Kerja praktik Pembimbing : 1. M.Rohmaneo Darminto, S.T., M.Sc (Teknik Geomatika-ITS) 1. Hartanto (PTPSW-BPPT)SanjayaPTPSW-BPPT | ITS
PERKENALKAN . . . Rosmalisa03311740000014Dwiyaniek Adinda Sitaresmi Putri 03311740000031Arimurti5.3.4.2.1. KAMI ADALAH
Pusat Teknologi Pengembangan Sumber Daya Wilayah (PTPSW) unit di BPPT yang bergerak di bidang Pengkajian Teknologi Inventarisasi Sumberdaya Alam. PTPSW aktif dalam pengkajian dan penerapan teknologi di bidang Jauh (Remote Sensing), Sumber daya Kelautan dan Pesisir, Sistem Informasi Geografis,5.3.4.2.1.
Pemetaan Perubahan Tutupan Lahan Akibat Kebakaran Hutan dan Analisis Dampak yang Ditimbulkan MENGGUNAKAN GOOGLE EARTH ENGINE (STUDI KASUS : KALIMANTAN SELATAN)5.3.4.2.1.
3.4.5.2.1. PENDAHULUAN PENGOLAHAN HASIL DAN ANALISIS SIMPULAN
Kebakaran hutan merupakan salah satu penyebab utama kerusakan hutan tropis di Indonesia. Pemanfaatan penginderaan jauh untuk mitigasi bencana kebakaran hutan/lahan di Indonesia dirasakan semakin besar. Disamping data hotspot, isu kebutuhan nasional atas pemetaan daerah bekas kebakaran (BurnedArea/BA) juga semakin sering dibicarakan, terutama sejak program ReducingEmissionfrom DegradationandDeforestation(REDD) yang membutuhkan data dan metode dengan standar tertentu pada perhitungan emisi Gas Rumah Kaca (GRK) dari kebakaran yang terjadi.
Studi kasusTujuanLatar belakang belakang
5.3.4.2.1.
Latar
Mengidentifikasi kebakaran hutan dan lahan di Kalimantan Selatan tahun 2015 dan 2019 Menganalisis perubahan tutupan lahan karena terjadi kebakaran di Kalimantan Selatan dalam kurun waktu 2014-20182018-2020dan Menganalisis dampak yang ditimbulkan akibat adanya kebakaran hutan Studi kasustujuanLatar belakang TUJUAN 5.3.4.2.1.
Kalimantan selatan Kebakaran 2019 137.848,00 hektar Kalimantan Selatan merupakan salah satu daerah yang mengalami kebakaran hutan dan lahan parah. Kebakaran terparah terjadi pada tahun 2015, serta pada tahun 2019, namun kasus tahun 2019 lebih rendah dibandingkan tahun 2015. http://sipongi.menlhk.go.id/hotspot/luas_kebakaran Studi kasustujuanLatar belakang 5.3.4.2.1.
1. Pengolahan data ALAT DAN BAHANWAKTU DAN TEMPATFLOWCHART 5.3.4.2.1.
flowchart ALAT DAn bahanWaktu dan tempatFLOWCHART 5.3.4.2.1.
