Remotesensing 15 03534

Machine Translated by Google
penginderaan jauh
Tinjauan
Pengukuran Total Padatan Terlarut dan Total Suspended

Padat dalam Sistem Perairan: Tinjauan Masalah, Teknik
Konvensional, dan Penginderaan Jauh
Anak baptisnya Ebenezer Adjovu, Harun Stephen, David James dan Sajjad Ahmad *
Departemen Teknik dan Konstruksi Sipil dan Lingkungan, Universitas Nevada, Las Vegas, NV 89154,
AS; adjovg1@unlv.nevada.edu (GEA); haroon.stephen@unlv.edu (HS); dave.james@unlv.edu (DJ)
* Korespondensi: sajjad.ahmad@unlv.edu; Telp: +1-702-895-5456
Abstrak: Penelitian ini memberikan tinjauan komprehensif mengenai upaya yang dilakukan dalam
pengukuran parameter kualitas air (WQPs) dengan fokus pada total padatan terlarut (TDS) dan total
padatan tersuspensi (TSS). Metode yang saat ini digunakan dalam pengukuran TDS dan TSS mencakup
pendekatan lapangan konvensional dan gravimetri. Metode-metode ini terbatas karena biaya dan tenaga
kerja yang terkait, serta cakupan spasial yang terbatas. Namun, aplikasi Penginderaan Jauh (RS) telah
digunakan selama beberapa dekade terakhir sebagai alternatif untuk mengatasi keterbatasan ini. Meskipun
mereka juga menghadirkan gangguan atmosfer yang mendasari dalam gambar, masalah resolusi
radiometrik dan spektral. Oleh karena itu, studi WQP dengan RS memerlukan pengetahuan dan pemanfaatan meka
Penggunaan RS untuk mengambil TDS, TSS, dan bentuknya telah dieksplorasi dalam banyak penelitian
menggunakan gambar dari sensor udara pada kendaraan udara tak berawak (UAV) dan sensor satelit seperti
yang ada pada Landsat, Sentinel-2, Aqua, dan Terra. platform. Gambar dan properti spektralnya berfungsi
sebagai masukan untuk analisis pembelajaran mendalam dan statistik, serta model pembelajaran mesin.
Metode yang digunakan untuk mengambil pengukuran WQP ini bergantung pada sifat optik badan air
pedalaman. Meskipun TSS adalah parameter yang aktif secara optik, TDS tidak aktif secara optik dengan
rasio sinyal-noise yang rendah. Deteksi TDS pada pita tampak, inframerah dekat, dan inframerah disebabkan
oleh beberapa proses yang (biasanya) terjadi bersamaan dengan perubahan TDS yang memengaruhi WQP
Kutipan: Adjovu, GE; Stefanus, H.;
James, D.; Ahmad, S.Pengukuran
yang aktif secara optik. Studi ini mengungkapkan perbaikan yang signifikan dalam menggabungkan RS dan
dari Total Padatan Terlarut dan Total pendekatan konvensional dalam memperkirakan WQP. Temuan ini mengungkapkan bahwa peningkatan
Padatan Tersuspensi dalam Sistem Air: resolusi spatiotemporal berpotensi mendeteksi perubahan WQP secara efektif. Untuk pemantauan TDS dan
Tinjauan Masalah, Konvensional, TSS yang efektif menggunakan RS, kami merekomendasikan penggunaan mekanisme koreksi atmosfer
dan Teknik Penginderaan Jauh. untuk mengurangi gangguan atmosfer gambar , eksplorasi fusi pita optik dan gelombang mikro, gambar
Sensor Jarak Jauh 2023, 15, 3534. hiperspektral resolusi tinggi, pemanfaatan ML dan model pembelajaran mendalam, kalibrasi dan validasi
https://doi.org/10.3390/rs15143534 menggunakan data observasi diukur dari metode konvensional. Penelitian lebih lanjut dapat fokus pada
Editor Akademik: Teodosio Lacava pengembangan teknologi dan sensor baru menggunakan UAV dan citra satelit untuk menghasilkan
pemantauan TDS dan TSS secara real-time. Temuan yang disajikan dalam tinjauan ini membantu
Diterima: 25 Mei 2023
mengkonsolidasikan pemahaman dan kemajuan pengukuran TDS dan TSS dalam satu tempat penyimpanan
Revisi: 11 Juli 2023
sehingga menawarkan sumber informasi yang dapat digunakan oleh para pemangku kepentingan, peneliti,
Diterima: 11 Juli 2023
pengambil keputusan, dan badan pengatur untuk meningkatkan upaya pemantauan dan mitigasi kualitas air. gangguan
Diterbitkan: 13 Juli 2023
Kata kunci: sensor udara; hiperspektral; multispektral; aktif secara optik; penginderaan jauh (RS); sensor
satelit; total padatan terlarut (TDS); total padatan tersuspensi (TSS)
Hak Cipta: © 2023 oleh penulis.
Pemegang Lisensi MDPI, Basel, Swiss.
Artikel ini adalah artikel akses terbuka

didistribusikan berdasarkan syarat dan 1. Perkenalan
ketentuan Creative Commons
Total padatan terlarut (TDS) dan total padatan tersuspensi (TSS) adalah dua parameter
Lisensi Atribusi (CC BY) ( https://
fisik kualitas air (WQP) yang mengganggu kualitas sumber daya air seperti sungai dan danau
creativecommons.org/licenses/by/
[1–3]. Baik TDS maupun TSS merupakan unsur pecahan dari “total padatan” dari sampel yang sama
4.0/).
Sensor Jarak Jauh 2023, 15, 3534. https://doi.org/10.3390/rs15143534 https://www.mdpi.com/journal/remotesensing

Sensor Jarak Jauh 2023, 15, 3534 2 dari 43
dipisahkan dengan filtrasi [4]. Padatan total mengacu pada “residu material yang tersisa di
bejana setelah sampel diuapkan dan selanjutnya dikeringkan dalam oven pada suhu tertentu” [5].
Edisi ke-23 dari Metode Standar Asosiasi Kesehatan Masyarakat Amerika untuk
Pemeriksaan Air dan Air Limbah, Bagian 2540 mendefinisikan TDS sebagai konstituen total
padatan dalam sampel air, yang melewati ukuran pori nominal 2,0 µm atau kurang dalam
kondisi tertentu. Konstituen TSS dalam sampel air tertentu ditahan oleh filter dengan ukuran
pori 2 µm atau kurang, diukur dengan menimbang residu kering yang tertinggal pada filter [4,5].
Konstituen TSS mencakup materi partikulat termasuk sedimen, lanau, dan ganggang di antara
partikel tersuspensi padat lainnya. Namun TSS tidak termasuk bahan organik terlarut berwarna
(CDOM). Kehadiran CDOM, fitoplankton, dan partikel non-alga (NAP) pada berbagai komposisi
seringkali menimbulkan tantangan dalam penentuan WQP seperti TSS [2,6].
Meningkatnya konsentrasi TDS dan TSS di badan air membatasi fungsi air untuk minum,
pembangkit listrik, pendingin industri, mendukung keanekaragaman hayati, jasa ekosistem, rekreasi,
jalur transportasi, pembuangan limbah, produksi pertanian , irigasi, produksi energi, perencanaan
wilayah, dan lain-lain. dan budidaya ikan [7–17]. Penurunan kualitas badan air berdasarkan
parameter seperti TDS dan TSS disebabkan oleh perubahan iklim, pembangunan , dan urbanisasi
yang terkait dengan ketahanan permukaan akibat peningkatan populasi, dan kontaminasi yang
disebabkan oleh perubahan lingkungan yang cepat dan tidak terkendali termasuk kekeringan,
pembuangan air limbah, polusi nutrisi, sedimen. , dan perubahan penggunaan lahan dan tutupan
lahan yang mengakibatkan dampak negatif seperti berkembang biaknya alga biru-hijau yang
berbahaya, percepatan eutrofikasi, dan kekeruhan ekstrim yang antara lain berdampak negatif
terhadap keberlanjutan sumber daya air yang terbatas [3,6 ,18–29].
Perubahan kualitas sumber daya air berdasarkan parameter tersebut dapat menyebabkan
perubahan kualitas kegiatan rekreasi dan komersial. Terdapat penurunan aktivitas berperahu,
memancing, dan berenang di perairan ini jika kondisinya terganggu, sehingga menimbulkan
kerugian ekonomi yang signifikan. Berenang dan berperahu di perairan yang terganggu juga dapat
menyebabkan penyakit pernafasan dan pencernaan [30,31]. Sebuah studi yang dilakukan melalui
penggunaan pemodelan biofisik menetapkan bahwa rumah tangga di Virginia siap membayar
sebanyak USD 184 juta setiap tahun untuk memastikan adanya peningkatan kualitas air mereka [31].
Untuk melindungi dan memulihkan kualitas sumber daya air, upaya pemantauan dan strategi
pengelolaan adalah kunci dan harus berhasil untuk mencapai hasil yang diinginkan berupa badan
air yang sehat dalam perekonomian ekosistem [32,33]. Pemantauan dan penilaian WQP seperti
TDS dan TSS sangat penting untuk memahami sepenuhnya bagaimana perubahan lingkungan
alam dan aktivitas manusia mempengaruhi badan air [34]. TDS dan TSS telah banyak dipantau
menggunakan metode konvensional atau tradisional seperti analisis laboratorium atau pengambilan
sampel [2,19,35], namun metode ini memakan waktu, mahal, dan membutuhkan banyak tenaga
kerja. Sebagai alternatif prospektif terhadap metode tradisional untuk mengukur TDS dan TSS,
teknik penginderaan jauh (RS) telah mendapatkan popularitas dalam beberapa tahun terakhir dan
telah terbukti hemat biaya dalam memantau WQP pada skala spatiotemporal lokal hingga global
secara non-intrusif [ 2,36 ,37].
Meskipun TDS tidak dianggap sebagai polutan utama air, namun TDS merupakan
indikator kualitas air. Konsentrasi padatan terlarut yang tinggi secara signifikan dapat
mempengaruhi palatabilitas air minum. Selain itu, kadar TDS yang tinggi dapat menyebabkan
kerak dan korosi pada air pendingin dan boiler. TDS dalam air berasal dari hasil irigasi,
limpasan perkotaan, sumber-sumber alam, kota, pengotoran jalan, limbah industri, bahan
kimia yang digunakan dalam pengolahan air, dan infrastruktur perpipaan yang sebenarnya
[38,39]. Meminum air dengan konsentrasi padatan terlarut yang tinggi dapat mempengaruhi
rasa air. Selain itu, tingkat TDS yang tinggi dapat menyebabkan kerak dan korosi pada
aplikasi apa pun, khususnya pada air pendingin dan boiler, dan oleh karena itu perlu dipantau
dalam sistem air [38]. TSS juga perlu diukur, dipantau dan dikelola karena kinerja sistem
filtrasi, sistem perpipaan, dan peralatan modal semuanya dapat dipengaruhi oleh tingginya
jumlah partikel tersuspensi dalam air. Kuantifikasi TSS diperlukan untuk merancang rencana
pengerukan saluran navigasi dan memperkirakan pembuangan padat fluvial ke badan air [40]. Selain
partikel tersuspensi di sungai, sungai kecil, danau, dan waduk dapat mengganggu ekologi alami sistem air ini.
Oleh karena itu, pemantauan TSS di dalam air sangat penting untuk menjaga kesejahteraan umum badan air
[38].
Oleh karena itu, makalah ini memberikan gambaran umum tentang berbagai metode
yang digunakan dalam pengukuran TDS dan TSS atau konsentrasi sedimen dari perspektif
pendekatan konvensional dan RS. Dalam makalah ini, kami menguji kelebihan dan keterbatasan
masing-masing teknik serta bagaimana gambar multispektral dan hiperspektral RS dapat
meningkatkan estimasi TSS dan TDS penginderaan jauh. Selain menyoroti potensi teknik RS
untuk meningkatkan pengetahuan kita tentang kualitas air, tujuan dari penelitian ini adalah
untuk menyajikan ringkasan pendekatan yang menyeluruh dan ringkas yang digunakan dalam
penilaian TDS dan TSS . Temuan penelitian ini dapat membantu pengembangan teknik
pemantauan TDS dan TSS yang baru serta meningkatkan efektivitas dan ketepatan upaya
pemantauan kualitas air.
Meskipun metode konvensional telah digunakan untuk memantau WQP seperti TDS dan TSS, penggunaan
RS baru-baru ini muncul sebagai kekuatan alternatif dalam pemantauan TSS yang aktif secara optik karena
dapat dirasakan secara optik oleh sensor. Pengukuran TDS yang tidak aktif secara optik disebabkan oleh
hubungannya dengan WQP berwarna lain yang mungkin berbeda-beda [2,36,37,41]. Meskipun pemantauan
kadar TDS dan TSS di badan air merupakan hal yang penting, belum banyak penelitian yang dipublikasikan
yang membandingkan metode tradisional dan metode RS secara mendalam. Analisis laporan-laporan
sebelumnya memberikan peluang untuk memberikan gambaran umum jurnal yang diterbitkan yang menyoroti
aplikasi RS tingkat lanjut dalam memantau WQP spesifik ini.
Kebaruan penelitian ini terdiri dari memberikan tinjauan terpadu terhadap aplikasi
konvensional dan RS dalam pemantauan TDS dan TSS. Penelitian ini menawarkan analisis
menyeluruh yang mengintegrasikan kelebihan dan kekurangan kedua metodologi, berbeda
dengan penelitian tinjauan sebelumnya yang sering terkonsentrasi terutama pada teknik RS.
Oleh karena itu, studi ini memberikan pemahaman yang luas dan mendalam tentang dinamika
dan dampak WQP terhadap badan air.
Studi ini juga memberikan wawasan tentang sensor gelombang mikro yang digunakan
dalam pemantauan WQP ini. Selain itu, sebagian besar studi tinjauan tentang WQP berfokus
pada penerapan umum teknik RS pada WQP tanpa secara khusus menyoroti platform dan
sensor RS canggih, serta pro dan kontra gambar multi dan hiperspektral dalam memperkirakan
WQP utama ini. Selain itu, hampir tidak ada tinjauan literatur sebelumnya yang menawarkan
penilaian komprehensif mengenai teknik tradisional untuk menentukan tingkat TDS dan TSS
serta dampak peningkatan kadar WQP terhadap kelangsungan hidup perairan dan kehidupan
manusia. Sebagian besar informasi mengenai metode konvensional untuk menentukan tingkat
TDS dan TSS ditemukan dalam laporan dan sumber lain yang belum ditinjau.
Oleh karena itu, penelitian ini berfokus pada penyediaan tinjauan komprehensif terhadap pemantauan
WQP di badan air dengan mensintesis data yang tersedia baik dari makalah jurnal maupun sumber yang tidak
ditinjau oleh rekan sejawat. Kami berupaya memberikan tinjauan menyeluruh untuk memantau tingkat TDS dan
TSS di badan air. Kami melakukan hal ini untuk menjembatani kesenjangan informasi antara kumpulan literatur
yang diterbitkan dan jumlah informasi yang terkandung dalam laporan dan untuk menawarkan kepada akademisi
dan praktisi yang tertarik untuk memantau parameter-parameter ini sebuah gudang yang komprehensif.
2. Mesin Pencari dan Ikhtisar Parameter

