Eksplorasi Suhu Permukaan Lahan Perkotaan Menggunakan Teknik Pemodelan Spasial dan Regresi di Uttarakhand

(1)

Evolusi Bumi 2 (2024) 100038

Daftar isi tersedia diSains Langsung

Bumi yang Berkembang

beranda jurnal:www.sciencedirect.com/journal/evolving-earth

Menjelajahi suhu permukaan lahan perkotaan dengan teknik pemodelan

geospasial dan regresi di Uttarakhand menggunakan model SVM, OLS dan GWR

Waiza Khalid

A

, Syed Kausar Shamim

BBahasa Indonesia:*

, Ateeque Ahmad

B

ADepartemen Interdisipliner Penginderaan Jauh dan Aplikasi GIS, Fakultas Sains, Universitas Muslim Aligarh, Aligarh, India

BJurusan Geografi, Fakultas Sains, Universitas Muslim Aligarh, Aligarh, India

INFORMASI ARTIKEL ABSTRAK

Kata kunci:

Perubahan iklim Suhu permukaan daratan Kuadrat terkecil biasa Autokorelasi spasial Regresi tertimbang secara geografis

Mengingat tantangan perubahan iklim, Uttarakhand menjadi penting untuk memeriksa dinamika lahan dan interaksi iklim regional. Studi ini menggunakan Support Vector Machine (SVM) untuk pemetaan penggunaan lahan dan tutupan lahan untuk tahun 2024, mencapai akurasi 94% dan koefisien Kappa sebesar 0,90, yang menunjukkan pemetaan yang kuat. Indeks lahan utama seperti NDVI, NDWI, NDBI, NDSI, dan NDBaI dihitung, bersama dengan Suhu Permukaan Tanah (LST) dari citra Landsat 8. Indeks-indeks ini dipilih karena relevansinya dalam mewakili kesehatan vegetasi (NDVI), mengukur kadar air (NDWI), menilai daerah perkotaan (NDBI), mengidentifikasi tutupan salju (NDSI), dan menyoroti tanah tandus (NDBaI), yang semuanya memengaruhi LST. Analisis titik panas dengan Getis-Ord Gi* mengungkapkan pola distribusi spasial LST. Analisis regresi menunjukkan hubungan yang signifikan: korelasi positif yang kuat antara LST dan NDBI (R2= 0,78) dan korelasi negatif yang substansial antara LST dan NDSI (R2= − 0,80). Korelasi positif yang kuat menyoroti bagaimana urbanisasi berkontribusi pada peningkatan suhu permukaan, sementara korelasi negatif yang substansial menggarisbawahi efek pendinginan dari tutupan salju, yang khususnya relevan karena berkurangnya tutupan salju dapat menyebabkan LST yang lebih tinggi dalam konteks perubahan iklim. Korelasi ini menawarkan wawasan yang lebih mendalam tentang bagaimana perubahan tutupan lahan dapat memperburuk atau mengurangi dampak iklim di Uttarakhand. Dua model regresi digunakan untuk pemodelan statistik dan analisis spasial: Ordinary Least Squares (OLS) dan Geographically Weighted Regression (GWR). Dalam OLS, hasilnya mengungkapkan non-stasioneritas (p = 0,000) dengan R2nilai sebesar 0,79 sedangkan GWR secara signifikan meningkatkan kinerja, mencapai R2nilai 0,94. Peningkatan kinerja GWR (R2= 0,94) dibandingkan dengan OLS (R2= 0,79) dapat dikaitkan dengan kemampuan GWR untuk memperhitungkan nonstasioneritas spasial. Metode ini memungkinkan adanya variasi dalam hubungan antara LST dan variabel penjelas di berbagai lokasi, yang secara efektif menangkap pola lokal yang mungkin diabaikan oleh OLS. Analisis autokorelasi spasial, yang menggunakan Moran's I, menunjukkan penurunan dari 0,606 (OLS) menjadi 0,02 (GWR). Penurunan ini menunjukkan bahwa GWR secara efektif menangkap nonstasioneritas spasial,

meminimalkan autokorelasi residual dengan memodelkan hubungan lokal antara LST dan prediktornya yang sering kali tetap ada dalam model global seperti OLS, sehingga menunjukkan keunggulannya di wilayah heterogen. Temuan ini

menggarisbawahi pentingnya menggunakan GWR untuk menjelaskan dengan lebih baik hubungan antara LST dan prediktornya, khususnya di wilayah yang dicirikan oleh nonstasioneritas spasial, sehingga menawarkan wawasan yang penting untuk pengambilan keputusan yang tepat di tengah kondisi iklim yang berubah.

1. Pendahuluan dampak pada orang lain (Weng, 2001Pola Penggunaan Lahan dan Penutupan Lahan (LULC) memainkan peran penting dalam membentuk lingkungan termal, dengan perubahan LULC menyebabkan variasi LST (Fu dan Weng, 2016Bahasa Indonesia:Rinner dan Hussain, 2011) dengan perubahan pola LULC yang menyebabkan perubahan LST sebagai salah satu hasilnya (R.Ahmed dkk., 2022Bahasa Indonesia:Mohammad dkk., 2019 ). Variabel kunci seperti vegetasi, urbanisasi, lahan terbuka, salju, dan air secara signifikan mempengaruhi LST (Abdalkadhum dkk., 2021; B.Ahmed dkk., 2013Bahasa Indonesia:Chen dkk., 2006Bahasa Indonesia:Guha dkk., 2020a,bBahasa Indonesia:Yan dan Song, 2012). Misalnya, peningkatan tutupan vegetasi mendorong evapotranspirasi, Di Bumi, sejumlah proses fisika, kimia, dan biologi diatur oleh Suhu Permukaan

Daratan (Land Surface Temperature/LST). LST dipengaruhi oleh faktor-faktor seperti keseimbangan energi permukaan, kondisi atmosfer, dan atribut bawah permukaan ( Becker dan Li, 1990). Faktor-faktor ini saling berhubungan, sehingga perubahan pada satu komponen dapat memengaruhi komponen lainnya (Pielke dkk., 2011). Keterkaitan antar elemen lingkungan alam berarti bahwa dampak langsung pada satu komponen dapat menimbulkan dampak yang tidak diinginkan.

* Penulis yang bersangkutan.

Alamat email:[email protected] (W.Khalid),[email protected] (S.Kausar Syamim),alamat email [email protected] (A.Ahmad).

https://doi.org/10.1016/j.eve.2024.100038

Diterima 9 Agustus 2024; Diterima dalam bentuk revisi 5 Oktober 2024; Disetujui 7 Oktober 2024 Tersedia online 11 Oktober 2024

(2)

yang dapat menyebabkan LST lebih rendah karena efek pendinginan dari pelepasan kelembapan. Sebaliknya, urbanisasi sering kali mengakibatkan LST yang lebih tinggi karena efek pulau panas perkotaan, di mana permukaan kedap air menyerap dan menahan panas. Lahan terbuka dapat mengalami suhu yang lebih tinggi karena berkurangnya tutupan vegetasi, sementara salju dan badan air biasanya memberikan pengaruh pendinginan pada LST dengan memantulkan radiasi matahari dan meningkatkan pertukaran panas. Banyak peneliti memanfaatkan hubungan yang kuat antara indikator permukaan lahan dan LST, terutama berkenaan dengan konsekuensi pulau panas perkotaan dan pengaruh urbanisasi pada suhu permukaan (Badarinath dkk., 2005Bahasa Indonesia:Bokaie dkk., 2016Bahasa Indonesia: Kristen, 2013Bahasa Indonesia:Kaufmann dkk., 2003Bahasa Indonesia:Mallick dkk., 2008Bahasa Indonesia:

Kumar dkk., 2012Bahasa Indonesia:Weng, 2001Bahasa Indonesia:Weng dkk., 2004; J.

Zhang dan Wang, 2008). Banyak ilmuwan telah menyelidiki hubungan antara LULC dan dinamika LST di berbagai indikator lahan di wilayah tersebut (Aik dkk., 2020Bahasa Indonesia:Chaudhuri dan Mishra, 2016Bahasa Indonesia:Fu dan Weng, 2016Bahasa Indonesia:Hua dan Ping, 2018Bahasa Indonesia:Mohammad dkk., 2019; F.Wang dkk., 2015; R.Wang and Murayama, 2020Bahasa Indonesia:Zhao dkk., 2015; DI DALAM.Zhou dkk., 2011). Karakteristik termal dari berbagai penutup tanah, termasuk elemen-elemen seperti konduktivitas termal dan kapasitas, memiliki pengaruh besar pada pola LST ( Walawender dkk., 2014). Meskipun demikian, ada faktor-faktor tambahan yang dapat memengaruhi variabilitas dalam kejadian dan intensitas LST. Dalam kasus daerah pegunungan, medan atau fisiografi memainkan peran penting. Secara luas diakui bahwa bentuk lahan memengaruhi suhu permukaan dengan mengubah suhu udara melalui laju penurunan (Boundary Layer Climates, nd). Daerah pegunungan memperkenalkan variabilitas tambahan dalam LST, seperti laju penurunan, di mana LST biasanya menurun seiring dengan ketinggian (Khalid dkk., 2024). Penurunan ini terjadi karena menipisnya atmosfer di ketinggian yang lebih tinggi, yang mengurangi kepadatan udara dan kapasitasnya untuk menahan panas. Seiring dengan peningkatan ketinggian, efek pendinginan dapat menyebabkan perbedaan LST yang signifikan, terutama di wilayah dengan topografi yang bervariasi (Odunuga dan Badru, 2015).

Studi ini memadukan Penginderaan Jauh dan GIS dengan analisis statistik spasial, menggunakan citra LANDSAT untuk menghitung indeks seperti NDVI, NDSI, NDWI, NDBI, dan NDBaI, yang berkorelasi signifikan dengan LST. Pemilihan indeks ini didasarkan pada relevansinya yang telah mapan dengan dinamika LST.

NDVI sangat penting untuk menilai kesehatan vegetasi, yang memengaruhi evapotranspirasi dan efek pendinginan. NDVI juga dipilih untuk estimasi emisivitas dalam analisis LST karena korelasinya yang kuat dengan tutupan vegetasi, yang secara signifikan memengaruhi emisivitas permukaan.

