editor dr ir hairul basri msc - rp2u.unsyiah.ac.id
TRANSCRIPT
ii
EDITOR DR. IR. HAIRUL BASRI, MSC
ii
PENGANTAR APLIKASI PENGINDERAAN JAUH HYPERSPECTRAL
Oleh
Ir. Sugianto, MSc, PhD dan Muhammad Rusdi, MSi, PhD
Universitas Syiah Kuala, 2017
EDITOR DR. IR. HAIRUL BASRI, MSC
iii
KATA PENGANTAR
Disadari minimnya buku contoh-contoh aplikasi penginderaan jauh
yang megkhususkan pada ilmu tanah dan tanaman bagi mahasiswa dan
prakstisi aplikasi penginderaan jauh, buku ini menyajikan contoh
penerapan teknologi penginderan jauh (remote sensing) untuk tanah dan
tanaman (vegatasi). Meskipun berbgai aplikasi yang umum dipahami
mahasiwa dan praktisi aplikasi data penginderaan jauh multispectral,
buku ini tidak hanya menyajikan secara umum tentang pemanfaatan data
penginderan jauh multispectral (Bab 1 dan Bab 2) namun memberi contoh
aplikasi data penginderanan jauh hyperpectral untuk tanaman dan tanah
(bab 3,4,5 dan 6).
Hyperspectral adalah salah fokus penelitian aplikasi penginderaan
jauh karena data yang disajikan jauh lebih baik dan smooth dalam
merepresentasikan hasil analisis spektranya dibandingkan multispektral
data. Buku ini memuat contoh-contoh aplikasi untuk tanah dan tanaman.
Sebagai besar isi buku ini adalah hasil dari penelitian yang dilakukan
penulis. Disadari begitu banyak aplikasi penginderaan jauh, penulis
mencoba menyajikan informasi terkait aplikasi penginderaan jauh dalam
presepecktif yang berbeda dengan buku-buku sejenis yang lebih banyak
menekankan pada teori penginderaan jauh yang lebih mengarah pada
pembahasan sisi remote sensing secara pengambilan sudut tunggal,
pada buku ini menyajikan data penginderan jauh pengambilan secara
multi sudut.
Selain itu, buku ini menyajikan tidak hanya penginderan jauh
multispectral, namun mencoba menyajikan hyperspectral remote sensing
yang hingga saat ini masih belum banyak diteliti. Semoga buku ini dapat
digunakan bagi mahasiswa yang mengambil matakuliah Pengantar
iv
Penginderan Jauh di fakultas-fakultas yang memberikan matakuliah ini
sebagai mata kuliah wajib maupu matakuliah pilihan program studi terkait
dengan pemanfatan data untuk kajian pertanian dan lingkungan. Selain
berguna bagi mahasiswa, buku ini juga ditujukan untuk para praktisi
geospasial yang bergelut dengan pemanfaatan data penginderan jauh.
Darussalam, Juli 2017
Penulis
v
BIODATA PENULIS
Ir. Sugianto, M.Sc, Ph.D. Lahir di Tambunan, Sumatera Utara pada
tahun 1965. Mendapat gelar sarjana dari Program Studi Ilmu Tanah
Fakultas Pertanian, Universitas Syiah Kuala pada tahun 1991.
Memperoleh Postgraduate Diploma pada tahun 1996 School of Surveying
and Land Information di Curtin University of Technology, Australia. Di
universitas yang sama pada tahun 1997, menyelesaikan Master of
Science dalam Survei dan Pemetaan, School of Surveying and Mapping
focus pada penelitian aplikasi penginderaan jauh dan GIS untuk evaluasi
lahan. Pada tahun 2006 menyelesaikan gelar Ph.D. dari University of New
South Wales, Australia di bidang kajian aplikasi Hyperspectral Remote
Sensing Data untuk Tanah dan Tanaman pada School of Biology, Earth
and Environmental Science. Minat penelitian adalah pemetaan dan
evaluasi lahan pertanian, aplikasi remote sensing untuk kajian pertanian
dan lingkungan, dan informasi geospasial dan perencanaan tata ruang.
Muhammad Rusdi, PhD lahir di Aceh, 1 April 1977. Memperoleh sarjana
dalam kajian evaluasi lahan dengan pemanfatan Geografis Information
System (GIS) dari Departemen Ilmu Tanah Fakultas Pertanian
Universitas Syiah Kuala pada tahun 2001. Pada tahun 2005, ia
menyelesaikan Master yang fokus pada penelitiannya pada pemanfaatan
data Remote Sensing dan GIS, Fakultas Pertanian, Institut Pertanian
Bogor. Ia memperoleh gelar Doktor (PhD) pada Sekolah Perumahan,
Gedung dan Perencanaan, Universiti Sains Malaysia setelah
menyelesaikan studinya di bidang GIS pada 2016. Menjadi dosen tetap
pada Fakultas Pertanian, Universitas Syiah Kuala sejak 2006.
vi
DAFTAR ISI
KATA PENGANTAR ............................................................................... iii
DAFTAR ISI ............................................................................................ vi
DAFTAR TABEL ..................................................................................... ix
DAFTAR GAMBAR .................................................................................. x
BAB I ....................................................................................................... 1
PENDAHULUAN...................................................................................... 1
1.1. Beberapa Pengertian dan Definisi ................................................. 1
1.2. Komponen-Komponen Penginderaan Jauh .................................. 3
1.2.1. Sumber energi .................................................................... 3
2.3.2. Atmosfer .............................................................................. 4
1.3.4. Interaksi antara enegi dan objek ......................................... 5
1.3. Sensor dan Wahana ..................................................................... 6
1.3.1. Sensor ................................................................................. 6
1.3.2. Wahana ............................................................................... 6
1.4. Gelombang elektromaknetik dan teknik pengumpulan data .......... 6
1.5. Resolusi Citra Satelite. .................................................................. 9
1.6. Analisis Citra .............................................................................. 10
1.7. Karakteristik Penginderaan Jauh ................................................ 11
BAB II .................................................................................................... 15
PRINSIP DASAR PENGINDERAAN JAUH VEGETASI ........................ 15
2.1. Latar Belakang ............................................................................ 15
2.2. Fundamental Fotosintesis ........................................................... 16
2.3. Karakteristik spektral tanaman .................................................... 18
2.4. Faktor Dominan Reflektansi Pada Daun ..................................... 19
BAB III ................................................................................................... 27
PRINSIP DASAR PENGINDERAAN JAUH HYPERSPEKTRAL ........... 27
3.1. Latar Belakang ............................................................................ 27
3.2. Penginderaan Jauh Hiperspektral: Prinsip Dasar ........................ 28
3.2.1. Parameter Spektral ........................................................... 30
vii
3.4. Viewing (pandangan) dan iluminasi geometri.............................. 32
3. 4.1. Jejak dan Ciri Spectral Multi-Sudut ......................................... 34
BAB IV ................................................................................................... 35
METODA ANALISIS DATA PENGINDERAAN JAUH HYPERSPECTRAL............................................................................................................... 35
4.1. Latar belakang. ........................................................................... 35
4.2. Koleksi Spectral library dan Koleksi Endemember ...................... 36
4.2. Klasifikasi Paralel (Parallelepiped Classification) ........................ 38
4.3. Transformasi Frekuensi Kebisingan Minimum ............................ 39
4.5. Indeks Kemurnian Pixel .............................................................. 40
4.6. Spektral Angle Mapper ................................................................ 40
4.6. Indeks Spektral Sebagai Indikator Pertumbuhan Tanaman ........ 42
4.6.1. Indeks stres vegetasi tepi-redup ....................................... 44
4.6.2. Red-edge ratio .................................................................. 45
4.6.3. Perbedaan Indeks Vegetasi Ternorisasai ......................... 45
4.6.4. Indeks Vegetasi Nitrogen Relatif ...................................... 45
4.6.5. Indeks Rasio Penyerapan Klorofil .................................... 45
4.6.6. Indeks pantulan fotokimia ................................................ 46
4.7. Perbandingan status tanaman melalui reflektansi spektral ......... 47
BAB V .................................................................................................... 49
PEMETAAN SPEKTRAL DAN INDEKS VEGETASI DATA HYPERSPEKTRAL HYMAP .................................................................. 49
5.1. Latar belakang ............................................................................ 49
5.2. HyMap akuisisi dan pra-pengolahan ........................................... 50
5.3. Identifikasi Endmember: definisi kelas ........................................ 53
5.4. Metode Pemetaan Spektral ......................................................... 55
5.5 Indeks vegetasi ............................................................................ 56
5.6. Endmember spektrum variasi ...................................................... 57
5.7. Endmember spektrum kelimpahan dimensi klasifikasi ................ 59
5.8. Piksel Murna Tanaman Uji coba ................................................. 61
5.8 Variasi SAM radiance ................................................................... 62
5.9..Hasil Perhitungan Indeks vegetasi .............................................. 65
viii
5.10. Spektral indeks untuk percobaan rumah kaca .......................... 67
5.11. Variasi Spektral Reflektansi ...................................................... 68
5.12. Variasi Spektral Reflektansi ...................................................... 69
5.13. Efek Perbedaan sudut SAM ...................................................... 70
5.14. Hasil Indeks vegetasi ................................................................ 70
5.15. Rangkuman ............................................................................... 72
BAB VI ................................................................................................... 74
PEMETAAN SPEKTRA TANAH HYPERSPECTRAL MULTI-SUDUT ... 74
6.1. Latar Belakang ............................................................................ 74
6.2. Hot spot dan Arah refleksi ........................................................... 74
6.3. Kuantitatif pengukuran bidang hyperspectral tanah data ............ 76
6.4. Analysis multi-sudut data hyperspectral tanah menggunakan FDA ............................................................................................. 76
6.5. Pengukuran spectra .................................................................... 77
6.6. Konversi Data ASD spectra dan Data ...................................... 81
6.7. Analisis Multivariate pada data Citra ............................................ 83
6.8. Metoda FDA untuk spectra tanah dan kurva .............................. 84
6.8.1. Kurva smoothing menggunakan fungsi dasar ................... 84
6.8.2. Functional Principal Component Analysis .......................... 85
6.8.3. Model Linier Functional ..................................................... 85
6.8.4. Fungsi basis untuk spectral smoothing ............................. 86
6.9. Analisis sudut azimuth terhadpa hasil ujicoba, ............................ 94
6.10. Analisis Komponen Utama Fungsional ..................................... 96
6.11. Functional linear model .............................................................. 99
6.12. Diskusi .................................................................................... 101
6.12.1. Multivariate analysis ...................................................... 102
6.12.2. Fungsi Basis untuk smoothing spektra tanah ................ 103
6.12.3. fPCA spektra tanah ....................................................... 103
6.12.4. FANOVA and the linear model ...................................... 105
6,13, Rangkuman ............................................................................. 107
APENDIKS .......................................................................................... 108
REFERENSI ........................................................................................ 109
ix
DAFTAR TABEL
Tabel 1.1. Karakteristik Citra Landsat 5 dan 7 ....................................... 13
Tabel 1.2.. Perbandingan respon spektral optimum sensor. .................. 14
Tabel 3.1. Kisaran radiasi gelombang elektromagnetik ......................... 31
Tabel 5.1. F-values of the spectral class endmembers (Ftest at 95%
confident limit) ....................................................................... 59
Tabel 5.2.. SAM klasifikasi di sudut maksimum yang berbeda .............. 62
Tabel 5.3. Statistik distribusi indeks vegetasi terpilih pada tanama
kapas ..................................................................................... 65
Tabel 5 . 4 . Nilai untuk menghitung indeks spectral data HyMap ........ 65
Table 5.5. Uji rumah kaca enam indeks vegetasi di berbagai macam
tanah...................................................................................... 68
Tabel 6.1. Spesifikasi FieldSpec dan FR SpectroRadiometer (ASD,
2000). .................................................................................... 81
Tabel 6.2. Sifat kimia tanah yang dipilih untuk multi spektral data. Nilai-
nilai di atas ideal dilambangkan dengan asterisk. .................. 82
Table 6.12. FPCA untuk empat pertama dari tiga tanah spektrum, soil1,
soil2 dan soil3 yang dianalisis secara Azimut ........................ 98
x
DAFTAR GAMBAR
Gambar 1,1, Penginderaan Jauh Elektromagnetik Untuk Sumber daya
Bumi .................................................................................... 3
Gambar 1.3. Kurva Pantulan Spektral ..................................................... 8
Gambar 2.1.Karateristik Reflektan pada vegetasi ................................. 19
Gambar 2. 2. Kenampakan Penampang Pada Daun............................ 21
Gambar 2.3. Variasi penyerapan spektrum oleh klorofil ........................ 25
Gambar 3.2.Ilustrasi imaging geometry (Lewis 1996) ........................... 33
Gambar 5.1. Pilihan endmembers dalam HyMap untuk dijasikan piksel
target yang dianalisis dan perbedaan kalsifikasi ................ 55
Gambar 5.2. T a m p i l a n m u l t i t e m p o r a l p a d a multi spektral
kurva endmembers kapas enam. Reflektansi spektral pada
merah-dekat inframerah posisi (680-800 nm). ................... 57
Gambar 5.5.Images showing selected ROI and PPI results. ............. 62
Gambar.5.6. Spektrum yang diturunkan peta SAM klasifikasi. Spektral
sudut (radian) digunakan 0.025 (), (b) 0,05, 0,10 (c) dan
0.20 (d) .............................................................................. 64
Gambar 5.7. Spatial distribution of the six vegetation indices ................ 67
Gambar 6.1. Panjang gelombang (a) dan Azimut sudut (b) dasar fungsi
analisis di FDA spectra tanah. ........................................... 77
Gambar 6.2. Lokasi sampel tanah untuk pengumpulan data spektral
multi-sudut ......................................................................... 78
Gambar 6.3. Sampel permukaan tanah tempat mengumpulkan
spektrum ............................................................................ 79
Gambar 6.4. spektrum sampel tanah yang dikumpulkan pada sudut
zenith 20° dan Azimut berbeda.......................................... 80
Gambar 6.5. Subset contoh spectrum tanah untuk menghilangkan
kebisingan band. ............................................................... 83
Gambar 6.6. Smoothing pada beberpa jumlah dasar 20° zenith (Azt 2)
pada contoh tanha dan RMS sisa (RMSr) ......................... 87
Gambar 6.7. Fungsional kurva soil1 dengan sudut Azimut berbeda, Azt1
4 Azt mewakili 45°, 90°, 135° dan 180° ............................. 88
Gambar 6.8. Model linear fungsional untuk sudut Azimut(Azt) at 20°, 40°
and 60° zenith angles contoh tanah .................................. 89
Gambar 6.9. Kurva fungsional R-Square beberapa korelasi dan F-rasio
untuk sampel tanah. Garis horisontal dash menunjukkan
xi
signifikans 95% tingkat untuk distribusi F untuk sudut
pengambilan yang berbeda. .............................................. 91
Gambar 6.10. Fungsional kurva R-Square beberapa korelasi dan F-rasio
untuk sampel tanah. Garis horisontal menunjukkan
signifikans 95% tingkat untuk distribusi F. ......................... 92
Gambar 6.10. Kurva fungsional kurva R-Square beberapa korelasi dan
F-rasio untuk sampel tanah. Garis horisontal dash
menunjukkan signifikans 95% tingkat untuk distribusi F. ... 93
Gambar 6.11. Reflectance spectra of soil as angle basis for different
azimuth angles. .............................................................. 95
Gambar 6.12. The first four bands of green (a), red (b), and NIR (c)
spectra with the RMS residual showing the curve basis
function and the distribution of the 8- different azimuth
angles of soil spectra. ........................................................ 96
Gambar 6.13. Analisis komponen fungsional soil1 untuk 20°, 40° dan 60°
zenith sudut sudut dasar analisis. ...................................... 97
Gambar 6.14. Principal component harmonic score untuk fPCA dat
tanah .................................................................................. 98
Gambar 6.15. Model linear hijau (Band 1) terhadap merah (Band 2) dan
Nir (Band 3) pada 20° zenith sudut. A hijau (), hijau
terhadap merah (B), dan hijau terhadap NIR (c) di 20°, 40°
dan 60°. ............................................................................. 99
Gambar 6.16. Model linear spektrum tiga band (hijau, merah dan NIR)
untuk zenith berbeda sudut ............................................. 100
Gambar 6.17. Fungsional kurva R-Square beberapa korelasi dan F-
rasio untuk soil1 data untuk tiga sudut zenith, 20°, 40°, dan
60°. Garis horizontal dot menunjukkan tingkat kepentingan
0,05 untuk distribusi F di 2,65. ......................................... 101
1
BAB I
PENDAHULUAN
1.1. Beberapa Pengertian dan Definisi
Jika kita ingin mendapatkan informasi tentang sesuatu objek
dipermukaan bumi namun mempunyai keterbatasan dari segi jarak dan
waktu serta biaya, maka kita akan mencoba mencari cara agar dapat
mengakses informasi objek tersebut. Salah satu cara untuk mendpatkan
informasi suatu objek tersebut adalah dengan pengamatan secara jarak
jauh. Cara mendapatkan informasi-informasi detail obejk tersebut dapat
dikategorikan sebagai suatu cara penginderaan jauh. Oleh karena itu
secara definisi pengamatan objek tanpa kita melakukan pengamatan
langsung ke objek terebut atau tanpa menyentuhnya dapat disebut
sebagai cara atau metoda mendapatlkan informasi secara penginderan
jauh. Penginderaan jauh atau dalam bahasa Inggris disebut remote
sensing adalah ilmu dan seni untuk memperoleh informasi tentang obyek,
daerah atau gejala dengan jalan menganalisis data yang didapat dengan
menggunakan alat tanpa kontak langsung terhadap obyek, daerah atau
gejala yang dikaji (Lillesand and Kiefer, 1990). Teknologi ini dapat pula
diartikan sebagai kegiatan perolehan informasi tentang permukaan bumi
dengan menggunakan citra yang diperoleh dari ruang angkasa dengan
2
menggunakan perantara energi elektromagnetik pada satu atau
beberapa bagian spektrum elektromagnetik yang dipantulkan maupun
dipancarkan dari permukaan bumi (Campell, 1996)
Sabins (1996) memberikan definisi bahwa penginderan jauh adalah
ilmu dalam perolehan, pemrosesan dan interpretasi citra yang merekam
interaksi antara energi elektromagnetik dengan bahan. Komponen dasar
sistem penginderaan jauh adalah target, sumber energy alur trasmisi dan
sensor, komponen tersebut dalam sistem bekerja sama untuk mengukur
dan mencatat informasi tentang target tanpa menyentuh objek. Sumber
energi yang menyinari atau memancarkan radiasi elektromagnetik mutlak
diperlukan. Energi berinteraksi dengan target sekaligus berfungsi sebagai
media untuk meneruskan informasi dari target kepada sensor. Setelah
data terekam dan proses sedemikian rupa, data dan informasi akan
diteruskan ke satasiun penerima dan diproses menjadi format yang siap
dipakai salah satu bentuknya berupa citra.
Cara mendapatkan infromasi ini tentu dengan menggunakan
perantara yang dapat menyampaikan informasi karakterestik objek
melalui perantara gelombang elektromatik. Secara umum pengambilan
data untuk pengideraan jauh digambarkan seperti pada gambar 1.
3
Gambar 1,1, Penginderaan Jauh Elektromagnetik Untuk Sumber daya
Bumi Sumber : Lillesand dan Kiefer, 1979
1.2. Komponen-Komponen Penginderaan Jauh
Dalam memahami penginderaan jauh, kita harus membahas terlebih
dahuu komponen-komponren yang terlibat dalam proses penginderana
juah. Kompoen-kompoen ini berperang penting dalam memproses
penginderana jauah. Kompoenen-kompoen yang akan dibahas berikut
adlah saling teekait dalam prosen penginderan jauh. Komponen-
komponen dalam pengenderaan juah adalah sebgai berikut:
1.2.1. Sumber energi
Seperti yang telah diuraikan ditas bahwa dalam penginderan juah
perlu adanya sumber energi Sumber energy dalam prosen penginderan
jauh terdiri atas dua yaitu sistem yang pasif dan sistem pasif. Sistem pasif
adalah sistem yang menggunakan sinar matahari sebgai sumber
energinya. Sedangkan sistem aktif adalah sistem yang menggunakan
tenaga buatan seperti gelombang mikro.
Terakit dengan sumber energy, mengingat dinamika yang dimiliki
oleh bumi, maka jumlah energy yang yang diterima oleh objek di setiap
4
tempat berbeda-beda. Hal ini dipengaruhi oleh beberapa faktor, antara
lain, waktu penyinaran, bentuk permukaan dan keadaan cuaca. Jumlah
energi yang diterima oleh objek pada saat matahari tegak lurus (siang
hari) lebih besar daripada saat posisi miring (sore hari). Makin banyak
energi yang diterima objek, makin cerah warna objek tersebut. Sementara
permukaan bumi yang bertopografi halus dan memiliki warna cerah pada
permukaannya lebih banyak memantulkan sinar matahari dibandingkan
permukaan yang bertopografi kasar dan berwarna gelap. Sehingga
daerah bertopografi halus dan cerah terlihat lebih terang dan jelas.
Kondisi cuaca pada saat pemotretan mempengaruhi kemampuan sumber
tenaga dalam memancarkan dan memantulkan. Misalnya kondisi udara
yang berkabut menyebabkan hasil inderaja menjadi tidak begitu jelas atau
bahkan tidak terlihat.
2.3.2. Atmosfer
Energi yang dipancarkan oleh matahari yang diterima oleh objek
sebgai pantulan yang diterim kembali oleh sistem penginderan jauh,
maka atmeosfer sngat berperan penting sebagai bagian yang tak
terpisahkan dari sistem penginderan jauh. Lapisan udara yang terdiri atas
berbagai jenis gas, seperti O2, CO2, nitrogen, hidrogen dan helium.
Molekul-molekul gas yang terdapat di dalam atmosfer tersebut dapat
menyerap, memantulkan dan melewatkan radiasi elektromagnetik.
Di dalam terdapat istilah jendela atmosfer (atmospheric window)
yaitu bagian spektrum elektromagnetik yang dapat mencapai bumi.
Keadaan di atmosfer dapat menjadi penghalang pancaran energi cahaya
yang mencapai ke permukaan bumi. Kondisi cuaca yang berawan
menyebabkan sumber energy cahaya tidak dapat mencapai permukaan
bumi.
5
Gambar 1.2. Interaksi antara energi elektromagnetik dan atmosfer
1.3.4. Interaksi antara enegi dan objek
Interaksi antara energi dan objek dapat dilihat dari rona yang
dihasilkan pada foto udara. Tiap-tiap objek memiliki karakterisitik yang
berbeda dalam memantulkan atau memancarkan energy ke sensor.
Objek yang mempunyai daya pantul tinggi akan terilhat cerah pada citra,
sedangkan objek yang daya pantulnya rendah akan terlihat gelap pada
citra. Contoh: Permukaan puncak gunung yang tertutup oleh salju
mempunyai daya pantul tinggi yang terlihat lebih cerah, daripada
permukaan puncak gunung yang tertutup oleh lahar dingin.
6
1.3. Sensor dan Wahana
1.3.1. Sensor
Merupakan alat pemantau yang dipasang pada wahana, baik pesawat
maupun satelit. Sensor dapat dibedakan menjadi dua. Pertama, sensor
fotografik. Sensor ini merekam objek melalui proses kimiawi. Sensor ini
menghasilkan foto. Sensor yang dipasang pada pesawat menghasilkan
citra foto (foto udara), sensor yang dipasang pada satelit menghasilkan
citra satelit (foto satelit). Kedua, sensor elektronik, bekerja secara elektrik
dalam bentuk sinyal. Sinyal elektrik ini direkam dalam pada pita magnetik
yang kemudian dapat diproses menjadi data visual atau data digital
dengan menggunakan komputer. Kemudian lebih dikenal dengan
sebutan citra.
1.3.2. Wahana
Adalah media atau alat yang digunakan untuk membawa sensor
guna mendapatkan data penginderaan jauh. Berdasarkan ketinggian
perederaan atai orbit dan tempat pemantauannya di angkasa, wahana
dapat dibedakan menjadi tiga kelompok: Pesawat terbang rendah sampai
menengah yang ketinggian peredarannya antara 1.000 – 9.000 meter di
atas permukaan bumi. Pesawat terbang tinggi, yaitu pesawat yang
ketinggian peredarannya lebih dari 18.000 meter di atas permukaan bumi
Satelit, wahana yang peredarannya antara 400 km – 900 km di luar
atmosfer bumi.
1.4. Gelombang elektromaknetik dan teknik pengumpulan data
Salah satu media yang dapat menyampaikna sumber energi yang
diterima oleh bumi adalah melalui gelombang. Gelombang inilah yang
menjadi media yang dapat menyampaikan infromasi tentang objek yang
7
diamati melalui pantulan cahaya atau radiasi gelombang elektromaknetik.
Oleh karena itu paling sedikit untuk mendapatkan informasi dari objek
adalah adalanya sumber energi, adanya interkasi dengan objek, interkasi
dengan atmosfer, dan adanya interaksi dengan sensor (Curran,1985).
Sumber dari radiasi elektromagnetik bisa berasal dari tenaga alami
misalnya refleksi sinar matahari, emisi panas bumi dan juga buatan
manusia misalnya radar gelombang mikro.
Jumlah dan karakteristik dari radiasi yang dipancarkan atau
dipantulkan dari permukaan bumi tergantung pada karakteristik obyek di
permukaan bumi. Energi elektromagnetik yang melewati atmosfer akan
dihamburkan dan mengalami distorsi. Energi elektromagnetik yang
diinteraksikan dengan permukaan bumi dan atmosfer terekam oleh
sensor misalnya radiometer atau kamera.
Apabila tenaga elektromagnetik mengenai suatu kenampakan di
muka bumi maka terdapat 3 kemungkinan pokok interaksi antara tenaga
dan benda yaitu dipantulkan, diserap, atau ditransmisikan. Dengan
menerapkan asas kekekalan energi, dapat dinyatakan hubungan timbal
balik antara jenis interaksi tersebut, yaitu :
EI(λ) = ER(λ) + EA(λ) + ET(λ)
Dimana EI (λ) = Tenaga yang mengenai benda
ER(λ) = Tenaga yang dipantulkan
EA(λ) = Tenaga yang diserap
ET(λ) = Tenaga yang ditransmisikan
Gambar 3 merupakan gambar kurva pantulan yang menunjukkan
kepekaan obyek pada kisaran panjang gelombang tertentu pada
gelombang elektromagnetik. Tenaga yang dipantulkan, diserap, dan
ditransmisikan akan berbeda untuk setiap obyek di permukaan bumi
tergantung pada jenis materi dan kondisi benda. Perbedaan ini
8
memungkinkan kita untuk membedakan obyek yang berbeda pada suatu
citra (Lillesand dan Kiefer, 1979).
Gambar 1.3. Kurva Pantulan Spektral Sumber : http://www.auslig.gov.au/acres/prod_ser/landdata
Penginderaan jauh biasanya menghasilkan beberapa bentuk citra
yang selanjutnya diproses dan diinterpretasi guna membuahkan data
yang bermanfaat untuk aplikasi bidang pertanian, arkeologi, kehutanan,
geologi, perencanaan dan bidang-bidang lainnya (Purbowaseso, 1995).
Data penginderaan jauh yang saat ini digunakan dapat berupa citra
maupun non-citra. Secara umum citra merupakan gambaran suatu obyek
dari pantulan, atau pancaran radiasi elektromagnetik obyek yang direkam
dengan cara optik, elektro optik, optik mekanik atau elektrik.
Karakter utama dari suatu citra (image) dalam penginderaan jauh
adalah adanya rentang panjang gelombang (wave length band) yang
dimilikinya. Beberapa radiasi yang bisa dideteksi dengan sistem
penginderaan jauh antara lain : radiasi cahaya matahari atau panjang
9
gelombang dari visible dan near sampai middle infrared, panas atau dari
distribusi spasial energi panas yang dipantulkan permukaan bumi
(thermal), serta refleksi gelombang mikro.
1.5. Resolusi Citra Satelite.
Resolusi citra satelit diartikan sebagai ketelitian yang dimilkik oleh
satelit tersebut. Kita ketahui bahwah setiap material pada permukaan
bumi juga mempunyai reflektansi yang berbeda terhadap cahaya
matahari, sehingga material-material tersebut akan mempunyai resolusi
yang berbeda pada setiap band panjang gelombang (Thoha, 2008).
