Pola Spektral

Penginderaan jauh memanfaatkan energi yang diterima sensor dari pantulan atau pancaran gelombang elektromagnetik dari obyek di muka bumi. Pengenalan obyek dari sebuah citra satelit memanfaatkan nilai-nilai spektral yang berasal dari nilai energi yang diterima oleh sensor tersebut. Sebuah piksel memiliki informasi tentang obyek di lapangan. Kesulitan dapat muncul dalam pengenalan obyek yang mendasarkan pada nilai spektral citra dari satu saluran. Kesulitan tersebut akan terkurangi dengan memanfaatkan nilai spektral dari dua atau lebih saluran. Variasi nilai spektral dari berbagai saluran dapat dibandingkan sehingga akan meningkatkan akurasi interpretasi terhadap suatu piksel.

Pola spektral tersusun oleh respon spektral beberapa panjang gelombang terhadap suatu obyek. Setiap obyek memiliki karakteristik yang berbeda dalam interaksinya dengan suatu panjang gelombang elektromagnetik. Masing-masing panjang gelombang juga memiliki karakteristik yang berbeda ketika berinteraksi dengan obyek, walaupun obyek tersebut adalah sama. Dengan melakukan pengukuran energi terpantulkan atau yang dipancarkan suatu obyek muka bumi pada berbagai panjang gelombang dapat diperoleh suatu bentuk pola spektral obyek.

Respon spektral suatu obyek di muka bumi dipengaruhi oleh beberapa hal sebagai berikut.

- azimut matahari,

- sudut ketinggian matahari,

- arah relatif sensor terhadap nadir,

- kondisi obyek.

a : Sudut zenit matahari

b : Sudut ketinggian matahari

c : Sudut azimut matahari

Pada bagian lain, pola spektral terbentuk oleh perbedaan kemampuan berbagai material dalam menyerap, memantulkan, dan memancarkan energi radiasi (Adams, 2006). Terdapat beberapa obyek dominan di permukaan bumi yang banyak digunakan sebagai parameter penelitian lingkungan, diantaranya adalah vegetasi, tanah, batuan dan air.

Referensi

Adams, J.B., Gillespie, A.R., 2006. Remote Sensing of Landscape with Spectral Images – A Physical Modeling Approach. Cambridge University Press. New York.

Schowengerdt, R.A., 2007. Remote Sensing Models and Methods for Image Processing. Third Edition. Elsevier. London.

Kurva Pantulan Vegetasi

Karakteristik pantulan spektral dari vegetasi dipengaruhi oleh kandungan pigmen daun, material organik, air dan karakteristik struktural daun seperti bentuk daun dan luas daun (Huete and Glenn, 2011). Karakteristik pantulan spektral dari vegetasi dapat dibagi menjadi dua bagian yaitu pada bagian spektrum tampak (0.4 – 0.7 µm) dan pada bagian spektrum inframerah dekat / Near Infra Red (0.7 – 1.1 µm).

Pada bagian spektrum tampak, vegetasi memiliki nilai pantulan relatif rendah pada spektrum biru dan merah dengan puncak minor pada spektrum hijau (Mather, 2004). Pantulan spektral yang rendah pada spektrum biru dan merah disebabkan karena vegetasi menyerap banyak energi pada kedua spektrum tersebut. Energi pada spektrum tersebut digunakan untuk aktifitas photosintesis pada daun (Song, 2011). Jumlah energi yang terserap pada kedua spektrum tersebut mencapai 70% hingga 90% dari total energi yang datang ke permukaan daun. Relatif lebih rendahnya pantulan spektral pada spektrum biru dan merah dibandingkan pada spektrum hijau, memberi efek visualisasi warna hijau pada daun tersebut. Daun nampak berwarna hijau oleh mata, karena kemampuan mata dalam menangkap spektrum elektromagnetis berada pada spektrum tampak saja.

Pantulan spektral meningkat secara drastis pada rentangan spektral antara 0.65 hingga 0.76 µm. Zona rentangan spektral pada pola spektral vegetasi ini disebut dengan istilah titik batas merah (red edge point).

