Deteksi Urban Heat Island (pulau panas perkotaan) dengan data penginderaan jauh

Proses urbanisasi yang terjadi di kota-kota besar membawa pengaruh terhadap peningkatan jumlah penduduk. Akibat proses urbanisasi adalah adanya alih fungsi lahan dari lahan tidak terbangun menjadi lahan terbangun. Dampak dari proses urbaniasi selain mempengaruhi kondisi kulitas lingkungan adalah terjadinya perubahan iklim mikro dimana kondisi suhu udara di perkotaan lebih tinggi dibandingkan dengan suhu udara di sekitarnya (Lo and Quattrochi, 2003; Chen et al., 2006). Fenomena ini sering disebut sebagai efek Urban Heat Island (UHI). UHI merupakan suatu fenomena atau kejadian peningkatan suhu udara di wilayah perkotaan dibandingkan dengan daerah sekitarnya hingga mencapai 3-10 °C. Kondisi ini disebabkan oleh objek di wilayah perkotaan sebagian besar merupakan lahan terbangun, dan material-material yang kedap air yang secara umum akan mengakibatkan penyerapan kapasitas panas dan konduktivitas panas yang tinggi. Menurut Tursilowati (2007) bahan bangunan seperti aspal, semen, dan beton menjadi penyerap dan penyimpan panas matahari. Ditambah lagi dengan penggunaan alat pemanas, pendingin udara, dan pembangkit listrik yang menghasilkan buangan panas.

Gambar ini memperlihatkan perdaan suhu dari objek vegetasi dan area terbangun (aspal dan gedung). Vegetasi (warna hijau) memiliki suhu yang lebih rendah dari aspal dan bangunan (warna merah and orange)

UHI terbentuk jika sebagian tumbuh-tumbuhan (vegetasi) digantikan oleh aspal dan beton untuk jalan, bangunan, dan struktur lain diperlukan untuk mengakomodasi bertambahnya populasi manusia. Permukaan tanah yang tergantikan tersebut lebih banyak menyerap panas matahari dan juga lebih banyak memantulkannya, sehingga menyebabkan temperatur permukaan dan suhu lingkungan naik. Penggantian semak belukar dan pohon menyebabkan tempat berteduh dan pertukaran udara melalui evapotranspirasi berkurang sehingga udara yang lebih lembab hilang (Nowak, 2000).

Studi mengenai UHI sangat penting karena mempengaruhi kondisi kualitas udara, mempengaruhi kesehatan manusia dan mempengaruhi penggunaan energi. Peningkatan UHI juga merupakan salah satu faktor yang menyebabkan perubahan iklim global. Dalam studi ini dilakukan analisis dengan menggunakan data penginderaan jauh dan sistem informasi geografi. Kelebihan penginderaan jauh dalam hal penyediaan data spasial rapat dengan akurasi baik serta cakupan wilayah yang luas telah dibuktikan oleh Lo et al. (1997), Streutker (2002), dan Chen et al. (2006). Semua penelitian mengungkapkan potensi penggunaan penginderaan jauh untuk menganalisis fenomena UHI mendapatkan hasil yang baik dan akurat, meskipun tetap harus didukung oleh data observasi lapang di stasiun klimatologi sebagai data referensi. Keterbatasan jumlah stasiun cuaca konvensional secara spasial dapat ditutupi dengan penggunaan penginderaan jauh.

Sebaran awan (hujan) di atas Indonesia secara real time dari satelit MTSAT

mengingat pentingnya informasi sebaran awan secara real time di wilayah indonesia, maka saya mencoba menautkan dalam blog ini. sekedar informasi Indonesia merupakan salah satu wilayah di dunia yang memiliki variabilitas hujan yang sangat tinggi baik secara waktu maupun lokasi. oleh karena itu sangat penting mengetahui kondisi terkini dari hujan di wilayah ini oh iya, yg warna putih dalam gambar adalah awan. awan didalam gambar tersebut bukan berarti hujan, tetapi memiliki kemungkinan hujan. susunan gambar dari atas ke bawah menginformasikan sebaran awan dari satu jam sebelumnya (saat anda membuka blog ini) sampai 25 jam sebelumnya. garis hujau adalah sebaran pulau-pulau di Indonesia. informasi sebaran awan ini di peroleh dari Meteorological Satellite Center (MSC) of Japan Meteorological Agency (JMA). satelitnya adalah MTSAT-2. OK selamat menikamati hidangan ini. semoga bisa menjadi early warning (pengingat) untuk kita semua.

