Planet Geo Indonesia

Perkembangan ekonomi suatu daerah biasanya tidak selalu diikuti perkembangan daerah tersebut secara ekologi. Hal ini menyebabkan terganggunya keseimbangan ekosistem yang berupa penurunan jumlah tutupan vegetasi dan peningkatan pencemaran udara seperti peningkatan jumlah CO2 udara. Besarnya populasi manusia merupakan faktor penting dalam permasalahan lingkungan dimana tingginya laju pertumbuhan penduduk menyebabkan semakin terdesaknya alokasi ruang untuk vegetasi yang mempunyai fungsi sangat penting di di suatu daerah (As-syakur dan Adnyana, 2009).

Perubahan luasan tutupan vegetasi dan peningkatan kadar gas CO2 atmosfer di perkotaan merupakan isu yang sangat penting. CO2 bersama gas-gas rumah kaca yang lain berperan dalam meningkatkan suhu global dan perubahan iklim. Vegetasi memerlukan CO2 dalam proses fotosisntesis. Penyerapan CO2 oleh vegetasi merupakan proses dalam pengendalian pencemaran udara dalam menguragi kadar CO2 di udara. Teknologi penginderaan jauh dengan pendekatan berbasis spasial dapat merekam dan menganalisa secara spasial kondisi penyerapan CO2 oleh vegetasi.

CO2 merupakan salah satu gas rumah kaca yang memberikan efek terhadap pemanasan global dan perubahan iklim. Gas-gas rumah kaca menyebabkan energi panas yang berupa gelombang panjang terperangkap didalam atmosfer bumi sehingga menimbulakan efek pemanasan global. Gas-gas Rumah Kaca (GRK) dihasilkan dari berbagai kegiatan manusia, seperti kegiatan industri, transportasi, kebakaran hutan, perubahan tata guna lahan, pertanian, peternakan, sampah dan sebagainya. Bulan Desember 2008 kandungan gas CO2 atmosfer secara global telah mencapai 385.88 ppm dan bila dibandingkan dengan bulan Januari 1980 kandungan CO2 atmosfer hanya 337.70 ppm (http://www.esrl.noaa.gov/gmd/ccgg/trends), yang berarti kandungan CO2 atmosfer global telah naik 48.18 ppm atau 1.72 ppm/thn.

Berdasarkan laporan IPCC tahun 2007 kemungkinan manusia yang menyebabkan terjadinya perubahan iklim adalah sebesar 90%, keadaan ini lebih tinggi dari laporan terakhir dari IPCC pada tahun 2001 dimana kemungkinan manusia sebagai penyebab perubahan iklim adalah sebesar 60%. Laporan tersebut juga mengungkapkan bahwa penyebab utama terjadinya peningkatan Gas Rumah Kaca (GRK) seperti peningkatan gas Carbon Dioksida yang disebabkan oleh penggunaan bahan bakar fosil dan perubahan penggunaan lahan, yaitu dari lahan hutan menjadi lahan yang bernilai ekonomi seperti pemukiman dan perkebunan.

Sensor penginderaan jauh mempunyai kemampuan dalam menangkap gelombang yang dipantulkan oleh vegetasi dan non vegetasi serta mampu membedakan kualitas (jumlah klorofil) dan kuantitas (Leaf Area Index/LAI) vegetasi melalui pemanfaatan nilai indeks vegetasi. Nilai indeks vegetasi merupakan suatu nilai yang dihasilkan dari persamaan matematika dari beberapa band penginderaan jauh (citra) yang menghasilkan satu nilai indeks (As-syakur dan Adnyana, 2009). Indeks vegetasi dirancang untuk memperjelas tampilan objek berklorofil (vegetasi) dibandingkan dengan objek-objek yang tidak berklorofil. Nilai indeks vegetasi dapat memberikan informasi tentang persentase penutupan vegetasi, indeks tanaman hidup (Leaf Area Index), biomassa tanaman, fAPAR (fraction of Absorbed Photosynthetically Active Radiation), kapasitas fotosintesis dan estimasi penyerapan karbon dioksida (CO2) (Horning, 2004; Ji and Peters, 2007).

Indeks vegetasi juga bisa digunakan untuk menghitung jumlah assimilasi CO2 oleh vegetasi melalui pendekatan produktivitas primer kotor (PPK)/gross primary productivity (GPP) dan produkstivitas primer bersi (PPB)/net primary productivity (NPP). Beberapa model dalam pemanfaatan penginderaan jauh yang digunakan untuk menghitung pertukaran CO2 antara atmosfer dengan vegetasi antara lain adalah light use efficiency (LUE) (Monteith, 1972). canopy photosynthesis models (CPM), production efficiency models (PEM) (Gitelson et al., 2008) dan vegetation photosynthesis models (VPM) (Xiao et al., 2004a; Xiao et al., 2004b; Xiao et al., 2005a; Xiao et al., 2005b).

Estimasi produktivitas primer menggunakan dasar pendekatan biofisik dari tanaman yaitu nilai indeks vegetasi, parameter efisiensi penggunaan cahaya, dan nilai PAR (Photosynthetically Active Radiation) (Running et al., 1999). Normalized difference vegetation index (NDVI) berhubungan erat dengan fraction absorbed photosynthetically active radiation (fAPAR) (Myneni and Williams, 1994; Kumar and Monteith, 1981 dalam Hooda and Dye, 1996; Inoue et al., 2008). Hubungan antara NDVI dengan fAPAR bisa digunakan untuk menghitung produktivitas primer kotor dengan pendekatan model LUE (Running et al., 1999) atau  model VPM (Xiao et al., 2004a; Xiao et al., 2004b; Xiao et al., 2005a; Xiao et al., 2005b) yang merupakan gambaran dari jumlah karbon yang diasimilasi oleh tanaman.

Semoga artikel ini berguna khususnya bagi yang ingin meneliti tentang penyerapan CO2 oleh tanaman. Selain menggunakan pendekatan PPK/PPB, perhitungan tentang penyerapan CO2 oleh tanaman juga bisa menggunakan pendekatan biomassa tanaman yang juga bisa menggunakan data penginderaan jauh. Karena belum pernah melakukan analisis pemanfaatan biomassa tanaman, maka di tulisan ini tidak menjelaskannya secara detail.

<!–[if !mso]> <! st1\:*{behavior:url(#ieooui) } –>

DAFTAR PUSTAKA

As-syakur, A.R., dan I W.S. Adnyana. 2009. “Analisis Indeks Vegetasi Menggunakan Citra Alos/Avnir-2 nan Sistem Informasi Geografi (SIG) Untuk Evaluasi Tata Ruang Kota Denpasar”. Jurnal Bumi Lestari, Vol. 9, No. 1. 1 – 11.

Gitelson, A.A., A. Viña, J.G. Masek, S.B. Verma, and A.E. Suyker. 2008. Synoptic Monitoring of Gross Primary Productivity of Maize Using Landsat Data. IEEE Geoscience and Remote Sensing Letters, Vol. 5, No. 2, 133 – 137

Hooda, R.S. and D.G. Dye. 1996. Estimating Carbon-fixation in India based on Remote Sensing Data. Haryana State Remote Sensing Application Centre, HAU Campus. India

Horning, N. 2004. Global Land Vegetation; An Electronic Textbook. NASA Goddard Space Flight Center Earth Sciences Directorate Scientific and Educational Endeavors (SEE). Versi on line. Dikunjungi pada tanggal 27 Desember 2007. http://www.ccpo.odu.edu/SEES/veget/vg_class.htm

Inoue, Y., J. Peñuelas, A. Miyata, and M. Mano. 2008. Normalized Difference Spectral Indices for Estimating Photosynthetic Hyperspectral and CO2 Flux Measurements in Rice. Remote Sensing of Environmental, 112, 156 – 172

IPCC. 2007. Working Group II Report “Impacts, Adaptation and Vulnerability”. The Intergovernmental Panel on Climate Change. Dikunjungi pada tanggal 25 Desember 2007 http://www.ipcc.ch/ipccreports/ar4-wg2.htm.

Ji, L., dan A.J. Peters. 2007. “Performance Evaluation of Spectral Vegetation Indices Using a Statistical Sensitivity Function”. Remote Sensing of Environmental, 106, 59 -65

Monteith, J.L. 1972. Solar radiation and productivity in tropical ecosystems. J. Appl. Ecol., 9, 747-766.

Myneni, R.B., and D. L. Williams. 1994. On the Relationship between FAPAR and NDVI. Remote Sensing of Environment, 49, 200-211.

