01 Kuliah Tamu GD4104 Pengindraan Jauh Lingkungan

Pengindraan Jauh untuk

Eksplorasi Sumberdaya Bumi
Arie Naftali Hawu Hede, Ph.D.
Email: naftali@mining.itb.ac.id

Kelompok Keahlian Eksplorasi Sumberdaya Bumi

Fakultas Teknik Pertambangan dan Perminyakan
Institut Teknologi Bandung

Outline:
• Pengantar Pengindraan Jauh/Remote Sensing
• Fitur Permukaan yang Digunakan untuk Analisis RS
• Foto Udara dan Aplikasinya dalam Eksplorasi
• Citra Satelit dan Aplikasinya dalam Eksplorasi Rabu, 29 September 2021
02 Pemantauan Lapisan Udara

Vulkanik
Longsoran
Topografi

Vegetasi

Tata Guna Lahan

Pemantauan Polusi
Eksplorasi mineral
Eksplorasi panas bumi
Eksplorasi bahan galian fosil Pemantauan cuaca
Pemantauan Laut

Teknologi untuk menginvestigasi jenis, bentuk, ukuran, sifat fisik/kimia dari permukaan material melalui analisis data yang diakuisisi
oleh alat yang tidak kontak langsung dengan object dengan memanfaatkan interaksi radiasi elektromagnetik
03
Metode Remote Sensing dalam Eksplorasi
Kondisi muka bumi Metode Ground Based

Spasial
Metode Remote Sensing database

Observasi dan
pengukuran
Sensor
Citra

• Meliputi area permukaan bumi yang cukup luas.
• Pengamatan daerah terisolasi atau remote area.
• Pengamatan dalam range (interval) waktu tertentu.
• Hasil diperoleh dalam waktu relatif singkat.
• Penghematan biaya (murah).
• Hasil berupa interpretasi sehingga tetap diperlukan validasi
lapangan.
• Tidak sedetail dibanding observasi langsung.
• Tergantung pada ketersediaan gambar/citra dan memerlukan
perangkat keras dan perangkat lunak yang khusus.
04
Fitur Permukaan yang Digunakan untuk Analisis Remote Sensing
Remote sensing → Deteksi fenomena permukaan

Intensitas nilai reflektansi material; Intensitas back-scattering;

Identifikasi jenis material
Pemetaan vegetasi, pemetaan mineral-batuan,
analisis struktur geologi, analisis longsoran,
pemantauan lingkungan (lubang ozon, polusi air,
tataguna lahan)
REFLEKTANSI
Fitur geometris Estimasi kekasaran-pergerakan
permukaan
Emisi dari energi radiasi; Gelombang laut, meteorology, kelembapan
tanah, topografi, pergerakan permukaan
Estimasi temperatur permukaan karena gempa, erupsi gunung api, penurunan
Pemantauan gunung berapi, temperatur tanah.
laut, lingkungan, meteorology, eksplorasi SCATTERING
panas bumi.
EMISI Scattering

Absorpsi Emisi
05
Energi Elektromagnetik dan Citra Satelit
REFLEKTANSI EMISI SCATTERING

Near- Shortwave
infrared infrared

Citra/Image
Citra/Image

Update: Sentinel 1, ALOS PALSAR, TerraSAR-X, dll

Update: Landsat 8, ASTER, Sentinel 2, dll.

Diagram rentang visible-infrared dan rentang microwave terhadap transmisi melalui atmosfer (Sabins, 1997).
06
Spektroskopi Reflektansi dan Emisivitas
Spektroskopi adalah ilmu yang mempelajari interaksi energi dalam bentuk radiasi elektromagnetik dan
material/benda. Radiasi dapat diabsorbsi, emisi maupun dipencar (scattered) oleh material.
• Spektroskopi reflektansi; analisis mineral dalam rentang spektrum visible (0.4– 0.7 µm), near-infrared (NIR;
0.7–1.3 µm), dan shortwave infrared (SWIR; 1.3–2.5 µm)
• Spektroskopi emisivitas; analisis mineral dalam rentang thermal infrared (8–16 µm)
07
Hull / continuum

Spektroskopi Reflektansi

Refletansi
Visible-Near Infrared Quartz
FWHM
• Fe-oksi-hidroksida. Calcite Carbonate band

Depth
VNIR • Endapan nikel laterit. Kaolinite
0.4–1.3 µm
• Cr pada mineral kimberlite, garnet, minima
Mn, dan mineral pembawa REE Clay band