Secara umum resolusi pada citra dibedakan atas empat yaitu
resolusi spasial, resolusi spektral, resolusi temporal dan resolusi
radiometrik. Berikut perbedaan keempat resolusi tersebut.
a. Resolusi Spasial merupakan ukuran terkecil dari suatu bentuk (feature)
permukaan bumi yang bisa dibedakan dengan bentuk permukaan di
sekitarnya atau sesuatu yang ukurannya bisa ditentukan. Kemampuan ini
memungkinkan kita untuk mengidentifikasi (recognize) dan menganalisa
suatu obyek di bumi selain mendeteksi (detectable) keberadaannya.
b. Resolusi Spektral merupakan daya pisah objek berdasarkan besarnya
spektrum elektromagnetik yang digunakan untuk merekam data atau dapat
juga dikatakan sebagai dimensi dan jumlah daerah panjang gelombang
yang sensitif terhadap sensor.
c. Resolusi Radiometrik, merupakan ukuran sensitifitas sensor untuk
membedakan aliran radiasi (radiation flux) yang dipantulkan atau diemisikan
suatu obyek oleh permukaan bumi.
d. Resolusi Temporal, merupakan frekuensi suatu sistem sensor merekam
suatu areal yang sama (refisit) seperti Landsat TM yang mempunyai
ulangan setiap 16 hari, SPOT 26 hari dan sebagainya.
10
1.6. Analisis Citra
Secara umum data satelit yang kitaperoleh dapat menyajikan hasil
sesuai dengan analisis yang kita lakukann. Banyak aplikasi analisis citra
yang dapat melakukan analisis citra. Namun secra umum hampir semua
jenis pernagkat lunak analisis citra memilki analisis dasar pengolahan
citar sebelum analsis dimaksud smapai pada analsis lanjut.
Analisis citra dapat disebut sebagai upaya pendeskirpsian untuk
mengukur dan mengevalusi karakteristik citra dalam rangka
mempersiapkan dan menyederhakan interpretasi (Orientasari, 2005).
Segala manipulasi citra sebelum interpretasi disebut analisis citra.
Analisis citra mencakup pengolahan dan pemrosesan gambar yang
tertuju pada manipulasi tampilan citra asli dalam rangka menyesuaikan
citra dengan tujuan penggunaan. Lebih lanjut Lillesand dan Kiefer (1990)
menyatakan analisis data landsat dengan komputer dapat
dikelompokkan menjadi:
a. Pemulihan citra (image restoration), analisis ini bertujuan untuk
memulihkan data citra yang mengalami distorsi ke arah gambaran
yang lebih sesuai dengan aslinya. Langkahnya meliputi koreksi
berbagai distorsi radiometrik dan geometrik yang mungkin ada pada
data citra asli.
b. Penajaman citra (image enhancement), dapat diterapkan untuk
menguatkan tampak kontras di antara kenampakan di dalam citra.
Langkah ini banyak meningkatkan jumlah informasi yang dapat
diinterpretasi secara visual dari data citra.
c. Klasifikasi citra (image classification), pada proses ini teknik
kuantitatif dapat diterapkan untuk interpretasi citra secara otomatis
11
pada data citra dengan mengevaluasi tiap pengamatan pixel dan
ditetapkan pada suatu kelompok informasi.
Seringkali terjadi disorsi terhadap data citra satelit akibat dari
sistem sensor yang dipakai. (Jensen dan Pohl (1996). Beberapa sumber
distorsi geometrik citra pada sistem sensor pasif antara lain : pembauran
dan absorbsi oleh atmosfer, sensor stripping dan efek pencahayaan
matahari. Distorsi geometrik adalah ketidaksempurnaan geometri citra
yang terekam pada saat pencitraannya, hal ini menyebabkan ukuran,
posisi dan bentuk citra menjadi tidak sesuai dengan kondisi yang
sebenarnya. Ditinjau dari sumber kesalahannya, distorsi geometrik
disebabkan oleh kesalahan internal dan eksternal. JARS (1993)
menyatakan bahwa kesalahan internal lebih banyak disebabkan oleh
geometrik sensor dan bersifat sistematik sedangkan kesalahan eksternal
disebabkan oleh bentuk dan karakter obyek data tersebut. Untuk
memulihkan hasil citra Supriatna dan Sukartono (2002) mengatakan
bahwa koreksi radiometrik perlu dilakukan karena adanya efek atmosferik
yang mengakibatkan kenampakan bumi tidak selalu tajam, sedangkan
koreksi geometri merupakan upaya memperbaiki citra dari pengaruh
kelengkungan bumi dan gerakan muka bumi dengan cara
menyesuaikannya dengan koordinat bumi (memposisikan letak lintang
dan bujur) sehingga sesuai dengan koordinat peta dunia. Penajaman citra
diterapkan untuk menguatkan kontras visual dalam kenampakan,
sedangkan pada tahap klasifikasi citra, pengelompokan piksel-piksel
dilakukan berdasarkan kesamaan penciri ke dalam kategori/tema.
1.7. Karakteristik Penginderaan Jauh
Data penginderaan jauh dapat berupa citra maupun non citra. Citra
penginderaan jauh merupakan gambaran yang mirip dengan wujud
12
aslinya sehingga citra merupakan keluaran suatu sistem perekaman data
bersifat optic, analog, dan digital. Beberapa karakteristik penginderaan
jauh antara lain sebagaimana dikemukakan Purwadhi, (2001), adalah
sebagai berikut :
1. Citra bersifat optic, citra ini biasa disebut citra fotografik yang berupa
foto. Citra jenis ini adalah gambaran objek yang direkam dengan
menggunakan kamera sebagai sensor rekam, film sebagai detektor.
2. Citra bersifat analog adalah citra yang berupa sinyal video seperti
gambar pada monitor televisi. Sistem perekamannya menggunakan
sistem gabungan optical scanning, sensornya menggunakan kamera
video, detektorrnya optik elektronik maupun tenaga eletromagnetik
dan perekamnya menggunakan spektrrum tampak dan perluasannya
(0,4 – 1,3 µm).
3. Citra bersifat digital pada umumnya citra non fotografik yang direkam
oleh satelit penginderaan jauh bersifat digital yang direkam dalam
bentuk pixel. Citra jenis ini direkam dengan menggunakan sensor non
kamera. Detektor yang digunakan lebih luas dibandingan dengan
citra jenis fotografik. Spectrum yang digunakan dalam perekaman
citra digital adalah spectrum tampak, ultraviolet, infra merah dekat,
infra merah termal dan gelombang mikro. Citra yang terbentuk dalam
format digital dan tersusun atas beberapa unsur gambar disebut pixel.
Perbedaan tingkat kecerahan pixel dipresentasikan oleh nilai numeric
atau Digital Namber (DN) pada masing-masing pixel. Istilah yang
sangat penting dalam mengenali karakteristik citra adalah band atau
channel (saluran) merupakan informasi dari range panjang
gelombang yang berdekatan dikumpulkan dan tersimpan dalam
bentuk band.
13
Sebagai gambaran terkait dengan karakteritik citra satelit, berikut
uraian singkat tentang landsat 7. Landsat 7 diluncurkan pada tahun 1998.
Landsat-7 ETM+ resolusi spasial 30 x 30 m, resolusi radiometriknya 8 bit.
Ketinggian orbit satelit adalah 705 km (438 miles) di Equator. Satelit ini
tegak lurus equator dari utara ke selatan. Proses perekaman gambar
pada waktu lokal sekitar jam 10:00 waktu setempat. Mengitari bumi
dengan kecepatan 7.5 km/detik, sekali mengorbit membutuhkan waktu
sekitar 99 menit. Satelit mengorbit sebanyak 14 kali sehari, dan
membutuhkan 16 hari untuk meliput seluruh bumi.
(http://edcsns17.cr.usgs.gov/NewEarthExplorer/).
Karakteristik citra yang dihasilkan secara lengkap disajikan pada
Tabel 1
Tabel 1.1. Karakteristik Citra Landsat 5 dan 7
Saluran Nama Gelombang Panjang gelombang (µm)
1
2
3
4
5
6
7
8
Biru
Hijau
Merah
Infra merah dekat
Infra merah pendek
Infra merah termal
Infra merah dekat
Pankromatik
0,45 – 0,52
0,52 – 0,60
0,63 – 0,60
0,76 – 0,90
1,55 – 1,75
10,40 – 12,50
2,09 – 2,35
0,50 – 0,90
Sumber : http://edcsns17.cr.usgs.gov/NewEarthExplorer/
14
Tabel 1.2. Perbandingan respon spektral optimum sensor.
Sensor Air - Vegetasi Vegetasi-Tanah
terbuka)
Landsat 1,2, dan
3
Landsat 5 dan 7
SPOT 1,2, dan 3
SPOT 4, dan 5
IKONOS
Qutck bird
50
54
47
48
41
42
22
26
20
20
24
24
Sumber : http://edcsns17.cr.usgs.gov/NewEarthExplorer/
15
BAB II
PRINSIP DASAR PENGINDERAAN JAUH VEGETASI
2.1. Latar Belakang
Tidak dapat dipungkiri bahwa sebagian besar dari permukaan
bumi ditutupi oleh vegetasi. Hasil perkiraan bahwa sekitar 70 persen dari
permukaan tanah ditutupi dengan vegetasi. Vegetasi adalah salah satu
komponen yang paling penting dari ekosistem pengetahuan tentang
variasi dalam spesies tumbuhan dan tatanan perubahan distribusi
masyarakat dalam siklus vegetasi fenologi (pertumbuhan), dan modifikasi
fisiologi dan morfologi memberikan pemahaman yang berharga geologi
dan karakteristik fisiografi dari daerah (Jones et al.1998). Banyak ilmuwan
telah mengabdikan sejumlah tenaga dan baiaya yang besar dengan
berupaya untuk mengembangkan sensor dan algoritma pengolahan citra
visual dan digital untuk mengekstrak infromasi vegetasi secara biofisik
yang penting dari data penginderaan jauh (Huete dan Jusuee, 1999).
Banyak teknik penginderaan jauh bersifat genetik di alam dan
dapat diterapkan untuk berbagai canopy, termasuk didalamnya untuk
bidang pertanian, kehutanan, tanah yang marginal, tanah yang subur, dan
vegetasi perkotaan (Damson.1998, Yoniel et al 1998)
Pada bab 2 ini diperkenalkan konsep-konsep fundamental terkait
dengan karakteristik biofisik vegetasi dan bagaimana data penginderaan
jauh dapat diolah untuk memberikan informasi yang unik tentang
parameter pengamatan vegetasi. Diabagia akhir merangkum beberapa
indeks vegetasi yang sudah dikembangkan untuk mengekstrak informasi
vegetasi biofisik dari data penginderaan jauh (remote sensing) secara
digital dari beberapa ukuran yang digunakan oleh ahli ekologi tanah untuk
memaknai parameter lengkap tentang vegetasi, bentuk, ukuran, dan lain-
16
lain menggunakan data penginderaan jauh secara ringkas. Beberapa
konsep dasar tentang vegetasi dan keterkaitannya dengan pengambilan
data penginderanan jauh diuraikan dalam bab ini.
2.2. Fundamental Fotosintesis
Telah kita pahami bahwa saat ini minyak dan batubara
menyediakan lebih dari 90 persen dari energi yang dibutuhkan untuk
berbagai keperluan termasuk untuk kenderaan, kereta api, truk, kapal,
pesawat terbang dan lain lain. Energi dalam minyak dan batubara pada
awalnya ditangkap dari matahari oleh tanaman yang tumbuh jutaan tahun
lalu yang diubah menjadi bahan bakar fosil. Oleh karena itu geologi,
fotosintesis, setidaknya secara tidak langsung, tidak hanya sarana utama
yang memungkinkan masyarakat yang beradab berfungsi normal, tetapi
juga satu-satunya cara mempertahankan hidup, kecuali beberapa bakteri
yang memperoleh energi mereka dari garam sulfur dan senyawa-
senyawa.bahan anorganik ini lainnya seperti fotosintesis unik atau
tanaman hijau melengkapi bahan baku, energi, dan oksigen.pada
fotosintesis, energi dari matahari dimanfaatkan dan dikemas ke dalam
(CO2) dengan bantuan klorofil. Dalam prosen ini, oksigen (O2) dilepaskan
sebagai produk sampingan dari proses fotosintesis.
Seorang naturalis Joseph pada tahun 1772 melakukan ekperimen
kecil bahwa ketika ia menempatkan lilin di bejana terbalik itu akan
terbakar dengan cepat, jauh sebelum kehabisan lilin. Dia juga
menemukan bahwa tikus akan mati jika ditempatkan di bawah tabung
yang sama. Dia percaya bahwa udara terluka oleh lilin dan tikus tetapi itu
bisa dikembalikan dengan menempatkan tanaman di bawah tabung. Jan
Ingen-housz dibangun di atas percobaan dan menemukan pada 1788
bahwa pengaruh sinar matahari pada tanaman menyebabkan tikus
selamat beberapa jam.pada tahun 1796 Pastor Perancis Jean sSenebier
17
menemukan bahwa itu adalah karbon dioksida,CO2, di jar itu udara
terluka dan bahwa itu benar-benar diambil oleh tanaman .akhirnya,
Theodore desaussure menunjukkan bahwa peningkatan massa tanaman
seperti tumbuh adalah karena tidak hanya untuk penyerapan CO2 tetapi
juga untuk penyerapan air , H2O. pada awal abad kedua puluh, para
ilmuwan menemukan bahwa oksigen untuk fotosintesis berasal dari efek
water.in, energi cahaya yang masuk tanaman membagi air menjadi
oksigen dan hidrogen.the proses fotosintesis dijelaskan oleh persamaan:
6CO2+ 6H2O + energy cahaya -- C6H12O6+ 6O2
Fotosintesis adalah proses penyimpanan energi yang mengambil
tempat di daun dan bagian hijau tanaman lainnya dengan bantuan
cahaya. Energi cahaya disimpan dalam molekul gula sederhana
(glukosa) yang dihasilkan dari karbon dioksida (CO2) yang terekspose di
udara dan air (H2O) diserap oleh tanaman terutama melalui akar
system.ketika karbon dioksida dan air yang dikombinasikan dan
membentuk molekul gula (C6H12O6) di kloroplas sebuah, gas oksigen (O2)
yang dirilis sebagai produksi.oksigen berdifusi keluar ke atmosphere.
Proses fotosintesis dimulai ketika sinar matahari pemogokan kloroplas,
tubuh kecil di daun yang mengandung zat hijau disebut klorofil.
Tanaman telah beradaptasi struktur internal dan eksternal untuk
melakukan struktur Photosynthesis.dan interaksinya dengan energi
elektromagnetik telah ber dampak langsung pada bagaimana daun dan
kanopi muncul spektral saat direkam menggunakan instrumen
penginderaan jauh.
18
2.3. Karakteristik spektral tanaman
Sebuah penyadapan sehat daun hijau peristiwa aliran bercahaya (i)
langsung dari matahari atau dari langit difusi tersebar ke daun. Peristiwa
energi elektromagnetik ini berinteraksi dengan pigmen, air, dan ruang
udara antar dalam jumlah daun.pada tanaman aliran bercahaya tercermin
dari daun (r),jumlah aliran bercahaya diserap oleh daun (), dan
jumlah aliran bercahaya ditularkan melalui daun (r)dapat secara hati-
hati diukur seperti yang kita menerapkan persamaan keseimbangan
energi dan upaya untuk melacak apa yang terjadi pada semua persamaan
umum insiden energy. untuk interaksi spektral () aliran bercahaya dalam
daun
i = r + + .
Membagi masing-masing variabel dengan aslinya peristiwa aliran
bercahaya, i :
𝐢
𝐢 =
𝐫
𝐢+
𝐢 +
𝐢
hasil:
i = r + +
dimana r adalah reflektan hemisphere spektral daun, adalah
absorptance hemispherical spektral, dan adalah spektral transmitans
hemispherical oleh daun. penginderaan paling terpencil fungsi dalam
0,35-3,0 m wilayah seluas terutama tercermin energy.jadi, itu berguna
untuk demikian hubungan sebagai:
r = i - ( + )
di mana energi yang dipantulkan dari permukaan daun tanaman adalah
sama dengan energi insiden minus energi yang diserap langsung oleh
tanaman untuk fotosintesis atau tujuan lain dan jumlah energi yang
19
ditransmisikan secara langsung melalui daun ke daun lain atau tanah di
bawah kanopi.
2.4. Faktor Dominan Reflektansi Pada Daun
Faktor reflleksi pada daun sangat menentukan terhadap proses
penginderan jauh pada vegetasi atau tanaman. Gerbang et al. (1965)
Gausmann (1969) .Myers (1970) dan yang lainnya meneliti tentang faktor
terkait dengan reflektansi menunjukkan pentingnya memahami
bagaimana pigmen, hamburan internal dan kadar air daun mempengaruhi
reflektansi dan transmisi pada daun. Inilah faktor yang .dominan yang
mengendalikan reflektansi daun kisaran gelombang elektromagnetik dari
0,35 - 2.6m.
Gambar 2.1. Karateristik feflektan pada vegetasi
Karakteristik reflektansi spektral sehat, vegetasi hijau untuk
panjang gelombang selang 0,4-2,6 m. Faktor yang dominan
mengendalikan daun reflektansi adalah berbagai pigmen daun di
hamburan batas mesofil untuk gelombang energi inframerah dekat di
20
jaringan mesofil, dan jumlah air pada daun. Serapan klorofil utama terjadi
pada gelombang 0.43-0.45 m dan 0,65-0,66 m di band penyerapan
air primer terlihat terjadi pada daerah 0.97,1.19,1.45,1.94 dan 2,7 m.
Interaksi cahaya tampak dengan pigmen dalam sel-sel palisade
mesofil. Proses makanan - membuat melalui fotosintesis menentukan
bagaimana daun dan tanaman kanopi terkait benar-benar muncul di
radiomatrically merasakan jarak jauh hal images.three untuk membuat
makanan:
Karbon dioksida (CO2)
Air (H2O), dan
Radiasi (E) diukur dalam W 𝒎−𝟐.
Karbon dioksida dari udara dan air yang disediakan oleh akar dan
batang sistem mewakili bahan baku dasar photosynthesis.sinar matahari
memberikan radiasi (E) yang kekuatan fotosintesis. Struktur sel daun
sangat bervariasi tergantung pada spesies dan kondisi lingkungan
selama pertumbuhan .carbon dioksida memasuki daun dari atmosfer
melalui tinypores disebut stomata, terletak terutama pada bagian bawah
yang lebih rendah stomata epidermis.
21
a b
Gambar 2. 2. Kenampakan Penampang Pada Daun a) Hipotesis penampang daun hijau yang sehat khas, menunjukkan kedua bagian
bawah atas pigmen klorofil leaf.the dalam sel palisade parenkim memiliki dampak
yang signifikan terhadap penyerapan dan pemantulan cahaya tampak (biru, hijau,
dan merah) , sedangkan sel-sel parenkim mesofil spons memiliki dampak yang
signifikan terhadap penyerapan dan pemantulan dekat-inframerah insiden energy.
b) Gambar mikroskop elektron dari daun hijau.
Stomata dikelilingi oleh sel penjaga yang membengkak
ataukontraksi ketika stomata membengkak, pori stomata terbuka dan
memungkinkan karbon dioksida untuk masuk daun. Sebagai contoh,
daun bunga matahari yang khas mungkin memiliki dua juta stomata, tetapi
ia hanya membuat sekitar satu persen dari permukaan daun area.
biasanya, ada stomata nol di bagian bawah daun, namun, pada beberapa
daun stomata yang merata pada kedua atas dan epidermis bawah.
Lapisan atas daun atas sel-sel epidermis memiliki permukaan
kutikula yang berdifusi tetapi mencerminkan sangat sedikit cahaya
menurut Philpott (1971) .adalah variabel ketebalan tetapi sering hanya 3-
5 m kental dengan dimensi sel dari sekitar 18 x 15 x 20 m.
Menganggapnya sebagai sebuah lilin, bahan tembus mirip dengan
kutikula di atas jarijarai daun. Banyak tanaman yang tumbuh di bawah
22
sinar matahari cerah memiliki kutikula tebal yang dapat menyaring
beberapa cahaya dan menjaga terhadap berlebihan air tanaman yang
hilang. Beberapa tanaman seperti pakis dan beberapa semak di lantai
hutan dan harus bertahan hidup didaun dengan kondisi-kondisi
berbayang dari banyak tanaman ini memiliki kutikula tipis sehingga
tanaman dapat mengumpulkan sebanyak sinar matahari redup mungkin
untuk fotosintesis.
Fotosintesis terjadi di dalam daun hijau yang khas dalam dua jenis
dalam proses pembuatan makanan,-sel-sel palisade parenkim dan sel-
sel daun. Kebanyakan parenkim busa mesofil memiliki lapisan yang
berbeda dari sel parenkim palisade yang panjang di bagian atas mesofil
dan berbentuk lebih tidak teratur, longgar yang diatur oleh jaringan sel-sel
parenkim dibagian bawah sel mesofil. Batasnya cenderung terbentuk
dalam porsi mesofil menuju sisi dari mana cahaya daun memasuki dalam
jaringan paling horizontal (planophile) meninggalkan sel palisade akan
menuju permukaan atas, tapi daun yang tumbuh hampir vertikal
(erectophile), sel-sel palisade dapat membentuk dari kedua sisi.in
beberapa meninggalkan sel palisade memanjang sepenuhnya absen dan
hanya sel-sel parenkim spons akan ada dalam mesofil.
Struktur seluler dari daun besar dibandingkan dengan panjang
gelombang cahaya yang berinteraksi dengan sel palisade biasanya 15 x
15 x 60 m, sementara sel mesofil jaringan parenkim yang lebih kecil dari
sel tanaman palisade parenkim mesofil mengandung kloroplas dengan
pigmen klorofil .
Kloroplas umumnya 5 - 8m dan diameter sekitar 1 m lebar,
sebanyak 50 kloroplas terdapat di setiap sel parenkim. Klorofil
sebenarnya terletak (sekitar 0,5 m panjang dan 0,05 m diameter) pada
suatu kloroplas umumnya lebih berlimpah ke sisi atas daun di batas sel
dan karenanya memperhitungkan kelihatan hijau gelap dari permukaan
23
daun bagian atas dibandingkan dengan permukaan yang lebih ringan
bawah.
Suatu molekul A, bila dipukul oleh gelombang atau foton cahaya
merefleksikan sebagian energi atau dapat menyerap energi dan dengan
demikian masuk ke dalam energi yang lebih tinggi atau keadaan
tereksitasi. Molekul .masing-masing menyerap atau mencerminkan
panjang gelombang karakteristik sendiri dari cahaya.molekul pada
pembuatan hijau khas telah berevolusi untuk menyerap panjang
gelombang cahaya di daerah cahaya tampak dari spektrum (0.35-
0.70m) sangat baik dan disebut spektrum penyerapan pigments. Untuk
pigmen tertentu menggambarkan panjang gelombang di mana ia dapat
menyerap cahaya dan masuk ke dalam rangakaian, menyajikan spektrum
penyerapan pigmen klorofil murni dalam larutan. chlorophyll dan b adalah
pigmen tumbuhan yang paling penting menyerap cahaya biru dan merah:
klorofil a pada panjang gelombang 0,43 dan 0.66m dan klorofil b m di
panjang gelombang 0,45 dan 0.65m (curran, 1983; Farabee, 1997.) .a
relatif kurangnya penyerapan di panjang gelombang antara dua band
penyerapan klorofil menghasilkan palung dalam efisiensi serapan pada
sekitar 0,54 m di bagian hijau dari spektrum elektromagnetik (Gambar
10-3a). dengan demikian, penyerapan relatif lebih rendah dari panjang
gelombang cahaya hijau (dibandingkan dengan cahaya biru dan merah)
dengan daun yang menyebabkan daun hijau sehat untuk tampil hijau
untuk mata kita.
Ada pigmen lain yang hadir dalam sel-sel palisade mesofil yang
biasanya tertutup oleh kelimpahan klorofil pigments.for contoh, ada
karoten kuning dan pucat xanthophylls kuning pigmen, dengan
penyerapan yang kuat terutama dalam spektrum serapan panjang
gelombang biru region. -karoten ditunjukkan pada gambar 10 - 3b
24
dengan pita serapan yang kuat berpusat di sekitar 0.45m.phycoerythrin
pigmen juga dapat hadir dalam daun yang menyerap sebagian besar di
wilayah hijau berpusat di sekitar 0.55m, memungkinkan cahaya biru dan
merah akan tercermin .phycocyanin pigmen menyerap terutama di
daerah hijau dan merah berpusat di sekitar 0,62 m, yang memungkinkan
banyak biru dan beberapa lampu hijau (yaitu, kombinasi menghasilkan
cyan) akan tercermin (gambar 10-3b) .karena klorofil a dan b kloroplas
juga hadir dan memiliki pita serapan yang sama di wilayah biru ini, mereka
cenderung mendominasi dan menutupi efek dari pigmen lainnya
present.ketika tanaman mengalami senescense musim gugur atau
pertemuan stress.
25
a b
Gambar 2.3. Variasi penyerapan spektrum oleh klorofil a) Spektrum penyerapan klorofil a dan b pigments.chlorophyll a dan b
pigmen dalam daun menyerap banyak insiden biru dan merah panjang gelombang energy.
b) spektrum penyerapan -karoten, yang menyerap terutama dalam pigmen blue.other yang mungkin ditemukan dalam daun termasuk phycoerythrin yang menyerap cahaya terutama hijau, dan phycocyanin yang menyerap cahaya terutama hijau dan merah (setelah farabee, 1997)
Pigmen mungkin hilang, memungkinkan karoten dan pigmen lainnya
untuk menjadi dominan. Misalnya, pada musim gugur, produksi klorofil
berhenti, menyebabkan warna kuning dari karoten-karoten dan pigmen
tertentu lainnya di dedaunan pohon untuk menjadi lebih terlihat oleh mata
kita. Selain itu, beberapa pohon menghasilkan cukup besar antosianin
pada musim gugur, yang dapat menyebabkan daun berubah menjadi
merah terang.
Dua daerah spektral yang optimal untuk merasakan karakteristik
penyerapan klorofil dari daun diyakini 0,45-0,52 µm dan 0,63-0,9 µm.
Mantan wilayah ditandai dengan penyerapan yang kuat oleh tenoids dan
klorofil, sedangkan yang terakhir ditandai dengan penyerapan klorofil
yang kuat. Penginderaan jauh penyerapan klorofil dalam kanopi
merupakan variabel biofisik mendasar berguna bagi banyak penyelidikan
26
biogeografis. Karakteristik penyerapan kanopi tanaman dapat ditambah
dengan Data jarak jauh lainnya untuk mengidentifikasi stres vegetasi,
hasil, dan variabel hibrida lainnya. Dengan demikian, banyak penelitian
penginderaan jauh prihatin dengan memantau apa yang terjadi pada
photosynthetic aktif radiasi (PAR) karena berinteraksi dengan daun dan
atau tajuk tanaman. Penggunaan spektrometer pencitraan resolusi
spektral sangat berguna untuk mengukur karakteristik penyerapan dan
pantulan dari radiasi aktif dari fotosintesis.
Dalam bab ini telah diuraikan bagaiman struktur daun yang
menyebabkan proses analisis refleksi tanaman yang menjadi dasar
dalam proses penginderaan jauh pada tanamanm dan bagianman data
yang disajikan untk mendapatkan infromasi dari daun atau tajuk tanaman
melalui data pengindernan jauh.
27
BAB III
PRINSIP DASAR PENGINDERAAN JAUH HYPERSPEKTRAL
3.1. Latar Belakang
Bab ini menyajikan prinsip dasar penginderaan jauh hyperspectral,
pemetaan spektral dan indeks spektral. Spektrum pemetaan dan algoritma
indeks spektral yang disajikan dalam bab ini dapat diimplementasikan pada
tanaman dan tanah, termasuk pengaruh sudut pengambilan data penginderaan
jauh akan disajikan dengan mengambil contoh data multi sudut penginderann
jauh pada tanaman.
Penginderaan jauh hiperspektral telah terbukti relevan dengan banyak
persyaratan persediaan dan pemantauan tutupan lahan. Sejumlah besar
penelitian dan eksperimen telah menunjukkan kegunaan dan kelayakannya
untuk mengatasi berbagai masalah aplikasi, seperti klasifikasi dan pemetaan
tanaman pertanian (Tucker 1979; Clevers 1986; Clevers et al., 1994; Pax-
Lenney et al., 1996; Pax -Lenney & Woodcock 1997; Blackburn & Steele 1999;
Mutanga et al., 2003).
Pemetaan spektral secara rutin telah dikembangkan untuk klasifikasi
citra yang lebih spesifik dan analisis spektral data hyperspectral, dan contohnya
mencakup metode klasifikasi paralelepiped dan spectral sngle mapper (SAM)
dibahs. Metode untuk mengurangi dimensi data hyperspectral seperti Minimum
Noise Fraction (MNF) digunakan pada analisis hyperspectral data. Pixel Purity
Index (PPI) juga memainkan peran penting dalam analisis data hyperspectral
untuk mengidentifikasi piksel endmember murni. Metode ini didasarkan pada
prinsip penghitungan distribusi nilai piksel pada citra yang sdudah diekstraksi.
Untuk melakukan ini, dilakukan dengan cara analisi dari hasil observasi
lapangan dan uji coba laboratorium terhadap pengambilan data hyperspectral.
28
Penelitian lapangan dan laboratorium tentang penginderaan jauh
hyperspectral dengan berbagai fitur spektral sempit telah terbukti berkaitan
dengan perubahan kondisi vegetasi dan jumlahnya, termasuk karakteristik
fisiologis seperti jumlah dan / atau jenis klorofil (Rock et al., 1994; Yoder &
Pettigrew-Crosby 1995; Gitelson & Merzlyak 1997).
