Laporan praktikum Tanggal: 6 november 2012 Pengindraan jauh dan interpretasi citra asisten praktikum: 1. Lusy fransiska (A14090009) 2. Swaesti praba (A14090049) 3. Athu puspa c (A14090059) INDEKS VEGETASI Disusun oleh: Ninis Nini s Fianti A14110019 BAGIAN PENGINDRAAN JAUH DAN INFORMASI SPASIAL DEPARTEMEN ILMU TANAH DAN SUMBERDAYA LAHAN FAKULTAS PERTANIAN INSTITUT PERTANIAN BOGOR 2012 PENDAHULUAN LATAR BELAKANG Permukaan bumi merupakan suatu wilayah yang kaya akan berbagai objek. Dalam pengindraan jauh, objek yang ada dipermukaan bumi dikenal sebagai objek penutupan dan penggunaan lahan. Menurut lillsand and kieffer (1990) penutupan lahan berkaitan dengan jenis objek itu sendiri, sedangkan penggunaan lahan ada keterkaitannya dengan aktivitas manusia. Perubahan penggunaan lahan juga sering terjadi seiring bertambahnya waktu. Perubahan penggunaan lahan adalah perubahan pemanfaatan lahan yang berbeda dengan pemanfaatan sebelumnya, baik untuk tujuan social, ekonomi, budaya maupun industry. Sumberdaya fisik seperti tanah, iklim, topografi, dan geologi sangat menentukan potensi suatu wilayah untuk berbagai jenis penggunaan lahan (anonim, 2012). Dinamika perubahan penggunaan lahan sering kali menyebabkan perubahan jenis penutupan lahan, misalkan saja luas daerah bervegetasi yang ada dalam suatu wilayah. Algoritma yang sering digunakan dalam analisis penutup lahan vegetasi adalah dengan menggunakan indeks vegetasi. Indeks Vegetasi adalah pengukuran optis tingkat kehijauan (greenness) kanopi vegetasi, sifat komposit da ri klorofil daun, luas daun, struktur dan tutupan kanopi vegetasi (Huete, 2011). Indeks vegetasi telah banyak digunakan dalam berbagai penelitian tentang vegetasi skala global. glo bal. Indeks Vegetasi dapat secara efektif digunakan untuk pemetaan kekeringan, penggurunan (desertifikasi) dan penggundulan hutan (Horning, 2010). TUJUAN PRAKTIKUM Mengetahui perbedaan luas penutupan lahan pada satu wilayah menggunakan metode indeks vegetasi yang berbeda. TINJAUAN PUSTAKA Indeks vegetasi merupakan suatu algoritma yang diterapkan terhadap citra satelit, untuk menonjolkan aspek kerapatan vegetasi ataupun aspek lain yang berkaitan dengan kerapatan, misalnya biomassa, Leaf Area Index (LAI), konsentrasi klorofil. Atau lebih praktis, indeks vegetasi adalah merupakan suatu transformasi matematis yang melibatkan m menyajikan aspek-aspek yang berkaitan dengan vegetasi (Danoedoro, 1996). Sedangkan menurut Horning (2010) Indeks vegetasi merupakan nilai yang diperoleh dari gabungan beberapa spektral band spesifik dari citra penginderaan jauh. Gelombang indeks vegetasi diperoleh dari energi yang dipancarkan n beberapa saluran sekaligus untuk menghasilkan citra baru yang lebih representatif dalajumlah oleh vegetasi pada citra penginderaan jauh untuk menunjukkan ukuran kehidupan da dari suatu tanaman. Tanaman memancarkan dan menyerap gelombang yang unik sehingga keadan ini dapat di hubungakan dengan pancaran gelombang dari objek-objek yang lain sehingga dapat di bedakan antara vegetasi dan objek selain vegetasi. Indeks vegetasi biasanya hanya menggunakan saluran merah (visible)
dan saluran inframerah dekat (NIR). Tanaman hidup menyerap gelombang tanpak (visible) biru dan merah dan memantulkan gelombang hijau sehingga mata manusia dapat mendeteksi warna hijau pada tanaman. Namun ternyata tidak hanya gelombang hijau yang dipantulkan oleh tanaman, pantulan paling dominan pada tanaman ternyata adalah gelombang inframerah dekat (NIR). Tapi karena mata manusia tidak dapat menangkap cahaya pada gelombang inframerah tersebut maka warna merah ini tidak terlihat pada mata manusia. Padahal pantulan inframerah dekat pada tanaman mencapai 60%, kontras sekali dengan pantulan gelombang hijau yang hanya 20%. Ada beberapa macam indeks vegetasi yang tentunya sudah sering