploratif model karena belum tersedianya informasi model terbaik untuk kasus yang sama. Pendugaan parameter masing-masing model menggunakan metode ordinary least square (OLS), generalized linear least square (GLS) dan generalized nonlinier least square (GNLS). Penggunaan metode GLS dan GLNS ini bertujuan menghilangkan pengaruh heteroskedastisitas sisaan dalam model yang diperoleh menggunakan OLS. Penentuan ragam sisaan dalam metode GLS/GNLS menggunakan pembobot peubah bebas yang digunakan. Penentuan parameter masing-masing model menggunakan paket nlme dari program R versi 2.11.1.

Pemilihan model regresi terbaik menggunakan kriteria koefisien determinasi terkoreksi (R²adj) tertinggi, nilai simpangan baku (s) terkecil, dan Akaike’s Information Criterion (AIC) terkecil. Pengujian model terpilih bertujuan mendapatkan model penduga biomassa tegakan terandalkan menggunakan kriteria statistik simpangan agregat (SA), simpangan rata-rata (SR), nilai root mean squared error (RMSE), dan nilai khi kuadrat (2

). Model dikatakan valid jika hasil verifikasi menunjukkan bahwa nilai SA berada pada selang -1 dan 1, SR <10%, RMSE kecil, dan 2

hitung ≤ 2

tabel pada tingkat nyata dan derajat bebas tertentu.

Banyaknya plot contoh yang diperoleh cukup besar dan cukup memenuhi syarat kebutuhan ukuran data dalam penyusunan model penduga pada umumnya. Sebanyak 260 plot contoh yang diperoleh di lapangan dan citra dikelompokkan menjadi 2 kelompok data, yaitu data penyusunan model (230 plot) dan data pengujian model (30 plot). Analisis korelasi peubah-peubah pengukuran di lapangan (biomassa tegakan, kerapatan tajuk, diameter tajuk) yang digunakan dalam model menunjukkan adanya hubungan antarpeubah dengan angka signifikansi (p-value) lebih kecil dari 0,01. Demikian pula, korelasi antara peubah kerapatan tajuk dan diameter tajuk hasil pengukuran lapangan dengan hasil penaksiran citra yang mempunyai angka signifikansi berturut-turut lebih kecil dari 0,05 dan 0,01 menunjukkan adanya konsistensi hasil pengukuran lapangan dengan penaksiran citra satelit.

Penyusunan model penduga biomassa tegakan berdasarkan kerapatan tajuk menghasilkan model regresi dengan nilai koefisien determinasi berkisar antara 38-40% pada model linier, pangkat, dan eksponensial. Hasil tersebut tidak jauh

berbeda antara metode OLS dan GLS/GNLS. Namun, adanya heteroskedastisitas pada model menggunakan metode OLS maka model menggunakan metode GLS/GNLS dipertimbangkan dalam pemilihan model selanjutnya. Heteroskedastisitas pada metode OLS ditunjukkan oleh pola pencaran hasil dugaan model dengan sisaan model yang tidak acak atau membentuk pola tertentu. Nilai koefisien determinasi sebesar 38-40% pada model yang diperoleh menunjukkan bahwa keragaman data biomassa tegakan di lapangan dapat dijelaskan oleh keragaman data kerapatan tajuk sekitar 38-40% dan sisanya dijelaskan oleh peubah lain yang tidak digunakan dalam model.

Penyusunan model penduga biomassa tegakan berdasarkan diameter tajuk menggunakan metode OLS dan GLS/GNLS menghasilkan model regresi dengan nilai koefisien determinasi berkisar antara 13-16% pada model linier, pangkat, dan eksponensial. Seperti halnya pada peubah kerapatan tajuk, peubah diameter tajuk juga menunjukkan adanya heteroskedastisitas pada model regresi menggunakan metode OLS sehingga metode GLS/GNLS dipertimbangkan dalam pemilihan model selanjutnya. Nilai koefisien determinasi sebesar 13-16% pada model yang diperoleh menunjukkan bahwa keragaman data biomassa tegakan di lapangan hanya 13-16% saja dapat dijelaskan oleh keragaman data diameter tajuk dan sisanya dijelaskan oleh peubah lain yang tidak digunakan dalam model.

Penyusunan model penduga biomassa tegakan berdasarkan kerapatan tajuk dan diameter tajuk sekaligus menunjukkan peningkatan nilai koefisien determinasi sekitar 1%. Dugaan adanya kolinieritas akibat penggunaan dua peubah dalam model regresi tidak terbukti yang ditunjukkan oleh nilai variance inflation factor(VIF) antara 1,7-1,9 pada model regresi yang diperoleh. Besarnya nilai VIF ini masih jauh lebih kecil dari angka 10, yaitu batas indikasi adanya kolinieritas.

