pengeluaran primer bersih kawasan hutan hujan tropika

PENGELUARAN PRIMER BERSIH KAWASAN HUTAN HUJAN TROPIKAMENGGUNAKAN DATA ASTER

MOHD AZAHARI BIN FAIDI

UNIVERSITI TEKNOLOGI MALAYSIA

PENGELUARAN PRIMER BERSIH KAWASAN HUTAN HUJAN TROPIKA

MENGGUNAKAN DATA ASTER

MOHD AZAHARI BIN FAIDI

Tesis ini dikemukakan

sebagai memenuhi syarat penganugerahan

Ijazah Sarjana Sains (Remote Sensing)

Fakulti Kejuruteraan dan Sains Geoinformasi

Universiti Teknologi Malaysia

SEPTEMBER 2009

iii

Tesis ini didedikasikan buat keluarga yang telah banyak memberi

sokongan dan semangat untuk saya terus gigih berusaha, iaitu, Faidi Bin

Miskon (Ayah), Rukana Binti Darus (Emak), Mohd Fadzli Bin Faidi (Abang),

Siti Fadzilah Binti Faidi (Kakak), dan Suriati Binti Faidi (Kakak). Serta buat

insan yang menjadi sumber inspirasi dan pemberi dorongan semangat untuk

saya terus mengejar cita-cita iaitu, Sa’aidah Binti Mohd Salleh. Tidak dilupa

juga buat rakan-rakan seperjuangan yang telah sama-sama berganding baru

membantu dan memberi galakan iaitu, Hamdan Bin Omar,Nur Aznim Binti

Azizi dan Yuswirda Binti Yusak

iv

PENGHARGAAN

Alhamdulillah, syukur ke hadrat ALLAH s.w.t yang memberi petunjuk dan

limpah rahmat sehingga terhasilnya tesis sarjana ini. Setinggi terima kasih diucapkan

kepada Profesor Madya Dr. Ab Latif Bin Ibrahim selaku penyelia projek Sarjana ini.

Bimbingan dan nasihat yang beliau berikan telah banyak membantu dalam

menjalankan dan menjayakan kajian ini. Saya juga ingin mengucapkan setinggi

terima kasih kepada Profesor Dr. Mazlan Bin Hashim yang telah banyak memberi

panduan dan cetusan idea bagi memudahkan penghasilan tesis ini.

Tidak dilupakan juga kepada semua pensyarah di Fakulti Kejuruteraan dan

Sains Geoinformasi terutamanya kepada En. Wahid Bin Rasib dan En Wan Hazli Bin

Wan Kadir yang tidak putus-putus memberikan dorongan sepanjang pembelajaran

saya di Universiti Teknologi Malaysia (UTM). Penghargaan ini juga saya tujukan

kepada Kementerian Sains, Teknologi dan Inovasi (MOSTI) yang telah menaja sara

hidup saya sepanjang penyelidikan sarjana ini dijalankan menerusi Hadiah Skim

Biasiswa Penyelidikan Sains National (National Science Fellowship, NSF).

Selain daripada itu, penghargaan juga diberikan kepada semua yang terlibat

secara langsung atau tidak langsung dalam menyiapkan projek sarjana ini. Ucapan

setinggi terima kasih diucapkan.

v

ABSTRAK

Perkembangan pesat dalam sektor perindustrian, perbandaran dan pertanian

telah menyebabkan peningkatan kandungan gas-gas rumah kaca di atmosfera,

terutamanya gas karbon dioksida (CO2). Peningkatan kandungan CO2 di atmosfera

pula merupakan punca utama kepada fenomena pemanasan global dan perubahan

iklim. Oleh hal yang demikian, pengetahuan tentang kewujudan, kandungan serta

kehilangan CO2 di atmosfera adalah amat penting. Ini dapat membantu untuk

memastikan kandungan CO2 di atmosfera berada dalam keadaan seimbang. Salah

satu cara untuk memantau kandungan CO2 di atmosfera ialah dengan mengukur

jumlah penyerapan CO2 dari atmosfera oleh tumbuhan sama ada melalui pengukuran

biojisim tumbuh-tumbuhan ataupun dengan mengukur jumlah Pengeluaran Primer

Bersih (NPP). Tujuan utama kajian ini adalah untuk membuat penilaian terhadap

Kaedah Eko-Fisiologi, iaitu salah satu kaedah untuk menentukan nilai NPP

menggunakan data satelit remote sensing. Data satelit ASTER dengan resolusi ruang

15 meter dan julat panjang gelombang antara 0.52 m hingga 0.86 m telah

digunakan bagi menilai empat model yang terdapat dalam Kaedah Eko-Fisiologi.

Penilaian model-model tersebut adalah berdasarkan kepada ketepatan pengukuran

nilai NPP bagi kawasan hutan, kelapa sawit dan getah di sekitar Hutan Simpan

Pasoh, Negeri Sembilan. Penilaian ketepatan ditentukan berdasarkan kepada nilai

Pekali Ubahan (CV) sebagai penentu ralat dan juga perbandingan dengan hasil-hasil

dari kajian terdahulu. Hasil penilaian menunjukkan Model Kecekapan Pengeluaran

Global (GLOPEM) memberikan nilai terbaik untuk pengiraan NPP bagi hutan dan

getah dengan nilai CV masing-masing adalah 4.7% dan 3.0%. Manakala Model

Pendekatan Carnegie Ames Stanford (CASA) memberikan nilai CV sebanyak 7.85%

bagi kelapa sawit. Nilai NPP yang diperoleh untuk ketiga-tiga jenis tumbuhan

dengan menggunakan Model VPM dan C-Fix pula memberikan hasil ketepatan yang

rendah. Secara keseluruhannya, julat NPP yang diperoleh bagi ketiga-tiga jenis

tumbuhan adalah antara 451.58 gCm-2 yr-1 hingga 3042.20 gCm-2 yr-1. Daripada julat

ini, purata NPP bagi hutan, kelapa sawit dan getah masing-masing sebanyak 2812.5

gCm-2 yr-1, 2377.0 gCm-2 yr-1 dan 2864.6 gCm-2 yr-1.

vi

ABSTRACT

Rapid development in industrialisation, urbanisation and agricultural sectors

have contributed to an increased in green house gases in the atmosphere, particularly

carbon dioxide (CO2). An increased in CO2 concentration in the atmosphere is

considered as one of the main factors that caused the phenomena of global warming

and climate change. Thus, knowledge pertaining the existence, concentration and

losses of CO2 in the atmosphere are very important. This is very useful for ensuring

the concentrations of CO2 in the atmosphere remain in the state of balance. One of

the ways to monitor the content of CO2 in the atmosphere is through the

measurement of the rate of absorptions of CO2 by vegetation. This can be carried out

either by determining the biomass or the Net Primary Productivity (NPP) of the

vegetation. The main objective of this study is to evaluate the Eco-Physiological

Approach that is one of the approaches used to determine NPP using remote sensing

data. ASTER satellite data with the spatial resolution of 15 meter and the spectral

range of 0.52 m of 0.86 m were used for the evaluation of four models from the

Eco-Physiological approach. The evaluation of these models were based on the

accuracy of the measured NPP values for three types of vegetation such as forest, oil

palm and rubber in the vicinity of Pasoh Forest Reserve in Negeri Sembilan. An

assessment was made by determining the Coefficient of Variation (CV) to calculate

error and also through comparison with results from previous studies. This study

showed that Global Production Efficiency Model (GLOPEM) gives the highest

accuracy of NPP for forest and rubber with CV of 4.7% and 3.0% respectively.

While Carnegie Ames Stanford Approach Model (CASA) is appropriate for oil palm

with CV of 7.85%. Values of NPP for all the three vegetation types obtained using

VPM and C-Fix models showed a very low accuracy. As a whole, the range of NPP

obtained for forest, oil palm and rubber are within the range of 451.58 gCm-2 yr-1 to

3042.20 gCm-2 yr-1. Average values of NPP for forest, oil palm and rubber is 2812.5

gCm-2 yr-1, 2377.0 gCm-2 yr-1 and 2864.6 gCm-2 yr-1 respectively.

vii

SENARAI KANDUNGAN

BAB PERKARA MUKA SURAT

HALAMAN JUDUL i

PENGAKUAN ii

DEDIKASI iii

PENGHARGAAN iv

ABSTRAK v

ABSTRACT vi

SENARAI KANDUNGAN vii

SENARAI JADUAL xii

SENARAI RAJAH xiv

SENARAI SINGKATAN DAN SIMBOL xviii

SENARAI LAMPIRAN xxii

1 PENGENALAN

1.1 Pendahuluan 1

1.2 Penyataan Masalah 6

1.3 Objektif Kajian 8

1.4 Skop Kajian 8

1.5 Signifikan Kajian 9

1.6 Kawasan Kajian 11

1.6.1 Jenis Guna Tanah 12

1.6.2 Iklim 13

1.6.3 Kemudahan 13

viii

2 LATAR BELAKANG KAJIAN

2.1 Pendahuluan 15

2.2 Konsentrasi Gas Rumah Hijau dan Pemanasan Sejagat 17

2.2.1 Keseimbangan Kitar Karbon 18

2.2.2 Kesan Perubahan Guna Tanah Terhadap Aliran

Kitar Karbon 20

2.3 Eko-Fisiologi Tumbuhan 21

2.4 Persekitaran Fizikal Tumbuhan 23

2.5 Pengeluaran Primer Bersih Tumbuhan 25

2.5.1 Kaedah Penganggaran Pengeluaran Primer

Bersih 26

2.5.1.1 Kaedah Biometrik 27

2.5.1.2 Kaedah Berangka 28

2.5.1.3 Kaedah Permodelan Ekosistem 29

2.5.1.4 Kaedah Mikro-Meteorologi 31

2.5.1.5 Kaedah Eko-Fisiologi 33

2.5.1.6 Kaedah Remote Sensing 34

2.5.2 Kesan Faktor Persekitaran Terhadap

Pengeluaran Primer Tumbuhan 35

2.6 Penilaian Kaedah Eko-Fisiologi Menggunakan Data

Remote Sensing 37

2.6.1 Model CASA 39

2.6.2 Model GLOPEM 41

2.6.3 Model VPM 42

2.6.4 Model C-Fix 44

2.7 Parameter Utama Kaedah Eko-Fisiologi 46

2.7.1 Pengeluaran Primer Kasar 46

2.7.2 Kadar Kecekapan Penggunaan Cahaya 47

2.7.3 Radiasi Aktif Fotosintesis 47

2.7.4 Faktor Kesan Sejatpeluhan 48

2.7.5 Faktor Kesan Suhu Persekitaran 49

2.7.6 Sebahagian Penyerapan Radiasi Aktif

Fotosintesis 50

ix

2.8 Data ASTER 51

2.8.1 Ciri- Ciri Penderia ASTER 53

2.8.2 Aplikasi Penggunaan Data ASTER Melalui

Kombinasi Jalur 54

2.9 Ringkasan 55

3 METODOLOGI KAJIAN

3.1 Pendahuluan 56

3.2 Metodologi Kajian 57

3.2.1 Bahagian 1 : Perolehan Data 59

3.2.1.1 Data Remote Sensing 59

3.2.1.2 Data Meteorologi 61

3.2.1.3 Data Sokongan 62

3.2.2 Bahagian 2 : Pra-Pemprosesan 63

3.2.2.1 Pembetulan Crosstalk 65

3.2.2.2 Pensampelan Jalur ASTER 66

3.2.2.3 Pembetulan Putaran Imej 67

3.2.2.4 Pembetulan Geometri 68

3.2.2.5 Pembetulan Radiometrik 71

3.2.2.6 Penopengan Awan dan Pemotongan

Kawasan Kajian 73

3.2.3 Bahagian 3 : Pemprosesan 73

3.2.3.1 Indeks Tumbuhan 75

3.2.3.1.1 Indeks Pembezaan

Normalisasi Tumbuhan 75

3.2.3.1.2 Indeks Air Permukaan

Tanah 76

3.2.3.1.3 Indeks Penonjolan

Tumbuhan 77

3.2.3.2 Suhu Permukaan 77

3.2.3.3 Penganggaran Radiasi Bersih 79

3.2.3.4 Penerbitan Nisbah Sejatpeluhan 81

3.2.3.5 Radiasi Aktif Fotosintesis 87

x

3.2.4 Bahagian 4 : Aplikasi Model 88

3.2.4.1 Model CASA 89

3.2.4.2 Model GLOPEM 93

3.2.4.3 Model VPM 96

3.2.4.4 Model C-Fix 99

3.2.5 Bahagian 5 : Analisis 103

3.3 Perisian dan Perkakasan 106

4 HASIL DAN ANALISIS

4.1 Pendahuluan 107

4.2 Penyediaan Peta Dasar Kawasan Kajian 107

4.3 Penyediaan Data ASTER Kawasan Kajian 109

4.4 Hasil Pra-Pemprosesan data ASTER 110

4.4.1 Hasil Pembetulan Crosstalk Data Mentah

ASTER 110

4.4.2 Hasil Pembetulan Radiometrik dan Mozek

Data ASTER 111

4.4.3 Hasil Pengelasan Guna Tanah Kawasan Kajian 113

4.5 Hasil Penyediaan Parameter Model Eko-Fisiologi 115

4.5.1 Pengekstrakan Indeks Tumbuhan 116

4.5.1.1 Indeks Pembezaan Normalisasi

Tumbuhan 116

4.5.1.2 Indeks Air Permukaan Tanah 119

4.5.1.3 Indeks Penonjolan Tumbuhan 121

4.5.2 Suhu Permukaan 123

4.5.3 Albedo Permukaan 124

4.5.4 Radiasi Bersih 126

4.5.5 Radiasi Solar 127

4.5.6 Sejatpeluhan Potensi 129

4.5.7 Sejatpeluhan Sebenar 131

4.6 Penerbitan Parameter Utama Kaedah Eko-Fisiologi 133

4.6.1 Kadar Kecekapan Penggunaan Cahaya 133

4.6.2 Sebahagian Penyerapan Radiasi Aktif

Fotosintesis

138

xi

4.6.3 Radiasi Aktif Fotosintesis 141

4.7 Penilaian Kaedah Eko-Fisiologi 143

4.7.1 Hasil NPP Model CASA 143

4.7.2 Hasil NPP Model GLOPEM 144

4.7.3 Hasil NPP Model VPM 146

4.7.4 Hasil NPP Model C-Fix 148

4.7.5 Hasil Purata NPP Keseluruhan 149

4.8 Sensitiviti Kaedah Eko-Fisiologi Terhadap Perubahan

Persekitaran 151

4.8.1 Hubungan Antara NPP dan Faktor Persekitaran 152

4.8.2 Sensitiviti Kaedah Eko-Fisiologi Terhadap

Indeks Tumbuhan 161

4.9 Analisis Hasil Aplikasi Kaedah Eko-Fisiologi 170

4.9.1 Analisis Hasil Penerbitan Parameter Kaedah

Eko-Fisiologi 170

4.9.2 Analisis Hasil Pengeluaran Primer Bersih 174

4.10 Analisis ketepatan hasil Pengeluaran Primer Bersih 178

4.10.1 Penilaian Ketepatan Pengeluaran Primer Bersih

Getah 179


Kelapa Sawit 180


Hutan 181

4.11 Peta Hasil Akhir 183

4.12 Ringkasan 184

5 KESIMPULAN DAN CADANGAN 188

5.1 Kesimpulan 188

5.2 Cadangan 189

RUJUKAN 191

Lampiran A-I 204-213

xii

SENARAI JADUAL

NO. JADUAL TAJUK MUKA SURAT

2.1 Ringkasan Kaedah Eko-Fisiologi yang terlibat dalam

kajian ini

45

2.2 Julat spektrum jalur imej ASTER 53

3.1 Spesifikasi data ASTER dalam kajian ini 60

3.2 Maklumat projeksi imej 71

4.1 Statistik NDVI kawasan kajian 118

4.2 Statistik LSWI kawasan kajian 120

4.3 Statistik EVI kawasan kajian 122

4.4 Statistik albedo kawasan kajian 126

4.5 Statistik radiasi bersih di kawasan kajian 126

4.6 Statistik radiasi solar di kawasan kajian 129

4.7 Statistik sejatpeluhan potensi di kawasan kajian 131

4.8 Statistik sejatpeluhan sebenar di kawasan kajian 132

4.9 Statistik kadar Kecekapan Penggunaan Cahaya bagi tiga

jenis guna tanah utama di kawasan kajian menggunakan

Model CASA dan Model GLOPEM 135

4.10 Statistik kadar Kecekapan Penggunaan Cahaya bagi tiga

jenis guna tanah utama di kawasan kajian menggunakan

Model CASA dan Model GLOPEM 135

4.11 Statistik purata Kecekapan Penggunaan Cahaya

kawasan kajian 137

4.12 Statistik nilai FAPAR bagi tiga jenis guna tanah utama

kawasan kajian menggunakan Model CASA dan Model

GLOPEM 139

xiii

4.13 Statistik FAPAR bagi tiga jenis guna tanah utama

kawasan kajian menggunakan Model CASA dan Model

GLOPEM 139

4.14 Statistik FAPAR bagi tiga jenis guna tanah utama

kawasan kajian 141

4.15 Statistik Radiasi Aktif Fotosintesis di kawasan kajian 142

4.16 Statistik NPP di kawasan kajian menerusi Model CASA 144

4.17 Statistik NPP di kawasan kajian menerusi Model

GLOPEM 146

4.18 Statistik NPP di kawasan kajian menerusi Model VPM 147

4.19 Statistik NPP di kawasan kajian menerusi Model C-Fix 149

4.20 Statistik purata keseluruhan NPP di kawasan kajian 151

4.21 Hasil hubungan antara radiasi solar dan hasil NPP 155

4.22 Hasil hubungan antara sejatpeluhan dan hasil NPP 158

4.23 Hasil hubungan antara suhu permukaan dan hasil NPP 161

4.24 Hasil hubungan antara NDVI dan hasil NPP 164

4.25 Hasil hubungan antara LSWI dan hasil NPP 167

4.26 Hasil hubungan antara EVI dan hasil NPP 170

4.27 Analisis taburan hasil NPP bagi getah 179

4.28 Analisis ketepatan hasil NPP bagi kelapa sawit 180

4.29 Analisis ketepatan hasil NPP bagi hutan 182

4.30 Statistik parameter Kaedah Eko-Fisiologi bagi guna

tanah utama kawasan kajian berdasarkan 90 titik sampel 184

4.31 Statistik hasil penerbitan parameter utama Kaedah Eko-

Fisiologi bagi guna tanah utama kawasan kajian

berdasarkan 90 titik sampel 185

4.32 Hasil hubungan antara purata hasil NPP menerusi empat

model Kaedah Eko-Fisiologi bagi tiga jenis guna tanah

utama terhadap parameter utama permodelan NPP 186

xiv

SENARAI RAJAH

NO. RAJAH TAJUK MUKA SURAT

1.1 Aliran karbon dalam satu ekosistem 2

1.2 Peta lokasi kawasan kajian: Hutan Simpan Pasoh, Negeri

Sembilan 12

1.3 Purata hujan bulanan kawasan kajian 13

1.4 Data radiasi solar, suhu udara dan defisit tekanan wap

kawasan kajian 14

2.1 Konsentrasi karbon dioksida dan perubahan suhu sejagat 18

2.2 Kitaran karbon antara tumbuhan dan atmosfera. 19

2.3 Graf lengkungan tindak balas cahaya matahari dalam

fotosintesis 22

2.4 Aliran parameter Permodelan Ekosistem 31

2.5 Graf corak pertumbuhan tumbuhan 37

2.6 Aplikasi penggunaan data ASTER 53

3.1 Metodologi kajian 58

3.2 Data ASTER kawasan Hutan Simpan Pasoh 60

3.3 Data radiasi solar, suhu dan defisit tekanan wap di Hutan

Simpan Pasoh 61

3.4 Data sokongan yang digunakan dalam kajian a) Peta

Topografi Hutan Simpan Pasoh, b) Peta Guna Tanah

Hutan Simpan Pasoh 2000 62

3.5 Carta alir pra-pemprosesan jalur ASTER 64

3.6 Ilustrasi kesan crosstalk pada penderia ASTER 65

3.7 Orientasi imej kepada orientasi peta menggunakan

maklumat sudut orientasi dari fail utama imej 67

xv

3.8 Prosedur pembetulan geometri imej ASTER 68

3.9 Carta alir penerbitan parameter utama Kaedah Eko-

Fisiologi daripada jalur ASTER 74

3.10 Permodelan CASA 90

3.11 Permodelan GLOPEM 93

3.12 Permodelan VPM 96

3.13 Permodelan C-Fix 100

3.14 Parameter Kaedah Eko-Fisiologi 102

4.1 Peta lokasi kawasan kajian 108

4.2 Imej Set 1 data ASTER a) VNIR (15m), b) SWIR (30m)

dan c) TIR (90m) 109

4.3 Imej Set 2 data ASTER a) VNIR (15m), b) SWIR (30m)

dan c) TIR (90m) 109

4.4 Perbandingan hasil pembetulan crosstalk jalur SWIR

(kombinasi jalur 4,5,9) a) Data mentah jalur 5; dan b)

Jalur 5 selepas pembetulan crosstalk 111

4.5 Gambaran keseluruhan imej ASTER selepas

dimozekkan. (kombinasi jalur 4, 2, 1) 112

4.6 Data ASTER selepas pra-pemprosesan (kombinasi jalur

3, 2,1) 113

4.7 Hasil pengelasan guna tanah data ASTER 2005 115

4.8 Peratus guna tanah kawasan kajian menerusi pengelasan

ASTER tahun 2005 115

4.9 Peta NDVI kawasan kajian 117

4.10 Histogram NDVI kawasan kajian 118

4.11 Histogram LSWI kawasan kajian 119

4.12 Peta LSWI kawasan kajian 120

4.13 Peta EVI kawasan kajian 121

4.14 Histogram EVI kawasan kajian 122

4.15 Peta suhu permukaan kawasan kajian 123

4.16 Histogram bagi suhu permukaan kawasan kajian 124

4.17 Peta albedo permukaan bagi kawasan kajian 125

4.18 Radiasi bersih di kawasan kajian 127

xvi

4.19 Radiasi solar di kawasan kajian 128

4.20 Sejatpeluhan potensi bagi kawasan kajian 130

4.21 Sejatpeluhan sebenar bagi kawasan kajian 132

4.22 Hasil kadar kecekapan penggunaan cahaya kawasan

kajian a) Model CASA, b) Model GLOPEM, c) Model

VPM, dan d) Model C-Fix 134

4.23 Purata kadar kecekapan penggunaan cahaya kawasan

kajian 136

4.24 Hasil FAPAR di kawasan kajian, a) Model CASA, b)

Model GLOPEM, c) Model VPM dan d) Model C-Fix 138

4.25 Purata hasil FAPAR bagi kawasan kajian 140

4.26 Purata radiasi aktif fotosintesis bagi kawasan kajian 142

4.27 Hasil NPP menerusi Model CASA 143

4.28 Hasil NPP menerusi Model GLOPEM 145

4.29 Hasil NPP menerusi Model VPM 147

4.30 Hasil NPP menerusi Model C-Fix 148

4.31 Purata keseluruhan hasil NPP 150

4.32 Histogram purata keseluruhan hasil NPP 150

4.33 Hubungan antara radiasi solar dan NPPCASA 153

4.34 Hubungan antara radiasi solar dan NPPGLOPEM 153

4.35 Hubungan antara radiasi solar dan NPPVPM 154

4.36 Hubungan antara radiasi solar dan NPPC-Fix 154

4.37 Hubungan antara radiasi solar dan NPP(CASA,GLOPEM,VPM,C-

FIX) 155

4.38 Hubungan antara sejatpeluhan dan NPPCASA 156

4.39 Hubungan antara sejatpeluhan dan NPPVPM 156

4.40 Hubungan antara sejatpeluhan dan NPPGLOPEM 157

4.41 Hubungan antara sejatpeluhan dan NPPC-Fix 157

4.42 Hubungan antara sejatpeluhan dan

NPP(CASA,GLOPEM,VPM,C-FIX) 157

4.43 Hubungan antara suhu permukaan dan NPPCASA 159

4.44 Hubungan antara suhu permukaan dan NPPGLOPEM 159

4.45 Hubungan antara suhu permukaan dan NPPVPM 160

xvii

4.46 Hubungan antara suhu permukaan dan NPPC-Fix 160

4.47 Hubungan antara suhu permukaan dan

NPP(CASA,GLOPEM,VPM,C-FIX) 160

4.48 Hubungan antara NDVI dan NPPCASA 162

4.49 Hubungan antara NDVI dan NPPGLOPEM 162

4.50 Hubungan antara NDVI dan NPPVPM 163

4.51 Hubungan antara NDVI dan NPPC-Fix 163

4.52 Hubungan antara NDVI dan NPP(CASA,GLOPEM,VPM,C-FIX) 163

4.53 Hubungan antara LSWI dan NPPCASA 165

4.54 Hubungan antara LSWI dan NPPGLOPEM 165

4.55 Hubungan antara LSWI dan NPPVPM 165

4.56 Hubungan antara LSWI dan NPPC-Fix 166

4.57 Hubungan antara LSWI dan NPP(CASA,GLOPEM,VPM,C-FIX) 166

4.58 Hubungan antara EVI dan NPPCASA 168

4.59 Hubungan antara EVI dan NPPGLOPEM 168

4.60 Hubungan antara EVI dan NPPVPM 168

4.61 Hubungan antara EVI dan NPPC-FIX 169

4.62 Hubungan antara EVI dan NPP(CASA,GLOPEM,VPM,C-FIX) 169

4.63 Peta hasil akhir anggaran NPP Hutan Simpan Pasoh 2005 183

xviii

DAFTAR SINGKATAN DAN SIMBOL

AET - Sejatpeluhan Sebenar - Actual Evapotranspiration

ASTER - Satelit Pemancaran Terma dan

Radiometer Pantulan Termaju

- Advanced Spaceborne Thermal

Emission and Reflection

Radiometer

CASA - Pendekatan Carnegie Ames

Stanford

- Carnegie Ames Stanford

Approach

COST - Kos Sudut Zenit Solar - Cosines of Solar Zenith Angle

CO2 - Karbon dioksida - Carbon dioxide

C-Fix - Pasangan Karbon - Carbon Fix

CFC - Klorofluorokarbon - Chlorofluorocarbon

CERES - Awan dan Sistem Tenaga Radiasi

Bumi

- Clouds and the Earth's Radiant

Energy System

CWSI - Indeks Tekanan Air Tumbuhan - Crop Water Stress Index

DN - Nombor Digital - Digital Number

Dj - Hari dalam Julian - Day in Julian

DEM - Model Ketinggian Berdigit - Digital Elevation Model

d - Jarak Bumi dan Matahari - Sun and Earth Distance

dT - Beza antara Suhu Permukaan dan

Suhu Udara

- Different Between Surface and

Air Temperature

EVI - Indeks Penonjolan Tumbuhan - Enhanced Vegetation Index

EMR - Radiasi Elektro magnetik - Electromagnetic Radiation

ERSDAC - Pusat Analisis Data Remote

Sensing Bumi, Jepun

- Earth Remote Sensing Data

Analysis Center, Japan

EOS - Sistem Pemantauan Bumi - Earth Observation System

Eo - Faktor Pembetulan Eksentrik - Eccentricity Correction Factor

xix

eo - Eksentrik orbit - Orbit Eccentricity

em - Tekanan Wap Tepu - Saturated Vapour Pressure

ed - Tekanan wap pada suhu takat

embun

- Vapour pressure at the dew

point temperature

FRIM - Institut Penyelidikan Perhutanan

Malaysia

- Forest Research Institute

Malaysia

GPP - Pengeluaran Primer Kasar - Gross Primary Production

GLOPEM - Model Kecekapan Pengeluaran

Global

- Global Production Efficiency

Model

G - Aliran Haba Tanah - Soil Heat Flux

G0 - Aliran Haba Pendam - Latent Heat Flux

H - Aliran Haba Wajar - Sensible Heat Flux

IPCC - Panel antara Kerajaan terhadap

Perubahan Iklim

- Intergovernmental Panel on

Climate Change

JUPEM - Jabatan Ukur dan Pemetaan

Malaysia

- Malaysia Survey Department

and Mapping

LGM - Lembaga Getah Malaysia - Malaysia Rubber Board

LSWI - Indeks Air Permukaan Tanah - Land Surface Water Index

CH4 - Metana - Methane

MODIS - Pengimejan Resolusi Sederhana

Spektrum Radiometer

- Moderate Resolution Imaging

Spectroradiometer

MPOB - Lembaga Kelapa Sawit Malaysia - Malaysian Palm Oil Board

MISR - Pengimejan Pelbagai Sudut

Spektrum Radiometer

- Multi-angle Imaging

SpectroRadiometer

MOPITT - Pengukuran Pencemaran di dalam

Troposfera

- Measurements Of Pollution In

The Troposphere

N2O - Nitrik oksida - Nitric oxide

NPP - Pengeluaran Primer Bersih - Net Primary Production

NIES - Institut Sains Alam Sekitar

Kebangsaan, Jepun

- National Institute of

Environmental Sciences, Japan

NOAA - Pentadbiran Lautan Dan

Atmosfera Kebangsaan

- National Oceanic and

Atmospheric Administration

xx

NDVI - Indeks Normalisasi Perbezaan

Tumbuhan

- Normalized Difference

Vegetation Index

O2 - Oksigen - Oxygen

PBB - Bangsa-Bangsa Bersatu - United Nation

Pv - Perkadaran Tumbuhan - Vegetation Proportion

PET - Sejatpeluhan Potensi - Potential Evapotranspiration

PAR - Radiasi Aktif Fotosintesis - Photosynthetic Active Radiation

RSO - Pembetulan Pemusingan

Orthomophic

- Rectified Skew Orthomophic

RMSE - Punca Min Kuasa Dua - Root Mean Square

Rn - Radiasi Bersih - Net Radiation

Rsw - Radiasi Gelombang Pendek - Shortwave Radiation

RH - Kelembapan Bandingan - Relative Humidity

Rg - Pemalar Udara - Gas Constant

ra - Rintangan Aerodinamik - Aerodynamic Resistant

SWIR - Gelombang Pendek Inframerah - Shortwave Infrared

SPOT - Satelit Pour Observation De La

Terre

- Satellite Pour Observation de la

Terre

FAPAR - Sebahagian Penyerapan Radiasi

Aktif Fotosintesis

- Fraction of Absorbed

Photosynthetic Active Radiation

S - Pemalar Solar - Solar Constant

SM - Kelembapan Tanah - Soil Moisture

SR - Penisbahan Mudah - Simple Ratio

TIR - Inframerah Termal - Thermal Infrared

Ts - Suhu Permukaan - Surface Temperature

Ta - Suhu Udara - Air Temperature

Topt - Suhu Optimum - Optimal Temperature

UNFCCC - Konvensyen Rangka Kerja

Bangsa-bangsa Bersatu terhadap

Perubahan Iklim

- United Nations Framework

Convention on Climate Change

VNIR - Cahaya Nampak Inframerah-

dekat

- Visible Near Infrared

VPM - Model Fotosintesis Tumbuhan - Vegetation Photosynthetic

Model

xxi

VPD - Defisit Tekanan Wap - Vapour Pressure Deficit

WGS84 - Sistem Geodesi Dunia 84 - World Geodetic System 84

α - Albedo Permukaan - Surface Albedo

ε - Kecekapan Penggunaan Cahaya - Light Use Efficiency

ξv - Pembolehubah Pecahan Litupan

Tumbuhan

- Vegetation Cover Fraction

Variable

ξ - Emisiviti - Emissivity

ƒF - Faktor Kesan Fenologi Daun - Leaf Phenology Effect Factor

ƒP - Faktor Kesan Respirasi - Respiration Effect Factor

ƒSM - Faktor Kesan Lengasan Tanih - Soil Moisture Effect Factor

ƒT - Faktor Kesan Suhu - Temperature Effect Factor

ƒTcor - Faktor Pembetulan Suhu - Temperature Correction Effect

Factor

ƒVPD - Faktor Kesan Defisit Tekanan

Wap

- Vapour Pressure Deficit Effect

Factor

ƒW - Faktor Kesan Kandungan Air - Water Contain Effect Factor

ρ - Ketumpatan Udara - Air Density

ρw - Ketumpatan Air - Water Density

δ - Nisbah NPP/GPP - NPP/GPP Ratio

Δ - Cerun Lengkung Tekanan Wap

Tepu

- Slope of Saturated Vapour

Pressure Curve

ΔHa - Pemalar Tenaga Pengaktifan - Activation Energy Constant

ΔHd - Pemalar Tenaga Penyahaktifan - Deactivation Energy Constant

ΔS - Pemalar Entropi Penyahasli

Keseimbangan Karbon Dioksida

- Entropy of the Denaturation

Equilibrium of Carbon Dioxide

τ0 - Kedalaman Optik Atmosfera - Optical Depth of the

Atmosphere

μv - Kosinus Sudut Zenit Matahari - Cosines of Sun Zenith Angle

- Pemalar Stefan-Boltzman - Stefan-Boltzmann Constant

θ - Sudut Zenit Solar - Solar Zenith Angle

^ - Bahagian yang tersejat serta

merta

- Part of evaporated immediately

λ - Aliran Haba Pendam - Latent Heat Flux

xxii

SENARAI LAMPIRAN

NO. LAMPIRAN TAJUK MUKA SURAT

A Titik sampel bagi NPP hutan dan kelapa sawit 204

B Titik sampel bagi NPP getah dan indeks

tumbuhan bagi hutan 205

C Titik sampel indeks tumbuhan bagi kelapa

sawit dan getah 206

D Titik sampel bagi parameter model bagi hutan

dan kelapa sawit 207

E Titik sampel bagi parameter model bagi getah

dan kadar kecekapan penggunaan cahaya bagi

hutan 208

F Titik sampel bagi kadar kecekapan

penggunaan cahaya bagi kelapa sawit dan

getah 209

G Parameter data mentah ASTER a) set 1, dan

b) set 2 210

H Parameter input bagi pemprosesan data

ASTER a) Parameter orbit ASTER; b) Purata

Exo-atmosfera Solar bagi jalur ASTER; c)

Purata tenaga solar, Langleys; d) Jarak

matahari-bumi dalam unit astronomical 211

I Senarai singkatan dan unit bagi parameter

permodelan Eko-Fisiologi 212

BAB 1

PENGENALAN

1.1 Pendahuluan

Karbon dioksida (CO2) dan gas rumah hijau lain di atmosfera memainkan

peranan penting terhadap perubahan persekitaran iklim sejagat (Young dan Giese,

2003). Pada kepekatan rendah, gas rumah hijau berfungsi sebagai medium

pengawalan suhu bumi dengan memerangkap gelombang panjang daripada radiasi

inframerah secara semulajadi (Dickinson dan Bloomberg, 2007). Walau

bagaimanapun, pertambahan kepekatan gas rumah hijau dari semasa ke semasa

menyebabkan suhu bumi semakin meningkat. Fenomena ini dikenali sebagai kesan

rumah hijau.

Misi Pertubuhan Bangsa-Bangsa Bersatu menerusi Protokol Kyoto bagi

mengawal aktiviti manusia yang memberi kesan terhadap kualiti alam sekitar perlu

dicapai untuk memastikan kitaran CO2 yang seimbang ke atmosfera (Olofsson et al.,

2007). Perkembangan aktiviti perindustrian dan perubahan guna tanah merupakan

antara faktor yang mengganggu keseimbangan dan konsentrasi gas rumah hijau

terutamanya Karbon dioksida (CO2), Metana (CH4), Nitrik oksida (N2O) dan

Chlorofluorocarbon (CFC) (Dickinson, 2007).

2

CO2 merupakan gas rumah hijau yang paling banyak dihasilkan oleh aktiviti

manusia hasil pembangunan dan perindustrian (Young dan Giese, 2003). Ekosistem

semulajadi bumi menyeimbangkan permasalahan ini dengan berinteraksi secara

semulajadi antara satu sama lain melalui penggunaan CO2 dan O2. Pada Rajah 1.1

menunjukkan aliran CO2 antara atmosfera dan ekosistem. Dalam kitaran karbon

tumbuhan, CO2 akan diserap bagi menjalankan proses fotosintesis yang kemudiannya

dikenali sebagai Pengeluaran Primer Kasar (GPP). Sebahagian daripada CO2 yang

diserap ini kemudiannya akan dilepaskan kembali ke atmosfera melalui aktiviti

Respirasi Autotrop (Rautotrop). Manakala sebahagian lagi disimpan ke dalam tisu

tumbuhan dan dikenali sebagai NPP.

Sumber: Ubahsuai dari Monji, (2003)

Rajah 1.1 Aliran karbon dalam satu ekosistem

Atmosfera

AkarTanah

Ekosistem

GPP

RtanahNEP

Respirasimikro-organisma

Respirasihaiwan

Daun/rantinggugur

Rheterotrop

PengumpulanKarbon

Rautotrop

Daun

Batang

Bahan organik

Mikro-organisma

Haiwan

+++

+

_ _

NPP

3

Setiap fungsi dalam ekosistem termasuklah tumbuhan, haiwan dan

mikroorganisma memainkan peranan masing-masing dalam aktiviti pengolahan

karbon yang menjadi input bagi hasil Pengeluaran Ekosistem Bersih (NEP) yang

seimbang. Aliran karbon ini diseimbangi oleh aktiviti respirasi hidupan iaitu daripada

Respirasi heterotrop (Rheterotrop), Respirasi tanah (Rtanah), dan Respirasi autotrop

(Rautotrop). Aliran karbon yang seimbang dalam satu ekosistem mewujudkan kitaran

karbon yang sempurna. Dalam satu ekosistem, tumbuhan memainkan peranan utama

untuk memastikan lambakan CO2 di atmosfera dapat digunakan sebaiknya. Proses

penyerapan dan penggunaan karbon oleh tumbuhan dapat dinilai berdasarkan

anggaran kadar NPP.

Proses fotosintesis yang dijalankan oleh tumbuhan membantu tumbuhan

dalam proses tumbesarannya. Kadar NPP merupakan anggaran terhadap kadar

karbon yang disimpan ke dalam tisu tumbuhan melalui aktiviti fotosintesis dan

respirasi pada satu tempoh masa (Field et al., 1995). Secara amnya, kadar NPP bagi

tumbuhan dikaitkan dengan kadar penggunaan CO2 yang diserap oleh tumbuhan

yang kemudiannya diolah dan disimpan di dalam daun, batang dan akar. Semakin

banyak aktiviti fotosintesis yang dijalankan oleh tumbuhan memberi petunjuk

bahawa semakin banyak CO2 yang telah diserap. Aktiviti pembangunan perlu seiring

dengan pertambahan kawasan tumbuhan agar tumbuhan di satu-satu kawasan

mencukupi untuk menyerap lambakan CO2 di udara kesan daripada aktiviti

perindustrian yang kian pesat berkembang.

Perkembangan aktiviti perindustrian dan pembangunan menyebabkan lebih

banyak kawasan berhutan diteroka. Di Malaysia, kebanyakan daripada kawasan

berhutan digantikan dengan aktiviti perladangan kelapa sawit dan getah. Pemantauan

dan pengurusan sumber hutan diperlukan bagi memastikan ekosistem ini terus

memainkan peranannya dalam mengimbangi kitaran karbon yang menerima kesan

akibat aktiviti manusia. Kemajuan teknologi aeroangkasa pada masa kini dapat

membantu aktiviti pengurusan alam sekitar dijalankan dengan lebih mudah dan

berkesan. Data remote sensing dapat membantu dalam pelbagai aplikasi termasuklah

di dalam bidang pertanian, perhutanan, marin, geologi, perancangan bandar, dan

pengurusan sumber air.

4

Malaysia, seperti negara-negara membangun yang lain, tidak terlepas

daripada permasalahan alam sekitar kesan daripada peningkatan suhu bumi yang

lebih dikenali sebagai pemanasan global. Walaupun Malaysia belum dipastikan

sebagai salah sebuah negara yang menerima kesan pemanasan global yang serius,

namun, pendekatan yang sesuai perlu diambil bagi memantau dan mengawal

permasalahan ini. Dalam bidang pengurusan hutan dan pengawalan alam sekitar,

data satelit remote sensing berupaya untuk memberi anggaran kadar kitaran CO2 di

atmosfera berdasarkan kepada kadar NPP tumbuhan (Coops et al., 2003).

Penyerapan CO2 daripada atmosfera oleh tumbuhan menerusi proses

fotosintesis dikenali sebagai GPP. Aktiviti respirasi tumbuhan akan membawa

sebahagian aliran karbon ini ke atmosfera semula dan sebahagian lagi disimpan

sebagai NPP (Furumi, 2002). Anggaran NPP tumbuhan diukur dalam unit gram

karbon/meter²/masa (gCm-2yr-1). Hubungan ini boleh dijelaskan seperti di dalam

persamaan 1.1.

RGPPNPP

di mana,

NPP = Pengeluaran Primer Bersih;

GPP = Pengeluaran Primer Kasar; dan

R = Respirasi.

NPP yang disimpan sebagai bahan organik akan bergabung dengan tisu

tumbuhan untuk menghasilkan pertumbuhan. Oleh itu, hubungan antara NPP dan

juga biojisim dapat digunakan sebagai satu kaedah bagi menganggarkan kadar

kitaran karbon antara ekosistem dan atmosfera. Kaedah penganggaran NPP menerusi

perolehan biojisim tumbuhan dikenali sebagai Kaedah Biometrik (Marchesini et al.,

2007). Kaedah Biometrik merupakan kaedah pengukuran NPP secara konvensional

yang melibatkan penebangan pokok dan pengukuran biojisim. Dengan kemajuan

teknologi pada masa kini, penganggaran NPP dapat dilakukan tanpa melibatkan

.....(1.1)

5

penebangan dan kemusnahan ekosistem. Kaedah ini dikenali sebagai kaedah Eko-

Fisiologi dan diintegrasikan bersama data remote sensing.

Remote sensing melibatkan pengukuran maklumat tanpa menyentuh

permukaan bumi. Tenaga elektromagnet yang direkodkan oleh pengimbas satelit

mengandungi maklumat mengenai fenomena objek di permukaan bumi. Terdapat

dua bentuk sistem pengumpulan data dalam remote sensing iaitu secara pasif dan

juga aktif. Pengimbas pasif merekodkan tenaga elektro magnetik semulajadi yang

dibalikkan atau dibebaskan oleh objek. Pengimbas aktif pula menjana tenaga sendiri

untuk dipancarkan ke permukaan bumi. Tenaga ini akan dibalikkan oleh objek dan

direkodkan oleh pengimbas.

Melalui kaedah Eko-Fisiologi, data remote sensing menjadi sumber utama

penerbitan maklumat dan parameter-parameter yang terlibat dalam permodelan NPP.

Analisis terhadap signal yang dibalikkan oleh tumbuhan melalui data remote sensing

membolehkan kajian mengenai kadar pengeluaran tumbuhan dijalankan dengan lebih

mudah dan dapat merangkumi kawasan yang luas. Pelbagai Kaedah Eko-Fisiologi

telah dibangunkan berdasarkan kepada sensitiviti faktor-faktor persekitaran yang

mempengaruhi kadar NPP di sesuatu kawasan. Penilaian setiap Kaedah Eko-

Fisiologi perlu dijalankan secara lebih terperinci untuk memastikan model-model ini

sesuai dan boleh digunakan untuk persekitaran tumbuhan di kawasan tropika.

Kadar NPP bagi setiap tumbuhan adalah berbeza-beza di mana ianya

dipengaruhi oleh jenis tumbuhan dan keadaan iklim persekitaran habitat tumbuhan

terbabit. Tumbuhan semula jadi di Malaysia terdiri daripada hutan hujan tropika. Di

Malaysia, kebanyakan daripada kawasan hutan diteroka dan dijadikan ladang kelapa

sawit dan juga getah. Perubahan guna tanah ini memberi kesan terhadap perubahan

lanskap di Malaysia. Pengaruh iklim terhadap tumbuh-tumbuhan adalah kompleks

dan dapat dibahagikan kepada beberapa faktor utama iaitu pancaran matahari, kadar

nutrien, dan kesan persekitaran seperti suhu dan air. Penilaian Kaedah Eko-Fisiologi

terhadap setiap faktor ini perlu dilakukan agar aktiviti pengurusan hutan dan

perladangan di Malaysia dapat dijalankan dengan lebih efisien.

6

1.2 Penyataan Masalah

Seiring dengan perkembangan aktiviti pembangunan dan perindustrian,

komposisi kandungan gas rumah hijau turut bertambah dari semasa ke semasa.

Lambakan gas rumah hijau yang tidak terkawal di atmosfera akan meningkatkan

suhu bumi dan memberi kesan buruk kepada hidupan. Satu kaedah pengawalan alam

sekitar yang menjurus kepada penilaian komposisi gas rumah hijau di atmosfera

perlu dibangunkan dengan lebih teliti bagi memastikan keseimbangan iklim sejagat

terus terpelihara. Ekosistem hutan hujan di Malaysia adalah sumber penting untuk

memastikan kestabilan komposisi gas di atmosfera.

Cabaran dalam pengurusan sumber hutan adalah untuk mengekalkan

keseimbangan di antara penggunaan hasil hutan dan pada masa yang sama

memastikan alam sekitar yang bersih, sihat dan memberi faedah kepada generasi

masa kini dan akan datang. Setiap aktiviti pembangunan dan perindustrian di sesuatu

kawasan perlu seiring dengan kestabilan iklim di persekitarannya kerana aktiviti ini

banyak membebaskan gas rumah hijau ke atmosfera. Keseimbangan ini penting

kerana Malaysia, sebagai satu negara membangun, masih bergantung kepada

sumber-sumber semula jadi untuk pembangunan ekonominya.

CO2 merupakan penyumbang utama komposisi gas rumah hijau hasil

daripada aktiviti manusia. Ekosistem semulajadi bumi mengadaptasi permasalahan

ini dengan bertindak sebagai medium pengaliran karbon antara atmosfera dan

ekosistem. Tumbuhan merupakan pengguna CO2 semulajadi yang menggunakan CO2

dalam aktiviti pertumbuhannya. Aliran karbon dalam tumbuhan dapat ditentukan

berdasarkan kepada kadar NPP. Penilaian terhadap NPP dari semasa ke semasa dapat

membantu dalam aktiviti pengawalan tumbesaran tumbuhan.

Kadar NPP dapat dijadikan petunjuk kepada kadar penggunaan CO2. Walau

bagaimanapun, kaedah pengukuran NPP agak sukar dilakukan secara langsung

terhadap satu-satu tumbuhan kerana melibatkan penebangan dan pengukuran bio

jisim. Implementasi kaedah konvensional akan menyebabkan banyak pokok ditebang

dan boleh menjejaskan keseimbangan ekosistem. Melalui kaedah ini, maklumat bio

7

jisim bagi tumbuhan yang telah ditebang tidak dapat diperoleh untuk masa-masa

akan datang. Dengan ini, penggunaan kaedah penganggaran NPP yang lebih

berkesan untuk jangka masa panjang diperlukan bagi memastikan pengurusan

sumber hutan dan perladangan dapat dilakukan dari semasa ke semasa dengan lebih

baik.

Kadar NPP adalah berbeza bagi tumbuhan yang berlainan kerana ianya

bergantung kepada keupayaan tumbuhan untuk mengolah CO2 ke dalam bentuk

makanan. Aktiviti fotosintesis tumbuhan dipengaruhi oleh faktor-faktor

persekitarannya seperti kepekatan cahaya matahari, ketersediaan air dan perubahan

suhu persekitaran. Setiap jenis tumbuhan memiliki sensitiviti yang berbeza untuk

bertindak balas dengan perubahan iklim persekitarannya. Kaedah penganggaran NPP

yang mengambil kira kesan faktor persekitaran dikenali sebagai Kaedah Eko-

Fisiologi.

Sehingga kini, terdapat beberapa Kaedah Eko-Fisiologi telah dibangunkan

untuk menganggarkan NPP tumbuhan seperti Model CASA (Carnegie Ames

Stanford Approach) (Potter et al., 1999), Model GLOPEM (Global Production

Efficiency Model) (Prince dan Goward, 1995), Model VPM (Vegetation

Photosynthetic Model) (Xiao et al., 2005), dan Model C-Fix (Carbon Fix) (Chirici et

al., 2007). Parameter Kaedah Eko-Fisiologi ini disesuaikan terhadap persekitaran

sesuatu ekosistem. Oleh itu, penilaian yang tepat perlu dilakukan terhadap model-

model ini untuk disesuaikan dengan persekitaran ekosistem di Malaysia bagi

membolehkan anggaran NPP dilakukan dengan lebih tepat.

Integrasi antara data remote sensing dan Kaedah Eko-Fisiologi dalam

penganggaran NPP merupakan satu alternatif bagi mengelakkan kemusnahan

ekosistem yang disebabkan oleh pengukuran NPP secara konvensional. Penggunaan

data remote sensing dapat memenuhi keperluan resolusi ruang dan masa yang lebih

baik. Dengan keupayaan resolusi ruang dan masa yang tinggi, maklumat yang

diekstrak daripada data remote sensing dapat menggambarkan ciri-ciri ekosistem

dengan lebih baik. Penggunaan data remote sensing bukan sahaja dapat memberikan

anggaran NPP tumbuhan, malah dapat dijadikan penunjuk bagi kadar aliran karbon

antara atmosfera dan juga ekosistem.

8

1.3 Objektif Kajian

Keperluan untuk menyediakan satu bentuk pengurusan sumber hutan dan

perladangan yang berkesan membawa kepada pembangunan model anggaran NPP.

Penggunaan data remote sensing merupakan pendekatan terbaik untuk diintegrasikan

bersama model-model NPP sedia ada berikutan ketersediaan data remote sensing

untuk memenuhi keperluan ruang dan masa yang lebih baik. Dalam kajian ini

terdapat tiga objektif yang ingin dicapai iaitu untuk:

i. Menjalankan penilaian terhadap Kaedah Eko-Fisiologi bagi penentuan kadar

NPP menggunakan data ASTER;

ii. Memetakan corak taburan ruang NPP bagi tiga jenis guna tanah utama di

kawasan kajian menggunakan data ASTER dan;

iii. Menentukan ketepatan hasil anggaran NPP yang diperoleh bagi setiap

Kaedah Eko-Fisiologi.

1.4 Skop Kajian

Kajian ini dijalankan bagi menganggarkan kadar NPP tumbuhan di kawasan

tropika menggunakan data remote sensing. Antara skop bagi kajian ini termasuklah:

i. Pemetaan NPP dalam kajian ini dijalankan di kawasan Hutan Simpan Pasoh,

Negeri Sembilan dan kawasan sekitarnya iaitu seluas kira-kira 178000 hektar.

Kawasan kajian ini merangkumi tiga jenis guna tanah utama iaitu hutan, kelapa sawit

dan getah.

