Pemanfaatan Citra Satelit Untuk Identifikasi Penggunaan Lahan . - Unud
PEMANFAATAN CITRA SATELIT UNTUK IDENTIFIKASI PENGGUNAAN LAHAN DAN SUHU PERMUKAAN LAHAN Oleh: I Gusti Agung Ayu Rai Asmiwyati PROGRAM STUDI ARSITEKTUR PERTAMANAN FAKULTAS PERTANIAN UNIVERSITAS UDAYANA 2018 1
KATA PENGANTAR Tulisan ini mengkaji pustaka dari berbagai sumber mengenai pemahaman tentang karakteristik citra satelit,khususnya Landsat yang memiliki resolusi medium dan bisa diperoleh secara bebas biaya, peranan citra satelit dalam klasifikasi lahan dan deteksi suhu permukaan lahan, serta metode ekstraksi citra satelit. Pemanfaatan citra satelit dan teknik menganalis citra penting seiring dengan pesatnya penggunaan citra satelit untuk mengkaji perubahan penggunaan lahan dan panas pulau perkotaan atau yang lebih dikenal dengan istilah urban heat island (UHI) yang kini semakin mendapat perhatian seiring dengan pesatnya pembangunan di kawasan perkotaan di seluruh dunia. Kajian pustaka ini merupakan seri dari kajian pustaka sebelumnya yang berjudul Urban Heat Island dan mengutip bagian bab studi pustaka dari tesis penulis sebagai syarat menyelesaikan studi S3 di Curtin University, yang berjudul Impact of Land Use Change on Urban Surface Temperature and Urban Green Space Planning; A case Study of The Island of Bali, Indonesia. Penggunaan bahasa Indonesia dalam tulisan ini diharapkan dapat memudahkan pemahaman pembaca yang mengalami kesulitan dan membaca literatur mengenai UHI yang berbahasa Inggris. Semoga bermanfaat. 2
DAFTAR ISI KATA PENGANTAR . ii DAFTAR ISI . iii DAFTAR TABEL . iv DAFTAR GAMBAR . v I PENDAHULUAN . 6 II PEMBAHASAN . 8 2.1 Pemilihan Citra RS untuk Mengukur LULC dan LST . 8 2.2 Karakteristik Citra RS . 9 2.2.1 Pemilihan Pencitraan Untuk Mendeteksi Efek UHI dan LULC. 15 2.3 Studi UHI Sebelumnya . 18 2.3.1 Koreksi Geometrik . 19 2.3.2 Koreksi Atmosfer . 22 2.4 Memilih Sistem Klasifikasi LULC . 24 2.5 Klasifikasi Gambar. 29 2.5.1 Metode Klasifikasi Gambar . 29 2.5.2 Klasifikasi Berbasis Piksel Dibandingkan Metode Klasifikasi Berbasis Objek . 32 III KESIMPULAN . 34 DAFTAR PUSTAKA . 35 3
DAFTAR TABEL Tabel 1.1 Karakteristik sumber paling umum dari data penginderaan jauh (dimodifikasi dari Loveland dan Defries, 2013) . 13 Tabel 1.2. Karakteristik resolusi spektral dari sistem sensor orbital (Stefanov et al., 2004) . 14 Tabel 1.3. Klasifikasi tanah USGS di daerah perkotaan dan NLCD 92 . 26 Tabel 1.4. LULC kelas dari studi sebelumnya di Bali dan Standar Nasional Indonesia . 29 4
DAFTAR GAMBAR Gambar 1.1. Timeline Landsat (USGS, 2015 . 17 Gambar 1.2. Transformasi dalam proses koreksi geometrik (Murai, 1998) . 21 Gambar 1.3. Metode klasifikasi (Murai, 1998) . 31 5
I PENDAHULUAN Pemanfaatan kombinasi ilmu penginderaan jauh/remote sensing (RS) dan sistem informasi geografis (SIG) kini semakin meluas tidak hanya untuk memonitoring dan mengidentifikasi penggunaan lahan namun juga dapat dimanfaatkan untuk mengetahui kondisi panas permukaan lahan. mengenai hal tersebut Informasi diperoleh dari jarak jauh dari data sensor satelit ruang angkasa yang dapat berbentuk dari hasil variasi daya gelombang bunyi dan atau energi elektromagnetik. Gambar/citra yang diperoleh melalui RS merupakan input data dasar yang selanjutnya diolah dan disajikan oleh SIG. Peran SIG juga dapat untuk mengkoreksi posisi data dari citra RS. Dengan demikian, integrasi antara data RS dengan SIG akan memperoleh informasi yang optimal sebagai data pemanfaatan wilayah. Sementara itu, penggunaan lahan merupakan aktivitas manusia pada lahan/tapak, yang dapat diidentifikasi tidak secara langsung dari citra. Penutupan lahan diidentifikasi dari citra konstruksi vegetasi dan buatan manusia yang menutupi permukaan lahan dan terlihat dari citra RS. Pemetaan penggunaan lahan dan penutup lahan/land use/cover sangat berhubungan dengan studi vegetasi, tanaman pertanian dan tanah. Kegiatan manusia dalam kaitannya dengan penggunaan lahan/penutupan lahan berdampak pada energi panas yang dipancarkan oleh permukaan. Energi inipun dapat diukur dan diekstrak dengan menggunakan citra satelit. Informasi penggunaan citra satelit untuk mendapatkan data permukaan lahan dan panas permukaan sangatlah penting dan diperlukan untuk membuat suatu model dalam kegiatan perencanaan lanskap. 6
