Pendugaan Karakteristik Awan berdasarkan Data Spektral Citra Satelit Resolusi Spasial Menengah LANDSAT 8 OLI/TIRS. (An Estimation of Cloud Characteristics based on LANDSAT 8 Spectr...
Article in Jurnal Meteorologi Klimatologi dan Geofisika · July 2017
DOI: 10.36754/jmkg.v4i2.46
CITATIONS
3
READS
1,369 3 authors, including:
Yudha Kristanto
Bogor Agricultural University 7PUBLICATIONS 12CITATIONS
SEE PROFILE
Fadhlil Rizki Muhammad University of Melbourne 16PUBLICATIONS 78CITATIONS
SEE PROFILE
All content following this page was uploaded by Fadhlil Rizki Muhammad on 14 October 2020.
The user has requested enhancement of the downloaded file.
42
PENDUGAAN KARAKTERISTIK AWAN BERDASARKAN DATA SPEKTRAL CITRA SATELIT RESOLUSI SPASIAL MENENGAH LANDSAT 8 OLI/TIRS (STUDI KASUS: PROVINSI DKI JAKARTA)
Yudha Kristanto*, Tiara Agustin, Fadhlil Rizki Muhammad Departemen Geofisika dan Meteorologi Institut Pertanian Bogor, Bogor
*Email: [email protected]
ABSTRAK
Pendugaan karakteristik awan wilayah sangat penting bagi keilmuan atmosfer. Penelitian ini menerapkan interpretasi digital dan visual dalam menentukan karakteristik awan wilayah Jakarta menggunakan data penginderaan jauh satelit. Data diperoleh dari satelit pengindera sumberdaya alam seri Landsat terbaru yaitu Landsat 8 OLI/TIRS. Data masukan yakni spectral radiance dari citra satelit kanal tampak mata 4 dan 5, kanal 6 inframerah dekat, serta kanal inframerah termal 10 dan 11. Interpretasi awan menggunakan kanal tampak mata 4 dan 5, kanal 6 inframerah dekat Landsat 8 OLI untuk mengidentifikasi kelas awan yang dihasilkan melalui klasfikasi citra secara terbimbing. Kanal inframerah termal digunakan untuk menduga suhu permukaan awan dan suhu daratan di bawah awan. Data suhu awan dan suhu permukaan daratan dapat digunakan untuk menganalisis karakteristik awan berdasarkan ketinggian menggunakan persamaan dry adiabatic lapse rate.
Karakteristik awan berdasarkan ketebalan, volume, dan massa air yang terkandung pada awan diturunkan dengan persamaan saturated adiabatic lapse rate. Setelah sampel awan dikelompokkan berdasar ketinggian yang sama, interpretasi selanjutnya dilakukan dengan interpretasi visual untuk menentukan karakteristik awan berdasarkan bentuk menggunakan kombinasi kanal 4, 5, dan 6 Landsat 8 OLI. Analisis karakteristik awan menggunakan wilayah DKI Jakarta dengan musim penghujan dari data bulan Januari dan bulan Agustus untuk mewakili musim kemarau. Hasil analisis karakteristik awan di wilayah DKI Jakarta saat musim penghujan didominasi oleh bentuk awan yang heterogen, mulai dari awan rendah hingga tinggi. Berbeda dengan musim penghujan, tutupan awan pada musim kemarau didominasi oleh bentuk awan yang homogen yaitu awan rendah di atas wilayah DKI Jakarta. Informasi tutupan awan dan perbedaannya pada kedua musim di DKI Jakarta ini dapat menjadi gambaran secara umum kondisi cuaca di wilayah tropis dengan tingkat evaporasi tinggi maupun wilayah tropis di pesisir pantai. Kajian awan dapat dimanfaatkan dalam bidang hidrometeorologi seperti pendugaan pola cuaca dan pola curah hujan wilayah, serta peringatan dini terhadap kemungkinan bencana hidrometeorologi.
Kata kunci: spektral radians, DALR, SALR, klasifikasi terbimbing
ABSTRACT
Estimation of the cloud’s characteristics is very important for science atmosphere. This study applies digital and visual interpretation to determine the cloud’s characteristics in Jakarta using satellite remote sensing data. The data for this research was obtained from natural resource sensing satellite, Landsat 8 OLI / TIRS with data input are the spectral radiance of the satellite imagery visible bands 4 and 5, band 6 as near infrared, and thermal infrared in bands 10 and 11. Interpretation of the cloud using the visible bands 4, 5 and near infrared band 6, while creating the cloud classes using supervised image classification. Thermal infrared band is used to estimate the surface temperature of the clouds and the temperature of the ground beneath the cloud object. Cloud temperature and land surface temperature data can be used to analyze the cloud’s characteristics based on altitude using equation of dry adiabatic lapse rate.
