Teknologi Geospasial untuk Pertanian (Studi Kasus India) - Terjemahan K.V. Raju , V.R. Hegde , Satish A. Hedge

BAB 1. PENDAHULUAN

Dunia perlu mengangkat 700 juta orang miskin yang tinggal di pedesaan. Tujuan Pembangunan Berkelanjutan menekankan pengentasan kemiskinan dan kelaparan pada tahun 2030 dan pentingnya pertanian dalam ekonomi, lapangan kerja, ketahanan pangan, kemandirian nasional, dan kesejahteraan umum. Informasi terpercaya terkait pertanian adalah pusat dari segalanya dan statistik pertanian adalah bagian dari profil ekonomi desa/taluk/kabupaten/negara bagian dan kabupaten dan semakin menjadi penting. Data pertanian mencakup kepemilikan pertanian berdasarkan distribusi, ukuran, kepemilikan, penggunaan lahan, alat produksi, dan tenaga kerja dan statistik sangat penting untuk memantau tren dan memperkirakan prospek masa depan untuk pasar komoditas pertanian yang dapat membantu dalam menetapkan kebijakan seperti dukungan harga dan strategi untuk mempromosikan pertumbuhan ekonomi.

Kata Kunci: Kemiskinan · Ketahanan pangan · Statistik pertanian · Kepemilikan pertanian 

 

Pada tahun 2010, lebih dari 900 juta orang miskin (78% dari penduduk miskin) tinggal di daerah pedesaan, dengan sekitar 750 juta bekerja di pertanian (63% dari total penduduk miskin). Sekitar 200 juta orang miskin pedesaan dapat bermigrasi ke daerah perkotaan pada tahun 2030, berdasarkan proyeksi urbanisasi dan dengan asumsi migrasi merupakan bagian proporsional dari populasi pedesaan yang miskin (jika tiga dari setiap sepuluh orang yang bermigrasi adalah orang miskin). Hal ini akan membuat sekitar 700 juta orang miskin di daerah pedesaan terangkat dari kemiskinan pada tahun 2030. Bahkan dengan proyeksi peningkatan proporsi penduduk yang tinggal di daerah perkotaan di daerah kurang berkembang (meningkat dari 46% pada tahun 2010 menjadi 56% pada tahun 2010). 2030), pertumbuhan penduduk diproyeksikan masih menyebabkan peningkatan bersih kecil dalam jumlah orang di daerah pedesaan dari 3,06 miliar menjadi 3,13 miliar (Townsend 2015).

Kutipan dari Laporan Bank Dunia (2015) menekankan pentingnya pertanian dalam ekonomi, lapangan kerja, ketahanan pangan, kemandirian nasional, dan kesejahteraan umum. Mengakhiri kemiskinan dan kelaparan pada tahun 2030 menjadi salah satu tujuan inti dari Tujuan Pembangunan Berkelanjutan (Laporan Bank Dunia 2015) berbicara tentang menggandakan pendapatan dan kebutuhan untuk meningkatkan produktivitas pertanian dan ketahanan iklim dan memperkuat hubungan dengan pasar, pertumbuhan agribisnis, dan non-perdesaan. pendapatan pertanian. Oleh karena itu, informasi terpercaya terkait pertanian menjadi pusat dari segalanya. Statistik pertanian adalah bagian dari profil ekonomi a desa/taluk/kabupaten/negara bagian dan negara dan semakin menjadi penting.

Data pertanian mencakup kepemilikan pertanian menurut distribusi, ukuran, kepemilikan, penggunaan lahan, alat produksi, dan angkatan kerja. Statistik pertanian sangat penting untuk memantau tren dan memperkirakan prospek masa depan pasar komoditas pertanian yang dapat membantu dalam menetapkan kebijakan seperti dukungan harga dan strategi untuk mempromosikan pertumbuhan ekonomi. Selain perannya yang tak terelakkan dalam ketahanan pangan, pembangunan pertanian kini dipandang sebagai sumber penting dan berdampak tinggi dalam pengentasan kemiskinan. Hubungan antara kemiskinan dan hasil panen, tergantung pada berbagai faktor seperti praktik budidaya, ketersediaan irigasi, dan akses ke sumber daya untuk membeli input pertanian untuk adopsi teknologi baru, tidak dapat sepenuhnya dipahami tanpa informasi yang dapat dipercaya tentang luas dan jenis tanaman. Dengan tidak adanya informasi yang dapat diandalkan tentang produktivitas tanaman, alasan di balik kerawanan pangan rumah tangga pertanian tidak dapat diidentifikasi secara tepat.

Meskipun pentingnya pertanian dalam pembangunan ekonomi dan ketahanan pangan sedang dibahas, kualitas data pertanian yang tersedia dan metode pengumpulan data tersebut masih lemah di beberapa negara berkembang. Sampai sekarang, perkiraan luas tanaman memiliki masalah yang terkait dengan akurasi dan ketersediaan tepat waktu. Data luas tanaman umumnya tersedia beberapa bulan setelah panen. Memiliki data yang andal sebelum panen merupakan tantangan besar. Meskipun perkembangan terkini dalam penginderaan jauh dan alat geospasial terkait menyediakan akses ke data dan metode baru untuk memperkuat sistem data, penerapannya masih terbatas (Miller 2010).

Buku ini membahas kesenjangan dengan memeriksa sistem data saat ini dan menunjukkan peran potensial yang signifikan untuk alat geospasial dalam meningkatkan kualitas data pertanian dan metode yang diperoleh dan dengan demikian adopsi yang sama di negara berkembang. Rekomendasi tersebut didasarkan pada percobaan yang dilakukan oleh International Crops Research Institute for Semi-Arid Tropics (ICRISAT) di tiga wilayah agroklimatik yang berbeda di India.

Tujuan buku ini ada empat. Pertama, tinjauan literatur tentang metode yang berbeda dan alat teknologi terbaru yang diadopsi untuk statistik tanaman disediakan. Kedua, proses dan praktik yang diikuti di India didokumentasikan. Ketiga, praktik-praktik yang diikuti di tiga negara bagian India dianalisis. Keempat, alasan dan metode yang digunakan untuk inventarisasi tanaman beserta hasilnya dijelaskan, dan analisis komparatif dan rekomendasi untuk meningkatkan kualitas data disajikan.

