Program

Pemrosesan Citra Pengindraan Jauh Untuk Menentukan Karakteristik Tutupan Lahan

2 Comments
Home
Program
Pemrosesan Citra Pengindraan Jauh Untuk Menentukan Karakteristik Tutupan Lahan
Citra penginderaan jauh dapat diproses dengan berbagai cara untuk memperoleh klasifikasi, indeks, atau informasi turunan lainnya yang dapat berguna untuk karakterisasi penutup lahan.

Principal Component Analysis
Principal Component Analysis (PCA)adalah metode untuk mengurangi dimensi variabel terukur (band) menjadi komponen utama (JARS, 1993).

Transformasi komponen utama menghasilkan serangkaian band baru (komponen utama) yang memiliki karakteristik berikut: komponen utama tidak berkorelasi; setiap komponen memiliki varians yang lebih kecil daripada komponen sebelumnya. Oleh karena itu, ini merupakan metode yang efisien untuk mengekstraksi informasi dan kompresi data (Ready dan Wintz, 1973).

Mengingat suatu gambar dengan N band spektral, komponen-komponen utama diperoleh dengan perhitungan matriks (Ready dan Wintz, 1973; Richards dan Jia, 2006):
Band
Dengan demikian, rata-rata X yang terkait dengan setiap pita adalah 0. D dibentuk oleh vektor eigen (dari matriks kovariansi Cx) yang diurutkan sebagai nilai eigen dari maksimum ke minimum, untuk memperoleh varians maksimum pada komponen pertama. Dengan cara ini, komponen utama tidak berkorelasi dan setiap komponen memiliki varians yang lebih kecil dari komponen sebelumnya (Ready dan Wintz, 1973).

Biasanya dua komponen pertama mengandung lebih dari 90% varians. Misalnya, komponen utama pertama dapat ditampilkan dalam Komposit Warna(Color Composite) untuk menyorot kelas Penutup Lahan (Land Cover), atau digunakan sebagai input untuk Klasifikasi Terbimbing (Supervised Classification).
[feedposts text="Baca Juga"/]
Pan-sharpening
Pan-sharpening adalah kombinasi informasi spektral dari pita multispektral (MS), yang memiliki resolusi spasial lebih rendah (untuk pita Landsat, resolusi spasial adalah 30m), dengan resolusi spasial dari pita pankromatik (PAN), yang untuk Landsat 7 dan 8 adalah 15m. Hasilnya adalah citra multispektral dengan resolusi spasial dari pita pankromatik (misalnya 15m). Dalam SCP, Transformasi Brovey diterapkan, di mana nilai pan-sharpened dari setiap pita multispektral dihitung sebagai (Johnson, Tateishi dan Hoan, 2012):

M S p a n = M S ∗ P A N / I 
di mana I adalah Intensitas, yang merupakan fungsi pita multispektral.

Bobot berikut untuk I ditetapkan berdasarkan beberapa pengujian yang dilakukan menggunakan SCP. Untuk Landsat 8, Intensitas dihitung sebagai:

I = ( 0.42 ∗ B l u e + 0.98 ∗ G r e e n + 0.6 ∗ R e d ) / 2 
Untuk Landsat 7, Intensitas dihitung sebagai:

I = ( 0.42 ∗ B l u e + 0.98 ∗ G r e e n + 0.6 ∗ R e d + N I R ) / 3 
{next}
Spectral Indices
Indeks spektral adalah operasi antar pita spektral yang berguna untuk mengekstrak informasi seperti tutupan vegetasi (JARS, 1993). Salah satu indeks spektral yang paling populer adalah Normalized Difference Vegetation Index (NDVI), yang didefinisikan sebagai (JARS, 1993):

N D V I = ( N I R − R e d ) / ( N I R + R e d ) 

Nilai NDVI berkisar dari -1 hingga 1. Vegetasi yang rapat dan sehat menunjukkan nilai yang lebih tinggi, sedangkan area yang tidak ditumbuhi vegetasi menunjukkan nilai NDVI yang rendah.
Indeks lainnya adalah Enhanced Vegetation Index (EVI) yang berupaya memperhitungkan efek atmosfer seperti radiansi lintasan yang menghitung perbedaan antara pita biru dan merah (Didan, et al., 2015). EVI didefinisikan sebagai:

E V I = G ( N I R − R e d ) / ( N I R + C 1 R e d − C 2 B l u e + L ) 

di mana: G adalah faktor skala, C1 dan C2 adalah koefisien untuk efek atmosfer, dan L adalah faktor untuk memperhitungkan perbedaan NIR dan perpindahan radiasi merah melalui tajuk. Nilai koefisien yang umum adalah: G=2.5, L=1, C1=6, C2=7.5 (Didan,et al., 2015).

