Jawabannyadapat kita temukan pada paper Mohamad Lutfi Ramadhan, Pither Palamba, Yulianto Sulistyo Nugroho, dan rekan lainnya dari Departemen Teknik Mesin, Universitas Indonesia yang meneliti pemadaman kebakaran lahan gambut menggunakan air [5] dan busa [6]. Kabut air (water mist) merupakan salah satu cara pemadaman api dengan air. Kemampuan

Caritahu lebih lanjut bagaimana cara membantu komunitas menangani kebakaran hutan Australia. Dapatkan informasi seputar donasi, dukungan, dan hal lain yang dapat Anda lakukan untuk membantu.

MANADO - Panas terik belakangan ini memunculkan bahaya kebakaran hutan. Langkah antisipatif dilakukan Pemprov Sulawesi Utara di bawah kepemimpinan Olly Dondokambey dan Steven Kandouw. Kepala Dinas Kehutanan Sulut, Jimmy Ringkuangan, mengeluarkan imbauan pada masyarakat untuk tidak membuka lahan pertanian dengan cara membakar. "Hindari membuka perkebunan lahan pertanian dengan cara membakar karena bisa merembes dan mengakibatkan kebakaran hutan,” ujar Jimmy Ringkuangan, Sabtu 10/6/2023. Menurut dia, kebakaran hutan dapat memicu masalah serius. Tak hanya lahan pertanian rusak, tapi juga bisa merugikan petani. Baca juga Daftar Rekomendasi HP Termurah Tahun 2023, Harga di Bawah Rp 1 Juta, Dijual Mulai Rp 300 Ribuan Baca juga Jelang Keberangkatan, Kasdam XIII/Merdeka Beri Pesan Penting ke Satgas Ops Pengamanan Pulau Terluar "Cuaca ekstrem dan musim kemarau yang sedang berlangsung dapat memicu kebakaran hutan yang merembes ke lahan pertanian, menyebabkan kerugian yang serius," katanya. Menurut dia, pembakaran hutan secara sengaja maupun tidak terancam hukuman pidana. Ia mengancam akan memidanakan pelaku pembakaran hutan. Kepala Dinas Kehutanan Sulut, Jimmy Ringkuangan. Dia juga meminta pentingnya menjaga dan melindungi ekosistem hutan dan lahan yang ada di Sulawesi Utara sebagai langkah untuk menjaga keseimbangan emisi gas rumah kaca. “Kita harus menjaga dan melestarikan alam kita demi keseimbangan ekosistem dan keberlangsungan hidup kita. Kita perlu mengambil langkah-langkah konkret untuk mengurangi emisi gas rumah kaca dan mencegah bencana kebakaran hutan dan lahan. Saya mengajak seluruh masyarakat Sulawesi Utara untuk bekerja sama dalam upaya ini,” pungkasnya.* Baca berita lainnya di Google News. Berita terbaru Tribun Manado klik di sini.

Makakayu perlu diawetkan. Selain karena cadangan kayu menipis akibat kebakaran dan pembalakan, luas hutan juga terus menyusut dari tahun ke tahun. Menurut Yusuf Sudo Hadi, guru besar teknologi kayu IPB, sejak 2013 sebanyak 80 persen kebutuhan kayu disuplai dari hutan produksi, yang lebih rentan kerusakannya.

Semua gambarFotosIlustrasiVektorVideoMusikEfek suaraGIFPenggunaOpsi PencarianMediaFotosIlustrasiVektorVideoMusikEfek suaraGIFMenemukanPilihan editorKoleksi TerkurasiGambar PopulerVideo PopulerMusik PopulerPencarian PopulerKomunitasKreatorForumBlogKameraTentangTentang KamiFAQRingkasan LisensiSyarat-syarat servisPrivasiKebijakan CookieAPIČeštinaDanskDeutschEnglishEspañolFrançaisIndonesiaItalianoMagyarNederlandsNorskPolskiPortuguêsRomânăSlovenčinaSuomiSvenskaTürkçeViệtไทยБългарскиРусскийΕλληνική日本語한국어简体中文Semua gambarFotosIlustrasiVektorVideoGIFMusikEfek suaraSemuaDatarTegakLebih besar darixLatar belakang transparanHitam dan putihSemua< 24 jam< 72 jam< 7 hari< 6 bulan< 12 bulanSafeSearchTerkiniPilihan editorSedang trenPaling relevan hutan api pohon alam kayu kayu bakar panas batang pohon membakarGambar tajaan iStock LIMITED DEAL 20% off with PIXABAY20 couponSee more on iStock Gambar-gambar bebas royaltiledakan api hutan alamkebakaran api hutanapi malam musim panaswanita jalur alamrusa jantan sayangmalam hutan koster apikebakaran hutan hutanpohon pohon matitunggul pohon api barakebakaran api merokokpesawat terbang kanadairkayu bakar hutanperubahan iklimhelikopterkebakaran hutanapi unggun ikon tandaapi kayu berkemahpohon ranting daun-daunpohon rantingkayu bakar pohonhutan pohon spanyolapi kebakaran hutanperubahan iklimkebakaran hutanmemotong pohon axe kayukebakaran hutan pohonhitam meniup pembakaranstyggkärretkebakaran hutanrusa hutan apikebakaran hutan malaikatkebakaran hutan apihutan membakarpenggundulan hutan hutanapi unggun apibatang pohon kayu hutanbatang kayu hutan sukukota urbanisasi pohongadis wanita duduk webpohon pantat menebangborneo kebakaran hutankebakaran hutan apipohon rantingwanita gadis walkenpemadam kebakaran apiabu pembakaranpohon ledakan hutankolam danau hutanhebat api berbahayakayu catatan alamrawa jelek cagar alamkayu tumpukankebakaran hutan hutanmonyet bayiapi pohon hutancolorado lanskap hutankayu kayu bakarjalur jalur hutan akarkebakaran hutan apihutan api wanita alamapi unggun panas apiapi kebakaran hutanpetualangan ransel tasapi kamp panaspemadam kebakarankebakaran hutanpohon rantingwanita muda kayu bakarweb danau hutan alamnyala api cocokbencana bahayakayu industri kayuberkemah api api unggunpohon rantingpadang rumputjantung kayubatang pohon kayu masukapi kebakaran hutankebakaran hutanPembakaran Konservasi ... kebakaran hutan apibahaya kebakarankeberlanjutan energikebakaran hutanhutan sinar sinar dewakeadaan darurat bencanaapi panas lampupemadam kebakarankapak sog senjatarusa jantan sayanghutan pohonpohon merokok kayubatang pohon kayu hutankapak pedang alat kayukoster kayu bakar batukebakaran hutan apihutan dingin alamtampak kayu bekerjapohon yang rusakkebakaran gunung1-100 dari 1,068 gambar-gambar Laman Selanjutnya / 11Gambar tajaan iStock LIMITED DEAL 20% off with PIXABAY20 couponSee more on iStock

Saya menggambar spesies burung Ribbon Tailed di London, Shoreditch. Ini menunjukkan burung-burung emas cenderawasih terbang melarikan diri dari buldoser dan kebakaran hutan serta sejumlah spesies burung Jika saya dapat membantu menyebarkan kata untuk burung-burung menakjubkan ini dengan cara sekecil apa pun itu adalah mimpi yang

ArticlePDF AvailableAbstract and FiguresIntisariKebakaran hutan dan lahan terjadi hampir setiap tahun di Indonesia, terutama di wilayah Sumatera dan Kalimantan saat musim kemarau. Deteksi kebakaran hutan dan lahan dengan citra satelit menggunakan indikator yang disebut titik panas. Titik panas yang digunakan saat ini di Indonesia diperoleh dari pengolahan data citra satelit berorbit polar MODIS dan VIIRS dengan resolusi temporal yang rendah, yaitu hanya 6 kali dalam sehari. Tujuan dari penelitian ini adalah memanfaatkan data citra satelit Himawari-8 untuk deteksi kebakaran hutan dan lahan yang menghasilkan titik panas dengan resolusi temporal 10 menit, dimana hasilnya di validasi dengan citra polar dan data kebakaran lapangan. Lokasi penelitian berada di Provinsi Kalimantan Tengah dan waktu penelitian adalah bulan September 2019. Data yang digunakan untuk pengolahan adalah 5 saluran Advanced Himawari Imager, peta batas administrasi dan tutupan lahan. Pemrosesan data citra satelit mencakup pemilihan piksel penutup lahan dan batas administrasi, penentuan waktu pengamatan, eliminasi piksel awan, Algoritma Pemantau Kebakaran Aktif, dan validasi hasil. Data citra Himawari-8 dapat diolah menjadi titik panas dengan temporal 10 menit. Validasi terhadap citra polar memiliki tingkat akurasi 66,2%-75,4%, comission error 28,2-46,9% dan omission error 24,6-33,8%. Tingginya comision error terhadap citra VIIRS dikarenakan citra VIIRS memiliki resolusi spasial yang jauh lebih tinggi dibandingkan dengan citra Himawari-8. AbstractForest and land fires occur almost every year in Indonesia, especially in Sumatra and Kalimantan during the dry season. Detection of forest and land fires with satellite