9

ii. Integrasi data remote sensing dan Kaedah Eko-Fisiologi dalam penganggaran

NPP melibatkan empat Kaedah Eko-Fisiologi iaitu Model CASA (Carnegie Ames

Stanford Approach), Model GLOPEM (Global Production Efficiency Model), Model

VPM (Vegetation Photosynthetic Model), dan Model C-Fix (Carbon Fix).

iii. Data remote sensing yang digunakan bagi penilaian Kaedah Eko-Fisiologi

dan pemetaan NPP merupakan data ASTER (Advanced Spaceborne Thermal

Emission and Reflection Radiometer) yang diperoleh daripada ERSDAC (Earth

Remote Sensing Data Analysis Center), Jepun. Data ASTER yang digunakan dalam

kajian ini merupakan satu set data kawasan kajian Hutan Simpan Pasoh bagi tahun

2005 dan tidak melibatkan set data ulangan (multi-temporal).

iv. Pemprosesan data ASTER dijalankan menggunakan beberapa perisian seperti

ERDAS Imagine, ASTER Crosstalk Correction, ER Mapper dan ENVI. Perisian-

perisian ini digunakan bagi keseluruhan proses pra-pemprosesan, pemprosesan dan

juga aplikasi model.

v. Analisis hasil NPP yang diperoleh menerusi data ASTER kemudiannya

dilakukan berdasarkan hubungannya dengan parameter yang digunakan dalam

permodelan kaedah Eko-Fisiologi. Analisis ketepatan hasil NPP dilakukan secara

analisis statistik Cooficient of Variation (CV) dan juga perbandingan hasil NPP

daripada kajian-kajian yang lepas di kawasan kajian.

1.5 Signifikan Kajian

Malaysia merupakan antara negara yang mengambil usaha untuk menangani

isu perubahan iklim kesan daripada pembebasan gas rumah hijau. Untuk tujuan ini,

Malaysia telah memeterai memorandum UNFCCC (United Nations Framework

Convention on Climate Change) pada 17 Julai 1994 (FRIM, 2003). Sehubungan

dengan itu, Malaysia telah mengkaji semula polisi dan rang undang-undang yang

10

berkaitan dengan isu perubahan iklim bagi memastikan objektif UNFCCC dicapai.

Pada 12 Mac 1999 Malaysia telah menandatangani Protokol Kyoto memberi

sokongan penuh terhadap usaha pengawalan alam sekitar (FRIM, 2003). Clean

Development Mechanism (CDM) merupakan salah satu mekanisme yang dibentuk

merujuk kepada Protokol Kyoto untuk menjalankan aktiviti yang dapat mengawal

pengeluaran gas rumah hijau oleh negara-negara industri.

Bagi menyahut usaha kerajaan dalam menangani isu perubahan iklim sejagat,

penyelidikan tentang kesan keseimbangan aliran gas rumah hijau ke atmosfera perlu

diberi perhatian. CO2 merupakan antara gas rumah hijau yang banyak dilepaskan ke

atmosfera oleh aktiviti perindustrian. Kitaran karbon yang berkesan dan seimbang

diperlukan bagi menjamin produktiviti persekitaran daripada menerima kesan

pemanasan global akibat penambahan CO2 yang berlebihan. Kadar NPP dapat

menggambarkan kadar karbon bersih yang diambil oleh tumbuhan daripada

atmosfera. Oleh sebab itu, pengukuran NPP telah digunakan secara meluas sebagai

penunjuk bagi menganggarkan kadar pengambilan CO2 di atmosfera oleh tumbuh-

tumbuhan (Jiang et al., 1999).

Penelitian terhadap kaedah pengukuran NPP amat penting bagi memastikan

setiap pendekatan yang diambil dalam pengukuran NPP tidak merosakkan alam

sekitar. Penggunaan teknik remote sensing memberikan kelebihan dari segi

penjimatan masa dan implementasi model. Dalam kajian ini, kebanyakan parameter

yang terlibat dalam permodelan Eko-Fisiologi diterbitkan melalui pengekstrakan data

remote sensing. Pendekatan ini lebih praktikal untuk digunakan bagi tujuan pengawal

dan pemantauan NPP dari semasa ke semasa.

Pembangunan setiap Kaedah Eko-Fisiologi disesuaikan dengan persekitaran

iklim di sesuatu kawasan. Penilaian setiap Kaedah Eko-Fisiologi yang terlibat dalam

kajian ini membolehkan sensitiviti setiap model ini dinilai agar penggunaannya

bersesuaian dengan ciri-ciri tumbuhan yang dikaji. Dalam kajian ini, implementasi

Kaedah Eko-Fisiologi dijalankan terhadap tiga jenis guna tanah utama iaitu hutan,

kelapa sawit dan getah. Penyesuaian setiap Kaedah Eko-Fisiologi terhadap setiap

guna tanah menjadikan model ini lebih berkesan dan praktikal untuk digunakan

untuk tujuan pengurusan guna tanah yang lebih baik.

11

Kaedah Eko-Fisiologi terbaik yang ditentukan dalam kajian ini boleh

dijadikan rujukan untuk digunakan pada masa-masa akan datang di kawasan lain

yang mempunyai persekitaran tropika yang sama. Oleh itu, kajian ini membentuk

satu langkah penganggaran NPP yang lebih mudah dan menjimatkan kos. Kajian ini

memanfaatkan sepenuhnya penggunaan teknik remote sensing sebagai satu alternatif

baru dalam bidang pengurusan sumber hutan dan perladangan di Malaysia.

1.6 Kawasan Kajian

Kajian ini telah dijalankan di Hutan Simpan Pasoh, Negeri Sembilan. Ianya

terletak lebih kurang 2°59' Utara dan 102°19' Timur dengan ketinggian muka bumi

kira-kira 75m hingga 150m dari paras laut. Seluas 178000 hektar kawasan kajian

telah dipilih merangkumi keseluruhan kawasan Hutan Simpan Pasoh iaitu kira-kira

2450 hektar. Peta kawasan kajian ini ditunjukkan di dalam Rajah 1.2. Secara

keseluruhannya kawasan kajian ini melibatkan sebahagian daripada dua buah negeri

di Malaysia iaitu Negeri Sembilan dan Negeri Pahang dengan ketinggian

keseluruhan antara 40m hingga 1080m dari aras laut.

12

Rajah 1.2 Peta lokasi kawasan kajian: Hutan Simpan Pasoh, Negeri Sembilan

1.6.1 Jenis Guna Tanah

Hutan Simpan Pasoh dikelilingi oleh ladang kelapa sawit dan getah serta

didominasi oleh jenis hutan Dipterokarp (Ashton et al., 2003). Kawasan kajian ini

terdiri daripada hutan hujan tropika yang terdiri daripada hutan primer dan hutan

sekunder dengan ketinggian lebih kurang 35m hingga 45m.

13

1.6.2 Iklim

Berdasarkan kepada data meteorologi yang direkodkan oleh Institut

Penyelidikan Perhutanan Malaysia (FRIM) di Hutan Simpan Pasoh, didapati purata

hujan pada tahun 2005 adalah sebanyak 1649 mm manakala purata hujan pada tahun

2004 pula sebanyak 1655mm. Rajah 1.3 menunjukkan graf purata hujan bulanan

yang direkodkan sepanjang tahun 2003, 2004 dan 2005 serta purata hujan tahunan

antara tahun 1983 hingga tahun 1997 (Kosugi et al., 2008).

Sumber : Kosugi et al., (2008)

Rajah 1.3 Purata hujan bulanan kawasan kajian

Selain daripada data hujan, pusat penyelidikan Hutan Simpan Pasoh juga

merekodkan maklumat meteorologi seperti kadar radiasi solar, suhu udara dan defisit

tekanan wap seperti di dalam Rajah 1.4. Secara keseluruhannya, purata suhu

minimum bulanan bagi kawasan kajian dicatatkan kira-kira 25ºC manakala purata

suhu maksimum bulanan sebanyak 28ºC. (Kosugi et al., 2008)

14


Rajah 1.4 Data radiasi solar, suhu udara dan defisit tekanan wap kawasan kajian

1.6.3 Kemudahan

Selain daripada kemudahan penginapan yang diselia oleh FRIM, kawasan

kajian ini juga menyediakan kemudahan perekodan data meteorologi. Antara

peralatan yang digunakan untuk perekodan data meteorologi ini termasuklah

Termometer Anemometer Bunyi yang digunakan untuk menyukat suhu udara,

Penganalisis Laluan Terbuka Gas Inframerah untuk menyukat wap air dan CO2,

manakala LI6400 digunakan bagi pengukuran kadar fotosintesis (Asia Flux, 2007).

Perekodan maklumat meteorologi menerusi kesemua peralatan ini dipantau dan

dikawal selia sepenuhnya oleh FRIM.

BAB 2

LATAR BELAKANG KAJIAN

2.1 Pendahuluan

Karbon dioksida dan gas rumah hijau lain seperti Metana, Nitrik oksida dan

Clorofluorokarbon di atmosfera memainkan peranan penting terhadap perubahan

persekitaran iklim sejagat (Dickinson, 2007). Antara fungsi gas rumah hijau adalah

sebagai medium pengawalan suhu bumi secara semulajadi. Gas rumah hijau akan

memerangkap sebahagian daripada radiasi inframerah yang dibebaskan dari

permukaan bumi. Radiasi inframerah ini merupakan gelombang panjang yang

membawa haba untuk dilepaskan ke angkasa melalui atmosfera. Sekiranya atmosfera

bumi tidak mengandungi gas rumah hijau,bumi akan mengalami sejuk yang

melampau hingga boleh menjejaskan keseimbangan ekosistem di muka bumi

(Buchdahl dan Twigg, 2002).

Suatu ekosistem terdiri daripada interaksi kepelbagaian organisma biologi

dan persekitaran fizikalnya. Tumbuhan memainkan peranannya secara semulajadi

dalam kitaran karbon dengan menjadi medium perantara perpindahan karbon ke

dalam dan keluar dari ekosistem. Tumbuhan menyerap CO2 melalui proses

fotosintesis dan mengembalikan semula sebahagiannya ke atmosfera melalui proses

respirasi (Liu et al., 2005). Dari semasa ke semasa, pertumbuhan setiap bahagian

16

tumbuhan terus berlaku manakala terdapat pula bahagian yang mati, gugur dan

dikembalikan ke tanah sebagai bahan organik.

Lambakan gas rumah hijau terutamanya oleh CO2 yang disumbangkan oleh

aktiviti manusia seperti pembangunan dan perindustrian akan mengganggu

keseimbangan persekitaran fizikal dalam suatu ekosistem. Kepekatan gas rumah

hijau yang tidak terkawal mengakibatkan lebih banyak gelombang panjang dari

radiasi inframerah terperangkap di atmosfera. Keadaan ini menjadikan atmosfera

bumi semakin panas atau lebih dikenali sebagai kesan rumah hijau (ENS, 2006).

Sensitiviti tumbuhan untuk menerima perubahan fizikal persekitarannya perlu dinilai

bagi memastikan tumbuhan dapat terus hidup dan menjalankan fungsinya dalam

suatu ekosistem dengan lebih berkesan.

Eko-Fisiologi merupakan kombinasi antara ekologi dan fisiologi yang mana

fungsi dan aktiviti suatu organisma dikaji dalam konteks persekitarannya (Kruger,

2003). Tindak balas tumbuhan dalam mengadaptasi perubahan persekitaran

fizikalnya merupakan langkah penting untuk tumbuhan menyesuaikan diri dengan

sebarang tekanan persekitaran. Sesetengah tumbuhan berinteraksi dengan cara

membuka atau mengecilkan ruang stomanya. Fotosintesis merupakan proses asas

tumbuhan yang melibatkan penggunaan tenaga matahari dan CO2 yang dipengaruhi

oleh keadaan persekitaran tumbuhan. Sebahagian daripada hasil proses fotosintesis

yang dikenali sebagai NPP akan disimpan ke dalam bahagian-bahagian tumbuhan

sebagai satu bentuk pertumbuhan.

Kaedah Eko-Fisiologi merupakan kaedah penganggaran kadar NPP yang

telah dibangunkan dengan mengambil kira faktor-faktor persekitaran fizikal

tumbuhan. Sehingga kini, terdapat pelbagai Kaedah Eko-Fisiologi yang telah

dihasilkan antaranya Model CASA (Carnegie Ames Stanford Approach) (Potter et

al., 1999), Model GLOPEM (Global Production Efficiency Model) (Prince dan

Goward, 1995), Model VPM (Vegetation Photosynthetic Model) (Xiao et al., 2005),

dan Model C-Fix (Carbon Fix) (Chirici et al., 2007). Integrasi antara penggunaan

data remote sensing dan Kaedah Eko-Fisiologi dalam penganggaran NPP merupakan

alternatif baru yang lebih berkesan dalam pengurusan sumber hutan dan perladangan.

17

2.2 Konsentrasi Gas Rumah Hijau dan Pemanasan Sejagat

Malaysia merupakan antara negara yang mencatatkan kadar pembebasan gas

rumah hijau yang kecil berbanding beberapa negara lain di dunia. Walau

bagaimanapun, Malaysia perlu mengambil langkah awal dalam pengawalan

pelepasan gas ini bagi memastikan konsentrasi gas ini dapat dikawal selia dengan

baik. Berdasarkan kepada maklumat yang dikeluarkan oleh Intergovernmental

Negotiating Committee (INC) pada tahun 2000, Malaysia mencatatkan pembebasan

gas rumah hijau sebanyak 138 juta tan pada tahun 1990 dan meningkat kepada 144

juta tan pada tahun 1994 (My Massa, 2007). Manakala, negara maju seperti Jepun

dan Amerika Syarikat merupakan antara penyumbang utama kepada pembebasan gas

rumah hijau. Pada tahun 1990, jumlah pembebasan gas rumah hijau oleh Jepun dan

Amerika Syarikat masing-masing sebanyak 1215.9 juta tan dan 5895.9 juta tan.

Jumlah ini meningkat masing-masing kepada 1276.1 juta tan dan 6130.8 juta tan

pada tahun 1994 (My Massa, 2007).

Perubahan iklim global pada masa ini adalah kesan daripada peningkatan

mendadak gas rumah hijau di atmosfera yang disebabkan oleh kepesatan dalam

industri termasuklah perkilangan, pembalakan, pertanian, pengangkutan dan industri

lain di dunia tanpa adanya keseimbangan dengan alam sekitar. Peningkatan tertinggi

gas rumah hijau dicatatkan antara tahun 1987 dan 1988 berdasarkan kepada Indeks

Gas Rumah Hijau Tahunan iaitu sebanyak 2.8 %. Manakala peningkatan gas rumah

hijau terendah dicatatkan pada tahun 1992 dan 1993 iaitu sebanyak 0.81 % (ENS,

2006). Lambakan gas rumah hijau secara langsung meningkatkan suhu bumi atau

lebih dikenali sebagai pemanasan sejagat.

Pemanasan sejagat merupakan satu indikasi yang menggambarkan

peningkatan suhu sama ada di daratan, lautan, ataupun kombinasi kedua-duanya

secara menyeluruh. Ancaman perubahan iklim dan pemanasan sejagat perlu

ditangani secara berkesan dengan membabitkan keseluruhan komuniti antarabangsa,

terutamanya penglibatan negara maju yang menjadi pengeluar utama gas rumah

hijau. Perubahan iklim dunia dan pemanasan sejagat yang mengundang pelbagai

18

permasalahan sewajarnya memberi kesedaran kepada semua manusia di seluruh

dunia agar lebih menghargai alam sekitar.

2.2.1 Keseimbangan Kitar Karbon

Pembakaran bahan api fosil seperti penggunaan petrol, arang batu dan gas

merupakan sumber utama lambakan CO2 di atmosfera. Menerusi Laporan Penilaian

Keempat, Panel Antara Kerajaan Perubahan Iklim (IPCC), menunjukkan 98 peratus

daripada kenaikan suhu bumi kini disebabkan oleh pembebasan CO2. Berdasarkan

Rajah 2.1, konsentrasi CO2 di atmosfera meningkat daripada 280ppm yang dicatat

pada kurun ke-18 iaitu sebelum era revolusi perindustrian, kepada 379ppm pada

2005 (Keeling dan Whorf, 2005).

Sumber: Ubahsuai dari Keeling dan Whorf, (2005)

Rajah 2.1 Konsentrasi karbon dioksida dan perubahan suhu sejagat

Perubahan Suhu (F)

1885 1905 1925 1945 1965 1985 2005

280

300

340

320

380

360

-0.4

0.0

0.8

0.4

1.6

1.2Perubahan Suhu

Konsentrasi Karbon dioksida

Karbon dioksida (ppm)

Tahun

1865

19

Sekiranya manusia masih mengekalkan aktiviti yang melibatkan pembebasan

CO2 yang banyak seperti sekarang, kepekatan CO2 di atmosfera dijangka akan terus

meningkat. Peningkatan konsentrasi CO2 di atmosfera akan menyebabkan

peningkatan suhu persekitaran, dan seterusnya boleh mempengaruhi perubahan iklim

sejagat. Keadaan ini akan mengakibatkan persekitaran bumi tidak lagi sesuai untuk

didiami oleh manusia (Kudeyarov dan Kurganova, 1998).

Pemahaman mengenai keseimbangan kitar karbon penting bagi memahami

proses penukaran CO2 antara atmosfera dan ekosistem dalam mempengaruhi

konsentrasi CO2 di dalam atmosfera (Gower, 2003). Sebahagian besar daripada

konsentrasi CO2 di atmosfera di serap dan digunakan oleh tumbuhan. Secara amnya,

tumbuhan meliputi kira-kira satu per tiga daripada keseluruhan kawasan daratan di

muka bumi (Buchdahl dan Twigg, 2002). Kelebihan untuk menyimpan dan

menggunakan karbon dengan banyak menjadikan tumbuhan sebagai medium

pengawalan dan kestabilan iklim sejagat secara semulajadi dan berkesan.

Tumbuhan menyerap CO2 dari atmosfera untuk menjalankan proses

fotosintesis dan menghasilkan GPP. Sebahagian tenaga yang dihasilkan menerusi

proses ini akan digunakan dalam proses respirasi dengan membebaskan CO2.

Manakala bakinya pula disimpan ke dalam tisu sebagai NPP. Oleh itu, NPP dapat

dianggarkan berdasarkan kepada bio jisim baru yang dihasilkan oleh setiap bahagian

tumbuhan termasuklah daun, batang, dahan, ranting, dan akar dalam suatu tempoh

masa (Gower, 2003). Kitaran karbon antara tumbuhan dan atmosfera ini ditunjukkan

di dalam Rajah 2.2.

Rajah 2.2 Kitaran karbon antara tumbuhan dan atmosfera

Batang Daun RantingAkarDahan

CO2 di atmosfera

Pengeluaran Primer Bersih

Pengeluaran PrimerKasar

aliran karbon masukRespirasi

aliran karbon keluar

aliran karbon masuk

20

2.2.2 Kesan Perubahan Guna Tanah Terhadap Aliran Kitar Karbon

Hutan hujan tropika mengandungi kadar biojisim yang tinggi. Mengikut

statistik, daripada sejumlah 8330 bilion tan organik karbon yang terkumpul bersama-

sama tumbuhan, 40 % daripadanya dihasilkan di hutan hujan tropika (Cheah, 1997).

Berikutan dengan itu, penerokaan hutan yang tidak terancang akan menyebabkan

sumber utama medium aliran karbon antara atmosfera dan ekosistem daratan

semakin berkurang. Tambahan pula, setiap tumbuhan mengandungi pegangan karbon

yang berbeza antara satu sama lain.

Setiap jenis guna tanah memainkan peranan penting dalam aktiviti

penyimpanan dan pengeluaran karbon (Canadell, 2002). Kehilangan karbon yang

disebabkan oleh perubahan guna tanah menjadi lebih rumit apabila banyak kawasan

hutan yang diteroka untuk aktiviti pembangunan dan perindustrian tidak

diseimbangkan dengan penanaman tumbuhan. Walau bagaimanapun, di Malaysia,

penerokaan hutan dijalankan untuk memenuhi keperluan industri perladangan seperti

kelapa sawit dan getah. Sehingga tahun 2006, terdapat seluas kira-kira 2,334,247

hektar ladang kelapa sawit di semenanjung Malaysia (MPOB, 2006).

Permintaan minyak sawit yang begitu menggalakkan mempergiatkan lagi

aktiviti pembukaan ladang-ladang baru kelapa sawit. Tambahan pula, sawit mudah

hidup di kawasan tanah yang subur dan terbuka dengan kelembapan yang tinggi

seperti di Malaysia. Selain daripada kelapa sawit, getah merupakan aktiviti

perladangan utama di Malaysia. Sehingga kini penanaman dan pengeluaran getah

terus berkembang dan meluas. Pengeluaran getah pernah menyumbang kepada

pendapatan eksport paling tinggi, iaitu kira-kira 72.35% dalam tahun 1951 (LGM,

2006). Prestasi ini telah menjadikan Malaysia begitu terkenal dan menjadikan

Malaysia pusat pengeluaran getah dan membekalkan kepakaran dalam bidang getah

asli.

Kerancakan aktiviti perladangan merubah lanskap guna tanah di Malaysia

pada hari ini. Keadaan ini menjadikan kelapa sawit dan getah sebagai guna tanah

utama di Malaysia selain hutan. Walaupun guna tanah ini memainkan peranannya

21

sebagai pengguna CO2, namun keseimbangan kitar karbon antara atmosfera dan

ekosistem ini akan terjejas sekiranya pengurusan guna tanah ini tidak dilakukan

dengan baik. Sebagai contoh, tempoh kitaran hidup kelapa sawit dan getah bagi

aktiviti perladangan di Malaysia dihadkan sekurang-kurangnya sehingga 25 tahun

sebelum guna tanah ini ditanam semula. Proses tanaman semula mengakibatkan

pengurangan tumbuhan yang mendadak dan seterusnya akan mengganggu kestabilan

kitaran karbon yang serius. Oleh itu, pengurusan yang berkesan untuk memastikan

kitaran tumbesaran kelapa sawit dan getah bagi setiap kawasan perladangan perlu

dikawal dan ditentukan dengan baik.

2.3 Eko-Fisiologi Tumbuhan

Secara amnya, fisiologi merujuk kepada aktiviti-aktiviti yang dijalankan oleh

hidupan untuk meneruskan kelangsungan hidup dalam suatu ekosistem. Manakala

ekologi pula adalah kajian mengenai hubungan antara hidupan terhadap ciri-ciri

persekitaran fizikal yang menjadi faktor dalam mengawal pertumbuhan dan taburan

setiap hidupan (Kruger, 2003). Oleh itu, Eko-Fisiologi tumbuhan merupakan

kombinasi antara ekologi dan fisiologi yang mana fungsi dan aktiviti tumbuhan

dikaji dalam konteks persekitarannya. Tambahan pula, tumbuhan adalah hidupan

yang tidak bergerak dan perlu menyesuaikan hidup kepada perubahan keadaan

persekitaran untuk mencapai tumbesaran yang ideal. Antara proses fisiologi yang

dijalankan oleh tumbuhan termasuklah fotosintesis dan respirasi ( Lui et al., 2005).

Pada asasnya fotosintesis merupakan proses penghasilan organik karbon oleh

tumbuhan yang melibatkan penggunaan air, CO2 dan penyerapan cahaya matahari

seperti yang ditunjukkan di dalam persamaan 2.1. Proses ini dijalankan pada

bahagian sel tumbuhan yang mengandungi klorofil iaitu pigmen yang memberikan

tumbuhan kepada warna hijau. Klorofil ini akan memerangkap tenaga cahaya

daripada matahari untuk digunakan dalam penghasilan organik karbon daripada CO2

dan juga air. Proses ini akan membebaskan gas oksigen ke atmosfera.

22

22_22 OOCHOHCOmataharicahaya

di mana,

CO2 = Karbon dioksida;

H2O = Air;

CH2O = Organik karbon; dan

O2 = Oksigen

Penggunaan cahaya matahari dalam proses fotosintesis tumbuhan hanya

melibatkan julat panjang gelombang antara 0.4 μm hingga 0.7 μm, julat ini dikenali

sebagai julat Radiasi Aktif Fotosintesis (PAR). Hubungan antara paras fotosintesis

tumbuhan terhadap keamatan PAR ditunjukkan seperti dalam Rajah 2.3. Berdasarkan

kepada graf lengkungan tindak balas ini didapati tumbuhan mengekalkan paras

fotosintesis yang optimum walaupun keamatan PAR semakin tinggi Furumi et al.,

(2002).

Sumber: Ubahsuai dari Furumi et al., (2002)

Rajah 2.3 Graf lengkungan tindak balas cahaya matahari dalam fotosintesis

Titik Tepu

Radiasi Aktif Fotosintesis (PAR)

Paras Fotosintesis

….2.1

23

Selain daripada fotosintesis, respirasi merupakan proses fisiologi tumbuhan

yang penting. Respirasi menghasilkan tenaga daripada pengolahan organik karbon.

Tenaga ini biasanya digunakan untuk pertumbuhan, pergerakan dan fungsi-fungsi

lain. Antara faktor-faktor yang mempengaruhi aktiviti respirasi tumbuhan adalah

suhu dan jenis tumbuhan terbabit. Respirasi tumbuhan dapat dijalankan pada waktu

siang dan malam berbanding aktiviti fotosintesis yang berlaku dengan kehadiran

cahaya matahari sahaja. Proses ini menggunakan oksigen dan organik karbon yang

kemudiannya membebaskan CO2 dan juga air seperti di dalam persamaan 2.2 (Aber

dan Melello, 2001).

TenagaOHCOOOCH 2222

di mana;

CH2O = Organik karbon;

O2 = Oksigen;

CO2 = Karbon dioksida; dan

H2O = Air

2.4 Persekitaran Fizikal Tumbuhan

Keadaan persekitaran fizikal dalam suatu ekosistem mempengaruhi kadar

pertumbuhan dan taburan tumbuhan. Jenis dan struktur tumbuhan di sesuatu kawasan

didapati berbeza antara iklim yang berlainan bergantung kepada sensitiviti setiap

tumbuhan ini terhadap persekitarannya. Antara ciri-ciri penting persekitaran fizikal

yang mempengaruhi kadar pertumbuhan tumbuhan termasuklah suhu dan hujan

(Brown et al., 1993). Ini kerana walaupun sesetengah tumbuhan dapat menyesuaikan

diri dengan peningkatan suhu tetapi keadaan persekitaran yang panas akan

….2.2

24

mengakibatkan kelembapan persekitaran menjadi semakin rendah dan tidak sesuai

untuk pertumbuhan tumbuhan. Manakala hujan pula merupakan sumber air penting

untuk digunakan oleh tumbuhan dalam proses fisiologinya.

Perbezaan kadar kelembapan di dalam daun dan persekitaran luarnya dikenali

sebagai Defisit Tekanan Wap (VPD). VPD memberi kesan yang kuat terhadap kadar

fotosintesis tumbuhan yang mana dalam keadaan persekitaran yang kering, daun

akan bertindak balas dengan menutup liang stoma. Penutupan stoma tumbuhan tidak

hanya mengurangkan pembauran air yang keluar dari daun tetapi juga mengekang

kemasukan CO2 yang masuk ke dalam daun. Dengan ini menyebabkan pengurangan

terhadap kadar fotosintesis tumbuhan. Tumbuhan memerlukan kelembapan

persekitaran yang optimum bagi memastikan proses tumbesarannya berada dalam

keadaan yang ideal.

Proses fotosintesis dan tindak balas stoma pada daun tumbuhan tidak hanya

dikawal oleh kadar Defisit Tekanan Wap (VPD), tetapi juga oleh kadar kelembapan

tanah atau dikenali sebagai Potensi Kandungan Air dalam daun. Tanah berpotensi

untuk menyimpan air bergantung pada tahap ketelapannya dalam membenarkan air

melalui ruang rongganya. Kandungan air dalam tanah membuatkan tanah berada

dalam keadaan yang lembap. Tumbuhan akan menyerap air melalui bahagian akar

untuk digunakan dalam proses fisiologinya. Penyerapan air ini menyebabkan

tumbuhan berada dalam keadaan lembapan yang tinggi.

Selain daripada suhu dan air, kandungan CO2 di atmosfera juga

mempengaruhi proses pertumbuhan tumbuhan melalui proses fotosintesis. Walaupun

pertambahan CO2 di atmosfera membantu menambahkan produktiviti tumbuhan

akibat sumber karbon yang banyak, namun pertambahan CO2 juga mengakibatkan

perkembangan tumbuhan terganggu akibat tekanan daripada peningkatan suhu

persekitaran (Clark, 2004). Produktiviti tumbuhan bergantung sepenuhnya terhadap

keadaan persekitarannya. Perubahan suhu, hujan serta perubahan corak dan kadar

CO2 daripada atmosfera merupakan antara kesan jangka panjang yang dapat

diperhatikan akibat pertambahan konsentrasi CO2 di atmosfera.

25

2.5 Pengeluaran Primer Bersih Tumbuhan

NPP merupakan pengukuran terhadap biojisim baru tumbuhan yang

dihasilkan melalui proses fotosintesis dan respirasi dalam satu tempoh masa (Sun, et

al., 2004). NPP menjadi penunjuk bagi menganggarkan kadar aliran CO2 diserap dan

dibebaskan antara tumbuhan dan atmosfera. Selain daripada itu, NPP juga boleh

menjadi penunjuk kepada kadar pertumbuhan tumbuhan dalam satu tempoh masa.

Maklumat ini bukan sahaja amat berguna di bidang perhutanan malah juga dalam

bidang perladangan dan pertanian.

Tumbuhan akan menyerap CO2 daripada atmosfera untuk digunakan dalam

fotosintesis, kadar CO2 yang diserap ini dikenali sebagai GPP. Sebahagian daripada

organik karbon yang dihasilkan melalui fotosintesis ini kemudiannya akan digunakan

dalam proses respirasi (Ra) dan seterusnya membebaskan CO2 ke atmosfera.

Manakala sebahagian lagi organik karbon akan disimpan ke dalam setiap bahagian

tumbuhan sebagai NPP. Setiap parameter ini diukur dalam unit gCm-2yr-1 dan

ditunjukkan sebagaimana persamaan 2.3 di bawah (Ahl et al., (2005).

aRGPPNPP

di mana,


GPP = Pengeluaran Primer Kasar; dan

Ra = Respirasi Autotrop

Aktiviti perindustrian banyak mengeluarkan gas rumah hijau yang seterusnya

menyebabkan perubahan kepada komposisi dalaman atmosfera dan kadar NPP

tumbuhan. Ini berikutan kadar pengeluaran NPP menerima tindak balas kesan

….2.3

26

daripada perubahan iklim, konsentrasi CO2, gangguan semulajadi dan faktor-faktor

persekitaran yang lain (Changhui dan Apps, 1999). Perubahan fizikal yang

mendadak dalam suatu ekosistem akan mengurangkan kemampuan tumbuhan untuk

menjalankan proses pertumbuhannya dengan baik.

Pengukuran kadar NPP memerlukan pemahaman terhadap ciri-ciri fisiologi

dan juga biofizikal tumbuhan. Sebagai contoh, dalam penyelidikan NPP hutan, data

inventori hutan diperlukan untuk memahami biojisim, pengeluaran primer dan kitar

karbon secara lebih berkesan bagi suatu ekosistem (Zhou et al., 2002). Ini kerana

terdapat hubungan yang kuat antara parameter-parameter ini dengan kadar

pertumbuhan tumbuhan melalui fotosintesis dan respirasi. Walau bagaimanapun,

sekiranya tindak balas fisiologi amat tinggi antara spesies dalam suatu ekosistem,

kadar NPP juga akan terganggu kerana setiap tumbuhan perlu bersaing untuk

meneruskan proses pertumbuhan masing-masing (Vose dan Bosltad, 1999).

Kadar NPP sukar untuk di ukur dengan tepat bagi satu-satu tumbuhan kerana

melibatkan pengukuran kadar pertumbuhan tumbuhan menerusi perolehan biojisim.

Sehingga kini, terdapat beberapa kaedah yang telah dibangunkan untuk

menganggarkan kadar NPP tumbuhan. Antaranya termasuklah Kaedah Biometrik,

Kaedah Permodelan Ekosistem, Kaedah Mikro-Meteorologi, Kaedah Eko-Fisiologi

dan juga Kaedah Remote Sensing. Setiap kaedah ini dibincangkan dengan lebih

terperinci dalam bahagian 2.5.1.

2.5.1 Kaedah Penganggaran Pengeluaran Primer Bersih

Asas pengukuran NPP adalah berdasarkan pengukuran kadar GPP dan

respirasi sebagaimana yang ditunjukkan dalam persamaan 2.3. Terdapat beberapa

kaedah pengukuran NPP yang telah dibangunkan sehingga kini antaranya adalah

Kaedah Biometrik, Kaedah Permodelan Ekosistem, Kaedah Mikro-Meteorologi,

Kaedah Eko-Fisiologi dan Kaedah Remote Sensing (Chen et al., 2004).

27

2.5.1.1 Kaedah Biometrik

Kaedah Biometrik merupakan kaedah pengukuran NPP berdasarkan kepada

pengukuran biojisim dan tidak bergantung kepada jenis ekosistem. Kaedah ini juga

dikenali sebagai Kaedah Penuaian dan Kaedah Penjumlahan. Asas pengukuran NPP

menerusi kaedah ini ditunjukkan seperti persamaan 2.4 (Lauenroth et al., 2006).

GLWNPP

di mana,


ΔW = Perubahan Kadar Biojisim (dalam satu tempoh masa);

L = Jumlah biojisim bahagian yang gugur; dan

G = Jumlah biojisim yang di makan haiwan

Walaupun pengukuran L dan G agak mustahil dan sukar untuk dilakukan,

pengukuran ini penting untuk mengenalpasti jumlah biojisim yang hilang bagi

mendapatkan kadar perubahan biojisim sebenar dalam satu tempoh masa.

Pengukuran ΔW boleh dilakukan dengan mengenalpasti pertumbuhan tumbuhan

berdasarkan pengukuran biojisim. Sebagai contoh, pengukuran biojisim hutan

dilakukan berdasarkan jumlah keseluruhan biojisim bagi setiap pokok yang diperoleh

melalui pengukuran diameter ukur lilit dan juga ketinggian pokok.

Secara amnya, terdapat dua bahagian pengukuran biojisim tumbuhan iaitu

pengukuran biojisim atas tanah dan biojisim bawah tanah. Pengukuran biojisim atas

tanah melibatkan pengukuran biojisim batang, dahan dan daun, manakala

pengukuran biojisim bawah tanah pula melibatkan pengukuran biojisim akar kasar

dan akar halus (Ohtsuka et al., 2007).

….2.3

28

Kaedah Biometrik ini sukar untuk diaplikasikan bagi pengukuran NPP di

kawasan yang luas kerana ianya akan mengakibatkan kemusnahan hutan. Perolehan

data yang terhad melalui kaedah Biometrik menyebabkan kos bagi pengukuran

pengeluaran tumbuhan adalah tinggi. Antara lain kekurangan kaedah ini adalah

pendekatan pengukuran terus di lapangan yang mengakibatkan penganggaran

pengeluaran tumbuhan tidak dapat dijalankan pada masa-masa akan datang (Chen et

al., 2004).

2.5.1.2 Kaedah Berangka

Penganggaran kadar NPP menggunakan Kaedah Berangka mengambil kira

hubungan antara NPP dan parameter iklim persekitaran seperti suhu, cahaya dan

kelembapan melalui model matematik. Model yang dibangunkan ini dikenali sebagai

model impirikal. Antara model impirikal yang telah dibangunkan termasuklah Model

Miami oleh Lieth pada tahun 1973 yang dihasilkan daripada hubungan antara NPP,

suhu udara dan jumlah hujan tahunan (Prasad et al., 2002). Hubungan ini

ditunjukkan di dalam persamaan 2.4 dan 2.5.

Model Miami,

TNPP

119.0315.1exp1

3000

dan,

PNPP

111664.0exp1

3000

di mana,

NPP = Pengeluaran Primer bersih;

T = Purata Suhu Tahunan; dan

P = Purata Hujan Tahunan

….2.4

….2.5

29

Berdasarkan kepada persamaan 2.4 dan 2.5, didapati kadar NPP adalah

berbeza-beza bagi setiap kawasan yang memiliki purata suhu dan curahan hujan yang

berlainan kerana persamaan ini bergantung kepada kedua-dua parameter tersebut.

Selain daripada Model Miami, terdapat model impirikal lain yang telah dibangunkan

seperti Model Montreal oleh Lieth dan Box pada tahun 1972 dan, Model Chikugo

oleh Uchijima pada tahun 1985 (Jiang et al., 1999). Model Montreal dibangunkan

berdasarkan hubungan antara NPP dan kadar sejatpeluhan, manakala Model Chikugo

pula dibangunkan melalui hubungan antara NPP, radiasi bersih dan Indeks Radiasi

Kemarau (RDI). Persamaan 2.6 dan 2.7 masing-masing menunjukkan Model

Montreal dan Model Chikugo.

Model Montreal,

200009696.0exp13000 ENPP

dan,

Model Chikugo,

RDInRNPP 216.0exp29.0

di mana,


E = Sejatpeluhan;

Rn = Radiasi Bersih; dan

RDI = Indeks Radiasi Kemarau

2.5.1.3 Kaedah Permodelan Ekosistem

Sehingga kini terdapat pelbagai model telah dibangunkan untuk

menganggarkan kitaran karbon dalam ekosistem yang meliputi skala yang besar.

….2.6

….2.7

30

Kaedah Permodelan Ekosistem merangkumi anggaran aliran karbon antara

atmosfera, tumbuhan dan juga tanah. Antara model yang telah dibangunkan menerusi

Kaedah Permodelan Ekosistem ini termasuklah Model TEM (Terrestrial Ecosystem

Model) (Raich et al. 1991), Model SimCYCLE (Simulation Model of the Carbon

Cycle) (Hazarika dan Yasuoka, 2002; Ito dan Oikawa, 2002; Ito et al., 2005) dan,

Model BIOME-BGC (BioGeochemical Cycles Model) (Chen et al., 1999; Jung et al.,

2007). Model-model ini lebih menjurus kepada perolehan kadar Pengeluaran

Ekosistem Bersih (NEP) berdasarkan anggaran kadar NPP.

Perbezaan antara NPP dan CO2 yang dibebaskan semasa proses penguraian

dikenali sebagai NEP. Melalui NEP, gambaran keseluruhan sebarang perubahan

aliran CO2 antara suatu ekosistem dan atmosfera dapat dianggarkan. Selain daripada

NPP dan NEP, permodelan ekosistem boleh digunakan untuk menganggarkan kadar

keseimbangan karbon, nitrogen dan nutrien. Walau bagaimanapun terdapat

parameter yang terlibat dalam permodelan ekosistem sukar untuk diperoleh

terutamanya bagi data yang melibatkan pengukuran ulangan dan juga skala yang

besar.

Aliran karbon dan nitrogen tidak terhad pada tumbuhan tetapi juga

melibatkan tanah. Dalam keadaan tertentu, bahagian daun tumbuhan yang

menjalankan proses-proses fisiologi tidak lagi berfungsi dan akan gugur sebagai

daun kering. Semasa tempoh pereputan, bahagian nutrien akan berguna kembali

untuk kegunaan tumbuhan. Nutrien ini akan diserap ke dalam tanah dan menjadi

mineral dalam tanah dengan bantuan hujan dan nitrogen seperti di dalam Rajah 2.4

(Raich et al., 1991). Organik karbon ini akan digunakan sebagai nutrien bagi

membantu proses tumbesaran tumbuhan. Selain itu, proses penguraian organik

karbon dalam tanah juga akan membebaskan CO2 ke atmosfera. Kitaran yang

berterusan bagi kedua-dua elemen karbon dan nitrogen ini membantu dalam

keseimbangan keseluruhan ekosistem.

31

Sumber: Ubahsuai dan Raich et al., (1991)

Rajah 2.4 Aliran parameter Permodelan Ekosistem

2.5.1.4 Kaedah Mikro-Meteorologi

Kaedah Mikro-Meteorologi menggunakan teknik eddy covariance bagi

menganggarkan kadar CO2, air, dan penukaran tenaga antara atmosfera dan

ekosistem. (Li et al., 2007). Teknik ini menggunakan peralatan pengukuran karbon

dan maklumat meteorologi yang biasanya diletakkan di bahagian atas menara tinggi

berhampiran dengan kanopi tumbuhan. Perhatian perlu diberikan terhadap kesan

persekitaran seperti halaju angin, dan faktor siang dan malam perlu diambil kira

semasa perekodan maklumat dijalankan (Turner et al., 2005). Ini kerana perekodan

maklumat ini bergantung sepenuhnya kepada sensitiviti peralatan yang digunakan

dan dipengaruhi oleh keadaan persekitarannya.

Karbon

Nitrogen

Tumbuhan

Karbon

Nitrogen

Tanah

OrganikNitrogen dalam

tanah

CO2 CO2

Ra Rh

GPPbahagian

gugur

bahagiangugur

Kehilangan Nitrogen dariekosistem

Input Nitrogen ke dalam ekosistem

CO2

Pengambilan Nitrogen oleh tumbuhan Pemineralan Nitrogen Bersih

32

Asas penggunaan teknik Eddy Covariance melibatkan pengukuran kadar GPP

secara tidak langsung sebagai perbezaan antara kadar Tukaran Ekosistem Bersih

(NEE) dan respirasi ekosistem (Re) (Running et al., 1999). Manakala, respirasi

ekosistem merangkumi keseluruhan respirasi autotrop (Ra) dan respirasi heterotrop

(Rh). Hubungan antara parameter ini ditunjukkan sebagaimana persamaan 2.8. Kadar

NPP kemudiannya diperoleh menerusi perolehan GPP sebagaimana yang

ditunjukkan dalam persamaan 2.3. Perolehan NPP menerusi kaedah meteorologi ini

boleh dijadikan data rujukan bagi menilai ketepatan anggaran NPP menerusi kaedah-

kaedah lain seperti kaedah Permodelan Ekosistem dan kaedah Remote Sensing.

th RRGPPNEE

di mana,

NEE = Tukaran Ekosistem Bersih;

GPP = Pengeluaran Primer Kasar;

Rh = Respirasi Heterotrop; dan

Rt = Respirasi Tanah

Penggunaan teknik Eddy Covariance memberikan analisis lengkap mengenai

faktor-faktor yang mempengaruhi kadar penukaran CO2 dalam ekosistem kerana

pengukuran maklumatnya dijalankan bersama maklumat meteorologi persekitaran.

Teknik ini memerlukan peralatan yang canggih dan melibatkan kos yang tinggi. Oleh

itu, maklumat yang diukur di satu tempat kemudiannya digunakan untuk

menganggarkan NPP bagi suatu kawasan yang luas dengan menggunakan kaedah

interpolasi data. Pengukuran kadar penukaran CO2 bersih dalam suatu ekosistem

bergantung kepada sensitiviti peralatan pengukuran yang digunakan berikutan

kelemahan peralatan untuk mengukur maklumat pada waktu malam (Kosugi et al.,

2008).

….2.8

33

2.5.1.5 Kaedah Eko-Fisiologi

Tumbuhan menjalankan proses fisiologi untuk meneruskan pertumbuhan dan

persaingan antara spesies di mana ianya dipengaruhi oleh faktor-faktor persekitaran

fizikal. Proses fisiologi yang dijalankan oleh tumbuhan berkait rapat dengan kadar

penghasilan NPP dan kitaran karbon antara tumbuhan dan atmosfera. Oleh itu,

terdapat satu kaedah penganggaran NPP yang dikenali sebagai kaedah Eko-Fisiologi

telah dibangunkan dengan mengambil kira sensitiviti setiap faktor persekitaran

fizikalnya seperti suhu, cahaya dan air (Chirici et al., 2007).

Secara amnya, kadar pengeluaran tumbuhan dipengaruhi oleh jumlah cahaya

matahari yang diperlukan oleh tumbuhan untuk menjalankan proses fotosintesis atau

lebih dikenali sebagai Radiasi Aktif Fotosintesis (PAR). Selain itu, jumlah hujan dan

suhu persekitaran juga mempengaruhi kadar pengeluaran tumbuhan kerana kedua-

dua parameter ini mempengaruhi kadar penyerapan PAR oleh tumbuhan. Sesetengah

Kaedah Eko-Fisiologi yang dibangunkan untuk menganggarkan NPP berhubung

terus dengan ciri-ciri tumbuhan dan parameter persekitarannya seperti suhu,

ketersediaan air, sejatpeluhan dan defisit tekanan wap. Model-model ini termasuklah

Model CASA (Field et al., 1995; Potter et al., 1999; Werf et al., 2003; Bradford et

al., 2005; Potter et al., 2007) dan Model GLOPEM (Prince dan Goward, 1995;

Prince et al., 1995; Goetz et al., 1999; Tao et al., 2005; ).

Selain itu, terdapat juga Kaedah Eko-Fisiologi yang dibangunkan berasaskan

kepada penghasilan GPP dan respirasi autotrop seperti Model VPM (Xia dan Xiong.,

2004; Xiao et al., 2005b; Li et al., 2007) dan Model C-Fix (Lu et al., 2004; Chirici et

al., 2007). Sehingga kini, aplikasi penggunaan Kaedah Eko-Fisiologi telah

diintegrasikan bersama teknik remote sensing kerana keupayaan data remote sensing

untuk memberikan maklumat bagi kawasan yang luas. Justeru itu, implementasi

Kaedah Eko-Fisiologi dapat menggambarkan kadar aliran karbon dalam suatu

ekosistem dengan menilai faktor-faktor yang mempengaruhi kadar pengeluaran

tumbuhan. Kaedah ini diterangkan dengan lebih lanjut dalam bahagian 2.6.

34

2.5.1.6 Kaedah Remote Sensing

Teknologi remote sensing mampu merekodkan maklumat di lapangan dan

berinteraksi dengannya tanpa penyentuhan secara fizikal. Maklumat sebegini amat

bernilai di mana pengguna hanya mendapatkan data tanpa menjejakkan kaki ke

lapangan jika perlu. Penganggaran NPP berdasarkan pengukuran data remote sensing

kian mendapat perhatian dalam penyelidikan kitaran karbon pada masa kini (Xia dan

Xiong, 2004). Perolehan NPP berdasarkan data remote sensing berupaya

memberikan maklumat dari segi ruang dan masa yang lebih terperinci serta dapat

meliputi kawasan yang luas.

Remote sensing melibatkan pengukuran maklumat guna tanah tanpa perlu

menyentuh permukaan bumi iaitu melalui pengimbas yang diletakkan pada platform

satelit yang mengorbit bumi. Data remote sensing seperti NOAA AVHRR

memberikan maklumat permukaan bumi seawal tahun 1970 an dan seterusnya

memberi peluang dalam bidang penyelidikan ekosistem sejagat. Sehingga kini,

terdapat pelbagai data satelit yang boleh digunakan termasuklah Landsat ETM,

SPOT, MODIS dan ASTER.

Kaedah remote sensing telah digunakan untuk menerbitkan beberapa

parameter yang terlibat dalam perolehan kadar NPP seperti Sebahagian Penyerapan

Radiasi Aktif Fotosintesis (FAPAR) dan biojisim tumbuhan. Tambahan pula,

pengekstrakan indeks tumbuhan menerusi data remote sensing memiliki hubungan

yang kuat dengan kadar pengeluaran tumbuhan. Walau bagaimanapun, perolehan

hasil NPP menerusi kaedah remote sensing tidak dapat dipastikan dengan tepat dan

memerlukan maklumat lapangan untuk mengesahkannya (Chen et al., 2004).

Terdapat pengukuran NPP yang dilakukan dengan menggunakan hubungan

impirikal antara NPP lapangan dan juga NPP yang diekstrak melalui data remote

sensing. Walau bagaimanapun, untuk mendapatkan hubungan impirikal antara data

remote sensing dan NPP lapangan amat sukar berikutan perolehan maklumat NPP

lapangan yang terhad. Kaedah remote sensing dapat dibangunkan bersama kaedah-

35

kaedah penganggaran NPP yang lain dengan menyesuaikan penggunaan data remote

sensing bagi penerbitan parameter-parameter permodelan yang diperlukan.

2.5.2 Kesan Faktor Persekitaran Terhadap Pengeluaran Primer Tumbuhan

Secara amnya, potensi dalam penghasilan NPP bergantung kepada variasi

perubahan iklim persekitaran. Oleh itu, langkah yang biasa diambil dalam

penganggaran NPP adalah dengan mengambil kira parameter iklim persekitaran

dalam permodelan. Dalam keadaan yang lain, pengeluaran tumbuhan masih lagi

terhad dengan kebergantungan kepada tahap radiasi tenaga matahari dan suhu

persekitaran. Hampir semua jenis tumbuhan memerlukan tenaga matahari untuk

memulakan proses fisiologi, khususnya dalam proses fotosintesis yang menggunakan

karbon dioksida, air dan klorofil. Walau bagaimanapun, bahagian tenaga pancaran

yang jatuh ke atas tumbuhan dan juga peratusan yang benar-benar diserap dan

digunakan oleh tumbuhan adalah tertakluk kepada keadaan atmosfera.

Pertambahan kadar metabolisme tumbuhan dari proses fotosintesis membantu

menambahkan kandungan nutrien dalam tumbuhan (Peng et al., 1999). Kekurangan

nutrien akan menyebabkan aktiviti tumbesaran tumbuhan terbantut dan seterusnya

mengurangkan produktiviti dan kadar penghasilan NPP. Pencemaran udara memberi

kesan terhadap produktiviti tumbuhan yang mana merupakan kawalan penting dalam

kitaran karbon. Pengurangan sebanyak lima peratus terhadap kadar NPP dicatatkan

kesan daripada perubahan konsentrasi atmosfera antara sekitar akhir 1980an hingga

awal 1990an (Felzer et al., 2002).

Defisit Tekanan Wap (VPD) dapat dianggarkan menggunakan pengukuran

data remote sensing. Perbezaan suhu yang dikesan oleh jalur termal pada data remote

sensing dapat dihubungkan dengan jumlah wap air antara satelit dan permukaan

bumi. Kandungan wap air dalam atmosfera di permukaan bumi dapat diperoleh

menerusi kadar kelembapan mutlak. Perbezaan antara kelembapan mutlak dan

36

kelembapan potensi yang dapat ditampung oleh udara bergantung pada keadaan

suhu. Seterusnya, VPD dapat diperoleh menerusi maklumat kedua-dua data ini.

Secara asasnya, pertambahan CO2 dalam atmosfera akan menambahkan lagi

kadar fotosintesis yang seterusnya meningkatkan kadar penghasilan NPP (Farquhar,

2001). Tumbuhan yang banyak di satu-satu kawasan membolehkan lebih banyak

CO2 diserap seterusnya dapat mengurangkan lambakan karbon yang boleh

menghalang tenaga matahari keluar masuk ke permukaan bumi. Suhu persekitaran

kawasan yang memiliki tumbuhan yang padat didapati lebih rendah berbanding

kawasan yang tidak dilitupi oleh tumbuhan. Oleh itu, adalah penting bagi

memastikan tumbuhan-tumbuhan digunakan sebagai tumbuhan litupan bumi dan

keluasan kawasan tumbuhan perlu ditambah seiring dengan perkembangan aktiviti

perindustrian.

