Lalu Muhamad Jaelani

Oleh: Lalu Muhamad Jaelani — Laboratorium Geospasial, Departemen Teknik Geomatika ITS

Sentinel-5P adalah misi Copernicus pertama yang didedikasikan untuk memantau komposisi atmosfer. Sensor TROPOMI di dalamnya mengukur nitrogen dioksida (NO2), karbon monoksida (CO), sulfur dioksida (SO2), formaldehida (HCHO), ozon (O3), metana (CH4), dan indeks aerosol setiap hari dengan resolusi spasial 3,5 × 5,5 km — terbaik di kelasnya, tetapi masih terlalu kasar untuk memetakan polusi di tingkat kota atau lingkungan permukiman. Untuk konteks kesehatan dan epidemiologi, kita membutuhkan peta dengan resolusi 1 km atau lebih halus.

Kendala utama dalam studi kualitas udara perkotaan adalah tidak tersedianya data NO2 dengan resolusi spasial tinggi. Konsentrasi NO2 di kota bervariasi sangat tajam dalam jarak pendek — perbedaan kepadatan lalu lintas, aktivitas industri, dan kondisi ventilasi udara membuat gradien spasial yang kuat antar lingkungan permukiman. Data yang tersedia saat ini belum cukup untuk mengevaluasi variasi spasial tersebut: stasiun pemantauan permukaan jumlahnya terbatas dan tersebar tidak merata; model kimia transportasi (chemical transport model) memberi cakupan luas tetapi sensitif terhadap kualitas inventaris emisi; sementara satelit TROPOMI — instrumen terbaik untuk NO2 sejauh ini — masih memiliki pixel 3,5 × 5,5 km, jauh lebih besar daripada skala variasi spasial di daerah perkotaan. Satu pixel TROPOMI dapat mencakup beberapa kelurahan dengan karakteristik emisi yang sangat berbeda, sehingga detail spasial yang diperlukan untuk studi paparan dan epidemiologi hilang.

Untuk mengatasi keterbatasan ini, resolusi spasial data satelit perlu ditingkatkan. Salah satu cara yang menjanjikan adalah memanfaatkan fakta bahwa geometri perekaman data berubah-ubah: posisi pixel, ukuran footprint, dan sudut pandang TROPOMI berbeda dari hari ke hari. Ketika observasi dari banyak overpass digabungkan dalam satu bulan atau satu tahun, pixel-pixel yang saling tumpang tindih dengan posisi berbeda dapat diolah secara statistik untuk merekonstruksi variasi spasial yang lebih halus daripada ukuran pixel individual. Teknik ini dikenal sebagai spatial oversampling — cara yang elegan untuk “memperbesar” data satelit atmosfer tanpa mengubah instrumennya. Artikel ini menjelaskan konsep, metode, kebutuhan data, dan cara menerapkannya secara praktis.

1. Mengapa Pixel TROPOMI Tidak Selalu di Tempat yang Sama?

TROPOMI adalah spektrometer push-broom dengan lebar sapuan (swath) sekitar 2.600 km. Setiap hari, satelit mengamati satu titik di bumi sekali, sekitar pukul 13:30 waktu lokal, dengan orbit sinkron matahari. Yang membuat pixel-nya “bergeser”:

• Geometri pengamatan bervariasi: sudut pandang satelit dan posisi pixel di sepanjang swath berbeda setiap hari, sehingga ukuran dan orientasi pixel berubah (di tepi swath, pixel lebih besar dan miring).
• Grid pixel tidak tetap: level-2 (L2) TROPOMI disimpan per pixel individual dengan empat titik sudut yang berbeda-beda antar overpass, bukan pada grid tetap.
• Awan: pixel yang tertutup awan dibuang, sehingga pola data yang tersisa tidak beraturan.

Akibatnya, jika kita menumpuk semua pixel dari satu bulan di atas peta, pixel-pixel besar itu saling tumpang tindih (overlap) dengan posisi yang sedikit berbeda-beda. Di sinilah peluangnya: dari tumpukan pixel yang bergeser itu, kita bisa menebak struktur spasial yang lebih halus daripada ukuran pixel tunggal — persis seperti prinsip stacking foto astronomi.

2. Konsep Dasar: Menukar Resolusi Temporal dengan Resolusi Spasial

Oversampling bekerja dengan memproyeksikan ribuan observasi L2 (dari banyak orbit) ke satu grid persegi yang halus, lalu merata-ratakannya. Karena target grid (misal 0,01° ≈ 1,1 km) jauh lebih kecil daripada pixel asli (~19–26 km²), setiap pixel menyentuh puluhan sel grid. Nilai tiap sel diperoleh dari kontribusi banyak pixel yang berbeda posisi — itulah mengapa hasilnya bisa “lebih halus” daripada resolusi asli sensor.

