Bakar Hutan versus Hijaunya Vegetasi

Bakar Hutan versus Hijaunya Vegetasi

Tulisan kali ini mencoba menatap secara global aktivitas pembakaran karena di permukaan bumi ini "something is always burning".

Peta api di bawah ini menunjukkan lokasi kebakaran aktif yang terbakar di seluruh dunia setiap bulannya, berdasarkan pengamatan dari citra Moderate Resolution Imaging Spectroradiometer (MODIS) yang terpasang pada satelit Terra milik NASA.

Warna didasarkan pada penghitungan jumlah (bukan ukuran) dari kebakaran yang diamati dalam wilayah 1.000 kilometer persegi. Piksel Putih menunjukkan nilai tertinggi dari-hitungan sebanyak 100 kebakaran di area 1.000 kilometer persegi per hari.

Piksel Kuning menunjukkan sebanyak 10 kebakaran, oranye menunjukkan sebanyak 5 kebakaran, dan daerah merah sesedikitnya 1 api per hari.

Beberapa pola global yang muncul dalam peta api dari waktu ke waktu adalah hasil dari siklus alami dari curah hujan, kekeringan, dan petir.

Misalnya, kebakaran yang terjadi secara alami yang umum di hutan utara Kanada pada musim panas. Di bagian lain dunia, pola-pola merupakan hasil dari aktivitas manusia. Misalnya, pembakaran intens di jantung Amerika Selatan dari Agustus-Oktober adalah hasil dari kebakaran manusia-dipicu, baik disengaja dan tidak disengaja, di Amazon Rainforest dan Cerrado (sebuah padang rumput / ekosistem savana) ke selatan. Di seluruh Afrika, sebuah pembakaran pertanian yang meluas menyapu utara ke selatan lebih dari benua sebagai musim kemarau berlangsung setiap tahun. Pembakaran dari aktivitas pertanian terjadi pada akhir musim dingin dan awal musim semi setiap tahun di seluruh Asia Tenggara.

(a)

(b)

Gambar 1. Video (sumber: GlobalMap: Fire NASA) Maret 2000 hingga Oktober 2010 (a) dan Gambar (hasil printscreen) Kebakaran di Permukaan bumi di Bulan Oktober 2010 (b)

Lalu, apa sich yang terbakar ? Apakah benar vegetasi yang terbakar dan bagaiman kehijaun vegetasi dari pantauan MODIS Terra juga ?

Mari kita bandingkan video dan gambar kebakaran api (memerahnya bumi) dengan kehijauan vegetasi (menghijaunya bumi).

Pada peta di bawah ini, vegetasi ini digambarkan dalam skala, atau indeks, dari kehijauan (menggunakan NDVI). Kehijauan didasarkan pada beberapa faktor: jumlah dan jenis tanaman, bagaimana berdaunnya mereka, dan bagaimana sehatnya mereka. Di tempat-tempat di mana dedaunan padat dan tanaman yang tumbuh cepat, indeks tinggi, direpresentasikan dalam warna hijau gelap. Daerah di mana beberapa tanaman tumbuh memiliki indeks vegetasi rendah, ditampilkan dalam cokelat. Area dimana citra satelit tidak mengumpulkan data berwarna abu-abu.

(a)

Gambar 1. Video (sumber: GlobalMap: Vegetation) Maret 2000 hingga Oktober 2010 (a) dan Gambar (hasil printscreen) Kehijauan Vegetasi di Permukaan bumi di Bulan Oktober 2010 (b)

Pilih Bumi berwarna merah atau hijau, dan langit berwarna biru atau kelabu ???

Adakah hubungannya dengan 'perubahan alam' ataukah ada turut andil 'perubahan manusia' juga di dalam merubah warna-warni dunia ???

sumber info+video : GlobalMap: Fire and Vegetation dari earthobservatory NASA

salam 'mejikuhibiniu',

Aji PP

Mangrove di INDONESIA (yang kaya sumberdaya)

Mangrove di INDONESIA (yang kaya sumberdaya)

Secara disengaja, hari ini fulan berkunjung ke http://earthobservatory.nasa.gov/IOTD/ untuk melihat image of d-day. Muncullah sebuah Negara Kepulauan sebagai salah satu dalam tampilan image of d-day yakni INDONESIA. Jadi teringat akan tulisan pembuka yang kerapkali digunakan oleh para peneliti, penulis, akademisi dan lain sebagainya untuk membuka pembicaraan atau tulisan mengenai sumberdaya kelautan dan permasalahannya di Indonesia yakni bahwa INDONESIA merupakan negara Maritim, Kepulauan, Kelautan, dan lain sebagainya dimana 70% wilayahnya berupa lautan, membentang 81.000 km garis pantainya dan lain sebagainya lagi dan lagi.

