Ekstraksi Kandungan Air Kanopi Daun Padi dari Data Ground Field Spectrometer dan Airborne-Hyperspectral
|
|
- Sucianty Budiman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Ekstraksi Kandungan Air Kanopi Daun Padi dari Data Ground Field Spectrometer dan Airborne-Hyperspectral Agus Wibowo 1,2, Bangun Muljo Sukojo 1, Teguh Harianto 1, Yusuf Surachman Djajadihardja 2 1 Program Studi Pasca Sarjana Tenik Sipil, Insitut Teknologi Sepuluh November Surabaya 2 Pusat Teknologi Inventarisasi Sumberdaya Alam, Badan Pengkajian dan Penerapan Teknologi Jakarta wibowo.agus@gmail.com Abstrak Status canopy water content (CWC) atau kandungan air kanopi daun dapat digunakan sebagai masukan model prediksi produksi padi dengan data hyperspectral. Survey airborne-hyperspectral menggunakan sensor HYMAP dilakukan di lahan padi di Kabupaten Indramayu, Jawa Barat. Pada saat yang sama dilakukan pengukuran field spectrometer (FieldSpec) di beberapa lokasi sampel. Pengukuran reflektan dilakukan pada jarak 10cm (FS10) dan 50 cm (FS50) dari tajuk padi. Survey destruktif untuk mengukur berat basah dan berat kering kanopi daun juga dilakukan pada lokasi yang sama. Data hasil lalu diolah untuk mengestimasi CWC padi. Teknik yang digunakan adalah regresi linear metode stepwise antara CWC dengan indeks spektral yaitu Ratio Spectral Index (RSI), Normalized Difference Spectral Index (NDSI), Water Index (WI) dan Normalised Difference Water Index (NDWI). Hasilnya menunjukkan, kombinasi kanal R 1= µm dan R 2 = µm untuk RSI dan NDSI nilai koefisien korelasi R 2 -nya lebih baik dibandingkan menggunakan WI dan NDWI. Nilai korelasi R 2 model regresi CWC dengan RSI adalah R 2 = (data FS10) dan R 2 = (data FS50), sedangkan untuk NDSI adalah R2 = (data FS10) dan R2 = (data FS50). Sedangkan nilai korelasi R 2 model regresi linear antara CWC dengan WI adalah R 2 = 0.58 (data FS10) dan R 2 = 0.55 (data FS50), untuk NDWI adalah R 2 = 0.51 (data FS10) dan R 2 = 0.51 (data FS50). Aplikasi model regresi CWC dengan RSI, NDSI, WI dan NDWI pada data airborne-hymap menunjukkan hasil sesuai dengan kondisi lapangan, dan model hanya berlaku untuk prediksi CWC tanaman padi pada fase pertumbuhan reproduktif dan ripening. Kata Kunci: canopy water content, hyperspectral, hymap, field spectrometer, padi, spektral indeks. Abstract Status canopy water content (CWC) or the water content of canopy leaves can be used as inputs for rice production prediction model with hyperspectral data. Hyperspectral airborne survey, using sensors HYMAP conducted in paddy fields in Indramayu regency, West Java. At the same time conducted a field spectrometer measurements (FieldSpec) at some sample sites. Reflektan measurements performed at a distance of 10cm (FS10) and 50 cm (FS50) of rice canopy. Destructive survey to measure the weight of wet and dry weight of the leaf canopy is also done at the same location. Data and processed results to estimate the CWC rice. The technique used is the method of stepwise linear regression between the CWC with the spectral index Ratio Spectral Index (RSI), Normalized Difference Spectral Index (NDSI), Water Index (WI) and the Normalised Difference Water Index (NDWI). The results showed that the combination channel R1 = R2 = μm and μm for RSI and NDSI correlation coefficient R2 value was better than using the WI and NDWI. Correlation value R2 CWC regression model with RSI is R2 = 0785 (data FS10) and R2 = 0775 (data FS50), while for NDSI is R2 = 0779 (data FS10) and R2 = 0769 (data FS50). While the value of R2 correlation between the linear regression model with the CWC WI is R2 = 0:58 (data FS10) and R2 = 0:55 (data FS50), for NDWI is R2 = 0.51 (data FS10) and R2 = 0.51 (data FS50). Application of regression models with RSI CWC, NDSI, WI and NDWI on-hymap airborne data showed results in accordance with field conditions, and model predictions CWC applies only to rice plants at the reproductive phase of growth and ripening. Keywords: canopy water content, hyperspectral, hymap, field spectrometer, rice, spectral index. 12
2 1. Latar Belakang Biomasa merupakan salah satu variabel kunci yang menjadi perhatian dalam studi tentang tanaman, baik tanaman yang dibudidayakan maupun yang tidak dibudidayakan. Istilah biomasa dapat mengacu pada berat basah maupun berat kering tanaman. Kandungan air kanopi daun atau canopy water content (CWC) merupakan selisih berat basah dan berat kering tanaman dan menjadi perhatian banyak aplikasi. Karena komponen utama tanaman hijau adalah air maka berat basah, berat kering dan kandungan air akan mempunyai asosiasi yang kuat. Banyak faktor yang mempengaruhi asosiasi tersebut seperti jenis spesies, umur, dan kondisi pertumbuhan tanaman. Dengan demikian kandungan air dalam kanopi daun merupakan faktor penting dalam pemetaan dan pemantauan kondisi ekosistem tanaman seperti deteksi stress pada tanaman (Ustin et al, 2004), deteksi potensi kebakaran hutan (Chuvieco et al, 2002), atau peningkatan kandungan air tanah (Yilmaz et al, 2008). Pengaruh kekurangan air pada tanaman padi akan menyebabkan pertumbuhan tanaman menjadi lebih pendek, jumlah anakan berkurang, luas daun lebih kecil, pengisian bulir padi berkurang, dan akhirnya akan mengurangi produksi padi (Shouichi Yoshida, 1981). Deteksi kandungan air kanopi daun dengan dengan menggunakan data penginderaan jauh menggunakan prinsip bahwa kandungan air mengabsorbsi energi radiasi matahari pada panjang gelombang di zona mid-infrared / MIR ( nm), absorbsi paling terkuat terjadi pada titik tengah pada panjang gelombang 1450, 1940 dan 2500 nm; absorbsi yang lemah juga terjadi di zona near-infrared / NIR ( nm) yaitu pada zona dekat panjang gelombang 970 dan 1200 nm (Gates et al. 1965; Knipling 1970; Woolley 1971). Jika radiasi matahari mengenai permukaan daun maka sebagian kanal akan diabsorbsi, reflektan yang dipantulkan akan berkurang tergantung jumlah kandungan air yang ada di daun. Dengan demikian pengukuran reflektan daun dan kanopi daun merupakan dasar perhitungan kandungan air daun atau kanopi daun. Peñuelas (1993) mengusulkan penggunaan water index (WI) untuk deteksi status kandungan air pada tanaman. WI (R 970 /R 900 ) merupakan rasio antara reflektan pada kanal 970 nm yang merupakan kanal yang diabsorbsi oleh adanya air, dan reflektan pada kanal 900 nm yang tidak (minimum) diabsorbsi oleh air. Peneliti lain Gao (1996) mengusulkan normalised difference water index (NDWI), indeks ini merupakan modifikasi dari normalised difference vegetation index (NDVI) yang banyak digunakan untuk keperluan identifikasi tanaman. NDWI menggunakan kombinasi kanal 860 nm dan 1240 nm, keduanya terletak pada puncak reflektansi kanopi daun. Absorbsi reflektan karena adanya air pada vegetasi pada panjang gelombang 860 nm dianggap tidak ada, dan terjadi sedikit absorbsi karena adanya air ada daun pada panjang gelombang 1240 nm. Beberapa penelitian menunjukkan bahwa kedua indeks WI dan NDWI sensitif terhadap adanya kandungan air kanopi daun dan dapat digunakan untuk deteksi kandungan air pada daun (Rollin et al, 1998; Serrano et al, 2000; Yen-Ben Cheng et al, 2006, Clevers et al, 2008). Penggunaan data penginderaan jauh dengan data penginderaan multispectral sering menyebabkan tidak akuratnya informasi karena peggunaan jumlah kanal yang sedikit dan interval panjang gelombang yang lebar (broad band), sehingga informasi yang direkam sensor merupakaan nilai rata-rata. Penginderaan jauh hyperspectral dengan jumlah kanal yang banyak (lebih dari 100) dan interval penggunaan panjang gelombang yang sempit (narrow band) dan kontinyu mampu memberikan informasi yang detil tentang karakteristik tanaman (Fu-Min Wang, et al., 2008). 13
