Laporan Praktikum Penginderaan Jauh 06 (Indeks Spectral) [PDF]

Citation preview

LAPORAN PRAKTIKUM PENGINDERAAN JAUH INDEKS SPECTRAL



Disusun oleh : Nama: Nanda Andi Purnamansyah NIM: 200722638888 Offering/Angkatan: Offering H/2020 Dosen Pengampu: Ibu Ike Sari Astuti, S.P., M.Nat., Res.St., Ph.D. Asisten: Moch. Irvan Aditya



UNIVERSITAS NEGERI MALANG FAKULTAS ILMU SOSIAL JURUSAN GEOGRAFI PRODI GEOGRAFI 2020



INDEKS SPECTRAL 1. TUJUAN 1.1 Mahasiswa mampu menggunakan aplikasi QGIS dengan baik dan benar sesuai langkah langkah praktikum yang diberikan. 1.2 Mahasiswa mampu membuat citra satelit baru berdasarkan nilai tingkat kerapatan dan rumus yang diberikan. 1.3 Mahasiswa dapat memberikan gambaran dan ciri karakteristik berdasarkan tingkat kerapatan ataupun nilai tabel kerapatan suatu objek yang diamati. 2. ALAT DAN BAHAN 2.1 Aplikasi software QGIS. 2.2 Laptop. 2.3 Data landshat citra satelit koreksi atmosferik. 3. DASAR TEORI Indeks spektral adalah kombinasi reflektansi spektral dari dua atau lebih panjang gelombang yang menunjukkan kelimpahan relatif suatu obyek. Salah satu contoh indeks spektral yang sering kita jumpai adalah gabungan antara Near infra red (NIR) dengan read light yang biasa disebut Normalized Difference Vegetation Index (NDVI). NDVI merupakan indeks vegetasi yang paling banyak digunakan karena kemampuannya untuk meminimalisir kesalahan akibat buruknya kondisi topografi. NDVI juga disukai karena perhitungannya yang sederhana. Skala NDVI memiliki rentangan antara -1 sampai 1, dimana nilai 1 menunjukkan daerah yang kaya akan vegetasi, nilai 0 menunjukkan keadaan sangat sedikit vegetasi dan nilai -1 menunjukkan daerah bukan vegetasi. Berikut akan dijelaskan proses pembuatan NDVI pada software QGIS. NDVI (Normalized Difference Vegetation Index) merupakan perhitungan citra yang digunakan untuk mengetahui tingkat kehijauan yang sangat baik sebagai awal dari pembagian daerah vegetasi. NDVI dapat menunjukan parameter yang



berhubungan dengan parameter, antara lain: biomassa dedaunan hijau, daerah dedaunan hijau yang merupakan nilai yang dapat diperkirakan untuk pembagian vegetasi. Pilihan 2 Band tentunya dilakukan dengan berbagai pertimbangan, yaitu pemantulan cahaya oleh objek (Reflectance), penyerapan cahaya oleh objek (Absorptance) dan pelolosan cahaya oleh objek (Transmittance). Pemantulan maksimum pada vegetasi terjadi pada panjang gelombang Near Infrared. Pemantulan maksimum disebabkan oleh struktur daun (mesophyll) yang dapat meningkatkan pemantulan gelombang Near Infrared. Penyerapan maksimum terjadi pada panjang gelombang Visible Red. Penyerapan disebabkan oleh zat hijau daun (Chlorophyll) (Assyakur, 2009). Persamaan NDVI merupakan hasil dari pengurangan antara Near Infrared dikurangi dengan Visible Red dibagi dengan penjumlahan Near Infrared ditambah dengan Visible Red, sebelum melakukan persamaan tersebut terlebih dahulu inputan band harus dikoreksi secara radiometrik. Analisis citra digital dengan NDVI lebih efektif untuk objek kajian yang mempunyai wilayah persebaran yang luas (Arnanto, 2013) seperti Gunung. Proses NDVI menghasilkan sebuah citra baru dengan piksel berkisaran -1 sampai dengan +1. Nilai piksel positif menandakan suatu vegetasi, sedangkan nilai piksel negatif menandakan suatu objek non-vegetasi. Klasifikasi objek berdasarkan nilai NDVI yaitu sebagai berikut (Benny, 2008). Rentang suatu nilai NDVI antara -0.1 hingga +0.1. Nilai yang lebih besar dari 0.1 biasanya menandakan peningkatan derajat kehijauan dan intensitas dari vegetasi. Nilai diantara 0 dan 0.1 umumnya merupakan karakteristik dari bebatuan dan lahan kosong, dan nilai yang kurang 0 kemungkinan mengidentifikasi awan es, awan uap air dan salju. Permukaan vegetasi memiliki rentang nilai NDVI 0.1 untuk lahan savanna hingga 0.8 untuk daerah hutan hujan tropis. Transformasi NDVI ini merupakan salah satu produk standar NOAA (National Oceanic and Atmospheric Administration), satelit cuaca yang