Tujuan dari tulisan ini adalah mengkaji jenis citra satelit yang bisa diperoleh gratis secara online yaitu Landsat. Karakteristik dan prosedur ekstraksi data citra Landsat untuk memperoleh data penggunaan lahan dan suhu permukaan lahan juga ditelusuri. Pemilihan metode ektrasi citra dengan klasifikasi berbasis obyek disampaikan sebagai alternatif metode selain metode konvensional lain yang sudah lama dikenal untuk meningkatkan keakuratan hasil analisis citra. 7
II 2.1 PEMBAHASAN Pemilihan Citra RS untuk Mengukur LULC dan LST Studi efek urban heat island (UHI) menunjukkan bahwa partisi panas laten dan fluktuasi dan respon suhu permukaan yang dihasilkan adalah fungsi dari berbagai kadar air, permukaan tanah, dan tutupan vegetasi (Weng et al., 2006). Kemampuan RS dan teknologi analisis spasial telah membuat informasi tentang pola dan kondisi ruang menjadi lebih tersedia. "Pengembangan teknologi Remote Sensing (RS) dan Geographical Information System (GIS) tidak hanya menyebabkan pemahaman yang lebih besar tentang hubungan spasial antara penggunaan lahan yang berbeda, tetapi juga memfasilitasi pencatatan energi yang dipancarkan dari seluruh spektrum elektromagnetik dan memberikan bukti sejarah pada waktu-waktu tertentu" (Loveland dan Defries, 2013). Selain itu, citra RS juga bernilai untuk menentukan penggunaan lahan (LULC) dan memungkinkan pemetaan rinci suhu permukaan lahan (LST) pada saat yang bersamaan. Data termal yang disediakan oleh sensor RS menawarkan kemampuan untuk menghasilkan model akurat dari fenomena iklim perkotaan, seperti efek UHI, menghubungkan dan memodelkan LST dengan jenis LULC dan vegetasi, selain itu menjadi alat yang berguna untuk memantau peningkatan urbanisasi dan efek lingkungan. perubahan iklim regional (Aduah et al., 2012; Tursilowati, 2012). Ketersediaan data LST dari citra termal penginderaan jauh di seluruh kota memungkinkan untuk melihat perbedaan yang jelas dalam suhu beberapa karakteristik LULC sekaligus (Yuan dan Bauer, 2007; Voogt dan Oke, 2003). 8
2.2 Karakteristik Citra RS Peningkatan ketersediaan citra satelit menawarkan cakupan data berulang pada berbagai resolusi spasial, radiometrik, spektral, dan temporal (Stoney, 2006). Resolusi yang tepat untuk digunakan ditentukan oleh jenis misi dan karakteristik sensor. Memilih sensor RS yang sesuai untuk studi apapun memerlukan pertimbangan tujuan penelitian, biaya gambar, dan proses teknis untuk menganalisis dan menginterpretasikan citra. a) Resolusi spasial Resolusi spasial dari sensor RS menggambarkan area minimum atau ukuran detail dari fitur dan pola yang dapat diidentifikasi pada gambar. Umumnya dibagi menjadi tiga kategori: resolusi kasar, moderat dan halus (Loveland dan Defries, 2013). Resolusi spasial dari data RS mengurangi ukuran kesenjangan antara lapangan dan data penginderaan jauh yang dirasakan dalam penggunaan satelit resolusi kasar (Rocchini, 2007). Sensor dengan resolusi spasial 5 m/pixel atau kurang dianggap sebagai resolusi yang sangat halus. Resolusi spasial yang lebih besar dari 5 m/pixel dan hingga 30 m/pixel dianggap moderat dan sensor dengan resolusi tanah lebih dari 30 m/pixel dianggap sebagai resolusi kasar (Stefanov et al., 2004). Banyak upaya telah dilakukan untuk menggambarkan LULC dari skala lokal ke skala global dengan menerapkan data multi-temporal dan multi-sumber dari jarak jauh yang berbeda. Data resolusi sedang-baik berguna untuk mendeteksi perubahan di kelas dan paling akurat ketika membedakan jenis LULC di daerah perkotaan yang kompleks dan heterogen (Loveland dan Defries, 2013). 9
