GIS · Tips dan trik

Automatic Oil Palm Tree Counting

Palm tree counting – MARAKNYA penggunaan teknologi geospasial beberapa tahun belakangan ini di bidang perkebunan kelapa sawit membuat industri geospasial bergeliat. Mulai dari penggunaan perangkat lunak pemetaan yang komersial hingga open source, keberadaan konsultan pemetaan yang semakin menjamur, hingga penjualan pesawat nir awak yang semakin banyak digunakan bahkan tidak hanya untuk perkebunan namun juga untuk hobi.

Khusus di bidang perkebunan kelapa sawit, terjadi pergeseran penggunaan teknologi penginderaan jauh yang diaplikasikan dalam tataran operasionalnya. Era 90an mayoritas perkebunan masih menggunakan citra satelit beresolusi menengah seperti Landsat. Kemunculan satelit beresolusi spasial tinggi selanjutnya seperti Ikonos, SPOT, hingga GeoEye yang memiliki resolusi hingga 50 cm akhirnya menggantikan citra Landsat untuk inventarisasi lahan perkebunan.

Lima tahun terakhir bahkan kondisinya sudah berubah. Dengan semakin murahnya teknologi nir awak seperti drone akhirnya secara cepat penggunaan satelit resolusi tinggi pun mulai ditinggalkan. Ketersediaan drone akhirnya menutupi kekurangan resolusi temporal yang dimiliki satelit resolusi tinggi.

Salah satu bentuk inventarisasi aset perkebunan yang memanfaatkan foto udara yang dihasilkan dari drone yaitu jumlah pokok tanaman sawit. Apakah ini sesuatu hal yang penting? Tentu saja mengingat manfaat yang bisa dirasakan oleh para pemiliki kebun.

Misalnya dalam hal inventarisasi aset, jumlah pokok tanaman akan memengaruhi biaya yang dikeluarkan untuk pemupukan. Tentunya jika jumlah pokok yang ada jauh dari kebenaran, maka bisa dipastikan akan terjadi kelebihan pembelian pupuk atau malah kekurangan pupuk.

Ketika penggunaan satelit resolusi tinggi digunakan untuk inventarisasi aset perkebunan, untuk melakukan perhitungan pokok tanaman menggunakan dua cara. Pertama yaitu dengan mendigitasinya secara manual dan yang kedua yaitu dengan menggunakan klasifikasi terselia (supervised classification). Gabungan cara keduanya pun dilakukan untuk menyempurnakan hasilnya.

Sepengalaman saya, menggunakan klasifikasi supervised dalam pekerjaan palm counting cukup merepotkan jika diaplikasikan pada area yang luas. Kendala yang saya temukan biasanya yaitu program tidak dapat membedakan pokok tanaman ketika tanaman tersebut sudah berumur 7 tahun ke atas yang membuat kanopi tanaman sangat lebat antara satu dengan lainnya. Sehingga memerlukan proses tersendiri untuk memisahkan objek background dengan kanopi sawit lewat pan sharpening dan sebagainya.

Metode klasifikasi image terkini ternyata sudah semakin canggih. Foto udara yang notabene memiliki resolusi spasial sangat tinggi (hingga 3 cm) memerlukan metode pengklasifikasian yang mumpuni untuk membedakan objek yang tampak. OBIA (Object based image classification) adalah salah satu metodenya.

Di bawah ini saya akan menyajikan tahapan untuk melakukan automatic palm tree counting menggunakan perangkat lunak ecognition dengan sumber data dari foto udara. Hasil dari percobaan ini mungkin belum sempurna dan membutuhkan penyempurnaan dari tahapan-tahapan yang ada. Namun setidaknya memberikan gambaran kepada pembaca untuk mengetahui gambaran pekerjaan automatic palm counting ini.

Buka program ecognition dan buat new project : File – new project

New project
New project

Browse foto udara di lokasi folder yang akan dibuat untuk palm counting dan setelah dapat filenya, klik OK.

Browse file
Browse file

Selanjutnya akan muncul tampilan file yang sudah kita pilih.

003
Tampilan program

Tampilkan template editor dengan cara klik kanan pada bagian toolbar yang kosong dan klik template editor. Mudahnya klik kanan pada area kosong di samping Help.

Template editor
Template editor
Template editor
Template editor

Selanjutnya kita akan membuat training sample sebagai penentuan pokok sawit. Atur settingnya sebagai berikut untuk memudahkan proses berikutnya. Tentukan root folder sesuai dengan folder yang diinginkan. Thumbnail zoom dibuat 200% atau sesuai selera. Size dibuat 40 atau sesuai kebutuhan, hal ini menentukan coverage kanopi yang akan kita ambil sebagai sampel, semakin besar angkanya maka cakupannya dibuat besar juga.

Select sampel
Select sampel

Klik select sample dan mulailah menentukan sampel pokok tanaman sawit. Sebisa mungkin jika kotak merah belum menjangkau seluruh kanopi sawit, ubah Size nya. Jangan lupa untuk mengambil sampel pokok sawit secara merata. Jika dalam file ada tanaman immature atau mature, jangan lupa diambil kedua tipe kanopinya. Lebih bagus jika tiap tahun tanam ada sampel kanopinya.