Tinjauan literatur mencakup pencarian dan navigasi melalui beberapa database
dalam Bahasa Inggris termasuk Web of Science™, Google Scholar™, Scopus™,
ResearchGate (RG), Semantic Scholar™, dan Multidisciplinary Digital Publishing
Institute (MDPI) menggunakan kata kunci seperti penginderaan jauh, satelit, total
padatan terlarut, total padatan tersuspensi, sedimen, salinitas, kualitas air,
pembelajaran mesin, dan atau kombinasi berbeda dari kata kunci tersebut [27] .
Selain itu, kami mencari dan memasukkan jurnal penting terkait lainnya. Pencarian
juga dilakukan untuk laporan dan informasi penting yang berkaitan dengan subjek
dari halaman web Pemerintah termasuk Biro Reklamasi, Badan Penerbangan dan Antariksa N
pembelajaran, dan atau kombinasi berbeda dari kata kunci tersebut [27]. Selain itu, kami mencari dan
memasukkan jurnal penting terkait lainnya. Pencarian juga dilakukan untuk laporan dan informasi
penting yang berkaitan dengan subjek dari halaman web Pemerintah termasuk Biro Reklamasi, Badan
Sensor Jarak Jauh 2023, 15, 3534
Penerbangan dan Antariksa Nasional, dan Badan Perlindungan Lingkungan Amerika Serikat.4 dari 43
Kami
juga mencari di Perpustakaan Masyarakat Insinyur Sipil Amerika untuk menemukan karya-karya
terkait yang antara lain diterbitkan di Badan Perlindungan Lingkungan. Kami juga mencari di American
Society
Prosiding konferensi Institut Lingkungan dan Sumber Daya Air. Selain itu, kami dari Perpustakaan
Insinyur Sipil untuk karya terkait yang diterbitkan di Lingkungan dan Air
mencari melalui Google untuk laporan terkait dan halaman web merek dan perusahaan prosiding
konferensi Resources Institute. Selain itu, kami mencari melalui Google
berisi informasi pengukuran TDS dan TSS. Pencarian artikel dan laporan terkait serta halaman web
merek dan perusahaan yang berisi informasi tentang
laporan menghasilkan
pengukuran TDS total lebih Pencarian
dan TSS. dari 1000 karya
artikelyang diterbitkan
dan laporan di seluruh dunia.
menghasilkan total Artikel ini,
prosiding,
1000 laporan, dan informasi
karya terbitan web
di seluruh disaring
dunia. untuk
Artikel, hanya mengembalikan
prosiding, laporan, dan artikel, laporan, lebih dari
dan informasi
web disaring untuk hanya mengembalikan artikel, laporan, dan informasi webkonvensional
web yang relevan dengan estimasi TDS dan TSS dengan informasi dari dan
metoderelevansinya
penginderaan dengan
jauhestimasi TDS dan
dan materi TSS
terkait dengan
lainnya yangmetode konvensional
sangat dan penginderaan
penting semuanya berjumlah jauh
total
hampirdan materi
280 karya dari terkait lainnya
tahun 1980an yang
hingga 2023sangat penting
digunakan semuanya
dalam penelitian berjumlah
ini. Pendekatan yanghampir
digunakan280
padakarya dari hingga
tahun 1980an
tahun 2023 seperti yang digunakan dalam penelitian ini. Pendekatan yang digunakan dalam pencarian literatur digambarkan
pencarian literatur digambarkan pada Gambar 1.
pada Gambar 1.
Gambar
Gambar 1. Pendekatan
1. Pendekatan skema
skema untuk
untuk pencarianliteratur.
pencarian literatur.
Temuan dan gambaran umum parameter yang diteliti disajikan dalam

Temuan dan gambaran umum parameter yang diteliti disajikan pada subbagian berikut.
subbagian berikut.
2.1. Ikhtisar TDS dan TSS
2.1. Ikhtisar TDS
TDS dan
dan TSS
TSS merupakan
Konsentrasipermasalahan yang sangat memprihatinkan karena berdampak pada kualitas
air. Menemukan
konsentrasi TSScara untuk mengurangi
merupakan dampak
permasalahan yangburuk dari
sangat salinitas dan konsentrasi
memprihatinkan sedimenpada
karena berdampak TDS kualitas
dan air
di badan air. Hal ini diperlukan untuk melindungi sumber daya air dan keanekaragaman hayati.
air. Penting untuk menemukan cara untuk mengurangi dampak buruk salinitas dan konsentrasi
sedimen di Ikhtisar
2.1.1. badan air untuk melindungi sumber daya air dan keanekaragaman hayati.
TDS
TDS mencakup material yang, karena ukurannya yang kecil, dapat melewati filter saat terkena air
2.1.1. Ikhtisar analisis
TDS [4,5], termasuk konstituen ionik terlarut seperti Mg2+, Ca2+, Na+ , dan Clÿ.
TDS mencakup
Ion-ion material
ini menimbulkan yang karena
tantangan ukurannya
dalam sistem yang air
pengolahan kecil, dapat
minum danmelewati
air limbahfilter
sejakselama
saat itu air
tidak dihilangkan melalui berbagai metode pengolahan mekanis [3,42]. TDS dan salinitas
analisis [4,5], termasuk konstituen ionik terlarut seperti Mg2+, Ca2+, Na+, dan Clÿ. Ini didefinisikan
secara berbeda
ion menimbulkan [43]. TDS
tantangan adalah
dalam pengukuran
sistem massa
pengolahan bahan dan
air minum organik terlarutkarena
air limbah yang dapat disaring
ion tersebut
merupakan zat anorganik per unit volume yang tersisa dari penguapan air [43].
tidak dihilangkan melalui berbagai metode perawatan mekanis [3,42]. TDS dan salinitas adalah
Salinitas yang mengukur massa garam terlarut dalam massa larutan yang diketahui [4,43–46]. TDS
didefinisikan secara berbeda [43]. TDS adalah pengukuran massa bahan organik terlarut yang dapat disaring
dan bisa hampir sama dengan salinitas dalam air bersih [47]. Konsentrasi TDS yang lebih tinggi dalam air
dan zat
dananorganik
mungkin per
jugasatuan
berartivolume yangoksigen
penurunan tersisa dari penguapan
terlarut [48]. TDSairadalah
[43]. berarti peningkatan konduktivitas
Salinitas
dari mengukur massa logam,
garam, metaloid, garam terlarut dalam
dan bahan massa
organik larutanBerasal
terlarut. yang diketahui [4,43–46]. TDS terdiri
secara organik
bisa hampir sama dengan
TDS dihasilkan salinitas dalam
oleh pelepasan air organik
molekul bersih [47].
selamaKonsentrasi TDS yang
pertumbuhan lebih tinggi dalam air
dan pembusukan
berarti
adalah
peningkatan
materi biologis,
konduktivitas
seperti
dan
akar
mungkin
dan mikroba
juga berarti
di sungai.
penurunan
Faktor oksigen
lain yangterlarut
berkontribusi
[48]. TDSterhadap
TDS di sungai meliputi pelarutan mineral tanah atau sedimen, desorpsi ion-ion yang
terdiri dari garam, metaloid, logam, dan bahan organik terlarut. Diturunkan secara organik menjadi terikat
padatan, dan curah hujan atmosfer. Proses kimia dan biologi termasuk
suhu, konsentrasi oksigen terlarut, pH, karbon organik, dan dekomposisi batuan berdampak pada
faktor-faktor yang berkontribusi [49]. Peningkatan suhu mengintensifkan pengeringan aliran dan
menyebabkan peningkatan konsentrasi TDS [50]. Jenis mineral dan kelimpahannya di dalam air sangat
mempengaruhi kualitas air [51]. Badan Perlindungan Lingkungan Amerika Serikat (US EPA) telah
mencantumkan TDS dalam peraturan air minum sekunder (SDWR) dengan batas TDS yang
diperbolehkan dalam air ditetapkan sebesar 500 mg/L. SDWR adalah pedoman federal yang tidak
dapat diterapkan dan menyebabkan efek estetika atau kosmetik. Contoh efek kosmetik meliputi rasa,
warna, atau bau, sedangkan efek kosmetik meliputi perubahan warna kulit atau gigi [52-54].
Menurut [55], TDS di atas 1200 mg/L tidak sesuai untuk konsumsi minum.
Tergantung pada jumlah TDS di badan air, air tersebut dapat diklasifikasikan sebagai air payau atau
air asin. air payau memiliki TDS yang bervariasi dari 400 hingga 1000 hingga sekitar 10.000 mg/L [56,57].
Air garam atau air asin memiliki konsentrasi TDS lebih dari 10.000 ppm. Salinitas lautan biasanya
bervariasi dari sekitar 31 hingga 36 ppt [58,59]. Air asin didefinisikan sebagai perairan dengan salinitas
lebih besar dari 35.000 mg/L [60,61].
Studi yang dilakukan untuk menilai pengaruh TDS terhadap performa sapi perah laktasi
menunjukkan hasil yang bervariasi terhadap asupan air dan pakan serta produksi susu.
Peningkatan konsentrasi TDS dikaitkan dengan kemungkinan penurunan produksi susu pada sapi
selama musim panas. Sementara beberapa peneliti menemukan adanya penurunan produksi
susu saat cekaman panas pada sapi yang diberi air dengan konsentrasi TDS 4300 ppm, ada pula
yang tidak berpengaruh terhadap produksi susu sapi yang diberi air dengan konsentrasi TDS
3500 ppm. Menariknya, peneliti lain menyarankan bahwa desalinasi air mengurangi TDS dari
14.000 menjadi 400 ppm dan dengan demikian meningkatkan produksi susu sapi perah dengan
hasil tinggi yang mengalami stres panas [62].
2.1.2. Sekilas tentang TSS
TSS dapat mencakup sebagian besar mineral seston yang diperoleh langsung dari sumber
terrigenous atau secara tidak langsung melalui resuspensi material yang sudah diendapkan. Ini
adalah parameter optik aktif yang sering disebut sebagai konsentrasi sedimen tersuspensi (SSC)
dan memainkan peran penting dalam pengelolaan sumber daya air karena terkait dengan aliran
kontaminan air, yaitu mikro-polutan dan logam berat [7,46, 49,63,64], dan merupakan variabel
kunci yang digunakan untuk menggambarkan dan mengendalikan dinamika sedimentasi di badan air [65].
Ekstraksi mineral dan sumber daya energi merupakan faktor yang berkontribusi terhadap peningkatan
TSS di badan air. Aktivitas penambangan yang dilaporkan meningkatkan TSS di badan air tertentu
meliputi persiapan lokasi tambang, penghancuran, dan penyimpanan material yang sering terpapar
atau diperburuk oleh presipitasi atau kejadian hujan [49].
TSS dan berbagai bentuk kejadiannya seperti bahan partikulat tersuspensi (SPM), bahan
tersuspensi total (TSM), padatan/sedimen tersuspensi (SS), dan SSC merupakan bagian integral dari
siklus geokimia, geologi global, dan biologi di perairan. lingkungan karena sifatnya yang ada di mana-
mana, mobilitas, dan sifat fisiokimia yang mendasarinya [66].
TSS atau SSC adalah polutan air yang paling umum berdasarkan berat dan volume di perairan
permukaan daratan [67]. TSS dan SSC sering digunakan secara bergantian. Satu-satunya perbedaan
antara TSS dan SSC adalah analisis laboratorium yang digunakan untuk penilaiannya [44]. Transportasi
sedimen di badan air merupakan sumber pencemar seperti nitrat, logam, karbon, dan lain-lain yang ada
di dalam air [68]. TSS dapat terdiri dari pasir, endapan mineral, bahan biologis, lanau, dan tanah liat
dan pembentukannya dipengaruhi oleh proses fisik yang sebagian besar dikendalikan oleh hidrologi.
Beberapa proses fisik ini meliputi agregasi bahan organik terlarut, erosi tepian sungai, dan permukaan
tanah [49,50]. Ada berbagai kriteria sedimen di AS tergantung pada negara bagiannya. Meskipun
beberapa negara bagian menggunakan kriteria numerik, negara bagian lainnya menggunakan kriteria
naratif, beberapa negara bagian juga menggunakan pendekatan numerik dan naratif, dan beberapa
negara bagian tidak memiliki kriteria sama sekali untuk sedimen tersuspensi dan lapisan dasar (SABS).
Konsentrasi SSC dibatasi hingga 30 hingga 158 mg/L untuk beberapa negara bagian yang
menggunakan sedimen tersuspensi sebagai kriteria [69].
3. Masalah Terkait TDS dan TSS

