penginderaan jauh

Catatan Teknis
Memperkirakan Satellite-Derived Bathymetry
(SDB) dengan Google Earth Engine dan Sentinel-2
1PENGENAL 2,
Dimosthenis Traganos , Dimitris Poursanidis *PENGENALBharat
1 2PENGENAL 3PENGENAL
Agarwal , Nektarios Chrysoulakis dan Peter Reinartz
1
German Aerospace Center (DLR), Institut Teknologi Penginderaan Jauh, Rutherfordstraße 2, 12489
2
Berlin, Jerman; Dimosthenis.Traganos@dlr.de (D.T.); 851.bharat@gmail.com (B.A.) Yayasan Riset dan
Teknologi—Hellas (FORTH), Institut Matematika Terapan dan Komputasi, N. Plastira 100, Vassilika
3
Vouton, 70013 Heraklion, Yunani; zedd2@iacm.forth.gr Pusat Dirgantara Jerman (DLR), Pusat
Observasi Bumi (EOC), 82234 Weßling, Jerman; peter.reinartz@dlr.de
*Korespondensi: dpoursanidis@iacm.forth.gr, Tel.: +30-2810-391774

Diterima: 7 Mei 2018; Diterima: 30 Mei 2018;

Diterbitkan: 1 Juni 2018

Abstrak:Pemetaan batimetri menjadi dasar pemahaman fisik, ekonomi, dan ekologiproses di

pinggiran pantai yang sangat beraneka ragam di planet kita yang mengalami tekanan
antropogenik konstan. Di sini, kami memasangkan kemajuan terbaru dalam komputasi awan
menggunakan geospasialplatform Google Earth Engine (GEE) dengan teknologi penginderaan
jauh menggunakan optik terbukaArsip Sentinel-2, memperoleh data yang dikumpulkan in situ
dengan biaya rendah untuk mengembangkan praproses empirisalur kerja untuk memperkirakan
batimetri turunan satelit (SDB). Alur kerja mengimplementasikan algoritme yang banyak
digunakan dan mapan, termasuk koreksi awan, atmosfer, dan sinar matahari, komposisi gambar
dan normalisasi radiometrik untuk mengatasi interferensi intra dan antar gambar sebelum
pelatihan, dan validasi empat algoritme SDB di tiga lokasi Aegea Laut di Mediterania Timur. Nilai
akurasi terbaik untuk pelatihan dan validasi adalah R2= 0,79,RMSE = 1,39 m, dan R2= 0,9, RMSE
masing-masing = 1,67 m. Peningkatan akurasi menyorotipentingnya normalisasi radiometrik yang
diberikan kalibrasi dan validasi independen spasialkumpulan data. Peta kesalahan spasial
mengungkapkan prediksi berlebihan atas pantulan rendah dan dasar laut yang sangat
dangkal,dan under-prediction atas pantulan tinggi (<6 m) dan dasar optik yang dalam (>17 m).
Kami menyediakanakses ke kode yang dikembangkan, memungkinkan pengguna untuk memetakan
batimetri dengan menyesuaikan rentang waktu berdasarkanpada tanggal akuisisi data lapangan
dan kondisi optik area studi mereka.

Kata kunci:batimetri turunan satelit; komposisi gambar; fitur pseudo-invarian; sinar

mataharikoreksi; empiris; kesalahan spasial; Mesin Google Earth; biaya rendah di tempat;
Sentinel-2; Mediterania

1. Perkenalan

Batimetri penting untuk memahami bagaimana proses Bumi global berinteraksi saat
pengaruhnyaaliran air laut membawa panas, garam, nutrisi, dan polutan. Batimetri juga
membantumemahami penyebaran energi dari peristiwa seismik bawah laut yang memengaruhi
navigasi danperdagangan, dan membentuk habitat bagi biota laut, khususnya di wilayah
pesisir.1,2]. Daerah pesisir adalahdi bawah tekanan konstan karena aktivitas antropogenik yang
intens seperti urbanisasi, eksploitasisumber daya alam, dan bahaya alam akibat perubahan iklim
(misalnya, erosi pantai karena permukaan lautperubahan) [1]. Zona pesisir antarmuka ini kompleks
secara spasial dan menentukan terkait keanekaragaman hayatiproses sebagai peningkatan nilai
batimetri menurunkan penetrasi cahaya dan menyebabkan perubahan habitatkomposisi dan zonasi
kedalaman biota [2]. Studi tentang zona pesisir—termasuk pemodelannyaekspansi tsunami dan
perkiraan ketinggian gelombang, skenario perubahan permukaan laut, penilaian risiko,

Sensasi Jauh.2018,10, 859; doi:10.3390/rs10060859 www.mdpi.com/journal/remotesensing

Sensasi Jauh.2018,10, 859 2 dari 18

dan pesisirpemetaan habitat—membutuhkan ketersediaan atau pembuatan data batimetrik yang

diperbaruiresolusi tinggi (10 m) hingga sangat tinggi (2 m) [3–6]. Hingga saat ini, banyak peneliti
telah memetakan batimetri pantai dengan berbagai alat dan metode resolusi spasial dan temporal
variabel,tetapi denganpeningkatan biaya. Secara global, batimetri telah diekstraksi dengan inversi
data geoid antariksa dari Geosat dan satelit Penginderaan Jauh Eropa ERS-1 [7[8]. Sehubungan
dengan data akses terbuka saat ini, misi Landsat, khususnya Landsat 8 Operational Land Imager
(OLI) karena ketersediaan pita pantai/aerosol 1 yang berpusat pada panjang gelombang 443 nm
yang menampilkan penetrasi air yang tinggi) membuka jendela baru dalambatimetri turunan satelit
pesisir (SDB) karena resolusi spasial (30 m) dan temporal (16 hari).Dengan karakteristik tersebut,
program Landsat memungkinkan pemilihan citra yang tepat (cloud-freeatau gambar atmosfer,
permukaan dan kondisi kolom air) dan pengujian pendekatan hypertemporal untuk memantau
perubahan morfologi dasar laut [9–11]. Yang lebih baru diluncurkanMisi satelit kembar Copernicus
Sentinel-2 telah menciptakan era baru dalam pemantauan terestrial dan kelautan karena resolusi
spasialnya yang tinggi yaitu 10 m, ketersediaan pita pesisir/aerosol pada 443 nm (60 m
spasialresolusi), waktu kunjungan ulang cepat 5 hari, dan yang lebih penting, kebijakan akses data
terbuka dan gratisnya.Berfokus pada SDB, penelitian telah menggunakan data Sentinel-2 di perairan
pedalaman yang dangkal [12] dan setengah tertutupteluk [13,14] dengan hasil yang menjanjikan,
tetapi tidak dalam skala besar, dengan perbedaan mencolok dalam komposisi kolom air dan dasar
laut. Teknologi sensor optik yang disebutkan di atas, pembelajaran mesinalgoritma, dan infrastruktur
sistem komputasi awan menyediakan lingkungan yang belum pernah terjadi sebelumnyaanalisis
skala besar spatiotemporal tinggi dari ekosistem alami dan antropogenik dan variabel biofisik
terkait. Di antara sistem cloud yang tersedia, Google Earth Engine (GEE) [15] memilikimenarik
perhatian ilmuwan lingkungan karena komponennya yang unik. GEE berbasis cloudplatform
komputasi geospasial yang menawarkan arsip berskala petabyte dari satelit optik yang tersedia
secara gratisperumpamaan. Di antara karakteristiknya, ia menampilkan seluruh arsip Landsat, tiga
misi Sentinel pertama, dan data serta produk Moderate Resolution Imaging Spectroradiometer
(MODIS) lengkap. Para peneliti telah menggunakannya untuk metrik vegetasi skala negara [16],
pemetaan skala benualahan pertanian [17], dan suhu permukaan tanah global [18] dan albedo [19]
perkiraan.
Di sini, kami telah mengembangkan alur kerja prapemrosesan empiris dalam GEE untuk
memperkirakan empat algoritme batimetri turunan satelit menggunakan gambar Sentinel-2 di tiga
lokasi berbeda di Mediterania Timur. Rantai preprocessing data Sentinel-2 menggabungkan
sejumlah besar data sederhana,banyak digunakan, dan koreksi awan, atmosfer, dan sinar matahari
yang mapan dengan 10-m musimanpendekatan komposisi gambar (komposit median). Pendekatan
terakhir memilih untuk mengurangi efek darivariabel kondisi permukaan air, kualitas air, dan sifat
optik terkait seperti sinar matahari dan kilatan langit, whitecaps, kekeruhan, dan sedimentasi, dll.
Selanjutnya, kami mengimplementasikan data in situ yang diperoleh olehmetodologi berbiaya rendah
dalam pelatihan dan validasi SDB yang menunjukkan, pada gilirannya, menjanjikanhasil untuk
zaman hemat waktu dan biaya untuk SDB skala luas. Kami melakukan pelatihan dan validasidari
empat model empiris dalam lingkungan dangkal optik yang berbeda untuk mengurangi bias
statistikmenurut hukum geografi pertama oleh Tobler [20]—pengamatan yang berdekatan secara
spasial cenderung demikianlebih mirip daripada yang berjauhan. Selain itu, kami menggunakan fitur
pseudo-invarian (PIF)pendekatan untuk menormalkan perbedaan rentang reflektansi antara
komposit pra-prosesdigunakan dalam langkah-langkah pelatihan dan validasi [21]. Akhirnya, kami
memetakan residu model dari peta SDBuntuk mengungkap kemungkinan pola over- atau
under-prediction. Metode yang kami usulkan dapat diadaptasi secara luasdalam lingkungan
komputasi awan untuk memperkirakan batimetri pesisir skala besar yang diberikan, secara
alami,ketersediaan data in situ akses terbuka yang relevan.
Sensasi Jauh.2018,10, 859 3 dari 18

