Laporan Indeks Vegetasi

                                                             

INDEKS VEGETASI

Oleh :

Anita Silviana Dewi

A14090064

I.              PENDAHULUAN

A.   LATAR BELAKANG

Ilmu penginderaan jauh telah berkembang sangat pesat dari masa ke masa. Teknologi satelit berperan besar dalam perkembangan aplikasi ilmu penginderaan jauh, terutama dalam menganalisa keadaan vegetasi bumi. Teknologi sistem sensor satelit dan algoritma pemrosesan sinyal digital memudahkan pengambilan informasi keadaan bumi secara lebih cepat, detail dan akurat. Sejak diluncurkannya berbagai instrumen pada satelit observasi Bumi ERTS milik NASA dan AVHRR milik NOAA, algoritma pemrosesan sinyal yang digunakan untuk mengamati keadaan vegetasi adalah algoritma NDVI (Normalized Difference Vegetation Index). Algoritma ini memanfaatkan fenomena fisik pantulan gelombang cahaya yang berasal dari dedaunan.

Saat ini berbagai macam sensor satelit dimanfaatkan untuk memantau kondisi kehijauan vegetasi bumi, antara lain: MODIS, MISR, ASTER, IKONOS, Quickbird, VEGETATION, AVHRR, dan lain-lain. Masing-masing satelit melalui berbagai sensornya mempunyai fungsi yang spesifik dalam mengolah informasi vegetasi. Di dalam penelitian ini akan digunakan dua jenis sensor untuk mengamati lahan kehijauan, yakni sistem sensor TERRA/AQUAMODIS dan NOAA/AVHRR karena dua satelit tersebut digunakan sangat luas dan melalui instansi di dalam negeri seperti Lembaga Penerbangan dan Antariksa Nasional (LAPAN), datanya dapat diperoleh dengan mudah. Indeks vegetasi akan diukur menggunakan algoritma NDVI dan EVI. Kedua indeks vegetasi ini dipilih karena walaupun banyak faktor yang membatasinya, NDVI masih menjadi kuantitas monitoring vegetasi yang penting untuk mengkaji kapasitas fotosintesis permukaan daratan pada skala spasial yang tepat dalam berbagai keadaan.

Perbedaan hasil olah dan interpretasi kedua algoritma tersebut akan menjadi fokus penelitian ini. Data sensor satelit yang akan dibandingkan adalah data MODIS dan AVHRR yang dipilih antara tahun 2005 hingga 2007 di daerah sekitar Pulau Kalimantan, Indonesia.

Indeks vegetasi adalah salah satu parameter yang digunakan untuk menganalisa keadaan vegetasi dari suatu wilayah. Indeks tersebut mempunyai berbagai macam variasi algoritma. Algoritma pemrosesan sinyal digital untuk menghitung indeks vegetasi diperoleh dengan memanfaatkan karakteristik panjang gelombang pantul daun. Saat ini berbagai macam sensor satelit dimanfaatkan untuk memantau kondisi kehijauan vegetasi bumi, antara lain: MODIS, MISR, ASTER, IKONOS, Quickbird, VEGETATION, AVHRR, dan lain-lain. Masing-masing satelit melalui berbagai sensornya mempunyai fungsi yang spesifik dalam mengolah informasi vegetasi.

Dalam aplikasi penginderaan jauh, indeks vegetasi merupakan cerminan tingkat kehijauan vegetasi yang juga dapat digunakan sebagai parameter kondisi kekeringan. Indeks vegetasi dapat berubah disebabkan oleh kondisi ketersediaan air akibat pergantian musim. Kondisi indeks vegetasi rendah mengakibatkan penurunan produksi pangan, kebakaran, dan lain sebagainya. Untuk mengantisipasi akibat buruk tersebut, upaya pemantauan indeks vegetasi perlu dilakukan.

B.   TUJUAN

      Untuk mengetahui area vegetasi dan non-vegetasi

      Memisahkan objek vegetasi dan non vegetasi melalui proses perangkat ERDAS IMAGINE

      Memperkenalkan cara menghitung luasan vegetasi

      Memperkenalkan langkah – langkah model vegetasi sederhana.

II.            TINJAUAN PUSTAKA

Data penginderaan jauh merupakan data hasil pantulan objek dari berbagai panjang gelombang yang di tangkap oleh sebuah sensor dan mengubahnya menjadi data numerik serta bisa dilihat dalam bentuk grafik atau citra (imaginery) (Purwadhi, 2001). Sedangkan pemanfaatan data-data penginderaan jauh dilakukan karena tersedia dalam jumlah yang banyak, mampu memperlihatkan dearah yang sangat luas, tersedia untuk daerah yang sulit terjangkau, tersedia untuk waktu yang cepat, dan dapat memperlihatkan objek yang tidak tampak dalam wujud yang bisa dikenali objeknya (Sutanto, 1989). Salah satu contoh aplikasi data penginderaan jauh adalah untuk melihat indeks vegetasi dan mengestimasi jumlah penyerapan Carbon Dioksida (CO₂) oleh tanaman. NDVI (Normalized Difference Vegetation Index) merupakan metode yang sering digunakan untuk memanfaatkan data spektral indeks vegetasi (Spectral Vegetation Index (SVI)) dari penginderaan jauh. Spektral indeks vegetasi dari data penginderaan jauh terbentuk karena adanya perbedaan pantulan gelombang dari daun tanaman hidup dengan objek-objek yang lain dipermukaan bumi pada panjang gelombang hijau (visible) dan infra merah dekat (invisible) (Horning, 2004)