3.1. Masalah dan Implikasi TDS
Konsentrasi TDS di badan air merupakan parameter penting untuk dipertimbangkan
karena berkontribusi terhadap biaya yang diperlukan dalam pengolahan desalinasi air. Peneliti
dalam [70] mengklasifikasikan metode desalinasi dalam pengolahan air menjadi dua, yaitu
proses perubahan fasa atau metode termal dan proses fasa tunggal atau membran. Contoh
metode termal termasuk distilasi multi-efek (MED), kompresi uap (VC), dan flash multistage
(MSF). Contoh metode proses membran adalah reverse osmosis (RO). Namun, metode
termal dikatakan sebagai pendekatan yang lebih efektif dibandingkan metode membran dalam
hal efisiensi dalam desalinasi air laut dengan kandungan garam yang jauh lebih tinggi.
Semakin tinggi jumlah konsentrasi TDS dalam air, semakin besar jumlah tekanan yang
diperlukan pompa untuk mendorong air melalui membran dalam sistem RO yang akibatnya
meningkatkan biaya energi [71]. Biaya satuan sistem RO berkisar antara USD 0,32 hingga
USD 0,44 per m3 untuk air payau sedangkan untuk air laut berkisar antara USD 1,57 hingga
USD 3,55 per m3 pada tahun 1988 seperti yang dilaporkan oleh Kongres AS. Biaya desalinasi
2.300 ppm air payau Yordania dilaporkan sebesar USD 0,26 per m3 sedangkan air payau , di
Florida sebesar 5.000 ppm berharga USD 0,27 per m3 biaya , indikasi yang berbeda
yang terkait dengan sistem desalinasi dengan konsentrasi, lokasi, dan sumber energi atau
teknologi berbeda yang digunakan [70] .
Salinitas terdapat dalam konsentrasi garam mineral di tanah atau air, dan terjadi melalui
proses alami termasuk gelombang badai, banjir, dan praktik pengelolaan yang buruk.
Intrusi salinitas merupakan masalah yang sangat memprihatinkan, khususnya di wilayah pesisir di seluruh dunia.
Intrusi salinitas berdampak pada aktivitas pertanian. Masalah salinitas mempengaruhi lingkungan alam
dan merupakan penyebab utama kerugian ekonomi karena dampak buruknya terhadap produktivitas
pertanian dan keamanan pangan. Masalah-masalah ini kemungkinan besar akan semakin parah karena
perubahan iklim ditambah dengan kenaikan permukaan air laut dan aktivitas manusia seperti limpasan
pertanian, pembuangan limbah yang tidak diolah, penebangan vegetasi, irigasi, pengaturan hidrologi
sungai, penggunaan garam untuk menghilangkan lapisan es di jalan, dan pertambangan [ 7,49,72,73].
Kelompok Bank Dunia pada tahun 2018 memperkirakan bahwa sekitar 6–12 juta orang kemungkinan akan
terkena dampak banjir pesisir pada tahun 2070–2100 dan perubahan iklim juga diperkirakan akan
menyebabkan penurunan pendapatan nasional sekitar 3,5% pada tahun 2050 [73]. Salinitas menurunkan
potensi osmotik sehingga menyulitkan tanaman dalam mengekstraksi air sehingga menyebabkan
keracunan ion-ion tertentu, ketidakseimbangan nutrisi , serta mempengaruhi permeabilitas dan kemiringan
tanah. Hal ini kemudian mengakibatkan penurunan hasil panen [74].
Salinisasi ekosistem air tawar merupakan isu lingkungan umum yang menjadi perhatian global. Hal
ini diperkirakan akan berdampak pada lebih dari 7000 danau di wilayah barat tengah dan timur laut AS
[72,75]. Salah satu penyebab meningkatnya salinitas dalam sistem air tawar di Eropa adalah penggunaan
garam yang digunakan untuk menghilangkan es di jalan raya. Konsentrasi garam di Danau Constance,
danau air tawar terbesar kedua berdasarkan volume di Eropa, dikatakan meningkat lebih dari dua kali lipat,
dengan konsentrasi garam menyumbang 52% dari peningkatan salinisasi. Garam penghilang es di jalan
raya sebagian besar digunakan di jalan raya selama kondisi musim dingin yang berbahaya untuk
meningkatkan keselamatan manusia yang bepergian di jalan raya. Garam yang menghilangkan lapisan es
di jalan terbukti mengurangi rata-rata 87% dan 78% kecelakaan di jalan raya dua jalur dan banyak jalur,
yang merupakan indikasi kontribusi besar garam tersebut dalam mengurangi kecelakaan di jalan raya.
Namun, garam-garam ini larut dan masuk ke ekosistem air tawar melalui aliran garam darat yang dihasilkan
oleh pencairan salju, hujan, dan sumber air tanah [72].
Intrusi salinitas di badan air terjadi ketika garam terlarut dan terakumulasi di badan air
dengan kecepatan yang berdampak pada produksi pertanian, lingkungan, dan perekonomian .
Salinitas berpotensi mempengaruhi proses metabolisme organisme perairan sehingga
mengancam kehidupan organisme tersebut (73). Salinitas mempengaruhi proses biologis
dalam ekosistem sehingga menyebabkan penurunan kualitas dan kesehatan sumber daya tanah dan a
Masalah yang berkaitan dengan salinitas sangat parah di wilayah kering dan semi-kering [76].
Salinisasi terutama disebabkan oleh proses alami seperti banjir, atau gelombang badai.
Proses-proses ini dibantu oleh perubahan iklim yang mempengaruhi lebih dari 20% pertanian dunia
wilayah. Penyebab sekunder salinisasi sebagian besar disebabkan oleh aktivitas antropogenik [77,78].
Kegiatan antropogenik termasuk limpasan pertanian, penggunaan pupuk, pembuangan pengolahan air
limbah, dan penggunaan garam jalan sangat mengubah konsentrasi garam alami di perairan pedalaman
yang berkontribusi terhadap salinisasi air tawar, sebuah fenomena yang dihadapi oleh ribuan badan
air di seluruh dunia dalam beberapa dekade terakhir [75 ,77,78]. Salinisasi di badan air menghasilkan
konsentrasi klorida yang tinggi yang berpotensi menyebabkan korosi pada sistem distribusi air yang
menyebabkan pelepasan timbal dan tembaga ke dalam pasokan air minum [75]. Sumber dasar salinitas
meliputi pembuangan dari instalasi pengolahan air limbah, pembuangan sumber non-titik seperti
limpasan pertanian, dan pencucian tanah [79].
Pemuatan garam di danau mungkin merupakan faktor yang berkontribusi terhadap pergeseran waktu
stratifikasi danau dan percampuran danau pada musim semi. Peningkatan konsentrasi garam tidak hanya
menimbulkan bahaya bagi organisme air tawar tetapi juga dapat menyebabkan stabilisasi kolom air karena
perbedaan kepadatan antara air tawar yang kurang padat dan air asin yang lebih padat. Salinisasi juga
merupakan hambatan utama terhadap terjadinya pergantian kolom air pada mata air yang signifikan secara ekologis.
Salinisasi danau berpotensi berdampak pada stratifikasi dan pencampuran danau karena kepadatan
profil danau dipengaruhi oleh dinamika pencampuran danau. Penumpukan konsentrasi garam di danau
dapat menyebabkan peningkatan gradien kepadatan di kolom air yang dapat menunda, mengurangi,
dan atau mengganggu pencampuran danau. Pengaruh suhu terhadap kepadatan danau air tawar
sangat mempengaruhi stratifikasinya [75].
Dalam penelitian [75], untuk menilai dampak salinisasi pada stratifikasi danau dan pencampuran mata
air, dampak salinisasi pada pencampuran di Danau Mendota dan Monona yang terletak di Wisconsin
diselidiki dengan menggunakan pendekatan analitis untuk mengukur ambang batas salinitas dan jangka
panjang. dampak pemuatan garam musim dingin pada pencampuran dan stratifikasi. Telah ditetapkan
bahwa peningkatan pemuatan air menyebabkan penundaan pergantian musim semi, memperpanjang
stratifikasi musim panas, dan meningkatkan stabilitas kolom air di danau-danau beriklim sedang di bagian utara.
Pencampuran danau juga dipengaruhi oleh kepadatan air yang disebabkan oleh salinitas [80].
Jumlah kerusakan ekonomi akibat salinitas yang berlebihan di Lembah Sungai Colorado (CRB)
dilaporkan sebesar USD 295 juta pada tahun 2010, dengan sektor pertanian yang paling terkena dampaknya
dengan kerusakan sebesar USD 153 juta yang mewakili 52%, diikuti oleh rumah tangga dengan nilai sebesar
USD 83 juta mewakili 28%. Komersial dan manajemen berada di posisi berikutnya dengan masing-masing
mewakili 6%, diikuti oleh utilitas dan industri yang memiliki dampak lebih rendah masing-masing sebesar 4% [81].
Penelitian lain melaporkan kerugian ekonomi tahunan mencapai lebih dari USD 300 juta [82].
Dampak salinitas di CRB merupakan masalah besar bagi AS dan Republik Meksiko karena kedua negara
bergantung pada sungai untuk mendapatkan air. Masalah salinitas menyebabkan dampak buruk pada jutaan
hektar lahan pertanian beririgasi dan masyarakat yang bergantung pada sungai untuk mendapatkan air
[81,83]. Hal ini juga menjadi prioritas untuk memastikan kepatuhan terhadap Perjanjian 1944 yang
ditandatangani antara Amerika Serikat (AS) dan Republik Meksiko, yang membatasi konsentrasi TDS pada
sekitar 1.850 km3 pembuangan ke Republik Meksiko setiap tahunnya [79,82,84] .
Perjanjian Air AS-Meksiko adalah diplomasi air lintas batas multi-wilayah yang kompleks dan berfokus pada
alokasi air yang penting bagi keamanan air kedua negara di wilayah perbatasan. Perjanjian ini dikatakan
sebagai satu-satunya perjanjian bilateral yang paling penting mengenai sumber daya air antara kedua negara
dan tidak hanya tahan lama, namun juga terbukti dapat diterapkan pada tantangan lingkungan yang tidak
dapat diperkirakan sebelumnya oleh para pembuat perjanjian [85]. Salinitas di badan air mungkin dipengaruhi
oleh perubahan aliran sungai, penyimpanan reservoir, dan variasi salinitas alami, penggunaan air oleh pelaku
kota dan industri, serta praktik pertanian dan pengembangan energi seperti batu bara, minyak, dan gas.
Peningkatan aliran sungai melemahkan salinitas air. Salinitas meningkat ketika tingkat aliran menurun (pada
penguapan yang tinggi) dan berkurang pada tingkat aliran yang meningkat (yaitu ketika penguapan lebih
sedikit).
Perubahan iklim dalam curah hujan dan limpasan pencairan salju memainkan peran penting dalam
perbedaan aliran masuk dan salinitas. Penyimpanan waduk mengubah variabilitas salinitas sungai di hilir.
Waduk besar secara selektif menyalurkan lebih sedikit air asin tetapi menampung lebih banyak air asin
selama periode aliran rendah. Kualitas air yang buruk kemudian teratasi ketika arus masuk mulai meningkat.
Kegiatan irigasi merupakan penyumbang salinitas terbesar di CRB.
Irigasi menyebabkan peningkatan konsentrasi garam dari sumber air dengan mengkonsumsi
air melalui evapotranspirasi dan pencucian garam yang ditemukan di tanah asin dan formasi geologi
[18,81,86]. Irigasi dikatakan telah menyumbangkan sekitar 661.000 megagram beban salinitas setiap
tahunnya ke CRB bagian atas (UCRB). Tanah terbuka yang terlalu terbuka di daerah pegunungan
dilaporkan sebagai sumber kontribusi salinitas terhadap UCRB [45]. Sebuah studi oleh [87] untuk
menilai kontribusi TDS ke Sungai Colorado akibat pertumbuhan populasi di Lembah Las Vegas
menggunakan model sistem dinamis mengungkapkan bahwa konsentrasi TDS di Las Vegas Wash
akan meningkat menjadi sekitar 14% pada tahun 2035. A Penurunan populasi pengguna pelunak air
sebesar 10% pada tahun 2035 juga akan menyebabkan penurunan kadar TDS sebesar 126 mg/L.
3.2. Masalah dan Implikasi TSS

EPA AS mengidentifikasi sedimen fluvial sebagai polutan yang paling meresap di sungai-sungai
di AS, berdampak pada habitat perairan, prosedur pengolahan air minum, dan penggunaan sungai,
danau, dan muara untuk rekreasi [88]. EPA AS dalam Laporan Inventarisasi Kualitas Air Nasional tahun
2017 kepada Kongres menyebutkan sedimen sebagai salah satu penyebab utama kerusakan badan
air yang dinilai. Laporan tersebut mengungkapkan bahwa 15% dari panjang sungai dan aliran sungai
mempunyai kelebihan sedimen dasar sungai yang ditemukan mempunyai dampak yang cukup besar
terhadap kondisi biologis badan air [89].
Sedimen yang tersuspensi dalam air mungkin tidak beracun, namun jika jumlahnya berlebihan
akan menyebabkan tingkat kekeruhan yang tinggi. Kekeruhan merupakan suatu ciri visual suatu
perairan yang terdiri dari unsur-unsur biotik dan abiotik yang menunjukkan kejernihan atau
kejernihannya karena adanya bahan atau materi tersuspensi (SM) organik dan anorganik, plankton,
dan organisme mikroskopis yang menyebabkan hamburan dan penyerapan cahaya . 4,28,90,91].
Kekeruhan dalam air dapat diukur secara konvensional di laboratorium melalui metode nefelometri
dan dengan pengukuran menggunakan sensor optik in situ yang sering disebut turbidimeter seperti
dijelaskan masing-masing dalam Bagian 2130B dan 2130A, dari metode standar untuk pemeriksaan
air dan air limbah [4] . Kekeruhan dan kekeruhan air juga telah dipelajari dan dipantau menggunakan
gambar RS [92-96]. Para peneliti menemukan reflektansi yang diturunkan dari satelit dari Moderate
Resolusi Imaging Spectroradiometer (MODIS) Badan Penerbangan dan Antariksa Nasional (NASA)
pada panjang gelombang 667 nm menjadi proksi untuk pengukuran kekeruhan air, dengan nilai
kekeruhan air yang lebih besar menghasilkan kekeruhan air yang lebih tinggi. reflektansi pada panjang gelomb
Kekeruhan meningkat selama periode kejadian arus tinggi karena peningkatan konsentrasi
sedimen menjadikan kekeruhan sebagai pengganti atau proksi untuk konsentrasi TSS [ 28,94,97].
Penelitian juga memperkirakan kekeruhan dari bentuk TSS di badan air menggunakan hubungan
empiris [94,98]. Para peneliti menemukan korelasi yang tinggi sebesar 0,986 antara TSM dan
kekeruhan di Southern North Sea, Inggris [98]. Peneliti lain di [99] juga menemukan korelasi yang
hampir sempurna (r = 0,99) antara kekeruhan dan konsentrasi TSM setelah penghapusan outlier
pada data di laut bawah payau Scheldt, yang terletak di perbatasan Belgia dan Belanda. Studi lain
yang dilakukan [100] juga menemukan korelasi 0,91 antara kekeruhan dan SPM di muara Río de la
Plata di Amerika Selatan yang dikenal luas sebagai salah satu sungai paling keruh di dunia dengan
konsentrasi TSM 100–300 mg/L [ 101].
Akibatnya, indeks kekeruhan air yang tinggi menyebabkan lebih banyak cahaya tersebar ke
beberapa arah, yang selanjutnya menyebabkan berkurangnya penetrasi cahaya jauh ke dalam badan
air dan akibatnya berdampak pada laju fotosintesis, yang menyebabkan penipisan oksigen. Tingginya
jumlah konsentrasi TSS dapat menaikkan suhu air dan menyebabkan rendahnya konsentrasi oksigen
terlarut. Karena partikel tersuspensi menyerap lebih banyak panas dan menggunakan lebih banyak
oksigen, akibatnya air dapat memanas lebih cepat, yang mungkin berbahaya bagi kehidupan akuatik
[38]. TSS juga dapat menyebabkan penyumbatan pada insang ikan yang menyebabkan kematiannya
[ 49,102–104]. Rata-rata tingkat toleransi atas SSC yang dilaporkan adalah sekitar 90 mg/L untuk ikan
dan 13 mg/L untuk invertebrata bawah [69]. Kondisi ini dua kali lebih besar kemungkinannya terjadi
pada sungai dengan tingkat sedimen dasar sungai yang tinggi dibandingkan dengan sungai yang tidak
memiliki sedimen dasar sungai. Sedimen di dalam air dapat mengakibatkan aliran sungai menjadi lebih
lancar sehingga menyebabkan mati lemasnya telur ikan dan organisme yang hidup di dasar air.
Peningkatan sedimen di dalam air juga dapat mengganggu penggunaan rekreasi dan proses pengolahan air minu
Sedimentasi adalah isu utama dalam pengelolaan sistem pasokan air berkelanjutan.
Akumulasi sedimen merupakan fenomena yang mungkin terjadi di danau dan oleh karena itu perlu diatasi
karena berdampak pada kualitas air [105]. Penting untuk memahami permasalahan yang berkaitan dengan
konsentrasi sedimen yang berdampak pada kualitas air dan selanjutnya mempengaruhi manusia dan
kehidupan akuatik yang bergantung pada danau sebagai sumber air. SS mempengaruhi kejernihan optik air.
TSS menyebabkan hamburan cahaya dan berdampak pada sifat optik air. Deteksi partikel-partikel ini dalam
air menggunakan sistem RS atau UV dimungkinkan karena menyebabkan hamburan cahaya [106]. Semakin
tinggi konsentrasi TSS dalam air, semakin sulit cahaya merambat melalui air sehingga menyebabkan
kekeruhan. Kekeruhan dikatakan berkorelasi dengan TSS. Semakin tinggi jumlah TSS dalam air, maka air
tersebut akan semakin keruh. TSS merupakan parameter penting untuk dipertimbangkan karena berdampak
pada jumlah penetrasi sinar matahari ke badan air yang selanjutnya berdampak negatif pada fotosintesis
yang diperlukan untuk pertumbuhan plankton dan alga [7,36].
Sebuah penelitian yang dilakukan oleh [107] menemukan korelasi yang signifikan antara SS dan kekeruhan.
Untuk ukuran sampel 19, koefisien determinasi (R2 ) yang dilaporkan dalam penelitian ini adalah 80%.
Adanya sedimen pada air disebut menyebabkan kekeruhan yang mengendap di dasar penampungan air.
Waduk mempunyai volume kapasitas penyimpanan air yang diketahui pada saat permulaan pembangunan.
Namun hal ini berkurang dengan mekanisme pendangkalan [108].
Para peneliti di [102] menemukan kemungkinan dampak kekeringan selama bertahun-tahun terhadap
peningkatan konsentrasi TSS di Lengan Sungai Overton dan Colorado di Danau Mead yang terletak di AS
Bagian Barat, khususnya di Las Vegas, Nevada. Danau Mead adalah waduk terbesar dalam hal kapasitas air
di AS dan ke-16 di dunia. Diperkirakan 98% aliran masuk Danau dikatakan berasal dari Sungai Colorado,
yang merupakan saluran transportasi sedimen dari UCRB . Pengangkutan sedimen ke Danau ini telah
mengalami pengurangan sebesar 90% sejak tahun 1963 ketika Bendungan Glen Canyon selesai dibangun.
Meskipun ada upaya untuk mengurangi sedimentasi, kebutuhan untuk menilai dampak TSS sangat penting
dalam mencapai hasil yang diinginkan dalam upaya pengelolaan sumber daya air [102].
4. Pengukuran dan Pemantauan TDS dan TSS TDS dan

