Rehabilitasi Mangrove Untuk Mitigasi Perubahan IklimCIFOR-ICRAF
Presented by Dr. M. Zainal Arifin, SHut MSi., Direktur Rehabilitasi Perairan Darat dan Mangrove Ditjen PDASRH, KemenLHK at Webinar - Coastal Zone Rehabilitation for Low Carbon Development on 31 March 2022.
Buku tentang organisme karang dan zooxanthellae ini adalah untuk menyediakan dan melengkapi tentang Terumbu Karang diantara buku-buku yang sudah ada. Bahan referensi ini juga untuk melengkapi pencinta yang berhubungan dengan wisata bawah air, seperti keindahan terumbu karang dan organisme yang menjadi penyebab kerusakan terumbu tersebut.
Arah Strategi Nasional Pengelolaan Ekosistem MangroveCIFOR-ICRAF
Presented by Dr. Yonvitner, S.Pi, M.Si, Head of Centre for Coastal and Marine Resources Studies/Indonesian Mangrove Society at Webinar - Coastal Zone Rehabilitation for Low Carbon Development on 31 March 2022.
Rehabilitasi Mangrove Untuk Mitigasi Perubahan IklimCIFOR-ICRAF
Presented by Dr. M. Zainal Arifin, SHut MSi., Direktur Rehabilitasi Perairan Darat dan Mangrove Ditjen PDASRH, KemenLHK at Webinar - Coastal Zone Rehabilitation for Low Carbon Development on 31 March 2022.
Buku tentang organisme karang dan zooxanthellae ini adalah untuk menyediakan dan melengkapi tentang Terumbu Karang diantara buku-buku yang sudah ada. Bahan referensi ini juga untuk melengkapi pencinta yang berhubungan dengan wisata bawah air, seperti keindahan terumbu karang dan organisme yang menjadi penyebab kerusakan terumbu tersebut.
Arah Strategi Nasional Pengelolaan Ekosistem MangroveCIFOR-ICRAF
Presented by Dr. Yonvitner, S.Pi, M.Si, Head of Centre for Coastal and Marine Resources Studies/Indonesian Mangrove Society at Webinar - Coastal Zone Rehabilitation for Low Carbon Development on 31 March 2022.
Upaya Mitigasi dan Perubahan Iklim dengan Pemanfaatan Mangrove (Climate Chang...CIFOR-ICRAF
Presented by Fegi Nurhabni, S.T., M.T., M.Sc. – Kementerian Kelautan dan Perikanan (KKP) in sub-national workshop on Increasing Capacity of Local Community and Sub-National Government on Mangrove Restoration and Food Security on 12 July 2022
Analisis bio ekonomi dan strategi pengelolaan sumberdaya ikan pelagis di pera...Mujiyanto -
Hasil analisis produksi biologis sumberdaya ikan pelagis di perairan laut jawa periode tahun 1976-1983 didapatkan nilai MSY sebesar 101.194 ton/tahun. Hasil analisis bio-ekonomi dalam pemanfaatan suberdaya ikan pelagis di perairan Laut Jawa didapatkan nilai MEY sebesar 91.924 kg/tahun, dengan jumlah hasil tangkapan per satuan upaya menggunakan alat tangkap purse seine sebesar 24,23 ton/kapal/tahun. Batas Maximum Economic Yield sebesar 91.923 ton/tahun dengan jumlah unit alat tangkap efisien guna mendapatkan keuntungan yang sesuai sebesar 2.915 unit. Alat tangkap purse siene merupakan alat tangkap pilihan untuk menangkapan sumberdaya ikan pelagis di perairan Laut Jawa.
Tindakan dalam pertimbangan dalam pemilihan suatu teknologi yang tepat untuk diterapkan di dalam pengembangan perikanan sangat diperlukan. Pertimbangan-pertimbangan yang akan digunakan dalam pemilihan teknologi dapat dikelompokkan dalam tiga kelompok yaitu teknologi penangkapan ikan ramah lingkungan (TPIRL), teknologi penangkapan ikan secara teknis, ekonomis, mutu dan pemasaran menguntungkan serta kegiatan penangkapan ikan yang berkelanjutan.
Upaya Mitigasi dan Perubahan Iklim dengan Pemanfaatan Mangrove (Climate Chang...CIFOR-ICRAF
Presented by Fegi Nurhabni, S.T., M.T., M.Sc. – Kementerian Kelautan dan Perikanan (KKP) in sub-national workshop on Increasing Capacity of Local Community and Sub-National Government on Mangrove Restoration and Food Security on 12 July 2022
Analisis bio ekonomi dan strategi pengelolaan sumberdaya ikan pelagis di pera...Mujiyanto -
Hasil analisis produksi biologis sumberdaya ikan pelagis di perairan laut jawa periode tahun 1976-1983 didapatkan nilai MSY sebesar 101.194 ton/tahun. Hasil analisis bio-ekonomi dalam pemanfaatan suberdaya ikan pelagis di perairan Laut Jawa didapatkan nilai MEY sebesar 91.924 kg/tahun, dengan jumlah hasil tangkapan per satuan upaya menggunakan alat tangkap purse seine sebesar 24,23 ton/kapal/tahun. Batas Maximum Economic Yield sebesar 91.923 ton/tahun dengan jumlah unit alat tangkap efisien guna mendapatkan keuntungan yang sesuai sebesar 2.915 unit. Alat tangkap purse siene merupakan alat tangkap pilihan untuk menangkapan sumberdaya ikan pelagis di perairan Laut Jawa.
