Lihat diskusi, statistik, dan profil penulis untuk publikasi ini di: https://www.researchgate.

net/publication/333579055

Polarimetrik penguraian di dikalibrasi Radar Gambar untuk

Mendeteksi Vegetasi Obyek dekomposisi Polarimetrik hearts Citra
Radar Yang terkalibrasi untuk review Deteksi Obyek Vegetasi

Kertas konferensi · November 2017

CITATIONS
Dibaca
0
125

3 penulis, Termasuk:

Rahmat Rizkiyanto
Universitas Indonesia
6 PUBLIKASI 0 CITATIONS

SEE PROFIL

Beberapa penulis publikasi ini juga bekerja pada proyek-proyek terkait:

dalam pembelajaran Lihat proyek

Semua konten berikut halaman ini diunggah oleh Rahmat Rizkiyanto di 03 Juni 2019.

Pengguna telah meminta tambahan dari file yang didownload.

Seminar Nasional Penginderaan Jauh KE-4 Tahun
2017

Dekomposisi polarimetrik di dikalibrasi Radar Gambar

untuk Mendeteksi Vegetasi Obyek

Dekomposisi Polarimetrik hearts Citra Radar Yang terkalibrasi

untuk review Deteksi Obyek Vegetasi

Ogi Gumelar1,2 *), Liu Dawei1, Rahmat Rizkiyanto2

1
BUAA (Beihang Universitas Aeronautics dan Astronautics)
2
LAPAN (Lembaga Penerbangan Dan Antariksa Nasional)

*)
E-mail: ogumelar@yahoo.com ; ogi.gumelar@lapan.go.id

ABSTRAK -citra radar memiliki beberapa karakteristik tertentu, pola, fitur atau perilaku untuk vegetasi tertentu. Kita
harus menentukan apa yang tingkat pengolahan produk untuk data sebelum data take ALOS PALSAR sebagai masukan.
Proses penentuan dapat memberikan informasi jika data telah lereng dikoreksi, yang diproyeksikan ulang, radiometrik
dikalibrasi, dll Setelah memiliki informasi spesifik yang memenuhi syarat untuk menjadi procces lebih lanjut seperti
konversi nomor digital untuk Gamma atau Sigma sia-sia. Gamma sia-sia banyak digunakan untuk aplikasi deteksi
perubahan misalnya seperti pemantauan deforestasi dan perubahan hutan. Gamma sia-sia juga dapat diuji dan
divalidasi untuk efektifitas yang tinggi dan stabilitas untuk pemantauan hutan. Metode dekomposisi polarimetrik
diterapkan untuk beberapa quad polarisasi citra radar, dalam metode penelitian dekomposisi yang Sinclair, Pauli dan
Freeman-Durden. Perbandingan hasil dari metode yang berbeda akan menguji dan menganalisa lebih lanjut untuk
metode terbaik untuk klasifikasi. Beberapa klasifikasi tanpa pengawasan diterapkan untuk memeriksa kelas
keterpisahan.

Kata kunci: Polarimetrik penguraian, Kalibrasi, Pengawasan Hutan, Polarisasi, Gamma / Sigma sia-sia

ABSTRAK -Citra radar memiliki beberapa karakteristik, Pola, fitur Tertentu untuk review vegetasi Yang Spesifik.
Harus tingkat berapa ditentukan Proses Produk Pengolahan RADAR sebagai citra masukan. Tingkat Proses
Pengolahan DAPAT memberikan Sebuah information Mengenai citra Satelit radar tersebut apakah citra tersebut
Sudah dikoreksi, direproyeksi, dikalibrasi radiometrik, Dan Pengolahan citra lainnya. Penghasilan kena pajak
mendapat information Yang diperlukan Maka citra tersebut DAPAT diolah LEBIH lanjut seperti Konversi Nilai Dijital
Menjadi Nilai Gamma ATAU Sigma Nought.Gamma sia-sia Sering kali digunakan untuk review Aplikasi DetEksi
perubahan such as inviting participation seperti Pemantauan deforestasi Dan perubahan Lahan hutan. Gamma sia-sia
also DAPAT diuji Dan divalidasi untuk review Stabilitas Dan efektifitas hearts memantau hutan. Dalam Penelitian
dekomposisi polarimetrik termasuk Sinclair,