Yang perlu dipahami sejak awal:

• Resolusi efektif naik, daya pisah sejati tidak berubah. Oversampling tidak menciptakan informasi baru; ia memanfaatkan variasi geometri pengamatan dan merata-ratakan noise. Setelah resolusi grid tertentu, menambah kehalusan grid tidak lagi menambah informasi (Sun dkk., 2018).
• Ada kompromi temporal. Semakin halus grid, semakin banyak observasi yang dibutuhkan per sel; jika observasi sedikit, peta menjadi berlubang atau berisik. Inilah mengapa produk oversampling biasanya berupa rata-rata bulanan, musiman, atau tahunan, bukan harian.
• Kualitas naik bersamaan. Merata-ratakan ratusan pixel juga menekan noise pengamatan. Rata-rata oversampled memiliki ketidakpastian jauh lebih kecil daripada satu pixel tunggal.

3. Metode 1: Area-Weighted Oversampling (AWO)

Metode paling umum dan dipakai pada banyak produk level-3 operasional. Setiap pixel L2 diperlakukan sebagai poligon segi empat (dari empat koordinat sudutnya). Nilai untuk setiap sel grid target adalah rata-rata observasi terbobot luas overlap:

V_j = ( Σ_i w_ij · v_i ) / Σ_i w_ij

dengan:

• V_j = nilai pada sel grid ke-j,
• v_i = nilai observasi pixel ke-i,
• w_ij = luas irisan antara pixel ke-i dan sel ke-j (jika pixel dianggap sebagai area seragam).

Semakin besar bagian pixel yang menutupi sebuah sel, semakin besar bobotnya. Metode ini digunakan oleh Goldberg dkk. (2021) untuk membuat rata-rata tahunan TROPOMI NO2 di Amerika Serikat pada grid 0,01°, dan oleh produk HAQAST-CONUS yang tersedia di NASA GES DISC.

Kelebihan: sederhana, cepat, konservatif luas (total kolom terjaga), cocok untuk rata-rata jangka panjang. Kekurangan: menganggap sensitivitas pixel seragam di seluruh luasnya — padahal sensor sebenarnya paling sensitif di pusat pixel.

4. Metode 2: Physics-Based Oversampling (Sun dkk., 2018)

Sun dkk. (2018) menunjukkan bahwa asumsi “poligon seragam” tidak akurat: TROPOMI lebih sensitif di pusat bidang pandang dan sensitivitasnya menurun ke tepi, berbentuk seperti lonjakan Gaussian 2 dimensi. Mereka mengusulkan untuk memperlakukan setiap pixel sebagai distribusi sensitivitas yang dimodelkan dengan fungsi super-Gaussian 2D:

S_i(x,y) = A · exp( −(|x−x_i| / a)^k1 − (|y−y_i| / b)^k2 )

dengan (x_i, y_i) pusat pixel, a, b setengah lebar respon spasial, dan eksponen k1, k2 mengontrol ketajaman tepi (k = 2 → Gaussian biasa; k besar → tepi tegas seperti poligon). Nilai grid dihitung sebagai rata-rata terbobot sensitivitas:

V(x,y) = ( Σ_i S_i(x,y) · v_i ) / Σ_i S_i(x,y)

Pendekatan ini lebih akurat untuk jendela waktu pendek (misal bulanan) dan lebih baik menangkap gradien spasial NO2 di perkotaan — dibuktikan pada aplikasi ke kota-kota AS (Demetillo dkk., 2020; Jin dkk., 2025). Implementasi MATLAB tersedia di repositori Kang-Sun-CfA/Oversampling_matlab.

5. Metode Alternatif: Kriging (Geostatistik)

Selain oversampling berbasis geometri, ada pendekatan geostatistik. Cersosimo, Serio, dan Masiello (2020) menerapkan ordinary kriging untuk men-regridding rata-rata bulanan TROPOMI NO2 dari footprint ~7 × 3,5 km ke grid 1×1 km di Italia:

z*(s0) = Σ_i λ_i · z(s_i),   dengan Σ_i λ_i = 1

Bobot λ_i diturunkan dari semivariogram data — metode ini memberi dua keuntungan sekaligus: nilai estimasi dan error (kriging variance), serta bekerja baik meski data terbatas. Hasilnya menunjukkan konsistensi yang lebih baik dengan observasi permukaan setelah di-grid 1 km.