Clustering
Pengelompokan (Clustering) adalah pengelompokan piksel berdasarkan kesamaan spektral (misalnya Jarak Euclidean atau Sudut Spektral) yang dihitung untuk citra multispektral (Richards dan Jia, 2006).

Pengelompokan dapat digunakan untuk klasifikasi tanpa pengawasan atau untuk pemilihan tanda spektral secara otomatis. Perlu diperhatikan bahwa, sementara Klasifikasi Terbimbing menghasilkan klasifikasi dengan kelas-kelas yang diidentifikasi selama proses pelatihan, kelas-kelas yang dihasilkan oleh pengelompokan (yaitu klaster) tidak memiliki definisi dan akibatnya pengguna harus menetapkan label tutupan lahan untuk setiap kelas.

Keuntungan utama pengelompokan terletak pada otomatisasi. Tentu saja, klaster tidak selalu mewakili jenis tutupan lahan tertentu dan pemrosesan tambahan mungkin diperlukan untuk menghasilkan klasifikasi yang akurat.

Ada beberapa jenis pengelompokan, terutama berdasarkan metode iteratif; berikut adalah algoritme yang disediakan dalam SCP.
[feedposts text="Baca Juga"/]
K-means
Metode K-means didasarkan pada perhitungan rata-rata tanda spektral klaster (Wikipedia, 2017; JARS, 1993). Pada awalnya, pengguna menentukan jumlah klaster yang diharapkan dalam gambar, yang sesuai dengan sebanyak mungkin tanda spektral (yaitu benih). Tanda spektral awal dapat dipilih dengan berbagai cara (misalnya secara acak, disediakan oleh pengguna, dihitung secara otomatis dari nilai gambar).

Selama iterasi pertama, klaster diproduksi dengan menghitung jarak spektral piksel dengan tanda spektral awal. Algoritma Euclidean Distance atau Spectral Angle dapat digunakan untuk perhitungan jarak. Piksel ditetapkan menurut tanda spektral yang paling mirip, sehingga menghasilkan klaster. Kemudian, rata-rata tanda spektral dihitung untuk setiap klaster piksel, yang menghasilkan tanda spektral yang akan digunakan dalam iterasi berikutnya.

Proses ini terus berlanjut secara iteratif menghasilkan klaster dan tanda spektral rata-rata, hingga salah satu kondisi berikut terverifikasi:
  • jarak spektral antara tanda spektral yang dihasilkan dalam iterasi ini dengan tanda spektral yang sesuai yang dihasilkan dalam iterasi sebelumnya lebih rendah dari ambang batas tertentu;
  • jumlah maksimum iterasi tercapai.
Setelah iterasi terakhir, raster klaster diproduksi menggunakan tanda spektral yang diperoleh dari iterasi terakhir.
{next}
ISODATA
Metode ISODATA (Iterative Self-Organizing Data Analysis Technique) mirip dengan K-means tetapi dengan langkah tambahan menggabungkan klaster yang memiliki tanda spektral yang serupa dan memisahkan klaster yang memiliki variabilitas tanda spektral yang terlalu tinggi (mis. simpangan baku) (Ball & Hall, 1965). Berikut ini, implementasi SCP dari ISODATA dijelaskan.

