1dc319cbebad1f016d225abcef1c9827
1dc319cbebad1f016d225abcef1c9827
Cetakan I, 2021
ISBN: 978-623-7525-42-4
Diterbitkan Oleh: Institut Teknologi Nasional Bandung
Jl. PKH Mustofa no 23, Bandung, Jawa Barat, Indonesia. 40124.
i
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
Kata Pengantar
Penyusun
ii
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
Kata Pengantar
iii
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
Terimakasih
iv
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
Daftar Isi
Kata Pengantar .........................................................................................................ii
v
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
vi
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
Daftar Gambar
Gambar 3.1 Visualisasi Hasil NDVI untuk lokasi Asahan, Sumatera Utara
..................................................................................................................................................... 18
Gambar 3.2 Citra ALOS PALSAR 2 polarisasi (a) HH dan (b) HV ................. 19
Gambar 3.3 Citra Sentinel-1A untuk daerah Asahan, Sumatera Utara. .... 22
Gambar 3.4 Training sampel blok tahun tanam kelapa sawit untuk
perkebunan di Asahan, Sumatera Utara. ................................................................. 23
Gambar 3.5 Model Fenologi untuk kelas kesesuaian lahan S1 ..................... 26
Gambar 3.6 Model Fenologi untuk kelas kesesuaian lahan S3 ..................... 27
Gambar 3.7 Model Fenologi untuk kelas kesesuaian lahan N ....................... 27
Gambar 3.8 ALOS PALSAR 2 polarisasi HH ............................................................ 29
Gambar 3.9 ALOS PALSAR 2 Polarisasi HV ............................................................ 30
Gambar 3.10 Model Fenologi untuk kelas kesesuaian lahan S1 polarisasi
VV ............................................................................................................................................... 31
Gambar 3.11 Model Fenologi untuk kelas kesesuaian lahan S1 polarisasi
VH ............................................................................................................................................... 31
Gambar 3.12 Model Fenologi untuk kelas kesesuaian lahan S3 polarisasi
VV ............................................................................................................................................... 32
Gambar 3.13 Model Fenologi untuk kelas kesesuaian lahan S3 polarisasi
VH ............................................................................................................................................... 33
Gambar 3.14 Model Fenologi untuk kelas kesesuaian lahan N polarisasi
VV ............................................................................................................................................... 34
Gambar 3.15 Model Fenologi untuk kelas kesesuaian lahan N polarisasi
VH ............................................................................................................................................... 35
vii
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
Daftar Tabel
viii
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
BAB I. Pendahuluan
1
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
2
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
3
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
4
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
5
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
6
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
7
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
1. Prediksi
2. Desain model
3. Penilaian parameter
8
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
9
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
10
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
11
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
12
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
13
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
14
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
15
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
16
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
NDVI adalah fungsi dari dua band. Band merah dan band
inframerah-dekat, yang dapat diperkirakan menggunakan
persamaan (1) di bawah ini (Crippen, 1990):
17
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
18
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
19
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
20
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
2
𝜎°𝐻𝐻 (dB) = 10 x log10 ( 𝐷𝑁𝐻𝐻 ) − 𝐶𝐹 (4)
2
𝜎°𝐻𝑉 (dB) = 10 x log10 ( 𝐷𝑁𝐻𝑉 ) − 𝐶𝐹 (5)
21
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
∑𝑛𝑗=1 𝑥𝑗 (6)
𝐱̅ =
𝑛
22
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
∑𝑛𝑗=1(𝑥𝑖 − 𝐱 )2 (7)
𝑠2 =
𝑛−1
23
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
24
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
Hasil dari model estimasi umur ini dibangun dalam bentuk multi
regeresi dimana parameternya adalah rata-rata DN dari band
spektral dan Indeks spektral data Landsat. Setiap parameter akan
diuji secara emphiris apakah bcrkorelasi dengan umur tanaman
(McMorrow, 2001). Parameter yang mempunyai korelasi tinggi
akan dipilih. Proses selanjutnya adalah uji korelasi antara
parameter untuk mengeliminir stfat multikolinearitas antar
parameter. Jika tcrjadi korelasi yang tinggi antar parameter akan
dipilih salah satu dengan mclihat korelasi terbesar parameter
tcrscbut secara langsung dengan umur tanaman. Pengujian
dilakukan untuk mencari hubungan regresi umur tanaman sawit
dengan masing masing parameter dalam bentuk linier dan non
linier.