6. Berapa Banyak Data yang Dibutuhkan?

Jawaban singkat: satu bulan sudah cukup untuk kota besar; 3–12 bulan untuk wilayah yang lebih kecil atau lebih berawan. Perhitungannya:

Parameter	Nilai
—	—
Frekuensi overpass per lokasi	1×/hari (±13:30 lokal)
Luas pixel nadir	3,5 × 5,5 km ≈ 19 km²
Luas pixel rata-rata sepanjang swath	≈ 26 km² (tepi lebih lebar)
Pixel menutupi kota 1.000 km²	~38 pixel/overpass
Pixel mentah dalam 30 hari	~1.150
Pixel valid (QA>0,75 + bebas awan), musim kemarau	~575 (50%)
Pixel valid, musim hujan tropis	~290 (25%)
Ambang literatur per sel grid 1 km	≥ 6–12 observasi

Mengapa satu bulan cukup? Karena satu pixel menyentuh ~20–26 sel 1×1 km (metode AWO). Untuk kota 1.000 km² di musim kemarau, ~575 pixel valid × 26 km² tersebar ke ~1.000 sel → setiap sel menerima ~15 kontribusi, jauh di atas ambang 6–12. Studi Nature oleh Cooper dkk. (2021) juga menunjukkan peta NO2 1×1 km yang andal dengan rata-rata satu bulan; periode lebih lama hanya untuk menekan noise dan memisahkan tren musiman.

Aturan praktis:

• Kota besar / wilayah urban: 1 bulan (≥10 kontribusi/sel)
• Kabupaten / wilayah kecil: 3–6 bulan
• Daerah sering berawan (Pulau Jawa musim hujan): 3 bulan atau akumulasi bulan kering

7. Tutorial Praktis Langkah demi Langkah

Berikut alur kerja untuk membuat peta NO2 bulanan resolusi 1 km untuk wilayah studi di Indonesia:

Langkah 1 — Unduh data L2 harian. Sumber: TEMIS/KNMI (produk resmi, gratis) atau Copernicus Data Space. File: S5P_OFFL_L2__NO2____...nc (netCDF). Untuk satu bulan, siapkan 30–60 granule (~100–200 MB per file) ≈ 3–9 GB.

Langkah 2 — Filter kualitas. Hanya gunakan pixel dengan quality assurance > 0,75 dan cloud radiance fraction < 0,3–0,5:

mask = (qa_value > 0.75) & (cloud_fraction < 0.3)

Langkah 3 — Proyeksikan ke grid target 0,01°. Definisikan grid tetap (misal 106,5–107,5°BT; 6,0–6,5°LS untuk Jakarta). Untuk setiap pixel, hitung luas overlap dengan setiap sel yang disentuhnya, lalu terapkan rumus AWO. Contoh kerangka kode:

import xarray as xr
import numpy as np

# grid target
lon = np.arange(106.50, 107.51, 0.01)
lat = np.arange(-6.50, -5.99, 0.01)

acc  = np.zeros((len(lat), len(lon)))   # akumulator nilai
wsum = np.zeros((len(lat), len(lon)))   # akumulator bobot

for f in files_bulan_ini:
    ds = xr.open_dataset(f)
    for setiap_pixel(ds):               # v, dan 4 sudut pixel
        for sel_tersentuh(pixel):
            w = luas_overlap(pixel, sel) # AWO
            acc[sel]  += w * v
            wsum[sel] += w

peta_bulanan = acc / np.maximum(wsum, 1e-6)   # rata-rata terbobot
peta_bulanan = np.where(wsum >= 6, peta_bulanan, np.nan)  # sel malas dibuang

Langkah 4 — Buang sel dengan sampel terlalu sedikit. Terapkan ambang wsum ≥ 6 (atau ≥ 12 untuk ketelitian lebih) agar sel yang jarang tersampling tidak menyesatkan interpretasi.

Langkah 5 — Visualisasi. Plot rata-rata bulanan + peta jumlah sampel (coverage) sebagai lampiran kualitas. Peta coverage ini penting: sel kosong di tepi wilayah atau di area berawan bukan berarti polusi nol, melainkan tidak ada data.

Alternatif cepat tanpa coding: koleksi COPERNICUS/S5P/OFFL/L3_NO2 di Google Earth Engine sudah berupa grid 0,01° per orbit — rata-ratakan koleksinya per bulan (collection.filterDate(...).mean()). Ini cocok untuk eksplorasi awal, meski bukan oversampling penuh (hanya binning pusat pixel).

