Pusat Pemanfaatan
Penginderaan Jauh
LAPAN
Jakarta 2014
Disusun oleh:
Tim Penyusun:
Pengarah :
Dr. M. Rokhis Khomarudin, S.Si., M.Si.
Kepala Pusat Pemanfaatan Penginderaan Jauh
Peneliti:
Ir. I Made Parsa, M.Si, Drs. Nana Suwargana, M.Si
Ir. Johannes Manalu, M.Si, Dra. Sri Harini
Djoko Santo Cahyono
Hal
HALAMAN JUDUL ii
RINGKASAN KEGIATAN iii
DAFTAR ISI iv
PENDAHULUAN 1
Latar Belakang 1
Tujuan dan Sasaran 2
TINJAUAN PUSTAKA 2
Citra Landsat 2
Hasil Penelitian Terkait 3
DAFTAR PUSTAKA 31
Beras merupakan salah satu makanan pokok utama di dunia dan diperkirakanhanya
sekitar 15 % lahan sawah duniamempunyaitanah yang subur (IRRI, 1993). Di Indonesia, padi
merupakan salah satu tanaman pertanian yang paling penting karena beras adalah makanan
utama masyarakatIndonesia. Ketahanan pangan telah lama menjadi tujuan politik yang
penting di Indonesia. Tujuan ini paling sering dikaitkan dengan swasembada beras. Pada
pertengahan 1980-an Indonesia sempat mencapai 100 % swasembada beras. Namun,
pertumbuhan produksi padimelambat pada 1990-an, yang menyebabkan peningkatan impor
dan turunnya rasio swasembada. Selama dua tahun terakhir rasio swasembada beras tetap
sekitar 95 %, namun turun di bawah 90 % selama kekeringan El Niño 1998(Bappenas , 2002).
Penginderaan jauh satelit telah diterapkan secara luas dan telah diakui sebagai alat
yang ampuh dan efektif dalam mendeteksi penggunaan lahan dan perubahan penutupan
lahan (Ehlers et al, 1990; Meaille dan Wald, 1990; Westmoreland dan Stow, 1992; Harris
danVentura, 1995). Penginderaan jauh satelit menyediakan biaya - efektif multi-spektral dan
data multitemporal (Paine, 1981). Citra satelit telah digunakan untuk memantau jenis
tutupan lahan terbatas menurut klasifikasi spektral. Selain itu, telah digunakan
untukmemperkirakan karakteristik biofisik dari permukaan tanah melalui hubungan linear
dengan reflektansi spektral atau indeks vegetasi (Steininger, 1996; Nuarsa et al, 2005).
Studi menggunakan citra satelit untuk memantau pertumbuhan tanaman padi telah
dilakukan (Shao et al, 1997; Kuroso et al, 1997; Le Toan sama sekali, 1997; Panigrahy dan
Sharma, 1997; Oette et al, 2000; Shao et al, 2001; David et al, 2003). Beberapa penelitian
sebelumnyatelah menggunakan resolusi gambar global dan moderat seperti NOAA AVHRR
dan MODIS untuk memantau sawah (Fang et al, 1998; Wataru et al, 2006; Xiao et al, 2005).
Namun, penggunaan citra satelit resolusi spasial moderat dan globaltelah dibatasi terutama
di lahan sawah yang kecil/sempit, karena ada banyak jenis tutupan lahan dalam satu pixel.
Hal ini akan mengurangi penilaian akurasi (Strahler et al, 2006). Di sisi lain, pemanfaatan
citra satelit resolusi spasial yang tinggi atau menengah telah terbatas, terutama selama
periode tanam, karena sedikit citra yang tersedia selama 120 hari periode pertumbuhan padi
(Currey et. Al., 1987). Landsat ETM+ memiliki resolusi temporal, spasial, dan spektral yang
baik untuk pemantauan padi. Waktu pengamatan kembali dari Landsat ETM+ adalah 16 hari
2. TINJAUAN PUSTAKA
2.1. Citra Landsat
Data Landsat Continuity Mission (LDCM), kolaborasi antara NASA dan US Geological
Survey, akan memberikan resolusi moderat (15 m-100 m, tergantung pada frekuensi
spektral) pengukuran bumi secara terestrial dan polar pada gelombang visible, near-infrared,
short waveinfrared, dan thermal infrared. Data Landsat tersedia secara bebas dan dapat
digunakan untuk bidang pertanian, geologi, kehutanan, perencanaan wilayah, pendidikan,
pemetaan, dan penelitian perubahan global.
Payload satelit LDCM terdiri dari dua instrumen-ilmu Land Imager Operasional (OLI)
dan Sensor Inframerah Thermal (TIRS). Kedua sensor mempunyai resolusi spasial 30 meter
(terlihat, NIR, SWIR), 100 meter (termal), dan 15 meter (pankromatik). Ukuran sapuan LDCM
akan 185kmcross-track dengan 180kmsepanjang-track. Sensor OLI menyediakan dua
spektrum baru, salah satu dirancang khusus untuk mendeteksi awan cirrus dan yang lainnya
untuk pengamatan zona pesisir (http://landsat.usgs.gov,diakses22 Januari 2013). Jika
dibandingkan dengan Landsat -7 ETM+, Landsat-8 mempunyai jumlah kanal yang lebih
banyak dengan penambahan band untuk coastal, band cirrus dan band LWIR-2 (khusus
untuk band ini terjadi perubahan resolusi spasial menajdi 100 meter), selengkapnya disajikan
pada Tabel 1.
MODEL VERIFICATION BY
REFERENCE DATA (HARVEST TIME)
APPLICATION OF MODEL
HARVEST AREA
ESTIMATION
Tabel 3.Sun elevation dan sin α setiap citra Landsat-8 yang digunakan dalam
pembuatan model
4. Sinkronisasi data lapangan (blok kebun, waktu tanam, panen, hasil perblok),
dilakukan terhadap data blok tanam dan realisasi tanam yang diperoleh dari PT Sang
Hyang Seri. Sinkronisasi ini bertujuan untuk memperoleh informasi mengenai umur
tanaman pada setiap tanggal citra Landsat yang akan dijadikan basis untuk
pengambilan sampel.