2. Bahan-bahan dan metode-metode

2.1. Situs Studi dan Data In Situ

Angka1menunjukkan tiga lokasi penelitian kami; lokasi studi pertama adalah Taman Nasional
Samaria di bagian selatanbagian dari Kreta Barat, Yunani, di Mediterania Timur. Area yang dipilih
meliputi bagian timur dariTaman Nasional. Habitat campuran menutupi dasar laut di sini, sementara
kedalamannya bervariasi dari area datar hingga terjalpunggung bukit dan menyediakan
pemandangan laut yang menantang untuk batimetri pantai yang ditanggung ruang angkasa.
Padang lamunmencapai kedalaman 40 meter [22]. Data batimetri dikumpulkan selama periode
2012–2015 dengan caraperahu karet 5 m menggunakan Lowrance High Definition System (HDS)-5
single-beam echosounderdengan Transduser Skimmer HST-WSU 83/200 kHz. Sistem Pemosisian
Global (GPS) adalahdiposisikan di atas roll bar, langsung di atas transduser untuk merekam posisi
yang tepat. Data tadidirekam dengan frekuensi 1 Hz. Preprocessing file Lowrance dilakukan
menggunakan DrDepthperangkat lunak. Data diimpor di ArcMap 10.5 dalam format nilai yang
dipisahkan koma (CSV) dan dikonversimenjadi shapefile tiga dimensi untuk digunakan lebih lanjut.
Lokasi penelitian kedua adalah kawasan Apokoronas (ObrosGyalos) di Kreta Barat, dekat Teluk
Georgioupolis. Itu adalah daerah terpencil dengan dasar campuran—dangkalkarang berbatu diikuti
substrat pasir putih cerah, diakhiri dengan padang lamun yang diikuti substrat campuran kerikil/pasir.
Di lokasi ini, taman selam pertama di Kreta sedang dikembangkan,bertindak juga sebagai kawasan
laut yang dilindungi. Data batimetri dikumpulkan mengikuti yang disebutkan di atasmetodologi.
Lokasi studi ketiga adalah di Nea Moudania (Thermaikos) di bagian TenggaraTeluk Thermaikos
yang lebih besar, Laut Aegean Barat Laut, Yunani. Beberapa jenis aktivitas manusia,
diantaranyapertanian, budidaya, industri, pariwisata, perikanan, dan perdagangan secara langsung
mempengaruhi sistem pesisirThermaikos. Bentang laut terutama dibuat oleh substrat lunak diikuti
oleh lamun padat yang terus meneruspadang rumput hingga sekitar 16,5 m. Semua habitat tersebut
telah diverifikasi dengan snorkeling dan menyelam. Data batimetri dikumpulkan antara 10 dan 13
Juli 2016, menggunakan Garmin Fishfinder 160C dengan sonar 80/200 kHz (sinar ganda).
Transduser yang berbeda yang digunakan adalah karena ketersediaan sistem di kapal yang
dipekerjakan. Data dikoreksi untuk posisi,menambahkan jarak dari transduser ke GPS dalam
postprocessing. Kami menghitung kedalaman rata-ratanilai-nilai yang termasuk dalam setiap piksel
Sentinel-2 10-m sebelum analisis. Baik batimetri dan Sentinel-2dirujuk sehubungan dengan World
Geodetic System (WGS) 84 (G1762). Selain itu, secara keseluruhanCekungan Aegean pada
prinsipnya adalah lingkungan tanpa pasang surut (rata-rata amplitudo pasang surut beberapa cm),
kita asumsikandatum vertikal identik untuk semua gambar dalam komposit median yang
diimplementasikan (seperti yang terlihat padaBagian2.2; 1 Agustus–31 Desember 2016) dan data
echosounder singlebeam.

2.2. Prapemrosesan Data Sentinel-2

Banyak sekali faktor yang mempengaruhi keadaan atmosfer (misalnya, kabut asap, aerosol, dan
awan),permukaan laut(mis., kilatan matahari, kilatan langit, dan tudung putih) dan kolom air (mis.,
sedimentasi, kekeruhan, dan variabelsifat optik) menghalangi penginderaan jauh dari tingkat
dangkal secara optik (di mana bagian dari sinyal jarak jauh permukaan air mengandung sinyal
dasar). Pendekatan preprocessing yang sesuai yang mendahului estimasi batimetri dari citra
penginderaan jauh harus mengatasi dan memperbaiki sebagian besar faktor penghambat ini. Arsip
gambar satelit berskala petabyte terbuka dari Google Earth Enginememungkinkan pemrosesan
multi-gambar yang belum pernah terjadi sebelumnya, dengan cepat di cloud. Ini menawarkan
kesempatan untukmengatasi hambatan yang melekat pada sifat penginderaan jauh perairan
dangkal secara optik.Karena itu, kami menerapkan alur kerja preprocessing (Gambar2) yang
menampilkan kombinasi metadatainformasi, algoritma yang banyak digunakan di bidang
penginderaan jauh perairan pesisir, komposisi gambar(komposit median), normalisasi citra, dan
smoothing. Kami menerapkan alur kerja preprocessingpada data Sentinel-2 (S2) Level-1C (L1C)
top of atmosphere (TOA) yang merupakan standar arsip S2 diGEE (ImageCollection ID:
COPERNICUS/S2). Tujuh pita S2 (aerosol pesisir: b1, biru: b2, hijau: b3,merah: b4, inframerah dekat
(NIR): b8, inframerah gelombang pendek (SWIR) 1: b11, jaminan kualitas (QA) 60 band)formulir
input data ini yang mencakup periode antara 1 Agustus dan 31 Desember 2016, yang mendekati
Sensasi Jauh.2018,10, 859 4 dari 18

secara kronologis untuk perolehan semua data batimetri in situ dan saat kolom air lebih
baikbertingkat di wilayah studi [23]. Alur kerja prapemrosesan kami terdiri dari tujuh langkah:

1.Kami menggunakan band bitmask QA60 yang berisi informasi cloud untuk menutupi buram
danawan cirrus dan skala data S2 L1C TOA sebesar 10.000 (nilai kuantifikasi S2). 2.Kami
menggunakan pengklasifikasi pohon klasifikasi dan regresi (CART) [24] pada komposit b3-b8-b11
untuk menutupilingkungan darat. Patut dicatat bahwa meskipun classifier dilatih dengan dipilihtitik
akuatik dan terestrial (masing-masing 35 dan 32) di sekitar Pulau Kreta saja (Gambar1d),
itudigunakan di ketiga lokasi tersebut.
3.Untuk mengoreksi atmosfer yang disamarkan untuk gambar awan dan daratan, kami
menerapkan metode pengurangan piksel gelap (DPS) yang dimodifikasi setelah [25] yang
mengurangi pancaran rata-rata piksel perairan dalam secara optik (>40 m) untuk mengatasi
pancaran jalur dan dua standar deviasi untuk mengatasinoise terkait sensor di semua band.
4.Kami menggunakan apa yang disebut komposisi gambar di mana gambar semu baru dibuat
menggunakan — di kamicase—nilai median dari gambar yang sudah diproses sebelumnya [16].
Pendekatan ini bertujuan untuk lebih jauhmengurangi artefak gambar yang belum diperbaiki
oleh langkah-langkah preprocessing sebelumnya. Nyatanya,79 ubin (34 SGE, 34 SGD, 35 SKV,
2
dan 35 SKU; juga disebut butiran—100×100 km gambar ortodiproyeksikan di Universal
Transverse Mercator UTM/WGS84 [26]) membentuk Taman Nasional Samariadan gambar
semu Apokoronas, sedangkan 18 petak (34 TFK) membentuk gambar semu Thermaikos.
5.Kami menerapkan algoritme koreksi kilatan matahari dari [27] ke komposit median. Mengikuti
akumpulan piksel yang ditentukan pengguna yang mewakili kilatan matahari dengan intensitas
variabel (dua poligon di selatandari situs Taman Nasional tSamaria di Kreta Selatan),
algoritmenya sama dengan sun glint-corrected/sunkomposit median yang tercemar cahaya
dikurangi dengan produk kemiringan regresi NIR b8terhadap b1–b4 dan perbedaan antara b8
dan nilai minimumnya. Kita harus menyatakan di sini bahwadi dalam [28], langkah
prapemrosesan mencakup rata-rata dan bukan sinyal NIR minimum secara optikair yang
dalam. Dua langkah terakhir dari rantai preprocessing kami dilakukan di lingkungan
GIS(ArcMap 10.5) saat kami mengekspor komposit median yang dikoreksi sinar matahari dari
langkah sebelumnya untukketiga bidang minat.
6.Kami menerapkan fitur pseudo-invarian (PIF) [21] untuk menormalkan pita b2 dan b3 secara
radiometrik yang digunakan dalam validasi model SDB (komposit Apokoronas dan
Thermaikos; Gambar1a,b) ke b2 dan b3 komposit Taman Nasional Samaria
(Gambar1C).Teknik ini dikembangkan untuk mengubah secara kuantitatif citra multispektral
subjek menjadigambar multispektral referensi seolah-olah mereka dirasakan di bawah kondisi
atmosfer yang sama,dan dalam kasus studi pesisir, permukaan air dan kondisi kolom yang
sama. Berbasis PIFnormalisasi komposit digunakan di sini untuk mengurangi perbedaan
spektral yang menyebabkan tinggiRMSE dalam eksperimen validasi SDB pertama kami
(hasilnya tidak ditampilkan di sini). Angka3menampilkanlokasi fitur PIF terpilih (total 44 untuk
setiap lokasi), dengan pasir dangkal sebagaifitur cerah danPosidonia oseanikalamun (National
Samaria Park dan Thermaikos) danganggang coklat (Apocoronas; terutamaCystoseirasp.)
sebagai fitur gelap. Gambar S1 menunjukkan persamaan linier yang digunakan dalam
normalisasi radiometrik. Kami memilih fitur spesifik ini karena menempati ekstrem (tinggi,
rendah) dari rentang pantulan yang diamati secara keseluruhantiga situs mengikuti
rekomendasi yang dapat ditemukan di [29]; asumsi yang mendasaridi sini adalah PIF sedikit
berubah antara ubin yang sama (= situs yang sama) dan komposit yang berbeda(=situs
berbeda).
7.Kami menerapkan 3×3 low pass filter ke band S2 b2 dan b3 yang dinormalisasi untuk
mengurangi noise lebih lanjutsebelum pelatihan dan validasi model SDB empiris.

