Pusat Pemanfaatan Penginderaan Jauh LAPAN PENGEMBANGAN MODEL PEMANFAATAN PENGINDERAAN JAUH UNTUK DETEKSI HOTSPOT (DENGAN DATA VIIRS)

(1)

2014

Pusat Pemanfaatan Penginderaan Jauh LAPAN

PENGEMBANGAN MODEL

PEMANFAATAN PENGINDERAAN JAUH

UNTUK DETEKSI HOTSPOT (DENGAN

DATA VIIRS)

(2)

PENGEMBANGAN

PENGEMBANGAN MODEL

MODEL

MODEL PEMANFAATAN

MODEL

PEMANFAATAN

PENGINDERAAN JAUH

PENGINDERAAN JAUH UNTUK

UNTUK

DETEKSI

DETEKSI HOTSPOT

HOTSPOT

((((DENGAN DATA VIIRS

DENGAN DATA VIIRS

DENGAN DATA VIIRS))))

PROGRAM PENGEMBANGAN TEKNOLOGI PENERBANGAN DAN ANTARIKSA

BIDANG LINGKUNGAN DAN MITIGASI BENCANA

PUSAT PEMANFAATAN PENGINDERAAN JAUH

LEMBAGA PENERBANGAN DAN ANTARIKSA NASIONAL

(LAPAN)

(3)

ii Pengembangan Pengembangan Pengembangan Pengembangan Model Model Model Model Pemanfaatan Pemanfaatan Pemanfaatan Pemanfaatan Penginderaan Jauh Penginderaan Jauh Penginderaan Jauh Penginderaan Jauh Untuk

Untuk Untuk

Untuk Deteksi Hotspot Deteksi Hotspot Deteksi Hotspot Deteksi Hotspot (Dengan Data VIIRS)(Dengan Data VIIRS)(Dengan Data VIIRS)(Dengan Data VIIRS)

PENGEMBANGAN MODEL PEMANFAATAN PENGINDERAAN JAUH

UNTUK DETEKSI HOTSPOT (DENGAN DATA VIIRS)

Disusun oleh:

PUSAT PEMANFAATAN PENGINDERAAN JAUH DEPUTI BIDANG PENGINDERAAN JAUH

LEMBAGA PENERBANGAN DAN ANTARIKSA NASIONAL (LAPAN)

Tim Penyusun:

Pengarah :

Dr. M. Rokhis Khomarudin, S.Si., M.Si. Kepala Pusat Pemanfaatan Penginderaan Jauh

Parwati, S.Si., M.Sc.

Kepala Bidang Lingkungan dan Mitigasi Bencana Pusat Pemanfaatan Penginderaan Jauh

Peneliti:

Yenni Vetrita, S. Hut., M.Sc. Dra. Any Zubaidah, M.Si., Nanik Suryo Haryani, M.Si., M. Priyatna, S.Si, M.T.I, Kusumaningayu Dyah S., ST

Editor, Penyunting, Desain, dan Layout:

Muhammad Priyatna, S.Si., MTI.

(4)

iii Pengembangan Pengembangan Pengembangan Model Pengembangan Model Model Model Pemanfaatan Pemanfaatan PPemanfaatan Pemanfaatan PPPenginderaan Jauh enginderaan Jauh enginderaan Jauh enginderaan Jauh Untuk

Untuk Untuk

KATA PENGANTAR

Assalamu’alaikum Wr. Wb. dan salam sejahtera bagi kita semua. Berkat Rahmat Allah S.W.T, maka laporan akhir tahun 2014 penelitian kami yang berjudul “Pengembangan Model Pemanfaatan Penginderaan Jauh untuk Deteksi Hotspot (Dengan Data VIIRS)“

dapat diselesaikan dengan baik.

Harapan dari berbagai hasil kegiatan terkait dengan penelitian dan kajian pemanfaatan penginderaan jauh untuk mendukung wahana memantau kondisi sumberdaya alam dan lingkungan dengan menggunakan data penginderaan jauh di wilayah Indonesia yang telah dan akan terus dilaksanakan di Satuan Kerja Pusat Pemanfaatan Penginderaan Jauh, LAPAN pada tahun berikutnya dapat terus terdokumentasi dengan baik dan dapat dimanfaatkan kepada semua kalangan/pengguna.

Kami mengharapkan banyak masukan dari para narasumber untuk perbaikan laporan penelitian ini, sehingga tujuan dan sasaran penelitian dapat tercapai sesuai dengan tugas dan fungsi Pusat Pemanfaatan Penginderaan Jauh LAPAN dalam menyelenggarakan penelitian dan pengembangan model pemanfaatan penginderaan jauh.

Pada kesempatan ini saya menyampaikan penghargaan dan ucapan terima kasih kepada semua pihak, khususnya para peneliti dari Pusat Pemanfaatan Penginderaan Jauh, Deputi Penginderaan Jauh, dan para penelaah, yang telah berupaya keras untuk menyusun dan menerbitkan laporan akhir ini.

Jakarta, Desember 2014

(5)

iv Pengembangan Pengembangan Pengembangan Pengembangan Model Model Model Model Pemanfaatan Pemanfaatan Pemanfaatan Pemanfaatan Penginderaan Jauh Penginderaan Jauh Penginderaan Jauh Penginderaan Jauh Untuk

Untuk Untuk

RINGKASAN

(EXECUTIVE SUMMARY)

Indonesia merupakan wilayah yang rawan akan kebakaran hutan dan lahan. Kebakaran hutan dan lahan dapat diindikasikan dengan adanya hotspot dan asap kebakaran, sehingga informasi tentang hotspot yang tervalidasi sangat dibutuhkan dalam pengelolaan bencana oleh berbagai kepentingan. Disamping itu, hotspot yang tervalidasi ini merupakan kebutuhan nasional/ regional tentang penyamaan data/informasi hotspot sebagai referensi yang tervalidasi.

Sumber data/informasi dapat diperoleh dari berbagai satelit antara lain Terra/Aqua, MTSAT, NOAA, dan generasi lanjutannya yaitu NPP/ NPOESS. Namun semua sumber data ini memiliki karakteristik, periode akuisisi maupun algoritma yang berbeda dalam menghasilkan informasi hotspot.

Pada tahun anggaran 2014 ini akan dilakukan fokus kajian terhadap penggunaan data satelit NPP/NPOESS (National Polar-orbiting Operational Environmental Satellite System), khususnya hotspot malam hari (VIIRS-Nightfire/VNF). Alasan penggunaan data VIIRS ini dalam rangka mengantisipasi life time dari satelit NOAA AVHRR dan Terra/Aqua MODIS yang akan berakhir. Disamping itu, perlu pengujian akurasi dari algoritma baru yang dikembangkan spesifik untuk Indonesia pada waktu malam hari dari satelit tersebut.

Validasi hotspot dapat dilakukan dengan cara pengamatan langsung (pengecekan lapangan/survei) dan tidak langsung (interpretasi visual dan/digital hotspot dan membandingkannya dengan referensi data lain). Beberapa pengamatan tidak langsung yang telah dilakukan antara lain pendeteksian asap kebakaran dari data MODIS (phonekeo et al., 2008), pendeteksian asap kebakaran dari SPOT dan hotspot MODIS (CRISP, 2011), analisis lahan bekas kebakaran (Roy et al. 2008; Giglio et al., 2009), dan penggunaan data ASTER (Advance Spaceborn Thermal Emission and and Reflection Radiometer) yang memiliki resolusi lebih tinggi (Morisette, et al., 2005; Csiszar et al., 2006; Schroeder et al., 2008).

Pada kegiatan ini, metode yang digunakan adalah menggabungkan antara hotspot terhadap data referensi tervalidasi antara lain burned area dari citra SPOT-5, titik asap dari MODIS, titik survei lapangan dan titik pemadaman. Dalam penelitian ini dilakukan pengujian validasi menggunakan buffering di setiap titik hotspot berdasarkan buffer cluster dan buffer tunggal. Buffer cluster ditentukan dengan mengempokan buffer yang saling tumpang tindih menjadi satu kelompok kejadian kebakaran, sedangkan buffer tunggal adalah buffer di setiap titik hotspot. Metode buffering didasarkan pada kesalahan geometrik dari citra MODIS sebesar 2

(6)

v Pengembangan Pengembangan Pengembangan Model Pengembangan Model Model Model Pemanfaatan Pemanfaatan PPemanfaatan Pemanfaatan PPPenginderaan Jauh enginderaan Jauh enginderaan Jauh enginderaan Jauh Untuk

Untuk Untuk

piksel (± 2 km) dan juga didasarkan pada resolusi spasial MODIS sebesar 1 km. Sehingga setiap hotspot dilakukan buffering dengan radius 2 km dan 1 km.