Tindakan dalam pertimbangan dalam pemilihan suatu teknologi yang tepat untuk diterapkan di dalam pengembangan perikanan sangat diperlukan. Pertimbangan-pertimbangan yang akan digunakan dalam pemilihan teknologi dapat dikelompokkan dalam tiga kelompok yaitu teknologi penangkapan ikan ramah lingkungan (TPIRL), teknologi penangkapan ikan secara teknis, ekonomis, mutu dan pemasaran menguntungkan serta kegiatan penangkapan ikan yang berkelanjutan.
11_pertemuan_11_Hidrogeokimia I_Definisi_Faktor yang Mempengaruhi dan Proses ...
KAJIAN ESTIMASI STOK KARBON PADANG LAMUN MENGGUNAKAN CITRA - pendadaran2
1. KAJIAN ESTIMASI STOK KARBON PADANG LAMUN MENGGUNAKAN
CITRA QUICKBIRD DI PULAU KEMUJAN, KEPULAUAN KARIMUNJAWA
Muhammad Hafizt
No. Mhs. 07/253755/GE/6159
FAKULTAS GEOGRAFI
UNIVERSITAS GADJAH MADA
2013
Muhammad Hafizt
07/253755/GE/6159
2. Latar Belakang Masalah
• Isu lingkungan paling aktual pada saat ini
– Perubahan iklim global (climate change)
• Terjadinya perubahan pola iklim yang berdampak pada lingkungan
• Salah satu penyebabnya
– Greenhouse Gassess CO2
• Mengelola climate change Menjaga dan mengurangi
kadar CO2
• Metode
– Alami Green dan Blue carbon sink
– Buatan deep sea tailing, old oil well, old mine,
geological aquifer
3. • Padang lamun melakukan fotosintesis dan menyerap CO2
• Lamun mengendapkan karbon dalam sedimen dan
dipertahankan dalama jangka waktu yang sangat lama
• Agar dapat optimal manajemen yang berkelanjutan
• Langkah utama
– Memahami distribusi stok karbon lamun dalam konteks
spatial dan temporal
– Alternatif paling optimal penginderaan jauh
4. Perumusan masalah
• Fakta:
Penginderaan jauh merupakan solusi terbaik, untuk
mengamati daerah yang luas, secara temporal namun:
Tidak ada penelitian sebelumnya input? Metode? Akurasi?
• Masalah:
1. Belum diketahui kemampuan data PJ untuk pemetaan stok
karbon lamun
2. Padang lamun berada di dasar perairan dangkal, menyebabkan
respon spektral objek pada citra menjadi semakin komplek.
3. Stok karbon di pulau kemujan kep. Karimunjawa belum diketahui
5. Pertanyaan penelitian
1. Apakah teknologi penginderaan jauh melalui citra multispektral
resolusi tinggi dapat digunakan untuk memperoleh informasi luas
dan persentase kerapatan padang lamun yang merupakan
informasi dasar estimasi stok karbon?
2. Metode apa yang paling sesuai digunakan dalam penginderaan
jauh untuk mengetahui stok karbon padang lamun?
3. Berapa besar stok karbon padang lamun di pulau Kemujan
kepulauan Karimunjawa dan bagaimana distibusi spasialnya?
Yang pada intinya:
• Sejauh mana penginderaan jauh mampu memetakan stok karbon
lamun
6. Tujuan penelitian
1. Mengkaji cara pengolahan citra Quickbird level 2A sebagai
salah satu citra multispektral resolusi tinggi untuk
memperoleh informasi luas dan persentase kerapatan
padang lamun;
2. Mengetahui metode yang paling sesuai digunakan untuk
memperoleh informasi stok karbon padang lamun
menggunakan citra Quickbird level 2A;
3. Mengetahui estimasi stok karbon padang lamun serta
distribusinya secara spasial di Pulau Kemujan, kepulauan
Karimunjawa.