Shortwave Infrared
• Mineral yang dihasilkan pada pH Goethite
Panjang gelombang (µm)

rendah (alunite and pyrophyllite); Fitur absorpsi kurva reflektansi

SWIR Iron bands
1.3–2.5 µm
• Mineral pembawa Al–Si-(OH) and Mg– H2O/OH- bands

Si–(OH); kaolinite, mika, dan grup Parameter pada respon spektral

klorit; seperti bentuk absorpsi, posisi
• Mineral pembawa Ca–Al–Si–(OH); Green vegetation minimum, kedalaman absorpsi,
Grup epidote dan karbonat Chlorophyll bands reflektansi absolut dapat digunakan
untuk menganalisis informasi fisik
TIR material dan properti kimia seperti
Thermal Infrared
10–14 µm unsur mayor dan minor,
Non-OH-bearing silicates VNIR SWIR
kelimpahan, kelembaban, ukuran
butir, dan lain-lain (Hauff, 2008).
08
Spektroskopi Reflektansi – Fitur Visible–Near-infrared
PR-1 PR-2 AL-1 AL-2 AL-3 TL-1

Uraninite
REE bands
Monazite

Normalisasi Reflektansi (di offset agar lebih jelas)

TL-2 TL-3 TL-4 TL-5 CN-1 CN-2
Neodymium oxide
Reflektansi (di offset agar lebih jelas)

Sampel yang berasal dari tambang timah (PR: primer,

AL: aluvial, TL; tailing, CN: konsentrat)Europium oxide
~748 nm
Zircon
Iron bands Iron oxide
H2 O/OH- bands Clay bands
SO₄²⁻, NH4, TL2-48# : 262,58 ppm
Al-OH Halloysite-Kaolinite TL2-65# : 1.076,6 ppm
TL2-150# : 6.870,9 ppm
Ca band
Calcite
Calcite ~803 nm
Fitur reflektansi sampel TL-2 pada
700 – 900 nm
Quartz
Quartz

0.5 1.0 1.5 2.0 2.5 0.5 1.0 1.5 2.0 2.5 ~872 nm
Panjang gelombang (µm) Panjang gelombang (µm)
Tipikal spektral VNIR-SWIR nilai reflektansi Kurva hubungan antara kadar
normal mineral umum, REE, dan radioaktif Nd dan absorption depth.
berdasar basis data spektral USGS (Kokaly et al.,
2017) beserta identifikasi band absorpsi. Kurva spektral reflektansi sampel
09
Spektroskopi Reflektansi – Fitur Shortwave Infrared
Visible-Near Infrared
• Fe-oksi-hidroksida.
VNIR • Endapan nikel laterit.
0.4–1.3 µm
• Cr pada mineral kimberlite, garnet,
Mn, dan mineral pembawa REE
Shortwave Infrared
• Mineral yang dihasilkan pada pH
rendah (alunite and pyrophyllite);
SWIR • Mineral pembawa Al–Si-(OH) and Mg–
1.3–2.5 µm
Si–(OH); kaolinite, mika, dan grup
klorit;
• Mineral pembawa Ca–Al–Si–(OH);
Grup epidote dan karbonat

TIR Thermal Infrared

10–14 µm
Non OH-bearing silicates
10
Spektroskopi Reflektansi – Fitur Shortwave Infrared
Fitur absorpsi pada rentang SWIR adalah fungsi dari komposisi dari mineral tersebut.
Manifestasi dari absorpsi energi pada kisi kristal dari transisi keadaan vibrasi.

Fitur absorpsi pada panjang gelombang shortwave infrared dan grup mineral yang terkait (Hauff, 2008).
Panjang Gelombang Fitur Absorpsi Grup Mineral
~1.4 µm OH and water Lempung, sulfate, hidroksida, zeolit
~1.56 µm NH4 Kelompok mineral NH4
~1.8 µm OH Sulfat
~1.9 µm Water Smektit
~2.02, 2.12 µm NH4 Kelompok mineral NH4
. ~2.2 µm Al-OH Lempung, sulfate, mika
~2.29 µm Fe-OH Fe-lempung
~2.31 µm Mg-OH Mg-lempung, organik
~2.324 µm Mg-OH Klorit
~2.35 µm CO3-2 Karbonat
~2.35 µm Fe-OH Fe-klorit