TSS secara tradisional telah dianalisis dan dipantau melalui pengambilan sampel di lapangan atau di
tempat dan pengujian laboratorium yang umumnya diklasifikasikan sebagai metode konvensional. Pengukuran
lapangan dan laboratorium meliputi pengambilan sampel, penyaringan, dan penguapan sampel melalui
kertas saring halus diikuti dengan pengeringan dalam oven udara yang secara kolektif dikenal sebagai metode
gravimetri [35,109]. Namun, metode konvensional dalam memantau WQP memerlukan biaya yang mahal,
padat karya, memakan waktu, dan juga tidak cocok untuk analisis skala besar [46,103,110,111].
4.1. Mengukur TDS dan TSS Menggunakan Pendekatan Konvensional

Beberapa teknik dan alat digunakan untuk mengukur TDS atau TSS di laboratorium atau di lapangan.
TDS dan TSS dapat diukur menggunakan metode Gravimetri US EPA, dan pengukuran langsung
sebagaimana ditetapkan oleh Bagian 2540C (untuk TDS) dan 2540D (untuk TSS) dari Metode Standar
Pemeriksaan Air dan Air Limbah [4]. Berbagai pendekatan konvensional yang digunakan dalam kuantifikasi
TDS dan TSS dijelaskan dalam Bagian 4.1.1 dan 4.1.2.
4.1.1. Pengukuran TDS
Konsentrasi TDS atau padatan terlarut (DS) diukur secara langsung atau tidak langsung.
Penentuan TDS langsung melibatkan pengambilan sampel yang memerlukan pengumpulan sampel
individu pada waktu tertentu yang mencerminkan kondisi air pada saat sampel dikumpulkan [35]. Sampel ini
disiapkan di laboratorium dan dikeringkan dalam oven. TDS kemudian ditentukan dengan menimbang residu
yang tersisa setelah penguapan volume filtrat tertentu. TDS juga dapat dianalisis di lapangan atau laboratorium
dengan memanfaatkan meter elektrokimia dan probe yang dikembangkan untuk mendeteksi padatan terlarut
dalam sampel [38].
Salah satu cara untuk menentukan TDS secara tidak langsung adalah dengan menjumlahkan
konsentrasi terukur dari berbagai unsur dalam sampel air yang disaring. Para peneliti di [112] telah menemukan
korelasi yang kuat antara berbagai mineral terlarut seperti TDS, konduktivitas listrik (EC), dan
klorida dengan r > 0,8 yang menjadikan EC alat yang efektif untuk menentukan salinitas air
[113]. Oleh karena itu, TDS dapat diperkirakan secara tidak langsung dengan mengalikan EC
yang diukur dalam mikromhos per sentimeter dengan faktor empiris yang berkisar antara 0,55
hingga 0,9. Faktor pasti yang digunakan dalam estimasi TDS dipengaruhi oleh suhu dan
komponen kelarutan air yang ditentukan dengan melakukan regresi linier berpasangan berulang
atas pengukuran TDS dan konduktansi spesifik untuk badan air tertentu.
Faktor yang tinggi digunakan untuk air garam sedangkan nilai yang lebih rendah digunakan
untuk sistem air dengan banyak hidroksida atau asam bebas [4]. Nilai 0,67 sering diadopsi
untuk beberapa sistem air alami [4]. Namun, Ref. [114] menggunakan faktor korelasi 0,64
dalam penelitian mereka untuk memperkirakan dan mengkarakterisasi indikator fisik dan kimia
organik kualitas air. TDS dan EC digunakan untuk menggambarkan tingkat salinitas di dalam
air. EC mengukur kapasitas air untuk menghantarkan muatan listrik dan kemampuannya
dipengaruhi oleh kekuatan ionik, suhu pengukuran, dan konsentrasi ion terlarut. Konsentrasi
ion terlarut ini diukur sebagai TDS. Analisis TDS dikatakan menawarkan pemahaman yang
lebih baik mengenai kualitas air tanah dan dampak intrusi air laut dibandingkan dengan analisis
EC. Meskipun EC air tidak mahal untuk diukur dan dapat diukur di tempat melalui penggunaan
pemeriksa kualitas air portabel, namun analisis dan pengukuran TDS lebih sulit, memakan
waktu, dan mahal [109]. Estimasi TDS dari EC menggunakan faktor korelasi didasarkan pada
asumsi bahwa padatan terlarut sebagian besar merupakan spesies ionik dengan konsentrasi
rendah yang diperlukan untuk menghasilkan hubungan linear EC-TDS [115]. Analisis kimia
dikatakan satu-satunya cara yang dapat diandalkan untuk mengukur TDS. Namun metode ini
memakan waktu dan biaya. Metode tidak langsung biasanya digunakan untuk membantu
upaya pengukuran salinitas. Metode langsung dilakukan melalui pengukuran dan penetapan
hubungan empiris antara salinitas dan sifat fisik air lainnya seperti konduktivitas, kecepatan
suara, indeks bias, dan kepadatan [4].
4.1.2. Pengukuran TSS
Beberapa peneliti telah memantau TSS di badan air karena merupakan kunci untuk memastikan pemulihan
integritas badan air, yang mengarah pada keberlanjutan sumber daya air dan pada akhirnya melindungi kehidupan
manusia dan perairan [116,117].
Air yang mengandung sedimen tersuspensi meningkatkan kekeruhannya, mengurangi kemampuan
penyerapan cahayanya sekaligus memungkinkan jumlah pantulan yang lebih besar. Oleh karena itu, peningkatan
sedimen dan kekeruhan menyebabkan peningkatan reflektansi cahaya dalam spektrum spektrum elektromagnetik
tampak dan inframerah-dekat (NIR) [46]. Estimasi konsentrasi sedimen (TSS) penginderaan jauh dipengaruhi oleh
parameter partikel, termasuk ukuran, bentuk, kepadatan, dan warna, warna terlarut dan partikulat. Partikel
tersuspensi berasal dari limpasan, erosi tanah, sedimen dasar yang tercampur, pertumbuhan alga, atau
pembuangan.
Komposisi bahan TSS di perairan pedalaman meliputi komponen yang dipasok oleh anak
sungai yang disebut allochthonous dan komponen yang diproduksi di dalam kolom air yang
disebut autochthonous dan resuspension [118]. TSS dan kekeruhan digunakan sebagai
indikator untuk menilai kejernihan air dan merupakan deskripsi makro kualitas air karena
keduanya terkait langsung dengan variabel lain yang digunakan dalam pengelolaan perairan
pedalaman seperti danau. Komposisi partikel tersuspensi mungkin berbeda di perairan
pedalaman karena dipengaruhi oleh karakteristik cekungan drainase, resuspensi endapan
dasar yang didorong oleh gerakan, dan hidrologi [118].
Peneliti di [119] menemukan korelasi antara TSS dan kekeruhan sebesar 0,64. Pengambilan
sampel TSS dapat dilakukan dengan menggunakan sistem filtrasi beberapa partikel (MuPFiSs),
suatu sistem yang memiliki empat jalur filtrasi secara paralel dengan meter air untuk mengukur
aliran air yang disaring selama periode di bawah tekanan menggunakan ukuran pori filter yang
sesuai [120]. Dalam penelitian yang dilakukan oleh [121] untuk menganalisis WQP termasuk TSS
dalam limbah IPAL di Swiss, spektrometer UV in situ diterapkan pada limbah dan dikalibrasi
menggunakan algoritma kalibrasi multivariat dan regresi kuadrat terkecil parsial (PLS). Keakuratan
pengukuran TSS ternyata kurang memuaskan. Hal ini karena spektrometer yang digunakan memang demik
tidak mencakup spektrum panjang gelombang hingga 700 nm, yang dikatakan memberikan sinyal
yang lebih baik untuk kalibrasi TSS karena korelasi yang kuat antara TSS dan kekeruhan.
Para peneliti di [122] memperkirakan konsentrasi TSS menggunakan model ML ditambah dengan beberapa
faktor daerah aliran sungai, kedalaman curah hujan, luas drainase, persen ketahanan air, volume limpasan ,
penggunaan lahan, dan hari kering sebelumnya untuk berbagai peristiwa badai yang diambil dari 17 negara bagian AS.
Para penulis melaporkan bahwa mereka menemukan bahwa hutan acak dan regressor penguat adaptif
merupakan model terbaik untuk estimasi TSS dari faktor-faktor daerah aliran sungai ini dengan R2 ÿ 0,64
dan Efisiensi Nash– Sutcliffe (NSE) ÿ 0,62 mulai dari pelatihan hingga langkah-langkah prediksi model.
4.1.3. Kekuatan dan Keterbatasan Metode Konvensional untuk Mengukur TDS dan TSS
Kekuatan dan keterbatasan yang terkait dengan metode pengukuran konvensional
TDS dan TSS di badan air diperkenalkan pada Tabel 1 [2,4,36,38,123,124].
Tabel 1. Kekuatan dan keterbatasan metode konvensional untuk mengukur TDS dan TSS.
Kekuatan Keterbatasan
Metode standar yang sudah mapan Tenaga kerja dan biaya yang intensif serta memakan waktu
Akurasi mungkin dipengaruhi oleh kesalahan yang

Terkait dengan tingkat presisi dan akurasi yang tinggi
terkait dengan pengambilan sampel lapangan, transportasi,
penyimpanan, dan analisis laboratorium
Tidak mungkin memantau seluruh badan air secara

Dapat memberikan pengukuran WQP pada
bersamaan karena tidak dapat diaksesnya masalah topografi
kedalaman yang bervariasi
Tidak melibatkan pengetahuan pemrosesan big data Pengetahuan tentang alat atau perlengkapan pengukuran
dan kompleksitas analisis data khusus mungkin diperlukan
Menyediakan pengukuran langsung WQP Cakupan spasial dan temporal yang terbatas
Paragraf berikut menjelaskan lebih lanjut kelebihan dan kekurangan metode konvensional dalam
mengukur TDS dan TSS.
Kekuatan
Metode konvensional [38], merupakan metode mapan yang digunakan di laboratorium dan telah
digunakan selama beberapa dekade. Mereka telah terbukti memberikan hasil yang dapat diandalkan
dan akurat serta dipahami secara luas oleh banyak ahli dan peneliti di bidang kualitas air dan pengelolaan
sumber daya air.
Ada banyak literatur mengenai masalah ini dalam bentuk laporan yang disediakan oleh
lembaga dan perusahaan pemerintah dan non-pemerintah [4,38,88,123].
Metode konvensional juga menyajikan rincian tentang konsentrasi TDS dan TSS sesaat pada
waktu tertentu. Selain itu, metode konvensional menyajikan prosedur standar untuk menentukan TDS
dan TSS yang berarti hasil dari pengukuran yang berbeda dapat dibandingkan [4,35].
Keterbatasan
Metode konvensional teknik pengukuran TDS dan TSS dapat memakan banyak waktu persiapan
dan analisis. Dari persiapan sampel hingga pengeringan oven dalam hal pengukuran TDS, metode
konvensional memerlukan rentang waktu yang signifikan dari jam hingga hari untuk analisisnya [125].
Waktu yang diperlukan untuk mengumpulkan sampel, mengirimnya ke laboratorium untuk diproses, dan
menerima temuan bisa memakan waktu lama dan sangat rumit jika pengambilan sampel dilakukan di
banyak lokasi [126].
Metode konvensional teknik pengukuran TDS dan TSS dapat melelahkan dan memerlukan personel
terampil untuk pengukuran, analisis, dan interpretasi hasil yang efektif dan akurat [125].
Beberapa metode standar atau konvensional dalam mengukur WQP memerlukan penggunaan bahan
kimia berbahaya dan peralatan khusus yang dapat menimbulkan masalah keselamatan bagi peneliti dan teknisi
laboratorium [4,125].
Metode konvensional dibatasi oleh resolusi spasial dan temporal. Pendekatan tradisional
memerlukan pengambilan sampel secara fisik dan oleh karena itu terbatas pada penggunaan titik
pengukuran yang dilakukan pada waktu dan lokasi tertentu, yang mungkin tidak memperhitungkan
perubahan signifikan dalam kualitas air sepanjang waktu dan ruang sehingga tidak layak untuk sistem
air yang besar atau terpencil [2,36,127– 129].
4.2. Pemantauan TDS dan TSS Menggunakan RS
Subbagian ini menyajikan sensor yang digunakan dalam pemantauan TDS dan TSS serta
prinsip dan metode yang digunakan dalam pengambilan WQP ini.
4.2.1. Konsep Interaksi dan Pengukuran TDS dan TSS Menggunakan RS