imagery uses an indicator called a hotspot. The hotspots used today in Indonesia are obtained from the processing of polar orbital satellite image data MODIS and VIIRS with a low temporal resolution, which is only six times a day. The purpose of this study is to utilize Himawari-8 satellite imagery data for the detection of forest and land fires that produce hotspots with a temporal resolution of 10 minutes, where the results are validated with polar imagery and field fire data. The research location is in Central Kalimantan Province, and the time of the study is September 2019. Data used for processing are 5 Advanced Himawari Imager channels, administrative boundary maps, and land cover. Processing of satellite imagery data includes the selection of cover pixels and administrative boundaries, determination of observation time, elimination of cloud pixels, Active Fire Monitoring Algorithm, and validation of results. Himawari-8 image data can be processed into hotspots with a temporal 10 minutes. Validation of polar images has an accuracy rate of commission error and omission error The high commission error on the VIIRS image is because the VIIRS image has a much higher spatial resolution compared to the Himawari-8 - uploaded by Alpon SepriandoAuthor contentAll figure content in this area was uploaded by Alpon SepriandoContent may be subject to copyright. Discover the world's research25+ million members160+ million publication billion citationsJoin for freeContent may be subject to copyright. Jurnal Sains & Teknologi Modifikasi Cuaca, 2019 79 – 89 79 DETEKSI KEBAKARAN HUTAN DAN LAHAN MENGGUNAKAN CITRA SATELIT HIMAWARI-8 DI KALIMANTAN TENGAH Forest and Land Fires Detection Using Himawari-8 Satellite Imagery in Central Kalimantan Alpon Sepriando1,3*, Hartono2, Retnadi Heru Jatmiko2 1 Program Studi Magister Penginderaan Jauh, Fakultas Geografi, Universitas Gadjah Mada 2 Departemen Sains Informasi Geografi, Fakultas Geografi, Universitas Gadjah Mada 3 Badan Meteorologi Klimatologi dan Geofisika, Jl. Angkasa I Kemayoran Jakarta Pusat 10720 *E-mail Intisari Kebakaran hutan dan lahan terjadi hampir setiap tahun di Indonesia, terutama di wilayah Sumatera dan Kalimantan saat musim kemarau. Deteksi kebakaran hutan dan lahan dengan citra satelit menggunakan indikator yang disebut titik panas. Titik panas yang digunakan saat ini di Indonesia diperoleh dari pengolahan data citra satelit berorbit polar MODIS dan VIIRS dengan resolusi temporal yang rendah, yaitu hanya 6 kali dalam sehari. Tujuan dari penelitian ini adalah memanfaatkan data citra satelit Himawari-8 untuk deteksi kebakaran hutan dan lahan yang menghasilkan titik panas dengan resolusi temporal 10 menit, dimana hasilnya di validasi dengan citra polar dan data kebakaran lapangan. Lokasi penelitian berada di Provinsi Kalimantan Tengah dan waktu penelitian adalah bulan September 2019. Data yang digunakan untuk pengolahan adalah 5 saluran Advanced Himawari Imager, peta batas administrasi dan tutupan lahan. Pemrosesan data citra satelit mencakup pemilihan piksel penutup lahan dan batas administrasi, penentuan waktu pengamatan, eliminasi piksel awan, Algoritma Pemantau Kebakaran Aktif, dan validasi hasil. Data citra Himawari-8 dapat diolah menjadi titik panas dengan temporal 10 menit. Validasi terhadap citra polar memiliki tingkat akurasi 66,2%-75,4%, comission error 28,2-46,9% dan omission error 24,6-33,8%. Tingginya comision error terhadap citra VIIRS dikarenakan citra VIIRS memiliki resolusi spasial yang jauh lebih tinggi dibandingkan dengan citra Himawari-8. Kata Kunci Himawari-8, Kebakaran, Hotspot, MODIS, VIIRS. Abstract Forest and land fires occur almost every year in Indonesia, especially in Sumatra and Kalimantan during the dry season. Detection of forest and land fires with satellite imagery uses an indicator called a hotspot. The hotspots used today in Indonesia are obtained from the processing of polar orbital satellite image data MODIS and VIIRS with a low temporal resolution, which is only six times a day. The purpose of this study is to utilize Himawari-8 satellite imagery data for the detection of forest and land fires that produce hotspots with a temporal resolution of 10 minutes, where the results are validated with polar imagery and field fire data. The research location is in Central Kalimantan Province, and the time of the study is September 2019. Data used for processing are 5 Advanced Himawari Imager channels, administrative boundary maps, and land cover. Processing of satellite imagery data includes the selection of cover pixels and administrative boundaries, determination of observation time, elimination of cloud pixels, Active Fire Monitoring Algorithm, and validation of results. Himawari-8 image data can be processed into hotspots with a temporal 10 minutes. Validation of polar images has an accuracy rate of commission error and omission error The high commission error on the VIIRS image is because the VIIRS image has a much higher spatial resolution compared to the Himawari-8 image. Keywords Himawari-8, Fires, Hotspot, MODIS, VIIRS. 1. PENDAHULUAN Kebakaran hutan dan lahan terjadi hampir setiap tahun di Indonesia, terutama di wilayah Sumatera dan Kalimantan Yulianti et al., 2013. Salah satu provinsi yang banyak mengalami kebakaran hutan dan lahan adalah Kalimantan Tengah. Berdasarkan data Kementerian Lingkungan Hidup dan Kehutanan KLHK, 2019 luas kebakaran hutan dan lahan tahun 2018 di Kalimantan Tengah mencapai hektar, bahkan pada tahun 2015 luas kebakaran mencapai hektar. 80 Deteksi Kebakaran Hutan dan Lahan… Alpon Sepriando, et al Deteksi kebakaran menggunakan citra pengideraan jauh telah dilakukan pada akhir tahun 1970-an dan awal tahun 1980-an menggunakan citra Landsat Milne, 1986 dan citra satelit NOAA AVHRR Matson & Dozier, 1981. Monitoring titik panas yang digunakan saat ini di Indonesia menggunakan satelit bertipe polar yaitu satelit Terra, Aqua dan Suomi NPP LAPAN, 2016. Satelit Terra dan Aqua menggunakan sensor MODIS Moderate Resolution Imaging Spectroradiometer dan satelit Suomi NPP menggunakan sensor VIIRS Visible Infrared Imaging Radiometer Suite untuk deteksi kebakaran hutan dan lahan. Satelit Terra, Aqua dan Suomi NPP melakukan perekaman pada lokasi yang sama sebanyak 2 kali dalam satu hari, sehingga dalam satu hari ketiga satelit menghasilkan 6 data perekaman. Selain frekuensi observasi yang rendah, masalah lain adalah proses akuisisi hingga menjadi informasi titik panas memerlukan waktu 2-3 jam. Lamanya perolehan informasi titik panas merupakan kendala dalam penanggulangan kebakaran hutan dan lahan karena informasi yang terlambat dapat menyebabkan kebakaran hutan dan lahan semakin meluas dan sulit untuk dipadamkan. Penelitian menggunakan citra satelit geostasioner pertama kali diteliti pada citra satelit GOES-8 tahun 1989 dan diaplikasikan tahun 1992 dengan nama Automated Biomass Burning Algorithm ABBA Schmidt & Prins, 2003 menggunakan saluran inframerah tengah dan inframerah yang telah umum digunakan saat ini. Satelit geostasiner yang telah diterapkan untuk mendeteksi kebakaran adalah seri satelit Geostationary Operational Environmental Satellite-R GOES-R untuk wilayah Amerika, satelit Meteosat untuk wilayah Eropa dan Afrika dan MTSAT untuk sebagian besar wilayah Asia dan Australia. The Wildfire Automated Biomass Burning Algorithm WF_ABBA merupakan algoritma yang digunakan dalam mendeteksi kebakaran menggunakan satelit geostasioner. Titik panas yang dihasilkan dari citra satelit geostasioner