Transisi antara tingkat energi dan perbedaan komposisi dimanifestasikan oleh Kurva reflektansi beberapa mineral
fitur absorpsi pada panjang gelombang tertentu. lempung dan alunit (Sabins, 1999).
11
Identifikasi Material Berdasarkan Fitur Spektral Reflektansi
• Identifikasi material berdasarkan pola absorpsi kurva
spektral reflektansi.
• Pengembangan basis data dalam bentuk spectral library
(speclib) yang berisi informasi spektral reflektansi,
termasuk sampel mineral, batuan, dan tanah, serta
campuran yang dihitung secara matematis, vegetasi,
mikroorganisme, dan bahan buatan manusia.
• Beberapa contoh speclib yang ada:
• USGS Spectral library
https://pubs.er.usgs.gov/publication/ds1035
• The JPL spectral library
https://speclib.jpl.nasa.gov/documents/jpl_desc
• The ECOSTRESS spectral library (sebelumnya
bernama ASTER spectral library)
https://speclib.jpl.nasa.gov/

Contoh spektra reflektansi dari beberapa

mineral beserta fitur absorpsi yang ada.

Rencz, A. N. (1999) Remote Sensing for the Earth Sciences, Wiley.

12
Identifikasi Material Berdasarkan Fitur Spektral Reflektansi

© USGS https://www.usgs.gov/energy-and-minerals/mineral-resources-program/science/usgs-high-resolution-spectral-
library?qt-science_center_objects=0#qt-science_center_objects Dokumentasi pribadi
.
Pengukuran spektra reflektansi di lapangan dan laboratorium menggunakan alat spektroradiometer.
13
Indeks Vegetasi (Vegetation Index)
Spektroskopi reflektansi menjadi dasar dalam pembuatan indeks vegetasi dan indeks mineral yang banyak digunakan
dalam pengolahan citra.

Indeks Vegetasi (vegetation index)

LANDSAT TM BANDS
1 2 3 4 5 7
Skematik dari penampang
0.7
tumbuhan yang dikaitkan dengan
reflektansi gelombang VNIR.
0.6 Pigment, Biophysical quantities, Lignin, moisture, and biomass
chlorophyll water sensitivity
0.5
Reflectance

0.4

0.3

0.2

0.1

0
0.35 0.6 0.85 1.1 1.35 1.6 1.85 2.1 2.35
Visible Near infrared Shortwave infrared
Wavelength (µm)

Tipikal kurva reflektansi dari tumbuhan hijau.

N −R
Normalized difference vegetation index; NDVI =
N+R
NDVI = (band 4 [near infrared] – band 3 [visible red]) / (band 3 + band 4)*
*band menurut citra Landsat ETM+ (Landsat 7)
14
Indeks Vegetasi (Vegetation Index)
Beberapa indeks vegetasi (Salas & Henebry, 2013)

a) Spektral absorpsi dari klorofil dan b) Spektral absorpsi dari karoten.

15
Indeks Mineral
Mineral besi oksida mempunyai penciri utama pada
Mineral alunite dan mineral lempung mempunyai
rentang VNIR khususnya pada band Blue dan band Red.
penciri utama pada rentang SWIR, khususnya band
SWIR2 Blue Red
SWIR1 dan SWIR2. SWIR1

(Sabins, 1999)
Band SWIR1/1.55–1.75 µm (setara dengan B5
pada Landsat 7) dan band SWIR2/2.09–2.35 µm
(setara dengan B7 pada Landsat 7) dapat
digunakan pada rasio indeks mineral lempung
= Band SWIR1/Band SWIR2
Band Blue/0.45–0.52 µm (setara dengan B1 pada
Landsat 7) dan band Red/0.63–0.69 µm (setara
dengan B3 pada Landsat 7) dapat digunakan pada
rasio indeks mineral besi oksida
= Band Red/Band Blue
16
Indeks Mineral

(Sabins, 1999)
17
Fitur Geometris
• Kelurusan geologi (lineament) adalah fitur garis yang
Permukaan merupakan cerminan morfologi yang teramati
dipermukaan bumi sebagai hasil dari aktifitas gaya
geologi dari dalam bumi.
Struktur Geologi • Batasan kelurusan geologi disini adalah sebuah
bentukan alamiah yang direpresentasikan oleh
keunikan geomorfologi seperti; kelurusan
punggungan, kelurusan lembah,kelurusan sungai,
kelurusan yang disebabkan oleh sesar – sesar baik
itu sesar normal, naik, maupun mendatar.

