LAPORAN KEMAJUAN III
Judul : Integrasi Data Hyperspectral In-situ, Wahana Pesawat dan Satelit untuk Estimasi Produksi Padi
Oleh : Arief Darmawan
Nrp. : 3106301701
Diseminarkan pada:
Hari :
Tanggal :
Tempat : Ruang Sidang S-2 Teknik Sipil FTSP-ITS Promotor : Dr. Ing. Teguh Hariyanto, MSc
Co-Promotor
: 1. Prof. Dr. Bangun Muljo Sukojo, DEA 2. Dr. Muhammad Sadly, MSc.
ABSTRAK
Data hiperspektral reflektan tanaman telah banyak digunakan pada beberapa aplikasi penginderaan jauh termasuk dalam bidang pertanian. Pengukuran spektral dengan groundspectrometer (Fieldspec Pro) dan wahana pesawat terbang (HyMap) dan pengukuran parameter-parameter biofisik tanaman seperti indeks luas daun (LAI), dan klorofil (SPAD) telah dilakukan pada area persawahan di daerah Kabupaten Indramayu dan Subang, Jawa Barat dari tanggal 26 Juni - 3 Juli 2008. Tujuannya adalah untuk mempelajari perubahan nilai spektral terhadap kondisi biofisik tanaman pada tiap-tiap fase pertumbuhan yang selanjutnya akan digunakan untuk pembuatan model estimasi produksi padi. Pengukuran spektral reflektan kanopi dilakukan secara simultan terhadap tiga fase pertumbuhan yaitu vegetative, reproductive dan ripening. Hal ini bertujuan untuk menghindari bias (error) antara pengukuran spektral dan parameter-parametr biofisik tanaman. Penentuan panjang gelombang optimal dari data hyperspektral terhadap sensitivitas parameter biofisik tanaman merupakan masukan dalam pembuatan model estimasi indeks vegetasi. RGREEN adalah reflektan pada kanal hijau (490-560 nm), RRED
adalah reflektan pada kanal merah (640-740 nm) dan RNIR adalah
reflektan pada kanal infra merah dekat (740-1300 nm). Perubahan nilai spektral yang teramati pada tiap fase pertumbuhan adalah merupakan efek dari pertumbuhan dan perubahan biofisik tanaman tersebut. Secara umum, nilai maksimum spektral akan teramati pada fase vegetatif puncak (umur 40-45 hari setelah tanam) dan setelah itu menurun sampai fase panen. Pembangunan model spektral terhadap parameter-parameter pertumbuhan selanjutnya akan ditingkatkan melalui pemisahan fase-fase pertumbuhannya. Pemilihan spektral yang digunakan dalam model adalah berdasarkan pada tingginya nilai korelasi antara spektral dan
parameter-parameter pertumbuhan tanaman padi. Pembuatan model estimasi panen dilakukan dengan menggunakan beberapa metode statistik seperti multiple linear regression (MLR), principal component regression (PCR) dan partial least square regression (PLSR) yang dilakukan untuk mencari hubungan antara spektral karakteristik dan pertumbuhan sekaligus membandingkan model-model regresi yang tepat untuk digunakan dalam pembangunan model estimasi produktivitas padi.
Kata kunci: Hyperspektral, pertanian, HyMap, LAI, klorofil (SPAD),
MLR, PCR, PLSR.
ABSTRACT
Hyperspectral crop reflectance is variously used for several applications in agriculture remote sensing. Spectral measurement using groundspectrometer (FieldSpec Pro), airborne (HyMap) and crop biophysical parameters such as leaf area index (LAI) and chlorophyll content (SPAD) were conducted over rice fields in Indramayu and Subang districts, West Java between June 23 – July 3, 2008. The aims of this study is to investigate the changing of spectral value in corresponding to biophisical condition of each growth stage and which then will develop a yield estimation model. The spectral measurement of canopy reflectant had been conducted simultaneously toward biophysical parameters measurement for three main growth stages which are vegetative, reproductive and ripening to minimize bias (errors) due to differentiation in weather condition and time. The defined optimal pairing bands from hyperspectral data in respect to sensitivity of crop biophysical parameters were used as inputs in developing vegetation indices model. The RGreen, Rred and RNIR are green reflectance (490 – 560
nm), red reflectance (640-740 nm) and near infrared reflectance (740-1300 nm) respectively. The alteration of spectral value which were observed in each growth stage is the consequence of crop growing effect and biophysical condition change. In general, spectral maximum will be observed during vegetative peak phase (40-45 days after transplanting, DAT) and will decline until mature phase. The development of spectral model with respect to its biophysical parameters furthermore will be advanced through the separating of growing stages. The selection of spectral used in model is based on high correlation value between spectral and growing stages. The yield estimation model was developed using several statistical methods such as multiple linear regression (MLR), principle component regression (PCR) and partial least square regression (PLSR) to calculate the relationship between spectral characteristics and crop growth stages and also to investigate the best statistical model of yield estimation.