5. Pengambilan training sampel untuk tiap fase/umur tanaman padi (untuk tiap data
Landsat). Training sampel tiap data Landsat disajikan pada Gambar 3.
Gambar 3. Training sampel pada setiap umur tanaman pada data Landsat multitemporal
(1)
EVI=IF(OR(B2<B5,B3<B4),2.5*(B5/10000-
B4/10000)/(1+B5/10000+6*B4/10000-
7.5*B2/10000),1.5*(B5/10000-
B4/10000)/(0.5+B5/10000+B4/10000))
(2)
(3)
UMUR b1 b2 b3 b4 b5 b6 b7 PERHITUNGAN
Y x x x x x x x NDVI TVI RGVI …….
10
…
17
18
19
…
120
8. Analisis regresi antara umur tanaman dengan nilai spektral reflektan (band
tunggal/gabungan),serta antara umur tanaman dengan masing-masing indek
vegetasimenggunakan parameter statistik, yaitu:koefisien determinasi (R2), nilai
signifikan darianalisis varians (ANOVA), dan estimasi standard error(SE), Jingfeng
Huang, et al., 2013.
(5)
(6)
(7)
Tabel5.Jadwal Pelaksanaan
Umur (hari)
Berdasarkan training sampel tersebut dilakukan ekstrak nilai reflektan, dan beberapa
indeks yaitu NDVI dan EVI.Nilai reflektan diseleksi berdasarkan homogenitasnya yang
dicerminkan oleh nilai koefisien variasinya dimana hanya menggunakan reflektan yang
mempunyai nilai kovar kurang dari 10.Profil nilai reflektan tanaman padi disajikan pada
grafik Gambar 5, sedangkan nilai rataan reflektan tanaman padi pada berbagai umur
disajikan pada Lampiran 2.
In
de
ks
ve
ge
ta
Umur (hari)
Gambar 5. Profil reflektan tanaman padi pada berbagai umur di PT Sang Hyang Seri Subang
Propil pertumbuhan tanaman padi dapat diperlihatkan pada Gambar-1 sampai Gambar-4
dan model analisis dapat diuraikan sebagai berikut :
1. Model pertumbuhan padi fase vegetative untuk NDVI di orde 2 dengan iterasi 5 dan
iterasi 5 tanpa menggunakan estimasi, kemudian di orde 3 dengan iterasi 11 dan
iterasi 11 tanpa menggunakan estimasi, ditunjukkan pada Gambar-1.
2. Model pertumbuhan padi fase generative untuk NDVI di orde 2 dengan iterasi 5 dan
iterasi 5 tanpa menggunakan estimasi, kemudian di orde 3 dengan iterasi 11 dan
iterasi 11 tanpa menggunakan estimasi, ditunjukkan pada Gambar-2.
3. Model pertumbuhan padi fase vegetative untuk EVI di orde 2 dengan iterasi 8 dan
melalui Add Trendline, kemudian di orde 3 dengan iterasi 8 dan melalui Add
Trendline, ditunjukkan pada Gambar-3.
4. Model pertumbuhan padi fase generative untuk EVI di orde 2 dengan iterasi 17 dan
melalui Add Trendline, kemudian di orde 3 dengan iterasi 11 dan melalui Add
Trendline, ditunjukkan pada Gambar-4.
Untuk fase Vegetasi orde 3 pada iterasi 8 ditunjukkan pada Gambar 3-b. Gambar tersebut
menunjukkan pola pertumbuhan tanaman padi berbentuknya ½ lonceng. Pertumbuhan
vegetatif tampak diikuti dengan kenaikan nilai EVI mulai dari 0 HST hingga mencapai nilai
maksimum antara 55 – 60 HST. Fase pertumbuhan vegetatif tampak terbagi dua, yaitu
vegetatif awal antara 0-20 HST yang masih didominasi oleh penggenangan air dengan nilai
EVI berkisar 0.20-0.15, kemudian vegetatif naik lagi dari 20 – 60 HST dengan kenaikan nilai
EVI berkisar antara 0.15 sampai 0.70. Model observasi pertumbuhan tanaman padi dalam
bentuk orde 3 dihasilkan bentuk persamaan sebagai berikut :
Obs = 0.160 - 0.0111 X + 0.000719 X2 - 0.000006 X3
S = 0.0555452 ; R2= 93.16%
Untuk fase Vegetasi orde 2 dan orde 3 melalui Add Trendline Gambar-3c dan Gambar-3d
memperlihatkan propil pertumbuhannya mirip dengan orde 2 dan orde 3 pada iterasi 8 dan
iterasi 16. Bentuk persamaan orde 2 Add Trendline sebagai berikut :
y = 0.0001x2 + 0.0022x + 0.0937
R2 = 0.929
dan bentuk persamaan orde 3 Add Trendline adalah :
y = -0.0000065x3 + 0.0007186x2 - 0.0110853x + 0.1600519
R2 = 0.9326527
Untuk fase generatif orde 3 pada iterasi 11 ditunjukkan pada Gambar 4-b. Gambar tersebut
menunjukkan pola pertumbuhan tanaman padi berbentuk seperti ½ lonceng. Fase
perkembangan generative juga tampak terbagi 2, yaitu masa pembentukan biji antara 60 –
80 HST dengan penurunan nilai EVI berkisar antara 0.70-0.65, masa pematangan antara
umur 80 – 105 HST dengan penurunan nilai EVI berkisar dari 0.65 hingga 0.35. Selanjutnya
tanaman padi akan panen dan kondisi lahan menjadi bera antara umur 105 -120 HST dengan