dengan menggunakan metode WF_ABBA bila dibandingkan dengan titik panas dengan citra satelit MODIS, hasilnya secara umum akurasinya lebih rendah dari MODIS namun memiliki keunggulan, dimana lebih banyak kebakaran yang dapat dideteksi karena frekuensi observasi yang tinggi Hyer et al., 2013. Pada perkembangannya WF_ABBA mengalami berbagi modifikasi misalkan AFMA Active Fire Monitoring Algorithm Hassini et al., 2009 yang digunakan pada citra satelit Meteosat SEVIRI. AFMA memanfaatkan saluran inframerah tengah dan inframerah jauh sebagai saluran utama, serta dalam pengolahan menggunakan deviasi standar pada masing-masing saluran untuk mengurangi kesalahan deteksi. Satelit Himawari-8 merupakan satelit generasi penerus dari satelit MTSAT-2 yang diluncurkan pada 7 Oktober 2014 dan beroperasi sejak 7 Juli 2015 Bessho et al., 2016. Fatkhuroyan et al. 2017 melakukan penelitian dengan memanfaatkan citra satelit Himawari-8 untuk mendeteksi kebakaran hutan dan lahan di Kalimantan dan Sumatera menggunakan metode komposit RGB. Kebakaran hutan dan lahan diidentifikasi dari sebaran asap yang dihasilkan pada olahan citra dan dikonfirmasi dengan titik panas dari citra MODIS. Penelitian lain dilakukan oleh Fitriana et al. 2018 yang menggunakan pola spektral untuk mendeteksi kebakaran hutan dan lahan di pulau Sumatera, didapatkan citra satelit Himawari-8 memiliki kemampuan yang baik dalam deteksi kebakaran, ditunjukkan dengan pola yang jelas pada saluran 3 inframerah dekat dan 7 inframerah tengah. Namun dua penelitian diatas belum menghasilkan titik panas. Oleh karena itu diperlukan kajian lebih lanjut terkait dengan deteksi kebakaran hutan dan lahan dengan menggunakan citra satelit Himawari-8, terutama di wilayah Kalimantan Tengah yang rawan terjadinya kebakaran hutan dan lahan. Tujuan dari penelitian ini adalah memanfaatkan citra satelit geostasioner Himawari-8 Advanced Himawari Imager AHI yang memiliki resolusi temporal tinggi untuk deteksi kebakaran hutan dan lahan berupa titik panas dan menguji akurasinya. 2. METODE Lokasi Penelitian Gambar 1. Lokasi Penelitian Lokasi penelitian dilakukan pada Provinsi Kalimantan. Secara geografis, Kalimantan terletak antara 0°45’ Lintang Utara, 3°30’ Lintang Selatan dan 111° - 116° Bujur Timur. Provinsi Kalimantan Tengah merupakan provinsi terluas kedua di Indonesia memiliki luas wilayah mencapai Km² dengan ibukota Palangka Raya. Wilayahnya terdiri dari Kawasan Hutan Ha atau 82,16% dan kawasan Non Kehutanan Ha atau 17,84%. Dokumen Grand Design Pencegahan Kebakaran Hutan, Kebun dan Lahan yang dikeluarkan oleh Kementerian Koordinator Bidang Perekonomian, Kementerian Perencenaan Pembangunan Nasional/BAPPENAS dan Jurnal Sains & Teknologi Modifikasi Cuaca, 2019 79 – 89 81 Kementerian Lingkungan Hidup dan Kehutanan menyatakan Kalimantan Tengah merupakan salah satu provinsi yang rawan terhadap kebakaran hutan dan lahan, propinsi lainnya adalah Riau, Jambi, Sumatera Selatan, Kalimatan Barat, Kalimantan Timur, Kalimantan Selatan dan Kalimantan Utara. Data Penelitian Waktu penelitian kebakaran hutan dan lahan tahun 2019 berdasarkan jumlah titik panas MODIS dan VIIRS tertinggi yaitu bulan September. Data yang digunakan meliputi 1. Citra Satelit Himawari-8 Advanced Himawari Imager dari Badan Meteorologi Klimatologi dan Geofisika BMKG yang merupakan instansi resmi pemerintah yang bekerja sama dengan Badan Meteorologi Jepang JMA dalam penyediaan data citra Himawari-8. Data citra Himawari-8 merupakan data utama dalam penelitian karena berguna untuk pengolahan citra yang menghasilkan titik panas. Data tersebut berformat SATAID Satellite Animation and Interactive Diagnosis yang telah terkoreksi radiometrik dan geometrik. Kajian ini menggunakan 5 saluran band dari 16 saluran Japan Meteorological Agency, 2015 yang tersedia seperti disajikan pada Tabel 1. 2. Data titik panas MODIS dan VIIRS yang diperoleh dari laman FIRMS NASA yang berisi koordinat lokasi, suhu kecerahan, waktu akusisi, jenis satelit, jenis sensor, tingkat kepercayaan, versi algoritma, suhu kecerahan pada saluran termal dan fire radiative power. 3. Citra MODIS dan VIIRS True Color untuk siang hari dan inframerah termal untuk malam hari yang diperoleh dari laman Earthdata NASA Citra digunakan untuk melihat liputan awan dan sebaran asap. 4. Peta penutup lahan tahun 2011 provinsi Kalimantan Tengah skala 1 Peta diperoleh dari Kementerian Lingkungan Hidup dan Kehutanan KLHK. 5. Peta Rupa Bumi Indonesia RBI batas administrasi skala 1 tahun 2015. Peta diperoleh dari Badan Informasi Geospasial BIG. Tabel 1. Saluran citra Himawari-8 yang digunakan dalam Pengolahan Gambar 2. Diagram alir penelitian 82 Deteksi Kebakaran Hutan dan Lahan… Alpon Sepriando, et al Cara Kerja Penelitian ini mengadopsi AFMA Active Fire Monitoring Algorithm Hassini et al., 2009 untuk memperoleh titik panas dari satelit geostasioner. Metode AFMA memiliki kelemahan karena adanya peringatan palsu atau false alarm yang disebabkan dari anomali suhu urban dan pantulan pada air atau awan. Untuk itu diperlukan tambahan proses untuk memperbaiki hasilnya, yaitu dengan menggunakan peta penutup lahan. Penelitian ini terdiri dari 5 proses yaitu seleksi penutup lahan, penentuan waktu observasi, masking awan, active fire monitoring algorithm, validasi hasil seperti pada Gambar 2. Perangkat lunak yang digunakan untuk pengolahan adalah bahasa program Python versi yang berjalan pada sistem operasi Windows 10. Modul atau pustaka tambahan yang digunakan adalah Numpy untuk pengolahan data multidimensi, Matplotlib untuk pemetaan dan pembuatan grafik, Basemap untuk ekstensi peta dasar dari Matplotlib, OGR/GDAL untuk pengolahan data spasial dan Pandas untuk analisis data. Seleksi Penutup Lahan Langkah pertama adalah menyeleksi peta tutupan lahan pada area kajian. Jenis tutupan yang dipilih adalah hutan lahan kering primer, hutan lahan kering sekunder, hutan mangrove primer, hutan mangrove sekunder, hutan rawa primer, hutan rawa sekunder, hutan tanaman industri HTI, perkebunan, permukiman, pertanian lahan kering, pertanian lahan kering bercampur dengan semak, rawa, savana, sawah, semak/belukar, rawa, tanah terbuka dan tambak, sedangkan tutupan lahan yang tidak dipilih adalah transmigrasi, tubuh air, tambak, pertambangan, awan. Jenis tutupan lahan terpilih untuk membedakan area yang merupakan area yang termasuk dalam kebakaran hutan dan lahan, serta untuk meminimalisir kesalahan deteksi pada tahap lainnya. Setelah mendapatkan tutupan lahan terpilih, dilakukan pemotongan area pada citra Himawari-8 dengan menggunakan peta tutupan lahan terpilih. Hasil pemotongan ini menghasilkan piksel citra Himawari-8 yang hanya pada area terpilih. Koordinat piksel terpilih disimpan dalam file agar dapat digunakan untuk pengolahan citra Himawari-8 secara multitemporal pada proses berikutnya. Penentuan Waktu Observasi Satu citra Himawari-8 memiliki waktu observasinya berbeda, dimana perbedaan waktu observasi akan membedakan nilai ambang batas pada proses berikutnya. Waktu observasi dibagi menjadi 3, yaitu siang, malam dan peralihan. Perbedaan observasi siang dan malam hari berdasarkan sudut zenit matahari atau solar zenith angle SZA seperti pada Gambar 3, sudut zenit matahari kurang dari sama dengan 700 menyatakan waktu observasi pada piksel adalah siang hari, SZA lebih besar sama dengan 900 berarti pada waktu malam hari, sedangkan SZA antara 700 hingga 900 berarti waktu observasi peralihan antara siang dan malam hari atau sebaliknya. Sudut zenit matahari  dihitung berdasarkan tanggal, waktu dan