POTENSI FAKTOR ANTROPOGENIK TERHADAP KEBAKARAN HUTAN DAN LAHAN DI SUMATRA DAN KALIMANTAN

1.Abstract
2.Keywords
Antropogenik, Hotspot, Kebakaran hotan, CMIP5
3.Objective

Memanfaatkan luaran model CMIP5 untuk mengidentifikasi kejadian kebakaran hutan dan lahan ketika terjadi peristiwa IOD dan ENSO kuat, serta untuk Mengetahui pengaruh faktor antropogenik terhadap kebakaran hutan dan lahan di masa mendatang.

4.Methodology

Penelitian akan difokuskan di bagian pulau Sumatera (6�LU - 6 �LS, 95 �BB - 109�BT) dan Kalimantan (4�LU � 4�LS, 108�BT � 119�BT). Prosedur penelitian adalah:
1. Proses dynamical Downscalling
Menurut Wigena (2006), Global Circulation Model (GCM) dapat digunakan sebagai alat untuk memprediksi iklim dan cuaca secara numerik serta sebagai sumber informasi primer untuk menilai perubahan iklim. GCM merupakan penggambaran matematis dari sejumlah interaksi fisika, kimia, dan dinamika yang terjadi pada atmosfer bumi. Informasi GCM masih berskala global, sehingga diperlukan suatu teknik untuk menduga peubah iklim skala lokal dengan tingkat akurasi. Salah satu teknik yang dapat digunakan untuk mendapatkan informasi berskala lokal dari data luaran GCM adalah dynamical downscaling (DD).
Data luaran CMIP5 dari berbagai model yang tersedia dan memiliki resolusi spasial memiliki resolusi spasial global sehingga kurang baik jika digunakan untuk melihat daerah atau wilayah regional, maka dibutuhkan suatu proses untuk memperkecil resolusi spasial diantaranya dynamical downscalling dengan menggunakan RegCM 4.7.
Data luaran CMIP5 dari berbagai model memiliki resolusi spasial global dan memiliki banyak variabel akan dipilih beberapa variabel seperti (tekanan permukaan, suhu permukaan, angin zonal, angin meridional dan kelembaban) akan dijadikan ICBC (Initial Conditions boundary Conditions) kemudian dilakukan Proses dynamical downscalling menggunakan RegCM 4.7. Pada proses dynamical downscalling menggunakan RegCM 4.7 ada tambahan input seperti (Topografi, vegetasi, hidrologi dan orografi). Data luaran CMIP5 dari berbagai model yang telah didownscalling akan menghasilkan luaran model dengan resolusi spasial 30 km x 30 km (reosuli spasial 30 km x 30 km, dinilai telah cukup untuk merepresentasikan keadaan regional. Selain itu, pemilihan resolusi 30 km x 30 km agar sesuai dengan resolusi spasial data absorvasi).
2. Proses Analasis pengaruh Antropogenik
Untuk menguji kontribusi pemanasan antropogenik terhadap kejadian kebakaran lahan dan hutan, penelitian ini menggunakan hasil running model CMIP5 output dari HIS (historis) dan NAT berlangsung selama 30 tahun dari tahun 1975 sampai 2005. Data antopogenik diperoleh dari selisih hasil running model CMIP5 data historis dengan data NAT (non antropegenik. Pengaruh antropogenik di masa yang akan datang menggunakan Representative Concentration Pathways (RCP) 4.5 dan 8.5) dari periode 2006 � 2035. Menggunakan RCP 4.5 karena skenario iklim yang lebih realistis dibandingkan dengan RCP lainnya, sedangkan RCP 8.5 karena skenario iklim karena berada pada tingkat optimistik diantara tingkatan/level RCP (Lestari et al. 2014).
3. Proses validasi data luaran model CMIP5
Proses membandingkan pola spasial antara Model dan observasi adalah untuk menguji kevalidan data hasil downscalling. Data hasil downsclling akan dibandikan dengan beberapa data observasi seperti: data curah hujan dari TRMM, data suhu udara HadCRUT serta dengan data luaran model CMIP5 sebelum downscalling.

4. Proses Analisis pengaruh Non Antoropogenik
Pengaruh alami seperti ENSO dan IOD dapat dilihat mengunakan indeks ENSO dan indeks IOD (Index Dipole Model). Disamping cara konvensional yaitu dengan menghitung nilai Southern Oscillation Index (SOI) yang menggambarkan kuat lemahnya sirkulasi Walker, kita juga dapat menggambarkan evolusi ENSO dengan melakukan analisis terhadap anomali temperatur muka laut yang direratakan di beberapa daerah di ekuator Samudera Pasifik yang dikenal dengan nama daerah Ni�o (Ni�o region). Terdapat 4 (empat) daerah Ni�o, yaitu Ni�o1+2, Ni�o3, Ni�o4 dan Ni�o3.4. Menurut Iskandar (2016) Untuk wilayah Indonesia, daerah Ni�o yang dapat menggambarkan secara baik hubungan antara fenomena ENSO dengan variasi curah hujan di Indonesia adalah daerah Ni�o3.4.
Seperti halnya El Ni�o yang di-indikasikan dengan Indeks Osilasi Selatan, maka fenomena Indian Ocean Dipole direpresentasikan oleh satu indeks yang menyatakan perbedaan suhu permukaan air laut di bagian Barat Samudera Hindia (daerah 50�-70� BT dan 10� LS - 10� LU) dan suhu permukaan air laut di bagian Timur Samudera Hindia (daerah 90�-110� BT dan 10� LS - 0� LU). Indeks perbedaan suhu permukaan air laut ini disebut Dipole Mode Index (DMI). Nilai DMI positif mengindikasikan bahwa temperature muka laut di bagian timur Samudera Hindia lebih dingin dibandingkan dengan temperature muka laut di bagian barat Samudera Hindia. DMI positif ini berasosiasi dengan IOD positif. Hal ini berlaku juga sebaliknya. Perlu diingat bahwa semakin besar nilai indeks ini, semakin kuat sinyal Indian Ocean Dipole dan semakin besar akibat yang ditimbulkan.
Selanjutnya dilakukan analisis keterkaitan antara nilai indeks El Nino Ni�o3.4 dengan intensitas curah hujan aktual bulanan khusunya untuk wilayah Sumatera dan Kalimantan, Indonesia.

5.Team

1. Dr. Rahmat Hidayat, M.Si
2. Dr. Ir. Rini Hidayati, M.S

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

Downscalling

7.Source of funding
Mandiri
8.Target/outputs
1. Jurnal nasional (Jurnal Pengelolaan Sumberdaya Alam dan Lingkungan)
9.Date of usage
01/11/2018 - 01/11/2019
10.Gpu usage
-
11.Supporting files
12.Created at
21/10/2018
13.Approval status
approved