Dibandingkan dengan metode alternatif, NDVI memberikan ukuran yang andal dan terstandarisasi yang secara efektif menangkap variasi dalam kerapatan vegetasi, sehingga meningkatkan akurasi penilaian LST. DSI membantu mengidentifikasi tutupan salju, yang secara signifikan memengaruhi suhu permukaan di daerah pegunungan. NDWI menunjukkan kandungan air, yang penting untuk memahami ketersediaan air dan dampak pendinginannya. NDBI menilai urbanisasi, yang menangkap efek pulau panas. Terakhir, NDBaI mengidentifikasi lahan tandus, yang dapat menyebabkan peningkatan suhu karena berkurangnya vegetasi. Oleh karena itu, mereka digunakan secara luas untuk menilai pengaruhnya. Hubungan antara LST dan variabel-variabel terpilih yang disebutkan di atas diperiksa melalui metode statistik spasial (Xiao dkk., 2007) termasuk analisis korelasi Pearson (Sánchez-Martín dkk., 2020; C.Zhang dan Selinus, 1998) dan model regresi seperti OLS (Deilami dkk., 2018), dan GWR, digunakan untuk menganalisis hubungan antara LST dan variabel-variabelnya.

Heterogenitas spasial berdampak signifikan pada kinerja model dengan memengaruhi hubungan antara LST dan prediktornya. Di area dengan tipe tutupan lahan yang beragam dan kondisi lingkungan yang bervariasi, hubungan mungkin berbeda, yang mengarah pada berbagai tingkat korelasi. OLS mengasumsikan hubungan yang konstan di seluruh area studi, yang dapat mengabaikan variasi lokal dan menghasilkan estimasi yang bias. Sebaliknya, GWR mengakomodasi heterogenitas spasial dengan memungkinkan hubungan bervariasi secara lokal, meningkatkan akurasi dan interpretasi model. Kondisi lokasi lokal akan menentukan pola spasial yang sebenarnya, meskipun proses alami dasar bersifat universal (Jetz dkk., 2005). Proses ini secara umum dikenal sebagai heterogenitas spasial (S.Li dkk., 2010). Distribusi spasial LST dan indeks permukaan lahan terkait biasanya menunjukkan variabilitas spasial. Regresi tradisional

metode seperti OLS mengasumsikan adanya independensi di antara observasi, yang menyebabkan diabaikannya saling ketergantungan spasial yang ada dalam interpretasi dan analisis data spasial (Lian dkk., 2010). OLS mungkin tidak memiliki saling ketergantungan spasial, sedangkan GWR, sebuah teknik regresi lokal ( Charlton dan Fotheringham, 2009Bahasa Indonesia:Fotheringham dan Charlton, 1998), menghitung koefisien regresi di lokasi individual, meningkatkan akurasi dan mengurangi autokorelasi spasial (L.Zhang dkk., 2005). OLS bermanfaat untuk menyediakan gambaran global tentang hubungan antara LST dan prediktornya;

namun, OLS mungkin gagal memperhitungkan saling ketergantungan spasial dan pola lokal karena asumsi inherennya tentang keseragaman di seluruh area studi.

Sebaliknya, GWR menawarkan pendekatan analitis yang lebih bernuansa dengan menghitung koefisien regresi di lokasi individual. Kemampuan ini memungkinkan GWR untuk menangkap variasi lokal secara efektif dan meningkatkan akurasi model. Dengan mengatasi heterogenitas spasial, GWR mengurangi autokorelasi spasial, sehingga menghasilkan wawasan yang lebih andal tentang dinamika LST.

Pendekatan statistik yang kuat yang memungkinkan perhitungan dan visualisasi variasi dalam hubungan antara variabel dependen dan independen dalam kerangka pemodelan tunggal terdiri dari pengintegrasian GWR dengan OLS dan regresi eksploratori.Fotheringham dan Charlton, 1998Bahasa Indonesia:Matthews and Yang, 2012). Pasca-OLS dan GWR, Indeks Moran menilai autokorelasi spasial dalam residual, mengungkapkan kekurangan dalam OLS karena nuansa spasial ( Luo dan Peng, 2016). Indeks Moran mendeteksi pola spasial residual; jika signifikan, hal ini menunjukkan ketidakcukupan OLS dalam menangkap nuansa spasial, yang mendorong regresi spasial atau GWR (Guo dkk., 2016Bahasa Indonesia:Hu dan Xu, 2019; S.Li dkk., 2010), meskipun memperhitungkan variasi spasial, masih memerlukan validasi Indeks Moran untuk memastikan autokorelasi spasial residual ditangani secara efektif. Dengan memvalidasi keberadaan autokorelasi spasial, validasi ini juga menyoroti keterbatasan OLS dalam menangkap nuansa spasial. Validasi ini penting, karena menggarisbawahi perlunya pendekatan regresi lokal GWR, yang pada akhirnya meningkatkan akurasi model dan memberikan pemahaman yang lebih andal tentang hubungan tersebut. Secara keseluruhan, Indeks Moran bertindak sebagai diagnostik, yang memberi sinyal jika model cukup mewakili struktur spasial atau memerlukan penyempurnaan. Gi* Getis-Ord dan I Moran adalah teknik terkenal untuk mengidentifikasi kluster dalam analisis pemetaan (Chainey dkk., 2008).Ide pemetaan klaster hotspot berasal dari pemeriksaan pola spasial atau distribusi titik dalam suatu wilayah geografis tertentu. Saat menganalisis pola, kepadatan titik dalam suatu wilayah dikontraskan dengan model keacakan spasial komprehensif, yang menggambarkan situasi di mana peristiwa titik acak terjadi.

Teknik seperti Getis-Ord's Gi* dan Moran's I mengidentifikasi klaster dan menilai kepadatan titik dan interaksi dalam wilayah geografis (Ovaskainen dkk., 2014).

Penelitian ini bertujuan untuk mengevaluasi dispersi LST dan autokorelasi spasial di Uttarakhand, mengeksplorasi variasi LST dan indikator lingkungan terkait, dan membandingkan efektivitas korelasi Pearson, OLS, dan GWR dalam pemodelan LST. Setiap metode yang digunakan menawarkan keuntungan yang berbeda - korelasi Pearson memungkinkan penilaian cepat hubungan linear antara variabel, memberikan pemahaman mendasar tentang asosiasi mereka. OLS memberikan analisis komprehensif tentang hubungan global tetapi mungkin gagal memperhitungkan heterogenitas spasial, yang berpotensi menyebabkan estimasi yang bias. Sebaliknya, GWR memfasilitasi pemodelan lokal, secara efektif menangkap variasi dalam hubungan di berbagai wilayah geografis dan meningkatkan akurasi prediksi dalam konteks fenomena variabel spasial. Efek fisiografi pada suhu permukaan di berbagai wilayah telah menerima perhatian terbatas dari para sarjana. Menjelajahi variabilitas spasial medan di area tertentu dapat memberikan wawasan berharga tentang perubahan suhu permukaan. Hubungan ini khususnya terlihat di daerah pegunungan atau daerah dengan fisiografi yang beragam, itulah sebabnya mempelajari korelasi antara LST dan indikator lahan di Uttarakhand sangat penting untuk pemantauan lingkungan, penelitian perubahan iklim, pengelolaan sumber daya, dan analisis pulau panas perkotaan. Tujuan utama dari penelitian ini adalah sebagai berikut:

(3)

•

Menganalisis distribusi spasial LST dalam kaitannya dengan berbagai jenis penutup lahan di Uttarakhand.

• Mengevaluasi hubungan antara LST dan indeks spektral (NDVI, NDWI, NDBI, NDSI, NDBaI).

•

Terapkan dan bandingkan model OLS dan GWR untuk menilai variabilitas spasial dan meningkatkan pemodelan LST.

•

Mengidentifikasi titik panas suhu dan memberikan rekomendasi untuk perencanaan perkotaan dan strategi adaptasi iklim.

pola iklim, seperti gradien suhu dan curah hujan. DEM juga membantu mengidentifikasi fitur geografis utama yang memengaruhi penggunaan lahan, hidrologi, dan keanekaragaman hayati. Wilayah Terai, yang dicirikan oleh ketinggian yang lebih rendah, biasanya mengalami suhu musim panas berkisar antara 25◦C sampai 43◦C, dipengaruhi oleh kedekatannya dengan dataran banjir.

Sebaliknya, daerah dataran menengah umumnya menunjukkan suhu yang lebih sejuk antara 10◦C dan 25◦C, yang mencerminkan efek moderasi dari tutupan vegetasi. Pada ketinggian yang lebih tinggi, khususnya di zona pegunungan, suhu dapat turun drastis hingga di bawah nol, khususnya selama musim dingin, karena peningkatan ketinggian dan penurunan tekanan atmosfer. Variasi suhu ini menyoroti dampak topografi pada dinamika termal, yang menggarisbawahi interaksi kompleks antara ketinggian, iklim, dan penggunaan lahan. Topografi yang kasar dan iklim yang beragam membentuk aktivitas manusia, khususnya pertanian, pariwisata, dan permukiman. Dataran yang subur di Terai mendukung pertanian, sementara wilayah pegunungan yang lebih dingin mempromosikan ekowisata dan konservasi. Memahami dinamika sosial-ekonomi ini menyoroti pentingnya mempelajari Suhu Permukaan Tanah (LST), karena variasi suhu secara langsung memengaruhi produktivitas pertanian, sumber daya air, dan kesehatan ekosistem. Uttarakhand berbagi batas utaranya yang berbatasan dengan Daerah Otonomi Tibet di Tiongkok. Di sebelah timur, negara bagian ini berbagi batas dengan Nepal, yang menciptakan antarmuka geopolitik dan ekologis yang signifikan. Di sebelah selatan, Uttarakhand diapit oleh negara bagian Haryana, Himachal Pradesh, dan Uttar Pradesh di India, yang berkontribusi pada keragaman wilayah tersebut

2. Daerah Studi

Penelitian ini dilakukan di Uttarakhand, negara bagian pegunungan terjal yang terletak di wilayah utara Semenanjung India. Uttarakhand meliputi area seluas 53.483 km persegi dan terletak di Himalaya barat laut. Koordinat geografisnya membentang dari 28◦43

'

N sampai 31◦28

'

Lintang Utara dan dari 77◦34

'

Ini 81◦tanggal 03

'

panjang E (Gbr. 1Bahasa Indonesia:Malik dan Kumar, 2020).

