PENINGKATAN POTENSI KEBAKARAN LAHAN OLEH PENGARUH PEMANASAN ANTROPOGENIK

1.Abstract

Faktor biofisik dan aktifitas manusia adalah penyebab kebakaran hutan dan lahan, meskipun hingga saat ini seberapa besar pengaruhnya terhadap terjadinya kebakaran hutan dan lahan belum diketahui secara pasti, namun kondisi di lapang menunjukkan bahwa penyebab utama kebakaran hutan dan lahan yang terjadi di Kalimantan dan Sumatera dipengaruhi oleh faktor manusia. Frekuensi serta intensitas kejadian kebakaran hutan dan lahan dalam beberapa dekade terakhir cenderung semakin meningkat, walaupun upaya pencegahan sudah dilakukan. Faktor iklim dan cuaca yang mempengaruhi kebakaran hutan, yaitu suhu dan kecepatan angin yang tinggi serta kelembaban dan curah hujan yang relatif rendah. Kebakaran hutan juga didukung oleh kondisi cuaca yang ekstrem. Kejadian kebakaran hutan dengan intensitas yang besar di Indonesia khususnya pulau Kalimantan dan Sumatera mulai terekam sejak tahun 1982-1983 pada saat terjadinya El Ni�o kuat. Selain tahun 1982-1983, kebakaran hebat kembali terjadi pada tahun El Ni�o 1987,1991,1994 dan 1997-1998. Kebakaran hutan dan lahan pada tahun 1997/1998 mencapai kerugian sebesar 10 milyar dolar AS. Kebakaran lahan gambut sekitar 13.450 ha dan kebakaran lahan pertanian (6.069 ha). Kerugian materi akibat kebakaran hutan dan lahan di Jambi tahun 2015 mencapai Rp 221 triliun. Bencana kebakaran hutan dan asap tersebut berdampak luas terhadap kesehatan, lingkungan dan ekonomi masyarakat, baik di Indonesia maupun di negara tetangga, Malaysia dan Singapura, dan diharapkan bencana serupa tidak terulang kembali di masa mendatang. Penelitian ini bertujuan untuk mengidentifikasi kejadian kebakaran lahan dan hutan besar menggunakan data haze pada tahun-tahun ENSO, mengidentifikasi kejadian kebakaran hutan dan lahan ketika tidak terjadi peristiwa IOD dan ENSO kuat, menganalisis pengaruh peningkatan kebakaran hutan dan lahan besar, serta mengetahui pengaruh faktor antropogenik pada kebakaran hutan dan lahan di masa mendatang. Metode yang digunakan adalah analisis visual extinction coef?cient (Bext) yang dihitung dari airport visibility report untuk mengetahui kondisi kekeringan, analisis regresi Piecewise antara Bext bulanan dan akumulasi curah hujan rata-rata di bagian Sumatra dan atau Kalimantan untuk tahun 1960-2015 dan ? yang ditentukan pada nilai breakpoint dari regresi piecewise, pengujian kontribusi pemanasan antropogenik terhadap kejadian kekeringan masa lalu menggunakan running model output dari control (ALL) dan no-antropogenic warming (NAT) berlangsung selama 67 tahun dari tahun 1949 sampai 2015 dan menggunakan output bulanan setelah tahun 1960. ALL dipengaruhi oleh data SST dan turunan data Sea Ice yang berasal dari Hadley Center Sea Ice dan Sea Surface Temperature (HadISST) versi 3, dan antropogenik historis (seperti gas rumah kaca) dan faktor secara alami (untuk periode 2006-2011 menggunakan Representative Concentration Pathways (RCP) 4.5) untuk tahun 1949-2011. Penelitian ini memperbaiki desakan/paksaan antropogenik pada kondisi 1850, dan menghilangkan perbedaan waktu pada sinyal antropogenik yang bervariasi dalam waktu di SST dan Sea Ice dalam menjalankan NAT, yang diperkirakan kedepan menggunakan dua puluh ensembel dari coupled general circulation model (CGCM) yang berasal dari percobaan dengan atau tanpa faktor antropogenik. Peningkatan di masa yang akan datang pada frekuensi kekeringan dianalisis output bulanan dari historis Coupled Model Intercomparison Project Fase 5 (CMIP5) menggunakan RCP 8.5 sampai 2100 dari 9 model CGCM; CanESM2, CCSM4, CNRM-CM5-LR, HadGEM2-ES, IPSL-CM5A-LR, MIROC5, MPI-ESM-LR, MPI-ESM-Mr dan MRI-CGCM3 yang dipilih berdasarkan ketersediaan eksperimen AMIP terkait. Siklus hujan musiman berkorelasi tinggi dengan hasil running model dari historis dan AMIP berbagi model atmosfer yang sama, jadi peneliti menggunakan AMIP sebagai rujukan pada simulasi CGCM.