Running, S.W., R. Nemani, J.M. Glassy. and P.E. Thornton. 1999. Modis Daily Photosynthesis (PSN) and Annual Net Primary Production (NPP) Product (MOD17): Algorithm Theoretical Basis Document. NASA. USA.

Xiao, X., Q. Zhang, S. Saleska, L. Hutyra, P. de Camargo, S. Wofsy, S. Frolking, S. Boles, M. Keller, and B. Moore. 2005a. Satellite-Based Modeling of Gross Primary Production in a Seasonally Moist Tropical Evergreen Forest. Remote Sensing of Environment, 94, 105–122

Xiao, X., Q.Y. Zhang, D. Hollinger, J. Aber, and B. Moore. 2005b. Modeling gross primary production of an evergreen needleleaf forest using MODIS and climate data. Ecological Application, vol. 15,  954–969.

Xiao. X., D. Hollinger, J. Aber, M. Goltz, and Q. Zhang. 2004a. Satellite-based Modeling of Gross Primary Production in an Evergreen Needle Leaf Forest. Remote Sensing of Environment, 89, 519-534.

Xiao, X., Q.Y. Zhang, B. Braswell, S. Urbanski, S. Boles, S. Wofsy, B. Moore, and D. Ojima. 2004b. Modeling gross primary production of temperate deciduous broadleaf forest using satellite images and climate data. Remote Sensing of Environment, 91. 256–270.

http://www.esrl.noaa.gov/gmd/ccgg/trends

Mencari Jumlah Penyerapan CO2 oleh Tanaman dengan Peninderaan Jauh

Perkembangan ekonomi suatu daerah biasanya tidak selalu diikuti perkembangan daerah tersebut secara ekologi. Hal ini menyebabkan terganggunya keseimbangan ekosistem yang berupa penurunan jumlah tutupan vegetasi dan peningkatan pencemaran udara seperti peningkatan jumlah CO2 udara. Besarnya populasi manusia merupakan faktor penting dalam permasalahan lingkungan dimana tingginya laju pertumbuhan penduduk menyebabkan semakin terdesaknya alokasi ruang untuk vegetasi yang mempunyai fungsi sangat penting di di suatu daerah (As-syakur dan Adnyana, 2009).

Perubahan luasan tutupan vegetasi dan peningkatan kadar gas CO2 atmosfer di perkotaan merupakan isu yang sangat penting. CO2 bersama gas-gas rumah kaca yang lain berperan dalam meningkatkan suhu global dan perubahan iklim. Vegetasi memerlukan CO2 dalam proses fotosisntesis. Penyerapan CO2 oleh vegetasi merupakan proses dalam pengendalian pencemaran udara dalam menguragi kadar CO2 di udara. Teknologi penginderaan jauh dengan pendekatan berbasis spasial dapat merekam dan menganalisa secara spasial kondisi penyerapan CO2 oleh vegetasi.

CO2 merupakan salah satu gas rumah kaca yang memberikan efek terhadap pemanasan global dan perubahan iklim. Gas-gas rumah kaca menyebabkan energi panas yang berupa gelombang panjang terperangkap didalam atmosfer bumi sehingga menimbulakan efek pemanasan global. Gas-gas Rumah Kaca (GRK) dihasilkan dari berbagai kegiatan manusia, seperti kegiatan industri, transportasi, kebakaran hutan, perubahan tata guna lahan, pertanian, peternakan, sampah dan sebagainya. Bulan Desember 2008 kandungan gas CO2 atmosfer secara global telah mencapai 385.88 ppm dan bila dibandingkan dengan bulan Januari 1980 kandungan CO2 atmosfer hanya 337.70 ppm (http://www.esrl.noaa.gov/gmd/ccgg/trends), yang berarti kandungan CO2 atmosfer global telah naik 48.18 ppm atau 1.72 ppm/thn.

Berdasarkan laporan IPCC tahun 2007 kemungkinan manusia yang menyebabkan terjadinya perubahan iklim adalah sebesar 90%, keadaan ini lebih tinggi dari laporan terakhir dari IPCC pada tahun 2001 dimana kemungkinan manusia sebagai penyebab perubahan iklim adalah sebesar 60%. Laporan tersebut juga mengungkapkan bahwa penyebab utama terjadinya peningkatan Gas Rumah Kaca (GRK) seperti peningkatan gas Carbon Dioksida yang disebabkan oleh penggunaan bahan bakar fosil dan perubahan penggunaan lahan, yaitu dari lahan hutan menjadi lahan yang bernilai ekonomi seperti pemukiman dan perkebunan.

Sensor penginderaan jauh mempunyai kemampuan dalam menangkap gelombang yang dipantulkan oleh vegetasi dan non vegetasi serta mampu membedakan kualitas (jumlah klorofil) dan kuantitas (Leaf Area Index/LAI) vegetasi melalui pemanfaatan nilai indeks vegetasi. Nilai indeks vegetasi merupakan suatu nilai yang dihasilkan dari persamaan matematika dari beberapa band penginderaan jauh (citra) yang menghasilkan satu nilai indeks (As-syakur dan Adnyana, 2009). Indeks vegetasi dirancang untuk memperjelas tampilan objek berklorofil (vegetasi) dibandingkan dengan objek-objek yang tidak berklorofil. Nilai indeks vegetasi dapat memberikan informasi tentang persentase penutupan vegetasi, indeks tanaman hidup (Leaf Area Index), biomassa tanaman, fAPAR (fraction of Absorbed Photosynthetically Active Radiation), kapasitas fotosintesis dan estimasi penyerapan karbon dioksida (CO2) (Horning, 2004; Ji and Peters, 2007).

Indeks vegetasi juga bisa digunakan untuk menghitung jumlah assimilasi CO2 oleh vegetasi melalui pendekatan produktivitas primer kotor (PPK)/gross primary productivity (GPP) dan produkstivitas primer bersi (PPB)/net primary productivity (NPP). Beberapa model dalam pemanfaatan penginderaan jauh yang digunakan untuk menghitung pertukaran CO2 antara atmosfer dengan vegetasi antara lain adalah light use efficiency (LUE) (Monteith, 1972). canopy photosynthesis models (CPM), production efficiency models (PEM) (Gitelson et al., 2008) dan vegetation photosynthesis models (VPM) (Xiao et al., 2004a; Xiao et al., 2004b; Xiao et al., 2005a; Xiao et al., 2005b).

Estimasi produktivitas primer menggunakan dasar pendekatan biofisik dari tanaman yaitu nilai indeks vegetasi, parameter efisiensi penggunaan cahaya, dan nilai PAR (Photosynthetically Active Radiation) (Running et al., 1999). Normalized difference vegetation index (NDVI) berhubungan erat dengan fraction absorbed photosynthetically active radiation (fAPAR) (Myneni and Williams, 1994; Kumar and Monteith, 1981 dalam Hooda and Dye, 1996; Inoue et al., 2008). Hubungan antara NDVI dengan fAPAR bisa digunakan untuk menghitung produktivitas primer kotor dengan pendekatan model LUE (Running et al., 1999) atau  model VPM (Xiao et al., 2004a; Xiao et al., 2004b; Xiao et al., 2005a; Xiao et al., 2005b) yang merupakan gambaran dari jumlah karbon yang diasimilasi oleh tanaman.

Semoga artikel ini berguna khususnya bagi yang ingin meneliti tentang penyerapan CO2 oleh tanaman. Selain menggunakan pendekatan PPK/PPB, perhitungan tentang penyerapan CO2 oleh tanaman juga bisa menggunakan pendekatan biomassa tanaman yang juga bisa menggunakan data penginderaan jauh. Karena belum pernah melakukan analisis pemanfaatan biomassa tanaman, maka di tulisan ini tidak menjelaskannya secara detail.

Perkembangan ekonomi suatu daerah biasanya tidak selalu diikuti perkembangan daerah tersebut secara ekologi. Hal ini menyebabkan terganggunya keseimbangan ekosistem yang berupa penurunan jumlah tutupan vegetasi dan peningkatan pencemaran udara seperti peningkatan jumlah CO2 udara. Besarnya populasi manusia merupakan faktor penting dalam permasalahan lingkungan dimana tingginya laju pertumbuhan penduduk menyebabkan semakin terdesaknya alokasi ruang untuk vegetasi yang mempunyai fungsi sangat penting di di suatu daerah (As-syakur dan Adnyana, 2009).