5.3.4.2.1. KLASIFIKASI UNSUPERVISED - NORMALIZED BURNED RATIO Klasifikasi unsupervised didasarkan pada aturan USGS, dimana tingkat keparahan area terbakar (dNBR) didefinisikan sebagai selisih dari NBR citra sebelum terbakar dan NBR citra setelah terbakar, dan hasilnya dikelompokkan menjadi 7 kelas, seperti berikut : http://un-spider.org/advisory-support/recommended-practices/recommended-practice-burn-severity/in-detail/normalized-burn-ratio ALAT DAn bahanWaktu dan tempatFLOWCHART
5.3.4.2.1. Google earth engine Merupakan platform berbasis cloud untuk analisis ilmiah dan visualisasi dataset geospasial skala besar. ALAT DAn bahanWaktu dan tempatFLOWCHART pengunduhanberbagaiMenyediakansetdatayangdiperbaruisecarakonstan,sehinggatidakdiperlukancitramentah Memilikiluarperhitungankecepatanyangbiasa,karenapemrosesandialihdayakankeserverGoogle Earth Engine berjalan di Google Cloud, sehingga akan terhubung ke layanan melalui salah satu API: JavaScript,REST.Python, Salah satu alat GEE, Code pengembanganmemfasilitasiEditor,alurkerjageospasialyangkompleksberbasisweb
WAKTU TEMPAT Kegiatan Kerja Praktik dilaksanakan pada tanggal 1 Juni 2020 s.d. 31 Juli 2020 Kegiatan Kerja Praktik dilaksanakan secara online di daerah masing-masing WAKTU DAN TEMPAT ALAT DAN BAHANWAKTU DAN TEMPATFLOWCHART 5.3.4.2.1.
Komputer alat ALAT DAN BAHANWAKTU DAN TEMPATFLOWCHART bahan Citra Satelit Landsat 8 OLI tahun 2014, 2018 dan 2020 wilayah Kalimantan Selatan Citra Satelit Resolusi Tinggi (di Google Earth Pro) wilayah Kalimantan SelatanGoogle Earth Engine ArcGIS SOFTWAREHARDWARE Shapefilebatas administrasi Provinsi Kalimantan Selatan yang diperolah dari Badan Informasi Geospasial (BIG)5.3.4.2.1. Google Earth Pro
2. HASIL DAN ANALISIS TAHUN 2018-2020TAHUN 2014-2018 5.3.4.1.2.
Perubahan lahan 2014 dan 2018 5.4.2.1.3.
Berdasarkan perhitungan delta NBR, jumlah lahan yang terklasifikasi terbakar dan mengalami pertumbuhan memiliki luasan yang hampir sama atau sekitar 19% (burned severity & regrowth) Luas kebakaran sejumlah 169.003,80 Ha 4.2.1.3. WARNA KELAS LUAS (Ha) % NA 389.86 0.04% Enhanched Regrowth - High 51,677.55 5.88% Enhanched Regrowth - Low 115,516.17 13.15% Unburned 541,886.94 61.69% Low Severity 125,325.90 14.27% Moderate-low Severity 31,716.00 3.61% Moderate-high Severity 9,717.48 1.11% High Severity 2,243.70 0.26% TOTAL 878,473.60 100.00% 5. validasiDelta nbrpre&post fire HASIL DAN ANLISIS
HASIL DAN ANALISIS Regrowth -500 ~ -100Unburned -100 ~ 100Fire 100 ~ 1300 Validasi dilakukan dengan membuat 15 titik sampel, 5 titik di area fire, 5 titik di area unburned dan 5 titik di area regrowth. Semua titik sampel tervalidasi benar sesuai dengan klasifikasi. 5.4.2.1.3.
HASIL KLASIFIKASI CSRT PRE-FIRE JULI 2015 CSRT POST-FIRE JULI 2017 HASIL DAN ANALISIS HASIL KLASIFIKASI CSRT PRE-FIRE JULI 2014 CSRT POST-FIRE OKTOBER 2018 regrowthUnburnedFire 5.4.2.1.3. Dari ke 5 titik validasi untuk daerah yang terdeteksi sebagai api, semuanya tervalidasi dengan benar menurut citra satelit resolusi tinggi. Perubahan lahan yang terjadi semula berupa vegetasi (area hutan serta perkebunan), berubah menjadi tanah kosong atau terjadi kerenggangan vegetasi.
