NAMA : SRI ANANDA YUNITA

KELAS : P04

NIM : 155080201111065

PERBANDINGAN INDEKS VEGETASI BERBEDA UNTUK MENILAI MANGROVE

KEPADATAN MENGGUNAKAN SENTINEL-2 CITRA

Pemetaan vegetasi memberikan informasi penting untuk memahami kondisi

ekologi melalui perhitungan kerapatan vegetasi. Ini berdasarkan indeks vegetasi
dikembangkan melalui algoritma dari model matematika dalam band reflektansi
terlihat dan dekat-inframerah. Indeks adalah perkiraan baik kerapatan daun per
spesies atau jenis vegetasi, masing-masing. Penelitian ini bertujuan untuk
mengevaluasi indeks tersebut dan menemukan algoritma terbaik menggunakan
Sentinel-2 citra satelit. Dua puluh empat algoritma indeks vegetasi dianalisis untuk
pemetaan kepadatan mangrove, yaitu, BR, GNDVI BR, GR, SAVI, MSAVI, Ndre,
NDVI, NDVI2, NDWI, NNIP, PSRI, RR, RVI, Vire, SVI, VIRRE, MTV1, MTVI2, RDVI,
VARI, VI hijau, MSR, dan TVI. Selama tahap pra-pengolahan, sejumlah digital dari
Sentinel-2 image diubah menjadi cahaya dan nilai reflektansi. Analisis
mengakibatkan tiga algoritma yang memberikan akurasi tertinggi, yaitu, NDVI
(normalisasi perbedaan vegetasi indeks) dengan pendekatan regresi eksponensial,
RVI (Ratio Vegetasi indeks) dengan pendekatan eksponensial dan NDVI
(normalisasi perbedaan vegetasi indeks) dengan pendekatan polinomial. Biomassa
bakau pemodelan spasial NDVI dengan pendekatan regresi eksponensial (RMSE =
89 kg) menunjukkan rata-rata setiap pixel (10x10m) adalah 0,97 ton / 100 m2. Total
biomassa hutan bakau untuk di atas tanah dan vegetasi bawah tanah di daerah
penelitian adalah 22,365.6 ton. Sentinel-2 citra satelit dapat menggunakan terbaik
dari tiga algoritma, terutama diterapkan untuk vegetasi mangrove. Mangrove
memiliki fungsi sebagai penyerap karbon, meskipun informasi dan data yang masih
relatif minim. Mangrove juga disebut bakau bagi masyarakat pohon atau semak
yang tumbuh di daerah pesisir, atau mereka yang diterapkan pada satu jenis spesies
vegetasi. Mangrove merupakan tanaman intertidal ditemukan di sepanjang garis
pantai tropis dan non-tropis. Tanaman ini dibanjiri oleh pasang di daerah payau dan
memiliki adaptasi fisiologis terhadap salinitas.

Metode yang digunakan sebagai berikut :

1. remote sensing data satelit: Sentinel-2 citra satelit(data Copernicus Sentinel

(2017)) yang digunakan dalam perhitungan dan pemetaan distribusi
mangrove
2. Radiometri dan koreksi: Koreksi radiometrik menggunakan metode
reflektansi di-sensor dengan mengubah nilai pixel untuk pancaran-sensor,
kemudian dikonversi ke di-sensor reflektansi, dengan rumus berikut:

𝐿𝑥= 𝑜𝑓𝑓𝑠𝑒𝑡𝑥 + 𝐺𝑎𝑖𝑛𝑥 × (𝐵𝑉)𝑥

𝐺𝑎𝑖𝑛𝑥= (𝐿𝑚𝑎𝑘𝑠−𝐿𝑚𝑖𝑛) / 𝐵𝑉𝑚𝑎𝑘𝑠

3. Transformasi Vegetasi Indeks: metode yang digunakan adalah indeks

vegetasi struktur. Metode indeks vegetasi juga disesuaikan dengan spektral
gambar band Sentinel-2.
4. Estimasi Mangrove Biomass: estimasi biomassa pohon bakau dalam
penelitian ini dilakukan dengan menggunakan persamaan alometrik. NIR1-R
NIR1 + R NDVI2 (dinormalisasi perbedaan vegetasi).
Persamaan alometrik untuk biomassa di atas tanah adalah:
W = 0,168 * ρ * (DBH) 2,471
Sementara itu, pengukuran biomassa di bawah permukaan tanah adalah:
B = 0,199 * ρ0.899 * (DBH) 2,22
Keterangan:
W = di atas biomassa permukaan tanah,
B = bawah biomassa tanah (kg),
ρ = Kayu density (g / cm3),
DNH = diameter setinggi dada (cm).

Indeks vegetasi pencari terbaik dilakukan oleh analisis statistik regresi non-
linear antara nilai-nilai biomassa dan vegetasi indeks. Root Mean Square
Kesalahan (RMSE) digunakan untuk menentukan yang terbaik indeks
vegetasi di estimasi biomassa mangrove. Persamaan regresi terbaik
 digunakan untuk memperkirakan biomassa mangrove.