2.3. Batimetri Berasal Satelit Empiris (SDB)

Umumnya, metode SDB empiris membutuhkan pita tertentu dalam panjang gelombang
tampak, dengan warna birudan hijau menjadi yang paling banyak digunakan (sebagai variabel
independen), dan satu set kedalaman in situ yang diketahui
Sensasi Jauh.2018,10, 859 5 dari 18

(variabel dependen) sebagai satu-satunya input dalam regresi linier sederhana atau berganda yang
mengarah pada estimasi batimetri di area tertentu. Di sini, kami menerapkan dan membandingkan
empat empiris yang berbedapendekatan untuk menurunkan batimetri dari komposit GEE Sentinel-2
yang telah diproses sebelumnya. Agar konsistendalam perbandingan kami dengan model SDB lain
dan literatur SDB yang ada, kami hanya mengeksploitasi panjang gelombang S2 biru dan hijau (b2:
496.6 dan b3: 560 nm untuk S2A) dalam estimasi karena alasan yang wajarpenetrasi air. Pelatihan
keempat model berlangsung di Taman Nasional Samaria, sementaravalidasi dilakukan di dua area
berbeda: area Apokoronas dan Teluk Thermaikos(Angka1). Meja1memberikan informasi tentang
ukuran area survei, jumlah titik in situ yang digunakan,dan jangkauan kedalamannya. Mengingat
rentang kedalaman yang berbeda dari titik in situ di dua lokasi validasi(0–25 m di Apokoronas dan
0–12 m di Thermaikos), kami melatih dua sub-model berbeda untuk masing-masingdari empat
metode SDB untuk meningkatkan akurasi estimasi SDB saat dilatih dan divalidasimenggunakan
rentang kedalaman yang sama. Pendekatan pertama dan tertua adalah yang diusulkan oleh penulis
[28](selanjutnya disebut Lyzenga85) yang mengasumsikan hubungan linier antara pita yang diubah
log dan kedalaman yang diketahui melalui regresi linier (berganda). Koefisien regresi yang
dihasilkan kemudiandigunakan untuk melatih model SDB Lyzenga85 yang berupa:

Dengan=H0+HSayaXSaya+HJXJ(1)

Di manaDenganadalah batimetri turunan satelit,H0,HSaya, DanHJadalah koefisien (persinggungan

dan kemiringan),DanXSayaDanXJadalah variabel independen (cahaya di pita biru dan hijau,
2
masing-masing).Untuk rentang kedalaman 0–25 m, model Lyzenga85 menampilkan R sebesar 0,79
dan RMSE sebesar 2,46 m dan dibutuhkanformulir:
Dengan=−27,85 + 4,95b2−14.13b3 (2)
2
sedangkan untuk rentang kedalaman 0–12 m, model menunjukkan R sebesar 0,69 dan RMSE

sebesar 1,39 m:Dengan=−7.76 + 4.76b2−8.71b3 (3)

Pendekatan terpilih kedua dan ketiga mengikuti dua modifikasi proposal dengan
[30]—selanjutnya disebut sebagai Stumpf03 dan Traganos17 yang dimodifikasi (setelah
penggunaan pertamanya di [31]),masing-masing — mengenai hubungan empiris antara rasio hijau
yang ditransformasi logband ke band biru yang diubah log dan kedalaman air. Stumpf03 yang
dimodifikasi hanyalah kebalikan perkalian dari rasio asli; itu menggunakan rasio biru ke hijau,
bukan yang aslirasio hijau ke biru:
Dengan=M1di(Nb2)

di(Nb3)−M0(4)
Di manaM1DanM0adalah kemiringan danDan-intercept, ditetapkan oleh regresi linier antara rasio
danbatimetri, danNadalah konstanta tetap (1000 dalam semua eksperimen yang terkait dengan
pendekatan dalam [31]) untuk menjaminrespons linier dari rasio logaritmik dengan kedalaman dan
akan tetap positif di semua titik. ItuM1DanM0nilainya adalah 44,39 dan 33,17 untuk set latihan 25 m
(R2= 0,59, RMSE = 3,49 m) dan20.37 dan 12.16 untuk set latihan 12 m (R2= 0,5, RMSE = 1,78 m),
masing-masing. SDB Traganos17algoritma pada dasarnya adalah rasio biru yang diubah log
menjadi hijau yang diubah log (X) tanpa konstanta n dari Persamaan (4) dan telah menunjukkan
hasil yang lebih akurat pada dasar dengan pantulan rendah (mis., Lamun dan alga) daripada
algoritme asli di [30], yang terutama diuji dan diseteldengan dasar pantulan tinggi (misalnya, pasir,
terumbu karang). Persamaan eksponensial:

−6.12X
Dengan= 4416.3e (5)

diimplementasikan untuk memperkirakan batimetri di daerah Apokoronas (R2= 0,67, RMSE = 3,65
m) sampai dengan akedalaman 25 m, sedangkan persamaan linier denganM1DanM0nilai
masing-masing 20,37 dan 12,16, diturunkanbatimetri hingga kedalaman 12 m di Teluk Thermaikos
2
(R = 0,56, RMSE = 1,68 m). Keempat danpendekatan empiris SDB akhir adalah yang dikembangkan
oleh penulis [32] (selanjutnya disebut Dierssen03), yang
Sensasi Jauh.2018,10, 859 6 dari 18

mengambil rasio log-transformed dari komposit median biru ke hijau (X) di sini (pita hijau ke merah
masukkertas asli) untuk memetakan batimetri. Persamaan eksponensial:

1.52X
Dengan= 9,46 (6)

digunakan untuk memperkirakan batimetri di Apokoronas (R2= 0,66, RMSE = 3,59 m) pada
kedalaman 0–25 mrentang dan persamaan linier:
B2
Dengan=7.05 ln( B3) +8.31 (7)
2
memperoleh batimetri di Thermaikos dalam rentang kedalaman 0–12 m (R = 0,53, RMSE = 1,72 m).

Gambar 1.Lokasi lokasi studi terpilih untuk analisis model batimetri: (A) Teluk Thermaikos; (B)
Obros Gyalos di kawasan Apokoronas; (C) Taman Nasional Samaria, Kreta Selatan; Dan (D) Laut
Aegea, Yunani. Poligon merah menunjukkan luas area yang digunakan untuk analisis sebenarnya.
Semua gambar yang digambarkan adalah komposit median Sentinel-2 menggunakan alur kerja
preprocessingdari Gambar2.

2.4. Distribusi Spasial Residual Model

Karena dasar laut yang kami pelajari bervariasi dari pasir dangkal yang cerah hingga padang
lamun yang gelap dan dasar yang tertutup ganggang, kami mengharapkan kesalahan terkait dalam
peta SDB yang dihasilkan. Untuk lebih menyaringinformasi spasial dari peta SDB, kami menghitung
distribusi residu model. Kami memperkirakanyang terakhir sebagai sisa pengurangan data batimetri
in situ dari peta SDB terlatih dan tervalidasi yang paling akurat (Lyzenga85 di ketiga area).
Mengikuti saran daripenulis [33], peta kesalahan spasial diturunkan oleh interpolasi Kriging (alat
ArcMap Spatial Analyst)dari poin yang tersisa ke seluruh tingkat situs pelatihan dan validasi untuk
mengungkap over- danpola di bawah prediksi dari model SDB. Algoritma interpolasi Kriging
menggunakan sphericalmodel semivariogram dan radius pencarian variabel 12 poin untuk
“menangkap deterministik danvariasi autokorelasi pada permukaan residu” [33].
Sensasi Jauh.2018,10, 859 7 dari 18

Gambar 2.Alur kerja metodologis dari penelitian ini. Kami mempekerjakan padang lamun dan
ganggang sebagaifitur gelap dan pasir dangkal sebagai fitur cerah; Kami melakukan pelatihan yang
diturunkan dari satelitmodel di situs Taman Nasional Samaria menggunakan dua rentang kedalaman
yang berbeda untuk menangkap perwakilankisaran kedalaman di lokasi validasi: 0–25 m di
Apokoronas dan 0–12 m di Thermaikos.
 Gambar 3.Lokasi fitur pseudo-invarian yang digunakan (panel kanan diperbesar) dalam
normalisasiKomposit Apokoronas dan Thermaikos (B,C) ke komposit National Samaria Park (A).
Sensasi Jauh.2018,10, 859 8 dari 18