Key words: Hyperspektral, pertanian, HyMap, LAI, chlorophyll
DAFTAR ISI
Hal Lembar Pengesahan i Abstrak ii Abstract iii Daftar Isi v Daftar Gambar ixDaftar Tabel xii
Daftar Singkatan xiii
Bab 1 . Pendahuluan 1
1.1. Latar Belakang 1
1.1.1. Teknologi Hiperspektral Penginderaan Jauh 3 1.1.2. Indeks-indeks Vegetasi dan Model Regresi 7 1.1.3. Normalized Difference Spectral Index (NDSI) 8
1.2. Perumusan Masalah 9
1.3. Tujuan Penelitian 11
1.4. Lingkup Penelitian 11
1.4.1 Lokasi Penelitian (Region of Interest) 12
1.5. Kerangka Dasar Pemikiran 14
1.6. Metodologi Penyelesaian Masalah Yang Diusulkan 14
1.7. Kontribusi Yang Diharapkan 16
Bab 2. Kajian Pustaka dan Dasar Teori 17
2.1. Pengukuran spektral tanaman padi 17
2.2. Pemutakhiran (updating) data area sawah 17
2.3. Prinsip-prinsip Spectroscopy 17
2.4. Sensor Hymap 20
2.5. Fase-fase Pertumbuhan Tanaman Padi 22
2.6. Indeks Luas Daun (Leaf Area Index, LAI) 25
2.7. Pengukuran Klorofil (SPAD) 27
2.7.1. Pprinsip Kerja Alat SPAD 502 28
2.7.2. Teknik Pengukuran Klorofil Dengan SPAD 502 29 2.8. Penghalusan (Smoothing) Data Dengan Metode Savitzky-Golay 29
2.8.1. Proses Matematika 31
2.8.2. Koefisien Savitzky-Golay 32
2.9. Spectral Angle Mapper (SAM) 33
2.10. Model Regresi Linier 34
2.10.1. Multiple Linear Regression (MLR) 34
2.10.1.1. Analisis Terhadap Nilai R2dan R2adj 35
2.10.1.2. Uji Multikolinieritas 35
2.10.2. Principle Component Regression (PCR) 36 2.10.3. Partial Leas-Square Regression (PLSR) 37
Bab 3. Metodologi 41
3.1. Pengolahan Data Awal (Pre-Processing Data) 43
3.1.1. Data Spektral 43
3.1.2. Data HyMap 44
3.1.3. Data Biofisik Tanaman 49
3.2. Pemilihan Kanal Optimal 50
3.3. Pemutakhiran Luasan Baku Sawah 51
3.4. Metode-Metode Regresi Linier 52
3.4.1. MLR 52
3.4.2. PCR 53
3.4.3. Partial Least Square (PLS) 54
Bab 4. Hasil dan Diskusi 57
4.1. Data Fieldspectrometer 57
4.2.1. ROI Indramayu 59
4.2.2. ROI Subang 60
4.3. Data Ubinan 61
4.4. Pemutakhiran Luasan Sawah 63
4.5. Analisis Regresi 65
4.5.1. Multiregresi Reflectance 4 Band vs. Variabel Tanaman 65
4.5.1.3. Reflectance vs. Yield 66
4.5.2. Multiregresi Variabel Vegetasi vs. Indeks Vegetasi 66
4.5.2.1. LAI vs. NDSI 66
4.5.2.2. LAI vs. RDSI 66
4.5.2.3. LAI vs. SASI (Indramayu) 67
4.5.2.4. LAI vs. RSI (Indramayu) 67
4.5.2.5. SPAD vs. NDSI 68
4.5.2.6. SPAD vs. RDSI (Indramayu) 68
4.5.2.7. SPAD vs. SASI (Indramayu) 69
4.5.2.8. SPAD vs. RSI (Indramayu) 69
4.5.2.9. Yield vs. NDSI 69
4.5.2.10. Yield vs. RDSI (Indramayu) 70
4.5.2.11. Yield vs. SASI (Indramayu) 70
4.5.2.12. Yield vs. RSI (Indramayu) 71
4.5.3. Regresi Data Turunan Pertama vs. LAI (Indramayu) 71 4.5.4. Peta Distribusi (Distribution Map) ROI Indramayu 72
4.5.4.1. Peta Distribusi Yield 72
4.5.4.2. Peta Distribusi LAI 73
4.5.4.3. Peta Distribusi Klorofil (SPAD) 74
4.5.5. Peta Distribusi ROI Subang 75
4.5.5.1. Peta Distribusi Yield 75
4.5.5.2. Peta Distribusi LAI 76
4.3. PCR 78 4.3.1. LAI 78 4.3.2. SPAD 79 4.3.3. Yield 80 4.4. PLSR (Indramayu) 82 4.4.1. LAI 82 4.4.2. SPAD 83 4.4.3. Yield 83
4.5. NDSI vs. Parameter Biofisik Tanaman (Indramayu) 86
Bab 5. Kesimpulan 89
DAFTAR GAMBAR
Hal.