Negara bagian ini membentang sepanjang 301 km dari timur ke barat dan 255 km dari utara ke selatan, dengan 14% wilayahnya berupa dataran dan 86% berupa pegunungan. Ketinggiannya sangat bervariasi, dari 7795 m di puncak utara yang tinggi dan tertutup salju hingga 169 m di Terai, wilayah dataran banjir dataran rendah di selatan (data Ketinggian Digital ASTER). DEM ASTER digunakan untuk menganalisis variasi ketinggian dan memperoleh informasi kemiringan dan aspek.

Kumpulan data ini menyediakan informasi topografi terperinci, yang memungkinkan penilaian tentang bagaimana ketinggian memengaruhi lokal

Gbr. 1.Lokasi wilayah penelitian.

(4)

dinamika budaya dan lingkungan. Selain itu, batas wilayah barat laut Uttarakhand dibatasi oleh pegunungan Himalaya, yang meliputi distrik-distrik utama, termasuk Chamoli, Uttarkashi, dan Pithoragarh, yang secara signifikan memainkan peran penting dalam membentuk iklim, keanekaragaman hayati, dan dinamika hidrologi negara bagian tersebut. Menjadi bagian dari wilayah Himalaya (Rao dkk., 2012), Uttarakhand memperlihatkan pola iklim yang beragam dan distribusi flora dan fauna yang bervariasi, yang dipengaruhi oleh ketinggian, aspek, dan topografi.

Negara bagian ini memiliki berbagai lingkungan, mulai dari gletser Alpen dan vegetasi di ketinggian yang lebih tinggi di utara hingga hutan subtropis di ketinggian yang lebih rendah di selatan. Iklimnya berkisar dari tropis hingga sedang, dengan suhu yang bervariasi dari tingkat di bawah nol hingga tertinggi 43

◦C. Negara bagian ini menerima curah hujan tahunan rata-rata 1546 mm, dengan sekitar 80% terjadi selama musim hujan (Mishra dan Chaudhuri, 2015). LST juga bervariasi secara signifikan di berbagai medan dan zona iklim negara bagian.

Ketinggian yang lebih rendah, seperti dataran dan lembah, mengalami suhu yang lebih hangat, terutama di musim panas, sementara ketinggian yang lebih tinggi, seperti wilayah pegunungan, memiliki suhu yang lebih dingin dengan variasi siang-malam yang signifikan. Faktor-faktor seperti radiasi matahari, tutupan lahan, dan geografi lokal memengaruhi variasi suhu ini, menjadikan LST sebagai indikator penting untuk mempelajari dinamika lingkungan dan pola penggunaan lahan di Uttarakhand (Negi dkk., 2022).Gbr. 1menyediakan representasi komprehensif dari area studi: peta pertama menunjukkan lokasi Uttarakhand di India, yang menekankan konteks geografisnya relatif terhadap negara-negara tetangga. Peta kedua menggambarkan distribusi distrik di negara bagian yang menyoroti pembagian administratif yang penting untuk perencanaan regional dan pengelolaan sumber daya. Peta ketiga adalah model elevasi digital yang menyoroti variasi topografi di seluruh wilayah, yang memperlihatkan bagaimana perubahan elevasi memengaruhi iklim, vegetasi, dan pola penggunaan lahan, yang penting untuk memahami dinamika iklim.

indeks spektral yang digunakan dalam penelitian ini adalah 30 m, yang sejalan dengan resolusi citra Landsat.

3.2. Pra-pemrosesan gambar

Sebelum klasifikasi LULC, pengkondisian data dan peningkatan kualitas berfungsi sebagai teknik pra-pemrosesan yang diterapkan pada citra satelit untuk meningkatkan kualitas dan presisi yang dirasakan (Coskun dkk., 2008).

Selanjutnya, berkas pita raster yang diperoleh dari data Landsat digabungkan melalui penumpukan lapisan untuk membangun citra multipita, diikuti dengan mengekstraksi area of interest (AoI). Kami menggunakan serangkaian teknik pra- pemrosesan untuk memastikan keakuratan dan keandalan data satelit. Pertama, metode Dark Object Subtraction (DOS) digunakan untuk mengoreksi distorsi atmosfer seperti kabut, hamburan, dan efek atmosfer lainnya. Setelah ini, koreksi radiometrik diterapkan untuk menyesuaikan nilai piksel, dan koreksi geometrik dilakukan untuk menyelaraskan citra secara spasial. Langkah-langkah tambahan termasuk proyeksi ulang ke sistem koordinat yang konsisten, pengurangan derau untuk meminimalkan gangguan citra, pemerataan histogram untuk

meningkatkan kontras, dan penyaringan spasial untuk menghaluskan ketidakteraturan. Proses-proses ini memastikan bahwa indeks spektral yang diperoleh dari citra secara akurat mencerminkan kondisi permukaan tanah, memungkinkan analisis LST dan variabel terkait yang lebih tepat.Abd El-Kawy dkk., 2011).

3.3. Pemetaan LULC menggunakan SVM

SVM adalah teknik statistik yang diuraikan oleh Cortes dan Vapnik (Cortes dkk., 1995). SVM berfungsi sebagai pendekatan nonparametrik untuk klasifikasi terbimbing, dan mahir dalam memproses citra satelit multiband yang rumit dengan resolusi tinggi. Konsep inti di balik SVM melibatkan pembuatan hyperplane untuk memisahkan kumpulan data secara efektif ke dalam kelas-kelas yang berbeda. Sepanjang hyperplane, SVM menciptakan batas yang terfokus antara kelas-kelas. Titik-titik di atas hyperplane diberi nilai +1, dan titik-titik di bawahnya diberi nilai − 1 (Gambar 2). Vektor pendukung adalah lokasi pelatihan yang dekat dengan hyperplane ideal (Teheran dan kawan-kawan, 2014).

Pelatihan SVM menggunakan kelas yang dapat dipisahkan secara linier adalah metode yang paling sederhana. Satu set contoh pelatihan berlabel (Y1, X1), (DAN2, X2),…, ( DANaku, Xaku) dimana Yaku∈ [−1, +1] dianggap dapat dipisahkan secara linier jika pertidaksamaan yang diberikan dalam persamaan di bawah ini dipenuhi oleh vektor Waku

dan skalar Baku. 3. Metodologi

3.1. Data yang digunakan

Data satelit Landsat 8 OLI (Operational Land Imager) TIRS (Thermal Infrared Sensor) tahun 2024 diperoleh dari Portal Data Ilmu Bumi NASA (https://lpdaac.usgs.gov/). Secara khusus, data untuk bulan Maret dipilih karena sifatnya yang bebas awan, sehingga menjamin kualitas optimal untuk analisis dan aplikasi selanjutnya. Data ini digunakan untuk pemetaan LULC dan ekstraksi indeks spektral NDVI, NDWI, NDBI, NDSI, dan NDBaI (Tabel 1). Resolusi spasial dari ini

DI DALAMakuBahasa Indonesia:Xaku+Baku≥ +1 untuk semua (DANaku= +1) aku.ea anggota kelas 1

Tabel 1

Pita Landsat 8 OLI & TIRS.

Sensor Spektral Pita

Gunakan area Panjang gelombang Resolusi Jalur/

Baris

ADALAH Jalur 1 Pesisir/Aerosol (0,43–0,45

(mikro)

(0,45–0,51

(mikro)

(0,53–0,59

(mikro)

(0,64–0,67

(mikro)

(0,85–0,88

(mikro)

(1,57–1,65

(mikro)

(2.11–2.29

(mikro)

(0,50–0,68

(mikro)

(1,36–1,38

(mikro)

(10.6–11.19

(mikro)

(11,5–12,51

(mikro)

30 menit 144/

nomor 039

145/

nomor 039

145/

040 146/

nomor 038

146/

nomor 039

ADALAH Jalur 2 Biru 30 menit

ADALAH Jalur 3 Hijau 30 menit

ADALAH Jalur 4 Merah 30 menit

ADALAH Jalur 5 Inframerah Dekat 30 menit

ADALAH Jalur 6 Panjang Gelombang Pendek

Inframerah (SWIR 1) Panjang Gelombang Pendek Inframerah (SWIR 2) Pankromatik

(PANCI)

Sirus (SWIR)

30 menit

ADALAH Jalur 7 30 menit

ADALAH Jalur 8 15 menit

ADALAH Jalur 9 ^{30 menit}

TEMBAKAN Kelompok 10 Panjang Gelombang Panjang

Inframerah Panjang Gelombang Panjang Inframerah

100 meter

TEMBAKAN Kelompok 11 100 meter

Gbr. 2.Model SVM linier.

(5)

DI DALAMakuBahasa Indonesia:Xaku+Baku≤ −1 untuk semua (DANaku= − 1) aku.masing-masing anggota kelas 2

(NIR)

(NIR + MERAH)

MERAH)

NDVI =

Ketidaksetaraan ini berlaku untuk semua contoh dalam set pelatihan (Y

aku, Xaku).

Di Sini,akuadalah jumlah sampel yang dilambangkan sebagai (Yaku, Xaku), x ϵ Rn adalah ruang ndimensi, Yaku∈ [−1, +1] adalah label kelas, W^akutegak lurus terhadap hiperbidang linier, dan Kelas 1/Kelas 2 mewakili − 1/+1

Manfaat utama SVM adalah kemampuannya untuk mengurangi noise dibandingkan dengan metode pengklasifikasi lainnya, sementara juga secara efektif menangani sejumlah set data pelatihan yang berbeda untuk setiap kelas. SVM bertujuan untuk membangun model yang, menggunakan atribut yang diperoleh dari data pelatihan, memprediksi label kelas dari data pengujian (Karan dan Samadder, 2016). SVM telah menjadi populer dalam SIG karena kemampuannya untuk mencapai akurasi klasifikasi yang lebih tinggi menggunakan dataset pelatihan yang lebih kecil dibandingkan dengan metode tradisional (Mountrakis dkk., 2011).

Dalam pemetaan LULC, teknik SVM menggunakan kernel fungsi basis radial (RBF), yang dipilih karena fleksibilitasnya dalam menangani hubungan non-linier. Parameter, termasuk parameter penalti (C) dan nilai gamma, dioptimalkan menggunakan pendekatan pencarian grid. Untuk pemilihan, 70% data dialokasikan untuk pelatihan, sementara 30% digunakan untuk pengujian, dengan validasi silang digunakan untuk memastikan generalisasi model dan mencegah overfitting.