Tabel 1.Area survei dan jumlah titik in situ terkait yang digunakan untuk pelatihan dan validasimodel
batimetri turunan satelit. Teluk Thermaikos memiliki jumlah poin validasi yang lebih rendahkumpulan
data yang awalnya tersedia jauh lebih kecil dibandingkan dengan Apokoronas.
Samaria (Pelatihan) Teluk Thermaikos (Validasi)
Situs SurveiTaman Nasional Apokoronas (Validasi)
2
Area survei (km ) 46,3 1,3 20,6Jumlah titik in situ4978 (model 25 m)

3230 (model 12 m)1557 53

0–25:
0–5 (675), 15–20 (517), 20–25 (254)
5–10 (1998), 10–15 (1247),
Kisaran kedalaman dan 15–20 (659), 20–25 (399) 0–12
interval titik in situ (m) 0–12: 0–5 (25), 5–10 (26), 10–15
10–12 (556) (2)
3. Hasil 0–25:
0–5 (57),
3.1. Estimasi SDB 5–10 (301), 10–15 (428),

Angka4menunjukkan komposit S2 median pra-proses dan masing-masing peta batimetri yang

diturunkan dari satelit dari pelatihan (Gambar4a,b) dan situs validasi (Gambar4b,c,e,f). Kedalaman
SDB maksimum adalah 27 m di Taman Nasional Samaria, 23 m di Apokoronas, dan 16 m di Teluk
Thermaikos (kedalaman minimum Thermaikos adalah 1,7 m, 0 di dua lokasi lainnya). Semua hasil
statistik secara kolektif diberikan dalam Tabel S1 dan S2. Dalam hal validasi, model Lyzenga85
mencapai akurasi terbaik, menjelaskan 90% variasi di dalam kumpulan data validasi di Apokoronas
(Angka5—1557 poin; RMSE = 1,67 m) dan 86% variasi di dalam dataset validasi di Thermaikos
(Angka6—53 poin; RMSE = 4,1 m). Lebih khusus lagi, berkaitan dengandaerah Apokorona,
 2
pendekatan Lyzenga85 menampilkan R.2 kira-kira dua belas kali lipat lebih tinggi dan lima kali
2
lipatRMSE lebih kecil dari rata-rata R dan nilai RMSE masing-masing sebesar 0,073 dan 8,84 m
untukpendekatan Stumpf03, Traganos17, dan Dierssen03 yang dimodifikasi. Di sisi lain,
sehubungan dengandaerah Thermaikos,Lyzenga85model menjelaskan 2,6 kali lebih baik variasi
dalam validasidataset dari rata-rata 33% dari tiga model lainnya, tetapi menunjukkan RMSE 1,49 m
lebih besar daripada merekanilai rata-rata 2,6 m. Pemanfaatan model SDB Traganos17
2
menghasilkan RMSE terendah sebesar 2,49 mdisini (R = 0,52).

3.2. Keuntungan Metodologis Menggunakan Normalisasi PIF dan 3×3 Menghaluskan

Angka5menunjukkan keefektifan memasukkan normalisasi berbasis fitur pseudo-invarian dan
3×3 low pass filter atas komposit penginderaan jauh sebelum validasidari model SDB. Keempat
panel pada Gambar5adalah plot validasi model dengan nilai tertinggiakurasi (Lyzenga85) di area
Apokoronas yang berbeda dalam hal preprocessing yang tergabungmetode. Validasi pada komposit
pra-proses hanya menggunakan lima langkah pertama dari Gambar2(Angka5a) menghasilkan
R2sebesar 0,89 dan RMSE sebesar 3,79 m, yang hampir setengahnya menjadi 1,92 m (R yang
sama2)dengan menormalkan komposit pra-proses sebelum validasi (Gambar5B).
Penerapan3×3smoothing tanpa normalisasi (Gambar5c) menghasilkan RMSE tertinggi sebesar
2
4,79 m (hampirR yang sama sebesar 0,88), sedangkan dengan normalisasi (Gambar5d), kami
2
mengamati bahwa R naik sedikit sebesar 0,02,dan RMSE turun menjadi 1,67 m dibandingkan
dengan langkah 3.
Sensasi Jauh.2018,10, 859 9 dari 18

Gambar 4.Komposit median Sentinel-2 yang telah diproses sebelumnya menggunakan alur kerja
Gambar2di panel kiri (A–C) dan perkiraan batimetri turunan satelit (SDB) empiris terbaik terkait di
sebelah kanan (D–F): Gabungan National Samaria Park dan perkiraan SDB terkait dalam panel
(A,D); Apokoronaestimasi SDB komposit dan terkait dalam panel (B,Dia); Komposit Thermaikos dan
estimasi SDB terkaitdalam panel (C,F). Poin merah menggambarkan poin in situ yang digunakan
2
dalam pelatihan (A) dan validasi (B,C) dari model SDB di sini. Algoritma terbaik (R , RMSE
terendah) dalam ketiga kasus adalah model Lyzenga85 yang diterapkan pada 3×3 komposit
Sentinel-2 median yang dihaluskan dan dinormalisasi menggunakan yang ditunjukkanfitur
pseudo-invarian (PIF) di peta Gambar yang diperbesar3B.

3.3. Distribusi Spasial Residual Model

 Angka7menggambarkan variasi spasial dari residu model peta SDB setelah pelatihanoleh
model Lyzenga85. Sehubungan dengan plot validasi pada Gambar5Dan6, ketiga gambar tersebut
mengungkapkan potensi pola geografis (horizontal) dan terkait kedalaman (vertikal) dari prediksi
berlebih atau kurang (selalu sebagai referensi untuk data in situ yang digunakan) dan hubungan
yang terakhir dengan yang terakhirkeberadaan habitat tertentu. Ada beberapa pola SDB kelebihan
dan kekurangan prediksi yang khas.Pertama, kawasan Taman Nasional Samaria (tempat pelatihan)
memiliki prediksi yang kurang dan prediksi yang berlebihankecenderungan di bagian paling barat
dan paling timur, masing-masing (Gambar7A). Ada juga residu model yang terkait dengan perkiraan
yang kurang baik pada pasir dan batuan dangkal kurang dari ~6 m dan lebih dari~21
m(Angka3A,4d dan7A). Kedua, area Apokoronas (situs validasi pertama) menunjukkan tren
prediksi variabel di seluruh zona kedalaman variabel—model Lyzenga85 kurang memprediksi
batimetri dikira-kira 6 m pertama di atas dasar laut yang tertutup pasir dan di dasar laut yang tertutup
alga lebih dalam darisekitar 17 m (Gambar3B,4e dan7B). Yang terakhir ini selanjutnya dibenarkan
oleh plot validasi (4)dari Gambar5yang menampilkan perkiraan kedalaman yang terlalu rendah
menuju dasar laut yang lebih dalam di Apokoronas.Sisa dasar dari situs yang sama—yang
didominasi oleh habitat alga—menggambarkan sebuahprediksi SDB yang berlebihan (Gambar7B).
Ketiga, residu di Teluk Thermaikos (keduasitus validasi)semuanya terkait dengan prediksi
berlebihan, yang berkisar antara 3 dan 4,9 m. Sedangkan yang paling barat dandasar laut
Thermaikos paling timur, tertutup rapatP. oceanicalamun dan jarangCymodocea nodosalamun,
menunjukkan tingkat prediksi berlebihan terbesar, Thermaikos tengah, ditutupi oleh yang lebih
kecilP. oceanicapadang rumput, memaparkan tingkat prediksi berlebihan yang lebih kecil dengan
kecenderungan naik dari barat ke timur (menjauh dari pusat komposit) (Gambar7C). Last but not
least, kami mencatat medium
Sensasi Jauh.2018,10, 859 10 dari 18

nilai prediksi berlebihan (warna off-white) di atas dasar berpasir di barat laut dan tenggaradaerah. Ini
lebih besar daripada Teluk tengah yang dipelajari.

Gambar 5.Plot validasi titik kedalaman in situ (X-axis) terhadap batimetri turunan gambar
(Dan-sumbu)menerapkan model Lyzenga85 yang menampilkan akurasi terbaik dari median
Sentinel-2komposit situs Apokoronas untuk langkah-langkah metodologi berturut-turut termasuk:
(A) median awalKomposit Sentinel-2; (B) komposit Sentinel-2 median yang dinormalisasi
menggunakan pseudo-invarian yang ditampilkan(PIF) fitur di peta Gambar yang diperbesar3B; (C)
 sebuah 3×3 komposit rata-rata Sentinel-2 yang dihaluskan; (D) sebuah 3×3 komposit Sentinel-2
median smoothed dan normalized yang menunjukkan akurasi terbaikdi antara empat model
penelitian ini di situs Apokoronas.

Gambar 6.Plot validasi dari 53 titik kedalaman in situ (X-axis) terhadap batimetri turunan gambar
(Dan-sumbu)menggunakan model Lyzenga85 pada 3×3 komposit Sentinel-2 median yang
dihaluskan dan dinormalisasidari situs Thermaikos.
Sensasi Jauh.2018,10, 859 11 dari 18

Gambar 7.Distribusi spasial residu model peta SDB dengan akurasi tertinggi. (A) itutempat
pelatihan (National Samaria Park, kedalaman maksimum 25 m); (B,C) dua situs
validasi—Apokoronasdi panel b (kedalaman maksimum 25 m) dan Thermaikos di panel c
(kedalaman maksimum 12 m). Perhatikan bahwa landai kiri atas dan bawah menunjukkan prediksi
berlebih dan kurang (sebagai perbedaan antara batimetri yang diturunkan dari satelit dan in situ),
sedangkan ramp kanan bawah menggambarkan spasial tinggi ke rendahkesalahan (keduanya
prediksi berlebihan).