Citra satelit resolusi moderat seperti Landsat adalah tipe data yang paling umum untuk memantau dan memetakan perubahan LULC. Ini telah berhasil digunakan untuk menilai perubahan LULC, terutama di area lahan yang telah dipengaruhi oleh aktivitas manusia dalam berbagai kondisi. Misalnya, Guangyin dkk. (2011) menggunakan Landsat Multi-Spectral Sensor (MSS), mapper Tematik Landsat (TM) dan Enhanced Thematic Mapper (ETM ) untuk mendeteksi perubahan LULC di Sungai Yangtze antara 1990 dan 2005. Reis (2008) menggunakan citra Landsat MSS dan Landsat ETM untuk mendeteksi LULC di Turki. Namun, citra resolusi spasial relatif menengah sering tidak mampu memenuhi persyaratan proyek spesifik dari klasifikasi LULC yang kompleks, terutama di lanskap pedesaan atau perkotaan yang kompleks (Lu dan Weng, 2005). Meskipun utilitas gambar resolusi spasial menengah mungkin tidak baik untuk skala perkotaan dan lokal, namun berguna untuk skala regional, metropolitan dan yang lebih tinggi. Penggunaan data sensor resolusi spasial yang tinggi, seperti SPOT, IKONOS dan Quickbird, memungkinkan pendeteksian LULC yang sangat rinci di daerah perkotaan dan pedesaan serta pemetaan permukaan yang tahan di daerah perkotaan (Wang et al., 2004; Lu dan Weng, 2005). Resolusi citra satelit tinggi diperlukan untuk aplikasi tanah, informasi vegetasi perkotaan, mendeteksi ruang terbuka, jalan-jalan dan bangunan individu di lingkungan perkotaan (Yüksel et al., 2008). Keuntungan utama dari gambar resolusi spasial tinggi ini adalah bahwa data tersebut sangat mengurangi masalah pixel-campuran (Lu dan Weng, 2005), memberikan potensi yang lebih besar untuk mengekstrak informasi yang jauh lebih rinci tentang struktur LULC daripada data resolusi spasial menengah atau 10
kasar. Namun, ketika menggunakan gambar resolusi spasial tinggi beberapa masalah baru muncul, terutama bayangan yang disebabkan oleh topografi, gedung tinggi, dan pohon (Zhou et al., 2008), dan variasi spektrum tinggi dalam kelas LULC yang sama. Kerugian ini dapat menurunkan akurasi klasifikasi jika metode klasifikasi tidak dapat secara efektif menangani masalah tersebut (Moran, 2010). Gambar resolusi spasial tinggi juga jauh lebih mahal dibandingkan dengan gambar resolusi kasar-menengah yang sering tersedia secara bebas. Selain itu, kegunaan gambar resolusi spasial yang lebih tinggi pada tingkat daerah dipersulit oleh biaya berapa lama waktu yang diperlukan untuk menganalisis. Hal ini juga dapat terbukti tidak praktis karena memberikan terlalu banyak detail untuk melakukan generalisasi yang tepat dalam pengambilan keputusan. Teknik RS dalam pemetaan LULC pada prinsipnya menggunakan sensor pasif (optik) RS yang bekerja selama siang hari ketika sensor optik merekam radiasi yang dipantulkan dalam spektrum elektromagnetik. RS pasif dapat menjadi tidak efektif di daerah tropis lembab dengan tutupan awan yang persisten, seperti yang sering terjadi di Indonesia. Oleh karena itu, radar sebagai RS aktif akan menjadi sumber alternatif yang baik karena dapat menembus awan. Radar apertur sintetik (SAR) memiliki keunggulan dibandingkan data optik (gambar resolusi tinggi, sedang dan rendah) dan mampu memperoleh data siang dan malam (IPCC, 2003). Meningkatnya ketersediaan data SAR dari satelit juga berkontribusi pada studi perkotaan di bidang pemetaan fitur perkotaan dan klasifikasi LULC (Dell'Acqua dkk., 2003). Namun, data SAR berasal dari sistem komersial yang cenderung lebih mahal dibandingkan dengan program yang dibangun dan dioperasikan 11
pemerintah. Dengan demikian, penggunaan SAR di wilayah studi besar memiliki dampak pada biaya studi yang merupakan masalah yang signifikan di negara berkembang. Selain itu, ia juga memiliki lebih sedikit informasi spektral dan masalah dengan speckle noise yang membuat deteksi LULC heterogen yang menantang (Chen, 2008). Karakteristik umum dari data penginderaan jauh ditunjukkan pada Tabel 1.1. b) Resolusi spektral Resolusi spektral mengacu pada jumlah dan lebar pita spektral dari sensor tertentu. Resolusi spektral yang dapat dicapai dikategorikan menjadi tiga jenis; sensor spektral multispektral, pankromatik, dan hiper. Citra multispektral adalah alat yang ampuh untuk membedakan LULC dengan memanfaatkan beberapa band. Namun, karena bandwidth dari sensor ini umumnya cukup besar, perbedaan halus antara tipe LULC sulit dikenali. Saluran pankromatik tersedia di beberapa satelit seperti SPOT dan