----------------------------------------------------------------------------------------------------------------------

BAB 2. STATISTIK AREA TANAMAN

Abstrak

Generasi statistik tanaman di India berasal dari Arthashastra Kautilya (risalah India kuno tentang tata negara milik abad ketiga SM) serta era Moghul (abad keenam belas). Saat ini, statistik tanaman dihasilkan berdasarkan sistem pendapatan lahan untuk tanaman pangan utama dan tanaman non-pangan. Data diterima dari Otoritas Statistik Pertanian Negara di berbagai negara bagian dan wilayah serikat pekerja. Metode untuk estimasi luas tanaman berdasarkan teknik pengambilan sampel yang berbeda telah berhasil tetapi metode hemat biaya, terutama di negara berkembang atau terbelakang, diperlukan. Teknologi baru seperti penginderaan jauh, GPS, dan GIS telah memainkan peran utama. Estimasi luas tanaman di tingkat nasional lebih mapan. Mengatasi akurasi terlebih dahulu, penting untuk menangani estimasi nasional versus area kecil; dalam hal akurasi, tampaknya menjadi pilihan antara akurasi dan biaya, dengan asumsi masing-masing memiliki tingkat perkiraan ketepatan waktu. Metode menggunakan citra satelit memiliki komponen penting dari referensi kebenaran dasar. Dalam pola tanam campuran dengan kepemilikan kecil dan terfragmentasi, tingkat kebenaran dasar ditemukan tidak memadai, dan penelitian menunjukkan bahwa ekstraksi manual batas lapangan dengan pengetahuan menyeluruh tentang lanskap memberikan hasil yang berguna dan memberikan kontrol pada kumpulan data untuk validasi lebih lanjut, sementara inventarisasi lapangan dilakukan dengan pendekatan terpadu. 

Kata kunci:   Statistik tanaman · Sistem pendapatan lahan · Citra satelit · Pola tanam campuran · Holding terfragmentasi · Kebenaran di lapangan · Batas lapangan

2.1 ALASAN

Area yang dicakup oleh tanaman apa pun dan hasil per satuan luas merupakan komponen penting dari estimasi produksi tanaman. Meskipun informasi tentang produksi adalah prioritas, estimasi area sangat penting karena mengalami variasi musim/tahun karena ditinggalkan, cuaca ekstrim, atau kondisi ekonomi yang tidak biasa, sementara hasil tetap relatif sama dari satu unit area. Group on Earth Observations (GEOSS 2008) saat meninjau praktik pemetaan tanaman menggunakan penginderaan jauh menyoroti nilai tambah dari teknologi baru sebagai berikut:
• Ketidakakuratan estimasi lebih kecil dari ketidakpastian informasi yang tersedia sebelumnya.
• Detail geografis dari perkiraan yang diberikan lebih kecil dari informasi yang ada.

Tinjauan tersebut menekankan keandalan informasi dari metode yang lebih baru dan juga biaya di mana informasi dihasilkan. Pentingnya konteks geografis harus selalu dikaitkan dengan informasi karena membantu dalam pengambilan keputusan yang tepat waktu terkait dengan bencana atau mengelola asuransi. Sementara tujuan keseluruhannya adalah untuk menggandakan pendapatan dan meningkatkan produktivitas pertanian dan ketahanan iklim, kebutuhan akan informasi spasial tentang praktik pertanian diharapkan. Informasi tentang praktek pertanian, varietas tanaman, suksesi tanaman, dan teknik pola tanam, dan infrastruktur menjadi bagian dari statistik pertanian. Program Dunia untuk Sensus Pertanian FAO (FAO 2005) merekomendasikan agar sensus mempertimbangkan kepemilikan pertanian atau pertanian sebagai unit dasar untuk produksi dan statistik ekonomi lainnya.

Mengatasi kebutuhan solusi teknologi yang berguna bagi petani miskin di lingkungan yang kurang disukai di Asia dan di tempat lain, IFPRI menganjurkan (Pender 2007) untuk opsi yang cocok untuk lokasi tertentu. Ini membutuhkan pendekatan pragmatis untuk mempelajari apa yang berhasil dengan baik di mana dan mengapa. Dalam mengejar pilihan pragmatis bagi petani, program penelitian dan pengembangan tidak boleh mengabaikan potensi praktik pertanian tradisional, yang sangat sesuai dengan kebutuhan petani dalam banyak konteks. Ini secara tidak langsung menekankan konteks geografis dan kendala di tingkat petani dan informasi real-time yang andal tentang praktik pertanian.

 

2.2 PENDEKATAN

Ada pendekatan yang berbeda untuk estimasi luas tanaman di seluruh dunia. Statistik tanaman telah dihasilkan melalui sensus dengan cara pencacahan total populasi yang diinginkan dan juga dengan sampel hanya sebagian kecil dari wilayah yang lebih luas. Yang sebelumnya melibatkan pendapat ahli dari reporter tanaman sukarela lokal di desa-desa, meskipun salah satu bentuk pengumpulan data termurah tidak selalu akurat (Craig dan Atkinson 2013). Pencacahan total semua orang dan kemudian semua petani di desa-desa telah menjadi pendekatan lain; informasi sensus biasanya tidak hemat biaya dan membutuhkan lebih banyak waktu. Sebuah makalah awal (Huddleston 1978) yang mendokumentasikan pengambilan sampel dan strategi estimasi untuk peramalan dan estimasi tanaman masih dianggap relevan. Meskipun ada banyak literatur terkait statistik tanaman yang hanya berdasarkan survei lapangan, ada pembatasan terhadap pengumpulan dan analisis penggunaan lahan dan sumber daya alam lainnya. 

