Estimasi Umur Padi pada Citra Sentinel-2 dengan Pendekatan Gaussian Mixture Model
Abstrak
Pemantauan fase tumbuh atau umur tanaman padi dilakukan untuk memperkirakan luas panen dan produksi tanaman padi. Teknologi penginderaan jauh dapat melakukan pemantauan umur tanaman padi salah satunya menggunakan citra Sentinel-2. Penelitian ini bertujuan untuk mengidentifikasi umur tanaman padi, dan memetakann dan memantau sebaran spasio temporal umur padi dengan klasifikasi GMM pada citra multi-temporal Sentinel-2. Klasifikasi GMM merupakan salah satu metode yang sederhana dengan basis fungsi kepadatan. Penelitian dilakukan di lahan sawah Dinas Pertanian, Perkebunan, Pangan, dan Hortikultura Kabupaten Cianjur, Provinsi Jawa Barat dengan waktu pengamatan dari bulan Mei - Agustus 2021. Hasil penelitian menunjukkan bahwa respons spektral temporal berbeda antara kanal tampak mata (biru, hijau, dan merah) dan kanal inframerah dekat, dimana ke-3 kanal tampak mata memiliki pola yang serupa dengan nilai yang lebih rendah dari kanal inframerah dekat. Klasifikasi GMM dapat menunjukkan adanya kontinuitas kelas umur padi pada setiap akuisisi citra dari 0 - 130 hari setelah tanam, sehingga dapat digunakan untuk memantau umur atau fase tumbuh padi.
Unduh
Referensi
[BPS] Badan Pusat Statistik Kabupaten Cianjur. 2018. Luas Panen dan Produksi Padi di Kabupaten Cianjur. Cianjur (ID): Badan Pusat Statistik.
[BPS] Badan Pusat Statistik, [Kementan] Kementrian Pertanian. 2012. Buku Pedoman Pengumpulan Data Tanaman Pangan. Jakarta (ID): BPS.
[USDA] United States Department of Agriculture. 2022. https://apps.fas.usda.gov/psdonline/circulars/grain-rice.pdf (diakses 8 Oktober 2022).
Arifin S, Manalu J, Kartika T, Yulianto F, Jutzarika A, Mukhoriyah, Sukowati KAD, Nugroho G. 2020. Metode pemantauan eksploitasi dan reklamasi tambang batubara menggunakan data Sentinel-2. Jurnal Penginderaan Jauh, 17(2):123 – 133.
Bouman, B. 2022. Rice Knowledge Bank. http://www.knowledgebank.irri.org/ (diakses 8 pada 15 Oktober 2022).
Chen Y., L.Tang, X.Yang, M. Bilal and Q. Li 2019. Object-based multi-modal convolution neural networks for building extraction using panchromatic and multispectral imagery. Neurocomputing, 1-26. doi:10.1016/j.neucom.2019.12.098
Dirgahayu D., H. Noviar dan S. Anwar. 2014. Model Pertumbuhan Tanaman Padi di Pulau Sumatera Menggunakan Data EVI MODIS Multitemporal. Seminar Nasional Penginderaan Jauh.
ESA [European Space Agency]. 2015. Sentinel-2 User Handbook Revision 2. ESA Communication, Noordwijk: 64.
ESA [European Space Agency]. 2018. Sen2Cor. https://step.esa.int/main/snap-supported-plugins/sen2cor/ (diakses 10 Oktober 2022)
Frantz, D., E. Hab, A. Uhl, J. Stoffels and J. Hill 2018. Improvement of the Fmask algorithm for Sentinel-2 images: Separating clouds from bright surfaces based on parallax effects. Remote sensing of Environment, 215: 471 – 481.
Maspiyanti F., M.V. Fanany and M.A. Aniati. 2013. Klasifikasi fase pertumbuhan padi berdasarkann citra hiperspektral dengan modifikasi logika fuzzy. Jurnal Penginderaan Juah, 10(1): 41 – 48.
Meng, Q. and E.S. Runkle. 2020. Growth Responses of Red-Leaf Lettuce to Temporal Spectral Changes. Front. Plant Sci, 11 (2020): 1 – 14. doi.org/10.3389/fpls.2020.571788.
Nurtyawan, R., A. Saepuloh, A.B. Harto, K. Wikantika dan A. Kondoh. 2018. Satellite Imagery for Classification of Rice Growth Phase Using Freeman Decomposition in Indramayu, West Java, Indonesia. J. of Biosciences HAYATI, 25(3): 126 – 137.
Patel, E. and D.S. Kushwaha. 2020. Clustering cloud workloads: K-Means vs Gaussian Mixture Model. Procedia Computer Science, 171:158 – 167.
Patel, N.K., T.P. Singh, B. Sahai and M.S. Patel. 1984. Spectral response of rice crop and its relation to yield and yield attributes. International Journal of Remote Sensing, 6: 5: 657 – 664.
Putra, D.K., I.I. Triasmoro dan D.A. Ratri. 2017. Simulasi dan analisis speaker recognition menggunakan metode Mel Frequency Cepstrum Coeficient (MFCC) dan Gaussian Mixture Model (GMM). e-Proceeding of Engineering, 4(2): 1766 – 1772.
Septiani, R., I.P.A. Citra dan A.S.A. Nugraha. 2019. Perbandingan metode supervised classification dan unsupervised classification terhadap penutup lahan di Kabupaten Buleleng. Jurnal Geografi, 16(2): 90 – 96.
Sujinah, A. Hairmansis, P. Sasmita dan Y. Nug. 2020. Hubungan Fenologi Pertumbuhan Tanaman Padi dengan Hasil Gabah, Umur Panen, Biomasa, dan Pengaruh Pemupukan. Penelitian Pertanian Tanaman Pangan, 4 (2): 63 – 71
Triscowati, D.W. 2019. Klasifikasi fase pertumbuhan padi menggunakan random forest berdasarkan data multitemporal LANDSAT-8 [Tesis]. Bogor (ID): Institut Pertanian Bogor.
Wang, M., J. Wang, Y. Cui, J. Liu and L. Chen. 2022. Agricultural Field Boundary Delineation with Satellite Image Segmentation for High-Resolution Crop Mapping: A Case Study of Rice Paddy. Agronomy, 12. doi: 10.3390/agronomy12102342
Yang, K., H. Zhang, F. Wang and R. Lai. 2022. Extraction of Broad-Leaved Tree Crown Based on UAV Visible Images and OBIA-RF Model: A Case Study for Chinese Olive Trees. Remote Sen., 14 (2469) : 1 – 23. doi.org/ 10.3390
Zhou, W., Lv. Tengfei, Z. Yang, T. Wang, Y. Fu, Y. Chen, B. Hu and W. Ren. 2017. Morphophysiological mechanism of rice yield increase in response to optimized nitrogen management. Scientific Reports, 7(17226): 1 – 10.
##submission.copyrightStatement##
##submission.license.cc.by-sa4.footer##Departemen Ilmu Tanah dan Sumberdaya Lahan, Fakultas Pertanian, IPB University