Characteristics of the cloud by thickness, volume, and the mass of water contained in the clouds are derived by saturated adiabatic lapse rate equation. After the sample of clouds are classified by the same altitude, further interpretation is done by visual interpretation to determine the cloud’s characteristics based on its forms using a combination of bands 4, 5, and 6 of Landsat 8 OLI. The analysis of the cloud's characteristics using area of Jakarta with January data to represent the rainy season and August to represent the dry season. The results of the characteristics analysis of clouds in Jakarta shows cloud cover during the rainy season is dominated by heterogeneous cloud forms, ranging from low to high clouds. In contrast to the rainy season, cloud cover during the dry season is dominated by homogeneous cloud forms above the area of Jakarta. The characteristics analysis of the cloud cover able to describe the differences of weather conditions between the rainy and dry season in area of Jakarta. Information of cloud cover and the difference in the two seasons in Jakarta can be used as general overview of weather conditions in tropical areas with high evaporation rate and tropical coastal regions. Thorough study can be utilized for the benefit of hydro-meteorological fields such as estimating weather patterns or rainfall patterns of region, as well as early warning against the possibility of hydro-meteorological disasters in the future.
Keywords: spectral radiance, DALR, SALR, supervised classfication
43 I. PENDAHULUAN
1.1. Latar Belakang
Studi awan sangat penting bagi meteorologiwan dan ilmuwan atmosfer. Observasi dan citra awan merupakan alat yang sangat bernilai untuk menentukan karakteristik termodinamika dan dinamika udara yang selanjutnya dipakai dalam peramalan cuaca jangka pendek. Studi tentang awan menjadi penting karena awan merupakan fasa yang penting dalam siklus air di atmosfer.
Awan bertindak sebagai perwujudan uap air (fasa gas) menjadi air (fasa cair) yang sangat dibutuhkan manusia, karena tanpa air manusia dipastikan tidak dapat mempertahankan hidup di bumi (Tjasyono, 2012). Informasi tentang cuaca khususnya tutupan awan akan lebih mudah didapatkan apabila didukung oleh data penginderaan jauh satelit yang semakin maju.
Secara umum manusia melakukan pengamatan awan tanpa menggunakan instrumen. Dengan mata telanjang, manusia dapat melakukan pengamatan jumlah liputan awan dan jenis awan. Pengamatan visual tersebut sudah mencukupi untuk keperluan lokal, akan tetapi adakalanya diperlukan kemampuan melihat liputan awan dengan jangkauan pandang yang lebih luas untuk analisis skala regional yang mungkin dipengaruhi oleh keberadaan awan tersebut (Nardi dan Nazori, 2012). Dengan berkembangnya teknologi penginderaan jauh, NASA Amerika Serikat meluncurkan satelit sumberdaya alam pertama pada tanggal 23 Juli 1972, yang diberi nama ERTS-1 (Earth Resources Technology Satellite) dan ERTS-2 pada tahun 1975. Setelah peluncuran ERTS-1 dan ERTS-2, diluncurkan juga satelit berikutnya dengan seri Landsat 3,4,5,6,7 dan yang terakhir dikenal dengan Landsat 8 yang membawa 9 kanal pada sensor OLI (Operational Land Imager) dan 2 kanal TIRS (Thermal Infrared Sensor). Landsat 8 memiliki resolusi temporal 16 hari dan resolusi spasial 30m x 30m.
Penggunaan citra Landsat 8 sebagai data utama karena data citra landsat memiliki resolusi spasial yang cukup baik, yaitu 30x30m walaupun resolusi temporalnya rendah.
Sugiarto (2013) menjelaskan keunggulan yang dimiliki Landsat 8 berdasarkan kanal-kanalnya.
Kanal 9 misalnya, dapat digunakan untuk mendeteksi awan cirrus tanpa melalui proses pengolahan nilai digital number menjadi nilai spektral. Sementara itu, citra satelit Landsat 8 yang memiliki tutupan awan yang banyak
biasanya tidak dimanfaatkan dalam analisis utama citra satelit Landsat sebagai satelit pengindera sumberdaya alam, land use, dan land cover karena menghalangi kenampakan permukaan bumi. Disisi lain, citra dengan tutupan awan yang tinggi justru sangat berguna apabila dimanfaatkan dalam bidang kajian hidrometeorologi.
1.2. Tujuan
Tujuan dari penelitian ini adalah menduga klasifikasi awan berdasarkan ketinggian dari cloud base yang diperoleh dari data Spektral Landsat 8 dan klasifikasi awan berdasarkan bentuk dari data spektral hasil klasifikasi terbimbing. Hasil klasifikasi tersebut dianalisis lebih lanjut dalam pemetaan sebaran awan menggunakan sistem informasi geografis untuk melihat pola sebaran awan pada musim kemarau dan musim penghujan di wilayah DKI Jakarta.
