Perbandingan 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, Surabaya E-mail: vivi.diannita@gmail.com Abstrak Citra satelit penginderaan jauh Landsat 8 yang diperuntukan guna keperluan darat, disediakan pada Level 1T yang telah terkoreksi geometri sistematis. Untuk mendapatkan nilai citra berupa reflektan, perlu dilakukan koreksi radiometrik. Namun, citra reflektan terkoreksi atmosfer Bottom of Atmosphere (BOA), masih jarang digunakan daripada Top of Atmosphere (TOA). Hal ini dikarenakan proses koreksi radiometrik berupa koreksi efek atmosfer, masih tergolong sulit. Untuk itu, penelitian ini bertujuan membandingkan penggunaan kedua reflektan citra tersebut pada indeks vegetasi dengan studi kasus tanaman padi. Koreksi efek atmosfer pada penelitian ini, dilakukan dengan parameter koreksi dari hasil simulasi menggunakan Second Simulation of a Satellite Signal in the Solar Spectrum-Vector (6SV). Reflektan dibutuhkan sebagai nilai masukan dalam perhitungan indeks vegetasi, dalam hal ini digunakan Normalized Difference Vegetation Index (NDVI) dan Modified Soil Adjusted Vegetation Index (MSAVI). Pada objek tanaman padi, hasil dari setiap indikator uji statistik sederhana yang digunakan, menunjukkan bahwa koreksi efek atmosfer ternyata tidak memberikan pengaruh yang besar terhadap hasil perhitungan indeks vegetasi. Hasil uji perbandingan citra TOA dan BOA, menghasilkan RMSE 0,053 dan NMAE 20,164% untuk NDVI, dan RMSE 0,016 dan NMAE 13,028% untuk MSAVI. Kata kunci: Indeks Vegetasi, Koreksi Radiometrik, Landsat 8, Padi, Reflektan. 1. Pendahuluan Perkembangan satelit penginderaan jauh yang begitu pesat, ditandai dengan semakin meningkatnya spesifikasi dan jumlah penggunanya di berbagai bidang antara lain pertanian, kehutanan, kelautan, tata ruang, sumber daya, dan lain sebagainya. Terlebih saat ini, beberapa citra satelit penginderaan jauh bisa diperoleh dengan mudah dan gratis, seperti citra satelit Landsat 8. Berdasarkan Data Format Control Book (DFCB) (USGS, 2012), citra satelit yang beredar dan digunakan oleh masyarakat adalah citra satelit Landsat 8 Level 1T. Dimana citra ini telah diterapkan koreksi geometri sistematik dan masih perlu dilakukan koreksi radiometrik karena data citra berformat Digital Number (DN). Koreksi radiometrik dibutuhkan untuk merubah data dari format DN ke Rekayasa Infrastruktur Geomatika J - 13