7. Area penelitian
• Pulau Kemujan
– Tutupan lamun rapat
– Biodiversitas tinggi
– Masih alami belum terganggu
– Lokasi lamun aman dan mudah
dijangkau
Citra Quickbird level 2A,
Pulau Kemujan, Kepulauan
Karimunjawa
10. Koreksi geometrik - Metode image to image,
Gambar ploting titik survei pra-lapangan pada citra yang belum terkoreksi geometrik
Jumlah GCP 12 titik
RMS Error : 0,068319
Orde 1, interpolasi nearest neighbour
11. Koreksi Radiometrik
1. Koreksi at-sensor-reflectance
• LPixel,Band= absCalFactorBand . qPixel,Band
• LλPixel,Band =
𝐿 𝑃𝑖𝑥𝑒𝑙,𝐵𝑎𝑛𝑑
∆𝜆 𝐵𝑎𝑛𝑑
2. Koreksi atmosfer (FLAASH)
3. Koreksi sunglint
4. Koreksi kolom air (lyzenga)
Saluran spektral Persamaan[W-m-2-sr-1-µm-1]
Saluran Biru (0.0160412*Bbiru)/0.068
Saluran Hijau (0.0143847*Bhijau)/0.099
Saluran Merah (0.0126735/Bmerah)/0.071
Saluran Inframerah dekat (0.0154242/BNIR)/0.114
Persamaan koreksi radiometrik at-sensor-radiance
Persamaan koreksi radiometrik at-sensor-reflectance, R= (π×L×d^2)/(ESUN×cos(SZ))
Saluran spektral Persamaan[W-m-2-sr-1-µm-1]
Saluran Biru (3.141593*B1*0.96688)/( 1924.59*0.99996)
Saluran Hijau (3.141593*B2*0.96688)/( 1843.08*0.99996)
Saluran Merah (3.141593*B3*0.96688)/( 1574.77*0.99996)
Saluran Inframerah dekat (3.141593*B4*0.96688)/( 1113.71*0.99996)
12. Koreksi sunglint
Gambar citra Quickbird level 2A (kiri), dan citra Quickbird hasil koreksi sunglint (kanan)
y = 0.6361x + 304.05
R² = 0.7988
y = 0.7303x + 207.9
R² = 0.8821
y = 0.845x + 92.298
R² = 0.9004
0
100
200
300
400
500
600
700
800
0 100 200 300 400 500 600 700
W-m-2-sr-1-µm-1
B4 (W-m-2-sr-1-µm-1)
B1 VS B4
B2 VS B4
B3 VS B4
Persamaan koreksi sunglint:
B1 = B1-(0.6361*(B4-0))
B2 = B2-(0.7303*(B4-0))
B3 = B3-(0.845*(B4-0))
13. Koreksi kolom air I, (lyzenga), menormalisasi pengaruh kolom air
var1 : 0.275066849 cov12 : 0.344851227
var2 : 0.459550154 cov23 : 0.643745461
var3 :1.17285837 cov13 : 0.455230257
koefisien pelemahan rasio koefisien pelemahan
a12 : -0.267482453 k1/k2 : 0.767673025
a13 : -0.986085072 k2/k3 : 0.589188959
a23 : -0.554029706 k1/k3 : 0.418323618
Band 1 (K1/K2) (alog(B1))-(0.76767*(alog(B2)))
Band 2 (K1/K3) (alog(B1))-(0.41832*(alog(B3)))
Band 3 (K2/K3) (alog(B2))-(0.58918*(alog(b3)))
Persamaan water depth invariant
bottom index
14. Koreksi kolom air II, Analisis citra - Model integrasi
(10((loge(Riw - Ri∞) + 2kiz))+ Ri∞
Persamaan band 1 (10^(alog(B1-271.4381))+(2*0.0184*B0))+271.4381
Persamaan band 2 (10^(alog(B2-203.2925))+(2*0.0717*B0))+ 203.2925
Persamaan band 3 (10^(alog(B3-86.1065))+(2*0.1781*B0))+ 86.1065
y = 62.255x - 58.918
R² = 0.3582
0.00
1.00
2.00
3.00
4.00
5.00
6.00
0.97 0.98 0.99 1 1.01 1.02
rasio vs depth
16. Masking area (padang lamun)
hasil klasifikasi substrat dasar perairan pada citra
lyzenga menggunakan metode K-Means dan ISO-DATA
Hasil klasifikasi
metode ISO-DATA
Terumbu karang
17. Pembuatan mapping unit
1. Kelas tutupan padang lamun (supervised – maximum likelihood) - visual
2. Kelas spektral padang lamun (unsupervised – ISO-DATA)
18. Kegiatan lapangan
• Tujuan: Pengambilan sampel lapangan
(model, akurasi)
• Dilakukan 2 kali
– 1-3 Mei 2011 (17 sampel)
– 1-3 April 2012 (38 sampel)
• Metode pangambilan: stratified random
sampling (mapping unit) dan photo transect
• Data yang diambil :
– Koodinat tiap sampel
– Foto persentase kerapatan tutupan
(quadrat sampel)
– Spesies lamun
– Biomassa lamun
19. Pasca-lapangan
1. Analisis citra, Principal Component Analysis
(PCA)
1. Mempertajam informasi dengan meningkatkan
variansi tiap komponennya.
2. Diterapkan pada beberapa citra untuk mencari
memperoleh persamaan empiris palling sesuai
dalam pembuatan model estimasi karbon, antara
lain:
1. PCA pada citra terkoreksi sunglint
2. PCA pada citra lyzenga
3. PCA pada citra model integrasi
2.Analisis data – pembuatan model empiris
20. Analisis citra – PCA – tabel factor loading
citra
Principal
Component
Saluran 1 (Biru) Saluran 2 (Hijau) Saluran 3 (Merah)
PCA_Sunglint PC 1 0.954 0.337 0.077
PC 2 0.827 0.094 -0.102
PC 3 -1.098 0.369 -0.034
PCA_lyzenga PC 1 0.957 0.359 0.010
PC 2 0.796 0.005 -0.013
PC 3 -1.426 0.317 -0.015
PCA_IM PC 1 0.796 0.513 0.139
PC 2 1.048 0.399 -0.074
PC 3 -0.892 0.319 -0.010
21. Peta spesies (kelas kategori fisik lamun)
dibedakan menjadi spesies Enhalus acoroides (Ea) dan non-Ea (Thalassia hemprichii,
Cymodocea rotundata, Syringodium isoetifolium, dan Halophila ovalis)
Referensi, ROI ground truth
Ea Non-Ea total User akurasi Error komisi
Citra
terklasifikasi
Ea 6 4 10 60% 40%
Non-Ea 4 3 7 42,86% 57,14
total 10 7 17
Produser akurasi 60% 42,86%
Error omisi 40% 57,14 %
Overall accuracy 52.9412%
Kappa coeficient 0.0286
22.