Layanan Konservasi Sumber Daya Alam (NRCS) USDA memiliki sampel dan survei titik yang sangat besar yang dikenal sebagai Inventarisasi Sumber Daya Nasional (NRI). Tujuan NRI adalah untuk memantau “status, kondisi dan tren data tanah, air dan sumber daya alam lainnya di tanah non-Federal di Amerika Serikat” (Breidt dan Fuller 1999). Data yang dikumpulkan mencakup kategori penggunaan lahan dan tutupan lahan yang luas terutama menggunakan interpretasi foto dan dengan sumber data tambahan di rumah (Nusser dan Goebel 1997). National Agricultural Statistics Service (NASS) USDA memiliki program berbasis kerangka area konvensional yang menggunakan segmen sampel batas alami dengan wawancara pribadi petani yang mengoperasikan lahan di segmen tersebut (Davies 2009; Cotter et al. 2010). Ini adalah kombinasi dari informasi berbasis area dan daftar melalui pendekatan pengambilan sampel kerangka ganda yang mengarah pada hasil yang lengkap dan hemat biaya untuk semua jenis statistik pertanian. 

Di sebagian besar negara di mana survei tanah dilakukan, baik untuk estimasi yang berdiri sendiri atau untuk penginderaan jauh, data kebenaran tanah telah menjadi pilihan yang jelas dan umum. Metodologi pengambilan sampel kerangka area yang diadopsi dalam proyek MARS (diluncurkan dengan dukungan Komisi Eropa dan Eurostat) berfokus pada area tanaman dan estimasi produksi tanaman tahunan: gandum lunak dan durum, barley, rapeseed, kacang-kacangan kering, bunga matahari, jagung, kapas, tembakau , bit gula, kentang, beras, dan kedelai, serta bera di tanah yang subur (Gallego 1999). Negara-negara Komunitas Pembangunan Afrika Selatan (SADC) menggunakan kombinasi prosedur subjektif (yaitu, penilaian petugas penyuluhan dan/atau pekebun) dan prosedur objektif yang melibatkan pengukuran langsung. Di sebagian besar negara SADC, bahkan negara-negara dengan beberapa prosedur peramalan tanaman yang lebih baik, peramalan tanaman terbatas pada sereal dan tanaman utama lainnya. 

Secara bertahap, Sistem Informasi Geografis (SIG), teknologi untuk integrasi data, diperkenalkan ke dalam statistik tanaman. Sebelumnya GIS terutama digunakan untuk menyimpan kerangka pengambilan sampel area akhir dalam bentuk digital, tetapi seiring dengan meningkatnya teknologi, mereka menjadi bagian dari proses konstruksi. Kemudian, memuat citra satelit langsung ke GIS dimulai dengan program pemrosesan citra terkait. Mampu meninjau dan menyimpan batas-batas yang berasal dari atau dilapiskan pada sumber data yang berbeda, GIS sangat membantu konstruksi kerangka area. Perangkat baru seperti penerima Global Positioning System (GPS) dan berbagai jenis tablet komputer genggam, dll. telah digunakan untuk pengambilan data di mana saja dengan beberapa keterbatasan (Carfagna dan Keita 2009).  

Perlahan-lahan dengan munculnya penginderaan jauh dan GIS, pendekatan terpadu untuk survei tanaman dimulai. Sebuah studi kasus di Afrika Selatan (Ferreira et al. 2006) di mana integrasi penginderaan jauh, pengambilan sampel kerangka titik, GIS, dan pengamatan udara diadopsi dan ini menjadi sistem yang kemudian disebut Sistem Estimasi Tanaman Independen Produsen (PICES). Citra satelit (Landsat 5) selama tiga musim digunakan untuk menangkap batas lahan untuk semua lahan budidaya. Batas-batas lapangan yang menggantikan strata kerapatan tanaman digunakan untuk menentukan kerangka bagi pemilihan titik sampel geografis acak secara sistematis di setiap provinsi. Jenis tanaman untuk setiap bidang/titik sampel ditentukan dengan pengamatan udara oleh pengamat terlatih (terutama petani) menggunakan pesawat ringan. Informasi pemotongan direkam pada tablet PC digital yang dikombinasikan dengan instrumen navigasi GPS. Informasi yang dikumpulkan selama survei udara digunakan baik untuk menghitung area statistik untuk setiap jenis tanaman per provinsi dan sebagai perangkat pelatihan untuk citra satelit untuk klasifikasi tujuan, penggunaan terakhir yang menghasilkan satu set lengkap bidang rahasia untuk setiap provinsi. Metode ini menetapkan tren untuk pendekatan terpadu. 

 

2.2.1 PENGINDERAAN JAUH DALAM ESTIMASI AREA TANAMAN

Teknik penginderaan jauh telah menjadi populer dalam estimasi area selama beberapa dekade terakhir, karena teknologi dan metodologi telah matang. Sejak dimulainya program penginderaan jauh sipil di Amerika Serikat pada awal 1960-an, penelitian dan pengembangan utama telah dilakukan pada identifikasi tanaman pertanian. dan estimasi area (Dadhwal et al. 2002). Eksperimen seperti Penilaian Teknologi Identifikasi Tanaman untuk Penginderaan Jauh (CITARS) dan Percobaan Inventarisasi Tanaman Area Besar (LACIE) dilakukan untuk menunjukkan kemampuan penginderaan jauh untuk inventarisasi dan peramalan tanaman (MacDonald 1984). Eksperimen tersebut tidak hanya menunjukkan kegunaan teknik pemrosesan data otomatis dan data antariksa untuk persediaan jagung dan kacang kedelai di Amerika Serikat; itu juga membuktikan kemampuan operasional teknologi penginderaan jauh untuk peramalan produksi gandum (MacDonald dan Hall 1980).

USDA-NASS memulai program estimasi areal penginderaan jauh pada 1970-an dan awal 1980-an dengan Large Area Crop Inventory Experiment (LACIE) dan Survei Inventarisasi Pertanian dan Sumber Daya melalui Aerospace Remote Sensing (AgRISTARS), untuk menentukan apakah perkiraan luas tanaman dapat diturunkan menggunakan citra multispektral dan data kebenaran dasar (Bailey dan Boryan 2010). Program-program ini berhasil menghasilkan perkiraan statistik yang tidak bias dari luas tanaman di tingkat negara bagian dan kabupaten dan mengurangi varians statistik indikasi areal dari survei yang dilaporkan petani (Mike 2010). Program estimasi areal penginderaan jauh NASS berkembang selama bertahun-tahun membuka jalan bagi program Cropland Data Layer (CDL) berbasis GIS saat ini yang telah ada sejak 1997.