Berdasarkan kepada kesan faktor persekitaran terhadap kadar pengeluaran

primer tumbuhan, pendekatan permodelan yang mengambil kira faktor-faktor ini

perlu di titik beratkan. Penggunaan kaedah Eko-Fisiologi merupakan pendekatan

terbaik dalam mengenalpasti sensitiviti faktor-faktor ini terhadap kadar NPP

tumbuhan. Dengan kepelbagaian Kaedah Eko-Fisiologi yang telah dibangunkan kini,

penilaian yang tepat perlu dilakukan ke atas setiap model agar ianya bersesuaian

dengan keperluan dan keadaan persekitaran sedia ada di Malaysia.

Dalam keadaan tertentu, bahagian daun tumbuhan yang menjalankan proses-

proses fisiologi tidak lagi berfungsi dan akan gugur sebagai daun kering. Daun

kering ini akan menjalani proses pereputan dan membentuk nutrien. Nutrien ini akan

diserap ke dalam tanah dan menjadi mineral dalam tanah dengan bantuan hujan dan

nitrogen. Nutrien yang dikenal pasti penting bagi pertumbuhan tumbuhan

termasuklah nitrogen dan fosforus. Rajah 2.5 menunjukkan corak pertumbuhan

tumbuhan dalam jangka masa pertumbuhannya yang mana didapati kadar

pengeluaran tumbuhan semakin berkurang seiring dengan pertambahan usianya

(Bergen dan Dobson, 1999).

37

Sumber: Ubahsuai dari Bergen dan Dobson, (1999)

Rajah 2.5 Graf corak pertumbuhan tumbuhan

2.6 Penilaian Kaedah Eko-Fisiologi Menggunakan Data Remote Sensing

Kebanyakan model pengeluaran primer tumbuhan menganggarkan aliran dan

simpanan karbon di dalam tumbuhan dan tanah. Walau bagaimanapun, perbezaan

dalam penghasilan parameter antara model-model tersebut memberikan perbezaan

yang besar kepada anggaran dinamik karbon yang mana ianya menunjukkan

kesukaran dan ketidakpastian yang jelas. Pembangunan model anggaran NPP yang

sesuai untuk digunakan secara global merupakan satu proses yang berterusan.

Model-model ini dibangunkan berdasarkan pelbagai ciri-ciri dinamik persekitaran

seperti iklim, kedudukan geografi, fisiologi, kimia dan beberapa faktor lain. Hasil

permodelan yang dibangunkan dengan cara ini disesuaikan dari semasa ke semasa

untuk mendapatkan hasil yang lebih baik.

Respirasi

Sel mati

Fotosintesis bersih

Biojisim bawah tanah

Biojisim atas tanah

0

10

20

20 35

Tahun

Jisim (Mg/ha/yr)

38

Sehingga kini, aplikasi penggunaan Kaedah Eko-Fisiologi telah diintegrasi

bersama teknik remote sensing kerana keupayaan data remote sensing untuk

memberikan maklumat bagi kawasan yang luas. Di Malaysia, penggunaan teknologi

ini telah berkembang dengan pesat dan digunakan secara meluas. Remote Sensing

untuk pengawalan pengeluaran primer tumbuhan adalah penting untuk pemahaman

fenomena-fenomena seperti kitaran karbon, kitaran hidrologi, dan juga

keseimbangan tenaga. Justeru itu, implementasi Kaedah Eko-Fisiologi dan data

remote sensing dapat menggambarkan kadar aliran karbon dalam suatu ekosistem

dengan menilai faktor-faktor yang mempengaruhi kadar pengeluaran tumbuhan.

Remote Sensing adalah kaedah yang amat mudah untuk mengumpulkan

maklumat tersebut dengan keupayaan data satelit seperti NOAA AVHRR (Advanced

Very High Resolution Radiometer), Landsat TM (Thematic Mapper), SPOT (Satellite

Pour Observation de la Terre), ASTER (Advanced Spaceborne Thermal Emission

and Reflection Radiometer) dan MODIS (Moderate-Resolution Imaging

Spectroradiometer). Satelit-satelit ini membekalkan data optik maklumat muka bumi

yang amat berguna terutamanya dalam aplikasi-aplikasi berkaitan tumbuh-tumbuhan

dengan menggunakan kaedah permodelan matematik.

Pengeluaran tumbuhan merupakan asas kepada proses fisiologi dan simpanan

karbon oleh ekosistem yang mana ianya memainkan peranan penting dalam

mempengaruhi kadar pertambahan CO2 di atmosfera. Maklumat dan sumber-sumber

data perladangan dan perhutanan yang berkaitan dengan kadar pengeluaran dan

aliran karbon dalam suatu ekosistem pada awalnya diperoleh secara konvensional.

Walau bagaimanapun, kaedah konvensional melibatkan penggunaan peralatan yang

canggih serta memakan masa yang lama. Oleh itu, teknik remote sensing menjadi

kaedah alternatif untuk menganggarkan kadar pengeluaran tumbuhan.

Antara cabaran utama dalam permodelan NPP menggunakan data remote

sensing adalah mekanisme model yang digunakan haruslah bersesuaian dengan

persekitaran ekosistem (Feng et al., 2005). Dalam kajian ini terdapat empat Kaedah

Eko-Fisiologi sedia ada digunakan untuk menganggarkan NPP bagi mengenalpasti

kesesuaian setiap model dengan persekitaran tumbuhan hujan tropika di Malaysia.

Model-model ini termasuklah Model CASA, Model GLOPEM, Model VPM dan

39

Model C-Fix. Pemilihan model-model ini dilakukan dengan mengambil kira

sensitiviti setiap model terhadap parameter-parameter persekitaran yang

mempengaruhi kadar pengeluaran tumbuhan.

Sesetengah Kaedah Eko-Fisiologi yang dibangunkan untuk menganggarkan

NPP berhubung terus dengan ciri-ciri tumbuhan dan parameter persekitarannya

seperti suhu, ketersediaan air, sejatpeluhan dan defisit tekanan wap. Model-model ini

termasuklah Model CASA (Field et al., 1995; Potter et al., 1999; Werf et al., 2003;

Bradford et al., 2005; Potter et al., 2007) dan Model GLOPEM (Prince dan Goward,

1995a; Prince et al., 1995b; Goetz et al., 1999; Tao et al., 2005; ). Selain itu, terdapat

juga Kaedah Eko-Fisiologi yang dibangunkan berasaskan kepada penghasilan GPP

dan respirasi autotrop seperti Model VPM (Xiao et al., 2004; Xiao et al., 2005b; Li et

al., 2007) dan Model C-Fix (Lu et al., 2004; Chirici et al., 2007).

Terdapat juga Kaedah Eko-Fisiologi berasaskan konsep kadar Kecekapan

Penggunaan Cahaya (ε) untuk menganggarkan NPP di mana ianya dibangunkan

berdasarkan kepada kadar Penyerapan Radiasi Aktif Fotosintesis (APAR) dan faktor

ε (Olofsson et al., 2007). Faktor ε merupakan faktor yang mengawal kadar

kecekapan tumbuhan bagi menukarkan Radiasi Aktif Fotosintesis untuk

menghasilkan organik karbon. Sebahagian Penyerapan Radiasi Aktif Fotosintesis

(FAPAR) diperoleh secara transformasi liner daripada data indeks tumbuhan yang

diperoleh daripada data remote sensing. Menerusi kaedah ini, APAR dihasilkan

daripada perolehan PAR dan juga FAPAR daripada teknik remote sensing.

2.6.1 Model CASA

Model CASA (Carnegie Ames Stanford Approach) diperkenalkan oleh Potter

et al., (1993) menghubungkan antara ciri-ciri tumbuhan dan juga parameter

persekitaran yang mempengaruhi kadar NPP tumbuhan seperti suhu, hujan dan

lengasan tanih (Tao et al., 2005). Aplikasi penggunaan model CASA tidak terhad

40

untuk menganggarkan NPP tumbuhan tetapi juga digunakan untuk menganggarkan

kadar pengeluaran CO2 ke atmosfera (Werf, et al 2003). Integrasi Model CASA dan

data remote sensing melibatkan penerbitan indeks tumbuhan, PAR dan juga faktor

kesan suhu dan kandungan air (Potter et al., 1999; Potter et al., 2007b). Persamaan

Model CASA ditunjukkan dalam persamaan 2.9.

fSMfTFAPARPARNPP CASA 0

di mana,


PAR = Radiasi Aktif Fotosintesis;

FAPARCASA = Sebahagian Penyerapan Radiasi Aktif

Fotosintesis;

ε0 = Kecekapan Penggunaan Cahaya Optimum;

ƒT = Faktor Kesan Suhu; dan

ƒSM = Faktor Kesan Lengasan Tanih

Penerbitan nilai kadar Kecekapan Penggunaan Cahaya (ε) amat penting

dalam Model CASA kerana ianya merupakan parameter penting yang mempengaruhi

kadar NPP tumbuhan. Nilai ε optimum bagi model ini adalah 0.39 g C MJ-1 yang

diperoleh menerusi kalibrasi sampel lapangan (Potter et al., 2007). Selain daripada ε,

parameter-parameter iklim yang dititik beratkan menerusi Model CASA termasuklah

suhu, lengasan tanih dan kelembapan udara (Field et al., 1995). Ini kerana, dalam

jangka masa pendek, suhu dan kelembapan tanah akan mengawal kadar metabolisme

mikrob pengurai dan memberi kesan terhadap kadar penghasilan nutrien yang akan

digunakan dalam pertumbuhan tumbuhan. Penerangan lebih lanjut mengenai

parameter-parameter yang terlibat dalam aplikasi penggunaan Model CASA

ditunjukkan dengan lebih lanjut dalam bab 4, Metodologi Kajian.

….(2.9)

41

2.6.2 Model GLOPEM

Model GLOPEM (Global Production Efficiency Model) pada awalnya

dibangunkan berdasarkan hubungan antara indeks tumbuhan dan juga NPP yang

dikenali sebagai Model PEM (Production Efficiency Model) (Goetz et al., 1999).

Asas pembangunan Model GLOPEM adalah dengan menganggarkan kadar NPP

berdasarkan kepada perolehan kadar GPP dan respirasi tumbuhan (Tao et al., 2005).

Kelebihan model ini ialah pengukuran yang konsisten dapat dijalankan bagi meliputi

kawasan yang luas melalui pengukuran berterusan daripada data satelit. Model

GLOPEM boleh digunakan dalam pelbagai jenis ruang set data dengan resolusi masa

dan ruang yang bersesuaian.

Pembangunan Model GLOPEM telah dilakukan oleh Prince dan Goward,

(1995) dengan berdasarkan kepada Model PEM sedia ada. Model ini menganggarkan

kadar GPP dan NPP menggunakan algoritma yang diperoleh melalui permodelan dan

pengukuran data remote sensing (Tao et al., 2005). Antaranya, penggunaan algoritma

yang melibatkan penerbitan suhu permukaan yang merupakan parameter sensitif

terhadap komponen biofizikal (Goetz et al., 1999). Penganggaran NPP menerusi

Model GLOPEM ditunjukkan di dalam persamaan 2.10.

fPfVPDFAPARPARNPP GLOPEM 0

di mana,



FAPARGLOPEM = Sebahagian Penyerapan Radiasi Aktif

Fotosintesis;


ƒVPD = Faktor Kesan Defisit Tekanan Wap; dan

ƒP = Faktor Kesan Respirasi

….(2.10)

42

Model GLOPEM dipengaruhi oleh kadar penyerapan cahaya oleh tumbuhan

yang mana ianya akan menentukan potensi kadar fotosintesis. Kadar fotosintesis

akan berkurang akibat daripada tekanan persekitaran termasuklah oleh suhu udara,

defisit tekanan wap, dan juga indeks lengasan tanih yang mana akan mempengaruhi

fisiologi tumbuhan termasuklah respirasi (Goetz et al., 2000). Kesinambungan antara

faktor-faktor ini memberikan kelebihan kepada Model GLOPEM untuk

menganggarkan kadar kitaran karbon dengan lebih baik. Penerangan lebih lanjut

mengenai parameter-parameter yang terlibat dalam aplikasi penggunaan Model

GLOPEM ditunjukkan dengan lebih lanjut dalam bab 4, Metodologi Kajian.

2.6.3 Model VPM

Kebergantungan tumbuhan untuk menjalankan proses fotosintesis

kebanyakannya berlaku di bahagian kanopi tumbuhan. Bahagian ini terdiri daripada

Bahagian Aktif Fotosintesis Tumbuhan (PAV) yang terdiri daripada daun hijau dan

Bahagian Tidak Aktif Fotosintesis Tumbuhan (NPV) yang terdiri daripada dahan dan

batang tumbuhan (Xiao et al., 2004). Model VPM (Vegetation Photosynthesis

Model) dibangunkan berdasarkan kepada konsep PAV dan NPV ini kerana setiap

bahagian tumbuhan mempengaruhi kadar tindak balas antara tumbuhan dan kadar

penyerakan dan penyerapan PAR.

Model VPM merupakan model anggaran pengeluaran primer tumbuhan

menggunakan pendekatan kadar Kecekapan Penggunaan Cahaya (ε), sama ada untuk

menganggarkan kadar GPP atau NPP (Xiao et al., 2004). Model ini dibangunkan

dengan mengambil kira aktiviti fotosintesis dan respirasi tumbuhan. Model VPM

melibatkan sensitiviti suhu, air dan phenology daun dalam penerbitan kadar ε

tumbuhan seperti ditunjukkan di dalam persamaan 2.11.

43

fFfWfTFAPARPARNPP VPM 0

di mana,



FAPARVPM = Sebahagian Penyerapan Radiasi Aktif

Fotosintesis;


ƒT = Faktor Kesan Suhu;

ƒW = Faktor Kesan Kandungan Air;

ƒF = Faktor Kesan Phenology; dan

δ = Nisbah Respirasi

Penganggaran NPP menerusi pengekstrakan Indeks Penonjolan Tumbuhan

(EVI) daripada data remote sensing memberikan hasil yang lebih baik melalui

permodelan VPM (Xiao et al., 2004). EVI merupakan transformasi semi-impirikal

matematik terhadap pengukuran pembalikan jalur spektrum biru, merah, dan

inframerah daripada data remote sensing. Model VPM penerbitan nilai EVI untuk

mendapatkan FAPAR berdasarkan kepada hubungan impirikal kedua-dua parameter

ini. Selain daripada itu Model VPM menggunakan Indeks Air Permukaan Tanah

(LSWI) yang diperoleh menerusi data remote sensing dan penghitungan kadar ε

tumbuhan (Li et al., 2007).

Anggaran kandungan air dalam tumbuhan dapat dijalankan menerusi

permodelan data remote sensing dengan julat panjang gelombang antara 1150nm

hingga 1540nm. Kepelbagaian jalur SWIR dan NIR yang dibekalkan oleh data

remote sensing seperti ASTER dan MODIS memberikan peluang baru bagi anggaran

pengukuran kandungan air pada kanopi tumbuhan bagi skala ruang yang lebih luas

(Xiao et al., 2004).

….(2.11)

44

2.6.4 Model C-Fix

Model C-Fix (Carbon Fix Model) dibangunkan oleh Prince pada tahun 1991

melibatkan integrasi antara data remote sensing dan meteorologi untuk

menganggarkan kadar GPP dan kadar NPP (Maselli dan Chiesi, 2005). Model ini

dibangunkan berdasarkan hubungan langsung antara Indeks Normalisasi Perbezaan

Tumbuhan (NDVI) dan Sebahagian Penyerapan Radiasi Aktif Fotosintesis (FAPAR).

Anggaran NPP dilakukan berdasarkan pengukuran GPP yang diperoleh

dengan mengambil kira kadar respirasi tumbuhan yang mana kedua-dua pengukuran

ini dilakukan secara berasingan sebagaimana persamaan 2.3. Model C-Fix

menganggarkan kadar respirasi tumbuhan menggunakan maklumat suhu

persekitaran. Manakala penerbitan indeks tumbuhan pula diperoleh melalui

permodelan data remote sensing yang mana terdapatnya pilihan penyesuaian resolusi

ruang dan masa sebagaimana yang diperlukan. Persamaan 2.12 merupakan

persamaan permodelan C-Fix yang digunakan dalam kajian ini (Chirici et al., 2007).

corFixC fTFAPARPARNPP 0

di mana,

GPP = Pengeluaran Primer Kasar;


FAPARC-Fix = Sebahagian Penyerapan Radiasi Aktif

Fotosintesis;

ε0 = Kecekapan Penggunaan Cahaya Optimum; dan

ƒTcor = Faktor Pembetulan Suhu

Model C-Fix dibangunkan berdasarkan kaedah Eko-Fisiologi yang

menganggarkan NPP dengan melihat perubahan taburan NPP terhadap persekitaran

....(2.12)

45

semulajadi, keadaan iklim dan aktiviti manusia (Lu et al., 2004). Model ini

melibatkan perolehan tiga sumber maklumat utama dalam permodelan iaitu

pembolehubah daripada data remote sensing dan dua pembolehubah meteorologi

iaitu radiasi solar dan juga suhu udara. Penerangan lebih lanjut mengenai aplikasi

penggunaan Model C-Fix ditunjukkan dengan lebih lanjut dalam bab 4, Metodologi

Kajian.

Jadual 2.1 Ringkasan Kaedah Eko-Fisiologi yang terlibat dalam kajian ini

Kaedah Eko-Fisiologi Sensitiviti Sumber

CASA

(Carnegie Ames

Stanford Approach)

-Faktor Kesan Suhu

-Faktor Kesan

Lengasan Tanih

Potter et al., (1993), Tao et al.,

(2005), (Werf et al 2003),

Potter et al., (1999), Potter et

al., (2007).

GLOPEM

(Global Production

Efficiency Model)

-Faktor Kesan Defisit

Tekanan Wap

-Faktor Kesan

Respirasi

Goetz et al., (1999), Tao et al.,

(2005), Prince dan Goward,

(1995), Goetz et al., (2000),

VPM

(Vegetation

Photosynthesis Model)

-Faktor Kesan Suhu

-Faktor Kesan

Kandungan Air

- Faktor Kesan

Phenology

Xiao et al., (2004), Xiao et al.,

(2005), Nugroho, (2006), Li et

al., (2007).

C-Fix

(Carbon Fix Model)

-Faktor Pembetulan

Suhu

Cramer at al., (2004), Lu et al.,

(2004), Maselli dan Chiesi,

(2005), Chirici et al., (2007).

46

2.7 Parameter Utama Kaedah Eko-Fisiologi

Penggunaan Kaedah Eko-Fisiologi yang digunakan dalam kajian ini secara

keseluruhannya melibatkan perolehan parameter-parameter persekitaran dan indeks

tumbuhan. Parameter-parameter ini diterbitkan melalui pengekstrakan data remote

sensing dan juga data-data meteorologi Chen et al., (2005). Antara parameter yang

terlibat dalam anggaran NPP menggunakan model Eko-Fisiologi termasuklah

Pengeluaran Primer Kasar (GPP), Kadar Kecekapan Penggunaan Cahaya (ε), dan

Radiasi Aktif Fotosintesis (PAR). Manakala parameter-parameter persekitaran pula

melibatkan Faktor Kesan Sejatpeluhan, Faktor Kesan Suhu Persekitaran dan

Sebahagian Penyerapan Radiasi Aktif Fotosintesis (FAPAR).

2.7.1 Pengeluaran Primer Kasar

GPP adalah kadar organik karbon yang dihasilkan menerusi proses

fotosintesis tumbuhan dalam suatu tempoh masa. Tenaga daripada fotosintesis ini

akan digunakan oleh tumbuhan untuk menjalankan aktiviti respirasi bagi meneruskan

hidup. Baki organik karbon yang tinggal selepas aktiviti respirasi kemudiannya akan

disimpan di dalam tisu tumbuhan dan dikenali sebagai NPP (Gower, 2003). GPP

amat berkait rapat dengan kadar biojisim bagi tumbuhan dan amat penting dalam

penilaian NPP bagi menilai kestabilan dan keseimbangan kitar karbon dalam sesuatu

ekosistem.

Kadar GPP bagi tumbuhan dipengaruhi oleh jenis spesies dan tempoh

pertumbuhan. Tumbuhan yang mempunyai kadar GPP yang tinggi akan

mendominasi suatu ekosistem dari segi pertumbuhan dan persaingan terhadap

sumber-sumber semulajadi seperti cahaya matahari dan air. Penghasilan GPP

menerusi proses fotosintesis akan memberikan gambaran kadar penyerapan CO2 dari

atmosfera oleh ekosistem.

47

2.7.2 Kadar Kecekapan Penggunaan Cahaya

Kadar Kecekapan Penggunaan Cahaya (ε) adalah nisbah penggunaan PAR

untuk ditukarkan ke dalam bentuk organik karbon oleh tumbuhan dalam proses

fotosintesis yang dipengaruhi oleh tekanan dan gangguan persekitarannya.

Pengukuran ε daripada lapangan hanya dapat menggambarkan nilai ε bagi kawasan

kecil dan ianya hanya mewakili untuk jenis tumbuhan berkenaan sahaja. Kadar ε

merupakan kunci parameter bagi penganggaran NPP tumbuhan yang diperoleh

daripada data remote sensing.

Kadar ε akan berubah mengikut peringkat pertumbuhan. Pada peringkat

permulaan, kecekapan adalah sangat rendah disebabkan kurangnya bahagian

tumbuhan yang menjalankan fotosintesis. Manakala, pada peringkat lewat pula

proses fotosintesis telah mencapai takat puncak, tetapi proses respirasi terus berlaku.

Pengukuran NPP bergantung kepada sensitiviti tumbuhan terhadap sumber air,

kekangan biofizikal seperti perolehan cahaya, dan juga tekanan suhu persekitaran.

Pelbagai model telah dibangunkan berdasarkan variasi ε tumbuhan (Olofsson

et al., (2007); Supannika Potithep, (2003); Xia et al., (2004)). Model yang telah

dibangunkan menggunakan pendekatan ini adalah lebih mudah dan memerlukan

input data set yang sedikit tetapi memberikan hasil yang memuaskan apabila

dibandingkan dengan data yang direkodkan di lapangan. Model ini memiliki

kelebihan untuk mengenalpasti sebarang pertambahan pengeluaran terutamanya

ketika aktiviti pertumbuhan.

2.7.3 Radiasi Aktif Fotosintesis

Cahaya matahari yang diterima oleh permukaan bumi merupakan parameter

penting dalam permodelan ekosistem dan perubahan iklim. Cahaya matahari

48

merupakan parameter yang penting untuk menganggarkan kadar pertumbuhan

tumbuhan berikutan kebergantungan tumbuhan terhadap cahaya matahari untuk

menjalankan proses fotosintesis. Untuk memodelkan pertumbuhan tumbuhan,

sinaran dalam julat panjang gelombang nampak iaitu antara 0.4 -0.7μm adalah julat

sinaran penting di mana pada julat tersebut berlakunya penyerapan oleh klorofil

tumbuhan. Julat panjang gelombang nampak ini dikenali sebagai Radiasi Aktif

Fotosintesis (PAR).

Secara amnya, terdapat empat proses utama yang boleh melemahkan

pancaran sinaran solar di atmosfera iaitu kesan akibat penyerakan Rayleigh,

penyerapan oleh ozon dan wap air. Dengan kecanggihan teknologi remote sensing

pada masa kini, PAR dapat dianggarkan menerusi data satelit. Nisbah antara sinaran

solar yang sampai ke permukaan bumi dan juga kuantiti PAR yang direkodkan

bergantung kepada kadar litupan awan di mana kehadiran awan akan mengganggu

kuantiti sinaran solar yang diperoleh (Papaioannou et al., 1993). Kadar purata

tahunan nisbah sinaran solar dan PAR adalah sebanyak 0.473.

2.7.4 Faktor Kesan Sejatpeluhan

Kehilangan air dari tumbuh-tumbuhan adalah satu proses yang kompleks

yang dikenali sebagai sejatpeluhan. Proses sejatpeluhan didefinisikan sebagai jumlah

isipadu air yang digunakan oleh tumbuhan melalui proses transpirasi dan halangan

curahan oleh tumbuhan. Tumbuh-tumbuhan memerlukan air untuk hidup dan jumlah

air yang diperlukan oleh setiap tumbuhan adalah berbeza-beza bergantung kepada

tahap tumbesarannya. Walau bagaimanapun, hanya sebahagian kecil sahaja daripada

air ini yang diperlukan oleh pokok untuk disimpan di dalam strukturnya. Manakala

sebahagian akan ke setiap bahagian dahan dan daun tumbuhan yang kemudiannya

dibebaskan ke atmosfera.

49

Sumber air merupakan elemen penting yang mengawal kadar pertumbuhan

tumbuhan (Lu et al., 2004). Apabila kekurangan air menjadi serius, ia akan

menyebabkan kesukaran bagi tumbuhan untuk menyerap air dari tanah. Sesetengah

tumbuhan memberikan tindak balas dengan menutup atau mengecilkan ruang

stomanya. Akibat kekurangan air, tempoh tumbesaran yang biasa bagi sesuatu

tumbuhan itu akan semakin pendek berbanding dengan tempoh tumbesaran pada

suhu yang sama (Aber dan Melillo, 2001).

Sejatpeluhan juga dipengaruhi oleh faktor-faktor persekitaran fizikal

tumbuhan yang mempengaruhi sejatan dari permukaan air, dan bergantung juga

kepada ciri-ciri tumbuhan itu sendiri seperti peringkat tumbesaran, saiz daun, suhu

daun, orientasi daun, bentuk daun dan kelembapan tanah. Secara amnya,

sejatpeluhan berlaku pada waktu siang melalui stoma daun yang terbuka. Kadar

sejatpeluhan akan berubah-ubah mengikut musim dan bergantung kepada

persekitarannya.

Kadar kecekapan penggunaan air bagi tumbuhan boleh dikenal pasti pada

beberapa peringkat iaitu daun, keseluruhan tumbuhan dan seterusnya bagi

keseluruhan ekosistem. Setiap jenis tumbuhan mempunyai kebolehan berlainan

dalam menghadapi tekanan daripada kekurangan air. Kebiasaannya, apabila bekalan

air dalam daun berada pada paras 30% kurang dari apa yang diperlukan, kadar

fotosintesis turun secara mendadak, dan apabila daun kehilangan 60% dari airnya,

fotosintesis berhenti sama sekali (Aber dan Melillo, 2001). Keadaan ini akan

mempengaruhi hasil pengeluaran bagi setiap tumbuhan untuk meneruskan

pertumbuhan sel-sel yang baru.

2.7.5 Faktor Kesan Suhu Persekitaran

Tumbuhan adalah penting sebagai pengawal iklim global atau iklim

tempatan. Perbezaan suhu yang wujud dalam satu ekosistem tumbuhan bergantung

50

kepada struktur ekosistem tersebut. Di kawasan tropika, bentuk dan kecerunan suhu

ditentukan oleh jumlah sinaran cahaya matahari yang dipintas oleh daun, ranting,

dahan dan sebagainya di aras yang berbeza. Kepadatan daun pada kanopi

menyebabkan lapisan bawah ekosistem menjadi lebih sejuk. Manakala, di kawasan

yang agak lapang, kelembapan bandingan sentiasa tinggi hampir sepanjang waktu

siang. Biasanya pada waktu malam, kelembapan bandingan menghampiri takat tepu.

Purata suhu dan hujan tahunan boleh dipertimbangkan sebagai faktor bagi

menentukan jenis tumbuhan semulajadi di sesuatu kawasan. Kemerosotan kadar NPP

dengan pengurangan purata suhu tahunan menyebabkan pengurangan dalam tempoh

masa musim pertumbuhan tumbuhan. Pengaruh suhu terhadap tahap aktiviti bagi

spesies individu tidak boleh dilihat sebagai tahap produktiviti bagi keseluruhan

tumbuhan. Suhu mempengaruhi proses-proses fisiologi, pemindahan bahan-bahan

makanan dari satu bahagian tumbuhan ke satu bahagian yang lain. Corak taburan

suhu memainkan peranan penting dalam proses-proses pertumbuhan tumbuhan.

Bagi kebanyakan tumbuhan, terdapat paras suhu yang optimum bagi aktiviti

fotosintesis yang memberikan kesan terhadap kadar fotosintesis dan respirasi.

Menurut Peng et al., (1999), produktiviti bagi ekosistem sememangnya sangat

sensitif terhadap gangguan iklim. Perubahan iklim memberikan kesan kepada NPP

melalui pelbagai cara. Sebagaimana yang telah diketahui, suhu dan hujan merupakan

kawalan dominan terhadap fotosintesis tumbuhan. Dengan perubahan keadaan iklim,

komposisi spesies akan berubah kepada suatu tahap di mana produktiviti pengeluaran

utama bagi tumbuhan terbabit tidak terhad kepada purata suhu persekitaran. Keadaan

ini akan mengakibatkan dominasi spesies di sesuatu ekosistem juga turut berubah.

2.7.6 Sebahagian Penyerapan Radiasi Aktif Fotosintesis

NPP memberikan maklumat yang amat berguna dalam pengurusan sumber

semulajadi dan ianya merupakan komponen yang penting dalam keseimbangan

51

kitaran karbon sejagat yang dapat mempengaruhi perubahan iklim (Liu et al., 2005).

Apabila menggunakan remote sensing dalam menganggarkan pengeluaran primer

bagi satu-satu kawasan, hubungan antara Sebahagian Penyerapan PAR (FAPAR) dan

indeks tumbuhan dipertimbangkan sebagai ukuran liner dan unik bagi seluruh dunia

(Beque et al., 1995). Pengetahuan mengenai PAR amat diperlukan apabila

berhadapan dengan proses fisiologi tumbuhan, pengeluaran biojisim dan kitaran

karbon (Alados dan Arboledas, 1999).

Sebahagian Penyerapan PAR (FAPAR) merupakan jumlah penerimaan PAR

oleh pelbagai lapisan kanopi sewaktu cahaya matahari bergerak dari bahagian kanopi

tumbuhan sehingga ke bahagian atas tanah. FAPAR boleh dianggarkan daripada

kadar radiasi solar yang diekstrak berdasarkan hubungan empirikal antara purata

suhu maksimum dan minimum serta daripada hubungan liner terhadap indeks

tumbuhan (Coops et al., 1998). FAPAR terlibat dalam penghitungan pembalikan

PAR oleh permukaan kanopi kembali ke atmosfera dan pembalikan PAR oleh tanah

kepada kanopi. Kehijauan daun yang sihat tidak membalikkan banyak PAR. Kadar

pembalikan PAR yang kecil menunjukkan kesuburan tumbuhan yang baik.

2.8 Data ASTER

Satelit EOS (Earth Observation Satellit) pertama iaitu Terra yang dahulunya

dikenali sebagai AM-1 telah dilancarkan pada 18 Disember 1999. Satelit ini

mengorbit di khatulistiwa kira-kira pada pukul 10:30 pagi. Penderia ASTER

(Advanced Spaceborne Thermal Emission and Reflection Radiometer) merupakan

salah satu daripada beberapa sistem penderia yang diletakkan pada satelit Terra ini.

ASTER telah dibangunkan di Jepun dan disesuaikan untuk aktiviti penyelidikan yang

melibatkan perubahan dinamik tumbuhan dan ekosistem, pengawasan bencana,

geologi, hidrologi dan perubahan guna tanah. Penderia ini merupakan kombinasi

daripada beberapa subsistem penderia yang memiliki julat spektrum yang lebih luas

dengan resolusi ruang yang lebih baik iaitu dari julat cahaya nampak inframerah

52

dekat (VNIR), julat gelombang pendek inframerah (SWIR) dan juga bagi julat termal

inframerah (TIR) seperti di dalam Rajah 2.6.

Data ASTER yang digunakan dalam kajian ini merupakan set data dengan

paras pemprosesan L1B iaitu data ASTER yang telah melalui proses penetapan

unjuran geometri dan pembetulan atmosfera. Data ASTER ini membekalkan imej

multispektral dengan 15 jalur spektrum dalam kitaran selang masa 16 hari. Jalur

ASTER lebih banyak pada julat SWIR. Berbanding dengan data Landsat ETM yang

memiliki resolusi ruang 30 meter, data ASTER memiliki resolusi ruang yang lebih

tinggi iaitu 15 meter. Dengan ini, data ASTER dapat memberikan maklumat yang

lebih banyak. Walau bagaimanapun, permasalahan utama perolehan data ASTER

adalah kehadiran awan yang terlalu banyak terutamanya di kawasan tropika

sebagaimana perolehan data oleh Landsat ETM.

Rajah 2.6 Aplikasi penggunaan data ASTER

Suhu Laut

Tumbuhan

Guna Tanah Sejatpeluhan

Geologi

DEM

Suhu Permukaan

Suhu dan StrukturPermukaan Awan

280 SWIR TIRNIR

53

2.8.1 Ciri- Ciri Penderia ASTER

Penderia VNIR dengan resolusi ruang yang lebih tinggi memberikan

maklumat berguna bagi penyelidikan yang melibatkan perubahan aktiviti guna tanah.

Julat panjang gelombang data VNIR adalah antara 0.52 µm hingga 0.86 µm.

Manakala julat panjang gelombang SWIR pula adalah antara 1.6 µm hingga 2.43

µm. Kepelbagaian jalur termal Inframerah pula dapat digunakan dalam

pengekstrakan suhu permukaan dengan lebih baik. Data TIR ASTER memiliki lima

jalur termal dengan julat panjang gelombang antara 8.125 µm hingga 11.65 µm.

Jadual 2.3 menunjukkan keseluruhannya julat spektrum jalur imej ASTER.

Jadual 2.2 Julat spektrum jalur imej ASTER

Ubahsuai : ASTER User Guide, (2005)

Set Data No. Jalur (ρ) Julat Spektrum (µm)

Jalur Nampak Inframerah

Dekat (VNIR)

1

2

3N

3B

0.520 - 0.600

0.630 - 0.690

0.780 - 0.860

0.780 - 0.860

Jalur Gelombang Pendek

Inframerah

(SWIR)

4

5

6

7

8

9

1.600 - 1.700

2.145 - 2.185

2.185 - 2.225

2.235 - 2.285

2.295 - 2.365

2.360 - 2.430

Jalur Termal Inframerah

(TIR)

10

11

12

13

14

8.125 - 8.475

8.475 - 8.825

8.925 - 9.275

10.25 - 10.95

10.95 - 11.65

54

2.8.2 Aplikasi Penggunaan Data ASTER Melalui Kombinasi Jalur

Penggunaan data ASTER melalui interpretasi visual dapat membantu dalam

penterjemahan awal ciri-ciri dan maklumat yang terdapat di permukaan bumi.

Kombinasi jalur ASTER yang sesuai selepas dilakukan pembetulan radiometrik

dapat memberikan maklumat yang lebih jelas. Dengan bilangan jalur yang lebih

banyak, data ASTER memiliki potensi yang lebih besar untuk digunakan dalam

kajian remote sensing yang melibatkan analisis guna tanah dan ciri-ciri tumbuhan.

Pelbagai kombinasi jalur dapat dihasilkan oleh jalur ASTER berdasarkan keperluan

penonjolan fitur.

Kombinasi jalur VNIR terdiri daripada 3 jalur iaitu jalur 3, 2 dan 1 sebagai

jalur Merah-Hijau-Biru (RGB). Jalur ini memiliki resolusi ruang seluas 15 meter.

Kombinasi jalur ini digunakan untuk menonjolkan dengan lebih jelas tumbuh-

tumbuhan yang aktif menjalankan aktiviti fotosintesis di mana ianya dapat dilihat

sebagai fitur berwarna merah pada jalur inframerah dekat. Kawasan tanah lapang dan

batuan dapat dilihat sebagai fitur perang, hijau dan kelabu. Bagi kawasan

penempatan dan pembangunan pula diwakili oleh fitur biru-hijau, ungu dan putih.

Kombinasi jalur yang berkesan dalam julat SWIR adalah jalur 8, 6 dan 4

sebagai jalur RGB dengan resolusi ruang 30 meter. Sebagai data yang memiliki

pelbagai jalur yang lebih banyak dalam julat ini, julat antara jalur-jalurnya memiliki

hubungan yang kuat. Bagi mendapatkan keberkesanan kombinasi jalur yang lebih

baik, jalur-jalur ini perlu dilakukan penarikan spektrum terlebih dahulu bagi

memastikan pembahagian maklumat atau data yang lebih maksimum antara jalur-

jalurnya. Kombinasi jalur ini memberikan penonjolan maklumat yang lebih jelas bagi

aplikasi-aplikasi geologi. Selain daripada itu, beberapa kombinasi lain juga boleh

digunakan dalam penonjolan pelbagai jenis mineral secara umum bergantung kepada

keperluan pengekstrakan maklumat yang diperlukan.

Jalur termal ASTER meliputi 5 julat jalur dengan resolusi ruang 90 meter.

Kombinasi jalur termal yang biasa digunakan adalah jalur 13, 12 dan 10 sebagai jalur

RGB. Sebagaimana jalur gelombang pendek Inframerah, hubungan antara jalur

55

termal ASTER juga amat tinggi dan perlu dilakukan penarikan nilai terlebih dahulu

bagi memastikan perbezaan julat antara jalur yang lebih maksimum antara jalur-

jalurnya. Selain daripada penggunaan jalur termal ASTER dalam perolehan

maklumat suhu permukaan dan kombinasi jalur-jalur ini juga boleh digunakan untuk

tujuan penonjolan maklumat jenis-jenis mineral dan litologi bagi sesuatu kawasan.

2.9 Ringkasan

Pengukuran data remote sensing dapat membantu dalam perolehan kadar

NPP tumbuhan yang mana dipengaruhi oleh pelbagai faktor persekitaran. Faktor-

faktor persekitaran memberikan kesan langsung terhadap tindak balas tumbuhan

dalam menjalankan proses fisiologi. Pemahaman yang mendalam terhadap proses

fisiologi tumbuhan memberikan gambaran meluas terhadap teknik permodelan NPP.

Setiap faktor yang memberi kesan terhadap fisiologi tumbuhan diambil kira dalam

permodelan untuk melihat sejauh mana tumbuhan berinteraksi terhadap faktor-faktor

ini. Dengan ini, pemantauan terhadap pertumbuhan dapat dilakukan dengan memberi

tumpuan terhadap tekanan persekitaran yang tidak dapat ditampung oleh tumbuhan

bagi memastikan tumbuhan berada pada tahap tumbesaran yang optimum. Penilaian

Kaedah Eko-Fisiologi yang sesuai dalam perolehan kadar NPP membantu dalam

pengurusan sumber perhutanan dan perladangan dengan lebih baik di masa hadapan.

BAB 3

METODOLOGI KAJIAN

3.1 Pendahuluan

Remote sensing merupakan suatu teknologi dan sains yang melibatkan

penggunaan pengimbas yang diletakkan pada platform satelit yang bergerak jauh dari

permukaan bumi. Ia digunakan bagi mengumpulkan maklumat bumi untuk tujuan

pengawasan dan inventori tanpa perlu menyentuh permukaan bumi (Bolstad, 2003).

Data satelit merupakan sumber terpenting dalam kajian remote sensing. Sehingga

kini terdapat pelbagai satelit remote sensing yang telah dilancarkan dan digunakan.

Ini termasuklah bagi satelit dengan resolusi tinggi seperti IKONOS dan Quickbird,

satelit dengan resolusi sederhana seperti Landsat TM dan ASTER serta satelit dengan

resolusi rendah seperti MODIS dan NOAA AVHRR.

Terdapat pelbagai aplikasi yang melibatkan penggunaan data remote sensing.

Pemilihan bagi penggunaan data remote sensing dilakukan berdasarkan keperluan

kajian yang akan dijalankan. Kajian ini menggunakan data daripada satelit Advanced

Spaceborne Thermal Emission and Reflection Radiometer (ASTER). Pemprosesan

data remote sensing dibahagikan kepada beberapa peringkat pemprosesan sebelum

data ini dapat digunakan untuk penganalisaan dan pengekstrakan. Dalam bab ini,

penerangan bagi setiap peringkat pemprosesan data diberikan secara lebih terperinci.

57

3.2 Metodologi Kajian

Secara amnya, metodologi bagi kajian ini dibahagikan kepada lima bahagian

utama iaitu perolehan data, pra-pemprosesan, pemprosesan, aplikasi model dan

analisis hasil sebagaimana ditunjukkan dalam Rajah 3.1. Bahagian pertama dalam

kajian ini melibatkan fasa perolehan data. Data yang digunakan dalam kajian ini

termasuklah data remote sensing, data sokongan dan data meteorologi. Data-data ini

terlebih dahulu akan dilakukan pra-pemprosesan sebelum ianya digunakan

seterusnya. Pra-pemprosesan data merupakan bahagian kedua dalam kajian ini.

Antara aktiviti yang dijalankan dalam bahagian kedua ini adalah penghasilan Peta

Dasar kawasan kajian dan pra-pemprosesan jalur ASTER iaitu jalur 1,2,3n,5,6,8,9,

dan 10.

Bahagian ketiga dalam kajian ini adalah bagi fasa pemprosesan data. Dalam

bahagian ini, data-data yang telah melalui proses pra-pemprosesan akan digunakan

untuk menerbitkan parameter-parameter yang diperlukan dalam Kaedah Eko-

Fisiologi. Selain itu, dalam bahagian ini, proses penghasilan peta guna tanah

menggunakan data ASTER turut dijalankan. Maklumat-maklumat yang diterbitkan

akan digunakan seterusnya di dalam bahagian ke empat, aplikasi Kaedah Eko-

Fisiologi. Dalam bahagian aplikasi model, terdapat empat Kaedah Eko-Fisiologi

digunakan untuk menganggarkan kadar NPP. Model-model ini termasuklah Model

CASA (Carnegie Ames Stanford Approach), Model GLOPEM (Global Production

Efficiency Model), Model VPM (Vegetation Photosynthetic Model), dan Model C-

Fix (Carbon Fix).

Bahagian ke lima dalam kajian ini adalah bahagian analisis. Terdapat dua

bentuk analisis yang terlibat dalam bahagian ini iaitu analisis kualitatif dan juga

analisis kuantitatif. Analisis kualitatif melibatkan analisis taburan NPP di kawasan

kajian, manakala analisis kuantitatif melibatkan analisis statistik bagi NPP yang

diperoleh. Selain daripada analisis yang dijalankan ini, analisis ketepatan hasil juga

dijalankan terhadap hasil NPP dan parameter-parameter yang diperoleh menerusi ke

empat-empat Kaedah Eko-Fisiologi yang terlibat. Penilaian hasil ini penting bagi

menentukan Kaedah Eko-Fisiologi yang bersesuaian untuk digunakan di dalam

58

persekitaran kawasan kajian. Metodologi kajian ini diterangkan dengan lebih

terperinci dalam bahagian seterusnya.

Rajah 3.1 Metodologi kajian

Perolehan Data

Pemprosesan

Data Sokongan

-Penyediaan DataParameter ModelEko- Fisiologi

Data Meteorologi

-PenghasilanModel KetinggianBerdigit (DEM)

Pra-Pemprosesan data ASTER-Jalur 1, Jalur 2,Jalur 3n (NIR)-Jalur 5, Jalur 6, Jalur 8, jalur 9(SWIR)-Jalur 10 (TIR)

-Pengekstrakan DataParameter ModelEko-Fisiologi

Perolehan Data

Remote Sensing

Aplikasi Model

-PengelasanGuna Tanah

-Penghasilan PetaDasar KawasanKajian

Pengeluaran Primer Bersih

Pra-Pemprosesan

Model CASA Model GLOPEM Model VPM Model C-Fix

Penilaian ModelEko-Fisiologi

Analisis

Analisis Ketepatan

Peta Pengeluaran Primer Bersih

Analisis Hasil KualitatifKuantitatif

1

2

3

4

5

59

3.2.1 Bahagian 1 : Perolehan Data

Bahagian pertama dalam kajian ini adalah bagi perolehan data. Dalam kajian

ini, terdapat tiga jenis data utama yang diperlukan iaitu data remote sensing, data

sokongan dan juga data meteorologi. Data remote yang digunakan dalam kajian ini

adalah data ASTER. Data remote sensing akan diintegrasikan bersama data

meteorologi dan data sokongan dan akan digunakan dalam penganggaran dan

pemetaan kadar NPP di Hutan Simpan Pasoh.

3.2.1.1 Data Remote Sensing

Data remote sensing yang digunakan dalam kajian ini melibatkan dua set data

ASTER bagi kawasan kajian Hutan Simpan Pasoh. Data ASTER yang digunakan

dalam kajian ini merupakan data dengan paras pemprosesan L1B dengan setiap

satunya seluas kira-kira 60 km x 60 km. Data L1B merupakan data mentah ASTER

iaitu data yang belum dilakukan sebarang bentuk pemprosesan. Spesifikasi data

ASTER yang digunakan dalam kajian ini ditunjukkan sebagaimana Jadual 3.1.

Bersama data ini dibekalkan maklumat-maklumat parameter orbit yang diperlukan

untuk proses pembetulan geometri dan kalibrasi radiometrik.

Perolehan data ASTER bagi ke dua-dua set data diperoleh dari Japan's Earth

Remote Sensing Data Analysis Center (ERSDAC). Bagi setiap set data terdapat 14

jalur yang melibatkan beberapa pengimbas iaitu ASTER-VNIR bagi perekodan

maklumat jalur nampak inframerah-dekat, ASTER-SWIR bagi perekodan jalur

gelombang pendek inframerah dan ASTER-TIR bagi perekodan jalur terma

inframerah. Perolehan kedua-dua set data ASTER dalam kajian ini adalah menerusi

pembelian secara dalam talian melalui laman web ERSDAC di alamat

www.gds.aster.ersdac.or.jp.

60

Jadual 3.1 Spesifikasi data ASTER dalam kajian ini

Perkara Spesifikasi Set 1 Spesifikasi Set 2

Tarikh 16hb Mac 2005 16hb Mac 2005

Peringkat pemprosesan L1B – 14 Jalur L1B -14 Jalur

Latitud/Longitud 2.760979 / 102.255043 3.296258 / 102.368646

Litupan Awan 1 % 1 %

Resolusi Ruang15 m (VNIR), 30 m

(SWIR), 90 m (TIR)

15 m (VNIR), 30 m

(SWIR), 90 m (TIR)

Rajah 3.2 menunjukkan data ASTER yang digunakan dalam kajian ini yang

merangkumi Hutan Simpan Pasoh dan kawasan sekitarnya. Data ini terlebih dahulu

akan melalui proses pra-pemprosesan dan pemprosesan sebelum boleh digunakan

dalam aplikasi Kaedah Eko-Fisiologi.

Rajah 3.2 Data ASTER kawasan Hutan Simpan Pasoh

61

3.2.1.2 Data Meteorologi

Dalam kajian ini, data meteorologi yang terlibat termasuklah data suhu,

sinaran suria, sejatpeluhan potensi dan defisit tekanan wap. Data-data meteorologi

yang digunakan dalam kajian ini adalah bagi purata tahunan. Walau bagaimanapun

terdapat data yang direkodkan secara bulanan sepanjang tahun 2005. Parameter-

parameter meteorologi ini akan digunakan sebagai parameter dalam permodelan NPP

menggunakan Kaedah Eko-Fisiologi.

Pusat penyelidikan Hutan Simpan Pasoh merekodkan maklumat meteorologi

seperti kadar radiasi solar, suhu udara dan defisit tekanan wap sebagaimana yang

ditunjukkan dalam Rajah 3.3. Berdasarkan kepada maklumat meteorologi yang

direkodkan dari tahun 2003 hingga 2005, didapati purata suhu minimum bulanan

dicatatkan kira-kira 25ºC manakala purata suhu maksimum bulanan sebanyak 28ºC.

Maklumat-maklumat ini penting dan dapat digunakan dalam analisis terhadap

parameter dan hasil permodelan NPP yang diperoleh melalui data remote sensing.


Rajah 3.3 Data radiasi solar, suhu dan defisit tekanan wap di Hutan Simpan Pasoh

62

3.2.1.3 Data Sokongan

Data sokongan dalam kajian ini terdiri daripada data vektor Hutan Simpan

Pasoh, dan Peta Guna Tanah Negeri Sembilan. Maklumat ini dihasilkan dalam

bentuk digital daripada pendigitan Peta Topografi yang diperoleh daripada Jabatan

Ukur dan Pemetaan Malaysia (JUPEM), manakala peta guna tanah diperoleh

daripada Jabatan Pertanian. Peta Topografi bersiri L7030 dengan skala 1:50000

digunakan dalam penghasilan maklumat digital garis kontur, ketinggian dan

sempadan kawasan kajian bagi penghasilan Peta Dasar kawasan kajian. Kedua-dua

data ini ditunjukkan di dalam Rajah 3.4.

(a) (b)

Rajah 3.4 Data tambahan yang digunakan dalam kajian a) Peta Topografi Hutan

Simpan Pasoh; b) Peta Guna Tanah Hutan Simpan Pasoh tahun 2000

Data vektor Hutan Simpan Pasoh diperlukan bagi tujuan pemotongan data

remote sensing agar merangkumi keseluruhan kawasan kajian yang telah dipilih

sahaja. Pemotongan data diperlukan bagi mengecilkan ruang storan imej yang

63

seterusnya akan memudahkan dan mempercepat aktiviti pemprosesan imej. Peta

Guna Tanah pula digunakan untuk mendapatkan guna tanah digital kawasan Hutan

Simpan Pasoh yang kebanyakan terdiri daripada hutan, kelapa sawit, getah,

penempatan dan kawasan pertanian. Maklumat guna tanah digunakan dalam kajian

ini untuk dijadikan sebagai data kawalan dalam proses pengelasan data remote

sensing bagi kawasan kajian.

3.2.2 Bahagian 2 : Pra-Pemprosesan

Data mentah ASTER perlu melalui beberapa peringkat pra-pemprosesan

sebelum ianya boleh digunakan untuk tujuan permodelan dan pengekstrakan

maklumat. Antara proses utama yang terlibat ialah pembetulan crosstalk,

pensampelan jalur, pembetulan putaran imej, pembetulan geometri, kalibrasi

radiometrik, penopengan awan dan pemotongan kawasan kajian. Langkah pra-

pemprosesan data ASTER ditunjukkan seperti di dalam Rajah 3.5.

Dalam kajian ini terdapat sembilan jalur daripada 15 jalur ASTER terlibat

dalam pemprosesan. Daripada sembilan jalur ini, tiga daripadanya merupakan jalur

VNIR iaitu jalur 1,2 dan 3n. Manakala, lima jalur lagi terdiri daripada jalur SWIR

iaitu jalur 4, 5, 6, 8 dan 9 serta satu jalur daripada jalur TIR iaitu jalur 10. Penyediaan

data ASTER dilakukan secara berasingan kerana data mentah ASTER terdiri

daripada tiga resolusi ruang yang berbeza iaitu 15 meter bagi jalur VNIR, 30 meter

bagi jalur SWIR dan 90 meter bagi jalur TIR.

