Professional Documents
Culture Documents
ABSTRACT
It is necessary to develop the methods of Leaf Area Index (LAI) estimation based
on satellite remote sensing data as first step to study the carbon storage and carbon
emission which affect to global climate change. Direct measurements of Leaf Area Index
in the field are expensive, take a long time, and so inefficient. The application of remote
sensing data may gives an appropiate solution for Leaf Area Index estimation by more
efficient and effective. Objective of the research is to develop the method of Leaf Area
Index estimation by using remote sensing data. The method of Leaf Area Index
estimation will be developed by using the reference method taken from back up
algorithm of the Algorithm Theoretical Basis Document (ATBD) MOD15. The research
will try to develop the model and applicate it for another remote sensing data, especially
those of acquisited or distributed by Indonesian National Institute of Aeronautics and
Space (LAPAN) such as SPOT-2. Results of the research show that the LAI based on
MOD 15 has low correlation with the measured LAI, but the measured LAI has good
correlation with NDVI from SPOT-2 for forest area.
Key words: Leaf Area Index, Forest, Remote Sensing, SPOT-2
ABSTRAK
1
Jurnal Penginderaan Jauh Vol. 8, 2011 : 50-
59
1 PENDAHULUAN
sederhana fungsi LAI memenuhi per-
Indeks Luas Daun (Leaf Area samaan 2-1 (Beadle, 1993):
Index/LAI) adalah salah satu parameter
LAI = s/G (2-1)
penting untuk mengidentifikasi produk-
tivitas tanaman pertanian. Produktivitas Keterangan:
tanaman pertanian merupakan tulang LAI :Leaf Area Index
punggung perekonomian nasional dalam s :Luas daun pada kanopi
menyediakan bahan pangan bagi G :Luas permukaan tanah yang
masyarakat dan mendukung program tertutupi kanopi
ketahanan pangan nasional.
LAI dapat diturunkan dari data
penginderaan jauh dengan berbagai Istilah luas daun pada kanopi (s)
pendekatan, salah satunya melalui secara umum diukur sebagai luas daun
indeks vegetasi. Nilai-nilai LAI yang yang diproyeksikan pada bidang datar,
dihasilkan mempunyai tingkat akurasi yaitu setelah menempatkan contoh
yang dipengaruhi oleh jenis data citra daun pada permukaan bidang datar.
yang dipergunakan dan metode analisis Pada perkembangan lebih lanjut, LAI
yang digunakan. Pengukuran nilai LAI secara lebih tepat didefinisikan dalam
secara langsung di lapangan selain sebuah angka dengan metode yang
mahal juga membutuhkan waktu yang beragam. Sebagai contoh, luas daun
relatif lama sehingga kurang efisien. diukur sebagai luas total permukaan
Oleh karena itu, pemanfaatan data daun pada suatu kanopi. Pengertian ini
penginderaan jauh diharapkan dapat sama dengan 2 s untuk daun yang rata
memberikan solusi dalam pemberian (datar) dan lebih dari 2 s untuk daun
informasi LAI secara lebih efektif dan jarum, daun tumbuhan berarir banyak
efisien. dan tumbuhan yang berfotosintesis
Penelitian ini bertujuan untuk dengan batang (kaktus). Kondisi demikian
mengembangkan metode penentuan LAI melahirkan berbagai metode pengukuran
pada penutup lahan hutan dari data LAI. Barclay (1998) menunjukkan bahwa
satelit penginderaan jauh SPOT-2. Hasil sedikitnya ada 5 (lima) pengukuran LAI
yang diharapkan dari penelitian ini yang umum dilakukan dimana sebagian
adalah sebuah metode penentuan LAI mencerminkan tujuan-tujuan yang
untuk penutup lahan hutan yang berbeda untuk apa dilakukan pengukuran
diturunkan dari data penginderaan jauh LAI, seperti untuk mengetahui pertum-
SPOT-2. Model tersebut diharapkan buhan vegetasi, proses-proses fisiologi
dapat bermanfaat sebagai acuan untuk dan penyerapan radiasi sinar Matahari.
riset lebih lanjut, yaitu penelitian untuk 4 (empat) yang utama dari lima
mengetahui kandungan bahan bakaran pengukuran LAI tersebut, mendefinisikan
dari biomassa dan emisi karbon yang LAI sebagai:
berbasis pada data satelit penginderaan LAI Total (Total LAI); didasarkan pada
jauh, yang akan bermanfaat dalam luas total permukaan luar daun per
mendukung program perhitungan unit area permukaan lahan secara
karbon (Carbon Accounting). horisontal di bawah kanopi.