Perubahan luasan tutupan vegetasi dan peningkatan kadar gas CO2 atmosfer di perkotaan merupakan isu yang sangat penting. CO2 bersama gas-gas rumah kaca yang lain berperan dalam meningkatkan suhu global dan perubahan iklim. Vegetasi memerlukan CO2 dalam proses fotosisntesis. Penyerapan CO2 oleh vegetasi merupakan proses dalam pengendalian pencemaran udara dalam menguragi kadar CO2 di udara. Teknologi penginderaan jauh dengan pendekatan berbasis spasial dapat merekam dan menganalisa secara spasial kondisi penyerapan CO2 oleh vegetasi.

CO2 merupakan salah satu gas rumah kaca yang memberikan efek terhadap pemanasan global dan perubahan iklim. Gas-gas rumah kaca menyebabkan energi panas yang berupa gelombang panjang terperangkap didalam atmosfer bumi sehingga menimbulakan efek pemanasan global. Gas-gas Rumah Kaca (GRK) dihasilkan dari berbagai kegiatan manusia, seperti kegiatan industri, transportasi, kebakaran hutan, perubahan tata guna lahan, pertanian, peternakan, sampah dan sebagainya. Bulan Desember 2008 kandungan gas CO2 atmosfer secara global telah mencapai 385.88 ppm dan bila dibandingkan dengan bulan Januari 1980 kandungan CO2 atmosfer hanya 337.70 ppm (http://www.esrl.noaa.gov/gmd/ccgg/trends), yang berarti kandungan CO2 atmosfer global telah naik 48.18 ppm atau 1.72 ppm/thn.

Berdasarkan laporan IPCC tahun 2007 kemungkinan manusia yang menyebabkan terjadinya perubahan iklim adalah sebesar 90%, keadaan ini lebih tinggi dari laporan terakhir dari IPCC pada tahun 2001 dimana kemungkinan manusia sebagai penyebab perubahan iklim adalah sebesar 60%. Laporan tersebut juga mengungkapkan bahwa penyebab utama terjadinya peningkatan Gas Rumah Kaca (GRK) seperti peningkatan gas Carbon Dioksida yang disebabkan oleh penggunaan bahan bakar fosil dan perubahan penggunaan lahan, yaitu dari lahan hutan menjadi lahan yang bernilai ekonomi seperti pemukiman dan perkebunan.

Sensor penginderaan jauh mempunyai kemampuan dalam menangkap gelombang yang dipantulkan oleh vegetasi dan non vegetasi serta mampu membedakan kualitas (jumlah klorofil) dan kuantitas (Leaf Area Index/LAI) vegetasi melalui pemanfaatan nilai indeks vegetasi. Nilai indeks vegetasi merupakan suatu nilai yang dihasilkan dari persamaan matematika dari beberapa band penginderaan jauh (citra) yang menghasilkan satu nilai indeks (As-syakur dan Adnyana, 2009). Indeks vegetasi dirancang untuk memperjelas tampilan objek berklorofil (vegetasi) dibandingkan dengan objek-objek yang tidak berklorofil. Nilai indeks vegetasi dapat memberikan informasi tentang persentase penutupan vegetasi, indeks tanaman hidup (Leaf Area Index), biomassa tanaman, fAPAR (fraction of Absorbed Photosynthetically Active Radiation), kapasitas fotosintesis dan estimasi penyerapan karbon dioksida (CO2) (Horning, 2004; Ji and Peters, 2007).

Indeks vegetasi juga bisa digunakan untuk menghitung jumlah assimilasi CO2 oleh vegetasi melalui pendekatan produktivitas primer kotor (PPK)/gross primary productivity (GPP) dan produkstivitas primer bersi (PPB)/net primary productivity (NPP). Beberapa model dalam pemanfaatan penginderaan jauh yang digunakan untuk menghitung pertukaran CO2 antara atmosfer dengan vegetasi antara lain adalah light use efficiency (LUE) (Monteith, 1972). canopy photosynthesis models (CPM), production efficiency models (PEM) (Gitelson et al., 2008) dan vegetation photosynthesis models (VPM) (Xiao et al., 2004a; Xiao et al., 2004b; Xiao et al., 2005a; Xiao et al., 2005b).

Estimasi produktivitas primer menggunakan dasar pendekatan biofisik dari tanaman yaitu nilai indeks vegetasi, parameter efisiensi penggunaan cahaya, dan nilai PAR (Photosynthetically Active Radiation) (Running et al., 1999). Normalized difference vegetation index (NDVI) berhubungan erat dengan fraction absorbed photosynthetically active radiation (fAPAR) (Myneni and Williams, 1994; Kumar and Monteith, 1981 dalam Hooda and Dye, 1996; Inoue et al., 2008). Hubungan antara NDVI dengan fAPAR bisa digunakan untuk menghitung produktivitas primer kotor dengan pendekatan model LUE (Running et al., 1999) atau  model VPM (Xiao et al., 2004a; Xiao et al., 2004b; Xiao et al., 2005a; Xiao et al., 2005b) yang merupakan gambaran dari jumlah karbon yang diasimilasi oleh tanaman.

Semoga artikel ini berguna khususnya bagi yang ingin meneliti tentang penyerapan CO2 oleh tanaman. Selain menggunakan pendekatan PPK/PPB, perhitungan tentang penyerapan CO2 oleh tanaman juga bisa menggunakan pendekatan biomassa tanaman yang juga bisa menggunakan data penginderaan jauh. Karena belum pernah melakukan analisis pemanfaatan biomassa tanaman, maka di tulisan ini tidak menjelaskannya secara detail.

<!–[if !mso]> <! st1\:*{behavior:url(#ieooui) } –>

DAFTAR PUSTAKA

As-syakur, A.R., dan I W.S. Adnyana. 2009. “Analisis Indeks Vegetasi Menggunakan Citra Alos/Avnir-2 nan Sistem Informasi Geografi (SIG) Untuk Evaluasi Tata Ruang Kota Denpasar”. Jurnal Bumi Lestari, Vol. 9, No. 1. 1 – 11.

Gitelson, A.A., A. Viña, J.G. Masek, S.B. Verma, and A.E. Suyker. 2008. Synoptic Monitoring of Gross Primary Productivity of Maize Using Landsat Data. IEEE Geoscience and Remote Sensing Letters, Vol. 5, No. 2, 133 – 137

Hooda, R.S. and D.G. Dye. 1996. Estimating Carbon-fixation in India based on Remote Sensing Data. Haryana State Remote Sensing Application Centre, HAU Campus. India

Horning, N. 2004. Global Land Vegetation; An Electronic Textbook. NASA Goddard Space Flight Center Earth Sciences Directorate Scientific and Educational Endeavors (SEE). Versi on line. Dikunjungi pada tanggal 27 Desember 2007. http://www.ccpo.odu.edu/SEES/veget/vg_class.htm

Inoue, Y., J. Peñuelas, A. Miyata, and M. Mano. 2008. Normalized Difference Spectral Indices for Estimating Photosynthetic Hyperspectral and CO2 Flux Measurements in Rice. Remote Sensing of Environmental, 112, 156 – 172

IPCC. 2007. Working Group II Report “Impacts, Adaptation and Vulnerability”. The Intergovernmental Panel on Climate Change. Dikunjungi pada tanggal 25 Desember 2007 http://www.ipcc.ch/ipccreports/ar4-wg2.htm.

Ji, L., dan A.J. Peters. 2007. “Performance Evaluation of Spectral Vegetation Indices Using a Statistical Sensitivity Function”. Remote Sensing of Environmental, 106, 59 -65

Monteith, J.L. 1972. Solar radiation and productivity in tropical ecosystems. J. Appl. Ecol., 9, 747-766.

Myneni, R.B., and D. L. Williams. 1994. On the Relationship between FAPAR and NDVI. Remote Sensing of Environment, 49, 200-211.

Running, S.W., R. Nemani, J.M. Glassy. and P.E. Thornton. 1999. Modis Daily Photosynthesis (PSN) and Annual Net Primary Production (NPP) Product (MOD17): Algorithm Theoretical Basis Document. NASA. USA.

Xiao, X., Q. Zhang, S. Saleska, L. Hutyra, P. de Camargo, S. Wofsy, S. Frolking, S. Boles, M. Keller, and B. Moore. 2005a. Satellite-Based Modeling of Gross Primary Production in a Seasonally Moist Tropical Evergreen Forest. Remote Sensing of Environment, 94, 105–122

Xiao, X., Q.Y. Zhang, D. Hollinger, J. Aber, and B. Moore. 2005b. Modeling gross primary production of an evergreen needleleaf forest using MODIS and climate data. Ecological Application, vol. 15,  954–969.

