Macam-Macam Citra
Macam-Macam Citra
sebagai wahana
sarana pengindera, sensor satelit pada masa sekarang ini juga telah
berkembangan dengan kemampuan yang jauh di atas kemampuan mata
manusia.
Citra satelit saat ini tersedia secara komersial dari berbagai satelit seperti dari
Landast-5, Landsat-7, SPOT-4, SPOT-5, Ikonos, Modis (Aster), Quickbird dan
lain-lain.
Sensor
62
Agar supaya informasi citra satelit dapat bermanfaat secara optimal sebelum
dilakukan
analisis,
perlu
digunakan
teknik
pemrosesan
citra.
Proses
B.
Landsat 5
LANDSAT-5
diluncurkan
ke
orbitnya
diatas
permukaan bumi pada tanggal 1 Maret, 1984 oleh
McDonald Douglas Delta 3920 dari pangkalan udara
Vandenberg, California.
Bentuk satelit ini yang
mengambang di angkasa luar dapat dilihat di Gambar
sebelah kiri.
LANDSAT-5
Sensor LANDSAT-5 MSS Bands
63
Band
1
2
3
4
Resolusi (Meter)
80
80
80
80
Karakteristik LANDSAT-5
Diameter
Berat
Ketinggian Orbit
Orbit
Sudut Kemiringan
Waktu Melintas di Khatulistiwa
Lama berevolusi
Orbit/hari
1.8 Meter
2,000 Kg
705 Km
Sun synchronous
98.2 Degree
9:30 AM
99 Min
14.5 Orbits
Siklus Perjalanan
16 hari
Sensor
Resolusi (Ketajaman)
Lebar Cakupan Citra
Umur Satelit
TM Bands
Band
1
2
3
4
5
6
7
Panjang
Kisaran
gelombang
Spektra
warna
(microns)
Biru - Hijau
0.45-0.53
Hijau
0.52-0.60
Merah
0.63-0.69
Near Infrared
0.76-0.90
Short Wave
1.55-1.75
Infrared
Thermal Infrared 10.40-12.50
Short Wave
2.08-2.35
Infrared
Resolusi (Meter)
30
30
30
30
30
120
30
64
2. Landsat 7
LANDSAT-7
LANDSAT-7 dikelola secara bersama oleh
NASA, NOAA and USGS
NASA : bertanggungjawab merancang dan
membangun pesawat ruangkasa dan
seluruh peralatannya.
NOAA : bertugas mengoperasikan satelit.
USGS : melakukan proses data,
pengarsipan dan distribusi data
LANDSAT-7 diluncutkan ke orbitnya
pada tanggal 15 of April, 1999 oleh
McDonald Douglas Delta II dari
Vandenberg Air Force Base, California.
LANDSAT-7 Characteristics
Panjang
Diameter
Ukuran Antena
Berat
Ketinggian Jelajah
Orbit
Sudut Kemiringan
Waktu Melintas
Khatulistiwa
159 Inches
108 Inches
89 Inches x 296 Inches
2,150 Kg (4,730 Pound)
705 Km
Sun synchronous
98.2 derjat
Lama berevolusi
98.9 Min
Orbit/hari
14.56 Orbit
Siklus Perjalanan
16 hari
Sensor
Resolusi (Ketajaman)
Lebar Cakupan Citra
Umur Satelit
10:00 AM
65
3. IKONOS
IKONOS, a high resolution satellite, owned by
Space Imaging Co. Ltd., was launched into space
by the Athena II on September 24, 1999 from
Vandenberg Air Force Base in California.
Spacecraft manufactured by Lockheed Martin,
investors in the IKONOS system include Lockheed
Martin Corporation, Raytheon Company, Japans
Mitsubishi Corporation, Singapores Van Der Horst
Ltd., Koreas Hyundai Space & Aircraft, Europes
Remote Sensing Affiliates, Swedish Space
Corporation, and Thailands Loxley Public
Company Ltd.
IKONOS is derived from the Greek word
for image. IKONOS satellite is the first of its kind
with the capability to simultaneously collect 1-meter
resolution panchromatic (black & white) images
and 4-meter resolution multispectral (color)
images. DeSILned to take digital images of the
Earth from 680 kilometers up and moving at a
speed of about seven kilometers per second, the
satellite camera can distinguish objects on the
Earths surface as small as one square meter. The
IKONOS satellite revolves around the Earth in a
sun-synchronous orbit once every 98 minutes in 14
revolutions total, passes a given longitude at about
the same local time of 10:30 a.m. daily, and can
produce 1-meter imagery of the same geography
every three days. Image collection can be taken in
a swath of 700 kilometers at the minimum
collection area of 100 square kilometers, and a
maximum of 10,000 square kilometers per pass.