Pada analisis hotspot berdasarkan buffer cluster 2 km, prosentase Overall Accuration

tertinggi ditunjukkan oleh hotspot MODIS dengan nilai sebesar 96.47% dengan Ommision error cukup kecil yaitu 0.76% dan Commision 2.77%, selanjutnya hotspot VNF versi 2.0 baik yang memiliki suhu (Tbb ≥ 600 K) ataupun suhu (Tbb ≥ 600 K) diperoleh prosentase akurasi yang cukup tinggi sebesar 93.10% dengan Ommision error yang lebih kecil dari hotspot MODIS kurang dari 0.2% dan Commision error lebih tinggi dari hotspot MODIS kurang dari 7%. Adapun prosentase akurasi hotspot VNF_Versi 2.1 memiliki akurasi yang cukup baik yaitu sebesar 70.32% dengan Ommision error 18.11% dan Commision error 11.57%.

Analisis dengan buffer cluster 1 km, diperoleh prosentase Overall Accuration tertinggi

ditunjukkan oleh hotspot VNF2.0 baik yang suhunya diatas 400 K maupun diatas 600 K sebesar 86.96%, dengan omission error sebesar 2.75% dan commission error 10.29%. Selanjutnya hotspot MODIS mempunyai nilai prosentase akurasi yang cukup tinggi pula (> 85.86%) dengan omission error sebesar 5.12% dan commission error 9.02%. Adapun prosentase akurasi untuk hotspot VNF2.1 hanya diperoleh sebesar 41.77%. Hal ini dimungkinkan masih ditunjukkan adanya omission error yang cukup tinggi sebesar 46.94 % dan commission error sebesar 11.29%. Kasus ini menunjukkan masih terdapat kemungkinan tidak terdeteksinya hotspot yang pasti kebakaran akibat tidak terdeteksi melalui pemantauan burned area atau tidak terdeteksi melalui pemantauan asap, titik survei maupun titik pemadaman kebakaran oleh VNF2.1.

Pada analisis hotspot berdasarkan buffer tunggal, secara umum prosentase OA pada

buffer 2 km adalah antara (83.5% - 89.3%) lebih tinggi daripada prosentase OA buffer 1 km (67.63 % – 75.84%). Prosentase tertinggi ditunjukkan oleh hotspot FIRMS baik untuk buffer 2 km maupun pada buffer 1 km. selanjutnya diikuti oleh hotspot VNF2.0 dan VNF2.1. Berdasarkan analisis hotspot baik menggunakan buffer 2 km maupun 1 km ditunjukkan bahwa hotspot VNF2.1 memiliki nilai akurasi antara 41.77% - 83.5% atau memiliki nilai rata-rata akurasi sebesar 65.81%. Hotspot VNF2.0 (Tbb ≥ 600 K) maupun hotspot VNF2.0 (Tbb ≥ 400 K) memiliki nilai akurasi antara 70.38% - 93.1% atau memiliki nilai rata-rata akurasi sebesar 84.31%. Sedangkan Hotspot FIRMS-MODIS memiliki nilai akurasi antara 75.84% - 96.47% atau memiliki nilai rata-rata akurasi sebesar 86.87%. Secara umum dapat disimpulkan bahwa nilai akurasi validasi hotspot VIIRS lebih rendah dari akurasi validasi hotspot MODIS, namun memiliki trend yang sama yang bersifat saling mendukung antar sumber data tersebut. Hasil uji akurasi menggunakan radius buffering 1 km dan 2 km menunjukkan hasil yang lebih baik pada jarak 2 km, terutama untuk data yang bersumber

(7)

vi Pengembangan Pengembangan Pengembangan Pengembangan Model Model Model Model Pemanfaatan Pemanfaatan Pemanfaatan Pemanfaatan Penginderaan Jauh Penginderaan Jauh Penginderaan Jauh Penginderaan Jauh Untuk

Untuk Untuk

dari VNF21.

Secara keseluruhan dari hasil kajian data viirs, penentuan titik panas dengan menggunakan data viirs perlu dilakukan secara kontinuitas di LAPAN. Hal ini didukung dengan data yang ada dan data survey serta data pemadaman menunjukkan hasil yang cukup valid, sehingga VNF potensial untuk mendukung data dari sumber lain yang sudah ada untuk mitigasi bencana kebakaran hutan/lahan di Indonesia, khususnya untuk lahan gambut. Data dari citra satelit yang diakuisisi pada malam hari dapat mengurangi gangguan akibat pancaran sinar matahari, yang tidak akan dialami sebagaimana citra akuisisi pada siang hari.

Dari hasil juga menunjukkan bahwa VNF memiliki informasi lain yang lebih detil dibandingkan dengan sumber data lain yang sudah ada, yaitu Source of Area (SoA) yaitu luas sumber panas yang dideteksi sebagai hotspot. Informasi ini dapat dimanfaatkan bagi para pengambil kebijakan dalam manajemen penanganan kebakaran. Rekomendasi yang diperlukan pada kegiatan ini, perlu dilakukan membangun rancangan flowchart untuk menjadi perangkat lunak baik menggunakan perangkat open source atau ber lisensi sehingga mempermudah penentuan titikpanas versi Lapan.

(8)

vii Pengembangan Pengembangan Pengembangan Model Pengembangan Model Model Model Pemanfaatan Pemanfaatan PPemanfaatan Pemanfaatan PPPenginderaan Jauh enginderaan Jauh enginderaan Jauh enginderaan Jauh Untuk

Untuk Untuk

DAFTAR ISI

KATA PENGANTAR………..…... iii

RINGKASAN (EXECUTIVE SUMMARY) ... iv

DAFTAR ISI ………...…... vii

DAFTAR TABEL ………...………... ix DAFTAR GAMBAR ………..…... x DAFTAR LAMPIRAN ………..…... xi 1. PENDAHULUAN ………...………...………...…... 1 1.1. Latar Belakang ………...………... 1 1.2. Tujuan ………...………….……... 2 1.3. Sasaran ... 2 1.4. Output Kegiatan ... 2 1.5. Manfaat ... 2

1.6. Ruang Lingkup Penelitian ... 2

1.7. Daerah Penelitian ... 3

2. TINJAUAN PUSTAKA ………...……...……... 4

2.1. Perkembangan Penelitian dan Pengembangan dari Hasil Sebelumnya... 4

2.2. Penelitian Terdahulu dan Perkembangan Litbang Validasi Hotspot ... 4

2.3. Kajian Data VIIRS ... 2.3.1 Kajian Sensor VIIRS ... 2.3.2 Kajian Terhadap Data VIIRS Malam Hari untuk Deteksi dan Karakterisasi Sumber ……… 2.3.3 Kajian Langkah atau Alur Penentuan Hotspot VIIRS Menggunakan Data VIIRS………. 6 6 12 13 3. DATA DAN METODE ...………...……... 20

(9)

viii Pengembangan Pengembangan Pengembangan Pengembangan Model Model Model Model Pemanfaatan Pemanfaatan Pemanfaatan Pemanfaatan Penginderaan Jauh Penginderaan Jauh Penginderaan Jauh Penginderaan Jauh Untuk

Untuk Untuk

3.2. Metode Validasi... 3.2.1. Inventarisasi Data Hotspot Yang Akan Divalidasi... 3.2.2. Metode Pembuatan Burned Area dari SPOT-5. ... 3.2.3. Metode Buffering Hotspot ... 3.2.4. Penentuan Asap Kebakaran dari Citra RGB MODIS 500m... 3.2.5. Metode Perhitungan Akurasi ...

20 21 21 22 23 24

4. HASIL DAN PEMBAHASAN ... 25

4.1. Inventarisasi Data Hotspot ... 4.1.1 InventarisasiHotspot VIIRS ……… 4.1.2 Inventarisasi Hotspot MODIS ………. 4.2. Referensi Data Yang Sudah Tervalidasi... 4.2.1 Titik Asap Kebakaran dari Citra MODIS... 4.2.2 Perolehan Titik Survei dan Data Pemadaman ………. 4.2.3 Burned Area SPOT-5 ………... 4.3. Validasi Hotspot VIIRS dan Hotspot MODIS………... 4.3.1 Analisis Hotspot Berdasarkan Cluster Buffer ………... 4.3.2 Analisis Hotspot Berdasarkan Buffer Tunggal (Single Buffer)………... 4.3.3 Nilai Akurasi Validasi Hotspot VIIRS dan MODIS ……….. 25 25 27 29 29 30 32 33 33 35 37 5. KESIMPULAN DAN REKOMENDASI... 38

5.1 Kesimpulan ... 38

5.2 Rekomendasi ... 38

(10)

ix Pengembangan Pengembangan Pengembangan Model Pengembangan Model Model Model Pemanfaatan Pemanfaatan PPemanfaatan Pemanfaatan PPPenginderaan Jauh enginderaan Jauh enginderaan Jauh enginderaan Jauh Untuk