LAI satu sisi (One-sided LAI); merupakan
2 INDEKS LUAS DAUN setengah dari total LAI, meskipun dua
sisi daun tersebut bentuknya tidak
LAI didefinisikan sebagai luas simetris.
daun (yang diproyeksikan pada bidang LAI terproyeksi horisontal (Horizontally
datar) setiap unit luas permukaan tanah projected LAI); merupakan luas daerah
yang tertutupi kanopi pohon (Ross, “bayangan” yang dapat merepresen-
1981 dalam Quan Wang, 2005). Secara tasikan setiap daun. Sumber sinar
2
Pengembangan Metode Penentuan Indeks Luas Daun.......(Suwarsono et al.)
3
Jurnal Penginderaan Jauh Vol. 8, 2011 : 50-
59
kan peralatan Decagon Ceptometer Pengukuran secara tidak langsung ini
(Decagon Devices, Inc. Pullman, dilakukan dengan berdasar pada
Washington, U.S.A.), the LICOR LAI- pengukuran transmisi cahaya yang
2000 (Li-Cor, Inc., Lincoln, Nebraska, masuk ke kanopi pohon (Fassnacht et
U.S.A.), atau analisis hemispheric al., 1994; Chen et al., 1997; Welles &
photographs. Norman, 1991 dalam Quan Wang,
Metode pengukuran (a) dan 2005).
(b) umumnya digunakan secara Pengukuran LAI baik secara
ber- samaan dengan definisi (2) dari langsung maupun tidak langsung yang
LAI, metode pengukuran (d) dan (e) disebutkan di atas memerlukan waktu
diguna- kan dengan definisi (3) dan yang lama, mahal dan sulit untuk
(4). Metode pengukuran (c) bisa
dilakukan terutama pada daerah
digunakan untuk semua definisi,
pelosok. Untuk mengatasi permasalahan
termasuk definisi (1), tergantung
tersebut perlu dicari suatu metode yang
dari detil kalibrasi dari persamaan
lebih cepat dan efisien, yaitu dengan
allometrik. Mengingat semua metode
menggunakan data penginderaan jauh.
pengukuran bisa digunakan untuk
Nilai LAI dapat diturunkan dari data
kanopi hutan, (a) cenderung
menjadi paling umum untuk lahan penginderaan jauh dengan berbagai
berumput (grasslands) dan lahan pendekatan, salah satunya dengan
pertanian (crops), dan (d) atau (c) pendekatan indeks vegetasi. Beberapa
untuk kanopi berbentuk tidak penelitian terdahulu yang mencoba
beraturan seperti semak belukar mengkaji hubungan LAI dengan indeks
(shrublands). Dalam banyak kasus, vegetasi dari data penginderaan jauh,
pilihan metode pengukuran adalah seperti Quan Wang et al (2005) mengkaji
sebuah permasalahan kemudahan hubungan antara Normalized Difference
dalam pelaksanaannya di lapangan.
Vegetation Index (NDVI) dengan LAI memiliki kondisi klimatologi yang berbeda
daerah hutan dengan vegetasi yang dengan Indonesia yang beriklim tropis.
menggugurkan daunnya pada musim-
musim tertentu (deciduous forest). X. 3 METODOLOGI
Xiao et al (2002) mengkaji hubungan 3.1 Lokasi dan Data
kuantitatif antara LAI yang diukur di
Penelitian mengambil lokasi di
lapangan dan indeks vegetasi dari data
kawasan hutan rawa gambut Merang yang
SPOT Vegetation untuk tanaman padi.
termasuk Kesatuan Pengelolaan Hutan
Driss Haboudane et al., (2004) melakukan
(KPH) Lalan, Provinsi Sumatera Selatan
estimasi LAI dengan pendekatan
dan Jambi. Pemilihan lokasi didasarkan
Hiperspektral Indeks Vegetasi dan
atas beberapa alasan, yaitu daerah tersebut
algoritma NOVEL. David P. Turner et al.,
merupakan ekosistem hutan rawa gambut
(1999) mengkaji hubungan antara LAI
terbesar yang terdapat di Pulau Sumatera.
dengan indeks vegetasi menggunakan
Pada daerah tersebut juga banyak dijumpai
data Landsat TM. Pauline Stenberg et al
aktivitas penebangan hutan (logging),
(2008) melakukan penelitian untuk
eksplorasi gas alam, rawan terjadinya
mengembangkan model simulasi LAI
konversi lahan dari hutan menjadi
berdasarkan indeks vegetasi pada
perkebunan (sawit) dan rawan terjadinya
daerah hutan dengan data penginderaan
kebakaran hutan dan lahan sehingga
jauh optis. Namun demikian, penelitian-
memicu terjadinya degradasi lahan,
penelitian tersebut dilakukan di luar
deforestasi dan ancaman kerusakan
daerah lintang sedang–tinggi yang
4
Pengembangan Metode Penentuan Indeks Luas Daun.......(Suwarsono et al.)