nilai EVI berkisar antara 0.35 hingga 0.25. Model observasi pertumbuhan tanaman padi
dalam bentuk orde 2 dihasilkan dalam bentuk persamaan :
Obs = - 2.71 + 0.117 x - 0.00128 x2 + 0.000004 x3
S = 0.0597425 ; R2 = 80.99%
Untuk fase generatif orde 2 dan orde 3 melalui Add Trendline Gambar-4c dan Gambar-4d
memperlihatkan propil pertumbuhannya mirip dengan orde 2 dan orde 3 pada iterasi 17 dan
iterasi 11. Bentuk persamaan orde 2 Add Trendline sebagai berikut :
y = -0.0001x2 + 0.0167x + 0.1105
R2 = 0.8231
dan bentuk persamaan orde 3 Add Trendline adalah :
y = 4E-06x3 - 0.0013x2 + 0.1169x - 2.7123
R2 = 0.8122
0.75 0.75
Obs = 0.104 + 0.00602 X + 0.000079 X2 Obs = 0.194 - 0.0117 X + 0.000827 X2 - 0.000008 X3
0.70 0.70
S = 0.0551194 ; R2 = 92.31% S = 0.0422076 ; R 2= 95.72%
0.65 0.65
0.60 0.60
0.55 0.55
0.50 0.50
0.45 0.45
NDVI
NDVI
0.40 Obs 0.40 Obs
0.35 FITS1 0.35 FITS1
0.30 0.30
0.25 0.25
0.20 0.20
0.15 0.15
0.10 0.10
0.05 0.05
0.00 0.00
0 5 10 15 20 25 30 35 40 45 50 55 60 0 5 10 15 20 25 30 35 40 45 50 55 60
Umur HST Umur HST
a. Hasil NDVI orde 2 Vegetatif setelah difilter dua kali dan b. Hasil NDVI orde 3 Vegetatif setelah difilter dua kali dan
dilakukan iterasi atau pengulangan 5 kali dengan dilakukan iterasi atau pengulangan 11 kali dengan
menggunakan hasil strandart deviasi dari program menggunakan hasil strandart deviasi dari program
MINITAB MINITAB
2 2 3
Obs = 0.104 + 0.00602 X + 0.000079 X Obs = 0.194 - 0.0117 X + 0.000827 X - 0.000008 X
S = 0.0551194 ; R2 = 92.31% S = 0.0422076 ; R2 = 95.72%
Model Pertumbuhan Padi Fase Vegetatif Model Pertumbuhan Padi Fase Vegetatif
0.75 0.75
0.70
y = 8E-05x2 + 0.006x + 0.1042 0.70
NDVI (Normalized Difference Vegetation
0.40 Obs
NDVI
0.40 Obs
0.35 Poly. (Obs) 0.35 Poly. (Obs)
0.30
0.30
0.25
0.25
0.20
0.20
0.15
0.15
0.10
0.10
0.05
0.05
0.00
0.00
0 5 10 15 20 25 30 35 40 45 50 55 60
0 5 10 15 20 25 30 35 40 45 50 55 60
Umur HST
Umur HST
c. Hasil NDVI orde 2 Vegetatif setelah difilter dua d. Hasil NDVI orde 3 Vegetatif setelah difilter dua
kali dan dilakukan iterasi atau pengulangan 5 kali kali dan dilakukan iterasi atau pengulangan 11
tanpa menggunakan estimasi dari program kali tanpa menggunakan estimasi dari program
MINITAB. Estimasi langsung dari add trendline. MINITAB. Estimasi langsung dari add trendline.
y = 8E-05 x2 + 0.006 x + 0.1036 y = -8E-06x3 + 0.0008x2 - 0.0117x + 0.1941
R2 = 0.9239 R2 = 0.9579
Gambar 6. Profil NDVI Fase Vegetatif pertumbuhan padi Orde 2 dengan iterasi 5 dan iterasi 5
tanpa menggunakan estimasi, serta Orde 3 dengan iterasi 11 dan iterasi 11
tanpa menggunakan estimasi.
Index)
0.40 Obs 0.40 Obs
0.35 Obs = - 0.117 + 0.0223 X - 0.000163 X2 FITS1 0.35 FITS1
Hasil NDVI orde 2 Vegetatif setelah difilter dua kali Hasil NDVI orde 3 Generatif setelah difilter dua kali
dan dilalukan iterasi atau pengulangan 5 kali dan iterasi atau pengulangan 11 kali dengan
dengan menggunakan hasil strandart deviasi dari menggunakan hasil strandart deviasi dari program
program MINITAB MINITAB
Obs = - 0.117 + 0.0223 X - 0.000163 X2 Obs = - 1.86 + 0.0870 X - 0.000943 X2 + 0.000003 X3
S = 0.0379837 ; R2 = 85.02% S = 0.0414949 ; R2 = 85.63%
Model Pertumbuhan Padi Fase Generatif
Model Pertumbuhan Padi Fase Generatif
0.75 0.75
NDVI (Normalized Difference Vegetation
0.70 0.70
0.65 0.65
0.60 0.60
0.55 0.55
0.50 0.50
0.45 0.45
Index)
Index)
Hasil NDVI orde 2 Vegetatif setelah difilter dua kali Hasil NDVI orde 3 Generatif setelah difilter dua
dan dilalukan iterasi atau pengulangan 5 kali tanpa kali dan dilaklukan iterasi atau pengulangan 11 kali
menggunakan estimasi dari program MINITAB. tanpa menggunakan estimasi dari program
Estimasi langsung dari add trendline. MINITAB. Estimasi langsung dari add trendline.
y = -0.0002x2 + 0.0223x - 0.1172 y = 3E-06x3 - 0.0009x2 + 0.087x - 1.8621
R2 = 0.852 R2 = 0.8582
Gambar 7. Profil NDVI Fase generatif pertumbuhan padi Orde 2 dengan iterasi 5 dan iterasi 5
tanpa menggunakan estimasi, serta Orde 3 dengan iterasi 11 dan iterasi 11
tanpa menggunakan estimasi .