Pendekatan yang mengadopsi inventarisasi tanaman berbasis penginderaan jauh dan diskriminasi tanaman didasarkan pada respons spektral diferensial dari berbagai tanaman dalam ruang fitur multidimensi yang dihasilkan oleh pita spektral yang berbeda, atau domain waktu, atau keduanya (Dadhwal et al. 2002), dan untuk tanaman perkebunan, arsitektur kanopi (Hegde et al. 1994) dirujuk. Sebuah dokumen yang sangat baik tentang isu-isu estimasi area secara umum dan juga dari perspektif Earth Observation (EO) diterbitkan oleh Group on Earth Observations (GEO) setelah konferensi Juni 2008 tentang topik tersebut (GEOSS 2008). Estimasi area sepanjang musim panen biasanya dicapai melalui survei tanah atau survei tanah yang dilengkapi dengan data penginderaan jauh. Citra penginderaan jauh umumnya digunakan untuk stratifikasi dan sering juga digunakan secara langsung dalam estimasi. Salah satu isu utama yang tinggi - disorot dalam konferensi ini adalah pentingnya survei tanah yang berkualitas. Terlepas dari perkembangan teknologi dan kemampuan penginderaan jauh, survei tanah yang berkualitas, jika memungkinkan, merupakan bagian yang sangat penting (dan hampir tak tergantikan) dari proses estimasi area.  

Dalam praktiknya, citra resolusi tinggi dengan interpretasi citra kadang-kadang menggantikan survei lapangan, tetapi proksi untuk survei lapangan ini umumnya hanya digunakan untuk menanggapi keterbatasan anggaran, pembatasan akses, atau sekadar keinginan untuk lebih tepat waktu (yaitu, menghindari waktu mengumpulkan dan memproses data dasar). Sebagian besar upaya ini kurang berhasil sepenuhnya. Sebagai contoh, Gallego (2006) dan Narciso dkk. (2008) menggambarkan dua upaya penelitian terbaru yang berfokus pada menghindari atau meminimalkan pengumpulan data lapangan yang pada akhirnya terbukti tidak memuaskan. 

Dengan peningkatan teknologi dalam kualitas dan ketersediaan sensor serta kemajuan pemrosesan, ia telah menjadi pemain yang lebih kuat dalam upaya negara-negara untuk memperkirakan luas panen dan produksi. Masalah, terutama yang berkaitan dengan waktu, efisiensi, dan jaminan ketersediaan yang berkelanjutan, tetap ada pada penggunaannya. Menurut GEO Ag Task 07 03 (Gallego et al. 2008), waktu atau jadwal estimasi area tanaman atau estimasi awal tergantung pada elemen berikut: (1) jumlah hari setelah menabur tanaman yang dapat dideteksi oleh remote sensor, (2) variabilitas spasial dalam praktik menabur di wilayah tersebut, (3) kalender tanaman dari tanaman yang bersaing, (4) karakteristik sensor jarak jauh (waktu kunjungan ulang), (5) tanggal di mana tanaman dapat diakui secara andal di lapangan, (6) waktu yang dibutuhkan untuk survei tanah, dan (7) waktu yang dibutuhkan untuk pengolahan data tanah.

Estimasi area tanaman dan penilaian kondisi (Kussul et al. 2012) di Ukraina, di bawah naungan proyek Joint Experiment of Crop Assessment and Monitoring (JECAM) dari Global Earth Observation System of Systems (GEOSS), menggunakan informasi dari berbagai satelit, termasuk data MODIS dari Terra dan Satelit Aqua (dari RC Agri4Cast Image Server di http://cidportal.jrc.ec.europa.eu/thematicportals/agri4cast); Data Thematic Mapper (TM) dari Landsat-5, data Earth Observer 1 yang disediakan oleh Badan Penerbangan dan Antariksa Nasional (NASA); dan data dari satelit Ukraina Sich-2 yang diluncurkan pada 2011. Sebagai sumber data kebenaran di lapangan, tiga lokasi uji coba Ukraina didirikan dan sedang digunakan.

Di India, berbagai percobaan sedang dilakukan untuk meningkatkan peramalan produksi tanaman, dan (Lochan 2006) yang terbaru disebut Peramalan Hasil Pertanian menggunakan Space, Agrometeorology, and Land-based Observation (FASAL). Pendahulu dari inisiatif ini adalah Areal Tanaman dan Produksi Estimasi (CAPE), yang pertama kali diluncurkan pada tahun 1987 untuk memanfaatkan teknik penginderaan jauh di bidang tanaman dan peramalan produksi. Proyek CAPE telah berhasil mencapai prakiraan gandum dan beras Kharif tingkat nasional, selain membuat pra-panen tingkat kabupaten pra-panen produksi kapas, tebu, lobak/sawi, dan sorgum Rabi di daerah-daerah berkembang utama di negara ini dengan menggunakan penginderaan jauh teknologi dan informasi tambahan lainnya. Ini telah mengatasi masalah tutupan awan yang persisten selama musim Kharif dengan menggunakan data SAR dari RADARSAT.   

Pengalaman India dalam peramalan tanaman menggunakan teknologi penginderaan jauh yang berfokus pada produksi gandum di negara bagian Haryana (Hooda et al. 2006) memberikan rangkaian waktu tentang seberapa baik perkiraan berbasis penginderaan jauh dibandingkan selama bertahun-tahun baik untuk luas tanaman maupun produksi. Peningkatan resolusi sensor dan metodologi, serta peningkatan daya komputasi, jelas telah meningkatkan perkiraan dari waktu ke waktu. Citra penginderaan jauh digunakan untuk stratifikasi dan estimasi. Stratifikasinya adalah pada intensitas pertanian dan diperbarui setiap 3-5 tahun. Ukuran segmen telah berkurang dari 10 × 10 m menjadi 7,5 × 7,5 m dan akhirnya menjadi 5 × 5 m, sementara tingkat sampling telah meningkat. Beberapa distrik kecil di negara bagian Haryana sekarang telah dicacah secara lengkap.

