Determination of Swamps Area Suitable for Paddy Field Using Remote Sensing Approach in Banyuasin Regency, South Sumatera Province
Penentuan Lahan Rawa Yang Sesuai Untuk Lahan Sawah Menggunakan Pendekatan Penginderaan Jauh di Kabupaten Banyuasin, Provinsi Sumatera Selatan
Abstract
future for agricultural development potential outside of Java because mainly in Java, there is a continuous loss of agricultural lands due to urbanization, industry and roads infrastructure. The spatial and temporal distribution of swamps area is an important parameter to be correctly characterized in order to get the information about the area suitable for agricultural purpose. Remote sensing techniques can be used to obtain the spatial distribution of swamps area over a large area, reducing expensive and time consuming of field measurement. The objective of this research is to develop an identification method for determining swamps area suitable for paddy field. The method was then applied in area of interest in Banyuasin Regency. This research was intended to integrate between Normalized Difference Water Index (NDWI) analysis, Land Surface Temperature (LST) analysis and land covers analysis by applying the supervised classification. The swamps identification method was tested by using Image acquisition on 15 April 2000 imagery with acquisition date on 15 April 2000 and Image acquisition on 16 May 2006 with acquisition date on 16 May 2006. The suitability analysis of swamps area for paddy field based on land system data only for the constricted factors data that are peat depth, pH, slope and salinity data. For image acquisition on 15 April 2000, an accuracy of 73,5% was obtained with LST value range of 23oC - 33oC and NDWI value range of -0.35 – 0.1. For image acquisition on 16 May 2006, an accuracy of 63.5% was obtained with LST value range of 23oC - 33oC and NDWI value range of -0.43 – 0. The suitability classes of swamps area for paddy field in whole area of interest were found to be 54% area for S1 (highly suitable) or 3,426 km2, 40.2% for S2 (moderately suitable) class or 2,550 km2 and for S3 (marginally suitable class) is around 5.8% area or 369 km2. Lahan rawa menjadi semakin penting bagi Indonesia dan merupakan potensi masa depan untuk pembangunan pertanian di luar Pulau Jawa karena di Pulau Jawa telah banyak pengurangan lahan pertanian akibat urbanisasi, industri dan pembangunan infrastruktur jalan. Distribusi spasial dan temporal dari lahan rawa merupakan parameter penting yang harus ditentukan dengan tepat dalam rangka memperoleh informasi wilayah rawa yang cocok untuk pertanian. Penginderaan jauh dapat digunakan untuk memperoleh distribusi spasial lahan rawa di daerah yang luas sehingga dapat menggantikan pengukuran lapangan yang memerlukan biaya mahal dan memakan waktu yang lama. Tujuan penelitian ini adalah untuk membangun metode identifikasi penentuan wilayah rawa yang cocok untuk sawah. Metode tersebut kemudian diterapkan di Kabupaten Banyuasin. Metode ini mengintegrasikan antara Indeks Normalisasi Perbedaan Air (NDWI) dan Suhu Permukaan Tanah (LST) serta tutupan lahan menggunakan klasifikasi terbimbing. Metode ini dicoba dengan menggunakan Image acquisition on 15 April 2000 dengan waktu akuisisi pada tanggal 15 April 2000 dan Image acquisition on 16 May 2006 dengan waktu akuisisi pada tanggal 16 Mei 2006. Analisa kesesuaian lahan dilakukan dengan menggunakan data faktor pembatas dalam budidaya padi di lahan rawa yaitu kedalaman gambut, pH, kemiringan lahan (slope) dan salinitas. Untuk citra akusisi 15 April 2000, akurasi tertinggi sebesar 73,5% diperoleh pada rentang nilai LST sebesar 23oC - 33oC dan nilai NDWI -0,35 – 0,1. Sedangkan citra akuisisi 16 May 2006, akurasi tertinggi sebesar 63,5% diperoleh pada rentang nilai LST dari 23oC - 33oC dan nilai NDWI -0,43 - 0. Hasil akhir berupa kesesuian lahan rawa untuk sawah menunjukkan bahwa untuk keseluruhan wilayah uji coba mempunyai kelas S1 (sangat sesuai) sebesar 54 % atau 3.426 km2, kelas S2 (cukup sesuai) sebesar 40,2% atau 2.550 km2 dan untuk kelas S3 (kurang sesuai) sebesar 5,8 % atau 369 km2.
Collections
- MT - Professional Master [887]