Sungguh luar biasa potensi Negera Kesatuan Republik Indonesia ini coba bayangkan betapa dunia menatap kita (baca: sumberdaya alam). Betapa butuhnya dunia akan INDONESIA terkait pula perubahan iklim yang kain digembor-gemborkan.

Apakah salah satu sumberdaya kelautan itu?

Mangrove, jawab fulan.

Kawasan hutan mangrove di Indonesia telah menyusut dari 4,2 juta hektar pada tahun 1982 sampai 2 juta hektar, ujar sebuah LSM (dimuat di dalam The Jakarta Post 6 Desember 2010).

"Sekitar 70 persen hutan mangrove di Indonesia berada dalam kondisi kritis dan rusak berat," kata Menteri Kelautan dan Perikanan RI Bapak Fadel Muhammad ketika meluncurkan kampanye penanaman bakau di desa Poka, Kecamatan Teluk Ambon, Provinsi Maluku, Jumat (30 Juli 2010). Dimuat di dalam Antara News pada hari sabtu 31 Juli 2010.

" Rawa bakau dapat membantu masyarakat pantai di Indonesia dalam menangkis laut yang naik/meningkat dan badai tropis kuat yang disebabkan oleh perubahan iklim," ujar para ahli yang dimuat dalam Reuters.

The Jakarta Post menuliskan :

RI’s mangrove forests shrinks to 2 million ha

Antara News menuliskan :

Minister: Indonesia`s mangroves in critical condition

Reuters menuliskan :

Mangroves help Indonesia fend off climate change

Ketiga tulisan tersebut adalah sumber-sumber yang dipergunakan dalam tulisan ringkas di situs NASA yang memuat gambar persebaran Mangrove di dunia dan Indonesia. Berikut referensi yang dipergunakan, jika ada yang tertarik membacanya secara langsung silahkan meluncur ke TKP.

1. Antara News (2010, July 31). Minister: Indonesia`s mangroves in critical condition.Accessed November 29, 2010.

2. Giri, C., Ochieng, E., Tieszen, L. L., Zhu, Z., Singh, A., Loveland, T., Masek, J. and Duke, N. (2010) Status and distribution of mangrove forests of the world using earth observation satellite data. Global Ecology and Biogeography, DOI: 10.1111/j.1466-8238.2010.00584.x.
3. The Jakarta Post (2010, March 21). RI’s mangrove forests shrinks to 2 million ha.Accessed November 29, 2010.
4. MangroveWatch (n.d.) Mangroves in Australia. Accessed November 29, 2010.
5. Landsat at NASA (2010, August 18). Landsat Enables World’s Most Comprehensive Mangrove Assessment. Accessed November 29, 2010.
6. Reuters (2007, December 6). Mangroves help Indonesia fend off climate change.Accessed November 29, 2010.

Memetakan Mangrove dari Satelit, demikian judul yang diusung oleh NASA dalam image of d-day untuk postingan 30 November 2010.

download large image (1 MB, PNG)

Gambar (Peta) Persebaran Mangrove di Indonesia berdasarkan citra satelit

download large image (430 KB, PNG)

Usaha pembuatan peta ini dipimpin oleh Chandra Giri dari U.S. Geological Survey dan dipublikasikan baru-baru ini di dalam Jurnal Global Ecology and Biogeography. Menggunakan teknik klasifikasi citra dijital, tim peneliti melakukan kompilasi dan analisa lebih dari 1000 scenes satelit kumpulan Landsat series.

