Canopy cover estimation of agroforestry based on airborne LiDAR and Landsat 8 OLI

2019 ◽  
Author(s):  
Yoga Rudianto ◽  
Lilik Budi Prasetyo ◽  
Yudi Setiawan ◽  
Sahid Hudjimartsu
Keyword(s):  
Canopy Cover ◽  
Airborne Lidar ◽  
Landsat 8 ◽  
Landsat 8 Oli

scholarly journals Canopy cover of mangrove estimation based on airborne LIDAR & Landsat 8 OLI

2019 ◽  
Vol 335 ◽  
pp. 012029 ◽  
Author(s):  
L B Prasetyo ◽  
W I Nursal ◽  
Y Setiawan ◽  
Y Rudianto ◽  
K Wikantika ◽  
...  
Keyword(s):  
Canopy Cover ◽  
Airborne Lidar ◽  
Landsat 8 ◽  
Landsat 8 Oli

Estimates of subtropical forest biomass based on airborne LiDAR and Landsat 8 OLI data

2015 ◽  
Vol 39 (4) ◽  
pp. 309-321 ◽  
Author(s):  
XU Ting ◽  
◽  
CAO Lin ◽  
SHEN Xin ◽  
SHE Guang-Hui
Keyword(s):  
Forest Biomass ◽  
Subtropical Forest ◽  
Airborne Lidar ◽  
Landsat 8 ◽  
Landsat 8 Oli

scholarly journals Canopy Cover Estimation in Lowland Forest in South Sumatera, Using LiDAR and Landsat 8 OLI imagery

2021 ◽  
Vol 27 (1) ◽  
pp. 50-58
Author(s):  
M B Saleh ◽  
◽  
R W Dewi ◽  
L B Prasetyo ◽  
N A Santi
Keyword(s):  
Dimensional Space ◽  
Vegetation Indices ◽  
Three Dimensional ◽  
Canopy Cover ◽  
Landsat 8 ◽  
Landsat 8 Oli ◽  
Estimation Model ◽  
Large Area ◽  
Lowland Forest ◽  
Three Dimensional Space

Canopy cover is one of the most important variables in ecology, hydrology, and forest management, and useful as a basis for defining forests. LiDAR is an active remote sensing method that provides the height information of an object in three-dimensional space. The method allows for the mapping of terrain, canopy height and cover. Its only setback is that it has to be integrated with Landsat to cover a large area. The main objective of this study is to generate the canopy cover estimation model using Landsat 8 OLI and LiDAR. Landsat 8 OLI vegetation indices and LiDAR-derived canopy cover estimation, through First Return Canopy Index (FRCI) method, were used to obtain a regression model. The performance of this model was then assessed using correlation, aggregate deviation, and raster display. Lastly, the best canopy cover estimation was obtained using equation, FRCI = 2.22 + 5.63Ln(NDVI), with R2 at 0.663, standard deviation at 0.161, correlation between actual and predicted value at 0.663, aggregate deviation at -0.182 and error at 56.10%.

scholarly journals Synergistic use of Landsat 8 OLI image and airborne LiDAR data for above-ground biomass estimation in tropical lowland rainforests

2017 ◽  
Vol 406 ◽  
pp. 163-171 ◽  
Author(s):  
Mui-How Phua ◽  
Shazrul Azwan Johari ◽  
Ong Cieh Wong ◽  
Keiko Ioki ◽  
Maznah Mahali ◽  
...  
Keyword(s):  
Airborne Lidar ◽  
Biomass Estimation ◽  
Lidar Data ◽  
Landsat 8 ◽  
Above Ground Biomass ◽  
Landsat 8 Oli ◽  
Tropical Lowland ◽  
Ground Biomass ◽  
Airborne Lidar Data

Canopy cover estimation in miombo woodlands of Zambia: Comparison of Landsat 8 OLI versus RapidEye imagery using parametric, nonparametric, and semiparametric methods

2016 ◽  
Vol 179 ◽  
pp. 170-182 ◽  
Author(s):  
James Halperin ◽  
Valerie LeMay ◽  
Nicholas Coops ◽  
Louis Verchot ◽  
Peter Marshall ◽  
...  
Keyword(s):  
Canopy Cover ◽  
Landsat 8 ◽  
Miombo Woodlands ◽  
Landsat 8 Oli ◽  
Semiparametric Methods