Kata kunci: Dekomposisi polarimetrik, Kalibrasi, Pemantauan hutan, Polarisasi, Gamma ATAU Sigma sia-sia

1. PENGANTAR
Ada dua jenis remote sensor satelit penginderaan yaitu optik dan radar sensor. Sensor optik tidak dapat
mempertahankan citra yang jelas jika awan, merokok atau kabut penutup permukaan bumi. Tutupan awan,
asap, kabut dan polutan atmosfer lainnya antara satu kendala untuk memperoleh citra yang jelas dari data
satelit optik terutama akuisisi band terlihat (merah, hijau dan band biru). Menurut penelitian dari Dirk H.
Hoekman, et al dalam makalahnya dengan judul "PALSAR Wide-Area Pemetaan Kalimantan: Metodologi
dan Peta Validasi" bahwa untuk daerah-daerah tertentu di Indonesia, seperti Kalimantan (pulau Borneo di
Indonesia), awan gigih di banyak mencegah daerah tropis sensor optik dari membuat biasa akuisisi gambar
handal dan awan tinggi dominan hampir semua tahun. Di daerah seperti penggunaan data satelit
penginderaan optik jarak jauh, sering tidak efisien dan efektif untuk proses identifikasi objek. Oleh karena itu
sensor radar yang memiliki kemampuan untuk menembus awan dan isi atmosfer cairan lain dapat digunakan
untuk penggunaan sensor optik.
Ada berbagai citra radar seperti ALOS PALSAR, Sentinel 1, RADARSAT-2, TERRA SAR-X, JERS, dll
Mereka sensor radar memiliki berbagai panjang gelombang sinyal dan resolusi spasial. aplikasi utama dari
citra radar di Indonesia sejak 2006 adalah bencana alam monitoring dan sumber daya pemetaan. Salah satu
bencana besar terkait dengan tanah atau kebakaran hutan di Sumatera (pulau lain di Indonesia). Penggunaan
citra optik untuk
105
tanah atau hutan api intensif termasuk deteksi hot spot dan pemetaan daerah yang terbakar. Namun, hasil
pemetaan daerah dibakar oleh citra optik sering adalah kualitas rendah karena awan dan polusi asap.
Perbandingan antara C dan citra radar L Band akan dilakukan berdasarkan penelitian sebelumnya (Studi
Banding C dan L Band SAR untuk Api Scar Pemantauan, Nakayama, S., Maximilians, L.). Untuk alasan
yang kita perlu pendekatan penelitian untuk mengembangkan teknik atau metode untuk memaksimalkan
klasifikasi hutan dan pemetaan menggunakan gambar radar. X, C dan L-band dari gambar radar memberikan
manfaat lain bagi hutan terdegradasi oleh menyala api. kemarahan besar api penyebab penghapusan kanopi
besar di mana kondisi ini dapat terus-menerus terdeteksi oleh citra SAR. Kita dapat menggunakan dua
akuisisi tanggal sebelum dan sesudah bencana kebakaran untuk membandingkan Radar C band gambar
sambil citra optik hanya mendeteksi degradasi hutan sementara. Kondisi sementara terjadi karena pola
menghilang karena pertumbuhan kembali hutan.

2. METODOLOGI
Sebelum mengambil Data ALOS PALSAR sebagai masukan pertama kita harus menentukan apa yang
tingkat pengolahan produk untuk data yang kita telah dipilih, untuk tingkat produk misalnya ALOS
PALSAR adalah 1.0, 1.1 atau 1.5. SAR Radiometri Kalibrasi adalah preprocessing langkah penting untuk
pengolahan klasifikasi selanjutnya berdasarkan nilai-nilai backscatter absolut (Terrain Lereng Koreksi dan
Pendaftaran Precise Data SAR untuk Pemetaan Hutan dan Monitoring, Z.-S. Zhou). Gamma sia-sia banyak
digunakan untuk aplikasi deteksi perubahan misalnya seperti pemantauan deforestasi dan perubahan hutan.
(Shimada. M, et al., 2012). sia-sia Gamma juga dianggap memiliki efektivitas yang tinggi dan stabilitas
untuk hutan pemantauan dan klasifikasi tutupan lahan.
Menurut (Lavalle, M., 2009)) yang derivasi dari sigma, beta dan gamma sia-sia dapat dihitung dengan
rumus (1).
Haiaku j Haiaku j
σ0 = 𝐾. 𝐷𝑁2; β0 = ; γ0 = ;.....................................................................................................(1)
aku j aku j a sin a cos (αaku j)
k k
(αaku j)
u u
j j