Kelurusan geologi berupa file vektor (garis) yang diinterpretasi dari citra satelit baik secara visual (knowledge
based) ataupun otomatis (automatic lineament analysis dengan bantuan algoritma tertentu).
18
Intensitas back-scattering;
Synthetic Aperture Radar (SAR)
Mengapa menggunakan RADAR untuk remote sensing?
• Dapat mengkontrol sumber dari iluminasi
• Menembus awan, hujan, dan malam hari
• Memiliki resolusi yang tinggi (3–10 m)
• Dapat membedakan kenampakan permukaan dimana
dapat terlihat lebih jelas di bandingkan sensor optis
• Es, gelombang angin
• Kelembapan tanah, masa vegetasi
• Objek buatan manusia, gedung
• Struktur geologi

Sistem Radar mempunyai 3 fungsi utama:

• Transmisi sinyal microwave (radio) pada suatu scene
• Menerima porsi energi transmisi backscatter
• Mendeteksi kekuatan dan waktu delay (range) dari sinyal
yang kembali
19 Intensitas back-scattering;
Synthetic Aperture Radar (SAR) Surface features

Polarimetri

Volume scattering
HV: Volume scattering
HH: Two reflections
VV: Surface scattering

Surface scattering

Two reflections

Hubungan antara surface roughness dan intensitas scattering

20
Foto Udara dan Aplikasinya dalam Eksplorasi
Perpaduan dari ilmu dan seni

Pandangan Sinoptik
(perspektif secara luas) Fotografi

Rentang Spekral Penggunaan dan Ketersediaan

Stereoskopi Ekonomis

FOTO UDARA
21
Pandangan Sinoptik Foto Udara
Foto udara menyajikan “bird’s-eye view” objek di permukaan bumi tampak seperti dari udara.

Fitur-fitur dalam intepretasi foto udara

Kegelapan/kecerahan dari obyek, foto berwarna (RGB)
Rona/warna atau color infrared (CIR)

Bentuk Konfigurasi atau kerangka suatu objek,

Observatorium Boscha

Ukuran Atribut obyek; jarak, luas, tinggi, lereng dan volume

Tekstur Frekuensi perubahan rona pada citra; halus/kasar

Bayangan Bayangan obyek yang dipengaruhi oleh arah penyinaran

Kenampakan kemiripan yang tersebar dan dapat

Pola berulang

Situs dan Karakteristik lokasi dan hubungan satu obyek dengan

asosiasi obyek lain
- ariehede
Foto udara sekitar Observatorium Boscha, September 2016
22
Rentang Spektral Foto Udara
Rentang spektral foto udara ditentukan oleh kamera/sensor yang
digunakan pada wahana (drone, pesawat, balon udara, dll).
Tipikal kamera yang biasa digunakan:
• Sensor kamera RGB (400–700 nm)
• Sensor NIR (700–1100 nm)
• Sensor thermal (3–5 µm atau 8–14 µm) Tipikal rentang spektral sensor kamera RGB - NIR
https://www.spectraldevices.com/products/multispectral-
camera-rgb-and-nir-bands

Near-infrared (NIR):
840 + 26 nm
Red edge (RE): Green (G):
730 + 16 nm 560 + 16 nm

Visible Light
Blue (B):
(RGB) Red (R): 450 + 16 nm)
650 + 16 nm
Foto thermal di kawah Wayang, Pangalengan, Jawa Barat Contoh drone multispektral DJI P4 Multispectral
23
Streoskopi Foto Udara – Pemetaan 3D
Sebuah teknik untuk membuat atau menampilkan ilusi mendalam pada Stereoskop
Stereoskopi?? sebuah gambar secara stereopsis untuk penglihatan binokular.
Prinsip stereoskopi akan digunakan dalam FOTOGRAMETRI
Produk
Foto Othophoto, points, DEM,
a’ b’ d’ c’ a’ d’ b’ c’
peta topografi-tematik

d Stereoskop
Obyek

a Permukaan c
b
Persepsi relief dari dua foto udara Foto 1 Foto 2
(modifikasi dari Girard, 2003)

Fotogrametri; Ilmu dan teknik untuk memperoleh informasi yang dapat diandalkan tentang obyek fisik dan
lingkungan melalui proses perekaman, pengukuran, dan interpretasi gambar fotografi → data 3D resolusi tinggi.
Data 3D resolusi tinggi digunakan pada berbagai bidang termasuk teknik eksplorasi
mulai dari pemodelan mineral pada lingkup hand-specimen hingga permukaan bumi.
24
Teknologi Foto Udara dalam Eksplorasi
Model 3D yang akurat secara geometris dapat digunakan untuk
memvisualisasikan dan menganalisis litologi dan struktur.
Perkembangan teknologi sensor kamera (misalnya kamera multi- dan
hiperspektral dapat memberikan informasi intepretasi jenis mineral/batuan
berdasarkan spektral reflektansi.