3.4. Sensitivitas SDB terhadap Variasi Habitat Dasar Laut dan Reflektansi
 Untuk mengeksplorasi lebih lanjut kinerja model SDB dengan variabilitas habitat dasar, kami
memeriksadua algoritma empiris yang paling banyak diimplementasikan, Lyzenga85 dan Stumpf03,
dan birukomposit reflektansi median (490 nm) sepanjang dua transek yang berbeda (kisaran
kedalaman 0–20 m) di tigawilayah studi (Gambar8). Semua referensi ke panel dalam paragraf ini
adalah seperti yang diberikan pada Gambar8.Semua transek mengarah ke laut dan hampir tegak
lurus dengan garis pantai.
Secara umum, kinerja Lyzenga85 yang lebih baik dibandingkan dengan Stumpf03 yang
dimodifikasi dicontohkan oleh variasi yang lebih halus dari model sebelumnya dengan perubahan
habitat dasar laut dan dengan demikian pantulan biru lebih banyak daripada model terakhir.
Stumpf03 dan reflektansi biru tampaknya lebih bergantung pada sebagian besar transek; pada saat
yang sama, model Lyzenga85 menunjukkan saling ketergantungan habitat yang lebih kecil
(sebagaimana dimanifestasikan oleh variasi pemantulan biru), terutama padadaerah dasar pantulan
gelap (lamun dan ganggang) seperti yang terlihat di kiri atas (240–500 m), kanan tengah,dan panel
kiri bawah. Selain itu, dibandingkan dengan Stumpf03, Lyzenga85 tampaknya kurang dapat
diprediksibatimetri di atas habitat berpasir dan berbatu, kecuali untuk pasir yang lebih dalam (b2 <
~0,015) (kiri atas danpanel kanan, kiri tengah, dan kiri bawah).
Sensasi Jauh.2018,10, 859 12 dari 18

Angka 8.Profil batimetri turunan satelit menggunakan Lyzenga85 paling akurat dan Stumpf03 yang
 dimodifikasimodel, dan 3×3 komposit pemantulan Sentinel-2 median biru yang dihaluskan dan
dinormalisasi (490 nm).(A) Taman Nasional Samaria: profil di atas dasar laut dengan bebatuan,
pasir, danPosidonia oseanikalamun, berturut-turut; (B) Taman Nasional Samaria: profil di atas pasir;
(C,D) situs Apokoronas: masing-masing profil di atas hamparan pasir dan alga; (DAN,F) Situs
Thermaikos: profil di atas pasir danP. oceanicalamun, masing-masing.

4. Diskusi

4.1. SDB Berbasis Cloud dan Performa Model

Platform analisis geospasial berbasis cloud, seperti Google Earth Engine yang digunakan di
sini, memberikan peluang yang belum pernah terjadi sebelumnya untuk pemrosesan awal,
pemrosesan,dan analisispenting untuk data terbuka lingkungan laut pesisir. Di sini, kami
mengembangkan preprocessingalur kerja dalam GEE dan lingkungan GIS yang
mengimplementasikan banyak digunakan secara luas dan baikalgoritma yang mapan dalam
penginderaan jauh habitat dangkal secara optik (lamun, karang,alga dll.)
Sensasi Jauh.2018,10, 859 13 dari 18

sebelum perhitungan empat batimetri yang diturunkan dari satelit empiris [28,30–32] dengan
Sentinel-2 bersamadengan statistik dan residu model mereka.
Selama tiga dekade terakhir, serangkaian metode empiris, semi-analitik, dan analitis telah
berkembangtelah dikembangkan untuk estimasi batimetri dangkal optik dari gambar penginderaan
jauh [34].Di sini, kami fokus pada metodologi empiris yang menggunakan statistik berbasis linier
atau rasiohubungan antara pita penembus air yang ditransformasikan log (paling sering berwarna
biru dan hijaupanjang gelombang) dan data kedalaman in situ yang diturunkan secara akustik untuk
menghitung SDB. Algoritma empiris berasumsikolom air homogen dan komposisi dasar apriori; ini
jarang terjadi, namun, di asitus bentik khas pesisir Aegean dengan beberapa padang lamun yang
berdekatan dengan pasir dan bebatuan dengan ganggangkomunitas dalam batas kedalaman optik
yang digunakan di sini Sentinel-2. Oleh karena itu, non-uniksifat dari lokasi studi pilihan kami entah
bagaimana melanggar asumsi pendekatan empiris. Namun demikian, kami memeriksanya di sini
karena signifikansi historisnya, sederhana dan tersebar luaspenggunaan, dan akurasi yang baik. Di
antara model yang diselidiki dalam pelatihan dan validasi didua rentang kedalaman (0–12 dan 0–25
m), model Lyzenga85 [28] menunjukkan R tertinggi2dan nilai RMSE lebih kecil rata-rata
(masing-masing 0,81 dan 2,4 m) diikuti oleh model Traganos17 [31] dengan R2sebesar 0,45 dan
RMSE sebesar 4,03 m. Model empiris Stumpf03 menampilkan kinerja keseluruhan termiskin
dengan R2sebesar 0,3 dan RMSE sebesar 4,41 m (Tabel S1 dan S2). Semua model disetel
diTaman Nasional Samaria di atas dasar laut yang tertutup pasir dan berbatu dengan tambalan
lamun yang jarangdan divalidasi di dasar yang sebagian besar berpasir dengan beberapa alga di
Apokoronas dan lamun yang lebattempat tidur dengan sedikit pasir dan ganggang di Teluk
Thermaikos (Gambar4). Dibandingkan dengan hasil SDB yang tidak dipublikasikan di situs
pelatihan Kreta Selatan menggunakan Dierssen03 [33] rasio pita empiris asuper-resolved (60
hingga 10 m) Sentinel-2 pesisir aerosol pita 1 hingga hijau pita 3 disetel dengan yang sama didata
kedalaman situ dengan studi ini (kisaran kedalaman 0–30 m), model Dierssen03 di sini
2
menghasilkanR lebih rendah lebih rendah (dikurangi dengan 0,19), tetapi juga RMSE 0,72-m lebih
kecil.
Di sisi lain, hasil SDB yang dipublikasikan sebelumnya menggunakan Sentinel-2 di situs
validasiThermaikos [31] dengan algoritme Traganos17 asli yang disetel di perairan yang sama pada
kedalaman di antaranya0 dan 20 m menjelaskan variasi 1,76 kali lebih baik, dengan RMSE 1,19 m
lebih kecil dibandingkan denganhasil Traganos17 saat ini. Di aplikasi SDB lain di situs Thermaikos
[34] dengan citra RapidEye 5 m, penggunaan rasio empiris Dierssen03 menunjukkan R 0,49 lebih
rendah2dengan penurunanRMSE 0,09 m dibandingkan dengan model Dierrsen03 yang divalidasi di
sini. Pada pendekatan sebelumnya,poin data pelatihan dan validasi berasal dari situs yang sama
dan dengan demikian dicirikan oleh autokorelasi yang tinggi menurut hukum geografi pertama oleh
Tobler yang dapat menyebabkanbias statistik; di sini, kami mencoba untuk menurunkan bias ini
dengan menggunakan dua kumpulan data in situ independendua situs berbeda untuk memvalidasi
model empiris yang dikalibrasi.

4.2. Tentang Pentingnya Komposisi Gambar, PIF, dan Distribusi Kesalahan Spasial
Kemampuan untuk membuat komposit citra penginderaan jauh dengan menghitung median
setiap pikseldalam gambar di seluruh rentang waktu tertentu mengurangi masalah intra-gambar
mode antar-gambar yang terkaituntuk permukaan air dan kondisi kualitas air, dan sifat optik;
masalah seperti ombak, kilau mataharidan kilauan langit, sedimentasi temporal karena limpasan
curah hujan di darat, atau suspensi ulang dasar lautSedimen akibat aktivitas gelombang yang
intensif dalam jangka waktu lama cenderung menurunkan kualitas citra tunggaldan menghambat
aplikasi SDB. Rentang waktu yang dipilih memengaruhi kualitas komposit—waktu yang
singkatrentang mungkin dapat menyebabkan kesenjangan data sementara yang panjang dapat
memperkuat kepalsuan yang dihasilkanpseudo-image. Di sini, kami memilih periode waktu antara 1
Agustus dan 31 Desember 2016, yaitusecara kronologis lebih dekat dengan perolehan data
batimetri lapangan dalam jangka waktu Sentinel-2 danmemenuhi kriteria kolom air bertingkat lebih
baik untuk wilayah studi kami (Laut Aegean) [23]. Masa depanpengguna alur kerja yang diusulkan di
sini diharapkan untuk memilih rentang waktu berdasarkantanggal perolehan data in situ mereka,
dan kondisi permukaan dan kolom air yang optimal dari merekawilayah studi. Perlu disebutkan
bahwa perbedaan temporal antara akuisisi data (2012–2015)dan komposisi gambar (2016) dalam
penelitian kami diharapkan tidak menghalangi estimasi SDB karena
Sensasi Jauh.2018,10, 859 14 dari 18