3 Dengan tersedianya jumlah kanal yang banyak, interval panjang gelombang sempit dan kontinyu, data hyperspectral menyediakan peluang untuk analisis dengan ratusan kanal pita sempit untuk analisis karakteristik tanaman yang lebih detil. Masalah utama pengolahan data hyperspectral secara konvensional adalah volume data yang banyak dan redundansi jumlah kanal. Salah satu solusi adalah dengan mengurangi jumlah kanal dengan ekstraksi kanal yang sesuai untuk parameter tanaman yang dipilih.teknik regresi banyak digunakan untuk mencari hubungan antara reflektan dan karakteristik tanaman dan memilih kanal yang sesuai untuk estimasi karakteristik tanaman. Tujuan penelitian adalah untuk evaluasi kinerja water indeks (WI) dan normalised difference water index (NDWI) untuk deteksi kandungan air. Tujuan berikutnya adalah untuk menentukan dan memberikan rekomendasi band yang optimal untuk estimasi kandungan air kanopi daun padi dengan data hyperspektral pada spektrum panjang gelombang nm. 2. Metode 2.1. Deskripsi Lokasi Penelitian dilakukan di lahan padi di Kabupaten Indramayu, Provinsi Jawa Barat. Sampling area (SA) merupakan lahan padi dengan luasan 500m x 500m, lokasi SA ditentukan dengan metode stratified random sampling, sehingga seluruh Kabupaten Indramayu terdapat 52 sample area. Selanjutnya ditentukan region of interest (ROI) yang meliputi SA yang 1) mewakili tiga golongan pengairan, 2) tahap pertumbuhan padi seragam, 3) overlap dengan lokasi survey ubinan, dan 4) lokasi mudah diakses. Di dalam SA ditentukan 10 quadrat area (QA) dengan ukuran 10m x 10m, lokasi QA dipilih yang mempunyai varietas padi dan tahap pertumbuhan yang seragam dan mewakili masing-masing tahap pertumbuhan. Tahap pertumbuhan padi diklasifikasikan menurut standar IRRI Philipina dan secara garis besar dibagi menjadi 3 yaitu (1) vegetasi - tahap sejak penanaman bibit sampai daun mulai tumbuh dan kanopi menutup, (2) repoduktif tahap padi mulai bunting, sampai berbunga, dan (3) ripening tahap pengisian bulir, pemasakan sampai panen. 14
4 Gambar 1. Lokasi ROI, sample area, dan quadrat area Lokasi pojok-pojok QA ditandai dengan patok bambu dan bendera. Lokasi patok bambu ditentukan dengan pengukuran Diffential Global Positioning System (DGPS). Selanjutnya di dalam QA dipilih 5 rumpun padi / hill untuk dilakukan pengukuran, lihat Gambar 1. Pada hill dilakukan pengukuran reflektan dengan field spektrometer, pengukuran variabel tanaman (ketinggian, lebar kanopi, jumlah daun, jumlah batang, jumlah panicle (bulir padi), kedalaman air di pematang), pengukuran leaf area index (LAI), dan beberapa rumpun padi dicabut untuk ditimbang berat basah dan berat keringnya dengan terlebih dahulu dipisahkan menjadi bagian daun, batang dan panicle. Pengukuran berat kering dilakukan di laboratorium dengan pemanasan di oven sampai suhu 60 o C. Pada saat yang bersamaan dilakukan juga survey airborne-hyperspectral. Kedua survey di lakukan dari tanggal 27 Juni sampai dengan 1 Juli Data yang Digunakan Spektral Tanaman Data reflektan tanaman diukur dengan ASD field spectrometer dari ketinggian 10 cm (FS10) dan 50 cm (FS50) dari ujung kanopi daun. Setiap titik dilakukan pengukuran dengan ulangan minimal 5 kali. Panjang gelombang yang digunakan dari nm dengan resolusi spektral 1 nm Airborne-Hymap Data HYMAP diambil dengan sensor Hyperspectral Mapper (HYMAP) yang dipasang pada pesawat Cessna 402 pada tanggal 30 Juni Sensor HYMAP 15
5 mempunyai panjang gelombang dari nm, jumlah kanal 128, resolusi spektral nm, dan resolusi spasial 4.5 m. Data yang tersedia sebanyak 4 jaur terbang melintang dari selatan ke utara Canopy Water Content Data biomasa terdiri dari berat basah dan berat kering per bagian tanaman padi yaitu daun, batang dan panicle. Kandungan kanopi daun merupakan selisih antara berat basah dan berat kering. Pada umumnya jarak tanam padi adalah 25 cm, sehingga dalam 1 m 2 terdapat 16 rumpun padi. Sehingga kandungan air kanopi daun adalah 16*(berat basah daun berat kering daun) dalam satuan g/m Teknik Pemrosesan Data Filtering dan Resampling Data FieldSpec Data reflektan tanaman padi yang sudah dalam format ASCII dikumpulkan dalam direktori sesesuai jarak pengukuran yaitu 10 cm (FS10) dan 50 cm (FS50). Satu file ASCII merupakan hasil pengukuran pada satu titik lokasi dengan 5 kali pengulangan. Proses berikutnya adalah menghitung rata-rata reflektan untuk satu titik pengukuran. Kemudian data reflektan tersebut diseleksi (filtering), data yang tidak memenuhi kriteria reflektan tanaman tidak dipakai untuk proses berikutnya. Setelah diseleksi langkah berikutnya adalah menghitung rata-rata reflektan per quadrat area. Selanjutnya data FieldSpec diresample sesuai interval band data HYMAP dengan teknik interpolasi Savitzki-Golay. Kanal yang mengabsorbsi air dihapus tidak diikutkan dalam proses pengolahan data, yaitu 1,3344 1,4311 μm, 1,7841 1,9683 μm, dan 2,4443 2,4905 μm Indeks Spektral Indeks Spektral yang digunakan adalah ratio spectral indices (RSI) dan normalised difference spectral indices (NDSI) yang didefinisikan dengan rumus sbb: R R 1 RSI dan 2 NDSI R R 1 1 R R 2 2 (1) Dimana R 1 dan R 2 adalah reflektan kanopi daun pada kanal 1 dan 2. Panjang gelombang yang digunakan untuk WI dan NDWI menyesuaikan dengan panjang gelombang yang ada di data HYMAP. Untuk WI menggunakan R 1 = µm dan R 2 = µm; sedangkan untuk NDWI menggunakan R 1 = µm dan R 2 = µm Regresi Linear Analisis regresi linear antara CWC dengan RSI dan NDSI dilakukan menggunakan metode stepwise. Semua kemungkinan kombinasi kanal R1 dan R2 dicoba dan kemudian hasilnya diurutkan berdasar koefisien korelasi R 2 dan diplot dalam grafik. Proses dilakukan dengan menggunakan software scripting Perl dan R-Languange. 3. Hasil Dan Diskusi 3.1. Pola Reflektansi Kanopi Daun Pola reflektansi rata-rata hasil pengukuran FS10, FS50 dan HyMap per tahapan pertumbuhan mempunyai pola yang sama (Gambar 2). Pada tahap vegetatif nilai 16
6 reflektan cenderung rendah, hal ini disebabkan kanopi daun pada tahap vegetatif belum menutup sehingga reflektan yang ditangkap sensor merupakan pantulan dari reflektan kanopi daun padi dan kondisi sekitarnya seperti air atau tanah yang ada di bawahnya. Genangan air dan tanah yang basah akan mengabsorbsi sebagian besar radiasi matahari (lihat Gambar 8). Sedangkan reflektansi pada tahap reproduktif dan ripening, mempunyai nilai reflektan yang relatif sama karena pada tahap ini kanopi daun sudah menutup sehingga tidak ada reflektan pantulan dari background tanah atau air. Karena kondisi tersebut data yang digunakan untuk menyusun model regresi adalah data tahap reproduktif dan ripening saja dengan anggapan bahwa reflektan sensor FS10, FS50 dan HYMAP adalah sama. Selanjutnya model diaplikasikan pada data HYMAP untuk membuat peta distribusi kandungan air kanopi daun. Gambar 2. Reflektansi data FS10 dan HYMAP per tahap pertumbuhan Gambar 3. Reflektansi data FS50 dan HYMAP per tahap pertumbuhan 3.2. Hasil Regresi CWC dengan Indeks Spektral Hasil analisis regresi antara CWC dan Indeks Spectral disajikan dalam bentuk diagram plotting R 1 sebagai sumbu X dan R 2 sebagai sumbu Y dengan klasifikasi 17
