12

Ekstraksi Kandungan Air Kanopi Daun Padi dari Data Ground Field Spectrometer dan Airborne-Hyperspectral

Agus Wibowo 1,2, Bangun Muljo Sukojo 1, Teguh Harianto 1, Yusuf Surachman Djajadihardja 2

1 Program Studi Pasca Sarjana Tenik Sipil, Insitut Teknologi Sepuluh November Surabaya

2 Pusat Teknologi Inventarisasi Sumberdaya Alam, Badan Pengkajian dan Penerapan Teknologi Jakarta Email: wibowo.agus@gmail.com

Abstrak Status canopy water content (CWC) atau kandungan air kanopi daun dapat digunakan sebagai masukan model prediksi produksi padi dengan data hyperspectral. Survey airborne-hyperspectral menggunakan sensor HYMAP dilakukan di lahan padi di Kabupaten Indramayu, Jawa Barat. Pada saat yang sama dilakukan pengukuran field spectrometer (FieldSpec) di beberapa lokasi sampel. Pengukuran reflektan dilakukan pada jarak 10cm (FS10) dan 50 cm (FS50) dari tajuk padi. Survey destruktif untuk mengukur berat basah dan berat kering kanopi daun juga dilakukan pada lokasi yang sama. Data hasil lalu diolah untuk mengestimasi CWC padi. Teknik yang digunakan adalah regresi linear metode stepwise antara CWC dengan indeks spektral yaitu Ratio Spectral Index (RSI), Normalized Difference Spectral Index (NDSI), Water Index (WI) dan Normalised Difference Water Index (NDWI). Hasilnya menunjukkan, kombinasi kanal R1= 1.0793 µm dan R2 = 1.1525 µm untuk RSI dan NDSI nilai koefisien korelasi R2-nya lebih baik dibandingkan menggunakan WI dan NDWI. Nilai korelasi R2 model regresi CWC dengan RSI adalah R2 = 0.785 (data FS10) dan R2 = 0.775 (data FS50), sedangkan untuk NDSI adalah R2 = 0.779 (data FS10) dan R2 = 0.769 (data FS50). Sedangkan nilai korelasi R2 model regresi linear antara CWC dengan WI adalah R2 = 0.58 (data FS10) dan R2 = 0.55 (data FS50), untuk NDWI adalah R2 = 0.51 (data FS10) dan R2 = 0.51 (data FS50). Aplikasi model regresi CWC dengan RSI, NDSI, WI dan NDWI pada data airborne-hymap menunjukkan hasil sesuai dengan kondisi lapangan, dan model hanya berlaku untuk prediksi CWC tanaman padi pada fase pertumbuhan reproduktif dan ripening. Kata Kunci: canopy water content, hyperspectral, hymap, field spectrometer, padi, spektral indeks.

Abstract Status canopy water content (CWC) or the water content of canopy leaves can be used as inputs for rice production prediction model with hyperspectral data. Hyperspectral airborne survey, using sensors HYMAP conducted in paddy fields in Indramayu regency, West Java. At the same time conducted a field spectrometer measurements (FieldSpec) at some sample sites. Reflektan measurements performed at a distance of 10cm (FS10) and 50 cm (FS50) of rice canopy. Destructive survey to measure the weight of wet and dry weight of the leaf canopy is also done at the same location. Data and processed results to estimate the CWC rice. The technique used is the method of stepwise linear regression between the CWC with the spectral index Ratio Spectral Index (RSI), Normalized Difference Spectral Index (NDSI), Water Index (WI) and the Normalised Difference Water Index (NDWI). The results showed that the combination channel R1 = R2 = 1.0793 μm and 1.1525 μm for RSI and NDSI correlation coefficient R2 value was better than using the WI and NDWI. Correlation value R2 CWC regression model with RSI is R2 = 0785 (data FS10) and R2 = 0775 (data FS50), while for NDSI is R2 = 0779 (data FS10) and R2 = 0769 (data FS50). While the value of R2 correlation between the linear regression model with the CWC WI is R2 = 0:58 (data FS10) and R2 = 0:55 (data FS50), for NDWI is R2 = 0.51 (data FS10) and R2 = 0.51 (data FS50). Application of regression models with RSI CWC, NDSI, WI and NDWI on-hymap airborne data showed results in accordance with field conditions, and model predictions CWC applies only to rice plants at the reproductive phase of growth and ripening. Keywords: canopy water content, hyperspectral, hymap, field spectrometer, rice, spectral index.