Evaluasi akurasi peta LULC yang diklasifikasikan dilakukan untuk menentukan akurasi pembuatan peta LULC. Evaluasi ini juga menunjukkan kinerja teknik klasifikasi (Makanan, n.d.). Titik-titik pengambilan sampel dikumpulkan dengan menggabungkan eksplorasi lapangan dengan pemeriksaan terperinci citra beresolusi tinggi dari Google Earth, khususnya di daerah-daerah yang secara geografis terpencil dan sulit dijangkau. Dalam evaluasi akurasi, titik-titik ini ditentukan menggunakan metode

pengambilan sampel acak berstrata untuk memastikan cakupan representatif di berbagai kelas LULC, sehingga mengurangi bias dan meningkatkan keandalan hasil. Koefisien Kappa dihitung untuk menilai kesesuaian antara peta yang diklasifikasikan dan data referensi, yang menyediakan metrik yang kuat untuk akurasi di luar persentase kesesuaian sederhana. Selain itu, matriks kebingungan digunakan untuk menyajikan pandangan komprehensif tentang kinerja klasifikasi, yang merinci positif benar, positif salah, dan negatif salah untuk setiap kelas.

Kemudian, proporsi vegetasi (P

ay

) dan emisivitas (ε), yang terkait erat dengan NDVI, perlu dihitung.

(d) Hitunglah proporsi vegetasi (P

ay

) [

NDVI − [Bahasa Indonesia]2

Penyakit Menular Seksual (NDVI)menit Penyakit Menular Seksual (NDVI)menit

P

V

=

Penyakit Menular Seksual (NDVI)maks-

(e) Emisivitas (e)

e =angka 0.Nomor 004*Pay+angka 0.986

(f) Suhu Permukaan Daratan (LST)

[

[Bahasa Indonesia]

Bahasa Inggris BT

LST =

* akuN(e)

(1 + (0.00115*BT/1.4388)

3.5. Ekstraksi indeks spektral

•

Indeks Vegetasi Perbedaan yang Dinormalkan(Rouse dkk., 1973) (NIR − MERAH)

(NIR + MERAH)

NDVI =

•

Indeks Air Selisih Normalisasi(Gao, tahun 1996Bahasa Indonesia:McFeeters, tahun 1996)

(HIJAU − NIR) (HIJAU + NIR) saya =

•

Indeks Perbedaan Ternormalisasi yang Dibangun(Guha dkk., 2018Bahasa Indonesia:Zha dkk., 2003)

(SWIR – NIR) (SWIR + NIR) NDBI =

3.4. Ekstraksi suhu permukaan tanah •

Indeks Salju Perbedaan yang Dinormalkan(Kulkarni dkk., 2002) Algoritma berikut digunakan untuk memperoleh LST dari band 10 yaitu band

termal citra Landsat 8 di daerah penelitian ((Rajeshwari dkk., 2014Bahasa Indonesia:Reddy dkk., 2017; ZLLi dkk., 2013Bahasa Indonesia:Palafox-Juárez dkk., 2021).

(TIDAK - YA) (HIJAU + SWIR) NDSI =

•

Indeks Daerah Tandus Selisih Normalisasi(Chen dkk., 2006)

(a) perhitungan radiasi spektral di bagian atas atmosfer (TOA) (SWIR - TIR)

(SWIR + TIR) NDBaI =

TOA (LakuBahasa Indonesia:MSaya*Qkaliber+ SebuahSaya Pemilihan NDVI, NDWI, NDBI, NDSI, dan NDBaI dalam studi ini didasarkan pada

relevansinya untuk memahami dinamika LST di Uttarakhand. NDVI menilai kesehatan vegetasi, yang memengaruhi evapotranspirasi dan emisivitas, sementara NDWI mengidentifikasi badan air yang penting bagi hidrologi. NDBI membedakan daerah perkotaan, membantu dalam analisis pulau panas, dan NDSI mendeteksi lapisan salju, yang secara signifikan memengaruhi LST di wilayah pegunungan. Terakhir, NDBaI mengidentifikasi tanah gundul, yang penting untuk memahami sifat termal. Bersama- sama, indeks-indeks ini memberikan pandangan komprehensif tentang bagaimana jenis penutup lahan berinteraksi dengan faktor-faktor iklim, sehingga memengaruhi LST.

Setiap indeks divalidasi terhadap data kebenaran lapangan untuk memastikan keakuratan dan relevansi dengan tujuan studi.

disini, MSayaadalah Faktor penskalaan perkalian dari metadata yang khusus untuk suatu pita (Nilai = 3420*10-4), Qkaliberadalah nilai kalibrasi terkuantisasi dari pita termal (Nilai maks = 65,535 dan min = 1) dan ASayaadalah faktor penskalaan aditif spesifik Band (Nilai = 0,10000).

(b) perhitungan suhu kecerahan dari radiasi spektral ⎛

⎞

⎟

⎜

Bahasa Inggris: K

BT =⎜ ⎝ ( ) ⎟

²

⎠ − 273.15

dalam Bahasa Inggris: K1

Sayaaku

+ 1

3.6. Analisis titik panas

disini, K

1

adalah konstanta konversi termal khusus untuk pita dari

metadata (Nilai = 774.8853), dan K2 adalah konstanta konversi termal khusus untuk pita dari metadata (Nilai = 1321.0789).

Menggunakan indeks Moran's I, kumpulan data nilai LST dievaluasi sebagai klaster spasial. Namun, indeks ini tidak memberikan informasi apa pun tentang jenis klaster atau distribusi geografisnya. Sebaliknya, indeks ini hanya mengenali penyebaran geografis atau klaster di antara nilai satu variabel.

(c) Derivasi NDVI

(6)

Untuk mengatasi kelemahan ini, analisis statistik Getis-Ord Gi* berguna untuk menganalisis distribusi spasial hot spot dan cold spot, sehingga memberikan pemahaman yang lebih mendalam tentang tipe dan pola regional klaster (Getis dan Ord, 1992Bahasa Indonesia:Wulder dan Boots, 1998).

∑

aku = bangka 0+ BakuXbecanda+ eSaya

aku

Di Sini,akuadalah variabel dependen untuk observasi I,Bakuadalah koefisien regresi untuk variabel k,Bangka 0adalah regresi intersep dane^Sayaadalah kesalahan acak.

Penting untuk memperhatikan asumsi model seperti linearitas, independensi, homoskedastisitas, dan kenormalan residual, karena pelanggaran dapat merusak validitas hasil. Multikolinearitas dapat dinilai menggunakan Variance Inflation Factor (VIF), sementara autokorelasi dalam data spasial dapat dideteksi dengan statistik Durbin-Watson. Untuk meningkatkan ketahanan, mempertimbangkan teknik regresi alternatif seperti GWR atau metode terregulasi seperti Ridge atau Lasso dapat secara efektif menangkap pola lokal dan mengurangi masalah multikolinearitas, sehingga meningkatkan akurasi dan keandalan model secara keseluruhan.

∑

^N

√̅ ̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅^j̅=̅̅̅1

Di dalam

∑

^N

Saya*=

saya=1Di dalamSayaBahasa Indonesia:J

X

XJ-

[ ∑ (∑ ̅̅̅̅̅

^Dan,J

)

²[Bahasa Indonesia]

̅̅

N j=1

N

N Di dalam2- j=1Di dalam

SayaBahasa Indonesia:J SayaBahasa Indonesia:J

S

^{n-1 adalah}

disini, xJadalah atribut yang bernilai untuk fitur j, waku jadalah bobot spasial antara i dan j dan n adalah jumlah total fitur.

∑

^N

X

= ^j=1^{Di dalam}^J

N

√∑̅̅̅̅̅̅ ̅̅̅̅̅̅̅̅̅

N j=1

X

J

- X

2

S= N

2

3.9. Regresi tertimbang secara geografis Bobot spasial ditentukan menggunakan pendekatan k-nearest neighbor,

yang menilai kedekatan fitur dalam jarak tertentu. Nilai ambang batas untuk mendefinisikan hotspot dan cold spot ditetapkan berdasarkan signifikansi statistik, biasanya menggunakan metode z-score. Jumlah fitur yang disertakan dipilih untuk memastikan representasi pola spasial yang memadai sekaligus meminimalkan gangguan, sehingga meningkatkan keandalan analisis variasi LST.

GWR merupakan bentuk OLS yang diperluas atau lebih maju, berfungsi sebagai alat pemodelan lokal, meningkatkan model regresi global dengan mengoptimalkan koefisien untuk unit geografis individual dan dirancang untuk menganalisis fenomena yang bervariasi secara spasial (Kim dan Nicholls, 2016 Bahasa Indonesia:Lloyd dan Shuttleworth, 2005; X.Zhou dan Wang, 2011).

Pendekatan ini menawarkan wawasan tentang variasi spasial pengamatan, melengkapi model menyeluruh (Jiang dkk., 2019Model GWR memiliki rumus sebagai berikut (Yuan & Roy, 2007).

3.7. Koefisien korelasi Pearson ∑

DanSaya= bangka 0(di dalamSayaaySaya) + Baku(di dalamSayaaySaya)XSAYA+ eSaya

Hubungan antara LST dan indeks lahan berupa vegetasi, air, bangunan, aku

salju, dan lahan tandus ditentukan melalui koefisien korelasi Pearson.

Dengan menggunakan 50Bahasa Indonesia:50 alat fishnet di ArcGIS, 1314 titik dibuat untuk mengekstrak nilai dari data raster yang mencakup LST, NDVI, NDWI, NDBI, NDSI, dan NDBaI. Kisi ini memastikan cakupan yang seragam dari area studi, memfasilitasi penilaian lokal sambil

menyeimbangkan resolusi spasial dan efisiensi komputasi. Nilai-nilai outlier ditangani menggunakan metode Z-score, dengan nilai di luar |Z|>3 diidentifikasi untuk dihilangkan atau diobati. Teknik normalisasi, seperti penskalaan Min-Max, diterapkan untuk membakukan rentang data sebelum menghitung korelasi, meningkatkan ketahanan hasil. Kemudian, Analisis dilakukan pada tingkat hubungan antara indikator permukaan lahan dan LST apakah ada korelasi positif atau negatif serta kekuatan korelasi ini (lemah, sedang, atau kuat) dan analisis plot sebaran 2-D dilakukan untuk memeriksa korelasi secara visual. Analisis statistik terstandarisasi dilakukan untuk menggambarkan bagaimana variabel-variabel ini berhubungan dengan perubahan LULC yang diamati di area tersebut selama periode yang ditentukan (Raynolds dkk., 2008Persamaan korelasi Pearson diberikan di bawah ini

disini, (kamuSaya,vSaya) adalah lokasi ruang titik I,Bangka 0(di dalamSayaaySaya)adalah intersep di titik I,B^aku(di dalam^Sayaay^Saya)adalah koefisien yang dihitung secara lokal untuk variabel penjelas xaku pada posisiSAYADane^Sayaadalah kesalahan acak.