Untuk Untuk

DAFTAR TABEL

Tabel 2-1 Tabel 2-1. Penjelasan variabel satelit SNPP-VIIRS ………... ₇

Tabel 2-2. Informasi mengenai karakteristik teknis band dari sensor VIIRS, Sumber NOAA ……….. ₉

Tabel 2-3 Persamaan dan perbedaan yang sangat jelas antara panjang gelombang atau saluran-saluran yang digunakan oleh VIIRS, MODIS, AVHRR dan OLS ……… 10

Tabel 4-1 Koordinat pemadaman lapangan Kemenhut ……… 30

Tabel 4-2 Koordinat lokasi survei bulan Februari 2014 ……… ₃₁

Tabel 4-3 Prosentase Akurasi hotspot berdasarkan referensi burned area SPOT-5, asap MODIS, titik survey lapangan, titik pemadaman ……… 33

Tabel 4-4 Prosentase Akurasi hotspot berdasarkan referensi burned area SPOT-5, asap MODIS, titik survey lapangan, titik pemadaman. ……… 34

Tabel 4-5 Jumlah Hotspot dan tabel akurasi untuk buffer 2km ……… 36

Tabel 4-6 Jumlah Hotspot dan tabel akurasi untuk buffer 1 km ……… 36

(11)

x Pengembangan Pengembangan Pengembangan Pengembangan Model Model Model Model Pemanfaatan Pemanfaatan Pemanfaatan Pemanfaatan Penginderaan Jauh Penginderaan Jauh Penginderaan Jauh Penginderaan Jauh Untuk

Untuk Untuk

DAFTAR GAMBAR

Gambar 2-1 Perkembangan penelitian dan pengembangan hingga tahun 2014 …… 4

Gambar 2-2 Bentuk Satelit dan bagian-bagian daripada satelit Suomi NPP ... 7

Gambar 2-3 Informasi yang diberikan data VIIRS berbasis website ……….. 11

Gambar 2-4 Contoh Imagery Hotspot VIIRS yang diambil pada tanggal 22 Juli 2013 11 Gambar 2-5 VIIRS mengumpulkan data sembilan band spektral di malam hari: DNB, M7, M8, M10, M12, M13, M14, M15 dan M16 ………... 13 Gambar 2-6 Grafik Sampel Interval horizontal ……….... 14

Gambar 2-7 Keterhubungan sudut satelit dengan bumi dan matahari……….. 15

Gambar 3-1 Diagram Alir Metode Validasi ……… 20

Gambar 3-2 Metode Penentuan Burned Area ……… 22

Gambar 3-3 Contoh buffer tunggal ……… 22

Gambar 3-4 Contoh buffer cluster ……… 23

Gambar 3-5 Contoh penentuan asap dari citra MODIS tanggal 28 Februari 2014 … 23 Gambar 4-1a Inventarisasi Hotspot VIIRS dari bulan Februari hingga Maret 2014 ….. 25

Gambar 4-1b Inventarisasi Hotspot VIIRS dari bulan Februari April hingga Juli 2014 26 Gambar 4-1c Inventarisasi Hotspot VIIRS dari bulan Agustus hingga Oktober 2014 … 27 Gambar 4-2 Inventarisasi Hotspot MODIS dari bulan Februari hingga Oktober 2014 28

Gambar 4-3 Titik asap kebakaran dikumpulkan mulai dari bulan Februari hingga bulan Oktober 2014 ……… ₂₉

Gambar 4-4 Perolehan citra SPOT-5 di wilayah Provinsi Riau ……… 32

Gambar 4-5 Burned Area wilayah Provinsi Riau dari tanggal 25 Februari – 2 Maret 2014 ………. 32 Gambar 4-6 Grafik Akurasi berdasarkan referensi burned area SPOT-5, asap MODIS, titik survey lapangan, titik pemadaman dengan buffer 2 km. .. ₃₄

Gambar 4-7 Grafik Akurasi berdasarkan referensi burned area SPOT-5, asap MODIS, titik survey lapangan, titik pemadaman, dengan buffer 1 km… ₃₅

Gambar 4-8 Grafik akurasi per titik hotspot dengan buffer 2 km ……… 36

Gambar 4-9 Grafik akurasi per titik hotspot buffer 1 km ………. 36

(12)

1 Pengembangan Pengembangan Pengembangan Model Pengembangan Model Model Model Pemanfaatan Pemanfaatan PengiPemanfaatan Pemanfaatan PengiPengiPenginderaan Jauh nderaan Jauh nderaan Jauh nderaan Jauh Untuk

Untuk Untuk

1. PENDAHULUAN

1.1 Latar Belakang

Keberadaan website SIMBA telah memberikan kontribusi yang nyata dalam penyediaan informasi yang kontinyu dan ter-update setiap hari. Informasi yang tersedia sangat bermanfaat bagi pengguna baik sebagai alat pemantauan untuk menetapkan upaya pengelolaan bencana maupun sebagai data masukan untuk kegunaan lainnya. Selain itu, keberadaan website SIMBA ini merupakan wujud tanggungjawab LAPAN dalam memberikan informasi yang diperlukan dalam pengelolaan bencana di Indonesia, khususnya kebakaran hutan/lahan. Hal ini sesuai dengan Undang-Undang Republik Indonesia Nomor 21 Tahun 2013 Tentang Keantariksaan, bagian Ketiga tentang Penginderaan Jauh, paragraph 1, bagian Umum, Pasal 15, yang memuat tugas LAPAN, yakni melakukan perolehan data, pengolahan data, penyimpanan dan pendistribusian data, dan pemanfaatan data dan diseminasi informasi kepada pengguna/stakeholder lain selama 7x 24 jam, maka dibutuhkan sistem teknologi informasi yang dapat membantu, mempermudah, dan mempercepat pendistribusian data/informasi kepada pengguna/stakeholder lain. Kegiatan pemanfaatan data inderaja untuk mitigasi bencana tersebut, sangat penting guna mendukung ketersediaan data dan informasi yang aktual dan ter-update setiap hari, sesuai dengan UU tersebut di atas dalam rangka mengurangi dan antisipasi resiko bencana kebakaran hutan yang mungkin terjadi.

Sistem Quick Response kebencanaan sangat penting bagi masyarakat guna memberikan informasi secara cepat untuk mengantisipasi bencana yang mungkin terjadi di wilayah Indonesia. Dalam upaya mendukung Sistem Quick Response bencana berbasiskan data penginderaan jauh tersebut tentu diperlukan data dan informasi yang berkesinambungan dan akurat. Data dan informasi yang berkesinambungan dan akurat ini juga penting untuk mendukung konten SIMBA Center berupa informasi bencana, salah satunya informasi kebakaran hutan/lahan.

Salah satu data/informasi yang banyak digunakan untuk mitigasi bencana kebakaran menggunakan data penginderaan jauh adalah deteksi hotspot atau titik panas. Sumber data/informasi dapat diperoleh dari berbagai satelit antara lain Terra/Aqua, MTSAT, NOAA, dan generasi lanjutannya yaitu NPP/NPOESS. Namun semua sumber data ini memiliki karakteristik, periode akuisisi maupun algoritma yang berbeda dalam menghasilkan informasi hotspot.

Penelitian ini merupakan kegiatan lanjutan tahun lalu, yaitu validasi hotspot menggunakan data NOAA-AVHRR dan TERRA/AQUA-MODIS. Pada tahun anggaran 2014 ini akan

(13)

Pengembangan Pengembangan Pengembangan

Pengembangan Model Model Model Pemanfaatan Model Pemanfaatan Pemanfaatan Pemanfaatan Penginderaan Jauh Penginderaan Jauh Penginderaan Jauh Penginderaan Jauh Untuk

UntukUntuk

Untuk Deteksi Hotspot Deteksi Hotspot Deteksi Hotspot (Dengan Data VIIRS)Deteksi Hotspot (Dengan Data VIIRS)(Dengan Data VIIRS)(Dengan Data VIIRS) 2

dilakukan fokus kajian terhadap penggunaan data satelit NPP/NPOESS (National Polar-orbiting Operational Environmental Satellite System), khususnya hotspot malam hari (VIIRS-Nightfire). Alasan penggunaan data VIIRS ini dalam rangka mengantisipasi life time dari satelit NOAA AVHRR dan Terra/Aqua MODIS yang akan berakhir. Disamping itu, perlu pengujian akurasi dari algoritma baru yang dikembangkan spesifik untuk Indonesia pada waktu malam hari dari satelit tersebut.