II. TINJAUAN PUSTAKA
Awan adalah kumpulan butiran air dan kristal es yang sangat kecil atau campuran keduanya dengan konsentrasi berorde 100 per sentimeter kubik dan mempunyai radius sekitar 10 mikrometer. Awan terbentuk jika volume udara lembap mengalami pendinginan sampai di bawah temperatur titik embunnya. Pada keadaan lapisan atmosfer di atas benua maritim (maritime continent) seperti Indonesia, pendinginan sangat sering disebabkan oleh ekspansi adiabatik udara yang naik melalui konveksi, orografi, dan konvergensi. Jenis awan yang terbentuk oleh ekspansi adiabatik tersebut disebut awan konvektif, awan orografik, dan awan konvergensi. Pendinginan dapat juga disebabkan oleh proses radiatif atau percampuran udara yang berbeda temperatur dan kelembabannya (Tjasyono, 2012).
Sistem awan dikendalikan oleh gerak udara vertikal akibat konveksi, efek orografik, konvergensi, dan front dimana sistem gerak udara vertikal tersebut akan memberikan bentuk atau tekstur dan ketinggian awan yang khas (Tjasyono 2012). Berdasarkan bentuk atau tekstur tersebut, awan terbagi ke dalam kelas stratiform, cumuliform, dan cirriform.
Stratiform merupakan awan yang menyebabkan hujan kontinu, terbentuk karena kenaikan udara skala makro oleh front atau konvergensi atau topografi. Awan stratiform mencakup daerah hujan yang cukup luas, intensitas hujan kecil dari gerimis sampai hujan sedang, dan arus
44 udara ke atas dalam awan ini mencakup daerah
yang luas tetapi lemah. Cumuliform adalah awan yang menyebabkan hujan lokal yang disebabkan oleh konveksi yang terletak dalam udara labil dengan intensitas hujan tinggi dari hujan normal sampai hujan lebat (shower). Arus udara ke atas dalam awan cumuliform mencakup daerah yang kecil tetapi kuat.
Sedangkan awan cirriform merupakan bentuk awan yang digunakan untuk mendeskripsikan awan tinggi yang memiliki tekstur berserat dan relatif tidak berpotensi turun sebagai presipitasi (Wang, 2013).
Awan juga diklasifikasikan berdasarkan ketinggiannya yakni pada daerah tropis, ketinggian 0-2000 m adalah awan rendah dengan jenis Stratus, Stratocumulus, dan Nimbostratus, ketinggian 2000-6000 m adalah klasifikasi awan menengah dengan jenis awan Altocumulus dan Altostratus, dan terakhir adalah awan tinggi dengan ketinggian 6000 - 18000 m dengan jenis awan Cirrus, Cirrocumulis, dan Cirrostratus. Selain dari ketiga klasifikasi tersebut, ada juga awan yang diklasifikasikan sebagai awan dengan perkembangan vertikal yaitu awan jenis Cumulus dan Cumulunimbus. Awan jenis ini biasanya memiliki cloud base 1000 m untuk cumulus dengan cloud top bisa mencapai 12000 m (Ahrens, 2016). Walaupun terdapat klasifikasi berdasarkan ketinggian, penentuan jenis awan tidak bisa hanya didsarkan pada ketinggian awan, tetapi juga dengan pengamatan visual. Ciri visual yang penting dalam klasifikasi awan menurut Ahrens (2016) adalah sebagai berikut :
Tabel 1. Klasifikasi awan berdasarkan ketinggian dan ciri visual
III. METODOLOGI PENELITIAN 3.1. Lokasi Kajian
Provinsi DKI Jakarta merupakan wilayah dataran rendah yang memiliki ketinggian rata- rata 7 mdpl, terletak pada 5° 19' 12"-6° 23' 54"
LS dan 106° 22' 42"-106° 58' 18" BT.