Langkah pra-pemprosesan data ASTER dalam bahagian ini melibatkan dua

set data mentah ASTER. Setiap bahagian dalam pra-pemprosesan data ini

dibincangkan dengan lebih terperinci dalam bahagian seterusnya. Langkah ini

hampir sama dengan kaedah pra-pemprosesan data remote sensing yang lain tetapi

ianya berbeza dari segi parameter-parameter yang digunakan.

64

Rajah 3.5 Carta alir pra-pemprosesan jalur ASTER

Jalur 1Jalur 2

Jalur 3n

Jalur VNIR

Pembetulan Crosstalk

Jalur SWIR Jalur TIR

Jalur 10

Pensampelan Jalur

Pemotongan Kawasan Kajian

Data mentah ASTER

Jalur 4Jalur 5Jalur 6Jalur 8Jalur 9

Penopengan Awan

Pembetulan Geometri

Kalibrasi Radiometrik

Jalur ASTER dengannilai Pembalikan

Jalur ASTER dengannilai suhu jasad hitam

Jalur 10Jalur 1,2,3n,4,5,6,8,9

Penyediaan data mentah

Pra-Pemprosesan data

Penyediaan data pemprosesan

Pembetulan Putaran

Set 1 Set 2

1

2

3

65

3.2.2.1 Pembetulan Crosstalk

Pra-pemprosesan imej dijalankan bagi memastikan data yang digunakan

bebas dari sebarang ralat dan kesan-kesan atmosfera yang seterusnya dapat

memberikan output yang lebih tepat. Crosstalk merupakan kesan yang diterima pada

imej ASTER disebabkan oleh pembiasan sebahagian isyarat jalur 4 kepada jalur-jalur

berhampiran iaitu jalur 5 dan jalur 9. Masalah ini menyebabkan sebahagian isyarat

yang sepatutnya diterima oleh pengesan pada penderia jalur 4 tidak dapat

direkodkan. Keadaan ini adalah disebabkan oleh ketiadaan sebarang sempadan

sekatan isyarat daripada jalur 4 ini terhadap pengesan pada penderia bersebelahan

yang lain sebagaimana ditunjukkan dalam Rajah 3.6.

Sumber: Ubahsuai dari ASTER User Guide, (2005)

Rajah 3.6 Ilustrasi kesan crosstalk pada penderia ASTER

Pada asasnya, kesemua pengesan bagi setiap penderia disusun dalam

geometri segi empat dan di bahagian atasnya mengandungi penapis untuk kesemua

jalur yang terdapat pada penderia. Kesemua pengesan ini memiliki tindak balas pada

julat spektrum yang sama. Apabila isyarat diterima oleh pengesan-pengesan ini,

isyarat ini akan terperangkap sehingga salah satu pengesan merekodkan signal.

Dalam keadaan ini, apabila pengesan bagi jalur 5 menerima isyarat yang melalui

penapis jalur 4, crosstalk berlaku. Dengan itu, isyarat yang direkodkan oleh jalur 4 di

katakan lebih tinggi berbanding jalur gelombang pendek Inframerah yang lain.

Jalur 7

Jalur 8

Jalur 9

Jalur 4

Jalur 5

Jalur 6

Arah pergerakan satelitX

Y

Bidik Laras

66

Disebabkan oleh penyebaran perambatan cahaya daripada jalur 4, corak imej

menjadi kabur. Komponen crosstalk dianggarkan daripada pengukuran lingkaran

jalur 4 dengan menggunakan persamaan 3.1 (ASTER User Guide, 2005).

yxhyyxxfyxf n

nn

n

,,, 4~

di mana n adalah jalur 5,6,7,8 dan 9 bagi data ASTER manakala fungsi

yxfn

,~

dan yxf n , masing-masing merupakan komponen crosstalk dan imej asal jalur

ASTER. Sekiranya mekanisme perambatan cahaya berlaku pada pelbagai arah

pembalikan dengan hukum kosinus, corak perambatan cahaya boleh dianggarkan

menggunakan persamaan 3.2.

22

22

2

1exp

2,

ny

nx

ny

nx

nn yxa

yxh

di mana parameter na ,

nx ,

ny

,x(n) dan y(n) adalah masing-masing magnitud, lebar

perambatan cahaya, dan juga sesaran imej maya. Kesan ini adalah besar bagi jalur 5

dan jalur 9 kerana pengesan bagi jalur ini terletak paling hampir dengan pengesan

jalur 4. Pembetulan bagi permasalahan ini dilakukan dengan menganggap ianya

bersifat satu ofset berdasarkan kedudukan setiap piksel pada imej.

3.2.2.2 Pensampelan Jalur ASTER

Secara amnya, set data mentah ASTER mengandungi 14 jalur. Walau

bagaimanapun, data ASTER mengandungi tiga jenis set data yang berbeza di mana

….. (3.1)

….. (3.2)

67

setiap satu set data memiliki resolusi ruang yang berbeza. Oleh itu, setiap set data ini

perlu diproses secara berasingan. Ketiga-tiga set data ASTER ini termasuklah bagi

data set VNIR 15m (jalur 1 hingga 3 ), set data SWIR 30m (jalur 4 hingga 9) dan set

data TIR 90m (jalur 10 hingga 14). Untuk tujuan pemprosesan dan aplikasi model,

kesemua jalur ASTER yang terlibat perlu menjalani proses pensampelan semula

kepada resolusi ruang 15 meter sebagaimana jalur VNIR.

3.2.2.3 Pembetulan Putaran Imej

Kebiasaannya data mentah ASTER yang diperoleh berada dalam orientasi

laluan satelit. Herotan yang terdapat pada imej berlaku apabila satelit tidak

mengimbas secara tepat melalui orbitnya yang bergerak dari Utara ke Selatan. Imej

ini perlu dibetulkan kembali kepada orientasi sebenar sebagaimana pada peta yang

kebiasaannya memiliki unjuran WGS84 (World Geodetic System 84). Arah putaran

pada imej perlu dikenal pasti terlebih dahulu sebelum memutarkan imej tersebut.

Contoh bagi orientasi imej kepada orientasi peta ditunjukkan oleh Rajah 3.7 di

bawah.

Rajah 3.7 Orientasi imej kepada orientasi peta menggunakan maklumat sudut

orientasi dari fail utama imej

Imej dengan orientasi peta

Imej dengan orientasi laluan

Sudut orientasi

68

3.2.2.4 Pembetulan Geometri

Pemutaran imej ASTER meletakkan data ini pada orientasi yang betul tetapi

ianya tidak berada pada kedudukan yang betul sebagaimana di lapangan. Pembetulan

geometri perlu dilakukan ke atas data ini bagi mengurangkan kesan herotan imej

serta memastikan ianya sama dengan sistem koordinat yang digunakan sebagaimana

di lapangan sebenar. Terdapat beberapa teknik dalam pembetulan geometri pada data

remote sensing. Bagi pembetulan geometri menggunakan titik kawalan, terdapat dua

teknik yang biasa digunakan iaitu teknik imej ke imej dan imej ke peta. Prosedur

pembetulan geometri imej ASTER ini ditunjukkan sebagaimana Rajah 3.8.

Rajah 3.8 Prosedur pembetulan geometri imej ASTER

Koordinat(X,Y)

daripada peta

Tidakmemuaskan

Memuaskan

Imej ASTER yang telahdibetulkan geometri

Penentuan titik kawalan

Pengiraan matrikstransformasi dan selisih

RMS

Pemindahan nombor berdigit berpandukanpolinomial berdarjah dua dengan menggunakan

teknik jiran terdekat (Nearest Neighbour)

Imej ASTER denganherotan geometri

Penentuan titik kawalan

69

Proses pemilihan titik kawalan ini akan mempengaruhi persamaan polinomial

yang mengandungi beberapa darjah bergantung kepada bilangan titik kawalan. Bagi

polinomial darjah 1, bilangan titik kawalan minimum yang diperlukan adalah

sebanyak 3 titik. Manakala bagi polinomial darjah 2 memerlukan sekurang-

kurangnya 6 titik kawalan. Secara amnya, penyelesaian polinomial ini ditunjukkan

seperti dalam persamaan 3.4 hingga 3.9.

yxfX ,11

yxfY ,21

di mana,

x,y = Koordinat peta;

ƒ1, ƒ2 = Fungsi transformasi; dan

X1, Y1 = Koordinat imej yang mempunyai herotan

Persamaan polinomial yang terlibat adalah seperti berikut:-

X1 = a0 + a1x + a2y + a3xy + a4x2 + a5y2 + a6x2y + a7xy2 + a8x3 + a9y3

Y1 = b0 + b1x + b2y + b3xy + b4x2 + b5y2 + b6x2y + b7xy2 + b8x3 + b9y3

di mana,

X1, Y1 = Koordinat imej yang mempunyai herotan; dan

a,b = Nilai pekali yang tidak diketahui

1

2

….. (3.4)

….. (3.5)

….. (3.6)

….. (3.7)

70

Setelah titik-titik kawalan bumi dikenal pasti, transformasi nombor-nombor

berdigit dijalankan di mana ianya dipindahkan pada kedudukan betul berdasarkan

kepada persamaan polinomial. Ketepatan hasil yang diperoleh boleh dilihat melalui

nilai ralat Root Mean Square Error (RMSE) bagi setiap titik kawalan. Pengiraan

RMSE ditunjukkan dalam persamaan 3.8.

kn

XXRMSE r

X

2

1

dan,

kn

YYRMSE r

Y

2

1

di mana,

X1 = Koordinat baris yang dihitung pada imej yang mempunyai

herotan;

Y1 = Koordinat lajur yang telah dihitung pada imej yang

mempunyai herotan;

Xr = Koordinat baris asal titik kawalan pada imej;

Yr = Koordinat lajur asal titik kawalan pada imej;

n = Bilangan titik kawalan; dan

k = Bilangan titik kawalan minimum bagi darjah tertentu

polinomial

Dengan menggunakan teknik imej ke imej, pembetulan kedudukan geometri

imej dapat dilakukan dengan mendaftarkan imej yang hendak dibetulkan kepada imej

yang telah mempunyai kedudukan geometri yang betul. Manakala dengan

menggunakan teknik imej ke peta pula kita menggunakan maklumat yang diperoleh

….. (3.8)

….. (3.9)

71

dari peta untuk melakukan pembetulan geometri. Jadual 3.1 menunjukkan maklumat

projeksi yang digunakan dalam pembetulan geometri imej ASTER dalam kajian ini.

Jadual 3.2 Maklumat projeksi imej

3.2.2.5 Pembetulan Radiometrik

Pembetulan radiometrik adalah proses penskalaan nilai digit pada imej bagi

mengukur nilai sinar di atas atmosfera. Penskalaan isyarat penderia kepada data 8-bit

adalah penting bagi memastikan tidak berlakunya banyak pengurangan maklumat

pada imej. Setiap set data ASTER mengandungi nilai penskalaan tertentu yang mana

digunakan sebagai faktor penukaran isyarat. Kalibrasi jalur merah dan inframerah

dekat dilakukan untuk membetulkan kesan atmosfera dan menukarkan nilai radiasi

ke nilai pembalikan. Kalibrasi jalur ini dilakukan dengan menggunakan model

pembetulan iluminasi dan atmosfera bagi mendapatkan nilai radian yang diperlukan

dalam proses penghasilan nilai pembalikan.

Persamaan 3.10 digunakan untuk mengira nilai radian (Lλ) daripada nilai

Nombor Digital dan nilai ini digunakan dalam persamaan seterusnya bagi

mendapatkan nilai pembalikan. Persamaan ini digunakan bagi membetulkan

iluminasi dan kesan atmosfera pada imej. Kalibrasi jalur ASTER ini penting kerana

pemprosesan data bagi menghasilkan indeks tumbuhan yang dilakukan seterusnya

Atribut Ciri-ciri

Jenis Projeksi Rectified Skew Orthomophic (RSO)

Speroid Modified Everest

Ralat Timuran 804671.2996 meter

Ralat Utaraan 0.000000000 meter

Datum Kertau 1948

72

menggunakan jalur ASTER ini. Berdasarkan kepada persamaan 3.10, Unit Pekali

Penukaran diperoleh menerusi meta data yang dibekalkan bersama data mentah

ASTER. Unit pekali ini memegang nilai berlainan bagi setiap jalur ASTER.

PenukaranUnitPekaliDNL 1

di mana:

Lλ = Radian; dan

DN = Nombor Digital

Manakala, persamaan untuk mendapatkan nilai pembalikan yang telah dibetulkan

kesan iluminasi dan atmosfera pula ditunjukkan seperti persamaan 3.11.

sS

dL

cos0

2

dan,

jDLd 9856.0cos01672.01

di mana:

ρλ = Nilai pembalikan yang telah dibetulkan iluminasi dan kesan

atmosfera;

μs = Sudut Zenit Solar;

d = Jarak Bumi dan Matahari;

Dj = Hari Dalam Kiraan Julian; dan

S0 = Exo-atmosfera radiasi solar

….. (3.10)

….. (3.11)

….. (3.12)

73

3.2.2.6 Penopengan Awan dan Pemotongan Kawasan Kajian

Sebarang aplikasi remote sensing yang melibatkan pengukuran kuantitatif

adalah berkaitan dengan maklumat yang diperoleh daripada data remote sensing

yang mana berlakunya penyerakan dan pengeluaran tenaga dalam sistem yang

terhasil daripada interaksi permukaan atmosfera. Diantara objek-objek yang

memberikan kesan terhadap jumlah pembalikan tenaga daripada permukaan bumi

kepada pengimbas satelit adalah awan.

Malaysia terletak di kawasan yang menerima liputan awan yang tinggi, amat

sukar untuk mendapatkan imej yang bebas daripada awan sepenuhnya. Oleh itu,

amatlah penting untuk mengenalpasti dan membuang awan-awan ini daripada imej

digital. Pada masa kini, terdapat pelbagai algoritma dalam penopengan awan dan

kebanyakannya berdasarkan kepada nilai ambang yang diperoleh dari julat nampak

dan inframerah dari imej satelit. Bagi memudahkan pemprosesan imej dijalankan,

data yang digunakan dilakukan penopengan bagi mendapatkan kawasan kajian yang

meliputi Hutan Simpan Pasoh. Imej yang lebih kecil ini memudahkan dan

mempercepat lagi aktiviti pemprosesan.

3.2.3 Bahagian 3 : Pemprosesan

Pemprosesan data hanya dilakukan selepas data ASTER yang digunakan

dalam kajian ini telah melalui peringkat pra-pemprosesan. Empat bahagian

pemprosesan utama data ASTER ini adalah bagi pengekstrakan indeks tumbuhan,

perolehan kadar Radiasi Aktif Fotosintesis (PAR) dan pengukuran Suhu Permukaan

(Ts). Parameter-parameter merupakan parameter utama yang akan digunakan dalam

penganggaran NPP menggunakan Kaedah Eko-Fisiologi. Rajah 3.9 menunjukkan

carta alir aktiviti pemprosesan imej satelit yang dijalankan dalam kajian ini bagi

74

menghasilkan beberapa parameter utama yang akan digunakan dalam Kaedah Eko-

Fisiologi.

Rajah 3.9 Carta alir penerbitan parameter utama Kaedah Eko-Fisiologi daripada

jalur ASTER

Kesemua hasil pemprosesan ini akan digunakan pada peringkat permodelan

NPP menggunakan Kaedah Eko-Fisiologi. Dalam kajian ini, sembilan daripada 14

jalur ASTER digunakan dalam peringkat pemprosesan imej satelit. Jalur-jalur ini

termasuklah jalur 1, 2, 3n dan jalur 5 pada peringkat perolehan indeks tumbuhan

serta penggunaan jalur 1, 3, 5, 6, 8, dan 9 bagi perolehan radiasi bersih. Manakala

jalur 10 digunakan bagi perolehan suhu permukaan. Antara lain penggunaan suhu

permukaan adalah untuk menerbitkan radiasi bersih dan juga nilai sejatpeluhan.

Penerangan lebih terperinci bagi setiap penerbitan parameter ini diberikan dalam

bahagian seterusnya.

Jalur ASTER dengan nilai pembalikan Jalur ASTER dengannilai suhu jasad hitam

Jalur 10

EVILSWI

-Jalur 2-Jalur 3n

-Jalur 1-Jalur 2-Jalur 3n

-Jalur 3n-Jalur 5

-Jalur 1-Jalur 3-Jalur 5-Jalur 6-Jalur 8-Jalur 9

Albedo Nisbah Sejatpeluhan Suhu Permukaan

Radiasi Bersih

NDVI

75

3.2.3.1 Indeks Tumbuhan

Indeks tumbuhan yang digunakan dalam pemprosesan data ASTER ini adalah

Indeks Normalisasi Perbezaan Tumbuhan (NDVI), Indeks Air Permukaan Tanah

(LSWI), Indeks Penonjolan Tumbuhan (EVI). Semua indeks tumbuhan ini

menggunakan jalur inframerah dekat dan jalur merah. Pengiraan indeks tumbuhan ini

melibatkan operasi penambahan, penolakan, penisbahan dan pendaraban jalur.

3.2.3.1.1 Indeks Pembezaan Normalisasi Tumbuhan

Indeks tumbuhan dapat dijadikan petunjuk terhadap tahap kesuburan bagi

tumbuhan berdasarkan kepada paras pertumbuhannya. Indeks tumbuhan yang biasa

digunakan dalam penganalisaan tahap pengeluaran tumbuhan adalah NDVI. Menurut

Jiang et al., (1999), NDVI dapat diekstrak melalui penisbahan mudah jalur

inframerah dekat dan jalur merah data remote sensing seperti yang ditunjukkan

dalam persamaan 3.13.

647857

647857

NDVI

di mana,

NDVI = Indeks Pembezaan Normalisasi Tumbuhan;

ρ857 = Jalur 3n VNIR; dan

ρ647 = Jalur 2 VNIR

….. (3.13)

76

Julat NDVI adalah daripada -1 hingga 1. Kawasan tumbuhan akan

memberikan nilai NDVI yang positif berikutan pembalikan julat inframerah dekat

yang tinggi dan julat merah yang kecil. Menurut Shunlin, (2004), NDVImin = 0.04

dan NDVImax = 0.52 merupakan nilai pemalar NDVI global. Bagi fitur-fitur seperti

tanah dan batu akan memberikan nilai NDVI yang menghampiri 0. Manakala bagi

fitur-fitur lain seperti air dan awan pula akan memberikan nilai NDVI negatif.

Penggunaan data optikal dilihat amat sesuai dalam perolehan NDVI kerana ianya

amat sensitif terhadap variasi dan pertumbuhan tumbuhan secara dinamik (Jiang et

al, 1999).

3.2.3.1.2 Indeks Air Permukaan Tanah

Jalur gelombang pendek inframerah amat sensitif kepada litupan tumbuhan,

kandungan air dalam daun dan juga kelengasan tanih. Kombinasi jalur inframerah

dekat dan juga gelombang pendek inframerah berpotensi untuk mendapatkan kadar

kandungan air dalam kanopi atau lebih dikenali sebagai LSWI (Xiao et al., 2004).

LSWI diperoleh menggunakan nilai pembalikan daripada jalur NIR dan juga SWIR.

Penghitungan LSWI ini ditunjukkan dalam persamaan 3.14.

2130860

2130860

LSWI

di mana,

LSWI = Indeks Air Permukaan Tanah;


ρ2130 = Jalur 5 SWIR

….. (3.14)

77

3.2.3.1.3 Indeks Penonjolan Tumbuhan

EVI merupakan indeks yang dibangunkan untuk menonjolkan isyarat

daripada tumbuhan dengan menambahkan sensitiviti terhadap kawasan yang

memiliki tumbuhan yang lebih padat. Indeks ini digunakan untuk mengurangkan

kesan gangguan atmosfera ke atas signal yang dibalikkan oleh tumbuhan. Tidak

seperti indeks tumbuhan seperti NDVI yang sensitif kepada kandungan klorofil,

indeks EVI ini lebih sensitif kepada struktur dan bentuk kanopi tumbuhan (Xiao et

al., 2004). Algoritma bagi perolehan EVI ditunjukkan dalam persamaan 3.15.

5.21 647857

647857

EVI

di mana,

EVI = Indeks Penonjolan Tumbuhan;

ρ857 = Jalur 3n NIR; dan

ρ647 = Jalur 2 NIR

3.2.3.2 Suhu Permukaan

Suhu persekitaran memberi pengaruh besar terhadap kadar fotosintesis dan

juga respirasi tumbuhan. Suhu permukaan yang diperoleh melalui permodelan data

remote sensing di kawasan hutan dapat menggambarkan suhu kanopi tumbuhan.

Suhu permukaan ini dapat dianggarkan menggunakan persamaan 3.16 dan 3.17

(Xiong et al., 2007).

….. (3.15)

78

11074151.3

ln

1043879.1

5

max4

4

jj

j

s

L

T

dan,

nj RDNL 1

di mana:

Ts = Suhu Permukaan;

Lj = Radian bagi jalur emisi maksimum;

DN = Nombor Digital; dan

ξmax = Nilai Emisiviti Maksimum

Emisiviti permukaan ialah nisbah tenaga yang dipancarkan oleh sesuatu objek

dengan tenaga yang dipancarkan oleh jasad hitam pada suhu yang sama. Julat nilai

emisiviti adalah lebih kecil berbanding nilai albedo permukaan. Emisiviti bagi setiap

jasad adalah berbeza bergantung kepada suhu setiap jasad ini. Bagi emisiviti

atmosfera, ianya bergantung kepada litupan awan dan konsentrasi gas yang

menyerap dan membebaskan tenaga dalam julat termal inframerah. Emisiviti dapat

diperoleh menerusi persamaan 3.18 hingga 3.23 bergantung kepada julat panjang

gelombang spektrum (Munoz et al., 2006).

946.0044.010 vP

949.0041.011 vP

941.0049.012 vP

970.0020.014 vP

….. (3.16)

….. (3.18)

….. (3.19)

….. (3.21)

….. (3.22)

….. (3.17)

968.0022.013 vP

….. (3.20)

79

dan,

2

48.0

04.0

NDVIPv

di mana,

ξ = Emisiviti;

Pv = Perkadaran Tumbuhan; dan

NDVI = Indeks Normalisasi Perbezaan Tumbuhan

3.2.3.3 Penganggaran Radiasi Bersih

Radiasi yang datang dari matahari boleh dibahagikan kepada gelombang

panjang dan gelombang pendek. Gelombang pendek ialah pembalikan serta-merta di

permukaan bumi yang merujuk kepada kriteria albedo. Radiasi bersih adalah

imbangan tenaga elektro magnetik keseluruhan yang meliputi aliran masuk dan

keluar di lapisan permukaan bumi. Parameter ini boleh diperoleh menerusi

persamaan 3.24 (Wang et al., 2003).

asswn eTRR 14.034.08.2771 4

manakala,

3.237

27.17exp6108.0

100 a

aa

T

TRHe

dan,

273 dTTT sa

….. (3.23)

….. (3.24)

….. (3.25)

….. (3.26)

80

di mana,

Rn = Radiasi Bersih;


ea = Tekanan Wap;

Ta = Purata Suhu Udara;

dT = Beza antara Suhu Permukaan dan Suhu Udara;

α = Albedo Permukaan;

Rsw = Radiasi Gelombang Pendek; dan

= Pemalar Stefan-Boltzman

Radiasi gelombang pendek merupakan tenaga radiasi dalam julat gelombang

nampak, ultra ungu dekat dan inframerah. Julat terma inframerah berada pada

panjang gelombang 1.0 μm hingga 4.0 μm. Perolehan maklumat radiasi gelombang

pendek boleh diperoleh melalui persamaan 3.27.

cos10275.0 05 SEDEMRsw

dan,

365

2cos33.010

DE

di mana,

Rsw = Radiasi Gelombang Pendek;

S = Pemalar Solar;

Eo = Faktor Pembetulan Eksentrik;

θ = Sudut Zenit Solar dalam Radian;

DEM = Model Ketinggian Berdigit;

Eo = Faktor Pembetulan Eksentrik; dan

D = Hari dalam Kiraan Julian

….. (3.27)

….. (3.28)

81

Albedo permukaan dapat diperoleh menggunakan teknik remote sensing

berdasarkan persamaan berikut di mana ρn mewakili jalur ASTER (Wang et al.,

2003).

0015.0367.0305.0551.0324.0335.048.0 986531

di mana,

α = Albedo; dan

ρn = Jalur ASTER

Perolehan kadar sinaran solar ini seterusnya akan digunakan dalam

penganggaran NPP menggunakan Model CASA, GLOPEM, VPM dan C-Fix

daripada data remote sensing.

3.2.3.4 Penerbitan Nisbah Sejatpeluhan

Penerbitan Nisbah Sejatpeluhan dijalankan sebagai salah satu parameter yang

akan digunakan dalam permodelan Eko-Fisiologi. Penisbahan ini melibatkan

penerbitan sejatpeluhan sebenar dan sejatpeluhan potensi seperti dalam persamaan

3.30. Sejatpeluhan sebenar merupakan kuantiti air yang disejatkan dari permukaan

air, tanah, dan tumbuh-tumbuhan dalam satu jangka tertentu di bawah keadaan tanah

lembap dan perbezaan litupan tumbuhan. Manakala sejatpeluhan potensi adalah

kuantiti air yang boleh disejatkan daripada permukaan tanah dan respirasi daripada

tumbuhan jika tanah berada dalam keadaan kelembapan yang optimum pada setiap

masa.

….. (3.29)

82

PET

AETETR

di mana,

ETR = Nisbah Sejatpeluhan;

AET = Sejatpeluhan Sebenar; dan

PET = Sejatpeluhan Potensi

Pelbagai faktor perlu diambil kira dalam penilaian sejatpeluhan potensi

seperti halaju angin, perubahan suhu dan tekanan udara. Untuk mendapatkan nilai

ETR menerusi teknik remote sensing, terdapat beberapa parameter yang perlu diambil

kira. Antara parameter-parameter yang diperlukan ialah maklumat DEM, albedo,

suhu permukaan, NDVI, dan emisiviti. Perolehan ETR melibatkan beberapa

peringkat iaitu perolehan NDVI, suhu permukaan, penerbitan sejatpeluhan potensi

dan sejatpeluhan sebenar. Perbezaan antara radiasi bersih dan juga aliran haba tanah

dapat membawa kepada perolehan sejatpeluhan potensi menerusi persamaan 3.31.

0GR

LE

PET

AET

n

dan,

HGRLE n 0

di mana,

LE = Aliran Haba Pendam;

G0 = Aliran Haba Tanah;


H = Aliran Haba Wajar

….. (3.31)

….. (3.32)

….. (3.30)

83

Keamatan bahangan semakin berkurang ke arah lantai hutan. Pada waktu

siang, kanopi menjadi panas akibat bahangan matahari dan mengakibatkan

pemindahan haba secara perolakan. Ini bermakna suhu udara dalam kanopi atas

adalah lebih daripada suhu di atas atau bahagian bawahnya. Aliran haba wajar di

permukaan bumi dapat diperoleh menerusi persamaan 3.33 (Wang et al., 2003).

0GRH n

di mana,


G0 = Aliran Haba Tanah

Aliran haba tanah ialah perpindahan haba dari bawah permukaan bumi ke

atas permukaan bumi dan sebaliknya. Aliran haba pendam tanah ini bergantung

kepada indeks litupan tumbuhan. Kawasan dengan kanopi tumbuhan yang jarang

sehingga mendedahkan permukaan tanah menyebabkan berlaku pengurangan radiasi.

Perolehan kadar aliran haba tanah, G0 diperoleh menerusi hubungannya dengan

radiasi bersih, albedo dan juga indeks tumbuhan sebagaimana persamaan 3.34.

ns RNDVITG 40 10062.00032.0

di mana;

Ts = Suhu permukaan;

α = Albedo permukaan;

NDVI = Indeks tumbuhan; dan

Rn = Radiasi bersih

….. (3.33)

….. (3.34)

84

Pelbagai algoritma telah dibangunkan untuk menganggarkan kadar

sejatpeluhan sebenar. Antaranya, sejatpeluhan sebenar dapat dihitung berdasarkan

persamaan Priestly-Taylor yang melibatkan parameter-parameter indeks tumbuhan,

suhu permukaan, radiasi bersih dan juga aliran haba tanah seperti persamaan 3.35.

F

N

n

GRn

TT

TTAET n

ss

ss

sin

24.06.0 0

minmax

max

di mana,

AET = Sejatpeluhan Sebenar;


Ts max = Nilai Maksimum Suhu Permukaan;

Ts min = Nilai Minimum Suhu Permukaan;

n = Purata Masa Sinaran Matahari Harian Sebenar;

N = Jumlah Maksimum Masa Sinaran Matahari Harian; dan

G0 = Aliran Haba Tanah

Sejatpeluhan potensi adalah kuantiti air yang boleh disejatkan daripada

permukaan tanah dan perpeluhan tumbuhan di dalam keadaan kelembapan yang

optimum setiap masa. Antara algoritma yang boleh digunakan untuk mendapatkan

kadar sejatpeluhan potensi adalah menerusi persamaan Penman di mana ianya

melibatkan penggunaan parameter-parameter meteorologi seperti yang terdapat

dalam persamaan 3.36. Manakala, nilai cerun lengkung tekanan wap tepu (Δ) pada

suhu mutlak diperoleh daripada persamaan 3.37.

2

4.5326

526.0135.0

a

m

dm

T

e

eeuHPET

….. (3.35)

….. (3.36)

85

dan,

23.237

3.237

27.17exp610.04098

a

a

a

T

T

T

di mana,

PET = Sejatpeluhan Potensi;

H = Imbangan haba di permukaan bumi;

γ = Pemalar Psikometri;

em = Tekanan Wap Tepu;

ed = Tekanan Udara pada takat embun;

Δ = Cerun lengkung tekanan wap tepu udara pada suhu mutlak;

u = Purata halaju angin di atas permukaan bumi

Δ = Cerun lengkung Tekanan Wap Tepu; dan

Ta = Purata Suhu Udara

Sejatan adalah proses yang berterusan dan akan berhenti apabila atmosfera

mencapai tekanan wap tepu. Tekanan wap tepu dapat diperoleh daripada persamaan

3.38 berdasarkan maklumat purata suhu udara.

a

mT

e43.5326

0287.21exp

dan,

RHee md

di mana,

em = Tekanan Wap Tepu;

Ta = Purata Suhu Udara; dan

RH = Kelembapan Bandingan

….. (3.37)

….. (3.38)

….. (3.39)

86

Berdasarkan Hilmi (2008), Purata kadar bahagian yang tersejat di kawasan

kajian, Hutan Simpan Pasoh adalah sebanyak 0.674. Jika diperhatikan menerusi

persamaan 3.40, didapati kadar bahagian yang tersejat serta merta ini merupakan

nisbah antara kadar sejatpeluhan sebenar dan sejatpeluhan potensi. Secara amnya,

perolehan sejatpeluhan sebenar dapat digambarkan melalui persamaan 3.40.

^ PETAET

dan,

31086400

w

nRPET

di mana,

AET = Sejatpeluhan Sebenar;

PET = Sejatpeluhan Potensi;

^ = Kadar Penyejatan Serta Merta;

Rn = Radiasi Bersih;

ρw = Pemalar Ketumpatan Air; dan

λ = Aliran Haba Pendam

Kadar penyejatan serta merta pula diperoleh daripada maklumat aliran haba

pendam, radiasi bersih dan aliran haba tanah sebagaimana persamaan 3.40.

0

^GRn

di mana,

^ = Bahagian yang tersejat serta merta;

G0 = Aliran Haba Tanah;


λ = Aliran Haba Pendam

….. (3.40)

….. (3.39)

….. (3.40)

87

Manakala kadar aliran haba pendam dapat diperoleh berdasarkan kepada nilai

suhu permukaan iaitu sebagaimana ditunjukkan dalam persamaan 3.41.

610002361.0501.2 sT

di mana,

λ = Aliran Haba Pendam; dan

Ts = Suhu Permukaan

3.2.3.5 Radiasi Aktif Fotosintesis

Kaedah yang digunakan untuk menganggarkan PAR adalah berdasarkan

kepada perolehan kadar radiasi solar. Kaedah konvensional pengukuran radiasi solar

hanya menggambarkan kadar sinaran solar setempat pada kedudukan penyerapan

sahaja. Teknik remote sensing memberi kelebihan terhadap kaedah pengukuran

sinaran solar secara lebih mudah dan meliputi kawasan yang lebih luas.

Penghitungan PAR berdasarkan kadar radiasi solar dapat digambarkan berdasarkan

persamaan 3.42 (Xingang et al., 2004).

sRN

nPAR

5.025.048.0

di mana,


n = Purata Masa Sinaran Matahari Harian Sebenar;

N = Jumlah Maksimum Masa Sinaran Matahari Harian; dan

Rs = Radiasi Solar

….. (3.41)

….. (3.42)

88

Keadaan atmosfera bukan sahaja mengurangkan jumlah tenaga solar yang

sampai ke permukaan bumi tetapi juga mempengaruhi kualiti sinaran solar melalui

penyerakan cahaya tuju dan pengubahan spektrumnya. Kebiasaannya kadar radiasi

solar dapat diukur secara konvensional menggunakan Pyranometer. Berdasarkan

kajian yang telah dijalankan oleh Tani et al., (2003), hubungan antara Radiasi Bersih

kepada Radiasi Solar yang sampai ke permukaan bumi dapat digambarkan melalui

persamaan 3.43.

82.0

0342.0 n

s

RR

di mana,

Rs = Radiasi Solar; dan

Rn = Radiasi Bersih

3.2.4 Bahagian 4 : Aplikasi Model

NPP merupakan kunci utama bagi komponen kitaran karbon. Kaedah Eko-

Fisiologi mempelopori konsep penganggaran NPP daripada kadar Kecekapan

Penggunaan Cahaya (ε), PAR dan juga Sebahagian Penyerapan PAR (FAPAR).

Secara amnya, apabila tumbuhan memiliki sumber air yang cukup dan berada dalam

keadaan yang subur, ianya memiliki hubungan yang kuat secara langsung terhadap

jumlah tenaga matahari yang diserapnya.

Perolehan NPP berdasarkan data remote sensing berupaya memberikan

maklumat ruang dan masa yang lebih terperinci merangkumi kawasan yang luas.

Kaedah Eko-Fisiologi seperti Model CASA (Carnegie Ames Stanford Approach)

(Potter et al., 1999), Model GLOPEM (Global Production Efficiency Model) (Prince

….. (3.43)

89

dan Goward, 1995), Model VPM (Vegetation Photosynthetic Model) (Xiao et al.,

2005), dan Model C-Fix (Carbon Fix) (Chirici et al., 2007) telah dibangunkan untuk

menganggarkan NPP bagi skala global dan juga setempat.

Setiap Kaedah Eko-Fisiologi melibatkan parameter-parameter yang memberi

kesan langsung terhadap kadar pengeluaran tumbuhan termasuklah suhu, lengasan

tanih, defisit tekanan wap air dan juga kandungan air dalam kanopi tumbuhan. Setiap

model memiliki sensitiviti terhadap faktor-faktor persekitaran tersebut dan

disesuaikan penggunaannya bagi persekitaran ekosistem yang berbeza. Kemudahan

yang terhad bagi pengukuran maklumat-maklumat ini terutamanya bagi kawasan-

kawasan terpencil seperti ekosistem hutan dan kawasan perladangan menyebabkan

perolehan data yang terhad. Walau bagaimanapun, teknik remote sensing membantu

perolehan maklumat-maklumat ini secara lebih mudah.

Prinsip asas bagi penggunaan teknik remote sensing dalam kajian yang

melibatkan penggunaan data meteorologi adalah maklumat pembalikan spektrum

oleh setiap fitur di muka bumi yang direkodkan oleh pengimbas satelit. Maklumat

yang direkodkan ini dapat membezakan setiap fitur berdasarkan kepada ciri-ciri fitur

terbabit kerana setiap fitur memberikan maklumat yang berbeza-beza bergantung

kepada tahap penyerapan fitur, kandungan air dan kesan penyerakan.

3.2.4.1 Model CASA

Model CASA (Carnegie Ames Stanford Approach) merupakan Kaedah Eko-

Fisiologi yang dibangunkan oleh Potter et al., (1999) bagi menganggarkan NPP bagi

ekosistem daratan. Model ini telah dipertingkatkan dari semasa ke semasa dengan

menambah fungsi-fungsi yang mempengaruhi kadar kecekapan penggunaan cahaya

tumbuhan. Antaranya seperti parameter sejatpeluhan potensi (PET) , sejatpeluhan

sebenar (AET) dan juga suhu (T) dengan bantuan maklumat yang diperoleh daripada

satelit seperti mana digambarkan menerusi Rajah 3.10.

90

Rajah 3.10 Permodelan CASA

Model ini merupakan salah satu model penganggaran pengeluaran tumbuhan

berdasarkan teknik remote sensing. Oleh itu, parameter-parameter yang terlibat

dalam model CASA ini diterbitkan menerusi pengekstrakan imej satelit. Secara

amnya perolehan NPP dalam model CASA dijalankan berdasarkan persamaan 3.44

(Tao et al., 2005).

fSMfTFAPARPARNPP CASA 0

di mana,

NPP = Pengeluaran primer Bersih;


FAPARCASA = Sebahagian Penyerapan Radiasi Aktif Fotosintesis;


ƒT = Faktor Kesan Suhu; dan

ƒSM = Faktor Kesan Lengasan Tanih

Model CASA mengambil kesan suhu dan lengasan tanih sebagai faktor utama

yang mempengaruhi kadar pengeluaran tumbuhan. Walau bagaimanapun, tumbuhan

memiliki paras pengeluaran optimum bagi menjalankan aktiviti pertumbuhan melalui

proses fotosintesis. Oleh itu, sebarang perubahan yang drastik terhadap kandungan

….. (3.44)

ProsesInput

Model

OutputPET

T

AET

91

kelembapan dan juga perubahan suhu yang mendadak akan menjejaskan tahap

produktiviti bagi tumbuhan terbabit. Model CASA dapat digunakan untuk melihat

sejauh mana perubahan suhu dan lengasan tanih akan mempengaruhi kadar

pengeluaran tumbuhan. Algoritma bagi melihat kesan suhu dan lengasan tanih ini

ditunjukkan di dalam persamaan berikut:-

21 TTfT

manakala,

21 0005.002.08.0 optopt TTT

dan,

aoptaopt TTTTT

103.0exp1

1

102.0exp1

12

dan,

RETfSM 5.05.0

di mana,


Topt = Suhu Optimum;

Ta = Purata Suhu Udara;

ƒSM = Faktor Kesan Lengasan Tanih; dan

ETR = Nisbah Sejatpeluhan

….. (3.45)

….. (3.46)

….. (3.47)

….. (3.48)

92

Sebahagian Penyerapan PAR (FAPARCASA) merupakan jumlah penerimaan

radiasi oleh pelbagai lapisan kanopi daripada matahari yang bergerak ke bawah

bahagian tanah. Ianya amat berkait rapat dengan kepadatan tumbuh-tumbuhan.

Kanopi tumbuhan yang padat bagi sesetengah ekosistem akan menghalang sinaran

daripada matahari untuk sampai ke bahagian bawah ekosistem. Dengan itu,

kebanyakan dari sinaran tersebut akan diserap oleh daun tumbuhan yang

kebanyakannya terletak di bahagian kanopi dengan lebih banyak untuk digunakan

dalam aktiviti fotosintesis.

Bagi Model CASA, perolehan FAPARCASA dijalankan menggunakan

maklumat daripada beberapa indeks tumbuhan. Indeks tumbuhan ini termasuklah

Indeks Normalisasi Perbezaan Tumbuhan (NDVI) dan juga indeks Penisbahan

Mudah (SR). Hubungan antara FAPARCASA dan indeks tumbuhan adalah seperti di

dalam persamaan 3.49.

01.0

48.0

949.004.0

NDVIFAPARNDVI

dan,

01.0

48.0

949.008.1

NDVIFAPARSR

di mana,

FAPARNDVI = Sebahagian Penyerapan Radiasi Aktif

Fotosintesis NDVI;

FAPARSR = Sebahagian Penyerapan Radiasi Aktif Fotosintesis SR;

NDVI = Indeks Normalisasi Perbezaan Tumbuhan; dan

SR = Penisbahan Mudah

Oleh itu, daripada kedua-dua hubungan antara FAPAR kepada NDVI dan SR,

satu persamaan dapat dibentuk seperti dalam persamaan 3.51.

….. (3.49)

….. (3.50)

93

SRNDVICASA FAPARFAPARFAPAR 5.05.0

di mana,

FAPARCASA = Sebahagian Penyerapan Radiasi Aktif Fotosintesis;

FAPARNDVI = Sebahagian Penyerapan Radiasi Aktif Fotosintesis

NDVI; dan

FAPARSR = Sebahagian Penyerapan Radiasi Aktif Fotosintesis SR

3.2.4.2 Model GLOPEM

Model GLOPEM (Global Production Efficiency Model) dibangunkan bagi

menganggarkan kadar NPP secara global iaitu merangkumi kawasan yang luas.

Model ini pada awalnya menggunakan data remote sensing dengan resolusi ruang

yang lebih luas seperti data NOAA AVHRR dan juga MODIS. Walau

bagaimanapun, permintaan untuk memperoleh maklumat pengeluaran tumbuhan

dengan resolusi ruang yang lebih baik menyebabkan pelbagai penambah baikkan

model dijalankan dari semasa ke semasa. Antara parameter yang ditik beratkan

dalam permodelan GLOPEM ini termasuklah kesan respirasi (ƒP) dan kesan defisit

tekanan wap (ƒVPD) seperti ditunjukkan dalam Rajah 3.11.

Rajah 3.11 Permodelan GLOPEM

….. (3.51)

ProsesInput

Model

OutputP

VPD

94

Bagi memahami tindak balas tumbuhan terhadap perubahan iklim di masa

hadapan, pemahaman yang lebih baik diperlukan terhadap tahap pengeluaran primer

tumbuhan semasa, termasuklah dari segi taburan ruang, kadar variasi tahunan dan

jumlah keseluruhannya. Algoritma yang digunakan dalam permodelan GLOPEM

adalah seperti yang ditunjukkan dalam persamaan 3.52 (Goetz et al., 1999).

fPfVPDFAPARPARNPP GLOPEM 0

di mana,



FAPARGLOPEM= Sebahagian Penyerapan Radiasi Aktif Fotosintesis;


ƒVPD = Faktor Kesan Defisit Tekanan Wap; dan

ƒP = Faktor Kesan Respirasi

Model GLOPEM dibangunkan dengan melihat kesan faktor fisiologi

tumbuhan terhadap perubahan aktiviti pertumbuhannya. Penelitian terhadap faktor-

faktor ini perlu dilakukan bagi memahami tindak balasnya terhadap tahap

pengeluarannya. Faktor kesan defisit tekanan wap menentukan tahap pengurangan

kekonduksian stoma akibat daripada defisit tekanan wap atmosfera yang tinggi.

Ianya merupakan beza antara jumlah kandungan kelembapan yang terdapat dalam

udara berbanding dengan jumlah sebenar kelembapan yang boleh ditampung

sebelum kelembapan udara ini menjadi tepu. Kadar pengurangan dalam asimilasi

disebabkan oleh penyimpangan suhu atau kesan defisit tekanan wap diperoleh

menerusi persamaan 3.53 dan 3.54.

2.0exp2.1 35.0 DfVPD

….. (3.52)

….. (3.53)

95

dan,

eT

TD

a

a

3.237

27.17exp6108.0

di mana,

fVPD = Faktor Kesan Defisit Tekanan Wap;

D = Defisit Tekanan Wap;


e = Tekanan Wap

Setiap jenis tumbuhan bertindak balas dengan persekitaran kelembapan yang

berbeza dan dapat mengekalkan pengeluaran yang optimum pada persekitaran yang

sesuai sahaja. Oleh itu, dapat diperhatikan bahawa tumbuhan yang hidup di kawasan

sejuk tidak dapat hidup di kawasan yang beriklim panas, begitu juga sebaliknya.

Selain daripada faktor ini, faktor kesan respirasi juga merupakan parameter penting

dalam Model GLOPEM. Algoritma bagi melihat faktor kesan respirasi ditunjukkan

sebagaimana persamaan 3.55.

25exp

501.7166

1.716653.0 5.0

6.2min

6.2min as TT

fP

di mana;

ƒP = Faktor Kesan Respirasi;


Ts = Suhu Permukaan

Bagi perolehan Sebahagian Penyerapan PAR (FAPAR), Model GLOPEM

menggunakan hubungan impirikal antara FAPAR dan indeks tumbuhan

….. (3.54)

….. (3.55)

96

menggunakan data remote sensing. Hubungan ini ditunjukkan sebagaimana

persamaan 3.56 (Goetz et al., 1999).

08.067.1 NDVIFAPARGLOPEM

di mana,

FAPARGLOPEM= Sebahagian Penyerapan Radiasi Aktif Fotosintesis; dan


3.2.4.3 Model VPM

Pembangunan Model VPM (Vegetation Photosynthetic Model) yang

dipelopori oleh Xiao et al., (2004) merupakan Kaedah Eko-Fisiologi bagi

menganggarkan GPP tumbuhan. Dalam model ini, pendekatan untuk menganggarkan

kadar NPP dijalankan berdasarkan kepada maklumat GPP yang diperoleh. Ia

merupakan salah satu cara bagi melihat kadar penyimpanan dan pengeluaran karbon

dioksida oleh satu-satu ekosistem daratan dengan mengambil kira kesan suhu (ƒT),

Fenologi (ƒF) dan air (ƒW) seperti ditunjukkan dalam Rajah 3.12.

Rajah 3.12 Permodelan VPM

….. (3.56)

ProsesInput

Model

OutputT

WT

F

97

Secara amnya, NPP merupakan 52% daripada GPP yang dihasilkan oleh

tumbuhan dalam proses fotosintesis. Karbon yang disimpan di dalam tisu tumbuhan

sebagai tisu pertumbuhan merupakan NPP tumbuhan yang dihasilkan menerusi

aktiviti fotosintesis. Model VPM menggunakan teknik remote sensing dalam

pengekstrakan indeks tumbuhan yang telah dipertingkatkan seperti penggunaan EVI

dan LSWI. Secara amnya, algoritma permodelan VPM dapat digambarkan dalam

persamaan 3.57.

fFfWfTFAPARPARNPP VPM 0

di mana,



FAPAR VPM = Sebahagian Penyerapan Radiasi Aktif Fotosintesis;




ƒF = Faktor Kesan Fenologi Daun; dan

δ = Nisbah Respirasi

Sensitiviti beberapa faktor kesan persekitaran yang terlibat di dalam

permodelan VPM termasuklah bagi kesan suhu, kesan kandungan air dan juga kesan

fenologi daun. Suhu merupakan antara faktor penting terhadap aktiviti pengeluaran

tumbuhan. Suhu yang terlalu tinggi akan menyebabkan pengurangan air yang pantas

melalui stoma daun tumbuhan. Di mana, air pula merupakan sumber penting bagi

tumbuhan untuk menjalankan aktiviti fotosintesis. Kebergantungan antara faktor-

faktor ini mempengaruhi kadar NPP tumbuhan dan ditunjukkan seperti dalam

persamaan 3.58.

….. (3.57)

98

2

28482

482

aaa

aa

TTT

TTfT

manakala,

max1

1

LSWI

LSWIfW

dan,

2

1 LSWIfF

di mana,


Ta = Suhu Udara;


LSWI = Indeks Air Permukaan Tanah; dan

ƒF = Faktor Kesan Fenologi Daun

LSWI dapat diperoleh menerusi pengekstrakan data remote sensing. Jalur

gelombang pendek inframerah dan jalur inframerah dekat digunakan dalam

pengekstrakan LSWI kerana jalur spektrum ini amat sensitif terhadap kandungan air

yang terdapat dalam tumbuhan. Kombinasi antara kedua-dua jalur ini digunakan bagi

mendapatkan indeks sensitiviti air bagi tumbuhan. Ianya digambarkan melalui

persamaan 3.61.

2130860

2130860

LSWI

di mana,

LSWI = Indeks Air Permukaan Tanah;


ρ2130 = Jalur 5 SWIR

….. (3.58)

….. (3.59)

….. (3.60)

….. (3.61)

99

Bagi perolehan Sebahagian Penyerapan PAR (FAPARVPM), Model VPM

menggunakan hubungan secara langsung antara FAPARVPM dan juga EVI seperti

yang ditunjukkan dalam persamaan 3.62.

EVIFAPARVPM

manakala,

5.2

5.761 466647857

647857

EVI

di mana,

EVI = Indeks Penonjolan Tumbuhan;

ρ857 = Jalur 3n NIR;

ρ647 = Jalur 2 NIR; dan

ρ466 = Jalur 1 NIR

Penggunaan teknik remote sensing secara meluas pada masa kini

membolehkan penganggaran NPP dijalankan dengan lebih mudah dan meluas.

Dengan ini, kajian terhadap sensitiviti setiap faktor yang memberi kesan terhadap

NPP tumbuhan dapat dikaji dengan lebih baik (Xiao et al., 2004).

3.2.4.4 Model C-Fix

Model C-Fix (Carbon Fix) yang dibangunkan oleh Chirici et al., (2007)

secara amnya menganggarkan NPP berdasarkan perolehan GPP bagi suatu ekosistem

….. (3.62)

….. (3.63)

100

hutan. Permodelan C-Fix dijalankan secara berasingan bagi mendapatkan kadar GPP

dan NPP. Kadar NPP diperoleh daripada hasil GPP dengan menggunakan nisbah

GPP/NPP (δ). Secara amnya perolehan NPP menerusi Model C-Fix mengambil kira

faktor pembetulan suhu (Tcor) terhadap kadar pengeluaran tumbuhan sebagaimana

ditunjukkan dalam Rajah 3.13.

Rajah 3.13 Permodelan C-Fix

Perolehan bagi GPP dan NPP menerusi Model C-Fix mengambil kira faktor

pembetulan suhu dalam permodelannya, walau bagaimanapun, kedua-dua bahagian

permodelan ini boleh digabungkan dan menghasilkan persamaan perolehan NPP

seperti ditunjukkan dalam persamaan 3.64. Melalui persamaan ini, nisbah NPP/GPP

bagi ekosistem hutan adalah 0.45 iaitu kira-kira 45% daripada hasil GPP adalah di

simpan sebagai NPP tumbuhan (Zhao et al., 2005).

corFixC fTFAPARPARNPP 0

di mana,



FAPARC-Fix = Sebahagian Penyerapan Radiasi Aktif Fotosintesis;


ƒTcor = Faktor Pembetulan Suhu; dan

δ = Nisbah NPP/GPP

….. (3.64)

ProsesInput

Model

OutputTcor

101

Bagi mendapatkan Faktor Pembetulan Suhu (ƒTcor), persamaan yang

digunakan adalah seperti berikut:-

ag

da

ag

a

cor

TR

HST

TR

H

fT

exp1

9.21exp

di mana,

ƒTcor = Faktor Pembetulan Suhu;

ΔHa = Pemalar Tenaga Pengaktifan;

Rg = Pemalar Udara;

ΔS = Pemalar Entropi Penyahasli Keseimbangan Karbon Dioksida;


ΔHd = Pemalar Tenaga Penyahaktifan

Penganggaran FAPARC-Fix dapat diperoleh daripada radiasi matahari yang di

ekstrak berdasarkan hubungan impirikal terhadap indeks tumbuhan daripada data

remote sensing. Bagi Model C-Fix, penganggaran FAPARC-Fix diperoleh menerusi

hubungannya dengan NDVI sebagaimana persamaan 3.66.

