Model Deteksi Serangan Wereng Batang Cokelat Berbasis Suhu dan Kelembaban Udara serta Citra Satelit

Abstract

Wereng batang cokelat (WBC) adalah salah satu organisme pengganggu tanaman yang penting pada padi. Serangan organisme pengganggu ini mengakibatkan kerugian ekonomi yang besar dari tahun ke tahun. Deteksi secara cepat dalam skala luas dibutuhkan untuk pengambilan keputusan pengendalian. Metode deteksi tersebut dapat dilakukan melalui analisa kesesuaian iklim/cuaca dan atau pemanfaatan citra pengindraan jauh. Penelusuran literatur menunjukkan minimnya penggunaan kombinasi data reanalisis dan citra satelit multispektral dalam penyusunan model deteksi wereng batang cokelat. Pemanfaatan citra radar yang memiliki kelebihan dapat menembus tutupan awan juga belum banyak dieksplorasi dalam keperluan tersebut. Penelitian ini bertujuan untuk menguji metode deteksi serangan WBC dengan memanfaatkan data suhu dan kelembaban reanalisis ERA5L serta data hasil pengolahan citra satelit multispektral Sentinel 2 dan satelit radar Sentinel 1. Penelitian ini dilaksanakan dengan wilayah kajian lahan pertanian padi di Kabupaten Karawang pada September 2022 sampai Mei 2023. Data yang digunakan sebagai prediktor meliputi suhu udara dan kelembaban serta citra satelit diakuisisi melalui Google Earth Engine. Data observasi berupa data serangan hama dengan periode paruh bulanan diperoleh dari Balai Besar Peramalan Organisme Pengganggu Tanaman (BBPOPT). Data titik koordinat serangan didapatkan dari wawancara petani di lahan dengan didampingi petugas pengendali organisme pengganggu tanaman setempat.Terdapat tiga model deteksi yang diuji dalam penelitian ini. Model pertama memprediksi luas serangan dengan menggunakan algoritma regresi Random Forest (RF) dan regresi linier berganda klasik. Data prediktor untuk model tersebut dipersiapkan dengan cara merata-rata dengan resolusi spasial tingkat kecamatan serta resolusi temporal sesuai periode laporan pengamatan BBPOPT. Model kedua memprediksi kejadian serangan di tingkat kecamatan dengan menggunakan algoritma klasifikasi RF. Target prediksi pada model tersebut membagi kecamatan menjadi dua kelas yaitu ada dan tidak ada serangan. Kedua model tersebut disusun dengan tiga skenario prediktor yaitu data suhu dan kelembaban dari ERA5L, indeks-indeks spektral dari Sentinel 2 serta kombinasi keduanya. Model ketiga memprediksi titik terserang dengan algoritma klasifikasi RF menggunakan prediktor indeks polarisasi Sentinel 1. Seluruh evaluasi model dilakukan dengan membagi data menjadi data latih dan data uji dengan perbandingan 70:30. Model regresi dievaluasi dengan nilai koefisien determinasi dan Root Mean Square Error sementara model klasifikasi dievaluasi dengan pendekatan matriks konfusi. Model pertama menunjukkan nilai koefisien determinasi tertinggi 0,11 yaitu pada skenario kombinasi prediktor. Seluruh hasil prediksi model pertama memiliki korelasi yang tidak signifikan dengan luas serangan observasi. Model regresi RF relatif memiliki nilai koefisien determinasi lebih tinggi dibanding model regresi linier berganda klasik. Model regresi RF dengan pengelompokan data menurut zona musim menunjukkan peningkatan nilai koefisien determinasi pada salah satu zona musim hingga mencapai 0,37 di musim kemarau. Model kedua tidak mampu memprediksi kejadian kecamatan dengan kelas serangan sedang dan berat. Prediktor dengan parameter data ERA5L memberikan nilai recall terbaik dibanding prediktor indeks spektral ataupun kombinasi. Model ketiga tidak mampu memprediksi kelas berat sama sekali dan hanya mampu memprediksi sepertiga kejadian kelas serangan sedang. Model ketiga dengan hanya membagi kelas menjadi terserang dan tidak terserang memberikan nilai recall data uji mencapai 92%. Namun demikian, visualisasi klasifikasi RF dengan indeks polarisasi radar Sentinel 1 belum dapat menunjukkan wilayah hotspot serangan.

Brown Planthopper (BPH) is a vital pest infesting rice fields. Economic losses due to infestations by this pest can be significant from year to year. Rapid detection at a large scale is needed for decision-making. The detection method can be done through climate/weather analysis or remote sensing image processing. The literature review shows no model combines reanalyzed data and multispectral satellite imagery for BPH detection. The use of radar imagery, which has advantages, has yet to be much explored. This research aims to test the detection method of BPH by utilizing data reanalyzed from ERA5L and satellite imagery from Sentinel 2 and Sentinel 1. The study was conducted in the agricultural land area of Karawang Regency from September 2022 to May 2023. Data used as predictors include air temperature, air humidity and satellite imagery acquired through Google Earth Engine. Predicted data on BPH infestation with a monthly periodicity were obtained from the Indonesian Institute for Food Crop Pest and Disease Forecasting (BBPOPT). The coordinates of BPH infestation locations were obtained from interviews with farmers and pest control officers. Three models were tested in this research. The first model predicted the extent of infestation using Random Forest (RF) and linear regression algorithms. The predictor data for this model were prepared by averaging the data with a spatial resolution at district level and a temporal resolution according to the reporting period of BBPOPT. The second model predicted the occurrence of infestation at the district level using the RF classification algorithm. The predictions made by this model divided the districts into two classes, namely infested and not infested. The third model predicted the location of infestation using the RF classification algorithm and the polarization index of Sentinel 1 radar. All models were evaluated by dividing the data into training and testing sets with a 70:30 ratio. The regression model was evaluated using the determination coefficient and Root Mean Square Error, while the classification model was evaluated using a confusion matrix approach. The first model showed the highest determination coefficient of 0.11 for the scenario combining all predictors. The overall performance of the first model showed a unsignificant correlation with the observed infestation extent. The relative regression RF model had a higher determination coefficient than the linear regression model with a constant slope. The RF model with data partitioning based on the season zone (ZOM) showed an increase in the determination coefficient in one season, reaching 0.37 during the dry season. The second model could not predict the infestation occurrence in districts with a high severity class. The predictor with ERA5L data parameters provided the best recall value compared to the spectral index of Sentinel 2 and their combination. The third model could not predict heavy infestation events and only predicted one third of the moderate severity class. The third model, which only divided the classes into infested and not infested, showed a recall value of 92% for the tested data. However, the visualization of RF classification with Sentinel 1 radar polarization index still could not show the infestation hotspots.