Kemampuan suatu citra (imaginery) menangkap dan menampilkan suatu informasi dari permukaan bumi sangat tergantung dari resolusi spasial, resolusi temporal, resolusi radiometrik dan resolusi spektralnya (Purwadhi, 2001). Setiap jenis citra mempunyai jenis resolusi yang berbeda-beda baik itu resolusi spasial, resolusi temporal, resolusi radiometrik maupun resolusi spektralnya sehingga mengakibatkan kemampuan suatu citra dalam menangkap dan menampilkan informasi juga berbeda-beda. Keadan ini juga terjadi pada kemampuan citra dalam menangkap dan menampilkan informasi indeks vegetasi.

III.           METODE

1.      Buka viewer wks.img dengan komposisi band 5:4:2

2.      Klik Data Prep kemudian subset image dengan input: wks.img

3.      Pilih utility lalu inquire box dan potong citranya kemudian OK

4.      Pilih modeler lalu model maker dan buat model untuk memproses NDVI

5.      Pada gambar yang paling atas, lakukan double klik, lalu beri nama file seperti nama file yang telah dipotong dengan “declare as: float”

6.      Lalu pada gambar di kiri atas juga lakukan double klik lalu ketik rumus:

n1 wks(4) - n1 wks(3) kemudian OK.

7.      Pada gambar kanan atas lakukan hal yang sama dengan rumus:

n1 wks(4) + n1 wks(3)kemudian OK.

8.      Pada gambar kiri bawah dan kanan bawah lakukan hal yang sama seperti diatas dengan men_ceklist temporary raste only dan “declare as: float”

9.      Pada gambar lingkaran tengah, “fungtion: conditional”, klik EITHER lalu ralat rumus yang ada menjadi:

EITHER 0.0 IF ($n3_memory==0.0) OR $n2_memory/$n3_memory OTHERWISE

10.  Untuk lingkaran yang paling bawah file namenya: ndvi_wks lalu OK

11.  Output data type: float single lalu klik OK

12.  Klik file, lalu save as, simpan di produk dengan nama NDVI lalu OK

13.  Buka viewer baru sesuai yang telah disimpan tadi, lalu buka juga viewer#2

14.  Pilih view di viewer #2 lalu pada link/unlink viewer pilih “geographical” dan klik viewer #1

15.  Pada viewer #2 klik tanda (+)

16.  Kemudian tentukan batas vegetasi dan non vegetasi, hasil dari kesepakatannya adalah: <0.3 adalah non vegetasi dan >=0.3 adalah vegetasi

17.  Lalu save dan buatlah model yang baru

18.  Klik modeler lalu new modeler dan buat model untuk klasifikasi

19.  Klik yang paling atas dengan input file: NDVI dan “declare as: float”

20.  Pada lingkaran yang tengah setelah double klik pilih function: conditional dan pilih EITHER, lalu ubah rumus yang ada menjadi:

EITHER 1 IF ( $n1_NDVI >=0.3 ) OR 0 OTHERWISE

21.  Pilih file type: thematic lalu klik icon yang menyerupai petir berwarna merah

22.  Save dengan nama NDVI_2

23.  Buka viewer baru lalu dari viewer #3 pilih raster lalu data attribute

24.  Muncul histogram dan edit sesuai urutan yang diinginkan lalu OK

      Untuk rumus SAVI, ARVI, dan EVI prosesnya sama seperti pada NDVI.

IV.          HASIL DAN PEMBAHASAN

A.   HASIL

1.    SIMPLE RATIO / VI

      SIMPLE RATIO / VI – KLASIFIKASI

      SIMPLE RATIO / VI - MODEL

      SIMPLE RATIO / VI-RASTER ATRIBUT

2.    NDVI

      NDVI-KLASIFIKASI

      NDVI-MODEL

      NDVI-RASTER ATRIBUT

3.    SAVI

      SAVI-KLASIFIKASI

      SAVI-MODEL

      SAVI-RASTER ATRIBUT

4.    EVI

      EVI-Klasifikasi

      EVI-MODEL

      EVI-RASTER ATRIBUT

5.   ARVI

      ARVI-KLASIFIKASI

      ARVI-MODEL

      ARVI-RASTER ATRIBUT

B. PEMBAHASAN

   Penginderaan jauh mempunyai kemampuan untuk menghasilkan data spasial yang susunan geometrinya mendekati keadaan sebenarnya dari permukaan bumi dalam jumlah yang banyak dan waktu yang cepat. Keadaan ini membutuhkan suatu sistem pengelolaan dan penanganan data yang tepat dan efisien sehingga informasi spasial dari citra penginderaan jauh yang diperoleh dapat berguna untuk kepentingan yang luas. 