ketiga lokasi tersebut relatif terlindung dari fenomena cuaca dan proses pesisir, oleh karena
itumenampilkan dasar laut yang stabil. Sementara pekerjaan saat ini berada di lingkungan laut
pesisir dengan hampirtidak ada pengaruh dari pasang surut, ketika metode yang digunakan dan
pendekatan yang diusulkan diadopsi di daerahdengan pasang surut yang mempengaruhi hasil,
koreksi pasang surut menggunakan pengukuran dari alat pengukur pasang surut tetapstasiun adalah
langkah wajib dalam proses batimetri turunan satelit.
Normalisasi radiometrik komposit citra median menggunakan fitur pseudo-invarianmendekati
[21] memungkinkan keberhasilan pengembangan pendekatan kami. Komposit gambar yang
diimplementasikanuntuk validasi di sini berasal dari situs yang berjarak sekitar 26 (Apokoronas) dan
562 km (Thermaikos)(Angka1) jauh dari lokasi pelatihan (National Samaria Park). Ini mengharuskan
pemanfaatan PIFmetode normalisasi untuk mengoreksi dua komposit sebelumnya ke kisaran
reflektansi komposit terakhir. Statistik yang dihasilkan lebih baik setelah penggunaan PIF dan 3×3 low
pass dalam kombinasi dengan yang lebih kecilpenyebaran nilai-nilai yang diregresi (Gambar5d)
mewujudkan pentingnya dua langkah prapemrosesan ini. Komposisi gambar menggunakan nilai
median sebelum penerapan PIF meningkatkan reliabilitasestimasi SDB berikutnya karena
penurunan masalah perbandingan komposit lintas gambar [35]. Keterbaik dari pengetahuan kami,
penelitian ini adalah yang pertama menggunakan PIF sebagai langkah preprocessing untuk
perhitungan SDB.Penggunaan normalisasi PIF sebelumnya dalam pengaturan dangkal pantai
secara optik telah dipercayaimplementasi preprocessing untuk deteksi pemutihan karang [29,36].
Penggambaran distribusi spasial residu model (Gambar7) integral di sini. Ada dua asumsi
yang melekat dalam sifat empiris estimasi SDB; pertama, observasi in situ yang digunakan dalam
pelatihan dan validasi model SDB tertentu bersifat independen di antaranya,dan kedua, residu
model menampilkan distribusi normal dan lokasi acak. Kehadiran spasialketergantungan yang
ditunjukkan oleh pemilihan pengamatan dari gambar yang sama (dan dengan demikian dalam jarak
dekat)mematuhi hukum geografi pertama oleh Tobler tetapi melanggar asumsi kebebasan dan
lokasi dipengukuran situ, mempertinggi kesalahan standar dan secara luas menurunkan
kepercayaan statistikmodel SDB. Di satu sisi, asal usul dataset pelatihan dan validasi dari hal yang
samasitus adalah praktik umum dalam studi derivasi batimetri dangkal secara optik karena alasan
praktis(biasanya biaya tinggi untuk memperoleh data tersebut di lapangan). Di sisi lain, keberadaan
tigadataset batimetri balok tunggal in situ memungkinkan kita untuk menghadapi pelanggaran yang
disebutkan di atas,kemudian membatasi bias statistik dalam hasil.
Peta kesalahan spasial mengungkap pola prediksi berlebih dan kurang spesifik. Lebih banyak
didemonstrasikandiucapkan di Taman Nasional Samaria dan situs Apokoronas (panel kiri atas dan
bawah diAngka7), kami mengidentifikasi bahwa sebagian besar lapisan yang tertutup ganggang
berhubungan dengan kecenderungan prediksi yang berlebihan karenamereka terdiri dari habitat
dengan reflektansi rendah. Dalam piksel Apokoronas yang sangat dangkal, mungkin adakoreksi
berlebihan oleh algoritme kilau matahari yang ditemukan di [26] karena interaksi foton cahaya
dengandasar laut pada panjang gelombang NIR yang mungkin mengalami penurunan nilai komposit
reflektansi dan penambahanuntuk tren over-prediksi. Sebaliknya, dasar berpasir dan berbatu
memantulkan lebih banyak fotonmenghasilkan pola di bawah prediksi. Umumnya, jumlah foton yang
dipantulkan di dasar lautberkurang, dan mencapai nol melewati batas kedalaman tertentu seperti
yang dirata-ratakan oleh komposisi gambar di sini.Saat inititik, sinyal penginderaan jauh akan berisi
informasi yang timbul hanya dari kolom airdan bukan dasar air, oleh karena itu tidak dapat
memperkirakan batimetri. Ini bisa saja menyebabkanpola di bawah prediksi yang terlihat menuju
area yang lebih dalam terlepas dari habitat yang mendasarinyadimanifestasikan oleh panel keempat
pada Gambar5(di luar ~22 m), dan panel kiri atas dan bawah masukAngka7(warna merah).
Kami juga menunjukkan pentingnya menggunakan rentang kedalaman data in situ yang sama
untuk pelatihan dan validasi model SDB kami, yang meningkatkan R2dan menurunkan RMSE.
Implementasi dariPelatihan 0–25 m di Taman Nasional Samaria, divalidasi dalam model situs
Apokoronas di Thermaikossitus dan rentang kedalaman hingga 12 m, menghasilkan 0,06 lebih kecil
R2nilai dan RMSE hampir dua kali lipat lebih kecil daripada model Lyzenga85 terlatih akhir dalam
jarak 0–12 m (Gambar6). Hal ini juga telah disebutkan dalam [34]: “Performa optimal estimasi
batimetri ingin dicapai saat poinmencakup rentang kedalaman yang sepenuhnya representatif ada
di kedua set data”.
Sensasi Jauh.2018,10, 859 15 dari 18

4.3. Pengumpulan Data In Situ, Informasi Crowdsourced dan Outlook untuk SDB
Sebuah fitur penting dari penelitian ini adalah penggunaan alat murah untuk pengumpulan
data batimetri in situ. Biasanya, data tersebut dikumpulkan oleh peralatan canggih yang mahal
seperti data lidar udara [37] atau sistem multibeam echosounder [38]. Sementara alat-alat ini
memperoleh batimetri resolusi sangat tinggi, baik cakupan spasial maupun pembaruan batimetri
turunannya terbatas dan sangat mahal di zona pantai dangkal yang secara praktis tidak dapat
diakses olehperahu besar yang membawa peralatan akustik dan tempat petak multibeam sempit.
Selain itu,kampanye lintas udara memerlukan lisensi khusus yang sulit diperoleh. Di sini, kami
mempekerjakan komersialsolusi off-the-shelf (COTS) dengan total biaya kurang dari 1500 euro,
yang dapat digunakan kapan sajadaerah perhatian.
Metode pengumpulan data in situ lainnya adalah dengan melibatkan crowdsourcing/data ilmu
wargametodologi pengumpulan [39]. Sejak 1963, Program Pemetaan Koperasi antara Kantor
NOAACoast Survey dan United States Power Squadron (USPS) telah memicu penyerahan
batimetriarahkan data ke kartografer melalui layanan pos untuk aplikasi bagan. Hingga saat ini,
beberapa inisiatifberdasarkan partisipasi sukarela pemilik kapal dengan peralatan hidrografi
terpasangdilepaskan [35,40], menghasilkan peta batimetri dan informasi jenis dasar dantutupan
vegetasi dalam beberapa kasus. Baru-baru ini, Bagan Batimetrik Umum Nippon Foundation of
theProyek Oceans (GEBCO) Dasar Laut 2030 diluncurkan pada Konferensi Lautan Perserikatan
Bangsa-Bangsa pada tahun 2017 dengan tujuan untuk memetakan keseluruhan dasar laut dunia
pada tahun 2030.Untuk mencapaiini tidak diragukan lagitujuan ambisius, proyek ini bertujuan untuk
membuat armada baru kapal penelitian dengan mempekerjakan jutaan nelayankapal, ribuan kargo,
kapal pesiar, dan kapal penumpang, dan kapal pesiar pribadi untuk memperoleh data
crowdsourcing multibeam echosounder [41]. Meskipun demikian, ekstraksi data mentah (XYZ) dari
database yang ada belum diizinkan untuk publik, tetapi perusahaan dan proyek penelitian—seperti
platform H2020 BASE (https://basis-platform.com/)—telah mencapai kesepakatan dan hasil SDB
pertamamemanfaatkan data crowdsourcing sekarang tersedia. Aksesibilitas data mentah tersebut
sangat penting menuju yang baruera untuk aplikasi batimetri pesisir global menggunakan
metodologi yang diusulkan saat ini.Yang empirissifat metodologi kami, bagaimanapun,
meningkatkan tuntutan komputasi dalam GEE karena estimasi regresi antara nilai komposisi
gambar dan kedalaman air—skala besar dalamruang dan waktu dapat menyebabkan GEE
membuat waktu habis (pesan kesalahan GEE).
Selain era baru yang diharapkan untuk batimetri skala besar, kami membahas lima upaya dalam
waktu dekatyang secara langsung atau tidak langsung dapat menyukseskan dan/atau meningkatkan
metodologi dan studi ini:

1.Implementasi estimasi parameter kesalahan spasial sebagai langkah postprocessing untuk

meningkatkeakuratan statistik dari model SDB yang diturunkan secara empiris mengikuti pekerjaan
di [34]. 2.Pemanfaatan komposisi best-available-pixel (BAP), yang menggunakan rangkaian berbasis
pikselskor yang terkait dengan jarak ke awan dan topeng bayangan, opasitas atmosfer, hari dalam
setahun, dll.,alih-alih komposisi gambar di seluruh deret waktu yang relevan dengan wilayah studi
pengguna [42]. 3.Penggunaan alur kerja prapemrosesan yang diusulkan untuk melakukan pemetaan
habitat seluas laut hingga cekungandan pemantauan.
4.Penggabungan optimisasi berbasis transfer radiasi mengikuti semi-analitikmetode inversi [43]
atau metode pembelajaran mesin [10,44] untuk penurunan batimetri. 5.Penggabungan Copernicus
Sentinel-1 (juga tersedia di GEE) dan Arsip gambar terbuka dan gratis Sentinel-2 untuk
pengembangan model elevasi digital (DEM) topobathymetric 10 m—produk elevasi gabungan
mulus dari topografi terestrial dan bawah air [45]berguna untuk berbagai aplikasi ilmu bumi termasuk
pemetaan dan pemodelan genangan,transportasi sedimen, kenaikan permukaan laut, dan
gelombang badai [46].