dimanfaatkan untuk aplikasi – aplikasi tertentu. Beberapa diantaranya adalah NDVI (Normalized Difference Veg etation Index), SR (Simple Ratio), SAVI (Soil Adjusted Vegetation Index), EVI (Enhanced Vegetation Index ), dan ARVI (Atmospherically Resistant Vegetation Index). a. NDVI Algoritma NDVI banyak digunakan untuk berbagai aplikasi terkait vegetasi. NDVI memiliki efektivitas untuk memprediksi sifat permukaan ketika kanopi vegetasi tidak terlalu rapat dan tidak terlalu jarang (Liang, 2004). Algoritma NDVI (Landgrebe, 2003) diuraikan sebagai berikut: NDVI= NIR-R / NIR+R Keterangan : NIR : Nilai spektral saluran Near Infrared R : Nilai spektral saluran Red b. EVI Algoritma EVI diformulasi un tuk meningkatkan algoritma NDVI dan ditujukan untuk pengolahan index vegetasi pada citra MODIS. Algoritma ini mirip dengan algoritma NDVI dengan penambahan formulasi untuk koreksi efek gangguan radiometric dari atmosfer dan dari dalam kanopi. Algoritma EVI (Horning, 2010) diu raikan sebagai berikut EVI= G ((NIR-R) / (NIR+C1*R-C2*B+L)) Keterangan : G : Gain Factor, G = 2.5 NIR : Nilai spectral saluran Near Infrared R : Nilai spectral saluran Red B : Nilai spectral saluran Biru C1 : Atmosferic Aerosol Resistance, C1 = 6 C2 : Atmosferic Aerosol Resistance, C2 = 7.5 c. ARVI Indeks Vegetasi atmospherically Resistant (Arvi) adalah perangkat tambahan untuk NDVI yang relatif tahan terhadap faktor-faktor atmosfer (misalnya, aerosol). Menggunakan reflektansi dengan warna biru untuk memperbaiki reflektansi merah untuk hamburan atmosfer. Hal ini paling berguna dalam wilayah konten aerosol atmosfer yang tinggi, termasuk daerah tropis terkontaminasi oleh jelaga dari pertanian tebang-dan-bakar. Nilai indeks ini berkisar dari -1 sampai 1. Rentang umum untuk vegetasi hijau adalah 0,2 0,8. Arvi didefinisikan oleh persamaan berikut: ARVI= NIR-R / NIR+Rb Rb= R-ɤ(B-R) Keterangan: NIR : Nilai spektral saluran Near Infrared R : Nilai spektral saluran Red
ɤ
: Faktor kalibrasi (1.0) B : Nilai spectral saluran biru d. SR SR adalah rasio reflektansi tertinggi, penyerapan band klorofil membuatnya mudah untuk memahami dan efektif melalui berbagai kondisi. Seperti dengan NDVI, hal itu dapat menjenuhkan di vegetasi padat ketika LAI menjadi sangat tinggi. Nilai indeks ini berkisar dari 0 sampai lebih dari 30. Rentang umum untuk vegetasi hijau adalah 2 sampai 8. Algoritma Simple Ratio (Liang, 2004) diuraikan sebagai berikut : SR= Pn / Pr Keterangan : SR : Simple Ratio Pn : Nilai spectral saluran Near Infrared Pr : Nilai spectral saluran Red (Anonim, 2012). e. SAVI Di daerah dimana tutupan vegetasi rendah (yaitu, < Laptop atau notebook Cara kerja 1. Buka citra Crop_Land_bgr_geo.img 2. Crop citra ( awan jangan sampai kena ) 3. Buka hasil crop
di viewer 2 4. Klik modeler, pilih model maker 5. Pada table disampingnya pilih gmbar yang bergerigi dan gambar lingkaran, buat model seperti berikut. Untuk menghubungkan gunakan gambar tanda panah. 6. Double Klik objek bergerigi yang paling atas, isi file namenya. Missal indeksvegetasi_crop. Ok. 7. Untuk lingkaran pada baris kedua isi masi Software Erdas
Citra Crop_Land_bgr_geo.img
40%) dan permukaan tanah terkena, reflektansi cahaya da lam spektrum merah dan inframerah-
dekat dapat mempengaruhi nilai indeks vegetasi. Hal ini terutama bermasalah ketika perbandingan sedang dibuat di jenis tanah yang berbeda yang mungkin mencerminkan jumlah yang berbeda dari cahaya dalam panjang gelombang inframerah merah dan dekat (yaitu, tanah dengan nilai kecerahan yang berbeda). SAVI disusun mirip dengan NDVI tetapi dengan penambahan "faktor koreksi kecerahan tanah," Perhitungannya adalah sebagai berikut: SAVI= (1+L) (NIR-R)/ (NIR+R+L) Keterangan: L : faktor koreksi kecerahan tanah (0.5) NIR : nilai spectral pantulan infra red R : nilai spectral pantulan merah (Anonim, 2012). BAHAN DAN METODE ng-masing lingkaran dengan rumus NDVI, ARVI, SR, EVI, dan SAVI. Yang bagian kiri untuk pembilang, yang kanan untuk penyebut (bisa juga sebaliknya). 