PENGINDRAAN JAUH II
GOOGLE EARTH ENGINE
(MELAKUKAN NDVI)
Disusun Oleh :
Kelas B
Nama Asisten :
LABORATORIUM FOTOGRAMETRI
JURUSAN TEKNIK GEODESI
FAKULTAS TEKNIK SIPIL DAN PERENCANAAN
INSTITUT TEKNOLOGI NASIONAL
BANDUNG
2020
PRATIKUM PENGINDERAAN JAUH II
DAFTAR ISI
DAFTAR PUSTAKA
Daftar Gambar
Gambar 1. Hasil NDVI .......................................................................................... 9
Daftar Tabel
BAB I
PENDAHULUAN
1.1. Maksud dan Tujuan
Adapun maksud dari praktikum ini adalah sebagai berikut :
1. Mahasiswa mengerti, memahami dan mengetahui pengertian dari
Google Earth Engine, Kerapatan Vegetasi dan NDVI.
2. Mahasiswa mengerti, memahami dan mengetahui cara melakukan
NDVI dengan menggunakan Google Earth Engine.
3. Mahasiswa mengerti, memahami dan mengetahui Fungsi dari
Melakukan NDVI pada Google Earth Engine.
BAB II
DASAR TEORI
2.1. Google Earth Engine
Google Earth Engine (GEE) adalah platform berbasis cloud yang
memudahkan untuk mengakses dan memproses kumpulan data geospasial
yang sangat besar untuk analisis dan pengambilan keputusan. Platform ini
memungkinkan pengguna untuk membuat dan menjalankan algoritma
khusus dan komputasi yang cepat sehingga memungkinkan melakukan
analisis skala global dengan mudah. Setelah algoritma dikembangkan di
Google Earth Engine, pengguna dapat menghasilkan produk data yang
sistematis dengan menggunakan aplikasi yang interaktif. Pengguna dapat
melakukan analisis data geospasial yang kompleks seperti analisis overlay,
perhitungan matriks, perhitungan peta, pemrosesan citra, analisis time-
series, konversi raster & vektor, statistik, dan sebagainya. sistem GEE,
tanpa perlu melakukan pengembangan aplikasi, pemrograman web, atau
HTML. Pengguna memungkinkan untuk melakukan pemetaan dan
monitoring vegetasi dari tahun ketahun dengan akurat dan cepat.
Kelebihan Google Earth Engine, sebagai berikut :
1. Memiliki akses terhadap data citra satelit dan data lainnya dengan
jumlah yang sangat besar (petabyte), dan terus diupdate.
2. Processing data berjalan secara cloud dan parallel di server Google.
3. Memilki algoritma-algoritma data processing yang cukup banyak dan
terus disempurnakan oleh Google Engineer dan diuji oleh komunitas,
sehingga algoritma tersebut menjadi semakin baik dan teruji.
4. Dipakai oleh peneliti, akademisi dan berbagai lembaga di dunia untuk
berbagai aplikasi.
5. Dengan Application Programming Interface (API) yang tersedia
untuk Java Script dan Python, memungkinkan pengguna untuk
melakukan pengolahan data yang lebih kompleks sesuai dengan
kebutuhannya.
6. Dukungan dokumentasi yang cukup lengkap bagi para pemula untuk
meggunakan platform ini.
2.3.NDVI
Normalize Difference Vegetation Index (NDVI) merupakan indeks
kehijauan atau aktivitas fotosintesis vegetasi, dan salah satu indeks vegetasi
yang paling sering digunakan. NDVI didasarkan pada pengamatan bahwa
permukaan yang berbeda-beda merefleksikan berbagai jenis gelombang
cahaya yang berbeda-beda. Ouput dari NDVI berupa file/layer citra baru.
Nilai dari NDVI dapat berkisar dari -1 sampai 1.
(𝑁𝐼𝑅−𝑅𝐸𝐷)
NDVI =
(𝑁𝐼𝑅+𝑅𝐸𝐷)
BAB III
PELAKSANAAN PRAKTIKUM
3.1. Langkah – Langkah NDVI
Langkah-langkah untuk melakukan NDVI pada Google Earth Engine,
sebagai berikut :
3. Tampilkan wilayah
yang akan
digunakan dalam
proses NDVI.
Pada praktikum ini
saya mengambil
wilayah Jakarta.
