Mapping High-Resolution Percentage Canopy Cover Using a Multi-Sensor Approach

Untuk memenuhi tugas Mata Kuliah Sistem Informasi Geografis

 

 

Oleh :

Nama : Andi Ahmad Abdul Azis

NIM : S651908003

Dosen Pengampu : Komariah, STP., M.Sc., Ph.D. 

MAGISTER ILMU TANAH

UNIVERSITAS SEBELAS MARET

SURAKARTA

2020

BAB I. PENDAHULUAN

1.1. Latar Belakang

Akurasi data landskap terkait jumlah dan kerapatan vegetasi, tutupan lahan dapat membantu program informasi lingkungan sebagai pengolahan data spasial dan untuk pengeloaan sumber daya alam. Pemetaan tutupan hutan dengan cara survey lapangan sangat sulit dilakukan dan membutuhkan biaya yang mahal.

Permasalahan yang dihadapi dalam interpretasi data citra adalah Ketika area yang diinterpretasi cukup luas dan resolusi citra yang kurang, kemudian tingkat kontras yang kurang sehingga akhirnya sulit untuk dibedakan antar kelas dari warna pixelnya.

Untuk mengatasi masalah tersebut maka dilakukan interpretasi dengan data resolusi tinggi Sentinel-2 imagery kemudian pixel dicerahkan dengan tambahan data dari LiDAR agar semakin terlihat jelas perbedaan masing – masing pixel antar vegetasi.

BAB II. METODE

2.1. Lokasi

Studi dilakukan untuk mengembangkan persentase perkiraan tutupan kayu diuji untuk area besar di Texas selatan (Gbr. 1). Daerah studi mencakup sekitar 9.200.000 ha dan berisi beberapa jenis sistem ekologi. Diurutkan berdasarkan ukuran, ekoregion dominan di daerah tersebut adalah Southern Texas, Eastern Texas, and Western Gulf Coastal Plains. Southern Texas dicirikan oleh lanskap bergulir, dengan semak-semak seperti mesquite (Prosopsis glandulosa), blackbrush (Vachellia rigidula) dan ceniza (Leucophyllum frutescens) menjadi bentuk vegetasi yang paling luas (Griffith et.al., 2007) . Dan lokasi lain memiliki ciri tersendiri.

2.2. Seleksi/klasifikasi citra udara

Untuk memastikan bahwa akan ada cakupan geografis yang memadai dari sampel untuk klasifikasi dengan mosaik citra udara resolusi tinggi dan satelit Sentinel-2, dan indeks topografi (DEM & slope). Penilaian fitur yang disebutkan di atas menghasilkan total 27 sampel yang dipilih secara manual, yang dipilih untuk memastikan bahwa masing-masing area yang berpotensi unik dalam area penelitian akan diwakili. Selanjutnya, satu quarterquad (QQ) dalam masing-masing quadrangles yang dipilih secara manual dipilih secara acak untuk diklasifikasikan. Dua sumber citra digunakan untuk menghasilkan set data multi-temporal untuk biner, atau tutupan kayu versus bukan-kayu. Beberapa tanggal gambar digunakan untuk membantu menjelaskan masalah yang dapat muncul dari perbedaan temporal dalam vegetasi.

Training area untuk klasifikasi gambar udara dibuat untuk setiap QQ dengan menggunakan Plugin Klasifikasi Semi-otomatis QGIS (Congedo, 2017) untuk menghasilkan poligon yang diturunkan dari raster berdasarkan citra NAIP. Dengan menggunakan pendekatan ini, dua kelas tutupan lahan diwakili dalam Training area di mana: 1 = semak atau pohon, 0 = semua tutupan lahan lainnya. Untuk pengklasifikasian dan mengidentifikasi berbagai jenis vegetasi, Normalized Difference Vegetation Index (NDVI; Bannari et al., 1995) dihitung untuk data NAIP dan TOP.

2.3. Seleksi dan klasifikasi citra satelit

Tiga tanggal citra Sentinel-2 yang digunakan: 1-30-2017 (Sentinel-2A), 9-122017 (Sentinel-2B), dan 4-15-2018 (Sentinel-2A). Band-band berikut dari setiap tanggal digunakan: Band 2 (Biru), Band 3 (Hijau), Band 4 (Merah), Band 5 (Tepi Merah Vegetasi), Band 8 (NIR), Band 11 (SWIR1), dan Band 12 (SWIR2). Selain band-band ini, NDVI dan EVI2 (Jiang et.al., 2008) dihasilkan untuk setiap tanggal. Semua lapisan tersebut dikompilasi menjadi tumpukan data variabel dengan resolusi 10 m.