3.10. Autokorelasi spasial Moran I

Autokorelasi spasial diukur menggunakan uji Indeks Moran. Uji ini menghitung seberapa mirip atau berbeda pengamatan terdekat satu sama lain ( Moran, tahun 1950). Ini adalah pendekatan yang banyak digunakan untuk menganalisis autokorelasi spasial global yang mempertimbangkan lokasi fitur himpunan data serta nilai atribut. Indeks Moran I menyediakan rentang nilai antara -1,0 (keacakan sempurna) dan +1,0 (pengelompokan sempurna), sehingga sangat berguna untuk menilai pengelompokan spasial dalam himpunan data ( Zhao dkk., 2015). Hal ini didasarkan pada perkalian silang deviasi dari mean dan dihitung untuk n observasi pada variabel x di lokasi j dan I (Moran, tahun 1950).

∑ ∑ ( )

N

Sangka 0

Saya = Saya^J^{DI DALAM}^{aku j}^(X^Saya^-

X1 − X2

^J

- X )

2

∑ ∑ X

(X

Saya

-

Saya− kamu )

r = ∑̅̅̅̅̅̅ ̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅̅ √

^Saya^(X^Saya^-

(X

Saya

- X )

2∑ ^(DAN^Saya− kamu )²

∑∑

Sangka 0= DI DALAMaku j

SayaJ di sini, r adalah Koefisien Korelasi Pearson Xi dan Yi adalah titik data individu

dalam kumpulan data X dan Y,X/DANadalah Rata-rata dari kumpulan data X/Y, berturut-turut.

di sini, n adalah jumlah total unit spasial, Waku jadalah nilai bobot spasial antara i dan j, Sangka 0adalah agregasi semua bobot spasial. Indeks Moran I bervariasi antara − 1 dan +1, mengkategorikan autokorelasi spasial sebagai positif, negatif, atau nol.

Bagan alur metodologi diberikan di bawah ini (Gambar 3).

3.8. Persegi linier biasa

OLS merupakan teknik yang umum digunakan dalam regresi linier, yang beroperasi dengan asumsi adanya hubungan yang seragam antara variabel independen dan variabel dependen di seluruh area studi. OLS menawarkan model yang komprehensif untuk suatu variabel yang memungkinkan seseorang untuk memahami atau meramalkannya dengan merancang persamaan regresi tunggal untuk menggambarkan proses tersebut (Kim dan Nicholls, 2016; S.Li dkk., 2010 Rumus di bawah ini digunakan untuk menghitung persamaan regresi OLS

4. Hasil

4.1. Klasifikasi LULC

Peta klasifikasi untuk Uttarakhand dikembangkan menggunakan citra Landsat dengan resolusi spasial 30 m dan pengklasifikasi SVM, seperti yang ditunjukkan pada Gambar 4Pengklasifikasi SVM lebih disukai karena efektivitasnya dalam

(7)

Gbr. 3.Diagram alir metodologi.

ruang dimensi dan kemampuan untuk membuat hyperplane yang memisahkan kelas secara maksimal, meningkatkan akurasi klasifikasi. Dibandingkan dengan Random Forest, SVM kurang rentan terhadap overfitting, terutama ketika fitur melebihi sampel. Tidak seperti Maximum Likelihood, yang mengasumsikan distribusi data normal, SVM tidak membuat asumsi seperti itu, membuatnya lebih cocok untuk berbagai kondisi yang ditemukan dalam data penginderaan jauh.

Kami memilih sampel pelatihan untuk setiap kategori-salju, vegetasi, hutan, area terbangun, badan air, dan lahan terbuka berdasarkan validasi lapangan dan citra resolusi tinggi. Indeks spektral NDVI dan NDWI digunakan untuk membedakan antara vegetasi dan badan air, sementara nilai reflektansi membantu mengidentifikasi salju, bangunan

area dan lahan terbuka. Akurasi pascaklasifikasi dinilai menggunakan matriks kebingungan dan indeks Kappa untuk memastikan keandalan kategorisasi.

Validasi melalui inspeksi visual menggunakan citra Google Earth menghasilkan akurasi 94,4% dan koefisien kappa 0,90. Proses validasi mencakup

membandingkan data yang diklasifikasikan dengan titik kebenaran dasar dan citra resolusi tinggi. Namun, keterbatasan potensial melibatkan bias dalam interpretasi visual dan ketidakkonsistenan dalam pengumpulan data, yang dapat

menyebabkan ketidakakuratan dalam hasil klasifikasi.

Distribusi penutup lahan, dirinci dalamTabel 2, menunjukkan hutan sebagai kategori dominan, diikuti oleh salju, lahan terbuka, vegetasi, daerah pemukiman, dan badan air.Tabel 2juga menggambarkan luas daratan

(8)

Gbr. 4.Peta LULC Uttarakhand.

Badan air mempertahankan suhu yang lebih dingin, bertindak sebagai penyangga termal di lanskap (Huang dkk., 2019Bahasa Indonesia:Siddique dkk., 2021).

Khususnya, wilayah seperti Dehradun dan Haridwar menunjukkan suhu maksimum berkisar antara 38◦C sampai 46,55◦C terutama disebabkan oleh wilayah yang dibangun secara luas. Sebaliknya, wilayah utara seperti Uttarkashi, Chamoli, dan Pithoragarh, yang dicirikan oleh lapisan salju dan infrastruktur yang dibangun secara minimal, mengalami LST yang lebih rendah, dengan suhu serendah − 13,97

◦C. Hal ini terutama disebabkan oleh efek pulau panas, di mana bangunan dan jalan menyerap dan memancarkan kembali panas. Konsentrasi permukaan kedap air memperburuk efek ini, mengurangi proses pendinginan alami seperti evapotranspirasi. Sebaliknya, wilayah utara dengan lapisan salju mengalami suhu yang lebih rendah karena salju memantulkan sebagian besar radiasi matahari yang masuk (albedo tinggi) dan memiliki konduktivitas termal yang rendah, sehingga meminimalkan penyerapan panas. Perbedaan mencolok ini menyoroti bagaimana tutupan lahan, baik perkotaan maupun tertutup salju, secara langsung memengaruhi dinamika termal lokal dan variasi suhu.

Tabel 2

Distribusi LULC Uttarakhand dikategorikan berdasarkan kelas dan wilayah.

Kelas LULC Luas dalam Km persegi Luas dalam %

Salju Vegetasi Hutan Lahan terbangun

Badan air

Lahan terbuka

Total

13298.16 2115.53 28602.37 526.35 219.32 8721.27

53.483 orang

24.86 3.9 53.72 0,94 0.56

tanggal 16.02

100

sebaran tutupan lahan di Uttarakhand, dengan hutan yang menutupi area terluas di 28.602,37 km persegi, yang merupakan 53,72% dari total area. Salju adalah kategori kedua yang paling umum, yang menempati 13.298,16 km persegi, yang mencakup 24,86% dari total area. Lahan terbuka mengikuti sebagai kategori ketiga terbesar, yang mencakup 8.721,27 km persegi, yang setara dengan 16,02%

dari total area. Vegetasi meliputi 2.115,53 km persegi, yang mewakili 3,9% dari area, sementara area terbangun mencakup 526,35 km persegi, yang mencakup 0,94% dari total area. Perairan menutupi area terluas, dengan 219,32 km persegi, yang memiliki 0,56% dari total area.

4.3. Analisis hotspot untuk LST

Teknik yang banyak digunakan dalam SIG dan statistik spasial untuk analisis hotspot adalah uji Getis-Ord Gi* (Leung dkk., 2000).Analisis hotspot yang dilakukan di LST Uttarakhand mengungkapkan pola spasial yang berbeda di seluruh wilayahGbr. 6Uji Getis-Ord Gi* mengidentifikasi titik-titik dingin yang signifikan di Uttarakhand utara dan titik-titik panas di wilayah selatan, yang menyoroti variabilitas suhu spasial. Titik-titik dingin di utara disebabkan oleh ketinggian yang lebih tinggi dan lapisan salju, sementara titik-titik panas di selatan disebabkan oleh ketinggian yang lebih rendah dan urbanisasi.

Wilayah tengah menunjukkan gugus suhu yang tidak signifikan, yang menunjukkan kurangnya pengelompokan spasial yang jelas atau penyimpangan yang signifikan dari wilayah sekitarnya. Temuan dari analisis titik panas sangat penting untuk perencanaan perkotaan dan pengelolaan lingkungan karena mengidentifikasi wilayah dengan suhu permukaan tanah (LST) yang tinggi yang mungkin memerlukan intervensi yang ditargetkan. Dengan menentukan titik panas, perencana dapat menerapkan strategi 4.2. Suhu permukaan lahan dan penggunaan lahan serta penutup lahan

Gambar 5menunjukkan distribusi LST di seluruh Uttarakhand, dengan variasi suhu yang terkait dengan berbagai jenis tutupan lahan. Hubungan antara kelas LST dan LULC di Uttarakhand menunjukkan pola yang berbeda: area yang tertutup salju menunjukkan LST yang lebih rendah karena reflektivitas yang tinggi dan penyerapan radiasi matahari yang minimal. Sebaliknya, wilayah yang ditumbuhi vegetasi, khususnya hutan, menunjukkan LST sedang, yang diuntungkan oleh evapotranspirasi yang mendinginkan permukaan. Area yang dibangun cenderung memiliki suhu yang lebih tinggi karena permukaan kedap air yang menyerap panas, sementara lahan terbuka juga mengalami LST yang lebih tinggi tetapi dapat bervariasi berdasarkan tutupan vegetasi.

(9)

Gbr. 5.Variasi suhu permukaan daratan.

Gbr. 6.Peta hotspot LST menggunakan uji Gentis-Ord GI*.

