Memantau lahan pertanian, mengikuti perkembangan tanaman, dan menemukan masalah sebelum gejalanya terlihat sangat penting untuk keberhasilan panen. Kemajuan teknologi memungkinkan kita mengambil gambar lahan pertanian di seluruh dunia dengan bantuan satelit, sehingga pemantauan menjadi mudah dan terjangkau. Indeks vegetasi yang paling banyak digunakan petani adalah Indeks Vegetasi Perbedaan Ternormalisasi (NDVI); pemantauan citra NDVI dalam pertanian dapat menjadi indikator kesehatan tanaman.

Apa itu citra NDVI, apa arti nilai NDVI, dan mengapa citra ini berguna?

NDVI adalah metode penginderaan jauh untuk memperkirakan kesehatan dan biomassa tanaman. Indeks ini mengukur perbedaan reflektansi vegetasi pada cahaya tampak dan inframerah dekat. Reflektansi tanaman dipengaruhi oleh luas daun, kandungan klorofil, umur daun, kerapatan tajuk, dan jenis tanah. NDVI sering digunakan bersama citra satelit yang menyediakan gambar beresolusi tinggi dari luar angkasa. Satelit membantu memperluas akses NDVI bagi petani di seluruh dunia karena siapa pun dengan koneksi internet dapat menggunakannya. Pemantauan NDVI untuk menilai kesehatan tanaman sudah dilakukan selama puluhan tahun. Namun, penggunaannya baru semakin populer belakangan ini berkat satelit dan foto udara beresolusi tinggi yang memungkinkan pengamatan berulang secara sering. NDVI memberikan perkiraan biomassa tanaman dan indeks luas daun (LAI) yang akurat tanpa memerlukan pengumpulan data di lapangan atau interpretasi manual.

Bagaimana indeks NDVI dihitung?

NDVI dihitung menggunakan rumus berikut:

NDVI = (NIR-Red) / (NIR+Red)

Dalam rumus tersebut, NIR adalah cahaya inframerah dekat, sedangkan Red adalah cahaya merah tampak. Nilai NDVI berkisar dari -1 hingga 1. Area berpasir, berbatu, atau bersalju menunjukkan nilai 0,1 atau lebih rendah. Vegetasi yang jarang, seperti tanaman yang mulai menua, memiliki nilai NDVI sedang antara 0,2 dan 0,5. Nilai NDVI tinggi, yaitu 0,6 hingga 0,9, menunjukkan vegetasi yang rapat.

Bagaimana cara mendapatkan citra NDVI?

Agrio adalah aplikasi untuk Android dan iOS. Dengan Agrio, pemantauan lahan menjadi sangat mudah dan tidak memerlukan pengetahuan sebelumnya. Aplikasi seperti Agrio memungkinkan Anda menggambar batas lahan pada peta untuk memulai pemantauan. Setelah lokasi lahan ditentukan, Anda akan menerima citra beserta interpretasinya secara berkala.

Bagaimana cara membaca dan menganalisis citra NDVI?

Dengan memeriksa citra NDVI, kita dapat memahami kondisi lahan dengan lebih baik dan menemukan area yang mungkin mengalami stres. Sebagai contoh, perhatikan tingkat warna hijau pada gambar di bawah. Warna tersebut menunjukkan berbagai tahap perkembangan tanaman antarpetak serta variasi di dalam masing-masing petak.

Citra NDVI lahan gandum
Citra NDVI lahan gandum

Perhatikan bercak hijau yang terpisah di tengah area yang umumnya berwarna oranye. Bercak tersebut menunjukkan pertumbuhan gulma.

Dengan membandingkan citra NDVI dari hari-hari yang berurutan, kita dapat menemukan area yang tidak berkembang sebagaimana mestinya dan perlu segera diperhatikan. Sebagai contoh, amati gambar di bawah dan perhatikan bercak merah pada lahan dengan tanaman yang masih berada pada tahap awal pertumbuhan. Pada tahap ini, nilai NDVI seharusnya meningkat seiring waktu.

Pantau perubahan harian pada citra NDVI
Pantau perubahan harian pada citra NDVI

Keterbatasan citra NDVI dalam pertanian

NDVI memiliki korelasi yang rendah dengan kandungan klorofil. Keterbatasan ini semakin nyata pada tahap pertumbuhan lanjut ketika NDVI mengalami kejenuhan. Kejenuhan terjadi akibat peningkatan luas daun dan kerapatan struktur tajuk. Oleh karena itu, pada tahap ini diperlukan indeks yang berkorelasi kuat dengan kandungan klorofil daun dan kurang dipengaruhi oleh struktur daun serta tajuk.

Klorofil berperan penting dalam proses fotosintesis, termasuk penyerapan cahaya. Karena itu, kandungan klorofil dapat menjadi indikator berbagai jenis stres. Pita spektral lain, seperti tepi merah, dapat mendeteksi perubahan fungsi klorofil sejak dini. Perubahan ini terjadi sebelum konsentrasi klorofil pada daun benar-benar menurun. Dengan demikian, pemantauannya dapat memberikan indikasi awal munculnya stres biotik maupun abiotik.

