Klorofil merupakan pigmen yang paling penting dalam proses fotosintesis. Tanaman sehat yang mampu tumbuh maksimum umumnya  memiliki jumlah klorofil yang lebih besar daripada tanaman yang tidak sehat. Dalam Estimasi kandungan klorofil tanaman padi dengan airborne hyperspectral dibutuhkan algoritma khusus untuk mendaaptkan akurasi yang baik. Objek dari penelitian ini mengembangkan reflektan in situ menjadi model algoritma   estimasi kandungan klorofil tanaman padi untuk airborne hyperspectral.  Dalam penelitian ini beberapa indeks vegetasi seperti normalized difference vegetation index (NDVI), modified simple ratio (MSR)  , modified/transformed chlorophyll absorption ratio index (MCARI, TCARI) dan bentuk integrasi (MCARI/OSAVI and TCARI/OSAVI) digunakan untuk membentuk model estimasi dengan metode regresi linear. Selain itu juga digunakan  Blue/Green/Yellow/Red Edge Absorption Clhorophyll Index. Dari proses regresi di dapatkan tiga ground model yang mempunyai korelasi kuat (R2≥0.5) terhadap klorofil tanaman padi. Ketiga model tersebut yaitu MSR (705,750) dengan R2 sebesar 0.51, TCARI/OSAVI (705, 750) dengan R2 sebesar 0.52 dan REACL 2 dengan R2 sebesar 0.57. Dari ketiga tersebut dipilih groun model terbaik REACL 2 untuk di upscalling ke model algoritma airborne hyperspectral.  Pembentukan algoritma dengan data airborne hyperspectral sensor Hymap dan REACL 2 menghasilkan model algoritma ( Klorofil (SPAD unit) = 3.031((B22-B18)/(B18-B13)) + 31.596) dengan R2 sebesar 0.78

klorofil; tanaman padi; airborne hyperspectral

Alfassi, Z.B., Boger, Z., dan Ronen,R . 2005. Statictical Treatment of Analytical Data. Victoria : A Blackwell Publishing Company

Borengasser, M., Hungate, W.S., dan Watkins. R., (2007), “Hyperspectral Remote Sensing: Principles and Applications”. Florida USA: CRC Press Taylor and Francis Group.

Cocks, T., Jenssen, A,. Stewart, A,. Wilson,. I dan Shields, T,. 1998. 1st EARSEL Workshop on Imaging Spectroscopy, Zurich, October 1998

Chen, J. M., 1995. Evaluation of vegetation indices and a modified simple ratio for boreal applications. Canadian Journal of Remote Sensing, 22:229-242.

Danoedoro, Projo. 1996. Pengolahan Citra Digital (Teori dan Aplikasi Dalam Penginderaan Jauh). Fakultas Geografi UGM: Yogyakarta

Darmawan, Arief. 2012. Pembangunan Model Hyperspectral Untuk Estimasi Produksitivitas Vegetasi Padi Berdasarkan Metode Derivatif Regresi Linear. Disertasi ITS : Surabaya

Daughtry, C.S.T., Walthall, C.L., Kim, M.S., Brown de Colstoun, E., McMurtrey III, J.E., 2000. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance. Remote

Sensing. Environment. 74, 229–239.

Furqon. 1999. Statistika Terapan Untuk Penelitian.Bandung : Penerbit CV Alfabeta

Gitelson, A.A., Merzlyak, M.N., 1996. Signature analysis of leaf reflectance spectra: algorithm development for remote sensing. Journal Plant Physiol. 148, 493–500.

Hanum. Chairul. 2008. Teknik Budidaya Tanaman Jilid 2 . Jakarta : Depdiknas

Lillesand T. M. & Kiefer R. W., 2000. Remote Sensing and Image Interpretation, 4th ed. New York : Wiley & Sons.

Kruse, F. A, et all. 2000. HyMap: An Australian Hyperspectral Sensor Solving Global Problems – Results from USA HyMap Data Acquisitions: in Proceedings of the 10th Australasian Remote Sensing and Photogrammetry Conference, Adelaide, Australia, 21-25 August 200

Liu, Meiling, et all. 2010. Neural-network model for estimating leaf chlorophyll concentration in rice under stress from heavy metals using four spectral indices. Jurnal Biosystem Engineering 106 (2010) 223-233)

Mather, Paul M. 2004. Computer Processing of Remotely-Sensed( Third Edition). John Wiley & Sons Ltd : Chichester

Oktavia, Swastika. 2008. Pengukuran Kandungan Klorofil Dengan Teknik Spektrometri . Unsoed : Purwokerto

Purwadhi, F. dan Sri Hardiyati. 2001. Interpretasi Citra Digital . PT. Gramedia Widiasarana Indonesia: Jakarta.

Rondeaux, Genieve,. Steven, Michael,. Baret, Frederic. 1996.Optimization of Soil-Adjusted Vegetation Indices. Journal Remote Sensing Environment 55 : 95-107.

Rouse, Jhon W. 1973. Monitoring the vernal advancement and Retrogradation (green wave effect of Natural Vegetation). Texas : Texas A&M University Remote Sensing Center

Sun,Y,. Liu, X,. dan Liao, C,. 2008. Identifying Hyperspectral Characters Of Wetland Species Using In-Situ Data. Proceeding ISPRS volume XXXVII 460-467.

Wang, FuMi, et all..2008. “Optimal wavekanal identification for estimation of leaf area index of paddy rice” Journal of Zheijang University Science B, 9(12) 953-963.

Wibowo, Agus. 2010. Pengembangan Metode Estimasi Kandungan Air Kanopi Daun (Canopy Water Content) Tanaman Padi Dengan Data Hyperspectral. Disertasi ITS : Surabaya.

Wu, Chaoyang,. Niu, Zheng,. Tang, Quan,. dan Huang, Wenjiang,. 2008. Estimating chlorophyll content from hyperspectral vegetation indices: Modeling and validation. Jurnal agricultural and forest Meteorology 148 (2008) 1230-1241

Zhang, Jincheng. 2009. Absorption spectrum estimating rice chlorophyll concentration: Preliminary investigations. Journal of Plant Breeding and Crop Science Vol. 1(5). pp. 223-229, July, 2009