Untuk mengembangkan data pelatihan (trainig area) untuk klasifikasi citra satelit, keluaran dari klasifikasi biner yang dilakukan untuk setiap QQ dikumpulkan dan disesuaikan dengan resolusi Sentinel-2 yang dipilih (10 m). Resolusi dataset udara dan satelit memungkinkan hasil klasifikasi biner menjadi mudah diintegrasikan dengan data Sentinel-2. Secara khusus, masing-masing memperkirakan 1 m2 piksel tutup kayu dapat diartikan sebagai 1% penutup di dalam piksel Sentinel 100 m2 yang sesuai (Gbr. 4).

Hasil agregat kemudian direklasifikasi ke dalam 10 persen kelas tutupan kayu (PWCC) (Tabel 2), sehingga menghasilkan kumpulan sampel pelatihan potensial yang akan digunakan untuk mengklasifikasikan citra Sentinel-2. Setelah itu, kumpulan titik acak dihasilkan dalam area pengambilan sampel dan 10.000 sampel untuk setiap kelas tutupan lahan (Tabel 2) dipilih secara acak (n = 100.000). Nilai dari tumpukan data Sentinel-2 diekstraksi di 100.000 lokasi sampel, hutan acak dieksekusi, dan model tersebut diterapkan pada tumpukan untuk menghasilkan prediksi penutupan lahan 10 m untuk kelas PWCC.

BAB III. HASIL DAN DISKUSI

Hasil pengelompokan tutupan vegetasi 10 m dibandingkan dengan citra TOP dan NAIP dengan resolusi tinggi menghasilkan nilai yang memuaskan. Nilai PWCC diprediksi memiliki kesamaan yang tinggi dengan tutupan kayu yang tinggi, campuran, dan daerah non-kayu yang diamati dalam citra (Gambar 5).

Ditinjau secara umum ada beberapa jumlah tutupan yang lebih luas di bagian timur laut dari wilayah penelitian, dan kelas tutupan menengah dan rendah yang meliputi bagian tengah, selatan dan barat.

Bagian yang dimodelkan dari keseluruhan 9.200.000 ha lahan di wilayah penelitian termasuk dalam kelas tutupan kayu (Tabel 2). Statistik menunjukkan bahwa akurasi tertimbang keseluruhan (Aow) adalah 0,82 dan bahwa keseluruhan kappa tertimbang (kw) adalah 0,49. Akurasi tertimbang (Ciw) berkisar antara 0,78 (kelas 40 dan 50) - 0,93 (kelas 0) dan akurasi produsen (Ojw) tertimbang berkisar antara 0,81 (kelas 10, 20 dan 30) - 0,85 (kelas 90).

Cara agar dapat menilai kinerja model PWCC digunakan Mean Absolute Error (MAE) dan Residual Sum of Squares (RSS) dihitung dengan membandingkan perkiraan model dengan tutupan kanopi dari lima area sampel LiDAR (Gbr. 4). Nilai MAE dan RSS masing-masing untuk PWCC (Gambar 6A) adalah: 42 dan 157 untuk di wilayah barat daya (area sampel 1), 54 dan 226 untuk area barat laut (area sampel 2), 19 dan 63 untuk area timur laut (area sampel 3), 190 dan 1016 untuk area tenggara (area sampel 4), dan 64 dan 229 untuk area pusat (area sampel 5).

Model LiDAR yang paling cocok berada di wilayah tenggara (area 4), dan yang paling bagus adalah di timur laut (area 3). Berdasarkan kelas, kesalahan relatif untuk kelas 20-70%, nilai MAE dan RSS masing-masing sekitar antara 26 hingga 49 dan 63147. Kesalahan relatif sedikit lebih tinggi untuk kelas 10% dan 80%. Kesalahan menurut kelas tertinggi ditunjukkan untuk kelas 90 (≥90% tutupan), yang memiliki MAE 267 dan RSS 990.

PWCC dengan citra resolusi tinggi (NLCD 2011 dan LANDFIRE 1.4) menunjukkan bahwa area dengan penutup yang jarang di daerah barat daya, di mana area besar dianggap memiliki sedikit atau tidak ada tutupan. Produk LANDFIRE umumnya cenderung sulit diperkirakan dengan keadaan tutupan kanopi, terutama di daerah dengan semak danvkerapatan pohon yang tinggi.