Hasil dari metode diatas sebagai berikut:

Dalam studi ini, mangrove daerah dipisahkan oleh tutupan lahan lain. Proses
masking bakau dilakukan karena indeks vegetasi yang diterapkan untuk mendeteksi
variasi kerapatan kanopi, daripada membedakan jenis vegetasi. Tahap awal studi
dimulai dengan koreksi radiometrik dari sentinel-2. Koreksi radiometrik dilakukan
dengan mengkonversi nilai radian untuk di-sensor reflektansi. Pengukuran lapangan
dilakukan untuk mendapatkan nilai biomassa s pohon bakau, yaitu di atas nilai-nilai
biomassa tanah dan di bawah nilai-nilai biomassa tanah. Berdasarkan hasil
pengukuran lapangan, biomassa hutan bakau untuk biomassa di atas tanah adalah
382 kg / 100m2, di bawah biomassa dasar adalah 352,7 kg / 100m2 dan biomassa
total adalah 735 kg / 100m2. Dalam penelitian ini, untuk biomassa tanah tidak
diperhitungkan. Spesies mangrove yang ditemukan di sampel plot lokasi yang
Rhizophora stylosa, Rhizophora mucronata, Rhizophora apiculata, Avicennia
marina, Aegiceras corniculatum, Sonneratia alba, Ceriops decandra, dan Xylocarpus
moluccensis. Komposisi jenis mangrove yang dominan di daerah penelitian adalah
Aegiceras corniculatum (32%), Ceriops decandra (21,2%), Rhizophora apiculata
(18,9%), Sonneratia alba (12,2%) dan Rhizophora stylosa (10,7%).

Langkah selanjutnya telah menganalisis hubungan antara nilai indeks

gambar vegetasi yang telah dihasilkan dengan data pengukuran lapangan,
menggunakan logaritma, kuadrat, dan pengukuran lapangan regresi eksponensial
adalah pengukuran biomassa bakau pada titik sampling. Model dibangun untuk
estimasi biomassa didasarkan pada analisis statistik dari indeks vegetasi hasil
transformasi citra Sentinel- 2 dengan hasil perhitungan nilai biomassa di lapangan.
Model analisis regresi yang digunakan adalah regresi non-linear. Regresi analisis
statistik non-linear didasarkan pada koefisien determinasi (R2). Nilai R2
menunjukkan proporsi penurunan variabel independen karena pemanfaatan
informasi variabel dependen. Kisaran R2 adalah antara 0 dan 1. Ini menggambarkan
berapa banyak dispersi dijelaskan oleh prediksi. Nilai nol berarti tidak ada korelasi
sama sekali, sedangkan nilai 1 berarti dispersi dari prediksi sama pengamatan. Nilai
R2 yang baik mendekati 1,0. Root mean square error (RMSE) digunakan dalam
terbaik uji akurasi model dengan nilai error terendah di nilai RMSE.
 The Kolmogorov-Smirnov uji normalitas dilakukan sebelum variabel
independen yang digunakan adalah normal didistribusikan terhadap variabel
dependen atau tidak. Hasil uji normalitas akan menampilkan data terdistribusi secara
normal ketika nilai signifikansi rasio skewness dan rasio kurtosis adalah dalam
kisaran -2 ke 2. Berdasarkan analisis statistik rasio skewness dan nilai rasio kurtosis,
24 indeks vegetasi membentang antara -2 2, hanya 3 indeks vegetasi lebih besar
dari 2, yaitu SAVI, NDVI2, dan SVI. Secara konsisten, pendekatan regresi linier non
melalui eksponensial persamaan menunjukkan nilai R2 lebih tinggi dari persamaan
logaritmik atau polinomial. Hasil terbaik dari 24 indeks vegetasi dilihat dari nilai-nilai
RMSE adalah NDVI (dinormalisasi perbedaan vegetasi indeks) dengan pendekatan
regresi eksponensial (nilai RMSE = 89 kg). The layak vegetasi indeks berikutnya
adalah RVI (indeks Ratio Vegetasi) dengan pendekatan eksponensial (nilai RMSE =
352 kg) dan NDVI (dinormalisasi indeks perbedaan vegetasi) dengan polinomial
(nilai RMSE = 353 kg). Pemodelan spasial distribusi bakau berdasarkan indeks
vegetasi dilakukan dengan menggunakan NDVI dengan pendekatan regresi
eksponensial. Pemetaan distribusi spasial biomassa mangrove di Kecamatan
Pademawu Kabupaten Pamekasan Propinsi Jawa Timur berdasarkan persamaan
regresi linier non eksponensial dari indeks vegetasi NDVI. Distribusi spasial
biomassa di Pademawu Kecamatan Kabupaten Pamekasan Propinsi Jawa Timur
berdasarkan persamaan regresi non-linear eksponensial dari indeks NDVI vegetasi
eksponensial. Hasil biomassa bakau pemodelan spasial menunjukkan bahwa rata-
rata biomassa bakau pada setiap pixel (10x10m) adalah 0,97 ton / 100 m2. Total
biomassa hutan bakau untuk di atas tanah dan vegetasi bawah tanah di daerah
penelitian adalah 22,365.6 ton