Xiao. X., D. Hollinger, J. Aber, M. Goltz, and Q. Zhang. 2004a. Satellite-based Modeling of Gross Primary Production in an Evergreen Needle Leaf Forest. Remote Sensing of Environment, 89, 519-534.

Xiao, X., Q.Y. Zhang, B. Braswell, S. Urbanski, S. Boles, S. Wofsy, B. Moore, and D. Ojima. 2004b. Modeling gross primary production of temperate deciduous broadleaf forest using satellite images and climate data. Remote Sensing of Environment, 91. 256–270.

http://www.esrl.noaa.gov/gmd/ccgg/trends

Mencari Jumlah Penyerapan CO2 oleh Tanaman dengan Peninderaan Jauh

Perkembangan ekonomi suatu daerah biasanya tidak selalu diikuti perkembangan daerah tersebut secara ekologi. Hal ini menyebabkan terganggunya keseimbangan ekosistem yang berupa penurunan jumlah tutupan vegetasi dan peningkatan pencemaran udara seperti peningkatan jumlah CO2 udara. Besarnya populasi manusia merupakan faktor penting dalam permasalahan lingkungan dimana tingginya laju pertumbuhan penduduk menyebabkan semakin terdesaknya alokasi ruang untuk vegetasi yang mempunyai fungsi sangat penting di di suatu daerah (As-syakur dan Adnyana, 2009).

Perubahan luasan tutupan vegetasi dan peningkatan kadar gas CO2 atmosfer di perkotaan merupakan isu yang sangat penting. CO2 bersama gas-gas rumah kaca yang lain berperan dalam meningkatkan suhu global dan perubahan iklim. Vegetasi memerlukan CO2 dalam proses fotosisntesis. Penyerapan CO2 oleh vegetasi merupakan proses dalam pengendalian pencemaran udara dalam menguragi kadar CO2 di udara. Teknologi penginderaan jauh dengan pendekatan berbasis spasial dapat merekam dan menganalisa secara spasial kondisi penyerapan CO2 oleh vegetasi.

CO2 merupakan salah satu gas rumah kaca yang memberikan efek terhadap pemanasan global dan perubahan iklim. Gas-gas rumah kaca menyebabkan energi panas yang berupa gelombang panjang terperangkap didalam atmosfer bumi sehingga menimbulakan efek pemanasan global. Gas-gas Rumah Kaca (GRK) dihasilkan dari berbagai kegiatan manusia, seperti kegiatan industri, transportasi, kebakaran hutan, perubahan tata guna lahan, pertanian, peternakan, sampah dan sebagainya. Bulan Desember 2008 kandungan gas CO2 atmosfer secara global telah mencapai 385.88 ppm dan bila dibandingkan dengan bulan Januari 1980 kandungan CO2 atmosfer hanya 337.70 ppm (http://www.esrl.noaa.gov/gmd/ccgg/trends), yang berarti kandungan CO2 atmosfer global telah naik 48.18 ppm atau 1.72 ppm/thn.

Berdasarkan laporan IPCC tahun 2007 kemungkinan manusia yang menyebabkan terjadinya perubahan iklim adalah sebesar 90%, keadaan ini lebih tinggi dari laporan terakhir dari IPCC pada tahun 2001 dimana kemungkinan manusia sebagai penyebab perubahan iklim adalah sebesar 60%. Laporan tersebut juga mengungkapkan bahwa penyebab utama terjadinya peningkatan Gas Rumah Kaca (GRK) seperti peningkatan gas Carbon Dioksida yang disebabkan oleh penggunaan bahan bakar fosil dan perubahan penggunaan lahan, yaitu dari lahan hutan menjadi lahan yang bernilai ekonomi seperti pemukiman dan perkebunan.

Sensor penginderaan jauh mempunyai kemampuan dalam menangkap gelombang yang dipantulkan oleh vegetasi dan non vegetasi serta mampu membedakan kualitas (jumlah klorofil) dan kuantitas (Leaf Area Index/LAI) vegetasi melalui pemanfaatan nilai indeks vegetasi. Nilai indeks vegetasi merupakan suatu nilai yang dihasilkan dari persamaan matematika dari beberapa band penginderaan jauh (citra) yang menghasilkan satu nilai indeks (As-syakur dan Adnyana, 2009). Indeks vegetasi dirancang untuk memperjelas tampilan objek berklorofil (vegetasi) dibandingkan dengan objek-objek yang tidak berklorofil. Nilai indeks vegetasi dapat memberikan informasi tentang persentase penutupan vegetasi, indeks tanaman hidup (Leaf Area Index), biomassa tanaman, fAPAR (fraction of Absorbed Photosynthetically Active Radiation), kapasitas fotosintesis dan estimasi penyerapan karbon dioksida (CO2) (Horning, 2004; Ji and Peters, 2007).

Indeks vegetasi juga bisa digunakan untuk menghitung jumlah assimilasi CO2 oleh vegetasi melalui pendekatan produktivitas primer kotor (PPK)/gross primary productivity (GPP) dan produkstivitas primer bersi (PPB)/net primary productivity (NPP). Beberapa model dalam pemanfaatan penginderaan jauh yang digunakan untuk menghitung pertukaran CO2 antara atmosfer dengan vegetasi antara lain adalah light use efficiency (LUE) (Monteith, 1972). canopy photosynthesis models (CPM), production efficiency models (PEM) (Gitelson et al., 2008) dan vegetation photosynthesis models (VPM) (Xiao et al., 2004a; Xiao et al., 2004b; Xiao et al., 2005a; Xiao et al., 2005b).

Estimasi produktivitas primer menggunakan dasar pendekatan biofisik dari tanaman yaitu nilai indeks vegetasi, parameter efisiensi penggunaan cahaya, dan nilai PAR (Photosynthetically Active Radiation) (Running et al., 1999). Normalized difference vegetation index (NDVI) berhubungan erat dengan fraction absorbed photosynthetically active radiation (fAPAR) (Myneni and Williams, 1994; Kumar and Monteith, 1981 dalam Hooda and Dye, 1996; Inoue et al., 2008). Hubungan antara NDVI dengan fAPAR bisa digunakan untuk menghitung produktivitas primer kotor dengan pendekatan model LUE (Running et al., 1999) atau  model VPM (Xiao et al., 2004a; Xiao et al., 2004b; Xiao et al., 2005a; Xiao et al., 2005b) yang merupakan gambaran dari jumlah karbon yang diasimilasi oleh tanaman.

Semoga artikel ini berguna khususnya bagi yang ingin meneliti tentang penyerapan CO2 oleh tanaman. Selain menggunakan pendekatan PPK/PPB, perhitungan tentang penyerapan CO2 oleh tanaman juga bisa menggunakan pendekatan biomassa tanaman yang juga bisa menggunakan data penginderaan jauh. Karena belum pernah melakukan analisis pemanfaatan biomassa tanaman, maka di tulisan ini tidak menjelaskannya secara detail.

Article

A. Rahman As-syakur 1,2,*, Takahiro Osawa 2 and I Wayan S. Adnyana 1, 2

Received: 6 April 2010; in revised form: 10 May 2010 / Accepted: 21 May 2010 /
Published: 3 June 2010

Abstract: Remote sensing data with medium spatial resolution can provide useful information about Gross Primary Production (GPP), especially on the scale of urban areas. Most models of ecosystem carbon exchange that are based on remote sensing use some form of the light use efficiency (LUE) model. The aim of this work is to analyze the distribution of annual GPP in the urban area of Denpasar, Bali. Additional analysis using two types of satellite data (ALOS/AVNIR-2 and Aster) addresses the impact of spatial resolution on the detection of various ecosystem processes in Denpasar.

Annual GPP estimated using ALOS/AVNIR-2 varied from 0.13 gC m−2 yr−1 to 2,586.18 gC m−2 yr−1. Meanwhile, the Aster estimate varied from 0.14 gC m−2 yr−1 to 2,595.26 gC m−2 yr−1. GPP as measured by ALOS/AVNIR-2 was lower than that from Aster because ALOS/AVNIR-2 has medium spatial resolution and a smaller spectral range than Aster. Variations in land use may influence the measured value of GPP via differences in vegetation type, distribution, and photosynthetic pathway type. The medium spatial resolution of the remote sensing data is crucial for discriminating different land cover types in heterogeneous urban areas. Given the heterogeneity of land cover over Denpasar, ALOS/AVNIR-2 detects a smaller maximum value of GPP than Aster, but the annual mean GPP from ALOS/AVNIR-2 is higher than that from Aster. Based on comparisons with previous work, we find that ALOS/AVNIR-2 and Aster satellite data provided more accurate estimates of maximum GPP in Denpasar and in the tropical Kalimantan-Indonesia and Amazon forest than estimates derived from the MODIS GPP product (MOD17).