Dalam salah satu studi (Jain et al. 2013) dari dua wilayah di India (Gujarat dan tenggara Madhya Pradesh—yang mewakili keragaman jenis tanaman, tanah, klimatologi, akses irigasi, intensitas tanam, dan ukuran lahan), metode yang berbeda telah dicoba untuk mengukur intensitas tanam pertanian petani kecil di mana ukuran satu bidang biasanya lebih kecil dari resolusi spasial data satelit yang tersedia. Dalam studi tersebut, kumpulan data multi-skalar digunakan untuk menilai intensitas tanam pertanian skala kecil: (1) metode ambang batas Landsat, yang mengidentifikasi apakah piksel Landsat dipangkas atau tidak dipangkas selama setiap musim tanam; (2) metode puncak MODIS, yang menentukan apakah ada puncak fenologis pada Vegetasi yang Ditingkatkan MODIS Seri waktu indeks selama setiap musim tanam; (3) analisis campuran temporal MODIS, yang mengkuantifikasi heterogenitas subpiksel intensitas tanam menggunakan data MODIS fenologis; dan (4) metode pelatihan hierarki MODIS, yang mengkuantifikasi heterogenitas subpiksel intensitas tanam menggunakan teknik pelatihan hierarkis. Hasilnya secara khusus berlaku untuk wilayah studi kami di India dan kemungkinan besar juga berlaku untuk pertanian petani kecil di lokasi lain di seluruh dunia di mana jenis data satelit yang sama tersedia.

Berbagai peneliti telah mengusulkan prosedur untuk estimasi area tanaman di mana interpretasi visual citra resolusi tinggi dari sampel titik grid diganti untuk pengamatan tanah. Laporan khusus ini menunjukkan keuntungan dari hal ini di negara-negara berkembang di mana survei lapangan statistik terstruktur mungkin terlalu mahal atau sebaliknya tidak layak.

Metode survei baru untuk estimasi area, yang disebut “metode pengambilan sampel titik,” diadopsi untuk survei area tanam padi di Sri Lanka dan Thailand (Jinguji 2014). Metode baru ini dikembangkan dengan menggabungkan metode survei atribut tradisional dengan dua teknologi informasi terkini, yaitu Excel dan Google Earth. Ini kombinasi memungkinkan untuk mencapai metode survei yang lebih sederhana, andal, dan hemat biaya dibandingkan dengan metode yang ada. Pendekatan yang dikembangkan untuk menghindari pengambilan sampel lahan nonpertanian memungkinkan pemilihan titik sampel (titik) di tanah yang diidentifikasi oleh koordinatnya (lintang, bujur) dan dihamparkan pada citra satelit seperti Google Earth di area survei, yang mengarah pada pemilihan dari kavling/bidang. Distribusi frekuensi titik sampel dihasilkan sesuai dengan kategori penggunaan lahan yang diminati termasuk area tanaman, yang bila dikalikan dengan total area survei memberikan perkiraan penggunaan lahan di bawah setiap kategori serta kesalahan standarnya. Metode ini dapat memperkirakan tidak hanya luas tanaman inti tetapi juga luas tanaman minor di seluruh wilayah sasaran selama setiap musim panen dalam setahun. Sangat menarik untuk dicatat bahwa tidak ada pengukuran yang terlibat dalam metode ini, dan karena itu bebas dari kesalahan non-sampling terkait pengukuran.

Kombinasi server lapangan dan teknologi penginderaan jauh satelit untuk pemantauan tanaman di Filipina menyoroti kemampuan penginderaan jauh dalam mengidentifikasi tanaman di lapangan dan dalam mendeteksi perubahan dan klasifikasi produk pertanian (Labuguen et al. 2014). Kajian “Sistem Informasi Lahan Pertanian (ALIS)” juga menunjukkan kemampuan teknologi dalam membedakan pola tanam tanaman tunggal dan multi tanaman di lapangan. Ini dimungkinkan karena tanda tangan tanaman (sinyal penginderaan jauh) berbeda untuk pola tanam ini. Selain itu, data in situ diperlukan untuk kalibrasi dan validasi produk yang berasal dari citra satelit. Karena pengumpulan data in situ mahal dan memakan waktu, teknologi field server (FS) digunakan untuk mengumpulkan data lapangan. FS adalah Internet Field Observation Robot yang terdiri dari beberapa sensor, server Web, kamera Internet Protocol (IP), serta antarmuka nirkabel. Ini dirancang untuk memberikan solusi luar ruangan untuk pemantauan lingkungan. Studi serupa juga dilakukan di Thailand menggunakan server lapangan dan penginderaan jauh satelit untuk pemantauan tanaman padi (Rakwatin et al. 2014).   

Teknologi geospasial (penginderaan jauh dan Sistem Informasi Geografis) telah digunakan untuk menilai potensi pertanian di Dataran Tinggi Nebo, daerah pedesaan di Provinsi Limpopo, Afrika Selatan (Petja et al. 2014). Pendekatan ini mencakup penilaian kesesuaian lahan/tanah dan iklim, yang merupakan faktor penentu bagi pembangunan pertanian. Meskipun tidak secara khusus berfokus pada pencacahan area tanaman, studi ini menggabungkan alat geospasial yang berbeda untuk mengembangkan sistem pendukung keputusan.

Dengan kemajuan teknologi dalam hal resolusi spektral serta spasial, banyak penelitian telah dilakukan: (1) diskriminasi tanaman pada tahap awal pertumbuhan menggunakan data resolusi tinggi multi-temporal (Song et al. 2017), (2 ) pemetaan area tanaman menggunakan pencocokan spektral dan karakteristik fenologi di lokasi yang berbeda di seluruh geografi (Özüm Durgun et al. 2016), dan (3) klasifikasi tanaman berdasarkan gambar tunggal dari sensor satelit resolusi sangat tinggi (VHR) (Ozdarici et al. 2015).

Tinjauan menyeluruh dan analisis penginderaan jauh terkait pertanian (Bégué et al. 2018) menunjukkan bahwa komunitas penginderaan jauh berfokus pada deteksi dan karakterisasi praktik pertanian yang sebagian besar terbatas pada studi kasus. Penulis juga menghubungkan terminologi dan definisi umum untuk konvensi agronomi yang berbeda (Gbr. 2.1) untuk tinjauan literatur. Kekurangannya dapat dijelaskan oleh keragaman dan keragaman praktik pertanian yang luas, yang tidak dapat ditangkap dan dideskripsikan dengan baik pada skala plot di area yang luas, karena kurangnya data satelit yang sesuai, seperti deret waktu yang padat dari citra optik dan radar di resolusi dekametrik. Meningkatnya ketersediaan data penginderaan jauh, khususnya data konstelasi European Sentinel-1 dan 2 gratis yang cocok untuk pemantauan ukuran lapangan kecil hingga menengah, dan munculnya teknik pemrosesan data baru seperti penambangan data dan pembelajaran mendalam harus merangsang penelitian dalam daerah ini.