SKALA 1 : 1.000.000
(3-1)
(3-3)
Keterangan:
6
Pengembangan Metode Penentuan Indeks Luas Daun.......(Suwarsono et al.)
7
Jurnal Penginderaan Jauh Vol. 8, 2011 : 50-
59
Keterangan: Modifikasi model penentuan LAI yang
: Nilai LAI hasil estimasi dari data sudah dibangun pada backup algoritma
satelit MOD15 (persamaan model 3-2) ber-
dasarkan hasil pengukuran di lapangan.
: Nilai rerata LAI hasil estimasi dari
data satelit Modifikasi model ini perlu dilakukan
: Nilai LAI hasil observasi mengingat daerah penelitian merupakan
wilayah tropis mempunyai kondisi
: Nilai rerata LAI hasil observasi
alam yang tidak sama dengan model
yang dibangun pada MOD15. Selain
Perhitungan tingkat akurasi hasil
itu juga penggunaan jenis data satelit
perhitungan LAI dari data penginderaan
yang berbeda.
jauh dengan menghitung nilai Root
Mean Square Error (RMSE) meng-
4 HASIL DAN PEMBAHASAN
gunakan persamaan 3-5.
4.1 Analisis NDVI dan Identifikasi
(3-5) Penutuplahan Hutan
Identifikasi penutup lahan hutan
dari data SPOT-2 dilakukan secara
Keterangan:
visual dengan memperhatikan kunci-
E : Nilai hasil estimasi dari data satelit kunci interpretasi, terutama warna dan
O : Nilai hasil observasi tekstur. Selain itu juga menggunakan
n : Jumlah sampel pertimbangan dari nilai NDVI. Gambar
4-1 menunjukkan hasil analisis NDVI
Analisis regresi dan korelasi nilai LAI dari wilayah hutan rawa gambut di
dari data lapangan dengan nilai NDVI lokasi penelitian. Gambar (a) menun-
hasil perhitungan dari data satelit. jukkan kenampakan hutan pada citra
SPOT-2 RGB 312 dan (b) hasil analisis MOD15, yaitu mengikuti klasifikasi
NDVI, dimana hutan tersebut mempunyai menurut the University of Montana
kisaran nilai sekitar 0,6 hingga 0,9. (Myneni et.al, 1999), untuk kelas hutan
dinyatakan sebagai Broadleaf forest
(vegetasi hutan berdaun lebar). Gambar 4-
2 menunjukkan hasil analisis LAI
menggunakan citra SPOT-2 untuk
hutan rawa gambut dengan menerapkan
model algoritma MOD15, yaitu dinyatakan
sebagai Boadleaf Forest (persamaan 3-3).
Dari gambar tersebut dapat diketahui
bahwa nilai LAI untuk hutan tersebut
sangat bervariasi, yaitu memiliki kisaran
sekitar 1 hingga 3.
(a) SPOT RGB 312 (b) SPOT NDVI
4.3 Pengukuran LAI di Lapangan
SKALA 0.5 0
1 : 30.000 1 Pengukuran LAI sebanyak 10 sampel
NDVI terpilih di lapangan dilakukan dengan
Gambar 4-1: Hasil analisis NDVI Hutan menggunakan peralatan hemis- pheric
dari Citra SPOT-2 photograph dan dianalisis dengan piranti
lunak GLA. Gambar 4-3 menun- jukkan
4.2 Estimasi LAI Menggunakan Model contoh hasil analisis LAI hutan rawa gambut
Algorithma MOD15 di Merang meng-gunakan piranti lunak
Mengacu pada klasifikasi tutupan GLA. Nilai LAI yang dihasilkan adalah 3.9.
vegetasi yang digunakan pada algoritma
8
Pengembangan Metode Penentuan Indeks Luas Daun.......(Suwarsono et al.)
(4-2)
Gambar4-4: Grafik hubungan antara
LAI hasil observasi peng- Keterangan:
ukuran di lapangan dan
NDVI dari data SPOT-2 LAI : Leaf Area Index
pada penutup lahan Hutan NDVI: Normalized Difference Vegetation
Rawa Gambut Index
e : 2.71828
Model persamaan regresi adalah sebagai
berikut:
Persamaan hubungan antara LAI
NDVI = 0.210 ln (LAI) + 0.240 (4-1) dan NDVI yang telah dikembangkan
tersebut memiliki koefisien determinasi
Keterangan:
yang tinggi, yaitu R2 = 0.736. Persamaan 4-1
LAI : Leaf Area Index atau 4-2 tersebut merupakan
NDVI: Normalized Difference Vegetation pengembangan model sebagai hasil
Index modifikasi dari model persamaan 3-2 atau
3-3.