Keywords: ALOS/AVNIR-2; Aster; gross primary production; spatial resolution

More can be read at

As-syakur, A.R.; Osawa, T.; Adnyana, I.W.S. Medium Spatial Resolution Satellite Imagery to Estimate Gross Primary Production in an Urban Area. Remote Sens. 2010, 2, 1496-1507.

Kemarin saat sedang mencari-cari literatur untuk tulisan, saya temuin satu paper yang menurut saya sangat bagus. Paper itu di tulis oleh pak Dr. Edvin Aldrian dan diterbitkan pada tahun 200 oleh Jurnal Sains & Teknologi Modifikasi Cuaca, Vol. 1, No. 2 dan berjudul POLA HUJAN RATA-RATA BULANAN WILAYAH INDONESIA; TINJAUAN HASIL KONTUR DATA PENAKAR DENGAN RESOLUSI ECHAM T-42. Paper ini menceritakan tentang hujan di Indonesia dan faktor-faktor umum penyebab hujan itu turun di Indonesia dari bulan januari sampai desember. Paper ini menceritakan cukup detail faktor-faktor tersebut misalnya tentang kenapa musim kemarau mulai ada di bulan mei dan musim hujan mulai masuk pada bulan september. trus kenapa curah hujan sangat rendah sekali di NTT pada bulan agustus serta pergerakan musim hujan atau kemarau dari ujung barat indonesia sampai ujung timur indonesia, ujung selatan indonesia sampai ujung utara indonesia. Sangat menarik dan bisa di jadikan sebagai acuan bagi yang mempelajari hujan baik itu untuk tugas, skripsi, tesis, bahkan desertasi. Karena informasi ini sangat jarang di peroleh. Paper aslinya saya akan tautkan di bagian bawah tulisan ini sedangkan gambar sebaran spasial hasil modelnya yang berupa sebaran spasial rata-rata curah hujan di Indonesia saya ganti dengan yang berwarna (gambar di samping, klik untuk memperbesar) yang saya peroleh dari desertasinya pak Aldrian, karena klo dari papernya tersebut gambarnya hitam putih.

OK silahkan di baca dan dinikmati. Berikut ini adalah kajian curah hujan rata-rata bulanan wilayah Indonesia.

1. Januari

Hampir seluruh wilayah Indonesia memiliki curah hujan rata rata bulanan diatas 150 mm. Daerah yang memiliki curah hujan maksimum terdiri dari Lampung dan Jawa dengan curah hujan diatas 300 mm. Keberadaan monsun Asia dan Australia tidak terlihat jelas pada bulan ini. Dalam pengertian iklim klasik Indonesia, bulan ini semestinya termasuk dalam periode monsun asia. Kenyataannya, berda-sarkan analisis angin ECMWF 850 mb. Monsun Asia ada pada bulan NDJFM. Daerah yang paling berdekatan dengan asal monsun Asia (Riau kepulauan) justru memiliki curah hujan yang lebih rendah. Kalau dilihat dari analisis angin, daerah ini memang mensuplai massa udara basah tetapi kecepatan angin terlalu tinggi sehingga mengurangi kemungkinan hujan di daerah ini.

Daerah anomali hujan tinggi, selain di Riau kepulauan juga terjadi di utara Sulawesi dan Maluku te-ngah. Anomali lainnya juga terlihat jelas pada kon-tur hujan di Sulawesi selatan atau tepatnya di sebe-lah barat kota Makasar. Tingginya curah hujan kota Makasar pada bulan ini harus dipahami dengan situasi kota ini yang terletak dipinggir pantai sebuah semenanjung Sulawesi selatan yang di tengahnya terdapat ba-risan bukit. Pada baratan pada bulan membawa udara basah yang memberikan efek orografis ba-yangan hujan (Fohn effect). Sebagai hasilnya curah hujan di kota ini jauh lebih tinggi dari nilai kontur yang tergambar. Terkadang terdapat data dengan curah hujan diatas 1500 mm. Faktor kesalahan lain-nya adalah kurangnya titik observasi di grid ini. Pada grid ini terdapat satu stasiun penakar di kota Makasar. Apabila ingin didapat pola iklim berdasar hujan yang lebih mewakili maka grid ini membutuhkan jauh lebih banyak data penakar terutama dari timur semenanjung Sulawesi selatan.

Hasil analisis angin menunjukkan bahwa terjadi konvergensi masa udara di daerah yang memiliki curah hujan maksimum yaitu selatan Indonesia mulai dari Lampung hingga pulau Timor. Di daerah sebelah utara Australia terjadi daerah pusaran angin yang menunjukkan daerah yang sering terjadi siklon tropis. Apabila kita melihat bahwa monsun asia sudah melemah, maka dapat disimpulkan sementara bahwa curah hujan tinggi di selatan Indonesia terjadi bukan karena monsun Asia tetapi karena daerah pertemuan masa udara dari belahan bumi utara dan selatan (daerah ITCZ) dan keberadaan siklon tropis di sebelah utara Australia. Secara khusus dapat dibagi lagi bahwa di daerah Lampung hingga Jawa pengaruh ITCZ lebih besar ketimbang siklon tropis, tetapi daerah Nusa Tenggara mendapat pengaruh siklon tropis yang besar pula. Hal ini jelas terlihat pada grid di daerah selatan laut Banda, yang paling berdekatan dengan lokasi siklon di utara Australia, memiliki curah hujan mencapai > 350 mm.

Dari pola OLR, daerah yang berpeluang terjadinya hujan adalah daerah pesisir barat Sumatera dan Jawa. Selain itu Maluku utara hingga Sulawesi utara serta tengah pulau Irian. Daerah di tengah Irian dengan nilai OLR tinggi dapat dimaklumi secara orografis yaitu daerah puncak Jayawijaya. Pola OLR tinggi di Maluku tengah dan Sulawesi Utara bertentangan dengan data hujan yang menunjukkan daerah ini memiliki curah hujan minimum. Secara umum daerah OLR juga mewakili letak posisi ITCZ yang tepat di daerah khatulistiwa. Dari pola OLR ini juga terlihat bahwa daerah yang dekat dengan asal monsun Asia tidak memiliki po¬tensi awan konvektif sebagaimana analisis kita se¬belumnya.

Analisis suhu permukaan dari ECMWF menunjukkan bahwa kemungkinan aliran angin sesuai dengan pola angin ketinggian 850 mb. Arah angin berasal dari laut Cina selatan menuju daerah benua australia. Kalau dilihat sepintas, keberadaan ITCZ sulit diramalkan dari pola suhu permukaan yang ada ini. Daerah disebelah utara Australia memiliki suhu permukaan yang tinggi hingga ada yang mencapai 3030K yang menunjukkan besarnya potensi terjadinya siklon di daerah ini.

2. Februari

Pola hujan secara umum pada bulan ini tidak jauh berbeda dengan Januari dengan penurunan intensi-tas hujan terjadi di semua wilayah. Penurunan juga terjadi di Maluku dan utara Sulawesi, sementara efek orografis di kota Makasar masih terlihat.

Dari analisis angin 850 mb ECMWF dapat terlihat bahwa pola angin masih sangat serupa dengan pola angin bulan Januari. Hasil ini dapat dimengerti apabila kita memperhatikan pola suhu permukaan keluaran ECMWF yang mana untuk seluruh wilayah Indonesia, polanya sangat serupa dengan pola bulan Januari kecuali di daerah Maluku selatan. Peru-bahan ini juga terlihat dari pola pusaran angin di utara benua Australia yang berpindah lebih ke arah Indonesia. Sementara pola pusaran disebelah barat pulau Sumatera tetap bertahan pada bulan ini. Dengan melihat hasil keluaran angin 850 mb, dapat juga dimengerti penurunan intensitas curah hujan di sebelah selatan Indonesia karena terjadinya kena-ikan kecepatan angin di daerah ini, sehingga awan konvektif sulit terbentuk. Jadi meskipun ITCZ masih ada dan berpengaruh, aktivitas konvektif lebih berkurang dibandingkan bulan Januari.