berorbitpolar namun memberi perhatian khusus pada fenomena global vegetasi. Nilaiindeks vegetasi ini dihitung sebagai rasio antara pantulan yang terukur dari bandmerah (R) dan band infra-merah (didekati oleh band NIR). Penggunaan keduaband ini banyak dipilih sebagai parameter indeks vegetasi karena hasil ukuran dariband ini dipengaruhi oleh penyerapan klorofil, peka terhadap biomassa vegetasi,serta memudahkan dalam pembedaan antara lahan bervegetasi, lahan terbuka, danair



Menghitung perbandingan sifat respon objek terhadap pantulan sinar merahdan NIR dapat menghasilkan nilai dengan karakeristik khas yang dapatdigunakan



untuk



memperkirakan



kerapatan



atau



kondisi



kanopi/kehijauantanaman pada suatu wilayah. Tanaman yang sehat umumnya memiliki warnahijau hal ini akan berbanding lurus dengan nilai indeks vegetasi yang tinggi.Disebabkan oleh hubungan terbalik antara intensitas yang dipantulkan vegetasipada spectral sinar merah dan NIR. 4. LANGKAH KERJA 4.1 Buka software QGIS. 4.2 Input band 4 dan 5 citra yang telah terkoreksi atmosferik pada software => Open.



4.3 Pada menu bar pilih raster => raster calculator. 4.4 Masukkan rumus NDVI pada halaman raster calculator.



4.5



4.5 Pada output layer, pilih



lokasi



penyimpanan => Save => OK . Tunggu



hingga



proses selesai. 4.6 Atur nilai NDVI menjadi 3 Kelas. 4.7 Klik kanan pada layer citra => properties => symbology => render type ganti menjadi single band pseudocolor 8. 4.8 Hapus kelas yang sudah ada dengan cara blok pada kelas yang sudah ada kemudian klik tanda (-) . 4.9 Kemudian buat kelas berdasarkan tabel diatas dengan klik tanda (+) , kemudian pada kolom value masukkan rentang paling tinggi dari setiap kelas, dan ubah warnanya kemudian klik OK.



5. HASIL PRAKTIKUM 5.1 Hasil indeks spectral terhadap nilai kerapatan jarang*. 5.2 Hasil indeks spectral terhadap nilai kerapatan sedang*. 5.3 Hasil indeks spectral terhadap nilai kerapatan tinggi*. Keterangan: *(terlampir). 6. PEMBAHASAN Indeks spectral merupakan citra satelit yang digunakan berdasarkan hasil sebelumnya yakni koreksi atmosferik. Indeks spectral ini, digunakan untuk mengetahui kadar objek yakni vegetasi, pemukiman, dan air, yang dimana di amati dan dilihat berdasarkan ketinggian nilai kerapatan. Sebelum melakukan pengamatan terhadap objek tersebut menggunakan metode indeks spectral ini, digunakan rumus seperti pada bagian di bawah ini,



