PENDAHULUAN
1.1
Latar Belakang
Penginderaan jauh kini menjadi salah satu ilmu dan teknologi yang dapat diandalkan
dalam berbagai disiplin keilmuan baik untuk penelitian maupun pembangunan yang bertujuan
untuk kesejahteraan bangsa. Seiring dengan berkembangnya ilmu pengetahuan dan teknologi,
penginderaan jauh tidak hanya digunakan dalam lingkup geografi semata karena diyakini
bahwa informasi geografi sangat penting dalam menunjukan sumberdaya alam dan fenomena
spasial, sehingga kebutuhan terhadap citra sebagai salah satu komponen penting dalam
penginderaan jauh semakin meningkat. Citra dari resolusi rendah, menengah, hingga tinggi
semakin dibutuhkan sesuai dengan peruntukannya masing-masing. Dari memiliki spektral
yang sedikit sampai memiliki spektral yang sangat banyak.
Hiperspektral digunakan untuk mengidentifikasi dan mencirikan materi yang unik serta
memiliki informasi yang lebih akurat dan detail dibandingkan citra multispektral. Citra
hiperspektral sudah digunakan untuk mengumpulkan banyak variabel biofisika dan geofisika
seperti kandungan air pada daun, klorofil dan pigmen, mineral dan jenis tanah.
AVIRIS adalah salah satu citra Hiperspektral milik NASA yang diambil melalui
pesawat udara. AVIRIS memiliki tinggi terbang sekitar 20 km sehingga memiliki
kemungkinan mengalami gangguan data akibat Troposfer. Hal inilah yang membuat
pentingnya dilakukan koreksi atmosfer pada citra AVIRIS. Adapun Koreksi atmosfer yang
akan digunakan adalah FLAASH Atmospheric Correction.
1.2
BAB II
DASAR TEORI
2.1
Hiperspektal
Pengertian hiperspektral adalah banyaknya jumlah band panjang gelombang yang
terukur antara 100-500, dengan perbedaan panjang gelombang 10<<100. Hiperspektral
dapat digunakan untuk mengidentifikasi dan mencirikan materi yang unik serta memiliki
potensi ekstraksi informasi lebih akurat dan detail dibanding dengan jenis multispektral.
Dikatakan kontinu dan disebut data hiperspektral bila perbedaan panjang
gelombangnya 10 nm, aplikasinya materi yang sejenis secara spektral dapat dibedakan dan
informasi berskala sub piksel dapat diekstraksi, hal ini perlu dikembangkan teknik
pengolahan citra yang baru. Berkaitan dengan sistim pengolahan citra hiperspektral, hal yang
perlu diperhatikan adalah membangun model sistim yang optimum dengan fokus konten
informasinya.
Untuk menjawab dalam penyelesaian pembangunan pengolahan citra hiperspektral
perlu dilengkapi 3 (tiga) dasar yaitu ruang spasial (image space), spectral (spectral space),
dan ruang ciri (feature space). Ruang Spasial yaitu hubungan geometrik antar piksel atau
hubungan antara spectral dengan posisi geografi, ruang spektral adalah kuantifikasi isi piksel
sebagai fungsi dari panjang gelombang atau spectral respon dihubungkan ke jenis materi ,
ruang ciri adalah penyajian piksel sebagai titik di ruang N- dimensi. Terminologi objektifitas
dari sistem pengolahan citra dijital adalah dihasilkannya peta tematik untuk berbagai aplikasi
, melalui pengelompokkan piksel yang sejenis menjadi suatu kelas dan selanjutkan diberikan
label. Persoalannya, dalam suatu ruang ciri data hiperspektral memungkinkan suatu piksel
terasosiasi dalam suatu konten kelas, ini berarti pendekatannya yang dapat dilakukan dengan
melakukan partisi ruang ciri atau delineasi sehingga dapat dihasilkan kelas yang unik, ini
semua mendorong dapat dihasilkannya suatu citra tematik berlabel multiskala.
Sebagaimana dengan konsep statistik terhadap suatu kumpulan data, tuntutannya adalah
optimalisasi kinerja terhadap vektor rata-rata, kovarians, model probabilitas, dan kualitas
kelas. Pernyataan sebelumnya selalu dikaitkan dengan jumlah sampel terhadap jumlah band
yang dimiliki data penginderaan jauh, sehingga akan mereprenstasikan harapan akurasi
klasifikasi. Seperti
yangterlihat pada gambar 2.1 dibawah ini, merupakan fenomena
Hughes.
kelas terhadap n band selalu meningkat, pada titik tertentu terjadi kejenuhan dan bahkan
menurun probabilitas hasil klasifikasinya, maka ini terjadi efek counterbalancing. Dalam
menerapkan proses pengkelasan dan pelabelan objek itu dikehendaki adanya exhaustive,
separable dan information value, agar ketiga momen itu secara simultan dapat terjadi perlu
dilakukan pemilihan model klasifikasi yang memenuhi kondisi tersebut. Diharapkan dengan
model seperti ini memberi keuntungan yaitu proses cenderung membuat training sampel
semakin robust dan berlaku untuk keseluruhan data, sehingga meningkatkan generalisasi data
yang melebihi training sampel, proses mencegah fenomena Hughes (menggeser puncak
akurat vs jumlah training, juga meningkatkan akurasi yang lebih tinggi dengan jumlah yang
training sampel yang terbatas), proses diharapkan juga menaksir probabilitas kelas objek lain,
yang tidak dapat dilakukan oleh training sampel, sehingga citra tematik yang dihasilkan
bukan sebagai hasil akhir.
