PENGELUARAN PRIMER BERSIH KAWASAN HUTAN HUJAN TROPIKA MENGGUNAKAN DATA ASTER
advertisement
PENGELUARAN PRIMER BERSIH KAWASAN HUTAN HUJAN TROPIKA MENGGUNAKAN 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 1 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 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 2.5.2 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 Kesan Faktor Persekitaran Terhadap Pengeluaran Primer Tumbuhan 2.6 2.7 35 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 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 2.9 3 54 Ringkasan 55 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 3.2.3 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 Bahagian 3 : Pemprosesan 73 3.2.3.1 75 Indeks Tumbuhan 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 3.2.5 3.3 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 Bahagian 5 : Analisis Perisian dan Perkakasan 103 106 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 4.4.2 4.4.3 4.5 110 Hasil Pembetulan Radiometrik dan Mozek Data ASTER 111 Hasil Pengelasan Guna Tanah Kawasan Kajian 113 Hasil Penyediaan Parameter Model Eko-Fisiologi 115 4.5.1 116 Pengekstrakan Indeks Tumbuhan 4.5.1.1 Indeks Pembezaan Normalisasi Tumbuhan 4.6 116 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 Penerbitan Parameter Utama Kaedah Eko-Fisiologi 133 4.6.1 Kadar Kecekapan Penggunaan Cahaya 133 4.6.2 Sebahagian Penyerapan Radiasi Aktif 138 Fotosintesis xi 4.6.3 4.7 4.8 Radiasi Aktif Fotosintesis 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 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 4.9 Analisis Hasil Aplikasi Kaedah Eko-Fisiologi 4.9.1 4.9.2 4.10 141 161 170 Analisis Hasil Penerbitan Parameter Kaedah Eko-Fisiologi 170 Analisis Hasil Pengeluaran Primer Bersih 174 Analisis ketepatan hasil Pengeluaran Primer Bersih 178 4.10.1 Penilaian Ketepatan Pengeluaran Primer Bersih Getah 179 4.10.2 Penilaian Ketepatan Pengeluaran Primer Bersih Kelapa Sawit 180 4.10.3 Penilaian Ketepatan Pengeluaran Primer Bersih Hutan 5 181 4.11 Peta Hasil Akhir 183 4.12 Ringkasan 184 KESIMPULAN DAN CADANGAN 188 5.1 Kesimpulan 188 5.2 Cadangan 189 RUJUKAN Lampiran A-I 191 204-213 xii SENARAI JADUAL NO. JADUAL 2.1 TAJUK MUKA SURAT Ringkasan Kaedah Eko-Fisiologi yang terlibat dalam 45 kajian ini 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 4.10 135 Statistik kadar Kecekapan Penggunaan Cahaya bagi tiga jenis guna tanah utama di kawasan kajian menggunakan Model CASA dan Model GLOPEM 4.11 Statistik purata Kecekapan Penggunaan Cahaya kawasan kajian 4.12 135 137 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 4.14 139 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 4.31 184 Statistik hasil penerbitan parameter utama Kaedah EkoFisiologi bagi guna tanah utama kawasan kajian berdasarkan 90 titik sampel 4.32 185 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 1.2 Peta lokasi kawasan kajian: Hutan Simpan Pasoh, Negeri 2 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 3.4 61 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 3.9 Carta alir penerbitan parameter utama Kaedah Eko- 68 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) 4.3 Imej Set 2 data ASTER a) VNIR (15m), b) SWIR (30m) dan c) TIR (90m) 4.4 109 109 Perbandingan hasil pembetulan crosstalk jalur SWIR (kombinasi jalur 4,5,9) a) Data mentah jalur 5; dan b) Jalur 5 selepas pembetulan crosstalk 4.5 Gambaran keseluruhan imej ASTER selepas dimozekkan. (kombinasi jalur 4, 2, 1) 4.6 111 112 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 4.23 Purata kadar kecekapan penggunaan cahaya kawasan kajian 4.24 134 136 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,CFIX) 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 4.47 Hubungan antara suhu permukaan dan 160 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 - Advanced Spaceborne Thermal Radiometer Pantulan Termaju 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 - Clouds and the Earth's Radiant Bumi 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 - Different Between Surface and Suhu Udara Air Temperature EVI - Indeks Penonjolan Tumbuhan - Enhanced Vegetation Index EMR - Radiasi Elektro magnetik - Electromagnetic Radiation ERSDAC - Pusat Analisis Data Remote - Earth Remote Sensing Data Sensing Bumi, Jepun 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 - Vapour pressure at the dew embun FRIM - Institut Penyelidikan Perhutanan point temperature - Malaysia Forest Research Institute Malaysia GPP - Pengeluaran Primer Kasar - Gross Primary Production GLOPEM - Model Kecekapan Pengeluaran - Global Production Efficiency Global 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 - Intergovernmental Panel on Perubahan Iklim JUPEM - Jabatan Ukur dan Pemetaan Climate Change - 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 - Moderate Resolution Imaging Spektrum Radiometer Spectroradiometer MPOB - Lembaga Kelapa Sawit Malaysia - Malaysian Palm Oil Board MISR - Pengimejan Pelbagai Sudut - Multi-angle Imaging Spektrum Radiometer MOPITT - Pengukuran Pencemaran di dalam SpectroRadiometer - Troposfera Measurements Of Pollution In The Troposphere N2O - Nitrik oksida - Nitric oxide NPP - Pengeluaran Primer Bersih - Net Primary Production NIES - Institut Sains Alam Sekitar - National Institute of Kebangsaan, Jepun NOAA - Pentadbiran Lautan Dan Atmosfera Kebangsaan Environmental Sciences, Japan - 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 - Rectified Skew Orthomophic 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 - Satellite Pour Observation de la Terre FAPAR - Sebahagian Penyerapan Radiasi Terre - 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 - United Nations Framework Bangsa-bangsa Bersatu terhadap Convention on Climate Change Perubahan Iklim VNIR - Cahaya Nampak Inframerah- - Visible Near Infrared - Vegetation Photosynthetic dekat VPM - Model Fotosintesis Tumbuhan 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 - Vegetation Cover Fraction Tumbuhan 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 - Slope of Saturated Vapour Tepu Pressure Curve ΔHa - Pemalar Tenaga Pengaktifan - Activation Energy Constant ΔHd - Pemalar Tenaga Penyahaktifan - Deactivation Energy Constant ΔS - Pemalar Entropi Penyahasli - Entropy of the Denaturation Keseimbangan Karbon Dioksida τ0 - Kedalaman Optik Atmosfera Equilibrium of Carbon Dioxide - 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 - Part of evaporated immediately - Latent Heat Flux merta λ - Aliran Haba Pendam xxii SENARAI LAMPIRAN NO. LAMPIRAN TAJUK MUKA SURAT A Titik sampel bagi NPP hutan dan kelapa sawit B Titik sampel bagi NPP getah dan indeks tumbuhan bagi hutan C 206 Titik sampel bagi parameter model bagi hutan dan kelapa sawit E 205 Titik sampel indeks tumbuhan bagi kelapa sawit dan getah D 204 207 Titik sampel bagi parameter model bagi getah dan kadar kecekapan penggunaan cahaya bagi hutan F 208 Titik sampel bagi kadar kecekapan penggunaan cahaya bagi kelapa sawit dan getah G Parameter data mentah ASTER a) set 1, dan b) set 2 H 209 210 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 I 211 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. Atmosfera Ekosistem _ Rheterotrop + NEP + _ + Rautotrop Rtanah GPP NPP + Respirasi mikro-organisma Daun Pengumpulan Karbon Respirasi haiwan Batang Daun/ranting gugur Haiwan Mikro-organisma Akar Tanah Bahan organik Sumber: Ubahsuai dari Monji, (2003) Rajah 1.1 Aliran karbon dalam satu ekosistem 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. NPP GPP R .....(1.1) 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 5 penebangan dan kemusnahan ekosistem. Kaedah ini dikenali sebagai kaedah EkoFisiologi 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 EkoFisiologi 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 EkoFisiologi. 