koordinat lintang piksel NOAA, Untuk menghitung SZA digunakan persamaan berikut       ...1    ...2    ...3       ...4 dengan  = lintang 0  = sudut deklinasi matahari 0 J = tanggal julian h = sudut waktu 0 t = fraksi waktu dalam UTC hh = jam mm = menit ss = detik Gambar 3. Ilustrasi sudut zenit matahari. Sumber Mackay Masking Awan Setelah mendapatkan piksel penutup lahan terpilih dan penentuan waktu observasi, langkah selanjutnya adalah masking awan. Masking awan berguna untuk menghilangkan piksel awan pada citra yang akan diproses. Proses ini mengadopsi metode yang digunakan pada citra MODIS Giglio et al., 2016, dengan persamaan a. Kondisi siang hari RVS + RN1 > atau BTIR dan BTIR < 2850 K …5 Jurnal Sains & Teknologi Modifikasi Cuaca, 2019 79 – 89 83 dengan RVS = reflektansi saluran VS RN1 = reflektansi saluran N1 BTIR = suhu kecerahan saluran IR Kelvin b. Kondisi malam hari BTIR < 2650 K …6 Active Fire Monitoring Algorithm Proses selanjutnya adalah mengidentifikasi piksel yang berpotensi sebagai titik panas. Terdapat perbedaan nilai ambang batas pada kondisi siang, malam dan peralihan. Perbedaan waktu observasi berdasarkan sudut zenit matahari atau solar zenith angle SZA. Perbedaan waktu observasi berpengaruh pada nilai ambang batas, misalkan untuk siang hari suhu kecerahan saluran IR BTI4 yang berpotensi kebakaran adalah lebih besar dari 3150 K, sedangkan untuk malam hari BTI4 lebih besar dari 2900 K. Perbedaan nilai ambang batas ini disebabkan perbedaan sumber energi yang diterima objek, pada siang hari suhu kecerahan objek berasal dari energi radiasi matahari dan bumi, sedangkan pada malam hari hanya dari emisi permukaan bumi. Persaamaan untuk siang hari sebagai berikut dimana SdevBTI4 = deviasi standar 3x3 piksel sekitarnya pada saluran I4 Kelvin SdevBTIR = deviasi standar 3x3 piksel sekitarnya pada saluran IR Kelvin Nilai ambang batas pada persamaan 7 sampai dengan 10 berlaku untuk siang hari, jika malam hari ambang batasnya masing-masing adalah 290, 4, 2 dan 5. Penentuan nilai ambang batas pada waktu observasi peralihan menggunakan interpolasi antara SZA siang dan SZA malam dengan nilai ambang batas masing-masing. Penentuan nilai ambang batas peralihan adalah       dengan  = suhu kecerahan pada waktu observasi peralihan  = nilai ambang batas suhu kecerahan malam hari, bernilai 2900 K  = nilai ambang batas suhu kecerahan siang hari, bernilai 3150 K  = sudut zenit matahari malam hari, bernilai 900  = sudut zenit matahari malam hari, bernilai 700 Proses hingga menghasilkan titik panas, dimana koordinat titik panas merupakan titik tengah dari piksel yang diidentifikasi sebagai kebakaran hutan dan lahan. Ilustrasi dari perbandingan lokasi titik panas dengan kebakaran di lapangan disajikan pada Gambar 4. Gambar 4. Ilustrasi penentuan koordinat hotspot Himawari-8. sumber Modifikasi dari FIRMS NASA, 2019 Lokasi kebakaran tidak selalu tepat dengan koordinat hotspot seperti pada Gambar 4. Terdapat 3 contoh, pertama sebuah kebakaran terjadi pada titik tengah piksel, maka koordinat piksel sama dengan lokasi kebakaran. Contoh kedua, kebakaran lebih dari satu lokasi dan kebakaran tidak tepat berada di tengah piksel, maka koordinat piksel tetap berada pada titik tengah piksel. Contoh ketiga, kebakaran besar terjadi pada persimpangan piksel, maka koordinat piksel adalah pada masing - masing titik tengah piksel yang bersinggungan. Titik panas ditumpang-susun dengan citra RGB komposit asap, metode RGB komposit berdasarkan kajian yang dilakukan oleh Fatkhuroyan et al. 2017 yang dilakukan dalam deteksi kebakaran hutan dan lahan di Pulau Sumatera dan Kalimantan. RGB asap menggunakan 3 kanal yaitu VS merah, N1 hijau dan N3 biru. Asap terlihat dengan penampakan visual berwarna kecokelatan. Kombinasi titik panas dan sebaran asap dapat mengkonfirmasi bahwa suatu area mengalami kebakaran. Validasi Hasil Titik panas Himawari-8 dengan resolusi spasial 2 km divalidasi dengan titik panas MODIS dan VIIRS yang memiliki resolusi spasial yang lebih tinggi yaitu masing-masing 1 km dan 375 meter. Akurasi dan kesalahan titik panas yang dihasilkan dari pengolahan citra Himawari-8 diperoleh dengan membandingkan dengan titik panas dari citra MODIS dan VIIRS pada waktu akuisi yang sama atau berdekatan. Teknik validasi 84 Deteksi Kebakaran Hutan dan Lahan… Alpon Sepriando, et al antar satelit yang digunakan mengacu pada kajian yang dilakukan oleh Wickramasinghe et al. 2018 dengan persamaan        12 dimana d adalah maksimum jarak titik antara titik tengah piksel citra MODIS/VIIRS dengan AHI dalam meter, adalah panjang diagonal piksel citra MODIS/VIIRS, adalah panjang diagonal piksel citra Himawari-8 dan 500 panjang maksimum penyangga/buffer citra Himawari-8. Untuk mengukur tingkat akurasi dan kesalahan digunakan tabel error matrix seperti metode yang digunakan oleh Manyangadze 2009 seperti berikut. Tabel 2. Error Matrix Tabel 2 akan menghasilkan tingkat akurasi berupa Percentage Correct PC, Comission Error CE dimana terdapat hotspot Himawari-8 tetapi tidak ada hotspot MODIS/VIIRS dan Omission Error dimana terdapat hotspot MODIS/VIIRS namun tidak terdapat titik panas Himawari-8. 3. HASIL DAN PEMBAHASAN Citra Himawari-8 diolah pada rentang bulan September 2019. Pada bahasan dibawah diberikan contoh untuk kasus tanggal 5 September 2019 pukul UTC untuk kasus siang hari yang disesuaikan dengan waktu akuisisi citra VIIRS di wilayah Kalimantan Tengah. Kesesuaian waktu akuisisi citra Himawari-8 dengan citra VIIRS untuk keperluan validasi pada tahap akhir. Gambar 5. Piksel terpilih untuk penutup lahan. Wilayah Kalimantan Tengah berdasarkan citra Himawari-8 dengan resolusi spasial memiliki piksel. Hasil seleksi piksel berdasarkan penutup lahan didapakan piksel seperti tersaji pada Gambar 5. Terdapat 632 piksel yang tereliminasi. Penentuan waktu observasi pada tanggal 5 September 2019 pukul UTC menunjukkan semua piksel berada pada kondisi siang hari seperti tersaji pada Gambar 6. Nilai sudut zenit matahari kurang dari 700 yaitu pada rentang 100-200, sehingga pada proses berikutnya semua piksel diproses menggunakan nilai ambang batas untuk siang hari. Gambar 6. Sudut zenit matahari Hasil pengolahan masking awan Gambar 7 terdapat 310 piksel awan, sehingga terdapat piksel terpilih pada proses ini. Namun demikian nilai 310 merupakan piksel awan setelah proses seleksi penutup awan, sehingga memungkinkan terdapat piksel awan yang berada pada piksel penutup lahan yang tidak terpilih. Pada citra saluran Inframerah jauh IR terlihat pada sebagian kecil area berwarna putih dengan suhu kurang dari 2650 Kelvin yang mengindikasikan pada area tersebut tertutup awan. Gambar 7. Piksel terpilih untuk masking awan. Jurnal Sains & Teknologi Modifikasi Cuaca, 2019 79 – 89 85 Gambar 8. Seleksi piksel proses AFMA a tahap 1, b tahap 2, c tahap 3, dan d tahap 4. Tabel 3. Hasil Overlay Titik Panas dan Batas Administrasi. AFMA memiliki 4 tahap Gambar 8 berdasarkan nilai ambang batas. Pada tahap pertama Gambar mendapatkan 436 piksel, yang berarti dari piksel proses sebelumnya hanya 436 piksel yang memiliki nilai lebih dari 3150 Kelvin pada saluran inframerah tengah I4. Tahap kedua Gambar menghasilkan 202 piksel terpilih, yang berarti piksel citra inframerah tengah pada masing-masing pikselnya terhadap piksel sekitar 3x3 piksel deviasi standarnya yang lebih besar dari 40 Kelvin sebanyak 234 piksel. Tahap ketiga Gambar menghasilkan 202 piksel terpilih, artinya piksel citra inframerah jauh pada masing-masing pikselnya terhadap piksel sekitar 3x3 piksel deviasi standarnya yang lebih besar dari 20 Kelvin adalah 0 piksel. Nilai 0 berarti tidak terdapat eliminasi piksel, karena tidak ada syarat piksel yang memenuhi. Tahap keempat menghasilkan 189 piksel, berarti terdapat 45 piksel yang tereliminasi pada proses selisih inframerah jauh dan inframerah tengah yang lebih besar dari 100 Kelvin. Piksel terpilih pada proses akhir Gambar adalah 189, nilai ini menunjukkan titik panas yang dihasilkan adalah 189 titik. Kemudian titik panas ini ditumpang susun overlay dengan peta batas administrasi hingga tingkat kecamatan. Tujuan dari proses ini adalah untuk memudahkan dalam identifikasi lokasi titik panas. Contoh hasil dari proses overlay seperti yang disajikan pada Tabel 3. Tabel berisi koordinat lokasi, waktu, jam, suhu kecerahan saluran inframerah tengah TI4, reflektansi saluran visibel RVS, reflektansi saluran inframerah dekat-1 RN1, provinsi, kabupaten dan kecamatan. Berdasarkan batas administrasi didapatkan titik panas tertinggi berada di Kabupaten Kotawaringin Timur sebanyak 60 titik dan Kabupaten Seruyan 35 titik. 