0.75 0.75
Obs = 0.0937 + 0.00222 X + 0.000143 X2 Obs = 0.160 - 0.0111 X + 0.000719 X2 - 0.000006 X3
0.70 0.70
S = 0.0567642 ; R2 = 92.82% S = 0.0555452 ; R2= 93.16%
0.65 0.65
0.60 0.60
0.55 0.55
0.50 0.50
0.45 0.45
0.40 Obs 0.40 Obs
0.35 FITS1 0.35 FITS1
0.30 0.30
0.25 0.25
0.20 0.20
0.15 0.15
0.10 0.10
0.05 0.05
0.00 0.00
0 5 10 15 20 25 30 35 40 45 50 55 60 0 5 10 15 20 25 30 35 40 45 50 55 60
Umur HST (Hari Setelah Tanam) Umur HST (Hari Setelah Tanam)
Hasil EVI orde 2 Vegetatif setelah difilter dua kali Hasil EVI orde 3 Vegetatif setelah difilter dua kali
dan dilakukan iterasi atau pengulangan 8 kali dan dilakukan iterasi atau pengulangan 8 kali
dengan menggunakan hasil strandart deviasi dari dengan menggunakan hasil strandart deviasi dari
program MINITAB program MINITAB
Obs = 0.0937 + 0.00222 X + 0.000143 X2 Obs = 0.160 - 0.0111 X + 0.000719 X2 - 0.000006 X3
S = 0.0567642 ; R2 = 92.82% S = 0.0555452 ; R2 = 93.16%
Model Pertumbuhan Padi Fase Vegetatif Model Pertumbuhan Padi Fase Vegetatif
0.75 0.75
0.70 0.70 y = -0.0000065x 3 + 0.0007186x 2 - 0.0110853x + 0.1600519
y = 0.0001x2 + 0.0022x + 0.0937 R2 = 0.9326527
0.65 0.65
Enhanced Vegetation Index (EVI)
2
R = 0.929
Enhanced Vegetation Index (EVI)
0.60 0.60
0.55 0.55
0.50 0.50
0.45 0.45
0.40 Obs 0.40 Obs
0.35 Poly. (Obs) 0.35 Poly. (Obs)
0.30 0.30
0.25 0.25
0.20 0.20
0.15 0.15
0.10 0.10
0.05 0.05
0.00 0.00
0 5 10 15 20 25 30 35 40 45 50 55 60 0 5 10 15 20 25 30 35 40 45 50 55 60
Umur HST (Hari Setelah Tanam) Umur HST (Hari Setelah Tanam)
Hasil EVI orde 2 Vegetatif setelah difilter dua kali Hasil EVI orde 3 Vegetatif setelah difilter dua kali
dan dilakukan iterasi atau pengulangan 8 kali dan dilakukan iterasi atau pengulangan 8 kali
tanpa menggunakan estimasi dari program tanpa menggunakan estimasi dari program
MINITAB. Estimasi langsung dari add trendline. MINITAB. Estimasi langsung dari add trendline.
y = 0.0001x2 + 0.0022x + 0.0937 y = -0.0000065x3 + 0.0007186x2 - 0.0110853x + 0.1600519
2
R = 0.929 R2 = 0.9326527
Gambar 8. Profil EVI Fase vegetatif Pertumbuhan padi Orde 2 dengan iterasi 5 dan iterasi 5
tanpa menggunakan estimasi , serta Orde 3 dengan iterasi 8 dan iterasi 8 tanpa
menggunakan estimasi .
0.75 0.75
0.70 0.70
0.65 0.65
EVI (Enhanced Vegetation Index)
Hasil EVI orde 2 Vegetatif setelah difilter dua kali Hasil NDVI orde 3 Generatif setelah difilter dua kali
dan dilalukan iterasi atau pengulangan 17 kali dan iterasi atau pengulangan 11 kali dengan
dengan menggunakan hasil strandart deviasi dari menggunakan hasil strandart deviasi dari program
program MINITAB MINITAB
Obs = 0.110 + 0.0167 x - 0.000132 x2 Obs = - 2.71 + 0.117 x - 0.00128 x2 + 0.000004 x3
S = 0.0532307 ; R2 = 82.10% S = 0.0597425 ; R2 = 80.99%
Model Pertumbuhan Padi Fase Generatif Model Pertumbuhan Padi Fase Generatif
0.75 0.75
0.70 0.70
0.65 0.65
EVI (Enhanced Vegetation Index)
0.60 0.60
0.55 0.55
0.50 0.50
0.45 0.45
0.40 0.40 Obs
Obs
0.35 0.35 Poly. (Obs)
Poly. (Obs)
0.30 0.30 y = 4E-06x 3 - 0.0013x 2 + 0.1169x - 2.7123
y = -0.0001x2 + 0.0167x + 0.1105 R2 = 0.8122
0.25 0.25
R 2 = 0.8231
0.20 0.20
0.15 0.15
0.10 0.10
0.05 0.05
0.00 0.00
60 65 70 75 80 85 90 95 100 105 110 115 120
60 65 70 75 80 85 90 95 100 105 110 115 120
Umur HST (Hari Setelah Tanam)
Umur HST (Hari Setelah Tanam)
Hasil NDVI orde 2 Vegetatif setelah difilter dua kali Hasil NDVI orde 3 Generatif setelah difilter dua
dan dilalukan iterasi atau pengulangan 17 kali tanpa kali dan dilaklukan iterasi atau pengulangan 11 kali
menggunakan estimasi dari program MINITAB. tanpa menggunakan estimasi dari program
Estimasi langsung dari add trendline. MINITAB. Estimasi langsung dari add trendline.
y = -0.0001x2 + 0.0167x + 0.1105 y = 4E-06x3 - 0.0013x2 + 0.1169x - 2.7123
R2 = 0.8231 R2 = 0.8122
Gambar 9. Profil EVI Fase generatif Pertumbuhan padi Orde 2 dengan iterasi 5 dan iterasi 5
tanpa menggunakan estimasi, serta Orde 3 dengan iterasi 11 dan iterasi 11
tanpa menggunakan estimasi .