Secara keseluruhan, penilaian visual dan kuantitatif layak untuk estimasi tutupan kanopi yang sangat rinci yang dapat digunakan untuk perencanaan dan pemodelan pada berbagai skala. LANDFIRE yang secara khusus dimaksudkan untuk mendukung perencanaan nasional dan regional, dan unit manajemen kebakaran (Toney et.al., 2016). LANDFIRE EVC dapat berpotensi berkontribusi terhadap beberapa perkiraan tutupan semak belukar, NLCD, ada kemungkinan juga bahwa beberapa area tutupan NLCD rendah adalah karena area semak tidak diambil pada ketinggian 30 m. Ditunjukkan dalam sebuah studi global bahwa menggunakan citra beresolusi tinggi dapat meningkatkan perkiraan tutupan kanopi dibandingkan dengan perkiraan yang berasal dari citra satelit yang lebih kasar, terutama dalam bioma lahan kering (Bastin et al., 2017).

BAB IV. KESIMPULAN

Studi ini menyajikan sebuah pendekatan untuk menghasilkan estimasi persentase tutupan kanopi dengan resolusi tinggi menggunakan pendekatan dua fase. Pendekatan ini menggunakan klasifikasi iteratif citra udara multi-temporal (resolusi 1 m) untuk menghasilkan kumpulan data pelatihan (training area) yang digunakan untuk mengklasifikasikan citra satelit Sentinel-2 (resolusi 10 m). Hasilnya menunjukkan peningkatan baik dalam hal resolusi spasial pada skala besar dan kenyataan bila dibandingkan dengan citra udara resolusi tinggi. Hasilnya juga menyarankan bahwa pendekatan ini lebih cocok untuk menangkap daerah dengan tutupan kanopi yang lebih sedikit dibandingkan dengan pendekatan yang telah menggunakan metode pengambilan sampel lapangan, survei gambar udara, dan citra Landsat 30 m.

Perbandingan kuantitatif berdasarkan pada PWCC yang dipetakan, produk penutup kanopi lain yang tersedia untuk wilayah tersebut, dan data referensi LiDAR juga menunjukkan bahwa pendekatan yang disajikan dapat digunakan untuk menghasilkan perkiraan penutup kanopi dengan resolusi tinggi yang relatif berkualitas tinggi.

Selain itu, pendekatan ini juga menyajikan prosedur yang berpotensi kurang intensif untuk menghasilkan data pelatihan (training area) untuk mendapatkan tutupan kanopi dibandingkan dengan beberapa metode sebelumnya yang membutuhkan teknik lapangan atau interpretasi foto manual (Carreiras et.al., 2006; Coulston et.al., 2012; Karlson et.al., 2015; Karlson et.al., 2016). Meskipun ini bisa menjadi alat yang berguna untuk memetakan tutupan kanopi, pendekatan ini merupakan alternatif untuk menggunakan LiDAR, walaupun efektif untuk mengembangkan data pelatihan, juga bisa mahal dan tidak tersedia datanya, terutama pada kondisi geografis yang luas.

Singkatnya, pendekatan langsung yang menunjukkan penggunaan data resolusi tinggi yang tersedia secara luas untuk menghasilkan perkiraan persentase tutupan kanopi yang realistis telah disajikan dalam penelitian ini. Pendekatan agregasi, yang terkait ukuran sel 1 m - 10 m, yang digunakan di sini juga intuitif karena jumlah piksel tutupan kayu yang diklasifikasikan mewakili persentase tutupan pada resolusi 10 m. Pendekatan ini dapat diterapkan di lokasi mana pun di mana beberapa tanggal pencitraan resolusi tinggi tersedia.

DAFTAR PUSTAKA

Andersen, H.E., McGaughey, R.J., Reutebuch, S.E., 2005. Estimating forest canopy fuel parameters using LIDAR data. Remote Sens. Environ. https://doi.org/10.1016/j.rse. 2004.10.013.

Bannari, A., Morin, D., Bonn, F., Huete, A.R., 1995. A review of vegetation indices. Remote Sens. Rev. 13 (1–2), 95–120. https://doi.org/10.1080/02757259509532298.

Bastin, J.F., Berrahmouni, N., Grainger, A., Maniatis, D., Mollicone, D., Moore, R., ... Castro, R., 2017. The extent of forest in dryland biomes. Science. https://doi.org/10. 1126/science.aam6527.