Melihat siklus curah hujan harian Indonesia dengan data penginderaan jauh

Saat ini banyak sekali artikel-artikel yang membahas siklus curah hujan harian untuk wilayah Indonesia. Dan gambarnya bisa dilihat di samping (Biasutti et al., 2011; Qian, 2008).

Menarik untuk dilihat klo ternyata hujan “di wilayah kita” ini secara umum dimulai setelah matahari berada di atas ufuk. Kok di bilang “di wilayah kita”? Soalnya “di wilayah kita” yang dimakasud disini ya di tempat kita tinggal yaitu di daratan. Klo tinggalnya di laut berati ga termasuk wilayah kita ya :mrgreen:.

coba dilihat deh baik2, klo pas pagi hari hampir seluruh wilayah daratan di Indonesia bening alias putih alias ga ada hujan, pas dah sore, seluruh wilayah daratan indonesia itu gelap gulita alias memiliki hujan lebat.

Comparison of TRMM multisatellite precipitation analysis (TMPA) products and daily-monthly gauge data over Bali

International Journal of Remote Sensing

Volume 32, Issue 24, 2011

DOI:10.1080/01431161.2010.531784

A. R. As-syakur^ab*, T. Tanaka^bc, R. Prasetia^bd, I. K. Swardika^c & I. W. Kasa^e

pages 8969-8982

Abstract

Research has been conducted to compare daily, monthly and seasonal rain rates derived from Tropical Rainfall Measuring Mission (TRMM) multisatellite precipitation analysis (TMPA) using rain gauge analysis from 1998 to 2002. Three rain gauges in the Bali islands were employed. Statistical analysis was used to analyse the relationship of the TMPA product with the rain gauge data. Resulting statistical measures consisted of the linear correlation coefficient (r), the mean bias error (MBE), the root mean square error (RMSE) and the mean absolute error (MAE). The results of these analyses indicate that satellite data have lower values than the gauge estimation values. The validation analysis showed a very good relationship with the gauge data on monthly timescales. However, a poor relationship was found between the gauge data and the daily data analysis from the TMPA. The 3B42 and 3B43 products showed the same levels of relationship during the wet season and dry season. The correlation in the dry season was better than during the wet season. Statistical error levels during the wet season were better than in the dry season. The 3B43 showed slight improvement in these values when compared with the 3B42 (both the random error measurement and the scatter of the estimates were reduced). In general, the data from TMPA are potentially usable to replace rain gauge data, especially to replace the monthly data, if inconsistencies and errors are taken into account.

Data Hujan dari TRMM [Pemanfaatan]: Anomali hujan saat La Nina dilihat dari data penginderaan jauh TRMM

Aplikasi data penginderaan jauh emang tidak ada habisnya. Klo sebelumnya blog ini bercerita tentang Data Hujan dari TRMM (Tropical Rainfall Measuring Mission); Basic Information, maka pada tulisan ini akan bercerita tentang bagaimana pemanfaatan data TRMM untuk memantau anomali curah hujan di indonesia saat fenomena iklim La Nina. Sudah banyak tulisan di blog ini yang menyatakan bahwa saat fenomena La Nina curah hujan di indonesia akan meningkat secara signifikan, tetapi dimana saja terjadinya masih dalam perdebatan. Oleh karena itu perlu dilakukan penelitian tentang sebaran anomali hujan sat kejadian La Nina.