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 modelmodel 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. Perisianperisian 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 tumbuhtumbuhan (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 Sumber : Kosugi et al., (2008) 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). Karbon dioksida (ppm) Perubahan Suhu (F) 1.6 380 Perubahan Suhu 360 1.2 Konsentrasi Karbon dioksida 340 0.8 320 0.4 300 0.0 -0.4 280 1865 1885 1905 1925 1945 1965 1985 2005 Tahun Sumber: Ubahsuai dari Keeling dan Whorf, (2005) Rajah 2.1 Konsentrasi karbon dioksida dan perubahan suhu sejagat 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. CO2 di atmosfera aliran karbon keluar aliran karbon masuk Pengeluaran Primer Kasar Respirasi Batang Daun Dahan Akar Ranting aliran karbon masuk Pengeluaran Primer Bersih Rajah 2.2 Kitaran karbon antara tumbuhan dan atmosfera 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 bersamasama 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 CO2 H 2 O cahaya _ CH 2 O O2 matahari ….2.1 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). Paras Fotosintesis Titik Tepu Radiasi Aktif Fotosintesis (PAR) Sumber: Ubahsuai dari Furumi et al., (2002) Rajah 2.3 Graf lengkungan tindak balas cahaya matahari dalam fotosintesis 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). CH 2 O O2 CO2 H 2 O Tenaga ….2.2 di mana; 2.4 CH2O = Organik karbon; O2 = Oksigen; CO2 = Karbon dioksida; dan H2O = Air 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 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). NPP GPP Ra ….2.3 di mana, NPP = Pengeluaran Primer Bersih; 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 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). NPP W L G ….2.3 di mana, NPP = Pengeluaran Primer Bersih; 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). 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, NPP 3000 1 exp1.315 0.119T ….2.4 3000 1 exp 0.111664 P ….2.5 dan, NPP di mana, NPP = Pengeluaran Primer bersih; T = Purata Suhu Tahunan; dan P = Purata Hujan Tahunan 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, NPP 3000 1 exp 0.0009696 E 20 ….2.6 dan, Model Chikugo, NPP 0.29 Rn exp 0.216 RDI ….2.7 di mana, NPP = Pengeluaran Primer Bersih; 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. 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 CO2 CO2 CO2 Rh Ra GPP Karbon bahagian gugur Tumbuhan Nitrogen Tanah bahagian gugur Pengambilan Nitrogen oleh tumbuhan Input Nitrogen ke dalam ekosistem Karbon Nitrogen Pemineralan Nitrogen Bersih Organik Nitrogen dalam tanah Kehilangan Nitrogen dari ekosistem 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. 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 kaedahkaedah lain seperti kaedah Permodelan Ekosistem dan kaedah Remote Sensing. NEE GPP Rh Rt ….2.8 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). 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 keduadua 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 prosesproses 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 Jisim (Mg/ha/yr) 20 Fotosintesis bersih Respirasi Biojisim bawah tanah Sel mati 10 Biojisim atas tanah 0 20 35 Tahun 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. 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. NPP PAR FAPARCASA 0 fT fSM ….(2.9) di mana, NPP = Pengeluaran Primer Bersih; 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. 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. NPP PAR FAPARGLOPEM 0 fVPD fP ….(2.10) di mana, NPP = Pengeluaran Primer Bersih; PAR = Radiasi Aktif Fotosintesis; FAPARGLOPEM = Sebahagian Penyerapan Radiasi Aktif Fotosintesis; ε0 = Kecekapan Penggunaan Cahaya Optimum; ƒVPD = Faktor Kesan Defisit Tekanan Wap; dan ƒP = Faktor Kesan Respirasi 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 NPP PAR FAPARVPM 0 fT fW fF ….(2.11) di mana, NPP = Pengeluaran Primer Bersih; PAR = Radiasi Aktif Fotosintesis; FAPARVPM = Sebahagian Penyerapan Radiasi Aktif Fotosintesis; ε0 = Kecekapan Penggunaan Cahaya Optimum; 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). 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). NPP PAR FAPARC Fix 0 fTcor ....(2.12) di mana, GPP = Pengeluaran Primer Kasar; PAR = Radiasi Aktif Fotosintesis; FAPARC-Fix = Sebahagian Penyerapan Radiasi Aktif Fotosintesis; Model ε0 = Kecekapan Penggunaan Cahaya Optimum; dan ƒTcor = Faktor Pembetulan Suhu C-Fix dibangunkan berdasarkan kaedah Eko-Fisiologi yang menganggarkan NPP dengan melihat perubahan taburan NPP terhadap persekitaran 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 CASA -Faktor Kesan Suhu (Carnegie Ames -Faktor Kesan Stanford Approach) Lengasan Tanih GLOPEM (Global Production Efficiency Model) -Faktor Kesan Defisit Tekanan Wap -Faktor Kesan Respirasi Sumber Potter et al., (1993), Tao et al., (2005), (Werf et al 2003), Potter et al., (1999), Potter et al., (2007). Goetz et al., (1999), Tao et al., (2005), Prince dan Goward, (1995), Goetz et al., (2000), -Faktor Kesan Suhu VPM -Faktor Kesan Xiao et al., (2004), Xiao et al., (Vegetation Kandungan Air (2005), Nugroho, (2006), Li et Photosynthesis Model) - Faktor Kesan al., (2007). Phenology C-Fix -Faktor Pembetulan (Carbon Fix Model) 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. 280 NIR SWIR TIR Suhu dan Struktur Permukaan Awan DEM Guna Tanah Sejatpeluhan Tumbuhan Geologi Suhu Permukaan Suhu Laut Rajah 2.6 Aplikasi penggunaan data ASTER 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 No. Jalur (ρ) Julat Spektrum (µm) 1 0.520 - 0.600 Jalur Nampak Inframerah 2 0.630 - 0.690 Dekat (VNIR) 3N 0.780 - 0.860 3B 0.780 - 0.860 4 1.600 - 1.700 5 2.145 - 2.185 6 2.185 - 2.225 7 2.235 - 2.285 8 2.295 - 2.365 9 2.360 - 2.430 10 8.125 - 8.475 11 8.475 - 8.825 12 8.925 - 9.275 13 10.25 - 10.95 14 10.95 - 11.65 Set Data Jalur Gelombang Pendek Inframerah (SWIR) Jalur Termal Inframerah (TIR) Ubahsuai : ASTER User Guide, (2005) 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 tumbuhtumbuhan 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 jalurjalurnya. 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 jalurjalurnya. 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. Faktorfaktor 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 EkoFisiologi. 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 EkoFisiologi. 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 CFix (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. Perolehan Data Data Sokongan Remote Sensing 1 Perolehan Data Data Meteorologi 2 Pra-Pemprosesan Pra-Pemprosesan data ASTER -Jalur 1, Jalur 2,Jalur 3n (NIR) -Jalur 5, Jalur 6, Jalur 8, jalur 9 (SWIR) -Jalur 10 (TIR) -Penghasilan Peta Dasar Kawasan Kajian 3 Pemprosesan -Pengekstrakan Data Parameter Model Eko-Fisiologi -Penyediaan Data Parameter Model Eko- Fisiologi -Penghasilan Model Ketinggian Berdigit (DEM) -Pengelasan Guna Tanah 4 Aplikasi Model Penilaian Model Eko-Fisiologi Model CASA Model GLOPEM Model VPM Model C-Fix Pengeluaran Primer Bersih 5 Analisis Analisis Ketepatan Kuantitatif Analisis Hasil Kualitatif Peta Pengeluaran Primer Bersih Rajah 3.1 Metodologi kajian 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% 15 m (VNIR), 30 m 15 m (VNIR), 30 m (SWIR), 90 m (TIR) (SWIR), 90 m (TIR) Resolusi Ruang 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. Parameterparameter 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. Sumber : Kosugi et al., (2008) 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 prapemprosesan 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 Data mentah ASTER Set 1 Set 2 1 Penyediaan data mentah Jalur SWIR Jalur VNIR Jalur 4 Jalur 5 Jalur 6 Jalur 8 Jalur 9 Jalur 1 Jalur 2 Jalur 3n Jalur TIR Jalur 10 2 Pra-Pemprosesan data Pembetulan Crosstalk Pensampelan Jalur Pembetulan Putaran Pembetulan Geometri Kalibrasi Radiometrik 3 Penyediaan data pemprosesan Jalur 1,2,3n,4,5,6,8,9 Jalur 10 Jalur ASTER dengan nilai Pembalikan Jalur ASTER dengan nilai suhu jasad hitam Penopengan Awan Pemotongan Kawasan Kajian Rajah 3.5 Carta alir pra-pemprosesan jalur ASTER 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. X Arah pergerakan satelit Y Jalur 7 Jalur 8 Jalur 9 Bidik Laras Jalur 4 Jalur 5 Jalur 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. 