Distribusi piksel dapat dipengaruhi oleh faktor-faktor seperti distribusi
vegetasi, tipe vegetasi, ambang batas yang digunakan dalam pemetaan
spektral, dan posisi sensor dalam kaitannya dengan target. Distribusi dan jenis
vegetasi telah lama dikenal sebagai faktor kunci untuk distribusi piksel di tempat
kejadian. Namun, parameter masukan yang digunakan dalam pemetaan
spektral seperti Lebar Pipe Half Width (PHW) dalam klasifikasi paralelepiped,
dan sudut pada Spectral Angle Mapper (SAM) dapat menghasilkan hasil yang
berbeda (Yuhas et al., 1992). Sudut engambilan pada sensor (sensor viewing
angle) dapat menyumbang intensitas pantulan yang juga menghasilkan variasi
piksel yang ditetapkan menurut endmembers (Aparicio et al., 2004; Goodin et
al., 2004).
Dalam mengkaji penginderan jauh hyperspectral, dalm bab ini disajikan
data Compact High Resolution Imaging Spectrameter (CHRIS). CHRIS adalah
instrument penginderaan jauah yang menghasilkan citra hyperspectral data,
terdiri atas 72 band dengan kisaran panjang gelommbang 400-900 nm.
3.2. Penginderaan Jauh Hiperspektral: Prinsip Dasar
Prinsip dasar pencitraan hiperspektral didasarkan pada evaluasi
signature reflektansi permukaan bumi pada domain reflektif dan emisif pada pita
spektral sempit bersebelahan (Goetz et al., 1985; Lillesand & Keifer 2000).
Ketika cahaya berinteraksi dengan suatu benda dalam bentuk spektrum,
panjang gelombang tertentu lebih disukai diserap dan panjang gelombang
lainnya ditransmisikan oleh benda (van der Meer et al., 2003b).
Penginderaan jauh hiperspektral melibatkan studi tentang cahaya yang
dipancarkan atau dipantulkan dari bahan dan variasi energinya dengan panjang
29
gelombang. Ini termasuk studi cahaya sebagai fungsi dari panjang gelombang
yang telah dipancarkan, dipantulkan atau disebarkan dari zat padat, cair, atau
gas (Clark 1999). Metode utama yang digunakan didasarkan pada evaluasi
signature reflektansi permukaan bumi pada domain reflektif dan emisif pada pita
spektral sempit bersebelahan pada skala piksel.
Tujuan utama penginderaan jauh hyperspectral adalah untuk mengukur
komponen sistem Bumi secara kuantitatif dari spektrum yang dikalibrasi yang
diperoleh sebagai gambar untuk penelitian dan aplikasi ilmiah (Vane & Goetz,
1988). Bila diaplikasikan pada bidang penginderaan jauh optik, pencitraan
hyperspectral berhubungan dengan spektrum sinar matahari yang difilter secara
difus (tersebar) oleh material di permukaan bumi.
Penginderaan jauh hiperspektral telah muncul sebagai salah satu alat
yang paling berguna untuk meningkatkan pemahaman kita tentang penilaian
penutupan lahan. Kemajuan telah dilakukan untuk menentukan dan
memperkirakan vegetasi dan sifat tanah menggunakan data hyperspectral
(Bach & Mauser 1997; Ahn et al., 1999; Ben-dor & Levin 2000; Cochrane 2000;
Darvishsefat et al., 2002; Casa & Jones 2004; Cavalli et al., 2005). Hal ini juga
menjadi semakin jelas bahwa merancang ulang platform dan sensor untuk
pengamatan di Bumi akan menghasilkan banyak manfaat bagi banyak ilmu
pengetahuan (Privette et al., 1997).
Data pencitraan hiperspektif telah tersedia terutama untuk para periset,
namun teknik pencitraan jenis ini akan segera digunakan secara luas di ranah
publik dengan perkembangan dan penampilan baru-baru ini dari sistem
pencitraan hyperspectral komersial seperti Hyperspectral Mapper (HyMap)
(Cocks et al., 1998) dan CHRIS (Cutter et al., 2000) dan peluncuran sensor
berbasis satelit. Penjelasan lebih lanjut tentang rencana penginderaan jauh
hyperspectral masa lalu, terkini dan masa depan disediakan oleh Treitz dan
Howarth (1999). Prinsip dasar yang terkait dengan penelitian ini disoroti pada
bagian 2.2.1 sampai 2.2.3.
30
3.2.1. Parameter Spektral
Untuk mengukur kemampuan data hyperspectral, ada empat parameter
umum yang harus dipertimbangkan, 1) daerah spektral, 2) bandwidth spektral,
3) spektral sampling, dan 4) rasio signal-to-noise (S / N) (Clark, 1999). Daerah
spektral sensor harus cukup mencakup fitur serapan spektral diagnostik yang
ada pada bahan permukaan target. Wilayah spektral mengacu pada rentang
radiasi elektromagnetik tertentu, yang ditandai dengan panjang gelombang
dalam nanometer.
Kisaran spektral yang didefinisikan oleh teknologi wavelength convention
and detector diilustrasikan pada Tabel 3.1. Namun, tidak semua daerah spektral
digunakan untuk penginderaan jauh hyperspectral. Kisaran antara 400 – 1000
nm kadang-kadang disebut dalam literatur penginderaan jauh sebagai VNIR
(visible near infrared, cahaya tambak inframerah dekat) dan kisaran 1000 – 2500
nm digambarkan sebagai SWIR (short wave infrared, gelombang pendek
inframerah). Istilah-istilah ini tidak diakui sebagai istilah standar dalam disiplin
lain kecuali penginderaan jauh. Clark (1997) mengemukakan bahwa "karena
NIR dalam konflik VNIR dengan kisaran NIR yang diterima, persyaratan VNIR
dan SWIR mungkin harus dihindari" (Clark, 1999). Bagian tengah inframerah
mencakup energi yang dipancarkan secara termal, yang untuk bumi dimulai
sekitar 2500 – 3000 nm, mencapai puncak mendekati 10.000 nm, dan menurun
melampaui puncak yang berkaitan dengan bentuk emisi abu-abu.
31
Tabel 3.1. Kisaran radiasi gelombang elektromagnetik
Region Names Wavelength Nanometres (nm) or micron (μ) Cosmic Ray
Gamma Ray X Ray
Optical
Ultra-violet (UV)
Far Ultra violet 1-200 nm Ultra Violet C (UVC) 200-280
nm Ultra Violet B (UVB) 280-315 nm Ultra Violet A (UVA) 315-400 nm Visible (VIS) Photosynthetically
Active Radiation (PAR)
Blue Light 400-525 nm Green Light 525-605 nm Yellow Light 605-655 nm Red Light 655-725 nm Far Red 725-750 nm Infrared (IR) Near-Infrared
(Near- IR)
Short Wave Near Infrared (SW-
NIR)
750-1100 nm
Typical 1st
(NIR) region
detector (NIR1) or SWIR1
1000-1800 nm
Typical 2nd NIR region detector (NIR2) or (SWIR2)
1800-2500 nm
Conventional Near Infrared (NIR)
1000-2500 nm or
1.0-2.5 μ
Mid Infrared (Mid-IR)
2.5 – 50 μ Thermal
(Emitted) 8 - 15 μ Far Infrared 50 – 100
μ Microwave & Radar
UHF TV VHF TV & FM Radio
AM Radio
Spektral sampling adalah jarak dalam panjang gelombang antara
profil bandpass spektral untuk setiap saluran dalam spektrometer sebagai
fungsi panjang gelombang (Kruse 1994; Clark 1999). Teori informasi
menyatakan bahwa untuk menyelesaikan fitur spektral, dua sampel harus
diukur (Clark 1999). Selanjutnya, untuk menghindari bias sampling,
sampel harus cukup dekat untuk mengukur lokasi puncak dan lembah.
Teorema teorema Nyquist (Richards & Jia 1999) untuk sebuah sinyal,
32
menyatakan bahwa informasi maksimum diperoleh dengan sampling
pada setengah Max Penuh Lebar Maksimum (FWHM). Desain
spektrometer mungkin mendikte sampling yang berbeda. Banyak
spektrometer modern seperti sampel AVIRIS, HyMap, DAIS dan CHRIS
pada interval sampling Nyquist yang meningkat, kira-kira sama dengan
Full Width Half Maksimum-suatu ukuran terkait dengan panjang
gelombang yang digunakan dalam menentukanketelitian..
Alat spektrometer harus mengukur spektrum dengan presisi yang
cukup untuk mencatat rincian spektrum (Clark 1999). Sehingga, rasio
signal-to-noise (S/N) yang dibutuhkan untuk memecahkan masalah
tertentu akan bergantung pada kekuatan fitur spektral. S / N bergantung
pada sensitivitas detektor, bandwidth spektral, dan intensitas cahaya
yang dipantulkan atau dipancarkan dari permukaan yang diukur. Fitur
spektral yang kuat dapat diidentifikasi secara memadai dari sinyal hingga
noise hanya ~ 10, sedangkan fitur lemah memerlukan S / N beberapa
ratus (Swayze & Clark 1995). Rasio Sinyal terhadap noise untuk data
HyMap dan CHRIS masing-masing adalah 500: 1 dan 200: 1.
3.4. Viewing (pandangan) dan iluminasi geometri
Orientasi relatif sumber cahaya dan aperture pengukuran, atau
iluminasi / geometri tampilan, merupakan variabel penting dalam desain
spektrometer (Suen & Healey 2001). Melihat geometri mencakup sudut
kejadian, sudut refleksi, dan sudut antara cahaya dan sensor kejadian
(Gambar 3.2). Melihat parameter geometri mempengaruhi intensitas
cahaya yang diterima sebagai akibat dari perubahan bayangan dan
proporsi permukaan pertama terhadap pola hamburan ganda (Nelson
1986; Mustard & Pieters 1987; Hapke 1993). Geometri tampilan dapat
menghasilkan perubahan pada kedalaman band dan kurva spektral,
meskipun kedalaman band hanya akan berubah dengan proporsi refleksi
33
specular yang ditambahkan pada cahaya yang dipantulkan. Namun,
untuk permukaan dan panjang gelombang dimana beberapa scattering
mendominasi, perubahan pada kedalaman pita dapat menyebabkan
masalah dalam interpretasi.
Beberapa sistem penginderaan jarak jauh yang beroperasi atau
dijadwalkan beroperasi dirancang untuk melakukan pengukuran
berdasarkan berbagai konfigurasi pencahayaan / tampilan. Misalnya,
Radiometer Resolusi Tinggi yang Sangat Tinggi (AVHRR / NOAA) (Leroy
& Roujean 1994) memiliki bidang pandang + 55,4 °, dan sudut zenith
surya melintasi pemindaian tertentu (2700 km) dapat bervariasi pada 30
°. Resolusi Tinggi Terlihat (HRV / SPOT) (Wiegand et al., 1992), dengan
bidang pandangnya yang sempit, memiliki cermin yang
memungkinkannya untuk melihat secara lateral lebih dari sudut dari -27 °
(arah anti matahari) sampai + 27 ° ( arah ke depan). CHRIS memiliki
kemampuan untuk mengumpulkan gambar dari lima sudut yang berbeda
(+ 55 °, + 36 °, 0 °, -36 °, -55 °) (Barnsley et al., 2000; Cutter et al., 2000).
Sistem sensor yang disebutkan di atas memiliki waktu jembatan yang
berbeda, yang menyebabkan variasi kondisi iluminasi lebih lanjut.
Gambar 3.2.Ilustrasi imaging geometry (Lewis 1996)
34
Telah dilaporkan bahwa mengubah sudut pandang sensor mengubah
jumlah bayangan dan / atau latar belakang tanah yang muncul di Field of View
(FOV), yang dapat menyebabkan variasi dalam spektrum terukur (Wardley
1984; Barnsley et al., 1997a; Hyman & Barnsley 1997; Aparicio et al., 2004;
Goodin et al., 2004). Namun, kebanyakan penelitian penginderaan jarak jauh
menggunakan data hyperspectral tidak memperhitungkan efek ini, dengan
menggunakan spektrum yang diukur dari satu arah saja.
3. 4.1. Jejak dan Ciri Spectral Multi-Sudut
Sudut pandang ganda dari instrumen CHRIS memungkinkan kita
mempelajari bagian BRDF. Ada dua persyaratan utama untuk pengambilan
sampel BRDF dengan benar: (1) banyak gambar pada berbagai tampilan dan
sudut matahari, sebaiknya termasuk bidang utama (PP); dan (2) lapangan
lapangan yang diproyeksikan secara langsung (GIFOV) cukup besar untuk
mencakup sampel elemen permukaan yang representatif (Chooping et al.,
2003).
Secara teoritis, pemantulan langsung dikendalikan oleh struktur spasial
dan geometrik permukaan pemantul, serta oleh sifat optik elemen
komponennya. Citra CHRIS dapat digunakan untuk memperkirakan parameter
biofisik permukaan menggunakan teknik yang berbeda seperti indeks spektral
(konvensional), posisi tepi merah (perkembangan terakhir), dan inversi model
BRDF (ESTEC 1999). Penelitian pada data satelit multi sudut menunjukkan
perbedaan yang signifikan secara statistik antara variabel spektral dan sudut
untuk kelas vegetasi yang berbeda (Zhang et al., 2002a, 2002b).
35
BAB IV
METODA ANALISIS DATA PENGINDERAAN JAUH HYPERSPECTRAL
4.1. Latar belakang.
Data multi-spektral biasanya digunakan untuk teknik pemetaan spektral
vegetasi dan pemantauan tanaman pertanian. Metode yang digunakan meliputi
fraksi endmembers yang digunakan untuk membagi piksel tunggal menjadi
komponen penyusunnya (Adam et al., 1995), struktur kanopi (Ahlrichs & Bauer
1983), memperkirakan indeks luas daun hijau (Curran 1983) dan status
pertumbuhan tanaman dan kondisi lingkungan yang mempengaruhi
pertumbuhan tanaman (Li et al., 2001). Namun, ada beberapa keterbatasan
dengan menggunakan data multispektral seperti jumlah band, spektral dan
resolusi spasial yang terbatas (Barnes & Baker 2000). Untuk mengatasi
keterbatasan ini, data hyperspectral telah digunakan secara intensif untuk
pemantauan vegetasi dan tanaman pertanian (Bach et al., 2005). Data
hyperspectral dapat memperbaiki estimasi parameter tanaman (Bach & Mauser
1997). Metode mendasar untuk tujuan ini adalah penggunaan pemetaan
endmember yang berasal dari spektral yang dihasilkan dari data hyperspectral.
Telah ada sejumlah besar penelitian tentang pemetaan endemember
yang berasal dari spektral yang dikaitkan dengan vegetasi menggunakan data
hyperspektral (Lewis et al., 2000; Darvishsefat et al., 2002). Spektrum pemetaan
rutinitas yang mengukur tegangan vegetasi yang terkait dengan salinitas telah
diterapkan (Gausman et al., 1969; Dehaan & Taylor 2002, 2003) sementara data
hiperspektif juga telah digunakan untuk mengkalibrasi model yang
mensimulasikan kesehatan tanaman (Clevers et al., 1994; Clevers &
Jongschaap 2003).
Metode pemetaan endemik spektral dapat digunakan, pada skala
lapangan, untuk menghubungkan informasi spesifik dalam target (Milton 1987;
36
Salisbury 1998). Pada tanaman kapas, misalnya, Mass (1998) menggunakan
analisis campuran spektral untuk menilai kesehatan tanaman. Pemetaan
endemik spektral pada tingkat piksel menjadi karakteristik penyusunnya dari
tanaman pertanian telah dihasilkan untuk menilai kondisi tanaman seperti
kejadian pestisida, semangat tanaman, dan sifat kanopi (Camille et al., 1998;
Lass et al., 2002; Casa & Jones 2004; Haboudane et al., 2004).
Di antara teknik yang paling produktif dalam analisis data hyperspectral
adalah penggunaan prosedur sistem pakar yang sesuai dengan kurva respons
spektral setiap piksel ke spectral library dibuat dari spektrum laboratorium
berbagai bahan (Kruse & Lefkoff 1992). Utilitas algoritma pemetaan
hyperspectral telah ditunjukkan untuk aplikasi vegetasi (Clevers & Jongschaap
2003; Kumar et al., 2003), membedakan vegetasi kering (Lewis et al., 2000),
klasifikasi spesies (Datt 1999; Cochrane 2000) , dan untuk klasifikasi tutupan
lahan (Merton 1998; Lass et al., 2002).
Sebagian besar algoritma pemetaan hiperspektral mengasumsikan
bahwa variasi kurva spektral mewakili komponen yang diminati. Meskipun
mengidentifikasi fitur unik kurva reflektansi spektral dapat memungkinkan
pembedaan satu piksel atau tanaman tunggal, tetap harus dilihat seberapa
sensitif teknik ini terhadap variasi masukan parameter saat diterapkan pada
skala lapangan. Sebagian besar penelitian sebelumnya tidak
mempertimbangkan bahwa parameter masukan dalam rutinitas pemetaan
spektral merupakan faktor kunci yang menentukan keakuratan dan reliabilitas
analisis.
4.2. Koleksi Spectral library dan Koleksi Endemember
Spectral Library adalah data terkait dengan rangkaian spectral
pantulan pada rentang panjang gelobang tertentu biasanya antara 400
nm-2500 nm dari hasil releksi gelombang elektromagneitk yang ditangkap
oleh senso pada suatu benda. Spctral library dapat dihasilkan dari
pengukuran lapangan dan citra hiperspektral, dan dikembangkan untuk
37
digunakan sebagai referensi dalam analisis citra. Dokumentasi lengkap
spectral library untuk berbagai mineral dijelaskan di Grove et al., (1992).
Spectral library Geologi Survei A.S. publik berisi hampir 500 spektrum
mineral dan sejumlah kecil spektrum vegetasi umum (Clark et al., 1993).
Namun, spectral library yang ada tidak dalam format standar dan,
karenanya, tidak selalu berlaku di lingkungan tertentu. Sebagai gantinya,
seseorang biasanya menghasilkan database spectral library untuk
vegetasi dan / atau mineral yang diteliti (Yuhas et al., 1992; Adam et al.,
1995; Roberts et al., 1998; Dehaan & Taylor 2002, 2003; Dennison &
Robert 2003)
Spectral library dapat diperoleh dengan mengekstraksi refleksi
'puncak' yang berbeda pada panjang gelombang tertentu seperti daerah
merah ke inframerah dekat (posisi tepi redup) sebagai indikator
perbedaan gambar vegetasi yang sama. Metode ini akan digunakan
untuk pemilihan spectral library untuk klasifikasi HyMap udara di Bab
3.\Faktor lain yang dapat menciptakan perbedaan pada pemantulan
puncak adalah efek sudut karena sudut pandang sensor selama
perolehan gambar. Pengumpulan spectral library dari berbagai posisi
sudut sensor akan digunakan untuk analisis gambar CHRIS pada Bab 4.
Endmembers adalah murni, material unik spectrally yang terjadi pada
gambar. Karena sebagian besar piksel mengandung campuran bahan
yang berbeda, asumsi umumnya dibuat agar bahannya dicampur secara
linier. Artinya, setiap piksel dimodelkan sebagai mengandung campuran
linier dari signature spektral dari berbagai bahan yang ada (Yuhas et al.,
1992; Roberts et al., 1998; Dennison & Robert 2003). Koefisien campuran
linier yang terkait dengan masing-masing endmember disebut faktor
kelimpahan, dan mewakili persentase bahan penyusunnya. Kumpulan
endmembers menyediakan alat untuk mengarsipkan spektra dari
berbagai sumber. Endmembers dapat diimpor dari file ASCII,
38
perpustakaan spektral, file statistik, atau dari rata-rata wilayah minat
(ROI), area yang dipilih dalam adegan gambar yang akan menjadi fokus
analisis. Koleksi endmember juga menyediakan area pelatihan yang bisa
digunakan dalam klasifikasi seperti algoritma paralelepiped.
Endapan yang berasal dari data hyperspectral mungkin memadai
untuk mewakili library endmember jika rentang spektral tidak
memerlukan analisis yang sangat rinci, misalnya refleksi kanopi pada
VNIR dan kemampuan data hyperspectral untuk memberikan resolusi
spektral yang halus sebagai spektrum laboratorium. Kriteria yang
digunakan untuk pemilihan endmember bergantung pada kualitas
gambar, termasuk resolusi spektral dan spasial. Pada Bab 3 dan 4,
kriteria pemilihan akhir untuk pemetaan spektral akan dibahas.
4.2. Klasifikasi Paralel (Parallelepiped Classification)
Klasifikasi parallelepiped menggunakan aturan keputusan
sederhana untuk mengklasifikasikan data hyperspectral. Metode
paralelepiped telah berhasil digunakan untuk membedakan
pengklasifikasian kanopi dan untuk pemetaan hasil panen (Doraiswamy
et al., 2003; Casa & Jones 2004). Dalam analisis ini, nilai ambang batas
yang berbeda dari parameter Piped Half Width (PHW) yang dapat
digunakan untuk mengklasifikasikan citra HyMap dan CHRIS.
PHW didasarkan pada ambang standar deviasi dari mean masing-
masing kelas yang dipilih. Asumsi yang dibuat tentang distribusi pixel
adalah:
1) Jika nilai piksel terletak di antara ambang rendah dan tinggi untuk
semua n band yang digunakan, maka nilai tersebut diberikan ke kelas
tersebut.
39
2) Jika nilai piksel jatuh di beberapa kelas, rutinitas menetapkan piksel ke
kelas terakhir yang cocok. Area yang tidak termasuk dalam salah satu
paralelepiped disebut piksel unclassified.
Untuk rutinitas paralelepiped ada beberapa ukuran yang dapat
dilakukan misal 100, 200, 500, dan 1000) yang dapat diterapkan pada
citra HyMap dan CHRIS sebgai contoh citra yang digunalan untuk
memeriksa sebaran spektral yang berbeda, keakuratan dan distribusi
piksel pada kelas kelas yang berbeda yang telah ditentukan.
4.3. Transformasi Frekuensi Kebisingan Minimum
Tujuan kebanyakan transformasi adalah memperbaiki penyajian
informasi untuk membantu pengenalan pola. Transformasi juga dapat digunakan
untuk menormalkan data untuk digunakan dengan statistik parametrik dan
ekstraksi varians maksimum pada gambar.
Karena sifat citra hyperspectral (yaitu wavebands sempit), sebagian
besar data pada spektrum 400-1000 nm berlebihan. Hal ini diperlukan untuk
mengurangi volume data. Hal ini dapat dicapai dengan menerapkan
transformasi fraksi noise minimum (Green et al., 1988; Boardman & Kruse 1994).
Transformasi noise minimum (MNF) digunakan untuk menentukan dimensi
inheren data citra, untuk memisahkan noise dalam data, dan untuk mengurangi
dimensi data. Hal ini memungkinkan pemilihan hanya gambar yang koheren
secara visual dan, sebagai hasilnya, jumlah data dapat dikurangi (Boardman dan
Kruse, 1995).
Transformasi ke depan, menentukan band mana yang mengandung
gambar koheren (dengan memeriksa gambar dan nilai eigen), akan digunakan
untuk menjalankan invers MNF berubah untuk citra HyMap dan CHRIS. Ini akan
mengurangi dimensi gambar dan menunjukkan variasi noise pada gambar.ini
memungkinkan pemilihan hanya gambar yang koheren secara visual dan,
sebagai hasilnya, jumlah data dapat dikurangi (Boardman dan Kruse,
1995).
40
Transformasi ke depan, menentukan band mana yang
mengandung gambar koheren (dengan memeriksa gambar dan nilai
eigen), akan digunakan untuk menjalankan invers MNF berubah untuk
citra HyMap dan CHRIS. Ini akan mengurangi dimensi gambar dan
menunjukkan variasi noise pada gambar
4.5. Indeks Kemurnian Pixel
The Pixel Purity Index (PPI) adalah algoritma untuk menemukan
piksel murni spektral dari sebuah gambar (Boardman et al., 1995). Ini
menggunakan konsep model geometri cembung dimana parameter
geometris pemandangan diperlakukan sebagai variasi acak untuk
menyerap variabilitas acak dalam struktur ruang mereka. PPI dihitung
dengan menggunakan proyeksi plot scatter n-dimensi ke ruang 2 dimensi
(di mana n adalah jumlah band pada gambar) dan menandai piksel
ekstrem di setiap proyeksi. Keluarannya adalah gambar (Gambar PPI) di
mana nomor digital (DN) setiap piksel dalam gambar sesuai dengan
frekuensi piksel dicatat sebagai ekstrim. Dengan demikian, piksel terang
dalam gambar PPI menunjukkan lokasi spasial endapan spektral (Sohn
& Rebello 2002).
Fungsi PPI akan digunakan untuk menemukan piksel murni yang
paling spektral dalam adegan di mana nilai PPI lebih besar dari dua
dianggap murni. Prosedur PPI akan menggunakan 5000 dan 10.000
iterasi.
4.6. Spektral Angle Mapper
Teknik SAM menggunakan sudut n-dimensi untuk menyesuaikan
piksel dengan spektrum referensi. Spektrum referensi diturunkan dengan
mengekstraksi pantulan di atas bidang material murni yang diketahui,
atau dari spectral library yang dikumpulkan di lapangan. Salah satu
41
kelebihan metode SAM adalah memanfaatkan data yang dikumpulkan
pada skala lapangan (Zhang et al., 2003). SAM adalah metode klasifikasi
yang memungkinkan pemetaan cepat dengan menghitung kemiripan
spektral antara spektrum gambar dengan spektra pemantulan referensi
(Yuhas et al., 1992; Kruse et al., 1993; van der Meer et al., 1997).
SAM telah digunakan untuk memantau perubahan tutupan lahan
(Lass et al., 2002), membeda-bedakan antara tipe vegetasi (van der Meer
1995), dan untuk memilih endapan terpenting dari semua endmembers
yang ada dalam sebuah adegan (CSES 1999) .
Penjelasan sederhana tentang SAM dapat diberikan dengan
mempertimbangkan spektrum referensi dan spektrum yang tidak
diketahui dari data dua band. Dua bahan yang berbeda, yang ditentukan
dengan memilih endmembers, akan ditampilkan dalam plot scatter 2-D.
Sudut yang lebih kecil akan mewakili kecocokan yang lebih dekat dengan
spektrum referensi. Teknik ini, kapan
Digunakan pada data yang dikalibrasi, relatif tidak sensitif terhadap
efek iluminasi dan albedo (RSI 2002). SAM memperlakukan spektrum
sebagai vektor dalam ruang dengan dimensi sama dengan jumlah band
dan membandingkan sudut antara vektor spektrum referensi dan setiap
vektor piksel di ruang n-dimensi. SAM menentukan kesamaan spektrum
yang tidak diketahui (t) dengan spektrum referensi (r) dengan
menggunakan persamaan 2.1 (Yuhas et al., 1992; RSI 2002)
Sudut spektral (D) masing-masing spektrum referensi ditentukan
untuk setiap spektrum gambar (pixel). Nilai D diberikan ke piksel yang
sesuai pada gambar SAM output. Hasilnya adalah gambar klasifikasi
yang menampilkan kecocokan terbaik antara endmembers dan spektrum
referensi pada setiap pixel, dan sebuah "rule" image untuk setiap
endmember. Gambar aturan menampilkan jarak sudut di radian antara
gambar dan spektrum referensi, dengan piksel yang lebih gelap yang
42
mewakili sudut spektral yang lebih kecil. Gambar aturan dapat digunakan
dalam klasifikasi lebih lanjut dengan berbagai ambang batas untuk
memilih piksel mana yang termasuk dalam gambar klasifikasi SAM.
Harus ditunjukkan bahwa SAM adalah ukuran kesamaan, bukan
identifier. Oleh karena itu, piksel yang diklasifikasikan ke dalam kelas
tertentu belum tentu benar; mereka hanya lebih spectrally cocok dari
endmembers lainnya. Oleh karena itu, analisis dengan alat spektral
lainnya diperlukan untuk memberikan keseimbangan tambahan untuk
menentukan piksel ke kelas endmembers.
4.6. Indeks Spektral Sebagai Indikator Pertumbuhan Tanaman
Analisis reflektansi spektral dapat menjadi sumber informasi yang
berharga bagi ahli ekologi dan agronomi. Refleksi dipengaruhi oleh
sebagian besar proses yang dilakukan pasangan tanaman ke lingkungan
sekitarnya, seperti intersepsi radiasi dan karenanya fotosintesis dan
evapotranspirasi. Perubahan reflektansi di daerah yang terlihat dekat
inframerah telah dikaitkan dengan kehadiran dan kesehatan vegetasi
(Carter 1994) dan variasi spektral telah digunakan sebagai indikator
tekanan (Gitelson & Merzlyak 1996b, 1996a; Broge & Leblanc 2000;
Daughtry et al., 2000; Oppelt & Mauser 2001a). Banyak indeks spektral
berhubungan secara aljabar (Perry & Lautenschlager 1984).