1.2. Tujuan

Tujuan dari kegiatan ini adalah untuk menghasilkan informasi hotspot tervalidasi dari sumber data terbaru (NPP VIIRS-Nightfire/VNF) serta mengetahui optimalisasi pemanfaatannya dengan berbagai sumber data lain yang ada untuk mitigasi bencana kebakaran hutan/lahan 1.3. Sasaran

Sasaran dari kegiatan ini adalah:

1) Hasil kajian dan uji akurasi hotspot VNF

2) Adanya perbandingan hasil validasi dari berbagai sumber data hotspot

3) Rekomendasi terkait dengan hasil kegiatan penggunaan data satelit NPP/NPOESS untuk validasi hotspot

1.4. Output Kegiatan

Keluaran kegiatan ini adalah sebagai berikut:

1) Dokumen teknis hasil kajian pemanfaatan VNF sebagai input informasi kebakaran hutan/lahan secara real time dan ter-update setiap hari, khususnya yang dapat dilakukan oleh LAPAN

2) Dokumen teknis hasil validasi hotspot VNF

3) Dokumen teknis rekomendasi terkait dengan hasil kegiatan 4) Paper Ilmiah

1.5. Manfaat

Manfaat dari kegiatan ini diharapkan dapat digunakan sebagai pertimbangan teknis bagi kementerian/lembaga dalam memanfaatkan data/informasi kebakaran hutan/lahan berbasiskan data penginderaan jauh, serta sebagai dukungan kegiatan nasional maupun regional dalam upaya mengurangi resiko bencana terutama kebakaran hutan dan lahan.

1.6. Ruang Lingkup Penelitian

(14)

3 Pengembangan Pengembangan Pengembangan Model Pengembangan Model Model Model Pemanfaatan Pemanfaatan PPemanfaatan Pemanfaatan PPPenginderaan Jauh enginderaan Jauh enginderaan Jauh enginderaan Jauh Untuk

Untuk Untuk

1. Penyusunan proposal dan desain riset 2. Kajian literatur

3. Validasi hotspot VNF di wilayah yang rawan kebakaran dan memiliki frekuensi terjadinya hotspot tinggi.

4. Focus Group Discussion, Workshop dan pertemuan-pertemuan ilmiah 5. Survei Lapangan

6. Publikasi ilmiah

7. Menyusun rekomendasi 8. Pelaporan

1.7. Daerah Penelitian

Daerah penelitian untuk validasi hotspot VIIRS di Indonesia dipilih di wilayah yang memiliki rawan kebakaran dengan frekuensi terjadinya hotspot tinggi. Selain itu, ditentukan juga berdasarkan kelengkapan tersedianya perolehan data sebagai referensi yang tervalidasi yaitu burned area SPOT-5, titik asap MODIS, titik survey, dan pemadaman.

(15)

UntukUntuk

2. TINJAUAN PUSTAKA

2.1 Perkembangan Penelitian dan Pengembangan dari Hasil Sebelumnya

Perkembangan litbang yang akan dilakukan dengan hasil sebelumnya disajikan pada Gambar 2-1 berikut:

Gambar 2-1. Perkembangan penelitian dan pengembangan hingga tahun 2014

2.2 Penelitian Terdahulu dan Perkembangan Litbang Validasi Hotspot

1) Kegiatan pengembangan Model Pemantauan Pemanfaatan Penginderaan Jauh telah dilakukan beberapa tahun sebelumnya. Pada tahun 2003, Pusfatja-LAPAN telah melakukan pengembangan model dengan memvalidasi hotspot NOAA-AVHRR yang dibandingkan dengan hotspot dari perolehan Sipongi (Kementerian Kehutanan) dan hotspot perolehan dari ASMC (ASEAN Specialised Meteorological Centre). Hasil yang diperoleh menyatakan bahwa hotspot dari LAPAN mempunyai kecenderungan lebih rendah dibandingkan Sipongi maupun ASMC (sebagai laporan teknis internal).

2) Kegiatan terkait telah dilakukan di beberapa negara, diantaranya di Brazil (Morisette et al., 2005), Siberia (Csizar et al., 2006), Sumatera dan Kalimantan Indonesia (Schroeder et al., 2008), dengan probability deteksi hotspot terhadap kebakaran sekitar 40-60%. Metode pengujian akurasi dilakukan dengan menggunakan citra resolusi lebih tinggi yaitu ASTER (Advance

Spaceborn Thermal Emission and and Reflection Radiometer) dan SPOT. Pada tahun 2009,

Thailand juga mempublikasi hasil pengecekan lapangan hotspot MODIS, dan memperoleh nilai akurasi yang sangat tinggi, yaitu mencapai >90% (Tanpipat et al., 2009).

3) Validasi hotspot dapat dilakukan dengan cara pengamatan langsung (pengecekan lapangan/survei) dan tidak langsung (interpretasi visual dan/digital hotspot dan membandingkannya dengan referensi data lain). Beberapa pengamatan tidak langsung yang telah dilakukan antara lain pendeteksian asap kebakaran dari data MODIS (phonekeo et al., 2008), pendeteksian kabut asap dari NOAA-AVHRR (Suwarsono et al. 2004), analisis lahan bekas kebakaran (Roy et al. 2008; Giglio et al., 2009).

4) Menurut review yang dilakukan oleh Cahyono et al. (2012), dengan melakukan analisis nilai ambang batas pada algoritma deteksi kebakaran dengan menggunakan data MODIS

s.d 2012:

Metode penentuan hotspot NOAA AVHRR dan MODIS, Pengembangan system Indofire, Validasi hotspot NOAA dan MODIS (Indofire) untuk Riau

s.d 2013:

Validasi lanjutan HS MODIS dan NOAA (Kalimantan, Sumatera), Pengembangan metode pertimbangan penentuan Hotspot dan

rekomendasinya untuk mitigasi kebakaran hutan/lahan, Kajian potensi

VIIRS untuk penentuan hotspot

s.d 2014:

Pengembangan metode Hotspot VIIRS dan validasinya, Rekomendasi metode penentuan hotspot sebagai bahan masukan

(16)

Untuk Untuk

menghasilkan nilai akurasi deteksi kebakaran MODIS dari MOD14 adalah 73,2% untuk Sumatera-Kalimantan dan 91,7% untuk wilayah Afrika Selatan. Disamping itu, evaluasi hotspot dengan bekas area kebakaran juga telah dilakukan, salah satunya adalah Tansey et al. (2008), yang menemukan bahwa hubungan hotspot dengan bekas kebakaran bervariasi secara spasial yang sangat tergantung pada fungsi dan jenis vegetasinya.

5) Validasi hotspot MODIS dari Indofire telah dilakukan di Propinsi Riau tahun 2011 oleh Pusfatja-LAPAN. Hasil yang diperoleh menunjukkan nilai akurasi 43 % dengan comision error 53 % dan

Omission error 4 % (Vetrita et al, 2012). Metode yang digunakan untuk menguji ketepatan lokasi hotspot dengan kebakaran merupakan penggabungan metode survei lapangan, perulangan

keberadaan hotspot pada periode 2-3 hari berturut-turut pada buffering 1-2 km lokasi hotspot, dan identifikasi asap melalui citra MODIS. Kelemahan dari metode ini adalah masih terdapat kemungkinan tidak terdeteksinya hotspot yang pasti kebakaran akibat tidak terdeteksi selama survei atau tidak terdeteksi melalui pemantauan asap. Disamping itu, masih perlu pengujian lanjutan tentang kepastian keberadaan hotspot pada periode 2-3 hari berturut-turut sebagai lokasi yang “dipastikan” terbakar. Hal ini perlu dipertimbangkan kembali mengingat beberapa daerah memiliki pola kebakaran yang berbeda, misalnya pengaruh budaya membakar.

Oleh karena itu, penelitian lanjutan masih perlu dilakukan dengan menggunakan data survei lapangan yang lebih banyak (atau dapat diperoleh lokasi bekas pemadaman kebakaran dari Kementerian Kehutanan), serta dukungan citra satelit yang beragam untuk mendeteksi asap maupun bekas kebakaran.