radian atau reflektan. Terdapat dua jenis produk luaran citra berformat reflektan yang dihasilkan, yaitu Top of Atmosphere (TOA) atau reflektan yang tertangkap sensor dan Bottom of Atmosphere (BOA) atau reflektan pada objek yang telah terkoreksi atmosfer. Sedangkan penggunaan kedua jenis reflektan tersebut, masih perlu diuji tingkat keefektifitasannya apabila digunakan pada algoritma indeks vegetasi. Indeks vegetasi merupakan pengukuran optis tingkat kehijauan (greenness) kanopi vegetasi, sifat komposit dari klorofil daun, luas daun, struktur dan tutupan kanopi vegetasi (Huete, 2011). Tanaman padi menjadi indikator karena dapat dengan mudah diidentifikasi berdasarkan karakter fisik dari perubahan lahannya. Sebelumnya, Sari dan Sukojo (2014), melakukan identifikasi fase tumbuh padi menggunakan citra reflektan TOA, memperoleh hasil indeks vegetasi MSAVI memiliki koefisien determinasi terbaik daripada ND- VI yaitu 0,879. 2. Metodologi Tahap awal dalam penelitian ini adalah pengumpulan data yaitu data primer dan data sekunder. Data primer meliputi data pengukuran koordinat sampel fase tumbuh tanaman padi yang dibagi menjadi 10 fase, dimulai fase 1 adalah fase bera, selanjutnya fase seedling, tillering, stem elongation, panicle, heading, flowering, milk grain, dough grain, dan mature grain (IRRI, 2002 dalam Wibowo, 2010). Data sekunder meliputi data citra satelit Landsat 8 Path 119 Row 65 tanggal 20 April 2015. Tahap selanjutnya adalah pengolahan data antara lain sebagai berikut: a) Koreksi radiometrik, proses ini terbagi menjadi dua yaitu kalibrasi radiometrik dan koreksi atmosfer. - Kalibrasi radiometrik bertujuan merubah DN ke radian atau reflektan menggunakan parameter yang tersedia di metadata. Untuk menghasilkan data dalam format reflektan TOA (ρλ) digunakan persamaan: ρλ = (Mρ Qcal + Aρ) / sin(θse) dimana ρλ merupakan reflektan TOA terkoreksi sudut matahari, Mρ adalah REFLECTANCE_MULT_ BAND_x, Aρ adalah REFLEC- TANCE_ADD_BAND_x, Qcal adalah Digital Number (DN), θse adalah SUN_ELEVATION (USGS, 2013a). Sedangkan untuk merubah dari DN ke radian (Lλ), digunakan persamaan: Lλ = MLQcal + AL dimana Lλ merupakan radian TOA, ML adalah RADIANCE_MULT_ BAND_x, AL adalah RADIANCE_ ADD_BAND_x, Qcal adalah Digital Number (DN) (USGS, 2013a). - Koreksi atmosfer bertujuan menurunkan reflektansi objek dari total radiansi TOA setelah proses normalisasi kondisi pencahayaan dan penghapusan efek atmosfer. Dalam penelitian ini, citra Landsat 8 dilakukan koreksi dari efek atmosfer menggunakan parameter koreksi dari hasil simulasi menggunakan Second Simulation of a Satellite Signal in the Solar Spectrum- Vector (6SV) (Vermote, dkk, Rekayasa Infrastruktur Geomatika J - 14

1997). Reflektan terkoreksi atmosfer diturunkan dari radian-sensor menggunakan persamaan: y = xa*(lλ) - xb acr = y /(1.+xc*y) dimana acr merupakan reflektan terkoreksi efek atmosfer (Atmospheric Corrected Reflectance), Lλ adalah citra berformat radian, xa xb xc adalah parameter koreksi yang diperoleh dengan menjalankan perangkat lunak 6SV berbasis web yang ada di http://6s.ltdri.org/. Untuk mendifinisikan konsentrasi dari aerosol, digunakan parameter meteorologi berupa horizontal visibility (pada citra penelitian ini, digunakan visibility = 6,2 km) yang dimasukkan dalam 6SV. Tebal optis aerosol (aerosol thickness) pada 550 nm selanjutnya dihitung berdasarkan profil atmosferis daerah Tropical dan model aerosol Urban Model. Tabel 1. Parameter Koreksi Atmosfer 6SV (Sumber: Hasil Perhitungan Simulasi 6SV) Band Parameter xa xb xc Band 2 0,00507 0,24735 0,14004 Band 4 0,00455 0,07557 0,05205 Band 5 0,00576 0,03232 0,06556 b) Perhitungan algoritma indeks vegetasi dengan data masukan reflektan TOA dan BOA. c) Analisa nilai indeks vegetasi dilakukan dengan ground truth posisi (koordinat) sebaran fase tumbuh tanaman padi yang diambil di kabupaten Bojonegoro, menggunakan metode regresi sesuai dengan transformasi bentuk hubungannya, untuk mendapatkan model hubungan antara fase tumbuh dan nilai indeks vegetasinya pada citra satelit Landsat 8. d) Uji perbandingan setiap fase tumbuh antara hasil reflektan TOA dan BOA. Dalam hal ini dapat diketahui melalui nilai Koefisien Determinasi (R 2 ), Root Mean Square Error (RMSE) dan Normalized Mean Absolute Error (NMAE) masingmasing hubungan. 3. Hasil dan Pembahasan Dari 49 koordinat ground truth yang digunakan untuk mengidentifikasi kedua citra terolah algoritma indeks vegetasi, dilakukan proses regresi antara fase tumbuh dan nilai indeks vegetasi untuk mendapatkan model keduanya. Diperoleh model terbaik untuk citra reflektan TOA adalah algoritma yang berhubungan dengan klorofil daun yaitu NDVI, Sedangkan pada algoritma yang berhubungan dengan efek tanah yaitu MSAVI, model terbaik terletak pada citra BOA. NDVI lebih sensitif terhadap klorofil, sehingga klorofil dapat membaurkan factor kerapatan daun. Karena pada prinsipnya nilai NDVI berdasar pada kontras antara absorpsi maksimum klorofil pada panjang gelombang merah dan reflektansi maksimum pada infrared yang disebabkan oleh struktur sel daun. Sehingga efek dari atmosfer dianggap tidak berpengaruh besar pada hamburan klorofil tersebut. Pada indeks vegetasi MSAVI, nilai efek background dari tanah sudah diminimalisir sehingga reflektansi struktur sel kanopi daun akan lebih baik (Sukmono, 2013). Sehingga dibutuhkan kon- Rekayasa Infrastruktur Geomatika J - 15

