Google Earth Engine

• Pengenalan
• Monitoring lingkungan
• Media pembelajaran
Pengenalan
 Google Earth Engine (GEE)
Komponen utama GEE:
• Dataset
• Code Editor
• Kemampuan komputasi
• API

GEE adalah sebuah platform berbasis cloud yang menawarkan analisis

data spasial berskala global.
Jumlah penelitian yang menggunakan GEE berdasarkan negara

Amani et al, 2020

Pengumpulan data
Dataset

Sebagai contoh citra satelit Landsat yang tersedia meliputi data mentah yang masih 8bit atau
32bit, data ToA reflektan dan surface reflektan
Dataset

Proses konversi citra satelit Landsat 7 mentah ke reflektan membutuhkan 2 kali proses
perhitungan yaitu data mentah ke radians lalu radians ke reflektan. Tersedianya data yg telah
terkalibrasi reflektan membuat proses analisis data akan lebih efisien
Code editor
Analisis data: Transformasi

Transformasi citra Landsat yang common sudah tersedia di GEE

Machine learning

Perbedaan pemograman tradisional dgn machine learning

Francois, 2017; Heryadi, 2020
Machine learning
 Machine learning vs Deep Learning

Perbedaan ML dan DL (Moons, Bankman & Verhelst, 2019)

Deep Learning

Studi mengenai penggunaan deep learning untuk data UAV (Osco et al, 2021)
 Machine learning
• The domain of Machine learning focuses on: Bagaimana machine learning
mempelajari training data dan rules?
• The goal of machine learning:
➢ Mempelajari suatu pola dari trainig data
➢ Menggeneralisasikannya ke contoh-contoh baru
• Google Earth Engine (GEE) menyediakan lebih banyak algoritme machine learning (10
algoritme) dibandingkan aplikasi komputasi Geo-big data berbasis cloud awan lainnya,
seperti GBDX – Digital Globe, Sentinel Hub EO Browser, dan ArcGIS Online.
Machine learning: Dulu

Farda, 2017 (diakses dari iopscience.iop.org)

Machine learning: Sekarang
Kenapa Machine learning?
• Penggunaan / penutup lahan yang diturunkan dari citra satelit bukan merupakan information class
• Penggunaan lahan yg optimal adalah penggunaan lahan yang sesuai dengan keadaan di lapangan
dengan memperhatikan ”local knowledge”

Kubah lava Gunung api memiliki warna dan rona yang mirip dengan jalan tol dan industri
Machine learning: CART

Decision tree (pohon keputusan) pemetaan penutup lahan

Application for
environmental
monitoring
Monitoring kandungan TSS

Algoritma Syarif Budiman: TSS (mg/l) = 8.1429 * (exp (23.704* Red))

Algoritma Laili: TSS (mg/l) = 31.42 * ((Log (Green) / (Log (Red)) -12.719
Algoritma Parwati: 3.3238 × EXP (34.099 × Red)
Monitoring perubahan penutup lahan
Application for media
learning
Media pembelajaran perubahan iklim
Video timelapse: kualitas udara pasca PSBB
Media pembelajaran dampak perubahan iklim
Terima kasih