13

1. Latar Belakang Biomasa merupakan salah satu variabel kunci yang menjadi perhatian dalam studi tentang tanaman, baik tanaman yang dibudidayakan maupun yang tidak dibudidayakan. Istilah biomasa dapat mengacu pada berat basah maupun berat kering tanaman. Kandungan air kanopi daun atau canopy water content (CWC) merupakan selisih berat basah dan berat kering tanaman dan menjadi perhatian banyak aplikasi. Karena komponen utama tanaman hijau adalah air maka berat basah, berat kering dan kandungan air akan mempunyai asosiasi yang kuat. Banyak faktor yang mempengaruhi asosiasi tersebut seperti jenis spesies, umur, dan kondisi pertumbuhan tanaman. Dengan demikian kandungan air dalam kanopi daun merupakan faktor penting dalam pemetaan dan pemantauan kondisi ekosistem tanaman seperti deteksi stress pada tanaman (Ustin et al, 2004), deteksi potensi kebakaran hutan (Chuvieco et al, 2002), atau peningkatan kandungan air tanah (Yilmaz et al, 2008). Pengaruh kekurangan air pada tanaman padi akan menyebabkan pertumbuhan tanaman menjadi lebih pendek, jumlah anakan berkurang, luas daun lebih kecil, pengisian bulir padi berkurang, dan akhirnya akan mengurangi produksi padi (Shouichi Yoshida, 1981).

Deteksi kandungan air kanopi daun dengan dengan menggunakan data penginderaan jauh menggunakan prinsip bahwa kandungan air mengabsorbsi energi radiasi matahari pada panjang gelombang di zona mid-infrared / MIR (1300-2500 nm), absorbsi paling terkuat terjadi pada titik tengah pada panjang gelombang 1450, 1940 dan 2500 nm; absorbsi yang lemah juga terjadi di zona near-infrared / NIR (750-1300 nm) yaitu pada zona dekat panjang gelombang 970 dan 1200 nm (Gates et al. 1965; Knipling 1970; Woolley 1971). Jika radiasi matahari mengenai permukaan daun maka sebagian kanal akan diabsorbsi, reflektan yang dipantulkan akan berkurang tergantung jumlah kandungan air yang ada di daun. Dengan demikian pengukuran reflektan daun dan kanopi daun merupakan dasar perhitungan kandungan air daun atau kanopi daun.

Peñuelas (1993) mengusulkan penggunaan water index (WI) untuk deteksi status kandungan air pada tanaman. WI (R970/R900) merupakan rasio antara reflektan pada kanal 970 nm yang merupakan kanal yang diabsorbsi oleh adanya air, dan reflektan pada kanal 900 nm yang tidak (minimum) diabsorbsi oleh air. Peneliti lain Gao (1996) mengusulkan normalised difference water index (NDWI), indeks ini merupakan modifikasi dari normalised difference vegetation index (NDVI) yang banyak digunakan untuk keperluan identifikasi tanaman. NDWI menggunakan kombinasi kanal 860 nm dan 1240 nm, keduanya terletak pada puncak reflektansi kanopi daun. Absorbsi reflektan karena adanya air pada vegetasi pada panjang gelombang 860 nm dianggap tidak ada, dan terjadi sedikit absorbsi karena adanya air ada daun pada panjang gelombang 1240 nm. Beberapa penelitian menunjukkan bahwa kedua indeks WI dan NDWI sensitif terhadap adanya kandungan air kanopi daun dan dapat digunakan untuk deteksi kandungan air pada daun (Rollin et al, 1998; Serrano et al, 2000; Yen-Ben Cheng et al, 2006, Clevers et al, 2008).