Dalam aplikasi penginderaan jauh, indeks vegetasi merupakan cerminan tingkat kehijauan vegetasi yang juga dapat digunakan sebagai parameter kondisi kekeringan. Indeks vegetasi dapat berubah disebabkan oleh kondisi ketersediaan air akibat pergantian musim. Kondisi indeks vegetasi rendah mengakibatkan penurunan produksi pangan, kebakaran, dan lain sebagainya. Untuk mengantisipasi akibat buruk tersebut, upaya pemantauan indeks vegetasi perlu dilakukan.

Indeks vegetasi merupakan nilai yang diperoleh dari gabungan beberapa spektral band spesifik dari citra penginderaan jauh. Gelombang indeks vegetasi diperoleh dari energi yang dipancarkan oleh vegetasi pada citra penginderaan jauh untuk menunjukkan ukuran kehidupan dan jumlah dari suatu tanaman. Tanaman memancarkan dan menyerap gelombang yang unik sehingga keadan ini dapat di hubungakan dengan pancaran gelombang dari objek-objek yang lain sehingga dapat di bedakan antara vegetasi dan objek selain vegetasi (Horning, 2004).

Tanaman hidup menyerap gelombang tampak (visible) biru dan merah serta memantulkan gelombang hijau, oleh karena itulah kenapa mata manusia melihat daun-daun tanaman yang hidup adalah berwarna hijau. Akan tetapi ada satu jenis gelombang lain yang juga di pantulkan oleh tanaman selain gelombang hijau, akan tetapi gelombang ini tidak dapat di lihat oleh mata (invisible), gelombang ini adalah gelombang infra merah dekat.

Ada banyak metode yang digunakan untuk menghitung indeks vegetasi, yang bisa digunakan adalah NDVI. NDVI merupakan suatu pembagian dari gelombang yang dipantulkan oleh vegetasi dengan gelombang yang diserap oleh tanaman yaitu gelombang infrared dekat dengan gelombang merah, dan penjumlahan dan pengurangannya dari tiap-tiap gelombang merupakan suatu normalisasi dari irradians.

Dari hasil praktikum mengenai indeks vegetasi, dengan metode simple ratio didapatkan data raster atribut untuk non-vegetasi nilai histogram sebesar 378725 dan vegetasi sebesar 776275. Metode NDVI didapatkan data raster atribut untuk non vegetasi nilai histogram sebesar 124573 dan vegetasi sebesar 1030427. Metode SAVI didapatkan data raster atribut untuk non-vegetasi nilai histogram sebesar 45184 dan vegetasi sebesar 1109816. Metode EVI didapatkan data raster atribut untuk non vegetasi nilai histogram sebesar 1149877 dan vegetasi sebesar 5123. Dan metode ARVI didapatkan data raster atribut untuk non-vegetasi nilai histogram sebesar 552434 dan vegetasi sebesar 602566. Untuk objek vegetasi berwarna putih dan untuk objek non-vegetasi berwarna hitam. indeks vegetasi lebih mudah diamati pada metode NDVI.

NDVI masih menjadi kuantitas monitoring vegetasi yang penting untuk mengkaji kapasitas fotosintesis permukaan daratan pada skala spasial yang tepat dalam berbagai keadaan. Algoritma NDVI memanfaatkan fenomena fisik pantulan gelombang cahaya yang berasal dari dedaunan. NDVI secara langsung berhubugan dengan kapasitas fotosintesis dan penyerapan energi oleh kanopi

tumbuhan. SAVI yang merupakan perbaikan dari NDVI untuk koreksi pantulan cahaya dari tanah, ARVI yang memperhitungkan hamburan cahaya biru di atmosfer terhadap nilai NDVI. Salah satu pengembangan indeks vegetasi yang merupakan penurunan dari SAVI dan ARVI adalah EVI yang lebih tahan terhadap pengaruh komposisi aerosol atmosfir dan pengaruh variasi warna tanah, Agar tahan terhadap distorsi atmosfir, EVI menggunakan informasi kanal cahaya biru. Algoritma EVI juga dirancang agar memiliki sensitifitas yang lebih baik terhadap citra daerah sangat hijau (subur dan lebat).

V.            Kesimpulan

Praktikum yang bertujuan untuk mengetahui indeks vegetasi dengan mengetahui area vegetasi dan non-vegetasi digunakan dengan algoritma NDVI, simple ratio, SAVI, EVI dan ARVI. Algoritma indeks vegetasi NDVI sangat sensitif terhadap adanya faktor gangguan atmosfer. Sementara EVI terbukti mampu meminimalisasi efek gangguan atmosfir dengan baik karena memperhitungkan nilai variabel cahaya biru yang terhambur di atmosfer. Nilai histogram terbesar untuk non-vegetasi terdapat pada algoritma EVI, sedangkan nilai histogram terkecil untuk non-vegetasi terdapat pada algoritma SAVI. Nilai histogram terbesar untuk vegetasi terdapat pada algoritma NDVI, sedangkan nilai histogram terkecil terdapat pada algoritma EVI.