Sumber : Mapping Mangroves by Satellite

*tambahan info (update info) : kata temen yang ndijit mangrove di Bakosurtanal; luas Mangrove di Indonesia 3,2 juta*

+ sekedar berbagi+

Salam,

Aji PP

Mapping paddy rice agriculture in South and Southeast Asia using multi-temporal MODIS images

Mapping paddy rice agriculture in South and Southeast Asia using
multi-temporal MODIS images

Xiangming Xiao a,*, Stephen Boles a, Steve Frolking a, Changsheng Li a, Jagadeesh Y. Babu a,b,
William Salas c, Berrien Moore III a
a Institute for the Study of Earth, Oceans and Space, University of New Hampshire, Durham, NH 03824, USA
b Central Rice Research Institute, Cuttack, 753006, Orissa, India
c Applied Geosolutions, LLC, Durham, NH 03824, USA
Received 27 April 2005; received in revised form 12 August 2005; accepted 1 October 2005

Abstract

In this paper, we developed a new geospatial database of paddy rice agriculture for 13 countries in South and Southeast Asia. These countries have ¨30% of the world population and ¨2/3 of the total rice land area in the world. We used 8-day composite images (500-m spatial resolution) in 2002 from the Moderate Resolution Imaging Spectroradiometer (MODIS) sensor onboard the NASA EOS Terra satellite. Paddy rice fields are characterized by an initial period of flooding and transplanting, during which period a mixture of surface water and rice seedlings exists. We applied a paddy rice mapping algorithm that uses a time series of MODIS-derived vegetation indices to identify the initial period of flooding and transplanting in paddy rice fields, based on the increased surface moisture. The resultant MODIS-derived paddy rice map was compared to national agricultural statistical data at national and subnational levels. Area estimates of paddy rice were highly correlated at the national level and positively correlated at the subnational levels, although the agreement at the national level was much stronger. Discrepancies in rice area between the MODIS-derived and statistical datasets in some countries can be largely attributed to: (1) the statistical dataset is a sown area estimate (includes multiple cropping practices); (2) failure of the 500-m resolution MODIS-based algorithm in identifying small patches of paddy rice fields, primarily in areas where topography restricts field sizes; and (3) contamination by cloud. While further testing is needed, these results demonstrate the potential of the MODIS-based algorithm to generate updated datasets of paddy rice agriculture on a timely basis. The resultant geospatial database on the area and spatial distribution of paddy rice is useful for irrigation, food security, and trace gas emission estimates in those countries.

~ 2005 Elsevier Inc. All rights reserved.

Keywords: Enhanced vegetation index; Land surface water index

District-level spatial distribution of paddy rice sown area derived from national agricultural statistical data (described in Section 3.4). Rice area is displayed as the percent of the district land area dedicated to paddy rice in Southeast Asia.

Penginderaan Jauh Vegetasi - Indeks Vegetasi

Penginderaan Jauh merupakan seni dan ilmu pengetahuan yang cukup luar biasa dan semakin berkembang pesat dengan teknologi yang ada, sehingga mampu merekam fenomena yang terjadi di bumi ini.

Obyek di bumi yang diindera oleh "penginderaan jauh" jika disederhanakan ke dalam tiga klas yakni air, tanah, dan vegetasi. Ketiga hal tersebut yang mengisi kehidupan di bumi ini...
Obyek air yang begitu luas meliputi permukaan bumi ini, dengan penginderaan jauh untuk aplikasi kelautan, maupun untuk aplikasi tubuh air di daerah daratan..menggunakan berbagai citra satelit penginderaan jauh dari level rendah, menengah hingga tingkat detil..berbagai algoritma digunakan untuk ekstraksi informasi dari tubuh air.
Obyek tanah, biasanya lahan atau lebih ke penutup lahan ataupun penggunaan lahan banyak dikaji menggunakan penginderaan jauh, baik skala global maupun tingkat perkotaan...biasanya perubahan penggunaan lahan..
Obyek vegetasi kini mendapat sorotan yang cukup mencolok.,.apalagi kondisi lingkungan yang bersedih dan menangis...

Vegetasi biasanya diamati melalui pendakatan indeks vegetasi..

Vegetation Indices are robust spectral measures of the amount of vegetation present on the ground in a particular pixel. They typically involve transformations of two or more bands designed to enhance the vegetation signal and allow for precise inter-comparisons of spatial and temporal variations in terrestrial photosynthetic activity.

Indeks vegetasi yang umum digunakan ialah NDVI atau Normalized Difference Vegetation Index.

The NDVI is calculated from these individual measurements as follows:

NDVI=(NIR-RED)/(NIR+RED)

where RED and NIR stand for the spectral reflectance measurements acquired in the red and near-infrared regions, respectively. These spectral reflectances are themselves ratios of the reflected over the incoming radiation in each spectral band individually, hence they take on values between 0.0 and 1.0. By design, the NDVI itself thus varies between -1.0 and +1.0.

Kemunculan citra satelit Aqua/Terra MODIS dengan algoritmanya untuk vegetasi yaitu Enhanced Vegetation Index (EVI) yang merupakan turunan dari NDVI.

Perbandingan NDVI dan EVI
Ndvi merupakan indeks vegetasi yang banyak dikenal dan digunakan untuk analisa vegetasi.

Normalized Difference Vegetation Index (NDVI)
NDVI = (NIR – Red) / (NIR + Red)
- Most common vegetation index
- Value is always between +1 and -1 with green vegetation closer to +1 and no vegetation close to 0
- Negative values are possible for non-vegetated features
- Somewhat sensitive to radiometric contaminants

Enhanced Vegetation Index (EVI)
- Developed to improve upon NDVI
- Output as a standard MODIS product
EVI = G*[(NIR-Red)/NIR+C1*Red-C2*Blue+L)] where G, C1, C2, and L are coefficients:
G = Gain factor (2.5 for MODIS)
L = Canopy background adjustment (1 for MODIS)
C2 = Atmospheric aerosol resistance (6 for MODIS)
C2 = Atmospheric aerosol resistance (7.5 for MODIS)
- These coefficients reduces atmospheric effects in the red band and compensates for the different ways in which near-IR and red light behaves inside and below a canopy thereby reducing the effect of soil type, soil moisture, surface litter, and snow cover.
- EVI is more sensitive to canopy structure than NDVI

Applications - Aplikasi penginderaan jauh dengan memanfaatkan Indeks Vegetasi, misalnya:

Some of the more common applications of the vegetation index include:
•Global warming/ climate
•Global biogeochemical and hydrologic modeling
•Agriculture; precision agriculture; crop stress, crop mapping
•Rangelands; water supply forecasting; grazing capacities; fuel supply
•Forestry, deforestation, and net primary production studies
•Pollution/ Health issues (rift valley fever, mosquito-producing rice fields)
•Desertification studies
•Anthropogenic change detection and landscape disturbances.


MODIS VEGETATION INDEX
Read the technical description of this product (ATBD)
atbd_mod13.pdf (Adobe Acrobat PDF Format)

best regards,
Aji Putra Perdana
GIS and Remote Sensing...Learn in everytime..

Aqua MODIS - Vegetation Index

THE WET AGRICULTURE LAND IDENTIFICATION WITH AQUA MODIS IMAGERY IN JAVA ISLAND USING TRANSFORMATION OF VEGETATION INDEX

ABSTRACT


Aqua MODIS image is one remote sensing image that is relatively new images, which has 36 bands i.e. band 1 to band 7 of the imagery has the ability to observe the land. Aqua MODIS imagery represents the land information in global scale; therefore, the entire of Java Island is selected as the research area. Aims of this research were to investigate the Aqua MODIS ability in identifying the wet agricultural land based on NDVI (Normalized Difference Vegetation Index) transformation and EVI (Enhanced Vegetation Index) and to analyze the comparison of vegetation greenness level as the EVI and NDVI transformation results in wet agricultural land.

This research used Aqua MODIS image acquire remotely sensed on September 30, 2007 that has spatial resolutions at 1B level are 250 m and 500m. The other primary data that had been used was wet agricultural land data as the recently result of field checking. There were 150 samples taken using purposive sampling method. In order to assist the multispectral classification, the land cover map had been used as the supporting data. The applied method vegetation index transformation, with the formula: NDVI = (Rnir – Rred)/ (Rnir + Rred) and EVI = [(1.5 + L)*(Rnir – Rred)] / (L + Rnir + 6*Rred – 7.5*Rblue).

The result of the research displayed that the red band (0.62-0.67 μm), near infrared band (0.841-0.876 μm) and blue band (0.459-0.479μm) of the imagery were able in representing the information of wet agricultural land distribution using vegetation index based on vegetation greenness level. The relationship between vegetation greenness level as the EVI and NDVI transformation results in wet agricultural land are that EVI has higher correlation value namely r=0.887, than NDVI has, namely r=0.873, and the greenness level of wet agricultural land can be diverged sharper by the EVI imagery than NDVI one.
Keywords : Aqua MODIS, Wet Agricultural Land, Vegetation Index Transformation, Java Island, vegetation greenness level, NDVI, EVI


Sumber :
Setyaningrum, Nugraheni (2008). Citra Aqua MODIS Untuk Identifikasi Lahan Pertanian Basah di Pulau Jawa dengan Transformasi Indeks Vegetasi. Skripsi. Yogyakarta: Fakultas Geografi UGM