Dari pola OLR, terlihat penyebaran daerah konvek-tif terutama di daerah barat Sumatera berkurang jauh. Yang masih bertahan serupa dengan pola sebelumnya adalah daerah Irian Jaya. Pengurang-an daerah konvektif di selatan Indonesia ini dapat dimengerti dari analisis angin 850 mb yang mulai memperlihatkan adanya kenaikan kecepatan angin.

3. Maret

Pola curah hujan rata rata bulan Maret masih menunjukkan pola serupa seperti bulan Februari dan Januari. Dengan intensitas dan pola penyebar-an yang serupa dengan pola bulan Februari, penjelasan penyebaran pola tidak jauh beda dengan bulan Februari. Penurunan pengaruh Fohn effect di Makasar lebih diakibatkan terlalu lemahnya angin di daerah tersebut (< 2 m/s). Pada bulan ini, meskipun pola angin masih seragam dengan pola NDJFM yang menunjukkan pola monsun Asia, tetapi justru pengaruh monsun paling kecil pada bulan ini.

Dari analisis angin ECMWF, terlihat bahwa daerah pusaran angin di daerah sebelah utara Australia lebih mendekat ke arah Indonesia. Secara umum kecepatan angin sangat lemah (< 2 m/s) sehingga pola hujan yang mungkin terjadi bukanlah pola musiman tetapi lebih disebabkan oleh faktor gangguan lokal. Pola angin yang sangat mirip dengan bulan Februari tetapi dengan kecepatan yang jauh lebih rendah ini dapat dimengerti dari analisis pola suhu permukaan yang masih seragam dengan pola di bulan Februari. Di sebelah selatan Indonesia pe-nyebaran daerah bersuhu tinggi menyebabkan daerah ini mengalami penurunan kecepatan angin karena penyebaran daerah ini meluas hingga sebelah barat Sumatera utara.

Pola OLR menunjukkan bahwa daerah konvektif masih terdapat di sebelah barat Sumatera yang mana terjadinya lebih disebabkan oleh karena terdapatnya daerah perputaran arah angin disini. Daerah potensial konvektif juga terjadi di daerah Maluku tengah. Interpretasi yang logis dari hasil di daerah Maluku ini masih belum jelas.

4. April

Bulan ini ditandai dengan menurunnya curah hujan rata rata di Indonesia bagian selatan. Terlebih di daerah Nusa Tenggara dimana mulai terlihat kedatangan musim kemarau atau monsun Australia yang kering. Sebagian besar daerah Jawa berpeluang hujan antara 150 – 200 mm/bulan. Hampir seluruh Indonesia memiliki peluang yang serupa seperti ini. Sementara sebagian daerah Sumatera, seluruh Kalimantan dan Irian Jaya, masih memiliki hujan relatif tinggi. Daerah hujan rendah di daerah kedatangan monsun Asia semakin mengecil. Dari analisis angin 850 mb, dapat disimpulkan bahwa bulan April merupakan bulan transisi dari musim basah menuju musim kering. Pola angin yang jauh dari seragam hampir terjadi disemua daerah terutama Indonesia bagian barat. Ke¬beradaan ITCZ yang terletak tepat di khatulistiwa jelas terlihat di pola angin diatas Maluku dan Irian Jaya. Pada bulan ini angin tidak lagi berasal dari daerah monsun Asia, malahan angin kuat mulai mengalir dari benua Australia. Keberadaan daerah siklon tropis di utara benua Australia juga menghi¬lang. Arah angin yang mulai mengarah dari Austra¬lia ini dapat dilihat dari pengaruhnya pada pola hu¬jan di daerah nusa tenggara yang intensitasnya sangat menurun (< 100 mm). Arah angin pada periode transisi ini yang tidak homogen dapat dimengerti dari pola suhu permukaan yang meng¬gambarkan pola suhu tinggi hampir diseluruh wi¬layah Indonesia, dengan ini dapat dimengerti bahwa pada bulan ini pola hujan terjadinya lebih dikarenakan faktor gangguan lokal. Karena suplai udara basah sudah jauh berkurang. Pola suhu per¬mukaan, dalam bulan JFM menunjukkan daerah bersuhu tinggi di selatan Indonesia atau utara Aus¬tralia yang menjadi faktor pendorong aliran udara dari Asia ke daerah tersebut. Dengan meratanya penyebaran suhu tinggi permukaan maka tidak mungkin tampil daerah yang arah anginnya homo¬gen seperti perioda tersebut.

Dari pola OLR terlihat bahwa penyebaran daerah konvektif masih terjadi disebelah barat Sumatera, Maluku tengah dan Irian Jaya. Hal ini tidak jauh beda dengan kondisi tiga bulan sebelumnya. Kedatangan monsun Australia yang sudah mulai jelas, juga terlihat daerah bernilai OLR rendah di Nusa Tenggara. Walau kedatangan monsun Australia sudah mulai terdeteksi secara umum Indonesia pada bulan ini ada dalam perioda transisi.

5. Mei

Pola hujan bulan ini menunjukkan daerah intensitas cukup merata (150 – 200 mm) hampir diseluruh Indonesia. Kecuali di sebelah barat Sumatera, Kalimantan dan Irian Jaya. Daerah kering meluas hingga Jawa Tengah dan Sulawesi selatan. Dapat dikatakan bahwa pada bulan ini Indonesia bagian selatan sudah memasuki musim kemarau.

Dari pola angin 850 mb, kondisi transisi masih bertahan terutama di Kalimantan. Dominasi angin dari Australia semakin menyeruak masuk dan ITCZ mulai tidak jelas keberadaannya. Selain dominasi angin dari Australia yang kering ternyata selatan Indonesia juga dipengaruhi oleh kondisi angin kencang yang menghambat terjadinya hujan. Kondisi transisi tidak jelas terutama terlihat dari suhu permukaan, maksimumnya bergeser ke belahan utara pada bulan ini. Sebagian besar daerah Indonesia mengalami angin kecepatan “sedang” hingga “rendah” yang memung-kinkan timbulnya hujan akibat gangguan lokal. Dari pola OLR terlihat bahwa daerah konvektif juga berkurang dan daerah kering semakin meluas di Indonesia bagian selatan. Daerah konvektif di barat Sumatera dan Maluku meluas ke utara.

6. Juni

Pola hujan pada bulan ini ditandai dengan makin meluasnya musim kemarau hingga Sumatera utara. Se-luruh Jawa telah masuk musim kemarau dengan beberapa daerah memiliki curah hujan dibawah 100 mm. Daerah hujan tinggi masih terdapat di sebelah barat Sumatera dan Kalimantan utara. Sedangkan di Maluku tengah terdapat daerah dengan curah hujan tinggi. Daerah lainnya, curah hujan merata dengan intensitas 150 – 200 mm. Daerah musim kemarau memiliki intensitas hujan hingga 0 mm.

Pola angin pada bulan ini lebih kurang homogen. Angin berkecepatan tinggi datang dari benua Australia menuju Asia dan sangat berpengaruh pada kondisi musim kemarau terutama pada daerah Nusa Tenggara dan Maluku selatan. Dilihat dari pola suhu permukaan, pemisahan daerah 3010K mulai tampak antara belahan bumi selatan dan utara. Hal inilah yang membantu memperkuat angin dominan di Indonesia yang berasal dari Australia. Suhu permukaan ditengah benua Australia telah turun jauh hingga mengakibatkan angin berkecepatan tinggi.

Pola OLR bulan ini menunjukkan daerah konvektif hanya terdapat di barat Sumatera dan umumnya di sebelah utara Indonesia. Pola musim kemarau di selatan Indonesia tidak berubah hingga daerah Kalimantan selatan sebagaimana pola hujan bulan ini.

7. Juli

Pola hujan bulan Juli mennjukkan peningkatan daerah musim kemarau dalam hal daerah yang intensitas curah hujan < 100 mm. Secara umum pola yang digambarkan serupa dengan bulan Juni. Daerah musim kemarau meluas hingga Sulawesi utara. Pola angin pada bulan ini juga tidak menunjukkan perbedaan nyata dengan bulan sebelumnya. Hal ini dapat dimengerti karena dari pola suhu permukaan juga tidak terlihat pola yang berubah jelas jika dibandingkan dengan bulan sebelumnya. Semen-tara dari pola OLR kita melihat bahwa daerah musim kemarau semakin mendesak keatas dan meluas. Seluruh Jawa telah menjadi daerah non-konvektif.