1426.01638.1 NDVIFAPAR FixC

di mana,

FAPARC-Fix = Sebahagian Penyerapan Radiasi Aktif Fotosintesis; dan


….. (3.65)

….. (3.66)

102

Ringkasan keseluruhan parameter Kaedah Eko-Fisiologi yang digunakan

dalam kajian ini ditunjukkan sebagaimana Rajah 3.14. Kebanyakan daripada

parameter ini diterbitkan menggunakan data remote sensing iaitu data ASTER.

Berdasarkan Rajah 3.14, aplikasi model daripada Kaedah Eko-Fisiologi melibatkan

Model CASA, Model GLOPEM, Model VPM dan Model C-Fix.

Rajah 3.14 Parameter Kaedah Eko-Fisiologi

NPP CASA

Parameter Model Eko-Fisiologi

-Radiasi AktifFotosintesis-KecekapanPenggunaan CahayaOptimum-Faktor Kesan Suhu-Faktor KesanLengasan Tanih

-Suhu Optimum- Purata Suhu Udara- SejatpeluhanSebenar-SejatpeluhanPotensi-SebahagianPenyerapan RadiasiAktif Fotosintesis-Indeks NormalisasiPerbezaanTumbuhan-Indeks NormalisasiPerbezaanTumbuhan

-Radiasi AktifFotosintesis-KecekapanPenggunaan CahayaOptimum-Faktor KesanDefisit TekananWap-Faktor KesanRespirasi-Defisit TekananWap-Purata Suhu Udara-Tekanan WapSebenar- Suhu Permukaan- SebahagianPenyerapan RadiasiAktif Fotosintesis-Indeks NormalisasiPerbezaanTumbuhan

-Radiasi AktifFotosintesis-SebahagianPenyerapanRadiasi AktifFotosintesis-KecekapanPenggunaanCahaya Optimum-Faktor KesanFenologi Daun-NisbahNPP/GPP-Faktor KesanSuhu-Suhu Udara-Faktor KesanKandungan Air-Indeks AirPermukaan Tanah-IndeksPenonjolanTumbuhan

-Radiasi AktifFotosintesis-KecekapanPenggunaan CahayaOptimum-Faktor PembetulanSuhu-Nisbah NPP/GPP-Pemalar TenagaPengaktifan-Pemalar Udara-Purata Suhu Udara-Pemalar EntropiPenyahasliKeseimbanganKarbon Dioksida- SebahagianPenyerapan RadiasiAktif Fotosintesis- Indeks NormalisasiPerbezaan Tumbuhan

Model CASA Model GlOPEM Model VPM Model C-Fix

NPP GLOPEM NPP VPMNPP C-Fix

103

3.2.5 Bahagian 5 : Analisis

Secara amnya, terdapat dua bentuk analisis yang terlibat dalam bahagian ini

iaitu analisis kualitatif dan juga analisis kuantitatif. Analisis kualitatif melibatkan

analisis taburan NPP di kawasan kajian, manakala analisis kuantitatif melibatkan

analisis statistik bagi NPP yang diperoleh. Selain daripada analisis yang dijalankan

ini, analisis ketepatan hasil juga dijalankan terhadap hasil NPP dan parameter-

parameter yang diperoleh menerusi ke empat-empat Kaedah Eko-Fisiologi.

Analisis ketepatan hasil penganggaran NPP dinilai dengan membandingkan

hasil penganggaran NPP bagi setiap model terhadap kadar penganggaran NPP yang

direkodkan di lapangan oleh Kosugi et al., (2008) bagi NPP di Hutan Simpan Pasoh

pada tahun 2005. Selain daripada itu, analisis ketepatan hasil NPP dijalankan dengan

melihat kepada Pekali Ubahan atau Coefficient of Variation (CV) taburan data NPP

yang diambil secara rawak di kawasan kajian. Selain itu, perbandingan juga

dilakukan terhadap hasil NPP dengan perolehan NPP daripada kajian-kajian

terdahulu yang pernah dijalankan bagi kawasan hutan hujan tropika.

Dua pengukuran penting bagi menerbitkan nilai CV ini adalah Sisihan Piawai

dan juga nilai purata bagi set data tersebut seperti yang ditunjukkan dalam persamaan

3.67. CV merupakan pekali bagi variasi satu taburan data yang digunakan untuk

melihat ketepatan penyebaran dalam satu-satu set data dalam skala yang berbeza

(Jiang et al., 1999 ; Nugroho, 2006).

100_

x

SCV

di mana,

CV = Coefficient of Variation;

S = Sisihan Piawai; dan_

x = Nilai Purata

….. (3.67)

104

Nilai purata bagi yang digunakan bagi penerbitan CV adalah nilai purata

aritmetik yang mana nilai data yang terlibat dijumlahkan dan dibahagikan dengan

bilangan sampel yang diambil seperti ditunjukkan dalam persamaan 3.68.

1

_ 1

iix

nx

di mana,

_

x = Nilai Purata;

n = Bilangan sampel; dan

xi = Nilai bagi sampel i

Sisihan Piawai memberikan gambaran kasar bagi variasi perbezaan taburan

data terhadap nilai purata keseluruhan sampil data tersebut sama ada memberikan

variasi yang besar atau kecil. Menerusi Sisihan Piawai ini, satu taburan data dapat

dikenal pasti sama ada mendekati atau menjauhi nilai purata. Satu taburan data yang

konsisten akan memberikan nilai Sisihan Piawai yang lebih kecil. Perolehan Sisihan

Piawai ini diberikan sebagaimana persamaan 3.69.

2

1

_1 n

ii xx

nS

di mana,

n = Bilangan sampel;

xi = Nilai bagi sampel i; dan

_

x = Nilai Purata

….. (3.68)

….. (3.69)

105

Analisis hubungan hasil perolehan NPP dan juga parameter-parameter yang

digunakan dalam permodelan NPP dijalankan menggunakan kaedah Pearson.

Analisis hubungan ini diuji dengan menggunakan teknik korelasi Pearson yang

digunakan untuk melihat hubungan antara dua pembolehubah x dan y . Persamaan

yang digunakan dalam korelasi Pearson adalah seperti dalam persamaan 3.70.

2222iiii

iiii

xy

yynxxn

yxyxnr

di mana:

rxy = Pekali korelasi;

n = Jumlah data yang digunakan;

x = Parameter permodelan; dan

y = Hasil NPP

Nilai pekali korelasi rxy yang diperoleh daripada persamaan di atas digunakan

untuk melihat hubungan di antara dua pembolehubah yang digunakan melalui graf

korelasi yang diplot. Pekali korelasi dapat menunjukkan kekuatan hubungan antara

dua pembolehubah. Sebagai contoh, sekiranya x dan y memiliki hubungan yang

sempurna, maka nilai rxy = 1 di mana ia menunjukkan satu hubungan yang positif,

manakala rxy = -1 menunjukkan hubungan yang negatif.

Apabila rxy > 0, maka x dan y memiliki hubungan yang positif. Semakin

hampir nilai ini menghampiri satu, maka kekuatan antara kedua-dua pembolehubah x

dan y semakin kuat. Sekiranya rxy < 0, ia menunjukkan satu hubungan yang negatif

dan semakin nilai ini menghampiri -1, maka semakin kuat hubungan negatif ini.

….. (3.70)

106

3.3 Perisian dan Perkakasan

Peralatan merupakan perkakasan khas bagi membantu dalam kerja

pemprosesan data. Perisian yang hendak digunakan dalam sesuatu kajian harus

diketahui kemampuannya dan kesesuaiannya sebelum perisian tersebut dipilih.

Perisian yang digunakan dalam projek ini adalah perisian Earth Resource Data

Analysis System (ERDAS IMAGINE), ER Mapper, ENVI, Crosstalk Correction,

ASTER Correction Tool, AutoCAD Map, Arcview GIS dan ArcMap.

BAB 4

HASIL DAN ANALISIS

4.1 Pendahuluan

Bahagian ini akan membincangkan hasil-hasil yang telah diperoleh daripada

proses-proses yang telah dijalankan ke atas data dan maklumat yang digunakan

dalam kajian ini. Analisis mengenai hasil yang diperoleh termasuklah pada peringkat

perolehan data, pra-pemprosesan, pemprosesan dan aplikasi Kaedah Eko-Fisiologi

sebagaimana yang telah dibincangkan dalam bab tiga sebelum ini. Data remote

sensing yang terlibat dalam kajian ini merupakan dua set imej ASTER yang di

lakukan beberapa peringkat pemprosesan sebelum digunakan dalam aplikasi model.

Secara amnya, bahagian ini di bahagikan kepada dua bahagian iaitu bahagian hasil

dan juga analisis.

4.2 Penyediaan Peta Dasar Kawasan Kajian

Perincian terhadap kawasan kajian perlu diketahui terlebih dahulu bagi

memahami ciri-ciri persekitaran kawasan kajian yang bakal dilakukan kajian. Secara

amnya, kawasan kajian yang tertumpu di Hutan Simpan Pasoh ini dikelilingi oleh

108

kawasan perladangan kelapa sawit dan juga getah. Dalam kajian ini, kira-kira 178000

hektar kawasan yang merangkumi keseluruhan kawasan Hutan Simpan Pasoh dan

juga sekitarannya terlibat secara tidak langsung.

Pemilihan kawasan kajian ini dilakukan kerana ianya merangkumi semua

jenis guna tanah yang perlu dianalisis iaitu hutan, kelapa sawit dan juga getah.

Ketiga-tiga jenis guna tanah ini merupakan guna tanah utama yang terdapat di

kawasan kajian. Rajah 4.1 merupakan peta lokasi Hutan Simpan Pasoh dan kawasan

sekitarnya.

Rajah 4.1 Peta lokasi kawasan kajian

109

4.3 Penyediaan Data ASTER Kawasan Kajian

Data remote sensing perlu menjalani beberapa peringkat pemprosesan

sebelum boleh digunakan dalam permodelan NPP. Penyediaan data ASTER meliputi

beberapa peringkat pemprosesan iaitu bagi perolehan data, pembetulan crosstalk,

pembetulan radiometrik dan pembetulan geometri. Daripada 14 jalur data ASTER,

hanya sembilan jalur sahaja yang digunakan dalam kajian ini iaitu jalur 1, 2, 3n, 3b,

5, 6, 8, 9 dan 10. Kedua-dua set imej ASTER yang terlibat dalam kajian ini meliputi

keseluruhan kawasan kajian yang terlibat (Rajah 4.2 dan Rajah 4.3).

(a) (b) c)

Rajah 4.2 Imej Set 1 data ASTER a) VNIR (15m); b) SWIR (30m); dan c) TIR

(90m).

(a) (b) (c)

Rajah 4.3 Imej Set 2 data ASTER a) VNIR (15m); b) SWIR (30m); dan c) TIR

(90m)

110

Data ASTER dengan resolusi ruang 15m dapat memberikan gambaran yang

lebih jelas bagi setiap guna tanah yang terdapat di kawasan kajian termasuklah

kawasan hutan, kelapa sawit dan juga getah. Peringkat pertama pra-pemprosesan

imej ASTER adalah dengan menjalankan pembetulan crosstalk terhadap jalur 5 dan

jalur 9 sebagaimana yang diterangkan seterusnya dalam bahagian 4.4.1.

4.4 Hasil Pra-Pemprosesan data ASTER

Peringkat pra-pemprosesan merupakan peringkat pemprosesan imej yang

penting sebelum data dapat digunakan pada peringkat pemprosesan seterusnya. Pra-

pemprosesan yang berkesan akan memberikan hasil pengekstrakan maklumat dengan

lebih baik. Langkah pra-pemprosesan imej ASTER ini termasuklah pembetulan

crosstalk, pembetulan radiometrik, pembetulan geometri dan juga mozek imej.

4.4.1 Hasil Pembetulan Crosstalk Data Mentah ASTER

Dalam kajian ini, jalur gelombang pendek Inframerah bagi kedua-dua data

mentah ASTER perlu melalui proses pembetulan crosstalk bagi menghilangkan

kesan kekaburan spektrum akibat daripada kesan crosstalk oleh pengesan penderia

jalur 4. Jalur gelombang pendek inframerah akan digunakan bagi pemprosesan dan

pengekstrakan indeks tumbuhan, oleh itu perlu bagi memastikan spektrum jalur ini

tidak dipengaruhi oleh hingar luar. Pembetulan crosstalk akan membetulkan kesan

kekaburan pada maklumat jalur SWIR bagi data ASTER ini. Pembetulan ini hanya

melibatkan kepada perubahan spektrum imej sahaja dan tidak melibatkan perubahan

nilai statistik imej. Rajah 4.4 menunjukkan perbezaan di antara imej yang telah

melalui pembetulan crosstalk dan juga imej asal ASTER.

111

(a) (b)

Rajah 4.4 Perbandingan hasil pembetulan crosstalk jalur SWIR a) Data mentah jalur

5; dan b) Jalur 5 selepas pembetulan crosstalk

Data mentah ASTER dengan peringkat pemprosesan L1B yang digunakan

dalam kajian ini perlu melalui proses pembetulan crosstalk sebelum digunakan

selanjutnya dalam pengekstrakan dan penganalisaan imej. Pembetulan crosstalk ini

penting terutamanya bagi aplikasi yang memerlukan pentafsiran spektrum yang lebih

tepat seperti untuk tujuan pengelasan dan pengekstrakan guna tanah. Setelah

pembetulan crosstalk dijalankan ke atas jalur ASTER ini, data ini kemudiannya sedia

untuk menjalani proses seterusnya iaitu pembetulan radiometrik. Imej ASTER

dengan nilai pembalikan spektrum ini kemudiannya akan digunakan dalam

pemprosesan seterusnya untuk menghasilkan parameter-parameter bagi permodelan

NPP.

4.4.2 Hasil Pembetulan Radiometrik dan Mozek Data ASTER

Penyediaan data ASTER yang dijalankan dalam kajian ini melibatkan dua set

imej seperti yang ditunjukkan dalam Rajah 4.5. Pembetulan radiometrik ini bertujuan

untuk menukarkan nilai piksel dalam unit bit iaitu dalam bentuk nombor digital

kepada nilai pembalikan sebenar bumi. Selepas data ASTER menjalani proses

112

pembetulan crosstalk dan pembetulan radiometrik, data ini akan dilakukan

pembetulan geometri di mana kedua-dua set data ini didasarkan kepada projeksi imej

yang sama.

Kedua-dua data ASTER yang digunakan dalam kajian ini perlu dimozekkan

supaya merangkumi keseluruhan kawasan kajian yang kemudiannya dipotong agar

meliputi kawasan kajian yang telah dipilih sahaja. Hasil daripada proses mozek ini

ditunjukkan dalam Rajah 4.5. Berdasarkan Rajah 4.5, kawasan Hutan Simpan Pasoh

(kotak kuning) meliputi bahagian selatan imej Set 1 dan sebahagian lagi meliputi

imej Set 2 data ASTER. Imej ini kemudiannya dilakukan penopengan awan bagi

memberikan hasil permodelan yang lebih baik. Daripada hasil mozek imej yang

dijalankan, ia kemudiannya dipotong untuk mendapatkan satu set imej berdasarkan

kepada peta dasar kawasan kajian yang digunakan dalam kajian ini (Rajah 4.6).

Rajah 4.5 Gambaran keseluruhan imej ASTER selepas dimozekkan. (kombinasi

jalur 4, 2, 1)

Hutan Simpan Pasoh

Sempadan set imej

1

2

113

Rajah 4.6 di bawah menunjukkan hasil pra-pemprosesan imej ASTER yang

telah dilakukan terhadap kedua-dua set imej ASTER bagi kawasan kajian. Simbol a,b

dan c yang berwarna kuning merupakan contoh guna tanah kawasan kajian di mana,

masing-masing mewakili hutan, kelapa sawit dan getah. Fokus utama penilaian

Kaedah Eko-Fisiologi yang dijalankan dalam kajian ini menumpukan kepada tiga

jenis guna tanah utama ini. Oleh itu, pengenalpastian maklumat guna tanah ini perlu

dilakukan dengan teliti dengan menjalankan proses pengelasan guna tanah.

Rajah 4.6 Data ASTER selepas pra-pemprosesan (kombinasi jalur 3, 2,1)

4.4.3 Hasil Pengelasan Guna Tanah Kawasan Kajian

Pengelasan guna tanah yang dijalankan dalam kajian ini menggunakan

kaedah pengelasan berpenyelia. Sampel guna tanah yang digunakan dalam

42 km

42 km

a

b

c

114

pengelasan ini diperoleh daripada peta guna tanah tahun 2000 bagi kawasan kajian.

Pemilihan sampel guna tanah dibuat ke atas kawasan guna tanah yang dominan.

Berdasarkan kepada hasil pengelasan guna tanah yang diperoleh dalam kajian ini,

didapati kawasan kajian didominasi oleh guna tanah hutan dan getah. Kelas awan

yang diperoleh melalui pengelasan data ASTER digantikan dengan kelas guna tanah

sedia ada tahun 2000. Hasil pengelasan ini ditunjukkan di dalam Rajah 4.7.

Rajah 4.7 Hasil pengelasan guna tanah data ASTER tahun 2005

Dengan keluasan kawasan kajian keseluruhan kira-kira 178000 hektar,

kawasan ini didominasi oleh getah dan juga hutan di mana guna tanah ini masing-

masing merangkumi kira-kira 35.9% dan 32.26% daripada kawasan kajian. Selain

daripada kedua-dua jenis guna tanah yang mendominasi kawasan kajian ini, terdapat

115

kira-kira 23.65% lagi merupakan kawasan perladangan kelapa sawit (Rajah 4.8).

Kebanyakan daripada ladang kelapa sawit ini terletak di bahagian selatan dan barat

Hutan Simpan Pasoh. Pengelasan guna tanah ini penting bagi analisis kesesuaian

Kaedah Eko-Fisiologi bagi setiap jenis guna tanah yang berlainan.

Rajah 4.8 Peratus guna tanah kawasan kajian menerusi pengelasan ASTER tahun

2005

Kawasan penempatan yang terdapat di kawasan kajian meliputi kira-kira 8%

daripada keseluruhan kawasan kajian. Manakala 0.19% yang lain adalah daripada

lain-lain guna tanah. Pengelasan guna tanah di kawasan kajian ini seterusnya akan

digunakan bagi aktiviti penelitian taburan NPP.

4.5 Hasil Penyediaan Parameter Kaedah Eko-Fisiologi

Penerbitan parameter-parameter yang diperlukan dalam penganggaran NPP di

lakukan ke atas data yang telah menjalani proses pra-pemprosesan. Antara parameter

ini termasuklah bagi pengekstrakan indeks tumbuhan, perolehan kadar PAR,

Getah

Hutan

Kelapa Sawit

Lain-lain guna tanah

Penempatan

35.90%8.00%0.19%

23.65%

32.26%

116

pengukuran suhu permukaan dan juga penghasilan kadar sejatpeluhan. Kesemua

hasil pemprosesan ini akan digunakan pada peringkat aplikasi Kaedah Eko-Fisiologi.

4.5.1 Pengekstrakan Indeks Tumbuhan

Pemprosesan data ASTER melibatkan beberapa pengekstrakan indeks

tumbuhan termasuklah Indeks Normalisasi Perbezaan Tumbuhan, Indeks Air

Permukaan Tanah dan Indeks Penonjolan Tumbuhan. Penerbitan indeks tumbuhan

ini dilakukan ke atas imej pembalikan yang diperoleh daripada proses pra-

pemprosesan. Tidak semua jalur ASTER terlibat dalam penerbitan indeks tumbuhan.

Pengekstrakan indeks tumbuhan dalam kajian ini melibatkan empat jalur ASTER

yang iaitu jalur 1, 2, 3n, dan 5.

4.5.1.1 Indeks Pembezaan Normalisasi Tumbuhan

Indeks tumbuhan merupakan suatu teknik yang boleh digunakan untuk

menentukan kepadatan tumbuhan berdasarkan kepada nilai piksel. Tumbuhan

membalikkan jumlah kuantiti tenaga yang rendah bagi julat merah kerana julat

tenaga ini akan diserap oleh klorofil dalam daun tumbuhan yang menjalankan

fotosintesis. Tumbuhan akan membalikkan kuantiti tenaga inframerah dekat yang

tinggi akibat daripada proses penyerakan daun yang sihat. Walau bagaimanapun,

perbezaan antara pembalikan julat merah dan pembalikan inframerah dekat akan

memberikan maklumat yang bagus untuk mengesan kehadiran tumbuhan dalam imej

berdasarkan kepada nilai pikselnya.

117

Perbezaan julat bagi indeks tumbuhan menggambarkan tahap kuantiti,

produktiviti dan tahap kesuburan tumbuhan. Daripada hasil NDVI yang diperoleh

didapati awan dan air memberikan nilai NDVI yang negatif. Keadaan ini disebabkan

fitur-fitur ini memberikan pembalikan yang tinggi pada cahaya nampak berbanding

pembalikan bagi julat inframerah dekat. Walau bagaimanapun, nilai negatif ini telah

diskala semula bagi membuang nilai tersebut pada hasil NDVI. Rajah 4.9

menunjukkan hasil pengekstrakan NDVI bagi kawasan kajian.

Rajah 4.9 Peta NDVI kawasan kajian.

Secara amnya, kawasan tumbuhan menghasilkan nilai NDVI yang tinggi

disebabkan oleh pembalikan yang tinggi dalam julat hampir inframerah. Julat NDVI

yang diperoleh adalah antara 0.074 bagi kawasan tumbuhan yang jarang dan kurang

118

subur hingga julat 0.73 bagi tumbuhan yang lebih subur dan padat. Rajah 4.10

menunjukkan histogram bagi hasil NDVI yang diperoleh dengan purata NDVI

sebanyak 0.472.

Rajah 4.10 Histogram NDVI kawasan kajian

Sampel guna tanah dominan bagi beberapa jenis guna tanah utama iaitu

hutan, kelapa sawit dan getah diambil bagi melihat statistik kadar NDVI bagi guna

tanah di kawasan kajian seperti ditunjukkan dalam Jadual 4.1. Berdasarkan kepada

statistik hasil yang diperoleh didapati nilai NDVI bagi guna tanah getah mencatatkan

nilai purata tertinggi iaitu sebanyak 0.61. Walau bagaimanapun, nilai maksimum

NDVI daripada sampel yang diambil mencatatkan guna tanah hutan sebagai nilai

NDVI tertinggi iaitu 0.66.

Jadual 4.1 Statistik NDVI di kawasan kajian

Guna Tanah Minimum Maksimum Purata

Keseluruhan 0.074 0.730 0.472

Hutan 0.420 0.660 0.560

Kelapa Sawit 0.390 0.650 0.580

Getah 0.440 0.630 0.610

119

4.5.1.2 Indeks Air Permukaan Tanah

Jalur ASTER pada julat gelombang inframerah dekat memiliki sensitiviti

terhadap litupan tumbuhan, kelembapan daun dan juga kadar kelembapan tanah yang

berpotensi untuk mendapatkan kadar kandungan air dalam daun. Bagi kawasan yang

diliputi oleh litupan tumbuhan yang tinggi, kadar LSWI adalah lebih tinggi

berbanding kawasan yang diliputi oleh sedikit tumbuhan. Dalam kajian ini, indeks

LSWI digunakan bagi melihat kesan faktor kelembapan terhadap kadar NPP. Rajah

4.11 menunjukkan variasi taburan LSWI bagi kawasan kajian Hutan Simpan Pasoh

dan sekitarnya. Berdasarkan rajah ini, didapati nilai tinggi LSWI lebih tertumpu di

kawasan berhutan.

Rajah 4.11 Peta LSWI kawasan kajian

120

Secara keseluruhannya, kadar LSWI yang diperoleh dalam kajian ini adalah

antara 0.19 hingga 0.86. Purata LSWI bagi kawasan kajian adalah sebanyak 0.68

seperti yang ditunjukkan dalam Rajah 4.12. Taburan LSWI ini merangkumi tiga jenis

guna tanah utama di kawasan kajian iaitu, hutan, kelapa sawit dan getah. Didapati

LSWI amat sensitif terhadap kepadatan tumbuhan di kawasan kajian apabila

kawasan yang memiliki tumbuhan yang sedikit memberikan nilai LSWI yang lebih

kecil.

Rajah 4.12 Histogram LSWI kawasan kajian

Kepadatan tumbuhan di kawasan hutan memberikan kadar LSWI yang tinggi

iaitu antara 0.67 hingga 0.78 dengan purata 0.74. Julat LSWI yang diperoleh

daripada kelapa sawit dan juga getah didapati hampir kepada julat LSWI hutan.

Statistik hasil pengekstrakan LSWI ini ditunjukkan menerusi Jadual 4.2.

Jadual 4.2 Statistik LSWI kawasan kajian


Keseluruhan 0.19 0.86 0.68

Hutan 0.67 0.78 0.74

Kelapa Sawit 0.66 0.75 0.71

Getah 0.68 0.76 0.70

121

4.5.1.3 Indeks Penonjolan Tumbuhan

EVI merupakan indeks tumbuhan yang telah dibangunkan dengan mengambil

kira kesan gangguan atmosfera dan keadaan tanah (Huete et al., 2002). Variasi

taburan EVI di kawasan kajian berada pada julat 0.02 hingga 0.8. Julat ini meliputi

variasi dari kepelbagaian tumbuhan yang terdiri daripada hutan, kelapa sawit dan

juga getah seperti ditunjukkan dalam Rajah 4.13. Variasi EVI didapati lebih sekata

bagi tumbuhan yang padat dan memberikan nilai yang amat rendah bagi kawasan

yang memiliki tumbuhan yang jarang. Manakala bagi kawasan tanah lapang dan

kawasan penempatan pula memberikan nilai hampir kepada sifar.

Rajah 4.13 Peta EVI kawasan kajian

122

Purata EVI yang diperoleh bagi kawasan kajian di Hutan Simpan Pasoh dan

kawasan persekitarannya adalah sebanyak 0.394 seperti dalam Rajah 4.14. Daripada

statistik yang direkodkan pada Jadual 4.3, julat EVI di kawasan hutan dicatatkan

antara 0.329 hingga 0.600 dengan purata 0.458. Manakala julat EVI bagi kelapa

sawit pula antara 0.333 hingga 0.630 dengan purata 0.514. Getah merekodkan julat

EVI yang tinggi iaitu antara 0.378 hingga 0.720 dengan nilai purata 0.557.

Rajah 4.14 Histogram EVI kawasan kajian

Statistik bagi kadar EVI yang diperoleh ini adalah menerusi purata bagi

sampel guna tanah yang diambil di kawasan guna tanah dominan (Jadual 4.3).

Penerbitan EVI ini kemudiannya akan digunakan dalam aplikasi Kaedah Eko-

Fisiologi menggunakan Model VPM.

Jadual 4.3 Statistik EVI kawasan kajian


Keseluruhan 0.025 0.800 0.394

Hutan 0.329 0.600 0.458

Kelapa Sawit 0.333 0.630 0.514

Getah 0.378 0.720 0.557

123

4.5.2 Suhu Permukaan

Secara amnya, suhu persekitaran memberi pengaruh terhadap kadar

fotosintesis dan juga respirasi tumbuhan. Suhu permukaan (Ts) merupakan parameter

yang penting bagi mengkaji interaksi aliran tenaga antara permukaan daratan dan

atmosfera. Parameter ini merupakan parameter penting yang diperlukan dalam

aplikasi Kaedah Eko-Fisiologi terutamanya yang melibatkan kesan suhu terhadap

pengeluaran primer tumbuhan. Suhu permukaan merupakan antara parameter yang

akan digunakan dalam permodelan NPP. Unit suhu yang digunakan dalam kajian ini

adalah ºC. Hasil pengekstrakan suhu permukaan ditunjukkan pada Rajah 4.15.

Rajah 4.15 Peta Suhu Permukaan kawasan kajian

124

Berdasarkan kepada Rajah 4.15, suhu permukaan yang tinggi lebih tertumpu

di kawasan penempatan dan pembangunan manakala, suhu yang lebih rendah

tertumpu di kawasan dengan liputan tumbuhan yang lebih tinggi. Daripada hasil suhu

permukaan yang diperoleh ini, didapati purata suhu permukaan bagi kawasan kajian

adalah 27.53 ºC seperti yang ditunjukkan dalam histogram pada Rajah 4.16. Dalam

kajian ini, julat suhu permukaan yang diperoleh adalah antara 18.2ºC hingga

37.47ºC.

Rajah 4.16 menunjukkan histogram bagi hasil perolehan suhu permukaan

yang diperoleh daripada pengekstrakan jalur termal ASTER. Penggunaan jalur 10

ASTER dilihat memberikan signifikan yang baik bagi suhu permukaan berdasarkan

kepada hasil yang diperoleh.

Rajah 4.16 Histogram bagi suhu permukaan kawasan kajian

4.5.3 Albedo Permukaan

Albedo permukaan menunjukkan kadar peratusan sinaran solar yang

dibalikkan dari permukaan bumi dan menggambarkan pergerakan haba permukaan

125

apabila terdedah kepada bahangan matahari. Perolehan albedo permukaan

menggunakan data ASTER yang dijalankan dalam kajian ini mendapati julat albedo

yang diperoleh adalah antara 0.068 hingga 0.370. Variasi taburan nilai albedo ini

adalah berdasarkan kepada ciri-ciri guna tanah sebagaimana yang ditunjukkan dalam

Rajah 4.17. Nilai purata albedo keseluruhan yang diperoleh bagi kawasan kajian

adalah sebanyak 0.155.

Rajah 4.17 Peta albedo permukaan bagi kawasan kajian

Daripada nilai albedo yang diterbitkan menggunakan data ASTER ini, julat

albedo bagi hutan adalah antara 0.11 hingga 0.16 dengan nilai purata sebanyak 0.13.

Julat albedo bagi kelapa sawit pula antara 0.13 hingga 0.17 dengan purata 0.15.

Manakala julat albedo bagi getah pula antara 0.14 hingga 0.18 dengan nilai purata

0.16 seperti di dalam Jadual 4.4.

126

Jadual 4.4 Statistik albedo kawasan kajian


Keseluruhan 0.068 0.370 0.150

Hutan 0.110 0.160 0.120

Kelapa Sawit 0.130 0.170 0.160

Getah 0.140 0.180 0.170

4.5.4 Radiasi Bersih

Parameter radiasi bersih (Rn) yang diperoleh dalam kajian ini digunakan

dalam penganggaran sejatpeluhan dan juga kadar Radiasi Aktif Fotosintesis.

Sebagaimana taburan Rn yang diperoleh dalam Rajah 4.18, kawasan yang lebih

tinggi seperti di kawasan hutan mencatatkan kadar Rn yang lebih tinggi berbanding

nilai Rn di kawasan yang lebih rendah. Julat Rn yang diperoleh adalah antara 3271.4

MJ m-2 yr-1 hingga 5134.2 MJ m-2 yr-1. Purata nilai Rn yang diperoleh di kawasan

kajian ini adalah sebanyak 4557.08 MJ m-2 yr-1 seperti yang ditunjukkan dalam

Jadual 4.5.

Jadual 4.5 Statistik radiasi bersih di kawasan kajian (MJ m-2 yr-1)


Keseluruhan 3271.4 5134.2 4557.1

Hutan 4554.8 4833.5 4698.7

Kelapa Sawit 4462.0 4666.2 4593.6

Getah 4399.8 4678.0 4525.2

Perolehan Rn di kawasan kajian melibatkan kawasan hutan, kelapa sawit dan

getah. Didapati, julat Rn di kawasan hutan adalah antara 4554.8 MJ m-2 yr-1 hingga

127

4833.5 MJ m-2 yr-1dengan purata nilai 4698.7 MJ m-2 yr-1. Bagi kawasan kelapa

sawit, nilai Rn yang diperoleh adalah antara 4462.0 MJ m-2 yr-1 hingga 4666.2 MJ m-2

yr-1 dengan nilai purata 4593.3 MJ m-2 yr-1. Manakala bagi kawasan getah pula, nilai

Rn yang diperoleh adalah antara 4399.8 MJ m-2 yr-1 hingga 4678.0 MJ m-2 yr-1

dengan nilai purata 4525.2 MJ m-2 yr-1.

Rajah 4.18 Radiasi bersih di kawasan kajian

4.5.5 Radiasi Solar

Perolehan parameter Radiasi Aktif Fotosintesis (PAR) memerlukan

penggunaan peralatan tertentu dan hanya melibatkan satu-satu kawasan pencerapan

128

sahaja. Berikutan itu, perolehan parameter ini dilakukan berdasarkan kepada

hubungan parameter ini dengan kadar radiasi solar (Rs). Rajah 4.19 menunjukkan

hasil perolehan Rs menggunakan data ASTER bagi kawasan kajian. Taburan Rs di

kawasan kajian meliputi guna tanah hutan, kelapa sawit dan juga getah.

Rajah 4.19 Radiasi solar di kawasan kajian

Secara keseluruhannya hasil Rs yang diperoleh dalam kajian ini antara 3989.6

MJ m-2 yr-1 hingga 6261.3 MJ m-2 yr-1. Purata nilai Rs yang diperoleh bagi kawasan

kajian ini adalah sebanyak 5557.45 MJ m-2 yr-1 seperti yang ditunjukkan dalam

Jadual 4.6.

129

Jadual 4.6 Statistik radiasi solar di kawasan kajian (MJ m-2 yr-1)


Keseluruhan 3989.6 6261.3 5557.5

Hutan 5636.5 5729.3 5709.8

Kelapa Sawit 5534.8 5640.1 5605.2

Getah 5462.5 5674.2 5537.3

Julat Rs di kawasan hutan adalah antara 5636.5 MJ m-2 yr-1 hingga 5729.3

MJm-2 yr-1dengan purata nilai Rs sebanyak 5709.8 MJ m-2 yr-1. Bagi kawasan kelapa

sawit, nilai Rs yang diperoleh adalah antara 5534.8 MJ m-2 yr-1 hingga 5640.1 MJ m-2

yr-1 dengan nilai purata 5605.2 MJ m-2 yr-1. Manakala bagi kawasan getah pula, nilai

Rs adalah antara 5462.5 MJ m-2 yr-1 hingga 5674.2 MJ m-2 yr-1 dengan nilai purata

5537.3 MJ m-2 yr-1.

4.5.6 Sejatpeluhan Potensi

Penerbitan parameter sejatpeluhan potensi (PET) bertujuan untuk

mendapatkan kadar sejatpeluhan sebenar (AET) di kawasan kajian. Kedua-dua

parameter ini diperlukan bagi penerbitan nisbah sejatpeluhan potensi dan

sejatpeluhan sebenar untuk digunakan dalam permodelan Eko-Fisiologi. Nisbah ini

digunakan sebagai salah satu parameter bagi permodelan NPP menerusi Model

CASA.

Kepelbagaian guna tanah di kawasan kajian memberikan pelbagai variasi

hasil PET. Taburan PET yang diperoleh digambarkan dengan jelas seperti yang

ditunjukkan dalam Rajah 4.20. Berdasarkan kepada rajah ini, sejatpeluhan didapati

lebih tinggi di kawasan hutan berbanding dengan kawasan kelapa sawit dan getah.

130

Statistik hasil sejatpeluhan bagi guna tanah utama yang diperoleh dalam kajian ini

ditunjukkan dalam Jadual 4.7.

Rajah 4.20 Sejatpeluhan potensi bagi kawasan kajian

Daripada hasil PET yang diperoleh, julat sejatpeluhan potensi yang diperoleh

menerusi data ASTER ini adalah antara 6.35 mm/hari hingga 9.34 mm/hari dengan

purata sejatpeluhan 8.38 mm/hari. Dalam kajian ini, sejatpeluhan potensi bagi hutan

adalah antara 7.37 mm/hari hingga 8.85 mm/hari dengan nilai purata sejatpeluhan

7.62 mm/hari. Manakala, bagi kawasan kelapa sawit pula, didapati julat sejatpeluhan

yang diperoleh adalah antara 7.22 mm/hari hingga 8.56 mm/hari dengan purata 7.44

mm/hari. Bagi kawasan getah, julat sejatpeluhan potensi yang dicatatkan adalah

antara 7.10 mm/hari hingga 8.58 mm/hari dengan purata kira-kira 7.32 mm/hari.

131

Jadual 4.7 Statistik sejatpeluhan potensi di kawasan kajian (mm/hari)



Hutan 7.37 8.85 7.62


Getah 7.10 8.58 7.32

4.5.7 Sejatpeluhan Sebenar

Secara amnya, sejatpeluhan banyak berlaku di kawasan yang memiliki

litupan tumbuhan yang padat. Tumbuhan amat memerlukan air bagi menjalankan

proses fotosintesis dan seterusnya membantu dalam aktiviti pertumbuhannya.

Persekitaran dengan sumber air yang optimum diperlukan bagi memastikan

pertumbuhan tumbuhan yang stabil kerana air merupakan antara sumber utama bagi

tumbuhan menjalankan proses fisiologinya. Oleh itu, kadar sejatpeluhan dapat

dijadikan petunjuk kepada kadar ketersediaan air di sesuatu kawasan.

Penerbitan nilai sejatpeluhan sebenar (AET) ditunjukkan dalam Rajah 4.21.

Daripada hasil yang diperoleh didapati julat sejatpeluhan sebenar adalah antara 3.28

mm/hari hingga 6.30 mm/hari dengan kadar sejatpeluhan purata sebanyak 5.65

mm/hari. Penerbitan AET digunakan untuk melihat kesannya terhadap kadar

pengeluaran tumbuhan. Hubung kait antara pengeluaran tumbuhan dan kadar

ketersediaan air melalui aktiviti sejatpeluhan ini akan dilihat menerusi aplikasi

Kaedah Eko-Fisiologi. Statistik hasil sejatpeluhan sebenar ini ditunjukkan dengan

lebih jelas di dalam Jadual 4.8.

132

Rajah 4.21 Sejatpeluhan sebenar bagi kawasan kajian

Jadual 4.8 Statistik sejatpeluhan sebenar di kawasan kajian (mm/hari)



Hutan 4.64 5.96 4.80


Getah 4.46 5.79 4.60

Hasil AET di kawasan hutan berada pada julat antara 4.64 mm/hari hingga

5.96 mm/ hari dengan nilai purata 4.8 mm/hari. Julat sejatpeluhan di kawasan kelapa

sawit pula adalah antara 4.54 mm/hari hingga 5.77 mm/hari dengan purata 4.69

mm/hari. Bagi kawasan getah pula, julat sejatpeluhan potensi adalah antara 4.46

mm/hari hingga 5.79 mm/hari dengan purata sejatpeluhan sebanyak 4.60 mm/hari.

3.28

133

4.6 Penerbitan Parameter Utama Kaedah Eko-Fisiologi

Perolehan NPP berdasarkan data satelit berupaya memberikan maklumat

ruang dan masa yang lebih terperinci serta dapat meliputi ruang lingkung yang luas.

Penilaian terhadap empat model daripada Kaedah Eko-Fisiologi dalam penganggaran

NPP melibatkan Model CASA, Model GLOPEM, Model VPM dan juga Model C-

Fix. Setiap model ini memerlukan beberapa parameter bagi penganggaran NPP.

Kaedah Eko-Fisiologi mempelopori konsep penganggaran NPP daripada kadar

Kecekapan Penggunaan Cahaya (ε), Sebahagian Penyerapan Radiasi Aktif

Fotosintesis (FAPAR) dan juga Radiasi Aktif Fotosintesis (PAR).

4.6.1 Kadar Kecekapan Penggunaan Cahaya

Perolehan kadar Kecekapan Penggunaan Cahaya, (ε) dalam kajian ini adalah

melalui kaedah remote sensing dengan menggunakan data ASTER. Rajah 4.22,

menunjukkan hasil kadar ε di kawasan kajian menggunakan empat model yang

berbeza. Kesemua model ini menggunakan pendekatan yang berbeza dalam

menentukan kadar ε tumbuhan di mana setiap model melibatkan sensitiviti terhadap

faktor persekitaran yang berlainan.Analisis variasi kadar ε ini di lakukan terhadap

tiga jenis guna tanah utama iaitu hutan, kelapa sawit dan getah. Secara

keseluruhannya, purata kadar ε yang diperoleh dalam kajian ini adalah antara 0.798

gCMJ-1 hingga 1.145 gCMJ-1 dengan purata 1.017 gCMJ-1 sebagaimana Rajah 4.22.

Kadar ε yang diterbitkan dalam kajian ini menggunakan empat Kaedah Eko-

Fisiologi iaitu Model CASA, Model GLOPEM, Model VPM dan Model C-Fix.

Berdasarkan kepada hasil yang diperoleh, didapati julat kadar ε yang diperoleh

menggunakan Model CASA adalah antara 0.459 gCMJ-1 hingga 1.445 gCMJ-1

dengan purata kira-kira 1.059 gCMJ-1 . Bagi perolehan ε dengan menggunakan

Model GLOPEM, julat yang diperoleh adalah antara 0.699 gCMJ-1 hingga 0.798

134

gCMJ-1 dengan purata 0.769 gCMJ-1. Penggunaan Model VPM memberikan julat ε

antara 0.860 gCMJ-1 hingga 1.221 gCMJ-1 dengan kadar purata 1.003 gCMJ-1.

Manakala bagi Model C-Fix pula, ε yang diperoleh adalah antara 1.152 gCMJ-1

hingga 1.325 gCMJ-1 dengan purata 1.235 gCMJ-1.

(a) (b)

(c) (d)

Rajah 4.22 : Hasil kadar Kecekapan Penggunaan Cahaya kawasan kajian a) Model

CASA; b) Model GLOPEM; c) Model VPM; dan d) Model C-Fix.

135

Variasi perbezaan kadar ε bagi setiap guna tanah utama kawasan kajian

ditunjukkan dalam Jadual 4.9 dan Jadual 4.10. Bagi Model CASA, purata ε bagi

hutan yang diperoleh adalah sebanyak 1.204 g CMJ-1, manakala bagi kelapa sawit

pula sebanyak adalah 1.249 g CMJ-1. Manakala kadar ε bagi getah pula adalah

sebanyak 1.274 g CMJ-1. Bagi Model GLOPEM pula, purata kadar ε bagi hutan

diperoleh sebanyak 0.755 g CMJ-1, manakala bagi kelapa sawit adalah 0.761 g CMJ-1

dan bagi getah pula sebanyak 0.762 g CMJ-1.

Jadual 4.9 Statistik kadar Kecekapan Penggunaan Cahaya bagi tiga jenis guna tanah

utama di kawasan kajian menggunakan Model CASA dan Model GLOPEM

Model CASA GLOPEM

Guna Tanah Min* Mak* PurataSisihan

PiawaiMin* Mak* Purata

Sisihan

Piawai

Hutan 1.102 1.293 1.204 0.051 0.744 0.765 0.755 0.006

Kelapa Sawit 1.115 1.322 1.249 0.056 0.753 0.773 0.761 0.005

Getah 1.195 1.398 1.274 0.064 0.750 0.771 0.762 0.007

Jadual 4.10 Statistik kadar Kecekapan Penggunaan Cahaya bagi tiga jenis guna

tanah utama di kawasan kajian menggunakan Model CASA dan Model GLOPEM

Model VPM C-Fix



Sisihan

Piawai

Hutan 1.049 1.126 1.081 0.022 1.215 1.230 1.220 0.005

Kelapa Sawit 1.021 1.105 1.063 0.023 1.236 1.253 1.245 0.006

Getah 1.041 1.103 1.079 0.018 1.220 1.232 1.228 0.004

Min* = Minimum , Mak* = Maksimum


136

Bagi Model VPM, purata ε bagi hutan yang diperoleh adalah 1.081 gCMJ-1,

manakala bagi kelapa sawit dan getah masing-masing adalah 1.105 gCMJ-1 dan

1.103 gCMJ-1. Bagi Model C-Fix pula, purata kadar ε bagi hutan diperoleh sebanyak

1.220 gCMJ-1, manakala bagi kelapa sawit dan getah masing-masing adalah 1.245

gCMJ-1 dan 1.228 gCMJ-1.

Daripada keseluruhan hasil kadar ε yang diperoleh, didapati purata ε kawasan

kajian adalah 1.017 gCMJ-1. Daripada kadar ini, guna tanah hutan mencatat purata ε

sebanyak 1.066 gCMJ-1, manakala purata yang diperoleh bagi kelapa sawit sebanyak

1.079 gCMJ-1 dan bagi getah pula, purata kadar ε yang dicatatkan adalah sebanyak

1.086 gCMJ-1. Manakala kadar ε bagi getah didapati lebih tinggi berbanding yang

dicatatkan kelapa sawit dan juga hutan. Hasil purata ε ditunjukkan dalam Rajah 4.23.

Rajah 4.23 Purata kadar Kecekapan Penggunaan Cahaya kawasan kajian

137

Secara keseluruhannya, statistik purata ε bagi tiga jenis guna tanah utama

kawasan kajian daripada Model CASA, Model GLOPEM, Model VPM dan Model

C-Fix ditunjukkan dalam Jadual 4.11.

Jadual 4.11 Statistik purata Kecekapan Penggunaan Cahaya kawasan kajian

Model Purata (CASA, GLOPEM, VPM, C-Fix)

Guna Tanah Minimum Maksimum Purata Sisihan Piawai

Hutan 1.0371 1.0988 1.066 0.015

Kelapa Sawit 1.0395 1.1049 1.079 0.017

Getah 1.0682 1.1192 1.086 0.017

4.6.2 Sebahagian Penyerapan Radiasi Aktif Fotosintesis

Sebahagian Penyerapan Radiasi Aktif Fotosintesis (FAPAR) merupakan

parameter penting dalam perolehan NPP. Parameter ini diterbitkan menerusi kaedah

remote sensing dengan menggunakan data ASTER. Rajah 4.24 merupakan hasil

FAPAR yang diperoleh daripada ke empat-empat model daripada Kaedah Eko-

Fisiologi iaitu Model CASA, Model GLOPEM, Model VPM dan Model C-Fix.

Berdasarkan kepada hasil FAPAR yang diperoleh, di dapati julat FAPAR menerusi

Model CASA mencatatkan nilai antara 0.104 hingga 0.882 dengan purata 0.569.

Perolehan FAPAR menggunakan Model GLOPEM pula memberikan julat FAPAR

antara 0.207 hingga1.521 dengan kadar purata kira-kira 1.172. Kadar FAPAR yang

diperoleh menerusi Model VPM memberikan hasil FAPAR dengan julat antara 0.143

hingga 0.904 dengan purata FAPAR 0.667. Manakala perolehan FAPAR dengan

menggunakan Model C-Fix memberikan nilai FAPAR antara 0.058 hingga 0.973

dengan purata sebanyak 0.730.

138

(a) (b)

(c) (d)

Rajah 4.24 Hasil FAPAR di kawasan kajian a) Model CASA; b) Model GLOPEM;

c) Model VPM; dan d) Model C-Fix.

Variasi perbezaan FAPAR yang diperoleh dalam kajian ini ditunjukkan

dalam Jadual 4.12 dan Jadual 4.13. Secara keseluruhannya, variasi FAPAR di dapati

kecil antara guna tanah di kawasan kajian. Bagi Model CASA, purata FAPAR bagi

hutan adalah sebanyak 0.647, manakala purata FAPAR bagi kelapa sawit adalah

0.702 dan FAPAR bagi getah pula sebanyak 0.735. Bagi Model GLOPEM pula,

139

purata FAPAR bagi hutan diperoleh sebanyak 0.845, manakala bagi kelapa sawit,

purata FAPAR yang diperoleh adalah 0.873 dan bagi getah pula sebanyak 0.888.

Jadual 4.12 Statistik nilai FAPAR bagi tiga jenis guna tanah utama kawasan kajian

menggunakan Model CASA dan Model GLOPEM

Model CASA GLOPEM



Sisihan

Piawai

Hutan 0.532 0.757 0.647 0.061 0.802 0.884 0.845 0.020

Kelapa Sawit 0.545 0.797 0.702 0.069 0.818 0.904 0.873 0.023

Getah 0.635 0.904 0.735 0.084 0.859 0.937 0.888 0.024

Bagi Model VPM, purata FAPAR bagi hutan yang dicatatkan adalah 0.736,

manakala bagi kelapa sawit adalah 0.780 dan kadar FAPAR bagi getah pula

sebanyak 0.805. Bagi Model C-Fix pula, purata kadar FAPAR bagi hutan adalah

0.806, manakala bagi kelapa sawit adalah 0.829 dan bagi getah pula sebanyak 0.842.

Statistik ini ditunjukkan dalam Jadual 4.13.

Jadual 4.13 Statistik FAPAR bagi tiga jenis guna tanah utama kawasan kajian

menggunakan Model CASA dan Model GLOPEM

Model VPM C-Fix



Sisihan

Piawai

Hutan 0.689 0.790 0.736 0.025 0.749 0.852 0.806 0.028

Kelapa Sawit 0.718 0.825 0.780 0.029 0.756 0.866 0.829 0.029

Getah 0.766 0.881 0.805 0.035 0.802 0.900 0.842 0.031



140

Purata bagi kadar FAPAR di kawasan kajian diperoleh secara purata dari

hasil FAPAR keempat-empat model daripada Kaedah Eko-Fisiologi. Didapati julat

FAPAR bagi kawasan kajian adalah antara 0.043 hingga 0.996 dengan purata

FAPAR sebanyak 0.784 seperti ditunjukkan pada Rajah 4.25.

Rajah 4.25 Purata hasil FAPAR bagi kawasan kajian

Berdasarkan kepada hasil statistik FAPAR yang ditunjukkan di dalam Jadual

4.14 bagi ketiga-tiga jenis guna tanah di kawasan kajian, didapati purata FAPAR

bagi hutan adalah antara 0.69 hingga 0.82 dengan purata FAPAR sebanyak 0.759.

Kadar FAPAR bagi kelapa sawit pula diperoleh antara 0.71 hingga 0.85 dengan

purata FAPAR 0.76. Manakala julat FAPAR bagi getah pula antara adalah 0.77

hingga 0.91 dengan purata 0.82.

141

Jadual 4.14 Statistik FAPAR bagi tiga jenis guna tanah utama kawasan kajian

Model Purata (CASA, GLOPEM, VPM, C-Fix)


Hutan 0.6927 0.821 0.759 0.033

Kelapa Sawit 0.7097 0.848 0.796 0.037

Getah 0.7663 0.906 0.817 0.043

4.6.3 Radiasi Aktif Fotosintesis

Radiasi Aktif Fotosintesis (PAR) merupakan parameter penting dalam

perolehan NPP tumbuhan. Hubungan yang kuat antara parameter ini dengan kadar

fotosintesis tumbuhan menyebabkan parameter ini menjadi faktor utama dalam

peningkatan dan penurunan dalam pengeluaran tumbuhan. Perolehan PAR

menggunakan data remote sensing adalah berdasarkan kepada hubungan impirikal

parameter ini dengan kadar radiasi solar yang sampai ke permukaan bumi. Radiasi

solar pula dapat diperoleh menerusi penerbitan kadar radiasi bersih melalui

pengekstrakan data remote sensing.