Pada awalnya, pengguna menentukan jumlah klaster yang diharapkan dalam gambar, yang sesuai dengan banyak tanda spektral (mis. benih). Tanda spektral awal dapat dipilih dengan berbagai cara (misalnya secara acak, disediakan oleh pengguna, dihitung secara otomatis dari nilai gambar). Parameter awal yang disediakan oleh pengguna adalah:

C = number of desired clusters
N m i n = minimum number of pixels for a cluster
σ t = maximum standard deviation threshold for splitting 
D t = distance threshold for merging
[feedposts text="Baca Juga"/]
Selama iterasi pertama, klaster diproduksi dengan menghitung Jarak Euclidean piksel dengan tanda spektral awal. Piksel ditetapkan menurut tanda spektral yang paling mirip, sehingga menghasilkan klaster. Oleh karena itu, parameter berikut dihitung:

N i = number of pixels of cluster i 
S i = average spectral signature of cluster i 
A V E R A G E D I S T i = average distance of cluster with the seed spectral signature 
A V E R A G E D I S T A N C E = overall average distance of all clusters
σ i j = standard deviation of cluster in band i dalam band j
σ m a x i = maximum standard deviation of cluster i (i.e. m a x ( σ i j ) ) 
k i = band where σ m a x i occurred 
S k i = value of S i at band k i 
P = number of clusters
Kemudian, untuk setiap klaster i, jika N i< N m i n maka klaster i tersebut dibuang.

Jika P<=C maka cobalah untuk membagi cluster. Untuk setiap cluster i :
max
Setelah iterasi terakhir, raster klaster diproduksi menggunakan tanda spektral yang diperoleh dari iterasi terakhir. Jumlah klaster dapat bervariasi menurut proses pemisahan dan penggabungan.
{next}
Image conversion to reflectance
Selanjutnya konversi ke reflektansi yang diterapkan di SCP.

Radiance at the Sensor’s Aperture
Radiansi adalah "aliran energi (terutama energi iradiasi atau energi insiden) per sudut padat yang meninggalkan satuan luas permukaan dalam arah tertentu", "Radiansi adalah apa yang diukur pada sensor dan agak bergantung pada reflektansi" (NASA, 2011, hlm. 47). Citra seperti Landsat atau Sentinel-2 terdiri dari beberapa pita dan berkas metadata yang berisi informasi yang diperlukan untuk konversi ke reflektansi.

Citra Landsat disediakan dalam bentuk radiansi, yang diskalakan sebelum dikeluarkan. Untuk citra Landsat, Radiansi Spektral pada bukaan sensor L λ measured in [watts/(meter squared * ster * μ m). Baca Disini

L λ = M L ∗ Q c a l + A L 
dimana : 
M L = Band-specific multiplicative rescaling factor from Landsat metadata (RADIANCE_MULT_BAND_x, where x is the band number) 
A L = Band-specific additive rescaling factor from Landsat metadata (RADIANCE_ADD_BAND_x, where x is the band number) 
Q c a l = Quantized and calibrated standard product pixel values (DN) 

Gambar Sentinel-2 (Level-1C) sudah disediakan dalam Reflektansi Top Of Atmosphere (TOA), yang diskalakan sebelum dikeluarkan (ESA, 2015).
[feedposts text="Baca Juga"/]
Top Of Atmosphere (TOA) Reflectance
Gambar dalam radiansi dapat diubah menjadi Reflektansi Puncak Atmosfer (TOA) (gabungan pantulan permukaan dan atmosfer) untuk mengurangi variabilitas antar-pemandangan melalui normalisasi untuk iradiasi matahari. Reflektansi TOA ini (ρ p ), yang merupakan rasio tak-satuan dari energi pantulan versus energi daya total (NASA, 2011), dihitung dengan:

ρ p = ( π ∗ L λ ∗ d 2 ) / ( E S U N λ ∗ c o s θ s )

dimana :
L λ = Spectral radiance at the sensor’s aperture (at-satellite radiance) 
d = Earth-Sun distance in astronomical units 
E S U N λ = Mean solar exo-atmospheric irradiances 
θ s = Solar zenith angle in degrees, which is equal to θ s = 90° - θ e dimana θ e adalah ketinggian Matahari

file metadata Landsat 8, dan file excel tersedia Disini

Perlu dicatat bahwa citra Landsat 8 dilengkapi dengan faktor penskalaan ulang khusus pita yang memungkinkan konversi langsung dari DN ke reflektansi TOA.