Pemilihan model terbaik dari keseluruhan model menggunakan sistem pemeringkatan berdasarkan kriteria nilai-nilai statistik R²_adj, s, dan AIC

menghasilkan persamaan model pangkat terpilih sebagai penduga biomassa tegakan hutan rawa gambut berdasarkan kerapatan tajuk: B = 4,594Clap^0,608

dengan nilai R²_adj = 40,54%. Pengujian model pada persamaan terpilih menggunakan kriteria nilai SA, SR, RMSE, dan 2

hitungmenunjukkan bahwa hanya nilai SA dan RMSE yang memenuhi standar dan 2

hitung < 2

tabel (42,56), sedangkan nilai SR > 10% yaitu 11,83%. Namun demikian, persamaan model terpilih ini masih dapat digunakan dalam penyusunan model penduga biomassa tegakan pada hutan rawa gambut karena sebagian besar kriteria pengujian model terpenuhi.

Model pangkat dalam penduga biomassa tegakan pada hutan rawa gambut dapat dibuat berdasarkan peubah kerapatan tajuk dari citra SPOT Pankromatik. Pembuatan model penduga biomassa tegakan pada hutan rawa gambut berdasarkan peubah citra satelit ini memberikan terobosan yang berarti, mengingat masih sedikitnya penelitian yang sejenis. Dalam rangka pengembangan keilmuan dan kemudahan dalam aplikasinya perlu dikaji kembali model penduga berdasarkan klasifikasi hutan rawa gambut dan jenis citra satelit yang resolusi spasialnya lebih tinggi.

Kata kunci: model penduga biomassa, hutan rawa gambut, kerapatan tajuk, diameter tajuk

MODEL PENDUGA BIOMASSA

TEGAKAN HUTAN RAWA GAMBUT

MENGGUNAKAN CITRA SPOT PANKROMATIK

PRIYANTO

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

BOGOR

2011

1.1 Latar Belakang

Berkaitan dengan hal tersebut di atas, perlu dilakukan kajian model penduga biomassa tegakan menggunakan peubah yang dapat diukur pada citra satelit.

Model penduga biomassa ini dapat diterapkan bersama-sama dengan metode penarikan contoh yang umum digunakan dalam pendugaan potensi tegakan. Informasi kandungan biomassa dalam tegakan hutan merupakan salah satu komponen penting dalam penentuan stok karbon yang tersimpan dalam hutan.

1.2 Perumusan Masalah

Pemanfaatan sumber daya alam dan bahan bakar fosil dalam era industri saat ini, selain meningkatkan tingkat kesejahteraan manusia, ternyata memberikan dampak negatif. Peningkatan suhu bumi sebagai dampak dari meningkatnya konsentrasi gas rumah kaca di atmosfer menyebabkan perubahan iklim secara global.

Upaya pengurangan konsentrasi gas rumah kaca di atmosfer ini menjadikan hutan sebagai salah satu solusi. Kemampuan hutan dalam menyerap dan menyimpan karbon dalam bentuk biomassa mendorong upaya penyelamatan hutan yang masih tersisa dan mempercepat pembangunan kembali hutan-hutan yang telah hilang atau terdegradasi.

Sebagai salah satu ekosistem yang unik, secara global lahan gambut mampu menyimpan sekitar 329-525 Gt (giga ton) karbon setara dengan 15-35% dari total karbon terestris. Komposisi besaran karbon tersebut terbagi atas karbon di lahan gambut di daerah temperate (86%) dan sisanya terdapat di daerah tropis (14%) (Murdiyarso et al. 2004).

Hutan rawa gambut mempunyai kemampuan menyerap karbon paling efektif dibandingkan dengan ekosistem hutan lainnya, yaitu kandungan karbon yang tersimpan dalam ekosistem ini mencapai dua kalinya dibandingkan dengan ekosistem daratan lainnya dan hampir sama dengan kandungan karbon yang ada di atmosfer. Selain itu, hutan rawa gambut juga unik karena simpanan airnya yang juga cukup dominan.

Di dunia, hutan rawa gambut yang ada hanya sekitar 3% saja dari total luas

Dalam dokumen Model penduga biomassa tegakan hutan rawa gambut menggunakan citra spot pankromatik (Halaman 56-105)