7 warna berdasar nilai koefisien regresi R 2. Klasifikasi nilai R 2 dikelompokkan dalam 5 kelas yaitu: R 2 < = < R 2 <= < R 2 <= < R 2 <=7 R 2 > 0.7 Simbologi warna digunakan warna merah untuk nilai R 2 paling rendah dan hijau untuk nilai R 2 paling tinggi, pada diagram juga ditulis nilai R 2 maksimum dan kombinasi kanal yang digunakan, ditunjukkan dengan tanda panah. Gambar 4 menunjukkan plotting kombinasi kanal dan nilai R 2 untuk RSI dan Gambar 5 menunjukkan plotting kombinasi kanal dan R 2 untuk NDSI. Warna hijau tua pada diagram di atas menunjukkan bahwa indeks spetral dengan kombinasi kanal pada zona tersebut mempunyai korelasi yang kuat dengan CWC yaitu R 2 > Pada zona tersebut terdapat banyak sekali kombinasi kanal, berikut adalah daftar kombinasi ranking 1 s/d 10 dan kombinasi untuk WI dan NDWI. Dari hasil analisis tersebut terlihat bahwa kombinasi kanal untuk indeks spektral dengan nilai koefisien R 2 tertinggi terletak pada spektrum gelombang infrared baik near infra-red (NIR) maupun shortwave infra-red (SWIR), mayoritas terletak pada panjang gelombang 0.97 s/d 1.20 µm yaitu pusat panjang gelombang absorbsi kandungan air. Gambar 4. Plotting kombinasi kanal RSI dan nilai koefisien R 2 18
8 Gambar 5. Plotting kombinasi kanal NDSI dan nilai koefisien R 2 Tabel 1. Hasil analisis RSI dengan data FS10 Rank R 1 R 2 R 2 Ket WI Tabel 2. Hasil analisis RSI dengan data FS50 Rank R 1 R 2 R 2 Ket WI 19
9 Tabel 3. Hasil analisis NDSI dengan data FS10 Rank R 1 R 2 R 2 Ket NDWI Tabel 4. Hasil analisis NDSI dengan data FS50 Rank R 1 R 2 R 2 Ket NDWI Hasil analisis dengan data FS10 dan FS50 menghasilkan kombinasi kanal yang berbeda, hal ini disebabkan karena perbedaan jarak perekaman data. Pada jarak 10 cm memberikan luasan yang sempit lingkup kanopi daun yang direkam dibanding dengan jarak 50 cm, sehingga pada jarak 50 cm sensor merekan tidak hanya kanopi daun tapi juga lingkungan sekitarnya seperti air / tanah di bawah kanopi daun. Hal ini menyebabkan nilai reflektan pada jarak 50 cm nilai sedikit lebih rendah dibanding pad ajarak 10 cm. Perekaman data dengan airborne-hymap dengan ketinggian kurang lebih 1.5 km akan merekam cakupan data yang lebih luas sehingga lingkungan disekitar padi juga direkam dan memberikan kontribusi terhadap reflektan kanopi daun. Dengan asumsi bahwa perekaman data ada jarak 50 cm dapat mensimulasikan perekaman data seperti airbone-hymap maka model regresi yang dipilih untuk diaplikasikan pada data hymap adalah model hasil analisis data FS50. Kombinasi panjang gelombang yang dipilih adalah kombinasi yang terdapat pada ranking 1 s/d 10, yaitu R 1 = µm terletak pada puncak grafik reflektan dan R 2 = µm terletak pada pusat absorbsi kandungan air (lihat Gambar 6). Rumus regresinya adalah sbb: a. CWC = *RSI (R 2 =0.775) b. CWC = *NDSI (R 2 =0.779) c. CWC = *WI (R 2 =0.654) d. CWC = *NDWI (R 2 =0.672) 20
10 Gambar 6. Plotting letak kombinasi kanal terpilih 3.3. Aplikasi Model Regresi pada Data Hymap Peta distribusi CWC hasil aplikasi model regresi pada data airborne-hymap dapat dilihat pada Gambar 7 berikut. Semua model dapat menggambarkan kondisi CWC di lapangan yaitu pada bagian selatan kering kemudian ke bagian tengah agak basah dan pada bagian utara basah. Pada bagian selatan warna merah kondisi tanaman pada tahap ripening dan sebagian besar sudah panen sehingga kondisinya kering, sehingga CWC mempunyai nilai kecil dan cenderung negatif. Sedang pada bagian tengah warna kuning kehijauan kondisi tanaman padi pada fase reproduktif sehingga mempunyai CWC antara g/m 2. Pada bagian utara warna biru adalah kondisi pada pada fase vegetatif, seharusnya kandungan air cenderung sedikit tapi hasil model menunjukkan nilai CWC yang besar yaitu lebih dari 3000 g/m 2. Hal ini disebabkan karena reflektan yang diterima sensor tercampur dengan reflektan air di sawah, sehingga nilai CWC pada fase vegetatif bukan merupakan nilai CWC padi saja tapi juga air di sawah (Lihat Gambar 8). Dengan demikian model regresi tersebut tidak dapat digunakan untuk prediksi CWC tanaman padi pada fase vegetatif. 21
11 Gambar 7. Peta CWC hasil model regresi RSI, NDSI, WI dan NDWI Gambar 8. Kondisi tanaman padi pada berbagai tahapan pertumbuhan Selanjutnya hasil prediksi CWC berdasar model regresi divalidasi dengan data hasil pengukuran CWC di lapangan, hasilnya ditampilkan pada Tabel 5 dan Tabel 6 berikut. Hasil prediksi CWC untuk padi pada fase vegetatif terlalu besar, sedangkan untuk fase reproduktif hasil prediksi CWC cukup bagus. Model regresi dengan RSI, NDSI, WI dan NDWI untuk quadrat IN10q04 dan IN10q08 selisihnya kurang < 50% sedangkan untuk quadrat IN10q09 model regresi WI dan NDWI mempunyai selisih yang cukup besar yaitu lebih besar dari 70%. Berdasar hasil validasi tersebut kinerja model regresi dengan RSI dan NDSI mempunyai hasil prediksi CWC untuk padi fase vegetatif dengan kisaran selisih terhadap nilai sesunggugnya kurang dari 50%. 22
12 Tabel 5. Nilai prediksi CWC dari model dengan CWC hasil pengukuran di lapangan Tabel 6. Persentasi selisih nilai CWC model dengan CWC hasil pengukuran di lapangan 4. Kesimpulan Berdasar uraian di atas dapat ditarik kesimpulan sebagai berikut: a. Nilai reflektansi kanopi daun data FS10 dan FS50 sedikit berbeda. b. Nilai reflektan kanopi daun pada jarak 10 cm (FS10) merupakan nilai reflektan dari kanopi daun, saja sedangkan pada jarak 50 cm (FS50) nilai reflektan yang diperoleh merupakan campuran antara reflektan kanopi daun dan lingkungan sekitarnya seperti tanah dan air di sawah. c. Korelasi antara CWC dengan RSI dan NDSI dengan kombinasi kanal R 1 = µm dan R 2 = µm lebih baik dibanding dengan korelasi CWC dengan WI dan NDWI baik pada data FS10 maupun data FS50. d. Indeks spectral RSI dan NDSI dengan kombinasi kanal R 1 = µm dan R 2 = µm dapat digunakan sebagai indikator untuk prediksi CWC tanaman padi. e. Model regresi CWC dengan RSI dan NDSI hanya berlaku untuk prediksi nilai CWC padi pada fase pertubuhan reproduktif dan ripening. Ucapan Terima kasih Penulis mengucapkan terima kasih kepada proyek HyperSRI kerjasama BPPT ERSDAC Jepang yang menyediakan seluruh data untuk keperluan studi ini. 23
13 Referensi Arief Darmawan, Nadirah, Agus Wibowo, M. Evri, S. Mulyono, A.S. Nugroho, M. Sadly, N. Hendiarti, O.Kashimura, C.Kobayashi, A.Uchida, A.Uraguchi, H.Sekine, Quantitative analysis from unifying field and airborne hyperspectral in prediction biophysical parameters by using partial least square (PLSR) and Normalized Difference Spectral Index (NDSI), Proceding of 30th Asian Conference on Remote Sensing (ACRS), Beijing, TS Andrew W. Moore, ---. Cross-validation for detecting and preventing overfitting, dalam < diakses 1 Juni Clevers, J.G.P.W., Kooistra, L., Scaepman, M.E., Using spectral information from NIR water absorbtion features for the retrieval of canopy water content. Int. J. of Applied Obs. And Geoinformation 10, Chuvieco, E., Riaño, D., Aguado, I., Cocero, D., Estimation of fuel moisture content from multitemporal analysis of Landsat Thematic Mapper reflectance data: applications in fire danger assessment. International Journal of Remote Sensing 23 (11), Gao, B.