Generate sample
Generate sample

Proses berikutnya, klik tab generate sample. Generate masing-masing layer (1,2,3). Kemudian kembali generate layer 1 dan merubah groupnya menjadi 3.

Tahapan berikutnya akan menjemukan prosesnya biasanya. Masuk ke tab test template. Template selectionnya ubah ke layer 1 dan grup 3. Nilai thresold ubah ke 0.35. Selanjutnya tentukan select region pada file foto udara dan execute test.

Test template
Test template

Berikutnya kita akan menentukan dari sampel, foto mana saja yang correct sebagai sebuah kanopi sawit atau false. Kita tentukan sesuai dengan kondisinya. Jika memang benar pokok sawit tinggal klik correct, dan sebaliknya false jika memang salah.

Test template
Test template

Tahap berikutnya di tab negative template, klik generate template. Simpan project dan tampilkan kembali file foto udara seperti pada tahap awal (file – new project).

Klik pada toolbar kosong dan pilih project tree. Pada area kosong di window project tree, klik append new. Ganti ‘do’ menjadi parent dan klik execute.

Parent
Parent

Akan muncul nama parent pada window. Klik kanan dan pilih insert new child. Pada bagian alghoritm pilih template matching. Nah pada bagian template folder, arahkan pada folder yang sudah kita create sebelumnya, yaitu layer 1 group 3. (~\New Template\Layer 1_Group3). Nilai thresold ubah ke 0.35. Klik execute.

Template matching
Template matching

Setelah selesai, kembali klik kanan pada template matching yang sudah dibuat dan klik append new. Pilih chessboard segmentation pada algorithm dan kil execute.

Chessboard segmentation
Chessboard segmentation

Akan muncul gambar berwarna biru. Klik show or hide outline symbol (untuk menampilkan foto RGB), klik Window – split vertically, klik window – side by side view, klik window – side by side view, klik single layer grayscale, klik show previous image layer. Akan tampil seperti di bawah.

Image
Image

Selanjutnya kita copy template mathcing dengan cara klik kanan, copy, klik kanan pada chess board, dan paste kan. Double klik pada template matching terbawah dan ubah settingnya menjadi sebagai berikut: thresold ubah ke 0.35 (selanjutnya bisa kita ubah sesuai kebutuhan), output layer dan thematic layer bisa diubah sesuai keinginan kita. Klik execute.

Edit template matching
Edit template matching

Proses palm detection sudah selesai. Tampilkan point hasil processing dengan klik simbol show/hide vector layer dan klik pada kolom show. Warna vector bisa diganti sesuai keinginan.

Show vector layer
Show vector layer
Hasil klasifikasi
Hasil klasifikasi

Jika pada hasil akhir palm detection masih belum menunjukkan point pokok yang baik maka nilai thresold dari hasil template matching bisa di ubah sesuai kebutuhan dan di execute kembali untuk mendapatkan hasil yang lebih akurat. Contohnya pada gambar saya di atas ada beberapa pohon yang tidak terdeteksi point nya. Dengan mengulang proses dan mengganti nilai thresold nya maka pohon tersebut akan bisa dideteksi.

Sampai sejauh ini saya sudah mencoba pada beberapa foto udara dan hasilnya pun beragam. Untuk area datar dengan poin tanam teratur, maka metode di atas cukup membantu untuk menentukan total pohon. Untuk akurasinya sendiri saya belum sempat menghitungnya, namun bisa dipastikan di atas 90%. Hasil deteksi pokok tersebut juga ditentukan oleh pemilihan sample yang representatif serta nilai ambang (thresold) yang mana harus pandai-pandai ditentukan oleh user.

Untuk area teras, menurut pengalaman saya akurasinya masih lebih rendah dibandingkan dengan area datar. Bisa jadi hal ini dimungkinkan dari variasi ketinggian pohon yang akhirnya menampilkan kanopi pohon yang sedikit tidak beragam. Sedikit, bisa berarti ‘banyak’ dalam algoritma pemrosesan. Jadi kembali pada kepandaian user untuk menentukan sampel.

Bagaimanapun, tiap metode (digitasi atau otomatis) memiliki kelebihan dan kekurangannya masing-masing. Digitasi manual tentunya akan cenderung lebih akurat namun membutuhkan banyak tenaga pekerja dan waktu. Sebaliknya, jika menggunakan metode otomatis, jumlah tenaga pekerja bisa dikurangi dengan drastis dan waktu pengerjaannya akan jauh lebih singkat juga dengan catatan ketepatan pemilihan sampel pohon yang mewakili area pun harus diperhitungkan dengan baik.

Demikian sekilas share metode automatic palm counting dari saya. Semoga bermanfaat.

Advertisements

13 thoughts on “Automatic Oil Palm Tree Counting

  1. mas trimble mengeluarkan software baru di khususkan untk menghitung sawit namanya eCognition Oil Palm Application software

  2. halo Alif, kalo dicoba tanpa chessboard segmentation itu bisa saja kok. hanya saja saya pernah baca di artikel kalo chessboard segmentation itu banyak dipakai juga di klasifikasi vegetasi tutupan hutan. sawit pun saya asumsikan sama sih, hutan homogen.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s