UAV Drone dan Analisis Spektral untuk Pemantauan Kesehatan Tanaman

Penginderaan jauh menggunakan UAV drone telah mengubah cara manusia mengetahui dan mengevaluasi kondisi vegetasi di lapangan. Penggunaan drone untuk pertanian memungkinkan pengumpulan data spasial beresolusi tinggi tanpa dipengaruhi oleh tutupan awan yang sering menghambat pemrosesan citra satelit. Data yang diperoleh dari hasil foto udara tercatat memiliki resolusi puluhan ribu kali lebih tinggi dibanding data citra satelit.

Sensor Drone dan Analisis Indeks Vegetasi Tanaman Pertanian

Citra spektral menangkap pantulan gelombang elektromagnetik dari kanopi tanaman. Perubahan warna atau kondisi visual yang terdeteksi oleh mata manusia sering kali berarti tindakan preventif sudah terlambat. Namun, kamera yang dipasang di drone memanfaatkan spektrum visible dan near-infrared yang dapat mendeteksi kesehatan vegetasi sebelum gejalanya terlihat kasat mata.

Beberapa jenis sensor kamera yang digunakan drone meliputi:

1. Sensor multipektral dapat mengukur pantulan di panjang gelombang [panjang gelombang] untuk mengevaluasi kekurangan nutrisi, kebutuhan pupuk, hingga kualitas air yang mengairi vegetasi.
2. Sensor hyperspektral mampu menganalisis komposisi kimia permukaan, penyakit tanaman, hingga kandungan mineral yang terdapat di area vegetasi.
3. Sensor thermal mengukur suhu permukaan tanah dan kanopi untuk mendeteksi stres akibat air.
4. Sensor LiDAR sendiri mengumpulkan data elevasi yang terpantulkan oleh laser untuk membuat model tiga dimensi lahan yang dipetakan.

Setelah data spektral diperoleh, kemudian diolah menggunakan indeks vegetasi untuk mengukur kualitas vegetasi. Indeks yang paling sering digunakan adalah Normalized Difference Vegetation Index atau NDVI.

Tanaman sehat menyerap cahaya tampak (merah) untuk fotosintesis dan memantulkan radiasi (NIR) dalam jumlah tinggi. Ketika tanaman tidak sehat atau kekurangan nutrisi, pantulan dari spektrum NIR akan menurun secara signifikan, sehingga hasil perhitungan NDVI dapat digunakan untuk mengetahui kesehatan tanaman.

Indeks turunan lainnya seperti Green Normalized Difference Vegetation Index (GNDVI) dan Normalized Difference Red Edge (NDRE) juga diterapkan untuk mengukur klorofil dan penyerapan nitrogen.

Proses Fotogrametri dengan Drone dalam Pertanian Presisi

Berbeda dengan pemetaan udara yang mengejar konsistensi menyeluruh, fotogrametri berbasis structure from motion menekankan pada efisiensi komputasi spasial. Proses rekonstruksi data foto udara menjadi model permukaan digital (DTM) dilakukan melalui tahapan sebagai berikut:

1. Feature vector matching adalah proses menghubungkan titik-titik yang identif dari gambar hasil overlap untuk menghasilkan dense point cloud.
2. Pembentukan triangular irregular network adalah proses konstruksi jaringan permukaan segitiga (TIN) atau model solid (TEN) dari point cloud.
3. Rekonstruksi model 3D dari jaringan TIN atau TEN untuk membentuk struktur geometris objek atau permukaan tanah.
4. Memetakan citra ortofoto dengan skala yang benar ke atas model 3D untuk analisis topografi dan vegetasi lahan.

Dengan alur kerja tersebut, data drone lahan pertanian ini dapat dimanfaatkan untuk estimasi hasil panen sebelum masa panen tiba, manajemen irigasi, pemetaan gulma, hingga perencanaan pola pemupukan variabel.

Sumber:

Celen, I. H., Önler, E., dan Özyurt, H. B. (2020). Drone Technology in Precision Agriculture.