23. Membuat Peta Persentase Kerapatan Padang Lamun (percent cover)
Standard error of estimate (SE) dan akurasi nilai PC tiap citra (%)
Citra Ea Akurasi Ea (%) Non-Ea Akurasi non-Ea (%)
PCA_IM 19.98 72,13 23.46 66,30
PCA_lyz 14.94 79,16 12.20 82,47
PCA_Sun 14.84 79,31 22.98 66,98
QB_Sun 14.60 79,64 19.64 71,78
QB_Lyz 11.72 83,66 11.25 83,83
QB_IM 21.03 70,67 19.74 71,64
QB_ref 17.03 76,25 19.53 71,95
0
20
40
60
80
100
Ea non-Ea
Nilai koefisien determinasi (R2) setiap citra yang digunakan terhadap
sampel PC
Ea PCA_IM PCA Lyz PCA_Sun Sunglint Lyzenga IM Reflectance
B1 0.2 0.008 0.271 0.081 0.102 0.083 2.10E-02
B2 0 0.36 0.049 0.286 0.008 0.437 0.19
B3 0.464 0.201 0.316 0.285 0.152 0.089 0.158
non_Ea
B1 0.184 0.424 0.673 0.623 0.006 0.599 0.731
B2 0.767 0.796 0.035 0.705 0.426 0.549 0.817
B3 0.604 0.245 0.65 0.492 0.665 0.013 0.673
Ea :(-54.647*B3_lyzenga) + 204.04
nonEa : (-98.486* B3_lyzenga) + 325.65
y : Estimasi percent cover
x : saluran B2/B3 pada citra lyzenga
24.
25. Membuat Peta Estimasi Stok Karbon Padang Lamun (percent cover)
Species Daun Properties 1 2 3 mean mean/leaf
Enhalus acoroides
(Ea)
Biomass Basah 26.61 20.59 13.77 20.323 6.774
Biomass Kering 4.33 2.83 2.09 3.083 1.027
Berat Arang Aktif 1.81 1.39 0.84 1.346 0.448
Berat Abu 1.02 0.87 0.57 0.82 0.273
Kadar air 83.69 86.22 85.79 85.233 28.411
Kadar arang 6.83 6.77 6.11 6.57 2.19
Kadar abu 3.85 4.23 4.16 4.08 1.36
Kadar Volatile
Matter 9.47 6.99 9.09 8.516 2.838
Kadar Fixed carbon 2.97 2.54 1.94 2.483 0.827
gram carbon 0.790 0.522 0.267 0.526 0.175
Nilai Kalor 404.82 - - - 134.94
Thalassia hemprichii (Th)
Biomass Basah 1.811 2.18 0.55 1.513 0.756
Biomass Kering 0.36 0.38 0.11 0.283 0.141
Berat Arang Aktif 0.097 0.1 0.03 0.075 0.037
Berat Abu 0.07 0.07 0.02 0.053 0.026
Kadar air 79.79 82.15 79.56 80.5 40.25
Kadar arang 5.35 4.84 6.26 5.483 2.741
Kadar abu 3.95 3.58 4.62 4.05 2.025
Kadar Volatile
Matter 14.85 12.99 14.17 14.003 7.001
Kadar Fixed carbon 1.4 1.26 1.63 1.43 0.715
gram carbon 0.025 0.027 0.008 0.022 0.011
Nilai Kalor 273.39 - - - 136.695
Species gr Carbon/sampel daun
Enhalus 0.175
Thalassia 0.01
Mix (Ho, Th, Cr, Si) 0.006
Berat karbon dalam sehelai daun pada setiap spesies lamun
Cymodocea rotundata
(Cr),
Syringodium isoetifolium
(Si),
Halophila ovalis (Ho)
Biomass Basah 0.49 0.65 - 0.57 0.285
Biomass Kering 0.11 0.13 - 0.12 0.06
Berat Arang Aktif 0.04 0.05 - 0.045 0.022
Berat Abu 0.03 0.04 - 0.035 0.017
Kadar air 77.29 79.7 - 78.495 39.247
Kadar arang 9.44 8.5 - 8.97 4.485
Kadar abu 7.02 6.33 - 6.675 3.337
Kadar Volatile
Matter 13.2 11.79 - 12.495 6.247
Kadar Fixed carbon 2.41 2.16 - 2.285 1.142
gram carbon 0.012 0.014 - 0.013 0.006
Nilai Kalor 355.51 - - - 177.6
26. Analisis Model Stok Karbon Melalui Uji Akurasi
Nilai koefisien determinasi (R2) tiap spesies dominan terhadap beberapa citra yang
digunakan
AGC
Sunglint Lyzenga Model Integrasi
B1_S B2_S B3_S B1B2 B1B3 B2B3 B1_IM B2_IM B3_IM
Ea 0,01 0,11 0,019 0,076 0,009 0,144 0,003 0,003 0,274
Non Ea 0,482 0,543 0,266 0,013 0,013 0,666 0,473 0,493 0,037
All 0,198 0,161 0,088 0,061 0,132 0,121 0,210 0,246 0,138
AGC
PCA Lyzenga PCA Sunglint PCA_IM
PC1 PC2 PC3 PC1 PC2 PC3 PC1 PC2 PC3
Ea 0,01 0,318 0 0,057 0 0,359 0,204 0,255 0,378
Non Ea 0,434 0,772 0,045 0,48 0,109 0,622 0,205 0,525 0,604
All 0,131 0,063 0,014 0,166 0,035 0,038 0,229 0,012 0,063
AGC
Ref
B1_Ref B2_Ref B3_Ref
Ea 0,00005 0,061 0,002
Non Ea 0,62 0,677 0,463
All 0,301 0,249 0,193
Grafik regresi dan nilai
koefisien determinasi
(R2) tiap citra terdapat
pada lampiran 4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
PC1_IM
PC2_IM
PC3_IM
PC1_lyz
PC2_lyz
PC3_lyz
PC1_sun
PC2_sun
PC3_sun
B1_sun