𝑖 = 1,2 ... 𝐿; 𝑗 = 1,2 ... 𝑀.

di mana K = mutlak kalibrasi konstan, 𝐷𝑁2 𝑖𝑠 nilai intensitas pixel pada baris gambar i dan kolom j, σ0 𝑖𝑠
i, ji, j
sigma sia-sia (hamburan balik koefisien) pada baris gambar i dan kolomaj, β0 adalah sia-sia beta (brightness) pada
gambar
baris i dan kolom j, γ0
a yaitu gamma sia-sia pada baris gambar i dan kolom j, αi, j adalah sudut datang
sigma sia-sia pada baris gambar i dan kolom j, dan L, M adalah jumlah baris dan kolom dalam produk
Rata-rata koefisien hamburan balik untuk daerah tertentu dapat diturunkan sebagai rata-rata σ0alebih 𝑁 =
𝑁a𝑥𝑁r piksel dalam target didistribusikan seperti yang ditunjukkan oleh rumus (2).
σ0 = Σi = Nr Σi = Na σ0........................................................................................................................................ (2)
avg i= j= aku j
1 1

Untuk mendapatkan sigma nol ke dB ditunjukkan oleh rumus (3).

σ0 [𝑑𝐵] = 10 𝑙𝑜𝑔10 (σ0) = 20𝑙𝑜𝑔10 (𝐷𝑁) + 𝐾 [𝑑𝐵] .............................. .................................................. .. (3)

Kita bisa melihat dari Gambar ini 1 bagaimana sigma, beta dan gamma sia-sia dapat digambarkan juga
mereka terkait dengan sudut datang theta. gambar ini hanya berlaku untuk satu objek atau 1 pixel kolom
satuan dan baris i, j dan menurut Shimada dengan perangkat lunak ASF dan produk ALOS tingkat 1.1 yang
Normalized Radar Cross Section dapat dihitung
Gambar 1. Ilustrasi Sigma, Beta, dan Gamma sia-sia
 • σ0 = 10 log10(I2 + Q2) + CF - SEBUAH..................................................................................................... (4)
atau
• σ0
produk 1.1
= 10. 𝑙𝑜𝑔 <𝐷𝑁2> + 𝐶𝐹 - 𝐴. .................................................. .................................. (5)

Sigma nilai nol juga dapat dihitung sebagai berikut fomula

• σ0
produk 1.5
= 10. 𝑙𝑜𝑔 <𝐷𝑁2> + 𝐶𝐹 ......................................... .................................................. ... (6)

Dengan I adalah bilangan real dan Q adalah bagian imajiner juga untuk A adalah faktor konversi dari 32,0.
DN = jumlah Amplitude Digital dari gambar
σ0 = Sigma sia-sia
CF = Kalibrasi Factor (-83 setelah 7 Januari 2009)
⟨. . ⟩ = Averaging 3x3 jendela ukuran kernel (Konvolusi Filter 3x3)

polarimetrik penguraian
a. Pauli penguraian dihitung dari rumus berikut
 Band merah: nilai absolut dari HH-VV yang berarti bahkan bouncing
 Band Hijau: nilai absolut dari HV + VH yang berarti bouncing diputar
 Biru Band: nilai absolut dari HH + VV yang berarti bouncing aneh
Mana dekomposisi ini dapat memvisualisasikan mekanisme hamburan yang dominan di daerah yang
berbeda dari tempat kejadian, misalnya buatan manusia benda seperti membangun kehendak tampak
merah (kondisi ini terjadi karena bahkan bouncing kembali akan mendominasi).
b. Sinclair penguraian adalah dekomposisi sederhana yang menggabungkan keempat polarisasi menjadi
gambar RGB tunggal. saluran hijau terdiri dari rata-rata salib polarisasi yang tidak bisa sama karena
kebisingan materi.
c. Freeman-Durden penguraian adalah pendekatan berbasis model yang upaya agar sesuai dengan kombinasi
tiga mekanisme hamburan sederhana untuk pengamatan SAR yang polarimetrik, tanpa memanfaatkan
setiap pengukuran tanah kebenaran. dekomposisi ini dapat ditugaskan ke
 Band Red: komponen bounce ganda (pencar dari permukaan pasangan orthogonal dengan berbagai
dielectric konstan)
 Band Hijau: komponen kanopi (pencar dari awan dipol berorientasi secara acak)
 Biru Band: Rough komponen Surface (Bragg pencar)