HASIL KLASIFIKASI CSRT PRE-FIRE MEI 2018 CSRT POST-FIRE OKTOBER 2018 HASIL KLASIFIKASI CSRT PRE-FIRE DESE 2017 CSRT POST-FIRE JULI 2017 regrowthUnburnedFire 4.2.1.3. HASIL DAN ANALISIS 5. Dari ke 5 titik validasi untuk daerah yang terdeteksi sebagai unburned, semuanya tervalidasi dengan benar menurut citra satelit resolusi tinggi. Tidak ada perubahan dari citra pre dan post sehingga dapat disimpulkan menjadi unburned atau tidak terbakar
HASIL KLASIFIKASI CSRT PRE-FIRE AGUST 2015 CSRT POST-FIRE SEPT 2018 regrowthUnburnedFire 4.2.1.3. HASIL DAN ANALISIS 5. HASIL KLASIFIKASI CSRT PRE-FIRE AGUST 2015 CSRT POST-FIRE SEPT 2018 Dari ke 5 titik validasi untuk daerah yang terdeteksi sebagai regrowth, semuanya tervalidasi dengan benar menurut citra satelit resolusi tinggi. Lahan yang awalnya terbakar kemudian berubahmenjadi lahan yang berwarna hijau atau mengalami pertumbuhan vegetasi
Perubahan lahan 2018 dan 2020 5.3.2.1.4.
validasiDelta nbrpre&post fire 3.2.1.4. Hasil algortima NBR pre dan post fire menunjukkan perbedaan range pixel (-0.833644 s.d 1) untuk pre fire dan (-1 s.d 1) untuk post fire. Hal ini menandakan adanya perubahan karena terjadi kebakaran maupun pertumbuhan vegetasi. HASIL DAN ANLISIS 5. firePre firePost
3.2.1.4. Hasil dNBR menunjukkan total kebakaran yang terjadi sebesar 3.52% atau seluas 30.900 Ha . Dan didominasi dengan area regrowth sebesar 52% atau seluas 456.325 Ha. HASIL DAN ANLISIS validasiDelta nbrpre&post fire WARNA KELAS LUAS (Ha) % NA 305.28 0.03% Enhanched Regrowth - High 263,544.70 30.00% Enhanched Regrowth - Low 192,781.20 21.95% Unburned 390,941.60 44.50% Low Severity 20,933.37 2.38% Moderate-low Severity 2,778.93 0.32% Moderate-high Severity 6,072.66 0.69% High Severity 1,116.00 0.13% TOTAL 878,473.60 100.00% 5.
Regrowth -500 ~ -100Unburned -100 ~ 100Fire 100 ~ 1300 Validasi dilakukan dengan membuat 15 titik sampel, 5 titik di area fire, 5 titik di area unburned dan 5 titik di area regrowth. Semua titik sampel tervalidasi benar sesuai dengan klasifikasi. 3.2.1.4. HASIL DAN ANALISIS 5.
REGROWTHunburnedFIRE HASIL KLASIFIKASI CSRT PRE-FIRE JULI 2017 CSRT POST-FIRE OKTOBER 2019 HASIL KLASIFIKASI CSRT PRE-FIRE JULI 2017 CSRT POST-FIRE OKTOBER 2019 5.3.2.1.4. Dari kelima titik sampel yang telah dibuat, semua tervalidasi sebagai area terbakar pada csrt. Perubahan lahan yang terjadi semula berupa vegetasi (area hutan serta perkebunan), berubah menjadi tanah kosong atau terjadi kerenggangan vegetasi. HASIL DAN ANALISIS
HASIL KLASIFIKASI CSRT PRE-FIRE SEPT 2018 CSRT POST-FIRE JULI 20193.2.1.4. REGROWTHunburnedFIRE 5. HASIL KLASIFIKASI CSRT PRE-FIRE JULI 2017 CSRT POST-FIRE OKTOBER 2019 Dari kelima titik sampel yang telah dibuat, semua tervalidasi sebagai area unburned atau tidak adanya bekas kebakaran dan perubahan vegetasi pada csrt. Daerah tersebut merupakan area hutan dan perkebunan. HASIL DAN ANALISIS
