skip to main content

IDENTIFIKASI KEKERINGAN LAHAN SAWAH MENGGUNAKAN KOMBINASI LEAF WATER CONTENT INDEX DAN VEGETATION INDEX DENGAN CITRA LANDSAT-8

Departemen Teknik Geodesi Fakultas Teknik Universitas Diponegoro, Indonesia

Received: 23 Nov 2018; Published: 23 Nov 2018.

Citation Format:
Abstract
Kekeringan lahan sawah merupakan salah satu ancaman bagi produksi pertanian di Indonesia. Ancaman ini menjadi sangat serius ketika terjadi kemarau panjang yang merupakan efek dari El Nino. Kekeringan ini dapat mengakibatkan sawah menjadi puso atau gagal panen. Dampak kekeringan ini dapat diminimalkan dengan upaya identifikasi kekerigan lahan sawah secara dini. Berbagai teknik identifikasi kekeringan lahan sawah telah dikembangkan, salah satunya dengan teknologi citra satelit. Pada identifikasi kekeringan lahan sawah dengan data citra satelit dibutuhkan suatu algoritma khusus. Penelitian ini memanfaatkan kombinasi antara Leaf Water Content Index (LWCI) dan Enhanced Vegetation Index (EVI) untuk mendapatkan Rice Water Stress Index. Rice Water Stress Index ini digunakan untuk identifikasi kekeringan lahan sawah di wilayah Kabupaten Kendal tahun 2015. Identifikasi kekeringan lahan dapat dikelompokkan dalam empat kelas (Sangat sehat, Normal, Potensial kekeringan, dan Kekeringan). Hasil uji akurasi identifikasi kekeringan sawah dengan Rice Water Stress Index ini menghasilkan akurasi sebesar 87,5 %.
Fulltext View|Download

Article Metrics:

  1. Anazawa, Michio. 2000. Application and Validation of LWCI (Leaf Water Content Index) to Tropical Seasonal Forest Region. Proceeding ACRS 2000. http://a-a-rs.org/aars/proceeding/ACRS2000/Papers/FR00-6.htmm
  2. Dinas Pertanian dan Tanaman Pangan Provinsi Jawa Tengah. 2016. Data Statistik Tanaman Pangan Jawa Tengah Tahun 2015. Pemerintah Provinsi Jawa tengah, Semarang
  3. Grigg, Neil S. 2012. Water Resourses Management: Principle, Regulations, and Cases. McGraw-Hill
  4. Gu, dkk. 2007. A five-year analysis of MODIS NDVI and NDWI for grassland drought assessment over the central Great Plains of the United States. GEOPHYSICAL RESEARCH LETTERS, Vol. 34, L06407, doi: 10.1029/2006GL029127
  5. Huete, A.R.; Liu, H.Q.; Batchily, K.; van Leeuwen, W. A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sens. Environ. 1997, 59,440–451. https://www.sciencedirect.com/science/article/pii/S0034425796001125
  6. Khairullah. 2009. Pengertian Kekeringan Dan Langkah-Langkah Mengantisipasinya. Tersedia pada http://materi.pertanian.co.id/2009/04/pengertian-kekeringan-dan-langkah.html
  7. Moreira EE, Mexia JT dan Pareira LS. 2012. Are drought occurrence and severity aggravating? a study on SPI drought class transitions using log-liniear models and ANOVA-like inference. Journal of Hydrology and Earth System Sciences. 16:3011-3028.doi: 10.5194/hess-16-3011-2012
  8. Rahayu, S. P. 2011. Penyebab Kekeringan Dan Upaya Penanggulangannya. Tersedia pada http://cybex.pertanian.go.id/materipenyuluhan/detail/3705. Diakses pada tanggal 2 Februari 2018
  9. Sari, Vivi Diannita. 2015. Analisa Estimasi Produksi Padi Berdasarkan Fase Tumbuh dan Model Peramalan Autoregressive Integrated Moving Average (ARIMA) Menggunakan Citra Satelit Landsat 8 (Studi Kasus: Kabupaten Bojonegoro). Geoid Volume 10 No 2. halaman 194-203
  10. http://iptek.its.ac.id/index.php/geoid/article/view/828/581

Last update:

No citation recorded.

Last update:

No citation recorded.