Review Jurnal

HYPERSPECTRAL DATA FOR LAND USE / LAND COVER

CLASSIFICATION
Divya Vijayan V, G Ravi Shankar, T Ravi Shankar

Anggota Kelompok :
Alifah Pitriya (1306443955)
Dita Restu D (1306444333)
Gilang Buditama (1306443910)

Leonardus Arya (1306441546)

Tasya Bunai (1306444062)

1. PENDAHULUAN
Penginderaan jauh hiperspektral dikarakteristikan dengan pencitraan spektroskoptik dimana
dapat mengubah unsur terrestrial menjadi nilai spektral tertentu. Hal ini berguna untuk
mengklasifikasi penggunaan lahan / tutupan lahan seperti vegetasi dan air. Keterbatasan dari
penginderaan jauh broadband adalah mereka menggunakan rata-rata nilai spektral pada broadband
yang lebar sehingga mengakibatkan hilangnya informasi penting yang tersedia.
Munculnya penginderaan jauh hiperspektral dengan informasi pada broadband yang sempit
dan bersifat kontinu membuka kemungkinan mengidentifikasi hingga tingkat spesies dalam studi
vegetasi. Perkembangan terkini dalam penginderaan jauh atau citra spektrometri telah menyediakan
band tambahan yakni, gelombang inframerah dekat (NIR) dan gelombang inframerah pendek (SWIR)
pada wilayah spektrum elektromagnetik.
Umumnya, sensor hyperspectral memperoleh informasi cahaya dalam panjang gelombang 10
nm yang terlihat dari SWIR (400-2500 nm). Penginderaan jauh hyperspektral dapat digunakan untuk
mengkarakterisasi, me-modelkan, mengklasifikasikan, dan membuat peta tanaman pertanian dan
vegetasi alami. Aplikasi Hiperspektral untuk studi vegetasi (Schlerf, 2011) menggunakan band merah
(inframerah) tepi yang berkorelasi dengan kandungan klorofil di kanopi. Penginderaan jauh dalam
studi vegetasi meliputi jenis vegetasi, jenis penyakit biokimia dan studi nutrisi, kelembaban, efisiensi
penggunaan cahaya dan produktivitas primer (Thenkabail, 2012). Bila SVMs atau ANNs digunakan
untuk pengklasifikasi maka akan berpotensi meningkatkan kemampuan melihat penggunaan lahan /
pemetaan tutupan yang lebih luas (Petropoulos dkk., 2012). Sebuah usaha telah dilakukan untuk
membandingkan multispektral LISS III dan Hyperion gambar pada klasifikasi tingkat kelas sub fitur
penggunaan lahan / tutupan lahan utama untuk memahami potensi penggunaan data itt digunakan
studi Tanah

2. BAHAN DAN METODE

2.1 Daerah Penelitian
Daerah penelitian yang tercakup didalam gambar jalur Hyperion berada pada koordinat 210
39' 12.81" sampai 230 31' 49" LU dan 720 42' 05.50" dan 730 07' 04,51" BT serta mencakup wilayah
dari Anand dan Valsad di Gujarat, India barat.

Gambar 1. Lokasi daerah penelitian

2.2 Data Yang Digunakan

Data Hyperion EO-1 yang digunakan dalam penelitian ini diperoleh dari arsip situs United
States Geological Survey (USGS) yang keluar pada 16 Maret 2013. Citra yang diterima sebagai scene
memiliki panjang sekitar 185-km jalur dan berada pada tingkatan 1 dimana dalam peroses
pengolahannya menggunakan format GeoTIFF dan disimpan dengan nilai sebesar 16-bit. Hyperion
yang diperoleh memiliki panjang 400-2500 nm dengan jumlah band sebanyak 220 dan lebar setiap
masing-masing band adalah 10-nm. Diantara jumlah band tersebut, terdapat 196 band yang telah
dikalibrasi. Untuk evaluasi komparatif, data multispektral Resourcesat 2 LISS III dengan resolusi
spasial 23 m telah digunakan. Data gambaran dunia yang diperoleh pada 13 Februari 2013 juga telah
digunakan untuk melengkapi dan meningkatkan klasifikasi.
2.3 Metode
L1G dari produk data Hyperion telah dikoreksi secara radiometri, telah diuji kembali secara
geometris, dan terdaftar sebagai peta proyeksi geografis dengan koreksi elevasi yang telah diterapkan.
Data 16-bit telah dirubah menjadi format HDF (Hierarchical Data Format) oleh Band Interleaved by
Pixel (BIP) or Band Interleaved by Line (BIL), dimana gambar yang tidak terkalibrasi dan bentuk
garis yang tidak bagus telah dihapus. Daerah penelitian telah diekstraksi dengan gambar yang telah
terkoreksi atmosferik dengan menggunakan FLAASH (Fast Atmospheric Analyst Line of the Spectral
Hypercube), yang memiliki fungsi untuk koreksi atmosferik dimana cahaya akan dikonversi menjadi
pantulan. Parameter untuk pelaksanaan koreksi atmosferik adalah ketinggian sensor berada 705 km
(di aras permukaan laut), memiliki ketinggian bidang gambar 0,6 km (kilometer di atas permukaan
laut), dan ukuran pixel yang digunakan sebesar 30 m. Spectral Angle Mapper (SAM) digunakan untuk