∑(𝑋𝑖 − 𝑋̅)(𝑌𝑖 − 𝑌̅ )
√𝑅2 = 𝑟 = [∑(𝑋𝑖 − 𝑋̅)2 ∑(𝑌𝑖 − 𝑌̅ )2 ]1/2
(8)
25
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
0,84
0,835
0,83
0,825
NDVI
0,82
0,815
0,81
0,805 y = -0,0002x2 + 0,0058x + 0,794
0,8 R² = 0,8243
0,795
0 5 10 15 20 25 30
Umur
26
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
0,85
0,84
0,83
0,82
NDVI
0,81
0,8
0,79 y = -0,0004x2 + 0,0108x + 0,7656
0,78 R² = 0,8001
0,77
0 5 10 15 20 25
Umur
0,83
0,82
0,81
0,8
NDVI
0,79
0,78
y = -0,0003x2 + 0,0079x + 0,763
0,77 R² = 0,7319
0,76
0 5 10 15 20 25 30
Umur
27
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
28
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
polarisasi HH, nilai dimulai pada usia 0-5 tahun sekitar -12,6 dB,
pada usia 5-10 tahun sekitar -11 dB, pada usia 10-15 tahun sekitar
-11,3 dB, pada usia 15-20 tahun. tahun sekitar -11,5 dB, dan pada
usia 20-25 tahun sekitar -11,9 dB (Gambar 3.7). Model hamburan
memiliki regresi logaritmik 𝑦 = 0,5293𝑙𝑛(𝑥) – 12,616 dengan R2
adalah 0,51.
Pada polarisasi HV, nilainya dimulai pada usia 0-5 tahun sekitar -
22 dB, pada usia 5-10 tahun sekitar -18 dB, pada usia 10-15 tahun
sekitar -19 dB, pada usia 15-20 tahun sekitar -18,9 dB, dan pada
usia 20-25 tahun sekitar -18,5 dB (Gambar 3.8). Model hamburan
memiliki regresi logaritmik 𝑦 = 1,1555𝑙𝑛(𝑥) – 21,815 dengan R2
adalah 0,50.
29
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
30
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
-7
-7,2
-7,4
-7,6
VV (dB)
-7,8
-8
-8,2
y = -0,0061x2 + 0,1706x - 8,4255
-8,4 R² = 0,8704
-8,6
0 5 10 15 20 25 30
Umur
-13,8
-14
-14,2
VH (dB)
-14,4
-14,6
-14,8
y = -0,005x2 + 0,1426x - 15,173
-15
R² = 0,8232
-15,2
0 5 10 15 20 25 30
Umur
31
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
-6
-6,5
-7
-7,5
VV (dB)
-8
-8,5 y = -0,0143x2 + 0,3976x - 10,339
-9 R² = 0,8139
-9,5
-10
0 5 10 15 20 25
Umur
32
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
-13
-13,5
-14
VH (dB)
-14,5
-15
-15,5
y = -0,0115x2 + 0,2869x - 16,083
-16 R² = 0,7665
0 5 10 15 20 25
Umur
33
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
-6
-6,5
-7
-7,5
VV (dB) -8
-8,5
-9
y = -0,0135x2 + 0,4195x - 10,508
-9,5 R² = 0,8873
-10
0 5 10 15 20 25 30
Umur
34
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
-13
-13,5
-14
VH (dB)
-14,5
-15
y = -0,0059x2 + 0,1761x - 15,654
-15,5 R² = 0,779
-16
0 5 10 15 20 25 30
Umur
35
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
3.5 Validasi
36
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
37
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
Uji Akurasi
Total
Tahun Hasil model
Kelas Umur
tanam (ha) (ha)
38
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
39
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
40
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
DAFTAR PUSTAKA
Al-doski, J., Mansor, S. B., Zulhaidi, H., dan Shafri, M. (2013): Image
Classification in Remote Sensing, 3(10), 141–148.