Perbandingan (A) hasil foto RGB

singkapan batuan, (B) spektrum
reflektansi sampel. Gambar (C)
dan (D) menunjukan intepretasi
sebaran mineral pada singkapan
dengan menggunakan metode
(C) spectral angle mapper dan (D)
berdasarkan absorpsi pada
panjang gelombang tertentu.
Kirsch et al, 2018. Integration of Terrestrial
and Drone-Borne Hyperspectral and
Photogrammetric Sensing Methods for
Exploration Mapping and Mining
Monitoring. Remote Sensing.10(9):1366.

Model 3D berdasar foto udara Open Pit Nam Salu Kelapa

Kampit, Belitung. -ariehede, 2018
25
Teknologi Foto Udara dalam Eksplorasi

Diagram alir intepretasi kelurusan secara

umum (Hung et al., 2005)
26
Intepretasi Kelurusan/Lineament
Ekstraksi kelurusan dengan PCI Geomatica modul Line
Contoh ekstraksi kelurusan dari DEM;
1. Pembuatan hillshade/shaded relief dari DEM
2. Selanjutnya hillshade/shaded relief yang sudah dibuat di proses oleh LINE modul di PCI Geomatica
3. Hasil analisis vector kelurusan dapat dilakukan di ArGIS → lihat
https://www.youtube.com/watch?v=1fYWIbIQMJM
Parameter ekstraksi kelurusan otomatis

Parameter hillshade

Contoh ekstraksi kelurusan dan diagram roset dari kelurusan

27
Citra Satelit dan Aplikasinya dalam Eksplorasi
Blue Green Red RGB (Red, Green, Blue) Foto Udara
• Keuntungan: resolusi
spasial tinggi (5−15 cm),
tidak terkendala awan.

RGB(B4,B3,B2) True color

Band 2 (Blue) Band 3 (Green) Band 4 (Red) • Keuntungan: lebih murah,

tersedia secara luas, tingkat
akurasi geometrik yang tinggi,
resolusi spektral yang lebih
banyak.

Band 5 (NIR) Band 6 (SWIR1) Band 7 (SWIR2) Landsat-8

28
Citra Satelit Sensor Optik

Perbandingan jumlah band dan cakupan panjang gelombang dari beberapa jenis citra.

https://www.usgs.gov/media/images/comparison-landsat-7-and-8-bands-sentinel-2
29
Citra Satelit Sensor Optik
Sistem remote sensing memerlukan
beberapa unsur utama yaitu:
• sumber energi,
• gelombang elektromagnetis,
• atmosfer,
• obyek, dan
• sensor.

Sumber energi sensor optik adalah matahari.

Sistem pengindraan jauh (Salamba, 2017).

30
Pemilihan Band untuk Pemetaan
Band Wavelength (µm) Kegunaan dalam pemetaan
Coastal aerosol 0.43 - 0.45 Studi coastal dan aerosol.
Pemetaan batimetri, membedakan tanah dari
Blue 0.45 - 0.51
vegetasi dan vegetasi deciduous dari coniferous.
Memperjelas vegetasi pada masa puncak tanam,
Green 0.53 - 0.59 yang berguna untuk menilai kekuatan/kesehatan
tanaman.
Red 0.64 - 0.67 Membedakan kemiringan vegetasi.
Memperjelas kandungan biomassa dan garis
Near Infrared (NIR) 0.85-0.88
pantai.
Memisahkan kandungan kelembapan tanah dan
Short-wave
1.57 - 1.65 vegetasi, deteksi .mineral lempung, penetrasi
Infrared (SWIR) 1
awan tipis
Short-wave Meningkatkan kandungan kelembapan air, deteksi
2.11 - 2.29
Infrared (SWIR) 2 mineral lempung, dan penetrasi awan tipis.
Biasanya digunakan untuk meningkatkan resolusi
Panchromatic 0.50 - 0.68
spasial citra.
Cirrus 1.36 - 1.38 Meningkatkan deteksi kontaminasi awan cirrus
TIRS 1 10.60 – 11.19 Pemetaan termal dan estimasi kelembapan tanah
TIRS 2 11.5 - 12.51 Pemetaan termal dan estimasi kelembapan tanah