Landsat ETM . Kedua sensor multispektral dan pankromatik sensitif terhadap radiasi di beberapa panjang gelombang dari spektrum spektrum inframerah hingga spektrum inframerah. Sensor spektrum hiper memiliki lebih banyak pita pencitraan daripada sensor multispektral pada bandwidth yang lebih sempit, tetapi sensor spektral hiper memiliki biaya yang jauh lebih tinggi. Informasi yang tepat dapat memungkinkan pembedaan perbedaan yang lebih halus dalam LULC. Untuk mengidentifikasi objek tertentu secara andal, resolusi spektral dari sensor harus sesuai dengan kurva pantul refleksi dari objek tertentu yang dimaksud. Cakupan spektral dari data gambar resolusi spasial tinggi sering terbatas pada inframerah dekat dan panjang gelombang yang terlihat (Jensen, 2000). Selain itu, kurangnya band termal dan 12
arsip jangka pendek yang relatif membatasi penggunaan efektif mereka untuk beberapa aplikasi dari studi temporal spasial informasi LULC dan LST. Karakteristik resolusi spektral dari sistem sensor orbital dapat dilihat pada Tabel 1.2. Tabel 1.1. Karakteristik umum dari data penginderaan jauh (dimodifikasi dari Loveland dan Defries, 2013) Type Coarse resolution satellite sensor (100 to 1 km) Sensor/product NOAA-TIROS SPOT VEGETATION ADEOS II High resolution satellite sensor ( 10 m) 1.15 km SPOT 7 km x 6 km, 250 m -250 km 250-1000 m, 275 m 350-1200 m, 150-1000 m 20 m; 10 m ERS 30 m EOS AM and PM (MODIS) Envisat Moderate Resolution Satellite sensor (10100 m) Spatial resolution 1.1 km Radarsat 10-100 m Landsat 83, 30 m Landsat EOS 15-100 m 15-90 m JERS 18 m, 18 m x 24 1m panchromatic 4m multispectral 0.61 m panchromatic; 2.44 m multispectral 34 cm panchromatic; 1.36 m multispectral 10 m IKONOS QuickBird Geo eye RADAR (ALOS PALSAR) 13 Date of observation 1978present 1998present 2002present 1999present 2002present 1986present 1995present 1995present 1984present 2013 1999present 1992-1998 Temporal resolution Cost Free 1 day Free 26 days 10 days Free 2 days 35 days Not free and free Not free 26 days 30 days Not free and free Not free 24 days Free 16 days 16 days 16 days Free Not free and free Not free 41 days 2000present Not free 3-5 days 2001present Not free 3-7 days 2008 Not free 3 days 2006 2 days Not free
c) Resolusi radiometrik Resolusi radiometrik berarti jumlah level kuantifikasi digital yang digunakan untuk menyimpan data. Semakin besar jumlah kuantifikasi digital semakin besar detail informasi yang dikumpulkan oleh sensor. d) Resolusi sementara Resolusi temporal menandakan laju revisit sensor. Untuk melihat perubahan spesifik LULC dan LST, pemetaan akurat bergantung pada perolehan citra pada waktu tertentu dalam setahun. Data Landsat adalah data yang paling umum digunakan karena sejarah panjang pengumpulan data berbasis ruang pada skala global (Morran; 2010). Tabel 1.2 Karakteristik resolusi spektral dari sistem sensor orbital (Stefanov et al., 2004) Sensor TM Spatial resolution 30/120 ETM 15/30/60 ASTER 15/30/90 SPOT HRV (Visible highresolution) SPOT HRVIR (Visible and infrared highresolution) IKONOS 10/20 Quickbird 0.6/70 2.4/2.8 10-100 RADARSAT Wavelength (bands) VSWIR (6) TIR (1) PanVNIR (1) VSWIR (6) TIR (1) VNIR (1) SWIR (6) TIR (5) Pan VNIR (1) Temporal coverage 1984- 10/20 VNIR (3) or VSWIR (4) 1998-2013 1/4 Pan VNIR (1) VNIR (4) Pan VNIR (1) VNIR (4) 5.7 cm (C-band) 1999-2015 14 1999- 1999-now 1986-1996 20011995-
2.2.1 Pemilihan Pencitraan Untuk Mendeteksi Efek UHI dan LULC Secara tradisional, data LST untuk studi UHI dikumpulkan dari stasiun klimatologi tetap. Akuisisi informasi distribusi spasial suhu secara rinci sulit diperoleh karena lokasi yang terbatas untuk pengukuran suhu (Zhang dan Wang, 2008). Cara lain untuk menilai secara bersamaan secara bersamaan di seluruh area yang luas adalah dengan menggunakan platform satelit RS yang menawarkan cara untuk menangkap data mengenai kuantitatif LST di seluruh kategori LULC secara rinci. LST direkam oleh sensor dalam rentang spektrum inframerah termal (TIR). Sensor TIR menangkap pancaran puncak atmosfer (TOA) (Zhang dan Wang, 2008). Perbandingan sebelumnya telah menunjukkan