(10)

Gbr. 7.Korelasi antara(A)LST dan NDVI,(B)LST dan NDWI,(C)LST dan NDBI,(D)LST dan NDSI,(Dan)LST dan NDBaI.

(11)

Gbr. 7.(lanjutan).

untuk meningkatkan ruang hijau perkotaan, yang dapat mengurangi dampak panas dan meningkatkan kualitas udara. Selain itu, wawasan ini

menginformasikan pembangunan infrastruktur, membantu memprioritaskan area untuk praktik berkelanjutan, seperti meningkatkan tutupan vegetasi atau menggunakan bahan reflektif dalam konstruksi. Memahami hotspot LST membantu menciptakan lingkungan perkotaan tangguh yang menyeimbangkan pembangunan dengan keberlanjutan lingkungan, menyoroti variabilitas spasial yang nyata dalam distribusi suhu di Uttarakhand. Ini memiliki implikasi penting untuk pengambilan keputusan dalam perencanaan perkotaan, pengelolaan lingkungan, dan upaya adaptasi iklim. Analisis hotspot memiliki keterbatasan, termasuk potensi bias dari skala spasial yang dipilih dan ambang batas sewenang- wenang yang dapat salah menggambarkan area kritis. Variasi temporal dalam suhu permukaan tanah dan faktor-faktor seperti pulau panas perkotaan semakin mempersulit interpretasi. Mengakui keterbatasan ini sangat penting untuk aplikasi yang efektif dalam perencanaan perkotaan dan pengelolaan lingkungan.

Tabel 3

Koefisien korelasi Pearson antara LST dan indeks tanah.

Indeks Korelasi

Penyakit Menular Seksual (NDVI)

SAYA NDBI NDSI NDBaI

+ 0,68 - 0,74 + 0,73 - 0,80 + 0,04

NDBI, NDWI, dan NDBaI) menggunakan koefisien korelasi Pearson. Secara khusus, NDVI menunjukkan korelasi positif dengan LST (R2= 0,68) yang menunjukkan bahwa wilayah dengan suhu yang sedikit lebih tinggi dibandingkan dengan wilayah yang tertutup salju cenderung memiliki vegetasi, sehingga memfasilitasi hubungan yang menguntungkan ini. Sebaliknya, NDWI menunjukkan korelasi negatif dengan LST (R2= − 0,74), menunjukkan korelasi negatif dengan LST, sejalan dengan penelitian yang menyoroti bagaimana badan air dan lapisan salju mengurangi suhu permukaan melalui penguapan dan pantulan radiasi matahari.

NDBI menunjukkan korelasi positif yang kuat dengan LST (R2= +0,73), yang berarti bahwa daerah dengan urbanisasi yang lebih besar atau infrastruktur yang dibangun mengalami suhu yang lebih tinggi. Selain itu, NDSI menunjukkan korelasi negatif dengan LST (R2= − 0,80),

4.4. Korelasi antara LST dan indeks lahan

Korelasi antara LST dan indikator lahan seperti NDVI, NDBI, NDWI, dan NDBaI dievaluasi menggunakan korelasi Pearson (Gbr. 7).

Tabel 3menyajikan korelasi antara LST dan indeks lahan (NDVI,

(12)

mencerminkan suhu yang lebih rendah di wilayah yang tertutup salju. Terakhir, korelasi antara LST dan NDBaI bersifat positif lemah (R2= +0,04), yang menunjukkan bahwa meskipun daerah tandus mungkin ada di wilayah tersebut, luasnya tidak berdampak signifikan terhadap pola suhu lokal. Faktor-faktor lain seperti tutupan vegetasi, ketinggian, dan kedekatan dengan badan air kemungkinan memberikan pengaruh yang lebih kuat pada variasi LST di Uttarakhand dibandingkan dengan tutupan lahan tandus.Gbr. 8Tren yang berbeda ini menggarisbawahi interaksi kompleks antara karakteristik penutup lahan dan dinamika termal, yang menunjukkan bahwa faktor lingkungan lokal di Uttarakhand dapat memengaruhi hubungan ini, sehingga memerlukan penyelidikan lebih lanjut dalam konteks studi regional.

Tabel 4

Kinerja model OLS.

Indikator kinerja OLS Hasil

Beberapa R2

R2 yang disesuaikan

Kriteria Informasi Akaike Koenker (BP) Statistik

0.799851 0.799156 8176.631148 283.521859

penting untuk menilai pola spasial sistematis atau ketergantungan potensial di antara residu, memastikan integritas model regresi. LST dari area terbangun dan tandus berkorelasi positif, menurut hasil model OLS, dengan area terbangun menunjukkan pengaruh terkuat. Di sisi lain, ada hubungan negatif antara LST dan air, salju, dan vegetasi, dengan salju memiliki efek terkuat.

Peta deviasi standar yaituGbr. 11menggambarkan variabilitas spasial dari nilai LST yang diprediksi di seluruh wilayah studi. Ini mengungkap area di mana nilai LST yang diprediksi menunjukkan variabilitas yang lebih tinggi dari rata-rata, yang menunjukkan ketidakpastian dalam prediksi model. Plot sebaran yang

membandingkan nilai LST yang diamati dengan yang diprediksi menunjukkan titik data yang tersebar yang jauh dari garis tren, yang menunjukkan kesepakatan yang lebih lemah antara nilai yang diamati dan nilai yang diprediksi. Ini menunjukkan bahwa model OLS mungkin tidak secara efektif menangkap variabilitas spasial LST atau hubungan dengan indikator permukaan lahan yang dipilih di area ini. Perbedaan yang diamati dalam plot sebaran dan variabilitas dalam peta deviasi standar menyoroti keterbatasan model OLS dalam memprediksi LST secara akurat di Uttarakhand. Investigasi lebih lanjut dan mungkin penggunaan teknik pemodelan yang lebih maju, seperti GWR, mungkin diperlukan untuk meningkatkan akurasi dan keandalan prediksi LST di wilayah yang menunjukkan pola spasial yang kompleks atau variasi lokal (Gbr. 12).

4.5. Teknik Regresi Spasial 4.5.1. Persegi linier biasa

Tabel 4menunjukkan bahwa koefisien determinasi, atau kelipatan R2 Nilai, adalah 0,799851, yang menunjukkan bahwa variabel independen dalam model dapat menjelaskan sekitar 79,99% dari variasi dalam LST. Nilai Akaike Information Criterion Corrected (AICc), ukuran kecocokan model yang memperhitungkan jumlah parameter, dihitung menjadi 8176,631148.

Nilai AICc yang lebih rendah menunjukkan keseimbangan yang lebih baik antara kompleksitas dan kecocokan model. Lebih jauh, statistik Koenker (BP), yang memiliki nilai 283,521859, menunjukkan adanya

heteroskedastisitas dalam residual model, memberikan bukti terhadap hipotesis nol homoskedastisitas. Karena model tidak menghasilkan hasil yang benar karena heteroskedastisitas yang terdeteksi, yang menunjukkan bahwa varians kesalahan bervariasi di berbagai tingkat variabel independen.

Investigasi dan penyesuaian lebih lanjut terhadap model sangat penting.

Mengingat hal ini, mengeksplorasi metodologi alternatif seperti indeks autokorelasi spasial Moran dan GWR menjadi penting.

Gbr. 9menggambarkan korelasi antara LST dan berbagai indeks lahan.

Histogram menggambarkan distribusi setiap variabel. Diagram sebar menggambarkan hubungan antara setiap variabel penjelas dan variabel dependen, dengan hubungan yang kuat muncul sebagai pola diagonal. Arah diagonal menunjukkan apakah hubungan tersebut positif atau negatif.Tabel 5menampilkan koefisien yang berbeda yang terkait dengan setiap indeks.

Koefisien (a) untuk NDVI ditetapkan sebesar -10,608. Demikian pula, untuk NDWI, koefisien ditemukan sebesar -17,497. Sebaliknya, NDBI menunjukkan koefisien sebesar 82,05. Selain itu, NDSI mengungkapkan koefisien sebesar -139,191, sedangkan NDBaI menghasilkan koefisien sebesar 1,591. Koefisien ini menunjukkan besarnya dan arah hubungan antara LST dan masing- masing indeks. Koefisien ini memberikan wawasan tentang pengaruh faktor lingkungan pada dinamika suhu permukaan lahan dengan menunjukkan perubahan LST yang terkait dengan pergeseran satu unit pada indikator terkait (Tabel 6).

Yang disediakanGambar 10menampilkan histogram dan diagram sebar residual, yang mendorong perlunya pemeriksaan tambahan autokorelasi spasial karena sifat data geospasial. Analisis ini

4.5.2. Autokorelasi spasial Moran I

Uji Moran Global I dilakukan pada residual yang diperoleh dari regresi OLS untuk mengevaluasi korelasi spasial. Prosedur ini dilakukan untuk menilai autokorelasi spasial dalam residual model, dengan demikian memastikan pemeriksaan menyeluruh terhadap dependensi spasial. Hasil uji Moran Global I sebesar 0,606 menunjukkan pengelompokan spasial yang kuat dalam residual, yang menunjukkan bahwa model OLS mungkin tidak sepenuhnya menangkap dependensi spasial, yang mengarah pada estimasi yang bias dan akurasi yang berkurang. Nilai Moran I yang tinggi dapat mengakibatkan kesalahan standar yang diremehkan dan tingkat signifikansi yang menyesatkan. Sebaliknya, GWR menyempurnakan OLS dengan mengatasi autokorelasi spasial dan

memungkinkan adanya variasi lokal dalam hubungan antar variabel. Hal ini menghasilkan wawasan yang lebih andal, khususnya dalam studi fenomena kompleks seperti LST (Moran, tahun 1950). Hal ini mengarah pada kesimpulan bahwa analisis GWR tambahan diperlukan (S. Li dkk., 2010).