5. Kesimpulan

Studi ini mengusulkan rangkaian prapemrosesan lengkap di Google Earth

Engine—termasukalgoritma sederhana dan mapan dalam penginderaan jauh dari habitat yang
dangkal secara optik — yang
Sensasi Jauh.2018,10, 859 16 dari 18

dapat dengan mudah diimplementasikan melalui kode yang disediakan secara online untuk
memperkirakan batimetri yang diturunkan dari satelitmenggunakan data Sentinel-2 dan data
lapangan berbiaya rendah. Pengguna dapat memilih rentang waktu yang sesuai dari yang
tersediaGambar Sentinel-2 sesuai dengan data kedalaman in situ yang tersedia dan permukaan dan
kolom air yang optimalkondisi daerah yang diminati. Di sini, kami melatih empat model SDB
menggunakan median pra-pemrosesankomposit dari 79 ubin S2 di SW Crete (Mediterania Timur)
dan memvalidasinya menggunakan 79- danKomposit 18-ubin di NW Crete dan NW Laut Aegean,
masing-masing berjarak 26 dan 562 km. Mengingat akurasi yang baik dari model yang dikalibrasi di
dua lokasi validasi (R2hingga 0,9 dan RMSE serendah 1,67 m) meskipun jarak horizontalnya besar,
ada potensi yang muncul untuk meningkatkan model SDB yang dikembangkan di sini ke seluruh
kedalaman dangkal secara optikal di Laut Aegea dan Laut Ionia, sehingga lebih jauh
mengeksploitasi kemampuan GEE untuk skala besar analisis data. Untuk tujuan ini, salah satu
tantangan khususnya adalah keberadaan data batimetri lapangan yang relevan untuk memvalidasi
keakuratan upaya peningkatan. Inovasi dari karya ini terutama terletak pada kenyataan bahwa ini
adalah yang pertamamengimplementasikan pendekatan komposisi gambar antar gambar dalam
GEE untuk mengatasi masalah gambar tunggalseperti gangguan atmosfer, permukaan, dan kolom
air yang menghalangi pendekatan antariksa di bidang penginderaan jauh perairan. Selain itu,
dibandingkan dengan pengecualian mereka, dimasukkannya normalisasi berbasis PIF untuk
mencocokkan rentang pantulan komposit pelatihan dengan komposit validasi bersama dengan 3×3
smoothing untuk memfilter noise yang tersisa sebelum perhitungan SDBkhususnya meningkatkan
metodologi sebagaimana ditunjukkan oleh peningkatan akurasi SDB. Di samping itu,regresi yang
terletak di jantung model empiris (misalnya, koreksi sinar matahari, normalisasi PIF,estimasi SDB)
mengurangi waktu pemrosesan di GEE dan mungkin dapat membuat kesalahan waktu habis
terkait.Hal ini mendorong kami untuk melakukan normalisasi radiometrik dan perhitungan SDB di
luar GEE dalam penelitian ini demi efisiensi. Dalam waktu dekat, kami bertujuan untuk
mengintegrasikan kedua preprocessing ini danlangkah-langkah analisis dalam platform GEE selain
mengadaptasi kode untuk juga menggunakan citra Landsat 8sebagai masukan. Secara
keseluruhan, karena aktivitas antropogenik yang intens, ekosistem pesisir berada di
ambangdegradasi yang signifikan dari jasa ekosistem mereka; namun, Google Earth Engine dan
Sentinel-2 telah menciptakan badai sempurna dalam tiga tahun terakhir untuk skala spatiotemporal
tinggi berskala global yang belum pernah terjadi sebelumnya.pemetaan batimetri dan, lebih luas lagi,
dari benthos dangkal optik yang sangat penting yangpada gilirannya dapat memberdayakan
pemahaman fisik, pengelolaan dan praktik konservasi.

Bahan Pelengkap:Berikut ini tersedia secara online dihttp://www.mdpi.com/2072-4292/10/6/859/s1.

Kontribusi Penulis:D.T. dan D.P. menyusun ide, mengumpulkan data in-situ, memproses turunan
satelitbatimetri, dan menulis makalah; B.A. mengembangkan kode prapemrosesan di Google Earth Engine; PR
dan N.C.mengawasi perkembangan proyek ini, dari awal sampai akhir.
Ucapan terima kasih:DP dan N.C. didukung oleh Proyek H2020 Eropa 641762 EKOPOTENSI:Meningkatkan
manfaat ekosistem di masa depan melalui Pengamatan Bumi. D.T. didukung oleh DLR-DAAD
ResearchPersekutuan (No. 57186656).
Konflik kepentingan:Para penulis menyatakan tidak ada konflik kepentingan.

Referensi
1.Paterson, DM; Hanley, ND; Hitam, K.; Defew, EC; Solan, M. (Eds.) Keanekaragaman hayati, ekosistem dan
wilayah pesisirmanajemen: Menghubungkan sains dan kebijakan. Bagian Tema.Mar.Eco. Prog.Ser.2011,434,
201–301. [CrossRef] 2.Robertson, E. Data Bathimetri Bersumber Kerumunan melalui Sistem Pemetaan
Elektronik. Forum ESRI Ocean GIS,2016. Tersedia
daring:http://proceedings.esri.com/library/userconf/oceans16/papers/oceans_12.pdf(diakses pada 20 April
2018).
3.Li, R.; Liu, J.-K.; Felus, Y. Pemodelan dan Analisis Spasial untuk Deteksi Perubahan Garis Pantai dan Erosi
PantaiPemantauan.Mar Geod.2010,24, 1–12. [CrossRef]
4.Omira, R.; Baptista, MA; Leone, F.; Matias, L.; Mellas, S.; Zourarah, B.; Miranda , JM ; Carrilho, F.; Cherel,
J.P.Kinerja infrastruktur pertahanan laut pesisir di El Jadida (Maroko) terhadap ancaman tsunami:
Pembelajaran dari tsunami Jepang 11 Maret 2011.Nat. Bahaya Sistem Bumi. Sains.2013,13,
1779–1794.[CrossRef]
Sensasi Jauh.2018,10, 859 17 dari 18