3. HASIL DAN DISKUSI

3.1 Hasil
Radar Data ALOS untuk tingkat quad polarisasi 1.1
Gambar 2 adalah ALOS PALSAR Tingkat 1.1 dengan adegan id ALPSRP062077060 yang terjadi di
Kabupaten Cirebon dengan saat akuisisi 25 th Maret 2007 dan masih tidak diproyeksikan dan dikalibrasi.
Modus Beam adalah PLR 21,5, tipe data yang kompleks nyata 32 dan produk adalah satu tampilan yang
kompleks. Perangkat lunak ASF akan menghasilkan output tipe data multi-tampilan amplitudo.
 Gambar 2. ALOS Tingkat 1.1 PLR 21,5 Complex Estat 32 SLC Cirebon 25 Maret 2007

Setelah kalibrasi ALOS PSR ini 2007/03/25 1.1 kemudian empat hasil polarisasi dapat dilihat pada
Gambar 3. ASF dapat menghasilkan sigma, beta, gamma, amplitudo atau nilai kekuatan dari semacam ini
data SAR, angka berikutnya akan menunjukkan bahwa ALOS gambar dikonversi menjadi nilai nol sigma.

(Sebuah) (B) (CD)

Gambar 3. ALOS Data Mentah Digital Nomor Dalam Sigma Nilai (a) HH, (b) HV, (c) VH dan (d) VV

Proses dengan data mentah digital nomor menjadi nilai sigma ASF ALOS dan deskripsi gambar di atas
dari kiri ke kanan adalah ALPSRP062077060-P1.1 A_SIGMA-AMP-HH, HV, VH dan VV. Adegan ini
masih belum geometris diperbaiki namun software diperkirakan pusat adegan lokasi di lintang bujur dan:
-6,444800, 107,722000.

3.1.1 Data Radar untuk ALOS PALSAR quad polarisasi tingkat 1,5
Data ALOS untuk (HH, HV, VH dan VV) di Kabupaten Riau (Gambar 4), Sumatera Pulau Indonesia
pada tanggal 26 April 2009 dan angka pertama masih tidak dikonversi ke koefisien radar backscatter.
 Gambar 4. Data yang ALOS Riau 26 April 2009 untuk HH, HV, VH dan VV dari Kiri
ke Kanan

Setelah dikonversi dari Amplitude menjadi nilai nol sigma di unit desibel maka kita dapat melihat hasil
pada Gambar 5 di bawah ini.

Gambar 5. ALOS Setelah Dikonversi dari Amplitude ke Sigma sia-sia Nilai

Menggunakan perangkat lunak SNAP convert ke sigma sia-sia untuk setiap band dan nomor digital untuk
setiap band memiliki perubahan desibel. Perubahan ini dapat dilihat dalam laporan statistik berikutnya
(Gambar 6) dimana histogram, minimum, maksimum, mean dan standar deviasi nilai ditampilkan.
 (a) (B)

(CD)
Gambar 6. Sigma nol (a) HH, (b) HV, (c) VH dan (d) VV

Gambar 7 adalah dekomposisi polametric dengan metode Sinclair dan warna yang dihasilkan dalam warna
lexicograph kode.

Gambar 7. ALOS Sinclair polarimetrik Dekomposisi dan Alibrated

3.1.2 Data Radar untuk sentinel 1 C band dengan VV polarisasi

SNAP menampilkan Sentinel 1 Band C- nilai nol Sigma di gambar kiri dan gambar yang tepat ditampilkan
dalam nilai amplitudo.

(a) (B)
Angka 8. Sentinel 1 Sebelum dikalibrasi (a) dan Setelah (b)

110
 Sentinel image 1 radar dengan VV polarisasi telah dikalibrasi dengan sia-sia keluaran sigma, yang
sentinel radar interferometri lebar dan tanggal akuisisi pada 5 Februari 2015 di Kabupaten Aceh, Sumatera
Utara Indonesia. Gambar 8 adalah salah satu dari ketiga dari ukuran gambar nyata dan belum diproyeksikan
ulang, itu sebabnya gambar masih belum utara peta yang berorientasi.

