Normalized Difference Vegetation Index

Mengetahui Tingkat Kesehatan Tumbuhan Melalui Citra Satelit

Halo Semuanya,

Normalized Difference Vegetation Index (NDVI) adalah algoritma yang digunakan untuk mengetahui indeks tingkat kehijauan tumbuhan (vegetasi). Indeks NDVI sendiri dihasilkan melalui kombinasi antara dua kanal (band) citra satelit yakni merah (red) dan inframerah dekat atau Near-Infrared Radiation (NIR).

Dalam penerapannya NDVI digunakan untuk mendeteksi objek vegetasi di permukaan bumi, mengukur tingkat kesehatan vegetasi dan estimasi tingkat pertumbuhan maupun degradasi vegetasi. Oleh karena itu NDVI bisa saja dimanfaatkan untuk memantau sejauh mana dampak alih fungsi lahan yang biasanya bertujuan mengimbangi pertumbuhan penduduk terhadap lingkungan eksisting.

Preprocessing

Load data citra satelit Sentinel 2 sesuai wilayah yang diinginkan, saya menggunakan polygon wilayah Bandung Raya sebagai Region of Interest (ROI) dan objek untuk clip data citra satelit. Data polygon tersebut dapat di download disini.

Script load Sentinel 2

Processing

Secara garis besar tidak ada perbedaan dari ketiga algoritma NDVI dibawah. Saya pribadi prefer memakai function NDVI (cara ketiga) yang sudah di sediakan oleh GEE agar menyingkat waktu. Karena menggunakan citra satelit Sentinel 2, maka yang dimasukkan ke dalam script adalah B4 serta B8 sebagai band red dan NIR.

Berdasarkan Arabameri (2019), nilai NDVI dapat dihasilkan dengan menggabungkan band red dengan NIR melalui formula berikut :

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

Script algoritma NDVI

Kemudian masukkan script berikut untuk memvisualisasikan NDVI ke dalam peta.

Script visualisasi NDVI

Peta NDVI wilayah Bandung Raya akan segera muncul begitu script dijalankan.

Visualisasi NDVI Bandung Raya

Analysis

Ya’acob et al (2014) mengungkapkan bahwa NDVI diklasifikasikan menjadi beberapa objek berdasarkan nilainya. Rentang nilai NDVI adalah -1 sampai 1, jika nilainya semakin mendekati 1 maka objek tersebut diidentifikasi sebagai vegetasi begitu juga sebaliknya.

Klasifikasi objek berdasarkan nilai NDVI (Ya’acob et al, 2014)

Sedangkan apabila ditilik lebih jauh, nilai NDVI kembali dapat dibagi sehingga menghasilkan tingkat kesehatan vegetasi mulai dari kategori sehat maupun sebaliknya.

Klasifikasi tingkat kesehatan vegetasi dari eos

Kesimpulan

Color palette pada peta menunjukkan nilai NDVI yang tinggi (hijau) sampai rendah (merah). Wilayah Bandung Raya dengan nilai NDVI yang tinggi sebagian besar berada di bagian selatan seperti Ciwidey dan Pangalengan serta Lembang di utara.

NDVI Wilayah Bandung Raya

Selain itu, objek yang dikenali sebagai bukan vegetasi secara visual adalah berwarna merah. Contohnya adalah waduk saguling di Bandung Barat ketika nilai NDVInya di ekstraksi dengan tool Inspector didapatkan nilai rata-rata yang rendah (dibawah 0).

Nilai NDVI Waduk Saguling

Referensi

• Arabameri, A., Pourghasemi, H.R., 2019. Spatial modeling of Gully EROSION using linear and Quadratic Discriminant analyses in GIS and R. Spatial Modeling in GIS and R for Earth and Environmental Sciences 299–321. doi:10.1016/b978–0–12–815226–3.00013–2
• Earth Observing System. NDVI FAQs: Top 23 frequently asked questions About NDVI. https://eos.com/blog/ndvi-faq-all-you-need-to-know-about-ndvi/
• Informatics and GIS Program University of California. Calculate NDVI from Recent Sentinel Satellite Imagery in Google Earth Engine. http://igis.ucanr.edu/Tech_Notes/EarthEngine_NDVI/
• Kshetri, T. NDVI, NDBI & ndwi calculation Using landsat 7, 8. NDVI, NDBI & NDWI Calculation Using Landsat 7, 8. https://www.linkedin.com/pulse/ndvi-ndbi-ndwi-calculation-using-landsat-7-8-tek-bahadur-kshetri/
• Sanjaya, R.S., Anggraini, M.F., Pratama, M.Z., 2020. Peat forest Health analysis on Landsat 8 OLI / TIRS imagery Using Ndvi Method in Kotawaringin Timur Regency. Sociae Polites 21, 209–217. doi:10.33541/sp.v21i3.2257
• Wu, Y., Li, W., Wang, Q., Liu, Q., Yang, D., Xing, M., Pei, Y., Yan, S., 2016. Landslide susceptibility assessment using frequency ratio, statistical index and certainty factor models for the Gangu County, China. Arabian Journal of Geosciences 9. doi:10.1007/s12517–015–2112–0
• Ya’acob, N., Azize, A.B., Mahmon, N.A., Yusof, A.L., Azmi, N.F., Mustafa, N., 2014. Temporal forest change detection and forest health Assessment using remote sensing. IOP Conference Series: Earth and Environmental Science 19, 012017. doi:10.1088/1755–1315/19/1/012017