The satellite is expected to have an operational life
of more than seven years.
IKONOS Characteristics
Launch Date
Launch Vehicle
Athena II
Manufacturer
Lockheed Martin
Launch Location
Viewing Angle
Weight
725 kg.
Orbit
Altitude
Inclination
98.1 degrees
Speed
Descending Nodal
Crossing Time
10:30 a.m.
66
4. Quickbird
The QuickBird satellite is the first in a
Launch Information
Orbit
Metric Accuracy
61-centimeter GSD
(Ground Sample Distance)
at nadir
Black & White: 445 to 900
Multispectral
2.44-meter GSD at
nadir
Blue: 450 to 520
nanometers
67
nanometers
Dynamic Range
Communications
ADCS Approach
Pointing and Agility
Onboard Storage
Spacecraft
X-band from 4, 16
and 256 Kbps
2 Kbps S-band
uplink
68
5. Terra (Modis)
Terra (MODIS)
The Moderate Resolution Imaging
Spectroradiometer (MODIS) is the keystone
instrument on the Terra mission. MODIS is an
imaging radiometer employing multiple in-track
detectors and a cross-track scan mirror and collecting
optics, and a set of individual detector elements
which will provide imagery of the Earth's surface and
cloud cover in 36 discrete spectral bands. Contiguous
scan swaths of 2330km in cross-track by 10km intrack are acquired to provide 2-day repeat
observations of the Earth. Its task is to develop a
detailed understanding of the Earth and the dynamics
of global change.
.More information please contact
mailtto:info@userservice.gistda.or.th
or MODIS catalog at
Data Services of GISTDA
http://www.acrors.ait.ac.th/modis/%20Documents/MO
DIS_catalogue.htm
Terra Characteristics
Diameter
Length
Weight
Altitude
Orbit
Inclination
Equatorial crossing
time
Period of revolution
Repeat Coverage
Interval
Instruments
Mission life
3.5 Metres
6.8 Metres
5,190 Kg
705 Km
Sun synchronous
98.2 Degree
10:30 AM descending
98.88 Min
16 Days
ASTER (Advanced Spaceborne Thermal Emission and
Reflection Radiometer)
CERES (Clouds and the Earth's Radiant Energy System)
MISR (Multi-angle Imaging Spectroradiometer)
MODIS (Moderate-Resolution Imaging Spectroradiometer)
MOPITT (Measurements of Pollution in the Troposphere)
5 Years
MODIS
Orbit
Scan Rate
Swath
Dimensions
69
Telescope
Size
Mass
Power
Data Rate
Quantization
Spatial
Resolution
DeSILn Life
Primary Use
Land/Cloud
Boundaries
Land/cloud/Aerosol
Properties
841-876
1.0490
201
459-479
1.0696
243
545-565
1.0130
228
5
6
7
1230-1250
1628-1652
2105-2155
0.8420
1.0338
0.3249
74
275
110
70
71
72
73
Dapat dikatakan bahwa suatu metode penajaman citra tidak dapat digunakan
untuk berbagai macam kepentingan atau suatu teknik penajaman hanya cocok
untuk interpretasi tertentu (sebagai contoh untuk penelitian terumbu karang
berbeda dengan penelitian tentang plankton). Namun demikian ada beberapa
ketentuan umum yang dapat dipertimbangkan dalam pemilihan panajaman
citra, meskipun apabila ditinjau kembali ke definisi di atas ada pembedaan yang
sangat subyektif sifatnya. Dalam hal ini kita bedakan beberapa teknik
penajaman citra, antara lain :
1. Penajaman kontras
2. Pembuatan warna semu (pseudocolour)
3. Penapisan (filtering)
3.1 Penajamaman kontras
Sensor yang digunakan dalam sistem penginderaan jauh telah di desain untuk
dapat menangkap radiasi baik tingkat yang rendah maupun yang tinggi. Ada
beberapa cara untuk dapat melakukan peningkatan kekontrasan citra, antara
lain adalah :
1. Linear Contrast Stretching
Secara sederhana teknik Linear Contrast Strech dapat dijelaskan sebagai
perenggangan dari nilai pixel yang dinyatakan dalam Digital Number (DN)
minimum sampai dengan maksimum dengan nilai 0 255. Teknik linear
contrast strech secara grafis dapat digambarkan dalam Look Up Table (LUT)
2. Histogram Equalization
Histogram Equalization dengan menggunakan histogram citra sebagai dasar
untuk mentransformasikan nilai pixel dari DN minimum dan DN maksimum
menjadi skala penuh 0 255.