bahwa hasil pengamatan TIR dengan pengukuran langsung (Mallick & Rahman, 2012). Namun, radiasi yang direkam oleh sensor sering dipengaruhi oleh konstituen atmosfer. Untuk mendapatkan nilai yang realistis, data asli ini perlu dikoreksi untuk emisivitas dan efek atmosferik (Weng, et al., 2003). Suhu koreksi radiometrik dapat digunakan untuk menghitung LST dalam derajat Kelvin atau Celcius (Voogt and Oke, 2003). Studi awal efek UHI menggunakan pengukuran LST yang diturunkan dari satelit NOAA Advanced Data Radiometer Resolusi Tinggi (AVHRR) untuk pemetaan LST skala regional (Streutker, 2003). Baru-baru ini, data satelit lain seperti Landsat dan MODIS juga telah digunakan untuk memeriksa LULC dan LST secara bersamaan. Di antara semua satelit ini, Landsat adalah yang paling terkenal karena datanya yang sering dan berkualitas tinggi. 15
Band spektral Landsat telah diidentifikasi sebagai alat yang efektif tidak hanya untuk mengidentifikasi LULC dan tingkat urbanisasi (Koutsias dan Karteris, 2003), tetapi juga untuk mengukur perubahan dalam LST, tutupan vegetasi dan untuk analisis hotspot global (Loveland dan Defries, 2013). Data Landsat TM dan ETM thermal infrared (band 6) dengan resolusi spasi 120 m dan 60 m masingmasing, memberikan resolusi spasial yang memadai untuk studi efek UHI dan metode yang cukup akurat untuk mengukur LST. Mereka telah digunakan untuk studi skala lokal efek UHI (Weng, 2001) dan untuk analisis SUHI pada tingkat lokal (kota-lebar) dan mikro (struktur besar) (Yuan dan Bauer, 2007). Keterbatasan utama Landsat terpusat pada penyediaan gambar beresolusi sedang dan jadwal akuisisi tetap di tempat tertentu pada waktu tertentu. Namun demikian, arsip besar data Landsat dari Landsat 1 yang dimulai dari 1972 ke Landsat 8 yang dimulai dari 2013, sangat ideal untuk digunakan dalam pemantauan jangka panjang. Pada 1 Maret 1984, Landsat 5 diluncurkan yang membawa instrumen Scanner Multispektral (MSS) dan instrumen Thematic Mapper (TM). Namun, sejak tahun 1997 hanya Landsat 5 TM yang berfungsi dengan baik. Landsat 6 kemudian diluncurkan pada 5 Oktober 1993 tetapi gagal mencapai orbit. Pada 15 April 1999, Landsat 7 ETM kemudian berhasil diluncurkan. Namun, dari 2003 Landsat 7 ETM menunjukkan kesenjangan linear karena kegagalan korektor scan-line. Akibatnya, dari tahun 2003 hanya Landsat TM yang masih mampu menyediakan gambar yang lebih baik, tetapi berhenti berfungsi pada tahun 2011 karena komponen elektronik yang sangat menurun. Kesenjangan linear Landsat 7 16
ETM kemudian digantikan dengan peluncuran Landsat 8 pada 11 Februari 2013 (USGS, 2015). Gambar 1.1 menunjukkan garis waktu Landsat Gambar 1.1 Timeline Landsat (USGS, 2015) Kombinasi data dari sumber satelit lain untuk waktu tertentu diperlukan untuk mengatasi ketidaktersediaan citra RS yang baik dari sensor yang sama. Beberapa peneliti telah bekerja untuk menggabungkan data sensor yang berbeda untuk pemantauan sementara LULC dan perubahan LST. Wen (2011) menggunakan kombinasi data Landsat MSS dan Quick Bird. Zoran dan Anderson (2006) menggunakan data satelit multi-spektral dan multi-temporal dari ASTER, MODIS, SAR ERS, Landsat MSS, TM, dan ETM. Penggunaan satelit AVHRR dan MODIS NOAA ditemukan hanya cocok untuk pemetaan skala meso LST karena resolusi spasial kasarnya dengan 1 dan 1,1 km / piksel, masing-masing membatasi penggunaannya untuk memeriksa hubungan antara LULC dan LST di tingkat skala lokal dan mikro. Instrumen satelit lainnya, ASTER, menyediakan data resolusi spasial yang lebih tinggi yang dapat dikombinasikan dengan Landsat, seperti yang dilakukan dalam studi yang dilakukan oleh Liu dan Zhang (2011). ASTER beroperasi di wilayah spektrum yang lebih luas dengan 14 band mulai 17