6) Pada Tahun 2013 telah dilakukan pengembangan model atau validasi data/informasi pemanfaatan penginderaan jauh untuk sistem peringatan dini yang difokuskan kepada validasi data hotspot baik yang bersumber dari data MODIS (Moderate Resolution Imaging

Spectroradiometer) dan data NOAA (National Oceanic and Atmospheric Administration). Hotspot MODIS diproduk oleh FIRMS-NASA (National Aeronautics and Space Administration) dan Indofire (IndoFire Map Service), sedangkan hotspot NOAA diproduk oleh ASMC (ASEAN

Specialised Meteorological Centre) dan LAPAN. Menurut penelitian Zubaidah, et al (2014),

dilakukan validasi hotspot MODIS dari produk FIRMS dan Indofire di wilayah Kalimantan dan Sumatera. Validasi ini dilakukan dengan membandingkan data hotspot dengan kenampakan citra yang resolusinya lebih tinggi, yaitu SPOT-4. bahwa persentase hasil akurasi hostpot FIRMS sebesar 64% dengan tingkat Commision error dan Ommision error masing-masing 18%. Sedangkan persentase hasil akurasi hostpot Indofire ditemukan sebesar 42% dengan tingkat

Commision error 20% dan Ommision error 38%. Analisis lebih lanjut di lahan gambut, telah

diperoleh nilai akurasi hotspot Firms sebesar 66% dengan commision error 19% dan ommision

error 15%, sedangkan hotspot Indofire ditemukan sebesar 46% dengan commision error 19%

dan ommision error sekitar 35%. Nilai akurasi hotspot yang bersumber dari FIRMS lebih tinggi dibandingkan dengan hotspot Indofire. Hal ini dapat disebabkan oleh penggunaan semua tingkat kepercayaan hotspot (confidence level) mulai dari 5 hingga 100% yang berbeda dengan Indofire (confidence level>80%). Tingginya nilai ommision error disebabkan oleh kabut asap tebal dan awan yang tidak bisa dideteksi oleh algoritma MODIS. Disamping itu, tingginya nilai ommision

(17)

UntukUntuk

error disebabkan oleh kebakaran asap kecil yang dideteksi di SPOT-4 dan juga kebakaran yang

baru terjadi yang ditandai oleh asap yang belum menyebar luas, namun hotspot tidak terpantau oleh satelit. Berdasarkan hasil penelitian ini dapat disimpulkan bahwa penggunaan semua

confidence level hotspot perlu dipertimbangkan untuk digunakan khususnya pada lahan gambut

dibandingkan hanya menggunakan yang lebih besar dari 80% saja.

7) Munculnya generasi baru satelit untuk pemantauan hotspot kebakaran hutan dan lahan yaitu NASA-NOAA Suomi NPP (National Polar-orbiting Partnership) dengan salah satu sensornya yang disebut Visible Infrared Imaging Radiometer Suite (VIIRS) sebagai lanjutan dari generasi MODIS Terra/Aqua telah membuka harapan untuk mendapatkan informasi secara dini kebakaran hutan dan lahan yang lebih akurat. Salah satu produk yang sedang dikaji sebelum dioperasionalkan adalah informasi hotspot dari data malam hari (VIIRS nightfire) yang ideal untuk mendeteksi panas permukaan bumi pada malam hari. Produk hotspot ini dinilai lebih ideal, karena efek kesalahan algoritma akibat pengaruh cahaya matahari pada data siang hari dapat dikurangi. Oleh karena itu, pada tahun 2014 ini akan dilakukan kajian tentang data VIIRS dan dilakukan validasi hotspot dari produk VIIRS dan juga MODIS. Validasi ini akan digunakan referensi yang lebih lengkap yaitu berdasarkan burned area citra SPOT-5, asap kebakaran dari citra MODIS, data survey lapangan dan juga data pemadaman.

2.3 Kajian Data VIIRS

2.3.1 Kajian Sensor VIIRS (The Visible Infrared Imager Radiometer Suite).

Sensor VIIRS merupakan kependekan dari Visible and Infrared Imaging Radiometer Suite, diluncurkan pada tanggal 28 Oktober 2011, dengan peluncur satelit Suomi-NPP (National Polar-orbiting Operational Environmental Satellite System Preparatory Project). Satelit NPP merupakan proyek kerjasama antara NIPO (Navy International Programs Office) dan NASA (National Aeronautics and Space Administration). Penampakan dan bagian-bagian daripada satelit Suomi NPP, yang terdiri atas lima buah sensor, yakni sensor VIIRS (the Visible/Infrared Imager/Radiometer Suite), sensor CrIS (the Cross-track Infrared Sounder), sensor ATMS (the Advanced Technology Microwave Sounder), dan sensor OMPS (the Ozone Mapping and Profiler Suite), serta sensor CERES (the Clouds and the Earth's Radiant Energy System) ditunjukkan pada Gambar 2-2. Kelima sensor NPP dapat digunakan untuk mengumpulkan data atmosfer, daratan, dan lautan secara global baik digunakan untuk aplikasi meteorologi maupun aplikasi klimatologi.

(18)

Untuk Untuk

Gambar 2-2. Bentuk Satelit dan bagian-bagian daripada satelit Suomi NPP Sensor VIIRS terdiri atas lima saluran imagery resolusi tinggi (I-Bands), enam belas saluran resolusi moderate (M-Bands), dan band Day/Night (DNB). Data VIIRS merupakan kelanjutan dari tiga instrumen satelit, yakni: the National Oceanic and Atmospheric Administration (NOAA) Advanced Very High Resolution Radiometer (AVHRR), the Moderate Resolution Imaging Spectroradiometer (MODIS), dan the Defense Meteorological Satellite Program (DMSP) Operational Linescan System (OLS). VIIRS memiliki kemampuan untuk melakukan deteksi cahaya rendah pada kondisi malam hari. Selain itu VIIRS juga memiliki teknologi sensor untuk kondisi DNB, hal ini hampir sama dengan data OLS. Variabel satelit SNPP-VIIRS yang diperoleh dari beberapa referensi dan beberapa jurnal yang ada, yakni informasi organisasi yang membangun, orbit satelit, lebar sapuan, waktu melewati di malam hari, lebar saluran panchromatic, dan sebagainya yang dijelaskan pada Tabel 2-1.

Tabel 2-1. Penjelasan variabel satelit SNPP-VIIRS (sumber: dari berbagai sumber)

NO. VARIABEL SNPP-VIIRS

1. Builder / Operator NASA – NOAA Joint Polar Satellite System (JPSS)

2. Orbit Polar – 827 km altitude, 98.7 degree inclination, 102 minutes

3. Sun Sync Orbit Ascending

4. Swath width / scan coverage 3000 km

5. Scan Range of earth view ± 56º from nadir

6. Time Coverage 85.4 secs

7. Equator Crossing Time 1330

8. Altitude (km) 824

9. Nighttime overpass ~ 01:30

10. Low light imaging bandpass Panchromatic 0.5 to 0.9 um

11. Ground footprint 742 x 742 m

(19)

UntukUntuk

NO. VARIABEL SNPP-VIIRS

13. Quantization 14 bit

14. Saturation No saturation

15. Low light imaging detection limit ~2E-11 Watts/cm2/sr

16. Calibration

Solar diffuser used to calibrate daytime DNB data. Calibration extended to low light imaging mode using data

collected along solar terminator.

17. Future continuity JPSS is building second VIIRS and plans third.

Both will fly in after midnight orbit.

18. Data Format HDF5

19. Data Distribution CLASS, level L0-L3 productivity available via website

20. No. of Scans 48

21. No. Dets per Scan 16 (Mod res)

22. Aggregation Zones 6 (3 types)

23. Spectral Bands (22 band)

Visible/ Near IR: 9 plus Day/Night Band; Mid-Wave IR: 8

Long-Wave IR: 4

24. Imaging Optics 19.1 cm Aperture

25. Focal Length 114 cm

26. Orbit Average Power 200 Watts

27. Weight 275 kg

28. Data Quantization 12 bit –14 bit A/D converters for lower noise

29. Data Rate 10.5 Mbps (max.)

Sensor VIIRS dapat digunakan untuk berbagai macam aplikasi pemantauan secara global di wilayah daratan, lautan, dan parameter atmosfer pada resolusi temporal, seperti badai topan, deteksi kebakaran luhan/lahan, smoke, dan aerosol atmosfer. Sensor VIIRS memiliki kesamaan dengan sateli-satelit sebelumnya, seperti: AVHRR, OLS, MODIS, SeaWiFS. Sensor VIIRS terdiri dari 22 saluran dengan liputan kanal spektral sebesar 412 nm hingga 12 µm, saluran imagery dengan rosolusi nadir sekitar ~ 375 meter dalam lima saluran, yakni Imagery 1 hingga Imagery 5, resolusi Luas liputan satu citra sebesar 3000 km, dengan resolusi spasial: 370/740 m. Informasi mengenai karakteristik teknis dari sensor VIIRS, ditunjukkan pada Tabel 2-2.

