1.
Bagaimana
cara Anda menginterpretasi nilai-nilai indeks vegetasi?
Indeks vegetasi adalah
salah satu parameter yang digunakan untuk menganalisa keadaan vegetasi dari
suatu wilayah. Indeks tersebut mempunyai berbagai macam variasi algoritma.
Indeks vegetasi merupakan metode transformasi citra berbasis data spektral yang
banyak dimanfaatkan tidak hanya untuk pengamatan tumbuhan, tetapi juga telah
dimodifikasi untuk berbagai keperluan seperti efek soil background dalam
analisis vegetasi.
Indeks vegetasi merupakan nilai yang diperoleh dari gabungan beberapa
spektral band spesifik dari citra penginderaan jauh. Gelombang indeks vegetasi
diperoleh dari energi yang dipancarkan oleh vegetasi pada citra penginderaan
jauh untuk menunjukkan ukuran kehidupan dan jumlah dari suatu tanaman. Tanaman
memancarkan dan menyerap gelombang yang unik sehingga keadan ini dapat di
hubungakan dengan pancaran gelombang dari objek-objek yang lain sehingga dapat
di bedakan antara vegetasi dan objek selain vegetasi (Horning, 2004).
Hasil
transformasi citra menghasilkan nilai indeks vegetasi (standart) uang bernilai
-1 sampai dengan 1. Interpretasi obyek dapat dilakukan dengan melihat
persebaran nilai nilai tersebut, dimana semakin menuju ke nilai 1, biasanya berarti
ambang vegetasinya tinggi. Sedangkan nilai sekitar -1 dapat berarti obyek
tersebut adalah air, nilai sekitar 0 dapat berarti obyek tersebut adalah tanah
atau lahan terbangun. Namun yang perlu diingat disini adalah bahwa nilai indeks
vegetasi tidak dapat diinterpretasi secara langsung, melainkan harus dicocokkan
dengan informasi lapangan terlebih dahulu.
2.
Jelaskan
efektivitas NDB/UI dalam membedakan lahan terbangun dan penutup lahan lainnya!
NDBI yang
disebut juga Normalized Difference
Built-up Index dan UI (Urban Index)
merupakan indeks yang sangat sensitif terhadap lahan terbangun/lahan terbuka
yang dikembangkan untuk menonjolkan kenampakan lahan terbangun dibandingkan
dengan obyek yang lainnya. NDBI dibuat dengan tujuan untuk memudahkan pemetaan
daerah urban melalui citra Landsat TM. Band 4 (NIR) pada satelit Landsat
TM/ETM+ sangat sensitif untuk mendeteksi vegetasi, sedangkan reflektansi untuk
lahan terbuka dan lahan terbangun sangat rendah. Band 5 (SWIR) pada citra
satelit Landsat TM/ETM+ dapat mencerminkan kandungan kelembapan pada berbagai
penggunaan tanah. Oleh karena itu NDBI memanfaatkan kedua band ini.
NDBI dan UI
merupakan kebalikan dari NDVI. Dimana semakin tinggi nilai NDVI maka nilai NDBI
dan UI nya akan semakin rendah. Bisa dianalogikan ketika suatu area banyak
lahan terbangunnya, maka dapat dipastikan di sana akan sedikit mempunyai
vegetasi. Begitu pula konsep yang dipegang oleh NDVI dan NDBI.
Pengurangan NDBI dengan NDVI bertujuan agar hanya lahan
terbangun yang mempunyai nilai positif. Meskipun demikian, karena indeks ini
sangat tergantung komposisi landcover, level koreksi, dan kondisi perekaman
citra, tidak selalu nilai positif berarti lahan terbangun.
3.
Jelaskan
mengapa PCA hasilnya berbeda-beda saat jumlah input band ditambah atau
dikurangi!
Analisis
komponen utama (PCA) merupakan suatu teknik statistik untuk mengubah dari
sebagian besar variabel asli yang digunakan yang saling berkorelasi satu
dengan yang lainnya menjadi satu set variabel baru yang lebih kecil dan saling
bebas (tidak berkorelasi lagi). Jadi analisis komponen utama berguna untuk
mereduksi data, sehingga lebih mudah untuk menginterpretasikan data-data
tersebut (Johnson & Wichern, 1982). Analisis ini merupakan analisis antara
dari suatu proses penelitian yang besar atau suatu awalan dari analisis berikutnya,
bukan merupakan suatu analisis yang langsung berakhir. Misalnya komponen utama
bisa merupakan masukan untuk regresi berganda atau analisis faktor.