dari band termal pada 90 m per pixel dan band multispektral pada 15 m dan 30 m per pixel dengan cakupan dari tahun 2000 hingga sekarang (Abrams, 2000; NASA, 2015). Baik Landsat dan ASTER memiliki siklus penutupan tanah 16 hari yang dapat memastikan sejarah periode yang konsisten. Citra satelit resolusi moderat dari kedua Landsat dan ASTER ideal ketika memonitor perubahan LULC (Franklin dan Wulder, 2002). Citra ASTER berharga untuk menilai tidak hanya peta LULC, tetapi juga untuk menghubungkan pemetaan LST secara simultan. Resolusi spasial ASTER memungkinkan untuk membedakan lebih banyak dan berbagai material permukaan terutama untuk daerah sub-urban dan perkotaan yang memiliki struktur permukaan yang biasanya kompleks. Kerugian utama ASTER adalah bahwa pita SWIR dari 4, 5, dan 6 belum dapat digunakan sejak April 2008 karena kejenuhan nilai dan striping yang parah (ASTER Science Office, 2009). 2.3 Studi UHI Sebelumnya Menggabungkan analisis RS dan SIG menggunakan teknologi RS termal memungkinkan studi tentang distribusi UHI dan LST di daerah perkotaan. Analisis UHI menggunakan GIS untuk memperoleh informasi lebih rinci tentang SUHI telah digunakan secara luas. Lo et al. (1997) menggunakan data dari sensor inframerah termal untuk mempelajari UHI dan menemukan bahwa sangat membantu untuk memperjelas distribusi lokasi UHI melalui penambahan pada lapisan data GIS seperti jalur, jalan, aliran dan distribusi bangunan. Liu dan Zhang (2011) mempelajari perubahan LST menggunakan alat GIS di Hongkong. Weng 18
(2003) melakukan analisis fraktal SUHI di kota Guangzhou untuk tahun 1989, 1996 dan 1997 dengan menggunakan data Landsat TM. Penelitian lain telah meneliti dampak SUHI dan menemukan banyak faktor terkait yang mempengaruhi SUHI, seperti sifat kekasaran permukaan tanah dan kelembaban tanah (Liu dan Zhang, 2011) dan populasi kepadatan (Malick dan Rahman, 2012). Dalam beberapa penelitian, banyak perhatian telah diberikan kepada hubungan antara kelimpahan vegetasi dan LST (Weng et al., 2007) mempelajari hubungan antara LST dan fragmentasi perkotaan di Indianapolis , Weng (2001) dan Solecki dkk. (2005) menunjukkan dampak ekspansi perkotaan pada LST menghasilkan saran-saran konstruktif mengenai manajemen di New Jersey. Jelas bahwa efek UHI bervariasi pada waktu dan musim yang berbeda. Liu and Weng (2008) menemukan bahwa perbedaan terbesar dari efek UHI terjadi ketika langit cerah pada malam musim panas. 2.3.1 Koreksi Geometrik Citra RS mentah tidak dapat langsung digunakan untuk identifikasi LULC karena masih mengandung kesalahan geometrik. Ada dua kesalahan utama; sistematis dan tidak sistematis. Sebagian besar kesalahan dapat diprediksi dan sistematis yang berasal dari distorsi eksternal yang disebabkan oleh parameter eksternal selain sensor (yaitu bantuan topografi, posisi platform, variasi sikap, dan kelengkungan Bumi). Jenis kesalahan ini dapat dijelaskan dengan pemodelan akurat dari sensor dan gerakan platform, serta hubungan geometrik platform ke Bumi. Kesalahan yang tidak sistematis atau acak disebabkan oleh sensor (variasi 19
laju sampling, distorsi lensa, pengaturan detektor yang tidak tepat), yang tidak dapat dimodelkan dan dikoreksi (Murai, 1998). Kompensasi distorsi ini adalah tujuan koreksi geometrik sehingga representasi geometrik dari citra sedekat mungkin dengan dunia nyata (Lillesand et al., 2008). Registrasi geometrik dapat dilakukan dengan menggunakan pendaftaran gambarke-gambar atau gambar-ke-peta. Dalam registrasi gambar-ke-gambar, gambar didaftarkan ke gambar lain (Gambar 1.2). Proses pendaftaran gambar-ke-peta atau gambar dilakukan sesuai dengan langkah-langkah berikut: a) Langkah 1: Identifikasi koordinat gambar (kolom dan baris) dari beberapa titik yang jelas pada gambar terdistorsi atau ground control point (GCP). b) Langkah 2: Cocokkan mereka dengan posisi sebenarnya di koordinat dasar (garis lintang, garis bujur) peta. c) Langkah 3: Ketika pasangan GCP telah diidentifikasi dan informasi koordinat diproses, persamaan transformasi yang tepat ditentukan dan kemudian diterapkan untuk mengubah koordinat peta/gambar asli ke koordinat ground baru mereka. 20