3.1.3 Data Radar untuk ALOS PALSAR Tingkat 1.5 dengan HH polarisasi.
Gambar 9 adalah visualisasi dari ALOS Tingkat 1,5 dengan adegan id ALPSRP050697120, peta
berorientasi dan 50N utara NUTM. Daerah wilayah ini banjarmasin Selatan Kalimantan dan tanggal gambar
perolehan pada tanggal 6 Januari 2007. modus Beam adalah Baik Beam Tunggal 34,4 HH, tipe data Gamma
(db) di bilangan bulat 16, format CEO L1, resolusi tinggi dan polarisasi tunggal.

(a) (B)
Gambar 9. ALOS sebelum rumus dikalibrasi ENVI diterapkan (a) dan setelah (b)

Setelah menerapkan rumus kalibrasi untuk mendapatkan nilai baru maka perubahan adegan gambar ke
gambar berikutnya,
Gambar 10 adalah gambar sebelum rumus kalibrasi diterapkan (gambar kiri) dan setelah dikalibrasi (gambar
kanan).

(Sebuah) (B)
Gambar 10. Sebelum (a) dan setelah (b) Kalibrasi Formula Terapan

Gambar 11, Gambar kiri adalah laporan statistik untuk ALOS PALSAR HH L1.5 sebelum proses
kalibrasi dan untuk gambar yang tepat adalah setelah proses. Kita bisa melihat minimum dan nilai
maksimum memiliki perubahan dari 0 -114,230560 dan 65.535-13,852707.
 (Sebuah) (B)
Gambar 11. Statistik Laporan Sebelum Claibrated (a) dan Setelah (b)

Gambar 12. Unsupervised Classification ISO

Tanpa pengawasan Klasifikasi dengan metode ISO-Data adalah menghasilkan hasil klasifikasi yang
memiliki mengambil murni dari koefisien backscatter itu sendiri. Kondisi proses ini adalah negara di mana
komputer memiliki diri yang diselenggarakan untuk setiap karakteristik pola yang unik. Dengan menetapkan
nilai deafult yang digunakan oleh ENVI seperti jumlah kelas minimal 5 dan maksimal 10, maksimum iterasi
1 kali, mengubah treshold 5 persen, maksimal kelas standar deviasi 1 unit, jarak kelas maksimum 5 unit dan
jumlah maksimum pasang merge adalah 2.
Klasifikasi ini masih menggunakan data ALOS murni perhitungan mesin dan kondisi masih tidak
terpengaruh dengan analisis manusia. Seperti yang Anda lihat pada Gambar 12, kelas air masih bercampur
dengan tanah atau vegetasi objek.

3.2 Diskusi
L Band-HV polarisasi lebih sensitif terhadap vegetasi daripada L-Band HH, Gambar 13 di bawah ini
adalah ALOS PALSAR dengan HH polarisasi pada gambar kiri dan HV untuk gambar yang tepat.
 (a) (B)
Gambar 13. ALOS PALSAR Riau 2009 HH polarisasi (a) dan HV (b) L-HV Polarisasi Perilaku

Selain itu menurut (Shimada, M. 2009) HV tidak sensitif terhadap struktur vertikal dari pertumbuhan
kembali pohon setelah dipotong jelas dan permukaan yang kasar. Perilaku sensitivitas ini sangat penting
untuk mendeteksi daerah hutan yang digunduli. Gambar dengan HV polarisasi dapat mendeteksi bekas luka
api lebih sensitif dari HH polarisasi. Lintas polarisasi (HV atau VH) sangat sensitif terhadap benda vegetasi.
Gambar 14 adalah ALOS PALSAR dengan kombinasi Band HH, HV dan Ratio (HH dan HV) di Wilayah
Riau, Sumatera Island, Indonesia (2009).

