Potensi Kebakaran Lahan Gambut di Provinsi Jambi Berdasarkan Model Weather Research and Forecasting Tahun 2015-2018

Abstract

Provinsi Jambi dengan luas lahan gambut mencapai 621.089 ha merupakan salah satu wilayah kebakaran hutan dan lahan yang terjadi hampir setiap tahun. Lahan gambut rentan terbakar terutama dalam kondisi kering, baik secara alamiah ataupun akibat aktivitas manusia. Pada musim kemarau, pasokan air hujan yang rendah menyebabkan laju pengeringan lahan gambut meningkat sehingga lahan gambut sangat rentan untuk terjadi kebakaran. Upaya mitigasi dan adaptasi bencana kebakaran lahan gambut dapat didukung dengan ketersediaan sistem informasi peringatan dini kebakaran hutan dan lahan melalui Sistem Peringkat Bahaya Kebakaran (SPBK) atau Fire Danger Rating System (FDRS). Pembangunan FDRS dapat memanfaatkan parameter meteorologi dan permukaan untuk menduga tingkat kekeringan pada lahan gambut, seperti dengan pemanfaatan luaran model WeatherResearch and Forecasting (WRF) yang diintegrasikan dengan model kekeringan. Penelitian ini bertujuan untuk melakukan kalibrasi terhadap luaran model WRF berupa data curah hujan, suhu udara, dan kelembaban tanah yang digunakan sebagai input model modified Keetch Byram Drought Index (mKBDI). Juga bertujuan untuk identifikasi potensi kekeringan dan kebakaran lahan gambut secara spasial di Jambi. Sebelum digunakan, model WRF dilakukan proses parameterisasi untuk penyesuaian parameter fisik yang sesuai dengan kondisi iklim tropis serta dilakukan proses koreksi bias dengan data pengukuran lapang. Pada penelitian ini, model disimulasikan untuk data harian tahun 2015-2018. Skema model fisik WRF yang digunakan diasumsikan telah mewakili kondisi iklim lokal Jambi. Output dari model WRF juga telah dikoreksi bias dengan data observasi. Hasil koreksi bias menunjukkan kinerja “sangat baik” (PBIAS < 5). Selanjutnya, nilai indeks kebakaran digunakan untuk menentukan kelas FDRS menjadi empat kategori: aman, waspada, bahaya, dan ekstrem. Hasil analisis menunjukkan pada musim kemarau, proporsi kelas ekstrem mencapai 58% pada tahun El Niño dan proporsi tersebut turun hingga mencapai sepertiganya pada tahun 2018. Hasil tersebut dikonfirmasi oleh sebaran nilai hotspot (>80% confidence level) di wilayah kajian. Temuan tersebut menunjukkan model berkinerja baik dalam prediksi kelas kebakaran hutan. Penelitian lanjutan masih diperlukan untuk menyertakan skema model WRF yang lain dan proses koreksi bias menggunakan data observasi yang lebih padat.

Jambi Province with peat land area reaching 621.089 ha is one of the areas of forest and land fires that occur almost every year. Peatlands are vulnerable to fire, especially in dry conditions, either naturally or as a result of human activities. In the dry season, the low supply of rainwater causes the rate of drainage of peatlands to increase so that peatlands are very vulnerable to fires. Mitigation and adaptation efforts for peatland fires can be supported by the availability of an early warning information system for forest and land fires through the Fire Danger Rating System (FDRS). The development of FDRS can utilize meteorological and surface parameters to estimate the level of drought on peatlands, such as by utilizing the output of the Weather Research and Forecasting (WRF) model which is integrated with the drought model. This study aims to calibrate the output of the WRF model in the form of rainfall, air temperature, and soil moisture data used as input to the modified Keetch Byram Drought Index (mKBDI) model. It also aims to identify potential drought and peatland fires spatially in Jambi. Before being used, the WRF model was parameterized to adjust the physical parameters according to tropical climate conditions and a bias correction process was carried out with field measurement data. In this study, the model is simulated for 2015-2018 daily data. The WRF physical model scheme used is assumed to represent the local climate conditions of Jambi. The output of the WRF model has also been corrected for bias with observational data. The results of the bias correction showed “very good” performance (PBIAS < 5). Furthermore, the fire index value was used to determine the FDRS class into four categories: safe, alert, dangerous, and extreme. The results of the analysis show that in the dry season, the proportion of extreme classes reached 58% in El Niño and this proportion decreased to a third in 2018. These results are confirmed by the distribution of hotspot values (>80% confidence level) in the study area. These findings indicate that the model performs well in predicting forest fire classes. Further research is still needed to include other WRF model schemes and bias correction processes using more dense observational data.