Dosen Pengampu:
Riki Ridwana, S.Pd., M.Sc
Silmi Afina Aliyan, S.T., M.T
Citra satelit dengan sensor radar seperti SAR mulai banyak dimanfaatkan untuk kajian
bencana alam seperti terjadinya banjir karena memiliki beberapa keunggulan, antara
lain: dapat meliput wilayah yang cukup luas, dapat menembus awan, perekaman pada
waktu siang dan malam hari dalam segala cuaca karena menggunakan gelombang radio
(microwave) untuk melakukan pengamatan permukaan bumi (Kushardono dan Arief,
2020). Teknologi ini mampu menutupi beberapa kelemahan yang dimiliki citra satelit
optis sehingga sangat bermanfaat dalam keperluan penanganan maupun pencegahan
bencana banjir yang terjadi di Indonesia.
Dalam perspektif pemrosesan data citra satelit, saat ini berkembang teknologi
pemrosesan citra satelit berbasis cloud computing yang menyediakan data penginderaan
jauh dalam jumlah yang besar untuk mencapai target yang sulit dicapai ketika melakukan
pemrosesan secara konvensional. Pada teknologi cloud computing ini dapat melakukan
analisis data citra dalam skala besar (big data analysis) dan mampu mengintegrasikan
sumber data yang berbeda-beda. Salah satu platform cloud computing yang sangat
populer untuk memproses data-data kebumian adalah Google Earth Engine.
Google Earth Engine (GEE) merupakan suatu cloud computing yang menyediakan data
sekaligus fasilitas pengolah data (Venkatappa dkk., 2019). Pengguna tidak harus
mengunduh data yang cukup besar sehingga dapat menghemat waktu pengunduhan dan
kapasitas penyimpanan. Pengolahan data juga dilakukan server sehingga pengguna tidak
harus memiliki perangkat dengan spesifikasi tinggi dan tidak perlu memasang perangkat
lunak pengolah data citra. GEE cukup diakses melalui browser dan perlu dipersiapkan
hanyalah koneksi internet stabil yang memadai untuk transportasi data (Kushardono,
2019).
1. Change Detection
Prinsip change detection untuk deteksi genangan banjir adalah mendeteksi
perubahan nilai backscattering dari 2 seri data citra Sentinel-1 (data pada saat kondisi
sebelum banjir dan saat/sesudah terjadi banjir). Hasil proses change detection
menunjukan rasio perubahan per piksel.
Teknik change detection yang digunakan untuk identifikasi genangan banjir dari 2
waktu tersebut adalah Ratio Image (RI). RI merupakan salah satu metode deteksi
perubahan dengan membandingkan piksel per piksel pada citra saat terjadi dan sebelum
banjir. Ratio Image dihasilkan dengan menghitung rasio nilai koefisien hamburan balik
(σ°) pada citra saat terjadi banjir dan sebelum banjir. Persamaan matematis yang
digunakan adalah (Vanama, dkk., 2021):
𝜎 ! 𝑣𝑣(𝑓𝑙𝑜𝑜𝑑)
𝑅𝐼 =
𝜎 ! 𝑣𝑣(𝑓𝑙𝑜𝑜𝑑)
Jika koefisien hamburan balik yang dipantulkan pada kedua citra sama, maka nilai
RI = 1. Hal ini mengindikasikaan tidak ada perubahan antara 2 waktu tersebut. Pada
daerah yang mengalami perubahan, nilai rasio akan jauh lebih besar dari 1 atau kurang
dari 1, tergantung dari perubahan pada kedua citra. Nilai piksel yang tinggi, pada citra
ditandai dengan warna yang cerah untuk area yang perubahan tinggi. Sementara nilai
yang rendah, pada citra ditandai dengan warna yang gelap untuk area yang terindikasi
perubahan yang rendah.
Pemetaan banjir dengan analisis deteksi perubahan multi-temporal dari data
radar bergantung pada hamburan balik radar. Hasil hamburan balik karena nilai
reflektansinya dengan permukaan air. Sebagai akibat dari permukaan badan air yang
homogen dan halus, kembalinya pulsa radar akan menjadi lemah. Karena kembalinya
pulsa radar dari daerah kering akan lebih kuat, karakteristik dapat dengan mudah
ditentukan. Ekstraksi air dengan bantuan ambang batas yang ditentukan oleh nilai
hamburan balik 0 (dB) adalah metode yang umum digunakan. Untuk setiap piksel citra
SAR, ditentukan nilai hamburan balik yang terukur, sehingga dapat diprediksi probabilitas
piksel tersebut sebagai struktur air. Untuk tujuan ini, histogram nilai hamburan balik
dianalisis. Nilai hamburan balik yang rendah sesuai dengan daerah yang tergenang dan
nilai hamburan balik yang tinggi sesuai dengan daerah yang tidak tergenang.
2. Otsu Thresholding
Thresholding atau proses penentuan ambang/batas nilai pixel pada citra digital,
merupakan salah satu teknik utama dalam clustering atau klasifikasi citra digital,
khususnya untuk citra digital saluran tunggal. Otsu thresholding berfungsi untuk
memisahkan (clustering) data univariat (one dimensional) menjadi dua kelompok.