Karakteristik dari data hiperspektral, bila disajikan probabilitas densitasnya berlawanan
dengan fungsi Gauss, gambar 2.2 dibawah ini. Meningkatnya dimensi, magnitudenya
mendekati nol.
untuk memproses dan menganalisa data citra hiperspektral yang besar. Selain itu juga
diperlukan algoritma untuk menghilangkan noise dari setiap saluran spektrum citra
hiperspektral.
Proses pemilihan ciri yang dilakukan memakan waktu komputasi yang cukup besar,
sehingga perlu adanya kriteria dan pellliosesan khusus untuk pemilihan citra. . Dikarenakan
jumlah spektrum yang besar dan jumlah set data latihan yang sedikit mengakibatkan
terjadinya "kutukan dimensi".
2.2
AVIRIS
AVIRIS adalah warisan dari AIS (Airbone Imaing Spectrometer) yang dikembangkan
oleh NASA/JPL dan dioperasikan oleh NASA/JPL menggunakan berbagai macam pesawat
udara. Alat ini mengukur energi matahari yang ditransmisikan, dipantulkan dan yang tersebar
dari permukaan bumi dan atmosfer menggunakan 224 kanal dengan resolusi spasial yang
tinggi dan juga resolusi spektral. AVIRIS dapat dikatakan sebagai instrumen hiperspektral
yang pertama kali beroperasi.
Spektrum Radian AVIRS digunakan untuk mengidentifikasi, mengukur dan mengawasi
konstituen dari permukaan bumi dan atmosfer berdasarkan pada absorsi molekul dan
pesebaran partikel. Daerah penelitian termasuk ; ekologi, oseanogrfi, geologi, hidrologi,
pembelajaran tentang awan dan atmosfer. Data AVIRIS juga digunakan untuk kalibrasi
satelit, pemodelan dan pengembangan serta validasi algoritma. Penelitian menggunakan
AVIRIS secara dominan diarahkan untuk memahami proses yang terkait dengan lingkungan
global dan perubahan iklim.
Latar belakang dibuatnya AVIRIS adalah saat Alexander F. H. Goetz dan temannya di
JPL memulai pengembangan instrumen AVIRIS pada 1980an. Tujuannya adalah untuk
mengenalkan teknologi baru pendeteksi tingkat kepadatan kedalam aplikasi penginderaan
jauh dan juga untuk mendapatkan pengukuran detil dari spektrum Visible dan SWIR.
AVIRIS diterbangkan pertama kali pada 1986, pengambilan data pertama pada 1987,
dan beroperasi secara penuh pada 1989. Pada Juli 1991 intrumen ini sudah terbang
dibeberapa tempat tes di Eropa yang merupakan kerangka dari EMAC (European MultiSensor Airbone Champaign). AVIRIS menggunakan scanning optic dan kkumpulan dari
empat spektrometer untuk menggambarkan petak dengan lebar 677 pixel secara serentak
didalam 224 kanal spektral. Gambar spasial dibangun melalui pergerakan scanner, yang
mendefiniskan garis gambar 677 piksel tegak lurus terhadap arah pesawat, dan melalui
pergerakan dari pesawat udara, didaptlah panjang dari gambar. Jarak Spektral AVIRIS adalah
antara 360-2500nm dengan total 224 kanal.
AVIRIS sekarang adalah instrumen dengan kalibrasi radiometrik dan spektral yang
dapat dipercaya. AVIRIS biasanya mengambil gambar dengan ukuran pixel 20 m dari peswat
udara NASA ER-2 pada ketinggian 20 km. Lebar petak di permukaan adalah 12 km.
AVIRIS juga dapat mengambil data pada ketinggian pesawat udara yang rendah pada resolusi
spasial sebesar 1-4 m untuk mngurangi lebar petak.
BAB III
PELAKSANAAN
3.1
3.2
1.
Apabila citra yang dibuka tidak meload secara otomatis, klik menu
(Data
Manager) agar kotak dialog Data Manager muncul. Klik Kanan pada file lalu pilih
pilihan Load True Color.
Untuk melihat nilai pixel pada kanal red, blue dan green, klik kanan pada Status Bar
(terletak pada sisi bawah) lalu pilih Raster Data Value.
Gambar 3.9 Kotak Dialog FLAASH Atsmopheric Correction Model Input Parameters
12
4.
Hal pertama yang dilakukan adalah memilih data radian yang sudah dimiliki, klik Input
Radiance Image -> pada kotak dialog FLAASH Input File pilih file yang ada -> pilih
OK. Pada Kotak Dialog Radiance Scale Factors yang muncul, pilih Read array of
scale factor (1 per band) from ASCII file.