(20)

Untuk Untuk

Tabel 2-2. Informasi mengenai karakteristik teknis band dari sensor VIIRS, Sumber NOAA

NO CHAN NEL VIIRS PANJANG GELOMBANG TENGAH VIIRS (µm) Bandwi dth (µm) RENTANG PANJANG GELOMBANG (µm) KETERANGAN CHANNEL RESOLUSI SPASIAL (m) @ Nadir Band

Gain APLIKASI UTAMA

1. M1 0.412 0.02 0.402 - 0.422

Visible/ Reflective

750 m

High

low Ocean color, aerosols

2. M2 0.445 0.018 0.436 - 0.454 High

3. M3 0.488 0.02 0.478 - 0.488 High

4. M4 0.555 0.02 0.545 - 0.565 High

5. M5(B) 0.672 0.02 0.662 - 0.682 High

6. M6 0.746 0.015 0.739 - 0.754

Near IR

single Atmospheric correction

7. M7(G) 0.865 0.039 0.846 - 0.885 High _low Ocean color, Aerosols

8. M8 1.24 0.020 1.23 - 1.25

Shortwave IR

single Cloud particle size

9. M9 1.38 0.015 1.371 - 1.386 single Cirrus cloud cover

10. M10(R

) 1.61 0.06 1.58 - 1.64 single Snow fraction

11. M11 2.25 0.05 2.23 - 2.28 single Clouds/aerosol

12. M12 3.70 0.18 3.61 - 3.79

Medium- wave IR

single Sea surface temperature (SST)

13. M13 4.05 0.155 3.97 - 4.13 High

low SST, fire detection

14. M14 8.55 0.3 8.4 - 8.7

Longwave IR

single Cloud-top properties

15. M15 10.76 1.0 10.26 - 11.26 single SST 16. M16 12.01 0.95 11.54 - 12.49 single SST 17. DNB 0.7 0.4 0.5 - 0.9 Visible/ Reflective 750 m across full scan single Imagery 18. Imagin g1/ I1 (B) 0.640 0.08 0.6 - 0.68 Visible/ Reflective 375 m

single Visibel Imagery/ NDVI

19. Imagin

g2/ I2 (G)

0.865 0.039 0.85 - 0.88 Near IR single Land Imagery/

NDVI

20. Imagin

g3/ I3 (R)

1.61 0.06 1.58 - 1.64 Shortwave IR single Binary snow/

ice, map 21. Imagin g4/ I4 3.74 0.38 3.55 - 3.93 Medium-

wave IR single imagery cloud

22. Imagin

g5/ I5

11.45 1.9 10.5 - 12.4 Longwave IR single imagery cloud

Berikut dijelaskan informasi bagaimana persamaan dan perbedaan yang sangat jelas antara panjang gelombang atau saluran-saluran yang digunakan oleh VIIRS, MODIS, AVHRR dan OLS ditunjukkan pada Tabel 2-3

(21)

UntukUntuk

Tabel 2-3. Persamaan dan perbedaan yang sangat jelas antara panjang gelombang atau saluran-saluran yang digunakan oleh VIIRS, MODIS, AVHRR dan OLS.

NO.

VIIRS MODIS equivalent AVHRR equivalent OLS equivalent

Band Range _(µm) Spatial Resolu-tion (m) Ba nd Range (µm) Spatial Resolu-tion (m) @ Nadir Band Range _(µm) Spatial Resolu -tion (m) @ Nadir Band Range _(µm) Spatial Resolu-tion (m) @ Nadir 1. M1 0.402 - 0.422 750 8 0.405 - 0.420 1000 2. M2 0.436 - 0.454 9 0.438 - 0.448 3. M3 0.478 - 0.488 3, 10 0.459 - 0.479 0.483 – 0.493 500, 1000 4. M4 0.545 - 0.565 ₁₂4, _{0.546 – 0.556}0.545 - 0.565 5. M5(B) 0.662 - 0.682 13, ₁₄ 0.662 - 0.672 _{0.673 - 0.683} 1000 1 0.572 - 0.703 1100 6. M6 0.739 - 0.754 15 0.743 - 0.753 7. M7(G) 0.846 - 0.885 16 0.862 - 0.877 2 0.720 – 1.000 1100 8. M8 1.23 - 1.25 5 sama 500 9. M9 1.371 - 1.386 26 1.360 - 1.390 1000 10. M10(R₎ 1.58 - 1.64 6 1.628 - 1.652 500 3a Sama 1100 11. M11 2.23 - 2.28 7 2.105 - 2.155 12. M12 3.61 - 3.79 20 sama 1000 3b 3.550 - 3.930 1100 13. M13 3.97 - 4.13 21, 22, 23 3.929 - 3.989 3.929 - 3.989 4.020 - 4.080 1000 14. M14 8.4 - 8.7 29 sama 15. M15 10.26 - 11.26 31 10.780 - 11.280 4 10.300 - 11.300 1100 16. M16 11.54 - 12.49 32 11.770 - 12.270 5 11.500 - 12.500 1100 17. DNB 0.5 - 0.9 750 HRD PMT 0.580 - 0.910 0.510 - 0.860 550 2700 18. I1 (B) 0.6 - 0.68 375 1 0.620 - 0.670 250 1 0.572 - 0.703 1100 19. I2 (G) 0.85 - 0.88 2 0.841 - 0.876 2 0.720 - 1.000 1100 20. I3 (R) 1.58 - 1.64 6 1.628 - 1.652 500 21. I4 3.55 - 3.93 20 3.660 - 3.840 1000 3b sama 1100 22. I5 10.5 - 12.4 31, 32 10.780 - 11.280 11.770 - 12.270 4, 5 10.300 - 11.300 11.500 - 12.500 1100 HRD 10.300 - 12.900 550 Sumber http://viirsfire.geog.umd.edu/Documents/M-band_web_overview.pdf )

Organisasi NOAA telah menginformasikan data VIIRS dengan memanfaatkan website pada alamat http://maps.ngdc.noaa.gov/viewers/viirs_class/, dan http://ngdc.noaa.gov/eog/ download.html. Pada penggunaan data VIIRS berbasis website dapat dilihat dalam bentuk Gambar 2-3. Dengan memanfaatkan pilihan data yang diinginkan pada website, maka akan

(22)

Untuk Untuk

diperoleh informasi data VIIRS yang ditampilkan pada website tersebut, seperti Identitas Data Sumber, waktu data diperoleh atau diakusisi, lokasi yang dipilih sesuai dengan latitude dan longitude, parameter atmosfer pada data VIIRS (temperatur, itensitas panas radiasi, panas radian, kondisi awan, dan sebagainya).

Gambar 2-3. Informasi yang diberikan data VIIRS berbasis website

Selain feature yang telah di jelaskan di atas, aplikasi ini dapat juga menampilkan imagery sesuai tanggal yang telah dipilih. Contoh imagery yang diambil, yakni tanggal 22 juli 2013, 18:28:06, maka dapat dilihat pada Gambar 2-4 berikut. Tampak pada windows sebelah kanan terdapat fungsi layer yang dapat diaktifkan maupun tidak diaktifkan.

Sumber dari http://www.ngdc.noaa.gov/eog/data/viirs_fire/viirs_html/download_viirs_fire.html

(23)

UntukUntuk

2.3.2 Kajian terhadap data VIIRS malam hari untuk deteksi dan karakterisasi sumber pembakaran.

SNPP VIIRS dirancang untuk meningkatkan kemampuan low light imaging dari DMSP dan melanjutkan spectral band inti yang sudah dikembangkan MODIS. VIIRS mempunyai titik panas pada malam hari dan memiliki kemampuan deteksi cahaya pada band visible dan near-infrared. Sensor satelit VIIRS sangat unik dalam mengumpulkan spectral radian visible, near-infrared (NIR), dan short-wave infrared (SWIR) pada malam hari, yaitu: band M7, M8, dan M10. Dengan meng-eliminasi sinar matahari, maka sinyal background pada dasarnya akan gelap. Maka sumber emisi radiansi pembakaran akan dapat dengan mudah dideteksi. Seluruh signal pada Band DNB, M7, M8, dan M10 untuk piksel panas dapat diidentikkan dengan sumber pembakaran di malam hari. Band spectral ini memungkinkan untuk mengamati emisi radiasi dari gas flare, pembakaran biomassa, lokasi industri dan gunung berapi diseluruh dunia dengan setidaknya satu cakupan setiap 24 jam. Dengan deteksi multispectral dimungkinkan untuk model kurva emisi benda hitam (juga dikenal sebagai kurva Planck), yang kemudian dapat digunakan untuk memperkirakan suhu atau sumber, keluaran radiasi (W/m2), panas radiasi (MW) dan ukuran sumber (m2). Ini adalah kemajuan besar atas produk satelit berdasarkan deteksi kebakaran dalam single band spektral. (Christopher D. Elvidge1 et. al., 20…)