-C., NDWI - a normalised difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environtment 58, Gates, D. M., Keegan, H. J., Schleter, J. C., and Weidner, V. P., Spectral properties of plants. Applied Optics 4, In Bisun Datt, Remote sensing of water content in Eucalyptus leaves. Australian J. Botani, 1999, 47, Knipling, E.B., Physical and physiological basis for the reflectance of visible and near-infrared radiation from vegetation. Remote Sensing of Environtment 1, In Bisun Datt, Remote sensing of water content in Eucalyptus leaves. Australian J. Botani, 1999, 47, Marcus Borengasser, William S. Hungate, Russel Watkins, Hyperspectral Remote Sensing: Principles and Applications. Florida USA: CRC Press Taylor and Francis Group Ustin, S.L., Roberts, D.A., Gamon, J.A., Asner, G.P., Green, R.O., Using imaging spectroscopy to study ecosystem processes and properties. BioScience 54 (6), In Clevers, J.G.P.W., Kooistra, L., Scaepman, M.E., Using spectral information from NIR water absorbtion features for the retrieval of canopy water content. Int. J. of Applied Obs. And Geoinformation 10, Peñuelas, J., Filella, I., Biel, C., Serrano, L., and Savé, R., The reflectance at the nm region as an indicator of plant water status. Internation Journal of Remote Sensing, vol 14, no 10, Shouichi Yoshida, Fundamental of rice crop science. Philipina: The International Rice Research Institute. Yilmaz, M.T., Hunt Jr., E.R., Goins, L.D., Ustin, S.L., Vanderbilt, V.C., Jackson, T.J., Vegetation water content during SMEX04 from ground data and 24
14 Landsat 5 Thematic Mapper imagery. Remote Sensing of Environment 112 (2), Woolley, J. T., Reflectance ad transmittance of light by leaves. Plant Physiology 47, In Bisun Datt, Remote sensing of water content in Eucalyptus leaves. Australian J. Botani, 1999, 47,
EKSTRAKSI KANDUNGAN AIR KANOPI DAUN TANAMAN PADI DENGAN DATA HYPERSPECTRAL
EKSTRAKSI KANDUNGAN AIR KANOPI DAUN TANAMAN PADI DENGAN DATA HYPERSPECTRAL Agus Wibowo 1,2, Dian Ratnasari 1, Bangun Muljo Sukojo 1, Teguh Harianto 1, Yusuf S. Djajadihardja 2 1 Teknik Geomatika Fakultas
Lebih terperinciPemilihan Kanal yang Optimal untuk Model Prediksi Kandungan Air Daun Padi dengan Data Field- Spectrometer dan Airborne-Hyperspectral
Pemilihan Kanal yang Optimal untuk Model Prediksi Kandungan Air Daun Padi dengan Data Field- Spectrometer dan Airborne-Hyperspectral Agus Wibowo 1,2, Bangun Muljo Sukojo 2, Teguh Harianto 2, Yusuf S. Djajadihardja
Lebih terperinciJ Ll ~r ell II r r i cj r- J\JJ;-\-r J ~ J\)-\ Nomor Akreditasi 128/Akred-LIPI/P2MBI/06/2008. Keterangan :
I KARYA ILMIAH (KUM B) TEGUH HARYANTO -ITS 6 ISSN: 0854-2759 J Ll ~r ell II r r i cj r- J\JJ;-\-r J ~ J\)-\ Vol. 16 No. 1, Agustus 2010 Nomor Akreditasi 128/Akred-LIPI/P2MBI/06/2008 0.75 1.5 kilometers
Lebih terperinciOptimalisasi Pemetaan Fase Pertumbuhan Padi Berdasarkan Analisa Pola Reflektan dengan Data Hiperspektral Studi Kasus : Kabupaten Karawang
Optimalisasi Pemetaan Fase Pertumbuhan Padi Berdasarkan Analisa Pola Reflektan dengan Data Hiperspektral Studi Kasus : Kabupaten Karawang M. A. Rauf Syafriyyin 1) dan Bangun Mulyo Sukojo 2) Jurusan Teknik
Lebih terperinciJudul : Integrasi Data Hyperspectral In-situ, Wahana Pesawat dan Satelit untuk Estimasi Produksi Padi Oleh : Arief Darmawan Nrp.
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
Lebih terperinciJURNAL TEKNIK POMITS Vol. x, No. x, (Juni, 2013) ISSN: ( Print)
Abstrak- Vegetasi merupakan unsur utama dalam rantai makanan. Semua rantai makanan rantai utamanya dimulai dengan tanaman atau vegetasi, untuk manusia terutama di Indonesia rantai utama yang paling banyak
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kandungan air kanopi (Canopy Water Content) sangat erat kaitannya dalam kajian untuk mengetahui kondisi vegetasi maupun kondisi ekosistem terestrial pada umumnya. Pada
Lebih terperinciBadan Pengkajian dan Penerapan Teknologi (BPPT), Jakarta 3
MODEL ESTIMASI KERAPATAN DAUN TANAMAN PADI DENGAN CITRA HYPERSPECTRAL BERBASIS SPECTRAL IN SITU UNTUK PEMANTAUAN FASE TUMBUH PADI Abdi Sukmono 1, Arief Darmawan 2, Bangun Muljo Sukojo 1, Hepi Hapsari Handayani
Lebih terperinciPENGGUNAAN PARTIAL LEAST SQUARE REGRESSION
Penggunaan Partial Least Square Regression (PLSR) Untuk Mengatasi Multikolinearitas Dalam Estimasi Klorofil Daun Tanaman Padi Dengan Citra Hiperspektral PENGGUNAAN PARTIAL LEAST SQUARE REGRESSION (PLSR)
Lebih terperinciJURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 1
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 1 ANALISA PERBANDINGAN KANDUNGAN KLOROFIL MENGGUNAKAN METODE MCARI DAN TCARI (Wilayah Studi : Kabupaten Karawang, Jawa Barat)
Lebih terperinciAnalisis Band Optimal Enhanced Vegetation Index (EVI) Pada Citra Hiperspektral Untuk Mengestimasi Fase Tumbuh dan Produktifitas Padi
Analisis Band Optimal Enhanced Vegetation Index (EVI) Pada Citra Hiperspektral Untuk Mengestimasi Tumbuh dan Produktifitas Padi Achmad Rival Setyawan 1), Bangun Mulyo Sukojo 1), Arief Darmawan 2) 1) Jurusan
Lebih terperinciMuhammad Iqbal Habibie 1, Arief Darmawan 1,
Prediksi Parameter-parameter Biofisik Tanaman Padi Dari Data Groundspectrometer dan Hyperspectral Pesawat Terbang Dengan Menggunakan Data Turunan Pertama Teknik Partial Least Square Regression (PLSR) Muhammad
Lebih terperinciPemantauan Pertumbuhan Tanaman Padi dengan SPOT Vegetation
Pemantauan Pertumbuhan Tanaman Padi dengan SPOT Vegetation Marina C.G. Frederik 1, Retno A. Ambarini 1, Fanny Meliani 1,Yoke F.A. Oktofan 1 1 Pusat Teknologi Inventarisasi Sumberdaya Alam (PTISDA), BPPT
Lebih terperinciArief Darmawan 1,2, Teguh Hariyanto 1, Bangun Muljo Sukojo 1, Muhamad Sadly 2
J. Tek. Ling Vol. No. Hal. 93-0 Jakarta, Januari 0 ISSN 44-38X Prediksi Parameter-parameter Biofisik Tanaman Padi Dari Data Groundspectrometer dan Hyperspectral Pesawat Terbang Dengan Menggunakan Teknik
Lebih terperinci09 - Penginderaan Jauh dan Pengolahan Citra Dijital. by: Ahmad Syauqi Ahsan
09 - Penginderaan Jauh dan Pengolahan Citra Dijital by: Ahmad Syauqi Ahsan Remote Sensing (Penginderaan Jauh) is the measurement or acquisition of information of some property of an object or phenomena
Lebih terperinciRIZKY ANDIANTO NRP
ANALISA INDEKS VEGETASI UNTUK IDENTIFIKASI TINGKAT KERAPATAN VEGETASI HUTAN GAMBUT MENGGUNAKAN CITRA AIRBORNE HYPERSPECTRAL HYMAP ( Studi kasus : Daerah Hutan Gambut Kabupaten Katingan dan Kabupaten Pulang
Lebih terperinciLampiran 1. Peta klasifikasi penutup lahan Kodya Bogor tahun 1997
LAMPIRAN Lampiran 1. Peta klasifikasi penutup lahan Kodya Bogor tahun 1997 17 Lampiran 2. Peta klasifikasi penutup lahan Kodya Bogor tahun 2006 18 Lampiran 3. Peta sebaran suhu permukaan Kodya Bogor tahun
Lebih terperinciKOREKSI RADIOMETRIK CITRA LANDSAT-8 KANAL MULTISPEKTRAL MENGGUNAKAN TOP OF ATMOSPHERE (TOA) UNTUK MENDUKUNG KLASIFIKASI PENUTUP LAHAN
KOREKSI RADIOMETRIK CITRA LANDSAT-8 KANAL MULTISPEKTRAL MENGGUNAKAN TOP OF ATMOSPHERE (TOA) UNTUK MENDUKUNG KLASIFIKASI PENUTUP LAHAN Rahayu *), Danang Surya Candra **) *) Universitas Jendral Soedirman
Lebih terperinciPerbandingan Pengaruh Koreksi Radiometrik Citra Landsat 8 Terhadap Indeks Vegetasi Pada Tanaman Padi
Perbandingan Pengaruh Koreksi Radiometrik Citra Landsat 8 Terhadap Indeks Vegetasi Pada Tanaman Padi Vivi Diannita Sari, Muhammad Taufik, Lalu Muhamad Jaelani Program Magister Teknik Geomatika FTSP ITS,
Lebih terperinciJurnal Geodesi Undip April 2016
ANALISIS PENGGUNAAN SALURAN VISIBEL UNTUK ESTIMASI KANDUNGAN KLOROFIL DAUN PADI DENGAN CITRA HYMAP (Studi Kasus : Kabupaten Karawang, Jawa Barat) Grivina Yuliantika, Andri Suprayogi; Abdi Sukmono *) Program
Lebih terperinciIII. METODOLOGI. Gambar 1. Peta Administrasi Kota Palembang.
