Judul : Integrasi Data Hyperspectral In-situ, Wahana Pesawat dan Satelit untuk Estimasi Produksi Padi Oleh : Arief Darmawan Nrp.

Transkripsi

1 LAPORAN KEMAJUAN III Judul : Integrasi Data Hyperspectral In-situ, Wahana Pesawat dan Satelit untuk Estimasi Produksi Padi Oleh : Arief Darmawan Nrp. : 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. i

2 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 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. R GREEN adalah reflektan pada kanal hijau ( nm), R RED adalah reflektan pada kanal merah ( nm) dan RNIR adalah reflektan pada kanal infra merah dekat ( 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 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 ii

3 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, 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 R Green, R red and R NIR are green reflectance ( iii

4 nm), red reflectance ( nm) and near infrared reflectance ( 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 (SPAD), MLR, PCR, PLSR. iv

5 DAFTAR ISI Hal Lembar Pengesahan i Abstrak ii Abstract iii Daftar Isi v Daftar Gambar ix Daftar Tabel xii Daftar Singkatan xiii Bab 1. Pendahuluan Latar Belakang Teknologi Hiperspektral Penginderaan Jauh Indeks-indeks Vegetasi dan Model Regresi Normalized Difference Spectral Index (NDSI) Perumusan Masalah Tujuan Penelitian Lingkup Penelitian Lokasi Penelitian (Region of Interest) Kerangka Dasar Pemikiran Metodologi Penyelesaian Masalah Yang Diusulkan Kontribusi Yang Diharapkan 16 Bab 2. Kajian Pustaka dan Dasar Teori Pengukuran spektral tanaman padi Pemutakhiran (updating) data area sawah Prinsip-prinsip Spectroscopy Sensor Hymap Disain sensor HyMap 20 v

6 2.5. Fase-fase Pertumbuhan Tanaman Padi Indeks Luas Daun (Leaf Area Index, LAI) Pengukuran Klorofil (SPAD) Pprinsip Kerja Alat SPAD Teknik Pengukuran Klorofil Dengan SPAD Penghalusan (Smoothing) Data Dengan Metode Savitzky-Golay Proses Matematika Koefisien Savitzky-Golay Spectral Angle Mapper (SAM) Model Regresi Linier Multiple Linear Regression (MLR) Analisis Terhadap Nilai R 2 dan R 2 adj Uji Multikolinieritas Principle Component Regression (PCR) Partial Leas-Square Regression (PLSR) 37 Bab 3. Metodologi Pengolahan Data Awal (Pre-Processing Data) Data Spektral Data HyMap Data Biofisik Tanaman Pemilihan Kanal Optimal Pemutakhiran Luasan Baku Sawah Metode-Metode Regresi Linier MLR PCR Partial Least Square (PLS) 54 Bab 4. Hasil dan Diskusi Data Fieldspectrometer Data HyMap 59 vi

7 ROI Indramayu ROI Subang Data Ubinan Pemutakhiran Luasan Sawah Analisis Regresi Multiregresi Reflectance 4 Band vs. Variabel Tanaman Reflectance vs. Yield Multiregresi Variabel Vegetasi vs. Indeks Vegetasi LAI vs. NDSI LAI vs. RDSI LAI vs. SASI (Indramayu) LAI vs. RSI (Indramayu) SPAD vs. NDSI SPAD vs. RDSI (Indramayu) SPAD vs. SASI (Indramayu) SPAD vs. RSI (Indramayu) Yield vs. NDSI Yield vs. RDSI (Indramayu) Yield vs. SASI (Indramayu) Yield vs. RSI (Indramayu) Regresi Data Turunan Pertama vs. LAI (Indramayu) Peta Distribusi (Distribution Map) ROI Indramayu Peta Distribusi Yield Peta Distribusi LAI Peta Distribusi Klorofil (SPAD) Peta Distribusi ROI Subang Peta Distribusi Yield Peta Distribusi LAI Peta Distribusi Klorofil (SPAD) 77 vii

8 4.3. PCR LAI SPAD Yield PLSR (Indramayu) LAI SPAD Yield NDSI vs. Parameter Biofisik Tanaman (Indramayu) 86 Bab 5. Kesimpulan 89 Daftar Pustaka 93 viii