2.Keywords
kebakaran lahan, pemanasan antropogenik
3.Objective

1. Menganalisis pengaruh beberapa faktor terhadap peningkatan kebakaran lahan dan hutan dengan intensitas besar.
2. Mengidentifikasi kejadian kebakaran hutan dan lahan ketika tidak terjadi peristiwa IOD dan ENSO kuat.
3. Mengidentifikasi kejadian kebakaran lahan dan hutan yang dideteksi menggunakan data haze.
4. Mengetahui pengaruh faktor antropogenik pada kebakaran hutan dan lahan di masa mendatang.

4.Methodology

Data
Data yang digunakan dalam penelitian meliputi data curah hujan (CH), suhu udara (TA), hotspot, airport visibility report, antropogenik historis, suhu permukaan laut (SPL) bulanan hasil keluaran model di dalam CMIP5.

The Global Fire Emissions Database (GFED)
Memperkirkan emisi pembakaran biomassa di seluruh Indonesia dapat diperoleh dari The Global Fire Emissions Database (GFED) (Field dan Shen 2006), yang saat ini merupakan sumber data emisi kebakaran global terbaik yang tersedia. Data tersedia pada 10 dengan 10 grid untuk periode 1997-2015 pada resolusi temporal bulanan. Kejadian kebakaran dan daerah yang terbakar ditentukan dari perhitungan kalibrasi silang ATSR, TRMM, dan perhitungan hotspot dari citra MODIS. Perkiraan emisi didasarkan pada prediksi muatan bahan bakar dari model vegetasi global, peta tanah untuk bahan bakar bawah permukaan, dan faktor emisi yang spesifik untuk produk pembakaran yang berbeda. Di sisi lain Indonesia, terdapat perbedaan yang penting juga terjadi antara tanah organik dan tanah mineral yang tidak terbakar. Menurut Field dan Shen (2006) menggunakan emisi karbon langsung (C) sebagai indikator emisinya.

Indeks Iklim
Penelitian ini akan mempertimbangkan berbagai variabel dalam mencoba memprediksi pembakaran biomassa yang parah dengan menggunakan tekanan permukaan laut berdasarkan SOI (Southern Oscillation Index) dan SST berdasarkan indeks Nino3.4 sebagai indikator kekuatan El Nino. Selain itu, juga mempertimbangkan Multivariate ENSO Index (MEI) (Field dan Shen 2006) dan Dipole Mode Index (DMI) yang baru dikembangkan Saji et al. [1999]. MEI adalah indeks hibrida yang menggabungkan SLP dari SOI dan perilaku SST dari Nino 3.4. Pengukuran kekuatan DMI peristiwa IOD, dimana anomali yang muncul di perairan basin terkait dengan anomaly presipitasi yang rendah di Indonesia.
Hubungan antara kekeringan dan kebakaran di Indonesia, yaitu dengan mempertimbangkan data presipitasi yang memiliki skala spasial dan resolusi temporal bulanan. Data NCEP Precipitation over Land (PRECL) adalah kumpulan data yang paling sederhana yang dipertimbangkan, yang terdiri dari pengukuran hujan yang diinterpolasi menjadi 2.50 x 2.50 Grid. Kumpulan Global Precipitation Climatology Project (GPCP) (Field dan Shen 2008) menggunakan data pengukuran. Penggabungan data satelit diperlukan untuk dimasukkan dalam analisis, mengingat cakupan pengukuran hujan yang jarang di sebagian besar wilayah Indonesia. Curah hujan anomali rendah bulan pertama dengan curah hujan total 1 bulan berturut-turut atau 1-6 bulan yang akan dibandingkan dengan curah hujan 6 bulan sebelumnya, yang dianggap sebagai indeks kekeringan.