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). ~ n f x, y f 4 x xn , y y n h n x, y ….. (3.1) ~ n di mana n adalah jalur 5,6,7,8 dan 9 bagi data ASTER manakala fungsi f x, y n dan f x, y 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. a n h n x, y 2 n n x y n 2 2 exp 1 x 2 y 2 2 xn yn ….. (3.2) n n di mana parameter a , x , y ,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 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. Imej dengan orientasi peta Imej dengan orientasi laluan Sudut orientasi Rajah 3.7 Orientasi imej kepada orientasi peta menggunakan maklumat sudut orientasi dari fail utama imej 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. Imej ASTER dengan herotan geometri Penentuan titik kawalan Tidak memuaskan Koordinat (X,Y) daripada peta Pemindahan nombor berdigit berpandukan polinomial berdarjah dua dengan menggunakan teknik jiran terdekat (Nearest Neighbour) Pengiraan matriks transformasi dan selisih RMS Memuaskan Penentuan titik kawalan Imej ASTER yang telah dibetulkan geometri Rajah 3.8 Prosedur pembetulan geometri imej ASTER 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 sekurangkurangnya 6 titik kawalan. Secara amnya, penyelesaian polinomial ini ditunjukkan seperti dalam persamaan 3.4 hingga 3.9. X 1 f 1 x, y 1 ….. (3.4) Y1 f 2 x, y 2 ….. (3.5) 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 ….. (3.6) Y1 = b0 + b1x + b2y + b3xy + b4x2 + b5y2 + b6x2y + b7xy2 + b8x3 + b9y3 ….. (3.7) di mana, X1, Y1 = Koordinat imej yang mempunyai herotan; dan a,b Nilai pekali yang tidak diketahui = 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. RMSE X X 1 X r 2 nk ….. (3.8) dan, RMSEY Y1 Yr 2 nk ….. (3.9) 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 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 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 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 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. L DN 1 UnitPekaliPenukaran ….. (3.10) 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. L d 2 S 0 cos s ….. (3.11) dan, d 1 0.01672 cosL 0.9856 D j ….. (3.12) 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 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 EkoFisiologi. Jalur ASTER dengan nilai suhu jasad hitam Jalur ASTER dengan nilai pembalikan -Jalur 1 -Jalur 3 -Jalur 5 -Jalur 6 -Jalur 8 -Jalur 9 -Jalur 3n -Jalur 5 LSWI -Jalur 1 -Jalur 2 -Jalur 3n -Jalur 2 -Jalur 3n EVI NDVI Albedo Nisbah Sejatpeluhan Jalur 10 Suhu Permukaan Radiasi Bersih 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. 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. NDVI 857 647 857 647 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. LSWI 860 2130 860 2130 di mana, LSWI = Indeks Air Permukaan Tanah; ρ860 = Jalur 3n VNIR; dan 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. EVI 857 647 2.5 1 857 647 ….. (3.15) 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). 78 Ts 1.43879 10 4 3.74151 10 4 max j ln 1 5 Lj j ….. (3.16) dan, L j DN 1 R n ….. (3.17) 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). 10 0.044 Pv 0.946 ….. (3.18) 11 0.041 Pv 0.949 ….. (3.19) 12 0.049 Pv 0.941 ….. (3.20) 13 0.022 Pv 0.968 ….. (3.21) 14 0.020 Pv 0.970 ….. (3.22) 79 dan, NDVI 0.04 Pv 0.48 2 ….. (3.23) 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). Rn 1 Rsw 277.8 Ts4 0.34 0.14 ea ….. (3.24) manakala, ea 17.27Ta RH 0.6108 exp 100 Ta 237.3 ….. (3.25) dan, Ta Ts dT 273 ….. (3.26) 80 di mana, Rn = Radiasi Bersih; Ts = Suhu Permukaan; 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. R sw 0.75 DEM 2 10 5 E 0 S cos ….. (3.27) 2 D E 0 1 0.33 cos 365 ….. (3.28) dan, 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 81 Albedo permukaan dapat diperoleh menggunakan teknik remote sensing berdasarkan persamaan berikut di mana ρn mewakili jalur ASTER (Wang et al., 2003). 0.481 0.335 3 0.324 5 0.551 6 0.305 8 0.367 9 0.0015 ….. (3.29) 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. 82 ETR AET PET ….. (3.30) 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. AET LE PET Rn G0 ….. (3.31) LE Rn G0 H ….. (3.32) dan, di mana, LE = Aliran Haba Pendam; G0 = Aliran Haba Tanah; Rn = Radiasi Bersih; dan H = Aliran Haba Wajar 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). H Rn G0 ….. (3.33) di mana, Rn = Radiasi Bersih; dan 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. G0 Ts 0.0032 0.0062 1 NDVI 4 Rn di mana; Ts = Suhu permukaan; α = Albedo permukaan; NDVI = Indeks tumbuhan; dan Rn Radiasi bersih = ….. (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. Ts Ts AET 0.6 max Ts Ts min max 2 n R G n 0 0 .4 F n sin N ….. (3.35) di mana, AET = Sejatpeluhan Sebenar; Ts = Suhu Permukaan; 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. PET H 0.35 1 0.526 u em ed 5326.4 em 2 T a ….. (3.36) 85 dan, 17.27 Ta 4098 0.610 exp T 237 . 3 a 2 Ta 237.3 ….. (3.37) 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. 5326.43 em exp 21.0287 T a ….. (3.38) ed em RH ….. (3.39) dan, di mana, em = Tekanan Wap Tepu; Ta = Purata Suhu Udara; dan RH = Kelembapan Bandingan 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. AET PET ^ ….. (3.40) dan, Rn PET w 86400 10 3 ….. (3.39) 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. ^ Rn G0 di mana, ^ = Bahagian yang tersejat serta merta; G0 = Aliran Haba Tanah; Rn = Radiasi Bersih; dan λ = Aliran Haba Pendam ….. (3.40) 87 Manakala kadar aliran haba pendam dapat diperoleh berdasarkan kepada nilai suhu permukaan iaitu sebagaimana ditunjukkan dalam persamaan 3.41. 2.501 0.002361 Ts 10 6 ….. (3.41) 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). 0.5n PAR 0.48 0.25 R s N ….. (3.42) di mana, PAR = Radiasi Aktif Fotosintesis; n = Purata Masa Sinaran Matahari Harian Sebenar; N = Jumlah Maksimum Masa Sinaran Matahari Harian; dan Rs = Radiasi Solar 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. Rs Rn 0.0342 0.82 ….. (3.43) di mana, 3.2.4 Rs = Radiasi Solar; dan Rn = Radiasi Bersih Bahagian 4 : Aplikasi Model NPP merupakan kunci utama bagi komponen kitaran karbon. Kaedah EkoFisiologi 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 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 kawasankawasan 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 EkoFisiologi 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 Model Input PET Proses Output AET T 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). ….. (3.44) NPP PAR FAPARCASA 0 fT fSM di mana, NPP = Pengeluaran primer Bersih; 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 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 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:- fT T1 T2 ….. (3.45) manakala, 2 T1 0.8 0.02 Topt 0.0005 Topt ….. (3.46) dan, 1 1 T2 ….. (3.47) 1 exp 0.2 Topt 10 Ta 1 exp 0.3 Topt 10 Ta dan, fSM 0.5 0.5 ETR di mana, ƒT = Faktor Kesan Suhu; Topt = Suhu Optimum; Ta = Purata Suhu Udara; ƒSM = Faktor Kesan Lengasan Tanih; dan ETR = Nisbah Sejatpeluhan ….. (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. NDVI 0.04 0.949 FAPAR NDVI 0.01 0.48 ….. (3.49) NDVI 1.08 0.949 FAPAR SR 0.01 0.48 ….. (3.50) dan, 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. 93 FAPARCASA 0.5 FAPAR NDVI 0.5 FAPARSR ….. (3.51) 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. Model Input P Proses VPD Rajah 3.11 Permodelan GLOPEM Output 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). NPP PAR FAPARGLOPEM 0 fVPD fP ….. (3.52) di mana, NPP = Pengeluaran Primer Bersih; PAR = Radiasi Aktif Fotosintesis; FAPARGLOPEM= Sebahagian Penyerapan Radiasi Aktif Fotosintesis; ε0 = Kecekapan Penggunaan Cahaya Optimum; 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 faktorfaktor 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. fVPD 1.2 exp 0.35 D 0.2 ….. (3.53) 95 dan, 17.27 Ta e D 0.6108 exp Ta 237.3 ….. (3.54) di mana, fVPD = Faktor Kesan Defisit Tekanan Wap; D = Defisit Tekanan Wap; Ta = Purata Suhu Udara; dan 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. 2.6 7166.1 min T Ta exp 0.5 s fP 0.53 2.6 25 7166.1 min 50 ….. (3.55) di mana; ƒP = Faktor Kesan Respirasi; Ta = Purata Suhu Udara; dan Ts = Suhu Permukaan Bagi perolehan Sebahagian Penyerapan PAR (FAPAR), Model GLOPEM menggunakan hubungan impirikal antara FAPAR dan indeks tumbuhan 96 menggunakan data remote sensing. Hubungan ini ditunjukkan sebagaimana persamaan 3.56 (Goetz et al., 1999). FAPARGLOPEM 1.67 NDVI 0.08 ….. (3.56) di mana, FAPARGLOPEM= Sebahagian Penyerapan Radiasi Aktif Fotosintesis; dan NDVI Indeks Normalisasi Perbezaan Tumbuhan = 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. Model T Input Proses F WT Rajah 3.12 Permodelan VPM Output 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. NPP PAR FAPARVPM 0 fT fW fF ….. (3.57) di mana, NPP = Pengeluaran Primer Bersih; PAR = Radiasi Aktif Fotosintesis; FAPAR VPM = Sebahagian Penyerapan Radiasi Aktif Fotosintesis; ε0 = Kecekapan Penggunaan Cahaya Optimum; ƒT = Faktor Kesan Suhu; ƒW = Faktor Kesan Kandungan Air; 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 faktorfaktor ini mempengaruhi kadar NPP tumbuhan dan ditunjukkan seperti dalam persamaan 3.58. 