Gambar 14. ALOS PALSAR dengan kombinasi Band HH, HV dan Ratio (HH dan
HV) di Wilayah Riau, Sumatera Island, Indonesia (2009).

dekomposisi komparatif (Sinclair, Pauli, Cloude-Pottier, Freeman-Durden, Yamaguchi) menghasilkan

analisis terbaik untuk menentukan polarisasi akan memberikan deteksi obyek terbaik. Gambar 15 terdiri dari
empat komposisi dari sisi kiri (2) HH, HV, rasio kemudian (4) Sinclair, (7) Pauli dan (8) Freeman-Durden
penguraian. Dari setiap gambar kita dapat melihat gambar yang memberikan hasil klasifikasi yang optimal.
Berikut ini adalah gambaran dari ALOS Data quad polarisasi di Kabupaten Riau, Sumatera Pulau Indonesia
pada tanggal 26 April 2009.
Baik Beam Tunggal dan Dual sering digunakan untuk pemantauan hutan karena polarisasi, HV lebih
sensitif terhadap hutan yang jelas dipotong pemantauan dari HH. HV tidak terlalu sensitif terhadap struktur
vertikal dari pertumbuhan kembali pohon setelah dipotong jelas dan permukaan yang kasar. HH sedikit
sensitif terhadap struktur vertikal dan kondisi basah tanah yang sangat penting untuk mengenali area hutan
yang digunduli. HV juga menunjukkan sensitivitas lebih besar dari HH untuk mendeteksi bekas luka api.
Beberapa contoh menunjukkan bahwa HV atau Halus Beam Ganda memiliki kinerja yang lebih baik
daripada polarimetri (PLR), seperti mendeteksi kebakaran bekas luka objek. Dua alasan yang mungkin
adalah bahwa HV dari FBD memiliki lebih rendah Kebisingan-setara Sigma Nol daripada HV dari PLR,
karena yang terakhir terkontaminasi oleh Rentang Ambiguitas dari seperti komponen (karena dua kali lebih
besar Pulse Repetition Frequency (PRF) dari PLR dibandingkan dengan yang FBD), dan bahwa perubahan
besar dalam Normalized Radar Cross Section (NRCS) muncul dengan sudut kejadian yang lebih besar, yang
PLR dibatasi oleh sudut kecil 21.5◦ dari titik nadir sedangkan FBD dioperasikan dengan off-nadir 34.3◦.
PALSAR adalah operationaly memantau deforestasi dan permukaan deformasi, juga diperlukan waktu
komputasi jauh lebih daripada JERS karena waktu azimuth lagi. (Shimada, M. 2009). PALSAR adalah
operationaly memantau deforestasi dan permukaan deformasi, juga diperlukan waktu komputasi jauh lebih
daripada JERS karena waktu azimuth lagi. (Shimada, M. 2009). PALSAR adalah operationaly memantau
deforestasi dan permukaan deformasi, juga diperlukan waktu komputasi jauh lebih daripada JERS karena
waktu azimuth lagi. (Shimada, M. 2009).
 (A) (b) (c) (d)
Gambar 15. HH, HV, Ratio (a), Sinclair (b), Pauli (c) dan Freeman-Durden penguraian (d)

4 KESIMPULAN
Kalibrasi rumus untuk mendapatkan sia-sia gamma dan dekomposisi polarimetrik adalah alat yang efisien
untuk menentukan objek vegetasi. Objek ini seperti hutan, deforestasi atau kawasan hutan yang terbakar akan
mudah dianalisis dengan menggunakan metode Sinclair untuk dekomposisi nya. Copolarization dan cross
polarisasi memiliki kemampuan mereka sendiri dalam mendeteksi beberapa objek vegetasi.