Penggunaan data penginderaan jauh dengan data penginderaan multispectral sering menyebabkan tidak akuratnya informasi karena peggunaan jumlah kanal yang sedikit dan interval panjang gelombang yang lebar (broad band), sehingga informasi yang direkam sensor merupakaan nilai rata-rata. Penginderaan jauh hyperspectral dengan jumlah kanal yang banyak (lebih dari 100) dan interval penggunaan panjang gelombang yang sempit (narrow band) dan kontinyu mampu memberikan informasi yang detil tentang karakteristik tanaman (Fu-Min Wang, et al., 2008).

14

Dengan tersedianya jumlah kanal yang banyak, interval panjang gelombang sempit dan kontinyu, data hyperspectral menyediakan peluang untuk analisis dengan ratusan kanal pita sempit untuk analisis karakteristik tanaman yang lebih detil. Masalah utama pengolahan data hyperspectral secara konvensional adalah volume data yang banyak dan redundansi jumlah kanal. Salah satu solusi adalah dengan mengurangi jumlah kanal dengan ekstraksi kanal yang sesuai untuk parameter tanaman yang dipilih.Teknik regresi banyak digunakan untuk mencari hubungan antara reflektan dan karakteristik tanaman dan memilih kanal yang sesuai untuk estimasi karakteristik tanaman.

Tujuan penelitian adalah untuk evaluasi kinerja water indeks (WI) dan normalised difference water index (NDWI) untuk deteksi kandungan air. Tujuan berikutnya adalah untuk menentukan dan memberikan rekomendasi band yang optimal untuk estimasi kandungan air kanopi daun padi dengan data hyperspektral pada spektrum panjang gelombang 350-2500 nm.

2. Metode 2.1. Deskripsi Lokasi Penelitian dilakukan di lahan padi di Kabupaten Indramayu, Provinsi Jawa Barat. Sampling area (SA) merupakan lahan padi dengan luasan 500m x 500m, lokasi SA ditentukan dengan metode stratified random sampling, sehingga seluruh Kabupaten Indramayu terdapat 52 sample area. Selanjutnya ditentukan region of interest (ROI) yang meliputi SA yang 1) mewakili tiga golongan pengairan, 2) tahap pertumbuhan padi seragam, 3) overlap dengan lokasi survey ubinan, dan 4) lokasi mudah diakses.

Di dalam SA ditentukan 10 quadrat area (QA) dengan ukuran 10m x 10m, lokasi QA dipilih yang mempunyai varietas padi dan tahap pertumbuhan yang seragam dan mewakili masing-masing tahap pertumbuhan. Tahap pertumbuhan padi diklasifikasikan menurut standar IRRI Philipina dan secara garis besar dibagi menjadi 3 yaitu (1) vegetasi - tahap sejak penanaman bibit sampai daun mulai tumbuh dan kanopi menutup, (2) repoduktif – tahap padi mulai bunting, sampai berbunga, dan (3) ripening – tahap pengisian bulir, pemasakan sampai panen.

15

Gambar 1. Lokasi ROI, sample area, dan quadrat area

Lokasi pojok-pojok QA ditandai dengan patok bambu dan bendera. Lokasi patok bambu ditentukan dengan pengukuran Diffential Global Positioning System (DGPS). Selanjutnya di dalam QA dipilih 5 rumpun padi / hill untuk dilakukan pengukuran, lihat Gambar 1. Pada hill dilakukan pengukuran reflektan dengan field spektrometer, pengukuran variabel tanaman (ketinggian, lebar kanopi, jumlah daun, jumlah batang, jumlah panicle (bulir padi), kedalaman air di pematang), pengukuran leaf area index (LAI), dan beberapa rumpun padi dicabut untuk ditimbang berat basah dan berat keringnya dengan terlebih dahulu dipisahkan menjadi bagian daun, batang dan panicle. Pengukuran berat kering dilakukan di laboratorium dengan pemanasan di oven sampai suhu 60o C.