III. METODOLOGI 3.1 Waktu dan Tempat Penelitian dilaksanakan pada bulan Juli-Oktober 2010. Lokasi penelitian di Kota Palembang dan Laboratorium Analisis Spasial Lingkungan, Departemen Konservasi Sumberdaya
Lebih terperinciGambar 11. Citra ALOS AVNIR-2 dengan Citra Komposit RGB 321
V. HASIL DAN PEMBAHASAN 5.1. Analisis Spektral Citra yang digunakan pada penelitian ini adalah Citra ALOS AVNIR-2 yang diakuisisi pada tanggal 30 Juni 2009 seperti yang tampak pada Gambar 11. Untuk dapat
Lebih terperinciBAB V HASIL DAN PEMBAHASAN
BAB V HASIL DAN PEMBAHASAN 5.. Variasi NDVI Citra AVNIR- Citra AVNIR- yang digunakan pada penelitian ini diakuisisi pada tanggal Desember 008 dan 0 Juni 009. Pada citra AVNIR- yang diakuisisi tanggal Desember
Lebih terperinciJURNAL GEOGRAFI Media Pengembangan Ilmu dan Profesi Kegeografian
JURNAL GEOGRAFI Media Pengembangan Ilmu dan Profesi Kegeografian http://journal.unnes.ac.id/sju/index.php/ujet ESTIMASI PRODUKTIVITAS PADI MENGGUNAKAN TEKNIK PENGINDERAAN JAUH DALAM MENDUKUNG PROGRAM SWASEMBADA
Lebih terperinciPemetaan Tingkat Kekeringan Berdasarkan Parameter Indeks TVDI Data Citra Satelit Landsat-8 (Studi Kasus: Provinsi Jawa Timur)
Pemetaan Tingkat Kekeringan Berdasarkan Parameter Indeks TVDI Data Citra Satelit Landsat-8 (Studi Kasus: Provinsi Jawa Timur) Diah Witarsih dan Bangun Muljo Sukojo Jurusan Teknik Geomatika, Fakultas Teknik
Lebih terperinci12/1/2009. Pengamatan dilakukan dengan kanal yang sempit Sensor dapat memiliki 200 kanal masing-
Hyperspectral Remote Sensing Introduction to Remote Sensing Bab XIV Asal Mula HRS Pengamatan obyek pada remote sensing Dilakukan pada beberapa daerah spektrum elektromagnetik Sebelumnya menggunakan daerah
Lebih terperinciKARAKTERISTIK CITRA SATELIT Uftori Wasit 1
KARAKTERISTIK CITRA SATELIT Uftori Wasit 1 1. Pendahuluan Penginderaan jarak jauh merupakan salah satu teknologi penunjang pengelolaan sumber daya alam yang paling banyak digunakan saat ini. Teknologi
Lebih terperinciBAB III PEMBAHASAN. 3.1 Data. Data yang digunakan dalam penelitian ini berupa :
3.1 Data BAB III PEMBAHASAN Data yang digunakan dalam penelitian ini berupa : 1. Citra Landsat-5 TM, path 122 row 065, wilayah Jawa Barat yang direkam pada 2 Juli 2005 (sumber: LAPAN). Band yang digunakan
Lebih terperinciII. TINJAUAN PUSTAKA 2.1. Usahatani Padi dan Mobilitas Petani Padi
II. TINJAUAN PUSTAKA 2.1. Usahatani Padi dan Mobilitas Petani Padi Usahatani merupakan organisasi dari alam, kerja, dan modal yang ditujukan kepada produksi lapangan pertanian (Hernanto, 1995). Organisasi
Lebih terperinciBAB II. TINJAUAN PUSTAKA
DAFTAR ISI Halaman HALAMAN JUDUL... i HALAMAN PENGESAHAN... ii HALAMAN PERNYATAAN... iii KATA PENGANTAR... iv DAFTAR ISI... vi DAFTAR TABEL... ix DAFTAR GAMBAR... x DAFTAR LAMPIRAN... xii ABSTRACT... xiii
Lebih terperinciPemetaan Distribusi Spasial Konsentrasi Klorofil-a dengan Landsat 8 di Danau Towuti dan Danau Matano, Sulawesi Selatan
Pemetaan Distribusi Spasial Konsentrasi Klorofil-a dengan Landsat 8 di Danau Towuti dan Danau Matano, Sulawesi Selatan Lalu Muhamad Jaelani, Fajar Setiawan, Hendro Wibowo, Apip Lalu Muhamad Jaelani, Ph.D
Lebih terperinciNilai Io diasumsikan sebagai nilai R s
11 Nilai Io diasumsikan sebagai nilai R s, dan nilai I diperoleh berdasarkan hasil penghitungan nilai radiasi yang transmisikan oleh kanopi tumbuhan, sedangkan nilai koefisien pemadaman berkisar antara
Lebih terperinciBAB IV PENGOLAHAN DATA DAN HASIL
BAB IV PENGOLAHAN DATA DAN HASIL 4.1 Pengolahan Awal Citra ASTER Citra ASTER diolah menggunakan perangkat lunak ER Mapper 6.4 dan Arc GIS 9.2. Beberapa tahapan awal yang dilakukan yaitu konversi citra.
Lebih terperinciBAB III DATA DAN METODOLOGI PENELITIAN
BAB III DATA DAN METODOLOGI PENELITIAN 3.1 Data Ada 3 data utama yang digunakan dalam penelitian ini. Data yang pertama adalah data citra satelit Landsat 7 ETM+ untuk daerah cekungan Bandung. Data yang
Lebih terperinciMODEL PENDUGA BIOMASSA MENGGUNAKAN CITRA LANDSAT DI HUTAN PENDIDIKAN GUNUNG WALAT HARLYN HARLINDA
MODEL PENDUGA BIOMASSA MENGGUNAKAN CITRA LANDSAT DI HUTAN PENDIDIKAN GUNUNG WALAT HARLYN HARLINDA DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR BOGOR 2015 PERNYATAAN MENGENAI
Lebih terperinci11/25/2009. Sebuah gambar mengandung informasi dari obyek berupa: Posisi. Introduction to Remote Sensing Campbell, James B. Bab I
Introduction to Remote Sensing Campbell, James B. Bab I Sebuah gambar mengandung informasi dari obyek berupa: Posisi Ukuran Hubungan antar obyek Informasi spasial dari obyek Pengambilan data fisik dari
Lebih terperinciIndeks Vegetasi Bentuk komputasi nilai-nilai indeks vegetasi matematis dapat dinyatakan sebagai berikut :
Indeks Vegetasi Bentuk komputasi nilai-nilai indeks vegetasi matematis dapat dinyatakan sebagai berikut : NDVI=(band4 band3)/(band4+band3).18 Nilai-nilai indeks vegetasi di deteksi oleh instrument pada
Lebih terperinciTabel 2 Jumlah data prosedur uji. Crop Variable. Jumlah data LAI 104 SPAD 105 yield 64 LAI 104 SPAD 105 yield 64 LAI 62 SPAD 63 yield 34.
2. Cross validation 5 fold dengan pemisahan data Indramayu dan, menggunakan data berikut: 3. Supplied test set : training:, testing: Hymap training:, testing: Hymap 4. Percentage split dengan data training
Lebih terperinciGeo Image 5 (2) (2016) Geo Image.