Tinjauan dari berbagai studi dan eksperimen tentang estimasi luas tanaman menunjukkan bahwa praktik dan metode sudah matang dan beberapa metode (pengambilan sampel area, pengambilan sampel daftar, pengambilan sampel titik dengan atau tanpa kisi) telah terbukti berhasil. Salah satu bidang yang mungkin memerlukan penelitian berkelanjutan adalah metode yang lebih hemat biaya, terutama di negara berkembang atau terbelakang. Dengan demikian, setiap penelitian yang bertujuan untuk mengurangi biaya konstruksi kerangka sampling atau pengumpulan data tampaknya memiliki peran. Teknologi baru telah memainkan peran utama dengan GIS, GPS, penginderaan jauh, dll, tetapi tampaknya ada yang baru setiap tahun atau lebih yang dapat diperiksa. Estimasi luas tanaman, di tingkat nasional, lebih mapan dan matang daripada peramalan hasil panen. Mengatasi akurasi terlebih dahulu, penting untuk menangani estimasi nasional versus area kecil; dalam hal akurasi, tampaknya menjadi pilihan antara akurasi dan biaya, dengan asumsi masing-masing memiliki tingkat perkiraan ketepatan waktu.

2.2.2 STUDI TENTANG PEMETAAN TINGKAT MIKRO: PENDEKATAN TERPADU 

 

Ada upaya terus-menerus untuk meningkatkan statistik luas tanaman, dan salah satu strategi restrukturisasi yang direkomendasikan adalah membedakan antara: • Kebutuhan akan data luas dan produksi yang dapat diandalkan dan tepat waktu yang rendah secara teratur untuk setiap musim panen, tahun demi tahun • Persyaratan untuk berbagai keperluan khusus seperti asuransi tanaman Tinjauan tersebut juga merekomendasikan perluasan program penginderaan jauh saat ini dan memberikan prakiraan musim dan perkiraan akhir musim yang andal dan tervalidasi untuk area yang lebih luas untuk tanaman di tingkat negara bagian dan nasional, serta plot yang komprehensif dan terperinci. data tingkat penggunaan lahan dan tanaman di tingkat desa. 

 

 Eksperimen menggunakan satelit penginderaan jauh dengan resolusi spasial yang tinggi telah efektif, tetapi teknologi tampaknya masih memiliki keterbatasan di daerah (seperti dalam kasus India—tropis semi kering) dengan sistem tanam terfragmentasi dan tanam campuran. Cakupan awan merupakan salah satu faktor yang menghambat penggunaan penginderaan jauh, dan selanjutnya dalam sistem tanam campuran, menjadi sulit untuk menggambarkan tanaman yang berbeda. Para ilmuwan telah mencoba pendekatan terpadu untuk pemetaan dalam skala besar menggunakan teknik geospasial lainnya.

 

Kombinasi gambar dari beberapa satelit dan resolusi spasial dan spektral yang lebih baik sedang dicoba terutama untuk mendapatkan data bebas awan dan untuk menilai kesesuaian untuk tanda tanaman yang berbeda (Singh et al. 2005). Saat meninjau penggunaan data LISS-III untuk pemetaan tanaman tingkat desa yang menunjukkan sekitar 90% akurasi area yang mungkin untuk tanaman dengan jangkauan udara yang lebih besar, Vijay et al. (2013) telah mencoba untuk mengkorelasikan persil desa dengan citra LISS-III dan LISS-IV dan menemukan kesalahan klasifikasi tanaman dengan ukuran petak tanaman yang lebih kecil. Akurasinya hanya 70–75% dan telah memunculkan keterbatasan inventarisasi tanaman tingkat desa berbasis penginderaan jauh di tingkat plot. Panda dkk. (2010) telah meninjau kegunaan berbagai data penginderaan jauh dari berbagai platform seperti satelit, LIDAR, udara, dan pencitraan lapangan untuk pengelolaan tanaman spesifik lokasi yang membahas pemetaan dan pemodelan berbasis GIS. Melihat kebutuhan data yang andal tentang statistik tanaman dan penerapannya di berbagai sektor, pembaruan teknologi yang berkelanjutan; SIG, penginderaan jauh, dan mobile GPS telah dieksplorasi oleh Raskar (2013). Eksperimen menurunkan batas plot dari citra satelit, dan GPS digunakan untuk pencacahan. Studi ini menunjukkan dengan jelas keuntungan dari memperoleh data tingkat plot yang akurat.

 

Upaya telah dilakukan untuk mengekstrak delineasi lahan pertanian secara otomatis dari citra satelit. Dalam sebuah studi penelitian oleh Alemu (2016), algoritma yang berguna dikembangkan dan diuji untuk ekstraksi otomatis dari pematang lapangan menggunakan pendekatan yang berbeda seperti pita tunggal, pita ganda dan juga pita tekstur. Ditemukan bahwa hasilnya seperti yang diharapkan di daerah dengan lanskap yang heterogen. Studi ini merekomendasikan untuk memiliki dataset referensi yang baik dan pengetahuan menyeluruh tentang area studi.