Band utama analisis berbasis spektral reflektansi

Band citra thermal
31
Teknik Pemetaan Eksplorasi Menggunakan Data RS Sensor Optik
Kombinasi Band/Band Ratio dalam bentuk RGB

Contoh kombinasi band RGB untuk citra Landsat 7/ETM+ (van Der Meer, 2011)
32
Kombinasi Band Daerah merah-pink menunjukan batuan opal dengan
kaolinite/alunite, putih: daerah Stonewall Playa, hijau:
Kombinasi Band/Band Ratio dalam bentuk RGB batugamping, dan biru-abu-abu: vulkanik tidak teralterasi.

Citra single band (0.64 μm) Airborne Visible/Infrared Komposit band 4-6-8 (RGB) citra ASTER
Imaging Spectrometer (AVIRIS) yang menunjukan https://asterweb.jpl.nasa.gov/content/03_data/0
alterasi hidrotermal di daerah Cuprite, Nevada 5_Application_Examples/geology/default.HTM
33
Band Ratio
Berlaku untuk citra ASTER

ASTER sangat cocok untuk

memetakan mineral lempung
karena kapabilitas band pada
rentang SWIR yang lebih baik
dibanding Landsat
Tetapi terhitung April 2008,
detektor SWIR ASTER
mengalami kegagalan
sehingga setelah itu citra
ASTER tidak mempunyai citra
pada band SWIR.

Kalinowski & Oliver, 2004, ASTER

Mineral Index Processing
34
Transformasi Band
Principal Component Analysis
• Dalam statistika, analisis komponen utama (principal component analysis / PCA) adalah teknik yang digunakan untuk
menyederhanakan suatu data, dengan cara mentransformasi linier sehingga terbentuk sistem koordinat baru dengan
varians maksimum. PCA dapat digunakan untuk mereduksi dimensi suatu data tanpa mengurangi karakteristik data
tersebut secara signifikan.
Principal components analysis (PCA) is a technique applied to multispectral and hyperspectral remotely sensed
data. PCA transforms an original correlated dataset into a substantially smaller set of uncorrelated variables that
represents most of the information present in the original dataset. It reduces data dimensionality (e.g., number of
bands).
• Alih-alih membuang data yang berlebihan, analisis komponen utama memadatkan informasi dalam variabel yang
saling terkait menjadi beberapa variabel, yang disebut Principal Component / komponen utama.

Proses transformasi PCA

35
Transformasi Band
Principal Component Analysis
Salah satu teknik PCA dalam pemetaan geologi yang terkenal khususnya identifikasi mineral besi dan lempung
adalah Teknik Crosta (Crosta & Rabelo, 1993).
Misalnya, identifikasi mineral besi (alterasi limonitic), pada citra Landsat 7 menggunakan band blue (B1), red
(B3), NIR (B4), SWIR1 (B5), keempat band tersebut di transform PCA lalu dianalisis eigenvectors yang dihasilkan.

Contoh hasil PCA dari Band 1,3,4,5 Landsat untuk identifikasi alterasi
limonitik, hasilnya menunjukan PC4 dapat mengidentifikasi zona alterasi
limonitik (Carranza & Hale, 2001) Spektral reflektansi mineral besi
(Sabins, 1999)
36
Intepretasi Geologi
Principal Component Analysis
Identifikasi mineral lempung (alterasi lempung), pada Landsat 7 menggunakan band blue (B1), NIR (B4), SWIR1
(B5), SWIR2 (B7), keempat band tersebut di transform PCA lalu dianalisis eigenvectors yang dihasilkan.