NDVI dengan hasil filter 2 kali dengan iterasi yang berbeda orde 2 dan orde 3
1. Model pertumbuhan padi untuk NDVI di orde 2 dengan iterasi 13
Obs = - 0.121 + 0.0226 X - 0.000163 X2
S = 0.0580254; R2 = 86.10% iterasi 13
2. Model pertumbuhan padi untuk NDVI di orde 3 dengan iterasi 14
Obs = - 0.382 + 0.0360 X - 0.000360 X2 + 0.000001 X3
S = 0.0475297 ; R2 = 88.18% iterasi 14
3. Model pertumbuhan padi untuk NDVI di orde 2 dengan iterasi 13 tanpa estimasi
y = -0.0002x2 + 0.0235x - 0.1409
R2 = 0.8649 iterasi 13
4. Model pertumbuhan padi untuk NDVI di orde 3 dengan iterasi 14 tanpa estimasi
y = 8E-07x3 - 0.0004x2 + 0.036x - 0.3821
R2 = 0.8827 iterasi 14
EVI dengan hasil filter 2 kali dengan iterasi yang berbeda orde 2 dan orde 3
1. Model pertumbuhan padi untuk EVI di orde 2 dengan iterasi 16
Obs = - 0.298 + 0.0272 X - 0.000194 X2
S = 0.0656194 ; R2 = 84.58 % iterasi 16
2. Model pertumbuhan padi untuk EVI di orde 3 dengan iterasi 12
Obs = 0.0385 + 0.00643 X + 0.000171 X2 - 0.000002 X3
S = 0.0697020 ; R2 = 86.13% iterasi 12
3. Model pertumbuhan padi untuk EVI di orde 2 dengan iterasi 16 tanpa estimasi
y = -0.0002x2 + 0.0272x - 0.2981
R2 = 0.8479 iterasi 16
4. Model pertumbuhan padi untuk EVI di orde 3 dengan iterasi 12 tanpa estimasi
y = -0.0000019x3 + 0.0001706x2 + 0.0064292x + 0.0384564
R2 = 0.8624293 iterasi 12
Propil pertumbuhan untuk wilayah di PT Sang Hyang Seri, ditunjukkan pada Gambar-6dan
Gambar-2. Gambar tersebut menunjukkan pola NDVI dan EVI tanaman padi pada umumnya
0.75
0.70 0.75
NDVI (Normalized D ifference Vegetation In dex)
0.65 0.70
NDVI (Normalized Difference Vegetation
0.60 0.65
0.60
0.55
0.55
0.50
0.50
0.45
0.45
0.40 Obs
Index)
0.40 Obs
0.35 FITS1
Obs = - 0.121 + 0.0226 X - 0.000163 X 2 0.35 FITS1
0.30
S = 0.0580254 ; R 2 = 86.10% 0.30
2 3
0.25 Obs = - 0.382 + 0.0360 X - 0.000360 X + 0.000001 X
0.25
S = 0.0475297 ; R2 = 88.18%
0.20
0.20
0.15 0.15
0.10 0.10
0.05 0.05
0.00 0.00
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120
Umur HST (Hari Setelah Tanam) Umur HST (Hari Setelah Tanam)
0.75
0.70 0.75
ND VI (N ormalized D ifference Vegetation Index)
0.65 0.70
NDVI (Normalized Difference Vegetation
0.60 0.65
0.55 0.60
0.55
0.50
0.50
0.45
0.45
0.40 Obs
Index)
0.40 Obs
0.35 Poly. (Obs)
0.35 Poly. (Obs)
0.30
0.30
0.25 y = 8E-07x3 - 0.0004x2 + 0.036x - 0.3821
0.25
2
y= -0.0002x 2+ 0.0226x - 0.1212 R = 0.8827
0.20
R2 = 0.8619 0.20
0.15 0.15
0.10 0.10
0.05 0.05
0.00 0.00
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120 0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120
Umur HST (Hari Setelah Tanam) Umur HST (Hari Setelah Tanam)
0.75
0.75
0.70
0.70
0.65
Enhanced Vege tation Index
0.65
0.60
0.55 0.55
0.50 0.50
0.45 0.45
(EVI)
2 2 3
Obs = - 0.298 + 0.0272 X - 0.000194 X Obs = 0.0385 + 0.00643 X + 0.000171 X - 0.000002 X
S = 0.0656194 ; R2 = 84.58 % iterasi 16 S = 0.0697020 ; R2 = 86.13% iterasi 12
0.75
0.75
0.70
0.70
0.65
Enhanc ed Ve ge ta tion Index
0.65
0.60
E n ha n ced V e g etation In de x (E V I)
0.60
0.55 0.55
0.50 0.50
0.45 0.45
(EVI)
0.40 0.40
Obs Obs
0.35 Poly. (Obs) 0.35
Poly. (Obs)
0.30 0.30
0.25 0.25
2
y = -0.0002x + 0.0272x - 0.2981
0.20 0.20
R2 = 0.8479 3 2
y = -0.0000019x + 0.0001706x + 0.0064292x + 0.0384564
0.15 0.15 2
R = 0.8624293
0.10 0.10
0.05 0.05
0.00 0.00
10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100 105 110 115 120
Umur HST (Hari Setelah Tanam) Umur HST (Hari Setelah Tanam)
NDVI EVI
TABEL 8. Rekapitulasi persamaan regresi, nilai R dan standard error hasil analisis.
negatif
6.1. Kesimpulan
Berdasarkan Tabel 8 diatas, dapat disimpulkan bahwa dari dua parameter yang diuji NDVI
dan EVI, ternyata parameter NDVI mempunyai hubungan yang lebih erat dengan umur
tanaman padi karena rata-rata R2nya lebih besar yaitu rata-rata 87,14% dan standar error
yang lebih kecil 0,0525 dibandingkan dengan parameter EVI yang mempunyai rata-rata R2
85,35% dan standard error 0.067. Sementara itu dari dua model analisis, orde dua dan orde
tiga untuk kedua parameter diatas, ternyata model orde tiga mempunyai nilai R2 yang lebih
besar 88,18% dan nilai standard error yang lebih kecil 0,047.