Pada saat yang bersamaan dilakukan juga survey airborne-hyperspectral. Kedua survey di lakukan dari tanggal 27 Juni sampai dengan 1 Juli 2008.

2.2. Data yang Digunakan 2.2.1. Spektral Tanaman Data reflektan tanaman diukur dengan ASD field spectrometer dari ketinggian 10 cm (FS10) dan 50 cm (FS50) dari ujung kanopi daun. Setiap titik dilakukan pengukuran dengan ulangan minimal 5 kali. Panjang gelombang yang digunakan dari 350-2500 nm dengan resolusi spektral 1 nm.

2.2.2. Airborne-Hymap Data HYMAP diambil dengan sensor Hyperspectral Mapper (HYMAP) yang dipasang pada pesawat Cessna 402 pada tanggal 30 Juni 2008. Sensor HYMAP

16

mempunyai panjang gelombang dari 350-2500 nm, jumlah kanal 128, resolusi spektral 10-20 nm, dan resolusi spasial 4.5 m. Data yang tersedia sebanyak 4 jaur terbang melintang dari selatan ke utara. 2.2.3. Canopy Water Content Data biomasa terdiri dari berat basah dan berat kering per bagian tanaman padi yaitu daun, batang dan panicle. Kandungan kanopi daun merupakan selisih antara berat basah dan berat kering. Pada umumnya jarak tanam padi adalah 25 cm, sehingga dalam 1 m2 terdapat 16 rumpun padi. Sehingga kandungan air kanopi daun adalah 16*(berat basah daun – berat kering daun) dalam satuan g/m2. 2.3. Teknik Pemrosesan Data 2.3.1. Filtering dan Resampling Data FieldSpec Data reflektan tanaman padi yang sudah dalam format ASCII dikumpulkan dalam direktori sesesuai jarak pengukuran yaitu 10 cm (FS10) dan 50 cm (FS50). Satu file ASCII merupakan hasil pengukuran pada satu titik lokasi dengan 5 kali pengulangan. Proses berikutnya adalah menghitung rata-rata reflektan untuk satu titik pengukuran. Kemudian data reflektan tersebut diseleksi (filtering), data yang tidak memenuhi kriteria reflektan tanaman tidak dipakai untuk proses berikutnya. Setelah diseleksi langkah berikutnya adalah menghitung rata-rata reflektan per quadrat area.

Selanjutnya data FieldSpec diresample sesuai interval band data HYMAP dengan teknik interpolasi Savitzki-Golay. Kanal yang mengabsorbsi air dihapus tidak diikutkan dalam proses pengolahan data, yaitu 1,3344 – 1,4311 μm, 1,7841 – 1,9683 μm, dan 2,4443 – 2,4905 μm.

2.3.2. Indeks Spektral Indeks Spektral yang digunakan adalah ratio spectral indices (RSI) dan normalised difference spectral indices (NDSI) yang didefinisikan dengan rumus sbb:

2

1

R

RRSI dan

21

21

RR

RRNDSI

(1)

Dimana R1 dan R2 adalah reflektan kanopi daun pada kanal 1 dan 2.

Panjang gelombang yang digunakan untuk WI dan NDWI menyesuaikan dengan panjang gelombang yang ada di data HYMAP. Untuk WI menggunakan R1= 0.9113 µm dan R2= 0.9731 µm; sedangkan untuk NDWI menggunakan R1 = 0.8632 µm dan R2 = 1.2377 µm.