98 fT Ta 2 Ta 48 Ta 2 Ta 48 Ta 282 ….. (3.58) 1 LSWI 1 LSWI max ….. (3.59) 1 LSWI 2 ….. (3.60) manakala, fW dan, fF di mana, ƒT = Faktor Kesan Suhu; Ta = Suhu Udara; ƒW = Faktor Kesan Kandungan Air; 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. LSWI 860 2130 860 2130 di mana, LSWI = Indeks Air Permukaan Tanah; ρ860 = Jalur 3n VNIR; dan ρ2130 = Jalur 5 SWIR ….. (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. FAPARVPM EVI ….. (3.62) manakala, EVI 1 857 857 647 2.5 6 647 7.5 466 ….. (3.63) 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 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. Model Input Tcor Proses Output 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). NPP PAR FAPARC Fix 0 fTcor ….. (3.64) di mana, NPP = Pengeluaran Primer Bersih; PAR = Radiasi Aktif Fotosintesis; FAPARC-Fix = Sebahagian Penyerapan Radiasi Aktif Fotosintesis; ε0 = Kecekapan Penggunaan Cahaya Optimum; ƒTcor = Faktor Pembetulan Suhu; dan δ = Nisbah NPP/GPP 101 Bagi mendapatkan Faktor Pembetulan Suhu (ƒTcor), persamaan yang digunakan adalah seperti berikut:- fTcor H a exp 21.9 R T g a H d 1 exp STa R g Ta ….. (3.65) di mana, ƒTcor = Faktor Pembetulan Suhu; ΔHa = Pemalar Tenaga Pengaktifan; Rg = Pemalar Udara; ΔS = Pemalar Entropi Penyahasli Keseimbangan Karbon Dioksida; Ta = Purata Suhu Udara; dan 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. FAPARC Fix 1.1638 NDVI 0.1426 ….. (3.66) di mana, FAPARC-Fix = Sebahagian Penyerapan Radiasi Aktif Fotosintesis; dan NDVI = Indeks Normalisasi Perbezaan Tumbuhan 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. Parameter Model Eko-Fisiologi Model CASA Model GlOPEM Model VPM -Radiasi Aktif Fotosintesis -Kecekapan Penggunaan Cahaya Optimum -Faktor Kesan Suhu -Faktor Kesan Lengasan Tanih -Suhu Optimum - Purata Suhu Udara - Sejatpeluhan Sebenar -Sejatpeluhan Potensi -Sebahagian Penyerapan Radiasi Aktif Fotosintesis -Indeks Normalisasi Perbezaan Tumbuhan -Indeks Normalisasi Perbezaan Tumbuhan -Radiasi Aktif Fotosintesis -Kecekapan Penggunaan Cahaya Optimum -Faktor Kesan Defisit Tekanan Wap -Faktor Kesan Respirasi -Defisit Tekanan Wap -Purata Suhu Udara -Tekanan Wap Sebenar - Suhu Permukaan - Sebahagian Penyerapan Radiasi Aktif Fotosintesis -Indeks Normalisasi Perbezaan Tumbuhan -Radiasi Aktif Fotosintesis -Sebahagian Penyerapan Radiasi Aktif Fotosintesis -Kecekapan Penggunaan Cahaya Optimum -Faktor Kesan Fenologi Daun -Nisbah NPP/GPP -Faktor Kesan Suhu -Suhu Udara -Faktor Kesan Kandungan Air -Indeks Air Permukaan Tanah -Indeks Penonjolan Tumbuhan NPP CASA NPP GLOPEM NPP C-Fix Rajah 3.14 Parameter Kaedah Eko-Fisiologi Model C-Fix -Radiasi Aktif Fotosintesis -Kecekapan Penggunaan Cahaya Optimum -Faktor Pembetulan Suhu -Nisbah NPP/GPP -Pemalar Tenaga Pengaktifan -Pemalar Udara -Purata Suhu Udara -Pemalar Entropi Penyahasli Keseimbangan Karbon Dioksida - Sebahagian Penyerapan Radiasi Aktif Fotosintesis - Indeks Normalisasi Perbezaan Tumbuhan NPP VPM 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 parameterparameter 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). S CV _ 100 x di mana, CV = Coefficient of Variation; S = Sisihan Piawai; dan = Nilai Purata _ x ….. (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. _ x 1 xi n i 1 ….. (3.68) 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 n S xi x n i 1 di mana, n = Bilangan sampel; xi = Nilai bagi sampel i; dan = Nilai Purata _ x ….. (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. rxy n x 2 i n xi yi xi yi xi 2 n y 2 i yi 2 ….. (3.70) 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. 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. Prapemprosesan 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). 1 Sempadan set imej 2 Hutan Simpan Pasoh Rajah 4.5 Gambaran keseluruhan imej ASTER selepas dimozekkan. (kombinasi jalur 4, 2, 1) 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. c b 42 km a 42 km 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 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 masingmasing 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. 0.19% 8.00% 35.90% 23.65% Getah Hutan Kelapa Sawit Lain-lain guna tanah Penempatan 32.26% 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, 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 prapemprosesan. 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 Guna Tanah Minimum Maksimum Purata 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 EkoFisiologi menggunakan Model VPM. Jadual 4.3 Statistik EVI kawasan kajian Guna Tanah Minimum Maksimum Purata 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 Guna Tanah Minimum Maksimum Purata 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) Guna Tanah Minimum Maksimum Purata 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) Guna Tanah Minimum Maksimum Purata 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) Guna Tanah Minimum Maksimum Purata Keseluruhan 6.35 9.34 8.38 Hutan 7.37 8.85 7.62 Kelapa Sawit 7.22 8.56 7.44 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 3.28 Rajah 4.21 Sejatpeluhan sebenar bagi kawasan kajian Jadual 4.8 Statistik sejatpeluhan sebenar di kawasan kajian (mm/hari) Guna Tanah Minimum Maksimum Purata Keseluruhan 3.28 6.30 5.65 Hutan 4.64 5.96 4.80 Kelapa Sawit 4.54 5.77 4.69 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. 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 CFix. 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 EkoFisiologi 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 Guna Tanah Min* Mak* Purata Hutan 1.102 1.293 1.204 Kelapa Sawit 1.115 1.322 Getah 1.195 1.398 Min* = Minimum , GLOPEM Sisihan Sisihan Min* Mak* Purata 0.051 0.744 0.765 0.755 0.006 1.249 0.056 0.753 0.773 0.761 0.005 1.274 0.064 0.750 0.771 0.762 0.007 Piawai Piawai Mak* = Maksimum 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 Guna Tanah Min* Mak* Purata C-Fix Sisihan Piawai Min* Mak* Purata 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 EkoFisiologi 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 Guna Tanah Min* Mak* Purata GLOPEM Sisihan Piawai Min* Mak* Purata 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 Min* = Minimum , Mak* = Maksimum 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 Guna Tanah Min* Mak* Purata Hutan 0.689 0.790 0.736 Kelapa Sawit 0.718 0.825 Getah 0.766 0.881 Min* = Minimum , C-Fix Sisihan Sisihan Min* Mak* Purata 0.025 0.749 0.852 0.806 0.028 0.780 0.029 0.756 0.866 0.829 0.029 0.805 0.035 0.802 0.900 0.842 0.031 Mak* = Maksimum Piawai Piawai 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 Guna Tanah Purata (CASA, GLOPEM, VPM, C-Fix) Minimum Maksimum Purata Sisihan Piawai 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 Guna Tanah Minimum Maksimum Purata Sisihan Piawai 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 Guna Tanah Minimum Maksimum Purata Sisihan Piawai 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 Guna Tanah Minimum Maksimum Purata Sisihan Piawai 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 Guna Tanah Minimum Maksimum Purata Sisihan Piawai 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 Guna Tanah Minimum Maksimum Purata Sisihan Piawai 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 gCm2 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 Guna Tanah Minimum Maksimum Purata Sisihan Piawai 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 EkoFisiologi, 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. NPP (gCm2 yr-1) 3500 y = 0.0014x 2 - 16.646x + 51720 R = 0.45 3000 2500 2000 1500 1000 500 0 5300 5400 5500 5600 5700 Sinaran Solar (MJ m-2 yr-1) 5800 5900 Rajah 4.33 Hubungan antara radiasi solar dan NPPCASA 3500 NPP (gCm2 yr-1) y = 7E-05x 2 - 1.0103x + 6289.6 R = 0.34 3000 2500 2000 1500 1000 500 0 5300 5400 5500 5600 5700 Sinaran Solar (MJ m-2 yr-1) 5800 5900 Rajah 4.34 Hubungan antara radiasi solar dan NPPGLOPEM 154 3000 NPP (gCm2 yr-1) y = 0.001x 2 - 11.767x + 36904 R = 0.50 2500 2000 1500 1000 500 0 5300 5400 5500 5600 5700 Sinaran Solar (MJ m-2 yr-1) 5800 5900 Rajah 4.35 Hubungan antara radiasi solar dan NPPVPM 3500 NPP (gCm2 yr-1) y = -0.0007x 2 + 7.0066x - 15190 R =0.47 3000 2500 2000 1500 1000 500 0 5300 5400 5500 5600 5700 Sinaran Solar (MJ m-2 yr-1) 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. 155 NPP (gCm2 yr-1) 3500 y = 0.0008x 2 - 9.8134x + 32669 R = 0.59 3000 2500 2000 1500 1000 500 0 5300 5400 5500 5600 5700 Sinaran Solar (MJ m-2 yr-1) 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 Radiasi Solar dan NPP(CASA,GLOPEM,VPM,C-FIX) 2 y = -0.0007x + 7.0066x -15190 0.47 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 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. 