8. Catatan Khusus untuk PM2.5

Sentinel-5P tidak mengukur PM2.5 secara langsung — tidak ada band yang menangkap partikel halus. Yang tersedia adalah gas prekursor dan indeks aerosol:

• NO2 (prekursor polusi pembakaran), CO (pembakaran biomassa), SO2 (industri), HCHO, Aerosol Index (AER_AI).
• Peta NO2 hasil oversampling 1 km dapat menjadi prediktor spasial yang kuat untuk estimasi PM2.5 permukaan, biasanya melalui machine learning: Random Forest, XGBoost, LightGBM, TabNet, atau CNN.
• Contoh nyata: Wang dkk. (2021) mengestimasi PM2.5 dan PM10 harian full-coverage 5 km di Tiongkok dari TROPOMI + GEOS-FP dengan LightGBM (R² validasi silang 0,88–0,93); Son dkk. (2023) menggunakan TabNet dengan lima produk TROPOMI untuk PM2.5 di Thailand (R² 0,87), dengan CO sebagai variabel paling penting — relevan untuk musim kebakaran di Asia Tenggara.

Peringatan penting: untuk produk aerosol TROPOMI (AER_AI), noise per pixel jauh lebih besar daripada NO2, sehingga hasil oversampling lebih halus secara visual tetapi tidak boleh diinterpretasikan sebagai resolusi sejati. Oversampling paling valid dan paling banyak dipakai untuk NO2 yang signal-to-noise-nya tinggi.

9. Ringkasan

Spatial oversampling adalah teknik yang mengubah kelemahan (pixel besar, geometri berubah-ubah) menjadi kekuatan: dengan menggabungkan observasi bulanan hingga tahunan ke grid 0,01°, kita memperoleh peta NO2 resolusi ~1 km yang cukup andal untuk studi paparan di tingkat kota. Tiga metode utama — area-weighted oversampling, physics-based oversampling, dan kriging — menawarkan tingkat ketelitian yang berbeda, dan kebutuhan datanya dapat dihitung sederhana dari ukuran wilayah, musim, dan ambang sampel per sel. Untuk pemetaan PM2.5, produk oversampling ini menjadi bahan baku prediktor spasial yang berharga dalam kerangka machine learning.

Bagi mahasiswa dan peneliti geomatika di Indonesia, data L2 TROPOMI gratis dan lengkap sejak 2018 — dengan pipeline sederhana seperti di atas, peta bulanan NO2 resolusi 1 km untuk kota-kota besar di Indonesia (Jakarta, Surabaya, Bandung, Medan, Makassar) sudah dapat dibuat hari ini.

Referensi

• Sun, K., Zhu, L., Cady-Pereira, K., Chan Miller, C., Chance, K., Clarisse, L., Coheur, P.-F., González Abad, G., Huang, G., Liu, X., Van Damme, M., Yang, K., & Zondlo, M. (2018). A physics-based approach to oversample multi-satellite, multispecies observations to a common grid. Atmospheric Measurement Techniques 11(12), 6679–6701. https://doi.org/10.5194/amt-11-6679-2018
• Goldberg, D.L., Anenberg, S.C., Kerr, G.H., Mohegh, A., Lu, Z., & Streets, D.G. (2021). TROPOMI NO2 in the United States: A detailed look at the annual averages, weekly cycles, effects of temperature, and correlation with surface NO2 concentrations. Earth's Future 9(4), e2020EF001665. https://doi.org/10.1029/2020EF001665
• Cersosimo, A., Serio, C., & Masiello, G. (2020). TROPOMI NO2 tropospheric column data: Regridding to 1 km grid-resolution and assessment of their consistency with in situ surface observations. Remote Sensing 12(14), 2212. https://doi.org/10.3390/rs12142214
• Demetillo, M.A.G., Navarro, A., Knowles, K.K., Fields, K.P., Geddes, J.A., Nowlan, C.R., Janz, S.J., Judd, L.M., Al-Saadi, J., Sun, K., McDonald, B.C., Diskin, G.S., & Pusede, S.E. (2020). Observing nitrogen dioxide air pollution inequality using high-spatial-resolution remote sensing measurements in Houston, Texas. Environmental Science & Technology 54(16), 9882–9895. https://doi.org/10.1021/acs.est.0c01864
• Cooper, M.J., Martin, R.V., McLinden, C.A., & Brook, J.R. (2020). Inferring ground-level nitrogen dioxide concentrations at fine spatial resolution applied to the TROPOMI satellite instrument. Environmental Research Letters 15(10), 104013. https://doi.org/10.1088/1748-9326/aba3a5
• Wang, Y., Yuan, Q., Li, T., Tan, S., & Zhang, L. (2021). Full-coverage spatiotemporal mapping of ambient PM2.5 and PM10 over China from Sentinel-5P and assimilated datasets: Considering the precursors and chemical compositions. Science of the Total Environment 793, 148535. https://doi.org/10.1016/j.scitotenv.2021.148535

---

Artikel ini merupakan bagian dari pengembangan materi penginderaan jauh dan aplikasi geospasial Laboratorium Geospasial ITS (geo.its.ac.id).