Berdasarkan Keputusan Gubernur No. 1227 Tahun 1989, luas wilayah Provinsi DKI Jakarta adalah 7659,02 km2, terdiri atas daratan seluas 661,62 km2 termasuk di dalamnya 110 pulau di Kepulauan Seribu. Wilayah kajian yang dipilih meliputi wilayah daratan Provinsi DKI Jakarta yakni Kota Jakarta Utara, Kota Jakarta Pusat, Kota Jakarta Barat, Kota Jakarta Timur, dan Kota Jakarta Selatan tanpa mengikut sertakan Kabupaten Kepulauan Seribu. Kepulauan Seribu memiliki luasan terlalu kecil pada masing-masing pulaunya sehingga lebih sulit diinterpretasikan ketika luasan awan melebihi luasan pulau yang ditutupi. Wilayah DKI Jakarta dipilih sebagai sampel wilayah pada penelitian ini karena kondisi cuaca DKI Jakarta menarik dikaji, didukung dengan penelitian dari BMKG dan Direktur Eksekutif Wahana Lingkungan Hidup Indonesia yang menyatakan bahwa wilayah DKI Jakarta merupakan zona konvektif di pesisir barat daya Laut Jawa yang berpotensi sebagai tempat pertumbuhan awan.
3.2. Alat dan Bahan
Alat yang digunakan dalam penelitian ini adalah seperangkat komputer yang telah terpasang Microsoft Office, ArcGIS 10.5, ERDAS IMAGINE 2014, dan GrADS.
Bahan yang digunakan dalam penelitian kali ini berupa dua (2) buah citra satelit Landsat 8 yang mewakili waktu dan wilayah kajian, yaitu
LC81220642016052LGN00 dan
LC81220642016235LGN00, Peta RBI Administrasi DKI Jakarta sebagai dasar membuat peta tematik, dan data ECMWF-ERA Interim tutupan awan (Cloud Cover) yang digunakan untuk validasi.
3.3. Analisis Data
Penelitian ini dilakukan dalam tiga tahapan yakni input, analisis, dan output. Tahap input meliputi proses memasukkan data citra Landsat 8 dan peta RBI kedalam software berbasis SIG untuk dianalisis. Tahap analisis terbagi menjadi empat proses utama yaitu digital image processing, pemodelan suhu permukaan, klasifikasi awan, dan GIS analysis terhadap data hasil klasifikasi awan. Tahap terakhir
45 adalah output yang berupa penyatuan data
spasial dan layouting peta.
3.3.1. Digital Image Processing
Digital image processing adalah proses pengolahan gambar dua dimensi oleh perangkat komputer digital (Jensen, 1996). Adapun menurut Acharya dan Ray (2005), digital image processing merupakan proses pengambilan atribut-atribut pada gambar dengan input dan output yang berupa gambar. Digital image processing memiliki berbagai macam fungsi untuk bermacam-macam bidang seperti koreksi geometrik, koreksi radiometrik, pendeteksian objek pada gambar, penajaman gambar, pengurangan noise, dan sebagainya.
Koreksi geometrik dilakukan akibat distorsi geometrik antara citra hasil penginderaan dan objeknya. Koreksi geometrik dapat dilakukan dengan menggunakan posisi geografik (titik kontrol tanah) yang terdistribusi merata di seluruh citra. Posisi geografik ini ditentukan dari beberapa obyek yang mudah diidentifikasi pada citra, sehingga diperoleh koordinat dalam sistem geografik (X,Y) dan dalam sistem koordinat citra (X,Y) sebagai titik sekutu.
Selanjutnya citra dikoreksi dengan sistem transformasi polinomial dengan bantuan perangkat lunak Erdas Imagine 2014.
Koreksi radiometrik yang dilakukan pada penelitian kali ini adalah konversi nilai DN menjadi spectral radiance. Proses konversi ini memerlukan informasi Gain dan Bias dari sensor di setiap kanal. Transformasi dilakukan berdasarkan kurva kalibrasi DN ke radiance yang telah dihitung secara sistematik. Formula yang digunakan untuk menghitung nilai Gain dan Bias bervariasi untuk setiap citra yang diproses. Metode menentukan nilai Gain dan Bias tersebut adalah:
;
… (1) Metode untuk mengkalibrasi nilai DN menjadi nilai spectral radiance (Lλ) adalah:
… (2)
3.3.2. Pemodelan Suhu Permukaan
Suhu permukaan merupakan suhu bagian terluar dari suatu obyek dan merupakan unsur pertama yang dapat di identifikasi dari cita satelit termal. Suhu permukaan benda tergantung dari sifat fisik permukaan obyek, di
antaranya adalah emisivitas, kapasitas panas jenis, dan konduktivitas termal. Selain itu suhu permukaan juga di pengaruhi oleh panjang gelombang. Panjang gelombang yang paling sensitif terhadap suhu permukaan adalah inframerah termal (Lillesand dan Kiefer, 2004).