5 REFERENSI
Budi, S. (2005). Backscatter Karakterisasi Multi-Temporal Radarsat Citra: di Ajkwa Deposition Tailing di Area (Papua,
Indonesia). (Tesis), Program Pascasarjana, Institut Pertanian Bogor, Bogor.
Daulay, S. (2011). Belajar pada Backscatter Karakteristik ALOS PALSAR Citra dalam Hutan Hujan Tropis. (Tesis).
Program Pascasarjana, Institut Pertanian Bogor, Bogor.
De Zan, F. dan Guarnieri, AM (2006). TOPSAR: Pengamatan Terrain oleh Progressive Scan. Geoscience dan Remote
Sensing, IEEE Transaksi pada, 44 (9), 2352-2360. doi: 10,1109 / TGRS.2006.873853.
Hoekman, D, Vissers, M.AM, Wielaard, N. (2010). "Pemetaan PALSAR Wide-Area Kalimantan: Metodologi dan Peta
Validasi". IEEE Journal of Topik Terpilih di Pengamatan Terapan Bumi dan Remote Sensing, Vol.3 (4), 605-617.
Henderson MF dan Lewis JA (2013). Prinsip dan Aplikasi Imaging Radar: Manual Jarak Jauh Sensing3rd Edition,
Volume 2. American Society for Fotogrametri dan Remote Sensing dan John Wiley and Sons, Inc.
JAXA. (2012). ALOS-2 / PALSAR-2 Tingkat 1.1 / 1.5 / 2.1 / 3.1 CEO SAR Produk Format Deskripsi, 28 Desember 2012
download di 2015 darihttp://www.eorc.jaxa.jp/ALOS-2/en/doc/fdata/PALSAR-2_xx_Format_CEOS_E_r.pdf
JAXA. Japan Aerospace Exploration Agency, 2006. PALSAR: bertahap tipe Array L-band Synthetic Aperture Radar.
http://www.eorc.jaxa.jp/ALOS/
Jensen R. John. (2007). Terpencil Merasakan Lingkungan Hidup: Sebuah Bumi Sumber Daya Perspektif. Dorling
Kindersley (India) Pvt. Ltd, pemegang lisensi Pendidikan Pearson di Asia Selatan.
Lavalle, M., Wright, T. (2009). Mutlak Radiometri dan polarimetrik Kalibrasi ALOS PALSAR Produk Generated dalam
ADEN. Dokumen judul / titer du masalah dokumen 1 revisi 3 - 19/5/2009.
Lee S. Jong, Pottier E. (2009). Polarimetrik Radar Pencitraan dari Basic ke Aplikasi. CRC Press Taylor dan Francis
Group, Boca Raton Florida
Mahafza R Bassem. (2008). Analisis Sinyal radar dan Pengolahan Menggunakan Matlab. CRC Press Taylor dan Francis
Grup
Noviar, Heru, Bambang Trisakti. (2013). Pemanfaatan Kanal Polarisasi Dan Kanal tekstur data PiSAR-L2 untuk review
Klasifikasi Penutup Lahan Kawasan Hutan DENGAN Metode Klasifikasi Terbimbing. Jakarta: Lembaga
Penerbangan Dan Antariksa Nasional; Jurnal Penginderaan Jauh Vol 10 No.1 Juni 2013: 47-58.
Rees, WG (2001). Prinsip fisik Remote Sensing. Edisi kedua. Scott Polar Research Institute, University of Cambridge.
Gens Rudi. (2015). ASF Radiometri medan dikoreksi produk. Algoritma teoritis Dasar Dokumen.
Sambodo, Katmoko Ari, Novie Indriasari.2013. Sampul Klasifikasi Tanah Dari ALOS PALSAR Data Menggunakan
Support Vector Machine. International Journal of Remote Sensing dan Ilmu Bumi vol 12.
Sambodo, AK, Rahayu, MI, Indriasari N. (2014). (Klasifikasi Hutan-Non Hutan data ALOS PALSAR
MENGGUNAKAN Metode Acak Hutan, Hutan - Non Hutan Klasifikasi ALOS PALSAR data menggunakan
sembarang Cara Forest, Sambodo et al). Seminar Nasional Penginderaan Jauh 2014
Sentinel-1 Tim. (2013). Sentinel-1 Pengguna Handbook. Dokumen ruang Badan Eropa, 1 September 2013.
https://sentinel.esa.int/
Shimada M., O. Isoguchi, T. Tadono, dan K. Isono. (2009). PALSAR Radiometri Kalibrasi dan Geometric Kalibrasi.
IEEE Trans. Geosci. Terpencil Sens., Vol. 47, pp. 3915-3932.
Sunuprapto, H., Hussin, Y. 2000. Perbandingan antara Optik dan Radar Gambar satelit di Mendeteksi Burnt Tropical
Forest di Sumatera Selatan, Indonesia. Arsip internasional Fotogrametri dan Remote Sensing. Vol. XXXIII, Bagian
B7. Amsterdam 2000, p.580-587.
Syam, PDR 2015. GAMMA-sia radiometrik CALIBRATIONOF ALOS Phased Array L-BAND
SYNTHETIC APERTURE RADAR JAWA MOSAIC [Skripsi]. Yogyakarta. Universitas Gadjah Mada.
Van der Sanden, JJ, 1997. Radar jarak jauh penginderaan untuk mendukung pengelolaan hutan tropis. Tropenbos-Guyana
Seri 5.