Deteksi dan aplikasi fluoresensi klorofil yang diinduksi sinar matahari berdasarkan hiperspektrometer berbasis ruang angkasa.

Gambar 1. Distribusi SIF di Nigeria Utara, Afrika, per tanggal 8 April 2025.

Saat ini, sebagian besar data fluoresensi klorofil yang diinduksi sinar matahari (SIF) berbentuk titik diskrit dengan cakupan spasial yang jarang.

Kami menggunakan instrumen hiperspektral dengan resolusi spektral 0,48 nm untuk melakukan pencitraan eksplorasi fluoresensi klorofil resolusi tinggi, dengan harapan dapat mengisi celah pada platform satelit saat ini untuk fluoresensi klorofil yang diinduksi sinar matahari dengan resolusi spasial yang lebih tinggi.

Tabel 1. Indikator kinerja utama beberapa sensor antariksa dengan kemampuan deteksi SIF.

*Referensi: Zhang, Lifu; Wang, Siheng; Huang, Changping. 2018. Metode inversi penginderaan jauh satelit untuk fluoresensi klorofil yang diinduksi matahari. Jurnal Penginderaan Jauh, 22(1): 1-12

Dasar-Dasar Perhitungan SIF

Sebagian energi cahaya yang diserap oleh vegetasi tidak digunakan untuk fotosintesis tetapi dipancarkan sebagai fluoresensi dalam bentuk panjang gelombang panjang. Fluoresensi klorofil terletak di daerah cahaya merah dan merah jauh pada vegetasi (650-800 nm). Sebagai produk sampingan fotosintesis, fluoresensi secara organik terkait dengan mekanisme fotosintesis dan dapat secara langsung mencerminkan kapasitas fotosintesis vegetasi.

Fluoresensi berkontribusi pada reflektansi tampak kanopi; puncak refleksi pada 685 dan 760 nm dapat diamati menggunakan spektrometer resolusi sub-nanometer. Pada 685 nm, fluoresensi berkontribusi 10%–20% pada reflektansi tampak, dan pada 740 nm, kontribusinya adalah 2%–6%.

Di wilayah perbatasan merah vegetasi (650-800 nm), fluoresensi berkontribusi pada reflektansi tampak.

Keunggulan SIF dibandingkan indeks vegetasi: Indeks vegetasi berbasis reflektansi tidak dapat dengan cepat menangkap tanda-tanda awal pertumbuhan vegetasi abnormal pada tahap awal anomali lingkungan, karena menunjukkan adanya keterlambatan. Sebaliknya, SIF dapat mendeteksi anomali dengan lebih sensitif.

Gambar 2. Lokasi garis tersembunyi Fraunhofer dan Fehème

Metode pengisian garis gelap Fraunhofer: Karena penyerapan atmosfer, spektrum matahari mengandung banyak garis gelap halus, yang dikenal sebagai garis gelap Fraunhofer. Sinyal fluoresensi dapat diukur secara kuantitatif pada panjang gelombang spesifik yang dilemahkan oleh spektrum matahari.

Radiasi matahari memiliki tiga pita serapan utama di wilayah merah dan inframerah dekat: garis Hα pada 656,3 nm (diwakili oleh serapan hidrogen atmosfer), dan garis serapan O2 di atmosfer Bumi pada 687 nm dan 760 nm. Pita-pita ini biasanya tumpang tindih dengan spektrum emisi fluoresensi klorofil. Teknologi penginderaan jauh fluoresensi membandingkan kedalaman garis spektral radiasi matahari dengan kedalaman garis spektral radiasi tumbuhan, mengukur jumlah fluoresensi yang dipancarkan dari eksitasi gelombang pendek untuk mengisi "sumur" Fraunhofer hingga tingkat tertentu. "Sumur" Fraunhofer mewakili garis serapan dalam pita panjang gelombang tertentu, menyerupai "sumur".

Dengan asumsi bahwa reflektansi spektral kanopi R dari vegetasi di garis gelap Fraunhofer dan wilayah spektral yang berdekatan adalah sama, intensitas fluoresensi f dari vegetasi di garis gelap Fraunhofer dan wilayah spektral yang berdekatan dihitung menggunakan rumus berikut:

Gambar 3. Prinsip deteksi fluoresensi garis gelap Fraunhofer

a, b: Intensitas spektrum radiasi matahari yang diukur menggunakan pelat referensi di garis gelap Fraunhofer dan wilayah spektral yang berdekatan.

c, d: Intensitas spektrum iradiasi yang dipantulkan oleh kanopi vegetasi di garis gelap Fraunhofer dan wilayah spektral yang berdekatan.

λ0: Panjang gelombang pusat dari garis gelap Fraunhofer.

Karena R tidak bergantung pada fluoresensi, fluoresensi klorofil dapat diukur hanya dengan mengukur reflektansi spektral, iradiasi matahari, dan reflektansi kanopi pada pita garis gelap Fraunhofer.

Spesies vegetasi yang berbeda dan kondisi lingkungannya menghasilkan rasio nilai intensitas fluoresensi relatif yang berbeda pada 760nm dan 687nm yang dihitung dengan FLD, yang dapat digunakan sebagai dasar untuk menilai status fisiologis tanaman.

Sampel Data

Gambar 4. Contoh spektrum piksel vegetasi

Gambar 5. Puncak penyerapan O2A

Gambar di atas menunjukkan spektrum vegetasi khas satelit 04. Puncak serapan O2B di dekat 687 nm, puncak serapan O2A di dekat 760 nm, dan puncak serapan H2O di dekat 720 nm dapat diamati. Dibandingkan dengan spektrum serapan Fraunhofer standar, posisi spektral akurat, dan efek pergeseran spektral dapat diabaikan (

Perhitungan SIF

Interpolasi Spline yang Ditingkatkan Metode Pengisian Garis Gelap Fraunhofer (iFLD)

Berdasarkan metode pengisian garis gelap Fraunhofer (FLD), perbaikan dilakukan pada pemilihan pita referensi dan pita yang berdekatan. Sebanyak 8 pita dipilih berdasarkan lebar puncak serapan, dan fungsi spline digunakan untuk menyesuaikan spektrum latar belakang.

Gambar 6. Rentang pita yang digunakan untuk pencocokan

Gambar 7. Hasil penyesuaian dan interpolasi fungsi spline (Pixel1, 2, dan 3 masing-masing mewakili piksel semak, lahan pertanian, dan bangunan).

Seperti yang ditunjukkan pada gambar di atas, garis putus-putus mewakili hasil pencocokan menggunakan delapan pita di dekat puncak penyerapan O2A. Karena pita 211 dan 212 terletak di kedua sisi puncak penyerapan O2A, nilai rata-rata, 760,43195 nm, digunakan sebagai nilai radiasi yang dipengaruhi oleh SIF, dan juga sebagai panjang gelombang target untuk pencocokan fungsi spline. Pada gambar di atas, di bagian bawah fungsi kuadrat, perbedaan antara nilai spektral asli dan nilai yang dicocokkan oleh fungsi spline adalah bagian yang diisi oleh SIF, yaitu intensitas SIF.

Berdasarkan kondisi medan sebenarnya, tutupan vegetasi pada piksel semak Pixel 1 jauh lebih rendah daripada lahan pertanian, dan intensitas fotosintesisnya juga lebih rendah daripada tanaman pangan selama periode pertumbuhan yang pesat. Oleh karena itu, nilai SIF jauh lebih rendah daripada lahan pertanian Pixel 1. Pixel 3, sebagai area terbangun, hanya menyediakan SIF dengan sedikit lansekap dan pepohonan hijau, sehingga menghasilkan nilai SIF terendah.

Verifikasi Hasil SIF

Gambar 8. Perbandingan hasil perhitungan untuk pita serapan yang berbeda

Gambar di atas menunjukkan hasil SIF menggunakan posisi pita yang berbeda dan membandingkannya dengan NDVI dari data Sentinel-2 yang sama. Seperti yang ditunjukkan, SIF menggunakan pita O2A memiliki noise paling sedikit, dan distribusi datanya mendekati distribusi NDVI. Pita O2B, karena kedalaman penyerapannya yang lebih dangkal, menunjukkan noise yang signifikan, tetapi tren distribusinya masih dapat dibedakan. Hasil yang dihitung dari pita karakteristik non-SIF hampir tidak memberikan informasi yang berguna. Perbandingan ini menunjukkan efektivitas metode kami.

Kasus Aplikasi

Gambar 9. Peta distribusi SIF di lahan pertanian dan kawasan hutan

 Gambar 10. Peta Distribusi NDVI pada Lahan Pertanian dan Hutan 

Gambar 11. Peta distribusi NDVI resolusi tinggi di wilayah lahan pertanian

Gambar 12. Perbandingan statistik kelembaban tanah zona perakaran dan curah hujan di wilayah pertanian dan hutan.

Nilai SIF di area hutan dan lahan pertanian yang disebutkan di atas menunjukkan perbedaan yang signifikan dan sedikit berbeda dari distribusi NDVI. Di area lahan pertanian, karena resolusi asli citra Sentinel adalah 10 meter, setelah resampling untuk menyesuaikan resolusi SIF, pencampuran tanaman dan tanah di area lahan pertanian kiri bawah menurunkan nilai NDVI secara keseluruhan. Namun, fenomena SIF yang tinggi di lahan pertanian terlihat jelas pada hasil SIF. Area hutan, dengan medan pegunungan dan vegetasi yang sebagian besar terdiri dari semak rendah dan beberapa pohon, memiliki tutupan vegetasi yang lebih rendah daripada area lahan pertanian, sehingga menghasilkan nilai SIF yang jauh lebih rendah. Lebih lanjut, menurut grafik statistik di atas, curah hujan menurun di kedua area setelah bulan Maret, menyebabkan penurunan kelembaban tanah yang signifikan, dengan penurunan yang lebih besar di area hutan daripada di area lahan pertanian. Karena area lahan pertanian biasanya memiliki fasilitas irigasi, sedangkan area pegunungan umumnya tidak, diperkirakan bahwa area hutan mungkin mengalami tekanan kekeringan, yang menyebabkan penurunan SIF lebih lanjut. Hal ini menunjukkan bahwa, dibandingkan dengan NDVI, SIF dapat mengamati fenomena stres tanaman dengan lebih sensitif dan mengidentifikasi area yang mengalami stres, sehingga memberikan alat yang lebih ampuh untuk penilaian lingkungan ekologis dan pertanian presisi.