 

GPS telah digunakan untuk melacak batas plot tanaman dan menghitung tanaman di Distrik Masaka Uganda (Schøning et al. 2005) sebagai bagian dari percobaan Percontohan Sensus Pertanian (PCA). Pengukuran dari GPS dan pita pengukur tidak memiliki kesalahan yang signifikan secara statistik dan karenanya berguna. Eksperimen ini diuji dan diperkenalkan sebagai alat yang hemat biaya untuk pengukuran area dan untuk geo-referensi kepemilikan. Studi ini merekomendasikan bahwa ada potensi untuk menggunakan peralatan Global Positioning System (GPS) yang relatif murah untuk mengukur area dan untuk geo-referensi kepemilikan dalam konteks statistik pertanian. Pengukuran GPS tanpa peralatan tambahan untuk penyesuaian sinyal dan/atau antena yang ditingkatkan terbukti memberikan variasi pada area yang diukur. Studi klasifikasi lahan pertanian berbasis piksel berdasarkan fusi data dari citra satelit dengan resolusi berbeda berdasarkan rangkaian waktu citra multispektral telah dilakukan oleh Crnojevic et al. (2014). Percobaan dilakukan dengan gambar dari Landsat-8 dan RapidEye. Metode ini secara efektif mengeksploitasi data yang tersedia dan memberikan peningkatan atas pendekatan klasifikasi berbasis piksel yang ada melalui kombinasi sumber data yang berbeda. Kontribusi lain dari makalah ini adalah penggunaan crowdsourcing dalam proses pengumpulan data referensi melalui aplikasi smartphone khusus.

 

Semua metode yang menggunakan citra satelit memiliki komponen penting dari referensi kebenaran dasar. Dalam pola tanam campuran dengan kepemilikan kecil dan terfragmentasi, tingkat kebenaran dasar ditemukan tidak memadai. Aspek ini telah menyebabkan eksplorasi penggunaan GPS untuk pencacahan lengkap di mana keandalannya tidak diragukan lagi dan setiap tanaman akan dipetakan dan seseorang bisa mendapatkan atribut spasial tanaman (Naik et al. 2013). Eksperimen yang dilakukan oleh konsorsium Institut Manajemen India, Bangalore, telah menunjukkan pendekatan yang lebih baik untuk pemetaan tanaman. Batas plot tanaman dilacak dengan GPS genggam dan dibandingkan dengan pengukuran lapangan dengan pita. Data didaftarkan dengan peta kadaster desa dan statistik wilayah dihasilkan. Dalam kelanjutan percobaan (IIMB dan ZOOMIN 2013), batas plot yang dihasilkan dari GPS genggam dibandingkan dengan citra satelit resolusi tinggi. Berdasarkan hasil penelusuran GPS batas-batas plot dan pendaftarannya dengan citra satelit, penelitian ini merekomendasikan penggunaan data satelit untuk mengekstraksi batas-batas plot. 

 

Studi yang dilakukan sejauh ini mengarah pada kesimpulan bahwa ekstraksi manual batas lapangan dengan pengetahuan menyeluruh tentang lanskap memberikan hasil yang berguna dan memberikan kontrol pada kumpulan data untuk validasi lebih lanjut. 

 

 

2.3 PRAKTIK PEMETAAN TANAMAN DI INDIA

 

Referensi bersejarah untuk pembuatan statistik tanaman di India berasal dari Arthashastra Kautilya serta era Moghul (Dadhwal et al. 2002; Patil 2012). Saat ini, statistik tanaman dihasilkan berdasarkan sistem pendapatan lahan untuk tanaman pangan utama dan tanaman non-pangan. Data tersebut diterima dari Otoritas Statistik Pertanian Negara (SASA) di berbagai negara bagian dan teritori serikat pekerja (CSO 2008). Untuk setiap tahun pertanian (Juli-Juni), Direktorat Ekonomi dan Statistik (DES), kantor terlampir dari Departemen Pertanian, Kerjasama dan Kesejahteraan Petani, merilis empat perkiraan awal (AE) dari produksi tanaman pertanian utama dari negara, diikuti dengan perkiraan akhir. Masing-masing dari lima perkiraan ini tersedia di tingkat negara bagian dan di tingkat nasional untuk tanaman yang diidentifikasi. Sementara inalizing semua perkiraan tingkat India, data tanaman-bijaksana pada area, produksi, dan hasil yang diterima dari pemerintah negara bagian secara menyeluruh diteliti berdasarkan informasi dari sumber-sumber alternatif pada area, produksi dan hasil, kondisi curah hujan, tren sebelumnya dalam panen- area bijaksana, produksi dan hasil di masing-masing negara bagian, tren harga komoditas, pengadaan, dll.

 

Sistem pengumpulan data statistik tanaman di negara ini bergantung pada catatan tanah yang dipelihara untuk mengumpulkan pendapatan tanah dari petani. Di tiga negara bagian yang menetap secara permanen (Kerala, Orissa, dan W. Benggala), 20% pengambilan sampel berdasarkan rotasi digunakan, dan negara bagian timur laut mengandalkan survei ad hoc. Negara bagian dan UT di mana catatan tanah dikelola oleh agen pendapatan disebut sebagai "negara bagian catatan tanah" atau negara bagian yang diselesaikan sementara (Andhra Pradesh, Bihar, Chhattisgarh, Gujarat, Haryana, Himachal Pradesh, Jammu dan Kashmir, Jharkhand, Karnataka, Madhya Pradesh, Maharashtra, Punjab, Rajasthan, Tamil Nadu, Uttar Pradesh, dan Uttarakhand dan empat UT Chandigarh, Delhi, Dadra dan Nagar Haveli, dan Pondicherry menyumbang sekitar 86% dari area pelaporan). Di negara bagian ini, pendekatan pencacahan penuh multi-musim diadopsi untuk menghasilkan statistik tanaman. Estimasi areal dari survei ini harus melewati hierarki agregasi tingkat desa, taluka, kabupaten, dan negara bagian, yang berkontribusi pada keterlambatan kompilasi prakiraan nasional.