Pada
dasarnya, PCA mampu mereduksi jumlah band yang akan digunakan lebih lanjut. PCA
lebih signifikan dipakai untuk citra hiperspektral daripada untuk citra
multispektral. Klasifikasi pada citra multispektral menggunakan PCA tidak akan
menambah informasi terlalu banyak. Sementara, jika digunakan pada citra
hiperspektral yang notabene memiliki berpuluh-puluh saluran atau lebih, PCA
mampu menyederhanakan informasi yang terkandung dalam beberapa saluran menjadi
sekitar 3 saluran yang telah merangkum sebagian besar informasi lengkap dari
saluran-saluran sebelumnya sesuai tujuan masing-masing.
Hasil
dari PCA berupa PC, mulai PC1, PC2, dan seterusnya. Ini semacam saluran yang
ada pada citra. Masing-masing PC memiliki karakter tersendiri. PC1 mengumpulkan
info yang sama dari setiap saluran asal, maka informasi yang dihasilkan lebih
banyak dibandingkan PC lainnya. Dia tidak menambah kompleks, justru
menggabungkan hal yang sama. PC2 juga dianggap sama, tapi memakai sumbu yang
berbeda sehingga PC1 berseberangan dengan PC2, jika PC1 memiliki rona gelap
maka PC2 memiliki rona terang, begitu pula sebaliknya. Sedangkan PC3 mengambil
titik tengah dari keduanya. Sementara, PC4 biasanya tampak banyak noise atau
gangguan karena hanya mengambil sisa-sisa informasi yang tidak digunakan pada
PC sebelumnya.
Input
PCA tidak harus memakai saluran atau band. Bisa juga memamakai indeks, semisal
NDVI atau indeks normalisasi vegetasi. Yang penting, pengguna bisa menjelaskan
mengapa dia memasukkan indeks tersebut. Penambahan 1 saluran pada PCA bisa
mempengaruhi akurasi hasil.
Secara
umum, transformasi PCA bertujuan mereduksi informasi dari komponen yang saling
berkorelasi menjadi komponen tereduksi baru yang saling tidak berkorelasi. Output
band band baru PCA berisi gabungan informasi dari seluruh band-band yang
terkorelasi sebelumnya. Karakteristik paling baik dipegang oleh band pertama
hasil PCA dan karakteristik paling jelek yang biasanya hanya berisi noise
dipegang oleh band terakhir hasil dari PCA.
Penambahan
dan pengurangan jumlah input band akan mempengaruhi hasil yang berbeda beda
pada PCA. Meskipun jumlah output band bisa diatur oleh operator, namun
karakteristik dari band input tetap diperhitungkan.Karakteristik dan korelasi
antar band adalah hal yang paling utama dan mempengaruhi output band-band PCA. Pengaruh
ini ditentukan oleh Factor Loading
Analysis. Faktor ini dapat digunakan untuk mengetahui saluran mana saja
yang berpengaruh terhadap PCA. Semakin kuat karakteristik band yang diinput
maka noise yang dihasilkan semakin sedikit. Begitu pula sebaliknya.
4.
Bagaimana
cara menggunakan indeks vegetasi dan indeks lahan terbangun dengan baik dan
benar untuk pemetaan biofisik vegetasi maupun pemetaan karakteristik lahan
terbangun?
Suatu indeks
vegetasi maupun indeks lahan terbangun atau indeks yang lain hanya merupakan
suatu nilai indeks. Nilai indeks belum bisa diinterpretasi secara pasti untuk
mengetahui obyeknya sebelum indeks tersebut dicocokkan dengan informasi yang
didapat dari lapangan. Dengan demikian kita perlu memperoleh informasi dari
lapangan mengenai obyek yang dianalisis sebelum menentukan arti obyek dari
transformasi yang kita lakukan.