Seharusnya saya bercerita dulu tentang bagaimana tingkat keakurasian data TRMM ini, saya sudah menulisnya dan akan segera diterbitkan dalam prosiding international, sambil menunggu terbitnya paper itu, saya akan bercerita duluan tentang pengaplikasiannya untuk mengetahui persentase anomali hujannya. Studi kasusnya di Indonesia dan saya mengambil saat kejadian La Nina. Kenapa kejadian La Nina, karena selama berorbitnya satelit ini, belum pernah terjadi ke jadian El Nino yang kuat (rentang waktu 1998-2011), ya mau ga mau untuk kejadian La Nina saja. Tetapi secara umum lokasi anomali iklim yang diakbatkan oleh kejadian La Nina ataupun El Nino di Indonesia adalah sama.

Worldwide map of nuclear power stations and earthquake zones

Sumber: maptd.com

Following the incidents at nuclear power plants in Japan after the earthquake I was wondering which power stations around the world are near active earthquake zones.

With this in mind, I’ve created a map combining two sets of information:

• A heatmap of every 4.5+ magnitude earthquake since to 1973 – around 174,000 in total
• The location of 248 atomic energy plants, including numbers of reactors. Represented by blue markers.

The seismic data are from the United States Geological Survey and the nuclear power station information the International Atomic Energy Agency. The map is built from two Google Fusion tables, here and here.

To see the actual locations of the earthquakes you can toggle the heatmap off and display markers instead.

Map of global earthquake activity and nuclear power plant locations.

Cara mudah mencari/memberi arah pake Google Map

Copy paste lagi tulisan penulis lainnya yang menarik buat saya. informasi tentang pemanfaatan Google Maps untuk mencari/memberi arah dari tempat tertentu ke tempat lainnya yang lengkap dengan informasi jalan-jalan mana saja yang akan dilewati. tulisan menarik ini di tulis oleh Alex Pangestu di Blog National Geographic Indonesia dengan judul Asli Cara mudah menunjukkan arah serta dengan alamat website http://teknologi.blog.nationalgeographic.co.id/2010/11/12/cara-mudah-menunjukkan-arah/. semoga tulisan menarik ini bisa membantu kita-kita agar tidak tersesat. soalnya klo tersesat bisa salah masuk kamar katanya Warkop

OK… inilah tulisannya tersebut… *seluruh tulisan berwarna hijau adalah murni copy paste dari tulisannya Alex Pangestu*

Memberi petunjuk jalan jadi lebih gampang dengan pakai peta online. Saya coba berbagi cara bikin petunjuk jalan di Google Maps Indonesia.

Kemarin sore, teman saya menanyakan arah menuju Kantor Imigrasi Tangerang. “Dari arah Serpong deh,” katanya. Daripada saya menjelaskan panjang lebar, saya buka Google Maps Indonesia. Saya cari “Jalan Serpong Raya- Pakulonan”. Begitu ketemu, perbesar peta dulu sampai terlihat jelas Jalan Serpong Raya – Pakulonan itu.

Saya klik kanan di penanda yang muncul di peta, lalu saya klik “Petunjuk arah dari sini” sehingga penanda yang tadinya berwarna merah berubah jadi warna hijau.

Data Hujan dari TRMM (Tropical Rainfall Measuring Mission); Basic Information

Pengalaman pribadi nieh… mulai mencari data-data hujan itu sejak tahun 2000. dan kondisinya ga ada yang berubah sampai sekarang, masih sama sulitnya untuk medapatkan data itu hehehe…. klo di Jepang kita bisa mendapatkan data hujan secara on line. Coba deh kunjungin website ini, bahkan datanya itu bisa sampai data harian, kapan ya pemerintah Indonesia bisa seperti itu? Mungkin 1 atau 2…. (tahun, dasarwasra, atau ABAD) yang akan datang kali ya…. hehehehe… seorang peneliti yang merasa kesal dengan kondisi tersebut (susahnya mendapatkan data hujan, padahal untuk kepentingan penelitian) mengupload data hujan untuk sebagian wilayah indonesia yang diperolehnya dari GPCP (Global Precipitation Climatology Project), yang sebelumnya di oleh dulu, di website pribadinya. Data-data tersebut dapat di download pada website ini.