Indeks spektral biasanya digunakan untuk menganalisis reflektansi
spektral vegetasi dan dikutip sebagai alat penting untuk menurunkan sifat
vegetasi pada skala yang sesuai untuk studi ekosistem, berkisar pada
skala daun, masyarakat dan sinoptik (Wiegand et al., 1991; Bort et al.,
2001; Haboudane dkk., 2004). Indeks spektral adalah salah satu
pendekatan yang paling penting untuk memetakan variabel biofisik
vegetasi menggunakan data penginderaan jarak jauh (Goel 1989), dan
dapat digunakan untuk menentukan status pertumbuhan tanaman pada
43
skala lapangan (Danson et al., 2003; Hansen & Schjoerring 2003;
Haboudane dkk., 2004).
Spektrum reflektansi kanopi tidak hanya bergantung pada karakteristik
komponen kanopi vegetasi (struktur fotosintesis dan non-fotosintesis),
tetapi juga pada kondisi khusus dimana pengukuran dilakukan (Colwell
1974) seperti sudut antara sensor dan permukaan target (Wardley 1984).
Bagian tertentu dari kanopi di Field of View (FOV) dari sensor berubah
dengan ketinggian dan sudut sensor di atas kanopi (Wiegand et al., 1986;
Aparicio et al., 2004; Widen 2004).
Sebagian besar indeks spektral dihitung dengan menggunakan
nilai reflektansi spektral dari daerah pantulan hijau, merah dan mendekati
inframerah, yang juga disebut sebagai inframerah dekat (VIS-NIR).
Kisaran panjang gelombang ini sangat penting untuk identifikasi vegetasi
karena berkaitan dengan aktivitas fotosintesis dan konsentrasi pigmen
kanopi vegetasi (Verma et al., 2002). Misalnya, penyerapan di wilayah
merah (620-680 nm) dan pantulan tinggi pada NIR (770-860 nm)
berhubungan dengan kekuatan tanaman (Collins 1978; Horler et al.,
1983). Wilayah merah ke dekat inframerah juga dianggap mengandung
panjang gelombang transisi, dan telah terbukti memiliki kandungan
informasi yang tinggi.
vegetasi (Plant & Kerby 1995). Selain itu, nutrisi di dalam tanah dan air
mungkin berkorelasi dengan pertumbuhan tanaman, yang pada gilirannya
dapat berkorelasi dengan reflektansi spektral pada panjang gelombang
tertentu.
Indeks spektral yang berkaitan dengan semangat vegetasi
digunakan dalam penelitian ini untuk menilai variasi pertumbuhan kapas
di lapangan dan untuk model produktivitas percobaan rumah kaca. Indeks
tersebut adalah Indeks Stres Vegetasi Tepi Merah (RVSI), rasio red-edge
(Collins 1978; Horler et al., 1983; Gitelson et al., 1996), Normalized
44
Difference Vegetation Index (NDVI) (Rouse et al., 1974), Indeks Vegetasi
Nitrogen Relatif (RNVI) (Plant et al., 2000), Indeks Rasio Penyerapan
Klorofil (CARI) (Kim et al., 1994) dan Indeks Reflektif Fotokimia (PRI)
(Gamon et al 1995). ).
Indeks ini dapat dibagi menjadi empat kategori (Bort et al., 2001),
indeks area fotosintesis (NDVI, rasio Red-ege), indeks penuaan (CARI,
RNVI), indeks efisiensi radiasi (PRI), dan indeks stres (RVSI) .
Nilai spektral yang tepat yang digunakan pada setiap perhitungan
akan bergantung pada sensor. Untuk analisis ini, dua data hyperspectral
berbeda, HyMap dan CHRIS digunakan. Dengan demikian, posisi
panjang gelombang untuk menghitung indeks vegetasi dapat dimodifikasi
dengan mengganti panjang gelombang HyMap dan CHRIS yang secara
lebih akurat menyoroti fitur spektra merah dan NIR yang spesifik (Tabel
2.2). Indeks yang digunakan dalam penelitian ini akan berkorelasi dengan
perubahan multi-temporal dan multi-angular untuk memperjelas
hubungan antar-indeks.
4.6.1. Indeks stres vegetasi tepi-redup
Indeks stres vegetasi (RVSI) (Merton 1998) dikembangkan untuk
mengidentifikasi tren stres berdasarkan perubahan spektral pada
geometri tepi atas bagian atas. RVSI menghasilkan ukuran cekung
spektral sebagai perpindahan dalam pantulan antara titik awal linier
"model" yang didefinisikan sebagai pantulan rata-rata dua titik potong; titik
impas red-edge (mulai dari NIR) dan dimulainya dataran tinggi NIR dan
nilai mid-point "data" (Merton 1998). RVSI dapat digunakan untuk
menentukan status stres vegetasi, dimana nilai rendah mewakili tekanan
yang lebih besar.
45
4.6.2. Red-edge ratio
Mungkin yang paling terkenal dari indeks spektral klasik, di samping
NDVI, adalah rasio red-edge (Pearson & Miller 1972; Collins 1978; Rembold &
Maselli 2004). Secara umum, indeks ini cenderung meningkatkan kontras antara
tanah dan vegetasi sambil meminimalkan efek kondisi iluminasi (Baret & Guyot
1991). Telah terbukti sensitif terhadap efek kecerahan tanah. Rasio red-edge
biasanya menggunakan NIR nm dan Red reflectance.
4.6.3. Perbedaan Indeks Vegetasi Ternorisasai
NDVI adalah indeks vegetasi yang paling umum digunakan. Perubahan
nilai NDVI dapat diambil sebagai indikator perubahan di daerah yang dicakup
oleh vegetasi (Takebe et al., 1990; Bausch & Duke 1996). NDVI telah banyak
digunakan sebagai indikator status pertumbuhan vegetasi dan produktivitas
(Rouse et al., 1974; Tucker 1979; Penjual 1985; Ormsby et al., 1987; Wiegand
et al., 1991; Bauman 1992; Chapelle et al. , 1992; Wiegand et al., 1992; Kidwell
1994; Wiegand et al., 1994; Gutman et al., 1995; Merton 1998; Broge & Leblanc
2000; McGwire et al., 2000).
4.6.4. Indeks Vegetasi Nitrogen Relatif
Indeks vegetasi nitrogen relatif (RNVI) merupakan indeks yang berguna
untuk menentukan status pertumbuhan kapas dengan menggunakan data
penginderaan jauh. Ini didefinisikan sebagai rasio reflektansi dekat dengan
pantulan hijau dan didasarkan pada indeks yang digunakan pada perangkat
genggam yang memperkirakan permintaan nitrogen tanaman berdasarkan
kehijauan daun (Tabel 2.2). RNVI awalnya disebut sebagai NVI relatif karena
tidak dinormalisasi dengan rasio IR / G referensi. NVI diusulkan oleh Takebe et
al (1990) dan Bausch and Duke (1996). .
4.6.5. Indeks Rasio Penyerapan Klorofil
Perbedaan konsentrasi klorofil dapat diestimasi dengan menggunakan
indeks rasio penyerapan klorofil (CARI) (Kim et al., 1994). CARI dirancang untuk
46
mengurangi variabilitas radiasi fotosintetik aktif karena adanya bahan
nonfotosintetik yang beragam. Ini menggunakan pita yang sesuai dengan
penyerapan minimum pigmen fotosintesis, berpusat pada 550 dan 700 nm,
bersamaan dengan pita penyerapan maksimum klorofil-dekat 670 nm. Pilihan
700 nm adalah karena lokasinya di batas antara daerah dimana pantulan
vegetasi didominasi oleh pigmen penyerapan dan awal bagian tepi merah
dimana karakteristik struktur vegetasi memiliki pengaruh yang lebih besar
terhadap pantulan (Kim et al., 1994). Kim et al. (1994) menemukan rasio
reflektansi 550 dan 700nm menjadi konstan pada tingkat daun terlepas dari
perbedaan konsentrasi klorofil. Hal ini didefinisikan berdasarkan hubungan ini
dan pita serapan klorofil pada 670 nm.
Indeks CARI terutama digunakan untuk analisis kurva spektral di wilayah
spektrum tertentu dimana tanaman bersifat fotosintesis aktif (Gamon et al.,
1992b; Gamon et al., 1995; Gitelson & Merzlyak 1996b, 1996a; Gamon et al. ,
1997; Camille et al., 1998; Kumar 1998; Datt 1999; Gitelson et al., 2002;
Mutanga et al., 2003).
Penggunaan CARI dimotivasi oleh potensinya untuk skenario
penginderaan jarak jauh operasional dalam konteks pertanian presisi. Memang,
tidak seperti indeks berbasis turunan yang sangat berkorelasi dengan
konsentrasi klorofil (Blackburn & Steele 1999), CARI tidak memerlukan banyak
pita spektral sempit bersebelahan. Meskipun CARI dikembangkan untuk
menjadi responsif terhadap variasi klorofil dan tahan terhadap efek bahan
nonphotosynthetic, hal ini dipengaruhi oleh berbagai parameter seperti interaksi
LAI, klorofil, LAI-klorofil, dan refleksi latar belakang (Daughtry et al., 2000).
4.6.6. Indeks pantulan fotokimia
The Photochemical Reflectance Index (PRI) berasal dari pantulan
pita sempit pada 531nm dan reflektansi referensi (Rref), pantulan puncak
pada spektrum hijau. PRI dirancang untuk menjadi indikator fungsi
fotosintesis pada skala daun dan kanopi (Gamon et al., 1992a; Gamon et
47
al., 1995; Gamon et al., 1997). PRI adalah indeks pantulan fisiologis yang
berkorelasi dengan keadaan reaksi epoksidasi pigmen siklus xantofil dan
dengan efisiensi fotosintesis pada kanopi yang menekankan nitrogen
(Boochs et al., 1990; Gamon et al., 1992a; Blackburn & Steele 1999).
Pigmen siklus xantofil adalah pigmen fotoregulatori yang terkait erat
dengan fungsi fotosintesis (Demmig-Adams & Adams III 1996). Indeks ini
dapat digunakan untuk memperoleh tingkat fotosintesis relatif (Gamon et
al., 1998)
4.7. Perbandingan status tanaman melalui reflektansi spektral
Analisis reflektansi spektral pada tahap pertumbuhan tertentu
penting untuk tanaman seperti kapas, terutama pada tahap pembungaan
akhir (Plant & Kerby 1995). Informasi, termasuk indeks turunan, dapat
digunakan untuk membuat korelasi dengan produktivitas. Hubungan
antara pertumbuhan tanaman dan indeks reflektansi spektral telah
digunakan untuk mengkarakterisasi pengembangan tanaman beberapa
tanaman (Li et al., 2001) dan juga terkait dengan kondisi tanah.
Kandungan nutrisi dalam tanah merupakan faktor pembatas
produktivitas. Faktor ini dapat menyebabkan pergeseran ke arah
penyerapan / reflektansi yang lebih rendah atau lebih tinggi pada panjang
gelombang tertentu. Pergeseran reflektansi di daerah tertentu seperti
penyerapan klorofil (sekitar, 420, 490 dan 680 nm) dapat digunakan untuk
menilai kondisi pertumbuhan tanaman, baik di lapangan maupun dalam
percobaan laboratorium. Penilaian kinerja pertumbuhan dengan
menggunakan analisis kurva pantulan spektral tidak sebanding dengan
produktivitas, namun dapat digunakan sebagai prediktor pertumbuhan
dan produktivitas.
Hasil penilaian endmember juga dapat digunakan sebagai
indikator efek perlakuan tanah. Variasi kandungan unsur hara tanah
48
dalam percobaan laboratorium dapat mempengaruhi penyerapan spektral
pada panjang gelombang merah dan NIR. Pengetahuan yang diperoleh
dalam percobaan rumah kaca dapat diterapkan pada analisis citra.
Perbandingan antara percobaan lapangan dan rumah kaca hanya
dapat dilakukan jika pengukuran reflektansi diambil saat tanaman berada
pada tahap pertumbuhan yang sama, dan dalam kondisi yang sama.
Meskipun uji coba rumah kaca tidak secara langsung dibandingkan
dengan temuan lapangan, hasil rumah kaca dapat digunakan untuk
mengidentifikasi indikator yang menyebabkan variasi spektral seperti
tanah, air dan spesies tanaman. Perbandingan antara lapangan dan
rumah kaca analisis hyperspectral akan dilaksanakan pada Bab 3.
Penginderaan jauh hiperspektral siap memasuki arus utama penelitian
penginderaan jarak jauh. Prinsip dasar pencitraan hiperspektral didasarkan
pada evaluasi signature reflektansi permukaan bumi pada domain reflektif dan
emisif pada pita spektral sempit bersebelahan. Penginderaan jauh hiperspektral
semakin banyak digunakan untuk penentuan tutupan lahan yang akurat. Ada
sejumlah besarpenelitian pemetaan endmember yang berasal dari spektral
untuk mengklasifikasikan tutupan lahan dengan menggunakan data
hyperspectral. Teknik-teknik ini, berdasarkan signature piksel, adalah dasar
untuk menganalisa data hyperspectral untuk mendapatkan informasi tentang
unsur-unsur dari setiap piksel dan memodelkan kelimpahannya ke seluruh
gambar.
Indeks spektral seperti NDVI, RVSI, Red-edge, RNVI, CARI, PRI, sering
digunakan untuk menentukan karakteristik pertumbuhan vegetasi dan tekanan
vegetasi. Analisis reflektansi spektral pada tahap pertumbuhan tertentu dapat
berkorelasi dengan produktivitas melalui indeks spektral.
49
BAB V
PEMETAAN SPEKTRAL DAN INDEKS VEGETASI DATA HYPERSPEKTRAL HYMAP
5.1. Latar belakang
Pemetaan spectral pada vegetasi yang sering digunakan dalam
pengolahan data hyperspectral memerlukan sejumlah pengaturan
parameter yang digunakan untuk membedakan hasil analasisnya.
Dalam analisis data hiperspekatran ada beberpa pendekatan analisis
diantaranya rentang spekatrum, dalam rutinitas dimensi dan pemetaan
sudut spectral dan indek vegetasi dengan memasukkan beberpa
formula dalam perhitangnya. Indeks vegetasi dapat memberikan
informasi dasar kondisi pertumbuhan tanaman. Bab ini menyajikan
beberpak hasil analisis hypectral data dan mengevaluasi efek
menggunakan pengaturan parameter yang berbeda untuk dimensi,
pemetaan sudut spectral dan kemurnian indeks piksel, dan menilai
indeks vegetasi citra HyMap pada ujicoba tanmanan kapas
Data penginderaan jauh Hyperspectral telah banyak digunakan
untuk memetakan variasi spasial kondisi tanaman (Bach & Mauser 1997;
HyVista 2003; Moulin et al., 2003; Zhang et al., 2003; Begiebing & Bach
tahun 2004; Casa & Jones 2004; Haboudane et al., 2004).. Untuk
aplikasi tanaman, tingkat detail yang dibuat tersedia dengan
hyperspectral data memiliki potensi untuk mendukung pengambilan
keputusan yang lebih baik dalam mengelola input produksi.
Ada penelitian yang menggunakan data hyperspectral yang fokus
pada bidang skala variasi spektral monokultur tanaman. Banyak
50
melaporkan bahwa pemanfatana data hyperspectral difokuskan
kenampakan lanskap yang khas spektrum endmembers dan terbatas
pemetaan spektral ke parameter input tunggal (Camille et al. 1998;
Cochrane 2000; Lass et al., 2002).
Studi sebelumnya telah menunjukkan potensi menggunakan
pemetaan spektral rutin untuk aplikasi pertanian (Ichku & Karnieli 1996;
Zhang et al., 2003). Mereka menggunakan spektrum endmembers dan
parameter input tunggal untuk rutinitas untuk membedakan panen di
lapangan.
Beberapa pertimbangan harus diambil ke account ketika
menggunakan pemetaan spektral rutinitas untuk spektrum-endmember
berdasarkan klasifikasi. Ini termasuk pilihan rentang spectrum (piped
haft with, PHW)) nilai dimensi, sudut rentang spectrum ( spectral angl
mapper, SAM) dan jumlah iterasi ytang dilakukan pada indek
kemurnian piksel . Faktor-faktor masukan ini mungkin mempengaruhi
akurasi dan total area yang diklasifikasikan ke dalam kelas, dan juga
identifikasi piksel murni, kedua faktor penting dalam membuat
keputusan tentang tanaman selama musim tanam. Sebagai contoh,
dalam dimensi rutin PHW dapat menentukan distribusi kelas
berdasarkan intensitas reflektansi. Dalam klasifikasi SAM, sudut
digunakan dapat menentukan kedekatan pertandingan antara spektrum
target dan referensi. Dalam kaitan ini, dalam baba ini menjelaskna
tujuan dalam uji yang telah dikakukan terhadpa rutinitas analisis
spectrum pada data hyperspektral. :
5.2. HyMap akuisisi dan pra-pengolahan
Dalam percobaan ini HyMap data digunakan sebagai salah satu
hyperspectrald ata yang peroleh memelui pemetaan udara udara citra
51
diakuisisi berbeda bulan dan tahun, Februari, April dan September.
Hal ini menujukkan perbedaan partumuhan tanaman yang dinilai,
mewakili, masing-masing, awal musim, pertumbuhan menengah
(terakhir efektif berbunga panggung), dan tahap matang tanamana
kapas Data Februari digunakan karena ini adalah di puncak tumbuh
tahap berbuah musim terakhir. Indeks vegetasi yang dapat
memberikan perbandingan hasil sementara perubahan selama musim
tanam.
HyMap terdiri dari 126 saluran/kalan data cahaya tampak dan
gelombang pendek band infra merah (VIS-SWIR; 430-2475 nm), dan
dalam contoh ini resolusi spasial 8.7 m. Pra-pengolahan citra HyMap
termasuk tahapan yang terpisah terpisah tahapan sebagai berikut: data
mentah radiance transformasi, atmosfer koreksi dan reflektansi
pengambilan, penghapusan efek gerakan pesawat dan penyesuaian
bidang geo-referensi dan datar permukaan spektrum reflektansi. RSI di
lingkungan untuk memvisualisasikan gambar (ENVI) paket perangkat
lunak (Gao & Goetz 1990) digunakan untuk pra pengolahan gambar.
Data citra adalah geo-referenced menggunakan 15 titik kontrol
tanah dan tetangga terdekat kembali pengambilan contoh. Jelas
reflektansi kalibrasi dikoreksi menggunakan atmosfer penghapusan
Program (ATREM) versi 3.1 (Boardman 1998). Bidang datar empiris
optimal reflektansi transformasi (usaha) (van der Meer et al., 2003a)
koreksi ini dilakukan untuk meminimalkan sisa atmosfer dan instrumen
efek, yang menghambat perbandingan langsung ke spektral
Perpustakaan. Regresi linear digunakan untuk menghitung keuntungan
dan offset untuk setiap pita. Keuntungan dan mengimbangi ini
kemudian terjadi diaplikasikan kepada setiap spektrum HyMap data.
Untuk analisis spektral, gambar adalah spasial subset ke daerah
dengan kapas (490 oleh 670 piksel) dan spectrally subset untuk
52
wavelengths cocok untuk indeks vegetasi (band pertama 62). Spektrum
simultan bidang tidak dikumpulkan selama HyMap data akuisisi, tapi
data tambahan kapas pertumbuhan dan hasil dalam bidang tercatat
selama musim tanam.
Kondisi tanah dapat mempengaruhi spektral reflektansi tidak
langsung dengan mempromosikan pertumbuhan tanaman variasi
karena berbeda kandungan hara dalam tanah (Takebe et al., 1990;
Duke & Guérif 1998; Hansen & Schjoerring 2003). Untuk
mensimulasikan kondisi tanah ini, kita tumbuh kapas dalam kondisi
tanah yang berbeda dengan mengubah jumlah nutrisi yang tersedia di
rumah kaca. Ini menjadikannya mungkin untuk mengumpulkan
spektrum kapas dalam kondisi laboratorium, pada tahap yang sama
pertumbuhan sebagai tanaman yang muncul dalam gambaran HyMap.
Idenya adalah untuk mencari setiap kesamaan dalam spektrum
vegetasi yang dapat dikaitkan dengan komposisi tanah. Asumsinya
adalah bahwa kandungan hara dalam tanah akan mempengaruhi
spektral respon dan respons spektral yang sama mungkin terjadi di
lapangan.
Dosis pemupukan yang didasarkan pada jumlah pupuk umumnya
diterapkan dalam praktek, yaitu, rendah (tidak pupuk), menengah
(setengah direkomendasikan dosis), tinggi (direkomendasikan dosis),
dan tinggi + (direkomendasikan dosis dengan mikronutrien). Tanah
digunakan diambil dari daerah studi dan terdiri dari tiga komponen;
pasir, kaya organik tanah (hitam tanah), dan tanah liat. Dosis air
ditetapkan untuk mencocokkan curah hujan di Iffley Farm (455 mm per
tahun). Panjang sidang tumbuh adalah 180 hari jadi sekitar 138 liter air
digunakan selama musim tanam (Oktober-Maret).
Profil spektral reflektansi tanaman kapas laboratorium
dikumpulkan menggunakan analisis spektral perangkat (ASD)
53
bidang Spec UV/VNIR SpectroRadiometer (Misr). Instrumen
catatan spektral respon dalam 512 wavebands atas kisaran 350-
1050 NM, dengan interval sampling dari 1,53 nm. Spektral
pengukuran diambil untuk mereplikasi sama tahap pertumbuhan
tanaman kapas selama akuisisi gambar.
. Kurva reflektansi dari rumah kaca uji yang sebanding
dengan reflektansi spektral dari bidang dan citra HyMap merah ke
dekat infra merah (Red-NIR) daerah. Hasil percobaan rumah kaca
dapat digunakan sebagai indikator produktivitas, dan untuk
pencocokan perubahan dalam spektrum reflektansi di Red-NIR
perubahan dalam pupuk menggunakan.
5.3. Identifikasi Endmember: definisi kelas
Pilihan Endmember dapat dicapai dalam dua cara: dari
perpustakaan spektral (Lapangan atau laboratorium), dan dari pixel
paling murni di gambar (Boardman 1993). Karena bidang spektrum
tidak dikumpulkan selama HyMap data akuisisi, endmembers yang
digunakan dalam penelitian ini diperolehi dari gambar. Koleksi spektral
endmembers pada dari variasi spektral reflektansi adegan dengan
menjelajahi kurva spektral untuk setiap pixel tunggal (gambar 3.1).
Rasio spektral reflektansi kapas antara 680 dan 860 nm yang
diidentifikasi dalam gambar dianggap sebagai dasar untuk endmember
pilihan, dan disebut sebagai merah-NIR. Endmembers dipilih itu
kemudian diperintahkan dari rendah ke tinggi nilai Red-NIR, dan kelas
nomor ditetapkan. Spektrum yang kemudian disimpan sebagai
perpustakaan spektral untuk digunakan dalam klasifikasi dimensi dan
SAM.
Nilai Red-NIR sensitif terhadap semangat klorofil konten dan vegetasi.
54
Reflektansi ini dikaitkan dengan klorofil penyerapan indeks (CAI)
(Oppelt & Mauser 2001b, 2001a) (gambar 3.2). Wilayah ini dapat
digunakan sebagai indikator kesehatan dan produktivitas kapas oleh
analisis indeks nilai reflektansi pada panjang gelombang yang dipilih.
55
Gambar 5.1. Pilihan endmembers dalam HyMap untuk dijasikan piksel target yang
dianalisis dan perbedaan kalsifikasi
5.4. Metode Pemetaan Spektral
Dua spectral metode pemetaan spectral diterapkan. Ini adalah dimensi
klasifikasi dan mapper spektral sudut. Untuk dimensi rutinitas, empat ambang batas
PHW (100, 200, 500 dan 1000) yang diterapkan. PHWs ini berbeda yang digunakan
untuk memeriksa sensitivitas spektral diturunkan peta berbeda.
Sudut spektral (α) setiap referensi spektrum ditentukan untuk setiap gambar
spektrum (piksel). Nilai α ditugaskan untuk pixel sesuai gambar output SAM. Kami
menggunakan empat sudut yang berbeda, 0.025, 0.05, 0.10 dan 0.20 radian, untuk
gambaran HyMap untuk memeriksa kepekaan kelimpahan spektral endmembers
masing-masing bidang ke sudut SAM.
56
Selain itu, fungsi PPI digunakan untuk mencari pixel paling spectrally murni
dalam adegan, mana PPI nilai-nilai yang lebih besar daripada dua dianggap murni.
Fungsi PPI diterapkan menggunakan 5000 dan kemudian 10000 iterasi, berdasarkan
data subset 62 saluran di setiap bidang yang dipilih.
Untuk memeriksa statistik distribusi untuk setiap kelas yang ditetapkan, rutinitas pasca
klasifikasi yang dilakukan. Hasil ditetapkan distribusi dan persentase piksel di setiap
kelas. Total luas ditetapkan menggunakan setiap endmember koleksi rutinitas
dibandingkan. Berbagai PHWs dan SAM sudut dibandingkan dengan wilayah secara
manual dipilih menarik (ROI). Jika total luas diidentifikasi menggunakan spektrum
pemetaan di bawah daerah ROI itu dianggap telah diremehkan. Sebaliknya, jika total
luas diidentifikasi menggunakan spektrum pemetaan di atas ROI, itu telah berlebihan
ROI. Perbedaan antara ROI dan hasil klasifikasi juga dihitung.
5.5 Indeks vegetasi
Sejumlah indeks vegetasi yang berkaitan dengan kinerja vegetasi atau
semangat yang digunakan untuk menilai variasi dalam pertumbuhan kapas di
lapangan, dan untuk memprediksi potensi produktivitas. Indeks yang diterapkan
adalah RVSI, rasio merah-tepi; NDVI, RNI, CARI dan PRI. Setiap indeks vegetasi
dihitung untuk setiap tanggal HyMap citra. Tujuan dari perhitungan vegetasi adalah
untuk menilai variasi dari nilai indeks dalam setiap kelas, yang ditugaskan di skala
linier merah-NIR nilai.
Demikian pula, spektrum dari tanaan kapas dari rumah kaca percobaan diukur
setiap perlakuan tanah dan indeks spektral yang dihitung (gambar 3,10). Tanpa
mempertimbangkan aspek-aspek lain, spektrum variasi kapas pertumbuhan di bidang
mungkin memiliki serupa - mengendalikan faktor dalam hara tanah. Kandungan hara
di bidang dapat berkontribusi untuk variasi indeks vegetasi, untuk contoh rendah
merah-NIR respon mungkin berhubungan dengan kandungan rendah, dan ini
kemudian dapat dibandingkan ke laboratorium berasal nilai-nilai. Ini adalah aspek
penting dari menilai pertumbuhan vegetasi oleh spektral data dan presisi pertanian
menggunakan data hyperspectral (Moran et al., 1997; Elmore et al., 2002; Spektrum
pemetaan 2004).
57
5.6. Endmember spektrum variasi
Kurva spektral enam diklasifikasikan berdasarkan berbagai merah-NIR
reflektansi nilai. Kelas 1, kelas 2, kelas 3, 4 kelas, kelas 5 dan 6 kelas memiliki nilai
0.2459, 0.3294, 0.3631, 0.3641, 0.3919, dan 0.4582 masing-masing. Reflektansi
spektral dari endmembers enam pada setiap tanggal menunjukkan nilai penyerapan
dan reflektansi yang berbeda di green (550 nm), merah (680 nm) dan dekat dengan
dataran tinggi di wilayah infra merah dekat (sekitar 760 nm). Pertumbuhan awal,
intermediate (terakhir berbunga tahap), dan matang kapas memiliki signature spektral
cukup berbeda, meskipun varians terbesar dilihat dalam pertumbuhan menengah
(Februari 2000 data). Reflektansi maksimum rata-rata di wilayah infra merah dekat
untuk Februari data adalah 60% dan terendah app
Gambar 5.2. T a m p i l a n m u l t i t e m p o r a l p a d a multi spektral kurva
endmembers kapas enam. Reflektansi spektral pada merah-dekat inframerah posisi (680-800 nm).
Dua faktor ANOVA diuji untuk melihat hasil endmembers yang telah dipilih yaitu
ada enam perbedaan endmember pada tanaman dilapoang berdasarkan
58
pengamatan piksel. Dari gambar terlihat tdak begita banyak perbedaan, namun hasil
anova menunjukkan perbedaan secara signifikan berbeda untuk band dan kelas
(Tabel 3.3). Rasio NIR hijau, dan merah NIR peningkatan nilai seperti meningkatkan
nilai Red-NIR, tetapi rasio merah/hijau cenderung menurun terhadap kelas dengan
lebih tinggi merah-NIR (Gambar 5.2). Dalam kombinasi dengan hasil ANOVA nilai
rasio menunjukkan cukup perbedaan antara endmembers dipilih untuk mereka harus
menggunakan mereka sebagai spektrum library
59
Ratio
Cla
ss1
Cla
ss2
Cla
ss3
Cla
ss4
Cla
ss5
Cla
ss6
Tabel 5.1. F-values of the spectral class endmembers (Ftest at 95% confident limit)
Sumber dari semua variasi subset band (band 43)
Band F-ratio (critical=1.44) September 111.95 February 240.63 April 126.52 Classes F-ratio (critical=2.44) September 25.44 February 12.04 April 23.78
At 700-860 nm reflectance (10 bands)
Bands F-ratio (critical=2.02) September 65.48
February 154.83
April 71.92
Classes F-ratio (critical=2.40)
September 22.94
February 20.63
April 37.07
7
Nir/Red 6
5
4 Nir/Green
3 Red/Green
2
1
0
Gambar 5.3. Rasio Gelombang hijau, merah dan NIR sebagai indikator variasi
antar kelas untuk spektral endmember terpilih.