Analisis Pengaruh Kerapatan Vegetasi Terhadap Suhu Permukaan dan Keterkaitannya Dengan Fenomena UHI

2020 ◽  
Vol 21 (1) ◽  
pp. 99
Author(s):  
Dewi Miska Indrawati ◽  
Suharyadi Suharyadi ◽  
Prima Widayani
Keyword(s):  
Urban Heat Island ◽  
Landsat 8 ◽  
Heat Island ◽  
Landsat 8 Oli ◽  
Urban Heat ◽  
Split Window Algorithm

Kota Mataram adalahpusat dan ibukota dari provinsi Nusa Tenggara Barat yang tentunya menjadi pusat semua aktivitas masyarakat disekitar daerah tersebut sehingga menyebabkan peningkatan urbanisasi. Semakin meningkatnya peningkatan urbanisasi yan terjadi di perkotaan akan menyebabkan perubahan penutup lahan, dari awalnya daerah bervegetasi berubah menjadi lahan terbangun. Oleh karena itu, akan memicu peningkatan suhu dan menyebabkan adanya fenomena UHI dikota Mataram.Tujuan dari penelitian ini untuk mengetahui hubungan kerapatan vegetasi dengan kondisi suhu permukaan yang ada diwilayah penelitian dan memetakan fenomena UHI di Kota Mataram. Citra Landsat 8 OLI tahun 2018 yang digunakan terlebih dahulu dikoreksi radiometrik dan geometrik. Metode untuk memperoleh data kerapatan vegetasi menggunakan transformasi NDVI, LST menggunakan metode Split Window Algorithm (SWA) dan identifikasi fenomena urban heat island. Hasil penelitian yang diperoleh menunjukkan kerapatan vegetasi mempunyai korelasi dengan nilai LST. Hasil korelasi dari analisis pearson yang didapatkan antara kerapatan vegetasi terhadap suhu permukaan menghasilkan nilai -0,744. Fenomena UHIterjadi di pusat Kota Mataram dapat dilihat dengan adanya nilai UHI yaitu 0-100C. Semakin besar nilai UHI, semakin tinggi perbedaan LSTnya.

PEMANFAATAN DATA PENGINDERAAN JAUH DAN TEKNOLOGI SIG UNTUK MENGIDENTIFIKASI BUILT UP AREA DAN KAITANNYA DENGAN RTRW DI KABUPATEN KENDAL

2019 ◽  
Vol 3 ◽  
pp. 521
Author(s):  
Mailendra Mailendra
Keyword(s):  
Supervised Classification ◽  
Landsat 8 ◽  
Landsat 8 Oli ◽  
Landsat 5 Tm

Integrasi data penginderaan jauh dengan sistem informasi geografis telah banyak dikembangkan, dan salah satunya dalam melihat perkembangan lahan terbangun. Tujuan penelitian ini adalah untuk melihat perkembangan lahan terbangun dan kesesuaiannya dengan Rencana Pola Ruang Kabupaten Kendal. Kemudian metode yang digunakan yaitu metode supervised classification dengan memanfaatkan data citra landsat 5 TM dan landsat 8 OLI yang selanjutnya dihitung luas dari masing lahan terbangun berdasarkan data temporal tahun 1990, tahun 2015 dan tahun 2017. Setelah diketahui luas lahan terbangun selanjutnya dioverlay dengan peta rencana pola ruang Kabupaten Kendal untuk melihat sesuai atau tidaknya penempatan lahan terbangun tersebut. Adapun hasil penelitiannya yaitu setiap tahunnya lahan terbangun terus meningkat di Kabupaten Kendal, terjadi peningkatan yang cukup signifikan dalam dua tahun terakhir yaitu tahun 2015 hingga tahun 2017. Selanjutnya diperkirakan 88 % lahan terbangun tersebut telah sesuai dengan RTRW karena sudah berada pada kawasan budidaya.