Gambar 1.1. Total radiasi yang mengenai suatu objek yang dikenal sebagai radiasi datang (incident radiation)
2
Gambar 1.2. Struktur sel daun dan interaksinya dengan energi elektromagnetik. Sebagian besar cahaya tampak diserap sedangkan hampir setengah dari energi inframerah dekat dipantulkan.
(sumber:
http://www.seos-project.eu/modules/agriculture/images/leaf_structure_small.png
3
Gambar 1.3. Skala ruang beberapa wahana pengamatan (Sumber: modifikasi dari M. Evri 2009)
4
Gambar 1.3. Wilayah studi di Kabupaten Subang dan Indramayu, Jawa Barat
12
Gambar 1.4. Diagram proses klasifikasi dengan menggunakan metoda SAM
15 Gambar 2.1. Spektrum gelombang elektromagnetik (sumber:
http://www.astro.virginia.edu/class/oconnell/astr121/im/em-op-spectrum.gif)
18
Gambar 2.2. Perbandingan jumlah kanal dalam teknologi penginderaan jauh
19
Gambar 2.3. Profil reflektan vegetasi dan tanah dan air (sumber: http://www.fao.org/docrep/003/T0446E/T044617.gif)
19
Gambar 2.4. Pola reflektan dari vegetasi, tanah basah dan tanah kering terhadap panjang gelombang merah dan
inframerah (sumber:
http://rangeview.arizona.edu/images/red_reflectance.jpg)
20
Gambar 2.5. Lintasan terbang pemginderaan jauh dengan sensor Hymap (sumber: International Training on Hyperspectral Applications, 2006)
22
Gambar 2.6. Fase pertumbuhan tanaman padi (sumber: IRRI) 22 Gambar 2.7. Nilai reflektan tanaman padi pada beberapa fase 25
pertumbuhan (sumber: M. Evri, 2008)
Gambar 2.8. LAI pada tanaman padi merupakan luas total daun per-unit permukaan tanah
26
Gambar 2.9. LI-COR LAI-2000 27
Gambar 2.10 konsentrasi klorofil vs. reflektan panjang gelombang biru/merah
28
Gambar 2.11. Prinsip kerja alat SPAD 502 (sumber: http://www.fujiwara-sc.co.jp/catalog/img/spad502-1.gif
28
Gambar 2.12. Titik pengukuran klorofil dengan SPAD 502 pada daun 29 Gambar 2.13. Perata-rataan 7 titik data dengan metode
Savitzky-Golay orde-2
30
Gambar 2.14. Polinomial orde-2 untuk 25 titik data dengan Metode Savitzky-Golay
30
Gambar 2.15. Konsep SAM (a) A dan B merupakan objek yang sama/sejenis, panjang atau pendeknya vektor tergantung pada besar atau kecilnya iluminasi. (b) Perbandingan antara vektor dari objek yang tidak diketahui (vektor C) dengan vektor referensi (vektor D). Kedua vektor dapat dikatakan objek yang sama/sejenis jika memiliki sudut yang lebih kecil dari nilai toleransi (Sesudah Kruse dkk, 1993). Sumber:
http://wgbis.ces.iisc.ernet.in/energy/paper/TR-111/chapter3_clip_image004.jpg
33
Gambar 3.1. Diagram penelitian 42
Gambar 3.2. Profil spektral tanaman padi dari data HyMap untuk tiap fase pertumbuhan di kabupaten Indramayu
45
Gambar 3.3. Profil spektral tanaman padi dari data Hymap untuk tiap fase pertumbuhan di kabupaten Subang
46
Gambar 3.4. Data strip Hymap Subang yang telah di koreksi radiometrik dan geometrik.