Suhu permukaan (Ts) didapatkan melalui perhitungan spectral radiance (Lλ), temperature brightness (Tb), dan emisivitas (e) dengan persamaan sebagai berikut:
… (3)
… (4) dimana Lλ adalah spectral radiance puncak atmosfer (Watt / (m2 srad μm), Tb adalah brightness temperature (°C), K1 dan K2 adalah konstanta konversi spesifik kanal termal 10 dan 11 Landsat 8, e adalah emisifitas, Ts adalah suhu permukaan (°C), w adalah nilai tengah panjang gelombang dari radiasi yang diemisikan objek (μm), h adalah konstanta planck (6,626 * 10-34 Js), s adalah konstanta Stefan-Boltzmann (1,138 * 10-23 J/K), serta c adalah kecepatan cahaya (2,998 * 108 m/s).
3.3.3. Klasifikasi Awan
Awan diklasifikasikan berdasarkan ketinggiannya melalui persamaan DALR dan SALR dari suhu awan yang diperoleh. Awan juga diklasifikasikan berdasarkan bentuknya melalui klasifikasi terbimbing (supervised classification).
Klasifikasi terbimbing data satelit penginderaan jauh diartikan sebagai metoda klasifikasi pixel (picture element) pada citra digital ke dalam sejumlah kelas objek dengan pengajaran pola/ciri kelas penutup/penggunaan lahan melalui ground control point kepada komputer pemroses dan klasifikasi didasarkan pada pengelompokkan pola/ciri yang mirip secara alami ke dalam sejumlah kelas tertentu (clustering) (Mukhaiyar, 2010). Klasifikasi terbimbing pada penelitian kali ini menggunakan empat ground control point untuk menentukan piksel mana yang memiliki spektral serupa dengan piksel lain dan kemudian mengelompokkan nilai piksel tersebut ke dalam berbagai kelas-kelas homogen dan dihasilkan dua kelas objek utama
46 yang berbeda menurut pola digital numbernya,
yaitu kelas awan dan non awan. Sedangkan kelas awan terbagi menjadi beberapa sub kelas sesuai dengan sebaran digital number dari threshold yang digunakan sebesar 95%.
Menurut Stull (2000), lapse rate adiabatik kering adalah tingkat pendinginan suatu parcel udara ketika tidak terjadi pertukaran kalor antara parcel udara dengan lingkungannya.
Secara teoritis, suatu parcel udara yang dipaksa bergerak naik dalam atmosfer akan mengalami tekanan yang lebih rendah sehingga parcel udara tersebut akan mengembang dan mendingin. Temperatur lapse rate yakni sebesar 9,8 °C/km mengikuti perubahan ketinggian dianggap sebagai tingkat adiabatik kering.
… (5) dimana dT = Tb – Ta adalah perubahan suhu, dz = Zb – Za adalah perubahan ketinggian, Tb (suhu dasar awan) < Ta (suhu permukaan laut atau suhu rata-rata objek permukaan di bawah awan), dan Zb (ketinggian dasar awan) > Za (elevasi permukaan dari muka laut).
Lapse Rate Adiabatik Jenuh atau Saturated Adiabatic Lapse Rate atau Moist Adiabatic Lapse Rate adalah tingkat pendinginan suhu parsel udara dalam kondisi jenuh, contohnya yaitu ketika kelembaban relatif udara mencapai 100%. Saturated lapse rate berkisar antara 5- 9 °C/km (aproksimasi rata-rata lapisan atmosfer adalah 6 °C/km) mengikuti perubahan ketinggian dianggap sebagai tingkat adiabatik jenuh (Marshall dan Plumb, 2010).
… (6) dimana dT = Tb – Ta adalah perubahan suhu, dz = Zb – Za adalah perubahan ketinggian, Tb (suhu puncak awan) < Ta (suhu puncak awan), dan Zb (ketinggian puncak awan) > Za (ketinggian dasar awan).
3.3.4. Pemodelan Suhu Permukaan
Pada tahap ini dilakukan proses pembentukan peta baru yang telah diolah secara manual dan secara komputer. Beberapa alat untuk analisis berbasis GIS pada penelitian kali ini meliputi generalisasi (merge), konversi (raster to vector atau sebaliknya), overlay (erase, intersect, dan union), serta extract (clip).
2.4. Batasan Masalah dan Asumsi
Batasan dan asumsi yang digunakan dalam penelitian kali ini meliputi, (1) suhu terendah awan merupakan suhu puncak awan dan suhu tertinggi awan merupakan suhu dasar awan, (2) kelas-kelas awan yang dihasilkan klasifikasi terbimbing cukup mewakili kelas-kelas awan sebenarnya berdasarkan sebaran digital numbernya, (3) rata-rata suhu daratan pada ketinggian 0 mdpl dianggap mewakili suhu rata-rata daratan Jakarta untuk digunakan sebagai suhu dasar dalam perhitungan dry adiabatic lapse rate, serta (4) laju lapse rate baik adiabatik kering maupun jenuh diaproksimasikan sama disetiap wilayah dan ketinggian pada lapisan troposfer.