Citra Sentinel-2 sudah tersedia dalam reflektansi TOA berskala, yang dapat dikonversi ke reflektansi TOA dengan perhitungan sederhana menggunakan Nilai Kuantifikasi yang tersedia dalam metadata. Baca Disini

Citra Sentinel-3 sudah tersedia dalam radiansi TOA berskala. Konversi ke reflektansi dilakukan dengan menerapkan koefisien scale_factor dan add_offset yang tersedia dalam metadata setiap pita. Raster tambahan tie_geometries.nc menyediakan nilai sudut zenith matahari dan raster tambahan instrument_data menyediakan informasi tentang fluks matahari untuk setiap pita, yang digunakan untuk konversi ke reflektansi dengan koreksi sudut matahari. Selain itu, georeferensi pita dilakukan menggunakan raster tambahan geo_coordinates.nc yang menyediakan koordinat setiap piksel.
{next}
Surface Reflectance
Efek atmosfer (yaitu gangguan pada reflektansi yang bervariasi sesuai panjang gelombang) harus dipertimbangkan untuk mengukur reflektansi di permukaan tanah. Seperti yang dijelaskan oleh Moran et al. (1992), reflektansi permukaan tanah (ρ ) adalah:

ρ = [ π ∗ ( L λ − L p ) ∗ d 2 ] / [ T v ∗ ( ( E S U N λ ∗ c o s θ s ∗ T z ) + E d o w n ) ] 

Dimana : 
L p is the path radiance 
T v is the atmospheric transmittance in the viewing direction 
T z is the atmospheric transmittance in the illumination direction E d o w n is the downwelling diffuse irradiance

Oleh karena itu, kita memerlukan beberapa pengukuran atmosfer untuk menghitung  (koreksi berbasis fisik). Atau, dimungkinkan untuk menggunakan teknik berbasis citra untuk menghitung parameter ini, tanpa pengukuran in-situ selama akuisisi citra. Perlu disebutkan bahwa Landsat Surface Reflectance High Level Data Products untuk Landsat 8 tersedia. Baca Disini

DOS1 Correction
Dark Object Subtraction (DOS) adalah keluarga koreksi atmosfer berbasis citra. Chavez (1996) menjelaskan bahwa “asumsi dasarnya adalah bahwa dalam citra beberapa piksel berada dalam bayangan penuh dan radiannya yang diterima di satelit disebabkan oleh hamburan atmosfer (radiasi lintasan). Asumsi ini dipadukan dengan fakta bahwa sangat sedikit target di permukaan Bumi yang benar-benar hitam, jadi asumsi reflektansi minimum satu persen lebih baik daripada nol persen”. Perlu diperhatikan bahwa akurasi teknik berbasis citra umumnya lebih rendah daripada koreksi berbasis fisik, tetapi sangat berguna ketika tidak ada pengukuran atmosfer yang tersedia karena dapat meningkatkan estimasi reflektansi permukaan daratan. Radiasi lintasan diberikan oleh (Sobrino et al., 2004):

L p = L m i n − L D O 1 %

Dimana :
L m i n = “radiance that corresponds to a digital count value for which the sum of all the pixels with digital counts lower or equal to this value is equal to the 0.01% of all the pixels from the image considered” (Sobrino et al., 2004, p. 437), therefore the radiance obtained with that digital count value ( D N m i n ) 
L D O 1 % = radiance of Dark Object, assumed to have a reflectance value of 0.01

 Khususnya untuk citra Landsat:

L m i n = M L ∗ D N m i n + A L

Gambar Sentinel-2 diubah menjadi radiansi sebelum perhitungan DOS1.