disi atmosfer yang lebih baik (terkoreksi efek atmosfer) untuk dapat mengidentifikasi faktor background tanah dengan baik. Dilihat dari persamaan regresi yang dihasilkan, kurva yang terbentuk adalah Gambar 1. Kurva hasil regresi antara fase tumbuh dan nilai indeks vegetasi dari citra reflektan TOA (kiri) dan citra reflektan BOA (kanan) Tabel 2. Hubungan regresi fase tumbuh padi dan indeks vegetasi masing-masing reflektan (Sumber: Hasil Perhitungan) Indeks Reflektan TOA Reflektan BOA Vegetasi Persamaan Regresi R 2 Persamaan Regresi R 2 NDVI y=-0,013x 2 +0,1901x-0,0437 0,8547 y=-0,016x 2 +0,2321x-0,2774 0,8507 MSAVI y=-0,009x 2 +0,1324x-0,1 0,7592 y=-0,0121x 2 +0,1758x-0,2293 0,7749 polinomial orde dua. Sehingga untuk algoritma NDVI dan MSAVI kedua citra, terdapat kisaran nilai yang sama antara fase ke 6, 7 dan 9, 10. Dimana puncak kurva berada pada fase ke 8. Untuk itu, dimanfaatkan nilai reflektan dari gelombang green (0,53μm 0,59μm) yang terletak pada band 3 di Landsat 8. Gelombang green mengidentifikasi puncak vegetasi, yang berguna untuk menilai tanaman (USGS, 2013b). Pada citra reflektan TOA, fase 6 dan 7 memiliki nilai reflektan gelombang green di bawah 0,9 dan fase 9 dan 10 bernilai di atas 0,9. Sedangkan pada citra reflektan BOA, fase 6 dan 7 memiliki nilai reflektan gelombang green di bawah 0,7 dan fase 9 dan 10 Rekayasa Infrastruktur Geomatika J - 16

bernilai di atas 0,7. Hal ini dikarenakan antara fase 6, 7 dan 9, 10 memiliki tingkat kehijauan daun yang berbeda. Selanjutnya, dari masing-masing persamaan regresi pada Tabel 2, dapat dihitung nilai rentang fase tumbuh dari masing-masing hubungan model. Untuk menguji perbandingan citra terkoreksi efek atmosfer dan tidak, pada setiap fase tumbuh, digunakan indikator nilai statistik yaitu Korelasi, Koefisien Determinasi (R 2 ), Root Mean Square Gambar 2. Kurva regresi nilai beberapa indeks vegetasi antara citra reflektan TOA (nilai ukuran) dan citra reflektan BOA (nilai estimasi) Error (RMSE) dan Normalized Mean Absolute Error (NMAE) masing-masing hubungan. Digunakan asumsi nilai ukurannya adalah reflektan BOA dan nilai estimasinya adalah reflektan TOA. Pengujian statistik ini bertujuan untuk menilai seberapa besar pengaruh efek atmosfer terhadap indeks vegetasi. Reflektan BOA adalah sebagai reflektan yang dianggap benar. Dikarenakan telah mengalami koreksi atau penghilangan dari efek-efek atmosfer yang mempengaruhi perekaman citra. Tabel 3. Hasil uji statistik sederhana antara rata-rata nilai masing-masing indeks vegetasi (IV) reflektan TOA terhadap BOA (Sumber: Hasil Perhitungan) IV R R 2 RMSE NMAE (%) NDVI 0,936 0,908 0,053 20,164 MSAVI 0,947 0,907 0,016 13,028 Dapat dilihat pada Tabel 3, nilai korelasi (R) menunjukkan adanya hubungan yang positif karena nilai mendekati +1. Hal ini berarti bahwa peningkatan nilai salah satu peubah akan menyebabkan peningkatan nilai peubah lainnya. Korelasi terbaik pada indeks vegetasi MSAVI. Pada indikator uji statistik koefisien determinasi (R 2 ) terlihat masing-masing indeks vegetasi memiliki nilai yang mendekati 1, yang menunjukkan bahwa kedua peubah memiliki hubungan yang dapat saling menjelaskan secara kuat. Kedua indeks vegetasi, memiliki nilai R 2 yang hampir sama. Indikator kesesuaian RMSE adalah suatu indikator kesalahan yang didasarkan pada total kuadratis dari simpangan antara hasil model dengan hasil observasi. Dapat dilihat pada Tabel 3 bahwa nilai RMSE rata-rata berada di bawah Rekayasa Infrastruktur Geomatika J - 17