B2_sun
B3_sun
B1_lyz
B2_lyz
B3_lyz
B1_IM
B2_IM
B3_IM
B1_ref
B2_ref
B3_ref
Ea
non_Ea
27. Enhalus Non-Enhalus
Persamaan citra R2 Ea SE Ea Akurasi (%) R2 non Ea SE Non Ea Akurasi (%)
Sunglint 0,110 10,09 49,76 0,543 15,33 31,31
Lyzenga 0,144 10,20 49,22 0,666 16,18 27,51
Inverse model (IM) 0,274 10,14 49,49 0,493 14,77 33,82
PCA_lyzenga 0,318 10,67 46,85 0,772 15,69 29,70
PCA_sunglint 0,359 10,38 48,31 0,622 13,18 40,91
PCA_IM 0,378 10,59 47,26 0,604 13,56 39,22
Citra reflectance 0,061 10,64 46,99 0,677 15,31 31,40
Analisis persamaan paling sesuai
Spesies dominan Saluran R2 Persamaan PCA-Sunglint
Ea PC3_sunglint 0,359 = 0,0886x + 12,466
Non Ea PC3_sunglint 0,622 = (-0,1312x) + 9,4845
Nilai SE pada setiap model stok karbon (gC/m2)
0
10
20
30
40
50
60
Sunglint Lyzenga Inverse model (IM) PCA_lyzenga PCA_sunglint PCA_IM Citra reflectance
Ea
non-Ea
28. Nilai stok karbon padang
lamun pada setiap spesies
Kelas kategori (grC/m2) (ton/ha)
Ea 334.547,1 3.345,471
Non Ea 822.058 8.220,58
Total lamun 1.156.605,1 11.566,05
Kelas kategori (grC) (tonC)
Ea 1.926.991 1,93
Non Ea 4.735.054 4,74
Total lamun 6.662.045 6,66
29. Kesimpulan
• Citra Quickbird multispektral level 2A dapat digunakan untuk memperoleh informasi luas padang
lamun menggunakan metode maximum likelihood dan informasi persentase tutupan padang lamun
(PC) menggunakan model empiris dari citra hasil koreksi kolom air menggunakan metode lyzenga
dengan nilai standar error of estimate (SE) sebesar 11.72 % pada kelas Ea dan 11.25% pada kelas
non-Ea.
• Metode yang paling sesuai dalam menghitung estimasi stok karbon pada penelitian ini
adalahmelalui model empiris yang dibangun menggunakan citra sunglint hasil transformasi PCA,
dengan nilai SE peta cadangan kerbon sebesar 10,38 grC/m2 pada kelas Ea dan 13,18 grC/m2 pada
kelas non-Ea. Hal ini disebabkan karena padang lamun sebagian besar berada pada perairan yang
sangat dangkal sehingga pengaruh kolom air tidak begitu intensif terhadap nilai pantulan objek
yang terekam pada citra. penggunaan citra hingga tingkat koreksi sunglint sudah cukup untuk
memperoleh infomrasi padang lamun. Selain itu penggunaan transformasi PCA yang diterapkan
pada citra sunglint efektif dalam meningkatkan informasi padang lamun.
• Estimasi stok karbon padang lamun di pulau Kemujan kepulauan Karimunjawa sebesar 6,66 ton,di
mana kandungan karbon yang tinggi terdapat pada daerah yang dekat dengan pantai dan sebagian
besar bearada di sisi barat pulau Kemujan. Hal tersebut sesuai dengan tingginya kerapatan padang
lamun pada sisi barat pulau karena lebih terlindung dari pada sisi timur pulau Kemujan.
30. Saran
• Sampel lamun berupa percent cover (PC) untuk
membuat model stok karbon dan sebagai sampel
akurasi perlu ditambah di mana sampel tersebut dapat
mewakili variasi lamun berupa perbedaan spesies dan
keberadaan lamun pada kedalaman perairan yang lebih
beragam.
• Data batimetri yang digunakan pada metode model
integrasi perlu diperbaiki agar dapat mempertahankan
informasi nilai piksel lamun yang berada pada perairan
yang lebih dalam, sehingga citra hasil koreksi tersebut
dapat ditransformasi PCA dengan informasi piksel tiap
komponen baru pada area yang lebih dalam tetap
dipertahankan.
Salam
Nama M.Hafizt.
Mempertanggung jawabkan hasil penelitan mengenai “kajian estimasi stok karbon padang lamun menggunakan citra quickbird di pulau kemujan, kepulauan karimunjawa”
Pola iklim tersebut berubah dimana musim kemarau dapat terjadi lebih panjang daripada musim hujan atau sebaliknya (menurut siapa?)
Level koreksi 2A artinya:
Sudah terkoreksi radiometrik dan sudah diberikan sistem koordinat sesuai dengan daerah perekaman.