Geo Image 5 (2) (2016) Geo Image http://journal.unnes.ac.id/sju/index.php/geoimage ESTIMASI PRODUKTIVITAS PADI MENGGUNAKAN TEKNIKPENGINDERAAN JAUH DALAM MENDUKUNG PROGRAM SWASEMBADA PANGAN Ahmad Yazidun
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Banyaknya pemanfaatan dan penggunaan data citra penginderaan jauh di berbagai segi kehidupan menyebabkan kebutuhan akan data siap pakai menjadi semakin tinggi. Beberapa
Lebih terperinciPenggunaan Algoritma NDVI dan EVI pada Citra Multispektral untuk Analisa Pertumbuhan Padi (Studi Kasus: Kabupaten Indramayu, Jawa Barat)
Penggunaan Algoritma NDVI dan EVI pada Citra Multispektral untuk Analisa Pertumbuhan Padi (Studi Kasus: Kabupaten Indramayu, Jawa Barat) 1 Aulia Hafizh S, Agung Budi Cahyono, dan Agus Wibowo Jurusan Teknik
Lebih terperinciAplikasi-aplikasi ICV untuk sumber daya air: - Pengukuran luas perairan, - Identifikasi konsentrasi sedimen/tingkat kekeruhan, - Pemetaan daerah
ICV APLIKASI UNTUK SUMBER DAYA AIR Aplikasi-aplikasi ICV untuk sumber daya air: - Pengukuran luas perairan, - Identifikasi konsentrasi sedimen/tingkat kekeruhan, - Pemetaan daerah banjir, - Kesuburan perairan,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Hutan merupakan suatu kesatuan ekosistem berupa hamparan lahan berisi sumber daya alam hayati yang didominasi pepohonan dalam persekutuan alam lingkungannya, yang satu
Lebih terperinciGenerated by Foxit PDF Creator Foxit Software For evaluation only. 23 LAMPIRAN
23 LAMPIRAN 24 Lampiran 1 Diagram Alir Penelitian Data Citra LANDSAT-TM/ETM Koreksi Geometrik Croping Wilayah Kajian Kanal 2,4,5 Kanal 1,2,3 Kanal 3,4 Spectral Radiance (L λ ) Albedo NDVI Class Radiasi
Lebih terperinciBADAN PENGKAJIAN DAN PENERAPAN TEKNOLOGI 2012
F3.33 Prediksi Luas dan Produksi Panen untukketahananpangan Nasionaldengan Teknologi Pengindraan Jauh (Remote Sensing) Dr. Arief Darmawan, M.Sc. Ir. Sidik Mulyono, M.Eng. Dr. Moeljono Widjaja Evie Avianti,
Lebih terperinciSENSOR DAN PLATFORM. Kuliah ketiga ICD
SENSOR DAN PLATFORM Kuliah ketiga ICD SENSOR Sensor adalah : alat perekam obyek bumi. Dipasang pada wahana (platform) Bertugas untuk merekam radiasi elektromagnetik yang merupakan hasil interaksi antara
Lebih terperinciOleh : Hernandi Kustandyo ( ) Jurusan Teknik Geomatika Fakultas Teknik Sipil dan Perencanaan Institut Teknologi Sepuluh Nopember
Oleh : Hernandi Kustandyo (3508100001) Jurusan Teknik Geomatika Fakultas Teknik Sipil dan Perencanaan Institut Teknologi Sepuluh Nopember Ekosistem mangrove adalah salah satu obyek yang bisa diidentifikasi
Lebih terperinciPEMBANGUNAN PUSTAKA SPEKTRAL TANAMAN PADI SEBAGAI KUNCI PENGOLAHAN DATA HIPERSPEKTRAL
Globe Volume 14 No. 2 Desember 2012 : 134-145 PEMBANGUNAN PUSTAKA SPEKTRAL TANAMAN PADI SEBAGAI KUNCI PENGOLAHAN DATA HIPERSPEKTRAL (Development of Paddy Spectral Library as a Key for Hyperspectral Data
Lebih terperinciq Tujuan dari kegiatan ini diperolehnya peta penggunaan lahan yang up-to date Alat dan Bahan :
MAKSUD DAN TUJUAN q Maksud dari kegiatan ini adalah memperoleh informasi yang upto date dari citra satelit untuk mendapatkan peta penggunaan lahan sedetail mungkin sebagai salah satu paramater dalam analisis
Lebih terperinciMETODE PENELITIAN. Penelitian ini dilaksanakan pada bulan Juli-November Penelitian ini
METODE PENELITIAN Waktu dan Tempat Penelitian ini dilaksanakan pada bulan Juli-November 2012. Penelitian ini dilaksanakan di lahan sebaran agroforestri yaitu di Kecamatan Sei Bingai, Kecamatan Bahorok,
Lebih terperinciREVIEW JURNAL INTERNASIONAL TENTANG PENGINDRAAN JAUH (REMOTE SENSING)
REVIEW JURNAL INTERNASIONAL TENTANG PENGINDRAAN JAUH (REMOTE SENSING) Poin Review Judul Jurnal Remote Sensing of the Seasonal Variability of Penulis/Peneliti Abstract Pendahuluan Vegetation in A Semi-Arid
Lebih terperinciKOREKSI RADIOMETRIK CITRA LANDSAT-8 KANAL MULTISPEKTRAL MENGGUNAKAN TOP OF ATMOSPHERE (TOA) UNTUK MENDUKUNG KLASIFIKASI PENUTUP LAHAN
KOREKSI RADIOMETRIK CITRA LANDSAT-8 KANAL MULTISPEKTRAL MENGGUNAKAN TOP OF ATMOSPHERE (TOA) UNTUK MENDUKUNG KLASIFIKASI PENUTUP LAHAN Rahayu *), Danang Surya Candra **) *) Universitas Jendral Soedirman
Lebih terperinciABSTRAK. Kata kunci: Ruang Terbuka Hijau, Penginderaan Jauh, Citra Landsat 8, Indeks Vegetasi (NDVI, MSAVI2 dan WDRVI) vii
ABSTRAK Ruang Terbuka Hijau kota adalah bagian dari ruang-ruang terbuka (open space) suatu wilayah perkotaan yang diisi oleh tumbuhan dan berbagai jenis Vegetasi lainnya. Keanekaragaman suatu Vegetasi
Lebih terperinciStudi Akurasi Citra Landsat 8 dan Citra MODIS untuk Pemetaan Area Terbakar (Studi Kasus: Provinsi Riau)
A758 Studi Akurasi Citra Landsat 8 dan Citra MODIS untuk Pemetaan Area Terbakar (Studi Kasus: Provinsi Riau) Agita Setya Herwanda, Bangun Muljo Sukojo Jurusan Teknik Geomatika, Fakultas Teknik Sipil dan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Tanah merupakan materi yang terdiri dari agregat (butiran) padat yang tersementasi (terikat secara kimia) satu sama lain serta dari bahan bahan organik yang telah
Lebih terperinciProsiding Seminar Nasional Aplikasi Teknologi Prasarana Wilayah (ATPW), Surabaya, 11 Juni 2015, ISSN
ANALISIS PARAMETER KUALITAS AIR LAUT DI PERAIRAN KABUPATEN SUMENEP UNTUK PEMBUATAN PETA SEBARAN POTENSI IKAN PELAGIS (Studi Kasus : Total Suspended Solid (TSS)) Feny Arafah, Muhammad Taufik, Lalu Muhamad
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN 4.1. Pendugaan Parameter Input 4.1.1. Pendugaan Albedo Albedo merupakan rasio antara radiasi gelombang pendek yang dipantulkan dengan radiasi gelombang pendek yang datang. Namun
Lebih terperinciAplikasi Penginderaan Jauh Untuk Monitoring Perubahan Ruang Terbuka Hijau (Studi Kasus : Wilayah Barat Kabupaten Pasuruan)
Aplikasi Penginderaan Jauh Untuk Monitoring Perubahan Ruang Terbuka Hijau (Studi Kasus : Wilayah Barat Kabupaten Pasuruan) Ardiawan Jati, Hepi Hapsari H, Udiana Wahyu D Jurusan Teknik Geomatika, Fakultas