Prinsip dasar dan konsep pengambilan WQP seperti TSS dan TDS dari RS didasarkan pada interaksi zat
berwarna yang tersuspensi dan terlarut dengan cahaya. Zat berwarna dan tersuspensi terlarut meningkatkan
penyerapan cahaya (terlarut) dan penyerapan dan hamburan (tersuspensi) dalam air dan mengubah arah cahaya
yang kembali. Distribusi spektral energi hamburan balik dipengaruhi oleh penyerapan tambahan oleh zat
berwarna terlarut dalam kolom air. SM di sisi lain meningkatkan hamburan balik cahaya dan karenanya dapat
meningkatkan sinyal jarak jauh [130]. Interaksi cahaya dengan SM menghasilkan reflektansi sinyal yang dapat
dideteksi dari jarak jauh. Oleh karena itu, sinyal-sinyal ini dapat digunakan untuk memperkirakan keberadaan
dan kuantitas TSS. Sifat hamburan balik yang kuat dari TSS memungkinkan untuk dideteksi dengan teknik RS
[131]. Sifat spektral air dikategorikan sebagai Sifat Optik Inheren (IOPs) dan Sifat Optik Semu (AOPs). IOP yang
menggambarkan penyerapan cahaya spektral dan hamburan balik adalah komponen kunci dalam menghubungkan
pengukuran reflektansi dengan konsentrasi parameter air seperti TSS. Koefisien serapan partikel di perairan
yang kompleks secara optik seperti perairan pedalaman, pesisir, dan muara dipecah menjadi komponen yang
disebabkan oleh fitoplankton dan komponen yang disebabkan oleh partikel non-alga. Meskipun IOP dapat diukur
di laboratorium, AOP yang mencakup radiasi dan radiasi bidang downwelling hanya diukur menggunakan IOP
dan bergantung pada IOP dan struktur geometri distribusi radiasi termasuk kecepatan angin, struktur air
permukaan, dan kondisi atmosfer. [118.132].
Pendekatan berbasis RS untuk estimasi dan pengambilan TSS dan TDS melibatkan pembentukan
hubungan antara WQP dan properti spektral gambar RS. Pendekatannya mencakup metode empiris yang
memanfaatkan hubungan statistik yang diperoleh dari sifat spektral RS yang diukur dan WQP ini. Ini adalah
pendekatan sederhana dan lugas yang telah digunakan dalam estimasi efektif dan pengambilan WQP ini
[10,41,124,133–137].
Pendekatan lain yang digunakan adalah metode analisis yang menggunakan IOP termasuk koefisien
hamburan dan penyerapan serta fungsi hamburan volume, dan AOP seperti koefisien atenuasi difus untuk radiasi
downwelling dan reflektansi radiasi untuk memodelkan dan memperoleh WQP ini [2,124,133,135]. Penelitian
lainnya adalah metode semi empiris: yang merupakan kombinasi metode empiris dan analitis untuk pengambilan
WQP tersebut [2,10,124,133,138–140]. Dalam pendekatan ini, pancaran spektral dihitung ulang menjadi
reflektansi pancaran di atas permukaan dan selanjutnya, melalui teknik regresi yang terkait dengan TDS dan
TSS. Selama bertahun-tahun, penelitian telah mengembangkan dan menyempurnakan pendekatan-pendekatan
ini yang mengarah pada penggunaan yang lebih baru dalam pendekatan kecerdasan buatan (AI) yang canggih
seperti model pembelajaran mesin (ML) dan pembelajaran mendalam yang menggunakan algoritma implisit
untuk menangkap baik linear maupun linear. hubungan nonlinier dibandingkan dengan metode statistik
konvensional [2,124,141–145].
4.2.2. Karakterisasi Optik TDS dan TSS WQP

dikategorikan sebagai parameter optik aktif dan tidak aktif untuk aplikasi RS.
RS optik didasarkan pada perbedaan reflektansi spektral air dan tanah [146]. Parameter air yang
aktif secara optik adalah parameter yang cenderung mempengaruhi karakteristik optik yang diukur
oleh sensor RS, sedangkan parameter yang tidak aktif secara optik adalah parameter yang
cenderung tidak mempengaruhi karakteristik optik yang diukur oleh sensor RS [147] . TSS adalah
parameter yang aktif secara optik, sedangkan TDS adalah properti yang lemah secara optik.
Parameter aktif secara optik seperti TSS menyerap cahaya dalam rentang panjang gelombang
ultraviolet dan cahaya tampak serta memengaruhi sifat optik sehingga memungkinkannya untuk
dirasakan dari pengamatan satelit. Parameter air yang aktif secara optik juga digunakan untuk
memantau beberapa proses lain selain kualitas air. Tingginya beban sedimen berpotensi
mengurangi kejernihan air dan menghambat radiasi yang diperlukan untuk pertumbuhan vegetasi
perairan di bawah permukaan air. Sedimen mempengaruhi karakteristik optik perairan muara
sehingga membuat warna baik di in situ maupun di RS menjadi indikator yang baik untuk
memantau fenomena, termasuk proses limpasan (run-off) [148]. Penelitian juga menemukan
korelasi yang baik antara konsentrasi SPM dan reflektansi air di wilayah hijau dan merah spektrum
elektromagnetik untuk perairan dengan kekeruhan rendah hingga sedang [138]. Reflektansi pada
rentang spektrum elektromagnetik 580–680 nm dan 700–900 nm telah dilaporkan paling sensitif
terhadap perubahan konsentrasi TSM dan karenanya paling ideal untuk pengambilan konsentrasi
TSM [124]. Sebuah studi oleh [149,150] menguatkan pernyataan ini dengan menemukan
konsentrasi SS dikaitkan dengan peningkatan energi yang dipantulkan pada panjang gelombang yang lebih
Sebuah penelitian dilakukan oleh [151] untuk memperkirakan parameter air optik menggunakan
pendekatan terpandu . WQP optik yang dipertimbangkan mencakup TSM yang menggunakan
Instrumen Warna Laut dan Daratan (OLCI), dan data MSI di danau Estonia dan Finlandia serta wilayah
pesisir Laut Baltik . Penelitian ini menggunakan algoritma empiris. Korelasi yang tinggi (r> 0,87)
ditetapkan untuk WQP optik yang diukur secara in situ dan parameter yang diprediksi oleh pendekatan
terpandu tipe air optik. Besarnya SSC dan kekeruhan mempengaruhi reflektansi cahaya dengan
hubungan antara reflektansi spektral dan SSC atau kekeruhan sering digambarkan sebagai korelasi
linier positif atau regresi nonlinier pada panjang gelombang tampak dan NIR [152,153].
Para peneliti [154] menemukan peningkatan reflektansi di wilayah NIR dan berkurangnya
reflektansi pada warna merah dan SWIR karena penyerapan air yang tinggi di wilayah paling keruh di
muara Río de la Plata yang terletak di Amerika Selatan. Namun, para peneliti [155] mencatat bahwa
pita spektral NIR kurang sensitif terhadap peningkatan konsentrasi TSM di perairan yang sangat keruh
dengan TSM > 100 mg/L sehingga penggunaan SWIR dengan panjang gelombang 1000–1300 nm
merupakan alternatif dalam hal tersebut. skenario.
Penelitian juga menemukan hubungan antara panjang gelombang optimal dan SSC dan
oleh karena itu telah mengembangkan hubungan empiris antara SSC dan pancaran pantulan
untuk lokasi dan tanggal tertentu [67]. TDS dan parameter optik tidak aktif lainnya diukur karena
korelasinya dengan parameter aktif optik. Studi yang dilakukan juga mengukur korelasi antara
WQP seperti dalam kasus parameter aktif secara optik dan tidak aktif secara optik yang akan
berguna dalam menentukan TDS.
Misalnya; peneliti di [156] menemukan korelasi moderat sebesar 0,435 antara TSS dan TDS untuk
studi memetakan WQP menggunakan Landsat 7 ETM+ untuk Manzala Lagoon, Mesir.
Penelitian juga menemukan korelasi sedang sebesar 0,43 antara rasio pita (B2/B4).
Para peneliti di [157] juga mengembangkan matriks korelasi untuk WQP optik dan non-optik. Korelasi
antara TDS dan TSS, TDS, dan kekeruhan dilaporkan masing-masing sebesar 0,35 dan 0,58. Meskipun
TDS tidak aktif secara spektral, TDS dapat diperkirakan dari RS menggunakan berbagai model
termasuk model semi empiris. Pengambilan parameter yang tidak aktif secara optik seperti TDS
menggunakan pita tampak satelit, NIR, atau IR dimungkinkan karena asumsi bahwa parameter tersebut
mungkin sangat berkorelasi dengan parameter yang aktif secara optik dan dengan asumsi bahwa ada
beberapa proses yang (biasanya) terjadi bersamaan dengan perubahan pada parameter optik aktif.
TDS atau salinitas yang mempengaruhi WQP yang aktif secara optik. Namun, proses-proses ini tidak
selalu terjadi secara bersamaan dengan besaran yang sama.
4.2.3. Sensor RS untuk Memantau TDS dan TSS

Teknologi gelombang mikro dan RS optik adalah dua teknologi yang digunakan dalam estimasi WQP
termasuk TDS dan TSS. Sensor RS optik mengumpulkan data di wilayah spektrum elektromagnetik tampak,
inframerah dekat, dan gelombang pendek, namun sensor gelombang mikro menggunakan panjang
gelombang yang lebih panjang (cm hingga m) sehingga mampu menembus tutupan awan, debu, kabut,
dan sebagainya. jenis curah hujan kecuali hujan yang paling lebat. Panjang gelombang sensor gelombang
mikro yang lebih panjang membuatnya tidak rentan terhadap hamburan atmosfer yang berdampak pada
panjang gelombang optik yang lebih pendek sehingga memungkinkan sensor tersebut mendeteksi energi
gelombang mikro dalam segala cuaca dan kondisi lingkungan kapan saja [158–160]. Sensor gelombang
mikro menyediakan teknologi penginderaan air yang hemat biaya, dapat digunakan kembali, andal, dan
otomatis untuk memberikan pengukuran kualitas air yang akurat secara real-time [161].
Microwave RS dikategorikan menjadi aktif, disebut juga sensor non-optik, dan sensor pasif
disebut juga sensor optik. Sensor optik bergantung pada energi matahari , tidak seperti sensor non-
optik yang menghasilkan energinya. Meskipun sebagian besar penelitian telah mengukur WQP
menggunakan RS optik, terdapat peluang untuk mengukur parameter ini dari wilayah gelombang
mikro pada spektrum elektromagnetik [158,159,162,163]. Sensor gelombang mikro pasif mendeteksi
energi yang dipancarkan dalam bidang pandangnya. Sensor gelombang mikro aktif adalah sensor
yang menyediakan sumber radiasi untuk menerangi targetnya.
Sensor RS optik sebagian besar merupakan sensor pasif yang memanfaatkan energi matahari.
Landsat USGS, MODIS NASA, Sentinel-2 ESA, dan Medium Resolusi Imaging Spectrometer (MERIS) di
antara banyak lainnya adalah beberapa sensor jarak jauh optik yang telah digunakan oleh beberapa
ilmuwan, termasuk peneliti air untuk memantau dan mengelola sumber daya air [2,160,164,165] . Sensor
terkenal lainnya yang digunakan dalam penelitian termasuk Oceanic and Atmospheric Administration
(NOAA) Advanced Very High Definition Radiometer (AVHRR) dan sensor OrbView-2 Sea-viewing Wide
Field-of-view Sensor (SeaWiFS) [166].
Sensor pasif dapat berupa sensor udara atau ruang angkasa berdasarkan platform yang
diluncurkan. Gambar dari sensor ini dapat bersifat multispektral atau hiperspektral, berdasarkan
resolusi spektral dan spasial. Sistem multispektral mengumpulkan data dalam 3–10 pita spektral
dalam satu pengamatan dari rentang spektrum elektromagnetik tampak dan inframerah dekat. Pita
spektral pita multispektral berkisar antara 0,4–0,7 µm untuk merah–hijau–biru, dan panjang
gelombang inframerah dalam kisaran 0,7–10 µm, atau lebih untuk inframerah dekat, menengah, dan
jauh [36,124,167]. Namun, penggunaan gambar multispektral bersifat membatasi karena resolusi
spektral gambar mempengaruhi kualitas dan kuantitas informasi yang dapat diberikan [168]. Aplikasi
RS hiperspektral menawarkan mekanisme efektif untuk pemantauan kualitas air sinoptik yang sering
pada cakupan spasial yang luas [169]. Sensor hiperspektral mengumpulkan 200 pita atau lebih yang
memungkinkan konstruksi spektrum reflektansi kontinu untuk semua piksel dalam pemandangan
menggunakan kamera yang dikategorikan sebagai snapshot, pushbroom, atau Whiskbroom. Kamera
snapshot menangkap seluruh gambar sekaligus . Sapu dorong menangkap satu baris gambar
sedangkan sapu pengocok menangkap satu titik gambar [2,170]. Gambar multispektral dan
hiperspektral telah digunakan untuk pengukuran langsung atau tidak langsung beberapa WQP
termasuk TSS dan TDS atau salinitas [36,124,167]. Sensor yang dibawa luar angkasa adalah
sensor yang dibawa oleh satelit atau pesawat ruang angkasa ke area di luar atmosfer bumi. Contoh
sensor antariksa antara lain adalah satelit Landsat, Advanced Spaceborne Thermal Emission and
Reflection Radiation (ASTER), Moderate Resolusi Imaging Spectroradiometer (MODIS), GeoEye,
dan IKONOS . Sensor udara dipasang pada platform yang terbang di atmosfer bumi.
Platform ini termasuk perahu, helikopter, pesawat terbang, atau balon. Contoh sensor udara yang
digunakan untuk menangkap gambar untuk pemantauan WQP termasuk Airborne Visible
Independent Imaging Spectrometer (AVIRIS) yang diproduksi oleh NASA Jet Propulsion Lab
(Pasadena, CA, USA), Airborne Prism Experiment (APEX) yang diproduksi oleh VITO (Mol, Belgia ),
Pencitraan Digital Hyperspectral yang diproduksi oleh Naval Research Lab (Washington, DC, USA),
Daedalus Multispectral Scanner (MSS) yang diproduksi oleh Daedalus Enterprize Inc (Ann Arbor,
MI, USA), Compact Airborne Spectrographic Imager (CASI-1500)
suasana. Platform ini termasuk perahu, helikopter, pesawat terbang, atau balon. Contoh sensor udara yang digunakan
Machine Translated by Google untuk menangkap gambar untuk pemantauan WQP termasuk Airborne Visible Independent Imaging Spectrometer
(AVIRIS) yang diproduksi oleh NASA Jet Propulsion Lab (Pasadena, CA, USA), Airborne Prism Experiment (APEX)
yang diproduksi oleh VITO (Mol, Belgia) , Citra Digital Hiperspektral yang diproduksi oleh Naval Research Lab