86 Deteksi Kebakaran Hutan dan Lahan… Alpon Sepriando, et al Gambar 9. Titik PANAS citra a Himawari-8 siang, b VIIRS siang, c Himawari-8 malam, dan d MODIS malam. Titik panas yang dihasilkan juga ditumpang susun dengan citra komposit RBG 3-4-6 untuk melihat liputan awan, daerah bervegetasi dan sebaran asap seperti pada Gambar Interpretasi citra komposit liputan awan berwarna putih, vegetasi berwarna hijau dan asap berwarna cokelat. Pada citra yang ditumpang susun dengan titik panas terlihat bahwa terdapat titik panas yang disertai dengan sebaran asap disekitarnya di Kabupaten Kotawaringin Barat bagian selatan, kondisi ini mengkonfirmasi di daerah tersebut terjadi kebakaran hutan dan lahan. Contoh lain dari adanya titik panas dan asap berada di Kabupaten Pulang Pisau bagian selatan, dimana asapnya menyebar hingga ke Kabupaten Katingan. Langkah selanjutnya titik panas dan citra komposit RGB 3-4-6 Himawari-8 dibandingan dengan titik panas dan citra true color VIIRS Gambar pada waktu akuisisi yang hampir sama. Secara analisis visual, terlihat kesamaan pola sebaran titik panas dari kedua citra, namun terdapat perbedaan jumlah titik panas. Titik panas VIIRS berjumlah titik, jumlahnya jauh lebih banyak dibandingkan dengan titik panas Himawari-8 yang hanya berjumlah 189 titik. Perbedaan jumlah titik panas disebabkan oleh perbedaan resolusi spasial, citra Himawari-8 memiliki resolusi spasial 2 km sedangkan citra VIIRS memiliki resolusi spasial 375 meter. Semakin besar resolusi spasial, semakin baik citra satelit dalam identifikasi objek. Kebakaran dengan luasan lebih kecil dapat diidentifikasi dengan citra VIIRS dibandingkan citra Himawari-8. Contoh lain untuk deteksi kebakaran hutan dan lahan adalah untuk kasus malam hari yaitu pukul UTC tanggal 5 September 2019. Sebaran asap tidak dapat dideteksi dengan citra satelit Himawari-8 pada malam hari karena identifikasi sebaran asap memerlukan nilai reflektansi dari saluran visibel dan inframerah dekat. Sebagai pengganti, digunakan saluran inframerah jauh untuk melihat liputan awan pada malam hari. Citra Himawari-8 mendeteksi 89 titik panas Gambar sedangkan citra MODIS mendeteksi sebanyak 96 titik panas Gambar Jurnal Sains & Teknologi Modifikasi Cuaca, 2019 79 – 89 87 Gambar 10. Peta validasi titik panas Himawari-8 terhadap a VIIRS-siang dan b MODIS-malam. Langkah terakhir pengolahan citra Himawari-8 menjadi titik panas adalah adalah validasi titik panas Himawari-8 terhadap titik panas VIIRS dan MODIS. Pada Gambar terlihat bahwa tingkat akurasi percentage correct titik panas Himawari-8 terhadap VIIRS untuk kasus siang hari adalah 81%, sedangkan tingkat kesalahannya untuk commission error dan omission error 19%. Tingkat akurasi titik panas Himawari-8 terhadap MODIS untuk kasus malam hari adalah 84,3%, sedangkan tingkat kesalahannya untuk commission error 12,5% dan omission error 15,7%. Setelah mendapatkan titik panas Himawari-8 dan validasinya untuk dua contoh kasus, selanjutnya dilakukan pembuatan titik panas dalam rentang waktu 1 hari dengan temporal 10 menit. Kondisi ideal frekuensi data berjumlah 144, namun terdapat kendala kelengkapan data, sehingga hanya dihasilkan 139 data titik panas seperti pada Gambar 11. Pola umum jumlah titik panas adalah naik dari pukul UTC dan mencapai puncaknya pukul UTC sebanyak 227 titik, kemudian turun hingga pukul UTC menjadi 98 titik, kemudian kembali naik dengan puncak tertinggi kedua pukul UTC sebanyak 184 titik. Setelah itu, titik panas terus menurun hingga pukul UTC dengan jumlah titik panas 12 titik. Data yang diproses selama bulan September 2019 seperti yang tersaji pada Gambar 12 menunjukkan bahwa tingkat akurasi dan kesalahan titik panas Himawari-8 terhadap titik panas MODIS dan VIIRS bervariasi dengan jumlah titik panas yang dihasilkan berjumlah titik. Jumlah titik panas yang sesuai dengan titik panas MODIS dan VIIRS berjumlah 7905 titik. Titik panas Himawari-8 terhadap titik panas MODIS memiliki tingkat akurasi percentage correct/PC 66,2% dan tingkat kesalahan untuk commission error CO 28,2% dan omission error OE 33,8%. Titik panas Himawari-8 terhadap titik panas VIIRS memiliki akurasi 75,4%, sedangkan tingkat kesalahan untuk commission error 46,9% dan omission error 24,6%. Tingkat akurasi titik panas Himawari-8 terhadap VIIRS lebih baik dibandingkan dengan titik panas Himawari-8 terhadap MODIS, namun tingkat kesalahan titik panas Himawari-8 terhadap MODIS lebih kecil dibandingkan dengan titik panas terhadap VIIRS. Gambar 11. Jumlah titik panas Himawari-8 tanggal 5 September 2019 temporal 10 menit. 88 Deteksi Kebakaran Hutan dan Lahan… Alpon Sepriando, et al Gambar 12. Validasi titik panas Himawari-8 bulan September 2019 terhadap titik panas a MODIS dan b VIIRS. 4. KESIMPULAN Dari uraian diatas dapat ditarik kesimpulan sebagai berikut 1. Citra Himawari-8 dapat diolah menjadi titik panas hotspot untuk identifikasi kebakaran hutan dan lahan dengan resolusi spasial 2 km dan resolusi temporal 10 menit. 2. Validasi titik panas Himawari-8 terhadap titik panas MODIS dan VIIRS mendapatkan tingkat akurasi 66,2% terhadap MODIS dan 75,4% terhadap VIIRS. Nilai commission error terhadap titik panas MODIS adalah 28,2% dan omission error 33,8%, sedangkan nilai commission error terhadap titik panas VIIRS adalah 46,9% dan omission error 24,6%. Tingginya commission error terhadap titik panas VIIRS dikarenakan citra VIIRS memliliki resolusi spasial yang jauh lebih tinggi dibandingkan dengan citra Himawari-8. 5. DAFTAR PUSTAKA Bessho, K., Date, K., Hayashi, M., Ikeda, A., Imai, T., Inoue, H., Kumagai, Y., Miyakawa, T., Murata, H., Ohno, T., Okuyama, A., Oyama, R., Sasaki, Y., Shimazu, Y., Shimoji, K., Sumida, Y., Suzuki, M., Taniguchi, H., Tsuchiyama, H. Uesawa, D., Yokota, H., Yoshida, R. 2016. An Introduction to Himawari-8/9 Japans New-Generation Geostationary Meteorological Satellites. Journal of the Meteorological Society of Japan. Ser. II, 942, 151–183. doi Fatkhuroyan., Wati, T., Panjaitan, A. 2017. Forest Fires Detection in Indonesia Using Satellite Himawari-8 Case Study Sumatera and Kalimantan on August-October 2015. IOP Conference Series Earth and Environmental Science, 54, 012053. doi Fitriana, Sulma, S., Zubaidah, A., Suwarsono., Prasasti, I. 2018. Spectral Analysis of the Himawari-8 Data for Hotspot Detection from Land/Forest Fires in Sumatra. International Journal of Remote Sensing and Earth Sciences, 151, 15-28. doi Giglio, L., Schroeder, W., Justice, 2016. The Collection 6 MODIS Active Fire Detection Algorithm and Fire Products. Remote Sensing of Environment, 178, 31–41. doi Jurnal Sains & Teknologi Modifikasi Cuaca, 2019 79 – 89 89 Hassini, A., Benabdelouahed, F., Noureddine, B., Belbachir, 2009. Active Fire Monitoring with Level 1 . 