HASIL KLASIFIKASI CSRT PRE-FIRE OKT 2017 CSRT POST-FIRE MARET 20193.2.1.4. REGROWTHunburnedFIRE 5. HASIL KLASIFIKASI CSRT PRE-FIRE AGUSTUS 2018 CSRT POST-FIRE JUNI 2019 Dari kelima titik sampel yang telah dibuat, semua tervalidasi sebagai area regrowth atau tumbuh kembali pada csrt. Perubahan lahan ini terlihat dengan adanya penambahan vegetasi pada area tanah kosong. Terjadi pada lahan-lahan perkebunan. HASIL DAN ANALISIS
Kebakaran hutan menyebabkan berbagai kerugian untuk masyarakat Indonesia, mulai dari gangguan kesehatan, sosial, ekologi, ekonomi juga permasalahan global lainnya.3.2.1.4.5. HASIL DAN ANALISIS DAMPAK KEBAKARAN hutan
Ekonomi : Kerugian mencapai triliyunan rupiah, banyak penerbangan dibatalkan akibat jarak pandang yang terbatas, dan anjloknya bisnis Sosialpariwisata.:Merugikan negara lain seperti Malaysia dan Singapura Secara global : Asap yang ditimbulkan menyebabkan pencemaraan udara, meningkatkan konsentrasi debu di atmosfer, dan meningkatkan emisi karbon yang berpengaruh pada pemanasan global.
Ekologi : Banyak flora dan fauna yang mati akibat habitatnya terbakar serta terganggunya fungsi tata air dan perlindungan tanah.
Kesehatan : infeksi saluran pernafasan akut (ISPA), pneumonia, iritasi mata dan kulit.
DAMPAK KEBAKARAN hutan 3.2.1.4.5.
SIMPULAN Perubahan lahanIdentifikasi kebakaran 5.3.4.1.2.
Hasil identifikasi perubahan tutupan lahan akibat kebakaran Hutan tahun 2014-2018 dan tahun 2018-2020 simpulan 3.2.1.4.5. TAHUN 2018-2020 30.900 Ha TAHUN 2014-2018 169.003,80 Ha
● Area yang terdampak kebakaran berbeda 15,7% lebih banyak pada tahun 2014-2018. ● Area pertumbuhan berbeda 33% lebih banyak pada tahun 2018-2020. ● Area yang tidak terbakar berbeda 17.2% lebih banyak pada tahun 2014-2018 simpulan 3.2.1.4.5. WARNA KELAS LUAS (Ha) % NA 305.28 0.03% Enhanched Regrowth - High 263,544.70 30.00% Enhanched Regrowth - Low 192,781.20 21.95% Unburned 390,941.60 44.50% Low Severity 20,933.37 2.38% Moderate-low Severity 2,778.93 0.32% Moderate-high Severity 6,072.66 0.69% High Severity 1,116.00 0.13% TOTAL 878,473.60 100.00% WARNA KELAS LUAS (Ha) % NA 389.86 0.04% Enhanched Regrowth - High 51,677.55 5.88% Enhanched Regrowth - Low 115,516.17 13.15% Unburned 541,886.94 61.69% Low Severity 125,325.90 14.27% Moderate-low Severity 31,716.00 3.61% Moderate-high Severity 9,717.48 1.11% High Severity 2,243.70 0.26% TOTAL 878,473.60 100.00%
3.4.5.2.1. DAFTAR PUSTAKA
PERUBAHAN LUAS DAN KERAPATAN HUTAN MENGGUNAKAN ALGORITMA NDVI (Normalized Difference Vegetation Index) DAN EVI (Enhanced Vegetation Index) PADA CITRA LANDSAT 7 ETM+ TAHUN 2006, 2009, DAN 2012 (Studi Kasus: Kabupaten Kendal, Provinsi Jawa Tengah). Jurnal Geodesi Undip, 1-9. Syafa'at, I. D., & Bangun Muljo Sukojo019). Identifikasi Area Bekas Terbakar Menggunakan Algoritma NBR (Normalized Burn Ratio) dan NDVI (Normalized Difference Vegetation Index) dari Data Citra Multi Resolusi. Jurnal Teknik ITS, 1-6.