3500 NPP (gCm2 yr-1) y = 3326.2x 2 - 38684x + 114704 R = 0.41 3000 2500 2000 1500 1000 500 0 5.4 5.5 5.6 5.7 5.8 Sejatpeluhan (mm/hari) 5.9 6 Rajah 4.38 Hubungan antara sejatpeluhan dan NPPCASA 3000 NPP (gCm2 yr-1) y = 1994.1x 2 - 23267x + 70061 R = 0.5 2500 2000 1500 1000 500 0 5.4 5.5 5.6 5.7 5.8 Sejatpeluhan (mm/hari) 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. 157 3500 NPP (gCm2 yr-1) y = 688.5x 2 - 8002.7x + 26060 R = 0.28 3000 2500 2000 1500 1000 500 0 5.4 5.5 5.6 5.7 5.8 Sejatpeluhan (mm/hari) 5.9 6 Rajah 4.40 Hubungan antara sejatpeluhan dan NPPGLOPEM 3500 NPP (gCm2 yr-1) y = 2023x 2 - 23174x + 69219 R = 0.28 3000 2500 2000 1500 1000 500 0 5.4 5.5 5.6 5.7 5.8 Sejatpeluhan (mm/hari) 5.9 6 Rajah 4.41 Hubungan antara sejatpeluhan dan NPPC-Fix NPP (gCm2 yr-1) 3500 y = 2848.4x 2 - 33080x + 98558 R = 0.48 3000 2500 2000 1500 1000 500 0 5.4 5.5 5.6 5.7 5.8 Sejatpeluhan (mm/hari) 5.9 6 Rajah 4.42 Hubungan antara sejatpeluhan dan NPP(CASA,GLOPEM,VPM,C-FIX) 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 Hubungan Persamaan Nilai R Sejatpeluhan dan NPPCASA y = 1994.1x2 - 23267x + 70061 0.50 Sejatpeluhan dan NPPVPM Sejatpeluhan dan NPPGLOPEM 2 0.41 2 0.28 2 y = 3326.2x - 38684x + 114704 y = 688.5x - 8002.7x + 26060 Sejatpeluhan dan NPPC-FIX y = 2023x - 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. 3500 NPP (gCm2 yr-1) y = -51.997x 2 + 2779x - 34728 R = 0.38 3000 2500 2000 1500 1000 500 0 0 5 10 15 20 Suhu Permukaan (ºC) 25 30 35 Rajah 4.43 Hubungan antara suhu permukaan dan NPPCASA 3500 NPP (gCm2 yr-1) y = -14.248x 2 + 758.69x - 7252.8 R = 0.38 3000 2500 2000 1500 1000 500 0 0 5 10 15 20 Suhu Permukaan (ºC) 25 30 35 Rajah 4.44 Hubungan antara suhu permukaan dan NPPGLOPEM 160 3000 NPP (gCm2 yr-1) y = -32.83x 2 + 1764.5x - 21404 R = 0.4 2500 2000 1500 1000 500 0 0 5 10 15 20 Suhu Permukaan (ºC) 25 30 35 Rajah 4.45 Hubungan antara suhu permukaan dan NPPVPM 3500 NPP (gCm2 yr-1) y = -9.444x 2 + 467.06x - 2817.9 R = 0.37 3000 2500 2000 1500 1000 500 0 0 5 10 15 20 Suhu Permukaan (ºC) 25 30 35 Rajah 4.46 Hubungan antara suhu permukaan dan NPPC-Fix 3500 NPP (gCm2 yr-1) y = -25.958x 2 + 1371.4x - 15472 R = 0.34 3000 2500 2000 1500 1000 500 0 0 5 10 15 20 Suhu Permukaan (ºC) 25 30 35 Rajah 4.47 Hubungan antara suhu permukaan dan NPP(CASA,GLOPEM,VPM,C-FIX) 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 Hubungan Persamaan 2 Nilai R Suhu Permukaan dan NPPCASA y = -51.99x + 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 y = -25.958x2 + 1371.4x 15472 0.34 Suhu Permukaan dan NPP(CASA,GLOPEM,VPM,C-FIX) 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 CFix dan NDVI pula mencatatkan kekuatan yang agak tinggi iaitu sebanyak 0.94. Kedua-dua hubungan ini ditunjukkan pada Rajah 4.50 dan 4.51. 3500 NPP (gCm2 yr-1) y = 32285x 2 - 34653x + 11490 R = 0.56 3000 2500 2000 1500 1000 500 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 NDVI Rajah 4.48 Hubungan antara NDVI dan NPPCASA 3500 NPP (gCm2 yr-1) y = 3046.5x 2 - 2431.5x + 3201.6 R = 0.61 3000 2500 2000 1500 1000 500 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 NDVI Rajah 4.49 Hubungan antara NDVI dan NPPGLOPEM 0.8 163 3000 NPP (gCm2 yr-1) y = 10359x 2 - 9744.7x + 4404.2 R = 0.68 2500 2000 1500 1000 500 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 NDVI Rajah 4.50 Hubungan antara NDVI dan NPPVPM 3500 NPP (gCm2 yr-1) y = -6735.8x 2 + 10487x - 923.59 R = 0.94 3000 2500 2000 1500 1000 500 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 NDVI Rajah 4.51 Hubungan antara NDVI dan NPPC-Fix 3500 NPP (gCm2 yr-1) y = 880.61x 2 + 3073.4x + 505.48 R = 0.99 3000 2500 2000 1500 1000 500 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 NDVI Rajah 4.52 Hubungan antara NDVI dan NPP(CASA,GLOPEM,VPM,C-FIX) 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 Hubungan Persamaan Nilai R 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 2 NDVI dan NPPC-FIX y = -6735.8x + 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 3500 NPP (gCm2 yr-1) y = 139207x 2 - 196541x + 71600 R = 0.41 3000 2500 2000 1500 1000 500 0 0.64 0.66 0.68 0.7 0.72 0.74 0.76 0.78 LSWI Rajah 4.53 Hubungan antara LSWI dan NPPCASA 3500 NPP (gCm2 yr-1) y = -2583.3x 2 + 5825.8x - 36.7 R = 0.53 3000 2500 2000 1500 1000 500 0 0.64 0.66 0.68 0.7 0.72 0.74 0.76 0.78 LSWI Rajah 4.54 Hubungan antara LSWI dan NPPGLOPEM 3000 NPP (gCm2 yr-1) 2500 2000 1500 y = 21423x 2 - 26334x + 10094 R = 0.57 1000 500 0 0.64 0.66 0.68 0.7 0.72 0.74 0.76 LSWI Rajah 4.55 Hubungan antara LSWI dan NPPVPM 0.78 166 3500 NPP (gCm2 yr-1) 3000 2500 2000 y = -13636x 2 + 24904x - 7991.9 R = 0.78 1500 1000 500 0 0.64 0.66 0.68 0.7 0.72 0.74 0.76 0.78 LSWI 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. 3500 3000 NPP (gCm2 yr-1) y = 17803x 2 - 17569x + 5978.5 R = 0.83 2500 2000 1500 1000 500 0 0.64 0.66 0.68 0.7 LSWI 0.72 0.74 0.76 0.78 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 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 Hubungan Persamaan Nilai R 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 3500 NPP (gCm2 yr-1) y = 9666.1x 2 - 8622.2x + 4142.5 R = 0.54 3000 2500 2000 1500 1000 500 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 EVI Rajah 4.58 Hubungan antara EVI dan NPPCASA 3500 3000 NPP (gCm2 yr-1) y = 98.067x 2 + 469.71x + 2553.8 R = 0.54 2500 2000 1500 1000 500 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 EVI Rajah 4.59 Hubungan antara EVI dan NPPGLOPEM 3000 NPP (gCm2 yr-1) y = 2079.1x 2 - 919.82x + 2168.4 R = 0.66 2500 2000 1500 1000 500 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 EVI Rajah 4.60 Hubungan antara EVI dan NPPVPM 0.8 169 3500 NPP (gCm2 yr-1) y = -3733.6x 2 + 5294.9x + 1161.5 R = 0.74 3000 2500 2000 1500 1000 500 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 EVI Rajah 4.61 Hubungan antara EVI dan NPPC-FIX NPP (gCm2 yr-1) EVI 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. 170 Jadual 4.26 Hasil hubungan antara EVI dan hasil NPP Hubungan 2 Nilai R EVI dan NPPCASA y = 9666.1x - 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) 4.9 Persamaan 2 y = -2178x + 4540.8x + 837.49 0.88 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 CMJ1 . 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 EkoFisiologi 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 yr1 . 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 antara 697.33 gCm-2 yr-1 hingga 3065.85 gCm-2 yr-1 dengan purata NPP sebanyak 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 kirakira 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 kirakira 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 antara 844.96 gCm-2 yr-1 hingga 3366.64 gCm-2 yr-1 dengan purata NPP sebanyak 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 yr1 dengan 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 yr1 . 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 -2 (CASA, GLOPEM,VPM,C-Fix) mencatatkan sisihan -1 piawai sebanyak 144.96 gCm yr dengan CV kira-kira 5.3 %. Jadual 4.27 Analisis taburan hasil Pengeluaran Primer Bersih bagi getah Model NPP Purata NPP Sisihan Piawai CV (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) Nilai p 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 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 Purata (CASA, GLOPEM,VPM,C-Fix) 2458.49 444.49 22.07 0.001 p = Paras signifikan 95% (n >= 30) Nilai p 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-2yr1 . 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 gCm2 yr-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 Purata (CASA, GLOPEM,VPM,C-Fix) 2364.903 513.297 17.83 0.200 p = Paras signifikan 95% (n >= 30) 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 Parameter Min* Maksimum Purata Min* Maksimum Purata Min* NDVI 0.42 0.66 0.56 0.39 0.65 0.58 0.44 0.63 LSWI 0.67 0.78 0.74 0.66 0.75 0.71 0.68 EVI 0.33 0.60 0.46 0.336 0.63 0.516 Albedo 0.11 0.16 0.12 0.13 0.17 0.16 Rn 4554.80 4833.50 4698.70 4462.00 4666.20 Rs 5636.50 5729.30 5709.80 5534.80 PAR 2818.30 2864.60 2854.90 2767.40 PET 7.37 8.85 7.62 7.22 8.56 7.44 AET 4.64 5.96 4.80 4.54 5.77 4.69 Keseluruhan Maksimum Purata Min* Maksimum Purata 0.61 0.07 0.73 0.47 0.76 0.70 0.19 0.86 0.68 0.38 0.72 0.56 0.03 0.80 0.39 0.14 0.18 0.17 0.068 0.37 0.15 4593.60 4399.80 4678.00 4525.2 3271.40 5134.20 4557.10 5640.10 5605.20 5462.50 5674.20 5537.3 3989.60 6261.30 5557.50 2820.10 2802.60 2731.30 2837.10 2768.7 2194.46 3126.22 2778.30 7.10 8.58 7.32 6.35 9.34 8.38 4.46 5.79 4.60 3.28 6.30 5.65 Min* = Minimum 185 Jadual 4.31 Statistik hasil penerbitan parameter utama Kaedah Eko-Fisiologi bagi guna tanah utama kawasan kajian berdasarkan 90 titik sampel Guna Tanah Hutan Parameter ε FAPAR NPP Kelapa Sawit Getah 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 1.079 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 0.805 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 2359.6 C-Fix 2668.6 3002.7 2869.5 2644.3 3008.2 2898.4 2758.7 3066.7 2906.5 Min* = Minimum 186 187 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 Hubungan NPP Radiasi Solar Bentuk Hubungan Polinomial 2 Persamaan Nilai R y = 0.008x2 -9.8134x + 326669 0.59 Sejatpeluhan Polinomial 2 y = 2848.4x2 - 33080x + 98558 0.48 Polinomial 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 Suhu Permukaan 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 EkoFisiologi 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 EkoFisiologi 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 Geoscience and Remote Sensing. 