Anggota Kelompok :
Alifah Pitriya (1306443955)
Dita Restu D (1306444333)
Gilang Buditama (1306443910)
1. PENDAHULUAN
Penginderaan jauh hiperspektral dikarakteristikan dengan pencitraan spektroskoptik dimana
dapat mengubah unsur terrestrial menjadi nilai spektral tertentu. Hal ini berguna untuk
mengklasifikasi penggunaan lahan / tutupan lahan seperti vegetasi dan air. Keterbatasan dari
penginderaan jauh broadband adalah mereka menggunakan rata-rata nilai spektral pada broadband
yang lebar sehingga mengakibatkan hilangnya informasi penting yang tersedia.
Munculnya penginderaan jauh hiperspektral dengan informasi pada broadband yang sempit
dan bersifat kontinu membuka kemungkinan mengidentifikasi hingga tingkat spesies dalam studi
vegetasi. Perkembangan terkini dalam penginderaan jauh atau citra spektrometri telah menyediakan
band tambahan yakni, gelombang inframerah dekat (NIR) dan gelombang inframerah pendek (SWIR)
pada wilayah spektrum elektromagnetik.
Umumnya, sensor hyperspectral memperoleh informasi cahaya dalam panjang gelombang 10
nm yang terlihat dari SWIR (400-2500 nm). Penginderaan jauh hyperspektral dapat digunakan untuk
mengkarakterisasi, me-modelkan, mengklasifikasikan, dan membuat peta tanaman pertanian dan
vegetasi alami. Aplikasi Hiperspektral untuk studi vegetasi (Schlerf, 2011) menggunakan band merah
(inframerah) tepi yang berkorelasi dengan kandungan klorofil di kanopi. Penginderaan jauh dalam
studi vegetasi meliputi jenis vegetasi, jenis penyakit biokimia dan studi nutrisi, kelembaban, efisiensi
penggunaan cahaya dan produktivitas primer (Thenkabail, 2012). Bila SVMs atau ANNs digunakan
untuk pengklasifikasi maka akan berpotensi meningkatkan kemampuan melihat penggunaan lahan /
pemetaan tutupan yang lebih luas (Petropoulos dkk., 2012). Sebuah usaha telah dilakukan untuk
membandingkan multispektral LISS III dan Hyperion gambar pada klasifikasi tingkat kelas sub fitur
penggunaan lahan / tutupan lahan utama untuk memahami potensi penggunaan data itt digunakan
studi Tanah
membandingkan sudut antara spektrum reflektan/pantulan dengan spektrum referensi yang diperoleh
dari perpustakaan spektral sehingga akan menghasilkan fitur yang berbeda. Setiap pixel ditetapkan
sebagai kelas sesuai nilai sudut terendah spektral. Hasil akhirnya divalidasi dengan data resolusi
tinggi yang tersedia.
3.1 Perbandingan klasifikasi SAM (spectral angle mapping) dengan interpretasi visual LISS III
SAM dari data hyperion dan interpretasi visual dari LIS III ditampilkan pada gambar berikut.
Vegetasi yang masih dalam tahap pematangan dapat dibedakan secara visual melalui citra
hiperspektral. BIdang berwarna kuning pada warna dasar dibandingkan dengan bidang pada data
resolusi tinggi ditunjukkan pada gambar. 7 dibawah ini
Gambar 7. Citra Hiperspektral dan Citra Resolusi Tinggi pada Tahap Pematangan Hasil Pertanian
Reflektansi lahan basah pada citra hiperspektral bernilai lebih ketika dibandingkan dengan
data resolusi tinggi yang memiliki resolusi kurang dari 15 meter. Vegetasi perairan menunjukkan
penyerapan yang lebih besar pada wilayah gelombang inframerah pendek. Kenampakan ganggang
pada badan air sangat jelas digambarkan dari bagian hydric pada data hiperspektral.
Gambar 8. Citra Hiperspektral dan Citra Resolusi Tingi Pada Vegetasi Perairan
Kanopi struktur terutama ditentukan oleh daun daerah indeks (LAI) dan distribusi sudut daun.
LAI didefinisikan sebagai area total sepihak daun per satuan luas tanah dan mewakili jumlah daun
kanopi. Sifat optis dari kanopi vegetasi tergantung terutama pada kekayaan optic dari konstituen
kanopi dan pada struktur kanopi. Elemen kanopi yang paling penting adalah daun dan tanah dasar.
Selagi tanaman tumbuh terlihat dan pertengahan IR reflektansi berkurang dan dekatIR reflektansi
berkurang dan dekatIR reflektansi meningkat dan sebaliknya diamati selama senescence (Guyot,
1990).
Edge merah adalah peningkatan tiba-tiba reflektansi dari terlihat dekat infra merah yang
didefinisikan oleh titik maksimum lereng. Posisi panjang gelombang tapi merah adalah Edge infleksi
merah poin antara 680 nm dan 740 nm. REIP tergantung pada jumlah klorofil dilihat oleh sensor dan
ditandai dengan klorofil konsentrasi dan LAI. Peningkatan konsentrasi klorofil meningkatkan
penyerapan klorofil dan memperluas fitur terkait Chl-a penyerapan terletak di 680 nm, akibatnya
REIP bergeser menuju panjang gelombang-merah pergeseran. Penurunan penyerapan klorofil dan
akan bergeser REIP menuju panjang gelombang-shift biru (Schlerff, 2011).
Peningkatan reflektansi dalam domain hijau dan merah adalah daun reflektansi respon yang
paling penting untuk menanam stres. Kurva spectral reflektansi untuk berbagai tanaman dibawah studi
menunjukkan bahwa tanaman yang mendekati untuk senescence (sayuran 4) (deket panen) adalah
memiliki puncak tertinggi di hijau (550 nm) dan merah (650 nm), menunjukkan vegetasi dengan
kandungan klorofil kurang. Tumbuh-tumbuhan yang sehat dengan tanaman dalam tahap awal
(tumbuh-tumbuhan kecil) (veg 9, veg2 dan veg5) akan memiliki reflektansi rendah di wilayah ini.
Lahan basah vegetasi telah reflektansi menengah dan perkebunan dengan kanopi baik menunjukkan
reflektansi lain.
4. KESIMPULAN
Citra hiperspektral memiliki kemampuan yang lebih untuk membedakan penggunaan lahan
atau tutupan lahan dibandingkan dengan yang lain. Interpresati visual LIS III dioverlay dengan
Klasifikasi SAM untuk meningkatkan alurasi dan mengurangi ketidakpastian klasifikasi dari sub
kategori, kelas utama penggunaan lahan. Lebih lanjut, Properti fitur dapat diverifikasi dengan spectral
signature. Dalam penelitia perkebunan ini dapat terlihat jelas, diidentifikasi dari citra dan diverifikasi
reflektan kanopi dari perkebunan. Blooming Alga dan lahan basah dapat dibedakan dengan citra
hiperspektral beresolusi tinggi. Keterbatasan dari penginderaan jauh hiperspektral yaitu kurangnya
data dari penelitian dari waktu ke waktu untuk lokasi yang spesifik, diaman hal itu dibutuhnkan untuk
memprediksi perubahan penggunaan lahan. Kesulitan dalam menangani data dan pemrosesan awal
dari data yang besar dan tidak fleksibel untuk dikerjakan selain pada software ENVI. Terlepas dari
keterbatasan yang ada, data hiperspektral sangat potensial untuk penelitian tutupan lahan dimana perlu
dilakukan eksplorasi lebih lanjut.