8. Agustus

Pada bulan Agustus ini seluruh pulau Sulawesi memasuki musim kemarau. Hanya daerah sebelah barat Sumatera curah hujan tinggi masih bertahan. Dapat dikatakan bahwa puncak musim kemarau terjadi pada bulan ini. Kemarau terjadi hampir diseluruh wilayah Indonesia kecuali Su¬matera bagian barat, sebagian Kalimantan, Maluku tengah dan Irian Jaya. Pergerakan monsun Australia atau musim kemarau berjalan teratur dan mencapai maksimum pada bulan ini. Di daerah nusa teng-gara, intensitas hujan mencapai 0 mm. Dari pola angin, tidak tampak perubahan diban¬dingkan dengan bulan sebelumnya. Dapat dikata¬kan selama lima bulan MJJAS, pola angin berlang¬sung secara homogen. Bertahannya curah hujan tinggi di sebelah barat Sumatera, sebagian Kali¬mantan dan Irian Jaya adalah karena perputaran angin di daerah ini. Dari pola suhu permukaan sebenarnya belahan bumi utara pada bulan ini tidak terlalu hangat (>3020K), tetapi suhu di belahan bumi selatan terlalu rendah (<2980K) sehingga angin yang mengalir di Indonesia tetap kencang.

Serupa dengan pola hujan rata rata bulanan, dari pola OLR dapat dilihat bahwa pada bulan ini daerah musim kemarau mencapai daerah terluas atau bulan ini adalah puncak dari musim kemarau. Daerah konvektif hanya terlihat di sebelah barat Sumatera dan daerah daerah di utara Indonesia.

9. September

Bulan september merupakan awal dari peluruhan monsun Australia yang digambarkan dengan pe-ngurangan daerah musim kemarau. Daerah musim kemarau disebelah utara Sumatera menghilang. Musim kemarau masih ada di Sumsel, Jawa hingga Timor, Sulawesi dan Maluku. Daerah Maluku utara dan Irian tetap bertahan dengan curah hujan sedang. Daerah hujan minimum di sebelah selatan Indonesia juga mulai menampakkan peningkatan intensitasnya. Daerah minim hujan di Sumatera juga sudah mulai menampakkan peningkatan intensitas.

Pola angin bulan ini menunjukkan pola yang serupa dengan pola angin MJJAS. Berta¬hannya secara homogen pola angin ini selama lima bulan me-nunjukkan kuatnya pengaruh monsun Australia di Indonesia. Dari pola suhu permukaan, terlihat bah-wa di selatan Indonesia suhu permukaan mulai meningkat. Terutama hilangnya kontur suhu < 2980K di utara Australia yang dapat diartikan mulai berkurangnya suplai udara kering dari benua ini.

Pola OLR menunjukkan adanya peningkatan daerah konvektif di sebelah barat Sumatera. Daerah ini menunjukkan nilai OLR yang tinggi yang menandakan tingginya aktivitas konveksi disini. Dari pola bulan ini juga mulai terlihat pindahnya aktivitas konvektif ke wilayah Indonesia dari utara. Secara umum, Indonesia masih mengalami pola monsun Australia. Hal ini jelas terlihat dari pola angin yang masih serupa dengan pola MJJAS.

10. Oktober

Dari pola hujan bulanan, terjadi pergerakan daerah musim kemarau yang beralih ke Indonesia timur. Batas musim kemarau mulai dari Jawa timur hingga menutupi seluruh Indonesia timur kecuali Irian Jaya. Hal yang menarik lainnya adalah datangnya pengaruh monsun Asia yang nampak dengan timbulnya daerah hujan di utara Kalimantan yang dekat dengan Asia. Daerah lainnya yang memiliki curah hujan tinggi adalah sebelah barat Sumatera dengan penyebab klasiknya yaitu pusaran angin di barat Sumatera. Pola angin 850 mb pada bulan ini tetap menggam¬barkan pola monsun Australia. Kalau dibandingkan dengan pola hujan hasil pengamatan, tidak dapat dikatakan bahwa hanya monsun Australia yang berpengaruh pada bulan ini. Dari data angin mulai terlihat pindahnya daerah ITCZ di utara Indonesia. Dari pola suhu permukaan, terlihat peningkatan suhu permukaan di Australia utara. Secara umum, seperti bulan April, suhu permukaan hampir di selu¬ruh wilayah Indonesia seragam. Sehingga memper¬kuat hipothesis bahwa bulan ini dikategorikan seba¬gai masa transisi. Sesuai dengan gambar pola hujan bulan Oktober, dari pola OLR terlihat juga bahwa musim kemarau masih terbentang di Indonesia bagian selatan meskipun wilayahnya jauh lebih kecil daripada se¬belumnya.

11. Nopember

Pola hujan bulan ini menunjukkan pudarnya peng-aruh monsun Australia dan masuknya monsun Asia dengan udara basah sehingga di wilayah utara tampak peningkatan curah hujan bulanan. Daerah seperti Kalimantan menerima curah hujan hingga lebih dari 350 mm. Daerah musim kemarau seperti Sulawesi dan Jawa juga mulai menerima pening¬katan curah hujan. Daerah penurunan intensitas hujan malah terjadi di Irian Jaya bagian selatan. Meskipun masih terdapat musim kemarau, daerah nusa tenggara menerima curah hujan sedang antara 50 – 150 mm. Sehingga dapat dikatakan, pada bulan ini musim kemarau telah lenyap dan digantikan oleh kehadiran monsun Asia yang basah.

Kondisi pola angin bulan Nopember sangat menarik untuk disimak, terlihat daerah ITCZ mulai berpindah ke khatulistiwa. Munculnya kembali daerah ITCZ ini lebih diakibatkan tekanan monsun Asia karena perpindahan posisi lintang matahari. Selain ITCZ, hampir diseluruh wilayah Indonesia terjadi penurunan kecepatan angin yang mendorong timbulnya aktivitas gangguan lokal untuk mempe¬ngaruhi intensitas hujan. Dari pola OLR terlihat pengurangan luas daerah konveksi di sebelah selatan Indonesia. Selain itu daerah konvektif di Sumatera dan Riau kepulauan juga mengalami peningkatan nilai OLR. Hal ini dapat dimengerti dari pola hujan bulan ini.

12. Desember

Dalam bulan terakhir ini dapat dilihat bahwa pola monsun Asia dominan di bagian barat Indonesia hingga Sulawesi selatan. Data penakar di Makasar menunjukkan timbulnya pengaruh Fohn effect. Sedangkan situasi monsun Australia sudah menghilang sama sekali. Peningkatan intensitas hujan terjadi hampir di seluruh wilayah. Mengikuti pola sebelumnya daerah yang intensitas hujan minimal terjadi di Maluku dan Irian. Dari pola angin terlihat perpindahan lokasi ITCZ lebih ke selatan dan semakin dominannya aliran angin dari Asia. Kecuali Nusa Tenggara, maka seluruh wilayah Indonesia dipengaruhi oleh monsun Asia. Perlu dicatat juga mulai timbulnya pengaruh siklon tropis di utara Australia. Mulai dominannya angin dari Asia juga dapat dijelaskan dengan pola suhu permukaan. Dari pola suhu permukaan terlihat bahwa di belahan bumi selatan suhu permukaan lebih tinggi dari belahan bumi utara. Malah di benua Australia, suhu permukaan lebih tinggi dari 303oK. Dari pola OLR juga terlihat tidak adanya daerah non konvektif. Wilayah dengan nilai OLR rendah sudah menyingkir jauh dari wilayah Nusa Tenggara. Angin di selatan Indonesia juga berkecepatan rendah, yang memudahkan timbulnya pengaruh gangguan lokal. Wilayah dengan nilai OLR tinggi meluas, seperti di Irian Jaya dapat dimengerti dengan melihat pola hujan bulanan pada bulan ini dimana intensitas curah hujan turut meningkat.

Aldrian, E. 2000. Pola Hujan Rata-Rata Bulanan Wilayah Indonesia; Tinjauan Hasil Kontur Data Penakar Dengan Resolusi ECHAM T-42. Jurnal Sains & Teknologi Modifikasi Cuaca, Vol. 1, No. 2. 113-123.