Dengan demikian model prediksi umur yang lebih baik adalah persamaan regresi orde 3
antara umur dengan NDVI tanaman padi yang diekstrak dari citra Landsat 8 berikut:y = 8E-
07x3 - 0.0004x2 + 0.036x - 0.3821 dengan R2 = 0.8827 dengan standar error 0,0525
6.2. Saran
Berdasarkan pembahasan dan kesimpulan tersebut, disarankan untuk dilakukan validasi
hasil model prediksi umur ini secara luas untuk mengetahui tingkat kehandalannya.
Bappenas, 2002, Does Indonesia Face a Food Security Time Bomb.Indonesian Food Policy
Program. http//:www.macrofoodpolicy.com. Accessed November, 15th 2009.
Baret, F. and Guyot, G., 1991, Potentials and limits of vegetation indices for LAI and APAR
assessment.Remote Sensing of Environment, 35, pp. 161-173.
Currey, B., Fraser, A. S. and Bardsley, K. L. How useful is Landsat monitoring. Nature 1987,
328, 587-590.
David, D., Frolking, S., Li, C., 2003, Trends in Rice-Wheat Area in China.Field Crops Research.
Dirgahayu, 1999.Aplikasi Model Pendugaan Umur Padi untuk Peramalan Luas Panen Padi di
Pulau Jawa. Majalah LAPAN no 1, vol 2 1-14 h
Ehlers, M., Jadkowski, M. A., Howard, R. R. and Brostuen, D. E., 1990, Application of SPOT
Data For Regional Growth Analysis and Local Planning. Photogrammetric Engineering
and Remote Sensing, 56, pp. 175–180.
Fang, H., Wu, B., Liu, H., and Huang, X., 1998, Using NOAA AVHRR and Landsat TM to
estimate rice area year-byyear. International Journal of Remote Sensing, 19, pp. 521-
525.
Harris, P. M. and Ventura, S. J., 1995, TheIntegration of Geographic Data With Remotely
Sensed Imagery to Improve Classification in an Urban Area. Photogrammetric
Engineering and Remote Sensing, 61, pp. 993–998.
Huete, A. R. and Escadafal, R., 1991, Assessment of Biophysical Soil Properties Through
Spectral Decomposition Techniques. Remote Sensing of Environment 35, pp. 149-159.
Huete, A. R. and Warrick, A. W., 1990, Assessment of Vegetation And Soil Water Regimes in
Partial Canopies with Optical Remotely Sensed Data. Remote Sensing of Environment
32, pp. 115-167.
Huete, A. R., 1988, A Soil-Adjusted Vegetation Index (SAVI). Remote Sensing of Environment ,
25, pp. 295-309.
IRRI, 1993, 1993–1995 IRRI Rice Almanac. Manila7 International Rice Research Institute.
Jingfeng Huang, et al., 2013. Remotely Sensed Rice Yield Prediction Using Multi-Temporal
NDVI Data Derived from NOAA’s-AVHRR. Institute of Agricultural Remote Sensing &
Information Application.www.plosone.org diakses 22 Januari 2014
Kuroso, T., Fujita, M., and Chiba, K., 1997, Monitoring of Rice Fields Using Multi-Temporal
ERS-1 C-band SAR Data.International Journal of Remote Sensing, 14, pp. 2953- 2965.
Kustiyo, 2003.Model Estimasi Fase Tumbuh dan Luas Panen Padi Sawah dengan
Menggunakan Data Landsat-7. Tesis. Program Pasca Sarjana, Institut Pertanian Bogor.
104 p
Le Toan, T., Ribbes, F., Floury, N., L., Kong, J., Korosu, T., and Fujita, M., 1997, Rice Crop
Mapping and Monitoring Using ERS-1 Data Base on Experiment and Modeling
Results. IEEE Transactions on Geosciences and Remote Sensing, 35, pp. 41- 56.
Lillesand, T.M. and Kiefer, R.W., 1994, Remote Sensing and Image Interpretation.Third
Edition. John Wiley and Sons, New York. 750 pp.
Meaille, R. and Wald, L., 1990, Using Geographic Information System and Satellite Imagery
Within a Numerical Simulation of Regional Urban Growth. International Journal of
Geographic Information Systems, 4, pp. 445–456.
Naugle, B. I. and Lashlee, J. D., 1992, Alleviating Topographic Influences on Land-Cover
Classifications for Mobility and Combat Modeling, Photogrammetric Engineering and
Remote Sensing, 58, pp. 1217-1221.
31 Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi
Untuk Estimasi Luas Panen Tanaman Padi Di Sentra Produksi Padi
Niel, T.G.V. and McVicar, T.R., 2001, Remote Sensing of Rice-Based Irrigated Agriculture: A
Review. Available on http://www.clw.csiro.au/publications/consultancy/2001/C RC-
Rice-TRP11050101.pdf. Accessed 15 December 2009.
Nuarsa I Wayan, Kanno, S., Sugimori, Y. and Nishio, F., 2005, Spectral Characterization of
Rice Field Using Multi-Temporal Landsat ETM+ Data.International Journal of Remote
Sensing and Earth Sciences. 2, pp. 65-71.
Nuarsa I Wayan, Nishio, F., Hongo C., 2010.Development Of The Empirical Model For Rice
Field Distribution Mapping Using Multi-Temporal Landsat Etm+ Data: Case Study In
Bali Indonesia. International Archives of the Photogrammetry, Remote Sensing and
Spatial Information Science, Volume XXXVIII, Part 8, Kyoto Japan 2010.
Oette, D. R., Warren B. C., Mercedes B., Maiersperger, T.K., and Kennedy, R.E., 2000, Land
Cover Mapping in Agricultural Setting Using Multiseasonal Thematic Mapper Data.
Remote Sensing of Environment, 76, pp. 139-155.
Paine, D.P., 1981, Aerial Photography and Image Interpretation for Resource Management.
John Wiley and Sons, New York. 412 pp.