Contoh hasil PCA dari Band 1,4,5,7 Landsat 7 untuk identifikasi alterasi
lempung, hasilnya menunjukan PC4 dapat mengidentifikasi zona
alterasi lempung dimana hasilnya perlu di inverse (dikali (-1)) agar
dapat sesuai (Carranza & Hale, 2001)
Spektral reflektansi mineral lempung
(Sabins, 1999)
37
Transformasi Band
Principal Component Analysis

(Carranza & Hale, 2001)

38
Transformasi Band
Directed Principal Component Analysis
Metode transformasi band PCA yang lebih terarah, biasanya menggunakan jumlah band (ratio) yang lebih
sederhana, misalnya dua ratio band untuk mewakili dua material tertentu. Metode ini berguna untuk
meningkatkan/enhance salah satu material. Misalnya digunakan untuk meng-enhance mineral di daerah vegetasi.
Contoh mencari mineral lempung dan mineral besi di daerah bervegatasi menggunakan citra Landsat 8.
Band ratio lempung = Band SWIR1 (B6) / Band SWIR2 (B7)
Band ratio vegetasi = Band NIR (B5) / Band red (B4)
Principal Eigen vector
Nilai eigen (%)
Component Band 5 : Band 4 Band 6 : band 7
DPC1 0.998946 0.045894 38.566489
DPC2 -0.045894 0.998946 0.037165

Band ratio besi = Band red (B4) / Band blueb(B2)

Band ratio vegetasi = Band NIR (B5) / Band red (B4)
Principal Eigen vector
Nilai eigen (%)
Component Band 4 : Band 2 Band 5 : band 4
DPC1 0.971107 0.238644 58.893372
DPC2 -0.238644 0.971107 37.252885

DPCA cocok digunakan untuk eksplorasi mineral di Zona alterasi (gambar terang) yang terpetakan di daerah
daerah bervegetasi. Wayang Windu: (kiri) lempung dan (kanan) limonitik
39
Klasifikasi Spektral
Spectral Angle Mapper
Spectral Angle Mapper (SAM) adalah klasifikasi spektral berbasis
spektral yang menggunakan sudut n-D untuk mencocokkan piksel
dengan referensi spektrum. Algoritma menentukan kesamaan spektral
antara dua spektra dengan menghitung sudut antara spektra dan
memperlakukannya sebagai vektor dalam ruang dengan dimensi sama
dengan jumlah band.
https://www.harrisgeospatial.com/docs/SpectralAngleMapper.html

nb: the number of bands in the image,

Representasi dari sudut
referensi pada algoritma SAM
t: pixel spectrum,
r: reference spectrum
alpha: spectral angle
Contoh analisis berbasis klasifikasi spektral
untuk memetakan mineral di Cuprite,
Nevada, masing-masing untuk mineral-
mineral yang dominan di rentang VNIR
40
Klasifikasi Berbasis Spektral
Klasifikasi (Multi)Band
Klasifikasi multiband adalah pengelompokan piksel dengan nilai
sama yang dilakukan secara otomatis. Terdapat 2 (dua) macam
teknik klasifikasi, yaitu klasifikasi bereferensi (supervised) dan
klasifikasi tidak bereferensi (unsupervised). Namun dalam banyak
klasifikasi lebih cocok untuk pemetaan tata guna lahan ketimbang
intepretasi geologi.
• Klasifikasi bereferensi Citra Landsat daerah Thermopolis, Amerika, hasil
Klasifikasi ini menggunakan daerah kecil pada citra yang disebu klasifikasi bereferensi (Sabins, 1986)
training area dan mewakili suatu penampakan. Nilai spektral
masing-masing piksel dalam suatu training area digunakan
untuk menamakan tiap-tiap kelompok.
• Klasifikasi tidak bereferensi
Klasifikasi ini dilakukan oleh computer secara otomatis dengan
mengelompokkan piksel-piksel yang tanpa ada panduan.

Citra Landsat daerah Thermopolis, Amerika, hasil

klasifikasi tidak bereferensi (Sabins, 1986)
41
Metode untuk Pemetaan Eksplorasi/Interpretasi Geologi

Conventional methods Spectral analysis Constrained energy

minimization
Supervised/unsupervised Spectral angle mapper
Endmember collection
classification
Decorrelation analysis Spectral unmixing
Band ratios
Spectral feature fitting
PCA analysis n-D spectral feature