5.7. Endmember spektrum kelimpahan dimensi klasifikasi
Sebaran spasial terhadap hasil perhituangan untuk endmemeber yang
digunakan adalah merupakan hasil running data ciotra pada program pengolahan
citra. Hasil klasifikasi rutin dimensi yang bervariasi dengan perubahan di dalam piped
half with maksimum (PHW) nilai (gambar 5.4). Menggunakan 200 sebagai PHW,
jumlah piksel di setiap kelas yang merata didistribusikan (gambar 3.5b), tetapi untuk
60
PHW lebih besar nilai kelas 1 dan 2 paling umum. Sebagai PHW meningkat, begitu
juga jumlah piksel yang dialokasikan untuk kelas 1, 2 dan 3, tetapi untuk kelas antara
700-850 nm (kelas 5 dan 6 kelas) hitungan total pixel menurun (Tabel 5.2).
Total luas bersih sebelum klasifikasi untuk area yang dipilih (ROI) adalah 778.88
hektar. Area yang dipilih di semua kelas meningkat dari 79.8 ha di 100 PHW untuk
1155.5 ha di 1000 PHW. Di kelas 1, yang memiliki nilai Red-NIR terendah antara
kelas, total luas ditugaskan berkisar dari 0,3 ha di 100 PHW 490.2 ha di 1000 PHW.
Untuk kelas 6, kelas tertinggi di Red-NIR, total luas ditugaskan berkisar dari 2.4 ha di
100 PHW 0.6 ha di 1000 PHW.
Nilai pada 100 dan 200 PHW oleh 699.1 (89,8% perbedaan dari ROI) dan 368.6
ha (47,3%) masing-masing, dan overestimates nilai-nilai di 500 dan 1000 dari PHW
oleh 64.4 (8.3%) dan 376.6 (48.3%) ha. 500 PHW terdekat perhitungan ROI secara
manual berasal (843.4 ha dibandingkan dengan 778.88).
61
a b
c d
Gambar 5.4.Parallelepiped classification class dengan perbedaan PHW
5.8. Piksel Murna Tanaman Uji coba
Untuk menguji kemurnian piksel pada tanaman untuk mengetahui tingkat
kekesubuaran atau kondidi fisik objek dilakukan test iterasi. Serangkaian 5000 iterasi
dalam menghitung kemurnian piksel pada tanaman kapas yang diuji. Iterasi
(pengulangan) dari untuk menilai kemurnian piksel indeks (PPI) 1167 piksel
diidentifikasi sebagai kandidat untuk piksel yang murni, sementara 10.000 iterasi
hanya diproduksi lebih lanjut tiga piksel. Namun, hanya sekitar 30% murni pixel adalah
di bidang kapas (gambar 5.5. ). Pixel murni yang sebagian besar untuk air dan
62
spektrum beberapa materi (jalan dan irigasi beton) dalam adegan. Sebagian besar
pixel murni terjadi di bagian timur laut dari gambar reservoir air, dan hanya 30 terjadi
di daerah kolom. Hal ini jelas bahwa PPI tidak memuaskan mengidentifikasi murni
kapas spektrum. PPI dapat digunakan untuk menemukan murni piksel bahan unmixed
mana varians tinggi. Dalam kasus ini, variasi kecil dalam spektrum vegetasi, karena
luas spasial, distribusi yang tidak merata air di bidang selama periode dijadwalkan
irigasi, dan reflektansi latar belakang dari tanah, tidak cukup besar untuk endmembers
harus terisolasi oleh PPI. Oleh karena itu mampu PPI rutin untuk memberikan
endmember
Fields withred b.PPIc. PPI overlaid
Gambar 5.5.Images showing selected ROI and PPI results. Note: The selected field image with red area (a), purest pixels in white area (b) and PPI result superimposed with polygon of the selected field showing the abundance of purest pixels that occurred in the scenes (c). Only 30 of the purest pixels occur within the selected field
5.8 Variasi SAM radiance
Enam spektral endmembers terpilih pada sebaran citra digunakan sebagai
masukan untuk rutin SAM mengakibatkan distribusi yang berbeda piksel (total area)
untuk setiap area/plot (Tabel 5.2). Terendah jumlah piksel ditetapkan sebesar 0.025
radian dengan 1,005,299 piksel (797.1 ha) secara keseluruhan, dan tertinggi untuk
0.20 radian dengan 209,115 piksel (1582.8 ha).
Tabel 5.2.. SAM klasifikasi di sudut maksimum yang berbeda
63
Tabel diatas mengilustrasikan bagaimana mengubah sudut perubahan daerah
diidentifikasi di bawah masing-masing kelas. Baris yang berbeda menunjukkan
seberapa jauh hasilnya adalah dari daerah dipetakan secara manual masing-masing
kelas.Mengubah sudut ambang di sudut pemetaaan spektral (SAM) jelas memiliki
dampak yang besar pada klasifikasi. Masukan dari 0.025 radian, misalnya,
memberikan total piksel ditugaskan untuk semua kelas sebagai 797.1 ha,
dibandingkan dengan 778.88 ha daerah sebenarnya ROI (menaksir terlalu tinggi oleh
18.1 ha). Penggunaan 0.05, 0.10 dan 0.20 sebagai ambang batas mengakibatkan
terlalu tinggi nilai-nilai oleh +68, +84.1 dan +804.1 ha masing-masing. Perlu juga
dicatat bahwa kapas kolom dengan nilai Red-NIR tinggi (kelas 6) secara luas
didistribusikan, spasial, dibandingkan dengan kelas-kelas lain, khususnya kelas 1.
Penggunaan 0,20 dan 0.10 radian sebagai ambang batas yang menghasilkan
beberapa piksel di luar bidang yang dipilih, yang tidak diinginkan. Ambang radian 0.05
dan 0.025 menyediakan peta spektral wajar dengan semua piksel dalam bidang yang
dipilih.
Kelas dengan distribusi yang paling dominan adalah kelas 6, dengan lebih dari
72% dan 58% ditugaskan di bidang 302 dan 303 masing-masing (gambar 3,8). Kelas
ditugaskan terendah adalah kelas 1 yang berkisar dari 1,8% untuk 5,2% dalam
bidang.
Kapas reflektansi spektrum umumnya serupa dalam bentuk untuk endmembers
enam. Fakta bahwa varians dari spektrum ini sangat berbeda (pada tingkat 0.05)
untuk semua data set merupakan bukti jumlah detail tersedia di hyperspectral citra.
Kategori 0.025
Pixel
rad
Ha
0.05 rad
Ha
0.10 rad Pixel
Ha
0.20
Pixel
rad
Ha
Class1: 2461 18.6 3332 25.2 5076 38.4 10021
6
758.5 Class2: 13966 105.7 14137 107.
0
14152 107.
1
14152 107.1 Class3: 16442 124.5 16448 124.
5
16448 124.
5
16448 124.5 Class4: 3481 26.4 3488 26.4 3488 26.4 3488 26.4 Class5: 22798 172.6 22802 172.
6
22802 172.
6
22802 172.6 Class6: 46151 349.3 51616 390.
7
52009 393.
7
52009 393.7 Total
Difference
105299 797.1
+18.1
111823 846.
4
+68
113975 862.
7
+84.
1
20911
5
1582.8
+804.1 % 2.3 8.7 10.8 103.23
64
a b
c d
Gambar.5.6. Spektrum yang diturunkan peta SAM klasifikasi. Spektral sudut (radian) digunakan 0.025 (), (b) 0,05, 0,10 (c) dan 0.20 (d)
65
5.9..Hasil Perhitungan Indeks vegetasi
Distribusi indeks vegetasi enam dalam gambar adalah variabel (gambar 3.9).
Variasi hasil indeks vegetasi ini dikaitkan dengan perubahan dalam nilai-nilai
reflektansi dalam rasio merah-tepi. Kondisi ini dikaitkan dengan distribusi spasial dari
tanah kandungan hara dalam tanah untuk mendukung pertumbuhan tanaman.
Kandungan hara, terutama nitrogen konsentrasi, mempengaruhi nilai posisi merah-
tepi (Hansen & Schjoerring 2003; Mutanga et al., 2003; Haboudane et al., 2004).
Statistik distribusi indeks vegetasi bidang dipilih ditampilkan dalam tabel 3.6 dan
endmembers enam kelas indeks vegetasi di meja 3.7.
Nilai-nilai tinggi reflektansi di posisi merah-tepi cenderung menghasilkan nilai tinggi
untuk indeks vegetasi. Kelas 5 dan 6 memiliki nilai merah-tepi tertinggi dan sesuai
menunjukkan nilai yang lebih tinggi setiap indeks. Hasilnya menunjukkan bahwa ada
rendah antara variasi kelas untuk RVSI, rasio merah-tepi, NDVI dan RNI indeks. CARI
nilai memberikan berbagai konstan antara kelas 1 untuk kelas-kelas lain dari kisaran
ini. CARI hasil Klasifikasi data HyMap menggambarkan pola yang sama untuk NDVI
dan rasio merah-tepi (gambar 3.9).
Tabel 5.3. Statistik distribusi indeks vegetasi terpilih pada tanama kapas
Tabel 5 . 4 . Nilai untuk
menghitung indeks
spectral data HyMap
September
RVSI Class 1
-0.003 Class 2
-0.003 Class 3
-0.001 Class 4
-0.002 Class 5
-0.001 Class 6
0.002 Red Edge Ratio 2.831 3.804 5.256 5.803 6.949 10.075 NDVI 0.478 0.584 0.680 0.706 0.748 0.819 RNVI 3.306 4.041 5.087 5.256 6.141 7.564 CARI 0.317 0.294 0.234 0.246 0.242 0.202 PRI -0.114 -0.131 -0.152 -0.160 -0.167 -0.210
February
RVSI -0.021 -0.031 -0.030 -0.034 -0.033 -0.039 Red Edge Ratio 2.478 3.529 4.048 4.049 4.664 6.118 NDVI 0.425 0.558 0.604 0.604 0.647 0.719
Vegetation Indices
Minimum Maximum Mean Std. Deviation
RVSI -0.38 0.77 0.16 0.17 Red-edge Ratio 0.50 5.25 1.76 1.14 NDVI -0.33 0.68 0.17 0.25 RNVI 0.34 4.52 1.55 0.98 CARI 0.00 4.85 1.21 0.36 PRI -0.20 0.01 -0.05 0.05
66
RNVI 3.022 3.646 4.378 4.057 4.752 5.678 CARI 0.671 0.701 0.638 0.699 0.618 0.647 PRI -0.153 -0.191 -0.238 -0.224 -0.254 -0.311
April RVSI
-0.009
-0.015
-0.015
-0.019
-0.020
-0.020 Red Edge Ratio 3.164 5.113 5.224 8.688 10.953 15.678 NDVI 0.427 0.555 0.558 0.646 0.695 0.747 RNVI 4.256 5.357 6.282 9.037 10.306 13.111 CARI 1.510 0.519 0.682 0.741 0.687 0.705 PRI -0.181 -0.226 -0.226 -0.318 -0.362 -0.447
67
Gambar 5.7. Distribusi spasial dari indeks vegetasi untuk enam tingkat kategori
5.10. Spektral indeks untuk percobaan rumah kaca
Nilai indeks vegetasi untuk percobaan rumah kaca bervariasi dengan perlakuan
tanah sebagai diharapkan (3,8 tabel). Ada sebuah hubungan linear antara nilai-nilai
indeks vegetasi dan kandungan hara tanah untuk pertumbuhan kapas. Kandungan
hara yang rendah menghasilkan indeks vegetasi rendah, tinggi gizi hasil konten dalam
indeks nilai yang lebih tinggi. Pengecualian sangat tinggi kandungan hara
68
(pengobatan tinggi +) mana rasio merah-tepi dan nilai-nilai RNVI cenderung untuk
menurun dibandingkan dengan kandungan gizi yang tinggi, tetapi nilai CARI dan PRI
cenderung meningkat. Hal ini dapat mengindikasikan bahwa klorofil dan fotokimia
aktiviti dalam daun jaringan meningkat, dan indeks yang CARI dan PRI dapat
digunakan untuk memantau pembangkit semangat.
Table 5.5. Uji rumah kaca enam indeks vegetasi di berbagai macam tanah.
Note : Data spektral diakuisisi pada 5 Februari 2003. Rendah mewakili pupuk tidak diterapkan, Medium adalah setengah dosis yang direkomendasikan, tinggi direkomendasikan dosis dan tinggi + direkomendasikan ditambah mikronutrien pupuk
Hasil dari rumah kaca percobaan menunjukkan bahwa efek kandungan hara
tanah pada pertumbuhan tanaman dapat diukur dalam puncak hijau (reflektansi
puncak di bagian hijau spektrum dari 540 ke 560 nm)(Figure 3.10). Tanaman yang
sehat menunjukkan kurva reflektansi sangat mirip untuk tingkat kesuburan tinggi dan
tinggi + karena pertumbuhan homogen dan vitalitas. Kurva reflektansi pada tingkat
kesuburan rendah benar-benar berbeda, dengan hampir datar reflektansi pada posisi
merah-tepi. Kurva spektral mereka naik dari bagian biru spektrum untuk NIR hampir
terus menerus, kecuali bagian bahu inframerah yang menunjukkan kemiringan dan
panjang berbeda dengan tanaman yang sehat lebih rendah.
5.11. Variasi Spektral Reflektansi
Hasil contoh analisis sebelumnya menunjukkan bahwa produktivitas tanaman
kapas berhubungan dengan reflektansi spektral, khususnya di wilayah merah-NIR.
Reflektansi di wilayah infra merah dekat secara bertahap meningkatkan sebagai
kanopi matang. Penelitian sebelumnya pada tipe vegetasi lainnya menunjukkan
bahwa reflektansi di wilayah ini dihubungkan dengan sifat internal daun serta orientasi
mereka (Kollenkark et al., 1982; Jackson et al., 1987; Begue 1993; Asner 1998). Hal
ini diyakini bahwa lapisan palisade dan mesophyll menjadi tebal sebagai daun
memperoleh kedewasaan. Jaringan bertanggung jawab untuk peningkatan reflektansi
internal dan menyebar, menyebabkan reflektansi lebih tinggi dan dengan demikian
Indices Low Medium High High+ RVSI -0.003 -0.017 -0.045 -0.045
Red-edge Ratio 1.59 2.95 6.33 6.20 NDVI 0.99 0.99 0.99 0.99 RNVI 2.04 2.38 3.52 2.69 CARI 6.89 28.20 65.49 84.88 PRI -0.09 -0.11 -0.08 -0.10
69
lebih rendah siknifikan yang terlihat-mendekati inframerah wilayah dan pergeseran
reflektansi dari hijau ke merah (Gausman et al., 1969; Gausman et al., 1970)
Pergeseran dalam nilai reflektansi di green panjang gelombang merah, sekitar
550 untuk 680 nm, terlihat di semua tiga HyMap gambar. Pergeseran nilai-nilai
reflektansi di wilayah ini dapat dikaitkan dengan tahap kematangan tanaman,
berdasarkan perubahan dalam daun seperti kloroplas konsentrasi. Sebagai kanopi
kapas tumbuh dan berkembang dalam kloroplas, reflektansi di kawasan hijau di
sekitar 550 nm semakin meningkat dan adalah yang tertinggi untuk dewasa kanopi
(April 2000 data). Posisi puncak gelombang juga bergeser dari merah ke hijau. Ada
juga beralih dari merah ke hijau antara bulan September dan Februari 2000 data. Hal
ini menunjukkan peningkatan kecil di puncak di hijau reflektansi untuk September data
(gambar 3.3).
5.12. Variasi Spektral Reflektansi
Nilai PHW mempengaruhi proporsi piksel yang ditugaskan untuk endmembers
dipilih. Tinggi ambang batas PHW meningkatkan proporsi piksel yang ditetapkan
untuk setiap kelas. Hasil ini menunjukkan bahwa nilai ambang PHW dapat mengatur
pengabaian dan terlalu tinggi pixel yang ditugaskan untuk endmembers dipilih dari
katun (gambar 3.5). Nilai-nilai batas 100 dan 200 mengklasifikasikan hanya sebagian
kecil dari gambar. Ambang batas 500 dan 1000 mengklasifikasikan piksel lebih dalam
gambar dalam dan di luar daerah, meskipun kami telah memilih wilayah yang menarik
selama analisis. Ia juga menunjukkan bahwa batas atas PHW untuk kapas adalah
500PHW untuk endmembers dipilih. Batas PHW ini adalah hampir sama untuk area
yang dipilih, tetapi masih kecil menaksir terlalu tinggi (8.3% berbeda dari ROI). Oleh
karena itu, ambang PHW terbaik adalah 500PHW.
Menggunakan nilai PHW telah menunjukkan kemungkinan diferensial perbandingan
(yaitu perbandingan yang menentukan apakah nilai PHW memiliki efek pada
meningkatkan atau menurunkan proporsi piksel yang ditugaskan untuk kelas
endmember di bidang). Ini dapat memberikan informasi yang berguna ketika
digunakan dalam hubungannya dengan pemetaan spektral diarahkan, untuk
menyediakan tepat delineasi pola spektral variabilitas dalam bidang.
70
5.13. Efek Perbedaan sudut SAM
Karakteristik spektral HyMap data (gambar 3.1) menjadikannya mungkin untuk
membedakan antara variasi dalam produktivitas bidang kapas menggunakan
penginderaan jauh. Rentang reflektansi tinggi di wilayah merah-NIR sering
merupakan tanaman yang sehat, sementara rentang yang lebih rendah di wilayah
yang sama bisa menjadi indikasi kurangnya hara tanah. Kelas-kelas enam yang
menampilkan dalam analisis yang jelas dipisahkan berdasarkan perbedaan spektral
mereka.
Mapper sudut spektral dihasilkan enam aturan gambar, mewakili kelas 1-6. Lebih kecil
spektral sudut mewakili lebih baik cocok untuk spektrum endmember atau referensi.
Daerah yang puas kriteria ambang tertentu sudut dimasukkan dalam gambar
diklasifikasikan. Implikasi dari sudut SAM yang digunakan dalam penelitian ini adalah
bahwa meningkatkan sudut tidak berkontribusi untuk peningkatan proporsi piksel
yang ditugaskan untuk endmembers dipilih, kecuali untuk kelas 1. Penggunaan 0.20
radian mengakibatkan peningkatan tajam dari total luas yang ditetapkan dalam kelas
ini dari 107.1 ha di 0.10 radian ke 758.5 ha di 0.20 radian.
Penggunaan SAM dalam pencocokan gambar spektrum untuk referensi
spektrum memerlukan pemilihan parameter input. Karena kami menggunakan
spektrum referensi dari gambar, penggunaan sudut kecil dalam rutinitas SAM yang
terbukti cocok. Teknik ini, bila digunakan pada dikalibrasi data, relatif tidak sensitif
terhadap efek iluminasi dan albedo dan dapat digunakan sebagai metode cepat untuk
memetakan vegetasi di bidang (Camille et al. 1998).
Hasil dari sudut yang berbeda dalam klasifikasi SAM menegaskan bahwa pemilihan
spektral sudut menetapkan ambang batas yang menentukan seberapa dekat garis-
garis spektrum di bidang akan spektrum Perpustakaan. Dengan kata lain,
diklasifikasikan gambar dapat mewakili 'real' kondisi tanaman atau materi yang telah
diidentifikasi sebelumnya dengan perpustakaan spektrum. Disarankan bahwa 0.05
radian adalah sudut terbaik SAM klasifikasi untuk kapas.
5.14. Hasil Indeks vegetasi
Reflektansi vegetasi adalah ungkapan yang kompleks kesehatan tumbuhan,
vegetasi struktur dan komposisi fisik dan kimia. Indeks vegetasi dapat digunakan
untuk mengikuti perubahan vegetasi sepanjang musim tanam seperti kanopi mengisi
71
dan menurun selama musim akhir sebagai vegetasi senesces
Indeks vegetasi yang menggunakan dua atau lebih band yang terlihat dan
panjang gelombang inframerah yang berguna bagi dalam menyimpulkan kondisi
pertumbuhan tanaman. Penggunaan RVSI, merah-tepi rasio (sederhana rasio),
NDVI, RNVI, dan PRI memberikan hampir sama hasil untuk setiap tanggal, tetapi
mereka berubah jauh untuk tanggal yang berbeda, terutama untuk indeks yang RNVI
dan CARI.
Studi ini menunjukkan bahwa penentuan spasial variabilitas dalam bidang dapat
dicapai dengan menggunakan hyperspectral data oleh analisis spektral reflektansi
variasi. Spektral variasi dalam bidang biasanya berhubungan dengan kesehatan
tumbuhan, semangat atau dengan reaksi untuk tumbuh musim. Sebagai rumah kaca
percobaan menunjukkan rendahnya ketersediaan hara menghasilkan dedaunan
dengan rendah spektral reflektansi merah-tepi posisi dan ketersediaan hara yang
tinggi menghasilkan dedaunan dengan tinggi spektrum reflektansi. Kondisi yang
sama diharapkan di lapangan. Tampaknya mungkin untuk menilai ketersediaan unsur
hara tanah menggunakan remote sensing oleh hanya analisis indeks vegetasi.
Stres tanaman menghasilkan variasi spektral yang terlihat ke dekat wilayah
inframerah, dengan shallowing penyerapan band kisaran antara 540-750 nm (Elvidge
& Chen 1995). Studi ini menemukan bahwa penyerapan rendah hijau dan dekat
inframerah mungkin memiliki penyebab serupa, ketersediaan unsur hara tanah rendah
di bidang. Namun, hasil ini adalah hanya sebuah indikasi dari proses yang terlibat,
karena tidak ada penilaian dari sifat-sifat tanah dibuat selama akuisisi gambar.
Variasi spektral reflektansi merah ke wilayah NIR dapat digunakan untuk
mengkorelasikan reflektansi dan produktivitas. Seperti yang ditunjukkan oleh rumah
kaca percobaan, bervariasi ketersediaan unsur hara tanah mengakibatkan perubahan
dalam produktivitas (Tabel 3.9). Untuk rendah, menengah, subur dan subur + tanah
tanaman kapas menghasilkan 10.68, 15.59, 43.55 dan 52.20 gram per tanaman
masing-masing.
Sebagai tanah yang digunakan di rumah kaca percobaan diambil dari kapas,
kami menganggap bahwa variasi dalam ketersediaan unsur hara tanah sebanding
antara rumah kaca tanaman dan tanaman yang digambarkan oleh HyMap. Dengan
demikian, perkiraan produktivitas dengan menggunakan indeks vegetasi dan spektral
pemetaan mungkin. Dalam studi ini, kami menganggap bahwa produktivitas rendah
72
dikaitkan dengan rendah spektral reflektansi di NIR, yang pada gilirannya diciptakan
oleh ketersediaan unsur hara yang rendah.
Reflektansi spektral di wilayah merah-NIR mengikuti tren kandungan hara
dalam tanah bagi rumah kaca pencobaan (gambar 3,10). Kesimpulan dari uji rumah
kaca adalah bahwa patch dari rendah reflektansi di wilayah merah-NIR dilihat di citra
HyMap diproses mungkin disebabkan oleh rendah kandungan hara dalam tanah.
Studi sebelumnya telah menunjukkan korelasi dengan Red-NIR reflektansi dan nutrisi
tanah yang mendukung anggapan ini (Yoder & Pettigrew-Crosby 1995; Mutanga et
al., 2003).
Pengumpulan data simultan dari lapangan dan rumah kaca untuk musim tanam sama
diperlukan untuk menguji korelasi ini. Selain itu, pengukuran intensif di bidang
menggunakan Global posisi sistem (GPS) untuk menemukan spektral perbedaan di
bidang diidentifikasi dalam gambaran, perlu dilakukan untuk lebih benar-benar
menilai temuan.
5.15. Rangkuman
Hasil analisi yang ditnjukka dalam bab ini bahwa spektral pemetaan rutin dengan
parameter input yang berbeda mempengaruhi hasil klasifikasi berasal dari spectrally.
200 dan 500 PHW ambang nilai-nilai memberikan hasil yang lebih baik dibandingkan
dengan 100 dan 1000 PHW nilai dalam proporsi piksel yang ditugaskan di seluruh kelas.
PPI spektral rutin tidak melakukan baik untuk kapas spektral pemetaan untuk
menemukan pixel murni dalam adegan hanya 30 murni kapas piksel yang diidentifikasi.
Pilihan 0,05 dan 0.025 radian SAM sudut menyediakan peta spektral yang wajar dengan
semua piksel dihitung dalam bidang yang dipilih. Distribusi diturunkan spektral peta
indeks vegetasi menunjukkan variasi jumlah piksel didistribusikan dalam bidang dipilih
sesuai kelas. Bidang 303 dan 302 memiliki nilai-nilai yang lebih tinggi dibandingkan
dengan bidang lain, menunjukkan kondisi pertumbuhan yang lebih baik.
Dimungkinkan untuk visual mengkorelasikan spektral variasi dalam merah
untuk wavelengths NIR untuk kekurangan gizi di lapangan dengan merujuk spektrum
dari rumah kaca percobaan. Sangat jelas bahwa nilai-nilai spektral yang rendah
dalam merah-NIR memiliki korelasi positif dengan produktivitas. Ciri khas spektrum
rendah mewakili aktivitas rendah fotosintesis. Ini dapat digunakan untuk mendeteksi
dini adanya potensi produksi di bidang.
73
Secara keseluruhan, hasil dari studi ini menjelaskan bagaimana memilih
parameter input yang sesuai untuk pemetaan spektral rutinitas menggunakan
penginderaan jauh hyperspectral. Investigasi lebih lanjut pada hubungan antara
teknik spektral pemetaan dan vegetasi indeks untuk berbeda tanah penutup jenis
disarankan.
74
BAB VI
PEMETAAN SPEKTRA TANAH HYPERSPECTRAL MULTI-SUDUT
6.1. Latar Belakang
Hyperspectral pada tanah data yang ditangkap oleh jenis sensor apapun di akan
dipengaruhi oleh posisi sensor dan sudut pengambilan sensor. Efek dari sudut
pandangan sensor tidak dapat diukur secara langsung, tetapi dapat disimpulkan melalui
analisis variasi dalam spektrum reflektansinya. Data multi sudut hyperspectral dapat
mewakili sudut pandangan sensor dalam kedua arah; sudut azimut dan zenith.
Bab ini menyajikan hasil analis data multi sudut hyperspectral pada tanah yang
ditangkap oleh sensor hypectral sensor dilapangan untuk menjawab pertanyaan berapa
banyak informasi dapat diperoleh dari hyperspectral multi sudut penginderaan jauh
pada tanah?' Analisis berfokus pada efek dari sudut Azimut bila posisi zenith sensor
yang berbeda digunakan untuk memperoleh tanah spektrum. Perhitungan multivariat
dan fungsional Data analisis (FDA).
Intensitas cahaya menerima dan kemudian tercermin dengan permukaan tanah
adalah faktor penting untuk optik penginderaan jauh tanah. Ini memberikan informasi
tentang sifat-sifat fisik dari permukaan tanah tertentu. Intensitas dari cahaya yang
diterima oleh sensor juga akan berubah jauh sesuai insiden sudut pencahayaan surya,
membuat perubahan dalam pola penyebaran atau reflektansi (Hapke, 1993; Nelson,
1986; Mustard dan Pieters, 1989). Ini adalah BRDF (Abdou et al., 2000; Strub et al.,
2002), Bagian yang paling penting yang adalah efek hot-spot (Kuusk 1983; Bréon et
al., 1997; Chen & Cihlar 1997).
6.2. Hot spot dan Arah refleksi
Hot spot adalah salah satu istilah dalam penginderaann jauh, terkait dengan
kecerahan dan bayangan pada saat pengambilan data penginderaan jauh. Hot-spot
yang cerah, bayangan melingkar zona di posisi matahari diproyeksikan, seberang
posisi specular refleksi. Untuk posisi nadir selalu muncul ketika sudut solar zenith
sama dengan dan lebih kecil daripada viewing –angle sudut pandang sensor. Untuk
jenis scanner, airborne hyperspectral instrumen yang paling umum, hot spot hanya
muncul ketika solar zenith maupun azimut sudut sesuai dengan salah satu garis pada
75
alat CCD yang dapat dilihat arahnya. Untuk tanaman, faktor reflektansi bidirectional
(dua arah) terjadi, tergantung pada sifat biofisik vegetasi, tapi untuk permukaan tanah,
reflektansi arah ditentukan oleh sifat fisik dan kimia tanah (Huete & Escadafal 1991;
Ben-dor & Banin 1994; Odlare et al, 2005).