2.3.3. Regresi Linear Analisis regresi linear antara CWC dengan RSI dan NDSI dilakukan menggunakan metode stepwise. Semua kemungkinan kombinasi kanal R1 dan R2 dicoba dan kemudian hasilnya diurutkan berdasar koefisien korelasi R2 dan diplot dalam grafik. Proses dilakukan dengan menggunakan software scripting Perl dan R-Languange. 3. Hasil Dan Diskusi 3.1. Pola Reflektansi Kanopi Daun Pola reflektansi rata-rata hasil pengukuran FS10, FS50 dan HyMap per tahapan pertumbuhan mempunyai pola yang sama (Gambar 2). Pada tahap vegetatif nilai

17

reflektan cenderung rendah, hal ini disebabkan kanopi daun pada tahap vegetatif belum menutup sehingga reflektan yang ditangkap sensor merupakan pantulan dari reflektan kanopi daun padi dan kondisi sekitarnya seperti air atau tanah yang ada di bawahnya. Genangan air dan tanah yang basah akan mengabsorbsi sebagian besar radiasi matahari (lihat Gambar 8).

Sedangkan reflektansi pada tahap reproduktif dan ripening, mempunyai nilai reflektan yang relatif sama karena pada tahap ini kanopi daun sudah menutup sehingga tidak ada reflektan pantulan dari background tanah atau air.

Karena kondisi tersebut data yang digunakan untuk menyusun model regresi adalah data tahap reproduktif dan ripening saja dengan anggapan bahwa reflektan sensor FS10, FS50 dan HYMAP adalah sama. Selanjutnya model diaplikasikan pada data HYMAP untuk membuat peta distribusi kandungan air kanopi daun.

Gambar 2. Reflektansi data FS10 dan HYMAP per tahap pertumbuhan

Gambar 3. Reflektansi data FS50 dan HYMAP per tahap pertumbuhan

3.2. Hasil Regresi CWC dengan Indeks Spektral Hasil analisis regresi antara CWC dan Indeks Spectral disajikan dalam bentuk diagram plotting R1 sebagai sumbu X dan R2 sebagai sumbu Y dengan klasifikasi

18

warna berdasar nilai koefisien regresi R2. Klasifikasi nilai R2 dikelompokkan dalam 5 kelas yaitu:

R2 < = 0.4

0.4 < R2 <= 0.5

0.5 < R2 <=0.6

0.6 < R2 <=7

R2 > 0.7

Simbologi warna digunakan warna merah untuk nilai R2 paling rendah dan hijau untuk nilai R2 paling tinggi, pada diagram juga ditulis nilai R2 maksimum dan kombinasi kanal yang digunakan, ditunjukkan dengan tanda panah. Gambar 4 menunjukkan plotting kombinasi kanal dan nilai R2 untuk RSI dan Gambar 5 menunjukkan plotting kombinasi kanal dan R2 untuk NDSI.

Warna hijau tua pada diagram di atas menunjukkan bahwa indeks spetral dengan kombinasi kanal pada zona tersebut mempunyai korelasi yang kuat dengan CWC yaitu R2 > 0.70. Pada zona tersebut terdapat banyak sekali kombinasi kanal, berikut adalah daftar kombinasi ranking 1 s/d 10 dan kombinasi untuk WI dan NDWI.

Dari hasil analisis tersebut terlihat bahwa kombinasi kanal untuk indeks spektral dengan nilai koefisien R2 tertinggi terletak pada spektrum gelombang infrared baik near infra-red (NIR) maupun shortwave infra-red (SWIR), mayoritas terletak pada panjang gelombang 0.97 s/d 1.20 µm yaitu pusat panjang gelombang absorbsi kandungan air.

