skip to main content

IDENTIFIKASI FASE PERTUMBUHAN PADI MENGGUNAKAN CITRA SAR (SYNTHETIC APERTURE RADAR) SENTINEL-1

*Leni Suspidayanti  -  Department of Geodetic Engineering, Universitas Gadjah Mada, Indonesia
Catur Aries Rokhmana  -  Department of Geodetic Engineering, Universitas Gadjah Mada, Indonesia

Citation Format:
Abstract

Identifikasi fase pertumbuhan padi dilakukan untuk memperoleh informasi umur dan estimasi produksi padi. Identifikasi fase pertumbuhan tanaman padi terdiri atas tiga fase utama yaitu fase vegetatif, reproduktif, dan pematangan. Kemudian fase utama dijabarkan lebih rinci menjadi sembilan fase yaitu seedling, tillering, stem elongation, panicle, heading, flowering, milk grain, dough grain, dan mature grain. Pemantauan pertumbuhan padi dapat dilakukan menggunakan citra optis maupun radar. Penelitian ini menggunakan citra SAR Sentinel-1 dengan perekaman bulan November 2020 hingga Februari 2021, dan citra optis Sentinel-2. Citra SAR Sentinel-1A dapat menggambarkan pertumbuhan padi mengikuti fase tumbuh dengan mengektraksi nilai backscatter dari petak sawah yang dijadikan sampel penelitian. Hasilnya menunjukkan bahwa polarisasi tunggal VH memiliki korelasi paling baik yang menggambarkan nilai backscatter citra dan fase pertumbuhan padi dengan korelasi (R²) sebesar 0.77. Sedangkan algoritma Polarization Index (PI) memiliki korelasi (R²) 0.56. Kombinasi citra SAR Sentinel-1A dan Sentinel-2 dengan waktu perekaman yang sama atau mendekati dimanfaatkan untuk interpretasi training area dalam prose klasifikasi. Kombinasi RGB citra Sentinel-1 dan Sentinel-2 yang digunakan yaitu R=S2-B4 G=S2-B3 B=S1-VH. Klasifikasi fase pertumbuhan menggunakan algoritma random forest dengan komposit RGB (R=VV G=VH B=VV/VH) menghasilkan akurasi sebesar 75%.

Fulltext View|Download
  1. Agustan et al. 2019. “Sentinel-1 Dual-Polarization Data Analysis to Identify Paddy Growth Stages in Indramayu District” Prosiding Pertemuan Ilmiah Tahunan XX 2015
  2. Anugerah Indah Lestari, and Dony Kushardono. 2018. “Potensi Data Satelit Radar X- Band Dan c- Band Untuk Pemantauan Lahan Sawah Dan Fase Pertumbuhan Padi.” IX(March)
  3. Arifin, Mewa, and Handewi P. Saliem. 2016. “Pola Konsumsi Pangan Pokok Di Beberapa Propinsi Di Indonesia.” (3)
  4. Bhermana, Sri Agustini, and Sandis W.P. 2016. “Verifikasi Lapangan Untuk Menilai Akurasi Model Standing Crop Padi Sawah Melalui Integrasi Data Satelit Resolusi Tinggi Dan Menengah.” http://kalteng.litbang.pertanian.go.id/ind/index.php/publikasi-mainmenu-47-47/teknologi/576-verifikasi-lapangan-untuk-menilai-akurasi-model-standing-crop-padi-sawah-melalui-integrasi-data-satelit-resolusi-tinggi-dan-menengah (February 25, 2021)
  5. Breiman, Leo. 2001. “Random Forests.” Machine Learning: 5–32
  6. Devetyarov, Dmitry, and Ilia Nouretdinov. 2010. “Prediction with Confidence Based on a Random Forest Classifier Dmitry.” IFIP International Federation for Information Processing 109(7): 37–44
  7. Dirgahayu, D., I. M. Parsa, and S. Harini. 2019. “Detection Paddy Field Using Dual Polarization SAR Sentinel-1 Data.” IOP Conference Series: Earth and Environmental Science 280(1)
  8. Dirgahayu, Dede, and I Made Parsa. 2019. “Detection Phase Growth of Paddy Crop Using SAR Sentinel-1 Data Detection Phase Growth of Paddy Crop Using SAR Sentinel-1 Data.”
  9. ESA. 2012. 1 ESA Special Publication ESA’s Radar Observatory Mission for GMES Operational Services
  10. ESA. 2014. “Sentinel-1 Data Access and Products.” (October)
  11. Fathoni, Mohammad Naufal, Galdita Aruba Chulafak, and Dony Kushardono. 2017. “Kajian Awal Pemanfaatan Data Radar Sentinel-1 Untuk Pemetaan Lahan Baku Sawah Di Kabupaten Indramayu Jawa Barat.” Seminar Nasional Penginderaan jauh ke-4: 179–86
  12. Filipponi, Federico. 2019. “Sentinel-1 GRD Preprocessing Workflow †.” : 1–4
  13. Gislason, Pall Oskar, Jon Atli Benediktsson, and Johannes R. Sveinsson. 2006. “Random Forests for Land Cover Classification.” Pattern Recognition Letters 27(4): 294–300
  14. IRRI (International Rice Research Institute). Diakses 1 April 2021. www.knowledgebank.irri.org › docs › rice-standard-evaluation-system
  15. Kushardono, Dony. 2017. IPB Press Klasifikasi Digital Pada Penginderaan Jauh. Cetakan 1. ed. Atika Mayang Sari. Bogor
  16. Makarim, A. Karim, and E. Suhartatik. 2009. “Morfologi Dan Fisiologi Tanaman Padi.” : 297–330
  17. Mataram, Dinas Pertanian dan Perkebunan Nusa Tenggara Barat dan Fakultas Pertanian Universitas. 2018. Laporan Akhir
  18. Phung, Hoang-phi et al. 2020. “Monitoring Rice Growth Status in the Mekong Delta , Vietnam Using Multitemporal Sentinel-1 Data.” 14(1)
  19. Shofiyati, Rizatus, and Agustan. 2015. “Aplikasi SAR Polarimetri Untuk Identifikasi Variasi Perubahan Padi Pada Lahan Sawah Pasang Surut.” (8): 35–41
  20. Syam’ani. 2019. “Dasar Dasar Teknologi SAR.” https://ppiig.ulm.ac.id/2019/06/23/dasar-dasar-teknologi-sar/ (January 13, 2021)
  21. Treuhaft, Robert N, and Paul R Siqueira. 2000. “Vertical Structure of Vegetated Land Surfaces from Interferometric and Polarimetric Radar.” 35(1): 141–77
  22. Wulandari, Baiq Arasya, and Lalu Muhammad Jaelani. 2019. “Identifikasi Fase Pertumbuhan Tanaman Jagung Menggunakan Citra SAR Sentinel-1A ( Studi Kasus :” (April 2018): 52–59
  23. Yates, Darren, and Md Zahidul Islam. 2020. “FastForest: Increasing Random Forest Processing Speed While Maintaining Accuracy.” Information Sciences 557: 130–52. https://doi.org/10.1016/j.ins.2020.12.067
  24. Yuzugullu, Onur et al. 2017. “Determining Rice Growth Stage with X-Band SAR: A Metamodel Based Inversion.” Remote Sensing 9(5)

Last update:

No citation recorded.

Last update: 2021-11-30 06:37:12

No citation recorded.