Penilaian kesehatan kawasan agroforestri berdasarkan data satelit hiperspektral dan indeks vegetasi.

Kom Umbu, yang terletak di Kegubernuran Aswan, berada di selatan Mesir, di hulu Sungai Nil, dekat Danau Nasser. Kota ini merupakan kota dan oasis penting di sepanjang Sungai Nil, dengan sektor pertanian irigasi yang berkembang dengan baik, terutama membudidayakan kapas, biji-bijian, dan hutan ekonomi, menjadikannya wilayah pertanian campuran. Karena perbedaan struktur daun dan kanopi, indeks vegetasi tunggal tradisional tidak dapat mencakup kehutanan dan pertanian secara bersamaan; oleh karena itu, kombinasi indeks diperlukan untuk penilaian.

Pengantar Proyek

Baru-baru ini, Tim Dirgantara Xi'an dari Akademi Ilmu Pengetahuan Tiongkok menggunakan satelit hiperspektral untuk memetakan wilayah Kom Umbu di Provinsi Aswan, Mesir (Gambar 1). Dalam cakupan pita data hiperspektral, Indeks Vegetasi yang Ditingkatkan digunakan untuk menyaring dan menutupi tanaman, serta untuk menilai kehijauan tanaman dan kandungan klorofil; Indeks Reflektansi Antosianin 2 digunakan untuk menilai kandungan antosianin daun; dan Indeks Rasio Merah-Hijau digunakan untuk mewakili efisiensi penggunaan cahaya dan laju pertumbuhan hutan. Peta indeks dan peta kesehatan pertanian dan kehutanan yang menggabungkan indeks-indeks di atas dibuat, yang dapat digunakan untuk menilai terjadinya tekanan hama dan penyakit, serta untuk menilai penebangan kayu di wilayah tersebut. Citra masukan dibagi menjadi sembilan kategori berdasarkan kesehatan tanaman, yang membantu menilai status kesehatan tanaman secara keseluruhan dalam citra tersebut.

△ Gambar 1. Citra gabungan warna asli XIGUANG-003 yang ditumpangkan dengan peta dasar Google

△Gambar 2 Indeks vegetasi yang disempurnakan

Enhanced Vegetation Index (EVI) adalah indeks vegetasi yang dioptimalkan yang dirancang untuk meningkatkan daya tanggap terhadap vegetasi dan meningkatkan kemampuan pemantauan vegetasi.Indeks ini didasarkan pada Normalized Difference Vegetation Index (NDVI) dan memperbaikinya dengan menggunakan kombinasi pita dan algoritma yang lebih ketat untuk menghilangkan beberapa variasi dalam kondisi iradiasi yang terkait dengan sudut matahari, topografi, awan/bayangan, dan kondisi atmosfer, sehingga meningkatkan responsivitas EVI terhadap vegetasi.

Rumus perhitungan EVI adalah: EVI = (NIR - Merah) / (NIR + 6*Merah - 7,5*Biru + 1), di mana NIR adalah reflektansi inframerah dekat, Merah adalah reflektansi cahaya merah, dan Biru adalah reflektansi cahaya biru. Dengan menyesuaikan bobot dan koefisien pita-pita ini, EVI dapat lebih baik mencerminkan struktur halus dan status kesehatan vegetasi.

Keunggulan EVI terletak pada sensitivitasnya terhadap perubahan struktur kanopi, termasuk indeks luas daun (LAI), tipe kanopi, fase vegetasi, dan struktur kanopi. EVI dapat mengekstrak parameter biofisik vegetasi dengan lebih baik, seperti kandungan klorofil dan biomassa, sehingga meningkatkan akurasi pemantauan status pertumbuhan dan perubahan vegetasi.

EVI memiliki berbagai macam aplikasi, termasuk pertanian, kehutanan, ekologi, dan ilmu lingkungan. Di bidang pertanian, EVI dapat digunakan untuk memantau pertumbuhan tanaman, menilai status nutrisi tanaman, dan memprediksi hasil panen. Di bidang kehutanan, EVI dapat digunakan untuk memantau kesehatan hutan dan menilai struktur hutan serta fungsi ekologisnya. Di bidang ekologi dan ilmu lingkungan, EVI dapat digunakan untuk memantau dan menilai isu-isu lingkungan seperti perubahan tutupan vegetasi, degradasi lahan, dan urbanisasi.

△Gambar 3 Indeks reflektansi antosianin 2

Indeks Reflektansi Antosianin 2 (ARI2) adalah indeks penginderaan jauh yang digunakan untuk memantau kandungan antosianin dalam vegetasi.Ini merupakan peningkatan dari indeks reflektansi antosianin 1 (ARI1), yang meningkatkan respons terhadap kandungan antosianin dengan menyesuaikan kombinasi pita dan algoritma.

Rumus untuk menghitung ARI2 adalah: ARI2 = (NIR - 0,57*Merah - 0,2*Hijau) / (NIR + 0,88*Merah + 0,2*Hijau), di mana NIR adalah reflektansi inframerah dekat, Merah adalah reflektansi cahaya merah, dan Hijau adalah reflektansi cahaya hijau. Dibandingkan dengan ARI1, ARI2 memiliki bobot yang meningkat pada pita cahaya merah dan bobot yang menurun pada pita cahaya hijau, sehingga meningkatkan sensitivitas terhadap kandungan antosianin.

Keunggulan ARI2 terletak pada kemampuannya merespons kandungan antosianin dalam kanopi vegetasi. Antosianin adalah pigmen yang terdapat dalam konsentrasi rendah pada tumbuhan tetapi memiliki dampak signifikan pada pertumbuhan dan kesehatan tanaman. Dengan memantau perubahan nilai ARI2, perubahan kandungan antosianin dalam kanopi vegetasi dapat dipahami, sehingga dapat menyimpulkan status pertumbuhan dan kondisi stres vegetasi.

Aplikasi ARI2 terutama mencakup bidang-bidang seperti ekologi, ilmu lingkungan, dan pertanian. Dalam ekologi, ARI2 dapat digunakan untuk memantau kesehatan dan produktivitas ekosistem seperti hutan dan padang rumput. Dalam ilmu lingkungan, ARI2 dapat digunakan untuk menilai dampak masalah lingkungan seperti kualitas tanah, polusi, dan perubahan iklim terhadap vegetasi. Dalam pertanian, ARI2 dapat digunakan untuk memantau pertumbuhan tanaman, menilai tingkat stres tanaman, dan menentukan hasil panen.

△Gambar 4 Indeks Rasio Merah-Hijau

Indeks Rasio Merah-Hijau adalah indeks penginderaan jauh yang digunakan untuk memantau status kesehatan dan tren pertumbuhan vegetasi.Indeks ini dihitung dengan membandingkan reflektansi pita cahaya merah dan hijau, dan rumusnya adalah: Indeks Rasio Merah-Hijau = Merah / Hijau.

Cahaya merah biasanya mencerminkan kandungan klorofil pada tumbuhan, sedangkan cahaya hijau mencerminkan struktur dan kesehatan tumbuhan secara keseluruhan. Oleh karena itu, dengan menghitung indeks rasio merah-hijau, kita dapat memahami status pertumbuhan dan tingkat kesehatan vegetasi.

Indeks rasio merah-hijau (Rasio R-Hijau) memiliki keunggulan karena kesederhanaannya, kemudahan perhitungan, dan kemampuannya untuk memperoleh informasi pertumbuhan vegetasi dengan cepat. Namun, keterbatasannya terletak pada sensitivitasnya yang relatif rendah terhadap struktur kanopi dan faktor lingkungan, yang berpotensi gagal mencerminkan stres vegetasi dan informasi detail lainnya secara akurat. Meskipun Rasio R-Hijau merupakan indeks penginderaan jauh yang praktis dan mampu memperoleh informasi pertumbuhan vegetasi dengan cepat, indeks ini mungkin tidak secara akurat mencerminkan stres vegetasi dan informasi detail lainnya. Dalam aplikasi praktis, perlu dikombinasikan dengan indeks penginderaan jauh lainnya dan data survei lapangan untuk memahami secara komprehensif status pertumbuhan dan tingkat kesehatan vegetasi.

△Gambar 5 Kesehatan tanaman

Dengan mengamati distribusi kesehatan tanaman pada Gambar 5, ditemukan bahwa kesehatan beberapa area secara umum lebih tinggi daripada area sekitarnya. Area-area ini sebagian besar terletak di daerah yang relatif jauh dari kota dan dekat dengan Sungai Nil dan anak-anak sungainya, yang juga menegaskan model pertanian irigasi di wilayah tersebut yang terbatas oleh sumber daya air.

△Gambar 6. Kesehatan tanaman di zona panas dan dingin

Peta indeks vegetasi pada Gambar 2-5 dapat mencerminkan distribusi pertumbuhan dan kesehatan tanaman, serta memiliki efek visualisasi tertentu. Namun, untuk indeks dengan perbedaan yang terlalu besar atau terlalu kecil antara batas atas dan bawahnya, visualisasi akan terpengaruh. Oleh karena itu, kami mengambil sampel data raster indeks kesehatan tanaman menjadi data titik sesuai dengan grid.

Selanjutnya, statistik Getis-Ord Gi* dihitung untuk setiap fitur dalam dataset titik. Statistik Gi* diperoleh dari skor z dan nilai p yang didapatkan. Untuk skor z positif yang signifikan secara statistik, semakin tinggi skor z, semakin erat pengelompokan nilai tinggi (titik panas). Untuk skor z negatif yang signifikan secara statistik, semakin rendah skor z, semakin erat pengelompokan nilai rendah (titik dingin), dan nilai p digunakan untuk menentukan tingkat kepercayaan hasil.

Melalui perhitungan di atas, kita dapat memperoleh lokasi di mana elemen bernilai tinggi atau rendah berkumpul di ruang angkasa, dan mengidentifikasi zona dingin dan panas di mana kesehatan tanaman secara signifikan lebih rendah atau lebih tinggi daripada daerah sekitarnya, sehingga menampilkan kesehatan pertanian di wilayah tersebut dengan cara yang lebih intuitif.

Selanjutnya, dimungkinkan untuk memvektorisasi zona panas dan dingin, dan menganalisis lebih lanjut bentuk wilayah, jarak antar wilayah, dan hubungan antara wilayah dengan sungai dan kota berdasarkan batas vektor zona panas dan dingin, sehingga dapat mengeksplorasi model pengembangan pertanian lokal secara mendalam.