Daripada hasil PAR yang diperoleh didapati julat PAR bagi kawasan kajian

adalah antara 2194.45 MJ m-2 yr-1 hingga 3126.22 MJ m-2 yr-1 dengan purata

sebanyak 2778.76 MJ m-2 yr-1 (Rajah 4.26). Variasi antara kadar PAR bagi setiap

guna tanah utama kawasan kajian ditunjukkan seperti dalam Jadual 4.15.

Berdasarkan daripada statistik yang diperoleh didapati kadar PAR bagi kawasan

hutan dicatatkan antara 2818.3 MJ m-2 yr-1 hingga 2864.6 MJ m-2 yr-1dengan purata

2854.9 MJ m-2 yr-1. Bagi kawasan kelapa sawit pula, kadar PAR yang dicatatkan

adalah antara 2767.4 MJ m-2 yr-1 hingga 2820.1 MJ m-2 yr-1 dengan purata PAR

sebanyak 2802.6 MJ m-2 yr-1. Manakala bagi getah pula, kadar PAR yang diperoleh

adalah antara 2731.3 MJ m-2 yr-1 hingga 2837.1 MJ m-2 yr-1 dengan purata PAR

sebanyak 2768.7 MJ m-2 yr-1.

142

Rajah 4.26 Purata Radiasi Aktif Fotosintesis bagi kawasan kajian

Variasi PAR bagi kawasan kajian dipengaruhi oleh guna tanahnya kerana

dalam kajian ini perolehan PAR dilakukan menggunakan hubungan impirikal antara

PAR, radiasi solar dan juga radiasi bersih menggunakan data remote sensing.

Jadual 4.15 Statistik Radiasi Aktif Fotosintesis di kawasan kajian


Keseluruhan 2194.46 3126.22 2778.3 127.40

Hutan 2818.3 2864.6 2854.9 12.176

Kelapa Sawit 2767.4 2820.1 2802.6 13.106

Getah 2731.3 2837.1 2768.7 31.150

143

4.7 Penilaian Kaedah Eko-Fisiologi

Kadar NPP yang diperoleh dalam kajian ini diperoleh menerusi empat model

daripada Kaedah Eko-Fisiologi iaitu Model CASA, GLOPEM, VPM dan C-Fix.

Model-model ini menggunakan pendekatan yang berlainan dalam perolehan NPP.

Antaranya perbezaan menerusi pendekatan bagi menerbitkan parameter FAPAR dan

juga penerbitan ε.

4.7.1 Hasil NPP Model CASA

Penganggaran NPP menggunakan Model CASA memberikan variasi yang

kecil antara guna tanah utamanya iaitu hutan, kelapa sawit dan getah. Taburan NPP

yang diperoleh menerusi model ini ditunjukkan dalam Rajah 4.27.

Rajah 4.27 Hasil Pengeluaran Primer Bersih menerusi Model CASA

144

Perolehan NPP menggunakan Model CASA melibatkan sensitiviti terhadap

faktor ketersediaan air di kawasan kajian. Faktor ini diperoleh melalui penerbitan

nisbah sejatpeluhan menggunakan data ASTER. Gambaran keseluruhan hasil NPP

ini memperlihatkan hasil NPP yang tinggi didominasi oleh kawasan hutan. Walau

bagaimanapun, bagi nilai NPP maksimum di kawasan kajian direkodkan oleh getah

dan diikuti oleh kelapa sawit seperti dalam Jadual 4.16.

Jadual 4.16 Statistik NPP di kawasan kajian menerusi Model CASA


Keseluruhan 251.32 3373.1 1796.8 731.9

Hutan 1835.5 2576.8 2232.0 206.6

Kelapa Sawit 1846.3 2679.3 2377.0 227.7

Getah 2116.0 2982.5 2456.9 273.3

Secara keseluruhannya, julat NPP yang diperoleh menggunakan Model

CASA adalah antara 251.32 gCm-2 yr-1 hingga 3373.1 gCm-2 yr-1 dengan purata NPP

sebanyak 1796.8 gCm-2 yr-1. Penilaian terhadap hasil NPP di kawasan hutan

mendapati julat NPP yang diperoleh adalah antara 1835.5 gCm-2 yr-1 hingga 2576.8

gCm-2 yr-1 dengan purata NPP sebanyak 2232.0 gCm-2 yr-1. Bagi kelapa sawit pula,

julat NPP yang dicatatkan adalah antara 1846.3 gCm-2 yr-1 hingga 2679.3 gCm-2 yr-1

dengan purata NPP sebanyak 2377.0 gCm-2 yr-1. Manakala bagi getah pula, julat NPP

yang diperoleh menerusi Model CASA ini adalah antara 2116.0 gCm-2 yr-1 hingga

2982.5 gCm-2 yr-1 dengan purata NPP sebanyak 2456.9 gCm-2 yr-1.

4.7.2 Hasil NPP Model GLOPEM

Penganggaran NPP seterusnya adalah dengan menggunakan Model

GLOPEM. Model GLOPEM mengambil kira kesan sensitiviti tumbuhan terhadap

145

suhu dan juga defisit tekanan wap di persekitaran tumbuhan. Penekanan yang

diberikan oleh model ini amat sesuai bagi tumbuhan yang lebih sensitif terhadap

perubahan suhu dan tekanan persekitarannya. Hasil permodelan GLOPEM

ditunjukkan dalam Rajah 4.28. Penggunaan Model GLOPEM memperlihatkan

perbezaan yang ketara bagi perolehan NPP di kawasan yang memiliki kepadatan

tumbuhan yang lebih tinggi berbanding dengan kawasan dengan dominasi tumbuhan

berkepadatan lebih rendah. Secara keseluruhannya, julat NPP yang diperoleh

menggunakan Model GLOPEM adalah antara 697.33 gCm-2 yr-1 hingga 3065.85

gCm-2 yr-1 dengan purata NPP sebanyak 2509.79 gCm-2 yr-1.

Rajah 4.28 Hasil Pengeluaran Primer Bersih menerusi Model GLOPEM

Daripada statistik yang ditunjukkan dalam Jadual 4.17, julat NPP yang

diperoleh bagi hutan adalah antara 2672.2 gCm-2 yr-1 hingga 2904.4 gCm-2 yr-1

146

dengan purata 2812.5 gCm-2 yr-1. Bagi kelapa sawit pula, julat NPP yang dicatatkan

adalah antara 2673.9 gCm-2 yr-1 hingga 2934.9 gCm-2 yr-1 dengan purata NPP 2852.9

gCm-2 yr-1. Manakala bagi getah pula, julat NPP yang diperoleh menerusi Model

GLOPEM ini adalah antara 2673.9 gCm-2 yr-1 hingga 2982.0 gCm-2 yr-1dengan

purata NPP sebanyak 2864.6 gCm-2 yr-1.

Jadual 4.17 Statistik NPP di kawasan kajian menerusi Model GLOPEM


Keseluruhan 697.33 3065.9 2509.8 513.3

Hutan 2672.2 2904.4 2812.5 64.7

Kelapa Sawit 2673.9 2934.9 2852.9 66.8

Getah 2763.0 2982.0 2864.6 69.8

4.7.3 Hasil NPP Model VPM

Tumbuhan di kawasan tropika terdiri daripada pelbagai spesies. Perbezaan

tindak balas setiap spesies ini dapat dilihat menerusi permodelan yang melibatkan

sensitiviti tumbuhan ini terhadap faktor-faktor yang mempengaruhi pertumbuhannya.

Asas bagi penganggaran NPP menggunakan Model VPM adalah menerusi perolehan

Pengeluaran Primer Kasar (GPP). Menerusi model ini, faktor-faktor persekitaran

seperti kandungan air, suhu dan phenology daun diberikan perhatian.

Jadual 4.18 menunjukkan statistik hasil NPP menerusi Model VPM bagi tiga

guna tanah iaitu hutan, kelapa sawit dan getah sebagaimana yang ditunjukkan dalam

Rajah 4.30. Secara keseluruhannya, julat NPP yang diperoleh menggunakan Model

VPM ini adalah antara 621.32 gCm-2 yr-1 hingga 3021.57 gCm-2 yr-1 dengan purata

NPP sebanyak 1900.18 gCm-2 yr-1.

147

Jadual 4.18 Statistik NPP di kawasan kajian menerusi Model VPM


Keseluruhan 621.32 3121.6 1900.2 522.5

Hutan 2022.3 2459.9 2231.2 105.6

Kelapa Sawit 2017.9 2489.9 2283.4 126.4

Getah 2234.0 2604.2 2359.6 117.5

Menerusi Model VPM, julat NPP hutan yang diperoleh adalah antara 2022.3

gCm-2 yr-1 hingga 2459.9 gCm-2 yr-1dengan purata NPP sebanyak 2231.2 gCm-2 yr-1.

Bagi kelapa sawit pula, julat NPP yang dicatatkan adalah antara 2017.9 gCm-2 yr-1

hingga 2489.9 gCm-2 yr-1 dengan purata sebanyak 2283.4 gCm-2 yr-1. Manakala bagi

getah pula, julat NPP yang diperoleh menerusi Model VPM ini adalah antara 2234.0

gCm-2 yr-1 hingga 2604.2 gCm-2 yr-1 dengan purata NPP sebanyak 2359.6 gCm-2 yr-1.

Rajah 4.29 Hasil Pengeluaran Primer Bersih menerusi Model VPM

148

4.7.4 Hasil NPP Model C-Fix

Sebagaimana Model VPM, pendekatan perolehan NPP menggunakan Model

C-Fix juga menerusi perolehan GPP. Walau bagaimanapun sensitiviti model ini lebih

tertumpu kepada perubahan suhu persekitaran. Model ini menggunakan faktor

pembetulan suhu dalam permodelannya. Secara keseluruhannya, hasil penganggaran

NPP menerusi model ini ditunjukkan sebagaimana Rajah 4.30. Model ini

memberikan variasi NPP yang besar di antara kawasan tumbuhan yang padat dan

kawasan dengan kepadatan tumbuhan yang lebih kecil. Perolehan NPP menerusi

Model C-Fix memberikan perbezaan yang agak ketara terhadap NPP hutan dan juga

kelapa sawit. Kadar NPP hutan dilihat lebih tinggi dan memiliki taburan yang

konsisten.

Rajah 4.30 Hasil Pengeluaran Primer Bersih menerusi Model C-Fix

149

Penggunaan Model C-Fix dalam kajian ini memberikan hasil NPP dengan

julat antara 844.96 gCm-2 yr-1 hingga 3366.64 gCm-2 yr-1 dengan purata kira-kira

2493.32 gCm-2 yr-1. Statistik taburan NPP bagi tiga jenis guna tanah utama di

kawasan kajian iaitu hutan, kelapa sawit dan getah ditunjukkan sebagaimana Jadual

4.19.

Jadual 4.19 Statistik NPP di kawasan kajian menerusi Model C-Fix


Keseluruhan 844.96 3366.6 2493.3 595.3

Hutan 2668.6 3002.7 2869.5 95.9

Kelapa Sawit 2644.3 3008.2 2898.4 95.6

Getah 2758.7 3066.7 2906.5 104.9

Secara keseluruhannya, penilaian terhadap hasil NPP di kawasan hutan

mendapati julat NPP yang diperoleh antara 2668.6 gCm-2 yr-1 hingga 3002.7 gCm-2

yr-1 dengan purata NPP dicatatkan sebanyak 2869.5 gCm-2 yr-1. Bagi kelapa sawit

pula, julat NPP yang dicatatkan adalah antara 2644.3 gCm-2 yr-1 hingga 3008.2 gCm-

2 yr-1 dengan purata NPP sebanyak 2898.4 gCm-2 yr-1. Manakala bagi getah pula,

julat NPP yang diperoleh menerusi Model C-Fix ini adalah antara 2758.7 gCm-2 yr-1

hingga 3066.7 gCm-2 yr-1 dengan purata sebanyak 2296.5 gCm-2 yr-1.

4.7.5 Hasil Purata NPP Keseluruhan

Purata NPP keseluruhan yang diperoleh dalam kajian ini berdasarkan kepada

purata perolehan NPP menerusi empat model daripada Kaedah Eko-Fisiologi yang

terlibat dalam kajian ini iaitu Model CASA, GLOPEM, VPM dan C-Fix. Daripada

hasil-hasil NPP yang diperoleh, anggaran purata NPP bagi kawasan kajian

dipuratakan seperti di dalam Rajah 4.31.

150

Rajah 4.31 Purata keseluruhan hasil Pengeluaran Primer Bersih

Rajah 4.32 Histogram purata keseluruhan hasil Pengeluaran Primer Bersih

151

Berdasarkan histogram yang ditunjukkan dalam Rajah 4.32, didapati purata

keseluruhan NPP yang diperoleh dalam kajian ini berada pada julat antara 630.16

gCm-2 yr-1 hingga 3057.00 gCm-2 yr-1 dengan purata NPP sebanyak 2172.99 gCm-2

yr-1. Dalam kajian ini, didapati taburan bagi NPP di kawasan yang dilitupi oleh

tumbuhan yang lebih padat memiliki kadar NPP yang lebih tinggi. Manakala

kawasan yang dilitupi oleh sedikit tumbuhan memberikan hasil NPP yang lebih

rendah. Taburan purata keseluruhan NPP berdasarkan jenis guna tanah di kawasan

kajian ditunjukkan di dalam Jadual 4.20.

Jadual 4.20 Statistik purata keseluruhan NPP di kawasan kajian


Keseluruhan 630.16 3057.0 2172.99 584.14

Hutan 2299.7 2734.1 2536.31 116.10

Kelapa Sawit 2295.6 2778.1 2602.90 128.19

Getah 2471.4 2908.9 2646.92 136.93

Secara keseluruhannya, penilaian terhadap hasil purata NPP di kawasan hutan

menerusi purata empat model daripada Kaedah Eko-Fisiologi, mendapati julat NPP

hutan yang diperoleh adalah antara 2299.7 gCm-2 yr-1 hingga 2734.1 gCm-2 yr-1

dengan purata sebanyak 2536.31 gCm-2 yr-1. Bagi kelapa sawit pula, julat NPP yang

dicatatkan adalah antara 2295.6 gCm-2 yr-1 hingga 2778.1 gCm-2 yr-1 dengan purata

sebanyak 2602.90 gCm-2 yr-1. Manakala bagi getah pula, julat NPP yang diperoleh

menerusi purata hasil NPP ini adalah antara 2471.4 gCm-2 yr-1 hingga 2908.9 gCm-2

yr-1 dengan purata sebanyak 2646.92 gCm-2 yr-1.

4.8 Sensitiviti Kaedah Eko-Fisiologi Terhadap Perubahan Persekitaran

Berdasarkan kepada hasil perolehan NPP menerusi beberapa Kaedah Eko-

Fisiologi, didapati setiap model ini memberikan penekanan berbeza bagi dalam

152

menganggarkan NPP. Sebagai contoh Model CASA memberikan penumpuan

terhadap faktor kesan perubahan suhu persekitaran dan juga faktor kesan kelembapan

tanah. Manakala Model GLOPEM menumpukan kepada sensitiviti pengeluaran

tumbuhan terhadap perubahan defisit tekanan wap dan juga faktor respirasi

tumbuhan.

Penilaian setiap parameter yang terlibat dalam permodelan NPP

menggunakan Kaedah Eko-Fisiologi ini amat penting bagi melihat kesinambungan

setiap parameter ini dalam mempengaruhi kadar anggaran NPP bagi setiap jenis

tumbuhan yang berbeza. Ini kerana pembangunan model-model anggaran NPP

daripada kaedah Eko-Fisiologi lebih bersifat global dan perlu disesuaikan dengan

ciri-ciri persekitaran tropika di Malaysia. Dengan ini, hubungan setiap parameter

yang terlibat dalam kajian ini dan juga hasil NPP yang diperoleh daripada Kaedah

Eko-Fisiologi menerusi data remote sensing perlu dijalankan.

Bagi melihat sensitiviti setiap hasil NPP ini terhadap perubahan persekitaran,

hasil NPP bagi setiap guna tanah ini dihubungkan secara langsung dengan beberapa

parameter persekitaran iaitu termasuklah kadar sejatpeluhan, radiasi solar, dan suhu

permukaan. Hubungan antara parameter ini ditunjukkan menerusi Rajah 4.33 hingga

Rajah 4.42. Selain daripada itu, sensitiviti kadar NPP ini juga dihubungkan dengan

beberapa indeks tumbuhan seperti Penisbahan Mudah (SR), Indeks Normalisasi

Perbezaan Tumbuhan (NDVI), Indeks Air Permukaan Tanah (LSWI) dan Indeks

Penonjolan Tumbuhan (EVI).

4.8.1 Hubungan Antara NPP dan Faktor Persekitaran

Radiasi solar secara amnya merupakan sumber utama tenaga yang diperlukan

oleh tumbuhan untuk menjalankan aktiviti fotosintesis. Walau bagaimanapun,

hubungan antara radiasi solar dan kadar NPP didapati pada kadar antara 0.34 hingga

153

0.5. Hubungan antara kedua-dua maklumat ini ditunjukkan dalam Rajah 4.33 hingga

Rajah 4.37.

Diantara hubungan yang dijalankan antara radiasi solar dan juga hasil NPP

menerusi keempat-empat model daripada Kaedah Eko-Fisiologi, didapati hubungan

yang lebih kuat diperoleh antara radiasi solar dan juga NPPVPM iaitu sebanyak 0.5

diikuti dengan hubungan radiasi solar dan juga NPPC-Fix sebanyak 0.47. Manakala

bagi hubungan radiasi solar dan juga NPPCASA dan hubungan radiasi solar dan

NPPGLOPEM mencatatkan hubungan masing-masing 0.41 dan 0.34.

y = 0.0014x2 - 16.646x + 51720

R = 0.45

0

500

1000

1500

2000

2500

3000

3500

5300 5400 5500 5600 5700 5800 5900

Rajah 4.33 Hubungan antara radiasi solar dan NPPCASA

y = 7E-05x2 - 1.0103x + 6289.6

R = 0.34

0

500

1000

1500

2000

2500

3000

3500

5300 5400 5500 5600 5700 5800 5900

Rajah 4.34 Hubungan antara radiasi solar dan NPPGLOPEM

NPP (gCm2 yr-1)

Sinaran Solar (MJ m-2 yr-1)

NPP (gCm2 yr-1)


154

y = 0.001x2 - 11.767x + 36904

R = 0.50

0

500

1000

1500

2000

2500

3000

5300 5400 5500 5600 5700 5800 5900

Rajah 4.35 Hubungan antara radiasi solar dan NPPVPM

y = -0.0007x2 + 7.0066x - 15190

R =0.47

0

500

1000

1500

2000

2500

3000

3500

5300 5400 5500 5600 5700 5800 5900

Rajah 4.36 Hubungan antara radiasi solar dan NPPC-Fix

Walaupun hubungan yang diperoleh antara NPP dan radiasi solar tidak begitu

tinggi, namun berdasarkan daripada hubungan ini didapati, terdapat juga hubung kait

antara perolehan NPP dan juga kadar radiasi solar di kawasan kajian. Berdasarkan

kepada hubungan antara radiasi solar dan juga purata NPP yang diperoleh daripada

ke empat-empat model daripada Kaedah Eko-Fisiologi didapati hubungan antara

kedua-dua maklumat ini adalah sebanyak 0.59 sebagaimana yang ditunjukkan dalam

Rajah 4.37.

NPP (gCm2 yr-1)


NPP (gCm2 yr-1)


155

y = 0.0008x2 - 9.8134x + 32669

R = 0.59

0

500

1000

1500

2000

2500

3000

3500

5300 5400 5500 5600 5700 5800 5900

Rajah 4.37 Hubungan antara radiasi solar dan NPP(CASA,GLOPEM,VPM,C-FIX)

Jadual 4.21 menunjukkan hasil hubungan antara radiasi solar dan juga hasil

NPP yang diperoleh dalam kajian ini. Kekuatan hubungan yang diperoleh adalah

antara 0.34 hingga 0.5. Hubungan ini diperoleh menerusi regresi polinomial 2. Di

mana, y adalah NPP dan x adalah kadar sinaran solar.

Jadual 4.21 Hasil hubungan antara radiasi solar dan hasil NPP

Hubungan Persamaan Nilai R

Radiasi Solar dan NPPCASA y = 0.0014x2 - 16.646x + 51720 0.45

Radiasi Solar dan NPPGLOPEM y = 7E-5x2-1.0103x + 6289.6 0.34

Radiasi Solar dan NPPVPM y = 0.001x2 - 11.767x + 36904 0.50

Radiasi Solar dan NPPC-FIX y = -0.0007x2 + 7.0066x -15190 0.47

Radiasi Solar dan

NPP(CASA,GLOPEM,VPM,C-FIX)

y = 0.008x2 -9.8134x + 326669 0.59

Selain daripada sinaran solar yang mempengaruhi kadar NPP tumbuhan,

kadar sejatpeluhan juga didapati mempengaruhi kadar perolehan NPP. Hubungan

antara parameter ini ditunjukkan di dalam Rajah 4.38 hingga Rajah 4.42. Perubahan

NPP (gCm2 yr-1)


156

kadar sejatpeluhan dilihat memberikan pengaruh terhadap kadar perolehan NPP

apabila hubungan yang diperoleh adalah antara 0.28 hingga 0.5. Berdasarkan kepada

graf hubungan antara kadar sejatpeluhan dan NPP, didapati hubungan yang lebih

kuat diperoleh terhadap NPP daripada model VPM iaitu sebanyak 0.5. Manakala

bagi hubungan antara sejatpeluhan dan NPP menerusi Model CASA pula

memberikan kekuatan hubungan sebanyak 0.41.

y = 3326.2x2 - 38684x + 114704

R = 0.41

0

500

1000

1500

2000

2500

3000

3500

5.4 5.5 5.6 5.7 5.8 5.9 6

Rajah 4.38 Hubungan antara sejatpeluhan dan NPPCASA

y = 1994.1x2 - 23267x + 70061

R = 0.5

0

500

1000

1500

2000

2500

3000

5.4 5.5 5.6 5.7 5.8 5.9 6

Rajah 4.39 Hubungan antara sejatpeluhan dan NPPVPM

Hubungan antara hasil NPP yang diperoleh menerusi Model GLOPEM dan

juga Model C-Fix memberikan hubungan yang rendah iaitu masing-masing 0.28

ditunjukkan dalam Rajah 4.40 dan 4.41.

NPP (gCm2 yr-1)

Sejatpeluhan (mm/hari)

NPP (gCm2 yr-1)


157

y = 688.5x2 - 8002.7x + 26060

R = 0.28

0

500

1000

1500

2000

2500

3000

3500

5.4 5.5 5.6 5.7 5.8 5.9 6

Rajah 4.40 Hubungan antara sejatpeluhan dan NPPGLOPEM

y = 2023x2 - 23174x + 69219

R = 0.28

0

500

1000

1500

2000

2500

3000

3500

5.4 5.5 5.6 5.7 5.8 5.9 6

Rajah 4.41 Hubungan antara sejatpeluhan dan NPPC-Fix

y = 2848.4x2 - 33080x + 98558

R = 0.48

0

500

1000

1500

2000

2500

3000

3500

5.4 5.5 5.6 5.7 5.8 5.9 6

Rajah 4.42 Hubungan antara sejatpeluhan dan NPP(CASA,GLOPEM,VPM,C-FIX)

NPP (gCm2 yr-1)


NPP (gCm2 yr-1)


NPP (gCm2 yr-1)


158

Bagi hubungan antara sejatpeluhan dan juga hasil NPP menerusi purata

empat model daripada Kaedah Eko-Fisiologi pula memberikan hubungan yang lebih

tinggi iaitu sebanyak 0.48 seperti dalam Rajah 4.42. Ini menunjukkan bahawa

terdapat kaitan antara kadar sejatpeluhan terhadap kadar NPP di kawasan kajian.

Keseluruhan hubungan antara kadar sejatpeluhan dan juga hasil NPP yang diperoleh

dalam kajian ini ditunjukkan dalam Jadual 4.22.

Secara keseluruhannya, kekuatan hubungan yang diperoleh adalah antara

0.28 hingga 0.5. Kesemua hubungan ini diperoleh menerusi regresi polinomial 2. Di

mana, y merupakan NPP dan x pula mewakili kadar sejatpeluhan. Walaupun secara

keseluruhannya hubungan antara sejatpeluhan dan hasil NPP tidak begitu kuat seperti

hubungan antara NPP dan radiasi solar, namun hubungan ini menggambarkan

bahawa kadar pengeluaran tumbuhan turut dipengaruhi oleh kadar sejatpeluhan.

Jadual 4.22 Hasil hubungan antara sejatpeluhan dan hasil NPP


Sejatpeluhan dan NPPCASA y = 1994.1x2 - 23267x + 70061 0.50

Sejatpeluhan dan NPPVPM y = 3326.2x2 - 38684x + 114704 0.41

Sejatpeluhan dan NPPGLOPEM y = 688.5x2 - 8002.7x + 26060 0.28

Sejatpeluhan dan NPPC-FIX y = 2023x2 - 23174x + 69219 0.28

Sejatpeluhan dan

NPP(CASA,GLOPEM,VPM,C-FIX)y = 2848.4x2 - 33080x + 98558 0.48

Selain daripada analisis hubungan hasil kadar NPP terhadap kadar radiasi

solar dan sejatpeluhan, hubungan antara NPP dan suhu permukaan turut dijalankan.

suhu permukaan yang diperoleh menerusi pengekstrakan data ASTER memberikan

hubungan yang konsisten apabila dihubungkan dengan kesemua hasil NPP yang

diperoleh menerusi Kaedah Eko-Fisiologi. Berdasarkan daripada graf yang

ditunjukkan pada Rajah 4.43 hingga 4.47, didapati bahawa kekuatan hubungan antara

perolehan NPP dan juga kadar perubahan suhu permukaan adalah antara 0.27 hingga

0.4.

159

Daripada graf yang ditunjukkan pada Rajah 4.43 dan 4.44, hubungan antara

suhu permukaan dan juga NPPCASA adalah sebanyak 0.38. Manakala hubungan

antara suhu permukaan dan NPPGLOPEM juga sebanyak 0.38. Hubungan antara suhu

permukaan dan hasil NPP menerusi Model VPM ditunjukkan sebagaimana Rajah

4.45 di mana kekuatan hubungan yang dicatatkan adalah sebanyak 0.4. Manakala

bagi hubungan antara suhu permukaan dan juga hasil NPP menerusi Model C-Fix

pula sebanyak 0.37. Hubungan sebanyak 0.34 dicatatkan bagi hubungan antara suhu

permukaan dan juga purata hasil NPP yang diperoleh menerusi purata empat Model

Kaedah Eko-Fisiologi yang digunakan dalam kajian ini dan ianya ditunjukkan di

dalam Rajah 4.47.

y = -51.997x2 + 2779x - 34728

R = 0.38

0

500

1000

1500

2000

2500

3000

3500

0 5 10 15 20 25 30 35

Rajah 4.43 Hubungan antara suhu permukaan dan NPPCASA

y = -14.248x2 + 758.69x - 7252.8

R = 0.38

0

500

1000

1500

2000

2500

3000

3500

0 5 10 15 20 25 30 35

Rajah 4.44 Hubungan antara suhu permukaan dan NPPGLOPEM

NPP (gCm2 yr-1)

Suhu Permukaan (ºC)

NPP (gCm2 yr-1)


160

y = -32.83x2 + 1764.5x - 21404

R = 0.4

0

500

1000

1500

2000

2500

3000

0 5 10 15 20 25 30 35

Rajah 4.45 Hubungan antara suhu permukaan dan NPPVPM

y = -9.444x2 + 467.06x - 2817.9

R = 0.37

0

500

1000

1500

2000

2500

3000

3500

0 5 10 15 20 25 30 35

Rajah 4.46 Hubungan antara suhu permukaan dan NPPC-Fix

y = -25.958x2 + 1371.4x - 15472

R = 0.34

0

500

1000

1500

2000

2500

3000

3500

0 5 10 15 20 25 30 35

Rajah 4.47 Hubungan antara suhu permukaan dan NPP(CASA,GLOPEM,VPM,C-FIX)

NPP (gCm2 yr-1)


NPP (gCm2 yr-1)


NPP (gCm2 yr-1)


161

Kekuatan hubungan yang dicatatkan ini menggambarkan saling kaitan antara

perubahan suhu permukaan dan juga hasil NPP yang diperoleh bagi kawasan kajian.

Jadual 4.23 menunjukkan hasil hubungan antara kadar suhu permukaan dan juga

hasil NPP yang diperoleh dalam kajian ini. Secara keseluruhannya, kekuatan

hubungan yang diperoleh adalah antara 0.34 hingga 0.38. Kesemua hubungan ini

diperoleh menerusi regresi polinomial 2, di mana, y merupakan NPP dan x pula

mewakili kadar suhu permukaan.

Jadual 4.23 Hasil hubungan antara suhu permukaan dan hasil NPP


Suhu Permukaan dan NPPCASA y = -51.99x2 + 2779x - 34728 0.38

Suhu Permukaan dan NPPGLOPEM y = -14.248x2 + 758.69x - 7252.8 0.38

Suhu Permukaan dan NPPVPM y = -32.83x2 + 1764.5x - 21404 0.40

Suhu Permukaan dan NPPC-FIX y = -9.444x2 + 467.06x - 2817.9 0.37

Suhu Permukaan dan

NPP(CASA,GLOPEM,VPM,C-FIX)

y = -25.958x2 + 1371.4x 15472 0.34

4.8.2 Sensitiviti Kaedah Eko-Fisiologi Terhadap Indeks Tumbuhan

Indeks tumbuhan secara amnya merupakan parameter penting dalam

perolehan NPP dalam kajian ini. Setiap Kaedah Eko-Fisiologi yang digunakan

menggunakan indeks tumbuhan sebagai parameter utamanya. Terdapat tiga indeks

tumbuhan utama yang digunakan dalam kajian ini iaitu Indeks Normalisasi

Perbezaan Tumbuhan (NDVI), Indeks Air Permukaan tanah (LSWI) dan juga Indeks

Penonjolan Tumbuhan (EVI).

Kesemua indeks tumbuhan yang digunakan dalam kajian ini memberikan

sensitiviti yang berbeza terhadap kadar NPP. Berdasarkan kepada Rajah 4.48,

162

didapati hubungan antara NDVI dan juga hasil NPP menerusi Model CASA

memberikan kekuatan hubungan sebanyak 0.56. Manakala hubungan antara NDVI

dan juga hasil NPP menerusi Model GLOPEM pula memberikan kekuatan sebanyak

0.61 seperti mana yang ditunjukkan pada Rajah 4.49. Bagi hubungan antara hasil

NPP menerusi Model VPM dan juga NDVI, kekuatan hubungan yang diperoleh

adalah sebanyak 0.68. Manakala bagi hubungan antara hasil NPP menerusi Model C-

Fix dan NDVI pula mencatatkan kekuatan yang agak tinggi iaitu sebanyak 0.94.

Kedua-dua hubungan ini ditunjukkan pada Rajah 4.50 dan 4.51.

y = 32285x2 - 34653x + 11490

R = 0.56

0

500

1000

1500

2000

2500

3000

3500

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8

Rajah 4.48 Hubungan antara NDVI dan NPPCASA

y = 3046.5x2 - 2431.5x + 3201.6

R = 0.61

0

500

1000

1500

2000

2500

3000

3500

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8

Rajah 4.49 Hubungan antara NDVI dan NPPGLOPEM

NPP (gCm2 yr-1)

NDVI

NPP (gCm2 yr-1)

NDVI

163

y = 10359x2 - 9744.7x + 4404.2

R = 0.68

0

500

1000

1500

2000

2500

3000

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8

Rajah 4.50 Hubungan antara NDVI dan NPPVPM

y = -6735.8x2 + 10487x - 923.59

R = 0.94

0

500

1000

1500

2000

2500

3000

3500

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8

Rajah 4.51 Hubungan antara NDVI dan NPPC-Fix

y = 880.61x2 + 3073.4x + 505.48

R = 0.99

0

500

1000

1500

2000

2500

3000

3500

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8

Rajah 4.52 Hubungan antara NDVI dan NPP(CASA,GLOPEM,VPM,C-FIX)

NPP (gCm2 yr-1)

NDVI

NPP (gCm2 yr-1)

NDVI

NPP (gCm2 yr-1)

NDVI

164

Hubungan yang kuat dicatatkan menerusi hubungan antara hasil purata NPP

menerusi kesemua Kaedah Eko-Fisiologi dan juga NDVI. Hubungan tersebut

memberikan kekuatan sebanyak 0.99. Berdasarkan kepada hubungan ini, didapati

bahawa hasil NPP yang diperoleh dalam kajian ini sangat bergantung kepada indeks

tumbuhan yang digunakan. Jadual 4.24 menunjukkan keseluruhan hasil hubungan

antara hasil NPP dan juga NDVI yang dilakukan dalam kajian ini. Secara

keseluruhannya, kekuatan hubungan yang diperoleh adalah antara 0.34 hingga 0.38.

Kesemua hubungan ini diperoleh menerusi regresi polinomial 2 di mana, y

merupakan NPP dan x pula mewakili nilai NDVI.

Jadual 4.24 Hasil hubungan antara NDVI dan hasil NPP


NDVI dan NPPCASA y = 32285x2 - 34653x + 11490 0.56

NDVI dan NPPGLOPEM y = 3046.5x2 - 2431.5x +3201.6 0.61

NDVI dan NPPVPM y = 10359x2 -9744.7x + 4404.2 0.68

NDVI dan NPPC-FIX y = -6735.8x2 + 10487x - 923.59 0.94

NDVI dan NPP(CASA,GLOPEM,VPM,C-FIX) y = 880.61x2 + 3076.4x 505.48 0.99

Selain daripada Indeks Normalisasi Perbezaan Tumbuhan (NDVI), Indeks

Air Permukaan Tanah (LSWI) juga memberikan hubungan yang positif terhadap

hasil NPP. Hubungan antara LSWI dan juga hasil NPP yang diperoleh dalam kajian

ini ditunjukkan di dalam Rajah 4.53 hingga 4.57. Berdasarkan daripada hasil

hubungan yang dijalankan, didapati hubungan antara hasil NPP menerusi Model

CASA dan Model GLOPEM terhadap kadar LSWI adalah masing-masing sebanyak

0.41 dan 0.53. Berdasarkan kepada Rajah 4.56 dan 4.57, hasil hubungan antara

LSWI dan juga hasil NPP menerusi Model VPM memberikan kekuatan sebanyak

0.57, manakala bagi hubungan antara hasil NPP menerusi Model C-Fix pula

mencatatkan kekuatan hubungan sebanyak 0.78.

165

y = 139207x2 - 196541x + 71600

R = 0.41

0

500

1000

1500

2000

2500

3000

3500

0.64 0.66 0.68 0.7 0.72 0.74 0.76 0.78

Rajah 4.53 Hubungan antara LSWI dan NPPCASA

y = -2583.3x2 + 5825.8x - 36.7

R = 0.53

0

500

1000

1500

2000

2500

3000

3500

0.64 0.66 0.68 0.7 0.72 0.74 0.76 0.78

Rajah 4.54 Hubungan antara LSWI dan NPPGLOPEM

y = 21423x2 - 26334x + 10094

R = 0.57

0

500

1000

1500

2000

2500

3000

0.64 0.66 0.68 0.7 0.72 0.74 0.76 0.78

Rajah 4.55 Hubungan antara LSWI dan NPPVPM

NPP (gCm2 yr-1)

LSWI

NPP (gCm2 yr-1)

LSWI

NPP (gCm2 yr-1)

LSWI

166

y = -13636x2 + 24904x - 7991.9

R = 0.78

0

500

1000

1500

2000

2500

3000

3500

0.64 0.66 0.68 0.7 0.72 0.74 0.76 0.78

Rajah 4.56 Hubungan antara LSWI dan NPPC-Fix

Kekuatan tertinggi dicatatkan oleh hubungan antara hasil purata

NPP(CASA,GLOPEM,VPM,C-FIX) dan LSWI iaitu sebanyak 0.83. Kekuatan hubungan antara

kedua-dua maklumat ini memperlihatkan kebergantungan yang kuat antara NPP dan

juga LSWI. Kekuatan hubungan ini ditunjukkan seperti dalam Rajah 4.57.

Rajah 4.57 Hubungan antara LSWI dan NPP(CASA,GLOPEM,VPM,C-FIX)

Secara keseluruhannya, hubungan antara hasil NPP dan juga LSWI

mencatatkan kekuatan hubungan antara 0.41 hingga 0.83. Hubungan ini ditunjukkan

NPP (gCm2 yr-1)

LSWI

y = 17803x2 - 17569x + 5978.5

R = 0.83

0

500

1000

1500

2000

2500

3000

3500

0.64 0.66 0.68 0.7 0.72 0.74 0.76 0.78

NPP (gCm2 yr-1)

LSWI

167

di dalam Jadual 4.25. Kesemua hubungan ini diperoleh menerusi regresi polinomial

2, di mana y merupakan NPP dan x pula mewakili nilai LSWI.

Jadual 4.25 Hasil hubungan antara LSWI dan hasil NPP


LSWI dan NPPCASA y = 139207x2 - 196541x + 71600 0.41

LSWI dan NPPGLOPEM y = -2583.3x2 + 5825.8x -36.7 0.53

LSWI dan NPPVPM y = 21423x2 - 26334 + 10094 0.57

LSWI dan NPPC-FIX y = -13636x2 + 24904x - 7991.9 0.78

LSWI dan NPP(CASA,GLOPEM,VPM,C-FIX) y = 17803x2 -17569x + 5978.5 0.83

Sensitiviti EVI terhadap kadar NPP dilihat amat jelas berikutan hubungan

yang kuat antara kedua-dua maklumat ini. Berdasarkan graf hubungan antara hasil

NPP dan juga indeks EVI mendapati kekuatan hubungan kedua-dua maklumat ini

adalah antara 0.54 hingga 0.88. Nilai hubungan yang tinggi antara kedua-dua

parameter ini menunjukkan bahawa kadar NPP yang diperoleh dalam kajian ini

saling bersandar terhadap nilai EVI yang diperoleh menerusi data remote sensing.

Rajah 4.58 dan 4.59 menunjukkan hubungan antara EVI dan hasil NPP yang

diperoleh menerusi Model CASA dan Model GLOPEM dengan kekuatan hubungan

sebanyak 0.54. Hubungan yang lebih kuat antara NPP dan indeks EVI dicatatkan

bagi hasil NPP menerusi Model VPM. Berdasarkan kepada Rajah 4.60, hasil

kekuatan hubungan antara kedua-dua maklumat ini adalah sebanyak 0.66. Manakala

bagi hubungan EVI dan juga hasil NPP menerusi Model C-Fix pula mencatatkan

kekuatan hubungan sebanyak 0.74 dan ditunjukkan dalam Rajah 4.61. Selain

daripada itu, kekuatan hasil NPP dan EVI juga dilihat terhadap hasil purata

NPP(CASA,GLOPEM,VPM,C-FIX) seperti yang ditunjukkan dalam Rajah 4.62. Daripada

hubungan tersebut, didapati kekuatan hubungan antara kedua-dua maklumat ini

adalah hubungan tertinggi iaitu sebanyak 0.88.

168

y = 9666.1x2 - 8622.2x + 4142.5

R = 0.54

0

500

1000

1500

2000

2500

3000

3500

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8

Rajah 4.58 Hubungan antara EVI dan NPPCASA

y = 98.067x2 + 469.71x + 2553.8

R = 0.54

0

500

1000

1500

2000

2500

3000

3500

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8

Rajah 4.59 Hubungan antara EVI dan NPPGLOPEM

y = 2079.1x2 - 919.82x + 2168.4

R = 0.66

0

500

1000

1500

2000

2500

3000

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8

Rajah 4.60 Hubungan antara EVI dan NPPVPM

NPP (gCm2 yr-1)

EVI

NPP (gCm2 yr-1)

EVI

NPP (gCm2 yr-1)

EVI

169

y = -3733.6x2 + 5294.9x + 1161.5

R = 0.74

0

500

1000

1500

2000

2500

3000

3500

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8

Rajah 4.61 Hubungan antara EVI dan NPPC-FIX

Rajah 4.62 Hubungan antara EVI dan NPP(CASA,GLOPEM,VPM,C-FIX)

Hubungan keseluruhan antara hasil NPP yang diperoleh dalam kajian ini

menerusi Kaedah Eko-Fisiologi dan EVI ditunjukkan dalam Jadual 4.26. Hubungan

yang tinggi dicatatkan bagi kedua-dua maklumat ini iaitu antara 0.54 hingga 0.88.

Secara keseluruhannya hubungan antara EVI dan hasil NPP menggambarkan bahawa

penganggaran NPP amat dipengaruhi oleh EVI. Kesemua hubungan ini diperoleh

menerusi regresi polinomial 2. Daripada jadual tersebut, y merupakan NPP manakala

x pula mewakili nilai EVI.

NPP (gCm2 yr-1)

EVI

NPP (gCm2 yr-1)

EVI

170

Jadual 4.26 Hasil hubungan antara EVI dan hasil NPP


EVI dan NPPCASA y = 9666.1x2 - 8622.2x + 4142.5 0.54

EVI dan NPPGLOPEM y = 98.067x2 + 469.71x + 2553.8 0.54

EVI dan NPPVPM y = -3733.6x2 + 5294.9x + 1161.5 0.66

EVI dan NPPC-FIX y = -13636x2 + 24904x - 7991.9 0.74

EVI dan NPP(CASA,GLOPEM,VPM,C-FIX) y = -2178x2 + 4540.8x + 837.49 0.88

4.9 Analisis Hasil Aplikasi Kaedah Eko-Fisiologi

Penganggaran kadar NPP menggunakan Kaedah Eko-Fisiologi melibatkan

penerbitan beberapa parameter yang perlu dipastikan kesahihannya. Pelbagai kaedah

yang boleh digunakan bagi menilai signifikan hasil setiap parameter yang diterbitkan

bagi memastikan ralat terhadap hasil permodelan dapat dikurangkan. Antara kaedah

analisis yang boleh digunakan adalah berdasarkan kepada analisis statistik dan juga

perbandingan hasil berdasarkan perolehan dalam kajian-kajian terdahulu.

4.9.1 Analisis Hasil Penerbitan Parameter Kaedah Eko-Fisiologi

Penganggaran NPP melibatkan penerbitan beberapa parameter menerusi

kaedah remote sensing. Ketidaktentuan terhadap hasil yang diperoleh melalui

pengekstrakan data remote sensing menyebabkan setiap penerbitan parameter yang

terlibat perlu dipastikan signifikasinya bagi membolehkan parameter ini digunakan

dalam permodelan. Penelitian ini amat penting terutamanya bagi parameter yang

171

tidak memiliki kebergantungan antara satu sama lain kerana parameter-parameter

seperti ini memberikan kesan lebih besar terhadap hasil permodelan.

Penerbitan indeks tumbuhan dalam kajian ini meliputi perolehan Indeks

Pembezaan Normalisasi Tumbuhan (NDVI), Indeks Penisbahan Mudah (SR), Indeks

Penonjolan Tumbuhan (EVI) dan juga Indeks Air Permukaan Tanah (LSWI).

Berdasarkan Latif et al., (2006), julat NDVI bagi tumbuhan di semenanjung

Malaysia adalah antara 0.043 hingga 0.67. Dalam kajian ini NDVI mencatatkan julat

antara 0.074 hingga 0.73 dengan purata NDVI sebanyak 0.472. Purata NDVI bagi

kawasan hutan dalam kajian ini adalah 0.56, di mana nilai yang diperoleh ini berada

dalam ruang nilai NDVI yang diperoleh oleh Huete et al., (1997) di mana julat NDVI

yang diperoleh bagi kawasan hutan adalah antara 0.5 hingga 0.6.

Penerbitan Indeks Penonjolan Tumbuhan (EVI) dalam kajian ini mencatatkan

julat antara 0.025 hingga 0.8 dengan purata 0.394, manakala purata EVI di kawasan

hutan pula adalah 0.458. Berdasarkan Matsushita et al., (2007), julat EVI bagi

kawasan hutan tropika adalah antara 0.1 hingga 0.6. Julat ini berada pada julat EVI

yang diperoleh dalam kajian ini. LWSI yang dicatatkan dalam kajian ini adalah

antara 0.19 hingga 0.86. Daripada julat ini, LSWI yang dicatatkan bagi hutan adalah

antara 0.67 hingga 0.78 dengan purata 0.74. Manakala julat LSWI bagi kawasan

hutan tropika yang diperoleh melalui kajian yang dijalankan oleh Alfredo et al.,

(2005) adalah antara 0.3 hingga 0.75.

Perolehan suhu permukaan yang diterbitkan dalam kajian ini memberikan

julat suhu antara 18.2 ºC hingga 37.47 ºC dengan purata suhu sebanyak 27.53 ºC.

Asia Flux, (2007) merekodkan purata suhu di kawasan Hutan Simpan Pasoh

sebanyak 26.3 ºC pada tahun 2005. Beza suhu permukaan yang diperoleh dalam

kajian ini dengan purata suhu yang direkodkan oleh Asia Flux, (2007) adalah

sebanyak 1.23 ºC dengan ralat kira-kira 4.4 %. Perbezaan ini masih dapat diterima

apabila mengambil kira masa perolehan data satelit dan juga tempoh perekodan data

suhu yang direkodkan oleh Asia Flux, (2007). Selain daripada itu, julat suhu bagi

semenanjung Malaysia seperti yang direkodkan oleh NIES, et al., (2003) adalah

antara 26.7 ºC hingga 35.0 ºC.

172

Penerbitan parameter albedo dalam kajian ini memberi julat nilai antara 0.068

hingga 0.37. Nilai ini didominasi oleh jenis guna tanah utama di kawasan kajian iaitu

hutan , kelapa sawit dan juga getah. Albedo yang diperoleh berdasarkan keseluruhan

titik sampel hutan mendapati purata nilai albedo adalah 0.120. Nilai ini menghampiri

nilai albedo yang diperoleh oleh Tani et al., (2003) iaitu sebanyak 0.118. Manakala

purata albedo kelapa sawit yang diperoleh dalam kajian ini pula adalah sebanyak

0.16 berbanding albedo yang diperoleh oleh Ling et al., (2008) bagi albedo kelapa

sawit di Malaysia iaitu 0.18.

Perolehan sejatpeluhan sebenar dan sejatpeluhan potensi dalam kajian ini

diperlukan bagi mendapatkan nisbah antara kedua-dua parameter ini atau lebih

dikenali sebagai indeks pekali tumbuhan. Daripada hasil yang diperoleh didapati

kadar sejatpeluhan sebenar yang diperoleh adalah 3.28 mm/hari hingga 6.30 mm/hari

dengan kadar sejatpeluhan purata sebanyak 5.65 mm/hari. Kadar sejatpeluhan

diperoleh kira-kira 6.35 mm/hari hingga 9.34 mm/hari dengan purata sejatpeluhan

8.38 mm/hari. Dengan ini, purata nisbah sejatpeluhan sebenar dan sejatpeluhan

potensi yang diperoleh adalah 0.674. Nilai yang diperoleh ini berada di dalam indeks

pekali tumbuhan bagi kawasan tropika seperti yang diperoleh oleh Irwandee Reduan,

(2004) iaitu antara 0.3 hingga 1.1.

Kesemua parameter yang diterbitkan dalam kajian ini akan digunakan dalam

aplikasi Kaedah Eko-Fisiologi selepas dinilai dan diterima pakai. Ketetapan dan

ketidaktentuan hasil penerbitan parameter perlu dipastikan bagi mengurangkan ralat

terhadap hasil NPP dalam kajian ini. Parameter ini akan digunakan bagi menerbitkan

beberapa parameter utama bagi setiap model yang terlibat. Penggunaan parameter

tersebut termasuklah bagi penerbitan pemalar ε tumbuhan, penganggaran kadar PAR

dan juga penerbitan FAPAR. Ketiga-tiga parameter ini akan digunakan bersama

dalam penganggaran NPP di kawasan kajian. Manakala penerbitan parameter PAR

bergantung kepada perolehan radiasi solar.

Dalam kajian ini, radiasi solar diperoleh menerusi hubungan empirikal yang

dibangunkan oleh Tani et al., (2003) melalui hubungan antara radiasi solar dan juga

radiasi bersih di Hutan Simpan Pasoh. Didapati julat PAR yang diperoleh adalah

antara 2194.45 MJ m-2 yr-1 hingga 3126.22 MJ m-2 yr-1 dengan purata PAR sebanyak

173

2778.76 MJ m-2 yr-1. Bagi penerbitan parameter FAPAR pula, ianya diperoleh

melalui hubungan empirikal antara parameter ini dengan indeks tumbuhan yang telah

dihasilkan. Hubungan yang kuat antara kedua-dua parameter ini membuatkan

penerbitan FAPAR ini diperoleh menerusi indeks tumbuhan sahaja dengan julat nilai

antara 0 hingga 1. Menurut Field et al., (1995) julat maksimum bagi FAPAR sejagat

adalah 0.95.

Kadar Kecekapan Penggunaan Cahaya, ε, adalah nisbah penggunaan radiasi

aktif fotosintesis oleh tumbuhan bagi menggunakan tenaga cahaya yang diperoleh

untuk ditukarkan ke dalam bentuk organik karbon yang dipengaruhi oleh tekanan dan

gangguan persekitarannya. Dalam kajian ini, keempat-empat Kaedah Eko-Fisiologi

memberikan hasil penerbitan kadar ε yang berbeza berdasarkan kepada pendekatan

yang digunakan. Pendekatan yang diambil oleh setiap model adalah berdasarkan

kepada sensitiviti terhadap faktor persekitaran tertentu yang dititik beratkan oleh

setiap model. Penilaian terhadap hasil ε bagi setiap model ini perlu dianalisis bagi

melihat variasi kadar ε bagi tumbuhan di kawasan kajian.

Secara keseluruhannya, purata kadar ε, yang diperoleh dalam kajian ini

adalah antara 0.798 g CMJ-1 hingga 1.145 g CMJ-1 dengan purata 1.017 g CMJ-1.

Julat kecekapan ini adalah purata kadar ε yang diterbitkan menggunakan empat

Kaedah Eko-Fisiologi iaitu Model CASA, GLOPEM, VPM dan C-Fix. Kadar ε yang

diperoleh menggunakan Model CASA adalah antara 0.459 g CMJ-1 hingga 1.445 g

CMJ-1 dengan purata 1.059 g CMJ-1. Bagi perolehan ε dengan menggunakan Model

GLOPEM, julat yang diperoleh adalah antara 0.699 g CMJ-1 hingga 0.798 g CMJ-1

dengan purata 0.769 g CMJ-1. Penggunaan Model VPM dalam perolehan kadar ε

pula memberikan hasil antara 0.860 g CMJ-1 hingga 1.221 g CMJ-1 dengan kadar

purata 1.003 g CMJ-1. Manakala bagi Model C-Fix pula, ε yang diperoleh adalah

antara 1.152 g CMJ-1 hingga 1.325 g CMJ-1 dengan purata 1.235 g CMJ-1.