Seperti yang sudah bnyak diceritakan sebelumnya dan mungkin sudah banyak yang tau klo Indonesia ini terletak di antara dua benua dan dua samudera. Kondisi yang menyebabkan indonesia menjadi sangat unik lokasinya. Lokai yang unik ini juga menyebabkan fluktuasi iklim, khususnya curah hujan yg juga unik. Misalnya indonesia ini merupakan lokasi terjadinya konvergensi dua buah sirkulasi utama di dunia yaitu sirkulasi walker dan sirkulasi hadley. Karena terletak di antara dua benua, maka aktifitas hangat dan dingin dikedua benua akibat dari pergerakan matahari yang berpindah dari 23.5o LU ke 23.5o LS setiap tahun menyebabkan negeri kita ini juga di lewati oleh angin monsoon. Trus indonesia juga di penuhi oleh gunung2, hutan, ladang yang juga unik bentuknya. Semua itu mempengaruhi hujan di indonesia. Apa hubungannya dengan El Nino dan La Nina? Akibat dari interaksi semuanya itu menyebabkan pengaruh El Nino dan La Nina semua tempat di Indonesia berbeda2…

Contohnya saja di Bali. Pengaruh fluktuasi nilai indeks osilasi selatan yang menggambarkan kejadian El Nino/La Nina antara bagian selatan dan utaranya. Karena di tengah2 pulau Bali ada gunung yang membentang dari timur ke barat (As-syakur, 2007). Aldrian and Susanto (2003) juga menyimpulkan bahwa pengaruh El Nino/La Nina juga berbeda pada setiap daerah dengan pola hujan yang berbeda, dimana di daerah dengan polah hujan monson pengaruh fenomena iklim ini kuat, pada daerah berpola hujan equatorial pengaruhnya lemah, sedangkan pada daerah berpola hujan lokal tidak jelas. Hasil yang sama juga di ungkapkan oleh Hamada et al. (2002), walaupun Hamada et al. membagi pola hujan di Indonesia dengan 4 pola yang berbeda, tapi intinya dia jua mengungkapkan bahwa setiap daerah dengan pola hujan yang berbeda, responnya terhadap El Nino/La Nina juga berbeda-beda. gambar di bawah adalah pola spasial efek El Nino 1997/1998 terhadap curah hujan di dunia (Bell et al., 1999) (klik untuk memperbesar). bila di lihat dari gambar tersebut terlihat penurunan hujan di indonesia sangat drastis saat El Nino 97/98

Artikel yang menarik untuk melihat distribusi efek El Nino ini secara lengkap khususnya kejadian El Nino 1997 adalah publikasinya Gutman et al. (2000) yang berjudul Using NOAA/AVHRR Products to Monitor El Niño Impacts: Focus on Indonesia in 1997–98 dan diterbitkan di Bulletin of the American Meteorological Society No. 81. Beliau merangkum banyak hal disitu mulai dari kondisi sebaran SST saat itu dan efeknya terhadap sebaran hujan (Gambar di atas, klik untuk memperbesar), bagaimana sebaran kekeringan, sebaran kebakaran hutan, sebaran suhu permukaan daratan serta tutupan vegetasi. Secara umum kesimpulan beliau adalah pada saat El Nino suhu permukaan laut meningkat, periode kekeringan yang berkepanjangan, dengan keadaan jumlah awan, curah hujan serta uap air yang rendah. Akibatnya fluktuasi penyerapan gelombang pendek dan kehilangan gelombang panjang adalah meningkat secara signifikan.

Karena saat awal kejadian El Nino biasanya bertepatan dengan masa pembakaran lahan pertanian di daerah-daerah yang melakukan sistem perladangan berpindah, maka kondisi tersebut menyebabkan timbulnya kebakaran serta banyak menghasilkan asap yang sebarannya sangat luas serta dengan konsentrasi yang tinggi dan waktu tinggal asap tersebut di udara yang cukup lama. Hal ini menyebabkan turunnya tingkat kesehatan disekitar. Selain itu juga menyebabkan bentuk dan jumlah butiran2 air di awan juga berubah. Pada bidang pertanian kejadian El Nino menyababkan penurunan rata-rata kehilangan peluang produksi pangan selama tahun 1968-2000 sekitar 1.79 juta ton atau sekitar 3.06 % dari seluruh peluang produksi pangan (Irawan, 2006).

pengaruh umum El Nino di perairan laut Indonesia adalah mendinginnya suhu permukaan laut di sekitar perairan indonesia akibat dari tertariknya seluruh masa air hangat ke bagian tengah samudra pasifik. akibat buruk dari kondisi ini adalah berkurangnya produksi awan di wilayah indonesia yang sudah pasti efek sampingnya adalah menurunnya curah hujan, tapi segi positifnya adalah meningkatnya kandungan klorofil-a di perairan laut indonesia. sudah menjadi rahasia umum bahwa semakin rendah suhu permukaan laut, maka kandungan klorofil-a semakin tinggi serta akibat lainnya adalah kemungkian terjadinya proses upwelling semakin besar di sekitar perairan indonesia. keadaan ini menyebabkan meningkatnya pasokan makanan ikan, jumlah ikan di sekitar perairan lebih banyak dari biasanya dan yang ujung-ujungnya mampu meningkatkan pendapatan para nelayan.

Sangat sedikit sekali bahan yang menjelaskan dampak La Nina di indonesia. Cuman dapat di Bell et al. (1999 dan 2000) yang mengatakan bahwa La Nina menyebabkan curah hujan di indonesia meningkat pada saat musim kemarau serta menyebabkan majunya awal musim hujan. karena cenderung meningkatkan curah hujan pada musim kemarau serta majunya awal musim hujan tersebut, menjadikan efek La Nina bisa bersifat positif seperti naiknya rata-rata produksi pangan sebesar 521 ribu ton atau 1.08 % dari total rata-rata produksi (Irawan, 2006). kondisi wilayah laut indonesia juga terjadi sebaliknya dari kondisi La Nina. laut menjadi lebih hngat dari biasanya, pasokan klorofil-a menurun sehingga nelayan pun ikut merasakan dampaknya yaitu berkurangnya hasil tangkapan ikan.

Menurut Aldrian (2003) pengaruh ENSO (El Nino/La Nina) di Indonesia di mulai pada bulan april dan akan mencapai puncak pada bulan agustus dan september serta terus menurun sampai bulan desember. Akan tetapi setiap para peneliti di dunia menarik kesimpulan yang sama bahwa efek ENSO pada setiap kejadian tidak akan pernah sama karena kompleksnya interaksi antara atmosfer dan laut, berbeda-bedanya pengaruh dominan dari faktor-faktor penyebab ENSO, serta adanya pengaruh lokal yang berbeda-beda pada setiap kejadian ENSO.

Referensi

Aldrian, E. 2003. Simulations of Indonesian Rainfall with a Hierarchy of Climate Models. Dissertation. Max-Planck-Institute for Meteorology. Hamburg University. Hamburg-Germany

Aldrian, E., and R.D. Susanto. 2003. Identification of Three Dominant Rainfall Regions within Indonesia and Their Relationship to Sea Surface Temperature. Int. J. Climatol. 23. 1435–1452.

As-syakur, A.R., 2007. Identifikasi Hubungan Fluktuasi Nilai SOI Terhadap Curah Hujan Bulanan Di Kawasan Batukaru-Bedugul, Bali. Jurnal Bumi Lestari, 7(2), pp. 123-129.

Bell, G.D., M.S. Halpert, C.F. Ropelewski, V.E. Kousky, A.V. Douglas, R.C. Schnell, and M.E. Gelman. 1999. Climate Assessment for 1998. Bulletin of the American Meteorological Society, 80(5). S1-S48

Bell, G.D., M.S. Halpert, R.C. Schnell, R.W. Higgins, J. Lawrimore, V.E. Kousky, R. Tinker, W. Thiaw, M. Chelliah, and A. Artusa. 2000. Climate Assessment for 1999. Bulletin of the American Meteorological Society, 81(6). S1-S50

Gutman, G., I. Csiszar, and P. Romanov. 2000. Using NOAA/AVHRR Products to Monitor El Niño Impacts: Focus on Indonesia in 1997–98. Bulletin of the American Meteorological Society, 81. 1189-1205

Hamada, J., M.D. Yamanaka, J. Matsumoto, S. Fukao, P.A. Winarso, and T. Sribimawati. 2002. Spatial and temporal variations of the rainy season over Indonesia and their link to ENSO. J. Meteor. Soc. Japan, 80. 285-310

Irawan, B. 2006. Fenomena Anomali Iklim El Nino dan La Nina – Kecenderungan Jangka Panjang dan Pengaruhnya terhadap Produksi Pangan. Forum Penelitian Agro Ekonomi, 24(1). 28-45.

Pranala di Blog ini: