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

Capture Embung/Waduk Tambakboyo from the Sky...

Capture Embung/Waduk Tambakboyo from the Sky...

Gambar 1. Embung/Waduk Tambakboyo dan sekitarnya dipotret dari atas....

Menangkap Embung/waduk Tambakboyo dari langit...kurang lebih itulah terjemahan mentah ala thole terkait judul tulisan blog kali ini. Ketika membuka foto perjalanan sepulang dari Pulaunya Dewata, sampailah pada beberapa foto hasil jepretan ala kadarnya menggunakan kamera kepunyaan rekan seperjalanan thole yakni HZ, demikian nicknamenya alias Humam Z (kusebut ya kang, namanya). Yakni foto jepretan dari atas pesawat dari Bali menuju ke Jogja pada penerbangan pagi hari, sehingga dapat merekam Yogyakarta.

Melihat pemanfataan ruang yang sangat menarik, ketika melihat stadion Maguwoharjo, Sleman dan tampak tubuh perairan tertampung dalam sebuah wadah mangkok besar. Embung/Waduk Tambakboyo, begitulah namanya dan berdasarkan sumber luasnya 7,80 ha dan volume tampungan 400 m3.

Bernama embung/waduk tambakboyo sesuai dengan lokasinya yang berada di dusun Tambakboyo, Wedomartani, Ngemplak, Sleman dan dibangun tahun 2003 oleh Pemprov D.I.Yogyakarta dalam rangka untuk mencukupi air bersih. Manfaat embung tambakboyo ini lumayan banyak, diantaranya terkait dengan sumberdaya air (pasokan air, pengendali hujan, konservasi SD Air, dll).

Sewaktu thole dan teman-teman ke embung/waduk tambakboyo, awalnya kita bertiga salah jalur sehingga kita melihat embung tersebut dari atas. Kemudian kita mencoba mencari jalan masuk, dan akhirnya menemukan sebuah gang/jalan kecil masuk menuju ke embung tambakboyo.

Embung ini terintegrasi dengan kawasan kampus, candi gebang dan stadion Sleman. Thole agak lupa kapan pastinya, thole dan teman-teman (Humam Z dan HA) ke embung tambakboyo dalam rangka konon katanya disebut dengan konsolidasi alias obrolan ringan atau bahasa modernnya yaitu diskusi mengenai rencana ke depan, bukan ke belakang. Rencana awal, thole dkk akan pergi untuk mencari makan dan rame-rame menikmati nuansa pemancingan. Akantetapi setibanya di embung tambakboyo, ternyata yang ada warung-warung mie rebus/goreng, kopi, teh dan tidak menemukan adanya seafood,,,hehe.

Keberadaan embung diharapkan dapat menaikkan tinggi permukaan air tanah hingga 30%, sehingga ketika musim kemarau tiba warga tidak perlu menyuntikkan sumurnya (demikian yang thole baca di blog tentang Embung Tambakboyo). Embung tambakboyo ini menampung atau membendung aliran Sungai Tambak dan Sungai Buntung dan genangannya meliputi Desa Wedomartani, Kecamatan Ngemplak dan Desa Condongcatur, Kecamatan Depok, Kabupaten Sleman.

Apabila melihat foto dari udara di atas (gambar 1), dapat diamati penggunaan lahan yang ada di sekitar embung. Silahkan amati dan pergunakan pendekatan Saudara-saudara dalam melihat gambar yang tertangkap oleh kamera tentang fenomena atau kenampakan Embung/Waduk Tambakboyo, Sleman. Ada stadion, lahan sawah, permukiman, dan lain sebagainya.

Could you help thole to do the analysis ???

Thole waiting for the informations and sharing of your analysis...

Gambar 2. Aji Putra Perdana as thole cakep menanti jawaban yang masuk,,,

sumbernya thole dari membaca : http://djogjakarta.blogdetik.com/2009/05/18/embung-tambakboyo-sebagai-tempat-wisata-air dan perjalanan thole ke embung/waduk tambakboyo bersama teman-teman kala cari makan..
sumbernya foto thole dari hasil potretan thole menggunakan kamera rekannya thole (si akang HZ) saat penerbangan dari bali ke jogja pada pagi hari tanggal 8 Agustus 2009 hari sabtu,,,

* ini bukan tulisan geospatial, tapi renungan berfikir dan imajinasi geospatial ala thole cakep*

-end-

"Don’t be silent, do something and smile for Planet of Earth”
by Aji Putra Perdana
"The Transformer of GIS and Remote Sensing“
http://ajiputrap.blogspot.com/

“Dancing in A Globalized, Dancing with Love and Peace for Our Planet of Earth”

by My Little Sister

Salam Hangat,

Mencoba berpikir sederhana untuk memecahkan kerumitan dari sebuah problematika.

Aji Putra Perdana
"The Transformer of GIS and Remote Sensing"
http://ajiputrap.blogspot.com/
http://bumiwisata.blogspot.com/
http://gisresetutor.blogspot.com/
http://ajiputrap.wordpress.com/

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.

Geospatial Imaging for Climate Change

Geospatial Imaging for Climate Change presented in Plenary Sessions : Geospatial Imaging Technologies and Sustainable Development
Map World Forum 2009 - February 10, 2009 HICC, Hyderabad, India

Dr Shailesh Nayak, Secretary
Ministry of Earth Sciences, Government of India, India

The changes in atmospheric concentration of green house gases and aerosols, in solar radiation and land surface properties have altered the energy balance of the climate system of the earth. The increase in green house gases is primarily due to fossil fuel use, land use changes and agriculture. In order to understand the causes of change and their likely impact, the observation needs to encompass atmosphere (cloud properties, radiative energy fluxes, precipitation, aerosol properties, wind, humidity, temperature, etc), atmospheric chemistry, solar radiation, land (land cover, land use changes, vegetation dynamics, soil moisture, etc), ocean (temperature, salinity, phytoplankton, sea surface wind, sea surface topography) and cryosphere (land ice, sea ice, snow cover). During the last thirty years, host of satellites have provided very useful data on many of the above mentioned parameters. Microwave radiometers and optical multispectral data have provided vital data on changes in ice cover on polar regions and glacier retreat on Himalayas. Altimeters provided data on sea-level-rise and on ocean circulation especially during the last fifteen years. Thermal radiometers provided data on rise of sea surface temperature. The growth and decay of ozone hole over the years has been monitored by satellites. It is necessary to evolve a measurement strategy (overlap, sampling, calibration and data continuity) to improve accuracy and scientific content for future satellites.

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