Biodiversitas : keanekaragaman di antara makhluk hidup dari semua sumber termasuk di antaranya daratan, lautan, dan ekosistem akuatik lain serta kompleks-kompleks ekologis yang merupakan bagian dari keanekaragamannya; mencakup keanekaragaman di dalam spesies, di antara spesies, dan ekosistem.
Input:
Citra Quickbird (efektif 1:25.000 – 1:5.000)
Data lapangan
Hasil ploting GPS GCP koreksi geometrik citra
Tutupan lamun model empiris estimasi stok karbon lamun
Pembuatan model
Uji akurasi/perhitungan standard error (SE)
Batimetri kedalaman tiap piksel Inverse model
Proses
Koreksi geometrik
Koreksi radiometrik konversi DN ke surface reflectance
Koreksi sunglint Hedley et al. (2005)
Koreksi kolom air
Water invariant bottom index, Lyzenga (1978)
Inverse model, Wicaksono (2010)
Model empiris
Citra terkoreksi kolom air
Principle Component Analysis (PCA)
Output
Peta sebaran stok karbon lamun skala 1:10.000 beserta besarnya akurasi dan kesalahan estimasinya (SE)
Berdasarkan (Kudola, 2004), akurasi absolut citra Quickbird sebelum dilakukan koreksi geometrik memiliki RMS error sebesar 13,3 meter yang merupakan kesalahan pergeseran rata – rata piksel dalam satu scene citra
Citra Quickbird yang digunakan pada penelitian ini merupakan citra Quickbird level standard yang merupakan produk yang telah di georeferensi dan memiliki sistem koordinat.
pada citra yang ditampalkan dengan titik survei lapangan, posisi piksel pada citra tidak sesuai dengan lokasi dilapangan selain itu terdapat beberapa titik yang berada didarat (gambar diatas)
metode image-to-map pada penelitian sebelumnya dalam Wicaksono(2010), RMS error 0,149265
Metode FLAASH merupakan metode koreksi atmosfer absolut di mana mempertimbangkan lebih detail kondisi atmosfer seperti aerosol pada saat perekaman
Perbaiki persoaan koreksi radiometrik
Koreksi sunglint dilakukan setelah tahapan koreksi atmosfer
Metode yang digunakan untuk koreksi sunglint berdasarkan formula (Hedley et al. 2005)
Persamaan Hedley membutuhkan sampel area untuk mengetahui nilai spektral perairan pada tiap saluran
Hadley menggunakan saluran inframerah dekat (Band 4)
Sampel area yang digunakan dibedakan menjadi sampel perairan terpengaruh sunglint rendah, sunglint sedang, sunglint tinggi dan laut dalam bebas sunglint.
Jumlah total sampel yang digunakan untuk membuat persamaan regresi pada koreksi sunglint sebanyak 902 titik
nilai spektral dari objek daratan akan menjadi invalid atau tidak memiliki nilai, karena pada proses koreksi ini hanya mempertimbangkan nilai pantulan dari objek air.
rasio koefisien pelemahan kolom air untuk memperoleh nilai water depth invariant bottom index
Besarnya rasio koefisien pelemahan kolom air diperoleh berdasarkan nilai varian dan kovarian objek yang sama pada kedalaman yang berbeda pada setiap saluran tampak.
Objek yang digunakan untuk membangun model atenuasi air adalah tutupan pasir putih pada perairan dangkal
ROI (region of interest) objek pasir diperoleh 7 objek pasir pada kedalaman yang berbeda dengan masing – masing kelas sebanyak 27 piksel
Citra hasil koreksi kolom air secara visual tidak dipengaruhi oleh warna biru pada kedalaman yang masih dapat ditembus oleh saluran biru
Citra hasil persamaan model integrasi merupakan citra dengan nilai piksel berupa nilai pantulan objek dasar perairan
Kelebihan dari citra hasil model integrasi dapat memberikan batasan yang jelas antar objek yang merupakan substrat dasar perairan dangkal dengan nilai piksel yang merupakan nilai pantulan objek yang telah dinormalisasi pengaruh kolom air
Tetapi citra ini juga memiliki kelemahan dalam memberikan informasi reflektan pada piksel yang berada pada kedalaman lebih dari 3,65 meter (wicaksono, 2010)
Hal ini disebabkan karena kualitas dari citra batimetri yang digunakan hanya baik dalam memberikan informasi pada kedalaman diatas 3.65 m
objek padang lamun berada pada kedalaman kurang dari 3,65 meter, sehingga nilai reflektan yang dihasilkan dari persamaan model integrasi dapat digunakan untuk membuat model empiris stok karbon
Citra lyzenga selanjutnya digunakan untuk menentukan area padang lamun melalui klasifikasi multispektral unsupervised.
Metode yang digunakan adalah K-Mean, hal ini karena K-Mean memberikan hasil berupa batas antar objek yang lebih baik dari pada metode ISO-DATA (gambar atas)
Hasil dari klasifikasi ini diperoleh 9 kelas spektral yang selanjutnya diberi label sebagai objek dasar perairan berdasarkan pengetahuan lapangan yang telah dilakukan sebelumnya.
Hasil klasifikasi K-Mean memiliki kekurangan di mana hasil klasifikasi ini tidak dapat membedakan dengan baik antara objek padang lamun dengan terumbu karang.
metode K-means kurang cocok apabila diterapkan secara langsung untuk memebedakan tutupan substrat dasar perairan dangkal.