Kadar ε bagi tumbuhan adalah berbeza-beza bagi setiap jenis tumbuhan. Bagi

Model CASA, purata ε bagi hutan yang diperoleh adalah 1.204 g CMJ-1, manakala

bagi kelapa sawit adalah 1.249 g CMJ-1 dan ε bagi getah pula sebanyak 1.274 g CMJ-

1. Bagi Model GLOPEM pula, purata kadar ε bagi hutan diperoleh sebanyak 0.755 g

CMJ-1, manakala bagi kelapa sawit adalah 0.761 g CMJ-1 dan bagi getah pula

174

sebanyak 0.762 g CMJ-1. Bagi Model VPM, purata ε bagi hutan yang diperoleh

dalam kajian ini adalah 1.081, manakala bagi kelapa sawit adalah 1.105 g CMJ-1 dan

ε bagi getah pula sebanyak 1.103 g CMJ-1. Bagi Model C-Fix pula, purata kadar ε

bagi hutan diperoleh sebanyak 1.220 g CMJ-1, manakala bagi kelapa sawit adalah

1.245 g CMJ-1 dan bagi getah pula sebanyak 1.228 g CMJ-1.

Menurut Richard et al., (2007), kadar ε bagi hutan berada dalam julat 0.23 g

CMJ-1 hingga 0.83 g CMJ-1 bergantung kepada setiap jenis hutan. Kadar ini akan

meningkat dengan pertambahan usia tumbuhan dan berbeza bagi setiap tumbuhan

berdasarkan perbezaan jasad dirian antara tumbuhan ini. Selain daripada itu, Waring

et al., (1998) dalam kajiannya mendapati julat ε bagi kawasan hutan dicatatkan

antara 1.0 g CMJ-1 hingga 1.5 g CMJ-1. Manakala, kadar ε global pula antara 0.354 g

CMJ-1 hingga 1.35 g CMJ-1 seperti yang diperoleh dalam kajian Field et al., (1995).

4.9.2 Analisis Hasil Pengeluaran Primer Bersih

Permodelan Eko-Fisiologi yang digunakan dalam kajian ini memberikan hasil

NPP di kawasan kajian menerusi Model CASA, GLOPEM, VPM dan C-Fix.

Penilaian terhadap perbezaan taburan NPP yang diperoleh dilakukan bagi melihat

sejauh mana ketepatan setiap model untuk menganggarkan NPP. Setiap Kaedah Eko-

Fisiologi mempunyai sensitiviti tertentu bergantung kepada pendekatan yang

diambil. Pembangunan setiap model ini dilakukan dengan mengambil kira

kesesuaiannya dengan kesan fisiologi tumbuhan terhadap perubahan iklim

persekitaran.

Tindak balas setiap jenis tumbuhan terhadap perubahan iklim sekeliling yang

berbeza-beza mengikut jenis tumbuhan. Tumbuhan ini akan bertindak balas dalam

keadaan yang berbeza sekiranya persekitarannya berubah termasuklah dari segi

ketersediaan air, suhu, keamatan matahari, dan komposisi udara di persekitarannya.

Keadaan iklim global yang tidak stabil pada masa ini diikuti oleh peningkatan suhu

175

bumi secara asasnya memberikan lebih tekanan kepada tumbuhan untuk menjalankan

proses pertumbuhannya terutamanya bagi tumbuhan-tumbuhan yang sangat sensitif

terhadap perubahan keadaan persekitaran.

Penggunaan empat model daripada Kaedah Eko-Fisiologi dalam kajian ini

dipilih berdasarkan kepada perbezaan pendekatan bagi setiap model bagi melihat

sensitiviti tumbuhan terhadap perubahan iklim persekitaran. Walaupun Malaysia

terdiri daripada tumbuhan jenis tropika yang mendapat hujan yang cukup setiap

tahun, namun perlu dipastikan tumbuhan-tumbuhan ini tidak menerima tekanan

kesan perubahan iklim global yang boleh mengakibatkan perubahan pada kadar

pertumbuhannya terutamanya dalam aktiviti perladangan seperti kelapa sawit dan

getah.

Model CASA yang terlibat dalam kajian ini mengutamakan ciri-ciri

perubahan suhu dan kelembapan tanah. Melalui Model CASA, sensitiviti tumbuhan

terhadap perubahan suhu dan kelembapan tanah dapat dikenal pasti. Hasil NPP yang

diperoleh dalam kajian ini menerusi Model CASA adalah antara 251.32 gCm-2 yr-1

hingga 3373.1 gCm-2 yr-1 dengan purata NPP keseluruhan sebanyak 1796.8 gCm-2 yr-

1. Sisihan piawai bagi taburan NPP yang diperoleh menggunakan Model CASA ini

adalah kira-kira 731.9 gCm-2 yr-1. Kadar ini amat besar berikutan kepelbagaian guna

tanah yang terdapat di kawasan kajian yang memberikan hasil NPP yang berbeza.

Hasil NPP yang diperoleh menggunakan Model CASA ini merupakan jumlah

antara NPP bawah tanah (ANPP) dan juga NPP atas tanah (BNPP). Penilaian

terhadap hasil NPP ini di kawasan hutan mendapati julat NPP yang diperoleh antara

1835.5 gCm-2 yr-1 hingga 2576.8 gCm-2 yr-1 dengan purata NPP dicatatkan sebanyak

2232.0 gCm-2 yr-1. Sisihan piawai bagi taburan NPP hutan yang diperoleh adalah

sebanyak 206.6 gCm-2 yr-1. Bagi kelapa sawit pula, julat NPP yang dicatatkan adalah

antara 1846.3 gCm-2 yr-1 hingga 2679.3 gCm-2 yr-1 dengan purata NPP sebanyak

2377.0 gCm-2 yr-1 dan sisihan piawai sebanyak 227.7 gCm-2 yr-1. Manakala bagi

getah pula, julat NPP yang diperoleh menerusi Model CASA ini adalah antara

2116.0 gCm-2 yr-1 hingga 2982.5 gCm-2 yr-1 dengan purata NPP sebanyak 2456.9

gCm-2 yr-1. Sisihan piawai bagi taburan NPP getah adalah sebanyak 273.4 gCm-2 yr-1.

176

Model GLOPEM yang digunakan dalam kajian ini memberi penekanan

terhadap ciri-ciri perubahan defisit tekanan wap dan kesan kadar respirasi tumbuhan

terhadap kadar NPP. Faktor kesan defisit tekanan wap menentukan tahap

pengurangan sensitiviti stoma pada daun akibat daripada defisit tekanan wap

atmosfera yang tinggi. Ianya merupakan beza antara jumlah kandungan kelembapan

yang terdapat dalam udara berbanding dengan jumlah sebenar kelembapan yang

boleh ditampung sebelum kelembapan udara ini menjadi tepu. Secara

keseluruhannya, julat NPP yang diperoleh menggunakan Model GLOPEM adalah


2509.79 gCm-2 yr-1 dan sisihan piawai kira-kira 513.3 gCm-2 yr-1.

Penilaian terhadap hasil NPP di kawasan hutan menggunakan Model

GLOPEM mendapati julat NPP yang diperoleh adalah antara 2672.2 gCm-2 yr-1

hingga 2904.4 gCm-2 yr-1 dengan purata NPP sebanyak 2812.5 gCm-2 yr-1. Sisihan

piawai bagi taburan NPP bagi hutan diperoleh sebanyak 64.7 gCm-2 yr-1. Bagi kelapa

sawit pula, julat NPP yang dicatatkan adalah antara 2673.9 gCm-2 yr-1 hingga 2934.9

gCm-2 yr-1 dengan purata NPP sebanyak 2852.9 gCm-2 yr-1dan sisihan piawai kira-

kira 66.8 gCm-2 yr-1. Manakala bagi getah pula, julat NPP yang diperoleh menerusi

Model GLOPEM ini adalah antara 2673.9 gCm-2 yr-1 hingga 2982.0 gCm-2 yr-1

dengan purata NPP sebanyak 2864.6 gCm-2 yr-1. Sisihan piawai yang diperoleh bagi

taburan NPP getah melalui Model GLOPEM adalah sebanyak 69.8 gCm-2 yr-1.

Penggunaan Model VPM dalam kajian ini adalah untuk melihat sensitiviti

beberapa faktor kesan persekitaran termasuklah bagi kesan suhu, kesan kandungan

air dan juga kesan phenology daun. Penekanan yang diambil menerusi Model VPM

ini memastikan setiap tumbuhan dapat dinilai bagi mengetahui tahap tindak balasnya

terhadap kadar NPP berdasarkan kepada kesan ketiga-tiga faktor tersebut. Air

merupakan sumber penting bagi tumbuhan untuk menjalankan aktiviti fotosintesis.

Suhu yang terlalu tinggi akan menyebabkan pengurangan air yang pantas melalui

stoma daun tumbuhan.

Secara keseluruhannya, julat NPP yang diperoleh menggunakan Model VPM

adalah antara 621.32 gCm-2 yr-1 hingga 3021.57 gCm-2 yr-1 dengan purata NPP

sebanyak 1900.18 gCm-2 yr-1 dan sisihan piawai 5225.5 gCm-2 yr-1. Penilaian

177

terhadap hasil NPP di kawasan hutan mendapati julat NPP yang diperoleh antara

2022.3 gCm-2 yr-1 hingga 2459.9 gCm-2 yr-1 dengan purata NPP dicatatkan sebanyak

2231.2 gCm-2 yr-1. Sisihan piawai bagi taburan NPP bagi hutan ini diperoleh kira-

kira 105.6 gCm-2 yr-1. Bagi kelapa sawit pula, julat NPP yang dicatatkan adalah

antara 2017.9 gCm-2 yr-1hingga 2489.9 gCm-2 yr-1 dengan purata NPP sebanyak

2283.4 gCm-2 yr-1 dan sisihan piawai sebanyak 126.4 gCm-2 yr-1. Manakala bagi

getah pula, julat NPP yang diperoleh menerusi Model VPM ini adalah antara 2234.0

gCm-2 yr-1 hingga 2604.2 gCm-2 yr-1 dengan purata NPP sebanyak 2359.6 gCm-2 yr-1.

Sisihan piawai bagi taburan NPP getah diperoleh sebanyak 117.5 gCm-2 yr-1.

Fokus utama Model C-Fix adalah menganggarkan NPP tumbuhan dengan

menitikberatkan kesan perubahan suhu persekitaran. Kesan faktor perubahan suhu

yang digunakan dalam model ini digunakan untuk melihat perubahan kadar NPP

yang dihasilkan oleh tumbuhan terhadap perubahan suhu persekitarannya.

Penggunaan Model C-Fix dalam kajian ini memberikan hasil NPP dengan julat


2493.32 gCm-2 yr-1 dengan anggaran sisihan piawai sebanyak 595.3 gCm-2 yr-1.

Secara keseluruhannya, penilaian terhadap hasil NPP di kawasan hutan

menggunakan Model C-Fix mendapati julat NPP yang diperoleh antara 2668.6 gCm-2

yr-1 hingga 3002.7 gCm-2 yr-1 dengan purata NPP dicatatkan sebanyak 2869.5 gCm-2

yr-1. Sisihan piawai bagi taburan NPP hutan diperoleh kira-kira 96.0 gCm-2 yr-1. Bagi

kelapa sawit pula, julat NPP yang dicatatkan adalah antara 2644.3 gCm-2 yr-1 hingga

3008.2 gCm-2 yr-1 dengan purata NPP sebanyak 2898.4 gCm-2 yr-1 dan sisihan piawai

kira-kira 95.6 gCm-2 yr-1. Manakala bagi getah pula, julat NPP yang diperoleh

menerusi Model CASA ini adalah antara 2758.7 gCm-2 yr-1 hingga 3066.7 gCm-2 yr-

1dengan purata NPP sebanyak 22906.5 gCm-2 yr-1. Sisihan piawai bagi taburan NPP

getah yang diperoleh melalui Model C-Fix ini adalah sebanyak 104.8 gCm-2 yr-1.

Purata NPP di kawasan kajian diperoleh berdasarkan kepada purata hasil

empat model daripada Kaedah Eko-Fisiologi yang digunakan dapat perolehan NPP

dalam kajian ini. Kadar purata ini diambil kerana setiap model memberikan hasil

yang berbeza berikutan pendekatan yang berlainan. Dalam kajian ini, purata bagi

kesemua hasil model yang digunakan di gabungkan bagi menerbitkan hasil NPP

178

yang baru. Secara keseluruhannya, purata keseluruhan bagi keempat-empat model

Kaedah Eko-Fisiologi yang diperoleh dalam kajian ini berada pada julat antara

630.16 gCm-2 yr-1 hingga 3057.00 gCm-2 yr-1 dengan purata NPP sebanyak 2172.99

gCm-2 yr-1. Anggaran sisihan piawai bagi keseluruhan hasil diperoleh kira-kira

sebanyak 584.11 gCm-2 yr-1.

Penilaian terhadap hasil NPP di kawasan hutan mendapati julat purata NPP

yang diperoleh adalah antara 2299.7 gCm-2 yr-1 hingga 2734.1 gCm-2 yr-1 dengan

purata NPP dicatatkan sebanyak 2536.31 gCm-2 yr-1 dengan sisihan piawai 116.10

gCm-2 yr-1. Bagi kelapa sawit pula, julat NPP yang dicatatkan adalah antara 2295.6

gCm-2 yr-1 hingga 2778.1 gCm-2 yr-1 dengan purata NPP sebanyak 2602.90 gCm-2 yr-

1. Sisihan piawai yang diperoleh bagi taburan NPP kelapa sawit adalah sebanyak

128.2 gCm-2 yr-1. Manakala bagi getah pula, julat NPP yang diperoleh menerusi

purata NPP daripada empat model ini adalah antara 2471.4 gCm-2 yr-1 hingga 2908.9

gCm-2 yr-1 dengan purata NPP sebanyak 2646.92 gCm-2 yr-1. Anggaran sisihan

piawai bagi taburan NPP getah ini adalah kira-kira sebanyak 136.9 gCm-2 yr-1.

4.10 Analisis ketepatan hasil Pengeluaran Primer Bersih.

Analisis ketepatan hasil Pengeluaran Primer Bersih (NPP) yang diperoleh

dalam kajian ini dilakukan menggunakan dua pendekatan iaitu dengan mendapatkan

ralat antara hasil NPP yang diperoleh dalam kajian ini dan juga NPP rujukan bagi

guna tanah hutan dan kelapa sawit. Selain itu, penilaian ketepatan secara analisis

statistik Pekali Ubahan (CV) pula digunakan untuk menilai ketepatan hasil bagi guna

tanah getah. Bagi menilai ketepatan hasil NPP bagi setiap guna tanah, sebanyak 30

titik sampel diambil bagi mewakili nilai purata NPP bagi kelapa sawit dan getah

manakala sampel plot 50 hektar di Hutan Simpan Pasoh diambil bagi penilaian

ketepatan NPP hutan. Kaedah penilaian CV yang dijalankan dalam kajian ini

mengambil kira nilai sisihan piawai bagi taburan data berbanding dengan nilai purata

keseluruhan titik sampel tersebut.

179

4.10.1 Penilaian Ketepatan Pengeluaran Primer Bersih Getah

Penilaian ketepatan hasil NPP bagi getah yang diperoleh dalam kajian ini

dilakukan dengan melihat kepada taburan NPP yang diperoleh bagi guna tanah getah

yang dominan. Penilaian Pekali Ubahan yang digunakan bagi menilai hasil NPP

getah adalah satu kaedah penilaian ketepatan dengan andaian bahawa nilai bagi kadar

NPP getah yang dominan adalah hampir sama. Sebanyak 30 titik sampel NPP getah

dominan diambil di kawasan kajian secara rawak melibatkan kesemua model yang

terlibat. Jadual 4.27 menunjukkan statistik bagi 30 titik sampel NPP bagi getah yang

diperoleh melalui Model CASA, Model GLOPEM, Model VPM, Model C-Fix dan

Purata (CASA, GLOPEM,VPM,C-Fix).

Berdasarkan kepada statistik yang diperoleh didapati sisihan piawai yang

diperoleh bagi NPP getah menerusi Model CASA adalah sebanyak 298.43 gCm-2yr-1

dengan CV kira-kira 11.99% daripada nilai purata NPP sampel yang diambil. Purata

NPP getah sebanyak 2859.42 gCm-2yr-1 yang diperoleh menerusi Model GLOPEM

memberikan sisihan piawai kira-kira 85.64 gCm-2yr-1 dengan CV sebanyak 3.0%.

Bagi NPP getah menerusi Model VPM pula mencatatkan sisihan piawai sebanyak

162.2 gCm-2yr-1 dengan CV kira-kira 6.9%. Manakala bagi NPP getah menerusi

Model C-Fix pula memberikan sisihan piawai kira-kira 100.08 gCm-2yr-1 dengan CV

sebanyak 3.4%. NPP getah bagi Purata (CASA, GLOPEM,VPM,C-Fix) mencatatkan sisihan

piawai sebanyak 144.96 gCm-2yr-1 dengan CV kira-kira 5.3 %.

Jadual 4.27 Analisis taburan hasil Pengeluaran Primer Bersih bagi getah

Model NPP Purata NPP Sisihan Piawai CV Nilai p

(gCm-2yr-1) (gCm-2yr-1) (%)

Model CASA 2489.60 298.43 11.9 0.200

Model GLOPEM 2859.42 85.640 3.0 0.001

Model VPM 2366.11 162.20 6.9 0.150

Model C-Fix 2942.72 100.08 3.4 0.200

Purata (CASA, GLOPEM,VPM,C-Fix) 2722.65 144.96 5.3 0.200

p = Paras signifikan 95% (n >= 30)

180

4.10.2 Penilaian Ketepatan Pengeluaran Primer Bersih Kelapa Sawit.

Perbandingan hasil NPP bagi kelapa sawit yang diperoleh dalam kajian ini

hanya dapat dibandingkan dengan kajian yang dijalankan oleh Lamade et al., (2002).

Kajian yang dijalankan oleh Lamade et al., (2002) ini menganggarkan kadar NPP

bagi kelapa sawit di Kalimantan, Amazon dan Malaysia. Melalui kajian yang

dijalankan pada tahun 2002 ini mendapati purata kadar NPP bagi kelapa sawit di

Malaysia adalah sebanyak 2014 gCm-2yr-1. Nilai NPP kelapa sawit ini akan

digunakan sebagai nilai rujukan untuk mendapatkan kadar ralat bagi hasil NPP

kelapa sawit dalam yang diperoleh kajian ini.

Bagi mendapatkan purata nilai NPP kelapa sawit yang akan digunakan

sebagai perbandingan dengan nilai NPP kelapa sawit yang dicatatkan oleh Lamade et

al., (2002), 30 titik sampel NPP kelapa sawit dominan diambil secara rawak di

kawasan kajian. Daripada analisis perbandingan hasil NPP kelapa sawit yang

dilakukan didapati, peratus ralat adalah sehingga 41.98 % iaitu yang dicatatkan

menerusi Model GLOPEM. Model CASA memberikan NPP kelapa sawit dengan

ralat terkecil iaitu 7.85 %, diikuti oleh NPP kelapa sawit daripada Model VPM

sebanyak 17.48 %. NPP kelapa sawit daripada Purata NPP(CASA, GLOPEM,VPM,C-Fix)

mencatatkan ralat 22.07%. Manakala Model C-Fix pula mencatatkan ralat 37.87%.

Perbandingan hasil ini ditunjukkan dalam Jadual 4.28.

Jadual 4.28 Analisis ketepatan hasil Pengeluaran Primer Bersih bagi kelapa sawit

Model NPP Purata NPP Beza Ralat Nilai p

NPP Rujukan : 2014 gCm-2yr-1 (gCm-2 yr-1) (gCm-2 yr-1) (%)

Model CASA 2172.17 158.17 7.850 0.001

Model GLOPEM 2859.42 845.42 41.98 0.001

Model VPM 2366.11 352.11 17.48 0.020

Model C-Fix 2776.64 762.64 37.87 0.001



181

4.10.3 Penilaian Ketepatan Pengeluaran Primer Bersih Hutan

Berdasarkan kepada kajian yang dijalankan oleh Zhao et al., (2005) yang

menjalankan penganggaran NPP secara global mendapati nisbah NPP/GPP yang

diperoleh di hutan tropika adalah 0.45. Nisbah ini digunakan bagi mendapatkan NPP

menerusi maklumat GPP di Hutan Simpan Pasoh yang diperoleh melalui kajian yang

dijalankan oleh Kosugi et al., (2008) menggunakan Kaedah Eddy Covariance.

Maklumat bagi kadar NPP dan NPP atas Tanah (ANPP) dapat diterbitkan menerusi

data GPP. Kaedah ini digunakan bagi membolehkan hasil NPP yang dijalankan

dalam kajian ini dibandingkan dengan maklumat NPP yang diperoleh di kawasan

kajian.

Nisbah antara ANPP dan BNPP bagi hutan di kawasan tropika sebagaimana

yang diterbitkan oleh Wang et al., (2003) adalah 0.5. Kadar GPP yang diperoleh oleh

Kosugi et al., (2008) di Hutan Simpan Pasoh pada tahun 2005 adalah 3198 gCm-2yr-

1. Berdasarkan kepada perolehan NPP menerusi data GPP di kawasan kajian, didapati

purata kadar ANPP dan NPP yang diperoleh di Hutan Simpan Pasoh berdasarkan

Kosugi et al., (2008) bagi tahun 2005 adalah masing-masing sebanyak 1439.1 gCm-

2yr-1 dan 2878.2 gCm-2yr-1. Nilai NPP sebanyak 2878.2 gCm-2yr-1 ini akan digunakan

sebagai nilai rujukan bagi menilai ketepatan hasil NPP yang diperoleh dalam kajian

ini..

Penilaian ketepatan bagi hasil NPP hutan yang diperoleh dalam kajian ini

dilakukan terhadap kadar purata NPP kawasan kajian di Hutan Simpan Pasoh.

Sampel yang diambil merangkumi nilai purata NPP bagi hutan di plot 50 hektar

kawasan kajian untuk dibandingkan dengan nilai purata NPP bagi hutan pada tahun

2005 yang diperoleh di kawasan kajian oleh Kosugi et al., (2008). Perbandingan ini

dapat dilihat dengan lebih jelas seperti yang ditunjukkan dalam Jadual 4.29. Nilai

ralat merujuk kepada peratus perbezaan purata NPP yang diperoleh dalam kajian ini

terhadap purata NPP rujukan yang diperoleh di kawasan kajian oleh Kosugi et al.,

(2008) iaitu sebanyak 2878.2 gCm-2yr-1.

Berdasarkan kepada analisis ketepatan hasil NPP yang dijalankan didapati

ralat hasil NPP yang diperoleh adalah sehingga 31.43% daripada purata NPP di

182

kawasan kajian. Berdasarkan kepada purata NPP rujukan di kawasan kajian iaitu

sebanyak 2878.2 gCm-2yr-1, kadar 10% ralat hasil NPP mewakili kira-kira ± 287.82

gCm-2yr-1. Perolehan NPP menggunakan Model CASA dan Model VPM

memberikan hasil dengan ralat yang lebih besar iaitu sebanyak 31.43 % bagi Model

CASA dan Model VPM sebanyak 27.95 %. Purata (CASA, GLOPEM,VPM,C-Fix)

mencatatkan ralat kira-kira 17.83 %. Manakala Model GLOPEM dan Model C-Fix

mencatatkan ralat terkecil iaitu masing-masing sebanyak 4.76 % dan 6.3%.

Jadual 4.29 Analisis ketepatan hasil Pengeluaran Primer Bersih bagi hutan

Model NPP Purata NPP Beza Ralat Nilai p

NPP Rujukan : 2878.2 gCm-2yr-1 (gCm-2yr-1) (gCm-2yr-1) (%)

Model CASA 1973.706 904.494 31.43 0.150

Model GLOPEM 2741.134 137.066 4.76 0.001

Model VPM 2073.783 804.417 27.95 0.200

Model C-Fix 2696.823 181.377 6.30 0.001


Analisis NPP hutan juga dijalankan terhadap maklumat NPP di Hutan

Simpan oleh Kira, et al, (1998). Dalam kajian beliau “NPP Tropical Forest: Pasoh,

Malaysia, 1971-1973”, jumlah NPP yang direkodkan adalah 2780 gCm-2yr-1.

Sekiranya nilai ini dibandingkan dengan purata NPP pada tahun 2005 di Hutan

Simpan Pasoh menerusi kajian oleh Kosugi et al., (2008) iaitu sebanyak 2878.2

gCm2yr-1, didapati beza purata NPP dalam tempoh masa tahun 1973 hingga tahun

2005 adalah peningkatan sebanyak 98.2 gCm-2yr-1 dalam tempoh kira-kira 32 tahun.

Berdasarkan kepada penilaian hasil NPP hutan, kelapa sawit dan getah

didapati Model CASA memberikan hasil NPP sawit dengan ralat yang lebih kecil

iaitu 7.85%. Manakala bagi perolehan NPP getah pula, Model GLOPEM

memberikan nilai CV yang lebih rendah berbanding model lain iaitu sebanyak 3.0%.

Bagi perolehan NPP hutan, Model GLOPEM memberikan hasil yang lebih tepat

berbanding model-model yang lain iaitu dengan ralat terendah kira-kira 4.76%.


183

4.11 Peta Hasil Akhir

Berdasarkan kepada keseluruhan analisis yang dijalankan didapati

penggunaan Model GLOPEM amat sesuai untuk digunakan untuk menganggarkan

NPP hutan dan getah, manakala Model CASA pula lebih sesuai untuk

menganggarkan NPP bagi kelapa sawit. Hasil akhir ini kemudiannya dipetakan

seperti yang ditunjukkan dalam Rajah 4.63 di bawah.

Rajah 4.63 Peta hasil akhir anggaran NPP Hutan Simpan Pasoh tahun 2005

184

4.12 Ringkasan

Sensitiviti perolehan kadar NPP dalam kajian ini melibatkan beberapa faktor

utama iaitu pengaruh faktor-faktor persekitaran dan juga parameter-parameter yang

digunakan dalam setiap aplikasi. Jadual 4.30 menunjukkan statistik keseluruhan

parameter yang diterbitkan menerusi aplikasi Kaedah Eko-Fisiologi bagi tiga guna

tanah utama kawasan kajian berdasarkan sejumlah 90 titik sampel. Secara amnya,

terdapat variasi antara nilai penerbitan parameter yang diperoleh bagi ketiga-tiga

jenis guna tanah ini, walau bagaimanapun variasi ini adalah kecil.

Menerusi penggunaan Kaedah Eko-Fisiologi, terdapat dua parameter utama

yang diterbitkan secara langsung dalam perolehan NPP. Parameter ini termasuklah

kadar Kecekapan Penggunaan Cahaya dan juga Sebahagian Penyerapan Radiasi

Aktif Fotosintesis. Statistik perolehan parameter-parameter ini secara

keseluruhannya ditunjukkan dalam Jadual 4.31 berdasarkan tiga jenis guna tanah

iaitu hutan, kelapa sawit dan getah. Walaupun fokus utama pembangunan Kaedah

Eko-Fisiologi adalah untuk menilai kadar NPP bagi hutan, namun pendekatan model

ini untuk mengambil kira kesan faktor persekitaran membolehkan model ini

disesuaikan bagi perolehan NPP bagi jenis guna tanah lain seperti kelapa sawit dan

getah.

Daripada penilaian yang dijalankan ke atas keempat-empat model daripada

Kaedah Eko-Fisiologi yang digunakan dalam kajian ini, Model CASA dan Model

GLOPEM dilihat memberikan hasil perolehan NPP yang lebih baik berbanding

Model VPM dan Model C-Fix. Walaupun kawasan kajian yang terlibat dalam kajian

ini melibatkan kawasan yang kecil, namun ia sudah cukup untuk disesuaikan dengan

penggunaan data remote sensing yang digunakan iaitu data ASTER dengan resolusi

ruang sebanyak 15 meter. Kawasan kajian ini merangkumi tiga jenis guna tanah

utama di Malaysia iaitu hutan, kelapa sawit dan getah. Analisis setiap guna tanah

terhadap perolehan kadar NPP penting untuk dijadikan rujukan bagi kajian-kajian

berkenaan kitar karbon tumbuhan di kawasan tropika pada masa-masa akan datang.

Jadual 4.30 Statistik parameter Kaedah Eko-Fisiologi bagi guna tanah utama kawasan kajian berdasarkan 90 titik sampel

Guna Tanah

Hutan Kelapa Sawit Getah Keseluruhan

Parameter Min* Maksimum Purata Min* Maksimum Purata Min* Maksimum Purata Min* Maksimum Purata

NDVI 0.42 0.66 0.56 0.39 0.65 0.58 0.44 0.63 0.61 0.07 0.73 0.47

LSWI 0.67 0.78 0.74 0.66 0.75 0.71 0.68 0.76 0.70 0.19 0.86 0.68

EVI 0.33 0.60 0.46 0.336 0.63 0.516 0.38 0.72 0.56 0.03 0.80 0.39

Albedo 0.11 0.16 0.12 0.13 0.17 0.16 0.14 0.18 0.17 0.068 0.37 0.15

Rn 4554.80 4833.50 4698.70 4462.00 4666.20 4593.60 4399.80 4678.00 4525.2 3271.40 5134.20 4557.10

Rs 5636.50 5729.30 5709.80 5534.80 5640.10 5605.20 5462.50 5674.20 5537.3 3989.60 6261.30 5557.50

PAR 2818.30 2864.60 2854.90 2767.40 2820.10 2802.60 2731.30 2837.10 2768.7 2194.46 3126.22 2778.30

PET 7.37 8.85 7.62 7.22 8.56 7.44 7.10 8.58 7.32 6.35 9.34 8.38

AET 4.64 5.96 4.80 4.54 5.77 4.69 4.46 5.79 4.60 3.28 6.30 5.65

185

Min* = Minimum

Jadual 4.31 Statistik hasil penerbitan parameter utama Kaedah Eko-Fisiologi bagi guna tanah utama kawasan kajian berdasarkan 90 titik sampel

Guna Tanah

Hutan Kelapa Sawit Getah

Parameter Model Min* Maksimum Purata Min* Maksimum Purata Min* Maksimum Purata

CASA 1.102 1.293 1.204 1.115 1.322 1.249 1.195 1.398 1.274

GLOPEM 0.744 0.765 0.755 0.753 0.773 0.761 0.750 0.771 0.762

VPM 1.049 1.126 1.081 1.021 1.105 1.063 1.041 1.103 1.079ε

C-Fix 1.215 1.230 1.220 1.236 1.253 1.245 1.220 1.232 1.228

CASA 0.532 0.757 0.647 0.545 0.797 0.702 0.635 0.904 0.735

GLOPEM 0.802 0.884 0.845 0.818 0.904 0.873 0.859 0.937 0.888

VPM 0.689 0.790 0.736 0.718 0.825 0.780 0.766 0.881 0.805FAPAR

C-Fix 0.749 0.852 0.806 0.756 0.866 0.829 0.802 0.900 0.842

CASA 1835.5 2576.8 2232.0 1846.3 2679.3 2377.0 2116.0 2982.5 2456.9

GLOPEM 2672.2 2904.4 2812.5 2673.9 2934.9 2852.9 2763.0 2982.0 2864.6

VPM 2022.3 2459.9 2231.2 2017.9 2489.9 2283.4 2234.0 2604.2 2359.6NPP

C-Fix 2668.6 3002.7 2869.5 2644.3 3008.2 2898.4 2758.7 3066.7 2906.5

186

Min* = Minimum

Hubungan antara hasil NPP dan juga parameter-parameter yang terlibat

dalam aplikasi Kaedah Eko-Fisiologi ditunjukkan sebagaimana Jadual 4.32.

Daripada jadual ini, nilai (y) mewakili kadar NPP tahunan dalam unit gCm-2yr-1

manakala (x) mewakili parameter permodelan. Secara keseluruhannya, Kaedah

Eko-Fisiologi yang digunakan dalam kajian ini memberikan hasil yang memuaskan

apabila dibandingkan dengan data NPP yang direkodkan di kawasan kajian. Ianya

secara tidak langsung memberikan gambaran bahawa model ini boleh disesuaikan

dan digunakan terhadap persekitaran hutan hujan tropika di Malaysia.

Jadual 4.32 Hasil hubungan antara purata hasil NPP menerusi empat model

Kaedah Eko-Fisiologi bagi tiga jenis guna tanah utama terhadap parameter utama

permodelan NPP

HubunganNPP

BentukHubungan

Persamaan Nilai R

Radiasi Solar Polinomial 2 y = 0.008x2 -9.8134x + 326669 0.59

Sejatpeluhan Polinomial 2 y = 2848.4x2 - 33080x + 98558 0.48

Suhu

PermukaanPolinomial 2 y = -25.958x2 + 1371.4x 15472 0.34

NDVI Polinomial 2 y = 880.61x2 + 3076.4x 505.48 0.99

LSWI Polinomial 2 y = 17803x2 -17569x + 5978.5 0.83

EVI Polinomial 2 y = -2178x2 + 4540.8x + 837.49 0.88

FAPAR Polinomial 2 y = -2864.1x2 + 7451.1x - 1503.1 0.97

DEM Polinomial 2 y = -0.0012x2 + 0.7729x + 2527 0.20

Rn Polinomial 2 y = 0.0038x2 - 35.501x + 85884 0.48

PAR Polinomial 2 y = -0.0005x2 + 1.7702x + 1916.1 0.42

ε Polinomial 2 y = -34186x2 + 79924x - 43806 0.97

187

BAB 5

KESIMPULAN DAN CADANGAN

5.1 Kesimpulan

Cabaran dalam penganggaran kadar Pengeluaran Primer Bersih (NPP)

tumbuhan memberikan input besar terhadap perkembangan dalam pembangunan

model-model NPP yang baru. Walaupun kadar NPP ini tidak dapat ditentukan

dengan tepat menggunakan data remote sensing berbanding pengukuran lapangan,

namun pendekatan yang diambil dengan menyesuaikan perubahan persekitaran dan

juga biojisim tumbuhan membantu dalam penentuan kadar NPP yang lebih baik.

Dengan ini, objektif utama yang disasarkan dalam kajian ini telah dicapai

berdasarkan kepada hasil dan analisis yang telah dijalankan.

Penggunaan data ASTER dengan resolusi ruang 15 meter telah dibuktikan

berupaya untuk digunakan dalam permodelan Eko-Fisiologi iaitu termasuklah Model

CASA, (Carnegie Ames Stanford Approach), Model GLOPEM (Global Production

Efficiency Model), Model VPM (Vegetation Photosynthetic Model) dan Model C-Fix

(Carbon Fix Model). Berdasarkan kepada penilaian keempat-empat model ini,

didapati bahawa penyesuaian penggunaan setiap Kaedah Eko-Fisiologi

mempengaruhi ketepatan hasil NPP yang diperoleh bagi setiap guna tanah utama

kawasan kajian iaitu hutan, kelapa sawit dan getah. Daripada analisis hubungan yang

dijalankan terhadap hasil NPP dan juga parameter persekitaran seperti suhu

permukaan, solar radiasi dan sejatpeluhan yang terlibat dalam aplikasi Kaedah Eko-

189

Fisiologi didapati wujudnya hubungan antara kedua-dua maklumat ini. Selain

daripada itu, terdapat juga hubungan antara NPP dan juga indeks tumbuhan berikutan

penggunaan indeks tumbuhan sebagai antara parameter utama dalam Kaedah Eko-

Fisiologi yang dijalankan dalam kajian ini.

Penilaian bagi perolehan kadar NPP secara tahunan bagi guna tanah getah

memberikan ketepatan yang lebih tinggi dengan menggunakan Model GLOPEM.

Ketepatan ini dinilai berdasarkan keseragaman variasi NPP yang diperoleh melalui

nilai pekali ubahan (CV) bagi taburan rawak NPP getah dominan yang diterbitkan.

Manakala, perolehan bagi NPP kelapa sawit yang dijalankan dalam kajian ini

memberikan ketepatan yang lebih tinggi menggunakan Model CASA. Penilaian

ketepatan ini dinilai berdasarkan kepada perbandingan hasil yang diperoleh dan juga

kadar NPP bagi kelapa sawit matang di Malaysia. Selain itu, penilaian tahap

ketepatan hasil NPP bagi guna tanah hutan dilakukan dengan membandingkan hasil

NPP hutan melalui permodelan Eko-Fisiologi dan juga NPP lapangan di Hutan

Simpan Pasoh. Berdasarkan kepada penilaian terhadap keempat-empat Kaedah Eko-

Fisiologi yang terlibat, didapati penggunaan Model GLOPEM memberikan hasil

yang lebih memuaskan. Secara keseluruhannya, julat NPP yang diperoleh bagi

ketiga-tiga jenis guna tanah adalah antara 451.58 gCm-2 yr-1 hingga 3042.20 gCm-2

yr-1. Daripada julat ini, purata NPP hutan dicatatkan sebanyak 2741.13 gCm-2 yr-1,

diikuti kelapa sawit dengan nilai purata NPP 2859.42 gCm-2 yr-1 dan getah sebanyak

2172.17 gCm-2 yr-1.

5.2 Cadangan

Tumpuan utama kajian ini adalah untuk melihat keupayaan data remote

sensing (ASTER) untuk digunakan dalam permodelan Pengeluaran Primer Bersih

(NPP) menggunakan Kaedah Eko-Fisiologi bagi tumbuhan di kawasan tropika.

Penilaian terhadap keupayaan Kaedah Eko-Fisiologi yang telah dijalankan dalam

kajian ini boleh dipertingkatkan bagi mendapatkan hasil penganggaran kadar NPP

190

yang lebih baik. Selain daripada penekanan terhadap sensitiviti model untuk melihat

kesan perubahan iklim persekitaran terhadap anggaran NPP di kawasan kajian,

penilaian model ini boleh dilakukan bagi persekitaran tropika di beberapa kawasan

yang lain. Dengan ini, sebarang perbezaan dapat dilihat dengan lebih jelas lagi

terhadap sensitiviti penggunaan setiap model tersebut bagi jenis tumbuhan yang

sama di kawasan yang berlainan.

Penggunaan data secara berkala diperlukan untuk melihat variasi perubahan

NPP dengan jelas. Maklumat NPP secara tahunan diperlukan secara lebih konsisten

bagi mengenalpasti variasi perubahan NPP secara berkala. Data ASTER yang dapat

diperoleh untuk tempoh masa ulangan setiap 16 hari membolehkan analisis

perubahan NPP dilakukan dengan lebih baik iaitu sama ada secara bulanan atau

secara tahunan. Selain daripada itu, penambah baikkan terhadap permodelan NPP

juga dapat dilakukan dengan lebih memberi fokus kepada setiap jenis tumbuhan

sahaja untuk setiap jenis model. Ini kerana setiap jenis tumbuhan memiliki kadar

tumbesaran yang berbeza antara satu sama lain dan bergantung kepada sensitiviti

faktor persekitaran yang berbeza.

Secara keseluruhannya, penggunaan data remote sensing berupaya untuk

menganggarkan NPP di kawasan tropika dengan menggunakan Model CASA dan

juga Model GLOPEM. Perolehan data meteorologi lapangan yang terlibat sebagai

parameter permodelan secara lebih kerap perlu dititikberatkan untuk perolehan NPP

yang lebih baik dari semasa ke semasa. Kepentingan perolehan maklumat NPP bagi

sesuatu kawasan amat penting terutamanya bagi tujuan pemantauan dan kawalan

perubahan iklim persekitaran berikutan hubungan secara langsung yang kuat antara

kedua-dua maklumat ini. Seterusnya, sumber hutan dan guna tanah yang lain dapat

diuruskan dengan lebih baik.

191

Rujukan

Aber, J.D. dan Melillo, J.M. (2001). Terrestrial Ecosystems. Second Edition. United

State of America; A Harcourt Science and Technology Company. 93 - 519.

Ahl, D. E., Gower, S. T., Mackay, D. S., Burrows, S. N., Norman, J. M., dan Diak,

G.R. (2005). The Effects of Aggregated Land Cover Data on Estimating NPP

In Northern Wisconsin. Remote Sensing of Environment. 97:1-14.

Alados, I., dan Arboledas, A.L. (1999). Direct and Diffuse Photosynthetically Active

Radiation: Measurements and Modeling. Agricultural and Forest

Meteorology 93:27-38.

AsiaFlux.(2007). Site Information: [PSO] Pasoh Forest Reserve.

http://www.asiaflux.net. 20 Feb 2007.

ASTER User Guide. (2005). ASTER User’s Guide Part III -DEM Product (L4A01).

Versi 1.1.

Ashton, P.S., Okuda, T., dan Manokaran, N., (2003). Pasoh Research, Past and

Present. Dalam Okuda, T., Manokaran, N., Matsumoto, Y., Niiyama, K.,

Thomas, S.C., dan Ashton, P.S. (editor). Pasoh: Ecology of a Lowland Rain

Forest in Southeast Asia : Penerbit Springer-Verlag, Tokyo. 73-88.

Brown, S., Charles, A., Hall, S., Knabe, W., Raich, J., Trexler, M.C., dan Woomer,

P. (1993). Tropical Forests: Their Past, Present, and Potential Future Role in

the Terrestrial Carbon Budget. Water, Air, and Soil Pollution 71: 71-94.

Bergen, K.M, dan Dobson, M.C. (1999). Integration of Remotely Sensed Radar

Imagery in Modeling and Mapping of Forest Biomass and Net Primary

Production. Ecological Modelling. 122: 257 – 274.

192

Begue, A., dan Myneni, R., (1995). Operational NOAA Vegetation Indices-Absorbed

PAR Relationships for Sahelian Vegetation Canopies. IEEE Transactions on

Geoscience and Remote Sensing. 1296-1298.

Buchdahl, J., dan Twigg, R.( 2002). Global Warming : Fact Sheet Series for key

Stages 2 & 3 . Atmosphere, Climate & Environment Information Programme,

Manchester Metropolitan University. Not Publish.

Bradford, J.B., Hicke, J.A., dan Lauenroth, W.K. (2005). The Relative Importance of

Light Use Efficiency Modifications from Environmental Conditions and

Cultivation For Estimation Of Large Scale Net Primary Productivity. Remote

Sensing of Environment. 96: 246-255.

Bolstad, P.V. (2003). Remote Sensing and Geographical Information Systems for

Natural Resource Management. Dalam Wulder, M.A., dan Franklin, S.E.

(editor).Remote Sensing of Forest Environments: Concepts and Case Studies,

Penerbit Kluwer Academic Publishers, London. 412-43.

Chirici, G., Barbati, A., Maselli., F. (2007). Modeling of Italian Forest Net Primary

Productivity. Integration of remotely sensed and gis data. Forest Ecology and

Management 246: 285-295.

Chen, L.F., Gao, Y., Liu, Q., Yu, T., Gu, X., Yang, L., Tang, Y., dan Zhang, Y.

(2005). The MODIS-Based NPP Model and Its Validation. IEEE Transactions

on Geoscience and Remote Sensing. 3028-3031.

Chen, J.M., Liu, J., Cihlar, J., dan Goulden, M.L., (1999). Daily Canopy

Photosynthesis Model through Temporal and Spatial Scaling for Remote

Sensing Applications. Ecological Modelling. 124 : 99-199.

Coops, N.C, Waring, R.H dan Lansdsberg. (1998). Assessing Forest Productivity in

Australia and New Zealand Using a Physiologically-based Model Driven

with Averaged Monthly Weather Data and Satellite-Derived Estimates of

193

Canopy Photosynthetic Capacity. Forest Ecology and Management. 104:

113– 127.

Changhui, P., dan Apps, M.J. (1999). Modeling the Response of Net Primary

Productivity (NPP) of Boreal Forest Ecosystems to Changes in Climate and

Fire Disturbance Regimes. Ecological Modeling. 122:175-193.

Clark, D.A. (2004). Sources or sinks? The Responses of Tropical Forests To Current

and Future Climate and Atmospheric Composition. Phil. Trans. R. Soc.

London. 359:477-491.

Cheah, L.P. (1997). Hutan Hujan Tropika di Malaysia dan Kegunaanya.

Chen, L. F., Zhang, Q., Liu, Q., Li, Z. L., (2004). The Spatial Scaling Effects Study of

NPP using Airborne and Field Data Based on BEPS. IEEE Transactions on


Coops, N.C., dan White, J.D, (2003). Modeling Forest Productivity using Data

Acquired Through Remote Sensing. Dalam Wulder, M.A., dan Franklin, S.E.

(editor).Remote Sensing of Forest Environments: Concepts and casa studies,

Penerbit Kluwer Academic Publishers, London. 412-431.

Cramer, W., Bondeau1, A., Schaphoff, S., Lucht, W., Smith, B., dan Sitch, S. (2004).

Tropical Forests and The Global Carbon Cycle: Impacts of Atmospheric

Carbon Dioxide, Climate Change and Rate Of Deforestation .Phil. Trans. R.

Soc. Lond. B. 359: 331–343.

Canadell, J.G. (2002). Land Use Effects on Terrestrial Carbon Sources and Sinks.

Science in China (SeriesC). 45: 1-9.

Dickinson, J dan Bloomberg, M.R, (2007). Inventory of New York City Greenhouse

Gas Emissions. Long-Term Planning and Sustainability, http://www.nyc.gov.

194

ERSDAC, (2008). Japan's Earth Remote Sensing Data Analysis Center

(http://www.gds.aster.ersdac.or.jp). 3 Januari 2008.

ENS (Environment News Service), (2006). NOAA: Global Greenhouse Gas

Concentrations Rose in 2005. http://www.ens-newswire.com. 1 May 2008.

Felzer, B.S., Kicklighter, D.W., Melillo, J.M., dan Wang, C., Zhuang, Q., dan

Ronald G. Prinn. (2002).Ozone Effects On Net Primary Production and

Carbon Sequestration in the Conterminous United States Using a

Biogeochemistry Model. MIT Joint Program on the Science and Policy of

Global Change. 90:1-27.

Field, C.B., Randerson, J. T., dan Malmstrom, C.M. (1995). Global Net Primary

Production: Combining Ecology and Remote Sensing. Remote Sensing of

Environment. 51:74-88.

Feng, X., Liu, G., Zhou, W., Chen, J., Chen, M., dan Ju, W., (2005). Net Primary

Productivity Distribution in China from a Process Model Driven by Remote

Sensing. IEEE Transactions on Geoscience and Remote Sensing.3055- 3058.

Furumi, S., Muramatsu, K., Ono, A dan Fujiwara, N. (2002). Development of

Estimation Model for Net Primary Production by Vegetation. Advanced

Space Research, 30: 2517-2522.

FRIM, (2003). Malaysia Report : Regional Workshop on Forests and Climate

Change - Preparing for Decisions on Land Use & Forestry.Traders Hotel,

Manila, Philippines.

Goetz, S.J., Prince, S.D., Small, J., dan Gleason., A.C.R. (2000). Interannual

Variability Of Global Terrestrial Primary Production: Results Of A Model

Driven With Satellite Observations. Journal of Geophysical Research, 105

:20,077–20,091.

195

Grower, S.T. (2003). Forest Ecosystem Ecology. Dalam Young, R. A., dan Giese,

R.L. (Penulis). Introduction to Forest Ecosystem Science and Management.

Edisi Ke-3. United State of America; Penerbit A John Wiley and Sons Inc.

Publication. 114-146.

Goetz, S.J., Prince,S.D., Goward,S.N., Thawley,M.M.,dan Small, J. (1999). Satellite

Remote Sensing of Primary Production: An Improved Production Efficiency

Modeling Approach. Ecologycal Modelling. 122 :239–255.

Hilmi, M., (2007).Penilaian hasilan air kawasan tadahan hutan dengan menggunakan

teknik remote sensing. Universiti teknologi Malaysia. Tesis Master Remote

Sensing.

Huete, A. R., Liu, H. Q., Batchily, K. dan Van Leeuwen, W., (1997) A Comparison

of Vegetation Indices Over A Global Set of TM Images for EOS-MODIS.

Remote Sensing of Environment. 59: 440-451.

Hazarika M. K. and Y. Yasuoka, (2002). Estimation of Terrestrial Carbon Fluxes by

Integrating Remote Sensing with Ecosystem Modelling. Ecology,

Environment & Carbon Cycle. www.GISdevelopment.net.

Ito, A., dan Oikawa, T. (2002). A Simulation Model of the Carbon Cycle in Land

Ecosystems (Sim-CYCLE): A Description Based on Dry-Matter Production

Theory and Plot-Scale Validation. Ecological Modelling 151: 143–176.

Ito, A., Saigusa, N., Murayama, S., Yamamoto, S. (2005). Modeling of Gross and

Net Carbon Dioxide Exchange over a Cool-Temperate Deciduous Broad-

Leaved Forest in Japan: Analysis of Seasonal and Interannual Change.

Agricultural and Forest Meteorology. 134 : 122–134.

Irwandee Reduan (2004). Multisensor Approach to Evapotranspiration Mapping and

Stream Model Validation in the Perfume River Basin, Hue, Vietnam.

196

International Institude for Geo-Information Science and Earth Observation,

Ensede.

IPCC (Intergovernmental Panel on Climate Change), (2007). Climate Change 2007:

The Physical Science Basis. IPCC WGI Fourth Assessment Report. 1-18.

Jiang, H., Apps, M. J., Zhang, Y., Peng, C., dan Woodard, P.M. (1999). Modelling

the Spatial Pattern of Net Primary Productivity in Chinese Forests.

Ecological Modelling. 122:275-288.

Jung, M., Maire, G.L.,Zaehle, S., Luyssaert, S.,Vetter, M., Churkina, G., Ciais, P.,

Viovy, N., danReichstein, M. (2007). Assessing the Ability of Three Land

Ecosystem Models to Simulate Gross Carbon Uptake of Forests from Boreal

To Mediterranean Climate in Europe. Biogeosciences Discuss. 4:1353–1375.

Keeling, C.D., dan Whorf, T.P. (2005). Atmospheric CO2 records from site SIO air

sampling network. In trends a compendium of data on global change. Oak

Ridge National laboratory, USA.

Kementerian Sumber Asli dan Alam Sekitar. (2006). Sumber asli di Malaysia:

Sumber Hutan.http://www.nre.gov.my. 14 Feb 2007.

Kira, Manokaran, T.N, dan Appanah. S. (1998). NPP Tropical Forest: Pasoh,

Malaysia, 1971-1973.

Kudeyarov V.N. Kurganova I.N.. (1998). Carbon Dioxide Emissions and Net

Primary Production of Russian Terrestrial Ecosystems. Biol Fertil Soils.27

:246–250.

Kosugi, Y., Satoru Takanashi, Shinjiro Ohkubo, Naoko Matsuo, Tani, M., Tomonori

Mitani, Daizo Tsutsumi, Abdul Rahim Nik,(2008).CO2 Exchange of a

Tropical Rainforest at Pasoh in Peninsular Malaysia. Agricultural and forest

meteorology. 148: 439 – 452.