Tapi kita ga usah bingung… data hujan bukan hanya bisa diperoleh dari hasil stasiun pengamatan di bumi saja, tapi juga dapat diperoleh dari hasil analisis citra satelit juga kok, jadi sekerang kita bisa mengakalinnya hehehe… Saat ini data-data hujan sudah bisa dipeoleh dengan mudah dari satelit-satelit meteorologi seperti TRMM (Tropical Rainfall Measuring Mission) dengan sensornya PR (Precipitation Radar), TMI (TRMM Microwave Imager), dan VIRS (Visible and Infrared Scanner). trus Satelit DMSP (Defense Meteorological Satellite Program) dengan sensor SSM/I (Special Sensor Microwave Imager). Satelit Aqua dengan sensor AMSR-E (Advanced Microwave Scanning Radiometer-Earth Observing System). dan satelit NOAA (National Oceanic and Atmospheric Administration) dengan sensor AMSU-B (Advanced Microwave Sounding Unit-B). wedeww… banyak ternyata… akan tetapi pada tulisan ini, fokusnya hanya pada data hujan yang diperoleh dari TRMM. Kenapa??? karena pada hasil akhirnya nanti, beberapa data dari hasil analisis beberapa satelit tersebut digabungkan/dikombinasikan untuk memproduski data hujan yang disebut dengan produk TRMM Multisatellite Precipitation Analysis (TMPA) yang memiliki tingkat keakurasian data lebih baik dari data-data aslinya.

Yuuukkk kita cari tau apa itu TRMM…

Perubahan Penggunaan Lahan Di DAS Badung-Bali

Penggunaan lahan merupakan hasil akhir dari setiap bentuk campur tangan kegiatan (intervensi) manusia terhadap lahan di permukaan bumi yang bersifat dinamis dan berfungsi untuk memenuhi kebutuhan hidup baik material maupun spiritual (Arsyad, 1989). Secara umum penggunaan lahan di Indonesia merupakan akibat nyata dari suatu proses yang lama dari adanya interaksi yang tetap, adanya keseimbangan, serta keadaan dinamis antara aktifitas-aktifitas penduduk diatas lahan dan keterbatasan-keterbatasan di dalam lingkungan tempat hidup mereka.

Perubahan penggunaan lahan adalah bertambahnya suatu penggunaan lahan dari satu sisi penggunaan ke penggunaan yang lainnya diikuti dengan berkurangnya tipe penggunaan lahan yang lain dari suatu waktu ke waktu berikutnya, atau berubahnya fungsi suatu lahan pada kurun waktu yang berbeda (Martin, 1993 dalam Wahyunto dkk., 2001). Perubahan penggunaan lahan dapat mempengaruhi sistem ekologi setempat diantaranya pencemaran air, polusi udara (Hu, et al., 2008), perubahan iklim lokal (Mahmood, et al., 2009; Hu, et al., 2008), berkurangnya keanekaragaman hayati (Sandin, 2009), dinamika aliran nitrat (Poor and McDonnell, 2007), serta fluktuasi pelepasan dan penyerapan CO₂ (Canadell, 2002).

Daerah aliran sungai (DAS) merupakan suatu kesatuan ekosistem dimana organisme dan lingkungannya berinteraksi secara dinamik dan memiliki ketergantungan satu sama lain dalam setiap komponennya (Asdak, 2002). Kondisi hidrologi DAS dapat terpengaruh akibat terjadinya perubahan penggunaan lahan (de la Cretaz and Barten, 2007), selain itu kualitas air DAS yang melewati daerah perkotaan juga dipengaruhi oleh perkembangan kota/perubahan penggunaan lahan seperti perkembangan industri dan perkembangan pemukiman di wilayah DAS (Coskun, et al., 2008)

Mencari Jumlah Penyerapan CO2 oleh Tanaman dengan Penginderaan 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.