Gambar 4. Plotting kombinasi kanal RSI dan nilai koefisien R2

19

Gambar 5. Plotting kombinasi kanal NDSI dan nilai koefisien R2

Tabel 1. Hasil analisis RSI dengan data FS10

Rank R1 R2 R2 Ket

1 1.0195 1.1525 0.792

2 1.0346 1.1525 0.789

3 1.0044 1.1525 0.788

4 1.0648 1.1525 0.788

5 1.0498 1.1525 0.788

6 1.0793 1.1525 0.785

7 1.0941 1.1380 0.780

8 1.0793 1.1380 0.779

9 1.0941 1.1525 0.773

10 1.0648 1.1380 0.770

520 0.9113 0.9731 0.700 WI

Tabel 2. Hasil analisis RSI dengan data FS50

Rank R1 R2 R2 Ket

1 1.0941 1.1380 0.798

2 1.1089 1.1236 0.794

3 1.1089 1.1380 0.794

4 1.0793 1.1380 0.785

5 1.0941 1.1525 0.777

6 1.0793 1.1525 0.775

7 1.0648 1.1525 0.772

8 1.0648 1.1380 0.771

9 1.0195 1.1525 0.769

10 1.0498 1.1525 0.768

1122 0.9113 0.9731 0.654 WI

20

Tabel 3. Hasil analisis NDSI dengan data FS10

Rank R1 R2 R2 Ket.

1 1.0195 1.1525 0.786

2 1.0346 1.1525 0.783

3 1.0648 1.1525 0.783

4 1.0498 1.1525 0.782

5 1.0044 1.1525 0.782

6 1.0793 1.1525 0.779

7 1.0941 1.1380 0.778

8 1.0793 1.1380 0.777

9 1.0648 1.1380 0.768

10 1.0941 1.1525 0.767

829 0.8632 1.2377 0.659 NDWI

Tabel 4. Hasil analisis NDSI dengan data FS50

Rank R1 R2 R2 Ket.

1 1.0941 1.1380 0.795

2 1.1089 1.1236 0.794

3 1.1089 1.1380 0.790

4 1.0793 1.1380 0.782

5 1.0941 1.1525 0.771

6 1.0793 1.1525 0.769

7 1.0648 1.1380 0.768

8 1.5159 2.3122 0.766

9 1.0648 1.1525 0.766

10 1.0195 1.1525 0.761

420 0.8632 1.2377 0.672 NDWI

Hasil analisis dengan data FS10 dan FS50 menghasilkan kombinasi kanal yang berbeda, hal ini disebabkan karena perbedaan jarak perekaman data. Pada jarak 10 cm memberikan luasan yang sempit lingkup kanopi daun yang direkam dibanding dengan jarak 50 cm, sehingga pada jarak 50 cm sensor merekan tidak hanya kanopi daun tapi juga lingkungan sekitarnya seperti air / tanah di bawah kanopi daun. Hal ini menyebabkan nilai reflektan pada jarak 50 cm nilai sedikit lebih rendah dibanding pad ajarak 10 cm. Perekaman data dengan airborne-hymap dengan ketinggian kurang lebih 1.5 km akan merekam cakupan data yang lebih luas sehingga lingkungan disekitar padi juga direkam dan memberikan kontribusi terhadap reflektan kanopi daun. Dengan asumsi bahwa perekaman data ada jarak 50 cm dapat mensimulasikan perekaman data seperti airbone-hymap maka model regresi yang dipilih untuk diaplikasikan pada data hymap adalah model hasil analisis data FS50. Kombinasi panjang gelombang yang dipilih adalah kombinasi yang terdapat pada ranking 1 s/d 10, yaitu R1 = 1.0793 µm terletak pada puncak grafik reflektan dan R2 = 1.1525 µm terletak pada pusat absorbsi kandungan air (lihat Gambar 6). Rumus regresinya adalah sbb:

a. CWC = 12114.62*RSI – 12831.23 (R2=0.775) b. CWC = 32650.73*NDSI – 1341.82 (R2=0.779) c. CWC = 19371.44*WI – 19100.32 (R2=0.654) d. CWC = 786.72 + 14932.20*NDWI (R2=0.672)

21

Gambar 6. Plotting letak kombinasi kanal terpilih

3.3. Aplikasi Model Regresi pada Data Hymap Peta distribusi CWC hasil aplikasi model regresi pada data airborne-hymap dapat dilihat pada Gambar 7 berikut. Semua model dapat menggambarkan kondisi CWC di lapangan yaitu pada bagian selatan kering kemudian ke bagian tengah agak basah dan pada bagian utara basah.