197

Kruger, E. L. (2003). Forest Ecophysiology. Dalam Young, R. A., dan Giese, R.L.

(Penulis). Introduction to Forest Ecosystem Science and Management. Edisi

Ke-3. United State of America; Penerbit A John Wiley and Sons Inc.

Publication. 75-98.

LGM, (2006). Lembaga Getah Malaysia, Jabatan Statistik. http://www.lgm.gov.my.

Ibrahim, Ab. Latif and Okuda, Toshinori and Faidi, Mohd Azahari (2006). An

Analysis of Spatial and Temporal Variation of Net Primary Productivity over

Peninsular Malaysia using Satellite Data. The Eco-Frontier Fellowship Fiscal

Year 2006 . pp. 133-146.

Li, Z., Yu, G.,Xiao, X.,Li, Y dan Zhao, X. (2007). Modeling Gross Primary

Production of Alpine Ecosystems in the Tibetan Plateau using MODIS

Images and Climate Data. Remote Sensing of Environment. 107: 510–519.

Liu, X., Sun, X., dan Xia, C. (2005). Assessing Boreal Forest Productivity in China

with a Biogeographic Process Model (forest-BGPG). IEEE Transactions on


Lauenroth, W. K., Wade, A. A. Williamson, M. A., Ross, E., Kumar, S., dan

Cariveau, D. P. (2006). Uncertainty in Calculations of Net Primary

Production for Grasslands. Ecosystems. 9: 843–851.

Lu, L., Li, X., Veroustraete, F., dan Dong, Q.H. (2004). Estimation of NPP in

Western China Using Remote Sensing and the C-Fix Model. IEEE

Transactions on Geoscience and Remote Sensing.12-15.

Liu, J., Chen, J. M., Cihlar, J., dan Park, W. M., (1997). A Process-Based Boreal

Ecosystem Productivity Simulator Using Remote Sensing Inputs. Remote

Sensing Environment. 62: 158-175.

198

Liu, X., Sun, X., dan Xia, C. (2005). Assessing Boreal Forest Productivity in China

with a Biogeographic Process Model (forest-BGPG). IEEE Transactions on


Lamade, E., Indra E.S. (2002). In Poeloengan Zulkarnain, Guritno Purboyo, Darnoko

D., Buana Lalang, Purba Abdul Razak, Darmosarkoro W., Sudharto P.S.,

Haryati Tri, Elisabeth Jenny, Siahaan Donald, Wahyon Teguh. Enhancing Oil

Palm Industry Development through Environmentally Friendly Technology:

Proceedings of agriculture conference, 2002 International Oil Palm

Conference, Nusa Dua, Bali, July 8 - 12 2002. Medan: IOPRI, p. 212-225.

International Oil Palm Conference (IOPC), 2002-07-08/2002-07-12, Bali,

Indonesia.

Maselli, F., dan Chiesi, M. (2005). Integration of High- and Low-Resolution Satellite

Data to Estimate Pine Forest Productivity in a Mediterranean Coastal Area.

IEEE Transactions On Geoscience And Remote Sensing, 43:135-143.

Marchesini, L.B., Papale, D., Reichstein, M., Vuichard, N., Tchebakova, N., dan

Valentini R. (2007). Carbon Balance Assessment of a Natural Steppe of

Southern Siberia by Multiple Constraint Approach. Biogeosciences, 4: 581–

595.

MPOB, (2006). Malaysian Oil Palm Statistics 2006. http://mpob.gov.my/. 4 Januari

2008.

Monteith J.L. (1972). Solar Radiation and Productivity in Tropical Ecosystems. J

Appl Ecol. 9:747–66.

Monji, N., Yamamoto, S., dan Fujinuma, Y. (2003). Practice of Flux Observations in

Teresstrial Ecosystems. Asia Flux Steering Committee.

Munoz, J.C.J., Sobrino, J.A., Gillespie, A., Sabol., Gustafson, W.T. (2006).

Improved Land Surface Emissivities Over Agricultural Areas Using ASTER

NDVI. Remote sensing of Environment. 103:474-487.

199

My Massa, (2007). Ancaman Perubahan Iklim Global. www.mymassa.com. Dicapai

pada Disember 2007.

Marchesini, L. B., Papale, D., Reichstein, M., Vuichard, N., Tchebakova, N., dan

Valentini, R. (2007).Carbon Balance Assessment of A Natural Steppe of

Southern Siberia by Multiple Constraint Approach. Biogeosciences, 4: 581–

595.

Nugroho, N.P. (2006). Estimating Carbon Sequestration in Tropical Rainforest

Using Integrated Remote Sensing and Ecosystem Productivity Modeling.

Thesis master. International Institude for Geo-Information Science and Earth

Observation Enschede, Netherlands.

NIES. (2003). NIES-FRIM-UPM Joint Research Project: On Tropical Ecology and

Biodiversity. http://www.nies.go.jp.

Olofsson, P., Eklundh, L., Lagergren, F., Lindroth, A. (2007). Estimating Net

Primary Production for Scandinavian Forests Using Data from

Terra/MODIS. Advances in Space Research. 39:125L:130.

Ohtsuka, T., Mo, W., Satomura, T., Inatomi, M., dan Koizumi, H. (2007). Biometric

Based Carbon Flux Measurements and Net Ecosystem Production (NEP) in a

Temperate Deciduous Broad-Leaved Forest Beneath a Flux Tower.

Ecosystems,10: 324–334.

Prince, S.D., dan Goward, S.N. (1995a).Estimation of Global Primary Production

Using NOAA/NASA Pathfinder AVHRR Land Data Set. IEEE Transactions on

Geoscience and Remote Sensing 2: 1000-1002.

Prince, S.D., Goetz, S.J., dan Goward, S.N. (1995b). Monitoring Primary Production

from Earth Observing Satellites. Water, Air and Soil Pollution. 85: 509-522.

200

Papaioannou, G., Papanikolaou, N., dan Retalis, D. (1993).Relationships of

Photosynthetically Active Radiation and Shortwave Irradiance. Theor. Appl.

Climatol. 48, 23-27.

Peng C. dan Apps, M.J. (1999). Modeling the Response of Net Primary

Productivity (NPP) of Boreal Forest Ecosystems to Changes in Climate and

Fire Disturbance Regimes. Ecological Modeling. 122: 175 - 193.

Potter, C.S,. Klooster, S dan Brooks, V. (1999). Interannual Variability in Terrestrial

Net Primary Production: Exploration of Trends and Controls on Regional to

Global Scales. Ecosystems (1999) 2: 36–48.

Potter, C., Klooster, S., Hiatt, S., Fladeland, M., Genovese, V., dan Gross, P. (2007).

Satellite Derived Estimates of Potential Carbon Sequestration through

Afforestation of Agricultural Lands in the United States. Climatic Change.

80: 323-336.

Potter, C., Gross, P., Genovese, V., dan Smith, M.L. (2007b). Net Primary

Productivity of Forest Stands in New Hampshire Estimated from Landsat and

MODIS Satellite Data. Carbon Balance and Management, 2:1-11.

Prasad, V.K, Kant, Y., dan Badarinath, K.V.S. (2002). Estimation of Potential GHG

Emissions from Net Primary Productivity of Forests – A Satellite Based

Approach. Adv. Space Res. 29:1793-1798.

Raich, J.W., Rastetter, E.B., Melillo, J.M., Kicklighter, D.W., Steudler, P.A.,

Peterson, B.J., Grace, A.L., Moore, III .B., Vorosmarty, C.J. (1991). Potential

Net Primary Productivity in South America: Application of a Global Model.

Ecological Applications 1, 399-429. http://www.mbl.edu.

Running, S. W., Nemani, R., Glassy, J. M., Thornton, P. E., (1999). Modis Daily

Photosynthesis and Annual Net Primary Production (NPP) Product

(MOD17). Algorithm Theoretical Basis Document Version 3.0.

201

Sun, R., Chen, J.M., Zhu, Q., Zhou, Y., Li, J., Liu, S., Yan., dan Tang, S. (2004).

Spatial Distribution of Net Primary Productivity and Evapotranspiration in

Changbaishan Natural Reserve, China, using Landsat ETM Data. Can. J.

Remote Sensing. 30: 731-742.

Shunlin Liang. (2004), Quantitative Remote Sensing of Land Surfaces. First Edition.

United State of America; A John Wiley and Sons Inc. Publication. 246-255.

Supannika Potithep., (2003). Estimation of Net Primary Production (NPP) using

Remote Sensing and Local Parameter in Thailand. University of Technology

Thailand. MSc Thesis.

Tao, F., Yokozawa, M., Zhang, Z., Xu, Y., dan Hayashi, Y., (2005). Remote Sensing

of Crop Production in China by Production Efficiency Models : Model

Comparisons, Estimates and Uncertainties. Ecological Modelling. 183: 385-

396.

Tania June, Ibrom, A, dan Gravenhorst, G.(2006).Integration of NPP Semi

Mechanistic-Modelling, Remote Sensing and GIS in Estimating CO2

Absorption of Forest Vegetation in Lore Lindu National Park. Biotropia.

13: 22-36.

Tani, M., Abdul Rahim Nik., Ohtani, Y., Yasuda, Y., Mohd Md Sahat., Baharuddin

Kasran., Takanashi, S., Noguchi S., Zukifli Yusop., dan Watanabe, T. (2003).

“Characteristics of Energy and Surface Conductance of a Tropical Rain

Forest in Peninsular Malaysia.” Dalam Okuda, T., Manokaran, N.,

Matsumoto, Y., Niiyama, K., Thomas, S.C., dan Ashton, P.S. (Penulis).

Pasoh: Ecology of a Lowland Rain Forest in Southeast Asia : Penerbit

Springer-Verlag, Tokyo. 73-88.

Turner, D. P.,Ritts, W. D., Cohen, W. B., Maeirsperger, T. K., Gowers, S. T.,

Kirschbaums, A. A., Runnings, S. W., (2005). Site-level Evaluation of

Satellite-Based Global Terrestrial Gross Primary Production and Net

Primary Production Monitoring. Global Change Biology. 11, 666-684.

202

Vose, J.M dan Bolstad, P.V. (1999). Challenges to Modelling NPP in Diverse

Eastern Deciduous Forest: Species –Level Comparisons of Foliar

Respiration Responses to Temperature and Nitrogen. Ecological Modelling.

122:165-174.

Wang, T, Sammis, T. W., Meier, C. A. , Simmons, L. J., Miller, D. R., and Samani,

Z. (2003). A Modified Sebal Model for Spatially Estimating Pecan

Consumptive Water Use for Las Cruces, New Mexico. Tidak diterbitkan.

Waring, R. H., Landsberg, J. J., dan Williams, M. (1998). Net Primary Production of

Forests: A Constant Fraction of Gross Primary Production?. Tree

Physiology. 18: 129-134.

Werf, G.R., Randerson, J.T., Collatz, J., dan Giglios, L. (2003). Carbon Emissions

from Fires in Tropical and Subtropical Ecosystems. Global Change Biology.

9:547-562.

Xia, C., dan Xiong, L. (2004). Primary Productivity of Temperate Deciduous Forest

in Northeast China. IEEE Transactions on Geoscience and Remote Sensing.

4601-4604.

Xiao, X., Zhang, Q., Hollinger, D., Aber, J., dan Moore, B.(2005).Modeling Gross

Primary Production of an Evergwen Needleleaf Forest using Modis and

Climate Data.Ecological Application.15:954-969.

Xiao, X., Zhang, Q., Saleska, S., Hutyra, L., Camargo, P.D., Wofsy, S., Frolking, S.,

Boles, S., Keller, M., dan Moore, B. (2005b). Satellite Based Modeling of

Gross Primary Production In A Seasonally Moist Tropical Evergreen Forest.

Remote Sensing of Environment. 94: 105-122.

Xiao, X., Hollinger, D., Abera, J., Goltz, M., Davidsson, E.A., Qingyuan Zhanga,

Berrien Moore. (2004). Satellite-based Modeling of Gross Primary

203

Production in An Evergreen Needleleaf Forest. Remote Sensing of

Environment. 89:5 19-534.

Xiao, X., Hagen, S., Zhang, Q., Keller, M., Moore, B., (2006). Detecting Leaf

Phenology of Seasonally Moist Tropical Forests in South America with

Multi-Temporal MODIS Images. Remote Sensing of Environment. 103: 465–

473.

Xingang, X., Bingfang, W., Qiangzi, L., Jun, X. (2004). A new Net primary

Production Estimating Model Using NOAA-AVHRR applied to the Haihe

Basin, China.

Xiong, P.G., Jing, L., Hao, C.Y., Patah, N.A. (2007). A Forest Risk Assessment

Using ASTER Images in Peninsular Malaysia. J China Mining & Technol.

17:232-237.

Young, R.A., dan Giese, R.L. (2003). Introduction to Forest Ecosystem Science and

Management. Edisi Ke-3. United State of America; A John Wiley and

Sons Inc. Publication. 531.

Zhou, X., Zhu, Q., Tang, S., Chen, X., dan Wu, M. (2002). Interception of PAR and

Relationship between FPAR and LAI in Summer Maize Canopy. IEEE

Transactions on Geoscience and Remote Sensing. 3252-3254.

Zhao, M., Heinsch, F. A., Nemani, R. R., dan Running, S. W., (2005). Improvements

of the MODIS Terrestrial Gross and Net Primary Production Global Data

Set. Remote Sensing Environment. 95 : 164-176.

Lampiran A Titik sampel bagi NPP hutan dan kelapa sawit

Bil Koordinat Sampel NPP Hutan (gCm2yr-1) Sampel NPP Kelapa Sawit (gCm2yr-1)

X Y Purata CASA GLO-PEM VPM C-FIX Purata CASA GLO-PEM VPM C-FIX

1 458872.5408 355513.6531 2548.857 2647.669 2918.012 2365.555 2887.856 2661.329 2489.07 2886.003 2325.127 2955.396

2 459902.949 353281.102 2471.328 2274.175 2802.779 2177.697 2880.434 2362.164 2467.131 2881.696 2331.191 2675.016

3 459044.2755 350962.6837 2863.438 2768.963 2945.747 2458.146 3097.147 1995.734 1732.546 2578.123 1969.448 2364.582

4 462478.9694 350790.949 2673.687 2287.647 2827.325 2200.16 2962.249 2663.379 2343.353 2845.434 2254.621 2939.655

5 459130.1429 348386.6633 2964.444 2918.758 2973.779 2491.475 3177.098 2780.703 2495.022 2890.456 2365.154 3035.006

6 462564.8367 347012.7857 2618.514 2334.801 2838.601 2209.375 2945.809 2591.001 2339.33 2847.362 2269.574 2889.573

7 458700.8061 344007.4286 2832.521 2676.794 2923.14 2372.833 3095.621 2697.645 2397.181 2856.638 2292.639 2970.749

8 461448.5612 342891.1531 2516.492 2178.371 2785.26 2143.412 2893.733 2314.486 2227.426 2805.294 2217.736 2649.817

9 458271.4694 340658.602 2762.63 2392.298 2858.237 2233.493 3047.69 2502.06 2404.369 2862.519 2323.152 2807.598

10 460504.0204 340229.2653 2602.139 2399.673 2859.512 2267.808 2946.53 2605.712 2286.295 2833.44 2254.102 2905.854

11 459988.8163 337739.1122 2708.647 2175.094 2776.647 2118.912 3020.785 2045.793 2494.702 2893.919 2362.031 2367.997

12 464539.7857 336708.7041 2595.126 2331.064 2842.167 2226.439 2914.41 2540.366 1992.235 2727.438 2097.5 2844.227

13 463423.5102 334991.3571 2676.997 2433.8 2869.024 2323.426 2989.621 2657.637 2178.924 2786.729 2225.746 2951.122

14 460847.4898 333102.2755 2579.636 2163.24 2785.559 2171.322 2911.549 2511.547 2160.316 2784.722 2230.681 2806.663

15 461362.6939 329066.5102 2466.413 2447.65 2877.52 2290.107 2839.139 2475.48 2133.538 2779.681 2197.334 2791.388

16 464453.9184 327950.2347 2678.273 2652.491 2926.95 2391.826 3016.364 2078.006 2191.438 2794.458 2228.936 2461.042

17 462393.102 325374.2143 2563.429 2404.225 2864.241 2325.636 2920.697 2148.621 1716.835 2604.672 1870.858 2532.635

18 460332.2857 320994.9796 2635.017 2323.184 2829.763 2208.265 3013.099 2511.291 2087.768 2746.7 2107.275 2839.931

19 474328.6633 320565.6429 2658.695 2443.273 2880.243 2345.697 2968.293 2563.8 2163.806 2759.965 2196.815 2871.661

20 485319.6837 325803.551 2493.447 2139.368 2784.214 2194.143 2875.165 2454.092 2039.858 2741.958 2060.904 2810.477

21 485577.2857 328379.5714 2470.541 2195.425 2803.665 2242.433 2815.495 2284.984 1913.553 2681.146 2013.182 2652.647

22 483258.8673 328293.7041 2399.105 2031.173 2743.875 2131.413 2796.01 2538.05 2156.03 2788.262 2155.027 2861.551

23 479308.9694 329581.7143 2367.668 1883.709 2689.226 1998.901 2744.008 2389.05 2003.399 2717.072 2100.314 2704.628

24 482314.3265 330697.9898 2515.392 2115.964 2774.154 2182.756 2873.363 2602.179 2411.456 2862.383 2310.045 2901.128

25 484718.6122 331213.1939 2730.364 2303.904 2834.645 2310.202 2931.494 2465.188 2040.192 2740.249 2108.831 2789.526

26 483087.1327 332329.4694 2522.445 2165.584 2793.881 2166.539 2871.662 2586.292 2054.305 2751.684 2139.334 2872.913

27 484117.5408 337481.5102 2663.744 2396.97 2862.355 2378.286 2942.264 2416.776 2206.486 2804.363 2209.023 2739.885

28 481369.7857 340057.5306 2636.42 2170.807 2798.596 2212.997 2924.287 2348.656 1996.849 2731.788 2074.502 2685.938

29 476217.7449 339799.9286 2353.21 2190.936 2793.86 2201.262 2750.699 2600.54 2019.727 2736.454 2038.557 2914.855

30 480682.8469 343234.6224 2410.646 2009.932 2739.776 2068.491 2792.131 2362.126 2022.025 2739.654 2064.294 2705.766

204

Lampiran B Titik sampel bagi NPP getah dan indeks tumbuhan bagi hutan

Bil Koordinat Sampel NPP Getah(gCm2yr-1) Sampel Indeks Tumbuhan bagi Hutan

X Y Purata CASA GLO-PEM VPM C-FIX NDVI LSWI EVI SR

1 469262.4898 354826.7143 2822.3 2546.576 2857.48 2394.938 2989.59 0.573 0.697 0.495 3.682

2 471580.9082 351477.8878 2697.545 2406.009 2843.037 2356.236 2896.416 0.546 0.721 0.398 3.402

3 470207.0306 345638.9082 2605.208 2711.091 2899.465 2545.206 2840.118 0.638 0.746 0.578 4.532

4 467974.4796 341689.0102 2706.179 2227.19 2752.117 2307.656 2896 0.6 0.731 0.529 3.996

5 471151.5714 340315.1327 2733.635 2623.17 2898.071 2422.271 2920.083 0.659 0.741 0.601 4.87

6 473384.1224 338769.5204 2664.573 2543.937 2888.404 2404.016 2921.5 0.584 0.723 0.493 3.813

7 473212.3878 335506.5612 2562.03 2081.013 2748.111 2165.354 2837.191 0.631 0.743 0.553 4.418

8 470979.8367 333274.0102 2834.061 2694.829 2923.36 2485.87 3018.863 0.554 0.729 0.426 3.483

9 468575.551 333102.2755 2729.43 2893.035 2964.446 2553.55 2999.833 0.616 0.727 0.543 4.212

10 467287.5408 331470.7959 3022.098 2896.238 2962.908 2559.246 3113.803 0.579 0.722 0.475 3.751

11 469520.0918 330182.7857 3007.826 2802.284 2943.52 2537.241 3089.899 0.6 0.749 0.495 4.012

12 467631.0102 330955.5918 3023.894 3105.773 2999.128 2685.266 3114.337 0.584 0.712 0.507 3.805

13 472096.1122 328551.3061 2732.626 2684.752 2916.174 2462.925 2941.471 0.599 0.727 0.51 3.982

14 468232.0816 326318.7551 2971.734 2923.931 2969.022 2555.685 3099.196 0.573 0.726 0.481 3.684

15 464797.3878 317216.8163 2588.81 2425.498 2865.786 2318.308 2888.601 0.546 0.711 0.435 3.403

16 474156.9286 316358.1429 2651.942 2622.88 2914.167 2406.204 2923.158 0.597 0.714 0.498 3.957

17 488668.5102 317817.8878 2631.263 2335.766 2833.766 2340.77 2892.539 0.564 0.741 0.442 3.585

18 492532.5408 320222.1735 2726.082 2102.971 2758.428 2188.322 2947.395 0.58 0.732 0.443 3.763

19 487552.2347 323227.5306 2755.319 1840.964 2610.829 1959.247 2982.529 0.59 0.736 0.502 3.877

20 493734.6837 327005.6939 2498.071 2348.149 2846.941 2283.84 2814.701 0.554 0.71 0.435 3.488

21 489183.7143 327692.6327 2735.648 2579.521 2894.26 2439.415 2969.906 0.547 0.724 0.451 3.415

22 485491.4184 330354.5204 2631.642 2363.356 2849.6 2297.849 2891.563 0.523 0.726 0.387 3.192

23 487981.5714 331900.1327 2539.046 2367.433 2841.73 2317.184 2825.339 0.521 0.712 0.41 3.177

24 498714.9898 335163.0918 2895.384 2326.205 2835.673 2212.575 3037.769 0.552 0.735 0.437 3.46

25 488926.1122 336279.3673 2564.312 2571.558 2892.36 2423.849 2850.653 0.62 0.745 0.608 4.261

26 485233.8163 341860.7449 2545.839 2370.199 2836.708 2295.127 2814.698 0.558 0.725 0.456 3.528

27 488239.1735 342719.4184 2634.221 1980.859 2697.496 2037.453 2919.053 0.592 0.749 0.521 3.896

28 484375.1429 347442.1224 2829.963 2828.502 2932.13 2561.899 2981.802 0.587 0.754 0.505 3.84

29 485749.0204 354998.449 2624.709 2419.564 2862.338 2303.73 2926.225 0.515 0.711 0.388 3.122

30 493820.551 356973.398 2713.983 2064.652 2745.28 2161.954 2937.421 0.526 0.724 0.404 3.215

205

Lampiran C Titik sampel indeks tumbuhan bagi kelapa sawit dan getah

Bil Koordinat Indeks Tumbuhan bagi Kelapa Sawit Sampel Indeks Tumbuhan bagi Getah

X Y NDVI LSWI EVI SR NDVI LSWI EVI SR

1 482743.7 356715.8 0.597 0.722 0.531 3.957 0.644 0.736 0.652 4.615

2 480940.4 355341.9 0.528 0.715 0.475 3.239 0.618 0.736 0.62 43235

3 483516.5 354483.2 0.438 0.647 0.375 2.557 0.599 0.723 0.588 3.989

4 479137.2 355771.3 0.598 0.729 0.542 3.979 0.624 0.733 0.632 1.314

5 479824.2 353882.2 0.622 0.737 0.563 4.293 0.625 0.743 0.626 4.329

6 478364.4 352508.3 0.583 0.719 0.521 3.797 0.602 0.733 0.557 4.029

7 476732.9 353538.7 0.609 0.722 0.554 4.109 0.582 0.717 0.545 3.815

8 469863.6 351134.4 0.522 0.697 0.458 3.18 0.641 0.741 0.629 4.573

9 468747.3 339542.3 0.562 0.717 0.505 3.571 0.614 0.725 0.556 4.183

10 474586.3 339284.7 0.583 0.727 0.514 3.801 0.684 0.761 0.711 5.338

11 476303.6 320995 0.438 0.719 0.372 2.559 0.682 0.761 0.716 5.296

12 484461 319792.8 0.565 0.734 0.495 3.596 0.681 0.762 0.703 5.276

13 493992.3 319191.8 0.597 0.729 0.524 3.965 0.619 0.747 0.598 4.247

14 495366.2 321939.5 0.562 0.73 0.505 3.571 0.668 0.751 0.672 5.026

15 494593.4 324429.7 0.554 0.723 0.483 3.487 0.585 0.706 0.532 3.822

16 498715 321510.2 0.458 0.655 0.377 2.688 0.602 0.711 0.564 4.021

17 496568.3 326490.5 0.477 0.662 0.393 2.825 0.595 0.733 0.55 3.939

18 494851 328723 0.565 0.71 0.488 3.595 0.62 0.738 0.593 4.261

19 499659.5 328637.2 0.578 0.716 0.512 3.74 0.623 0.735 0.591 4.306

20 495452 329753.4 0.551 0.695 0.464 3.45 0.562 0.711 0.498 3.57

21 496568.3 331213.2 0.51 0.682 0.429 3.083 0.619 0.736 0.582 4.246

22 495194.4 332415.3 0.57 0.71 0.498 3.653 0.597 0.724 0.561 3.957

23 491931.5 335592.4 0.539 0.716 0.477 3.342 0.577 0.716 0.532 3.734

24 497942.2 338855.4 0.588 0.711 0.53 3.855 0.654 0.755 0.658 4.781

25 494851 339714.1 0.557 0.708 0.488 3.514 0.58 0.727 0.523 3.766

26 495881.4 341173.8 0.583 0.725 0.528 3.794 0.582 0.72 0.547 3.785

27 498972.6 342891.2 0.545 0.703 0.486 3.393 0.598 0.717 0.542 3.979

28 494765.1 344093.3 0.526 0.699 0.46 3.221 0.646 0.748 0.656 43544

29 497341.1 347098.7 0.589 0.701 0.524 3.86 0.589 0.725 0.517 3.866

30 491416.3 348816 0.531 0.693 0.463 3.264 0.613 0.749 0.58 4.174

206

Lampiran D Titik sampel bagi parameter model bagi hutan dan kelapa sawit

Bil Koordinat Sampel Parameter Model bagi Hutan Sampel Parameter Model bagi Kelapa Sawit

X Y PAR Rn Rs AET Ts DEM PET PAR Rn Rs AET Ts DEM PET

1 458872.5 355513.7 2834.522 4648.583 5669.045 5.751 26.49 310 8.53 2818.616 4622.496 5637.231 5.721 27.94 53 8.48

2 459902.9 353281.1 2925.29 4797.442 5850.581 5.922 26.42 351 8.78 277.676 4556.995 5557.353 5.646 28.24 69 8.37

3 459044.3 350962.7 2812.608 4612.644 5625.217 5.709 26.49 455 8.47 2784.627 4566.754 5569.254 5.657 28.21 60 8.39

4 462479 350790.9 2814.533 4615.8 5629.066 5.713 26.77 120 8.47 2797.559 4587.962 5595.117 5.682 27.94 60 8.43

5 459130.1 348386.7 2818.295 4621.969 5636.589 5.72 26.70 365 8.48 2808.33 4605.626 5616.66 5.701 26.89 60 8.45

6 462564.8 347012.8 2850.723 4675.152 5701.447 5.781 26.70 193 8.57 2800.799 4593.276 5601.599 5.687 27.26 60 8.43

7 458700.8 344007.4 2835.819 4650.709 5671.638 5.753 26.86 251 8.53 2793.071 4580.602 5586.142 5.673 27.91 60 8.41

8 461448.6 342891.2 2908.153 4769.336 5816.305 5.89 25.95 380 8.73 2776.257 4553.027 5552.513 5.641 27.94 60 8.37

9 458271.5 340658.6 2839.528 4656.792 5679.056 5.76 26.49 160 8.54 2791.373 4577.817 5582.746 5.67 28.70 80 8.41

10 460504 340229.3 2870.169 4707.043 5740.339 5.818 26.70 339 8.63 2815.528 4617.432 5631.057 5.716 28.28 80 8.48

11 459988.8 337739.1 2868.929 4705.009 5737.857 5.816 26.46 320 8.62 2787.305 4571.146 5574.611 5.662 26.64 124 8.4

12 464539.8 336708.7 2822.713 4629.216 5645.427 5.729 27.76 100 8.5 2819.57 4624.06 5639.14 5.722 26.27 80 8.49

13 463423.5 334991.4 2844.451 4664.865 5688.901 5.77 26.95 217 8.56 2812.309 4612.309 5624.809 5.709 27.76 40 8.47

14 460847.5 333102.3 2857.289 4685.919 5714.578 5.794 26.39 200 8.59 2790.443 4576.293 5580.887 5.668 28.76 40 8.41

15 461362.7 329066.5 2883.004 4728.093 5766.008 5.842 26.42 240 8.66 2804.216 4598.88 5608.432 5.694 28.70 41 8.44

16 464453.9 327950.2 2876.762 4717.855 5753.523 5.83 26.33 257 8.65 2815.136 4616.79 5630.273 5.715 28.43 60 8.47

17 462393.1 325374.2 2899.148 4754.568 5798.296 5.872 25.35 331 8.71 2818.461 4622.242 5636.922 5.721 28.64 47 8.48

18 460332.3 320995 2931.224 4807.173 5862.448 5.932 24.21 705 8.08 2815.759 4617.811 5631.518 5.716 28.94 52 8.48

19 474328.7 320565.6 2853.555 4679.796 5707.11 5.787 26.17 440 8.58 2800.816 4593.304 5601.632 5.688 28.03 40 8.43

20 485319.7 325803.6 2887.837 4736.018 5775.673 5.852 26.98 256 8.68 2836.614 4652.013 5673.229 5.755 28.24 60 8.53

21 485577.3 328379.6 2854.435 4681.239 5708.869 5.788 26.64 241 8.58 2821.753 4627.641 5643.506 5.728 28.79 40 8.49

22 483258.9 328293.7 2954.415 4796.006 5848.83 5.92 25.51 449 8.78 2818.17 4621.764 5636.339 5.721 28.09 45 8.48

23 479309 329581.7 2876.255 4717.024 5752.51 5.83 26.89 120 8.64 2768.98 4541.093 5537.96 5.627 27.14 60 8.34

24 482314.3 330698 2896.136 4749.628 5792.272 5.867 25.77 324 8.70 2795.071 4583.882 5590.142 5.677 29.09 40 8.42

25 484718.6 331213.2 2719.817 4460.466 5439.635 5.535 27.63 193 8.21 2792.722 4580.031 5585.445 5.673 29.43 52 8.41

26 483087.1 332329.5 2870.194 4707.084 5740.389 5.818 27.05 400 8.63 2785.644 4568.422 5571.288 5.659 28.88 49 8.39

27 484117.5 337481.5 2823.046 4629.762 5646.093 5.729 27.05 140 8.5 2785.631 4568.4 5571.262 5.659 28.70 40 8.39

28 481369.8 340057.5 2821.917 4627.91 5643.834 5.727 26.42 400 8.49 2797.053 4587.132 5594.105 5.681 28.61 60 8.42

29 476217.7 339799.9 2907.972 4769.039 5815.945 5.89 27.01 157 8.73 2806.872 4603.236 5613.745 5.699 28.03 40 8.45

30 480682.8 343234.6 2910.141 4772.597 5820.282 5.893 25.35 753 8.74 2800.36 4592.557 5600.721 5.687 29.43 40 8.43

207

Lampiran E Titik sampel bagi parameter model bagi getah dan kadar Kecekapan Penukaran Tenaga bagi hutan

Bil Koordinat Sampel Parameter Model bagi Getah Sampel kadar Kecekapan Penukaran Tenaga bagi Hutan

X Y PAR Rn Rs AET Ts DEM PET Purata CASA GLOPEM VPM C-FIX

1 469262.5 354826.7 2698.421 4425.377 5396.843 5.494 27.76 93 8.15 1.059 1.223 0.759 1.031 1.224

2 471580.9 351477.9 2693.301 4416.979 5386.603 5.484 26.61 60 8.13 1.05 1.172 0.736 1.068 1.223

3 470207 345638.9 2700.209 4428.308 5400.417 5.497 27.51 80 8.15 1.108 1.359 0.744 1.107 1.224

4 467974.5 341689 2675.09 4387.113 5350.18 5.45 26.70 80 8.08 1.085 1.276 0.753 1.084 1.227

5 471151.6 340315.1 2694.092 4418.276 5388.184 5.486 27.63 80 8.13 1.117 1.407 0.736 1.099 1.226

6 473384.1 338769.5 2767.03 4537.895 5534.06 5.624 27.54 80 8.34 1.073 1.246 0.75 1.071 1.226

7 473212.4 335506.6 2744.998 4501.762 5489.995 5.582 27.42 118 8.28 1.103 1.342 0.74 1.102 1.228

8 470979.8 333274 2733.18 4482.381 5466.36 5.56 27.01 91 8.24 1.057 1.188 0.744 1.081 1.218

9 468575.6 333102.3 2801.899 4595.08 5603.797 5.689 27.23 120 8.44 1.09 1.31 0.747 1.077 1.224

10 467287.5 331470.8 2686.84 4406.384 5373.681 5.472 26.61 160 8.11 1.07 1.235 0.747 1.07 1.226

11 469520.1 330182.8 2672.327 4382.583 5344.655 5.445 27.32 120 8.07 1.088 1.277 0.74 1.112 1.223

12 467631 330955.6 2696.469 4422.175 5392.938 5.49 26.86 160 8.14 1.073 1.244 0.756 1.054 1.238

13 472096.1 328551.3 2732.338 4481 5464.675 5.558 27.01 100 8.24 1.082 1.274 0.747 1.077 1.229

14 468232.1 326318.8 2722.438 4464.763 5444.875 5.539 26.92 120 8.21 1.069 1.223 0.753 1.075 1.223

15 464797.4 317216.8 2792.531 4579.717 5585.062 5.672 26.80 120 8.41 1.05 1.173 0.753 1.053 1.223

16 474156.9 316358.1 2770.886 4544.22 5541.773 5.631 26.988 144 8.35 1.073 1.27 0.744 1.057 1.222

17 488668.5 317817.9 2764.413 4533.604 5528.826 5.619 27.08 60 8.33 1.065 1.206 0.744 1.099 1.211

18 492532.5 320222.2 2734.57 4484.661 5469.141 5.562 27.51 69 8.25 1.063 1.237 0.731 1.086 1.198

19 487552.2 323227.5 2756.921 4521.316 5513.842 5.604 26.80 87 8.31 1.08 1.256 0.75 1.092 1.22

20 493734.7 327005.7 2799.052 4590.411 5598.104 5.685 28.73 60 8.43 1.054 1.188 0.747 1.05 1.229

21 489183.7 327692.6 2758.912 4524.824 5517.824 5.608 27.26 60 8.32 1.058 1.175 0.759 1.073 1.225

22 485491.4 330354.5 2757.737 4522.654 5515.474 5.606 26.74 150 8.31 1.042 1.132 0.747 1.076 1.212

23 487981.6 331900.1 2757.381 4522.071 5514.762 5.606 27.66 100 8.31 1.042 1.129 0.759 1.054 1.228

`24 498715 335163.1 2710.548 4445.265 5421.096 5.517 26.86 40 8.18 1.06 1.183 0.75 1.09 1.215

25 488926.1 336279.4 2772.424 4546.741 5544.848 5.634 27.57 66 8.35 1.106 1.318 0.765 1.105 1.237

26 485233.8 341860.7 2731.874 4480.239 5463.748 5.557 27.48 64 8.24 1.063 1.196 0.753 1.074 1.23

27 488239.2 342719.4 2777.953 4555.809 5555.906 5.645 30.11 60 8.37 1.089 1.26 0.756 1.112 1.23

28 484375.1 347442.1 2685.954 4404.93 5371.907 5.471 27.45 69 8.11 1.087 1.25 0.753 1.12 1.223

29 485749 354998.4 2816.324 4618.738 5632.649 5.717 28.61 60 8.48 1.038 1.118 0.753 1.053 1.23

30 493820.6 356973.4 2745.747 4502.99 5491.493 5.583 27.14 40 8.28 1.043 1.137 0.753 1.072 1.211

208

Lampiran F Titik sampel bagi kadar Kecekapan Penukaran Tenaga bagi kelapa sawit dan getah

Bil Koordinat Sampel kadar Kecekapan Penukaran Tenaga bagi Kelapa Sawit Sampel kadar Kecekapan Penukaran Tenaga bagi Getah

X Y Purata CASA GLOPEM VPM C-FIX Purata CASA GLOPEM VPM C-FIX1 482743.7 356715.8 1.084 1.27 0.756 1.069 1.24 1.116 1.371 0.763 1.092 1.238

2 480940.4 355341.9 1.055 1.141 0.775 1.058 1.244 1.1 1.314 0.769 1.091 1.225

3 483516.5 354483.2 0.994 0.993 0.785 0.956 1.243 1.088 1.275 0.771 1.071 1.235

4 479137.2 355771.3 1.088 1.273 0.759 1.08 1.24 1.102 1.326 0.769 1.086 1.226

5 479824.2 353882.2 1.099 1.323 0.75 1.093 1.228 1.109 1.328 0.767 1.102 1.237

6 478364.4 352508.3 1.075 1.243 0.761 1.065 1.232 1.091 1.281 0.761 1.087 1.236

7 476732.9 353538.7 1.09 1.294 0.756 1.07 1.24 1.077 1.246 0.767 1.061 1.234

8 469863.6 351134.4 1.044 1.13 0.774 1.03 1.24 1.113 1.365 0.759 1.1 1.23

9 468747.3 339542.3 1.07 1.204 0.767 1.062 1.249 1.091 1.306 0.753 1.074 1.232

10 474586.3 339284.7 1.081 1.244 0.759 1.077 1.244 1.135 1.432 0.753 1.13 1.225

11 476303.6 320995 1.017 0.993 0.784 1.065 1.225 1.14 1.438 0.756 1.131 1.233

12 484461 319792.8 1.07 1.208 0.763 1.088 1.221 1.139 1.441 0.753 1.132 1.228

13 493992.3 319191.8 1.086 1.271 0.753 1.081 1.238 1.101 1.316 0.763 1.108 1.23

14 495366.2 321939.5 1.075 1.204 0.767 1.081 1.25 1.131 1.428 0.753 1.115 1.229

15 494593.4 324429.7 1.068 1.188 0.765 1.071 1.249 1.071 1.247 0.763 1.045 1.227

16 498715 321510.2 1.004 1.024 0.779 0.968 1.246 1.081 1.28 0.763 1.052 1.229

17 496568.3 326490.5 1.014 1.055 0.775 0.878 1.248 1.087 1.266 0.763 1.087 1.23

18 494851 328723 1.068 1.208 0.761 1.051 1.252 1.102 1.318 0.761 1.095 1.235

19 499659.5 328637.2 1.074 1.233 0.761 1.06 1.241 1.1 1.325 0.759 1.09 1.227

20 495452 329753.4 1.054 1.181 0.761 1.028 1.244 1.068 1.203 0.765 1.053 1.249

21 496568.3 331213.2 1.035 1.11 0.771 1.008 1.25 1.1 1.316 0.759 1.091 1.232

22 495194.4 332415.3 1.068 1.218 0.761 1.051 1.242 1.084 1.27 0.765 1.073 1.226

23 491931.5 335592.4 1.056 1.161 0.771 1.06 1.231 1.074 1.232 0.767 1.059 1.237

24 497942.2 338855.4 1.08 1.253 0.761 1.052 1.253 1.125 1.394 0.759 1.121 1.228

25 494851 339714.1 1.066 1.193 0.765 1.047 1.257 1.079 1.238 0.763 1.078 1.236

26 495881.4 341173.8 1.242 1.153 0.763 1.074 1.251 1.078 1.241 0.769 1.067 1.235

27 498972.6 342891.2 1.058 1.171 0.771 1.04 1.248 1.09 1.273 0.759 1.061 1.265

28 494765.1 344093.3 1.048 1.138 0.772 1.034 1.248 1.121 1.375 0.763 1.11 1.235

29 497341.1 347098.7 1.073 1.254 0.759 1.037 1.241 1.083 1.255 0.756 1.074 1.248

30 491416.3 348816 1.05 1.146 0.771 1.024 1.257 1.102 1.305 0.761 1.112 1.231

Lampiran G Parameter data mentah ASTER a) set 1, dan b) set 2

Short Name : ASTL1B (UPPER)Granule ID : ASTL1B 0503160339100802290039Processing Level : 1BAcquisition Date : 20050316Source Data Product : ASTL1A 0503160339100503210356Scene ID : [126, 162, 2]Scene Center : 3.296258, 102.366236Scene Upper Left : 3.625847, 102.074030Scene Upper Right : 3.529956, 102.739136Scene Lower Right : 2.966273, 102.658345Scene Lower Left : 3.062407, 101.993693Processed Bands : "01023N3B0405060708091011121314"Orbit No. : 27884Flying Direction : "DE"Solar Direction : 101.329394, 64.369484Pointing Angle : VNIR=-5.729000, SWIR=-5.674000, TIR=-5.700000Path, Row, Swath : 126, 162, 2QA Percent Missing Data : 0.319238QA Percent Out of Bounds Data : 0.319238QA Percent Interpolate Data : 0.000000Cloud Coverage : 1Unit Conversion Coefficients:VNIR1(Incl,Offset): ( 0.676000, -0.676000 )VNIR2(Incl,Offset): ( 0.708000, -0.708000 )VNIR3N(Incl,Offset): ( 0.862000, -0.862000 )VNIR3B(Incl,Offset): ( 0.862000, -0.862000 )SWIR4(Incl, Offset): ( 0.217400, -0.217400 )SWIR5(Incl, Offset): ( 0.069600, -0.069600 )SWIR6(Incl, Offset): ( 0.062500, -0.062500 )SWIR7(Incl, Offset): ( 0.059700, -0.059700 )SWIR8(Incl, Offset): ( 0.041700, -0.041700 )SWIR9(Incl, Offset): ( 0.031800, -0.031800 )TIR10(Incl, Offset): ( 0.006882, -0.006882 )TIR11(Incl, Offset): ( 0.006780, -0.006780 )TIR12(Incl, Offset): ( 0.006590, -0.006590 )TIR13(Incl, Offset): ( 0.005693, -0.005693 )TIR14(Incl, Offset): ( 0.005225, -0.005225 )MpMethod : "UTM"UTMZoneCode : 48

Short Name : ASTL1B (LOWER)Granule ID : ASTL1B 0503160339190802290040Processing Level : 1BAcquisition Date : 20050316Source Data Product : ASTL1A 0503160339190503210357Scene ID : [126, 163, 2]Scene Center : 2.760979, 102.252633Scene Upper Left : 3.090550, 101.960621Scene Upper Right : 2.994662, 102.625307Scene Lower Right : 2.431019, 102.544579Scene Lower Left : 2.527171, 101.880290Processed Bands : "01023N3B0405060708091011121314"Orbit No. : 27884Flying Direction : "DE"Solar Direction : 100.289694, 64.388657Pointing Angle : VNIR=-5.729000, SWIR=-5.674000, TIR=-5.700000Path, Row, Swath : 126, 163, 2QA Percent Missing Data : 0.309130QA Percent Out of Bounds Data : 0.309130QA Percent Interpolate Data : 0.000000Cloud Coverage : 1Unit Conversion Coefficients:VNIR1(Incl, Offset): ( 0.676000, -0.676000 )VNIR2(Incl, Offset): ( 0.708000, -0.708000 )VNIR3N(Incl,Offset): ( 0.862000, -0.862000 )VNIR3B(Incl,Offset): ( 0.862000, -0.862000 )SWIR4(Incl, Offset): ( 0.217400, -0.217400 )SWIR5(Incl, Offset): ( 0.069600, -0.069600 )SWIR6(Incl, Offset): ( 0.062500, -0.062500 )SWIR7(Incl, Offset): ( 0.059700, -0.059700 )SWIR8(Incl, Offset): ( 0.041700, -0.041700 )SWIR9(Incl, Offset): ( 0.031800, -0.031800 )TIR10(Incl, Offset): ( 0.006882, -0.006882 )TIR11(Incl, Offset): ( 0.006780, -0.006780 )TIR12(Incl, Offset): ( 0.006590, -0.006590 )TIR13(Incl, Offset): ( 0.005693, -0.005693 )TIR14(Incl, Offset): ( 0.005225, -0.005225 )MpMethod : "UTM"UTMZoneCode : 48

(a) (b)

210

Lampiran H Parameter input bagi pemprosesan data ASTER a) Parameter orbit ASTER, b) Purata Exo-atmosfera Solar bagi jalur ASTER, c)Purata tenaga solar, Langleys, d) Jarak matahari-bumi dalam unit astronomical

Parameter Ciri-CiriOrbit Sun-Synchromous

Paksi Semi-Major 7078 kmEksentrik 0.0012

Julat ketinggian 700 – 737 kmKecondongan 98.2º ± 0.15 º

Ulangan Kitaran 16 hariTempoh Pengorbitan 98.9 minit

Jalur ASTER Purata Exo-atmosfera Solar (S0, mWcm-2μm-1)Jalur 1 1845.99

Jalur 2 1555.74

Jalur 3 1119.47

Jalur 4 231.25

Jalur 5 79.81

Jalur 6 74.99

Jalur 7 68.66

Jalur 8 59.74

Jalur 9 56.92

(a) (b)

Latitud BulanUtara J F M A M J J O S O N D

1 833 858 878 881 811 814 800 824 892 863 864 8202 824 852 877 883 817 823 806 830 891 858 854 810

3 814 846 876 884 825 831 815 834 891 853 845 7984 804 840 875 890 832 839 823 839 890 848 836 7865 794 833 874 893 839 847 830 843 889 842 827 7746 785 826 873 896 845 856 837 848 888 835 818 762

(c)

Hari Julian Jarak Hari Julian Jarak Hari Julian Jarak Hari Julian Jarak Hari Julian Jarak

1 0.9832 74 0.9945 152 1.0140 227 1.0128 305 0.992515 0.9836 91 0.9993 166 1.0158 242 1.0092 319 0.989232 0.9853 106 1.0033 182 1.0167 258 1.0057 335 0.986046 0.9878 121 1.0076 196 1.0165 274 1.0011 349 0.984360 0.9909 135 1.0109 213 1.0149 288 0.9972 365 0.9833

(d)211

Lampiran I Senarai singkatan dan unit bagi parameter permodelan Eko-Fisiologi

Singkatan Bahasa Melayu Bahasa Inggeris Unit

α - Albedo Permukaan Surface Albedo -ε - Kecekapan Penggunaan

CahayaLight Use Efficiency g CMJ-1

ξv - Pembolehubah PecahanLitupan Tumbuhan

Vegetation Cover FractionVariable

0 - 1

ξ - Emisiviti Emissivity 0 - 1ƒF - Faktor Kesan Fenologi Daun Leaf Phenology Effect Factor 0 - 1ƒP - Faktor Kesan Respirasi Respiration Effect Factor 0 - 1ƒSM - Faktor Kesan Kelembapan

TanahSoil Moisture Effect Factor 0 - 1

ƒT - Faktor Kesan Suhu Temperature Effect Factor 0 - 1ƒTcor - Faktor Pembetulan Suhu Temperature Correction

Effect Factor0 - 1

ƒVPD - Faktor Kesan DefisitTekanan Wap

Vapour Pressure DeficitEffect Factor

0 - 1

ƒW - Faktor Kesan Kandungan Air Water Contain Effect Factor 0 - 1ρ - Ketumpatan Udara Air Density Kg m-3

ρw - Ketumpatan Air Water Density g ml-1

δ - Nisbah NPP/GPP NPP/GPP Ratio 0 - 1Δ - Cerun Lengkung Tekanan

Wap TepuSlope of Saturated VapourPressure Curve

kPa °C-1

ΔHa - Pemalar Tenaga Pengaktifan Activation Energy Constant JK-1mol-1

ΔHd - Pemalar TenagaPenyahaktifan

Deactivation EnergyConstant

JK-1mol-1

ΔS - Pemalar Entropi PenyahasliKeseimbangan KarbonDioksida

Entropy of the DenaturationEquilibrium of CarbonDioxide

JK-1mol-1

- Pemalar Stefan-Boltzman Stefan-Boltzmann Constant kg s-3 K-4

θ - Sudut Zenit Solar Solar Zenith Angle º^ - Bahagian yang tersejat serta

mertaPart of evaporatedimmediately

0 - 1

λ - Aliran Haba Pendam Latent Heat Flux J K-1

AET - Sejatpeluhan Sebenar Actual Evapotranspiration mm/masaCWSI - Indeks Tekanan Air

TumbuhanCrop Water Stress Index 0 - 1

DN - Nombor Digital Digital Number 0-255DEM - Model Ketinggian Berdigit Digital Elevation Model md - Jarak Bumi dan Matahari Sun and Earth Distance mdT - Beza antara Suhu Permukaan

dan Suhu UdaraDifferent Between Surfaceand Air Temperature

ºC

EVI - Indeks PenonjolanTumbuhan

Enhanced Vegetation Index 0 - 1

em - Tekanan Wap Tepu Saturated Vapour Pressure Paed - Tekanan wap pada suhu takat

embunVapour pressure at the dewpoint temperature

Pa

212

GPP - Pengeluaran Primer Kasar Gross Primary Production g C m-2 yr-1

G - Aliran Haba Tanah Soil Heat Flux Wm-2

G0 - Aliran Haba Pendam Latent Heat Flux Wm-2

H - Aliran Haba Wajar Sensible Heat Flux Wm-2

LSWI - Indeks Air Permukaan Tanah Land Surface Water Index 0 - 1NPP - Pengeluaran Primer Bersih Net Primary Production g C m-2 yr-1

NDVI - Indeks Normalisasi PerbezaanTumbuhan

Normalized DifferenceVegetation Index

0 - 1

Pv - Perkadaran Tumbuhan Vegetation Proportion 0 - 1PET - Sejatpeluhan Potensi Potential Evapotranspiration mm/masaPAR - Radiasi Aktif Fotosintesis Photosynthetic Active

RadiationMJ m-2 yr-1

Rn - Radiasi Bersih Net Radiation MJ m-2 yr-1

Rsw - Radiasi Gelombang Pendek Shortwave Radiation MJ m-2 yr-1

RH - Kelembapan Bandingan Relative Humidity %Rg - Pemalar Udara Gas Constant J K-1 mol-1

ra - Rintangan Aerodinamik Aerodynamic Resistant s m-1

FAPAR - Sebahagian PenyerapanRadiasi Aktif Fotosintesis

Fraction of AbsorbedPhotosynthetic ActiveRadiation

0 - 1

S - Pemalar Solar Solar Constant W m-2

SM - Kelembapan Tanah Soil Moisture %SR - Penisbahan Mudah Simple Ratio 0 - 1Ts - Suhu Permukaan Surface Temperature ºCTa - Suhu Udara Air Temperature ºCTopt - Suhu Optimum Optimal Temperature ºCVPD - Defisit Tekanan Wap Vapor Pressure Deficit kPa

213

pengeluaran primer bersih kawasan hutan hujan tropika

Documents