3. Gaussian Strech
Cara
ini
menggunakan
konsep
distribusi
normal
Gauss
untuk
74
75
informasi yang dibentuk oleh radiasi frekwensi tinggi (high-pass filter) yang
menghasilkan citra yang lebih tajam.
76
dapat dilakukan dengan lebih cepat, walaupun dengan data citra yang
cukup besar, hal ini tergantung dari kemampuan komputer yang akan
digunakan. Analisis digital berdasarkan manipulasi nilai digital pada
komputer dan selanjutnya lebih obyektif, sehingga secara umum hasilnya
lebih konsisten.
Kelemahan : Membutuhkan peralatan yang harus dipelajari secara khusus
dan relatif mahal Sebelum melakukan klasifikasi atau interpretasi harus
dilakukan pemrosesan awal, agar supaya memperoleh informasi yang
bermanfaat.. Terdapat beberapa teknik analisis dan metode yang digunakan
dalam klasifikasi. Penggunaan teknik dan metode tersebut tergantung dari
aplikasi yang akan diterapkan. Segmentasi citra dan algoritma klasifikasi
digunakan dengan cara mendeliniasi area yang berbeda menjadi beberapa
kelas tematik dan hasilnya berupa peta tematik. Dari hasil klasifikasi dapat
dikombinasikan dengan basisdata lainnya untuk melakukan analisis lebih
lanjut.
2. KLASIFIKASI CITRA
2.1. Konsep Klasifikasi citra
Klasifikasi citra dilakukan dengan tujuan untuk mengelompokan nilai spektral citra
yang homogen sesuai dengan variasi fenomena kenampakan sumberdaya alam
yang kita perlukan. Pengelompokan tersebut dilakukan dengan suatu teknik
spesifik
sesuai
dengan
kebutuhan
analisa,
Sebagai
contoh
gambar
1.,
77
78
79
80
Gambar 5. Citra komposit warna sebelum klasifikasi (kiri) dan citra hasil Klasifikasi
(kanan)
supervised
mengklasifikasikan
dan
seluruh
unsupervised
suatu
dataset
biasanya
digunakan
untuk
menjadi
kelas-kelas
dapat
supervised
kemudian
akan
mencari
semua
piksel
dengan
81
Dari kotak Tools ini kemudian kita membuat polygon training area yang
mewakili
objek-objek
yang
akan
dikelaskan
klik
untuk
memulai
82
Lakukan proses yang sama untuk objek-objek yang lain setelah semua
objek terwakili melalui polygon training area. Kemudian klik Close pada
kotak Tools.
Klik
pada Dataset, kemudian pilih file yang tadi telah kita training area.
Klik Pada Input Dataset, pilih file yang telah di calc ulate statistics.
83
Kemudian klik
GO.
Untuk memberi warna, pada menubars pilih edit kemudian Pilih Edit
Class/Region Color and Name
Klik Load kembali pada file yang sama pada kota Algorithm. Kemudian
klik GO
84
membagi dataset menjadi kelas-kelas sesuai dengan jumlah kelas yang kita
inginkan.
Biasanya hasil- hasil klasifikasi unsupervised harus diinterpretasi dengan
menggunakan data yang sebenarnya di lapangan untuk menentukan kelaskelas yang mempresentasikan area atau wilayah sebenarnya di lapangan. Dari
informasi ini mungkin kita bisa memutuskan untuk mengkombinasikan atau
menghapus kelas-kelas yang diinginkan./ kita perlu juga untuk memberi warna
dan nama untuk masing- masing kelas.
Klik pada Output Dataset, masukan nama file baru sebagai file hasil
klasifikasi unsupervised.
Klik OK
85
Akan muncul image dengan warna greyscale (keabua n). Image atau
gambar tersebut belum dapat memberikan informasi tentang kelas-kelas
objek yang ada, keemudian pada menubars pilih Edit kemudian pilih Edit
Class/Region Color and Name
Akan mucul kotak Edit Class/Region Detail, dimana jumlah kelas akan
sama dengan Maxsimum number of classes yang kita berikan atau
kurang dari nilai tersebut. Dalam contoh ini , dari 30 menjadi 26 kelas.
Kemudian ke 26 kelas ini harus kita gabung lagi menjadi jumlah kelas
yang lebih kecil yang sesuai dengan yang kita inginkan. Misalnya dari 26
kelas ini akan diperkecil menjadi 6 kelas (Laut, Mangrove, Tambak,
Sawah,Laha Kosong dan Pemukiman).