Breiman, L., 2001. Random forests. In: Machine Learning, Https://doi.org/10.1023/A:1010933404324.

Carreiras, J.M.B., Pereira, J.M.C., Pereira, J.S., 2006. Estimation of tree canopy cover inevergreen oak woodlands using remote sensing. For. Ecol. Manag. 223 (1–3), 45–53. https://doi.org/10.1016/j.foreco.2005.10.056.

Chazdon, R.L., 2008. Beyond deforestation: restoring forests and ecosystem services on degraded lands. Science. Https://doi.org/10.1126/science.1155365.

Congalton, R.G., Green, K., 1999. Assessing the Accuracy of Remotely Sensed Data: Principles and Applications. Lewis Publishers, Boca Raton, Fla.

Congedo, L., 2017. Semi-automatic classification plugin documentation. In: QGIS Plugin Documentation, https://doi.org/10.13140/RG.2.1.2137.4884.

Cord, A.F., Meentemeyer, R.K., Leitão, P.J., Václavík, T., 2013. Modelling species distributions with remote sensing data: bridging disciplinary perspectives. J. Biogeogr. 40 (12), 2226–2227. https://doi.org/10.1111/jbi.12199.

Coulston, J.W., Moisen, G.G., Wilson, B.T., Finco, M.V., Cohen, W.B., Brewer, C.K., 2012. Modeling percent tree canopy cover: a pilot study. Photogramm. Eng. Remote Sens. https://doi.org/10.14358/PERS.78.7.715.

Draper, N.R., Smith, H., 1998. Applied Regression Analysis, 3rd ed. John Wiley (ISBN 0-471-17082-8).

Environmental Protection Agency, 2012. Level III Ecoregions of Texas. Corvallis, OR, 175. Retrieved from. ftp://ftp.epa.gov/wed/ecoregions/tx/tx_eco_l3.zip. http://edg.epa.gov.

Erdody, T.L., Moskal, L.M., 2010. Fusion of LiDAR and imagery for estimating forest canopy fuels. Remote Sens. Environ. 114 (4), 725–737. https://doi.org/10.1016/j.rse.2009.11.002.

European Space Agency (ESA), 2015. Sentinel-2 User Handbook. In Sentinel-2 User Handbook. (doi:GMES-S1OP-EOPG-TN-13-0001).

Falkowski, M. J., Evans, J. S., Naugle, D. E., Hagen, C. A., Carleton, S. A., Maestas, J. D.,… (2017).

Foley, J.A., DeFries, R., Asner, G.P., Barford, C., Bonan, G., Carpenter, S.R., ... Snyder,P.K., 2005. Global consequences of land use. Science 309 (5734), 570–574. https://doi.org/10.1126/science.1111772|10.1126/science.1111772.

Gislason, P.O., Benediktsson, J.A., Sveinsson, J.R., 2006. Random forests for land cover classification. Pattern Recogn. Lett. https://doi.org/10.1016/j.patrec.2005.08.011.

Griffith, G., Bryce, S., Omernik, J., Rogers, A., 2007. Ecoregions of Texas. In: Texas Commission on Environmental Quality, (Austin, Texas).

Homer, C.G., Dewitz, J.A., Yang, L., Jin, S., Danielson, P., Xian, G., Megown, K., 2015. Completion of the 2011 National Land Cover Database for the conterminous United States-representing a decade of land cover change information. Photogramm. Eng. Remote. Sens. https://doi.org/10.14358/PERS.81.5.345.

Hyde, P., Dubayah, R., Peterson, B., Blair, J.B., Hofton, M., Hunsaker, C., ... Walker, W., 2005. Mapping forest structure for wildlife habitat analysis using waveform lidar: Validation of montane ecosystems. Remote Sensing of Environment 96 (3–4), 427–437. https://doi.org/10.1016/j.rse.2005.03.005.

International Boundary and Water Commission (IBWC), 2011. International Boundary and Water Commission Lidar, 2011-03-20. Web. 2019-07-29.

Jiang, Z., Huete, A.R., Didan, K., Miura, T., 2008. Development of a two-band enhanced vegetation index without a blue band. Remote Sens. Environ. https://doi.org/10. 1016/j.rse.2008.06.006.

Karlson, M., Ostwald, M., Reese, H., Sanou, J., Tankoano, B., Mattsson, E., 2015. Mapping tree canopy cover and aboveground biomass in Sudano-Sahelian woodlands using Landsat 8 and random forest. Remote Sens. https://doi.org/10.3390/rs70810017.