Prosedur Penelitian
Penelitian akan difokuskan di bagian selatan pulau Sumatera (0,5 �N - 4,5 �S, 100 �E - 106 �BT) dan atau Kalimantan (4 0LU � 4 0 LS, 108 0BT � 119 0BT). Sumatera mengalami kebakaran paling parah sejak tahun 1960, dan merupakan bagian dari wilayah utama Indonesia dimana memiliki curah hujan yang koheren/saling berdekatan dengan yang lain (Aldrian dan Susanto 2003). Untuk mengetahui kondisi kekeringan di mana terjadi kejadian kabut yang sangat parah, peneliti menggunakan visual extinction coef?cient (Bext) yang dihitung dari airport visibility report/laporan jarak penglihatan pesawat sejak tahun 1960 (sumber:www.ncdc.noaa.gov/data-access/land-based-station-data/land-based-datasets), Airport visibility report menyediakan catatan pembakaran biomassa kuantitatif terpanjang yang tersedia di Indonesia (Field et al. 2004, Field et al. 2009). Airport visibility report hanya dipengaruhi oleh kabut atau curah hujan, dan yang bukan kabut asap merupakan faktor yang tidak mempengaruhi catatan pembakaran biomassa tersebut. Selain itu melakukan analisis regresi Piecewise antara Bext bulanan dan mengakumulasi curah hujan rata-rata di bagian Sumatra dan atau Kalimanatan untuk tahun 1960-2015 dan ? yang ditentukan pada nilai breakpoint dari regresi piecewise dimana penentuan determinasi dari koefisien regresi yang dimaksimalkan (Field et al. 2009). Presipitasi yang diamati berasal dari Global Historical Climatology Network (GHCN).
Untuk menguji kontribusi pemanasan antropogenik terhadap kejadian kekeringan pada masa lalu, penelitian ini menggunakan hasil running model output dari control ALL dan NAT berlangsung selama 67 tahun dari tahun 1949 sampai 2015 dan menggunakan output bulanan setelah tahun 1960. Control ALL, NAT, output bulanan termasuk percobaan tipe Model Intercomparison Model Atmosfer (AMIP) yang menggunakan Model of Interdisciplinary Research and Climate version 5 (MIROC5) (Lestari et al. 2014). ALL dipengaruhi oleh data SST dan menurunkan data Sea Ice yang berasal dari Hadley Center Sea Ice dan Sea Surface Temperature (HadISST) versi 3 (Rayner et al. 2003), dan antropogenik historis (seperti gas rumah kaca) dan faktor secara alami (untuk periode 2006-2011 menggunakan Representative Concentration Pathways (RCP) 4.5) untuk tahun 1949-2011. Menggunakan RCP 4.5 karena skenario iklim Representative Concentration Pathways yang lebih realistis dibandingkan dengan tingkat RCP yang lain. Untuk menjalankan/merunning NAT, penelitian ini memperbaiki desakan/paksaan antropogenik pada kondisi 1850, dan menghilangkan perbedaan waktu pada sinyal antropogenik yang bervariasi dalam waktu di SST dan Sea Ice, yang diperkirakan kedepan menggunakan dua puluh ensembel dari coupled general circulation model (CGCM) yang berasal dari percobaan dengan atau tanpa faktor antropogenik. Rincian lebih lanjut dari prosedur ini dijelaskan dalam Shiogama et al. (2013).
Peningkatan di masa yang akan datang pada frekuensi kekeringan dianalisis output bulanan dari historis Coupled Model Intercomparison Project Fase 5 (CMIP5) dan percobaan yang menggunakan RCP 8.5 sampai 2100 dari 9 model CGCM; CanESM2, CCSM4, CNRM-CM5-LR, HadGEM2-ES, IPSL-CM5A-LR, MIROC5, MPI-ESM-LR, MPI-ESM-Mr dan MRI-CGCM3 di (http://cmip-pcmdi.llnl.gov /cmip5/availability.html untuk detail lebih lanjut), yang dipilih berdasarkan ketersediaan eksperimen AMIP terkait. Peneliti menggunakan RCP 8.5 karena skenario iklim Representative Concentration Pathways 8.5 berada pada tingkat optimistik diantara tingkatan/level RCP. Siklus hujan musiman berkorelasi tinggi dengan hasil running model dari historis dan AMIP berbagi model atmosfer yang sama, jadi AMIP akan digunakan sebagai rujukan pada simulasi CGCM (Lestari et al. 2014).

5.Team

Elania Aflahah
Dr. Ir. Rini Hidayati, MS
Dr. Rahmat Hidayat, M.Sc

6.Computation plan (required processor core hours, data storage, software, etc)

16 processor core, 100 GB data storage, GRADs

7.Source of funding
LPDP (akan diajukan)
8.Target/outputs
Tesis, Publikasi
9.Date of usage
03/10/2017 - 29/06/2018
10.Gpu usage
-
11.Supporting files
prop_1507008556.pdf
12.Created at
03/10/2017
13.Approval status
approved