Gambar . Pola spektral beberapa jenis vegetasi (Sumber : Elachi, 2006)

Pada rentangan spektrum infra merah dekat, yang juga merupakan bagian kedua dari karakteristik pola spektral vegetasi, memiliki pantulan spektral yang relatif tinggi. Pantulan spektral yang tinggi ini terrentang antara 0.76 – 1.35 µm. Selanjutnya pada rentangan 1.35 – 2.5 µm pantulan spektral dipengaruhi oleh struktur internal daun. Faktor pengaruh yang dominan terhadap pantulan spektral pada rentangan 1.35 – 2.5 µm ini adalah banyak sedikitnya kandungan air pada lembar daun tersebut.

Referensi

Elachi, C., Zyl, V.J. 2006. Introduction to the Physic and Techniques of Remote Sensing. John Willey & Sons Inc.. New Jersey.

Huete, A.R, Glenn, E.P., 2011, Remote Sensing of Ecosystem Structure and Function, Advance in Environtment Remote Sensing, p. 291. CRC Press. Boca Raton.

Mather,P.M. 2004. Computer Processing of Remotely-Sensed Images An Introduction. John Willey & Sons Inc. Chichster.

Song, C., Gray, J.M., Gao, F. 2011. Remote Sensing of Vegetation with Landsat Imagery. CRC Press. Boca Raton.

Indek Vegetasi

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 dari klorofil daun, luas daun, struktur dan tutupan kanopi vegetasi (Huete, 2011).

Indeks vegetasi telah banyak digunakan dalam berbagai penelitian tentang vegetasi skala global. Indeks Vegetasi dapat secara efektif digunakan untuk pemetaan kekeringan, penggurunan (desertifikasi) dan penggundulan hutan (Horning, 2010).

Beberapa algoritma indeks vegetasi adalah seperti dibawah ini.

a.       Simple Ratio (SR)

 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

b.       Normalized Difference Vegetation Index (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

c.        Enhanced Vegetation Index (EVI)

Algoritma EVI diformulasi untuk 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) diuraikan 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

d.       Principle Component Analysis (PCA)

Algoritma PCA yang telah terstandarisasi sering disebut dengan Tasseled Cap Transformation. Tasseled Cap diformulasikan untuk pengolahan pada data citra yang berasal dari sensor yang berbeda. Algoritma ini dapat digunakan untuk pengolahan citra yang diambil pada waktu yang berbeda pada tahun yang sama atau citra dengan area yang berbeda (Horning, 2010).

e.       Vegetation Condition Indeks (VCI)

Penutup lahan dan penggunaan lahan dapat berubah dari waktu ke waktu. Perubahan penutup lahan dan penggunaan lahan mengakibatkan perubahan rasio energy yang perpantulkan menuju sensor. Penilaian tutupan lahan pada satu waktu dapat diturunkan melalui algoritma indeks vegetasi dari data citra. Pada citra multi temporal informasi perubahan penutup lahan vegetasi dapat diturunkan dengan memperbandingkan nilai indeks vegetasi dari kedua citra tersebut. Algoritma yang dapat digunakan dalam pembandingan nilai indeks vegetasi tersebut adalah indeks kondisi vegetasi (Vegetation Condition Index) (Liang, 2004). Formulasi dari algoritma indeks kondisi vegetasi dapat diuraikan sebagai berikut.

VCI= ( NDVI_i-NDVI_min) / (NDVI_max-NDVI_min )

Keterangan :

NDVIi                      : Nilai NDVI saat ini

NDVImax                : Nilai NDVI terbesar

NDVImin                 : Nilai NDVI terkecil

Daftar Pustaka

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 Change. Springer. New York

Landgrebe, D.A., 2003.  Signal Theory Methods In Multispectral Remote Sensing. John Willey & Sons Inc.. New Jersey.

Liang, S. 2004. Quantitative Remote Sensing of Land Surface. John Willey & Sons Inc.. New Jersey.