8. Pada objek bergerigi baris ketiga, doble klik lalu checklist temporary raster only. 9. Pada lingkaran baris keempat, double klik juga, analysis diganti conditional, pilih EITHER lalu tulis fungsi untuk masing-masing metode. Missal untuk NDVI, EITHER 0.0 IF [ n$5_memory==0.0 ] OR n$4_memory/n$5_memory OTHERWISE . OK. 10. Pada objek bergerigi terakhir, double klik beri file name, missal ndvi_model1.img. data type diganti jadi float single, cheklist delete if exist. Ok. 11. Klik tanda petir berwarna merah pada model maker. 12. Save model yang ada di model maker. 13. Buka citra pada viewer 2 14. Klik raster, atribut 15. Untuk merubah warnanya, klik icon yang ada disamping kanan icon save, pilih new. Title diganti color, type pilih color. Start color pilih warna hitam. End color pilih warna putih. Apply. Close. 16. Buat juga untuk masing masing metode model kedua seperti berikut Pada gambar bergerigi, setelah di double klik file name masukkan nama hasil metode yang model pertama tadi, missal ndvi_moddel1. Pada gmbar lingkaran masukkan rumus seperti gambar diatas. Pada gambar bergerigi ketiga, isi dengan file name baru. Missal ndvi_model2. Checklist delete i f exist. File type diganti thematic. Ok. 17. Buka hasilnya pada viewer 4 18. Klik raster, attribute. Pada table akan muncul 2 baris yang berwarna hitam dan putih saja. 19. Klik icon di samping save, new, title diganti keterangan, type diganti string. Ok. Putih untuk vegetasi, hitam untuk non vegetasi ( kecuali pada metode ARVI). 20. Save. HASIL PRAKTIKUM NDVI model 1 NDVI model 2 SR model 1 SR model 2 SAVI model 1 SAVI model 2 EVI model 1 EVI model 2 ARVI model 1 ARVI model 2 PEMBAHASAN Praktikum kali ini berkaitan dengan indeks vegetasi yang bisa dilakukan dengan beberapa metode, diantaranya NDVI, SR, SAVI, EVI, dan ARVI. Indeks vegetasi bisa digunakan untuk m engetahui luas penutupan lahan pada suatu wilyah, karena indeks vegtasi bisa membedakan antara objek vegetasi dan yang bukan vegetasi. Pembuatan indeks vegetasi citra crop_land_bgr_geo.img ini dibuat melalui model maker.
Model yang dibuat ada dua jenis. Model pertama menggunakan tujuh gambar yang terdiri dari tiga gambar lingkaran dan empat gambar bergerigi. Sedangkan gambar kedua hanya menggunakan tiga gambar, yaitu dua gambar bergerigi dan satu gambar lingkaran. Gambar lingkaran berfungsi untuk menulis rumus fungsi dari masing-masing metode, sedangkan gambar bergerigi untuk menyimpan data perlakuan pada citra. Dari hasil praktikum menggunakan model pertama ( warna dari hitam sampai putih ) perbedaan kenampakan objek pada kelima metode tersebu tidak terlalu jelas. Hanya saja masih bisa ditemukan beberapa perbedaan yang tidak terlalu mencolok, seperti pada metode yang menggunakan NDVI memiliki warna hitam yang lebih pekat dibandingkan menggunakan SR. selain itu pada EVI dengan menggunakan fungsi yang sama saat membuat model maker hasilnya berbeda. Vegetasi pada metode EVI tampak berwarna hitam, dan sebaliknya non vegetasi berwarna putih, sedangkan pada metode yang lain warna hitam menggambarkan objek non vegetasi dan dari keabuan sampai putih menggambarkan objek vegetasi. Namun hal ini masih dapat dirubah dengan cara mengganti fungsi atu rumus saat membuat model maker EVI. Selain itu pada ARVI juga dapat dilihat bahwa untuk daerah yang berwarna putih, terlihat lebih cerah warnanya dibandingkan yang lain. Dari tabel raster attribute juga dapat diketahui suatu objek merupakan vegetasi atau bukan. Objek vegetasi biasanya bernilai positif sedangakan objek non vegetasi bernilai negative. Nilai positif dan negative terdapat dari rentang negative sampai positif satu. Semakin