Gambar 1.2 Transformasi dalam proses koreksi geometrik (Murai, 1998) Untuk membetulkan geometrik gambar terdistorsi asli, prosedur pengambilan sampel ulang diterapkan untuk menghitung nilai piksel untuk kisi yang disearahkan dari kisi data asli. Ada tiga metode umum untuk pengambilan sampel ulang; tetangga terdekat, interpolasi bilinear dan konvolusi kubik (Pusat Pemetaan dan Pengamatan Bumi Kanada, 2015): a) Penghitungan ulang tetangga terdekat mengambil nomor digital (DN) dari piksel dalam gambar asli yang terdekat dengan lokasi piksel baru pada gambar yang dikoreksi. Re-sampling tetangga terdekat tidak mengubah nilai asli dan merupakan metode paling sederhana dan tidak mengubah nilai asli. Namun, proses ini dapat menghasilkan tampilan gambar yang tersumbat atau terputusputus, beberapa duplikasi dan hilangnya nilai piksel. 21
b) Pengulangan sampling ulang bilinear menggunakan rata-rata tertimbang dari empat piksel dalam gambar asli yang terdekat dengan lokasi piksel baru. Akibatnya, DN yang sama sekali baru dalam gambar output dibuat sebagai DN asli diubah. Ini mungkin tidak diinginkan untuk analisis klasifikasi LULC lebih lanjut yang didasarkan pada respon spektral. Dengan demikian, sampling ulang harus diterapkan setelah proses klasifikasi jika metode ini digunakan untuk klasifikasi LULC. c) Pengukuran ulang sampling kubik-ulang dengan rata-rata tertimbang jarak dari sebuah blok 16 piksel dari gambar asli yang mengelilingi lokasi piksel output baru. Metode ini juga menciptakan nilai piksel yang benar-benar baru. Namun, penampilan gambar yang dibuat menggunakan metode interpolasi bilinear dan kubik kubik jauh lebih tajam dan kurang berblok dalam penampilan daripada menggunakan metode tetangga terdekat dan menjadi keuntungan dari metode ini. 2.3.2 Koreksi Atmosfer Sensor jarak jauh memerlukan radiasi matahari untuk melewati atmosfer untuk merekam radiasi elektromagnetik dari permukaan Bumi. Selama perjalanan dari permukaan Bumi ke sensor RS, sinyal radiasi elektromagnetik dimodifikasi oleh gas dan aerosol. Akibatnya, nilai yang dicatat di lokasi piksel apa pun pada gambar RS juga mencakup informasi tentang atmosfer dan tidak mewakili pancaran permukaan tanah pada titik tersebut (Hadjimitsis dan Clayton, 2008). Dengan demikian, menghilangkan pengaruh atmosfer sangat penting dalam banyak aplikasi analisis RS yang melibatkan klasifikasi dan deteksi perubahan dari waktu ke waktu untuk menempatkan data multi-temporal pada skala 22
radiometrik yang sama. Tujuan dari koreksi atmosfer adalah untuk menghasilkan nilai reflektansi permukaan yang lebih akurat dan berpotensi meningkatkan ekstraksi parameter permukaan dari citra satelit (Chrysoulakis, 2010). Dua pendekatan utama untuk koreksi atmosfer adalah pendekatan relatif (metode berbasis Gambar) dan pendekatan absolut (Radiative Transfer Modeling) (Kayadibi, 2011). Pendekatan relatif menggunakan pemodelan atmosfer (misalnya Garis Emperical, Flat Field, Log Residual dan IAR Reflectance) sementara pendekatan absolut sering mengambil reflektansi target dengan akurasi yang relatif tinggi menggunakan data ground selama satelit overpass (misalnya FLAASH, ATCOR, dan ACORN) (Kayadibi , 2011). Namun, model ini membutuhkan informasi atmosfer pada saat overflight satelit, misalnya ketebalan optik spektral dari beberapa elemen atmosfer (Hadjimitsis dan Clayton, 2008) yang kadang-kadang sulit diperoleh (Kayadibi, 2011). Para peneliti telah membuat studi koreksi atmosfer pada gambar RS yang berbeda dengan menggunakan banyak metode koreksi atmosfer. Kayadibi (2011) menerapkan dan membandingkan empat metode koreksi atmosfer untuk citra Landsat 7 ETM dan ASTER. Perbandingan menunjukkan bahwa model analisis atmosfer cepat hiperkubik dari hyper-cubes (FLAASH) dan Atmospheric correction (ATCOR) mencapai hasil yang ideal dan lebih baik daripada metode relatif dari koreksi atmosfer (Guo & Zeng, 2012). Metode FLAASH dirancang untuk mengoreksi panjang gelombang di daerah spektrum inframerah yang terlihat, dekat-inframerah dan gelombang pendek 23
(ENVI, 2009). Prinsip FLAASH dalam melakukan
data citra Landsat untuk memperoleh data penggunaan lahan dan suhu permukaan lahan juga ditelusuri. Pemilihan metode ektrasi citra dengan klasifikasi berbasis obyek disampaikan sebagai alternatif metode selain metode konvensional lain yang sudah lama dikenal untuk meningkatkan keakuratan hasil analisis citra.