(Washington, DC, USA), Daedalus Multispectral Scanner (MSS) diproduksi oleh Daedalus Enterprise Inc (Ann Arbor,
MI, USA), Compact Airborne Spectrographic Imager (CASI-1500) diproduksi oleh ITRES Research Limited (Calgary,
AB, Kanada) , dan diproduksi oleh ITRES Research Limited (Calgary, AB, Kanada), dan Multispektral
Spektrometer Pencitraan Inframerah dan Terlihat Multispektral (MIVIS) diproduksi oleh Spektrometer Pencitraan
Inframerah dan Terlihat (MIVIS) yang diproduksi oleh Daedalus Enterprise
Daedalus Enterprise Inc., (Ann Arbor, MI, AS) [36].
Inc., (Ann Arbor, MI, AS) [36].
Sensor udara dan ruang angkasa telah digunakan dalam penelitian sebelumnya untuk memeriksa. Sensor
udara dan ruang angkasa telah digunakan dalam penelitian sebelumnya untuk memeriksa
berbagai WQP sejak awal tahun 1970an [171]. Sensor udara merupakan hiperspektral
berbagai WQP sejak awal tahun 1970an [171]. Sensor udara bersifat hiperspektral
sensor pasif yang mengukur pantulan radiasi matahari ke seluruh cahaya tampak, sensor pasif dekat yang mengukur
pantulan radiasi matahari ke seluruh cahaya tampak, dekat
dan inframerah tengah, dan wilayah termal dari spektrum elektromagnetik. Gambar diperoleh dan daerah inframerah-
tengah dan termal dari spektrum elektromagnetik. Gambar diperoleh
jumlahnya banyak namun lebih sempit. Spaceborne juga merupakan sensor pasif yang mencakup area yang lebih
luas namun lebih sempit. Spaceborne juga merupakan sensor pasif yang mencakup lebih luas
wilayah geografis dibandingkan dengan jangkauan sensor udara. Sensor yang berada di luar angkasa membuat
wilayah geografis dibandingkan dengan jangkauan sensor yang berada di udara. Sensor luar angkasa membuat
penggunaan pola orbit konstan dari satelit tempat mereka diluncurkan. Gambar memperoleh penggunaan pola orbit
konstan dari satelit tempat mereka diluncurkan. Gambar diperoleh oleh
oleh sensor luar angkasa dapat bersifat multispektral atau hiperspektral. Pilihan sensor antariksa bisa multispektral
atau hiperspektral. Pilihan tertentu
sensor tertentu yang akan digunakan dalam suatu penelitian bergantung pada sifat spektral dan sensor terkait yang
akan digunakan dalam suatu penelitian bergantung pada sifat spektral dan kekuatan serta kekuatan terkait.
kekuatan dan [167].
keterbatasan keterbatasan
Kategori[167]. Kategori
teknologi teknologi
RS, sensor, danRS, sensor,dirangkum
gambar dan gambar adalah
dalam
dirangkum dalam Gambar 2 di bawah ini.
Gambar 2 di bawah.
Kategorisasi
Gambar 2. Gambar ringkasan
2. Ringkasan RS tecteknologi,
teknologi
kategorisasi sensor,dan
RS, sensor, dan gambar.
gambar.
Ringkasan beberapa sensor yang digunakan dan diusulkan untuk menangkap gambar
Estimasi TDS/salinitas, TSS, dan bentuk kejadiannya disajikan pada Tabel 2 dan 3.
Resolusi spasial, temporal, dan spektral gambar, serta tahun peluncurannya
sensor, disajikan pada Tabel 2 dan 3 [2,7,13,36,37,41,44,93,102,124,165–167,172–194].
4.2.4. Indeks Spektral RS Digunakan dalam Memperkirakan TDS dan TSS
Indeks RS menggabungkan informasi dari dua atau lebih pita spektral. Penggabungan
nilai reflektansi dari pita yang berbeda melalui rasio pita telah diketahui meningkat
estimasi WQP dengan mengurangi efek atmosfer dan semakin meningkatkannya
rasio sinyal terhadap kebisingan [41]
Beberapa indeks telah ditetapkan dan diakui secara luas sebagai alat yang berharga
dalam mengidentifikasi fitur yang menarik. Penelitian telah mengembangkan indeks untuk vegetasi
kekuatan, perubahan penggunaan lahan, dan penilaian tanaman [195]. Rasio pita atau indeks telah digunakan
sebagai variabel model dan telah terbukti memberikan hasil yang baik [196]. Misalnya, [195]
indeks yang digunakan disebut indeks salinitas, indeks vegetasi, dan analisis komponen utama
(PCA) untuk memetakan dan membedakan daerah/badan air yang terkena dampak garam dan tergenang air di Faisalabad,
Pakistan. Indeks yang digunakan antara lain indeks salinitas yang merupakan akar kuadrat produk
pita pertama dan ketiga dan indeks salinitas diferensial ternormalisasi yang memanfaatkan pita
3 dan pita 4. Selain itu yang digunakan adalah Normalized Difference Vegetation Index (NDVI),
dan rasio pita (Band 3/Band 4). Gambar yang diperoleh yang digunakan berasal dari Linear Image Self
scanning Spectrometer (LISS-II) dari satelit RS India (IRS-1B). Selain itu, referensi. [197]
menemukan bahwa rasio pita data radiometrik 560/660 nm diperoleh dengan hiperspektral
radiometer dengan resolusi 3 nm dan bandwidth pada rentang 400–700 nm adalah yang terbaik
rasio pada p <0,005 untuk estimasi konsentrasi mineral tersuspensi di daratan dan
perairan pesisir di Pulau Vancouver British Columbia, Kanada.
Beberapa indeks yang umum digunakan antara lain Indeks Bahan Suspended yang Dinormalisasi
(NSMI), Normalized Difference Suspended Sediment Index (NDSSI), dan Band Ratio
(BR) yang digunakan dalam analisis sedimen tersuspensi [190,198–200]. Perbedaan yang Dinormalisasi
Indeks Salinitas (NDSI), indeks salinitas, dan indeks TDS digunakan untuk pemantauan
TDS atau salinitas [127.189.201]. Indeks yang digunakan dalam literatur untuk memantau TSS meliputi
Indeks Rasio Air-Sedimen (WSRI), NDVI, indeks perbedaan air yang dinormalisasi
(NDWI), dan Enhanced Green Ratio Index (EGRI) [195.200.202].
Subbagian berikut menyoroti beberapa indeks yang telah digunakan dalam air
pemantauan kualitas.
Tabel 2. Sensor Optik yang digunakan dalam Estimasi TDS/Salinitas dan TSS beserta spesifikasinya.
Resolusi Spektral
Tahun Resolusi Spasial Sementara Parameter
Sensor Satelit Jumlah
Diluncurkan (M) Res. (Hari) Panjang gelombang Diukur
Band Rentang (µm)
Sentinel-2 A/B MSI 2015 10–60 5 12 0,44–2,19 TSS, TSM, TDS
TITIK 6 2012 1,5–6,0 26 5 0,45–0,89 TSS, TSM
TSS, SSC, TSM,

Landsat-4, 5TM 1982 30–120 16 7 0,50–2,35
TDS, Salinitas
Landsat-7 ETM+ 1993 15–60 16 8 0,45–0,90 TSS, SM, SSC
TSS, TSM, TDS,

Landsat-8 OLI/TIRS 2013 15–100 16 11 0,43–12,51
Salinitas
Landsat-9 OLI-2/TIRS 2021 15–100 16 11 0,43–12,51 TSM
Mata Cepat 2008 5 5.5 5 0,44–0,85 TSS, SSC
Warna Laut Geostasioner 2010 500 1 8 0,41–0,87 SS, Salinitas

Pencitra (GOCI)
ALOS AVNIR-2 2006 2.5–10 2 5 0,42–0,89 TSS
MERIS 2002 300–1200 1 15 0,39–1,04 TSM, TSS,
TSS, TDS,
Terra ASTER 1999 15–90 16 14 0,52–11,65
Salinitas
Terra MODIS 1999 250–1000 1–2 36 0,41–14,5 TSM, TSS
Aqua MODIS 2002 250–1000 1–2 36 0,41–14,5 TSM, TSS
Pencitraan Inframerah Terlihat 2011 375–750 0,5 22 0,50–12,01 TSS

Suite Radiometer (VIIRS)
Pencitra Hiperspektral untuk
2009 100 10 128 0,35–1,08 SPM
Samudera Pesisir (HICOTM)
Yang Mengamati Bumi 2000 30 16 242 0,35–2,57 SM

satelit (EO-1) Hyperion
EO-1 ALI 2000 10–30 16 10 0,43–2,35 TSS, SSC
NOAA AVHRR 1978 1000 1 5 0,60–1,20 TSS
OrbView-2 SeaWiFS 1997 1130 16 8 0,41–0,87 SS

Tabel 3. Sensor Microwave yang digunakan dalam Estimasi TDS/Salinitas dan TSS beserta spesifikasinya.
Tahun Resolusi Spektral

Resolusi Spasial Resolusi Temporal. Parameter
Sensor Satelit Diluncurkan/ Jumlah dari
(km) (Hari) Panjang gelombang Diukur
Dikerahkan Band Rentang (µm)
NIMBUS-7 Pemindaian Multisaluran 1978 2.7–8.5 4 5 0,008–0,045 SS, Salinitas

Radiometer Gelombang Mikro (SMMR)
Penginderaan Jauh Eropa (ERS-2) SAR 1995 ÿ0,03 35 1 0,057 SSC
Kelembaban Tanah dan Salinitas Laut 2009 3,5–50 3 1 0,212 Salinitas

(SMOS) MIRAS
Satelit Aplikasi Ilmiah-D 2011 100 7 1 0,212 Salinitas

(Kantung-D) Aquarius
(Udara) Pemindaian Secara Elektronik 1990 100 - - 0,212 Salinitas

Array Menipis (ESTAR)
(Airborne) Pemindaian Frekuensi Rendah 1999 0,5–1 - - 0,212 Salinitas

Radiometer Gelombang Mikro (SLFMR)
(Udara) Salinitas, Suhu, dan 2001 1 - -

Hingga 0,212 Salinitas
Pemindai Jarak Jauh Kekasaran (STARRS)
(Udara) Pasif Aktif L- dan - -

1999 0,350–1 0,212 Salinitas
Sensor pita S
(Udara) Dua Dimensi

2003 0,800 - - 0,212
Pemindaian Secara Elektronik Salinitas
Radiometer Array Menipis
NASA Aquarius dan Kelembaban Tanah

Misi Aktif Pasif 2015 ~40 2–3 - 0,214 Salinitas
(SMAP) (L-band)
TDS dan Indeks Salinitas

Berbagai indeks salinitas spektral telah ditetapkan dalam berbagai penelitian. Sangat
paket spektral reflektif digunakan dalam memahami hubungan antara WQP
dan pita spektral. Ada tiga reflektansi badan air untuk menilai WQP menggunakan pita
reflektansi. Yaitu reflektansi permukaan, reflektansi bawah, dan reflektansi volume. Ke
menunjukkan sifat-sifat air, rentang spektral dengan reflektansi lebih tinggi diadopsi.
Beberapa indeks salinitas yang merupakan kombinasi pita pada rentang tampak dan NIR
spektrum elektromagnetik telah dilaporkan dalam literatur [78,189,203,204]. Air jernih
(yaitu, air dengan kedalaman lebih dari 2 m) kemungkinan besar menunjukkan reflektansi rendah dalam rentang cahaya tampak
spektrum elektromagnetik (yaitu pita biru, merah, dan hijau) Terdapat suatu karakteristik
tren penurunan nilai tanda spektral reflektansi air semakin meningkat
panjang gelombang pada pita tampak (pita 2) dan inframerah NIR [189,205]. Indeks spektral digunakan
dalam literatur disajikan pada Tabel 4 dimana R = pita merah; B = pita biru; G = pita hijau;
NIR = pita inframerah dekat; R1 = Pita Tepi_Merah1; SWIR1 = Gelombang Pendek Inframerah 1 band,
SWIR2 = Pita Inframerah Gelombang Pendek 2, dan C = Pita Pesisir. Selain itu, B1, B2, B3, B4
singkatan dari band 1, 2, 3, 4, dan seterusnya [54,73,168,189,206]. Panjang gelombang untuk setiap pita untuk
platform Landsat dan Sentinel disediakan sebagai Lampiran A dan B. Landsat 8 OLI,
7 ETM+, dan 5 TM disajikan pada Lampiran A (Tabel A1–A3) sedangkan Sentinel-2 MSI adalah
disajikan pada Lampiran B (Tabel A4) [149.189.207–211].
Tabel 4. Indeks RS yang digunakan dalam memperkirakan konsentrasi TDS dan Salinitas.
Indeks Metrik Wilayah Studi Referensi