Pada bagian selatan warna merah kondisi tanaman pada tahap ripening dan sebagian besar sudah panen sehingga kondisinya kering, sehingga CWC mempunyai nilai kecil dan cenderung negatif. Sedang pada bagian tengah warna kuning kehijauan kondisi tanaman padi pada fase reproduktif sehingga mempunyai CWC antara 500 – 2000 g/m2. Pada bagian utara warna biru adalah kondisi pada pada fase vegetatif, seharusnya kandungan air cenderung sedikit tapi hasil model menunjukkan nilai CWC yang besar yaitu lebih dari 3000 g/m2. Hal ini disebabkan karena reflektan yang diterima sensor tercampur dengan reflektan air di sawah, sehingga nilai CWC pada fase vegetatif bukan merupakan nilai CWC padi saja tapi juga air di sawah (Lihat Gambar 8). Dengan demikian model regresi tersebut tidak dapat digunakan untuk prediksi CWC tanaman padi pada fase vegetatif.

22

Gambar 7. Peta CWC hasil model regresi RSI, NDSI, WI dan NDWI

Gambar 8. Kondisi tanaman padi pada berbagai tahapan pertumbuhan

Selanjutnya hasil prediksi CWC berdasar model regresi divalidasi dengan data hasil pengukuran CWC di lapangan, hasilnya ditampilkan pada Tabel 5 dan Tabel 6 berikut. Hasil prediksi CWC untuk padi pada fase vegetatif terlalu besar, sedangkan untuk fase reproduktif hasil prediksi CWC cukup bagus. Model regresi dengan RSI, NDSI, WI dan NDWI untuk quadrat IN10q04 dan IN10q08 selisihnya kurang < 50% sedangkan untuk quadrat IN10q09 model regresi WI dan NDWI mempunyai selisih yang cukup besar yaitu lebih besar dari 70%. Berdasar hasil validasi tersebut kinerja model regresi dengan RSI dan NDSI mempunyai hasil prediksi CWC untuk padi fase vegetatif dengan kisaran selisih terhadap nilai sesunggugnya kurang dari 50%.

23

Tabel 5. Nilai prediksi CWC dari model dengan CWC hasil pengukuran di lapangan

Tabel 6. Persentasi selisih nilai CWC model dengan CWC hasil pengukuran di lapangan

4. Kesimpulan Berdasar uraian di atas dapat ditarik kesimpulan sebagai berikut: a. Nilai reflektansi kanopi daun data FS10 dan FS50 sedikit berbeda.

b. Nilai reflektan kanopi daun pada jarak 10 cm (FS10) merupakan nilai reflektan dari kanopi daun, saja sedangkan pada jarak 50 cm (FS50) nilai reflektan yang diperoleh merupakan campuran antara reflektan kanopi daun dan lingkungan sekitarnya seperti tanah dan air di sawah.

c. Korelasi antara CWC dengan RSI dan NDSI dengan kombinasi kanal R1 = 1.0793 µm dan R2 = 1.1525 µm lebih baik dibanding dengan korelasi CWC dengan WI dan NDWI baik pada data FS10 maupun data FS50.

d. Indeks spectral RSI dan NDSI dengan kombinasi kanal R1 = 1.0793 µm dan R2 = 1.1525 µm dapat digunakan sebagai indikator untuk prediksi CWC tanaman padi.

e. Model regresi CWC dengan RSI dan NDSI hanya berlaku untuk prediksi nilai CWC padi pada fase pertubuhan reproduktif dan ripening.