membandingkan sudut antara spektrum reflektan/pantulan dengan spektrum referensi yang diperoleh
dari perpustakaan spektral sehingga akan menghasilkan fitur yang berbeda. Setiap pixel ditetapkan
sebagai kelas sesuai nilai sudut terendah spektral. Hasil akhirnya divalidasi dengan data resolusi
tinggi yang tersedia.

3. HASIL DAN PEMBAHASAN

Pengoreksian atmosfer citra hiperspektral (resolusi 30 m) dapat mengidentifikasi hampir
semua objek penutup lahan di permukaan bumi. Objek penutup lahan pada citra hyperion lebih jelas
dan terang daripada citra LISS III. Variasi sub kelas dari kebanyakan kelas dapat diidentifikasi oleh
citra hiperspektral, terutama sub kelas tanah kosong seperti area berpasir, berefek garam, dll. Objek
berupa daerah terbangun seperti area pedesaan dan area padat lebih jelas teridentifikasi dibandingkan
citra LISS III. Perbedaan vegetgasi dapat diidentifikasi dengan melihat intensitas warna dari band
merah dalam RGB.

Gambar 2. Perbandingan visual citra

Gambar 3. Objek penutup lahan pada citra hyperion

Badan air dapat diidentifikasi dengan jelas di hyperion dari karakteristik absorpsi band
spektral. Antara kelas vegetasi seperti pertanian, hutan, padang rumput dalam LISS III, hanya dapat
mengidentifikasi kelas seperti tetumbuhan dan jenis hutan yang dapat diidentifikasi dengan pola
kepadatan tipe vegetasi, dimana itu lebih jelas dalam citra hiperion. Perbedaan jenis vegetasi dan
kelas pemanenan dapat diidentifikasi dalam citra hiperspektral dengan warna dan diverifikasi
menggunakan reflektan spektral, bahkan tingkat kesehatan vegetasi dapat diidentifikasi juga. Hal
tersebut dapat dilakukan pada citra resolusi tinggi.

3.1 Perbandingan klasifikasi SAM (spectral angle mapping) dengan interpretasi visual LISS III
SAM dari data hyperion dan interpretasi visual dari LIS III ditampilkan pada gambar berikut.

Gambar 4. Citra referensi dengan klasifikasi SAM

Gambar 5. SAM dari hyperion dengan interpretasi visual LISS III

Hasil klasifikasi SAM menampilkan bahwa terdapat suatu perluasan area kelas pertanian dan
tanah kosong, ketika dibandingkan dengan LISS III. Pada klasifikasi SAM sebuah kesamaan
ditemukan dalam reflektan dari area terbangun dan beberapa area tanah kosong seperti daerah
berpasir. Oleh karena itu, terdapat kemungkinan klasifikasi berlebih dari beberapa kelas. Kelas
vegetasi sangat mudah dibedakan dengan menggunakan band biru dan band merah. Puncak bayangan
pada warna hijau dan gelombang inframerah pendek pada fitur penyerapan getaran air. Selain dari 54
jenis kelas vegetasi, kelas vegetasi lain dapat dilihat pada tabel berikut.

Tabel Matriks Error pada LISS III

Tabel Matriks Error pada Data Hiperion

Secara keseluruhan, akurasi penaksiran dari kedua citra dengan titik random dari data resolusi
tinggi menampilkan bahwa keduanya memiliki kesamaan akurasi 82% (15 sampel titik yang telah
dikoreksi dari 18 titik random) dan kelas kesalahan interpretasi dari citra adalah berbeda. Pada
hyperion terdapat kesalahan interpretasi antara tanah tandus dengan semak belukar, dan juga antara
lahan persawahan dengan tanah tandus. Untuk LIS III terdapat kesalahan interpretasi antara lahan
terbangun dengan semak belukar, juga antara tanah tandus dengan semak belukar.
Overlay dari interpretasi dari LISS III dan klasifikasi SAM menghasilkan pemahaman yang
lebih baik mengenai jenis dan luasan dari setiap objek penutup lahan.
3.2 Membedakan vegetasi dari struktur kanopi
Perbedaan kelas vegetasi diidentifikasi melalui citra seperti perkebunan, vegetasi lahan basah,
padang rumput dan daerah pertanian pada tahap awal dan pematangan yang digambarkan dalam
gambar 5 dengan jarak dari vegetasi 1 ke vegetasi 9. Tanda spektral untuk perbedaan vegetasi
diiidentifikasi dan digunakan untuk pustaka spektral dan klasifikasi citra.