Gambar 1. Diagram alir membuat peta awan berdasarkan data spektral citra satelit Landsat 8
IV. HASIL DAN PEMBAHASAN
Wilayah DKI Jakarta yang terletak di dekat Laut Jawa menghasilkan uap air cukup besar yang berperan dalam pembentukan awan-awan konvektif. Variasi harian keawanaan terlihat di atas daratan dan lautan. Kondisi keawanan di atas daratan biasanya menjadi maksimum pada siang hari sampai sore hari yang diakibatkan oleh proses konveksi terutama di daerah tropis.
Keawanan minimum terjadi pada malam hari ketika udara mulai stabil akibat turunnya suhu permukaan bumi (Handoko, 2003).
47 (a)
(b)
Gambar 2. Peta sebaran awan berdasarkan ketinggian: (a) 23 Agustus 2016 dan (b) 21
Februari 2016
Interpretasi citra awan dilakukan dengan menghitung potensi pembentukan awan menggunakan persamaan termodinamika atmosfer yaitu dengan perpaduan persamaan DALR (Dry Adiabatic Lapse Rate) dan SALR (Saturated Adiabatic Lapse Rate), serta interpretasi visual menggunakan klasifikasi terbimbing. Citra Landsat 8 yang digunakan berupa citra composite band 6-5-4 (SWIR-NIR- Red) untuk mengkelaskan awan secara digital dengan supervised classification serta citra band 10 dan 11 (Thermal Infrared) untuk memperoleh data suhu permukaan. Awan yang tercitra oleh satelit Landsat-8 diklasifikasikan berdasarkan ketinggiannya melalui interpretasi digital spectral radiance awan dan diklasifikasikan berdasarkan bentuknya melalui supervised classification. Berdasarkan ketinggiannya, awan diklasifikasikan menjadi tiga, yaitu awan rendah (low cloud), awan menengah (mid cloud), dan awan tinggi (high cloud). Berdasarkan bentuknya seperti, awan diklasifikasikan menjadi kelas stratus (stratiform), kelas cumulus (cumuliform), dan
kelas cirrus (cirriform), kelas altostratus/altocumulus, dan kelas cumulunimbus.
Berdasarkan Gambar 2, awan terklasifikasi berdasarkan selang nilai suhu dan ketinggian menjadi tiga kelas awan. Selang suhu dan ketinggian yang dimaksud adalah jarak antara cloud base dan cloud top yang diperoleh dari pemodelan data spectral radiance citra awan tersebut. Ketiga kelas tersebut meliputi awan rendah dengan ketinggian 0-2000 meter, awan menengah dengan ketinggian 2000-6000 meter, dan awan tinggi dengan ketinggian lebih dari 6000 meter. Daerah pada ketinggian 6000-8000 merupaka dearah overlap yang dapat mengklasifikasikan awan sebagai awan menengah maupun awan tinggi (Ahrens, 2016).
Namun, beberapa kelas awan tidak dapat dijelaskan secara rinci bahkan tidak terpetakan ketika spectral radiancenya mendekati spectral radiance daratan walaupun secara visual terlihat pada wilayah tersebut tertutup oleh awan.
(a)
(b)
Gambar 3.Peta sebaran awan berdasarkan ketinggian dan klasifikasi terbimbing: (a) 23
Agustus 2016 dan (b) 21 Februari 2016
48 Data spektral tanpa pengolahan lebih lanjut
tidak mampu menghasilkan klasifikasi awan yang baik. Sebagai konsekuensinya, klasifikasi awan berdasarkan ketinggian melaui nilai spektral diklasifikasikan kembali menggunakan klasifikasi terbimbing untuk memperoleh peta awan yang lebih detail, baik ketinggian hingga bentuknya. Pengklafikasian sampel awan dilakukan secara independen dan selanjutnya dianalisis melalui interpretasi visual dan menggunakan alat analisis SIG melalui kombinasi kanal 6-5-4. Kanal 6-5-4 sangat jelas membedakan pola digital number setiap kelas awan, yaitu didapatkan awan tinggi dalam bentuk cirriform
maupun awan altostratus/altocumulus, awan menengah dalam bentuk altocumulus/altostratus dan cumulunimbus, serta awan rendah dalam bentuk cumulunimbus, cumuluform, dan stratiform seperti yang ditunjukkan pada Gambar 3. Hal ini dikarenakan kombinasi band 6-5-4 merupakan salah satu kombinasi kanal yang detail dalam mengkelaskan objek pada citra melalui klasifikasi terbimbing, bahkan objek awan yang memiliki digital number hampir seragam. Setiap sampel awan yang dikumpulkan disimpan dalam database bersama dengan data radiometrik, lokasi, dan karakteristik vektorial sampel tersebut seperti luas wilayah tutupan awan.