Radiansi Objek Gelap diberikan oleh (Sobrino et al., 2004):


L D O 1 % = 0.01 ∗ [ ( E S U N λ ∗ c o s θ s ∗ T z ) + E d o w n ] ∗ T v / ( π ∗ d 2 )

Oleh karena itu, radiasi lintasannya adalah:

L p = M L ∗ D N m i n + A L − 0.01 ∗ [ ( E S U N λ ∗ c o s θ s ∗ T z ) + E d o w n ] ∗ T v / ( π ∗ d 2 )

Ada beberapa teknik DOS (misalnya DOS1, DOS2, DOS3, DOS4), yang didasarkan pada asumsi yang berbeda tentang T v , T z dan E d o w n .Teknik yang paling sederhana adalah DOS1, yang menggunakan asumsi-asumsi berikut (Moran et al., 1992):

T v =1 
T z =1 
E d o w n =0

Oleh karena itu, radiasi lintasannya adalah:

L p = M L ∗ D N m i n + A L − 0.01 ∗ E S U N λ ∗ c o s θ s / ( π ∗ d 2 )

Dan reflektansi permukaan tanah yang dihasilkan diberikan oleh:

ρ = [ π ∗ ( L λ − L p ) ∗ d 2 ] / ( E S U N λ ∗ c o s θ s )

Nilai ESUN [W /(m2 *μ m )] untuk sensor Landsat disediakan dalam tabel berikut :
ESUN
*Simber : Chander, Markham, & Helder (2009)
**Lihat Disini

Untuk Landsat 8, E S U N dapat dihitung sebagai : E S U N = ( π ∗ d 2 ) ∗ R A D I A N C E _ M A X I M U M / R E F L E C T A N C E _ M A X I M U M

Dimana RADIANCE_MAXIMUM dan REFLECTANCE_MAXIMUM disediakan oleh metadata gambar.
tabel

tabel2
Contoh perbandingan antara reflektansi TOA, reflektansi terkoreksi DOS1, dan Produk Data Tingkat Tinggi Reflektansi Permukaan Landsat (kebenaran dasar) diberikan dalam Gambar Spectral signatures of a built-up pixel dibawah ini.

grafik

{next}
Referensi :

Ball, G. H. & Hall, D. J., 1965. ISODATA. A novel method of data analysis and pattern classification. Menlo Park: Stanford Research Institute.

Chander, G. & Markham, B., 2003. Revised Landsat-5 TM radiometric calibration procedures and postcalibration dynamic ranges Geoscience and Remote Sensing, IEEE Transactions on, 41, 2674 - 2677

Chavez, P. S., 1996. Image-Based Atmospheric Corrections - Revisited and Improved Photogrammetric Engineering and Remote Sensing, [Falls Church, Va.] American Society of Photogrammetry, 62, 1025-1036

Congalton, R. and Green, K., 2009. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices. Boca Raton, FL: CRC Press

Didan, K.; Barreto Munoz, A.; Solano, R. & Huete, A., 2015. MODIS Vegetation Index User’s Guide. Collection 6, NASA

ESA, 2020. Sentinel-1 SAR Definitions. Available at https://sentinel.esa.int/web/sentinel/user-guides/sentinel-1-sar/definitions

ESA, 2020b. Sentinel-1 SAR Definitions. Available at https://sentinel.esa.int/web/sentinel/user-guides/sentinel-1-sar/overview

ESA, 2019. A machine learning glossary. Available at https://blogs.esa.int/philab/2019/03/29/a-machine-learning-glossary/

ESA, 2015. Sentinel-2 User Handbook. Available at https://sentinels.copernicus.eu/documents/247904/685211/Sentinel-2_User_Handbook

ESA, 2013. Sentinel-3 User Handbook. Available at https://sentinels.copernicus.eu/documents/247904/685236/Sentinel-3_User_Handbook

Finn, M.P., Reed, M.D, and Yamamoto, K.H., 2012. A Straight Forward Guide for Processing Radiance and Reflectance for EO-1 ALI, Landsat 5 TM, Landsat 7 ETM+, and ASTER. Unpublished Report from USGS/Center of Excellence for Geospatial Information Science, 8 p, http://cegis.usgs.gov/soil_moisture/pdf/A%20Straight%20Forward%20guide%20for%20Processing%20Radiance%20and%20Reflectance_V_24Jul12.pdf

Fisher, P. F. and Unwin, D. J., eds., 2005. Representing GIS. Chichester, England: John Wiley & Sons

JARS, 1993. Remote Sensing Note. Japan Association on Remote Sensing. Available at http://www.jars1974.net/pdf/rsnote_e.html

