DOSEN PENGAMPU:
MUHAMMAD KAMAL, M.Sc, Ph.D
Disusun Oleh :
Metode
Lokasi: Penelitian dilakukan pada 2 plot berukuran 1 x 1 m sebagai
training dan testing area pada lahan pertanian grubbed winter barley
berukuran 7 x 66 m di Brunswick, Germany. Sebagai data referensi,
analisa citra RGB dengan resolusi spasial tinggi dan perhitungan NDVI
atas citra hiperspektral dilakukan terhadap area plot berukuran 1m 2.
Analisa data dilakukan dengan berbagai tahap seperti ditunjukkan pada
gambar 1. Koreksi Radiometrik dilakukan menggunakan data referensi
(dari spectralon) dengan fungsi polinomial orde 1 hingga 14 terhadap
data point clouds, dimana berfungsi untuk menghilangkan outliers data
serta range effect dari amplitudo signal laser. Selanjutnya, Feature
Calculation dilakukan terhadap informasi geometrik (dimensi XYZ) dan
radiometrik (amplitudo signal) atas masing-masing laser point dengan
mempertimbangkan nilai dari tetangga sekitarnya. Berdasarkan kalkulasi
yang dilakukan, terdapat 38 feature yang dapat diidentifikasi untuk
selanjutnya dikorelasikan pada tahap Feature Correlation. Pada tahap
tersebut, dilakukan analisis korelasi menggunakan Pearson product
moment dan Principal Component Analysis untuk mengevaluasi apakah
ada pengulangan terhadap hasil kalkulasi features.
Klasifikasi terhadap data point clouds dilakukan menggunakan metode
supervised (tree induction and Naive Bayes) serta unsupervised (K-
means). Disamping itu, dilakukan model construction terhadap training
data sebagai dasar klasifikasi berdasarkan Gini Index Weighting (Breiman,
2001). Pada tahap selanjutnya, dilakukan perhitungan Cohens Kappa
terhadap hasil klasifikasi data dengan data referensi sebagai
pembandingnya
Peluang pengembangan
Informasi radiometric dari data LiDAR masih jarang dikaji, terutama untuk
kepentingan kaliberasi data. Kedepannya, kombinasi kajian antara
perbedaan ketinggian objek dengan perbedaan amplitude akan mampu
menghasilkan klasifikasi objek yang lebih akurat.
Metode
Secara umum, metode dalam penelitian tersebut dibagi dalam tiga
kegiatan utama yakni penyusunan instrumen (sistem sensor Hiperspektral
LiDAR), pemilihan spektrum dan saluran gelombang elektromagnetik, dan
analisa data. Penyusunan sistem sensor Hiperspektral LiDAR menjadi
bagian penting dalam penelitian ini karena sensornya berbeda dengan
sensor citra hiperspektral maupun sensor LiDAR pada umumnya.
Selanjutnya, pemilihan saluran dan spektrum gelombang cahaya
dilakukan berdasarkan perhitungan weight of wavelength. Setelah proses
perekaman, analisa data dilakukan dengan metode Support Vector
Machine pada empat kategori kandungan nitrogen pada tanaman padi
observasi.
Peluang pengembangan
Penggunaan hiperspektral LiDAR kemungkinan dapat digunakan untuk
analisa lain dari faktor bio-fisik tanaman, dimana perekamannya tidak
tergantung pada kondisi penyinaran matahari.
Penggunaan LiDAR
Digital Elevation Model merupakan data penting yang dapat diturunkan
dari sistem penginderaan jauh LiDAR. Dalam penelitian tersebut, data
LiDAR digunakan pembanding untuk terhadap klasifikasi kelerengan
pada wilayah kajian menggunakan DEM SRTM dan ASTER GDEM.
Perbandingan tersebut mencakup aspek perbedaan elevasi, korelasi
dan akurasi DEM yang dihasilkan menggunakan tiga metode tersebut.
Metode
Secara umum, tahap pemrosesan data dijelaskan dalam diagram alir
pada gambar 2.
Peluang Pengembangan
LiDAR dapat digunakan pula untuk pemodelan DTM dan DSM sehingga
dapat diketahui aspek geometris tanaman tebu karena penelitian
dilakukan pada area pertanian tebu. Data geometris atas tutupan lahan
(komoditas tebu) dapat digunakan dalam analisis estimasi produksi,
biomassa, ataupun aspek kondisi fisik tanaman tebu.