5 MSG Satellite Images. American Journal of Applied Sciences, 61, 157–166. doi Hyer, Reid, Prins, Hoffman, Schmidt, Miettinen, Giglio, L. 2013. Patterns of Fire Activity over Indonesia and Malaysia from Polar and Geostationary Satellite Observations. Atmospheric Research, 122, 504–519. doi Japan Meteorological Agency. 2015. Himawari Standard Data User’s Guide. Lembaga Penerbangan dan Antariksa Nasional. 2016. Panduan Teknis Informasi Titik Panas Hotspot Kebakaran Hutan/Lahan Vol. 01. Indonesia. Manyangadze, T. 2009. Forest Fire Detection for Near Real-Time Monitoring Using Geostationary Satellites. Thesis. International Institute for Geo-Information Science and Earth Observation. Matson, M., Dozier, J. 1981. Identification of Subresolution High Temperature Sources Using a Thermal IR Sensor. Photogrammetric Engineering and Remote Sensing, 472, 1311–1318. Milne, 1986. The Use of Remote Sensing in Mapping and Monitoring Vegetational Change Associated with Bushfire Events in Eastern Australia. Geocarto International, 11, 25–32. doi NOAA. Calculating zenith and azimuth angles for GridSat-B1. Schmidt, Prins, 2003. GOES Wildfire ABBA applications in the Western Hemisphere. 2nd International Wildland Fire Ecology and Fire Management Congress, AMS 5th Symposium Fire and Forest Meteorology, November, 4. Wickramasinghe, C., Wallace, L., Reinke, K., Jones, S. 2018. Intercomparison of Himawari-8 AHI-FSA with MODIS and VIIRS Active Fire Products. International Journal of Digital Earth. doi Yulianti, N., Hayasaka, H., Sepriando, A. 2013. Recent Trends of Fire Occurrence in Sumatra Analysis Using MODIS Hotspot Data A Comparison with Fire Occurrence in Kalimantan. Open Journal of Forestry, 34, 129–137. doi ... Kebakaran hutan dan lahan terjadi pada tahun 2019 dan menyebabkan banyak dampak terhadap ekosistem alam, satwa, lingkungan, udara dan kesehatan masyarakat. Kabupaten Kotawaringin Barat merupakan salah satu wilayah yang sangat terdampak karena bencana tkebakaran hutan dan lahan Sepriando et al., 2020. Kebakaran hutan dan lahan merupakan suatu fenomena yang di tandai dengan munculnya musim kemarau Panjang di seluruh wilayah Provinsi Kalimantan yang menyebabkan kekeringan Sawerah et al., 2016;Wibowo, 2009. ...ABSTRAKTujuan penelitian ini adalah untuk menganalisis dan menguraikan upaya pemerintah Kabupaten Kotawaringin Barat dalam mengatasi kebakaran hutan dan lahan karhutla. Kebakaran hutan dan lahan terjadi pada tahun 2019 dan menyebabkan banyak dampak terhadap ekosistem alam, satwa, lingkungan, udara dan kesehatan masyarakat. Kasus yang terjadi akibat kebakaran hutan dan lahan yang memakan banyak korban dan derita warga di Kotawaringin barat. Pada kasus ini masyarakat berharap pemerintah dapat mengatasi dengan cepat agar kasus kebakaran hutan dapat ebrkurang, sehingga kedepannya Kotawaringin Barat dapat terbebas dari polusi kabut asap kebakaran yang dapat menimbulkan berbagai macam penyakit pernapasan pada bayi, anak-anak, dewasa bahkan lanjut usia. Metode penelitian kualitatif eksploratif dengan data sekunder dilakukan untuk menguraikan dan mendeskripsikan penelitian. Data dikumpulkan dari jurnal, buku dan media online terkait kebakaran hutan di Kotawaringin Barat. Teknik analisis dilakukan dengan mode interaktif yang dirangkai berdasarkan alur pengumpulan data, reduksi data, penyajian data, dan penarikan kesimpulan. Hasil dari penelitian ini menemukan bahwa terdapat tiga upaya yang dilakukan Pemerintah Kabupaten Kotawaringin Barat dalam menanggulangi kebakaran hutan dan lahan. Tiga upaya itu terdiri dari, sosialisasi pencegahan kebakaran hutan dan lahan, patroli terpadu pencegahan karhutla, serta pelatihan dasar penanggulangan bencana karhutla. Dari penelitian ini dapat ditarik kesimpulan bahwa Pemerintah Kabupaten Kotawaringin Barat telah melakukan upaya pencegahan kebakaran hutan dan lahan. Namun, dari ketiga upaya yang dilakukan ada yang belum efektif yaitu kegiatan sosialisasi pencegahan kebakaran hutan dan lahan karena faktor geografis dan kebiasaan masyarakat yang sulit untuk di awasi. Dalam penelitian ini, harapan dari Pemerintah Kabupaten dalam menanggulangi bencana Karhutla dapat diatasi dengan baik, tetapi pada kenyataan nya beberapa faktor menjadi kendala untuk kebaikan Hutan kedepannya di Provinsi Kalimantan All RositAhid MardhotillahRegina Aura DelazenithaTiara Vianney Christina SulleOne of the unpredicted tragedies is the occurrence of forest and land fires. Hotspots detected by satellite imagery reveal a correlation between the vulnerability of different Indonesian districts and towns to forest and land fires. The purpose of this research is to determine how susceptible the Lamandau District of Central Kalimantan Province is to forest and land fires. A quantitative strategy based on geographical analysis is employed for this study. Parameters including the number and distribution of hotspots, land cover type, peatland depth, topography, and the position of HGUs may be used in a GIS Geographic Information System-based spatial analysis to map forest and land fire risk. At the time of the assessment, percent of the district's territory was not at high risk of being destroyed by fire. Large plantations and smallholder plantations are the most common settings for these fires since they are where the land is being cleared for agricultural use. There are a number of correlations between hotspot density and factors such as peat depth, land cover type, and the presence of HGU sites. Fenomena kebakaran yang terjadi pada hutan dan lahan menjadi salah satu bencana yang tidak direncanakan. Kebakaran hutan dan lahan yang terjadi pada beberapa kabupaten/kota di Indonesia sangat bervariasi tingkat kerawanannya dan sebanding dengan jumlah serta persebaran hotspot yang terekam oleh satelit penginderaan jauh. Penelitian ini bertujuan untuk mengidentifikasi tingkat kerawanan kebakaran hutan dan lahan di Kabupaten Lamandau, Provinsi Kalimantan Tengah. Metode penelitian yang digunakan adalah metode kuantitatif dengan pendekatan analisis spasial. Berdasarkan analisis spasial menggunakan GIS Geography Information System, penelitian menunjukkan bahwa parameter-parameter seperti jumlah dan persebaran hotspot, jenis tutupan lahan, keberadaan lahan gambut, topografi, dan lokasi HGU mampu memetakan kerawanan kebakaran hutan dan lahan. Mayoritas daerah penelitian memiliki tingkat kerawanan kebakaran rendah dengan persentase 95,06% dari total luas kabupaten pada saat penelitian. Penyebab kebakaran berasal dari aktivitas manusia pada saat pembukaan lahan untuk pertanian dan mayoritas berada di lokasi perkebunan besar dan perkebunan rakyat. Kepadatan hotspot memiliki berbagai hubungan dengan keberadaan lahan gambut, jenis tutupan lahan, dan keberadaan lokasi Pinem Santosa YuliantoRini DwiastutiForest and land fires in Palangka Raya City are events that almost occur every year during the dry season, forest and land fires in 2015 were recorded as one of the worst incidents in recent years. Fires in Palangka Raya City during the period January-August 2019 reached approximately 1222 hectares. The aim of the researcher to load the spatial data above is to help complete the data and be a reference in researching the spatial characteristics