Tetapi pada penelitian ini, informasi tutupan dasar perairan dangkal pada daerah kajian didukung oleh pengetahuan lapangan yang telah dilakukan sebelumnya
mapping unit padang lamun yang dibangun dari peta tentatif persentase tutupan padang lamun dan peta tentatif kelas spektral lamun
Hasil klasifikasi maximum likelihood berupa peta persentase tutupan padang lamun yang dikelompokkan menjadi 3 kelas (kerapatan tinggi, kerapatan sedang dan kerapatan rendah),
klasfikasi ISO-DATA menghasilkan 5 kelas spektral
kelas mapping unit sebanyak 11 (gambar diatas).
Parameter kedalaman perairan dan landskap pantai tidak digunakan pada pembuatan mapping unit ini dikarenakan jumlah kelas mapping unit akan semakin banyak dan tidak memungkinkan diambil selama batas waktu kegiatan lapangan
Selain itu padang lamun berada pada kedalaman 1 hingga 2 meter dengan spesies yang tidak jauh berbeda, sehingga dapat diasumsikan bahwa kedalaman perairan pada daerah penelitian tidak berpengaruh besar terhadap variasi padang lamun.
Kegiatan lapangan pertama dilakukan pengambilan sampel lamun untuk membangun model stok karbon lamun
sedangkan kegiatan lapangan kedua dilakukan pengambilan sampel untuk membuat peta stok karbon dan sampel untuk uji akurasi
Kegiatan lapangan 1 = 17 sampel model
Kegiatan lapangan 2 = 9 transek yang melalui 38 titik sampel
Metode ini menggunakan beberapa data masukan yang terkait dengan informasi daerah perairan antara lain citra batimetri, nilai rerata perairan dalam, citra hasil koreksi atmosferik yang telah dikoreksi sunglint sebelumnya, dan nilai koefisien kolom air
Kualitas citra model integrasi yang dihasilkan sangat tergantung dari kualitas data masukan tersebut
informasi lainnya seperti nilai koefisien kolom air (k) dan data lapangan untuk membuat peta batimetri diperoleh dalam wicaksono (2010)
Untuk meningkatkan informasi pada daerah kajian maka dilakukan transformasi PCA pada beberapa citra multispektral
Transformasi ini diterapkan hanya pada daerah padang lamun
Transformasi ini dilakukan pada beberapa citra dengan tingkat koreksi yang berbeda yaitu :
Transformasi PCA ada citra terkoreksi sunglint (PCA_Sun)
Transformasi PCA pada citra terkoreksi kolom air menggunakan metode lyzenga (PCA_Lyz)
Transformasi PCA pada citra terkoreksi kolom air menggunakan metode model integrasi (PCA_IM)
Informasi mengenai faktor loadings dibutuhkan untuk mengetahui kontribusi tiap saluran pada tiap komponen hasil transformasi PCA
Semakin tinggi nilainya maka akan semakin besar kontribusi saluran tersebut dalam membentuk komponen.
Nilai 0 menunjukkan tidak adanya kontribusi saluran dalam komponen, sedangkan nilai negatif (-) menunjukkan saluran tersebut sebagai noise
Saluran yang memiliki kontribusi paling besar pada komponen utama (PC1) pada semua citra yang digunakan adalah saluran satu atau saluran biru
principal component 2 di mana informasi dari saluran biru juga mendominasi.
Besarnya informasi saluran biru, baik pada PC1 maupun PC2 dikarenakan kemampuan penetrasi saluran biru terhadap prerairan dangkal dan jernih lebih baik daripada saluran tampak lainnya sehingga variasi pantulan objek dasar perairan lebih banyak diterima sensor
dibedakan menjadi spesies Enhalus acoroides (Ea) dan non-Ea (Thalassia hemprichii, Cymodocea rotundata, Syringodium isoetifolium, dan Halophila ovalis)
peta spesies lamun = supervised - maximum likelihood
ROI = 21 titik
Penyederhanaan menjadi 2 kelas kategori ini dilakukan karena jumlah sampel yang terbatas. Selain itu jumlah sampel yang terlalu sedikit dapat mempengaruhi besarnya nilai koefisien determinasi (R2).
Hasil klasifikasi dengan nilai akurasi paling baik akan digunakan sebagai peta spesies lamun.
Akurasi mengunakan confusion matrix
citra Quickbird hasil koreksi reflectance-at-sensor memberikan nilai akurasi dan koefisien kappa paling tinggi sebesar 52,94% dan 0,0286, Sehingga peta tersebut digunakan sebagai peta kelas spesies padang lamun
Dapat dilihat pada tabel diatas bahwa citra yang dikoreksi hingga kolom air dengan metode lyzenga (QB_LYZENGA) dan model integrasi (QB_IM) memberikan hasil yang lebih rendah. Hal ini dikarena sensitifnya proses koreksi kolom air yang dilakukan pada citra dengan menggunakan kedua metode tersebut, terutama dalam pemilihan ROI untuk pembuatan koefisien atenuasi
luasan setiap kelas kategori akan dihitung berdasarkan jumlah piksel citra yang berukuran 5.76 m2. Besarnya luasan pada setiap kelas dapat dilihat pada tabel tabel diatas.