Amini, J., dan Sri Sumantyo, J. T. (2011): SAR and Optical Images
for Forest Biomass Estimation, Biomass - Detection,
Production and Usage, (January 2016).
https://doi.org/10.5772/18930
Avtar, R., Ishii, R., Kobayashi, H., Fadaei, H., Suzuki, R., dan Herath,
S. (2013): Efficiency of multi-frequency, multi-polarized SAR
data to monitor growth stages of oilpalm plants in Sarawak,
Malaysia, International Geoscience and Remote Sensing
Symposium (IGARSS), 2137–2140.
https://doi.org/10.1109/IGARSS.2013.6723236
41
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
42
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
43
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
https://doi.org/10.1155/2021/6625774
Darmawan, S., Naser, M., Carolita, I., dan Sari, D. K. (2018): State of
The Art Remote Sensing Technology For Oil Palm
Management In Indonesia, Proceedings Asian Conference on
Remote Sensing (ACRS) 2018, Kuala Lumpur, Malaysia, 1,
830–834.
Descals, A., Wich, S., Meijaard, E., Gaveau, D. L. A., Peedell, S., dan
Szantoi, Z. (2021): High-resolution global map of smallholder
and industrial closed-canopy oil palm plantations, Earth
System Science Data, 13(3), 1211–1231.
https://doi.org/10.5194/essd-13-1211-2021
44
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
Gebhardt, S., Huth, J., Nguyen, L. D., Roth, A., dan Kuenzer, C.
(2012): A comparison of TerraSAR-X Quadpol backscattering
with RapidEye multispectral vegetation indices over rice
fields in the Mekong Delta, Vietnam, International Journal of
Remote Sensing, 33(24), 7644–7661.
https://doi.org/10.1080/01431161.2012.702233
45
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
Hu, J., Ghamisi, P., dan Zhu, X. (2018): Feature Extraction and
Selection of Sentinel-1 Dual-Pol Data for Global-Scale Local
Climate Zone Classification, ISPRS International Journal of
Geo-Information, 7(9), 379.
https://doi.org/10.3390/ijgi7090379
Lee, J. S., Jurkevich, I., Dewaele, P., Wambacq, P., dan Oosterlinck,
A. (1994): Speckle filtering of synthetic aperture radar
46
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
Li, W., Fu, H., Yu, L., dan Cracknell, A. (2017): Deep learning based
oil palm tree detection and counting for high-resolution
remote sensing images, Remote Sensing, 9(1).
https://doi.org/10.3390/rs9010022
Mohd Najib, N. E., Kanniah, K. D., Cracknell, A. P., dan Yu, L. (2020):
Synergy of active and passive remote sensing data for
47
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
Pohl, C., dan Loong, C. K. (2016): In-situ data collection for oil palm
tree height determination using synthetic aperture radar, IOP
Conference Series: Earth and Environmental Science, 34(1).
https://doi.org/10.1088/1755-1315/34/1/012027
48
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
https://doi.org/10.2307/2583482
Reiche, J., Verhoeven, R., Verbesselt, J., Hamunyela, E., Wielaard, N.,
dan Herold, M. (2018): Characterizing tropical forest cover
loss using dense Sentinel-1 data and active fire alerts, Remote
Sensing, 10(5), 1–18. https://doi.org/10.3390/rs10050777
Sarzynski, T., Giam, X., Carrasco, L., dan Huay Lee, J. S. (2020):
Combining radar and optical imagery to map oil palm
plantations in Sumatra, Indonesia, using the Google Earth
Engine, Remote Sensing, 12(7).
https://doi.org/10.3390/rs12071220
49
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
Talukdar, S., Singha, P., Mahato, S., Shahfahad, Pal, S., Liou, Y. A.,
dan Rahman, A. (2020): Land-use land-cover classification by
machine learning classifiers for satellite observations-A
review, Remote Sensing, 12(7).
https://doi.org/10.3390/rs12071135
Teng, K. C., Koay, J. Y., Tey, S. H., Lim, K. S., Ewe, H. T., dan Chuah, H.
T. (2015): A dense medium microwave backscattering model
for the remote sensing of oil palm, IEEE Transactions on
Geoscience and Remote Sensing, 53(6), 3250–3259.
https://doi.org/10.1109/TGRS.2014.2372796
Wang, H., Magagi, R., Goïta, K., Trudel, M., McNairn, H., dan Powers,
J. (2019): Crop phenology retrieval via polarimetric SAR
decomposition and Random Forest algorithm, Remote
Sensing of Environment, 231(May), 111234.
50
PROSEDUR PEMBANGUNAN MODEL FENOLOGI
KELAPA SAWIT BERBASIS PENGINDRAAN JAUH
https://doi.org/10.1016/j.rse.2019.111234
51