Arah spektral reflektansi adalah faktor perlu dipertimbangkan dalam rangka untuk
mengukur spektral reflektansi karakteristik tanah. Arah reflektansi efek dapat
menyebabkan pergeseran dalam posisi spektral reflektansi kurva di panjang
gelombang tertentu. Perubahan ini dalam penyerapan reflektansi adalah dari panjang
gelombang pendek hingga panjang gelombang (Curran et al., 1992).
Beberpa stdui telah melaporkan keterkaitan antara permukaan reflektansi dan
sifat-sifat tanah (Moran et al., 1997). Kendala pada pengumpulan data membuat tidak
mungkin untuk mengambil arah spektral reflektansi dari sifat-sifat tanah dari satu
pandangan pengukuran (Martonchik 1994). Salah satu strategi adalah untuk
menggunakan data tambahan untuk memperbaiki sementara atau ruang yang stabil
parameter tanah dan menggunakan data reflektansi terarah untuk memperkirakan
variable komponen.. Arah spektral reflektansi set data yang dihasilkan oleh
memperoleh data multi sudut atau data multi fosil.
Arah spektral reflektansi secara historis telah dianalisis dengan radiasi transfer
pemodelan pendekatan menggunakan kompleks model (Privette et al., 1995;
Cierniewski et al., 2002; Cierniewski et al., 2004). Namun, studi-studi sebelumnya
SPEKTRA tanah tidak mempertimbangkan variasi yang disebabkan oleh sudut
pandang sensor sebagai masalah reflektansi spektral arah. Ini adalah tujuan dari
penelitian ini untuk menyelidiki Apakah analisis data fungsional dapat digunakan
sebagai alat untuk pendekatan statistik untuk analisis semacam itu.
Dalam sajian berikut ini, data hyperspectral multi sudut kompleks akan
disederhanakan dengan mempertimbangkan distribusi data dan varians sebagai
hubungan fungsional. Tujuannya adalah bukan untuk mengidentifikasi bentuk umum
kurva secara detail, tetapi untuk menganalisis variasi dari kurva. Hal ini juga untuk
menilai bagaimana multi sudut data dapat memberikan informasi tambahan mengenai
spektral reflektansi tanah di terlihat di dekat inframerah wilayah (350-1050 nm). Kisaran
panjang gelombang ini digunakan untuk cermin spesifikasi dari CHRIS data yang
diperoleh selama situs studi. Ada dua sumber reflektansi spektral terarah, sensor di
sudut azimut dan sudut zenith sensor. Sensor posisi relatif terhadap target dapat
76
mempengaruhi intensitas cahaya yang dipantulkan dari target dan dapat membuat
variasi dalam spektrum reflektansi tanah. Efek lebih mendalam dalam tanah,
permukaan tanah biasanya memiliki fitur homogen bila dibandingkan dengan struktur
kompleks kanopi vegetasi. Bila menggunakan FDA untuk belajar reflektansi spektral
arah tanah Azimut sensor dan sensor zenith sudut digunakan dalam proses.
6.3. Kuantitatif pengukuran bidang hyperspectral tanah data
Bidang spektrometri merupakan ukuran kuantitatif radiance, irradiance,
reflektansi atau transmisi (Sandmeier & Itten 1999; Sandmeier 2000). Ada banyak
alasan mengapa sangat diharapkan untuk melakukan pengukuran spektral di lapangan.
Salah satunya adalah bahwa spektrum target tanah adalah homogen pada skala
sensor tertentu dan dapat dikumpulkan dengan menggunakan pencahayaan ambient
matahari atau pencahayaan buatan.
Pengukuran kuantitatif spektrum cahaya yang diperoleh dari lapangan dapat
digunakan untuk analisis spektral dengan mengkonversi data reflektansi (Conel et al.,
1997a; Conel et al., 1997b.
Mengumpulkan hyperspectral data dari lapangan merupakan aspek penting
dalam penginderaan jauh hyperspectral, terutama untuk kuantifikasi reflektansi arah
spektral. Dalam bab ini, hyperspectral data arah reflektansi tanah yang dikumpulkan
dengan menggunakan sensor yang berbeda pandangan-sudut pada sebuah
goniometer. Garis-garis spektrum yang dikumpulkan dapat memiliki variasi. Variasi
mungkin ada karena sifat target dan pengukuran faktor-faktor seperti gangguan
atmosfer, sensor posisi dan waktu dan tanggal pengumpulan data. Noise (ganguan)
spektral reflektansi pengukuran adalah sebuah gangguan, terutama untuk
hyperspectral data, yang sangat sensitif dibandingkan dengan broadband instrumen
seperti Landsat.
6.4. Analysis multi-sudut data hyperspectral tanah menggunakan FDA
Spektrum tanah dapat dianalisis menggunakan FDA dalam dua cara, sebagai
dasar panjang gelombang dan sebagai landasan Azimut. Untuk panjang gelombang
dasar analisis, nilai x panjang gelombang dan nilai y reflektansi. Azimut dasar analisis,
nilai x adalah sudut dan y adalah reflektansi (gambar 6.1).
77
• (b)
Gambar 6.1. Panjang gelombang (a) dan Azimut sudut (b) dasar fungsi analisis di FDA spectra tanah.
Titik-titik dalam gambar (b) mewakili nilai spektral data untuk setiap sudut.
Dalam gelombang dasar analisis, spectra individu dapat diplot dan dianalisis
sama untuk standar spektrum dari 45°, 90° dan azimuths 135° (gambar 6.1a). Untuk
Azimut dasar analisis, setiap band dapat dibangun sebagai kurva fungsional yang
bervariasi oleh sudut Azimut. Jadi, posisi individu band, seperti sebagai hijau, merah
dan dekat inframerah band dapat dipetakan secara terpisah (gambar 6.1b)
6.5. Pengukuran spectra
Tanah spektrum dikumpulkan dari beberapa sudut zenith dan Azimut
menggunakan analisis spektral perangkat (ASD) genggam spectroradiometer. Tiga
lokasi yang sampel (soil1, soil2, dan soil3), mewakili tanah yang akan dianalisis
spektralnya.
Sampel tanah dipilih berdasarkan spektral variasi diamati di bidang dengan
memeriksa fitur diagnostik penyerapan. soil1 memiliki fitur diagnostik penyerapan di
380 nm, soil2 memiliki dua fitur diagnostik penyerapan di 380 dan 900 nm, sementara
semua fitur ini tidak hadir dalam sampel soil3 (gambar 6.4). Fitur diagnostik
penyerapan yang berkaitan dengan air dan komposisi mineral tanah (Ben-dor & Banin
1994; Baumgardner et al., 1995; Ben-Dor et al., 2002) dan tanah jenis (Beale 1998).
Kandungan kelembaban tanah juga umumnya mempengaruhi tanah reflektansi
selama rentang panjang gelombang seluruh, dengan reflektansi menurun dengan
78
peningkatan kelembaban tanah.
Komposisi tanah mineralogi umumnya tidak ditentukan oleh fitur dalam
gelombang di bawah 1000 nm, kecuali Fe3 + (Gabell 1986). Fitur diagnostik
penyerapan di kisaran panjang gelombang nm 350-1000 kemungkinan akan terkait
dengan kelembaban tanah dan kandungan bahan organik dalam tanah. Respon
spektral tanah Australia di wilayah gersang, termasuk situs Iffley, didominasi oleh luas
Fe3 besi penyerapan fitur + antara 500-1400 nm dan sempit hidroksil nada dan
kombinasi nada dekat 1400 nm dan wavelengths lebih daripada 1800 nm (Gabell
1986). Selain itu, respon spektral dapat dipengaruhi oleh pembentukan kerak tanah.
Tanah remah telah ditemukan untuk menghasilkan perubahan dalam albedo (de Jong
1992) yang disebabkan oleh perubahan dalam tekstur dan distribusi ukuran partikel
(Clark & Roush 1984; Ferro et al., 1989)
0 1.5km
Soil spectral sample points
Gambar 6.2. Lokasi sampel tanah untuk pengumpulan data spektral multi-sudut
79
0.1 m 0.1 m
0.1m 1 m
Gambar 6.3. Sampel permukaan tanah tempat mengumpulkan spektrum
Tanah spektrum dikumpulkan pada tanggal 28 dan 29 Mei 2003 antara 10: 30 AM
untuk 13.30 selama jelas kondisi langit untuk meminimalkan efek sudut matahari.
Daerah adalah tanah kosong selama sampling bidang. Sudut posisi matahari saat
pengambilan spektrum dihitung menggunakan Model posisi matahari (Sol_Pos) versi
3.3 (CSIRO, Australia). Sudut Azimut matahari selama pengukuran adalah antara
56.21-50.36, matahari Azimut sudut antara 29,25-344.55, dan matahari elevasi 35.48-
39.61 (gambar 6.5a).
80
Gambar 6.4. spektrum sampel tanah yang dikumpulkan pada sudut zenith 20° dan Azimut berbeda
Spectroradiometer yang digunakan dalam kajian ini memiliki kisaran spektral
antara 350-1050 nm di terlihat di dekat inframerah (Tabel 6.1). Hotel ini memiliki
sebuah proses gelap-drift yang secara otomatis update gelap-arus untuk setiap
pengukuran dari bertopeng piksel dalam array silicon.
Metode sampling spektral sudut diikuti Lee dan Landgrebe (1993), dengan modifikasi
dari interval jangkauan kedua untuk Azimut dan zenith sudut. Posisi zenith dan Azimut
diukur menggunakan clinometer melekat spectroradiometer. Interval sudut zenith
ditetapkan untuk interval 20° dari 0° (nadir) untuk 60°, dan Azimut sudut 45°, 90°, 135°,
180°, 225°, 270°, 315°, 360° (Utara, Timur laut, Timur laut, Tenggara, Selatan, barat
daya, Barat dan Barat laut) (gambar 6.5b).
81
Tabel 6.1. Spesifikasi FieldSpec dan FR SpectroRadiometer (ASD, 2000).
Name FieldSpec® Handheld
Spectral Range Spectral Resolution Sampling Interval Scanning time Detectors
Input
Calibratio
n
Noise Equivalent Radiance (NeDL)
Notebook Computer Weight
325-1075 nm 3.5 nm @ 700 nm 1.6 nm @ 325-1075 nm 2n x 17 milliseconds One, a fixed concave holographic reflective grating disperses on Si photodiode array at 512 'element' position. Fixed 25° field of view. Optional of 1° and 10 ° field of view. Optional fibre optic and foreoptics All calibrations are NIST traceable (*radiometric calibrations are optional) UV/VNIR 5.0 x 10-9
W/ W/cm2/nm/sr @ 700nm Optional 1.23 kg or 2.7 lbs
Seketika bidang pandang (IFOV) dari spectroradiometer didirikan pada 25°.
Interval waktu antara setiap pengukuran sudut pandangan itu terbatas untuk 10-15
menit untuk setiap posisi sudut untuk meminimalkan efek zenith-sudut matahari antara
pengukuran. Sudut zenith matahari bervariasi pada siang hari, tetapi ada perubahan <
7° selama periode tiga jam antara 10:30-13:30. Dengan demikian, penundaan 15 menit
antara pengamatan masing-masing memiliki dampak yang sangat rendah pada
matahari zenith sudut (kurang dari 1° perbedaan). Kalibrasi dilakukan sebelum setiap
pengukuran yang menggunakan panel standar reflektansi Spectralon® pada jarak satu
meter dari target. Bacaan spektral untuk setiap sudut diambil sebagai rata-rata 25
spektrum dikumpulkan lebih dari 17 milidetik. Kami mengulangi membaca lima kali
untuk setiap posisi sudut zenith dan Azimut. Sampel tanah telah dikumpulkan dan
dianalisis di laboratorium kimia tanah. Sifat-sifat kimiawi tanah seperti diringkas dalam
tabel
6.6. Konversi Data ASD spectra dan Data
Spectral library dibuat untuk setiap sampel tanah, di setiap sudut zenith dan
Azimut. Hasilnya kemudian dikonversi dari format binari ASD ke format ASCII untuk
digunakan dengan aplikasi Statistik.
Sampel spektral mereplikasi lima dari setiap sudut yang rata-rata. Spektrum yang
juga dibagi dalam subset untuk menyederhanakan dataset dan untuk menghapus
beberapa efek kebisingan yang disebabkan oleh sensor. Sensor suara itu minimal
82
antara 440 nm dan 900 nm. Data di bawah 400 nm dan di atas 900 nm tidak
dimasukkan dalam analisis akibat kebisingan yang berlebihan dan informasi yang
dapat dihasilkan dari gelombang ini posisi dibatasi dalam hal apapun. Dataset
kemudian ditransfer ke spectral library dan format ASCII untuk analisis lebih lanjut
menggunakan FDA.
Tabel 6.2. Sifat kimia tanah yang dipilih untuk multi spektral data. Nilai-nilai di atas
ideal dilambangkan dengan asterisk.
Element or
Category
soil1 soil2 soil3 Ideal level
CEC 43.39 37.74 56.09
TEC 44.69 38.79 57.77
pH-level 8.50 8.70 8.50 6.30
Organic Matter (%) 1.04 1.14 1.05 4 - 10
Cal/Mg ratio 2.45:1 2.40:1 2.27:1 7.00:1
in ppm
Nitrate Nitrogen 2.30 4.10 9.90 10 - 20
Ammonium Nitrogen 0.10 0.10 0.10 10 - 20
Phosphorus 58.20 56.30 39.70 50 - 70
Calcium 5626.00 5006.00 6064.00 6256
Magnesium 1379.00 1249.00 1604.00 536
Potassium 585.00 460.20 4138.00 349 - 871
Sodium *522.10 *257.60 *411.70 51 - 154
Sulphur 45.00 25.00 17.00 20 -40
Boron 0.75 1.09 0.85 1 - 3
Iron 24.50 27.10 30.70 40 - 200
Manganese 11.60 9.20 8.50 30 - 100
Copper 1.60 1.60 1.70 2 - 7
Zinc 0.70 0.70 0.60 5 - 10
Molybdenum N/A N/A N/A 0.4 - 0.7
Cobalt N/A N/A N/A 0.1 - 0.5
Base Saturation
(in percentage,
%)
Calcium 62.95 64.53 52.49 70.00
Magnesium *25.71 *26.84 *23.15 10.00
Potassium 3.36 3.04 *18.37 2.00 - 5.00
Sodium *5.08 *2.89 *3.10 0.50 - 1.50
Other Bases 2.90 2.70 2.90 5.00
83
Subset,
Noise removed
Gambar 6.5. Subset contoh spectrum tanah untuk menghilangkan kebisingan band.
.
6.7. Analisis Multivariate pada data Citra
Serangkaian analisis multivarian yang diterapkan untuk memberikan
perbandingan hasil analisa FDA. Terdiri dari konvensional analisis varians (ANOVA),
Pearson produk saat korelasi, analisis multivarian komponen utama (PCA).
Evaluasi statistik deskriptif spektral signature untuk Azimut berbeda dan sudut
zenith dilakukan dengan menggunakan standar multivarian analisis varians (ANOVA).
Ini akan menjelaskan hubungan antara dua sampel varians dalam populasi tanah
spektral data. Dalam analisis, dua kelompok F-tes disajikan menampilkan zenith
berbeda sudut dan berbagai band sebagai sumber varians.
84
Pearson koefisien linier korelasi (r) dihitung untuk memberikan penilaian
perkiraan kontribusi relatif komponen terarah (Azimut dan zenith sudut) kepada varians
total hyperspectral data dan, oleh karena itu, untuk menunjukkan potensi untuk
diskriminasi antara sudut yang didasarkan pada perbedaan dalam reflektansi spektral
arah mereka.
PCA dihitung untuk tiga sampel tanah, tapi untuk singkatnya, hanya soil1 data
akan dipresentasikan dan dibahas dalam bab ini. Lain dua sampel tanah menunjukkan
tren serupa dan sifat-sifat tanah yang hampir mirip.
6.8. Metoda FDA untuk spectra tanah dan kurva
Hanya 440 band ASD spectroradiometer data telah digunakan, dalam berbagai
400nn untuk 900 nm, dengan interval berarti antara band 1.5 nm. Gelombang dan
Azimut sudut analisis didasarkan pada 8 x 440 matriks. Matriks yang Diperoleh dari
sudut Azimut sensor (45°, 90°, 135°, 180°, 225°, 270°, 315° dan 360°) dan didasarkan
pada subset dari band-band ASD. Tiga berbeda zenith sudut, 20°, 40° dan 60° dinilai.
6.8.1. Kurva smoothing menggunakan fungsi dasar
Menetapkan jumlah fungsi dasar menentukan jumlah merapikan. Menggunakan
jumlah titik data yang asli sebagai jumlah fungsi dasar, misalnya, tidak akan
kelancaran keluar salah satu kebisingan di data, dan tidak akan menyoroti tren penting
kami tertarik. Namun, terlalu sedikit dasar fungsi tidak akan cukup mewakili rinci dalam
kurva. Untuk tujuan ini, lima, sepuluh, dan dua puluh dasar fungsi dinilai untuk
menyelidiki bagaimana mereka mewakili data. Ini dinilai secara visual dan
menggunakan sisa RMS kurva dilengkapi fungsi.
Tujuan dari smoothing spektral kurva fungsi adalah untuk secara visual menilai
efek dari sudut zenith digunakan, ketika sudut Azimut serupa, untuk mengidentifikasi
perbedaan antara garis-garis spektrum. Efek smoothing dapat dinilai secara terpisah
terhadap semua variabel, seperti menggunakan sudut yang sama dengan dasar yang
berbeda, atau menggunakan dasar yang sama dengan berbeda zenith atau sudut
Azimut. Contoh dasar smoothing ini disajikan. Fungsi dasar optimal untuk
menghaluskan tanah spektrum kemudian digunakan untuk fPCA dan fungsional linier
pemodelan tanah SPEKTRA.
Jumlah fungsi dasar tidak dinilai untuk sudut dasar analisis karena terbatasnya
85
jumlah nilai data yang tersedia. Fungsi 6-dasar yang digunakan dalam analisis dasar
sudut. Seperti diringkas oleh Marx dan Eilers (1998), B-splines halus dasar
independen respon variabel, dan hanya tergantung pada:
6.8.2. Functional Principal Component Analysis
Hyperspectral data cenderung didistribusikan dalam bentuk ellipsoid hiper (Clark
1999), seperti data dimensi yang lebih tinggi sangat berkorelasi. Metode transformasi
linear seperti multivarian PCA mencoba untuk mengeksploitasi korelasi yang hadir
dalam data dengan memproyeksikan data ke ruang baru mana sumbu ortogonal satu
sama lain. Dalam fPCA, namun, matriks Co varians spektrum tanah digunakan
sebagai dasar transformasi, dan hasil diwakili oleh bentuk fungsional spektrum. Plot
utama masing-masing akan mewakili tiga berbeda kurva fungsi: fungsi berarti,
menambahkan efek dan efek mengurangi, kurva utama fungsional. Seperti dengan
konvensional PCA, lebih tinggi urutan utama komponen sesuai dengan eigenvalues
lebih besar mempertahankan sebagian besar varians hadir dalam data.
Empat komponen utama dan sisa dan harmonik data yang disajikan dalam bab
ini. Tujuan utama adalah untuk menunjukkan fitur dari hasil komponen utama yang
fungsional dengan memeriksa varians untuk setiap komponen utama. Ketika diplot,
hasil mengekspos dikenal dinamika multi sudut spektrum. Spektrum sampel tanah
yang dianalisis pada tiga berbeda zenith sudut: 20°, 40° dan 60°. Sudut ini berada di
dekat berbagai sudut zenith CHRIS data yang diperoleh di situs di 0°, 36° dan 55°.
6.8.3. Model Linier Functional
Model linear fungsional ini digunakan untuk menilai efek dari Azimut dan zenith
sudut dengan membandingkan kurva linier fungsional dan hasil FANOVA. Kurva
regresi linear fungsional yang digunakan untuk meneliti efek dari sudut Azimut. Dipilih
band disajikan (hijau, merah, dekat inframerah). Dalam regresi fungsional dasar
panjang gelombang hasil 45° - 90° (arah N-E), Azimut sudut digunakan sebagai
variabel terhadap 135°-180 °, 220 ° - 270 ° dan 315° - 360° Azimut sudut. Pemilihan
dari 45° - 90° sebagai nilai tergantung mengikuti matahari zenith sudut saat
pengambilan spektrum di bidang (matahari Azimut sudut adalah antara 0° - 50° di pagi
hari dan 150° - 170° di sore hari selama pengumpulan data) (gambar 6.2). Sudut
matahari-Azimut rata-rata dari 10:30-13:30 adalah 25.75° 0 °. Model fungsional linear
dasar sudut ini didasarkan pada nilai-nilai rata-rata yang hijau, merah, dan dekat
86
dengan band-band inframerah.
Untuk menilai pentingnya model linier, FANOVA digunakan untuk menguji
hipotesis bahwa Azimut sudut dan posisi band secara signifikan mempengaruhi
reflektansi spektral tanah. Dapat dilihat sebagai versi asimtotik terkenal ANOVA F-tes.
FANOVA dihitung untuk panjang gelombang dan sudut dasar analisis dan hasilnya
dalam bentuk nilai-nilai r2 dan F-rasio fungsional kurva plot.
6.8.4. Fungsi basis untuk spectral smoothing
Penggunaan fungsi dasar 5, 10, dan 20 menunjukkan pendekatan yang sangat
berbeda dari kurva spectral. Penggunaan fungsi dasar yang berbeda jelas
mempengaruhi cocok fungsi spektral kurva yang Diperoleh dari posisi delapan-Azimut
sudut. Beberapa fitur penyerapan telah merapikan dalam 5-dasar fungsi. Kedua 10
dan 20-dasar fungsi menunjukkan lebih rinci spektral pola sepanjang kurva fungsional,
dengan band tertentu absorptions sekitar 450 nm dan 900 nm. Tren smoothing serupa
yang tampak untuk soil2 (gambar 6.8). Penggunaan fungsi-fungsi dasar 5, 10 dan 20
untuk soil3 tidak menghasilkan berbeda kurva merapikan. Fitur diagnostik penyerapan
menentukan bagaimana fungsi dasar cocok spektral kurva. Sudah jelas bahwa
reflektansi soil3 memiliki penyerapan rendah 'suara'; tidak ada proses smoothing dapat
dilihat dari kurva.
87
(a) (b)
(c) (d)
Gambar 6.6. Smoothing pada beberpa jumlah dasar 20° zenith (Azt 2) pada contoh tanha dan RMS sisa (RMSr) Note : 5-basis (a), 10-basis (b), 15-basis (c), and 20-basis functions (d)
Fungsi-fungsi dasar panjang gelombang yang dipasang untuk azimuths berbeda
dapat memiliki diffeent model cocok. Contoh ini adalah dalam gambar 6.10, mana
kurva tidak selalu persis sesuai nilai data (misalnya 900nm). Efek edge juga terjadi di
dekat ujung rentang data (gambar 6.11). Fungsi dinilai, kurva fungsi dasar 20
menunjukkan paling cocok untuk data, jadi mereka digunakan untuk semua analisis
berikutnya
88
Gambar 6.7. Fungsional kurva soil1 dengan sudut Azimut berbeda, Azt1 4 Azt mewakili 45°, 90°, 135° dan 180°
The curve fits of the azimuth angles have different RMS residuals. The solid line is the functional basis approximation relative to the data values represented by the green diamond (◊).
Functional linear model
Model linear fungsional soil1 menunjukkan efek sudut Azimut memiliki spektrum
reflektansi. Dampak kecil dapat diamati dari plot kurva fungsional (kesalahan! Sumber
referensi tidak ditemukan.). Gambar 6,18 menunjukkan model linier fungsional sebagai
pasangan Azimut sudut (45° dan 90°, 135° dan 180°, 225° dan 270°, 315° dan 360°)
untuk 20°, 40° dan 60° sensor zenith sudut soil1 data. Azt1 adalah variabel
independen, maju ke arah matahari iluminasi. Aspek kunci dalam model linier
fungsional adalah bahwa parameter dan pengamatan individu fungsi daripada
mewakili titik pada kontinum nomor. Simbol Azt (Azimut) dan nomor menunjukkan
sudut berbeda Azimut. AZT 1, misalnya, mewakili 45° dan 90° melalui nomor 4 (315
89
dan 360 °). Sebagian besar pasangan Azimut sudut (Azt2 4 Azt) dengan 20° sensor
zenith sudut memiliki koefisien regresi linear di bawah 0. Untuk sudut zenith sensor
40°, Bagian dari spektrum terletak di 400 -...
Gambar 6.8. Model linear fungsional untuk sudut Azimut(Azt) at 20°, 40° and 60°
zenith angles contoh tanah Note:. Azt1 mewakili 45° dan 90°, Azt2 mewakili 135° dan 180°, Azt3 mewakili
225° dan 270°, Azt4 mewakili 315° dan 360°.
Variasi dalam model linier antara sudut Azimut dan tanah spektrum menunjukkan
soil1 yang tidak secara signifikan berbeda (gambar 6,19). Gambar 6,19 menunjukkan
variasi plot untuk FANOVA untuk soil1 data untuk tiga berbeda zenith sudut, 20°, 40°
dan 60°. Semua nilai F-rasio soil1 data secara substansial di bawah tingkat kepentingan
95% 5.47.
Untuk sudut zenith 20° nilai r2 meningkat dari 40% di wilayah biru untuk 50% di
wilayah NIR (gambar 6,19). Namun, sebaliknya berlaku untuk 40° zenith sudut mana
penurunan nilai r2 dapat dilihat di daerah yang sama. Menariknya, 60° zenith sudut hasil
kontras dengan yang lain. R2 memiliki luas puncak 500 nm, penurunan yang luas untuk
900 nm, dan puncak tajam di sekitar 950 nm. Namun, nilai-nilai ini semua lebih tinggi
90
daripada hasil 20° dan 40°. Efek edge jelas terlihat setelah 950 nm. Rasio F fungsional
adalah sekitar 2 3 untuk zenith 20°, dan 8 sampai 10 untuk sudut zenith 40° dan 60°.
Hasil FANOVA untuk soil2 menunjukkan bahwa ada dampak yang signifikan pada
reflektansi spektral di Azimut berbeda sudut (gambar 6,20). F-rasio fungsional di 40° dan sudut
zenith 60° menunjukkan perbedaan yang signifikan dalam semua panjang gelombang daerah,
kecuali di ujung panjang gelombang dianalisis dimana hal ini dapat efek edge. Hasil soil2
menunjukkan bahwa pada 20°, r2 menurun dari 60% di wilayah biru sampai 50% di daerah
NIR. Tren ini fungsional kurva 40° zenith dan 60° zenith tidak berubah sangat seluruh rentang
panjang gelombang; varians r2 adalah hampir konstan 80% dari varians.
Hasil FANOVA dengan situs sampel soil3 menunjukkan bahwa pada 20° r2
meningkat dari 40% di wilayah biru 60% di daerah NIR (gambar 6.21). Ukuran dari
jumlah varians fungsional kurva 40° dan sudut zenith 60° menunjukkan perubahan
kecil seluruh rentang panjang gelombang; sekitar 78% pada 40° dan 80% di 60° zenith.
R2 hampir konstan pada 80%
91
Gambar 6.9. Kurva fungsional R-Square beberapa korelasi dan F-rasio untuk sampel tanah. Garis horisontal dash menunjukkan signifikans 95% tingkat untuk distribusi F untuk sudut pengambilan yang berbeda.
92
Gambar 6.10. Fungsional kurva R-Square beberapa korelasi dan F-rasio untuk sampel tanah. Garis horisontal menunjukkan signifikans 95% tingkat untuk distribusi F.
93
Gambar 6.10. Kurva fungsional kurva R-Square beberapa korelasi dan F-rasio untuk sampel tanah. Garis horisontal dash menunjukkan signifikans 95% tingkat untuk distribusi F.
Jelas bahwa fungsional analisis varians, tidak ada perbedaan yang signifikan antara
Azimut sudut untuk tanah spektrum diukur dengan menggunakan sudut zenith 20°, tetapi
sensor zenith sudut sebesar 40° dan 60° secara signifikan mempengaruhi reflektansi spektral
sampel tanah untuk soil2 dan soil3.
Hasil dari ANOVA konvensional (Tabel 6.4) menunjukkan perbedaan yang
signifikan antara soil2 dan soil3 untuk semua sudut diamati Azimut. Namun, FANOVA
menunjukkan bahwa 20° tidak berbeda. Temuan ini menunjukkan bahwa analisis
statistik standar multivarian melebih-lebihkan signifikansi statistik dari perbandingan di
20° zenith dan beberapa daerah panjang gelombang. Hal ini karena konvensional
ANOVA mengabaikan korelasi struktur data. Data spektral diharapkan memiliki
94
struktur ini karena mereka dikumpulkan bersama serangkaian panjang gelombang
yang berdekatan. Hasil juga menunjukkan bahwa sudut zenith 20° dan beberapa posisi
panjang gelombang pada 40° dan 60° zenith sudut adalah Statistik berbeda terhadap
hipotesis bahwa sudut Azimut mempengaruhi spektrum fungsional tanah yang
diperoleh di zenith berbeda sudut (tinggi r2, dan F-nilai di bawah kritis).