0,1 yang menunjukkan bahwa nilai estimasi cukup akurat terhadap nilai ukuran. Diperoleh RMSE terbaik pada indeks vegetasi MSAVI. NMAE merupakan indikator uji yang paling penting, karena NMAE ditujukan untuk pengamatan pada daerah kajian yang berbeda atau beragam. Semakin kecil nilai NMAE, maka akan semakin akurat nilai estimasi terhadap nilai ukuran. Diperoleh keseluruhan nilai NMAE di bawah 30% yang berarti nilai ukuran (reflektan TOA) pada indeks vegetasi dapat digunakan untuk menjelaskan fase tumbuh tanaman padi. NMAE terbaik terletak pada indeks vegetasi MS- AVI. 4. Kesimpulan Dari hasil analisa dan pembahasan dapat disimpulkan beberapa hal antara lain: 1. Indeks vegetasi NDVI berhubungan dengan klorofil daun, memiliki model yang lebih baik pada citra reflektan TOA. Sedangkan indeks MSAVI yang berhubungan dengan efek tanah, memiliki model lebih baik pada citra reflektan BOA. 2. Kurva pada kedua model menunjukkan hubungan kuadratik. Hal ini menyebabkan nilai NDVI dan MSAVI kedua citra, terdapat kisaran nilai yang sama antara fase ke 6, 7 dan 9, 10, dengan puncak kurva pada fase ke 8. Sehingga untuk membedakan, digunakan nilai reflektan dari gelombang green (0,53μm 0,59μm) pada band 3 Landsat 8, karena gelombang ini sensitif terhadap kesehatan tanaman hijau. 3. Dari setiap indikator uji statistik yang digunakan, menunjukkan bahwa koreksi efek atmosfer tidak memberikan pengaruh yang besar terhadap hasil perhitungan indeks vegetasi (NDVI dan MSAVI) dibandingkan dengan citra yang hanya terkoreksi sudut matahari (TOA), dalam hal ini pada tanaman padi. Daftar Pustaka Huete, dkk., (2011), MODIS Vegetation Indices, Land Remote Sensing and Global Environmental Change, Springer, New York Sari, V.D, dan Sukojo, B.M., (2014), Analisa Estimasi Produksi Padi Berdasarkan Fase Tumbuh Dan Model Peramalan Autoregressive Integrated Moving Average (Arima) Menggunakan Citra Satelit Landsat 8 (Studi Kasus: Kabupaten Bojonegoro), Surabaya: Skripsi Institut Teknologi Sepuluh Nopember. Sukmono, A., (2013), Model Estimasi Kandungan Klorofil dan Kerapatan Daun Tanaman Padi dengan Citra Hyperspectral Berbasis Spektral in Situ, Surabaya: Thesis Institut Teknologi Sepuluh Nopember. USGS., (2012), Landsat Data Continuity Mission (LDCM) Level 1 (L1) Data Format Control Book (DFCB) Version 6.0. South Dakota: Departement of the Interior U. S. Geological Survey. USGS., (2013), <URL: http://landsat. usgs.gov/landsat8_using_produc t.php>, Dikunjungi tanggal 26 April 2015, jam 12.22. Rekayasa Infrastruktur Geomatika J - 18

USGS., (2013), <URL: http://landsat. usgs.gov/best_spectral_bands_to_ use.php>, Dikunjungi tanggal 10 Mei 2015, jam 20.19. Wibowo, A., (2010), Pengembangan Metode Estimasi Kandungan Air Kanopi Daun (Canopy Water Content) Tanaman Padi Dengan Data Hyperspectral, Surabaya: Disertasi Institut Teknologi Sepuluh Nopember. Rekayasa Infrastruktur Geomatika J - 19

Rekayasa Infrastruktur Geomatika J - 20