TUGAS RESUME

FOTOGRAMETRI DIGITAL
“Pemaduan Data LiDAR dan Foto Udara Digital Untuk Pemetaan Hutan
Berbasis Objek (Studi Kasus : Florida Everglades, USA)”

Disusun Oleh:
ARIZAL BAWASIR
03311740000008

KELAS:
FOTOGRAMETRI DIGITAL A

Dosen Pengampu : Dr-Ing. Ir. Teguh Hariyanto, M.Sc

DEPARTEMEN TEKNIK GEOMATIKA

FAKULTAS TEKNIK SIPIL LINGKUNGAN DAN KEBUMIAN
INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA
2019
 Pemaduan Data LiDAR dan Foto Udara Digital Untuk Pemetaan Hutan
Berbasis Objek (Studi Kasus : Florida Everglades, USA)
(Fusing LiDAR and digital aerial photography for object-based forest
mapping in the Florida Everglades)

PENDAHULUAN
Florida Everglades adalah lahan basah subtropis terbesar di Amerika Serikat. Ini
telah ditetapkan sebagai Situs Warisan Dunia, Cagar Biosfer Internasional, dan Lahan Basah
Kepentingan Internasional sebagai hasil dari kombinasi unik hidrologi dan ekologi berbasis
air yang mendukung banyak spesies yang terancam dan hampir punah. Sebagai salah satu
komunitas tanaman utama di Everglades, hutan memainkan peran penting dalam sistem ini.
Pemantauan perubahan hutan dataran tinggi dan daratan di Everglades dapat memberikan
ukuran kemajuan dan efek restorasi terhadap kesehatan lingkungan.
Informasi hutan terkini di Everglades utamanya berasal dari studi lapangan dan
interpretasi manual dari foto udara skala besar. Beberapa penelitian telah menunjukkan
bahwa menggabungkan citra resolusi spasial yang baik dengan airborne light detection and
ranging (LiDAR) menunjukkan potensi untuk pemetaan hutan yang terperinci. Studi dalam
konteks ini dapat dikelompokkan menjadi dua kategori. Yang pertama adalah integrasi citra
hiperspektral resolusi spasial dengan data LiDAR. Integrasi ini menurut penulis mungkin
merupakan kombinasi data terbaik untuk pemetaan hutan. Tetapi akan tidak praktis untuk
menggunakan data hiperspektral resolusi spasial yang baik untuk pemetaan yang luas di
Everglades karena biaya pengumpulan data yang lebih tinggi. Yang kedua adalah sinergi
dari citra multispektral resolusi spasial dan data LiDAR. Telah diakui bahwa kombinasi ini
efektif dan efisien untuk pemetaan hutan. Dalam studi ini, penulis paper mengeksplorasi
integrasi data LiDAR ‘low-posting-density’ dan foto udara digital dengan resolusi spasial
yang baik untuk klasifikasi hutan di Everglades menggunakan teknik OBIA (object-based
image analysis) dan mengetahui manfaat potensial dari sistem LiDAR modern untuk CERP.

METODOLOGI
Area Penelitian
Daerah penelitian ditampilkan sebagai foto udara inframerah berwarna pada Gambar
1, yang mana merupakan bagian dari DAS Danau Okeechobee di Everglades pusat. Danau
Okeechobee adalah danau air tawar terbesar di Florida. Danau ini adalah jantung ekosistem
Everglades dengan menyediakan air bagi masyarakat di sekitarnya, dan berfungsi sebagai
sumber air untuk navigasi, rekreasi, dan muara. Kesehatan danau sedang terancam dalam
beberapa dekade terakhir oleh nutrisi yang berlebihan dari kegiatan pertanian dan perkotaan,
serta water-level tinggi dan rendah yang berbahaya.
Situs penelitian mencakup area seluas sekitar 5.176 hektar dengan 7 komunitas hutan
Everglades yang umum hadir: mixed wetland hardwood, upland mixed
coniferous/hardwood, cabbage palm, oak-cabbage palm, live oak, upland hardwood, dan
palmetto prairies.
 Gambar 1. Peta Everglades dan area studi ditampilkan sebagai foto udara color infrared (CIR).

Sumber dan Akuisisi Data

1) Foto udara digital yang telah di-ortorektifikasi menjadi produk “digital ortho-photo
quarter quads” (DOQQs) oleh USGS.
2) Data LiDAR yang diakuisisi menggunakan sistem Leica ALS-50. Sistem ini memiliki
akurasi posisi sebesar 0,05 kaki secara horizontal dan 0,2 kaki secara vertikal pada
tingkat kepercayaan 95%. Kepadatan titik rata-rata untuk wilayah studi ini adalah 1,1
pts/m2.
3) Data referensi yang merupakan foto udara NAPP dari tahun 2004 hingga 2005 dan
diklasifikasikan berdasarkan penggunaan lahan dan sistem klasifikasi tutupan lahan.
Segmentasi Gambar/Image Segmentation
Segmentasi gambar adalah prosedur utama untuk melakukan klasifikasi berbasis
objek yang efektif.

