Perbandingan klasifikasi tanaman dalam data periode tunggal Xiguang No. 1 05 (Tianxianpei No.) dan data Sentinel-2.

Pendahuluan Latar Belakang

Identifikasi dan diferensiasi distribusi berbagai jenis tanaman menggunakan citra penginderaan jauh memungkinkan pengelolaan yang lebih baik dan pemantauan tingkat makro produksi pertanian. Pemantauan ini memberikan dukungan data untuk peringatan dini hama dan penyakit. Lebih lanjut, hasil klasifikasi penginderaan jauh, dikombinasikan dengan informasi meteorologi, hidrologi, dan tanah, memberikan dasar ilmiah untuk estimasi hasil pertanian, penilaian kerugian akibat bencana, dan pengambilan keputusan ketahanan pangan. Signifikansinya terletak pada mendorong transformasi pertanian tradisional menuju digitalisasi, informatisasi, dan inteligensi, meningkatkan efisiensi produksi pertanian dan pemanfaatan sumber daya, mengurangi biaya survei manual, dan mencapai pemantauan dinamis serta pengelolaan yang tepat di area pertanian skala besar. Selain itu, hasil klasifikasi tanaman dapat memberikan data dasar yang penting untuk perumusan kebijakan pertanian nasional, perlindungan lahan pertanian, dan penilaian penyerapan karbon, yang memiliki implikasi mendalam untuk memastikan ketahanan pangan dan mendorong pembangunan pertanian berkelanjutan.

Citra multispektral biasanya berisi sejumlah kecil pita lebar (misalnya, 4–13), yang terutama mencerminkan karakteristik keseluruhan fitur permukaan tanah pada pita-pita utama seperti cahaya tampak dan inframerah dekat. Citra ini cocok untuk klasifikasi dan pemantauan fitur permukaan tanah skala makro, seperti penggunaan lahan dan tutupan vegetasi. Citra hiperspektral, di sisi lain, digunakan dalam…Pengambilan sampel berkelanjutan dalam puluhan hingga ratusan pita sempit.Data hiperspektral dapat menangkap karakteristik reflektansi halus dari fitur permukaan tanah dalam spektrum, memungkinkan identifikasi perbedaan halus yang tidak dapat dibedakan oleh metode multispektral. Misalnya, variasi dalam berbagai varietas tanaman, keadaan fisiologis vegetasi, atau komposisi mineral semuanya dapat ditangkap secara akurat dalam data hiperspektral. Dengan membandingkan keduanya, dampak resolusi spektral pada akurasi identifikasi fitur permukaan tanah dan kemampuan ekstraksi fitur dapat diungkapkan, sehingga memperjelas skema pemilihan data optimal untuk berbagai tugas.

Prinsip dan metode

Percobaan ini dilakukan menggunakan data dari satelit Xiguang-105 (juga dikenal sebagai Tianxianpei) dan Sentinel-2. Pertama, Normalized Difference Vegetation Index (NDVI), Ratio Vegetation Index (RVI), dan Enhanced Vegetation Index (EVI) dihitung untuk data hiperspektral dan multispektral. Kemudian, untuk data hiperspektral, algoritma firefly yang dimodifikasi digunakan untuk memilih pita dengan korelasi tinggi untuk pengurangan dimensi pita. Terakhir, Support Vector Machine (SVM) digunakan untuk mengklasifikasikan tanaman dalam data hiperspektral dan multispektral.

Analisis Hasil

Gambar 1. Hasil klasifikasi hiperspektral

Gambar 2 Hasil klasifikasi multispektral

Dalam percobaan klasifikasi tanaman ini, tiga indeks—NDVI, RVI, dan EVI—digunakan, bersama dengan pita yang sangat berkorelasi dengan tanaman. Algoritma SVM digunakan untuk meminimalkan pengaruh pengklasifikasi. Gambar 1 dan 2 menunjukkan hasil klasifikasi. Hasil klasifikasi hiperspektral periode tunggal lebih unggul daripada hasil klasifikasi multispektral. Citra multispektral memiliki batas yang kabur, banyak bintik, dan akurasi yang lebih rendah, sedangkan citra hiperspektral memberikan kemampuan identifikasi fitur tanah yang lebih halus dan lebih stabil.

Dalam klasifikasi tutupan lahan, data hiperspektral memiliki keunggulan signifikan dibandingkan data multispektral. Citra hiperspektral merekam karakteristik reflektansi tutupan lahan di beberapa pita sempit kontinu, memungkinkan karakterisasi yang lebih detail tentang perbedaan spektral antara berbagai jenis tanaman di permukaan tanah. Citra ini sering menunjukkan fitur inter-spektral yang dapat dibedakan dalam ruang hiperspektral, sehingga secara signifikan meningkatkan akurasi klasifikasi dan pemisahan kelas. Dengan menggunakan data hiperspektral, metode pencocokan fitur spektral dapat mencapai diferensiasi yang halus dan identifikasi yang sangat akurat dari jenis tutupan lahan yang kompleks. Sebaliknya, data multispektral tradisional memiliki lebih sedikit pita dan lebar pita yang lebih luas, hanya memberikan informasi spektral yang terbatas. Data ini rentan terhadap tumpang tindih spektral antara berbagai jenis tutupan lahan, yang menyebabkan batas klasifikasi menjadi kabur dan terjadi kesalahan klasifikasi. Selain itu, data multispektral tidak stabil di lingkungan permukaan yang kompleks (seperti jenis tutupan lahan campuran, bayangan, dan gangguan latar belakang tanah), sehingga sulit untuk secara efektif menangkap perbedaan yang halus. Oleh karena itu, dari perspektif akurasi klasifikasi, ketahanan, dan interpretasi, data hiperspektral memiliki keunggulan signifikan dalam tugas klasifikasi tutupan lahan dan merupakan sumber data penting untuk mencapai ekstraksi informasi permukaan lahan dengan presisi tinggi.