Pada kotak Edit Class/Region Details klik kemudian akan muncul kota
Auto-generate colors.
Kotak ini membantu kita untuk memberikan warna pada kelas-kelas yang
ada dengan memberikan warna yang menyerupai warna komposit,
warna, dalam contoh diats diberikan warna RGB 542. Kemudian klik
Full Saturation menjadi Seperti contoh diatas. Klik autogen lalu klik
Close.
Klik . Load kembali pada file yang sama pada kota Algorithm kemudian
klik GO.
Ubah unlabelled name menjadi nama kelas yang kita inginkan, kemudian
samakan warnanya, Misalnya kelas unlabelled 1 s/d 3 menadi kelas laut,
dan warnanya dirubah menjadi biru. Proses ini diulang- ulang sambil
86
Kemudian klik untuk membuka Algorithm. Pilih file algorithm yang baru
saja ditulis. Biarkan kotak Open algorithm tebuka terus.
87
Ubah warna kelas ke 1 s/d 6, kemudian ubah pula nama kelas 1 s/d 6
sesuai dengan nama 6 kelas yang dimaksud (contoh : 1. Laut/Biru, 2.
Tambak/Biru muda, 3. Mangrove/Hijau Tua, 4. Sawah/Kuning, 5.
Permukiman/Abu-abu, 6. Lahan Kosong/Coklat).
Klik Load kembali pada file yang sama pada kotak Algorithm. Kemudian
klik GO.
88
Walaupun kelasnya sudah menjadi 6 kelas tetapi dokumen yang ada pada
file .ers -nya tetap 26 kelas. Hal tersebut kadang-kadang mempersulit
pada saat pembuatan annotasi peta.
Untuk merubahnya buka file hasil penyimpanan tadi yang berakhiran .ers .
Misalnya tadi disimpan dengan nama Bogor_uns.ers .
Klik open, kemudian sorot Region Info Begin dari ClassNumber 7 sampai
dengan Region Info End dari ClassNumber = 26. Lalu Delete.
Pilih file yang akan kita hitung luasannya, kemudian klik OK.
89
Maka akan muncul luasan pada setiap kelas dalam satuan Hectare,
Kilometerpersegi, Acre, dan Mil persegi.
Dari menu File, pilih Page Setup. Maka akan muncul kotak sebagai
berikut :
90
Set Scale 1:200000, skala tidak bisa lebih kecil dari default/nilai aslinya,
tetapi dapat lebih besar dari nilai aslinya.
Klik Apply dan OK bila sudah sesuai dengan yang kita inginkan.
Dari dialog box Algorithm pilih Edit pilih Add Vector Layer dan pilih
Annotation/Map Composition. Maka di Algorithm akan bertambah 1
layer yaitu Annotation Layer.
91
Pada kotak Map Object Attributes, klik Fit Grid supaya grid masuk
kedalam citra. Kemudian atur Grid Spacing X dan Y nya supaya tulisan
posisi Lahannya terlihat.
Pada kotak Map Object Attributes, Load data pada Classified Raster
File, kemudian klik Fast Preview menjadi Hapus tulisan pada kolom
Label dan tekan Enter
Kemudian masukkan panah utara dan scale bar, dengan mencari pada
Category.
92
Untuk membawa tulisan atau gambar, klik kemudian klik pada objek
yang akan dipindahkan, klik dengan mouse kiri dan drag objek ke tempat
yang diinginkan.
Save Anotasi yang kita buat tadi dengan mengklik tanda disket pada
Tools Box, pilih vector dan beri nama.
Latihan 5.
1. Jelaskan apa kegunaan dari citra satelit dalam membuat suatu SIL
2. Uraikan tipe-tipe satelit yang anda ketahui.
3. Untuk satelit Landsat diketahui ada beberapa band warna, coba anda
jelaskan band-band apa saja yang terdapat pada landsat.
4. Apakah peredaan antara satelit dengan resolusi tinggi dan rendah ?
5. Apa yang dimaksud dengan pengolahan data citra sateli usupervised and
supervised ?
DAFTAR PUSTAKA
Lillesand and Kiefer, Penginderaan Jauh dan Interpretasi Citra Penginderaan
Jauh. Gadjah mada University Press, Yogyakarta, 1998
Lucas L. F. Jessen & Wim H. Bakker. 2000. Principles of Remote Sensing. ITC
Educational Textbook Series. The International Institute for AerospaceSurvey and
Earth Sciences (ITC), Enschede The Netherlands. Canada Centre for Remote
Sensing, 2002. Fundamentals of Remote Sensing Tutorial.
www.netdev.gistda.or.th.
93