Sumber pembakaran seperti kebakaran hutan, pembakaran pertanian dan gas flare memancarkan berbagai radiasi elektromagnetik. Cara paling sederhana untuk menghitung ukuran, suhu dan panas radiasi dari sumber pembakaran adalah untuk menentukan cahaya yang dipancarkan pada panjang gelombang emisi puncak radian dan menerapkan Hukum Stefan-Boltzmann, hal ini dikarenakan ada perbedaan suhu yang cukup besar antara sumber pembakaran, tidak mungkin untuk memilih single band spektral untuk mengukur puncak radiansi. Puncak radiansi akan bergeser ke panjang gelombang yang lebih pendek karena suhu meningkat (hukum perpindahan/displacement Wein). Oleh karena itu perlu untuk mengukur sumber pembakaran pada beberapa panjang gelombang dan kemudian digunakan model kurva Planck. Jika sumber pembakaran dapat dideteksi dalam tiga atau lebih panjang gelombang, maka akan dapat digunakan sebagai data pada kurva Planck, sehingga memungkinkan untuk memperoleh panjang gelombang emisi puncak radiansi dan menghasilkan radiasi output, bahkan tanpa pengukuran langsung dari puncak radiansi. Masalah yang sering terjadi pada kebanyakan satelit yang menerima produk titik panas adalah bahwa deteksi hanya bergantung pada single/dual spectral band, hal ini sulit untuk ditentukan dalam pemodelan kurva Planck. Deteksi sumber pembakaran dari low light imaging data pada visible dan near-infrared, baik NASA MODIS maupun SNPP VIIRS

(24)

Untuk Untuk

mengandalkan kanal dengan panjang gelombang sebesar 4 µm dan 11 µm. Perhitungan Fire Radiative Power (FRP) diasumsikan bahwa suhu sumber panas pembakaran biomassa pada kisaran tertentu. Jika suhu dari sumber pembakaran biomassa berkisar antara 700-750 K, maka emisi radiasi puncak akan berada di kanal 4 µm yang dikumpulkan oleh sensor baik MODIS maupun VIIRS. Namun, jika suhu dari sumber pembakaran lebih panas, maka kanal

4 µm akan mengabaikan suhu dan output radiansi. (Gambar 2-5)

Gambar 2-5 VIIRS mengumpulkan data sembilan band spektral di malam hari: DNB, M7, M8, M10, M12, M13, M14, M15 dan M16.

Grafik ini menunjukkan penempatan panjang gelombang band-band tersebut dan di overlay dengan kurva Planck untuk sebuah objek dengan suhu 2223 K, suhu pembakaran metana murni di udara. Perhatikan bahwa M7, M8 dan M10 adalah tempat yang baik untuk sampel bagian puncak cahaya dari spektrum emisi pembakaran metana. Band M13, yang digunakan dalam produk titik panas berada pada ujung ekor spektrum emisi.

2.3.3 Kajian langkah atau alur penentuan Hotspot VIIRS menggunakan data VIIRS

Menurut Elvidge et. al., Secara garis besar langkah-langkah penentuan hospot VIIRS adalah sebagai berikut:

a). Penentuan piksel panas pada band M10.

Band spektral M10 pada malam hari merekam noise dari instrumen, kecuali beberapa piksel yang mengandung pemancar inframerah, seperti flare gas, pembakaran biomassa, atau lava panas. Himpunan pixel yang memuat sumber panas sub-pixel diidentifikasi dengan nilai-nilai anomali tinggi di band spektral M10 dengan titik tengah panjang gelombang sebesar 1,6 µm. Data yang terkontaminasi oleh matahari dibuang oleh ambang batas piksel-piksel luar yang memiliki sudut zenith matahari <95º. Sekumpulan piksel yang digunakan dapat dicatat secara temporal. Analisis deteksi piksel panas M10 dicatat dalam file SDR dengan unsigned

(25)

UntukUntuk

integer. Setiap file SDR M10 memiliki skala dan offset yaitu untuk mengubah unsigned integer ke radiansi. Berdasarkan penelitian Elvidge et. al., yang berhubungan dengan proses penentuan piksel panas pada band 10, yakni “Why VIIRS data are superior to DMSP for mapping nighttime lights”, ditulis oleh Christopher D. Elvidge, Kimberly Baugh, Mikhail Zhizhin, Feng Chi Hsu. Sensor VIIRS sangat baik untuk band malam hari, yang digunakan untuk membedakan sumber panas dari cahaya penerangan listrik adalah M10, dalam interval gelombang pendek inframerah (SWIR). M10 adalah band pencitraan pada siang hari. Pada malam hari, M10 didominasi oleh noise background. Sumber pembakaran dan piksel panas dapat segera dideteksi, tapi tidak untuk pencahayaan listrik. Nightfire dapat mendeteksi titik panas dengan menggunakan perbedaan sumber panas dari cahaya lampu listrik yang terdeteksi juga oleh DNB. Perhatikan bahwa DNB merekam cahaya halo yang merupakan emisi sumber pembakaran sekitar cahaya VNIR yang tidak terdeteksi dalam data M10. Pemisahan secara lengkap untuk pencahayaan listrik dari sumber pembakaran dalam DNB, hal ini membutuhkan beberapa pengembangan algoritma, tetapi muncul kemungkinan didalam orbit tunggal berdasarkan deteksi dari sumber pembakaran M10. Batasan perluasan pixel jejak M-band dari nadir ke tepi scan VIIRS secara sistematis memvariasikan jumlah piksel yang dikumpulkan pada on-board. Di wilayah ± 31,72° keluar dari titik nadir, 3 piksel dikumpulkan. Instrumen kemudian beralih ke agregat dua piksel keluar untuk ± 44,86º. Di segmen akhir scan (keluar untuk ± 56.28º) tidak ada agregasi yang digunakan dan instrumen merekam sinyal dari piksel tunggal Gambar 2-6.

Gambar 2-6. Grafik Sampel Interval horizontal.

Grafik ini menunjukkan bagaimana pertumbuhan ground field of view pada band-M VIIRS dari nadir ke tepi scan dibatasi oleh pertukaran jumlah piksel yang dikumpulkan. Dalam zona agregasi 1, dari nadir hingga 31,72°, sinyal setiap 3 piksel dirata-ratakan. Dalam zona

(26)

Untuk Untuk

agregasi 2, sinyal dari 2 piksel dirata-ratakan. Di zona agregasi 3, sinyal dari 1 piksel direkam.

Gambar 2-7. di bawah ini merupakan keterhubungan sudut satelit dengan bumi dan matahari, untuk memberikan alasan pada proses penentuan piksel panas pada band 10.

Gambar 2-7. Keterhubungan sudut satelit dengan bumi dan matahari.

Setelah berhasil mengendalikan ukuran footprint, maka skema agregasi ini mengubah signal-ke- rasio noise di zona agregasi. Nightfire Untuk membuat sensitif dimungkinkan, maka tiga set dirata-ratakan dan dihitung deviasi standard pada setiap file SDR, penyatuan piksel dari 3 pixel zona agregasi. Pixel panas diidentifikasi sebagai nilai digital yang melebihi nilai rata-rata ditambah 4 standar deviasi.

Piksel panas M10 dicatat dalam file (CSV) nilainya dipisahkan dengan koma, yang meliputi integer unsigned, radiansi, nama file sumber, nomer sampel dan baris, lintang dan bujur, kualitas, dan metadata lainnya. Semua piksel panas M10 dicatat dalam CSV, saat ini hanya piksel yang memuat maxima lokal M10 dicatat dalam zip KML (Keyhole Markup Language). Maxima lokal M10 diidentifikasi sebagai piksel dengan tetangga terdekat memiliki radiansi rendah. Maxima lokal difilter untuk menghilangkan duplikat bowtie.

b). Pengolahan spectral band VIIRS lainnya.

Nomor sampel dan baris untuk piksel panas M10 digunakan sebagai panduan untuk menemukan piksel-piksel yang sesuai dalam 7 band M lainnya (M7 - 8, M12 - 16) sebagai masukan dari nilai radiansi di CSV. Band M7 dan M13 adalah band dual gain, dengan radiansi dicatat dalam SDR. Nilai SDR di band M lainnya berupa unsigned integer, dengan skala dan offset dicatat dalam HDF5. Radiansi M8 dan M12 -16 dihitung dari unsigned integer sebelum rekaman di CSV. Selanjutnya, data SDR di dalam M7 - 8 dan M12 - 13 dianalisa untuk menentukan apakah piksel panas M10 juga panas di band spektral lainnya. M7 dan M8 adalah band NIR, dan, seperti band M10, citra malam hari memuat instrumen

(27)