0,67 km2 = 67 hektar
Peta percent cover (PC) padang lamun dibuat menggunakan persamaan empiris yang dibangun dari data lapangan
Sampel model berjumlah 21,
Model empiris peta kerapatan padang lamun pada setiap citra akan menghasilkan persamaan regresi
Setiap persamaan regresi dengan nilai paling baik dari setiap citra digunakan untuk menghitung besarnya error of estimate (SE)
Pada tabel 4.20 dapat diketahui bahwa nilai koefisien korelasi terbaik terdapat pada citra model integrasi yang telah di transformasi PCA sebesar 0,464 untuk kelas Ea dan 0,767 pada kelas non Ea
Nilai SE terendah pada setiap kelas diperoleh dari persamaan pada citra quickbird hasil transformasi lyzenga yaitu sebesar 11,72% untuk kelas Ea dan 11,25% untuk kelas non Ea.
pembuatan peta spesies lamun dilakukan menggunakan citra Quickbird hasil koreksi kolom air menggunakan metode lyzenga
Akurasi peta persentase padang lamun yang dibangun dari persamaan citra lyzenga dihitung melalui persamaan confident level of mean dengan besar batas 95%.
akurasi estimasi kerapatan padang lamun yang dihasilkan melalui persamaan citra lyzenga sebesar 83,66 % pada spesies Ea (enhalus) dan 83,83% pada spesies non-Ea (bukan enhalus)
kelas Ea banyak terdapat pada bagian barat disepanjang pantai dengan luasan yang tidak begitu besar
Persentase kerapatan yang tinggi terdapat dekat pantai dengan kedalaman yang relatif dangkal
Persentase kerapatan ini akan semakin berkurang seiring dengan bertambahnya kedalaman dan menjauhi pantai.
Sedangkan kelas nonEa yang didominasi oleh spesies berdaun pendek yang banyak terdapat pada pesisir pantai yang mengarah kebagian utara daerah kajian hingga bagian timur.
Persentase kerapatan kelas lamun nonEa tidak terlalu tinggi tetapi memiliki luasan yang cukup besar terutama pada bagian utara.
Pada bagian timur ke arah selatan, keberadaan lamun semakin berkurang karena lebih banyak didominasi oleh pasir dan batu.
Model stok karbon dibuat dari pemodelan empiris antara data persentase kerapatan (PC) padang lamun dengan nilai stok karbon
Informasi besar kandungan karbon dalam sehelai daun pada setiap spesies selanjutnya digunakan untuk menghitung jumlah stok karbon pada setiap sampel yang diambil di lapangan dengan cara mengalikan kandungan karbon dalam sehelai daunnya dengan jumlah daun pada setiap spesies lamun.
Model stok karbon padang lamun dihasilkan dari regresi antara persentase kerapatan (PC) sampel dengan nilai AGC yang merupakan nilai stok karbon pada daun (lampiran 5)
Persamaan yang dihasilkan dibedakan menjadi tiga persamaan berdasarkan komposisi spesiesnya yaitu Ea, Th, dan Cr mix
Model empiris dibangun dari persamaan regresi antara nilai stok karbon dengan nilai piksel pada setiap koordinat sampel yang telah diambil.
diketahui bahwa persamaan yang paling sesuai digunakan untu membuat peta cadangan karbon adalah citra hasil koreksi sunglint yang telah ditransformasi PCA.
Walaupun nilai SE pada persamaan citra ini bukan yang terendah tetapi penerapan persamaan ini pada kedua kelas spesies yang digunakan menunjukkan nilai konstan, dimana nilai SE yang cukup bagus pada kelas Ea diikuti dengan nilai yang cukup bagus pada kelas non-Ea.
Walupun citra PCA_IM memiliki nilai koefisien korelasi yang paling tinggi untuk kelas spesies Ea, tetapi pada citra hasil koreksi ini menghilangkan informasi lamun dengan kerapatan tinggi pada perairan yang sangat dangkal.
Sedangkan pada persamaan citra PCA_lyzenga dengan nilai koefisien yang relatif tinggi tetapi nilai SE nya juga besar pada setiap kelas spesies, sehingga persamaan ini juga tidak digunakan utuk membuat peta stok karbon.
akurasi peta yang dihasilkan melalui persamaan citra PCA_sunglint sebesar 48,31% pada spesies Ea dan 40,91% pada spesies non_Ea
Persamaan yang diperoleh hasil dari analisis regresi selanjutnya digunakan untuk mengetahui stok karbon padang lamun di pulau kemujan kepulauan karimunjawa.
Penggunaan setiap persamaan ini dibedakan berdasarkan kelas kategori (Ea dan non-Ea) dan hanya diterapkan pada citra hasil koreksi sunglint yang telah ditransformasi PCA
stok karbon terbesar terdapat pada kelas non-Ea yang merupakan spesies lamun berdaun pendek dengan stok karbon pada daun yang lebih sedikit dibandingkan spesies Ea.
Tetapi luas kelas spesies non Ea lebih besar dari kelas spesies Ea dengan persentase luas sebesar 76,12 % sedangkan spesies Ea hanya 23,88% luasnya dari keseluruhan padang lamun pada daerah kajian.
kelas non-Ea pada daerah kajian memiliki kandungan karbon sebesar 822.058 grC/m2, sedangkan kandungan karbon Ea pada daerah kajian hanya sebesar 334.547,1 grC/m2.
kandungan karbon kelas non-Ea pada daerah kajian sebesar 4,74 ton karbon dan kandungan karbon Ea sebesar 1,93 ton karbon.
total seluruh stok karbon atas (AGC) padang lamun pada daerah kajian sebesar 6.66 ton karbon