keberhasilan pengenalan citra digital adalah hasil perbandingan dari jumlah citra digital yang dikenali dengan jumlah citra digital yang diberikan. HASIL PENELITIAN Citra digital dapat dikenali melalui beberapa tahap, yang pertama adalah penginputan data set citra. Tahap kedua, setiap citra yang akan digunakan, terlebih dahulu melalui proses
Identifikasi Karakteristik Dan Tingkat Kekritisan Daerah Aliran Sungai (DAS) Menggunakan Data Citra Satelit Dan Analisis Hidrograf Satuan Sintetik Di Kabupaten Halmahera Utara Jurnal Agroforestri Volume I Nomor 3 Desember 2006 HASIL PENELITIAN DAN PEMBAHASAN Melalui pengolahan data citra satelit den-gan menggunakan program ER Mapper, maka
untuk siswa SMP/MTs kelas IX Satelit TIK 004.6 NOV NOVYAN Siswanto s Satelit TIK Teknologi Informasi dan Komunikasi/Novyan Siswanto, Akfen Efendi; editor, Budiarto.—Jakarta: Pusat Perbukuan, Kementerian Pendidikan Nasional, 2010. viii, 176 hlm.: ilus.; 25 cm Bibliografi hlm. 166 Indeks Untuk siswa SMP/Mts kelas IX
Citra perempuan muslimah menjalankan kewajibannya terhadap suami pada scene 113 dan 157. Citra perempuan muslimah menjalankan kewajiban terhadap teman pada scene 126 dan 161. Citra perempuan muslimah menjalankan kewajiban terhadap masyarakat pada scene 42. Kata kunci: Citra Perempuan, Semiotika Roland Barthes, Film Hijab.
BAB 3 TRANSFORMASI INTENSITAS DAN PENAPISAN 37 3.1 Operasi Dasar Pengolahan Citra Digital 38 3.2 Transformasi Intensitas 40 3.3 Pengolahan Histogram 49 3.4 Penapisan Ruang 58 . viii Pengolahan Citra BAB 4 PEMULIHAN CITRA 63 4.1 Derau Pada Citra Digital 64 4.2 Pemulihan Menggunakan Penapisan kawasan Spasial 73 .
EVALUASI RENCANA DETAIL TATA RUANG KOTA (RDTRK) SURABAYA UNIT PENGEMBANGAN (UP) SATELIT MENGGUNAKAN CITRA SATELIT QUICKBIRD Tedi Atmapradhana 1, Teguh Hariyanto Program Studi Teknik Geomatika ITS-Sukolilo, Surabaya 60111 (NOITAMINA@plasa.com&T-Diegrametry@gmail.com) 1Program Studi Teknik Geomatika, FTSP, ITS -Sukolilo, Surabaya 60111 Abstrak
SILABUS PEMBELAJARAN Fakultas / Program Studi : Teknik Informatika Mata Kuliah : PENGOLAHAN CITRA DIGITAL Kode Mata Kuliah : KK021426 Semester : VI SKS : 2 Capaian Pemb. Mt.Kuliah : 1. Memahami maksud dan tujuan dari perkuliahan pengolahan citra digital. (1) 2. Memahami konsep dasar representasi citra digital. (2.3) 3.
Applicants move around seven Multiple Mini Interview (MMI) stations, assessing a particular criterion. One MMI lasts six minutes with one minute for reading instructions and five minutes for completing the task. Each station is supervised by one or two interviewers as appropriate. Interviews are conducted in accordance with the University's Equality and Diversity Policy. At least one member of .