Panigrahy, S. and Sharma., S.A., 1997, Mapping of Crop Rotation Using Multidate Indian
Remote Sensing Satellite Digital Data. ISPRS Journal of Photogrammetry & Remote
Sensing, 52, pp. 85-91.
Pons, X. and Sole-Sugranes, L. A Simple Radiometric Correction Model to Improve Automatic
Mapping of Vegetation From Multispectral Satellite Data. Remote Sensing of
Environment 1994, 48, 191-204.
Shao, Y., Fan, X., Liu, H., Xiao, J., Ross, S., Brisco, B., Brown, R. and Staples, G., 2001. Rice
Monitoring and Production Estimation Using Multitemporal RADARSAT.Journal of
Remote Sensing for Environment, 76, pp. 310–325.
Shao, Y., Wang, C., Fan, X., and Liu, H., 1997, Evaluation of SAR image for Rice Monitoring
and Land Cover Mapping.In Presented at Geomatics in Era of RADARSAT, Ottawa,
Canada.
Steininger, M. K., 1996, Tropical secondary forest regrowth in the Amazon: age, area and
change estimation with Thematic Mapper data. International Journal of Remote
Sensing, 17, pp. 9–27.
Strahler, A. H., Boschetti, L., Foody, G.M., Friedl, M.A., Hansen, M.C., Herold, M., Mayaux, P.,
Morisette, J.T., Stehman, S.V. and Woodcock, C.E., 2006, Global Land Cover
Validation: Recommendations for Evaluation and Accuracy Assessment of Global
Land Cover Maps. Office for Official Publications of the European
Communities.http://wgcv.ceos.org/docs/plenary/wgcv26/GlobalLandCover
Validation_JeffMorisette.pdf.Accessed July 25, 2009.
Uchida, S., 2010.Monitoring of Planting Paddy Rice With Complex Cropping Pattern In The
Tropical Humid Climate Region Using Landsat and Modis Data. A Case of West Java,
Indonesia.International Archives of the Photogrammetry, Remote Sensing and Spatial
Information Science, Volume XXXVIII, Part 8, Kyoto Japan
Wataru, T, Taikan, O., and Yoshifumi, Y., 2006, Investigating an Integrated Approach on Rice
Paddy Monitoring Over Asia WithMODIS and AMSR-E. Proceedings of the Conference
of the Remote Sensing Society of Japan, 40, pp. 173-174.
Westmoreland, S. and Stow, D. A., 1992, Category Identification of Changed Land-Use
Polygons in an Integrated Image Processing/Geographic Information
System.Photogrammetric Engineering and Remote Sensing, 58, pp. 1593–1599.
• Nama blok pada peta TIDAK SAMA dengan nama blok pada statistik
• Realisasi tanam dan panen hanya untuk ±30% area
• Setelah dioverley dengan citra, banyak umur tanaman yang nampak TIDAK LOGIS
karena tanaman berumur 2 hari/8 hari/20 hari nampak hijau sedangkan tanaman
berumur 60 hari masih nampak biru (air), sementara tanaman berumur 30 hari
nampak bera (merah)
• Satu blok dengan dua/lebih waktu tanam dimana dalam satu blok tanaman
kenampakan tidak seragam (air, vegetasi dan bera)
Gambar 2. Blok tanam PT. Sang Hyang Seri dengan latar belakang citra Landsat-8 tanggal 10
September 2013
Pemanfaatan Data Penginderaan Jauh Resolusi Menengah/Tinggi 46
Untuk Estimasi Luas Panen Tanaman Padi Di Sentra Produksi Padi
Keterangan:
• Blok yang ada angkanya adalah blok-blok yang ada data realisasi tanamnya
• Angka dalam blok menunjukkan umur tanaman padi yang dihitung dari waktu tanam ke
tanggal aquisisi data Landsat
Berkaitan dengan permasalahan yang telah diuraikan di atas, dipandang perlu untuk
dilakukan survei lapangan untuk mengecek, mensinkronkan, dan melengkapi data sekunder
mengenai realisasi tanam, panen, produksi, kerusakan/kegagalan panen untuk seluruh blok
tanaman dalam kurun waktu Juli 2013 sampai Juli 2014. Selain itu dalam survey lapangan ini
juga akan dilakukan pengukuran reflektan lahan sawah/tanaman padi pada berbagai fase
yang ada di lapangan
2 R1-line
R2-line L39 19.
20
A-line
3 R1-line
R2-line L41 18.
32
A-line
dst
Sesuai jadwal yang telah direncanakan, Senin 11 Agustus siang telah dilakukan pertemuan
dan diskusi tentang kegiatan litbang yang sedang dilaksanakan di Pusfatja dengan menejer
kebun PT. Sang Hyang Seri dan telah disampaikan juga data pendukung mengenai peta blok
dan realisasi tanam/panen tiap blok yang dibutuhkan dan kebutuhan kita untuk mengetahui
kondisi tanaman di lapangan berdasarkan perbedaan umurnya untuk diukur reflektansinya
menggunakan spektrometer. Koordinasi penyiapan data sekunder dilakukan untuk
memperbaiki/sinkronisasi data yang telah dikirim oleh PT. Sang Hyang Seri
sebelumnya.Sementara untuk peninjauan lapangan, pengukuran reflektan objek lahan
sawah/tanaman padi pada berbagai umur dilakukan pada hari kedua hingga
kelima.Pengamatan dan pengukuran lapangan pada hari kedua yang bertepatan dengan
jadwal lintasan satelit Landsat, sementara pengamatan dan pengukuran hari berikutnya
hanya bersifat melengkapi. Secara umum, hasil yang diperoleh dari survey lapangan ini
meliputi:
1. Peta blok PT. Sang Hyang Seri yang sinkron dengan data statistik. Pada dasarnya peta
blok ini sebenarnya sama dengan peta blok yang pernah dikirim oleh PT. Sang Hyang
Seri, perbedaannya adalah pada nomor blok tidak mencantumkan nama wilayah didepan
nomor bloknya, selengkapnya disajikan pada lampiran 1.