4.5.3. Regresi Tertimbang Secara Geografis

GWR merupakan metode analisis spasial yang kuat yang digunakan untuk mensimulasikan korelasi yang berbeda yang ada antara sejumlah variabel penjelas independen dan variabel dependen (Eshetie, 2024). Variabel dependen dalam hal ini berkaitan dengan LST, sedangkan faktor penjelasnya meliputi suhu, NDVI, NDWI, NDBI, NDSI, dan NDBaI. Dengan koefisien determinasi R2sebesar 0,9420, faktor penjelas diharapkan dapat menjelaskan 94,20% variabilitas dalam LST yang menunjukkan peningkatan substansial dalam kecocokan model atas OLS dengan memperhitungkan non-stasioneritas spasial, yang memungkinkan hubungan antara variabel bervariasi di berbagai lokasi. Pendekatan pemodelan lokal ini menangkap variasi dalam pengaruh prediktor, yang mengarah ke estimasi LST yang lebih akurat. Namun, keterbatasan potensial mencakup peningkatan kompleksitas, yang dapat menyebabkan overfitting, dan kebutuhan akan titik data yang cukup untuk menghasilkan hasil yang andal. Selain itu, ketergantungan GWR pada pemilihan bandwidth dapat memengaruhi stabilitas estimasi, yang memerlukan pertimbangan cermat terhadap skala spasial yang digunakan dalam analisis.

Gbr. 8.Korelasi Pearson antara LST dan indeks tanah.

(13)

Gbr. 9.Hubungan dan distribusi variabel.

R2sebesar 0,9405, mempertimbangkan ukuran sampel dan jumlah prediktor, menegaskan kembali kekuatan penjelasan model sambil mengurangi potensi masalah overfitting. GWR's R2nilai 0,9420 Selain itu, ketergantungan GWR pada pemilihan lebar pita dapat memengaruhi stabilitas estimasi, sehingga

memerlukan pertimbangan cermat terhadap skala spasial yang digunakan dalam analisis. Jumlah kuadrat residual (2232,03) menunjukkan bahwa model tersebut cukup menangkap variabilitas yang tidak dapat dijelaskan yang tersisa dalam LST.

Nilai R-kuadrat yang ditingkatkan dan nilai R-kuadrat yang disesuaikan, bersamaan dengan

skor AICc yang diminimalkan, menandakan kemanjuran model yang superior, yang menunjukkan bahwa model GWR dengan cekatan menangkap nuansa spasial dalam korelasi hubungan antara variabel penjelas dan LST. Jumlah kuadrat residual (2232,03) menunjukkan bahwa model tersebut secara memadai menangkap variabilitas yang tidak dapat dijelaskan yang tersisa dalam LST (Njoku dan Tenenbaum, 2022). Kami telah membuat peta deviasi standar dan plot sebaran yang membandingkan nilai LST yang diamati dengan nilai yang diprediksi di Uttarakhand menggunakan pemodelan GWR ( Gbr. 13). LST merupakan variabel dependen, sedangkan

(14)

Tabel 5

Hasil perhitungan analisis OLS, termasuk intersep, koefisien, kesalahan standar, dan statistik-t.

5. Diskusi

Dengan menggunakan teknik statistik geospasial, penelitian ini

mengeksplorasi hubungan antara LST dan berbagai faktor, termasuk NDVI, NDWI, NDBI, NDSI, dan NDBaI. Peta LULC, yang dibuat dengan pengklasifikasi SVM, menyoroti pola geografis dan iklim (Mountrakis dkk., 2011). Pilihan SVM dibandingkan metode klasifikasi lain, seperti Random Forest atau Maximum Likelihood, dibenarkan oleh kemampuannya untuk menangani data berdimensi tinggi secara efektif dan ketahanannya dalam mengelola batasan keputusan yang kompleks. SVM unggul dalam skenario dengan sampel pelatihan terbatas dan memberikan generalisasi yang lebih baik dengan memaksimalkan margin antarkelas, sehingga sangat cocok untuk klasifikasi tutupan lahan di lingkungan yang beragam seperti Uttarakhand. Efektivitasnya dalam membedakan antara kelas yang terkait erat semakin meningkatkan kesesuaiannya untuk studi ini.

Distrik utara, seperti Uttarkashi dan Rudraprayag, tertutup salju dengan urbanisasi minimal, sementara distrik pusat memiliki beragam penggunaan lahan karena ketinggian sedang. Iklim dingin dan hujan salju lebat membatasi aktivitas manusia, sehingga menghasilkan urbanisasi minimal dan sebagian besar lanskap alam. Kondisi yang keras membatasi pertanian dan mendorong aktivitas seperti pariwisata dan konservasi. Sebaliknya, distrik pusat, yang dicirikan oleh ketinggian sedang dan iklim yang lebih sejuk, mendukung beragam penggunaan lahan. Area ini memfasilitasi pertanian, termasuk hortikultura dan pertanian, serta

pembangunan perkotaan, yang didorong oleh aksesibilitas yang lebih baik dan kondisi iklim yang mendukung. Secara keseluruhan, interaksi antara iklim dan ketinggian menentukan kelangsungan berbagai penggunaan lahan, yang memengaruhi aktivitas ekonomi dan strategi pengelolaan lingkungan di wilayah tersebut. Distrik selatan, seperti Dehradun dan Haridwar, menunjukkan urbanisasi yang nyata yang menyebabkan LST yang lebih tinggi karena penggantian vegetasi dengan permukaan kedap air yang menyerap panas. Efek pulau panas perkotaan ini memperburuk suhu lokal dan mengurangi evapotranspirasi, yang

mengakibatkan kualitas udara yang lebih buruk dan peningkatan permintaan energi untuk pendinginan. Pengelolaan lingkungan yang efektif sangat penting untuk mengurangi dampak ini dan mendorong pembangunan berkelanjutan di daerah yang mengalami urbanisasi dengan cepat. Udham Singh Nagar memiliki vegetasi terbanyak, didukung oleh dataran subur yang ideal untuk pertanian, yang mengarah ke daerah terbangun yang substansial dan badan air dengan lahan terbuka yang minimal. Pola-pola ini menyoroti pengaruh ketinggian, iklim, dan aktivitas manusia terhadap penggunaan lahan di seluruh negara bagian ( Mansour dkk., 2020Peta LULC Tata Guna Lahan yang terklasifikasi menunjukkan akurasi klasifikasi keseluruhan sebesar 94,4%, dengan nilai koefisien kappa sebesar 0,90. Mengingat tingkat akurasi minimum yang diperbolehkan sebesar 70% digunakan untuk klasifikasi LULC yang diperoleh dari data ruang angkasa ( Congalton, 1991Bahasa Indonesia:Naikoo dkk., 2020Bahasa Indonesia:Shahfahad, dkk., 2021), keakuratan peta LULC kami dianggap sangat akurat. Meskipun Variabel Koefisien (a) Kesalahan standar statistik t

Mencegat

Penyakit Menular Seksual (NDVI)

SAYA NDBI NDSI NDBaI

11.125018 -Nomor telepon 10.608654

- 17.497269

0.925770 6.564591

Nomor telepon 15.400508

Nomor telepon 12.017043

- 1.616042 - 1.136149

82.059222 79.177512 1.036396

- 139.191928 1.591253

17.941555 1.599764

- 7.758075 0.994680

Tabel 6

Kinerja model GWR.

Indikator kinerja GWR Hasil

R2

R2 yang disesuaikan

Kriteria Informasi Akaike Kotak Sisa

0.942056 0.9405474 1159.254471 2232.036

NDVI, NDWI, NDBI, NDSI, dan NDBaI merupakan variabel penjelas. Peta deviasi standar menggambarkan variabilitas spasial dari nilai LST yang diprediksi di seluruh Uttarakhand. Peta ini menyoroti area tempat nilai LST yang diprediksi menunjukkan variabilitas yang lebih tinggi atau lebih rendah dari rata-rata, yang memberikan wawasan tentang distribusi spasial dan ketidakpastian prediksi model GWR. Plot sebaran membandingkan nilai LST yang diamati dengan nilai prediksi yang dihasilkan oleh model GWR. Kedekatan titik data dengan garis tren menunjukkan kesesuaian yang kuat antara nilai LST yang diamati dan yang diprediksi. Hal ini menunjukkan bahwa model GWR secara efektif menangkap variabilitas spasial LST dan hubungan dengan indikator permukaan lahan yang dipilih. Dibandingkan dengan plot sebaran OLS, tempat hubungan mungkin lebih seragam di seluruh area studi, plot sebaran GWR menunjukkan bahwa model dapat memperhitungkan variasi spasial dan efek lokal dari variabel penjelas pada LST dengan lebih baik. Hal ini menunjukkan keunggulan GWR dalam menangkap hubungan yang bervariasi secara spasial dan memberikan prediksi LST yang lebih akurat di berbagai wilayah di Uttarakhand. Analisis autokorelasi spasial dilakukan menggunakan GWR, menghasilkan nilai Moran's I sebesar 0,02, yang lebih rendah daripada yang diperoleh dari OLS. Nilai ini menunjukkan autokorelasi spasial positif yang sangat lemah, yang menunjukkan bahwa ada sedikit kecenderungan nilai-nilai serupa untuk dikelompokkan bersama di area studi. Namun, autokorelasi tersebut tidak cukup kuat untuk menunjukkan pola spasial yang signifikan. Hal ini menunjukkan bahwa GWR memperhitungkan ketergantungan spasial secara lebih efektif daripada OLS dalam analisis.

Gbr. 10.(a) Distribusi Gaussian dari residual terstandar, (b) Plot residual vs prediksi.

(15)

Gbr. 11.Distribusi spasial dari residual terstandarisasi dan plot sebaran yang diamati vs yang diprediksi untuk OLS.

Gbr. 12.Autokorelasi spasial menggunakan Moran I.

akurasi tinggi dari peta yang diklasifikasikan, potensi kesalahan meliputi kesalahan klasifikasi karena kesamaan spektral dan ketidakakuratan dalam sampel pelatihan dan data referensi. Untuk mengurangi masalah ini, kami melakukan survei lapangan yang ekstensif untuk sampel representatif dan menggunakan citra resolusi tinggi untuk validasi. Teknik klasifikasi tingkat lanjut dan validasi silang juga diterapkan untuk menyempurnakan model dan mengurangi kesalahan.