Ucapan Terima kasih Penulis mengucapkan terima kasih kepada proyek HyperSRI kerjasama BPPT – ERSDAC Jepang yang menyediakan seluruh data untuk keperluan studi ini.

24

Referensi Arief Darmawan, Nadirah, Agus Wibowo, M. Evri, S. Mulyono, A.S. Nugroho, M.

Sadly, N. Hendiarti, O.Kashimura, C.Kobayashi, A.Uchida, A.Uraguchi, H.Sekine, 2009. “Quantitative analysis from unifying field and airborne hyperspectral in prediction biophysical parameters by using partial least square (PLSR) and Normalized Difference Spectral Index (NDSI)”, Proceding of 30th Asian Conference on Remote Sensing (ACRS), Beijing, TS10-02.

Andrew W. Moore, ---. “Cross-validation for detecting and preventing overfitting”, dalam <http://www.autonlab.org/tutorials/overfit10.pdf> diakses 1 Juni 2010.

Clevers, J.G.P.W., Kooistra, L., Scaepman, M.E., 2008. “Using spectral information from NIR water absorbtion features for the retrieval of canopy water content”. Int. J. of Applied Obs. And Geoinformation 10, 388-397.

Chuvieco, E., Riaño, D., Aguado, I., Cocero, D., 2002. Estimation of fuel moisture content from multitemporal analysis of Landsat Thematic Mapper reflectance data: applications in fire danger assessment. International Journal of Remote Sensing 23 (11), 2145–2162.

Gao, B.-C., 1996. “NDWI - a normalised difference water index for remote sensing of vegetation liquid water from space”. Remote Sensing of Environtment 58, 257-266.

Gates, D. M., Keegan, H. J., Schleter, J. C., and Weidner, V. P., 1965. “Spectral properties of plants”. Applied Optics 4, 11-20. In Bisun Datt, 1999. Remote sensing of water content in Eucalyptus leaves. Australian J. Botani, 1999, 47, 909-923.

Knipling, E.B., 1970. “Physical and physiological basis for the reflectance of visible and near-infrared radiation from vegetation”. Remote Sensing of Environtment 1, 155-159. In Bisun Datt, 1999. Remote sensing of water content in Eucalyptus leaves. Australian J. Botani, 1999, 47, 909-923.

Marcus Borengasser, William S. Hungate, Russel Watkins, 2007. Hyperspectral Remote Sensing: Principles and Applications. Florida USA: CRC Press Taylor and Francis Group

Ustin, S.L., Roberts, D.A., Gamon, J.A., Asner, G.P., Green, R.O., 2004. “Using imaging spectroscopy to study ecosystem processes and properties”. BioScience 54 (6), 523–534. In Clevers, J.G.P.W., Kooistra, L., Scaepman, M.E., 2008. “Using spectral information from NIR water absorbtion features for the retrieval of canopy water content”. Int. J. of Applied Obs. And Geoinformation 10, 388-397.

Peñuelas, J., Filella, I., Biel, C., Serrano, L., and Savé, R., 1993. “The reflectance at the 950-970 nm region as an indicator of plant water status”. Internation Journal of Remote Sensing, vol 14, no 10, 1887-1905.

Shouichi Yoshida, 1981. “Fundamental of rice crop science”. Philipina: The International Rice Research Institute.

Yilmaz, M.T., Hunt Jr., E.R., Goins, L.D., Ustin, S.L., Vanderbilt, V.C., Jackson, T.J., 2008. “Vegetation water content during SMEX04 from ground data and

25

Landsat 5 Thematic Mapper imagery”. Remote Sensing of Environment 112 (2), 350–362.

Woolley, J. T., 1971. “Reflectance ad transmittance of light by leaves”. Plant Physiology 47, 656-662. In Bisun Datt, 1999. Remote sensing of water content in Eucalyptus leaves. Australian J. Botani, 1999, 47,909-923.