Gambar 2. Diagram alir untuk pemetaan hutan menggunakan LiDAR dan foto udara digital
Ekstraksi Fitur LiDAR & Klasifikasi
Tiga jenis fitur dapat diekstraksi dari data LiDAR: elevasi, intensitas, dan topografi.
Untuk menggunakan informasi ketinggian secara efektif, efek topografi dihilangkan terlebih
dahulu dengan mengurangi nilai DTM di bawah setiap titik dari ketinggian. Ini dikenal
sebagai normalisasi data dalam penginderaan jauh LiDAR. Poin dengan ketinggian yang
dinormalisasi kurang dari 1 kaki dianggap sebagai titik tanah yang akan di-drop untuk
analisis lebih lanjut. Penulis paper memilih RF (random forest) dalam penelitian ini. RF
terdiri dari kombinasi pohon keputusan (decision trees) di mana setiap pohon keputusan
memberikan kontribusi suara tunggal untuk menetapkan kelas yang paling sering ke vektor
input.
Penilaian Akurasi
Untuk penelitian ini, penulis membuat matriks kesalahan (error matrix) dan
menghitung statistik Kappa untuk penilaian akurasi. Matriks kesalahan dapat diringkas
sebagai akurasi keseluruhan dan nilai Kappa. Akurasi keseluruhan didefinisikan sebagai
rasio dari jumlah sampel validasi yang diklasifikasikan dengan benar terhadap jumlah total
sampel validasi terlepas dari kelas. Nilai Kappa menggambarkan proporsi sampel validasi
yang diklasifikasikan dengan benar setelah random agreement dihapus.

HASIL DAN PEMBAHASAN

Pemetaan Hutan Berbasis Objek
Peta klasifikasi yang dihasilkan ditunjukkan pada Gambar 3. Matriks kesalahan yang
dibangun dan akurasi berdasarkan data validasi ditampilkan pada Tabel 1.

Gambar 3. Peta klasifikasi untuk area studi

Tabel 1. Matriks kesalahan untuk peta klasifikasi yang ditunjukkan pada Gambar 3

 PA (%): producer’s accuracy; UA (%): user’s accuracy.

 Kelas 1–7 secara berturut-turut merepresentasikan : mixed wetland hardwood, upland mixed coniferous/hardwood,
cabbage palm, oakcabbage palm, live oak, upland hardwood, dan palmetto prairies.

Peta klasifikasi berbasis objek lebih informatif dan berguna daripada yang berbasis
pixel tradisional yang mungkin terkesan “ramai” karena tingkat heterogenitas spasial dan
spektral Everglades yang tinggi. Keakuratan produsen bervariasi dari 6,3% (oak-cabbage
palm) hingga 96% (live oak), dan akurasi pengguna bervariasi dari 59% (live oak) hingga
100% (palmetto prairies).
Menggunakan foto udara digital saja tidak dapat menghasilkan akurasi yang
memadai, seperti yang dikonfirmasi dalam penelitian ini. Dimasukkannya fitur turunan
LiDAR secara signifikan meningkatkan akurasi klasifikasi, menunjukkan potensi sistem
LiDAR modern dalam pemetaan Everglades. Fitur topografi mungkin tidak berubah banyak
dalam 3 tahun, tetapi struktur vegetasi yang ditandai oleh ketinggian dan intensitas LiDAR
mungkin telah sangat berubah. Pengumpulan simultan dua sumber data mungkin dapat
menghasilkan akurasi yang lebih tinggi. Selain itu, meningkatkan kepadatan titik LiDAR
dapat membantu meningkatkan akurasi klasifikasi dengan karakterisasi struktur hutan yang
lebih baik.

KESIMPULAN
Dalam tulisan ini telah diteliti apakah LiDAR dapat berkontribusi dalam pemetaan
hutan di Florida Everglades. OBIA, data gabungan, dan teknik klasifikasi machine learning
image diintegrasikan untuk menghasilkan peta hutan yang akurat dan informatif. Untuk
menghindari kesalahan dan ketidakpastian dalam metode LiDAR berbasis raster, dilakukan
ekstraksi statistik elevasi dan intensitas LiDAR dari data cloud titik asli. Ditemukan bahwa
data LiDAR sangat berguna dan dapat secara signifikan meningkatkan akurasi klasifikasi
hutan dengan memberikan informasi ketinggian, intensitas, dan topografi yang penting.
Penggunaan dua sumber data secara sinergis menghasilkan akurasi keseluruhan 71% dalam
mengklasifikasikan tujuh komunitas, menunjukkan potensi untuk pemetaan hutan di
Everglades. Secara keseluruhan, dapat dikatakan bahwa sistem LiDAR dapat berkontribusi
dalam pemetaan hutan / vegetasi di Everglades.
REFERENSI
Zhang, C., Xie, Z., & Selch, D. 2013. Fusing LiDAR and digital aerial photography for
object-based forest mapping in the Florida Everglades. GIScience & Remote Sensing,
50(5), 562-573.