2. Data tebar/tanam dan panen untuk sebagian besar blok (contoh data realisasi tanam
disajikan pada lampiran 2). Dalam kurun waktu Juli 2013 sampai Juli 2014 ada tiga kali
realisasi tebar/tanam/panen yaitu MK 2013, MH 2013 dan MK 2014. Berdasarkan data
yang ada, realisasi tanam terakhir untuk areal PT. Sang Hyang Seri adalah 5 Agustus
2014.
3. Hasil pengukuran beberapa titik koordinat lokasi dan dokumen foto kondisi tutupan
tanaman padi di area PT. Sang Hyang Seri meliputi 23 titik koordinat dengan informasi
umur tanaman (terlampir pada lampiran 3).
4. Hasil pengukuran nilai reflektan tanaman padi/sawah pada beberapa tingkat umur yang
ada di PT. Sang Hyang Seri yang meliputi umur 1 minggu sampai 105 hari serta kondisi
selesai panen. Untuk kondisi tanaman padi yang baru ditanam dan lahan bera dilengkapi
dari hasil pengukuran di luar area PT. Sang Hyang Seri. Hasil pengukuran nilai reflektan
selengkapnya disajikan pada Lampiran 4.
Bappenas, 2002, Does Indonesia Face a Food Security Time Bomb? Indonesian Food Policy
Program. http//:www.macrofoodpolicy.com. Accessed November, 15th 2009.
Baret, F. and Guyot, G., 1991, Potentials and limits of vegetation indices for LAI and APAR
assessment.Remote Sensing of Environment, 35, pp. 161-173.
Currey, B., Fraser, A. S. and Bardsley, K. L. How useful is Landsat monitoring. Nature 1987,
328, 587-590.
David, D., Frolking, S., Li, C., 2003, Trends in Rice-Wheat Area in China.Field Crops Research.
Ehlers, M., Jadkowski, M. A., Howard, R. R. and Brostuen, D. E., 1990, Application of
SPOT data for regional growth analysis and local planning. Photogrammetric
Engineering and Remote Sensing, 56, pp. 175–180.
Fang, H., Wu, B., Liu, H., and Huang, X., 1998, Using NOAA AVHRR and Landsat TM to
estimate rice area year-byyear. International Journal of Remote Sensing, 19, pp. 521-
525.
Harris, P. M. and Ventura, S. J., 1995, The integration of geographic data with remotely
sensed imagery to improve classification in an urban area. Photogrammetric
Engineering and Remote Sensing, 61, pp. 993–998.
Huete, A. R. and Escadafal, R., 1991, Assessment of biophysical soil properties through
spectral decomposition techniques.Remote Sensing of Environment 35, pp. 149-159.
Huete, A. R. and Warrick, A. W., 1990, Assessment of vegetation and soil water regimes in
partial canopies with optical remotely sensed data. Remote Sensing of Environment 32,
pp. 115-167.
Jingfeng Huang, et al., 2013. Remotely Sensed Rice Yield Prediction Using Multi-Temporal
NDVI Data Derived from NOAA’s-AVHRR. Institute of Agricultural Remote Sensing &
Information Application.www.plosone.org diakses 22 Januari 2014.
Lampiran 2b. Data reaalisasi tanam benih padi Inbrida di PT. Sang Hyang Seri Sukamandi MT
2013/ 2014
22/11- 14/12-
Ciherang KS/ES TGKB 252.88 252.88 15/12/2013 252.88 4/1/2014
Di Kantor Pt. Shang Hyang Seri sedang diskusi dengan manager perkebunan
Di Desa Ciasem Girang kecamatan Ciasem Sector Lebak pada Blok l34 sawah berumur 1 minggu
Desa Ciasem Girang Kecamatan Ciasem di Sector Lebak pada blok 32 sawah sudah berumur 2 bulan
Desa Sukamandijaya Kecamatan Ciasem. Blok l20 92 hari, blok l21 (88hari 3blb-2hr)
Pada blok b22 dan disebelahnya adalah blok23 jenis sawahnya adallah hibrida berumur 2.5bl (45hr
dari tanam)
Desa Rancajaya Kecamatan Patokbeusi.. Balong Cariu 1 berumur 100 hari darri tebar
Desa Gempolsari Kecamatan Patokbeusi. Sektor Belanakan blok b14 adalah lahan sawah yang berumur
102 - 105 hari dari tebar
Desa Sukamandijaya Kecamatan Ciasem Pengambilan titik di lembaga blok l2ab sawah berumur
98 hari
Pengambilan titik di Desa Sukahaji Kecamatan Ciasem sektor lekar di persimpangan antara 3 blok
lk 19 dan lk21 dan dihadapan blok ganjil blok 20 blok genap
Pengambilan titik 12 di sektor lekar di persimpangan antara 34 dan dihadapan blok ganjil
Padi berumur 70 hari dari tebar atau 45 hari dari tanam. Desa Rawa Mekar Kecamatan Blanakan
Desa Pinangsari, Kecamatan Ciasem Sektor Tegal Koneng Timur (tgkt) padi berumur 60 hari tebar.
Sektor Tegal Koneng Timur blok 22, 100m dari jbt, 25m kn sidenuk 54h tbr (20jn)
Desa Sukahaji, Kecamatan Ciasem Sektor Tegal Koneng Barat (blok tgkb5), Varietas Ciherang 85 hari
Desa Sukahaji, Kecamatan Ciasem Sektor Tegal Koneng Barat (blok tgkb1 -3), Varietas Ciherang
tanggal tebar 19 mei 75 hari tebar
Sektor Sukamulya Blok S15 bera kering berumput Desa Sukamandijaya, Kecamatan Ciasem
7 11:49 B16 95 hr
11 13:19 LK34 ?
Jumat, 15 Agustus 2014 (di luar area PT. Sang Hyang Seri)
2 09:14 Swh_air 2
hari
3 09:24 Sawah_air
2 mg