Mengapa kemajuan teknologi membuat pemilihan indeks vegetasi tertentu menjadi kurang menentukan?

Kita kini semakin mampu mengajarkan komputer untuk mengenali pola dalam data berjumlah besar, sehingga memilih satu indeks tertentu tidak lagi menjadi keharusan. Kecerdasan buatan dapat menganalisis seluruh spektrum cahaya yang dipantulkan dan menghasilkan informasi yang berguna. Dahulu, fitur harus dirancang terlebih dahulu untuk melatih mesin mengklasifikasikan pola dalam data. Kini pendekatan tersebut telah berkembang: kita dapat memprogram mesin agar memilih fitur terbaik selama proses pelatihan.

Indeks vegetasi tetap praktis ketika para ahli memeriksa citra. Manusia sulit menafsirkan begitu banyak informasi yang terkandung dalam keseluruhan spektrum. Karena itu, menyajikan indeks tertentu yang sudah dikenal para ahli masih bermanfaat. Namun, luasnya area yang dipantau dan tingginya frekuensi kunjungan ulang satelit membuat analisis manual kurang sesuai bagi petani dan agronom.

Pilihan yang pada awalnya dibuat karena keterbatasan telah menjadi kebiasaan dalam industri.

Menggunakan kecerdasan buatan untuk mendeteksi anomali pada citra satelit

Setelah membahas manfaat pemantauan reflektansi spektral, kita perlu mempertimbangkan penerapan praktisnya. Salah satu tantangan penggunaan analisis spektral untuk mendeteksi stres adalah mengenali pola yang tepat pada citra satelit yang menandakan bahwa tanaman mengalami stres. Sekalipun seseorang sudah ahli memeriksa citra secara manual, pekerjaan ini menjadi berat ketika area yang dicakup sangat luas.

Penggunaan kecerdasan buatan dalam pertanian meningkat berkat kemajuan teknologi terkini dan membantu mengatasi tantangan tersebut. Kecerdasan buatan mendeteksi anomali dengan mengambil keputusan berdasarkan pola yang dipelajari dari kumpulan data pelatihan yang besar.

Seluruh spektrum cahaya yang dapat direkam sensor satelit mengandung informasi yang berguna untuk mendeteksi stres sejak dini.
Seluruh spektrum cahaya yang dapat direkam sensor satelit mengandung informasi yang berguna untuk mendeteksi stres sejak dini.

Pengembangan alat deteksi dini dapat berlangsung lebih cepat jika data berkualitas tinggi dalam jumlah besar dapat dikumpulkan dengan biaya terjangkau. Untuk mewujudkannya, kami menggunakan pendekatan urun daya dan membuat alat yang memungkinkan petani mengidentifikasi penyakit tanaman melalui foto yang diambil dengan ponsel. Petani mendapat manfaat langsung dari layanan ini sekaligus membantu melatih algoritma deteksi dini, yang dapat memberi manfaat lebih besar bagi mereka dalam jangka panjang. Foto dengan penanda lokasi digunakan sebagai data acuan lapangan dan membantu kami melatih algoritma untuk mengenali masalah langsung dari citra satelit. Komputer diberi citra satelit dengan informasi tentang bagian lahan yang diketahui terserang penyakit. Kemampuan mengumpulkan banyak data berkualitas tinggi memungkinkan kami berkembang dengan cepat.

Data tersebut memungkinkan kami mempelajari pola reflektansi khas dari berbagai masalah tanaman. Kami menggunakan kemampuan ini untuk mengembangkan solusi pemantauan yang mudah digunakan. Petani yang memakai Agrio dapat memantau kesehatan lahan mereka dengan sangat sederhana. Cukup tentukan lokasi lahan dengan menggambar poligon yang mewakili batasnya. Setelah itu, kami memulai pemantauan berkelanjutan dan memberi tahu Anda saat citra baru tersedia.

Ringkasan

Pemantauan satelit telah digunakan dalam pertanian selama bertahun-tahun. Namun, penggunaan teknologi satelit untuk memantau lahan pertanian meningkat pesat dalam satu dekade terakhir. Pemantauan ini dapat meningkatkan hasil panen, memperbaiki ketepatan pengelolaan, dan membantu mendeteksi masalah tanaman lebih awal.

Pengguna dapat mengakses citra satelit Sentinel dan PlanetScope melalui platform kami. Kami menerapkan algoritma pada citra tersebut untuk memantau perkembangan tanaman, menemukan masalah di lahan, dan memberi peringatan kepada petani ketika tindakan diperlukan.

Kami mengajak Anda menggunakan kemampuan ini untuk menghindari kerugian, meningkatkan hasil budidaya, dan mengurangi penyemprotan.