3407-3409. 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 BroadLeaved 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 Geoscience and Remote Sensing. 3094-3097. 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 Geoscience and Remote Sensing. 3094-3097. 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: 385396. 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 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Koordinat X 458872.5408 459902.949 459044.2755 462478.9694 459130.1429 462564.8367 458700.8061 461448.5612 458271.4694 460504.0204 459988.8163 464539.7857 463423.5102 460847.4898 461362.6939 464453.9184 462393.102 460332.2857 474328.6633 485319.6837 485577.2857 483258.8673 479308.9694 482314.3265 484718.6122 483087.1327 484117.5408 481369.7857 476217.7449 480682.8469 Y 355513.6531 353281.102 350962.6837 350790.949 348386.6633 347012.7857 344007.4286 342891.1531 340658.602 340229.2653 337739.1122 336708.7041 334991.3571 333102.2755 329066.5102 327950.2347 325374.2143 320994.9796 320565.6429 325803.551 328379.5714 328293.7041 329581.7143 330697.9898 331213.1939 332329.4694 337481.5102 340057.5306 339799.9286 343234.6224 Purata 2548.857 2471.328 2863.438 2673.687 2964.444 2618.514 2832.521 2516.492 2762.63 2602.139 2708.647 2595.126 2676.997 2579.636 2466.413 2678.273 2563.429 2635.017 2658.695 2493.447 2470.541 2399.105 2367.668 2515.392 2730.364 2522.445 2663.744 2636.42 2353.21 2410.646 Sampel NPP Hutan (gCm2yr-1) CASA GLO-PEM VPM 2647.669 2918.012 2365.555 2274.175 2802.779 2177.697 2768.963 2945.747 2458.146 2287.647 2827.325 2200.16 2918.758 2973.779 2491.475 2334.801 2838.601 2209.375 2676.794 2923.14 2372.833 2178.371 2785.26 2143.412 2392.298 2858.237 2233.493 2399.673 2859.512 2267.808 2175.094 2776.647 2118.912 2331.064 2842.167 2226.439 2433.8 2869.024 2323.426 2163.24 2785.559 2171.322 2447.65 2877.52 2290.107 2652.491 2926.95 2391.826 2404.225 2864.241 2325.636 2323.184 2829.763 2208.265 2443.273 2880.243 2345.697 2139.368 2784.214 2194.143 2195.425 2803.665 2242.433 2031.173 2743.875 2131.413 1883.709 2689.226 1998.901 2115.964 2774.154 2182.756 2303.904 2834.645 2310.202 2165.584 2793.881 2166.539 2396.97 2862.355 2378.286 2170.807 2798.596 2212.997 2190.936 2793.86 2201.262 2009.932 2739.776 2068.491 C-FIX 2887.856 2880.434 3097.147 2962.249 3177.098 2945.809 3095.621 2893.733 3047.69 2946.53 3020.785 2914.41 2989.621 2911.549 2839.139 3016.364 2920.697 3013.099 2968.293 2875.165 2815.495 2796.01 2744.008 2873.363 2931.494 2871.662 2942.264 2924.287 2750.699 2792.131 Purata 2661.329 2362.164 1995.734 2663.379 2780.703 2591.001 2697.645 2314.486 2502.06 2605.712 2045.793 2540.366 2657.637 2511.547 2475.48 2078.006 2148.621 2511.291 2563.8 2454.092 2284.984 2538.05 2389.05 2602.179 2465.188 2586.292 2416.776 2348.656 2600.54 2362.126 Sampel NPP Kelapa Sawit CASA GLO-PEM 2489.07 2886.003 2467.131 2881.696 1732.546 2578.123 2343.353 2845.434 2495.022 2890.456 2339.33 2847.362 2397.181 2856.638 2227.426 2805.294 2404.369 2862.519 2286.295 2833.44 2494.702 2893.919 1992.235 2727.438 2178.924 2786.729 2160.316 2784.722 2133.538 2779.681 2191.438 2794.458 1716.835 2604.672 2087.768 2746.7 2163.806 2759.965 2039.858 2741.958 1913.553 2681.146 2156.03 2788.262 2003.399 2717.072 2411.456 2862.383 2040.192 2740.249 2054.305 2751.684 2206.486 2804.363 1996.849 2731.788 2019.727 2736.454 2022.025 2739.654 (gCm2yr-1) VPM 2325.127 2331.191 1969.448 2254.621 2365.154 2269.574 2292.639 2217.736 2323.152 2254.102 2362.031 2097.5 2225.746 2230.681 2197.334 2228.936 1870.858 2107.275 2196.815 2060.904 2013.182 2155.027 2100.314 2310.045 2108.831 2139.334 2209.023 2074.502 2038.557 2064.294 C-FIX 2955.396 2675.016 2364.582 2939.655 3035.006 2889.573 2970.749 2649.817 2807.598 2905.854 2367.997 2844.227 2951.122 2806.663 2791.388 2461.042 2532.635 2839.931 2871.661 2810.477 2652.647 2861.551 2704.628 2901.128 2789.526 2872.913 2739.885 2685.938 2914.855 2705.766 204 Lampiran B Titik sampel bagi NPP getah dan indeks tumbuhan bagi hutan Bil 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Koordinat X 469262.4898 471580.9082 470207.0306 467974.4796 471151.5714 473384.1224 473212.3878 470979.8367 468575.551 467287.5408 469520.0918 467631.0102 472096.1122 468232.0816 464797.3878 474156.9286 488668.5102 492532.5408 487552.2347 493734.6837 489183.7143 485491.4184 487981.5714 498714.9898 488926.1122 485233.8163 488239.1735 484375.1429 485749.0204 493820.551 Y 354826.7143 351477.8878 345638.9082 341689.0102 340315.1327 338769.5204 335506.5612 333274.0102 333102.2755 331470.7959 330182.7857 330955.5918 328551.3061 326318.7551 317216.8163 316358.1429 317817.8878 320222.1735 323227.5306 327005.6939 327692.6327 330354.5204 331900.1327 335163.0918 336279.3673 341860.7449 342719.4184 347442.1224 354998.449 356973.398 Purata 2822.3 2697.545 2605.208 2706.179 2733.635 2664.573 2562.03 2834.061 2729.43 3022.098 3007.826 3023.894 2732.626 2971.734 2588.81 2651.942 2631.263 2726.082 2755.319 2498.071 2735.648 2631.642 2539.046 2895.384 2564.312 2545.839 2634.221 2829.963 2624.709 2713.983 Sampel NPP Getah(gCm2yr-1) CASA GLO-PEM VPM 2546.576 2857.48 2394.938 2406.009 2843.037 2356.236 2711.091 2899.465 2545.206 2227.19 2752.117 2307.656 2623.17 2898.071 2422.271 2543.937 2888.404 2404.016 2081.013 2748.111 2165.354 2694.829 2923.36 2485.87 2893.035 2964.446 2553.55 2896.238 2962.908 2559.246 2802.284 2943.52 2537.241 3105.773 2999.128 2685.266 2684.752 2916.174 2462.925 2923.931 2969.022 2555.685 2425.498 2865.786 2318.308 2622.88 2914.167 2406.204 2335.766 2833.766 2340.77 2102.971 2758.428 2188.322 1840.964 2610.829 1959.247 2348.149 2846.941 2283.84 2579.521 2894.26 2439.415 2363.356 2849.6 2297.849 2367.433 2841.73 2317.184 2326.205 2835.673 2212.575 2571.558 2892.36 2423.849 2370.199 2836.708 2295.127 1980.859 2697.496 2037.453 2828.502 2932.13 2561.899 2419.564 2862.338 2303.73 2064.652 2745.28 2161.954 C-FIX 2989.59 2896.416 2840.118 2896 2920.083 2921.5 2837.191 3018.863 2999.833 3113.803 3089.899 3114.337 2941.471 3099.196 2888.601 2923.158 2892.539 2947.395 2982.529 2814.701 2969.906 2891.563 2825.339 3037.769 2850.653 2814.698 2919.053 2981.802 2926.225 2937.421 Sampel Indeks Tumbuhan bagi Hutan NDVI LSWI EVI SR 0.573 0.697 0.495 3.682 0.546 0.721 0.398 3.402 0.638 0.746 0.578 4.532 0.6 0.731 0.529 3.996 0.659 0.741 0.601 4.87 0.584 0.723 0.493 3.813 0.631 0.743 0.553 4.418 0.554 0.729 0.426 3.483 0.616 0.727 0.543 4.212 0.579 0.722 0.475 3.751 0.6 0.749 0.495 4.012 0.584 0.712 0.507 3.805 0.599 0.727 0.51 3.982 0.573 0.726 0.481 3.684 0.546 0.711 0.435 3.403 0.597 0.714 0.498 3.957 0.564 0.741 0.442 3.585 0.58 0.732 0.443 3.763 0.59 0.736 0.502 3.877 0.554 0.71 0.435 3.488 0.547 0.724 0.451 3.415 0.523 0.726 0.387 3.192 0.521 0.712 0.41 3.177 0.552 0.735 0.437 3.46 0.62 0.745 0.608 4.261 0.558 0.725 0.456 3.528 0.592 0.749 0.521 3.896 0.587 0.754 0.505 3.84 0.515 0.711 0.388 3.122 3.215 0.526 0.724 0.404 205 Lampiran C Titik sampel indeks tumbuhan bagi kelapa sawit dan getah Bil 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Koordinat X Y 482743.7 356715.8 480940.4 355341.9 483516.5 354483.2 479137.2 355771.3 479824.2 353882.2 478364.4 352508.3 476732.9 353538.7 469863.6 351134.4 468747.3 339542.3 474586.3 339284.7 476303.6 320995 484461 319792.8 493992.3 319191.8 495366.2 321939.5 494593.4 324429.7 498715 321510.2 496568.3 326490.5 494851 328723 499659.5 328637.2 495452 329753.4 496568.3 331213.2 495194.4 332415.3 491931.5 335592.4 497942.2 