Lebih terperinci1 BAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Pemanfaatan penggunaan lahan akhir-akhir ini semakin mengalami peningkatan. Kecenderungan peningkatan penggunaan lahan dalam sektor permukiman dan industri mengakibatkan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Sumatera Utara memiliki luas total sebesar 181.860,65 Km² yang terdiri dari luas daratan sebesar 71.680,68 Km² atau 3,73 % dari luas wilayah Republik Indonesia. Secara
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penginderaan jauh yaitu berbagai teknik yang dikembangkan untuk perolehan dan analisis informasi tentang bumi. Informasi tersebut berbentuk radiasi elektromagnetik
Lebih terperinciPENGEMBANGAN MODEL IDENTIFIKASI DAERAH TERGENANG (INUNDATED AREA) MENGGUNAKAN DATA LANDSAT-8
PENGEMBANGAN MODEL IDENTIFIKASI DAERAH TERGENANG (INUNDATED AREA) MENGGUNAKAN DATA LANDSAT-8 Wiweka *), Suwarsono *), Jalu T Nugroho *) *) Pusat Pemanfaatan Penginderaan Jauh, LAPAN e-mail: wiweka@lapan.go.id
Lebih terperinciImage Fusion: Trik Mengatasi Keterbatasan Citra
Image Fusion: Trik Mengatasi Keterbatasan itra Hartanto Sanjaya Pemanfaatan cita satelit sebagai bahan kajian sumberdaya alam terus berkembang, sejalan dengan semakin majunya teknologi pemrosesan dan adanya
Lebih terperinciJURNAL GEOGRAFI Media Pengembangan Ilmu dan Profesi Kegeografian
JURNAL GEOGRAFI Media Pengembangan Ilmu dan Profesi Kegeografian http://journal.unnes.ac.id/sju/index.php/ujet PEMANFAATAN TEKNOLOGI PENGINDERAAN JAUH UNTUK DETEKSI KEKERINGAN PERTANIAN MENGGUNAKAN METODE
Lebih terperinciBAB IV HASIL DAN ANALISIS
BAB IV HASIL DAN ANALISIS Pada penelitian ini, citra kajian dibagi menjadi dua bagian membujur, bagian kiri (barat) dijadikan wilayah kajian dalam penentuan kombinasi segmentasi terbaik bagi setiap objek
Lebih terperinciLAPORAN PRAKTIKUM PENGINDERAAN JAUH KOMPOSIT BAND CITRA LANDSAT DENGAN ENVI. Oleh: Nama : Deasy Rosyida Rahmayunita NRP :
LAPORAN PRAKTIKUM PENGINDERAAN JAUH KOMPOSIT BAND CITRA LANDSAT DENGAN ENVI Oleh: Nama : Deasy Rosyida Rahmayunita NRP : 3513100016 Dosen Pembimbing: Nama : Prof.Dr.Ir. Bangun Muljo Sukojo, DEA, DESS NIP
Lebih terperinciII. TINJAUAN PUSTAKA. 2.1 Kekeringan
II. TINJAUAN PUSTAKA 2.1 Kekeringan Kekeringan (drought) secara umum bisa didefinisikan sebagai kurangnya persediaan air atau kelembaban yang bersifat sementara secara signifikan di bawah normal atau volume
Lebih terperinciSatelit Landsat 8, Landsat Data Continuity Mission Pengolahan Citra Digital
Satelit Landsat 8, Landsat Data Continuity Mission A. Satelit Landsat 8 Satelit Landsat 8, Landsat Data Continuity Mission Landsat 8 merupakan kelanjutan dari misi Landsat yang untuk pertama kali menjadi
Lebih terperinciPemanfaatan Citra Landsat 7 ETM+ untuk Menganalisa Kelembaban Hutan Berdasarkan Nilai Indeks Kekeringan (Studi Kasus : Hutan KPH Banyuwangi Utara)
Pemanfaatan Citra Landsat 7 ETM+ untuk Menganalisa Kelembaban Hutan Berdasarkan Nilai Indeks Kekeringan (Studi Kasus : Hutan KPH Banyuwangi Utara) Abstrak Kelembaban tanah merupakan salah satu variabel
Lebih terperinciTINJAUAN PUSTAKA. Lillesand dan Kiefer (1997), mendefenisikan penginderaan jauh sebagai
TINJAUAN PUSTAKA Penginderaan Jarak Jauh Lillesand dan Kiefer (1997), mendefenisikan penginderaan jauh sebagai ilmu dan seni untuk memperoleh informasi tentang objek, daerah atau gejala dengan jalan menganalisis
Lebih terperinciBAB I PENDAHULUAN I.1. Latar Belakang
BAB I PENDAHULUAN I.1. Latar Belakang Ilmu penginderaan jauh berkembang sangat pesat dari masa ke masa. Teknologi sistem sensor satelit dan berbagai algoritma pemrosesan sinyal digital memudahkan pengambilan
Lebih terperinciMETODOLOGI. Gambar 4. Peta Lokasi Penelitian
22 METODOLOGI Tempat dan Waktu Penelitian Penelitian dilakukan di Kota Sukabumi, Jawa Barat pada 7 wilayah kecamatan dengan waktu penelitian pada bulan Juni sampai November 2009. Pada lokasi penelitian
Lebih terperinciPEMANFAATAN CITRA LANDSAT 8 OLI DAN SISTEM INFORMASI GEOGRAFIS UNTUK PEMETAAN KANDUNGAN BAHAN ORGANIK TANAH DI KABUPATEN KARANGANYAR
PEMANFAATAN CITRA LANDSAT 8 OLI DAN SISTEM INFORMASI GEOGRAFIS UNTUK PEMETAAN KANDUNGAN BAHAN ORGANIK TANAH DI KABUPATEN KARANGANYAR Anisa Nurwidia Akbari anisa.nurwidia@gmail.com Retnadi Heru Jatmiko
Lebih terperinciESTIMASI DISTRIBUSI SPASIAL KEKERINGAN LAHAN DI KABUPATEN TUBAN MENGGUNAKAN PENGINDERAAN JAUH DAN SISTEM INFORMASI GEOGRAFIS
73 ESTIMASI DISTRIBUSI SPASIAL KEKERINGAN LAHAN DI KABUPATEN TUBAN MENGGUNAKAN PENGINDERAAN JAUH DAN SISTEM INFORMASI GEOGRAFIS Himawan Adiwicaksono, Sudarto *, Widianto Jurusan Tanah, Fakultas Pertanian,
Lebih terperinciGambar 1. Peta DAS penelitian
Gambar 1. Peta DAS penelitian 1 1.1. Proses Penentuan Model Kemiringan Lereng Kemiringan lereng ditentukan berdasarkan informasi ketinggian dan jarak pada data DEM yang berbasis raster (piksel). Besarnya
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Tanaman kelapa sawit (Elaeis guineensis Jacq.) merupakan tanaman perkebunan utama di Indonesia. Kelapa sawit menjadi komoditas penting dikarenakan mampu memiliki rendemen
Lebih terperinciESTIMASI DISTRIBUSI SPASIAL KEKERINGAN LAHAN DI KABUPATEN TUBAN MENGGUNAKAN PENGINDERAAN JAUH DAN SISTEM INFORMASI GEOGRAFIS
7 ESTIMASI DISTRIBUSI SPASIAL KEKERINGAN LAHAN DI KABUPATEN TUBAN MENGGUNAKAN PENGINDERAAN JAUH DAN SISTEM INFORMASI GEOGRAFIS Himawan Adiwicaksono 1), Sudarto 2) dan Widianto 2) 1) Mahasiswa Jurusan Tanah,
Lebih terperinciAnalisis Indeks Vegetasi Menggunakan Citra Satelit FORMOSAT-2 Di Daerah Perkotaan (Studi Kasus: Surabaya Timur)
JURNAL TEKNIK POMITS Vol. X, No. X, (Apr, 2013) ISSN: 2301-9271 1 Analisis Indeks Vegetasi Menggunakan Citra Satelit FORMOSAT-2 Di Daerah Perkotaan (Studi Kasus: Surabaya Timur) Agneszia Anggi Ashazy dan
Lebih terperinci& Kota TUGAS AKHIR. Oleh Wahyu Prabowo
ANALISISS NILAII BACKSCATTERING CITRA RADARS SAT UNTUK IDENTIFIKASI PADI (Studi Kasus : Kabupaten & Kota Bogor, Jawa Barat) TUGAS AKHIR Karya tulis sebagai salah satu syarat untuk memperoleh gelar Sarjana
Lebih terperinciAbstrak. 1. Pendahuluan. 2. Model, Analisis, Desain dan Implementasi
Klasifikasi Area Pada Citra Satelit Dan Penerapannya Pada Pedeteksian Banjir Di Situs Bengawan Solo Arif Rachman H 1), Ir. Dadet Pramadihanto, M.Eng, Ph.D 2), Nana Ramadijanti, S.Kom, M.Kom 3) Jurusan