LST berkisar 46,55◦C sampai -13,97◦C, dengan daerah perkotaan mengalami suhu yang lebih tinggi dan daerah yang tertutup salju mengalami suhu yang lebih rendah. Urbanisasi secara signifikan meningkatkan LST karena sifat penyerap panas dari permukaan kedap air, yang mengakibatkan efek pulau panas perkotaan. Hal ini menyebabkan suhu yang lebih tinggi di kota-kota seperti Dehradun dan Haridwar. Sebaliknya, daerah yang tertutup salju seperti Uttarkashi dan Chamoli, khususnya di distrik utara, menunjukkan LST yang lebih rendah karena albedo yang tinggi, yang memantulkan radiasi matahari daripada menyerapnya. Penjajaran daerah-daerah ini menyoroti suhu yang sangat tinggi

variasi yang disebabkan oleh perubahan penutup lahan dan penggunaan lahan ( Weng, tahun 2009Di wilayah tengah, daerah berbatu atau tandus yang tidak ditumbuhi tanaman dapat mencapai suhu 26–28◦C karena insolasi langsung, di mana tidak adanya vegetasi memungkinkan penyerapan radiasi matahari secara lebih langsung, sehingga meningkatkan suhu permukaan. Variasi LST ini dipengaruhi oleh faktor-faktor seperti elevasi, jenis tutupan lahan, dan tingkat urbanisasi, yang mencerminkan interaksi kompleks antara unsur-unsur alami dan antropogenik dalam menentukan distribusi suhu di seluruh negara bagian (Voogt dan Oke, 2003). Kemudian, analisis hotspot LST di Uttarakhand dilakukan dengan menggunakan Getis-Ord Gi* J (Getis dan Ord, 1992) statistik dalam ArcGIS. Analisis hotspot mengungkap titik dingin di wilayah utara dan hotspot di selatan, yang memiliki implikasi untuk adaptasi iklim dan perencanaan kota. Titik dingin ini terutama disebabkan oleh ketinggian yang lebih tinggi, yang mengakibatkan suhu yang lebih rendah, keberadaan lapisan salju, dan iklim mikro dingin yang umum di wilayah pegunungan ini. Zona alpen dan subalpen di utara

(16)

Gbr. 13.Distribusi spasial dari residual terstandarisasi dan plot sebaran yang diamati vs yang diprediksi untuk GWR.

Uttarakhand, yang dicirikan oleh kondisi iklim yang unik, memainkan peran penting dalam mempertahankan rezim suhu rendah ini. Daerah-daerah ini sangat penting untuk menjaga keseimbangan ekologi dan menyoroti sensitivitas lingkungan pegunungan terhadap variasi iklim. Sebaliknya, bagian selatan Uttarakhand menunjukkan kelompok titik panas yang signifikan secara statistik, yang juga melampaui ambang batas kepercayaan 90%. Titik panas ini kemungkinan merupakan hasil dari ketinggian yang lebih rendah, yang berkontribusi pada suhu yang secara inheren lebih hangat, dan efek urbanisasi, yang menyebabkan peningkatan penyerapan dan retensi panas. Daerah perkotaan biasanya mengalami efek pulau panas perkotaan, di mana lingkungan yang dibangun menahan lebih banyak panas dibandingkan dengan lanskap alam, yang memperburuk peningkatan suhu (Dai dkk., 2023Bahasa Indonesia:Pal dan Ziaul, 2017). Wilayah tengah Uttarakhand tidak memiliki pengelompokan suhu yang signifikan karena penggunaan lahannya yang beragam dan ketinggian sedang, yang menciptakan campuran iklim mikro. Tidak seperti urbanisasi yang menonjol di daerah-daerah panas selatan atau daerah-daerah dingin yang tertutup salju di utara, wilayah tengah ini mengalami pengaruh yang bervariasi dari vegetasi, pertanian, dan lahan terbuka, yang mengarah ke distribusi suhu yang lebih seragam. Variabilitas spasial ini mengurangi kemungkinan

pengelompokan suhu ekstrem, yang menekankan perlunya strategi adaptasi iklim lokal (Na dkk., 2023). Variabilitas spasial dalam distribusi suhu dalam konsekuensi krusial bagi upaya adaptasi iklim, pengelolaan lingkungan, dan pembangunan perkotaan disorot oleh Uttarakhand. Memahami pola-pola ini penting untuk mengembangkan strategi yang tepat guna mengurangi dampak suhu ekstrem dan meningkatkan ketahanan terhadap perubahan iklim di berbagai wilayah negara bagian.

Hubungan antara beberapa indikator penjelas dan LST telah dianalisis menggunakan koefisien korelasi Pearson. Hasilnya mengungkapkan korelasi signifikan yang menyoroti interaksi kompleks antara LST dan karakteristik tutupan lahan. LST dan NDVI memiliki korelasi positif sebesar +0,68, yang menunjukkan bahwa area dengan lebih banyak vegetasi cenderung memiliki suhu permukaan yang lebih tinggi. Hal ini mungkin disebabkan oleh fakta bahwa area dengan salju dan suhu rendah menunjukkan sedikit atau tidak ada vegetasi, sedangkan wilayah tanpa salju atau suhu yang sedikit lebih tinggi mendukung lebih banyak vegetasi, sehingga berkontribusi pada LST yang lebih tinggi (Ullah dkk., 2023) Hal ini menunjukkan bahwa wilayah dengan tutupan vegetasi yang lebih tinggi dapat membantu memoderasi suhu permukaan melalui evapotranspirasi,

membuatnya penting bagi strategi pengelolaan lahan yang bertujuan untuk mendinginkan daerah perkotaan. Sebaliknya, NDWI dan LST memiliki korelasi negatif yang tinggi sebesar - 0,74, yang menunjukkan bahwa daerah basah dan badan air menyebabkan suhu permukaan yang lebih rendah, yang menekankan efek pendinginan air. Hal ini menunjukkan bahwa badan air dan daerah yang tertutup salju

mempertahankan suhu yang lebih rendah, yang menyoroti pentingnya mereka dalam mengurangi efek panas. Wawasan ini menunjukkan bahwa meningkatkan vegetasi dan melestarikan badan air sangat penting bagi pengelolaan lahan yang berkelanjutan, khususnya di daerah perkotaan yang menghadapi peningkatan suhu. NDBI menunjukkan korelasi positif sebesar +0,74 dengan LST, yang mencerminkan sifat menahan panas dari daerah perkotaan dan daerah yang dibangun. Korelasi negatif terkuat diamati antara LST dan NDSI pada - 0,80, yang menggarisbawahi pengaruh pendinginan daerah yang tertutup salju di dataran tinggi negara bagian tersebut.

Terakhir, korelasi mendekati nol (+0,04) antara LST dan NDBaI menunjukkan bahwa daerah yang terbakar tidak memiliki dampak yang konsisten pada suhu permukaan di wilayah ini. Hasil-hasil ini menyoroti perlunya mempertimbangkan berbagai bentuk penggunaan lahan dan penutup lahan serta efek uniknya terhadap dinamika termal saat meneliti suhu permukaan lahan (LST) di wilayah perbukitan seperti Uttarakhand (Guha dkk., 2020Bahasa Indonesia:Khan dkk., 2021Bahasa Indonesia: Sarif dkk., 2020).

Selanjutnya dilakukan dua teknik regresi yaitu OLS dan GWR, yang menunjukkan bahwa GWR dengan R yang lebih tinggi2nilai, menangkap variabilitas spasial dengan lebih baik.

Analisis OLS menghasilkan R2nilai 0,7998 dan R yang disesuaikan2nilai 0,79915 menunjukkan bahwa variabel penjelas mencakup sekitar 79,98% varians dalam LST. Nilai AICc sebesar 8176,73 menunjukkan kecocokan model yang baik. Analisis autokorelasi spasial menggunakan Moran's I menunjukkan tingkat autokorelasi spasial positif yang tinggi (Moran's I = 0,606, z-score = 45,45), yang menunjukkan pengelompokan nilai LST di seluruh wilayah. GWR kemudian digunakan untuk memperhitungkan non-stasioneritas spasial dalam hubungan antara LST dan prediksinya. Model GWR menghasilkan R yang jauh lebih tinggi2sebesar 0,942056 dan R yang disesuaikan2sebesar 0,9405474, yang menunjukkan bahwa sekitar 94,21% varians dalam LST dapat dijelaskan oleh model GWR, yang menunjukkan kecocokan yang lebih baik dibandingkan dengan OLS. Nilai AICc sebesar 1159,254471 lebih lanjut mendukung kecocokan model GWR yang lebih unggul.

Hasilnya menyiratkan bahwa meskipun model OLS menawarkan ringkasan keseluruhan yang berguna tentang hubungan antara LST dan faktor penjelas, model tersebut tidak memperhitungkan variabilitas spasial secara memadai. Sebaliknya, GWR

(17)

Model ini, dengan mempertimbangkan heterogenitas spasial, meningkatkan akurasi prediksi secara signifikan dengan memungkinkan hubungan yang bervariasi antara variabel dependen dan independen di berbagai lokasi. Pendekatan lokal ini memberikan pemahaman yang bernuansa tentang bagaimana faktor-faktor yang memengaruhi LST berbeda karena konteks geografis, yang mengarah pada kecocokan model yang lebih baik, seperti yang ditunjukkan oleh R yang lebih tinggi.2nilai dan AICc yang lebih rendah dibandingkan dengan OLS. Implikasi untuk analisis spasial mencakup peningkatan kemampuan prediktif dan pengambilan keputusan yang lebih terinformasi dalam perencanaan perkotaan dan pengelolaan lingkungan, karena GWR mengidentifikasi area yang membutuhkan intervensi yang ditargetkan berdasarkan karakteristik spasial yang unik. R yang tinggi2Nilai-nilai dan AICc yang lebih rendah dalam model GWR menyoroti pentingnya menangkap hubungan yang bervariasi secara spasial untuk pemodelan LST yang akurat di Uttarakhand, di mana medan dan penutup lahan menunjukkan variabilitas yang signifikan (Isazade dkk., 2023Bahasa Indonesia:Kashki dkk., 2021).

ketahanan. Selain itu, mengintegrasikan data sosial-ekonomi dan iklim serta membandingkan GWR dengan teknik-teknik canggih seperti pembelajaran mesin dapat meningkatkan wawasan dan penilaian metodologis. Penelitian di masa mendatang harus difokuskan pada penyempurnaan model-model ini dan mengeksplorasi penerapannya di wilayah pegunungan lainnya.

Pernyataan kontribusi kepenulisan CRediT

Waiza Khalid: Penulisan – draf asli, Visualisasi, Perangkat Lunak,

Metodologi, Analisis formal, Kurasi data, Konseptualisasi.Syed Kausar

Shamim: Penulisan – draf asli, Perangkat Lunak, Metodologi, Analisis

formal, Konseptualis