6.9. Analisis sudut azimuth terhadpa hasil ujicoba,
Untuk analisa sudut Azimut FDA, kurva fungsional dari setiap pita yang
terhubung ke setiap sudut Azimut yang berbeda (gambar 6.22). Angka ini menunjukkan
fungsional kurva zenith berbeda sudut untuk soil1, soil2, soil3 jam 20°, 40° dan 60°
dan contoh band-band individu empat dari soil1. Fungsi kurva ini dipasang
menggunakan 6-dasar fungsi. Reflektansi spektrum band masing-masing dapat
diamati untuk setiap sudut Azimut. Kurva spektral di sudut Azimut berbeda
berkontribusi pada variasi dalam reflektansi di band yang berbeda. Untuk soil1 data
(gambar 6.22a), reflektansi rendah terjadi pada 135 ° dan Azimut 225 ° untuk 40 °
zenith (gambar 6.22b). Dengan 60 ° zenith (gambar 6.22 c), Azimut 135 ° memiliki
lebih tinggi nilai reflektansi merah mendekati inframerah. Untuk soil2 data, bentuk
reflektansi di band 440 menunjukkan variasi kecil, mulai lebih tinggi (sekitar 0.5) di
reflektansi di Azimut 45° untuk menurunkan di bagian tengah Azimut sudut (90° untuk
270°),
Implikasi dari analisis Azimut dasar dalam model fungsional adalah bahwa band
individu untuk sudut Azimut dapat disajikan sebagai urutan Azimut sudut (6.22d
gambar). Pola kurva nilai (reflektansi untuk setiap band) juga dapat ditampilkan.
Perbandingan antara band juga dimungkinkan.
95
(a) (b)
(c) (d)
Gambar 6.11. Reflectance spectra of soil as angle basis for different azimuth angles.
Terbatasnya jumlah Azimut sudut (8) berarti bahwa merapikan tidak dihitung di
FDA. Namun, sisa yang cocok untuk setiap pita dapat diamati (gambar 6.23). Angka
menunjukkan distribusi data di dalam plot dan estimasi dasar kurva fungsi. Sisa RMS
band empat hijau, merah, dan NIR menunjukkan nilai-nilai yang hampir serupa, 0,16
untuk 0.17. Ini berarti bahwa variasi dari spektrum tanah hijau, merah dan NIR tidak
sangat berbeda dalam varians. Sebagian besar kurva yang serupa (6.23 gambar).
96
(a) (b)
(c) Gambar 6.12. The first four bands of green (a), red (b), and NIR (c) spectra with
the RMS residual showing the curve basis function and the distribution of the 8- different azimuth angles of soil spectra.
6.10. Analisis Komponen Utama Fungsional
Dalam analisis sudut Azimut, mayoritas pertama perhitungan fPCA untuk 89.9%,
88.9% dan 81.3% dari variasi untuk zenith berbeda sudut 20°, 40° dan 60° masing-
masing (gambar 6,24). Gambar 6,24 menunjukkan fPCA untuk soil1 20°, 40° dan 60°
zenith sudut. Seluruh nilai-nilai komponen prinsip untuk masing-masing sudut zenith
97
untuk tiga sampel tanah yang berbeda yang diberikan dalam tabel 6.11
The fPCA trend for soil2 and soil3 is similar to that for soil1, in which the first
principal component function accounts for more than 90% of the variability for each of
the zenith angles (Table 6.11). The harmonic variations are given in Figure 6.25.
Gambar 6.13. Analisis komponen fungsional soil1 untuk 20°, 40° dan 60° zenith
sudut sudut dasar analisis. The solid curve (black) is the overall mean spectra for given zenith-angle ranges and the circle (green) and dashed (red) curves shows the effect of adding and subtracting a multiple of each functional principal component to aid interpretation.
98
Table 6.12. FPCA untuk empat pertama dari tiga tanah spektrum, soil1, soil2 dan soil3 yang dianalisis secara Azimut
fPCA1 fPCA2 fPCA3 fPCA4
soil1 soil2 soil-3 20° 40° 60° 20° 40° 60° 20° 40° 60° 89.9 88.9 81.3 96.7 98.4 90.6 99.9 99.8 99.8 8.1 8.1 14.2 3.0 1.4 9.0 0.0 0.1 0.1 1.8 2.6 3.1 0.1 0.1 0.2 0.0 0.1 0.0 0.1 0.3 1.3 0.1 0.0 0.2 0.0 0.0 0.0
99.1 99.8 99.9 99.9 99.9 100 99.9 100.0 99.9
Gambar 6.14. Principal component harmonic score untuk fPCA data tanah
Skor harmonik dapat menunjukkan bahwa fungsi dasar yang digunakan dalam
analisis sudut Azimut bekerja untuk 60° sudut zenith, tetapi tidak untuk 20° dan 40°.
Sudah jelas bahwa data diekstraksi dari PCA fungsional pertama menyumbang hampir
seluruh varians, dan hanya sebagian kecil data di kedua, ketiga dan keempat fPC.
Sumbu pertama PCA positif berkaitan dengan kelimpahan spektral data. Karena ini
analisis tidak menentukan faktor loading untuk setiap Azimut sudut, sudut Azimut
dominan yang berkontribusi spektral-reflektansi variasi dalam dataset tidak dapat
diamati. Namun, dengan melihat kurva spektral fungsional, sudut zenith dominan yang
berkontribusi untuk variasi yang sekitar 45-90°, dan 225-360° untuk 20° zenith soil1 di
zenith 20°. Zenith 40°, 150 ° dan 300° berkontribusi reflektansi spektrum yang lebih tinggi,
99
dibandingkan dengan sudut Azimut lainnya.
6.11. Functional linear model
Model linear untuk gelombang hijau, merah dan NIR reflektansi Azimut berbeda
sudut dan fungsi individu model berbeda sudut zenith disajikan dalam gambar 6.15. Tiga
saluran dikombinasikan untuk tiga berbeda zenith sudut (20°, 40 ° dan 60°) disajikan
dalam gambar 6,26. Model linear untuk hijau, merah dan NIR untuk diberikan Azimut
sudut menunjukkan bahwa ada korelasi koefisien, hampir nol. Beberapa poin (posisi
sudut Azimut) memiliki nilai negatif
(a) (b) (c)
Gambar 6.15. Model linear hijau (Band 1) terhadap merah (Band 2) dan Nir (Band 3) pada 20° zenith sudut. A hijau (), hijau terhadap merah (B), dan hijau terhadap NIR (c) di 20°, 40° dan 60°.
100
\
\
Green Red NIR
Gambar 6.16. Model linear spektrum tiga band (hijau, merah dan NIR) untuk zenith berbeda sudut
Hasil analisis FANOVA menunjukkan bahwa tidak ada perbedaan yang signifikan
pada gelombang hijau, merah dan NIR reflektansi untuk soil1 dalam hubungannya
dengan sudut akuisisi, kecuali untuk beberapa poin di zenith 60 °. Hasil yang sama juga
ditemukan untuk soil2 dan soil3. Meskipun tidak ada perbedaan yang signifikan dalam
FANOVA hasil, tren spektral reflektansi dari 90° dan 270° Azimut untuk sudut zenith 20°
(gambar 6.28a) menunjukkan nilai reflektansi kuat dibandingkan dengan sisa dari sudut
Azimut untuk zenith ini posisi. Untuk 40° zenith sudut (gambar 6.28b), Azimut 180 °
adalah nilai tertinggi varians dibandingkan dengan sudut yang lain Azimut. Hasil yang
signifikan dari 'ekor' sudut 45° dan 360° pada sudut zenith 60° (gambar 6.28 c)
menunjukkan bahwa nilai spektrum ini adalah sebagian besar suara di reflektansi
spektrum. Spektral reflektansi tanah dipengaruhi oleh komposisi sifat-sifat tanah dan
sudut pandangan sensor. Dalam plot contoh ini (gambar 6.28), sensor Azimut p...
101
Gambar 6.17. Fungsional kurva R-Square beberapa korelasi dan F-rasio untuk soil1 data untuk tiga sudut zenith, 20°, 40°, dan 60°. Garis horizontal dot menunjukkan tingkat kepentingan 0,05 untuk distribusi F di 2,65.
6.12. Diskusi
Ada sejumlah besar informasi yang diberikan oleh hyperspectral multi sudut
penginderaan jauh untuk tanah ketika dinilai menggunakan analisis multivarian
konvensional. Namun, hal ini tidak terjadi ketika menggunakan FDA. Hal ini dapat
diamati dari spektral karakteristik dan FDA rutinitas diterapkan untuk analisis spektral
102
sampel tanah.
Dua pendekatan utama telah digunakan untuk menganalisis tanah spektrum
dalam proses FDA: gelombang dan sudut azimut. Hasil ditampilkan dengan kurva fungsi
output; yaitu fungsi dasar, analisis varians fungsional dan model linier multi sudut tanah
spektrum.
Isi informasi statistik dan analisis data fungsional pada sampel tanah tiga set data
multi sudut hyperspectral diperiksa, setiap data yang tercatat di waveband spektral dari
terlihat di dekat inframerah. Spektrum sampel tanah menunjukkan ciri-ciri penyerapan
diagnostik yang berbeda. Sampel tanah ini memiliki diagnostik penyerapan untuk
panjang gelombang pada 400 nm. Setiap sampel tanah menunjukkan penampilan
permukaan yang berbeda (gambar 6.3) dan berbeda spektrum reflektansi (gambar 6.4).
Lebih banyak fitur penyerapan diharapkan melampaui 1000 nm.
6.12.1. Multivariate analysis
Multivarian ANOVA menunjukkan bahwa variasi spektral ada akibat sudut
pandangan sensor untuk zenith sudut dan band-band yang berbeda, kecuali untuk soil1
(Tabel 6.4). Pearson produk saat korelasi juga menunjukkan hubungan yang kuat antara
Azimut dan zenith sudut reflektansi spektral sampel tanah seperti yang ditunjukkan
dalam tabel 6.5.
Hasilnya menunjukkan bahwa komponen tanah yang berbeda dapat
mempengaruhi reflektansi spektral dan, lebih penting lagi, sudut pandang sensor secara
signifikan memberikan kontribusi terhadap perubahan dalam spektrum reflektansi.
Komposisi tanah mempengaruhi penyerapan dan reflektansi cahaya energi pada
panjang gelombang tertentu. Bahan-bahan seperti bahan organik, air dan mineral dapat
memiliki efek pada reflektansi tapi maxima panjang gelombang yang digunakan dalam
percobaan ini adalah kurang dari 1000 nm. Gelombang pendek ini dianggap sensitif
terhadap beberapa mineral seperti kuarsa, yang terdeteksi di 1000 nm (Kimes & Kircher
1982). Oleh karena itu, kemampuan untuk menetapkan komposisi mineral tanah melalui
analisis spektral di bawah 1000 nm dibatasi. Faktor utama yang dapat menyebabkan
variasi dari tanah spektrum di sampel tanah adalah penerangan matahari, sudut
pandang sensor dan sifat-sifat tanah seperti kelembaban tanah dan bahan organik. Hal
103
ini dapat diamati dari komposisi analisis kimia tanah .
6.12.2. Fungsi Basis untuk smoothing spektra tanah
Penggunaan fungsi dasar yang berbeda jelas mempengaruhi cocok fungsi
spektral kurva. Hal ini juga mempengaruhi jumlah titik data yang tersedia, karena ini
telah bekerja baik untuk panjang gelombang dasar analisis, tetapi tidak untuk analisis
dasar Azimut. Sisa RMS bervariasi tergantung pada jumlah fungsi dasar dan sudut
Azimut yang digunakan. Beberapa fitur penyerapan telah merapikan dalam 5-dasar
fungsi, tetapi 10 dan 20-dasar fungsi menunjukkan lebih rinci spektral pola sepanjang
kurva fungsional dengan band tertentu absorptions jelas
Perbedaan nilai spektral reflektansi karena zenith dan Azimut sudut telah diamati.
Fungsi reflektansi spektral data dapat perubahan nilai terhadap vertikal 'perubahan'.
Modus vertikal pergeseran tanah spektrum dianggap sebagai variasi linear dan dapat
dirumuskan sebagai model sederhana fPCA (angka 6,18, dan 6,26). Harmonik Skor
untuk setiap sudut menunjukkan variasi kecil seperti yang ditunjukkan di dalam plot.
Kurva yang terkait dengan zenith untuk sudut Azimut berkontribusi pada variasi
dalam penyerapan dan reflektansi tanah SPEKTRA. Setiap sampel tanah berbeda di
terendah dan tertinggi spektrum sudut reflektansi dan Azimut. Perbandingan antara
sudut Azimut menunjukkan bahwa garis-garis spektrum berbeda untuk setiap
gelombang telah dipengaruhi oleh zenith sudut untuk sudut tertentu Azimut. Beberapa
distribusi ekstrim varians terjadi untuk sudut tertentu Azimut, namun hal ini tidak terjadi
untuk zenith sudut (sesuai dengan 1972).
6.12.3. fPCA spektra tanah
fPCA telah digunakan dalam upaya untuk mengidentifikasi sensor zenith dan
Azimut sudut efek. Itu mengungkapkan bahwa komponen spektral mendominasi arah
komponen dalam proporsi relatif total varians Statistik bahwa masing-masing
menyumbang. Namun, kontribusi mereka relatif bervariasi dari sudut ke sudut dan band
ke band, akuntansi arah komponen untuk lebih dari 85% di yang terlihat untuk panjang
gelombang inframerah-dekat. Itu menunjukkan bahwa komponen arah yang membantu
untuk membedakan sudut akuisisi yang tidak bisa dipisahkan berdasarkan spektral
104
perbedaan dalam satu waveband tertentu.
Hasil fPCA gelombang dasar analisis bervariasi untuk setiap tanah sampel dan
sensor zenith sudut. FPCA pertama dari zenith sudut menyumbang lebih dari 92% dari
varians, dengan yang tertinggi di sudut zenith 20° dan terendah di 60°. Variasi dari fPCA
pertama adalah semua panjang gelombang. Komponen fPCA kedua account untuk
kurang dari 6,2% varians, sebagian besar di nm 400-600 dan di atas 800 (gambar 6,16).
FPCA ketiga account untuk 1,3% menjadi 0% varians pada 400, 600 dan 800 nm. FPCA
keempat menyumbang kurang dari 0,01%.
Varians yang lebih kecil yang diperoleh untuk fPCA dalam analisis dasar Azimut.
FPCA pertama yang diperhitungkan antara 89.9 81.3% untuk zenith berbeda sudut.
Variasi kebanyakan terjadi di 45° - 90°, 315° - 360° (gambar 6,24). FPCA kedua
menunjukkan varians 8.1 14.1% untuk zenith sudut kategori yang sama, sebagian besar
di 225° untuk 20° zenith, 90°, 315° dan 360° di zenith 40°, dan di 45° dan 315° di 60°.
Komponen utama ketiga menyumbang kurang dari 3,2%, dengan kurang dari 1,3%
untuk fPCA keempat. FPCA pada dasarnya diproduksi lebih varians dalam empat
komponen utama bila dibandingkan dengan PCA multivarian. Komponen utama
pertama mencerminkan umum variasi amplitudo varians spektral reflektansi di band,
terutama energi radiasi yang dikumpulkan oleh sensor.
Hasil dari fPCA menunjukkan bahwa fPCA menghasilkan lebih varians dalam
empat komponen utama dibandingkan PCA multivarian (6.8 tabel). Di PCA multivarian,
distribusi varians masih dapat dilihat sampai delapan komponen. Ini menunjukkan
bahwa PCA konvensional tidak efisien dan tidak benar menangkap variasi dalam
kumpulan data.
Perlu dicatat bahwa berbagai sudut pandangan sensor dikaji dalam bab ini lebih
kecil daripada dalam penelitian lain (45° - 360° zenith dengan kenaikan 45 °, dan 20° -
60° zenith dengan kenaikan dari 20°). Kebanyakan model directional reflektansi
menunjukkan anisotropi reflektansi banyak kuat dengan meningkatnya sudut
pandangan melampaui batas ini. Dengan demikian, hasil ini menyediakan tes dasar
konten informasi data multi-sudut. Namun, isi informasi bahkan dalam kisaran ini
terbatas sudut jelas penting dan berguna untuk pengembangan lebih lanjut multi-View
sudut sebagai sumber informasi tambahan mengenai reflektansi permukaan tanah.
105
Beberapa poin menarik lain timbul dari hasil. Yang pertama berkaitan dengan
smoothing spektral data, yang dapat diperkirakan oleh membalik model matematika
BRDF terhadap arah reflektansi data sampel di beberapa sudut pandangan sensor yang
berbeda. Hasil analisis komponen utama (Bagian 6.5.1.3, 6.5.2.4 dan 6.5.3.1)
menyarankan bahwa data multi sudut hyperspectral adalah pada dasarnya satu atau
dua dimensi data di pesawat utama. Eigenvector bongkar muat untuk pertama fPCA
menunjukkan bahwa itu adalah penjumlahan tertimbang positif dari masing-masing
garis-garis spektrum dalam dataset multi sudut. Mereka dapat dianggap menjadi
"spektral nilai tertinggi" ditentukan oleh sudut pandangan sensor.
Dalam model arah yang ada, fPCA pertama cenderung sangat berkorelasi dengan
albedo (jauh 1997). Bongkar-muat pada fPCA kedua dan di atas menunjukkan bahwa
ini menyoroti perbedaan antara garis-garis spektrum yang diperoleh pada setiap
delapan Azimut dan tiga zenith sudut digunakan dalam kajian ini. Meskipun ini tidak
dapat dibandingkan secara langsung dengan parameter tertentu yang digunakan dalam
model reflektansi directional individu, jumlah kecil varians statistik yang terkait dengan
kedua hingga keempat fPCA menyarankan bahwa model parameter lain yang
menggambarkan albedo (atau yang setara) mungkin memiliki rentang dinamis yang
relatif kecil.
6.12.4. FANOVA and the linear model
Regresi linear fungsional dan FANOVA menunjukkan tidak ada hasil yang
signifikan dari 20° dan 40° zenith sudut. Hal ini menunjukkan bahwa untuk memprediksi
tren di tanah spektral reflektansi menggunakan ANOVA konvensional akan menaksir
terlalu tinggi pentingnya nilai. Namun, di zenith 60° sudut perbedaan yang signifikan
antara sudut zenith dan Azimut dan reflektansi spektral sampel tanah jelas (gambar
6.21).
Model linear fungsional sampel tanah menunjukkan efek Azimut sudut pada
spektrum reflektansi. Azimut sudut di balik matahari penerangan arah memiliki korelasi
negatif ke arah matahari, ketika menghadapi target. Bagian dari spektrum yang terletak
di 400-450 nm memiliki korelasi positif ke arah maju. Kebanyakan sudut Azimut, maju,
mundur, dan di belakang matahari, memiliki koefisien regresi linear di bawah 0, korelasi
106
negatif fungsional, kecuali zenith 40 ° di Azimut 90 °.
Hasil FANOVA gelombang dasar analisis menunjukkan bahwa ada perbedaan
yang signifikan terjadi pada 20° zenith, tetapi ada perbedaan yang signifikan untuk sudut
zenith 40° dan 60°. Hal ini jelas bahwa sudut zenith 20° tidak mempengaruhi reflektansi
spektrum. Hasil ini bertentangan dengan tes ANOVA konvensional bahwa semua sudut
Azimut menunjukkan perbedaan yang signifikan.
Hasil fungsional linier pemodelan menggunakan fungsi-fungsi dasar sudut Azimut
menunjukkan bahwa ada tidak ada perbedaan yang signifikan antara hijau, merah dan
NIR reflektansi dan sensor yang berbeda zenith dan Azimut sudut ketika memperoleh
tanah spektrum. Namun, reflektansi spektral Azimut 90° dan 270° dan sudut zenith 20°
memiliki nilai tinggi reflektansi dibandingkan dengan sudut yang lain Azimut. Azimut
180° memiliki nilai tertinggi dibandingkan dengan sudut Azimut yang lain di sudut zenith
ini di zenith 40°. Hasil FANOVA bertentangan dengan ANOVA konvensional, mana
sudut Azimut dan zenith terpengaruh secara signifikan reflektansi spektral tanah.
Masih ada sejumlah besar mendasar pembangunan harus dilakukan di daerah
analisis regresi fungsional (Ramsay & Dalzell 1991). Prosedur inferential yang disajikan
di sini tentatif. Penyelidikan lebih teoritis, terutama untuk multi - sudut data, akan
bermanfaat bagi masa depan aplikasi dalam analisis data hyperspectral. Seperti
dibahas lebih khusus lagi pada Ramsay & Dalzell (1991), beberapa struktur parametrik
perlu dikenakan pada model. Model linear fungsional juga dapat digunakan sebagai
analisis eksplorasi sebagai pendahuluan untuk analisis parametrik data hyperspectral.
Perlu dicatat bahwa hasil yang berbeda antara analisis multivariat konvensional
dan FDA berhubungan dengan asumsi-asumsi, kesalahan, dan variabel independen
dalam data. Sebagai contoh, statistika multivariat konvensional menganggap kesalahan
independen untuk setiap titik data mana kesalahan harus membatalkan keluar di setiap
analisis, menghasilkan hasil yang tidak bias. Namun, independensi tidak mungkin untuk
hyperspectral data. Di FDA, kesalahan tidak diperlakukan sebagai independen. Hal ini
penting untuk dicatat bahwa akurasi hasil analisis spektral tidak hanya ditentukan oleh
kesalahan (yaitu, kesalahan sisa dari fungsi dasar yang berbeda) tapi juga sumber-
sumber lain. Misalnya, contoh pengobatan, pengukuran dan bebas-respon: istilah yang
digunakan secara umum Statistik sastra untuk menunjukkan situasi dimana untuk
107
beberapa alasan tidak ada data dapat diperoleh dari sampel elemen (de Gruijter tahun
1999). Dalam sampling tanah, hal ini terjadi ketika titik di bidang tidak dapat mengunjungi
atau diverifikasi atau ketika itu imposs.
6,13, Rangkuman
Hyperspectral multi sudut tanah data telah dianalisis dalam bab ini dalam rasa
multivarian konvensional dan menggunakan FDA. Perbedaan yang signifikan ditemukan
antara Azimut dan zenith sudut menggunakan statistika multivariat konvensional.
Pearson produk-saat korelasi antara sudut Azimut menunjukkan korelasi positif antara
Azimut sudut untuk sampel tanah. Distribusi nilai korelasi untuk soil1 bervariasi antara
zenith sudut dan sudut Azimut. Korelasi antara soil2 Azimut sudut tinggi. Pearson
korelasi analisis menunjukkan bahwa sudut Azimut memiliki dampak pada tanah
spektral reflektansi.
Penggunaan fungsi dasar yang berbeda mempengaruhi cocok fungsi spektral
kurva yang Diperoleh dari posisi delapan-Azimut sudut. 20-dasar fungsi adalah paling
cocok untuk spektrum sampel tanah. Ada batasan penggunaan Azimut sudut dasar
fungsi karena sampel data terbatas, seperti jumlah azimuths terlalu kecil untuk fiit fungsi
dasar.
Hasil fPCA telah menunjukkan bahwa lebih dari 92% dari varians muncul dalam
fPCA pertama untuk panjang gelombang dasar analisis, dan lebih dari 81% untuk
Azimut dasar analisis. Varians terjadi sepanjang panjang gelombang dan sudut Azimut.
Ada tidak ada perbedaan yang signifikan antara azimuths ketika dinilai menggunakan
FANOVA untuk semua sampel tanah, kecuali zenith 60 ° dari soil3.
Implikasi dari analisis ini arah SPEKTRA tanah adalah bahwa data reflektansi
spektral yang dapat dianggap sebagai fungsi. Oleh pemodelan dalam pendekatan
fungsional, smoothing, prediksi dan analisis data sederhana. Ada hanya sejumlah
sangat kecil dari informasi tambahan yang disediakan oleh multi sudut pengukuran
dalam kisaran Azimut dan sudut zenith dinilai.
108
APENDIKS
109
REFERENSI
Abuelgasim, A. A., Gopal, S., Irons, J. & Strahler, A. H. (1996). Classification of ASAS
multiangle and multispectral measurements using artificial neural network. Remote Sensing of Environment, 57, 79-87.
Adam, J. B., Sabol, D. E., Kapos, V., Filho, R. A., Roberts, D. A., Smith, M. O. & Gillespie, A. R. (1995). Classification of multispectral images based on fractions of endmembers: application to land-cover change in Brazilian Amazon. Remote Sensing of Environment, 52, 137-145.
Ahlrichs, J. S. & Bauer, M. E. (1983). Relation of agronomic and multi-spectral reflectance characteristics of spring wheat canopies. Agronomy Journal, 75, 987-993.
Ahn, C. W., Baumgardner, M. F. & Biehl, L. L. (1999). Delineation of soil variability using geostatistics and fuzzy clustering analysis of hyperspectral data. Soil Science of America Journal, 63, 142-150.
Aparicio, N., Villegas, D., Royo, C., Casadesus, J. & Araus, J. L. (2004). Effect of sensor view angle on the assessment of agronomic trait by ground level hyperspectral reflectance measurements in durum wheat under contrasting Mediterranean conditions. International Journal of Remote Sensing, 25, 1131- 1152.
Asd (1999). Analytical Spectral Devices, Inc (ASD). Technical Guide, 3rd edn. Asner, G. P. (1998). Biophysical and biochemical sources of variability in canopy
reflectance. Remote Sensing of Environment, 64, 234-253. Asner, G. P. (2000). Contributions of multi-view angle remote sensing to land surface and
biochemical research. Remote Sensing Reviews, 18, 137-162. Bach, H. & Mauser, W. (1997), Improvement of plant parameter estimations with
hyperspectral data compared to multispectral data: Remote Sensing of Vegetation and Sea, Proceedings of SPIE 2959, p. 59-67.
Bach, H., Begiebing, S., Waldmann, D. & Rowotzki, B. (2005), Analyses of hyperspectral and directional data for agricultural monitoring using the canopy reflectance model SLC progress in the Upper Rhine valley and Baasdorf testsites: Proceedings of 3rd ESA CHRIS/Proba Workshop, p. CD-ROM.
Baret, F. & Guyot, G. (1991). Potentials and limits of vegetation indices for LAI and APAR assessment. Remote Sensing of Environment, 35, 161- 173. 280
Barnes, E. M. & Baker, M. G. (2000). Multispectral data for mapping texture: Possibilities and limitation. Applied Engineering Agriculture, 16, 731-741.
Barnsley, M. J. (1994), Environmental monitoring using multi-view-angle (MVA) remotely-sensed data. In G. Foody, &P. J. Curran (Eds) Environmental remote sensing from global to regional scale (pp. 181-201).Chichester: John Wiley & Sons.
Barnsley, M. J., Allison, D. & Lewis, P. (1997a). On the information content of multiple view angle (MVA) images. International Journal of Remote Sensing, 18, 1937-1960.
Barnsley, M. J., Lewis, M., Sutherland, M. & Muller, J. (1997b). Estimating land surface albedo in the HAPEX-Sahel southern super-site: Inversion of two BRDF models against multiple angle ASAS images. Journal of Hydrology, 189, 749- 778.
110
Barnsley, M. J., Lewis, P., O'dwyer, S., Disney, M. I., Hobson, P., Cutter, M. & Lobb, D. A. (2000). On the potential of CHRIS/Proba for estimating vegetation canopy properties from space. Remote Sensing Reviews, 19, 171-189. Barnsley, M. J., Settle, J., Cutter, M., Lobb, D. R. & Teston, F. (2004). The PROBA/CHRIS Mission : a low cost smallsat for hyperspectral, multi-angle observation of the Earth surface and atmosphere. IEEE Transactions on Geoscience and Remote Sensing, 42, 1512-1520.
Bauman, B. A. M. (1992). Linking physical remote sensing models with crop growth simulation models applied for sugarbeat. International Journal of Remote Sensing, 14, 2565-2581.
Baumgardner, M. F., Silva, L. F., Biehl, L. L. & Stoner, E. R. (1995). Reflectance properties of soils. Advanced Agronomy, 38, 1-43.
Bausch, W. C. & Duke, H. R. (1996). Remote sensing of plant nitrogen status in corn. Transactions of ASAE, 39, 1869-1875.
Beale, P. (1998), Western Murray Valley yield lift project 1994 to 1998, NSW Agriculture and CSIRO.
Begiebing, S. & Bach, H. (2004), Analyses of hyperspectral and directional CHRIS data for agriculture monitoring using canopy reflectance model: Proceeding of the 2nd CHRIS/PROBA Workshop, p. CD-ROM.