13
Selanjutnya pada kolom Output Reflectance File, isi tempat dimana File Reflectance
mau disimpan dan pada Output Directory for FLAASH File isi tempat dimana file
FLAASH mau disimpan. Untuk kolom Rootname for FLAASH File, tulis nama file
yang diinginkan untuk disimpan. Secara otomatis akan muncul Nilai Latitude dan
Longitude dari cita. Tapi selain itu ada beberapa hal yang juga wajib untuk diisi, yaitu :
- Sensor Type
: AVIRIS
- Sensor Altitude
: 20 km (sudah ketentuan)
- Groumd Elevation
: 0.6 (sudah ketentuan)
- Pixel Size
: 15.8 m
- Flight Date
: 27 April 2009 (bisa dilihat pada file INFO
f090427t01p00r06 yang juga telah disediakan oleh citra)
- Flight Time GMT
: 19.36 (bisa dilihat pada file INFO f090427t01p00r06
yang juga telah disediakan oleh citra)
- Atmospheric Model
: US Standard
- Water Revival
: Yes
- Aerosol Model
: Rural
Secara otomatis
akan diisi oleh
program
14
Apabila semua yang ditulis diatas sudah sesuai, pilih Apply. Tunggu sampai proses
selesai berjalan. Tampilan seperti dibawah akan muncul apabila proses berhasil
dilakukan.
Untuk melihat hasil koreksi dan membandingkan dengan data sebelum dilakukannya
koreksi, pilih
(Data Manager). Setelah Kotak Dialog Data Manager muncul, bisa
dilihat ada data yang sudah kita laukan koreksi yang bernama FLAASH_1. Apabila
ingin melihat data ini tanpa menghilangkan tampilan dari data sebelumnya, checklist
pada kolom Load in New View. Klik kanan pada data -> pilih Load True Color.
15
Lakukan Link pada kedua layar tampilan, agar memudahkan dalam mellihat titik yang
sama. Untuk melakukan Link, pilih Menu Views -> Link Views. Pada kotak dialog
Link View klik View 1 dan View 2 yang akan dihubungkan, lalu pilih OK.
Untuk melihat nilai pixel pada FLAASH_1, pilih icon Cursor Value pada Menu Bar
lalu arahkan kursor pada View 2. Adapun hasil yang didapatkan adalah sebagai berikut
:
Gambar 3.17 Nilai Pixel pada View 2 yang sudah dilakukan koreksi
Perlu diketahui sebelumnya apabila FLAASH akan secara otomatis mengatur nilai
reflektance dikalikan dengan 10,000. Jadi apabila nilai reflectance yang tertera 1472,
nilai tersebut dibagikan dengan 10,000 dan menjadi 0,147 atau mungkin dilakukan
pembulatan menjadi 0,15.
8.
Untuk melihat perbandingan nilai spektral dari sesudah dan sebelumnya dilakukan
koreksi, pertama masukkan posisi lokasi yang diinginkan pada kolom Go to yang
terdapat di Menu Bar. Misalkan dalam praktikum ini, masukkan koordinat pixel yang
diinginkan yaitu 233, 233. Secara otomatis kedua layar tampilan akan menunjukan
koordinat pixel tersebut. Setelah itu, untuk melihat nilai spektral gambar View 1, klik
pada View 1 lalu pilih
. Kotak Dialog Spectral Profil untuk View 1 akan muncul.
Lakukan langkah yang sama pada View 2.
Simpan Spectral Profile ke dalam bentuk Spectral Library dengan cara Export ->
Spectral Library. Beri nama sesuai yang diinginkan, pilih OK. Lakukan langkah yang
sama ke Spectral Profile FLAASH_1.
18
19
Gambar 3.24 Data Value citra yang belum terkoreksi (kanan) dan yang sudah dikoreksi (kiri).
20
BAB IV
PENUTUP
4.1
Hasil
Adapun hasil yang didapatkan dari praktikum ini adalah :
1.
Spectral Profile (TOA_radiance) pada koordinat pixel 233,233
2.
3.
21
4.
4.2
Data Value
Analisa
Analisa yang bisa dilakukan pada praktikum kali ini adalah :
Nilai reflektan yang didapatkan dengan menggunakan FLAASH akan secara
otomatis dikalikan 10,000, sehinggan apabila nilai pixel yang didapat sebesar
4444 maka nilai reflektan sebenarnya adalah 0.4
Terdapat perubahan drastis dari spectral profil yang ditunjukan oleh radian dan
reflektan. Hal ini terjadi karena FLAASH mendeteksi adanya kanal yang
memiliki kekuatan sinyal refektan yang buruk dan secara otomatis mengeluarkan
kanal tersebut sehingga pada beberapa tempat terjadi pemutusan sinyal. Pada
Data Value bisa dilihat band berapa saja yang dihilangkan yaitu:
Band 107-114
Band 153-168
Konversi dari data radian ke reflektan menggunakan FLAASH dapat
mengakibatkan artefak kedalam spektrum. Artefak dapat terjadi akibat beberapa
faktor :
22