4. Pada code
editor.copy kan
script berikut :
var dataset =
ee.ImageCollection('LANDSAT/LC08/
C01/T1_ANNUAL_NDVI')
.filterDate('2019-01-01', '2019-12-31');
var colorized = dataset.select('NDVI');
var colorizedVis = {
min: 0.0,
max: 1.0,
palette: [
'FFFFFF', 'CE7E45', 'DF923D',
'F1B555', 'FCD163', '99B718',
'74A901',
'66A000', '529400', '3E8601', '207401',
'056201', '004C00', '023B01',
'012E01', '011D01', '011301'
],
};
var colorized =
dataset.sum().clip(table)
Map.addLayer(colorized, colorizedVis,
'Colorized');
5. Membuat Geometri
dengan cara
mengklik bagian
yang dilingkari
warna merah.
BAB IV
HASIL DAN ANALISIS
4.1. Hasil
Hasil NDVI yang didapat dengan menggunakan Google Earth Engine,
sebagai berikut :
4.2.Analisis
Dari hasil NDVI yang sudah dilakukan pada Google Earth Engine dan
setelah mencoba melihat nilai NDVI pada beberapa wilayah Jakarta diperoleh
bahwa kerapatan NDVI pada wilayah ini sangat rendah yaitu berada di kelas
0.1-0.5 tetapi ada beberapa wilayah Jakarta yang menempati kelas sedang,
dapat dilihat pada hasil NDVI ada (bagian yang berwarna hijau) hanya
sedikit yang berarti minimnya vegetasi pada wilayah tersebut.
BAB V
KESIMPULAN
5.1. Kesimpulan
Google Earth Engine (GEE) adalah platform yang dirancang untuk
menyimpan dan memproses kumpulan data yang sangat besar (pada skala
petabyte) untuk analisis dan pengambilan keputusan akhir. Menyusul
ketersediaan gratis seri Landsat pada tahun 2008, Google mengarsipkan
semua kumpulan data dan menautkannya ke mesin komputasi untuk
penggunaan sumber terbuka. Arsip data saat ini mencakup data dari satelit
lain, serta kumpulan data vektor berbasis Sistem Informasi Geografis (GIS),
sosial, demografis, cuaca, model ketinggian digital, dan lapisan data iklim..
Semakin tinggi kerapatan vegetasi pada suatu lahan, maka akan
semakin rendah suhu permukaan disekitar lahan tersebut, begitu juga
sebaliknya .Kondisi dan keberadaan vegetasi di perkotaan dapat diketahui
dengan berbagai teknik, salah satunya dengan menggunakan teknik
pengindraan jauh dengan memanfaatkan metode indeks kerapatan vegetasi .
Tingkat kerapatan vegetasi ditentukan oleh nilai indeks NDVI (Normalized
Difference Vegetation Index) yang diturunkan dari data Citra Landsat
diperoleh dari perhitungan saluran Near Infrared (NIR) dengan saluran Red
yang dipantulkan oleh tumbuhan. Nilai indeks vegetasi diantaranya dapat
memberikan informasi mengenai presentasi kerapatan vegetasi, indeks
tanaman hidup (Leaf Area Index), fraksi radiasi aktif untuk penyerapan
fotosintesis (fAPAR), kapasitas fotosintesis dan estimasi penyerapan CO2.
(Hernawati, 2017)
Indeks Vegetasi adalah pengukuran optis tingkat kehijauan (greenness)
kanopi vegetasi, sifat komposit dari klorofil daun, luas daun, struktur dan
tutupan kanopi vegetasi (Huete, 2011). Indeks vegetasi telah banyak
digunakan dalam berbagai penelitian tentang vegetasi skala global. Indeks
Vegetasi dapat secara efektif digunakan untuk pemetaan kekeringan,
penggurunan (desertifikasi) dan penggundulan hutan (Horning, 2010).Ada
banyak Algoritma indeks vegetasi yang pernah dikembangkan untuk
pengukuran Index Vegetasi.
DAFTAR PUSTAKA
Gorelick, Noel, et al. "Google Earth Engine: Planetary-scale geospatial analysis for
everyone." Remote sensing of Environment 202 (2017): 18-27.
Octarina, Tania Maria, et al. "Penginderaan Jauh Pemrosesan Data Satelit Landsat
8 Untuk Deteksi Genangan." J. Ilm. Merpati Univ. Udayana 7.1 (2019):
77-85.
Rahayu, C. D., & Candra, D. S. (2014). Koreksi radiometrik citra landsat-8 kanal
Multispektral menggunakan Top of Atmosphere (ToA) untuk mendukung
klasifikasi penutup lahan. In Seminar Nasional Penginderaan Jauh.
Google Earth Engine Applications. (2019). In Google Earth Engine Applications.
MDPI. https://doi.org/10.3390/books978-3-03897-885-5 (Diakses pada
tanggal 22 November 2020).