Gambar 6. Perbedaan Tipe Vegetasi

Vegetasi yang masih dalam tahap pematangan dapat dibedakan secara visual melalui citra
hiperspektral. BIdang berwarna kuning pada warna dasar dibandingkan dengan bidang pada data
resolusi tinggi ditunjukkan pada gambar. 7 dibawah ini

Gambar 7. Citra Hiperspektral dan Citra Resolusi Tinggi pada Tahap Pematangan Hasil Pertanian
Reflektansi lahan basah pada citra hiperspektral bernilai lebih ketika dibandingkan dengan
data resolusi tinggi yang memiliki resolusi kurang dari 15 meter. Vegetasi perairan menunjukkan
penyerapan yang lebih besar pada wilayah gelombang inframerah pendek. Kenampakan ganggang
pada badan air sangat jelas digambarkan dari bagian hydric pada data hiperspektral.

Gambar 8. Citra Hiperspektral dan Citra Resolusi Tingi Pada Vegetasi Perairan
Kanopi struktur terutama ditentukan oleh daun daerah indeks (LAI) dan distribusi sudut daun.
LAI didefinisikan sebagai area total sepihak daun per satuan luas tanah dan mewakili jumlah daun
kanopi. Sifat optis dari kanopi vegetasi tergantung terutama pada kekayaan optic dari konstituen
kanopi dan pada struktur kanopi. Elemen kanopi yang paling penting adalah daun dan tanah dasar.
Selagi tanaman tumbuh terlihat dan pertengahan IR reflektansi berkurang dan dekatIR reflektansi
berkurang dan dekatIR reflektansi meningkat dan sebaliknya diamati selama senescence (Guyot,
1990).
Edge merah adalah peningkatan tiba-tiba reflektansi dari terlihat dekat infra merah yang
didefinisikan oleh titik maksimum lereng. Posisi panjang gelombang tapi merah adalah Edge infleksi
merah poin antara 680 nm dan 740 nm. REIP tergantung pada jumlah klorofil dilihat oleh sensor dan
ditandai dengan klorofil konsentrasi dan LAI. Peningkatan konsentrasi klorofil meningkatkan
penyerapan klorofil dan memperluas fitur terkait Chl-a penyerapan terletak di 680 nm, akibatnya

REIP bergeser menuju panjang gelombang-merah pergeseran. Penurunan penyerapan klorofil dan
akan bergeser REIP menuju panjang gelombang-shift biru (Schlerff, 2011).

Gambar 9. REIP untuk kelas vegetasi yang berbeda

Peningkatan reflektansi dalam domain hijau dan merah adalah daun reflektansi respon yang
paling penting untuk menanam stres. Kurva spectral reflektansi untuk berbagai tanaman dibawah studi
menunjukkan bahwa tanaman yang mendekati untuk senescence (sayuran 4) (deket panen) adalah
memiliki puncak tertinggi di hijau (550 nm) dan merah (650 nm), menunjukkan vegetasi dengan
kandungan klorofil kurang. Tumbuh-tumbuhan yang sehat dengan tanaman dalam tahap awal
(tumbuh-tumbuhan kecil) (veg 9, veg2 dan veg5) akan memiliki reflektansi rendah di wilayah ini.
Lahan basah vegetasi telah reflektansi menengah dan perkebunan dengan kanopi baik menunjukkan
reflektansi lain.

4. KESIMPULAN
Citra hiperspektral memiliki kemampuan yang lebih untuk membedakan penggunaan lahan
atau tutupan lahan dibandingkan dengan yang lain. Interpresati visual LIS III dioverlay dengan
Klasifikasi SAM untuk meningkatkan alurasi dan mengurangi ketidakpastian klasifikasi dari sub
kategori, kelas utama penggunaan lahan. Lebih lanjut, Properti fitur dapat diverifikasi dengan spectral
signature. Dalam penelitia perkebunan ini dapat terlihat jelas, diidentifikasi dari citra dan diverifikasi
reflektan kanopi dari perkebunan. Blooming Alga dan lahan basah dapat dibedakan dengan citra
hiperspektral beresolusi tinggi. Keterbatasan dari penginderaan jauh hiperspektral yaitu kurangnya
data dari penelitian dari waktu ke waktu untuk lokasi yang spesifik, diaman hal itu dibutuhnkan untuk
memprediksi perubahan penggunaan lahan. Kesulitan dalam menangani data dan pemrosesan awal
dari data yang besar dan tidak fleksibel untuk dikerjakan selain pada software ENVI. Terlepas dari
keterbatasan yang ada, data hiperspektral sangat potensial untuk penelitian tutupan lahan dimana perlu
dilakukan eksplorasi lebih lanjut.