47
Gambar 3.5. Data strip Hymap Indramayu yang telah di koreksi radiometrik dan geometrik
47
Gambar 3.6. Diagram pemrosesan citra HyMap 48
Gambar 3.7. Mosaic Subang (kiri) dan Indramayu (kanan), true color RGB= (15,8,3) = (0.66; 0.56; 0.48m)
49
Gambar 4.1. Profil pengukuran spektral pada beberapa fase pertumbuhan dengan menggunakan alat Fieldspectrometer pada lima area sample di Indramayu.
59
Gambar 4.2. Citra klasifikasi fase pertumbuhan dengan metode SAM 59 Gambar 4.4. Cira HyMap zona irigasi (kiri) dan citra klasifikasi 2 fase
pertumbuhan (kanan)
61
Gambar 4.5. Vektor sawah (kiri) dan vektor pemutakhiran luasan sawah (kanan) ROI Subang
63
Gambar 4.6. Vektor sawah (kiri) dan vektor pemutakhiran luasan sawah (kanan) ROI Indramayu.
64
Gambar 4.7. Estimasi produktivitas (yield) 72
Gambar 4.8. Peta Distribusi LAI ROI Indramayu 73
Gambar 4.9. Peta Distribusi Klorofil (SPAD) ROI Indramayu 74 Gambar 4.10. Estimasi produktivitas (yield) ROI Subang 75
Gambar 4.11. Peta distribusi LAI ROI Subang 76
Gambar 4.12. Peta distribusi klorofil (SPAD) ROI Subang 77 Gambar 4.13. Grafik regresi nilai pengukuran terhadap nilai prediksi
(kiri), Pengujian terhadap data Hymap (kanan)
78 Gambar 4.14. Grafik regresi nilai pengukuran terhadap nilai prediksi
(kiri), Pengujian terhadap data Hymap (kanan)
80
Gambar 4.15. Grafik regresi nilai pengukuran terhadap nilai prediksi (kiri), Pengujian terhadap data Hymap (kanan).
81
Gambar 4.16. Perubahan faktor penentu (koefisien determinasi, R2) dari LAI sebagai respon terhadap jumlah peubah laten (NLV).
85
Gambar 4.17, 4.18, 4.19. Distribusi nilai koefisien determinasi terhadap panjang gelombang terpilih. Nilai R2 diperoleh dari regresi linier antara pengukuran LAI, SPAD dan panen dengan seluruh kombinasi pasangan panjang gelombang dalam NDSI indeks spectral.
DAFTAR TABEL
Hal.
Tabel 1.1. Tipe-tipe sensor hiperspektral 5
Tabel 2.1. Spektrum sensor HyMap 21
Tabel 2.2. Karakteristik Citra HyMap 21
Tabel 2.3. Parameter-parameter pengoperasian sensor Hymap 21
Tabel 2.4. Koefisien Savitzky-Golay 32
Tabel 4.1. Data ubinan Indramayu 61
Tabel 4.2. Koefisien Determinasi dan Nilai Error 78 Tabel 4.3. Koefisien Determinasi dan Nilai Error 79
Table 4.4. LAI 82
Table 4.5. SPAD 83
DAFTAR SINGKATAN
1. AHS : Airborne Hyperspectral Scanner
2. AISA : Airborne Imaging Spectrometer for Applications 3. AVIRIS : Airborne Visible/Infrared Imaging Spectrometer 4. CASI : Compact Airborne Spectrographic Imager 5. CHRIS : Compact High Resolution Imaging Spectrometer 6. DAIS 21115 : Digital Airborne Imaging Spectrometer
7. EO-1 : Earth Observation-1
8. FOV : Field of View
9. GSD : Ground Sample Distance
10. HyMap : Hyperspectral Mapper 11. IFOV : Instantaneous Field of View
12. LAI : Leaf Area Index
13. MNF : Maximum Noise Fraction 14. MLR : Multiple Linear Regression
15. NB : Narrow Band
16. NDVI : Normalized Difference Vegetation Index 17. SAVI : Soil-Adjusted Vegetation Index
18. NIR : Near-Infrared
19. PCLT : Principal Components Linear Transformation 20. PCR : Principle Component Regression
21. PLSR : Partial Least-Square Regression 22. PPI : Pixel Purity Index
23. PSNR : Peak Signal Noise Ratio
24. RGB : Red-Green-Blue
25. RDSI : Renormalized Difference Spectral Index 26. ROI : Region of Interest
28. SAM : Spectral Angle Mapper 29. SASI : Soil Adjusted Spectral Index 30. SAVI : Soil-Adjusted Vegetation Index 31. SNR : Signal-to-Noise Ratio
32. SPAD : Special Products Analysis Division
33. SR : Simple Ratio