Persamaan 4-1 tersebut dapat dituliskan Gambar 4-5 menunjukkan hasil
kembali sebagai persamaan 4-2 sebagai penerapan model persamaan 4-1 yang
9
Jurnal Penginderaan Jauh Vol. 8, 2011 : 50-
59
telah dikembangkan pada citra SPOT-2.
Dari gambar tersebut dapat diketahui
bahwa nilai LAI untuk hutan rawa
gambut di Merang sangat bervariasi,
yaitu memiliki kisaran sekitar 3 hingga
10.
0 5 10
LAI
Gambar 4-5: Hasil penerapan Model
Persamaan 4-1 pada Citra
SPOT-2
10
Pengembangan Metode Penentuan Indeks Luas Daun.......(Suwarsono et al.)
11
Jurnal Penginderaan Jauh Vol. 8, 2011 : 50-
59
and laboratory manual (ed.by
Photosynthetically Active Radiation
D.O. Hall), pp. 36–46. Chapman
Absorbed By Vegetation (FPAR)
& Hall, London.
Product Algorithm Theoretical
Chen, J.M. & Black, T.A., 1992. Defining
Basis Document (ATBD) MOD 15.
Leaf Area Index for non-flat
http://modis.gsfc.nasa.gov/data/
Leaves. Plant, Cell and
dataprod/dataproducts.php?MOD
Environment, 15, 421–429.
_NUMBER=15.
Chen, J.M. & Cihlar, J., 1995.
Stenberg, P., Rautianien, M., Manninen,
Quantifying the Effect of Canopy
T., Voipio, P., & Mottus, M., 2008.
Architecture on Optical Measure-
Boreal Forest Leaf Area Index
ments of Leaf Area Index using
from Optical Satellite Images:
two Gap Size Analysis Methods.
Model Simulation and Empirical
IEEE Transactions of Geoscience
Analyses using Data from Central
and Remote Sensing, 33, 777–787.
Finland. Boreal Environment
Chen, J.M. & Cihlar, J., 1996. Retrieving
Research, 13, 433-443.
Leaf Area Indices of Boreal
Wang, Q., Adiku, S., Tenhunen, J., &
Conifer Forests using Landsat
Granier, A., 2005. On the
TM images. Remote Sensing of
Relationship of NDVI with Leaf
Environment, 55, 153–162.
Area Index in a Deciduous Forest
Chen, J.M., Rich, P.M., Gower, S.T.,
Site. Remote Sensing of Environ-
Norman, J.M., & Plummer, S.,
ment, 94, 244-255.
1997. Leaf Area Index of Boreal
Welles, J.M. & Cohen, S., 1996. Canopy
Forests: Theory, Techniques, and
Structure Measurement by Gap
Measurements. Journal of
Fraction Analysis using
Geophysical Research, Vol.102,
Commercial Instrumentation.
No.D24, pp. 29, 429-29, 443.
Journal of Experimental Botany,
Haboudane, D., Miller, J.R., Pattey, E.,
Vol.47 No.302, pp. 1335-1342.
Tejada, P.J.Z., & Strachan, I.B.,
Xiao, X., He, L., Salas, W., Li, C., Moore, B.,
2008. Hyperspectral Vegetation
Zhao, R., Frolking, S., & Boles, S.,
Indices and Novel Algorithms for
2002. Quantitative Relationships
Predicting Green LAI of Crop
between Field-Measured Leaf Area
Canopies: Modeling and Validation
Index and Vegetation Index
in the Context of Precision
Derived from Vegetation Images
Agriculture. Boreal Environment
for Paddy Rice. International
Research, 90, 337-352.
Journal of Remote Sensing, 18,
R. B. Myneni, Y. Knyazikhin,Y. Zhang, Y.
3595-3604.
Tian, Y. Wang,A. Lotsch J. L.
Yang, C.M., Liu, C.C., & Wang, Y.W.,
Privette, J. T. Morisette, S. W.
2008. Using Formosat-2
Running, R. Nemani, J. Glassy,
Satellite to Estimate Leaf Area
P.Votava, 1999. MODIS Leaf
Index of Rice Crop. Journal of
Area Index (LAI) And Fraction
Photogrammetry and Remote
of
Sensing, Vol-13, 4, 253-260.
12