APLIKASI CITRA LANDSAT 8 OLI UNTUK IDENTIFIKASI STATUS TROFIK WADUK GAJAH MUNGKUR WONOGIRI, JAWA TENGAH

2017 ◽  
Vol 19 (2) ◽  
pp. 113
Author(s):  
Kusuma Wardani Laksitaningrum ◽  
Wirastuti Widyatmanti
Keyword(s):  
Chlorophyll A ◽  
Total Phosphorus ◽  
Trophic State ◽  
Water Clarity ◽  
Coefficient Of Determination ◽  
Physical Factors ◽  
Landsat 8 ◽  
Trophic State Index ◽  
Landsat 8 Oli ◽  
State Index

<p align="center"><strong>ABSTRAK</strong></p><p class="abstrak">Waduk Gajah Mungkur (WGM) adalah bendungan buatan yang memiliki luas genangan maksimum 8800 ha, terletak di Desa Pokoh Kidul, Kecamatan Wonogiri, Kabupaten Wonogiri. Kondisi perairan WGM dipengaruhi oleh faktor klimatologis, fisik, dan aktivitas manusia yang dapat menyumbang nutrisi sehingga mempengaruhi status trofiknya. Tujuan dari penelitian ini adalah mengkaji kemampuan citra Landsat 8 OLI untuk memperoleh parameter-parameter yang digunakan untuk menilai status trofik, menentukan dan memetakan status trofik yang diperoleh dari citra Landsat 8 OLI, dan mengevaluasi hasil pemetaan dan manfaat citra penginderaan jauh untuk identifikasi status trofik WGM. Identifikasi status trofik dilakukan berdasarkan metode <em>Trophic State Index</em> (TSI) Carlson (1997) menggunakan tiga parameter yaitu kejernihan air, total fosfor, dan klorofil-a. Model yang diperoleh berdasar pada rumus empiris dari hasil uji regresi antara pengukuran di lapangan dan nilai piksel di citra Landsat 8 OLI. Model dipilih berdasarkan nilai koefisien determinasi (R<sup>2</sup>) tertinggi. Hasil penelitian merepresentasikan bahwa nilai R<sup>2</sup> kejernihan air sebesar 0,813, total fosfor sebesar 0,268, dan klorofil-a sebesar 0,584. Apabila nilai R<sup>2 </sup>mendekati 1, maka semakin baik model regresi dapat menjelaskan suatu parameter status trofik. Berdasarkan hasil kalkulasi diperoleh distribusi yang terdiri dari kelas eutrofik ringan, eutrofik sedang, dan eutrofik berat yaitu pada rentang nilai indeks 50,051 – 80,180. Distribusi terbesar adalah eutrofik sedang. Hal tersebut menunjukkan tingkat kesuburan perairan yang tinggi dan dapat membahayakan makhluk hidup lain.</p><p><strong>Kata kunci: </strong>Waduk Gajah Mungkur, citra Landsat 8 OLI, regresi, TSI, status trofik</p><p class="judulABS"><strong>ABSTRACT</strong></p><p class="Abstrakeng">Gajah Mungkur Reservoir is an artificial dam that has a maximum inundated areas of 8800 ha, located in Pokoh Kidul Village, Wonogiri Regency. The reservoir’s water conditions are affected by climatological and physical factors, as well as human activities that can contribute to nutrients that affect its trophic state. This study aimed to assess the Landsat 8 OLI capabilities to obtain parameters that are used to determine its trophic state, identifying and mapping the trophic state based on parameters derived from Landsat 8 OLI, and evaluating the results of the mapping and the benefits of remote sensing imagery for identification of its trophic state. Identification of trophic state is based on Trophic State Index (TSI) Carlson (1997), which uses three parameters there are water clarity, total phosphorus, and chlorophyll-a. The model is based on an empirical formula of regression between measurements in the field and the pixel values in Landsat 8 OLI. Model is selected on the highest value towards coefficient of determination (R<sup>2</sup>). The results represented that R<sup>2</sup> of water clarity is 0.813, total phosphorus is 0.268, and chlorophyll-a is 0.584. If R<sup>2</sup> close to 1, regression model will describe the parameters of the trophic state better. Based on the calculation the distribution consists of mild eutrophic, moderate eutrophic, and heavy eutrophic that has index values from 50.051 to 80.18. The most distribution is moderate eutrophication, and it showed the high level of trophic state and may harm other living beings.</p><p><strong><em>Keywords: </em></strong><em>Gajah Mungkur Reservoir, </em><em>L</em><em>andsat 8 OLI satellite imagery, regression, TSI, trophic state</em></p>

Sign in / Sign up

Export Citation Format

Share Document