Gambar/Data Persamaan
(Negara/Wilayah)
R 2 = 0,72 Sungai Colorado (AS) [127]
Landsat 8 OLI 2 R ÿ 0,72 Sungai Shatt al-Arab (Irak) [189]
Indeks Salinitas 1 ÿRÿB
2 R = 0,73 Sungai Colorado (AS) [127]
Indeks Salinitas 2 Landsat 8 OLI ÿGÿB 2 R > 0,79 Sungai Shatt al-Arab (Irak) [189]
Indeks Salinitas 3 Landsat 8 OLI ÿ R2 + G2 2 R = 0,72 Sungai Colorado (AS) [127]
Indeks Salinitas 4 Landsat 8 OLI ÿ R2 + G2 + N IR2 2 R = 0,70 Sungai Colorado (AS) [127]
2 R = 0,73 Sungai Colorado (AS) [127]
Landsat 8 OLI GÿR R 2 ÿ 0,44
Sungai Shatt al-Arab (Irak) [189]
Indeks Salinitas 5
Landsat 5 TM 2 R > 0,65
Air permukaan pantai
[212]
GÿR (Bangladesh)
Landsat 8 OLI 2 R > 0,49
Indeks Salinitas 6 Landsat 8 OLI ÿ G2 ÿ N IR2 R 2 = 0,71 Sungai Colorado (AS) [127]
2 R > 0,06
Landsat 5 TM
Air permukaan pantai
B
Indeks Salinitas 7 2 R > 0,46 (Bangladesh) [212]
Landsat 8 OLI G
- ASTER B5 2 R > 0,57

B3
ÿ B7 Danau Qaroun (Mesir) [206]
RÿN IR
NDSI Landsat 8 OLI 2 R > 0,51 Delta Mekong (Vietnam) [213]
R+N IR
TDS 1 r ÿ 0,79
G + R + R1
TDS 2 r ÿ 0,00
G+RÿR1
G+R+R1
TDS 3 R1ÿB r ÿ 0,52

R1+B
r ÿ 0,79
R1 + R ÿ B
TDS 4
r ÿ 0,79 Guatinaja dan Momil
R1 + R
TDS 5 Penjaga-2 MSI lahan basah (Kolombia)
R+R1 [54]
TDS 6 SW IR1 + SW IR2
RÿR1 r ÿ 0,00
TDS 7 SW IR2 r ÿ 0,00
R = pita merah; B = pita biru; G = pita hijau; NIR = pita inframerah dekat; R1 = Pita Tepi_Merah1; SWIR1 = Gelombang pendek
Inframerah 1 pita, dan SWIR2 = Gelombang Pendek Inframerah 2 pita. B1, B2, B3, B4 singkatan dari band 1, 2, 3, 4, dan seterusnya.
Indeks TSS dan Sedimen

Indeks yang digunakan untuk estimasi indeks TSS antara lain Normalized Suspended
Indeks Material (NSMI), Indeks Sedimen Tersuspensi Perbedaan Normalisasi (NDSSI),
Band Ratio (BR), dan indeks mapan lainnya.
Nilai NSMI dan NDSSI berkisar dari ÿ1 hingga +1. Nilai NSMI yang lebih rendah sesuai
untuk air yang lebih jernih. Bila pita biru mempunyai nilai yang lebih tinggi dibandingkan penjumlahan pita merah dan hijau
pita, persamaan tersebut memberikan nilai negatif yang menunjukkan adanya air yang lebih jernih. Lebih tinggi
nilai sesuai dengan air dengan SM lebih banyak. Sedimen juga meningkatkan reflektansi
rentang spektrum hijau [198]. Namun, nilai NDSSI yang lebih tinggi menunjukkan adanya
air yang lebih jernih dan nilai yang lebih rendah menunjukkan adanya air atau tanah yang lebih keruh. Br
berkisar dari 0 hingga tak terhingga. Nilai tertinggi menunjukkan adanya suspensi lebih banyak
sedimen. Sebuah penelitian menemukan NSMI memiliki kinerja yang lebih baik dalam memperkirakan TSS dibandingkan
ke NDSSI karena panjang gelombang pita tampak yang terkait dengan NSMI lebih besar
daya tembus di permukaan air dibandingkan dengan pita inframerah [199]. Studi lain
oleh [198] memanfaatkan NSMI untuk mengidentifikasi SM dengan menggunakan Landsat 7 Enhanced Thematic Mapper
(ETM+) data satelit di pantai Cabo Rojo di Puerto Rico. Hasil diperoleh dari
NSMI dibandingkan dengan indeks lain, seperti NDSSI dan BR, dan ditemukan hal serupa
pola dan indikasi validitas hasil. Meskipun NSMI ditemukan

berhasil membedakan antara air jernih dan bahan tersuspensi dalam sebuah penelitian
dilakukan di Cabo Rojo di Puerto Rico, ia tidak dapat mengidentifikasi materi tersuspensi di dalamnya
daerah dangkal seperti terumbu karang dan rawa. Indeks spektral yang digunakan dalam literatur untuk
kajian TSS dan bentuk-bentuk terkaitnya disajikan pada Tabel 5.
Tabel 5. Indeks RS yang digunakan dalam memperkirakan TSS dan Bentuknya.
Indeks Metrik Wilayah Studi Referensi

Gambar/Data Persamaan
(Negara/Wilayah)
R 2 ÿ 0,96
Danau Mead (AS) [190]
Landsat 7 ETM+ R+GÿB
R+G+B
-
Cabo Rojo (Puerto Riko) [198]
NSMI 2 R > 0,51
Delta Barito (Indonesia) [199]
2 R > 0,70
Landsat 8 OLI Bendungan (Afrika Selatan) [200]
-
Danau Mead (AS) [190]
BÿN IR
B+N IR
-
Cabo Rojo (Puerto Riko) [198]
NDSSI Landsat 7 ETM+ 2 R = 0,01 Delta Barito (Indonesia) [199]
2 R > 0,66 Sungai Mississippi
[214]
Danau Pontchartrain (AS)
-
G Danau Mead (AS) [190]
B
Br Landsat 7 ETM+ Cabo Rojo (Puerto Riko) [198]

2 R = 0,05 Delta Barito (Indonesia) [199]
SW IRÿB
2 R > 0,70
WSRI Landsat 8 OLI 1- Bendungan (Afrika Selatan) [200]
R
G 2 R > 0,70
EGRI Landsat 8 OLI Bendungan (Afrika Selatan) [200]
C+B
N IRÿR 2 R > 0,70

NDVI Landsat 8 OLI Bendungan (Afrika Selatan) [200]
Tidak IR+R
R = pita merah; B = pita biru; G = pita hijau; NIR = pita inframerah dekat; SWIR1 = Gelombang Pendek Inframerah 1 band,
SWIR2 = Pita Inframerah Gelombang Pendek 2, dan C = Pita Pesisir.
4.2.5. Ringkasan Studi Estimasi TDS dan TSS dengan Aplikasi RS