Indek spectral ini bertujuan untuk mengetahui objek yang diamati berdasarkan nilai kerapatan yang tinggi, jarang, dan sedang. Tidak hanya itu juga, indeks sprectral ini di juga digunakan untuk kemampuan dan meminimalisir kesalahan akibat buruknya kondisi topografi. Pada praktikum ini, tiga objek yang diamati memiliki nilai tingkat kelebihan dan kerendahan berdasarkan nilai kerapatannya, sebagai berikut, Tingkat nilai kerapatan rendah, contoh dalam citra tersebut adalah air. Air merupakan objek yang diamati dan memiliki tingkat nilai kerapatan yang rendah. Di dalam tabel tersebut merupakan citra yang memiliki warna merah dan termasuk bernilai 0,32. Kemampuan dalam kondisi topografi tersebut tidak



memiliki kerapatan yang tinggi, tetapi rendah. Selain itu NDVInya termasuk nilai di bawah 0, karena tidak memiliki objek ataupun tumbuhan di sekitarnya. Tingkat nilai kerapatan sedang, contoh dalam citra tersebut adalah pemukiman. Pemukiman merupakan objek yang diamati dan memiliki tingkat ketinggian nilai kerapatan yang sedang. Nilainya termasuk kedalam 0,42 dan berskala NDVInya kurang dari 0. Maka dari itu, objek yang disekitarnya yakni tumbuhan dan vegetasi, masih sedikit ada. Tingkat nilai kerapatan tinggi, merupakan nilai kerapatan NDVI yang dimana objek tersebut yang terkena paling dominan adalah tumbuhan atau vegetasi. Nilainya memiliki angka di atas 0 atau setara sama dengan 1. Sebagai contoh di suatu permukaan bumi atau topografi memiliki dominan objek berupa hutan dan pohon-pohon sehingga NDVInya terkena dan terkoreksi memiliki nilai yang sangat tinggi. 7. KESIMPULAN 7.1 Tingkat nilai kerapatan rendah dalam citra tersebut adalah air. Air merupakan objek yang diamati dan memiliki tingkat nilai kerapatan yang rendah. Di dalam tabel tersebut merupakan citra yang memiliki warna merah dan termasuk bernilai 0,32. Kemampuan dalam kondisi topografi tersebut tidak memiliki kerapatan yang tinggi, tetapi rendah. Selain itu NDVInya termasuk nilai di bawah 0, karena tidak memiliki objek ataupun tumbuhan di sekitarnya. 7.2 Tingkat nilai kerapatan sedang, citra tersebut adalah pemukiman. Pemukiman merupakan objek yang diamati dan memiliki tingkat ketinggian nilai kerapatan yang sedang. Nilainya termasuk kedalam 0,42 dan berskala NDVInya kurang dari 0. Maka dari itu, objek yang disekitarnya yakni tumbuhan dan vegetasi, masih sedikit ada. 7.3 Tingkat nilai kerapatan tinggi, nilai kerapatan NDVI yang dimana objek tersebut yang terkena paling dominan adalah tumbuhan atau vegetasi. Nilainya memiliki angka di atas 0 atau setara sama dengan 1. Sebagai contoh di suatu permukaan bumi atau topografi memiliki



dominan objek berupa hutan dan pohon-pohon sehingga NDVInya terkena dan terkoreksi memiliki nilai yang sangat tinggi. 8. DAFTAR PUSTAKA Aditya. Irvan. 13 November 2020. Modul Penginderaan Jauh. Tersedia di: https://drive.google.com/file/d/1etRMA1kS1_kUy3rojnNnMpmBGpyXFicz/view ?usp=sharing. Aditya. Irvan. 13 November 2020. Video Praktikum Penginderaan Jauh. Tersedia



di:



https://drive.google.com/file/d/1D7TdEECfjkuvL1s-



_7vlcg1l02Z1zu2X/view?usp=sharing. Jurnal Teori Dasar Image Enhancement and Filter. Tersedia di: http://repository.usu.ac.id/bitstream/handle/123456789/39935/Chapter%20II.pdf? %20sequence=4&isAllowed=y. 9. LAMPIRAN 9.1 Hasil indeks spectral terhadap nilai kerapatan tinggi.



9.2 Hasil indeks spectral terhadap nilai kerapatan sedang.



9.3 Hasil indeks spectral terhadap nilai kerapatan rendah.