Algoritma Otsu thresholding memiliki asumsi dasar bahwa data terdistribusi Univariate
Gaussian Bimodal. Yaitu distribusi normal dengan dua puncak (“dua lonceng”). Kedua
“lonceng” ini mewakili distribusi nilai dari kedua cluster. Sehingga setelah dipisahkan
nantinya, kedua cluster data masing-masing akan memiliki distribusi normal Gaussian
Unimodal, sebagaimana data terdistribusi normal pada umumnya.
C. PRAKTIKUM
A. Menentukan Probabilitas Lokasi Banjir Menggunakan Metode Backscatter
1. Buka tampilan google earth engine
2. Silahkan upload wilayah dengan format SHP yang sudah dalam bentuk zip file
6. Untuk memilih mode perekaman, jenis polarisasi, jenis orbit gunakan perintah berikut
.filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VH'))
.select('VH')
.filter(ee.Filter.eq('instrumentMode', 'IW'))
.filterBounds(roi)
;
7. Langkah selanjutnya adalah memilih waktu perekaman data. Data yang digunakan
sebaiknya adalah data sebelum dan sesudah kejadian banjir di suatu wilayah. Gunakan
script berikut
4. Pada jendela console terdapat citra radar yang sesuai dengan kriteria yang telah
diperintahkan
5. Copy id dari salah satu citra yang sesuai dengan tanggal perekaman kajian banjir di
wilayah anda
7. Langkah selanjutnya adalah masking data air permanen dengan menggunakan data
Hansen, gunakan script berikut
// Mask badan air permanen menggunakan data Hansen
var hansenImage =
ee.Image('UMD/hansen/global_forest_change_2018_v1_6').clip(roi);
var datamask = hansenImage.select('datamask');
var mask = datamask.eq(1);
// Perhitungan histogram
var histogram = image.select('VV').reduceRegion({
reducer: ee.Reducer.histogram(255, 2)
.combine('mean', null, true)
.combine('variance', null, true),
geometry: roi,
scale: 30,
bestEffort: true
});
// Otsu Algorithm
var otsu = function(histogram) {
var counts = ee.Array(ee.Dictionary(histogram).get('histogram'));
var means = ee.Array(ee.Dictionary(histogram).get('bucketMeans'));
var size = means.length().get([0]);
var total = counts.reduce(ee.Reducer.sum(), [0]).get([0]);
var sum = means.multiply(counts).reduce(ee.Reducer.sum(), [0]).get([0]);
var mean = sum.divide(total);
return means.sort(bss).get([-1]);
};
10. Lakukan klasifikasi citra dan export data, Berikut adalah hasilnya
(Preprocessing SAR)
1. Langkah pertama adalah membuat graph builder dan menambahkan perintah subset,
untuk memperkecil wilayah kajian
8. Selanutnya adalah menghubungkan graph yang telah dibuat dengan klik connect
graph
16. Pada jendela thermal noise removal dan calibration, pilih band VV
17. Pada jendela speckle filter, pilih tipe filter lee dengan filter size x 7 dan y 7
21. Langkah selanjutnya adalah merubah tampilan citra menjadi tampilan logaritmik pada
color manipulation tab
22. Geser slider pada color manipulation tab, sehingga perbedaan antara badan air dan
tanah dapat terlihat dengan jelas
27. Untuk memastikan hasilnya, file dapat di export kemudian di tampilkan di Google
Earth
E. DAFTAR PUSTAKA
Alawiyah, A. M., & Harintaka, H. Identifikasi Genangan Banjir di Wilayah DKI Jakarta
Menggunakan Citra Satelit Sentinel-1. JGISE: Journal of Geospatial Information Science
and Engineering, 4(2), 95-101.
Benzougagh, B., Frison, P. L., Meshram, S. G., Boudad, L., Dridri, A., Sadkaoui, D., ... & Khedher,
K. M. (2022). Flood Mapping Using Multi-temporal Sentinel-1 SAR Images: A Case
Study—Inaouene Watershed from Northeast of Morocco. Iranian Journal of Science
and Technology, Transactions of Civil Engineering, 46(2), 1481-1490.
Bioresita, F., Ngurawan, M. G. R., & Hayati, N. (2022). Identifikasi Sebaran Spasial Genangan
Banjir Memanfaatkan Citra Sentinel-1 dan Google Earth Engine (Studi Kasus: Banjir
Kalimantan Selatan). Geoid, 17(1), 108-118.
Cao, H., Zhang, H., Wang, C., & Zhang, B. (2019). Operational flood detection using Sentinel-1 SAR
data over large areas. Water, 11(4), 786.
Fajrin, F., yasma Adha, M., & Armi, I. (2019, October). Pemanfaatan Citra Sentinel-1 Sar Untuk
Deteksi Banjir Studi Kasus Pangkalan Koto Baru Sumatera Barat. In Seminar Nasional:
Strategi Pengembangan Infrastruktur (SPI) 2019.
Kushardono, D., & Arief, R. (2020). Pemanfaatan Data Satelit Radar untuk Wilayah Darat di
Indonesia: Peluang dan Tantangan(pp. 1–232). LIPI Press
Moharrami, M., Javanbakht, M., & Attarchi, S. (2021). Automatic flood detection using
sentinel-1 images on the google earth engine. Environmental monitoring and
assessment, 193(5), 1-17.
Pradana, I. H., Irawan, L. Y., Setiawan, D., Yuliano, F. S., & Mufid, H. A. (2020). Analisis Daerah
Tergenang Banjir di Desa Sitiarjo, Kabupaten Malang Menggunakan Data SAR