338855.4 494851 339714.1 495881.4 341173.8 498972.6 342891.2 494765.1 344093.3 497341.1 347098.7 491416.3 348816 Indeks Tumbuhan bagi Kelapa Sawit NDVI LSWI EVI SR 0.597 0.722 0.531 3.957 0.528 0.715 0.475 3.239 0.438 0.647 0.375 2.557 0.598 0.729 0.542 3.979 0.622 0.737 0.563 4.293 0.583 0.719 0.521 3.797 0.609 0.722 0.554 4.109 0.522 0.697 0.458 3.18 0.562 0.717 0.505 3.571 0.583 0.727 0.514 3.801 0.438 0.719 0.372 2.559 0.565 0.734 0.495 3.596 0.597 0.729 0.524 3.965 0.562 0.73 0.505 3.571 0.554 0.723 0.483 3.487 0.458 0.655 0.377 2.688 0.477 0.662 0.393 2.825 0.565 0.71 0.488 3.595 0.578 0.716 0.512 3.74 0.551 0.695 0.464 3.45 0.51 0.682 0.429 3.083 0.57 0.71 0.498 3.653 0.539 0.716 0.477 3.342 0.588 0.711 0.53 3.855 0.557 0.708 0.488 3.514 0.583 0.725 0.528 3.794 0.545 0.703 0.486 3.393 0.526 0.699 0.46 3.221 0.589 0.701 0.524 3.86 0.531 0.693 0.463 3.264 Sampel Indeks Tumbuhan bagi Getah NDVI LSWI EVI SR 0.644 0.736 0.652 4.615 0.618 0.736 0.62 43235 0.599 0.723 0.588 3.989 0.624 0.733 0.632 1.314 0.625 0.743 0.626 4.329 0.602 0.733 0.557 4.029 0.582 0.717 0.545 3.815 0.641 0.741 0.629 4.573 0.614 0.725 0.556 4.183 0.684 0.761 0.711 5.338 0.682 0.761 0.716 5.296 0.681 0.762 0.703 5.276 0.619 0.747 0.598 4.247 0.668 0.751 0.672 5.026 0.585 0.706 0.532 3.822 0.602 0.711 0.564 4.021 0.595 0.733 0.55 3.939 0.62 0.738 0.593 4.261 0.623 0.735 0.591 4.306 0.562 0.711 0.498 3.57 0.619 0.736 0.582 4.246 0.597 0.724 0.561 3.957 0.577 0.716 0.532 3.734 0.654 0.755 0.658 4.781 0.58 0.727 0.523 3.766 0.582 0.72 0.547 3.785 0.598 0.717 0.542 3.979 0.646 0.748 0.656 43544 0.589 0.725 0.517 3.866 4.174 0.613 0.749 0.58 206 Lampiran D Titik sampel bagi parameter model bagi hutan dan kelapa sawit Bil 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Koordinat X Y 458872.5 355513.7 459902.9 353281.1 459044.3 350962.7 462479 350790.9 459130.1 348386.7 462564.8 347012.8 458700.8 344007.4 461448.6 342891.2 458271.5 340658.6 460504 340229.3 459988.8 337739.1 464539.8 336708.7 463423.5 334991.4 460847.5 333102.3 461362.7 329066.5 464453.9 327950.2 462393.1 325374.2 460332.3 320995 474328.7 320565.6 485319.7 325803.6 485577.3 328379.6 483258.9 328293.7 479309 329581.7 482314.3 330698 484718.6 331213.2 483087.1 332329.5 484117.5 337481.5 481369.8 340057.5 476217.7 339799.9 480682.8 343234.6 PAR 2834.522 2925.29 2812.608 2814.533 2818.295 2850.723 2835.819 2908.153 2839.528 2870.169 2868.929 2822.713 2844.451 2857.289 2883.004 2876.762 2899.148 2931.224 2853.555 2887.837 2854.435 2954.415 2876.255 2896.136 2719.817 2870.194 2823.046 2821.917 2907.972 2910.141 Sampel Parameter Model bagi Hutan Rn Rs AET Ts DEM 4648.583 5669.045 5.751 26.49 310 4797.442 5850.581 5.922 26.42 351 4612.644 5625.217 5.709 26.49 455 4615.8 5629.066 5.713 26.77 120 4621.969 5636.589 5.72 26.70 365 4675.152 5701.447 5.781 26.70 193 4650.709 5671.638 5.753 26.86 251 4769.336 5816.305 5.89 25.95 380 4656.792 5679.056 5.76 26.49 160 4707.043 5740.339 5.818 26.70 339 4705.009 5737.857 5.816 26.46 320 4629.216 5645.427 5.729 27.76 100 4664.865 5688.901 5.77 26.95 217 4685.919 5714.578 5.794 26.39 200 4728.093 5766.008 5.842 26.42 240 4717.855 5753.523 5.83 26.33 257 4754.568 5798.296 5.872 25.35 331 4807.173 5862.448 5.932 24.21 705 4679.796 5707.11 5.787 26.17 440 4736.018 5775.673 5.852 26.98 256 4681.239 5708.869 5.788 26.64 241 4796.006 5848.83 5.92 25.51 449 4717.024 5752.51 5.83 26.89 120 4749.628 5792.272 5.867 25.77 324 4460.466 5439.635 5.535 27.63 193 4707.084 5740.389 5.818 27.05 400 4629.762 5646.093 5.729 27.05 140 4627.91 5643.834 5.727 26.42 400 4769.039 5815.945 5.89 27.01 157 4772.597 5820.282 5.893 25.35 753 PET 8.53 8.78 8.47 8.47 8.48 8.57 8.53 8.73 8.54 8.63 8.62 8.5 8.56 8.59 8.66 8.65 8.71 8.08 8.58 8.68 8.58 8.78 8.64 8.70 8.21 8.63 8.5 8.49 8.73 8.74 Sampel Parameter Model bagi Kelapa Sawit PAR Rn Rs AET Ts DEM 2818.616 4622.496 5637.231 5.721 27.94 53 277.676 4556.995 5557.353 5.646 28.24 69 2784.627 4566.754 5569.254 5.657 28.21 60 2797.559 4587.962 5595.117 5.682 27.94 60 2808.33 4605.626 5616.66 5.701 26.89 60 2800.799 4593.276 5601.599 5.687 27.26 60 2793.071 4580.602 5586.142 5.673 27.91 60 2776.257 4553.027 5552.513 5.641 27.94 60 2791.373 4577.817 5582.746 5.67 28.70 80 2815.528 4617.432 5631.057 5.716 28.28 80 2787.305 4571.146 5574.611 5.662 26.64 124 2819.57 4624.06 5639.14 5.722 26.27 80 2812.309 4612.309 5624.809 5.709 27.76 40 2790.443 4576.293 5580.887 5.668 28.76 40 2804.216 4598.88 5608.432 5.694 28.70 41 2815.136 4616.79 5630.273 5.715 28.43 60 2818.461 4622.242 5636.922 5.721 28.64 47 2815.759 4617.811 5631.518 5.716 28.94 52 2800.816 4593.304 5601.632 5.688 28.03 40 2836.614 4652.013 5673.229 5.755 28.24 60 2821.753 4627.641 5643.506 5.728 28.79 40 2818.17 4621.764 5636.339 5.721 28.09 45 2768.98 4541.093 5537.96 5.627 27.14 60 2795.071 4583.882 5590.142 5.677 29.09 40 2792.722 4580.031 5585.445 5.673 29.43 52 2785.644 4568.422 5571.288 5.659 28.88 49 2785.631 4568.4 5571.262 5.659 28.70 40 2797.053 4587.132 5594.105 5.681 28.61 60 2806.872 4603.236 5613.745 5.699 28.03 40 40 2800.36 4592.557 5600.721 5.687 29.43 PET 8.48 8.37 8.39 8.43 8.45 8.43 8.41 8.37 8.41 8.48 8.4 8.49 8.47 8.41 8.44 8.47 8.48 8.48 8.43 8.53 8.49 8.48 8.34 8.42 8.41 8.39 8.39 8.42 8.45 8.43 207 Lampiran E Titik sampel bagi parameter model bagi getah dan kadar Kecekapan Penukaran Tenaga bagi hutan Bil 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 `24 25 26 27 28 29 30 Koordinat X 469262.5 471580.9 470207 467974.5 471151.6 473384.1 473212.4 470979.8 468575.6 467287.5 469520.1 467631 472096.1 468232.1 464797.4 474156.9 488668.5 492532.5 487552.2 493734.7 489183.7 485491.4 487981.6 498715 488926.1 485233.8 488239.2 484375.1 485749 493820.6 Y 354826.7 351477.9 345638.9 341689 340315.1 338769.5 335506.6 333274 333102.3 331470.8 330182.8 330955.6 328551.3 326318.8 317216.8 316358.1 317817.9 320222.2 323227.5 327005.7 327692.6 330354.5 331900.1 335163.1 336279.4 341860.7 342719.4 347442.1 354998.4 356973.4 PAR 2698.421 2693.301 2700.209 2675.09 2694.092 2767.03 2744.998 2733.18 2801.899 2686.84 2672.327 2696.469 2732.338 2722.438 2792.531 2770.886 2764.413 2734.57 2756.921 2799.052 2758.912 2757.737 2757.381 2710.548 2772.424 2731.874 2777.953 2685.954 2816.324 2745.747 Sampel Parameter Model bagi Getah Rn Rs AET Ts 4425.377 5396.843 5.494 27.76 4416.979 5386.603 5.484 26.61 4428.308 5400.417 5.497 27.51 4387.113 5350.18 5.45 26.70 4418.276 5388.184 5.486 27.63 4537.895 5534.06 5.624 27.54 4501.762 5489.995 5.582 27.42 4482.381 5466.36 5.56 27.01 4595.08 5603.797 5.689 27.23 4406.384 5373.681 5.472 26.61 4382.583 5344.655 5.445 27.32 4422.175 5392.938 5.49 26.86 4481 5464.675 5.558 27.01 4464.763 5444.875 5.539 26.92 4579.717 5585.062 5.672 26.80 4544.22 5541.773 5.631 26.988 4533.604 5528.826 5.619 27.08 4484.661 5469.141 5.562 27.51 4521.316 5513.842 5.604 26.80 4590.411 5598.104 5.685 28.73 4524.824 5517.824 5.608 27.26 4522.654 5515.474 5.606 26.74 4522.071 5514.762 5.606 27.66 4445.265 5421.096 5.517 26.86 4546.741 5544.848 5.634 27.57 4480.239 5463.748 5.557 27.48 4555.809 5555.906 5.645 30.11 4404.93 5371.907 5.471 27.45 4618.738 5632.649 5.717 28.61 4502.99 5491.493 5.583 27.14 DEM 93 60 80 80 80 80 118 91 120 160 120 160 100 120 120 144 60 69 87 60 60 150 100 40 66 64 60 69 60 40 PET 8.15 8.13 8.15 8.08 8.13 8.34 8.28 8.24 8.44 8.11 8.07 8.14 8.24 8.21 8.41 8.35 8.33 8.25 8.31 8.43 8.32 8.31 8.31 8.18 8.35 8.24 8.37 8.11 8.48 8.28 Sampel kadar Kecekapan Penukaran Tenaga bagi Hutan Purata CASA GLOPEM VPM C-FIX 1.059 1.223 0.759 1.031 1.224 1.05 1.172 0.736 1.068 1.223 1.108 1.359 0.744 1.107 1.224 1.085 1.276 0.753 1.084 1.227 1.117 1.407 0.736 1.099 1.226 1.073 1.246 0.75 1.071 1.226 1.103 1.342 0.74 1.102 1.228 1.057 1.188 0.744 1.081 1.218 1.09 1.31 0.747 1.077 1.224 1.07 1.235 0.747 1.07 1.226 1.088 1.277 0.74 1.112 1.223 1.073 1.244 0.756 1.054 1.238 1.082 1.274 0.747 1.077 1.229 1.069 1.223 0.753 1.075 1.223 1.05 1.173 0.753 1.053 1.223 1.073 1.27 0.744 1.057 1.222 1.065 1.206 0.744 1.099 1.211 1.063 1.237 0.731 1.086 1.198 1.08 1.256 0.75 1.092 1.22 1.054 1.188 0.747 1.05 1.229 1.058 1.175 0.759 1.073 1.225 1.042 1.132 0.747 1.076 1.212 1.042 1.129 0.759 1.054 1.228 1.06 1.183 0.75 1.09 1.215 1.106 1.318 0.765 1.105 1.237 1.063 1.196 0.753 1.074 1.23 1.089 1.26 0.756 1.112 1.23 1.087 1.25 0.753 1.12 1.223 1.038 1.118 0.753 1.053 1.23 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 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Koordinat X