Sebaran awan pada Gambar 2 dan Gambar 3 membandingkan komposisi tutupan awan berdasarkan ketinggian pada musim kemarau dan musim penghujan di DKI Jakarta. Gambar 2a dan 3a menunjukkan bahwa awan stratiform sudah terklasifikasi melalui data secara spektral menjadi awan menengah dan awan rendah yang kemudian dikoreksi melalui pengamatan secara visual seperti pada Gambar 3a. Sedangkan pada Gambar 2b dan 3b terlihat bahwa awan stratiform tidak terklasifikasi apabila hanya berdasarkan data spektral saja, awan stratiform baru teridentifikasi melalui interpretasi secara visual. Perbedaan hasil pada klasifikasi ini dikarenakan suhu awan stratiform yang terdeteksi pada Gambar 2b mendekati suhu daratan sehingga tidak terklasifikasi menjadi awan, lain halnya dengan Gambar 2a dimana suhu awan stratiform cukup berbeda dengan daratan sehingga terklasifikasi dengan baik dengan menggunakan data spektral saja. Awan kumulonimbus terdeteksi secara visual menggumpal dan vertikal serta mempunyai luasan lebih besar dibandingkan awan lain dan
ketebalan yang lebih tinggi daripada awan- awan lain.
Komposisi tutupan awan ini ditampilkan pada Gambar 3 yang menunjukkan jenis-jenis awan dan persentase luasan tutupannya pada musim kemarau dan penghujan di DKI Jakarta. Awan cirriform sebagai awan tinggi sulit untuk diidentifikasi karena lapisannya yang tipis membuat nilai piksel awan ini sulit dibedakan dengan nilai piksel daratan, oleh sebab itu cirriform hanya mampu teridentifikasi dengan persentase kecil pada musim penghujan karena terdapat di atas lapisan awan altocumulus/altostratus. Awan vertikal cumuluform dan cumulonimbus pada musim penghujan membentuk kelompok berukuran besar yang menunjukkan potensi yang tinggi untuk turunnya hujan, sedangkan pada musim kemarau awan-awan ini menyebar secara merata menutupi daratan di DKI Jakarta.
Tutupan awan altocumulus/altostratus dan stratiform yang terlihat dari citra satelit menunjukkan pola yang hampir sama dengan awan cumuluform yakni menyebar secara merata pada musim kemarau dan cenderung berkumpul di musim penghujan. Perbedaan tutupan awan pada kedua musim ini menunjukkan awan pada musim penghujan memiliki potensi turun hujan yang jauh lebih besar dibandingkan dengan tutupan awan saat kemarau.
Secara umum tutupan awan pada musim penghujan lebih heterogen dibandingkan dengan musim kemarau. Awan di musim kemarau didominasi oleh awan rendah dan sangat sedikit ditemukan awan tinggi.
Sedangkan pada musim penghujan tutupan awan rendah dan menengah sedikit lebih mendominasi dibandingkan awan tinggi.
Analisis karakteristik awan ini mampu menggambarkan perbedaan kondisi cuaca di musim penghujan dan musim kemarau di wilayah DKI Jakarta. Informasi tutupan awan dan perbedaannya pada kedua musim di DKI Jakarta ini dapat menjadi gambaran secara umum kondisi cuaca di wilayah tropis dengan tingkat evaporasi tinggi maupun wilayah tropis di pesisir pantai. Kajian awan secara mendalam dapat dimanfaatkan untuk bidang hidrometeorologi seperti pendugaan pola cuaca, pola curah hujan wilayah, serta peringatan dini terhadap kemungkinan bencana hidrometeorologi seperti badai dan banjir di masa depan.
(a)
49 (a)
(b)
Gambar 4. Sebaran tutupan awan rendah (a) dan awan tinggi (b) di Jakarta (kotak hitam) tanggal 21 Februari 2016 menggunakan data
ECMWF-ERA Interim
Pola sebaran awan dilihat pula menggunakan data ECMWF-INTERIM resolusi 0,125o x 0,125o (sekitar 13,875 km x 13,875 km), resolusi yang sangat rendah apabila dibandingkan dengan resolusi Landsat 8 sebesar 30 m x 30 m. Data yang dipakai adalah tutupan) awan (cloud cover) pada 21 Februari 2016 yang terdiri atas dua variabel, yaitu LCC (low cloud cover) dan HCC (high cloud cover). Data tutupan awan rendah ECMWF-ERA Interim menggambarkan pola yang sama dengan tutupan awan rendah hasil klasifikasi dari data spektral Landsat 8 OLI/TIRS yakni tutupan awan rendah terbesar berada di wilayah selatan dan tenggara DKI Jakarta dan semakin jarang ke arah barat dan barat laut. Pola yang sama ini menunjukkan metode pengklasifikasian tutupan awan rendah menggunakan data spektral satelit dapat dilakukan sebagai salah satu metode pengklasifikasian awan, sedangkan dalam menentukan awan tinggi cirrus sangat lemah apabila menggunakan data spektral satelit. Hal ini dikarenakan pola awan tinggi yang ditunjukkan data ECMWF-INTERIM berlainan dengan pola awan tinggi berdasarkan nilai spektral Landsat 8 di beberapa wilayah. Oleh karena itu, sebagai konsekuensinya
pengklasifikasian awan tinggi dapat dilakukan tanpa menggunakan data spektral, melainkan langsung menggunakan fasilitas kanal 9 pada Landsat 8 OLI/TIRS.