Lebih terperinciBAB IV HASIL DAN ANALISIS
BAB IV HASIL DAN ANALISIS 4.1 Hasil Hasil penelitian tugas akhir ini berupa empat model matematika pendugaan stok karbon. Model matematika I merupakan model yang dibentuk dari persamaan regresi linear
Lebih terperinciABSTRACT. Keywords: Fuzzy Logic, Hyperspectral, Paddy ABSTRAK
Klasifikasi Fase Pertumbuhan Padi... (Febri Maspiyanti et al.) KLASIFIKASI FASE PERTUMBUHAN PADI BERDASARKAN CITRA HIPERSPEKTRAL DENGAN MODIFIKASI LOGIKA FUZZY (PADDY GROWTH STAGES CLASSIFICATION BASED
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Lokasi dan Waktu Penelitian Penelitian didasarkan pada penelitian Botanri (2010) di Pulau Seram Maluku. Analisis data dilakukan di Laboratorium Analisis Spasial Lingkungan,
Lebih terperinciII. TINJAUAN PUSTAKA. permukaan lahan (Burley, 1961 dalam Lo, 1995). Konstruksi tersebut seluruhnya
5 II. TINJAUAN PUSTAKA A. Penutupan Lahan dan Perubahannya Penutupan lahan menggambarkan konstruksi vegetasi dan buatan yang menutup permukaan lahan (Burley, 1961 dalam Lo, 1995). Konstruksi tersebut seluruhnya
Lebih terperinciMODIFIKASI ALGORITMA AVHRR UNTUK ESTIMASI SUHU PERMUKAAN LAUT (SPL) CITRA SATELIT TERRA MODIS
MODIFIKASI ALGORITMA AVHRR UNTUK ESTIMASI SUHU PERMUKAAN LAUT (SPL) CITRA SATELIT TERRA MODIS Feny Arafah, Bangun Muljo Sukojo, Lalu Muhamad Jaelani Program Studi Teknik Geomatika, FTSP-ITS, Surabaya,
Lebih terperinciIV. HASIL DAN PEMBAHASAN
9 IV. HASIL DAN PEMBAHASAN 4. Karakteristik Lokasi Penelitian Luas areal tanam padi adalah seluas 6 m 2 yang terletak di Desa Langgeng. Secara administrasi pemerintahan Desa Langgeng Sari termasuk dalam
Lebih terperinciKAJIAN BEBERAPA METODE PEMBERIAN AIR PADI SAWAH (oriza sativa L) VARIETAS CIHERANG di RUMAH KACA
KAJIAN BEBERAPA METODE PEMBERIAN AIR PADI SAWAH (oriza sativa L) VARIETAS CIHERANG di RUMAH KACA DRAFT OLEH : RIZA REVITA PINEM PROGRAM STUDI KETEKNIKAN PERTANIAN FAKULTAS PERTANIAN UNIVERSITAS SUMATERA
Lebih terperinciix
DAFTAR ISI viii ix x DAFTAR TABEL Tabel 1.1. Emisivitas dari permukaan benda yang berbeda pada panjang gelombang 8 14 μm. 12 Tabel 1.2. Kesalahan suhu yang disebabkan oleh emisivitas objek pada suhu 288
Lebih terperinciESTIMASI UNSUR-UNSUR CUACA UNTUK MENDUKUNG SISTEM PERINGKAT BAHAYA KEBAKARAN HUTAN/LAHAN DENGAN DATA MODIS
ESTIMASI UNSUR-UNSUR CUACA UNTUK MENDUKUNG SISTEM PERINGKAT BAHAYA KEBAKARAN HUTAN/LAHAN DENGAN DATA MODIS M. Rokhis Khomarudin 1, Orta Roswintiarti 1, dan Arum Tjahjaningsih 1 1 Lembaga Penerbangan dan
Lebih terperinci4 Notepad dan Microsoft Excel sebagai editor data.
dengan menggunakan perangkat lunak ENVI disimpan dalam file.txt (Lampiran 1). File ini berisi informasi mengenai panjang gelombang dan nilai pantulan (reflectance) objek di permukaan bumi. Objek yang diperlukan
Lebih terperinciPENGARUH INTERVAL PENYIRAMAN TERHADAP PERTUMBUHAN DAN HASIL EMPAT KULTIVAR JAGUNG (Zea mays L.)
PENGARUH INTERVAL PENYIRAMAN TERHADAP PERTUMBUHAN DAN HASIL EMPAT KULTIVAR JAGUNG (Zea mays L.) Danti Sukmawati Ciptaningtyas 1, Didik Indradewa 2, dan Tohari 2 ABSTRACT In Indonesia, maize mostly planted
Lebih terperinciPUSAT PEMANFAATAN PENGINDERAAN JAUH LAPAN PEDOMAN PEMANTAUAN FASE PERTUMBUHAN TANAMAN PADI MENGGUNAKAN DATA SATELIT PENGINDERAAN JAUH
2015 PUSAT PEMANFAATAN PENGINDERAAN JAUH LAPAN PEDOMAN PEMANTAUAN FASE PERTUMBUHAN TANAMAN PADI MENGGUNAKAN DATA SATELIT PENGINDERAAN JAUH LI1030020101 PEDOMAN PEMANTAUAN FASE PERTUMBUHAN TANAMAN PADI
Lebih terperinciMODIFIKASI ALGORITMA AVHRR UNTUK ESTIMASI SUHU PERMUKAAN LAUT (SPL) CITRA AQUA MODIS
MODIFIKASI ALGORITMA AVHRR UNTUK ESTIMASI SUHU PERMUKAAN LAUT (SPL) CITRA Briliana Hendra P, Bangun Muljo Sukojo, Lalu Muhamad Jaelani Teknik Geomatika-ITS, Surabaya, 60111, Indonesia Email : gm0704@geodesy.its.ac.id
Lebih terperinciVARIASI NILAI INDEKS VEGETASI MODIS PADA SIKLUS PERTUMBUHAN PADI
VARIASI NILAI INDEKS VEGETASI MODIS PADA SIKLUS PERTUMBUHAN PADI Dyah R. Panuju 1,3, Febria Heidina 1, Bambang H. Trisasongko 1,3, Boedi Tjahjono 1, A. Kasno 2, Aufa H.A. Syafril 1 1 Departemen Ilmu Tanah
Lebih terperinciBAB II TINJAUAN PUSTAKA
4 BAB II TINJAUAN PUSTAKA 2.1. Pemantauan Padi dengan SAR Polarisasi Tunggal Pada awal perkembangannya, sensor SAR hanya menyediakan satu pilihan polarisasi saja. Masalah daya di satelit, kapasitas pengiriman
Lebih terperinciA JW Hatulesila. Analisis Spasial Ruang Terbuka Hijau (RTH) untuk Penanganan Perubahan Iklim di Kota Ambon. Abstrak
A123-04-1-JW Hatulesila Analisis Spasial Ruang Terbuka Hijau (RTH) untuk Penanganan Perubahan Iklim di Kota Ambon Jan Willem Hatulesila 1), Gun Mardiatmoko 1), Jusuph Wattimury 2) 1) Staf Pengajar Fakultas
Lebih terperinciJURNAL TEKNIK POMITS Vol. x, No. x, (2014) ISSN: xxxx-xxxx (xxxx-x Print) 1
JURNAL TEKNIK POMITS Vol. x,. x, (2014) ISSN: xxxx-xxxx (xxxx-x Print) 1 Pemanfaatan Data Penginderaan Jauh untuk Identifikasi Kerusakan Hutan di Daerah Aliran Sungai (DAS) (Studi Kasus : Sub DAS Brantas
Lebih terperinciPREDIKSI CROP VARIABEL TANAMAN PADI PADA DATA HYPERSPECTRAL MENGGUNAKAN ALGORITME BACKPROPAGATION NEURAL NETWORK ERICSON SIREGAR
PREDIKSI CROP VARIABEL TANAMAN PADI PADA DATA HYPERSPECTRAL MENGGUNAKAN ALGORITME BACKPROPAGATION NEURAL NETWORK ERICSON SIREGAR DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciKAJIAN PEMROSESAN CITRA DIGITAL ASTER MULTITEMPORAL UNTUK DETEKSI TELAGA DAN TERKAIT PERMUKIMAN DI KAWASAN KARST KABUPATEN GUNUNGKIDUL
KAJIAN PEMROSESAN CITRA DIGITAL ASTER MULTITEMPORAL UNTUK DETEKSI TELAGA DAN TERKAIT PERMUKIMAN DI KAWASAN KARST KABUPATEN GUNUNGKIDUL Luthfiyah luth_luthfiyah@yahoo.co.id Nurul Khakhim nrl khakhim@yahoo.com
Lebih terperinciRANCANG BANGUN APLIKASI PENGHITUNGAN GROSS PRIMARY PRODUCTION (GPP) DARI DATA PENGINDERAAN JAUH BERBASIS DESKTOP
RANCANG BANGUN APLIKASI PENGHITUNGAN GROSS PRIMARY PRODUCTION (GPP) DARI DATA PENGINDERAAN JAUH BERBASIS DESKTOP TUGAS AKHIR Diajukan guna memenuhi sebagian persyaratan dalam rangka menyelesaikan Pendidikan
Lebih terperinci