mendekati angka satu maka warna objek akan semakin cerah. Dari table raster ini juga bisa diketahui seberapa dominan vegetasi menjadi pemutup lahan dalam suatu wilayah. Hal ini bisa diketahui dari jumlah pixel atau titik yang bernilai negative maupun yang positif. Hasil praktikum menggunakan model kedua, perbedaan antara objek vegetasi dan non vegetasi terlihat semakin jelas, karena pada model ini hanya menggunakan dua warna untuk membedakan objek, yaitu hitam dan putih. Selain itu perbedaan hasil dari kelima metode diatas juga terlihat lebih jelas. Pada NDVI misalnya objek berwarna putih yang menggambarkan vegetasi terlihat lebih sedikit dibandingkan menggunakan metode yang lain. Untuk ARVI dan SAVI luas penutupan oleh vegetasi relative sama, sedangkan pada SR terlihat bahwa luas penutupan lahan oleh vegetasi paling luas dibandingkan yang lain. Apabila pada indeks vegetasi menggunakan model satu table raster attributnya terdiri dari ratusan baris, pada raster attribute model kedua ini hanya terdiri dari dua baris yang menunjukkan warna, keterangan, histogram dan opacity. Masing-masing metode mempunyai keunggulan tersendiri untuk mengetahui indeks vegetasi suatu wilayah. Untuk menghasilkan data terbaik maka penggunaan NDVI, SR, SAVI, EVI, dan ARVI harus disesuaikan den gan tujuan interpreter untuk apa data indeks vegetasi tersebut akan digunakan. KESIMPULAN Indeks vegetasi merupakan suatu algoritma yang diterapkan terhadap citra satelit, untuk menonjolkan aspek k erapatan vegetasi ataupun aspek lain yang berkaitan dengan kerapatan, misalnya biomassa, Leaf Area Index (LAI), konsentrasi klorofil. Atau lebih praktis, indeks vegetasi adalah merupakan suatu transformasi matematis yang melibatkan menyajikan aspek-aspek yang berkaitan dengan vegetasi. Ada beberapa cara
menentukan indeks vegetasi, lima diantaranya adalah NDVI, SR, SAVI, EVI, ARVI. Masing-masing memiliki kelebihan dan kekurangan dalam menampilkan data. Dalam menyajikan data mengenai luas penutupan lahan oleh vegetasi, kelima metode ini akan meiliki perbedaan. Meskipun perbedaannya tidak terlalu jelas apabila skala warna yang digunakan mulai dari hitam sampai putih. Sementara itu luas penutupan lahan oleh vegetasi masing-masing metode akan terlihat lebih jelas dengan menggunakan dua skala warna, yaitu hitam dan putih. Untuk menghasilkan data terbaik, maka penggunaan metode indeks vegetasi ini harus disesuaikan dengan tujuan penggunaan data pengolahan. DAFTAR PUSTAKA Anonim. 2012. Indeks vegetasi. [terhubung berkala ] http://geol.hu/data/online_help/Vegetation_Indices.html#wp1159578. ( 10 Desember 2012 ) Anonim. 2012. Indeks vegetasi SAVI. [ terhubung berkala ] http://wiki.landscapetoolbox.org/doku.php/remote_sensing_methods:soil-adjusted_vegetation_index. (7 Desember 2012) Anonim. 2012. Perubahan penutupan dan penggunaan lahan. [ terhubung berkala ] http://dosen.narotama.ac.id/wp-content/uploads/2012/03/Perubahan-PenutupanPenggunaan-Lahan-Dan-Perubahan-Garis-Pantai-Di-Das-Cipunagara-Dan-Sekitarnya-JawaBarat.pdf. ( 7 Desember 2012 ) Danoedoro. P, 1996. Pengolahan Citra Digital, Teori dan Aplikasinya dalam Penginderaan Jauh. Fakultas. Yogyakarta: Geografi Universitas Gadjah Mada. Horning, N., Robinson, J.A., Sterling, E.J., Turner, W., Spector, S., 2010. Remote Sensing for Ecology and Conservation. Oxford University Press, New York. Huete, A., Didan, K., Leeuwen, W.V., Miura, T., Glenn, E., 2011.. MODIS Vegetation Indices. Land Remote Sensing and Global Environmental. New York Change:.Springer. Landgrebe, D.A., 2003. Signal Theory Methods In Multispectral Remote Sensing. New Jersey: John Willey & Sons Inc. Liang, S. 2004. Quantitative Remote Sensing of Land Surface. New Jersey: John Willey & Sons Inc. Lillesand and kieffer.1990. Pengindraaan Jauh dan Interpretasi Citra. Yogyakarta: UGM Press.