Alteration indices PCA analysis Mineral abundance

Spectral analysis
42
Pemetaan Geologi dan Alterasi

Mars & Rowan, 2010

Memanfaatkan analisis spektral untuk identifikasi mineral → alterasi

43
Pemetaan Tanah

Hasil analisis salah satu metode klasifikasi citra untuk

Hasil analisis reflektansi yang divalidasi menggunakan interpretasi mineral untuk pada studi tentang tanah
analisis XRD untuk studi tanah yang selanjutnya (Vicente & Filho, 2011) .
dilakukan analisis remote sensing (lihat gambar di
samping) (Vicente & Filho, 2011).
44
Geobotanical Remote Sensing
• Geology
Geobotany
• Vegetation
Konsep tradisional dari GEOBOTANI adalah sebagai perluasan cabang
geokimia dan biogeokimia dimana tumbuhan berasosiasi dengan
mineralisasi endapan yang dapat diidentifikasikan dari:
1. Pemetaan dan distribusi tanaman secara alamiah → indicator
communities
2. Keberadaan tanaman indikasi → indicator plants
3. Perubahan morfologi dari tumbuhan → stress indicators
Image analysis
Geobotanical perspective - Image information (data acquisition, spatial &
spectral resolution)
- Plant physiology
- Preprocessing;
- Geological factors (soils, rocks, and structures)
Atmospheric and topographic correction
- Relief of topography
- Processing;
- Environmental conditions
Spectra analysis
Enhancement method

Pohon jati cocok di daerah gamping

Intepretation
- Anomaly distribution
- Predictive model Metodologi umum dari analisis geobotanical remote sensing.
45
Geobotanical Remote Sensing
Efek kandungan air terhadap spektra reflektansi pada tumbuhan

Pohon magnolia
grandiflora

Spektra reflektansi dari tumbuhan balsam fir dan red

spruce yang tumbuh di tanah normal dan tanah yang
terkayakan Cu dan Mo (Sabins, 1999).
46
Indeks Vegetasi dalam GBRS
Contoh pemanfaatan indeks vegetasi untuk mendeteksi kemungkinan longsoran akibat adanya zona rekahan di
tanah yang mengakibatkan adanya saturasi air tanah yang mempengaruhi kondisi tumbuhan yang dapat
dideteksi melalui indeks vegetasi N

1 km

Landslide zone
Vegetation index

Titik indeks vegetasi yang tinggi tersebar terutama di punggung

bukit dan di sekitar zona longsor.
High Low
47
Indeks Vegetasi dalam GBRS
• Penelitian terkait GBRS masih terus dilakukan hingga saat ini.
• Percobaan dengan menggunakan Japanese mustard spinach (Brassica
rapa var. perviridis) dengan menstimulasi tanah yang mengandung Cu,
Pb, Zn, dan Cd dengan kadar yang bervariasi
low (20 ppm), medium (100 ppm), and high (200 ppm).

reflectance spectra

total chlorophyll content VI dapat berperan penting dalam eksplorasi

Eksperimen laboratorium Japanese mustard spinach
(Brassica rapa var. perviridis) mineral di daerah bervegetasi lebat
48
Indeks Vegetasi dalam GBRS
Remote sensing images Ground-truth data
(multi- & hyperspectral)
Aerial photograph Reference
spectral library Soil sample
Preprocessing & subset
(USGS spec. lib.)
Region of interest Reflectance X-ray X-ray
Processing
Land use/land-cover spectroscopy diffraction fluorescence

Pure pixel Mineral mapping

Soils-rocks - Spectral angle mapper
Hydrothermal Pure Pixel
Mineral mapping alteration map (Vegetation)

Mixed pixel - Linear spectral unmixing

- Directed principal component analysis

Pure pixel Vegetation index analysis

- One time analysis Anomaly map
Vegetation
- Multi-temporal analysis Mixed Pixel
Alir pemetaan mineral alterasi dengan menggunakan cita optis
(Hede, 2019)

Pure pixel
(Soils-rocks)
49
Penutup
• Teknik pengindraan jauh terbukti dapat diterapkan pada berbagai bidang khususnya untuk
eksplorasi sumberdaya alam dengan pemanfaatan fitur permukaan.
• Mengidentifikasi kelurusan tektonik yang signifikan berkontribusi untuk eksplorasi sumber daya
terkait struktur geologi yang dapat mengkontrol sebaran endapan epitermal dan potensi
geothermal.
• Metode geobotanical remote sensing cukup menjanjikan untuk mendeteksi anomali vegetasi
untuk eksplorasi sumberdaya bumi termasuk potensi air tanah dan pemantauan lingkungan.
• Perlu diperhatikan bahwa meskipun metode ini adalah pengamatan tidak langsung tetapi tetap
diperlukan validasi data lapangan.
50
Terima Kasih

Terima Kasih
email: naftali@mining.itb.ac.id

-2021-

email: naftali@mining.itb.ac.id
- 2021 -