Metode yang
kedua adalah dengan melakukan density
slice terhadap citra hasil transformasi. Density slice bertujuan agar citra dapat menampilkan dan
menonjolkan obyek yang kita inginkan. Rentang density slice bisa diatur sesuai dengan kenampakan yang ada.
Sebagai contoh pada transformasi indeks vegetasi, kita melakukan slicing pada rentang nilai 0,2-0,8 untuk
vegetasi. Diharapkan pada rentang nilai itu, semua vegetasi dapat tercakup.
Namun jika terdapat salah satu vegetasi yang belum masuk ke dalam gugus, kita
bisa melebarkan range density slice yang kita lakukan. Begitu pula yang harus
dikerjakan pada indeks lahan terbangun.
6.
Berikan
contoh aplikasi proses fusi citra!
Fusi
merupakan sebuah teknik penggabungan dua data citra satelit, antara data citra
satelit pankromatik (hitam-putih) dengan data citra
satelit multispektral (berwarna). Teknik ini mengambil kelebihan dari data
citra satelit pankromatik yang
mempunyai resolusi spasial yang biasanya lebih tinggi dibandingkan dengan
resolusi spasial data citra satelit multispektral. Akan tetapi data citra
satelit pankromatik mempunyai kelemahan yaitu citranya
berwarna hitam-putih, sehingga untuk mendapatkan data citra satelit yang
mempunyai resolusi spasial tinggi yang dipunyai oleh citra satelit pankromatik sekaligus
mempunyai warna yang dipunyai oleh data citra satelit multispektral, maka
dilakukanlah proses fusi citra ini.
Sebagai
contohnya, data citra satelit pankromatik SPOT dengan resolusi spasial 2.5 meter
dapat digabungkan dengan data citra satelit multispektral yang mempunyai
resolusi spasial 10 meter, sehingga dihasilkan sebuah data citra satelit
multispektral dengan resolusi spasial 2.5 meter. Fusi juga bisa dilakukan
antara data citra satelit berbeda produk, contohnya kita bisa melakukan fusi
antara data citra satelit Quickbird dengan SPOT, atau antara SAR dengan
Landsat. Yang terpenting harus diperhatikan pada proses fusi ini adalah kedua
citra satelit yang akan digunakan sudah sama-sama georeferenced,
dalam artian semua data yang akan digunakan sudah memiliki proyeksi kebumian
yang sama (UTM, Geographic, dll), dan kalaupun kedua citra tidak
bergeoreferensi maka kedua citra harus mempunyai ukuran citra yang sama, area
yang tercover benar-benar
sama, dan ukuran pixel yang sama.
Di bawah ini merupakan salah satu contoh data hasil dari penggunaan teknik Fusi, dimana data citra satelit pankromatik merupakan data citra SPOT dengan resolusi spasial 10 meter yang digabungkan dengan data citra satelit multispektral dari Landsat dengan resolusi spasial 28 m.
Sebelah
kiri : data citra satelit original dari Landsat
dengan resolusi spasial 28 m
Sebelah
kanan : data citra satelit multispektral
hasil Fusi (dengan resolusi spasial 10 m)
Referensi:
Adiningsih, Erna
Sri, dkk. 2004. Aplikasi Analisis Komponen Utama dalam Pemodelan Penduga Lengas Tanah
dengan Data Satelit Multispektral. Jurnal Matematika dan Sains Vol. 9 No. 1, Maret 2004, hal 215 –
222
Arifin,
Agus Zainal, dkk. Kompresi
Citra Penginderaan Jauh Multispektral Berbasis Clustering dan Reduksi Spektral.
Surabaya: Institut Teknologi Sepuluh November
http://geogisforum.blogspot.com/2011/12/principal-component-analysis.html
(Akses oleh Eni Susanti, 1 Mei 2013 pukul 18:45 WIB)
http://journal.fmipa.itb.ac.id/jms/article/view/147/143
(Akses oleh Eni Susanti, 1 Mei 2013 pukul 19:20 WIB)
http://www.ittvis.com/portals/0/tutorials/envi/TM_SPOT_Fusion.pdf (Akses oleh Eni
Susanti, 1 Mei 2013 pukul 18:55 WIB)
0 komentar:
Posting Komentar