of the 2019 MODIS hotspot data in Palangka Raya City by examining the spatial characteristics of the MODIS hotspot data to predict forest and land fires, as well as to provide the latest information on hotspots. hotspots and the location of hotspots that need to be watched out for. The method used in this study is a combination of spatial analysis and fieldwork to obtain an overview of the spatial characteristics of the spatial data. The results of this study show that the distribution of MODIS hotspots in 2019 in the city of Palangka Raya is highest in the Sabangau sub-district while the lowest is in the Bukit Batu sub-district, with high and medium confidence levels, during a prolonged dry season and due to land clearing activities by burning. The characteristics of the MODIS hotspot in the city of Palangka Raya have 21 spatial characteristics in general consisting of vegetation types in the form of broadleaf acacia plants at sapling level, shrubs, conversion of agricultural land, and housing with road, river and peat distribution accessibility in the city of Palangka Raya. Samuel Septa MuntheForests can clean water, stabilize soil, cycle nutrients, climate, and store carbon. Forests can create habitats for wildlife and maintain an environment rich in biodiversity. Forests can also contribute billions to a country's economic wealth. However, hundreds of millions of hectares of forest are unfortunately destroyed by forest fires every year. Forest fires continue to threaten ecological systems, infrastructure, and public safety. Digital image processing using a color image processing approach that can provide the location of hotspots so that analysis and action can be carried out quickly and accurately. With early detection, it is hoped that the impact of forest fires can be overcome quickly, precisely, and accurately. The benefits that will be obtained are handling forest fires so that they do not spread and cause AHI-FSA Advanced Himawari Imager - Fire Surveillance Algorithm is a recently developed algorithm designed to support wildfire surveillance and mapping using the geostationary Himawari-8 satellite. At present, the AHI-FSA algorithm has only been tested on a number of case study fires in Western Australia. Initial results demonstrate potential as a wildfire surveillance algorithm providing high frequency every 10 minutes, multi-resolution fire-line detections. This paper intercompares AHI-FSA across the Northern Territory of Australia million km² over a ten-day period with the well-established fire products from LEO Low Earth Orbiting satellites MODIS Moderate Resolution Imaging Spectroradiometer and VIIRS Visible Infrared Imaging Radiometer Suite. This paper also discusses the difficulties and solutions when comparing high temporal frequency fire products with existing low temporal resolution LEO satellite products. The results indicate that the multi-resolution approach developed for AHI-FSA is successful in mapping fire activity at 500 m. When compared to the MODIS, daily AHI-FSA omission error was only 7%. High temporal frequency data also results in AHI-FSA observing fires, at times, three hours before the MODIS overpass with much-enhanced detail on fire is the last generation of the low spatial resolution satellite imagery that has capability to detect the thermal variation on the earth of every 10 minute. This must be very potential to be used for detecting land/forest fire. This paper has explored the spectral prospective of the Himawari-8 for detecting land/forest fire hotspot. The main objective for this study is to identify the potential use of Himawari-8 for detecting of land forest fire hotspot. The study area was performed in Ogan Komering Ilir, South of Sumatra, which on 2015 occur great forest/land fire event. The main process included in this study are image projection, training sample collection and spectral statistical analysis measured by calculate statistic, they are average values, standard deviation values from reflectance visible band value and brightness temperature value, beside that validation of data obtained from medium resolution data of Landsat 8 with the similar acquisition time. The study found that the Himawari-8 has good capacity to identify land/forest fire hotspot as expressed for high accuracy assessment using band 3 and band fires in Indonesia are serious problem affecting widely in material losses, health and environment. Himawari-8 as one of meteorological satellites with high resolution 0,5 km x 0,5 km can be used for forest fire monitoring and detection. Combination between 3, 4 and 6 channels using Sataid Satellite Animation and Interactive Diagnosis software will visualize forest fire in the study site. Monitoring which used Himawari-8 data on August, September and October 2015 can detect the distribution of smoke and the extents of forest fire in Sumatera and Kalimantan. The result showed the extent of forest fire can be identified for anticipation in the next Giglio Wilfrid SchroederC. O. JusticeThe two Moderate Resolution Imaging Spectroradiometer MODIS instruments, on-board NASA's Terra and Aqua satellites, have provided more than a decade of global fire data. Here we describe improvements made to the fire detection algorithm and swath-level product that were implemented as part of the Collection 6 land-product reprocessing, which commenced in May 2015. The updated algorithm is intended to address limitations observed with the previous Collection 5 fire product, notably the occurrence of false alarms caused by small forest clearings, and the omission of large fires obscured by thick smoke. Processing was also expanded to oceans and other large water bodies to facilitate monitoring of offshore gas flaring. Additionally, fire radiative power FRP is now retrieved using a radiance-based approach, generally decreasing FRP for all but the comparatively small fraction of high intensity fire pixels. We performed a Stage-3 validation of the Collection 5 and Collection 6 Terra MODIS fire products using reference fire maps derived from more than 2500 high-resolution Advanced Spaceborne Thermal Emission and Reflection Radiometer ASTER images. Our results indicated targeted improvements in the performance of the Collection 6 active fire detection algorithm compared to Collection 5, with reduced omission errors over large fires, and reduced false alarm rates in tropical ecosystems. Overall, the MOD14 Collection 6 daytime global commission error was compared to in Collection 5. Regionally, the probability of detection for Collection 6 exhibited a ~3% absolute increase in Boreal North America and Boreal Asia compared to Collection 5, a ~1% absolute increase in Equatorial Asia and Central Asia, a ~1% absolute decrease in South America above the Equator, and little or no change in the remaining regions considered. Not unexpectedly, the observed variability in the probability of detection was strongly driven by regional differences in fire size. Overall, there was a net improvement in Collection 6 algorithm performance Moderate Resolution Imaging Spectroradiometer hotspot and precipitation data for the most recent 11-year period 2002 to 2012 were analyzed to elucidate recent trends in the seasonal and spatial fire occurrence in Sumatra and the relationship with precipitation. Using a latitude line of S Sumatra was divided into two regions, N. north and S. south Sumatra. Different trends in seasonal fire occur-rence were discussed and further defined