5.Roelfsema, C.; Kovacs, E.; Ortiz, JC; Wolff, NH; Callaghan, D.; Wettle, M.; Ronan, M.; Hamylton, SM;
Mumby, PJ; Phinn, S. Pemetaan habitat terumbu karang: Kombinasi analisis gambar berbasis objek
danpemodelan ekologi.Sensor Jarak Jauh. Lingkungan.2018,208, 27–41. [CrossRef]
6. Wang, J.; Yi, S.; Li, M.; Wang, L.; Song, C. Pengaruh kenaikan permukaan laut, penurunan muka tanah,
perubahan batimetri danjejak topan pada banjir badai di daerah pesisir Shanghai.Sains. Lingkungan
Total.2018,621, 228–234.[CrossRef] [PubMed]
7.Sandwell, DT; Smith, W.H. Anomali gravitasi laut dari geosat dan altimetri satelit ERS 1.J. Geofisika.Res.
Bumi Padat1997,102, 10039–10054. [CrossRef]
8.Olson, CJ; Becker, JJ; Sandwell, D.T. Peta batimetri global baru dengan resolusi 15 detik busur untuk
diselesaikankain dasar laut: SRTM15_PLUS. Dalam Prosiding Abstrak Pertemuan Musim Gugur AGU,
San Francisco, CA, USA,15–19 Desember 2014.
9.Pe'eri, S.; Madore, B.; Nyberg, J.; Snyder, L.; Parrish, C.; Smith, S. Mengidentifikasi perbedaan
batimetriLereng Utara Alaska menggunakan pendekatan multi-temporal batimetri yang diturunkan dari
satelit.J.Pantai. Res.2016,76,56–63. [CrossRef]
10.Misra, A.; Vojinovic, Z.; Ramakrishnan, B.; Luijendijk, A.; Ranasinghe, R. Bathimetri air dangkalpemetaan
menggunakan teknik Support Vector Machine (SVM) dan citra multispektral.Int. J. Penginderaan
Jauh.2018.[CrossRef]
11.Pacheco, A.; Horta, J.; Loureiro, C.; Ferreira, Oh. Pengambilan batimetri dekat pantai dari citra Landsat
8:Alat untuk pemantauan pantai di perairan dangkal.Sensor Jarak Jauh. Lingkungan.2015,159, 102–116.
[CrossRef] 12.Dörnhöfer, K.; Goeritz, A.; Gege, P.; Pflug, B.; Oppelt, N. Konstituen Air dan Pengambilan
Kedalaman Air dariSentinel-2A—Evaluasi Pertama di Danau Oligotropik.Sensasi Jauh.2016,8, 941. [CrossRef]
13.Chybicki, A. Memetakan Bathimetri Dekat-Pantai Baltik Selatan Menggunakan Pengamatan
Sentinel-2.Pol.Mar.Res.2017,24, 15–25. [CrossRef]
14.Chybicki, A. Model Three-Dimensional Geographically Weighted Inverse Regression (3GWR) untuk
SatelitTurunan Batimetri Menggunakan Pengamatan Sentinel-2.Mar Geod.2017,41, 1–23. [CrossRef]
15.Gorelick, N.; Hancher, M.; Dixon, M.; Ilyuschenko, S.; Thau, D.; Moore, R. Mesin Google Earth:Analisis
geospasial skala planet untuk semua orang.Sensor Jarak Jauh. Lingkungan.2017,202, 18–27. [CrossRef]
16.Robinson, NP; Allred, BW; Jones, MO; Moreno, A.; Kimball, J.S.; Naugle, DE; Erickson, TA;Richardson,
A.D. Produk Dynamic Landsat Turunan Normalized Difference Vegetation Index (NDVI) untukAmerika Serikat
yang Berkelanjutan.Sensasi Jauh.2017,9, 863. [CrossRef]
17.Xiong, J.; Thenkabail , PS ; Tilton , JC ; Gumma, MK; Teluguntla, P.; Oliphant, A.; Congalton, R.G.; Yadav,
K.;Gorelick, N. Peta Luas Lahan Pertanian 30 m Nominal Afrika Kontinental dengan Mengintegrasikan
Berbasis Piksel danAlgoritma Berbasis Objek Menggunakan Data Sentinel-2 dan Landsat-8 di Google
Earth Engine.Sensasi Jauh.2017,9, 1065. [CrossRef]
18.Parastatidis, D.; Mitraka, Z.; Chrysoulakis, N.; Abrams, M. Suhu Permukaan Tanah Global OnlineEstimasi
dari Landsat.Sensasi Jauh.2017,9, 1208. [CrossRef]
19.Chrysoulakis, N.; Mitraka, Z.; Gorelick, N. Memanfaatkan pengamatan satelit untuk tren albedo permukaan
globalpemantauan.Teori. Aplikasi Klimatol.2018. diterima.
20.Tobler, W.R. Film komputer yang mensimulasikan pertumbuhan perkotaan di wilayah detroit.ekon.
Geogr.1970,46, 234–240.[CrossRef]
21.Schott, JR; Salvaggio, C.; Vochok, W.J. Normalisasi adegan radiometrik menggunakan fitur
pseudo-invarian.Sensor Jarak Jauh. Lingkungan.1988,26, 1–16. [CrossRef]
22.Poursanidis, D.; Topouzelis, K.; Chrysoulakis, N. Memetakan habitat laut pesisir dan
menggambarkannyabatas dalam padang lamun Neptunus menggunakan data Pengamatan Bumi
Resolusi Sangat Tinggi.Int. J.Sensasi Jauh.2018. diterima.
23.Tanhua, T.; Hainbucher, D.; Schroeder , K. ; Cardin , V. ; Alvarez, M.; Warganegara, G. Laut
Mediteraniasistem: Tinjauan dan pengantar untuk masalah khusus.Ilmu Kelautan.2013,9, 789–803. [CrossRef]
24.Breiman, L.; Friedman, JH; Olshen, RA; Batu, C.J.Pohon Klasifikasi dan Regresi; Chapman & Hall/CRC:Boca
Raton, FL, AS, 1984.
25.Armstrong, R.A. Penginderaan jauh kanopi vegetasi terendam untuk estimasi biomassa.Int. J.Sensasi
Jauh.1993,14, 621–627. [CrossRef]
26. Badan Antariksa Eropa (ESA).SENTINEL-2 Buku Pegangan Pengguna; ESA: Paris, Prancis, 2015; P. 64.
Sensasi Jauh.2018,10, 859 18 dari 18

27.Hedley, JD; Harborne, AR; Mumby, P.J. Catatan teknis: Penghapusan sinar matahari yang sederhana dan
kuat untuk pemetaanbenthos perairan dangkal.Int. J. Penginderaan Jauh.2005,26, 2107–2112. [CrossRef]
28.Lyzenga, D.R. Batimetri air dangkal menggunakan gabungan lidar dan data pemindai multispektral pasif.Int.
J. Penginderaan Jauh.1985,6, 115–125. [CrossRef]
29.Elvidge, CD; Dietz, JB; Berkelmans, R.; Andréfouët, S.; Skirving, W.; Kuat, AE; Tuttle, B.T.
Satelitpengamatan pemutihan karang Kepulauan Keppel (Great Barrier Reef) tahun 2002 menggunakan
data IKONOS.Terumbu karang2004,23, 461–462. [CrossRef]
30.Stumpf, RP; Holderied, K.; Sinclair, M. Penentuan kedalaman perairan dengan citra satelit beresolusi
tinggilebih dari tipe bawah variabel.Limnol. Kelautan2003,48, 547–556. [CrossRef]
31.Traganos, D.; Reinartz, P. Memetakan lamun Mediterania dengan Sentinel-2.Mar Pollut.
Banteng.2017.[CrossRef] [PubMed]
32.Dierssen, HM; Zimmerman, RC; Kulit, R.A.; Downes, T.V.; Davis, C.O. Penginderaan jauh warna lautlamun
dan batimetri di Bahamas Banks dengan citra udara beresolusi tinggi.Limnol. Kelautan2003,48, 444–455.
[CrossRef]
33.Hamylton, SM; Hedley, JD; Beaman, R.J. Derivasi Bathimetri Resolusi Tinggi dari MultispektralCitra Satelit:
Perbandingan Metode Empiris dan Optimasi Melalui Kesalahan GeografisAnalisis.Sensasi Jauh.2015,7,
16257–16273. [CrossRef]
34.Traganos, D.; Reinartz, P. Deteksi Perubahan Lamun Mediterania Menggunakan Gambar RapidEyeSeri
Waktu.Depan. Tanaman Sci.2018,9. [CrossRef] [PubMed]
35. TeamSurv, 2018. Tersedia online:https://www.teamsurv.com/(diakses pada 28 Pertandingan 2018).
36.Hedley, JD; Roelfsema, CM; Chollett, I.; Harborne, AR; Bangau, SF; Minggu, S.; Skirving, WJ; Kuat,
AE;Eakin, CM; Christensen, TRL; et al. Penginderaan Jauh Terumbu Karang untuk Pemantauan dan
Pengelolaan:Ulasan.Sensasi Jauh.2016,8, 118. [CrossRef]
37.Saylam, K.; Hupp, JR; Averett, AR; Gutelius, W.F.; Gelhar, B.W. Batimetri lidar udara: Menilaimetode
jaminan kualitas dan kontrol kualitas dengan contoh Leica Chiroptera.Int. J. Penginderaan
Jauh.2018,39,2518–2542. [CrossRef]
38.Ierodiaconou, D.; Schimel, A.C.G.; Kennedy, D.; Rattray, A. Menggabungkan analisis gambar berbasis piksel
dan objekbatimetri multibeam beresolusi sangat tinggi dan hamburan balik untuk pemetaan habitat di laut
dangkalperairan.Mar. Geophys. Res.2018,39, 271. [CrossRef]
39.Organisasi Hidrografi Internasional.Panduan tentang Bathimetri Bersumber Banyak; IHO, Monako Cedex,
2018;P. 55. Tersedia
daring:https://www.iho.int/iho_pubs/draft_pubs/CSB-Guidance_Document-Ed1.0.0.pdf(diakses pada 20
April 2018).
40. BioBase, 2018. Tersedia online:https://www.cibiobase.com/(diakses pada 28 Pertandingan 2018).
41.Nippon Foundation-GEBCO, 2018. Tersedia online:https://seabed2030.gebco.net/(diakses di2 Mei
2018).42.Putih, J.C.; Wulder, MA; Hobart, GW; Luther, J.E.; Hermosilla, T.; Griffiths, P.; Coops, NC; Hall, RJ;
Hostert, P.; Dyk, A.; et al. Pengomposisian gambar berbasis piksel untuk aplikasi deret waktu padat area
luas dansains.Bisa. J. Penginderaan Jauh.2014,40, 192–212. [CrossRef]
43.Lee, Z.P.; Carder, KL; Mobley, CD; Pelayan, R.G.; Patch, J.S. Penginderaan jauh hiperspektral untuk
perairan dangkal: 2. Memperoleh kedalaman dasar dan sifat air dengan pengoptimalan.Aplikasi
Memilih.1999,38, 3831–3843.[CrossRef] [PubMed]
44.Danilo, C.; Melgani, F. Periode gelombang dan batimetri pesisir menggunakan perambatan gelombang
pada citra optik.Trans IEEE. Geosci. Sensasi Jauh.2016,54. [CrossRef]
45.Collin, A.; Hench, JL; Pastol, Y.; Pesawat, S.; Thiault, L.; Schmitt, RJ; Holbrook, SJ; Davies, N.; Troyer,
M.Topobatimetri resolusi tinggi menggunakan triplet Pleiades-1: Pulau Moorea dalam 3D.Sensor Jarak
Jauh. Lingkungan.2018,208, 109–119. [CrossRef]
46.Poursanidis, D.; Chrysoulakis, N. Penginderaan Jauh, bahaya alam dan kontribusi Sentinel
ESAmisi.Remote Sens. Appl. Soc. Mengepung.2017,6, 25–38. [CrossRef]

©2018 oleh penulis. Penerima Lisensi MDPI, Basel, Swiss. Artikel ini adalah akses
terbukaartikel didistribusikan di bawah syarat dan ketentuan Atribusi Creative
Commons(CC BY) lisensi (http://creativecommons.org/licenses/by/4.0/).