Begue, A. (1993). Leaf area index, intercepted photosynthetic active radiation, and spectral vegetation indices: A sensitivity analysis for regular-clumped canopy. Remote Sensing Environment, 46, 213-222.
Ben-Dor, E. & Banin, A. (1994). Visible and near-infrared (0.4-1.1 m) analysis of arid and semi arid soils. Remote Sensing of Environment, 48, 261-274.
Ben-Dor, E. & Levin, N. (2000). Determination of surface reflectance from raw hyperspectral data without simultaneous ground data measurement: a case study of the GER 63-channel sensor data acquired over Naan, Israel. International Journal of Remote Sensing, 21, 2053-2074.
Ben-Dor, E. (2003), First evaluation of CHRIS data quality at Makhes Ramon Israel: Proceedings of 1st ESA CHRIS/Proba Workshop.
Ben-Dor, E., Goldlshleger, N., Benyamini, Y., Agassi, M. & Blumberg, D. G. (2003).The spectral reflectance properties of soil structure crusts in the 1.2-to 2.5-um spectral region. Soil Science of America Journal, 67, 289-299.
Ben-Dor, E., Patkin, K., Banin, A. & Karnieli, A. (2002). Mapping of several soil properties using DAIS-hyperspectral scanner data- case study over clayey soils in Israel. International Journal of Remote Sensing, 23, 1043-1062.
Berk , A., Anderson, G. P., Acharya, P. K., Chetwynd, J. H., L.S., B., Shettle, E. P.,Matthew, M. W. & Adler-Golden, S. M. (2000). MODTRAN4 Users Manual (Hanscom AFB, Massacusstae: Air Force Research Laboratory, Space Vehicles Directorate).
Besse, P., Cardot, H. & Ferraty, F. (1997). Simultaneous non-parametric regressions of unbalanced longitudinal data. Computational Statistic Data Analysis, 24, 255-270.
Bicheron, P. & Leroy, M. (in press). BRDF of major biomes observed from space. Journal of Geophysical Research.
111
Bicheron, P., Leroy, M. & Hautecoeur, O. (1997). Enhanced discrimination of borealforest covers with directional reflectance from airborne polarization and directionality of Earth reflectances (POLDER) instrument. Journal of Geophysical Research, 102, 29517-29528.
Blackburn, G. A. & Steele, C. M. (1999). Towards the remote sensing of matoral vegetation physiology: relationships between spectral reflectance, pigment, and biophysical characteristics of semiarid bushland canopy. Remote Sensing of Environment, 70, 278-292.
Blackburn, G. A. (1998). Spectral indices for estimating photosynthetic pigment concentration test using tree leaves. International Journal of Remote Sensing, 19, 657-675.
Boardman, J. W. & Kruse, F. A. (1994), Automated spectral analysis: A geological example using AVIRIS data, North Grapevine Mountains, Nevada: 10th Thematic conference on geological remote sensing.
Boardman, J. W. (1993), Automating spectral unmixing of AVIRIS data using convex geometry concepts: Proceedings of the Fourth Annual JPL Airborne Geoscience Workshop, p. 11-14.
Boardman, J. W. (1998), Post-ATREM polishing of AVIRIS apparent reflectance data using EFFORT: a lesson in accuracy versus precision: Summaries of the Seventh JPL Airborne Earth Science Workshop, p. 53.
Boardman, J. W., Kruse, F. A. & Green, R. O. (1995), Mapping target signatures via partial unmixing of AVIRIS data: Summaries, Fifth JPL Airborne Earth Science Workshop, p. 23-26.
Boente, G. & Fraimana, R. (2000). Kernel-based functional principal components. Statistics & Probability Letters, 48, 335-345. Boochs, F., Docker, K. & Kuhbauch, W. (1990). Shape red edge as vitality indicator for plants. International Journal of Remote Sensing, 11, 1741-1753.
Bort, J., Casadesus, J., Araus, J. L., Grando, S. & Ceccareli, S. (2001), Spectral vegetation indices as non-destructive indicators of barley yield in Mediterranean rainfed conditions. In G. A. Slafer, J. L. Molina-Cano, R. Savin, J. L. Araus, &I. Romagosa (Eds) Barley Science: Recent advances from molecular biology to agronomy of yield and quality (pp. 339-360).New York
Bosq, D. (1991), Modelization, non-parametric estimation and prediction for continuous time processes. In G. Roussas (Eds) Nonparametric Functional Estimation and Related Topics (pp. 509-529)
Bousquet, L., Lache’Rade, S., Jacquemoud, S. & Moya, I. (2005). Leaf BRDF measurements and model for specular and diffuse components differentiation. Remote Sensing of Environment, 98, 201-211.
Breon, F. M., Vanderbilt, V., Leroy, M., Bicheron, P., Walthall, C. L. & Kalshoven, J. E. (1997). Evidence of hot spot directional signature from airborne POLDER measurements. IEEE Transactions on Geoscience and Remote Sensing, 35, 479-484.
Broge, N. H. & Leblanc, E. (2000). Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density. Remote Sensing of Environment, 76, 156-172.
112
Bruegge, C. J., Helmlinger, M. C., Conel, J. E., Gaitley, B. J. & Abdou, W. A. (2000). PARABOLA III: a sphere-scanning radiometer for field determination of surface anisotropic reflectance functions. Remote Sensing Reviews, 19, 75-94.
Camille, C., Lelong, D., Pinet, P. C. & Poilve, H. (1998). Hyperspectral imaging and stress mapping in agriculture : A case study on wheat in Beauce (France). Remote Sensing of Environment, 66, 179-191.
Campbell, J. B. (2002). Introduction to remote sensing (3rd ed.). The Guilford Press. ISBN1-57230-640-8.
Cardot, H., Faivre, R. & Goulard, M. (2003a). Functional approaches for predicting land use with the temporal evolution of coarse resolution remote sensing. Journal of Applied Statistics, 30, 1185-1199.
Cardot, H., Ferraty, F. & Mas, A. (2003b). Testing hypotheses in functional linear model. Scandinavian Journal of Statistics, 30, 241-255.
Cardot, H., Ferraty, F. & Sarda, P. (2003c). Spline estimators for the functional linear model. Statistica Sinica, 13, 571-591.
Carter, G. A. (1994). Ratio of leaf reflectance in narrow wavebands as indicators of plant stress. International Journal of Remote Sensing, 15, 697-703.
Casa, R. & Jones, H. G. (2004). Retrieval of crop canopy properties: a comparison between model inversion from hyperspectral data and image classification. International Journal of Remote Sensing, 25, 1119-1130.
Cavalli, R., L., F. & Pascucci, S. (2005), Comparative evaluation of MIVIS and Hyperion hyperspectral data (0.4-2.4 μm) on the Pollino National Park (Italy: 25th EARSel Symposium, Global Developments in Environmental Earth Observation from Space, p. CD-rom.
Chapelle, E. W., Kim, M. S. & Mcmurtrey, J. E. I. (1992). Ratio analysis of reflectance spectra (RARS): an algorithm for the remote estimation of the concentrations of chlorophyll multispectral scanner data. Photogrammetric Engineering and Remote Sensing, 42, 679-684.
Chen, J. M. & Cihlar, J. (1997). A hot spot function in a simple bidirectional reflectance model for satellite applications. Journal of Geophysical Research, 102, 25907- 25913.
Chooping, M. J. (2000). Testing a LiSK BRDF model with in situ bidirectional reflectance factor measurements over semiarid grassland. Remote Sensing of Environment, 74, 287-312.
Chooping, M. J., Rango, A., Havstad, K. M., Schiebe, F. R., Ritchie, J. C., Schmugge, T. J., French, A. N., Su, L. H., Mckee, L. & Davis, M. R. (2003). Canopy attributes of desert grassland and transition communities derived from multiangular airborne imagery. Remote Sensing of Environment, 85, 339-354.
Cierniewski, J., Gdala, T. & Karnieli, A. (2004). A hemispherical–directional reflectance model as a tool for understanding image distinctions between cultivated and uncultivated bare surfaces. Remote Sensing of Environment, 90, 505-523.
Cierniewski, J., Verbrugghe, M. & Marlewski, A. (2002). Effect of farming works on soil surface bidirectional reflectance measurements and modelling. International Journal of Remote Sensing, 23, 1075-1094.
113
Clark, R. N. & Roush, T. L. (1984). Reflectance spectroscopy: quantitative analysis techniques for remote sensing applications. Journal of Geophysical Research, 89, 6329-6340.
Clark, R. N. (1999), Spectroscopy of rocks and minerals, and principles of spectroscopy. In A. N. Rencz (Eds) Manual of Remote Sensing, Volume 3, Remote Sensing for the Earth Science (pp. 3-58).New York: John Wiley
Clark, R. N., Swayze, G. A., Gallagher, A., King, T. V. V. & Calvin, W. M. (1993), The U.S. Geological Survey Digital Spectral Library, Version 1: 0.2 to 3.0 m, U. S. Geological Survey.
Clarkson, B. D., Fraley, C., Gu, C. C. & Ramsay, J. O. (2004). Functional Data Analysis User’s Manual: Beta Release 1 (Seattle, WA.: Insightful Corporation).
Clevers, J. G. P. W. & Jongschaap, R. (2003), Imaging spectrometry for agricultural application. In F. D. van der Meer, &S. M. de Jong (Eds) Imaging Spectrometry: Basic Principle and Prospective Applications (pp. 157-200): Kluwer Academic Publishers.
Clevers, J. G. P. W., Buker, C., Van Leeuwin, H. J. C. & Bouman, B. A. M. (1994). A framework for monitoring crop growth by combining directional and spectral remote sensing information. Remote Sensing of Environment, 50, 161-170.
Cochrane, M. A. (2000). Using vegetation reflectance for species level classification of hyperspectral data. International Journal of Remote Sensing, 21, 2075-2087.
Cocks, T., Jenssen, R., Stewart, A., Wilson, I. & Shields, T. (1998), The HyMap airborne hyperspectral sensor: the system, calibration and performance: Proceedings 1st EARSeL Workshop on Imaging Spectroscopy, p. 37-43.
Collins, W. (1978). Remote sensing of crop type and maturity. Photogrammetric Engineering and Remote Sensing, 44, 43-55.
Colwell, J. E. (1974). Vegetation canopy reflectance. Remote Sensing of Environment, 3, 175-183.
Conel, J. E., Bruegge, C. J. & Curtiss, B. (1997a), Correcting airborne imaging spectrometer measurements for the atmosphere: a comparison of methods: Proceedings of 3th. S.P.I.E. International Technical Symposium on Optical and Optoelectronic Applied Science and Engineering.
Conel, J. E., Green, R. O., Vane, G., Bruegge, C. J., Alley, R. E. & Curtiss, B. (1997b), AIS-2 Radiometry and a comparison of methods for the recovery of ground reflectance: Proceedings of the Third Airborne Imaging Spectrometer Data Analysis Workshop.
Curran, P. J. (1983). Multispectral remote sensing for the estimation of green leaf area index. Philisophical Transactions of the Royal Society, 309, 257-270.
Curran, P. J., Dungan, J. L., Macer, B. A., Plummer, S. E. & Peterson, D. L. (1992). Reflectance spectroscopy of fresh whole leaves for the estimation of chemical concentration. Remote Sensing of Environment, 39, 153-166.
Cutter, M. A., Lobb, D. A. & Cockshott, R. A. (2000). Compact high resolution imaging spectrometer (CHRIS). Acta Astronautica, 46, 263-268.
Daniel, K., Tripathi, N. K., Honda, K. & Apisit, E. (2001), Analysis of spectral reflectance and absorption patterns of soil organic matter: 22nd Asian Conference on Remote Sensing, p. CDROM.
114
Danson, F. M., Rowland, C. S. & Baret, F. (2003). Training a neural network with canopy reflectance model to estimate crop leaf area index. International Journal of Remote Sensing, 24, 4891-4905.
Darvishsefat, A. A., Kellenberger, T. W. & Itten, K. I. (2002), Application of Hyperspectral data for forest stand mapping: Symposium on Geospatial Theory, Processing and Application, p. 35-41.
Daughtry, C. S., Walthall, C. L., Kim, M. S., De Colstoun, E. B. & Mcmurtyey, J. E. (2000). Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance. Remote Sensing of Environment, 74, 229-239.
De Gruijter, J. (1999), Spatial sampling scheme for remote senisng. In A. Stein, F. van de Meer, &B. Gorte (Eds) Saptial statistics for remote sensing (pp. 211- 242).Dordrecht: Kluwer Academic Publishers
De Jong, S. M. (1992). The analysis of spectroscopical data to map soil types and soil crust of Mediterranean eroded soil. Soil Technology, 5, 199-211.
Deering, D. W., Eck, T. F. & Grier, T. (1992). Shimery oak bidirectional reflectance properties and canopy model inversion. IEEE Transactions on Geoscience and Remote Sensing, 30, 339-348.
Deering, D. W., Eck, T. F. & Otterman, J. (1989), Bidirectional reflectance of three soil surfaces and their characterization through model inversion.: Proceedings of the 1989 Symposium of the IEEE Geoscience and Remote Sensing Society, p. 670-673.
Dehaan, R. & Taylor, G. (2002). Field-derived spectral endmembers as indicators of irrigation induced soil salinity. Remote Sensing of Environment, 80, 406-417.
Dehaan, R. & Taylor, G. (2003). Image-derived spectral endmember as indicators of salinity. International Journal of Remote Sensing, 24, 775-794.
Demmig-Adams, B. & Adams Iii, W. W. (1996). The role of xanthophyll cycle carotenoids in the protection of photosynthesis. Trends in Plant Science, 1, 21-26.
Dennison, P. E. & Robert, D. A. (2003). The effects of vegetation phenology on endmember selection and species mapping in southern California chaparral. Remote Sensing of Environment, 87, 295-309.
Deschamps, P. Y., Breon, F. M., Leroy, M., Podaire, A., Bricaud, A., Buriez, J. C. & Seze, G. (1994). The POLDER mission: Instrument characteristics and scientific objectives. IEEE Transactions on Geoscience and Remote Sensing, 32, 598-615.
Diner, D. J., Asner, G. P., Davies, R., Knyazikhin, Y., Muller, J. P., Nolin, A., Pinty, B., Schaaf, C. B. & Stroeve, J. (1999). New directions in Earth observing: Scientific applications of multi-angle remote sensing. Bulletin of American Meteorological Society,
Diner, D. J., Martonchika, J. V., Kahna, R. A., Pinty, B., Gobron, N., Nelson, D. L. & Holben, B. N. (2005). Using angular and spectral shape similarity constraints to improve MISR aerosol and surface retrievals over land. Remote Sensing of Environment, 94, 155-171.
Dixit, L. & Ram, S. (1985). Quantitaitive analysis by derivative electronic spectroscopy. Applied Spectroscopy Reviews, 21, 311-418.
Doraiswamy, P. C., Akhmedov, B., Stern, A., Hatfield, J. L. & Prueger, J. (2003), MODIS application for mapping regional crop yields: IGARSS 2003, p. CDROM.
115
Duke, C. & Guerif, G. (1998). Crop reflectance estimate errors from the SAIL model due to spatial and temporal variability of canopy and soil characteristics. Remote Sensing of Environment, 66, 268-297.
D'urso, G., Dini, L., Vuolo, F., Alonso, L. & Guanter, L. (2003), Retrieval of leaf area index by inverting hyperspectral, multi-angular CHRIS/PROBA data from SPARC 2003: Proceedings of 2nd CHRIS/Proba Workshop,, p. CD-ROM.
Elmore, A. J., Mustard, J. F., Manning, S. J. & Lobell, D. B. (2002). Quantifying vegetation change in a semiarid environment: Precision and accuracy of spectral mixture analysis and the normalized different vegetation index. Remote Sensing of Environment, 73, 87-102.
Elvidge, C. D. & Chen, Z. (1995). Comparison of broadband-band and narrow-band red and near-infrared vegetation indices. Remote Sensing of Environment, 54, 38-48.
Envi (2002). The Environment for Visualizing Images (ENVI):User’s Guide, Version 3.6.: Research System Institute, USA).
Estec (1999), Exploitation of CHRIS data from the PROBA mission for science applications experimenters handbook.
Faraway, J. (1997). Regression analysis for functional response. Technometrics, 39, 254-261.
Fernandes, R. & Leblanc, S. G. (2005). Parametric (modified least squares) and nonparametric (Theil-Sen) linear regresions for predictiction biophysical parameters in the presence of measurement errrors. Remote Sensing of Environment, 95, 303-316.
Frank, I. E. & Friedman, J. H. (1993). A statistical view of some chemometrics regression tools. Technometrics, 35, 109-148.
Gabell, A. R. (1986). High-resolution remote senisng applied to minral exploration in Australia [unpublished PhD thesis]: The University of Adelaide, Adelaide, 320p.
Gamon, J. A., Lee, L.-F., Qiu, H.-L., Davis, S., Roberts, D. A. & Ustin, S. L. (1998), A multi-scale sampling strategy for detecting physiologically significant signals in AVIRIS imagery: Proceedings of the Seventh Annual JPL Airborne Earth Science Workshop, p. 23-27.
Gamon, J. A., Penuelas, J. & Field, C. B. (1992a). A Narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency. Remote Sensing of Environment, 41, 35-44.
Gamon, J. A., Penuelas, J. & Field, C. B. (1992b). A narrow-waveband spectral index that tracks diurnal changes in photosynthesis efficiency. Remote Sensing of Environment, 41, 34-44.
Gamon, J. A., Roberts, D. A. & Green, R. O. (1995), Evaluation of the Photochemical Reflectance Index in AVIRIS imagery: Summaries of the Fifth Annual JPL Airborne Earth Science Workshop, p. 55-58.
Gamon, J. A., Serrano, L. & Surfus, J. S. (1997). The Photochemical Reflectance Index:an optical indicator of photosynthetic radiation use efficiency across species, functional types, and nutrient levels. Oceologia, 112, 492-501.
116
Gao, B. C. & Goetz, A. F. H. (1990). Column atmospheric water vapor and vegetation liquid water retrievals from airborne imaging spectrometer data. Journal of Geophysical Research, 95, 3549-3564.
Gao, B. C. (1996). NDWI : a normalized different water index for remote senisng of vegetation liquid water from space. Remote Sensing of Environment, 58, 257-266.
Garcia, J. C. & Moreno, J. (2004), Removal of noises in CHRIS/PROBA images: Application on the SPARC campaign data: Proceeding of the 2nd CHRIS/PROBA Workshop, p. CD-ROM.
Gat, N., Erives, H., Mass, S. J. & Fitzgerald, G. J. (1999), Application of low altitude AVIRIS imagery of agricultural field in the San Joaquin Valley, CA to precision farming: Summaries of 8th JPL Airborne Earth Science Workshop, p. 145-150.
Gausman, H. W., Allen, W. A. & Cardenas, R. (1969). Reflectance of cotton leaves and their structure. Remote Sensing of Environment, 1, 19-22.
Gausman, H. W., Allen, W. A., Cardenas, R. & Richardson, A. J. (1970). Relationship of light refletcance to histological and physical eveluation of cotton leaf maturity. Applied Optics, 9, 545-552.
Gerstl, S. A. W. (1990). Physical concepts of optical and radar reflectance signatures. International Journal of Remote Sensing, 7, 1109-1117.
Girolamo, L. D., Bond, T. C., Bramer, D., Diner, D. J., Fettinger, F., Kahn, R. A., Martonchik, J. V., Ramana, M. V., Ramanathan, V. & Rasch, P. J. (2004). Analysis of multi-angle imaging spectro radiometer (MISR) aerosol optical depths over greater India during winter 2001–2004. Geophysical Research Letters, 31, 1-5.
Gitelson, A. A. & Merzlyak, M. N. (1996a). Detection of red-edge position and chlorophyll content by reflectance measurements near 700 nm. Journal of Plant Physiology, 148, 501-508.
Gitelson, A. A. & Merzlyak, M. N. (1996b). Signature analysis of leaf reflectance spectra: Algorithm development for remote sensing of chlorophyll. Journal of Plant Physiology, 148, 494-500.
Gitelson, A. A. & Merzlyak, M. N. (1997). Remote estimation of chlorophyll content in higher plant leaves. International Journal of Remote Sensing, 18, 2691-2697.
Gitelson, A. A., Merziyak, M. N. & Lightenthaler, H. (1996). Detection of Red Edge position and chlorophyll content by reflectance measurement near 700 nm. Journal of Plant Physiology, 148, 501-508.
Gitelson, A. A., Stark, R., Grits, U., Rundquist, D., Kaufman, Y. & Derry, D. (2002). Vegetation and soil lines in visible spectral space: a concept and techniques for remote estimation of vegetation fraction. International Journal of Remote Sensing, 23, 2537-2562.
Goel, N. S. (1989), Inversion of canopy reflectance models for estimation of biophysical parameters from reflectance data. In G. Asrar (Eds) Theory and Applications of Optical Remote Sensing (pp. 205-248).New York: John Wiley
Goetz, A. F. H. (1992), Imaging spectroscopy for earth remote sensing. In F. Toselli, &J. Bodechtel (Eds) Imaging spectroscopy: Fundamental and Prospective Applications (pp. 1-19).New York: Kluwer Academic Publishers
117
Goetz, A. F. H., Vane, G., Solomon, J. E. & Rock, B. N. (1985). Imaging spectrometry for Earth remote sensing. Science, 228, 1147-1153.
Gong, P. & Howarth, P. J. (1992). Frequency-based contextual classification and graylevel vector reduction for land-use identification. Photogrammetric Engineering and Remote Sensing, 58, 423–437.
Goodin, D. G., Gao, J. & Henebry, G. (2004). The effect of solar illumination angle and sensor view angle on observed pattern of spatial structure Tallgrass Prairie. IEEE Transactions on Geoscience and Remote Sensing, 42, 154-165.
Green, A. A., Berman, M., Switzer, P. & Craig, M. D. (1988). A transformation for ordering multispectral data in terms of image quality with implications for noise removal. IEEE Transactions on Geoscience and Remote Sensing, 26, 65-74.
Green, P. J. & Silverman, B. W. (1994). Nonparametric regression and generalized linear models: a roughness penalty approach (London: Chapman and Hall).
Green, R. O., Pavri, B., Roberts, D. & Ustin, S. (1998), Mapping agricultural crops with AVIRIS spectra in Washington State: Summaries of 7th JPL Airborne Earth Science Workshop, p. 213-220.
Grove, C. I., Hook, S. J. & Paylor Ii, E. D. (1992), Laboratory reflectance spectra of 160 minerals, 0.4 to 2.5 micrometers, Jet Propulsion Laboratory Publication 92- 2.
Guanter, L., Alonso, L. & Moreno, J. (2004), Atmospheric correction of CHRIS/Proba data acquired in the Sparc campaign: Proceedings of 2nd CHRIS/PROBA workshop, p. CDROM.
Guanter, L., Alonso, L. & Moreno, J. (2005). First results from the PROBA/CHRIS hyperspectral/multiangular satellite system over land and water targets. IEEE Geoscience and Remote Sensing Letters, 2, 250-254.
Gutman, G., Tarpley, D., Ignatov, A. & Olson, S. (1995). The enhanced NOAA global land data set from the advanced very high resolution radiometer. Bulletin of American Meteorological Society, 76, 1141-1156.
Guyot, G. (1983), Angular and spatial variability of spectral data in visible and near infrared: Proceedings of the International Colloquium on Spectral Signatures of Objects in Remote Sensing, p. 27-44.
Haboudane, D., Miller, J. R., Pattey, E., Zacro-Tejada, P. J. & Strachan, I. B. (2004). Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modelling and validation in the context of precision agriculture. Remote Sensing of Environment, 90, 337-352.
Hansen, P. M. & Schjoerring, J. K. (2003). Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression. Remote Sensing of Environment, 86, 542-553.
Hapke, B. (1986). Bidirectional reflectance spectroscopy 4: the extinction coefficient and the opposition effects. Icarus, 69, 264-280.
Hapke, B. (1993). Theory of reflectance and emittance spectroscopy (New York: Cambrige university press).
Hastie, T. & Mallows, C. (1993). A discussion of a statistical view of some chemometrics regression tools" by I.E. Frank and J.H. Friedman. Technometrics, 35, 140-143.
118
Henderson, T. L., Szilagyi, A., Baumgardner, M. F., Chen, C. C. T. & Langrebe, D. A. (1989). Spectral band selection for classification of soil organic matter content. Soil Science of America Journal, 53, 1778-1784.
Horler, D. N. H., Dockray, M. & Barber, J. (1983). The red edge of plant leaf reflectance. International Journal of Remote Sensing, 4, 273-288.
Huete, A. R. & Escadafal, R. (1991). Assessment of biophysical soil properties through spectral decomposition techniques. Remote Sensing of Environment, 35, 149-159.
Hyman, A. H. & Barnsley, M. J. (1997). On the potential for land cover mapping from multi-view-angle (MVA) remotely-sensed images. International Journal of Remote Sensing, 18, 2471-2475.
Hyvista (2003), HyMap Airborne Hyperspectral Imagery to map vineyard performance. HyMap Airborne Hyperspectral Imagery to map vineyard performance:
Ichku, C. & Karnieli, A. (1996). A review of mixture modelling techniques for subpixel land cover estimation. Remote Sensing Reviews, 13, 161-186. Imspec-Llc (2003), Atmospheric CORection Now (ACORN).Atmospheric CORection Now (ACORN):Date.
Irons, J. R., Ranson, K. J., Williams, D. L., Irish, R. R. & Huegel, F. G. (1991). An offnadir pointing imaging spectroradimeter for terestrial ecosystem studies. IEEE Transactions on Geoscience and Remote Sensing, 29, 66-74.
Irons, J. R., Weismiller, R. A. & Petersen, G. W. (1989), Soil reflectance. In G. Asrar (Eds) Theory and Applications of Optical Remote Sensing (pp. 66-106): Wiley Izem, R. (2004). Analyzing of nonlinear variation in functional data: The University of North Carolina, Chapel Hill, 150 p.
Jackson, R. D. & Ezra, C. E. (1985). Spectral rersponse of cotton to suddently induced water stress. International Journal of Remote Sensing, 6, 177-185.
Jackson, R. D., Idso, S. B. & Reginato, R. J. (1977), Remote sensing of crop canopy temperatures for scheduling irrigation and estimating yields: Proceedings Symposium on Remote Sensing of Natural Resources.
Jackson, R. D., Moran, M. S., Slater, P. N. & Biggar, S. F. (1987). Field calibration of reference reflectance panels. Remote Sensing of Environment, 22, 145-158.
Jacquemoud, S. & Baret, F. (1990). PROSPECT: a model of leaf optical properties. Remote Sensing of Environment, 34, 75-91.
Jensen, J. R. (2000). Remote sensing of environment : An earth resource prespective (New Jersey: Prentice-Hall).
Jensen, J. R. (2005). Digital Image Processing: a Remote Sensing Perspective (3rd ed.). Prentice Hall.
Jensen, J. R. (2007). Remote sensing of the environment: an Earth resource perspective (2nd ed.). Prentice Hall. ISBN 0-13-188950-8.
Jing, M., Chen, J. M., Liu, J., Leblanc, E. & Roujean, J. L. (2003). Multi-angular optical remote sensing for assessing vegetation structure and carbon absorption. Remote Sensing of Environment, 84, 516-525.
Justice, C. O., Vermote, E., Townshend, J. G. R., Defries, R., Roy, D. P., Hall, D. K., Salomonson, V. V., Privette, J. L., Riggs, G., Strahler, A. H., Lucht, W., Myneni, R. B., Knyazikhin, Y., Running, S. W., Nemani, R. R., Wan, Z., Huete, A. R., Van Leeuwen, W., Wolfe, R. E., Giglio, L., Muller, L., Lewis, P. &
119
Barnsley, M. J. (1998). The moderate resolution imaging spectraradiometer (MODIS) land remote sensing for global change research. IEEE Transactions on Geoscience and Remote Sensing, 36, 1228-1249.
Karnieli, A., Kidron, G. J., Glaesser, G. & Ben-Dor, E. (1999). Spectral characteristics of cyanobacteria soil crust in semiarid environments. Remote Sensing of Environment, 69, 67-75.
Lentile, Leigh B.; Holden, Zachary A.; Smith, Alistair M. S.; Falkowski, Michael J.; Hudak, Andrew T.; Morgan, Penelope; Lewis, Sarah A.; Gessler, Paul E.; Benson, Nate C. (2006). "Remote sensing techniques to assess active fire characteristics and post-fire effects". International Journal of Wildland Fire 3 (15): 319–345. doi:10.1071/WF05097.
Lillesand, T. M.; R. W. Kiefer; J. W. Chipman (2003). Remote sensing and image interpretation (5th ed.). Wiley. ISBN 0-471-15227-7.
Martonchik, J. V. & Gaitley, B. J. (2000). Ground measurements of surface BRF and HDRF using PARABOLA III. Journal of Geophysical Research, 106, 11967-11976.
Richards, J. A.; X. Jia (2006). Remote sensing digital image analysis: an introduction (4th edAbdou, W. A., Helmlinger, M. C., Conel, J. E., Bruegge, C. J., Pilorz, S. H.,
.