by considering two different precipitation patterns. Analysis of hotspot fire data was carried out using × grid cells to evaluate recent trends of spatial fire oc-currence. Analysis results of hotspot and precipitation data were also tallied every 10-day to find the rela-tionship between seasonal fire occurrence and the dry season. Standard deviation SD and variance V were then used to evaluate fire occurrences in Sumatra and Kalimantan objectively. The relatively mild fire occurrence tendency in Sumatra compared to Kalimantan could be the result of different stages of forest development or the high deforestation rate in Sumatra compared with Kalimantan. This paper also shows that the two different seasonal fire activities in N. and S. Sumatra were closely related to the two different dry season types a winter and summer dry season type WD & SD in N. Sumatra, and a summer dry season type SD in S. Sumatra. Extreme fire occurrences in the Dumai region in 2005 and Palembang region in 2006 could be partially explained by a severe drought occurrence enhanced by two different kinds of El Niño burning patterns over the Maritime Continent of Southeast Asia are examined using a new active fire detection product based on application of the Wildfire Automated Biomass Burning Algorithm WF_ABBA to data from the imagers on the MTSAT geostationary satellites operated by the Japanese space agency JAXA. Data from MTSAT-1R and MTSAT-2 covering 34 months from September 2008 to July 2011 are examined for a study region consisting of Indonesia, Malaysia, and nearby environs. The spatial and temporal distributions of fires detected in the MTSAT WF_ABBA product are described and compared with active fire observations from MODIS MOD14 data. Land cover distributions for the two instruments are examined using a new 250 m land cover product from the National University of Singapore. The two products show broadly similar patterns of fire activity, land cover distribution of fires, and pixel fire radiative power FRP. However, the MTSAT WF_ABBA data differ from MOD14 in important ways. Relative to MODIS, the MTSAT WF_ABBA product has lower overall detection efficiency, but more fires detected due to more frequent looks, a greater relative fraction of fires in forest and a lower relative fraction of fires in open areas, and significantly higher single-pixel retrieved FRP. The differences in land cover distribution and FRP between the MTSAT and MODIS products are shown to be qualitatively consistent with expectations based on pixel size and diurnal sampling. The MTSAT WF_ABBA data are used to calculate coverage-corrected diurnal cycles of fire for different regions within the study area. These diurnal cycles are preliminary but demonstrate that the fraction of diurnal fire activity sampled by the two MODIS sensors varies significantly by region and vegetation type. Based on the results from comparison of the two fire products, a series of steps is outlined to account for some of the systematic biases in each of these satellite products in order to produce a successful merged fire detection product. Published by Elsevier Matson Jeff DozierSimultaneous use of the and 11-micrometre thermal infrared channels on board the 3rd-generation NOAA-6 satellite provides the capability to detect subresolution scale high temperature sources, and to estimate both the temperature and size of such sources. Examples presented include gas flares from oil fields in the Middle East and steel mills in the midwestern US. -AuthorsThe first of the new generation of Meteosat satellites, known as Meteosat Second Generation MSG-1, was launched in August 2002. As with the current Meteosat series, MSG is spin-stabilized and capable of greatly enhanced Earth observations. The satellite’s 12-channel imager, known formally as the Spinning Enhanced Visible and Infrared Imager SEVIRI, observes the full disk of the Earth with an unprecedented repeat cycle of 15 min in 12 spectral wavelength regions or channels. Our goal is to collect maximum MSG images data with our real time acquisition system, to trust the continuous observation of the Earth’s full disk with a multi-spectral imager. This research gives an overview of the MSG SEVIRI instrument, the general approach for the active fire monitoring and the description of the algorithm together with the practical application of the tests and the algorithm. The AFMA algorithm Active Fire Monitoring Algorithm developed in this work is able to detect most of the existing active fires with a minimum of false alarms. The AFMA algorithm distinguishes between Diurnal and Nocturnal periods of day. The algorithm itself is based on a simple threshold algorithm. A few results are described and BesshoKenji DATEMasahiro HayashiRyo YOSHIDAHimawari-8/9-a new generation of Japanese geostationary meteorological satellites-carry state-of-the-art optical sensors with significantly higher radiometric, spectral, and spatial resolution than those previously available in the geostationary orbit. They have 16 observation bands, and their spatial resolution is or 1 km for visible and near-infrared bands and 2 km for infrared bands. These advantages, when combined with shortened revisit times around 10 min for Full Disk and min for sectored regions, provide new levels of capacity for the identification and tracking of rapidly changing weather phenomena and for the derivation of quantitative products. For example, fundamental cloud product is retrieved from observation data of Himawari-8 operationally. Based on the fundamental cloud product, Clear Sky Radiance and Atmospheric Motion Vector are processed for numerical weather prediction, and volcanic ash product and Aeolian dust product are created for disaster watching and environmental monitoring. Imageries from the satellites are distributed and disseminated to users via multiple paths, including Internet cloud services and communication satellite services. Anthony MilneThe value of Landsat data for spatial analysis in land cover studies is well known. Potentially as valuable is its use in forecasting and monitoring temporal land cover changes such as those associated with floods, drought and is both an important component in the ecology of many natural environments and a potential hazard to human life and property. This paper examines ways Landsat data have been used to map and monitor bushfire occurrences in the Blue Mountains region of Eastern Landsat has limited application to monitoring short‐term fire occurrences, it has proved extremely useful in mapping extended fire events in inaccessible and inhospitable regions. Analysis of the change in the spectral reflectance values of multitemporal image sets provide an indication of vegetation regrowth. Linked with suitable ground‐truth information this data can be used to monitor and map the sequence of post‐fire vegetation of field information on the standing crop of leaf bio‐mass present and on the amount of ground litter cover with Landsat data provides a method of generating fuel maps useful in the determination of potential fire risk of the various patterns of fire geometry derived from Landsat imagery and the burn history associated with the particular fire event, together with data on slope, aspect and weather conditions, provide a realistic basis for the development of fire forecasting procedures and the specification of suitable fire control measures. . 290 233 126 255 321 237 421 316

cara menggambar kebakaran hutan