V. KESIMPULAN
Awan dapat dikelaskan berdasarkan ketinggiannya, yaitu awan rendah, menengah, dan awan tinggi menggunakan persamaan dry adiabatic lapse rate, yakni dengan menggunakan perbedaan suhu permukaan awan tertinggi (suhu dasar awan) dan suhu permukaan objek dibawahnya. Ketebalan awan dapat diperoleh menggunakan persamaan saturated adiabatic lapse rate menggunakan perbedaan suhu permukaan awan tertinggi (suhu dasar awan) dan suhu awan terendah (suhu puncak awan). Selain itu, interpretasi visual awan menggunakan kombinasi kanal 6- 5-4 pada Landsat 8 OLI/TIRS dapat mengelaskan awan berdasarkan bentuk seperti cumulus, cumolonimbus, nimbostratus, dan altostratus. Analisis karakteristik awan wilayah DKI Jakarta menunjukkan awan dalam bentuk cirriform, stratiform, cumuluform, cumulonimbus, dan altostratus/altocumulus.
Ketika musim penghujan, penutupan awan DKI Jakarta lebih heterogen (terdiri atas berbagai macam kelas awan) dan berpotensi turun sebagai hujan dibandingkan pada musim kemarau yang tutupan awannya lebih homogen dan kurang berpotensi turun sebagai hujan. Pola tutupan awan rendah pada hasil pengklasifikasian menggunakan data spektral dengan data ECMWF-INTERIM yang sama menunjukkan metode pengklasifikasian tutupan awan rendah menggunakan data spektral satelit dapat dilakukan sebagai salah satu metode pengklasifikasian awan, sedangkan dalam menentukan awan tinggi cirrus dapat dilakukan langsung menggunakan fasilitas kanal 9 pada Landsat 8 OLI/TIRS.
DAFTAR PUSTAKA
Ahrens C.D dan Henson R., 2016. Meteorology Today: An Introduction to Weather, Climate and the Environment, 11th Ed.
Boston: Cengage Learning. 127 hlm.
Handoko (Ed.), 2003. Klimatologi Dasar.
Jakarta : PT Dunia Pustaka Jaya Press.
Kuester M., 2016. Radiometric use of WorldView-3 imagery. Digital Globe.
Vol.1, hlm 1- 12.
50 Lillesand T.M dan Kiefer R.W., 2004. Remote
Sensing and Image Interpretation. New York: John Wiley & Sons.
Marshall J. dan Plumb R.A., 2010. Atmosphere, Ocean, and Climate Dynamics. New York: Academic Press.
Mukhaiyar R., 2005. Klasifikasi penggunaan lahan dari data remote sensing. J.
Teknologi Informasi dan Pendidikan.
Vol.2, no.1 hlm 1-15.
Nardi dan Nazori AZ., 2012. Otomasi klasifikasi awan citra satelit MTSAT dengan pendekatan fuzzy logic. J.
Telematika MKOM. Vol.4, no.1 hlm 104- 117.
Setiawan K.T., Anggraini N., Manoppo K.S., 2016. Estimasi perhitungan luas daerah di pulau-pulau kecil menggunakan data citra satelit Landsat 8, studi kasus: Pulau Pramuka Kepulauan Seribu DKI Jakarta.
Seminar Nasional Penginderaan Jauh 2016. 294-100.
Stull R. 2000., Meteorology for Scientist and Engineers Second Edition. California:
Brooks/Cole CENGAGE Learning.
Tjasyono B. 2012., Mikrofisika Awan. Jakarta:
Badan Meteorologi Klimatologi dan Geofisika.
Wang H.J.,Chen Y.N. Chen Z.S., 2013. Spatial distribution and temporal trends of mean precipitation and extremes in the arid region, northwest of China, during 1960-
2010. Hydrological Process. Vol.27 hlm 1807-1818.
51
View publication stats