Jimenez-Munoz, J. C. & Sobrino, J. A., 2010. A Single-Channel Algorithm for Land-Surface Temperature Retrieval From ASTER Data IEEE Geoscience and Remote Sensing Letters, 7, 176-179

Johnson, B. A., Tateishi, R. and Hoan, N. T., 2012. Satellite Image Pansharpening Using a Hybrid Approach for Object-Based Image Analysis ISPRS International Journal of Geo-Information, 1, 228. Available at http://www.mdpi.com/2220-9964/1/3/228)

Kruse, F. A., et al., 1993. The Spectral Image Processing System (SIPS) - Interactive Visualization and Analysis of Imaging spectrometer. Data Remote Sensing of Environment

Mallick, J.; Singh, C. K.; Shashtri, S.; Rahman, A. & Mukherjee, S., 2012. Land surface emissivity retrieval based on moisture index from LANDSAT TM satellite data over heterogeneous surfaces of Delhi city International Journal of Applied Earth Observation and Geoinformation, 19, 348 - 358

Mohr, P. J.; Newell, D. B. & Taylor, B. N., 2015. CODATA Recommended Values of the Fundamental Physical Constants: 2014 National Institute of Standards and Technology, Committee on Data for Science and Technology

Moran, M.; Jackson, R.; Slater, P. & Teillet, P., 1992. Evaluation of simplified procedures for retrieval of land surface reflectance factors from satellite sensor output Remote Sensing of Environment, 41, 169-184

NASA, 2020. What is Synthetic Aperture Radar?. Available at https://earthdata.nasa.gov/learn/what-is-sar

NASA, 2013. Landsat 7 Science Data User’s Handbook. Available at https://www.usgs.gov/land-resources/nli/landsat/landsat-7-data-users-handbook

NASA, 2011. Landsat 7 Science Data Users Handbook Landsat Project Science Office at NASA’s Goddard Space Flight Center in Greenbelt, 186 http://landsathandbook.gsfc.nasa.gov/pdfs/Landsat7_Handbook.pdf

NOAA, 2020. GOES-R Series. Available at https://www.ncdc.noaa.gov/data-access/satellite-data/goes-r-series-satellites

Olofsson, P.; Foody, G. M.; Herold, M.; Stehman, S. V.; Woodcock, C. E. & Wulder, M. A., 2014. Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment, 148, 42 – 57

Ready, P. and Wintz, P., 1973. Information Extraction, SNR Improvement, and Data Compression in Multispectral Imagery. IEEE Transactions on Communications, 21, 1123-1131

Richards, J. A. and Jia, X., 2006. Remote Sensing Digital Image Analysis: An Introduction. Berlin, Germany: Springer

Sobrino, J.; Jiménez-Muñoz, J. C. & Paolini, L., 2004. Land surface temperature retrieval from LANDSAT TM 5 Remote Sensing of Environment, Elsevier, 90, 434-440

USGS, 2015. Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) Level 1 Precision Terrain Corrected Registered At-Sensor Radiance Product (AST_L1T). AST_L1T Product User’s Guide. USGS EROS Data Center.

Vermote, E. F.; Roger, J. C. & Ray, J. P., 2015. MODIS Surface Reflectance User’s Guide. Collection 6, NASA

Weng, Q.; Lu, D. & Schubring, J., 2004. Estimation of land surface temperature–vegetation abundance relationship for urban heat island studies. Remote Sensing of Environment, Elsevier Science Inc., Box 882 New York NY 10159 USA, 89, 467-483

Wikipedia, 2017. k-means clustering. Available at https://en.wikipedia.org/wiki/K-means_clustering

Older Posts
Newer Posts

You may like these posts

2 comments

  1. Anonymous
    Anonymous
    5/25/2025
    Terimakasih postingannya udah membantu sekali, maaf bisa gak minta sumber referensinya buku atau apa...untuk saya cantumkan di daftar pustaka, terimakasih sebelumnya...
    1. Nature Media
      Nature Media
      5/25/2025
      Sumber referensinya udah saya cantumkan semua di bagian akhir postingan...
    Reply
We really hope for your comments to improve the quality of the blog.