Karlson, M., Ostwald, M., Reese, H., Bazié, H.R., Tankoano, B., 2016. Assessing the potential of multi-seasonal WorldView-2 imagery for mapping west African agroforestry tree species. Int. J. Appl. Earth Obs. Geoinf. https://doi.org/10.1016/j.jag.2016.03. 004.

Kuhn, M., Johnson, K., 2016. Applied predictive modeling. In: Applied Predictive Modeling, https://doi.org/10.1007/978-1-4614-6849-3.

Kussul, N., Lavreniuk, M., Skakun, S., Shelestov, A., 2017. Deep learning classification of land cover and crop types using remote sensing data. IEEE Geosci. Remote Sens. Lett. 14 (5), 778–782. https://doi.org/10.1109/LGRS.2017.2681128.

Lawrence, A.J., 2017. Mapping tree canopy cover in support of proactive prairie grouse conservation in western North America. Rangeland Ecology and Management. https://doi.org/10.1016/j.rama.2016.08.002.

McRoberts, R.E., Nelson, M.D., Wendt, D.G., 2002. Stratified estimation of forest area using satellite imagery, inventory data, and the k-nearest neighbors technique. Remote Sens. Environ. https://doi.org/10.1016/S0034-4257(02)00064-0.

Montesano, P.M., Neigh, C.S.R., Sexton, J., Feng, M., Channan, S., Ranson, K.J., Townshend, J.R., 2016. Calibration and validation of landsat tree cover in the taigatundra ecotone. Remote Sens. 8 (7). https://doi.org/10.3390/rs8070551.

Næsset, E., 1996. Use of the weighted kappa coefficient in classification error assessment of thematic maps. Int. J. Geogr. Inf. Syst. https://doi.org/10.1080/026937996137891.

Nowak, D.J., Greenfield, E.J., 2010. Evaluating the national land cover database tree canopy and impervious cover estimates across the conterminous united states: A comparison with photo-interpreted estimates. Environ. Manag. https://doi.org/10.1007/s00267-010-9536-9.

Persson, M., Lindberg, E., Reese, H., 2018. Tree species classification with multi-temporal Sentinel-2 data. Remote Sens. 10 (11). https://doi.org/10.3390/rs10111794.

Rodriguez-Galiano, V.F., Ghimire, B., Rogan, J., Chica-Olmo, M., Rigol-Sanchez, J.P., 2012. An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS J. Photogramm. Remote Sens. https://doi.org/10.1016/j. isprsjprs.2011.11.002.

Rossiter, D.G., 2004. Technical note: statistical methods for accuracy assessment of classified thematic maps. GeoInformation Science 1–46. Retrieved from. http://www.itc.nl/personal/rossiter/teach/R/R_ac.pdf.

Strategic Mapping Program (StratMap), 2013. Ellis, Navarro, Wilson, & Karnes Counties Lidar, 2013-03-01. Web. 2019-07-29.

Strategic Mapping Program (StratMap), 2014. Bandera & Lampasas Counties Lidar, 2014-01-25. Web. 2019-07-29.

Sunde, M., He, H.S., Hubbart, J.A., Scroggins, C., 2016. Forecasting streamflow response to increased imperviousness in an urbanizing Midwestern watershed using a coupled modeling approach. Appl. Geogr. 72, 14–25. https://doi.org/10.1016/j.apgeog. 2016.05.002.

Texas Natural Resources Information System (TNRIS), 2016. 2015 Statewide Orthoimagery Project. Retrieved from. https://tnris.org/2015-statewideorthoimagery-project/.

Toney, C., Shaw, J.D., Nelson, M.D., 2016. LANDFIRE Existing Vegetation Cover Version 1.4.

Tottrup, C., 2004. Improving tropical forest mapping using multi-date Landsat TM data and pre-classification image smoothing. Int. J. Remote Sens. https://doi.org/10.1080/01431160310001598926.

United States Department of Agriculture-Farm Service Agency-Aerial Photography Field Office, 2017. 2016 National Agriculture Imagery Program Digital Ortho Photo Imagery. Retrieved from. https://www.fsa.usda.gov/programs-and-services/aerialphotography/ imagery-programs/naip-imagery/.

United States Geological Survey (USGS), 2018. South Central Texas Lidar, 2018-01-22. Web. 2019-07-25.

Willmott, C.J., Matsuura, K., 2005. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Clim. Res. 30 (1), 79–82.