Anaya,doi.org/10.1371/journal.pone.0184926Jesús&RodriguezMontellano,Armando
Nanki Sidhu, Edzer Pebesma & Gilberto Câmara (2018) Using Google Earth Engine to detect land cover change: Singapore as a use case, EuropeanJournalofRemoteSensing, 51:1, 486-500, DOI: 10.1080/22797254.2018.1451782 Midekisa A, Holl F, Savory DJ, AndradePacheco R, Gething PW, Bennett A, et al. (2017) Mapping land cover change over continental Africa using Landsat and Google Earth Engine cloud computing. PLoSONE12(9): e0184926. https:// & Sione, Walter. (2016). Time series of Landsat images to determine burned area in the context of the Latin American Network of Forest Fires (RedLatIF). Attaf, Dalila & Djerriri, Khelifa & Mansour, D. & Hamdadou, Djamila. (2019). MAPPING OF BURNED AREA USING PRESENCE AND BACKGROUND LEARNING FRAMEWORK ON THE GOOGLE EARTH ENGINE PLATFORM. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. XLII-3/W8. 37-41.
Lonita,10.5194/isprs-archives-XLII-3-W8-37-2019.B.I.,Hani’ah,&YudoPrasetyo.(2015).ANALISIS
Lestari, S. (2000). DAMPAK DAN ANTISIPASI KEBAKARAN HUTAN. JurnalTeknologiLingkunganVol.1No.2, 1-5. NormalizedBurnRatio(NBR). (n.d.). Retrieved from UN-SPIDER RekapitulasiRasyid,Prasetyo,Nyland,ratiohttp://un-spider.org/advisory-support/recommended-practices/recommended-practice-burn-severity/in-detail/normalized-burn-:K.E.,GrantE.Gunn,NikolayI.Shiklomanov,RyanN.Engstrom,&DmitryA.Streletskiy.(2018).LandCoverChangeintheLowerYeniseiRiverUsingDenseStackingofLandsatImageryinGoogleEarthEngine.MDPIremotesensing,1-20.N.N.,BandiSasmito,&YudoPrasetyo.(2017).ANALISISPERUBAHANKERAPATANHUTANMENGGUNAKANMETODENDVIDANEVIPADACITRASATELITLANDSAT8TAHUN2013DAN2016(AreaStudi:KabupatenSemarang).JurnalGeodesiUndip,1-7.F.(2014).PermasalahandanDampakKebakaranHutan.JurnalLingkarWidyaiswaraEdisi1No.4,1-13.LuasKebakaranHutandanLahan(Ha)PerProvinsiDiIndonesiaTahun2015-2020.(n.d.).RetrievedfromSiPongi:http://sipongi.menlhk.go.id/hotspot/luas_kebakaranSaputra,AgusDwi,DediSetiabudidaya,DwiSetyawan,&IskhaqIskandar.(2017).ValidasiArealTerbakarDenganMetodeNormalizedBurningRatioMenggunkanUAV(UnmannedAerialVehicle):StudiKasus.JurnalPenelitianSainsVol.19No.2,1-7.Zubaidah,Any,SayidahSulma,Suwarsono,YenniVetrita,M.Priyatna,&KusumaningAyuD.(2017).AKURASILUASAREALKEBAKARANDARIDATALANDSAT-8OLIDIWILAYAHKALIMANTAN.MajalahIlmiahGlobëVolume19No.1,1-12.3.4.5.2.1. DAFTAR PUSTAKA
3.4.5.2.1. THANK you! Do you have any questions?
