Klasifikasi Fase Tumbuh Padi dengan Pendekatan Berbasis Objek Menggunakan Citra Sentinel-2
Abstrak
Pemantauan tanaman padi di Indonesia didukung oleh pemerintah daerah di tingkat kecamatan. Praktik tersebut membutuhkan dana yang besar dan dinilai kurang efisien. Opsi lain adalah pemanfaatan data Penginderaan Jauh menggunakan citra satelit gratis Sentinel-2 untuk memantau pertumbuhan padi secara spasio temporal dan pada wilayah yang lebih luas. Citra Sentinel-2 didesain untuk mendukung pemantauan pertanian. Untuk memantau fase tumbuh padi dapat dilakukan dengan klasifikasi berbasis piksel, tetapi pendekatan ini memiliki keterbatasan munculnya salt and pepper yang mengganggu hasil dan akurasi klasifikasi. Pendekatan klasifikasi Object-Based Image Analysis dapat mengatasi fenomena ini dan lebih baik dalam meniru persepsi manusia terhadap objek. Penelitian ini bertujuan untuk mengidentifikasi fase tumbuh padi pada citra Sentinel-2 dengan pendekatan klasifikasi berbasis objek, dan memantau sebaran spasio temporal fase tumbuh padi. Citra Sentinel-2 dengan 10 akuisisi bulan Mei – Agustus 2021 dianalisis dengan pendekatan berbasis objek dan fase tumbuh padi diklasifikasi dengan pendekatan SVM. Hasil analisis menunjukkan bahwa fase tumbuh padi dapat diidentfikasi dan diklasifikasi dengan baik tanpa fenomena salt and pepper dengan pendekatan berbasis objek dari citra multi-temporal Sentinel-2. Ketelitian model klasifikasi SVM cukup baik dengan rata-rata akurasi 81,60. Klasifikasi SVM berbasis objek dapat memetakan sebaran fase tumbuh padi konsisten dan berlanjut dari citra multi-temporal Sentinel-2.
Unduh
Referensi
Blaschke T, Hay GJ, Kelly M, Lang S, Hofmann P, Addink E, Queiroz FR, Freek VDM, Harald VDW, Frieke VC, Tiede D. 2014. Geographic object-based image analysis-towards a new paradigm. ISPRS J Photogram. 87: 180–191.
Blaschke T. 2010. Object based image analysis for remote sensing. ISPRS J Photogramm Remote Sens. 65(1): 2–16.
Boori, M.S., Choudhary, K., Kupriyanov, A.V. 2020. Crop growth monitoring through sentinel and landsat data based ndvi time-series. Comput. Opt. 44 (3): 409–419.
Cai Y, Lin H, Zhang M. 2019. Mapping paddy rice by the object-based random forest method using time series Sentinel-1/Sentinel-2 data. Adv. Space Res. 64: 2233–2244
Congedo L. (2021). Semi-Automatic Classification Plugin Documentation Release 7.9.7.1. Sep 07. 2022. https://buildmedia.readthedocs.org/media/pdf/semiautomaticclassificationmanual/latest/semiautomaticclassificationmanual.pdf (accessed on 29 February 2023).
Huang H, Lanc Y, Yanga A, Zhangd Y, Wene S, Deng J. 2020. Deep learning versus object- based image analysis (OBIA) in weed mapping of UAV imagery. International Journal of Remote Sensing. 41(9) : 3446–3479.
Luo KS, Li RD, Chang BR. 2013. Survey method of large scale land cover based on object classification technology. Journal of University of Chinese Academy of Science. 6(30): 770-777
Kim M, Madden M, Warner T. 2008. Estimation of optimal image object size for the segmentation of forest stands with multispectral IKONOS imagery. In Object-Based Image Analysis; Springer: Berlin/Heidelberg, Germany. pp. 291–307
Laliberte AS, Rango A, Havstad KM, Paris JF, Beck RF, Mcneely R, Gonzalez AL. 2004. Object-oriented image analysis for mapping shrub encroachment from 1937 to 2003 in southern New Mexico. Remote Sens. Environ. 93: 198–210.
Lao RJ, Aguilar MA, Ladisa C, Aguilar FJ, Nemmaoui A. 2022. Multiresolution segmentation for extracting plastic greenhouse from Deimos-2 imagery. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 5(2): 251-259
Mariana N. 2022. Identifikasi umur tanaman padi dengan teknik Support Vector Machine di Bojongpicung Cianjur [skripsi]. Bogor: Institut Pertanian Bogor.
Nirtanto IC, Prasetyo Y, Sasmito B. 2022. Analisis pemodelan fase tumbuh padi menggunakan citra Synthetic Aperture Radar C-Band Sentinel-1. Jurnal Geodesi UNDIP. 11(2):1-10
Nurfaizah D. 2020. Analisis pola termal citra Landsat 8 dan drone thermal pada fase tumbuh padi sawah di Kecamatan Bojongpicung, Kabupaten Cianjur [skripsi]. Bogor: Institut Pertanian Bogor
Phiri D, Morgenrotha J, Xua C, Hermosillab T. 2018. Effects of pre-processing methods on Landsat OLI-8 land cover classification using OBIA and random forests classifier. Int J Appl Earth Obs Geoinformation. 73 : 170–178.
Ramazayandi R. 2021. Citra Sentinel-2 untuk identifikasi fase tumbuh tanaman padi dengan klasifikasi [skripsi]. Bogor: Institut Pertanian Bogor.
Raniah N. 2022. Citra Sentinel-2 untuk klasifikasi umur tanaman padi dengan pendekatan Gaussian Mixture Model [skripsi]. Bogor: Institut Pertanian Bogor.
Rumora L, Miler M, Medak D. 2020. Impact of Various Atmospheric Corrections on Sentinel- 2 Land Cover Classification Accuracy Using Machine Learning Classifiers. ISPRS Int. J. Geo-Inf. 9(277): 1-23.
Wijayanti RS. 2018. Citra Sentinel-2 untuk identifikasi fase tumbuh padi dengan analisis pola reflektan di Kabupaten Cianjur [skripsi]. Bogor : Institut Pertanian Bogor
Yang K, Zhang H, Wang F, Lai R. 2022. Extraction of broad-leaved tree crown based on UAV visible images and OBIA-RF model: A case study for chinese olive trees. Remote Sens. 14 (2469) : 1-23.
Zheng L. 2015. Parameter optimization in multi-scale segmentation of high resolution remotely sensed image and its application in object-oriented classification. Proceedings of the 2015 International Conference on Environmental Engineering and Remote Sensing. 84-90
##submission.copyrightStatement##
##submission.license.cc.by-sa4.footer##Departemen Ilmu Tanah dan Sumberdaya Lahan, Fakultas Pertanian, IPB University