UntukUntuk

noise background dengan nilai-nilai tinggi dalam piksel yang memuat sumber panas. Oleh karena itu, dengan prosedur yang sama untuk menentukan ambang piksel panas M10 diaplikasikan juga untuk M7 dan M8. Ambang batas deteksi pixel panas M7 dan M8 dicatat dalam CSV. Deteksi flag diatur dalam CSV untuk menunjukkan panas piksel M7 dan M8. Band M12 dan M13 adalah band MWIR, selanjutnya dilakukan analisis yang lebih rumit dengan adanya permukaan bumi dan berbagai jenis awan. Ambang batas untuk M12 dan M13 mendeteksi piksel panas dengan menggunakan window 10 x 10 yang ditetapkan untuk setiap piksel panas M10. Piksel panas M10 dikecualikan dan piksel yang tersisa digunakan untuk menghitung rata-rata dan standar deviasi. Jika jumlah piksel background ditemukan kurang dari 50, maka window diperluas sampai 100 x 100. Deteksi ambang batas piksel panas dihitung sebagai rata-rata background ditambah tiga standar deviasi. Semua ambang batas piksel panas, radiansi, flag qualitas SDR, dan untuk nilai rata-rata radiansi background M12 dan M13, dicatat dalam CSV. Deteksi flag diatur dalam CSV untuk menunjukkan piksel panas M12 dan M13. Citra DNB memiliki lebar piksel yang berbeda dari citra band M, sehingga nilai baris dan sample band M dan nilai-nilai sampel tidak dapat digunakan secara langsung untuk mengekstrak radiansi DNB. Sebaliknya, algoritma menggunakan baris dan sudut scan untuk mendapatkan pendekatan perkiraan kesesuaian spasial. Nilai DNB hanya diekstrak untuk piksel panas M10 yang juga memiliki nilai local yang maksimal. Untuk setiap maksimum local M10, memiliki kesesuiaan local DNB didalam baris yang sama, di mana sudut scan telah sesuai juga. Jika kesesuaian maksimal local DNB ditemukan, maka radiansi direkam secara bersamaan dengan flag kualitas DNB, lintang, bujur, baris, dan nilai-nilai sampel juga direkam.

Setelah menguji piksel panas M10, langkah pengolahan berikutnya adalah menentukan apakah band spektral lainnya juga panas. Hal ini dilakukan karena dua alasan:

• Untuk mendapatkan satu set radiansi multispektral yang sesuai dengan analisis suhu dan ukuran sumber (daya, volume material yang dibakar).

• Filtering untuk menghapus deteksi palsu.

Detektor multiband independen terhadap threshold yang digunakan semua band M untuk mendeteksi sinyal IR di atas tingkatan noise. Treshold band M7, M8 dan M10 didasarkan pada aturan N-sigma untuk rata-rata dan standar deviasi yang dihitung pada seluruh image, mirip dengan perhitungan threshold THRM10. Threshold deteksi pada band M12 dan M13 secara dinamis diperbarui dalam piksel moving window 11x11 berpusat pada setiap maksimum lokal M10. Statistik sinyal background M12 dan M13 diperkirakan hanya untuk piksel didalam moving window dengan cahaya di bawah tingkatan noise di band M10 (dengan kecerahan <THRM10). Perbedaan antara radiansi M12 dan M13 yang diamati

(28)

Untuk Untuk

untuk deteksi sumber IR dan nilai rata-rata dari sinyal M12 dan M13 di sebagian noise dari moving window berfungsi sebagai perkiraan sumber kecerahan IR dalam band spektral dan akan digunakan kemudian untuk fitting kurve Planck black body. Untuk mencocokkan deteksi titik panas dalam band M10 dengan kecerahan lampu waktu malam diamati dalam band visibel DNB, kita harus memperhitungkan perbedaan dalam geometri citra M10 dan DNB. Pertama, kita mencari pixel DNB di garis scan yang sama, seperti titik panas M10, menggunakan data geolokasi (lintang dan bujur dari pusat piksel) untuk kedua image. Kemudian kita mencari pixel maxima lokal dalam window 11x11 yang berpusat di pixel DNB. Akhirnya, kita tetapkan titik panas M10 terdekat maksimum lokal DNB ditemukan dalam window (jika ada).

c). Penyaringan Noise

Data malam hari M10 merupakan noise yang dihasilkan oleh pengaruh partikel energi tinggi didalam detector di anomaly Atlantik Selatan dan dalam zona aurora. Sebagian besar noise ini dapat disaring oleh penentuan pixel panas M10 yang tidak dapat dikonfirmasi oleh deteksi pixel panas didalam satu tambahan spektral Band [15]. Flag deteksi merupakan sebuah kumpulan piksel panas M10 dimana pixel panas telah dikonfirmasi.

Image waktu malam dari satelit SNPP VIIRS scanning radiometer di band spectral visible dan infrared memberikan data yang bagus untuk men-deteksi dan menemukan karakterisasi sumber pembakaran alam dan teknologi di permukaan bumi, seperti kebakaran hutan, gas flare, pabrik baja atau gunung berapi aktif. Kehadiran sub-pixel sumber emisi panas inframerah (IR) dapat segera dideteksi pada malam hari di 1,6 um kanal inframerah-dekat M10. Suhu dan intensitas panas radiasi dapat diperkirakan dengan fitting model kurva spektral black body Planck untuk mengamati radiansi VIIRS kanal inframerah M hingga ukuran 4 um. Instrumen VIIRS sensitif terhadap sumber IR dengan berbagai macam suhu. Metode ini dapat membedakan sumber suhu rendah seperti gunung berapi dan kebakaran hutan dari tinggi gas flare dengan rata-rata kesalahan lokasi 300 m. Pengolahan meliputi koreksi untuk panorama efek "bow-tie” dan penyaringan deteksi kesalahan yang dihasilkan dari sensor penembakan sinar kosmik, terutama pada cincin aurora dan di anomaly Atlantik Selatan. Deteksi kesalahan dapat dihapus dengan menghubungkan titik cerah yang diamati pada kanal M10 dengan inframerah lain dan visible DNB (Day-Night Band). NGDC NOAA menyediakan produk deteksi harian global untuk ribuan sumber IR, dalam bentuk peta vektor KMZ dan tabel CSV.

d). Koreksi Atmosferik

Nightfire dapat dijalankan dengan atau tanpa koreksi atmosfer. Koefisien untuk mengoreksi kehilangan dalam radiansi karena penyerapan dan penyebaran atmosfer ditentukan dari setiap spektral band menggunakan MODTRAN 5 yang diparameterisasi dengan suhu atmosfer dan profil uap air yang telah diolah dari Cris dan sensor ATM (data CrIMSS).

(29)

UntukUntuk

e) Planck Curve Fitting

Planck curve fitting diterapkan menggunakan radiansi dari band spektral yang berada di atas ambang batas deteksi menggunakan Metode Optimasi Simplex. Untuk M7, M8, dan M10, yang radiansi diamati digunakan secara langsung. Untuk M12 dan M13, rata-rata background lokal, dibahas dalam bab lain (Bagian 2.2), dikurangi dari sinar diamati. Sumber panas Sub-pixel muncul sebagai graybodies, karena Fakta bahwa mereka hanya menempati sebagian kecil dari jejak pixel di tanah. Oleh karena itu, kita mendefinisikan istilah emisivitas dalam fungsi Planck sebagai faktor skala emisi (ESF) dan digunakan untuk memperkirakan ukuran sumber. Planck Curva Fitting dilakukan berdasarkan 2 variabel : suhu dan ESF. Suhu awal fitting adalah 1.000º K dan ESF 1,0. Fitting biasanya konvergen dalam waktu 20 iterasi. Output dari fitting adalah perkiraan suhu dan ESF dari sumber panas pixel, yang dicatat dalam CSV.

Hasil fitting kurva Planck secara realistis suhu rendah untuk 2 kategori piksel panas. Jenis paling banyak terjadi adalah untuk piksel dengan deteksi M10 yang dikonfirmasi oleh deteksi DNB, tapi tidak didukung oleh deteksi pixel panas di salah 1dari 4 band spektral lainnya. Ini adalah deteksi terlemah berasal dari Nightfire. Fitting Kurva Planck memberikan hasil yang realistis karena sisi panjang gelombang panjang (>1,6 µm) tidak dibatasi, mengakibatkan suhu terlalu rendah. Saat ini, suhu untuk dua deteksi piksel band DNB dan M10 ditetapkan 1.810 K, suhu suatu benda dengan puncak cahaya di M10. Kategori lainnya adalah piksel dengan suhu panas sumber rendah besar, di mana kombinasi radiansi M10 rendah dan radiansi tinggi di M12 dan M13 kadang-kadang menghasilkan fitting kurva Planck yang gagal melewati atau dekat dengan radiansi M10.

f). Perhitungan Luasan Sumber

Menggunakan suhu, ESF, dan ukuran pixel footprint Band M di tanah. Ukuran pixel footprint Band M (A) adalah produk dari VIIRS sepanjang scan (∆S) dan ukuran pixel sepanjang track (∆ܶ). ∆ܶ dan ∆S berasal dari persamaan berikut:

dimana Re =6,378.137 km (radius Bumi), H =833 km (ketinggian nominal satelit), r = Re + H. Ss = px_x /H, St = px_t/H, di mana px_x = 0.776 km (ukuran pixel sepanjang scan), px_t = 0,742 km (ukuran pixel sepanjang track). Untuk mengatasi 3 zona agregasi pixel, (x) ditetapkan sebagai berikut:

(2-1) (2-2)