Y 482743.7 356715.8 480940.4 355341.9 483516.5 354483.2 479137.2 355771.3 479824.2 353882.2 478364.4 352508.3 476732.9 353538.7 469863.6 351134.4 468747.3 339542.3 474586.3 339284.7 476303.6 320995 484461 319792.8 493992.3 319191.8 495366.2 321939.5 494593.4 324429.7 498715 321510.2 496568.3 326490.5 494851 328723 499659.5 328637.2 495452 329753.4 496568.3 331213.2 495194.4 332415.3 491931.5 335592.4 497942.2 338855.4 494851 339714.1 495881.4 341173.8 498972.6 342891.2 494765.1 344093.3 497341.1 347098.7 491416.3 348816 Sampel kadar Kecekapan Penukaran Tenaga bagi Kelapa Sawit Sampel kadar Kecekapan Penukaran Tenaga bagi Getah Purata CASA GLOPEM VPM C-FIX Purata CASA GLOPEM VPM C-FIX 1.084 1.27 0.756 1.069 1.24 1.116 1.371 0.763 1.092 1.238 1.055 1.141 0.775 1.058 1.244 1.1 1.314 0.769 1.091 1.225 0.994 0.993 0.785 0.956 1.243 1.088 1.275 0.771 1.071 1.235 1.088 1.273 0.759 1.08 1.24 1.102 1.326 0.769 1.086 1.226 1.099 1.323 0.75 1.093 1.228 1.109 1.328 0.767 1.102 1.237 1.075 1.243 0.761 1.065 1.232 1.091 1.281 0.761 1.087 1.236 1.09 1.294 0.756 1.07 1.24 1.077 1.246 0.767 1.061 1.234 1.044 1.13 0.774 1.03 1.24 1.113 1.365 0.759 1.1 1.23 1.07 1.204 0.767 1.062 1.249 1.091 1.306 0.753 1.074 1.232 1.081 1.244 0.759 1.077 1.244 1.135 1.432 0.753 1.13 1.225 1.017 0.993 0.784 1.065 1.225 1.14 1.438 0.756 1.131 1.233 1.07 1.208 0.763 1.088 1.221 1.139 1.441 0.753 1.132 1.228 1.086 1.271 0.753 1.081 1.238 1.101 1.316 0.763 1.108 1.23 1.075 1.204 0.767 1.081 1.25 1.131 1.428 0.753 1.115 1.229 1.068 1.188 0.765 1.071 1.249 1.071 1.247 0.763 1.045 1.227 1.004 1.024 0.779 0.968 1.246 1.081 1.28 0.763 1.052 1.229 1.014 1.055 0.775 0.878 1.248 1.087 1.266 0.763 1.087 1.23 1.068 1.208 0.761 1.051 1.252 1.102 1.318 0.761 1.095 1.235 1.074 1.233 0.761 1.06 1.241 1.1 1.325 0.759 1.09 1.227 1.054 1.181 0.761 1.028 1.244 1.068 1.203 0.765 1.053 1.249 1.035 1.11 0.771 1.008 1.25 1.1 1.316 0.759 1.091 1.232 1.068 1.218 0.761 1.051 1.242 1.084 1.27 0.765 1.073 1.226 1.056 1.161 0.771 1.06 1.231 1.074 1.232 0.767 1.059 1.237 1.08 1.253 0.761 1.052 1.253 1.125 1.394 0.759 1.121 1.228 1.066 1.193 0.765 1.047 1.257 1.079 1.238 0.763 1.078 1.236 1.242 1.153 0.763 1.074 1.251 1.078 1.241 0.769 1.067 1.235 1.058 1.171 0.771 1.04 1.248 1.09 1.273 0.759 1.061 1.265 1.048 1.138 0.772 1.034 1.248 1.121 1.375 0.763 1.11 1.235 1.073 1.254 0.759 1.037 1.241 1.083 1.255 0.756 1.074 1.248 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 0503160339100802290039 Processing Level : 1B Acquisition Date : 20050316 Source Data Product : ASTL1A 0503160339100503210356 Scene ID : [126, 162, 2] Scene Center : 3.296258, 102.366236 Scene Upper Left : 3.625847, 102.074030 Scene Upper Right : 3.529956, 102.739136 Scene Lower Right : 2.966273, 102.658345 Scene Lower Left : 3.062407, 101.993693 Processed Bands : "01023N3B0405060708091011121314" Orbit No. : 27884 Flying Direction : "DE" Solar Direction : 101.329394, 64.369484 Pointing Angle : VNIR=-5.729000, SWIR=-5.674000, TIR=-5.700000 Path, Row, Swath : 126, 162, 2 QA Percent Missing Data : 0.319238 QA Percent Out of Bounds Data : 0.319238 QA Percent Interpolate Data : 0.000000 Cloud Coverage : 1 Unit 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) Short Name : ASTL1B (LOWER) Granule ID : ASTL1B 0503160339190802290040 Processing Level : 1B Acquisition Date : 20050316 Source Data Product : ASTL1A 0503160339190503210357 Scene ID : [126, 163, 2] Scene Center : 2.760979, 102.252633 Scene Upper Left : 3.090550, 101.960621 Scene Upper Right : 2.994662, 102.625307 Scene Lower Right : 2.431019, 102.544579 Scene Lower Left : 2.527171, 101.880290 Processed Bands : "01023N3B0405060708091011121314" Orbit No. : 27884 Flying Direction : "DE" Solar Direction : 100.289694, 64.388657 Pointing Angle : VNIR=-5.729000, SWIR=-5.674000, TIR=-5.700000 Path, Row, Swath : 126, 163, 2 QA Percent Missing Data : 0.309130 QA Percent Out of Bounds Data : 0.309130 QA Percent Interpolate Data : 0.000000 Cloud Coverage : 1 Unit 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 (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 Orbit Paksi Semi-Major Eksentrik Julat ketinggian Kecondongan Ulangan Kitaran Tempoh Pengorbitan Ciri-Ciri Sun-Synchromous 7078 km 0.0012 700 – 737 km 98.2º ± 0.15 º 16 hari 98.9 minit Jalur ASTER Jalur 1 Jalur 2 Jalur 3 Jalur 4 Jalur 5 Jalur 6 Jalur 7 Jalur 8 Jalur 9 Purata Exo-atmosfera Solar (S0, mWcm-2μm-1) 1845.99 1555.74 1119.47 231.25 79.81 74.99 68.66 59.74 56.92 (a) Latitud Utara 1 2 3 4 5 6 (b) Bulan J 833 824 814 804 794 785 F 858 852 846 840 833 826 M 878 877 876 875 874 873 A 881 883 884 890 893 896 M 811 817 825 832 839 845 J 814 823 831 839 847 856 J 800 806 815 823 830 837 O 824 830 834 839 843 848 S 892 891 891 890 889 888 O 863 858 853 848 842 835 N 864 854 845 836 827 818 D 820 810 798 786 774 762 (c) Hari Julian Jarak Hari Julian Jarak Hari Julian Jarak Hari Julian Jarak Hari Julian Jarak 1 15 32 46 60 0.9832 0.9836 0.9853 0.9878 0.9909 74 91 106 121 135 0.9945 0.9993 1.0033 1.0076 1.0109 152 166 182 196 213 1.0140 1.0158 1.0167 1.0165 1.0149 227 242 258 274 288 1.0128 1.0092 1.0057 1.0011 0.9972 305 319 335 349 365 0.9925 0.9892 0.9860 0.9843 0.9833 (d) 211 212 Lampiran I Senarai singkatan dan unit bagi parameter permodelan Eko-Fisiologi Singkatan α ε ξv ξ ƒF ƒP ƒSM ƒT ƒTcor ƒVPD ƒW ρ ρw δ Δ ΔHa ΔHd ΔS θ ^ λ AET CWSI DN DEM d dT EVI em ed Bahasa Melayu - Albedo Permukaan - Kecekapan Penggunaan Cahaya - Pembolehubah Pecahan Litupan Tumbuhan - Emisiviti - Faktor Kesan Fenologi Daun - Faktor Kesan Respirasi - Faktor Kesan Kelembapan Tanah - Faktor Kesan Suhu - Faktor Pembetulan Suhu - Faktor Kesan Defisit Tekanan Wap - Faktor Kesan Kandungan Air - Ketumpatan Udara - Ketumpatan Air - Nisbah NPP/GPP - Cerun Lengkung Tekanan Wap Tepu - Pemalar Tenaga Pengaktifan - Pemalar Tenaga Penyahaktifan - Pemalar Entropi Penyahasli Keseimbangan Karbon Dioksida - Pemalar Stefan-Boltzman - Sudut Zenit Solar - Bahagian yang tersejat serta merta - Aliran Haba Pendam - Sejatpeluhan Sebenar - Indeks Tekanan Air Tumbuhan - Nombor Digital - Model Ketinggian Berdigit - Jarak Bumi dan Matahari - Beza antara Suhu Permukaan dan Suhu Udara - Indeks Penonjolan Tumbuhan - Tekanan Wap Tepu - Tekanan wap pada suhu takat embun Bahasa Inggeris Surface Albedo Light Use Efficiency Unit g CMJ-1 Vegetation Cover Fraction Variable Emissivity Leaf Phenology Effect Factor Respiration Effect Factor Soil Moisture Effect Factor 0-1 Temperature Effect Factor Temperature Correction Effect Factor Vapour Pressure Deficit Effect Factor Water Contain Effect Factor Air Density Water Density NPP/GPP Ratio Slope of Saturated Vapour Pressure Curve Activation Energy Constant Deactivation Energy Constant Entropy of the Denaturation Equilibrium of Carbon Dioxide Stefan-Boltzmann Constant 0-1 0-1 Solar Zenith Angle Part of evaporated immediately Latent Heat Flux Actual Evapotranspiration Crop Water Stress Index 0-1 0-1 0-1 0-1 0-1 0-1 Kg m-3 g ml-1 0-1 kPa °C-1 JK-1mol-1 JK-1mol-1 JK-1mol-1 kg s-3 K-4 º 0-1 J K-1 mm/masa 0-1 Digital Number Digital Elevation Model Sun and Earth Distance Different Between Surface and Air Temperature Enhanced Vegetation Index 0-255 m m ºC Saturated Vapour Pressure Vapour pressure at the dew point temperature Pa Pa 0-1 213 GPP G G0 H LSWI NPP NDVI - Pv PET PAR Pengeluaran Primer Kasar Aliran Haba Tanah Aliran Haba Pendam Aliran Haba Wajar Indeks Air Permukaan Tanah Pengeluaran Primer Bersih Indeks Normalisasi Perbezaan Tumbuhan - Perkadaran Tumbuhan - Sejatpeluhan Potensi - Radiasi Aktif Fotosintesis Rn Rsw RH Rg ra FAPAR - Radiasi Bersih Radiasi Gelombang Pendek Kelembapan Bandingan Pemalar Udara Rintangan Aerodinamik Sebahagian Penyerapan Radiasi Aktif Fotosintesis S SM SR Ts Ta Topt VPD - Pemalar Solar Kelembapan Tanah Penisbahan Mudah Suhu Permukaan Suhu Udara Suhu Optimum Defisit Tekanan Wap Gross Primary Production Soil Heat Flux Latent Heat Flux Sensible Heat Flux Land Surface Water Index Net Primary Production Normalized Difference Vegetation Index Vegetation Proportion Potential Evapotranspiration Photosynthetic Active Radiation Net Radiation Shortwave Radiation Relative Humidity Gas Constant Aerodynamic Resistant Fraction of Absorbed Photosynthetic Active Radiation Solar Constant Soil Moisture Simple Ratio Surface Temperature Air Temperature Optimal Temperature Vapor Pressure Deficit g C m-2 yr-1 Wm-2 Wm-2 Wm-2 0-1 g C m-2 yr-1 0-1 0-1 mm/masa MJ m-2 yr-1 MJ m-2 yr-1 MJ m-2 yr-1 % J K-1 mol-1 s m-1 0-1 W m-2 % 0-1 ºC ºC ºC kPa