9 DAFTAR GAMBAR Hal. Gambar 1.1. Total radiasi yang mengenai suatu objek yang dikenal sebagai radiasi datang (incident radiation) 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: Gambar 1.3. Skala ruang beberapa wahana pengamatan (Sumber: modifikasi dari M. Evri 2009) Gambar 1.3. Wilayah studi di Kabupaten Subang dan Indramayu, Jawa Barat Gambar 1.4. Diagram proses klasifikasi dengan menggunakan metoda SAM Gambar 2.1. Spektrum gelombang elektromagnetik (sumber: Gambar 2.2. Perbandingan jumlah kanal dalam teknologi penginderaan jauh Gambar 2.3. Profil reflektan vegetasi dan tanah dan air (sumber: Gambar 2.4. Pola reflektan dari vegetasi, tanah basah dan tanah kering terhadap panjang gelombang merah dan inframerah (sumber: Gambar 2.5. Lintasan terbang pemginderaan jauh dengan sensor Hymap (sumber: International Training on Hyperspectral Applications, 2006) Gambar 2.6. Fase pertumbuhan tanaman padi (sumber: IRRI) 22 Gambar 2.7. Nilai reflektan tanaman padi pada beberapa fase ix

10 pertumbuhan (sumber: M. Evri, 2008) Gambar 2.8. LAI pada tanaman padi merupakan luas total daun perunit permukaan tanah Gambar 2.9. LI-COR LAI Gambar 2.10 konsentrasi klorofil vs. reflektan panjang gelombang biru/merah Gambar Prinsip kerja alat SPAD 502 (sumber: Gambar Titik pengukuran klorofil dengan SPAD 502 pada daun 29 Gambar Perata-rataan 7 titik data dengan metode Savitzky- Golay orde-2 Gambar Polinomial orde-2 untuk 25 titik data Metode Savitzky-Golay dengan Gambar 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: 111/chapter3_clip_image004.jpg Gambar 3.1. Diagram penelitian 42 Gambar 3.2. Profil spektral tanaman padi dari data HyMap untuk tiap fase pertumbuhan di kabupaten Indramayu Gambar 3.3. Profil spektral tanaman padi dari data Hymap untuk tiap fase pertumbuhan di kabupaten Subang Gambar 3.4. Data strip Hymap Subang yang telah di koreksi radiometrik dan geometrik. Gambar 3.5. Data strip Hymap Indramayu yang telah di koreksi radiometrik dan geometrik 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; 0.48 m) Gambar 3.8. Fase pertumbuhan padi x

11 Gambar 4.1. Profil pengukuran spektral pada beberapa fase pertumbuhan dengan menggunakan alat Fieldspectrometer pada lima area sample di Indramayu. 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) Gambar 4.5. Vektor sawah (kiri) dan vektor pemutakhiran luasan sawah (kanan) ROI Subang Gambar 4.6. Vektor sawah (kiri) dan vektor pemutakhiran luasan sawah (kanan) ROI Indramayu. 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 Estimasi produktivitas (yield) ROI Subang 75 Gambar Peta distribusi LAI ROI Subang 76 Gambar Peta distribusi klorofil (SPAD) ROI Subang Gambar Grafik regresi nilai pengukuran terhadap nilai prediksi (kiri), Pengujian terhadap data Hymap (kanan) Gambar Grafik regresi nilai pengukuran terhadap nilai prediksi (kiri), Pengujian terhadap data Hymap (kanan) Gambar Grafik regresi nilai pengukuran terhadap nilai prediksi (kiri), Pengujian terhadap data Hymap (kanan). Gambar Perubahan faktor penentu (koefisien determinasi, R 2 ) dari LAI sebagai respon terhadap jumlah peubah laten (NLV). Gambar 4.17, 4.18, Distribusi nilai koefisien determinasi terhadap panjang gelombang terpilih. Nilai R 2 diperoleh dari regresi linier antara pengukuran LAI, SPAD dan panen dengan seluruh kombinasi pasangan panjang gelombang dalam NDSI indeks spectral xi

12 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 Table 4.6. Yield 83 xii

13 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 : 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 27. RVI : Ratio Vegetation Index xiii

14 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 34. TRWIS III : TRW Imaging spectrometer xiv