 

Di negara bagian di mana catatan tanah dipelihara, akuntan desa ( Patwari) bertanggung jawab atas desa atau sekelompok desa untuk melakukan pemeriksaan tanaman dari lapangan ke lapangan di setiap musim panen selama satu tahun pertanian untuk mencatat luas panen dan pemanfaatan lahan. statistik. Dia seharusnya mencatat rincian tanaman yang terkait dengan area dan pemanfaatan lahan di registri Khasra (Pendaftaran Tanaman Desa—“Girdawari”). Setelah menyelesaikan entri untuk setiap nomor survei desa, abstrak area yang ditabur di bawah tanaman yang berbeda disiapkan dan dikirim ke pejabat yang lebih tinggi berikutnya dalam hierarki pendapatan. Abstrak Tanaman Desa (pernyataan Jinswar) disiapkan dan dikirim ke pejabat tinggi berikutnya dalam hierarki pendapatan. Pada setiap akhir tahun pertanian, statistik luas pemanfaatan lahan dikompilasi, dan abstrak dikirim ke pejabat tinggi terkait. Statistik wilayah dari segi tanaman dan pemanfaatan lahan yang diperoleh dari desa yang berbeda dikumpulkan di tingkat lingkaran pendapatan, tehsil, dan kabupaten. Statistik wilayah kabupaten dikirim ke Badan Statistik Pertanian Negara (SASA), yang umumnya adalah Direktur Ekonomi dan Statistik atau Direktur Pertanian atau Direktur Catatan Tanah. Agregasi tingkat negara bagian dilakukan oleh SASA dan diteruskan ke Direktorat Ekonomi dan Statistik (DES), Kementerian Pertanian dan Kerjasama, Pemerintah India, yang merupakan lembaga nodal untuk merilis perkiraan tingkat negara bagian dan seluruh India .

 

Dengan tujuan meningkatkan kualitas statistik, National Sample Survey Organization (NSSO) memperkenalkan skema “Peningkatan Skema Statistik Tanaman (ICS)” melalui upaya bersama antara otoritas pusat dan negara bagian. Dalam skema ini, NSSO melakukan pengawasan dan verifikasi fisik Girdawari di subsampel empat klaster dari lima nomor survei di masing-masing desa sampel TRS (sistem pelaporan tepat waktu). Penilaian dibuat untuk sejauh mana perbedaan antara entri pengawas dan Girdawari diisi oleh akuntan desa untuk masing-masing nomor survei yang dipilih dalam sampel. Pengawas yang memeriksa kemungkinan kesalahan agregasi juga meneliti abstrak tanaman desa, yang disiapkan oleh Patwaries. Negara-negara bagian yang menetap secara permanen juga tercakup dalam skema ini di mana sub-sampel dari Desa sampel Pendirian Badan Pelaporan Statistik Pertanian (EARAS) (nomor survei) diteliti dengan mengikuti metodologi yang sama yang diadopsi untuk wilayah yang dihuni sementara. Umumnya, total 10.000 desa sampel dicakup oleh ICS dan 8500 di antaranya berada di negara bagian yang menetap sementara dan 1.500 di negara bagian yang menetap secara permanen.

 

Berbagai organisasi/departemen terlibat dalam pengumpulan statistik pertanian, dan tampaknya tidak ada keseragaman dan koordinasi di antara mereka sendiri. Ini perlu ditata ulang dalam kerangka pengaturan administratif dan sosial ekonomi, yang pasti akan membuat keseluruhan sistem lebih andal dan efektif. Pertanian adalah sektor yang dinamis di mana praktik tanam berubah dari waktu ke waktu dan tanaman baru terutama yang berumur pendek ditabur dan dipanen. Namun, Catatan Tanaman Desa (Khasra Registry) dan catatan lain yang dikelola oleh Patwari hampir sama sejak lama. Daftar tanaman yang dicakup oleh Abstrak Tanaman Desa (Jinswar) membutuhkan tinjauan yang juga dapat mengakibatkan beberapa perubahan dalam manual instruksi untuk Girdawari.

 

Pemerintah India telah memulai secara operasional skema utama "FASAL" sebagai sumber data alternatif untuk tanaman yang dipilih ( Negara Bagian Pertanian India 2015) secara operasional penginderaan jauh penginderaan jauh juga telah digunakan untuk statistik tanaman di India. Skema sektor pusat—“Perkiraan hasil pertanian menggunakan Agro-meteorologi Luar Angkasa dan Pengamatan berbasis lahan (FASAL)”—diimplementasikan dengan kemitraan Departemen Meteorologi India (IMD), New Delhi; Pusat Aplikasi Luar Angkasa (SAC), Ahmedabad; dan Institut Pertumbuhan Ekonomi (IEG), New Delhi. Di bawah skema, rilis prakiraan musim ganda dipertimbangkan di tingkat nasional, negara bagian, dan kabupaten berdasarkan penginderaan jauh, Agromet, dan model ekonometrik sehubungan dengan 11 tanaman utama: (1) beras ( Kharif dan Rabi ), (2) Jowar ( Kharif dan Rabi ), (3) jagung, (4) Bajra, (5) rami, (6) Ragi , (7) kapas, (8) tebu, (9) kacang tanah (Kharif dan Rabi ), (10) rapeseed dan sawi, dan (11) gandum. 

 

Di bawah strategi yang direvisi sejak 2011, operasionalisasi prakiraan tanaman dan penilaian kekeringan melalui metodologi penginderaan jauh yang dikembangkan oleh ISRO sedang dilakukan oleh Pusat Prakiraan Tanaman Nasional Mahalanobis (MNCFC), DAC&FW. Saat ini, MNCFC memberikan prakiraan berdasarkan teknologi penginderaan jauh sehubungan dengan delapan tanaman, yaitu, (1) beras (Kharif/Rabi), (2) gandum, (3) rapeseed dan mustard, (4) kapas, (5) goni, (6) tebu, (7) jowar, dan (8) kentang. Prakiraan yang dihasilkan oleh MNCFC didasarkan pada model hasil yang dikembangkan oleh IMD, dan cakupan area didasarkan pada teknologi penginderaan jauh. 

 

 

BAB 3. PROSEDUR YANG DIADOPSI DI BAGIAN NEGARA BERBEDA

 

 

 

 

 

 

Chapter 4
Theme of the Crop Inventory Experiment

 

 

Chapter 5
Development of a Spatial Reference (System) Database

 

 

Chapter 6
Results of Field Inventory

 

 

Chapter 7
Reasons for Noncultivation

 

 

Chapter 8
Land Use

 

 

Chapter 9
Repetition in Second Year

 

 

Chapter 10
Kitchen Garden in Jarasingha

 

 

 Chapter 11
Comparison of Area Statistics: Existing
Practice vs Geospatial Technology

Chapter 12
Conclusion and Recommendations

Chapter 13
SWOT Analysis of Geospatial Technology

Chapter 14
Geospatial Technology Intervention:
A Best Method for Crop Inventory

Chapter 15
Executive Summary