Aplikasi RS juga telah digunakan dalam analisis dan estimasi TSS dan TDS di
badan air. Dampak konsentrasi TSS terhadap reflektansi jelas dan besar
menjadikannya salah satu parameter paling sukses untuk diukur menggunakan aplikasi RS [118].
Citra satelit dan udara telah menjadi alat yang berharga bagi para ilmuwan untuk memetakan, menilai, dan
memantau distribusi spasial sedimen tersuspensi. RS digunakan dalam kombinasi dengan in
pengukuran situ untuk menilai dan memantau distribusi WQP seperti TSM [215]. RS
indeks spektral telah digunakan dalam menentukan distribusi sedimen tersuspensi.
Algoritma regresi empiris telah digunakan dalam penentuan salinitas atau
TDS menggunakan data reflektansi yang diperoleh dari sensor optik luar angkasa seperti Landsat
5 TM, Landsat 7 ETM+, Landsat 8 OLI, dan citra satelit lainnya [44.156.216]. Garam atau
akumulasi ion mempengaruhi reflektansi radiasi elektromagnetik saat berinteraksi dengannya
air.
Sensor RS berbasis gelombang mikro yang digunakan untuk memantau salinitas termasuk STARRS, SLFMR,
dan SMMR Nimbus-7. STARRS adalah versi yang disempurnakan dari Pemindaian Frekuensi Rendah
Radiometer Gelombang Mikro. Sensor STARRS menerima data masukan dan meningkatkan salinitas
akurasi pengambilan [217]. Sensor gelombang mikro terbukti memberikan pengukuran
salinitas dan suhu laut yang akurat karena emisinya diukur dengan gelombang mikro
sistem sensitif terhadap konstanta dielektrik atau permitivitas, yang bergantung pada salinitas air
dan suhu [132]. Suhu permukaan laut dan salinitas penting dalam menentukan kepadatan air
laut yang merupakan indikator penting penggerak arus laut. Sirkulasi laut merupakan fenomena
penting untuk menganalisis keseimbangan air global, laju penguapan, dan model perkiraan
produktivitas [36]. Meskipun sensor RS efektif dalam memantau kualitas air laut, penggunaannya
di perairan tawar seperti sungai dan danau mungkin terbatas karena ukuran piksel yang sangat
besar ( resolusi spasial kasar) yang bervariasi hingga kilometer [132], yang mana lebih besar
daripada banyak sistem air tawar.
Penelitian telah melaporkan kinerja yang memuaskan menggunakan sensor gelombang mikro
untuk memperkirakan salinitas/TDS dan TSS di perairan laut. Contohnya termasuk penelitian oleh [218]
di mana data radiometer gelombang mikro yang dibawa kapal digunakan untuk mengembangkan model
atau algoritma emisi gelombang mikro permukaan laut yang lebih baik untuk mengambil salinitas
permukaan laut. Penulis menemukan root mean square error (RMSE) atau perbedaan antara salinitas
permukaan laut in situ dan yang diambil sekitar 0,4 Practical Salinity Unit (PSU) yang menunjukkan
kinerja model yang baik. Studi lain yang dilakukan oleh [219] mengukur variabilitas salinitas permukaan
laut oleh misi satelit Aquarius dan SMOS menggunakan skema asimilasi seperti yang dijelaskan oleh
para peneliti di [220] dan memperoleh RMSE <0,1 PSU antara salinitas permukaan turunan dan
salinitas permukaan lapangan di sebagian besar wilayah. lautan dengan nilai median global 0,05 PSU.
Selain itu, produk NASA Aquarius, lapangan in situ, dan Hybrid Coordinate Ocean Model (HYCOM)
digunakan untuk menilai salinitas permukaan laut dalam sebuah penelitian yang dilakukan oleh [221].
Studi ini menemukan RMSE untuk data Aquarius Level-2 dan Level-3 masing-masing sebesar 0,17
PSU dan 0,13 PSU, menggunakan analisis triple point.
Para peneliti di [55] menggunakan SAR gelombang mikro dan gambar termal serta teknik inversi
yang diterapkan pada model hamburan untuk memperkirakan WQP termasuk TDS dan salinitas dalam
SAR dan gambar termal presisi tinggi. Analisis hasil menunjukkan potensi mengidentifikasi WQP
dengan presisi unggul menggunakan sensor gelombang mikro. Para peneliti di [222] menggunakan
radiometer gelombang mikro frekuensi rendah pemindaian udara dan variabel bio-optik in situ untuk
memperkirakan WQP termasuk SS untuk Teluk Florida yang terletak di ujung selatan negara bagian
Florida, AS menggunakan hubungan atau algoritma empiris. Studi ini menemukan salinitas rata-rata
untuk stasiun teluk luar dan tengah masing-masing adalah 31,2 PSU dan 23,6 PSU . Studi ini juga
menemukan bahwa konsentrasi dan variabilitas TSS lebih besar di stasiun teluk luar dibandingkan
dengan stasiun teluk tengah. Konsentrasi TSS rata-rata tercatat masing-masing sebesar 14,4 mg/L dan
2,8 mg/L untuk stasiun teluk bagian luar dan tengah.
Komposisi anorganik masing-masing menyumbang 70% dan 15% dari beban TSS untuk stasiun teluk
luar dan tengah. Hasil dari penelitian ini menunjukkan pentingnya pengukuran salinitas dalam
menggambarkan rezim bio-optik yang berguna untuk pengembangan teknik RS warna laut regional
untuk perairan pesisir.
Estimasi TSS juga telah berhasil dilakukan di sungai, waduk, dan muara dengan
menggunakan algoritma atau analisis regresi empiris. Analisis ini dilakukan dengan pengukuran
in situ dan data reflektansi dari RS udara dan sensor optik ruang angkasa, termasuk Landsat (4
dan 5) TM, (7) ETM+, (8) OLI, dan sensor lainnya. Airborne RS menghasilkan hasil yang lebih
akurat dalam estimasi TSS di sungai dan waduk, karena lebih sedikit gangguan atmosfer, lebih
sedikit batasan waktu, dan resolusi spasial yang dapat disesuaikan [44,119,156,214,223,224].
Paragraf berikut merangkum beberapa pekerjaan yang telah dilakukan pada estimasi TSS
dan TDS menggunakan aplikasi RS.
Para peneliti di [192] menerapkan jaringan saraf empiris dalam estimasi WQP, termasuk SSC, di
Teluk Finlandia menggunakan gabungan data optik (Landsat 5 TM) dan gelombang mikro (ERS-2
SAR). Hasil menunjukkan bahwa jaringan saraf memadai dalam menggambarkan fungsi transfer
nonlinier antara sensor optik dan gelombang mikro serta parameter permukaan air dibandingkan
dengan analisis regresi. Pita optik menghasilkan R2 masing-masing sebesar 54% dan 89% untuk
analisis regresi dan jaringan saraf. Kinerja yang dilaporkan ketika pita optik dan gelombang mikro
digabungkan sedikit lebih tinggi (masing-masing 55% dan 91%, untuk analisis regresi dan jaringan
saraf). Analisis hasil juga menunjukkan adanya perbedaan RMSE antara optik dan optik/microwave
pita fusi masing-masing 0,01 mg/L dan 0,007 mg/L, untuk analisis regresi dan jaringan saraf.
Penelitian serupa oleh [179] membandingkan hasil fusi MODIS-Landsat dengan algoritma pita
tunggal untuk estimasi TSS. Algoritma yang digunakan dalam penelitian ini meliputi model
spektral berbasis Aqua-MODIS, citra Landsat dan Landsat sintetik, serta model fusi terintegrasi
kopula. Studi ini menemukan bahwa model fusi memiliki kinerja yang lebih baik dalam estimasi
TSS dalam sistem sungai dinamis dibandingkan dengan model MODIS pita tunggal karena
resolusi spasial model fusi yang lebih baik. R2 yang dilaporkan
untuk model berbasis MODIS adalah 65–77% sedangkan model fusi Landsat-MODIS
meningkat hingga 85–89%.
Para peneliti di [225] mengeksplorasi kemungkinan menggunakan pita resolusi MODIS
250 m dan 500 m pada 469 nm, 555 nm, dan 645 nm untuk pemantauan indikator kualitas air
termasuk TSS di Tampa Bay, FL, AS. Tampa Bay adalah muara perairan terbuka terbesar di
Negara Bagian Florida, AS dengan luas sekitar 910 km2 . Pengambilan sampel lapangan yang
dilakukan menunjukkan bahwa Tampa Bay memiliki perairan Case-II (perairan yang parameter
yang diteliti tidak bersifat kovariatif) dengan kisaran salinitas 24–32 PSU dan TSS 2 hingga 11
mg/L. Para penulis membuat model regresi untuk total pancaran cahaya yang diukur dengan
MODIS dan WQP, yang kemudian digunakan untuk mengembangkan peta sinoptik sedimen
tersuspensi. Penulis menemukan R2 signifikan sebesar 90% untuk ukuran sampel 31 antara
TSS dan nilai reflektansi spektral RS dari pita 645 nm gambar MODIS menggunakan regresi empiris.
Para peneliti di [226] juga menggunakan resolusi 250 m untuk memetakan konsentrasi TSM di
perairan pantai yang terletak di Teluk Utara Meksiko. Studi ini menetapkan hubungan linier antara
pengukuran TSM in situ dan pita 1 gambar MODIS Terra 250 m dengan panjang gelombang 620–
670 nm dan menemukan R2 sebesar 89% untuk ukuran sampel 52.
Para peneliti di [227] menggunakan rasio pita reflektansi untuk memperkirakan konsentrasi
materi tersuspensi dan terlarut di muara Tamar yang terletak di barat daya Inggris menggunakan
pengukuran reflektansi penginderaan jauh hiperspektral in situ. Studi ini memperoleh R2 kuat
sebesar 96% antara rasio NIR (panjang gelombang 850 nm) hingga reflektansi tampak (panjang
gelombang 550 nm) (tampak/NIR) dari compact airborne spectrographic imager (CASI) dan
konsentrasi TSM.
Para peneliti di [228] membandingkan beberapa algoritma ML termasuk ANN, SVR, hutan
acak, dan regresi kubisme untuk pengambilan WQP termasuk konsentrasi padatan tersuspensi
di perairan pesisir Hong Kong menggunakan reflektansi in situ (CROPSCAN Multispectral
Radiometer (MSR)) dan data satelit (Landsat 5 TM, Landsat 7 ETM+, dan Landsat 8 OLI).
Penulis menemukan bahwa JST merupakan model dengan akurasi tertinggi untuk memperkirakan
TSS dengan R2 masing-masing sebesar 92% dan 93% untuk data satelit dan data reflektansi
in situ.
Para peneliti di [229] menggunakan ANN untuk menyelidiki dan menilai WQP. Studi ini
menetapkan hubungan antara reflektansi dari data Landsat 5 TM untuk pita yang berbeda (yaitu
pita 1 hingga pita 7) dan WQP termasuk sedimen tersuspensi untuk Waduk Berang-berang
yang berlokasi di Arkansas, AS. Waduk Berang-berang merupakan sumber utama air minum
bagi lebih dari 300.000 orang di bagian barat laut negara bagian Arkansas dengan luas
permukaan 103 km2 dan kedalaman berkisar antara 18 hingga 60 m. Studi ini pertama-tama
melakukan regresi linier terhadap kombinasi pita yang disebut sebagai indeks dan menemukan
prediksi moderat untuk estimasi sebagian besar indeks yang menggunakan tiga pita pertama
(nilai R 0,21 hingga ÿ0,69). Analisis lebih lanjut dilakukan dengan memasukkan nilai pita dan
indeks ke dalam model ANN untuk memperkirakan WQP. Model ANN menghasilkan efisiensi
sebesar 81,6% hingga 98,2% untuk estimasi sedimen tersuspensi dengan efisiensi tertinggi
berasal dari model ANN yang menggunakan pita 1 hingga 4. Model ini dilatih dengan efisiensi sebesar 98
Para peneliti di [214] mengembangkan indeks berbasis RS dari Landsat 7 ETM+ untuk memperkirakan
dan memetakan SSC di lingkungan sungai dan danau di AS. Studi ini mengeksplorasi kemungkinan
penggunaan citra RS Landsat untuk memperkirakan koefisien yang selanjutnya dapat memprediksi SSC
pada periode ketika pengukuran lapangan di tempat menjadi tidak mungkin dilakukan karena kejadian
ekstrem dengan menggunakan hubungan atau algoritma empiris. Penulis menemukan model dengan
Mississippi
hubungandankekuasaan
R menghasilkan 2 dari 73,8% yang menunjukkan potensi estimasi SSC untuk Sungai
Danau Pontchartrain terletak di Louisiana, AS untuk acara pembukaan Bonnet Carre Spillway dan sebelum
dan sesudah Badai Katrina. Hasilnya dibandingkan dengan simulasi dari CCHE2D: model numerik yang
dikembangkan oleh National Center for Computational Hydroscience and Engineering (NCCHE) untuk
simulasi aliran turbulen tak tunak. Hasilnya sesuai secara kuantitatif dan kualitatif [214].
Para peneliti di [230] mengambil konsentrasi TSM dan klorofil-a menggunakan Satelit
Penginderaan Jauh India (IRS-P6). Analisis data kualitas air dan sinyal pancaran yang diterima
satelit menggunakan regresi empiris dan model atau algoritma ANN.
Hasil penelitian menunjukkan bahwa model empiris menghasilkan R2 sebesar 94% untuk TSM.
Akurasi kinerja meningkat secara signifikan dengan model ANN dengan R2 sebesar 98% untuk
konsentrasi TSM . RMSE yang dihasilkan masing-masing sebesar 15% dan 7,5% untuk model
empiris dan ANN. Para peneliti di [102] mengembangkan sistem peringatan dini berbasis RS untuk
memantau konsentrasi TSS di Danau Mead yang terletak di daerah langka air di AS. Studi ini
menerapkan kemampuan fusi dan penambangan data terintegrasi (IDFM) untuk mengembangkan
sistem pemantauan hampir real-time untuk prediksi harian konsentrasi TSS. Studi ini selanjutnya
menerapkan model yang disebut model input jaringan saraf autoregresif nonlinier (NARXNET)
untuk peramalan rangkaian waktu konsentrasi TSS menggunakan teknik IDEFM.
Prakiraan ini menunjukkan tidak ada pengaruh langsung kejadian kebakaran hutan dalam mempercepat
peningkatan konsentrasi TSS. Namun studi tersebut menemukan kemungkinan dampak kekeringan
terhadap peningkatan konsentrasi TSS di Overton dan Colorado River Arms di Danau Mead.
Para peneliti di [231] menerapkan teknik GIS dan RS untuk memantau beberapa WQP
termasuk TDS dan TSS menggunakan regresi linier empiris di Danau Al-Habbaniyah, Irak. Para
penulis membandingkan hasil penginderaan jauh dari Landsat 8 OLI dengan pengukuran in situ
dan melaporkan variasi masing-masing 147–1520 mg/L dan 68–3200, untuk TDS dan TSS. Hasil
menunjukkan kemungkinan korelasi yang signifikan antara pita 2 dan 3 dengan TDS untuk musim
gugur dan musim panas. TSS kemungkinan memiliki korelasi kuat dengan pita 2 selama musim
gugur. Studi ini memperkirakan r tertinggi di TDS (0,94 pada p = 0,016) dan r tertinggi (0,73 pada
p = 0,158) untuk reflektansi pita 2.
Para peneliti di [166] melakukan penelitian untuk mengukur SS permukaan sungai di
sepanjang garis pantai yang didominasi sungai di Louisiana, AS menggunakan model statistik
termasuk algoritma atau teknik korelasi, linier dan nonlinier. Studi ini menggunakan data yang
diperoleh oleh NOAA AVHRR dan sensor warna laut Orbview-2 SeaWiFS. Sampel pengukuran
lapangan yang digunakan dalam penelitian ini diperoleh dengan menggunakan helikopter, perahu
kecil, dan alat pengambilan sampel air otomatis dalam waktu beberapa jam dari jembatan layang
satelit. Studi ini menggunakan pengukuran satelit dan lapangan untuk mengembangkan model
statistik untuk estimasi sedimen tersuspensi dekat-SS dan permukaan. Analisis menunjukkan
bahwa NOAA AVHRR Channel 1 (580–680 nm), Channel 2 (725–1100 nm), dan SeaWiFS Channel
6 (660–680 nm) dengan model kubik, linier, dan daya masing-masing merupakan model terbaik.
untuk prediksi SSC permukaan. SeaWiFS Channel 5 (545–565 nm) ternyata memiliki kinerja yang
buruk. Para penulis mengaitkan kinerja yang lebih rendah ini dengan beberapa alasan, termasuk
jenis teknik koreksi atmosfer yang diterapkan, dangkalnya kedalaman sampel air yang dikumpulkan,
dan efek penyerapan dari unsur air non-sedimen.
Para peneliti di [169] mengembangkan algoritma empiris menggunakan RS hiperspektral. Spektrum
reflektansi radiasi air diperoleh dengan radiometer spektro ganda Ocean Optic 2000 (USB2000) dengan
ukuran sampel 53 dan sekitar 2000 pita dan interval pengambilan sampel serta resolusi spektral masing-
masing sekitar 0,3 nm dan 1,5 nm. Penelitian dilakukan di Sungai Patuxent, anak sungai besar Chesapeake
Bay di Amerika dengan luas daerah aliran sungai 2.427 km persegi. Studi ini mengembangkan model
empiris menggunakan reflektansi air untuk pengambilan WQP termasuk TSS dan menemukan bahwa
rasio pita spektral hijau dan biru merupakan prediktor terbaik TSS (R2 sebesar 75%).
Para peneliti di [180] menggunakan algoritma yang kuat untuk memperkirakan TSS di
perairan pesisir daratan dan dekat pantai menggunakan pendekatan Statistik, properti Optik
bawaan (IOP), dan prosedur Inversi muLti-kondisional (SOLID) yang dikembangkan dari
semi-analitis, ML , dan model empiris. Untuk mendemonstrasikan kinerja model SOLID, model
diimplementasikan untuk gambar yang diperoleh oleh MultiSpectral Imager di atas kapal Sentinel-2A/
B di atas Teluk Chesapeake, Muara San-Francisco-Bay-Delta, Danau Okeechobee, dan Danau Taihu.
Telah ditetapkan bahwa pendekatan SOLID mempunyai potensi untuk menghasilkan produk TSS di
perairan pesisir dan perairan pedalaman global. Untuk mendapatkan produk TSS multi-misi yang
konsisten, kinerja model diperluas dan dievaluasi untuk misi satelit lainnya termasuk OLCI, Landsat
8 OLI, MODIS, dan VIIRS. Hasil yang diperoleh dari analisis statistik menunjukkan model SOLID
meningkatkan kinerja pengambilan yang ditawarkan oleh lima metode pengambilan TSS yang banyak
digunakan untuk global dan semua jenis air. Membandingkan hasil dengan model lain yang digunakan
dalam penelitian lain menunjukkan peningkatan pada model SOLID dibandingkan model lainnya.
Misalnya untuk perairan global, kinerja statistik model SOLID memiliki median kesalahan persentase
absolut (MAPE) sebesar 49%, akar rata-rata kesalahan logaritma kuadrat sebesar 0,32, kesalahan
absolut rata-rata (MAE) yang dihitung dalam ruang log sebesar 1,81, dan residu log-transformed
(bias) sebesar 1,09 dibandingkan dengan MAPE, MAE, RMSE, Bias masing-masing sebesar 58,82%,
2,56, 0,53, dan 0,50, diperoleh [226], MAPE, MAE, RMSE, Bias sebesar 59,74%, 2,31, 0,46, dan 1,26
diperoleh masing-masing [215,226], MAPE, MAE, RMSE, Bias masing-masing sebesar 57,71%, 2,17,
0,41, dan 0,70 diperoleh Petus dkk. (2010), MAPE, MAE, RMSE, Bias masing-masing sebesar
68,38%, 2,28, 0,46, dan 1,60, diperoleh [148] dan MAPE, MAE, RMSE, Bias masing-masing sebesar
52,73%, 1,92, 0,35, dan 1,27 , diperoleh [138].
Para peneliti di [232] mengevaluasi kinerja radiometrik dan spasial data GF-1 Wide Field
Imager (WFI) resolusi tinggi Tiongkok untuk memantau SPM menggunakan model inversi dan
regresi. Hasil yang diperoleh dari data GF-1 dibandingkan dengan keluaran dari pita resolusi
Landsat 8 OLI dan MODIS (250 dan 500 m). Konsistensi yang tinggi dalam sebaran spasial
dan konsentrasi peta SPM terlihat antara data GF-1 dan Landsat 8 OLI. Lebih dari 75%
variasi spasial dalam kekeruhan diselesaikan oleh GF-1 sementara hanya 40% diselesaikan
oleh pita MODIS dengan resolusi 250 m.
Para peneliti [233] menggunakan NDVI untuk menilai bagaimana kondisi daerah tangkapan air
bervariasi di dalam dan di seluruh daerah tangkapan sungai di Zimbabwe. Penelitian ini menggunakan
regresi non-linier untuk memeriksa apakah NDVI berhubungan secara signifikan dengan tingkat TSS.
Hasil analisis menunjukkan hubungan lengkung negatif yang konsisten antara NDVI yang diperoleh
dari Landsat 8 OLI dan TSS yang diukur di seluruh daerah tangkapan air yang diteliti. Sebanyak 98%
variasi TSS dijelaskan oleh NDVI di daerah tangkapan air yang lebih kering dan 64% variasi TSS
dijelaskan oleh NDVI di daerah tangkapan air yang lebih basah pada tingkat signifikansi 0,05.
Hasilnya menunjukkan hubungan lengkung negatif yang konsisten antara NDVI yang diturunkan dari
Landsat 8 OLI dan TSS yang diukur di seluruh daerah tangkapan yang diteliti.
Para peneliti di [234] melaporkan hubungan linier antara reflektansi dan TSS pada
konsentrasi 1 hingga 500 mg/L untuk penelitian yang dilakukan di daerah tangkapan air
Didipio yang terletak di wilayah utara Filipina dengan luas permukaan 39,25 km2 menggunakan
citra penginderaan jauh dan model regresi empiris. Daerah tangkapan airnya terdiri dari tujuh
sungai (yakni Sungai Dupit, Alimit, Surong, Camgat, Camgat-Surong, Didipio, dan Dinauyan).
Para penulis menemukan bahwa reflektansi meningkat pada tingkat yang lebih rendah dan bervariasi
dalam rentang konsentrasi 500 hingga 3580 mg/L. Penelitian ini menggunakan tiga sensor satelit yang
berbeda yaitu RapidEye beresolusi 5 m, citra Pleiades-1A beresolusi 2 m, dan citra SPOT 6 6 m. Studi ini
menemukan konsistensi dalam model yang dikembangkan dengan data pita merah untuk berbagai
gambar dan melaporkan nilai R2 sebesar 65% untuk ketiga sensor.
Para peneliti di [235] menggunakan sensor Landsat 7 ETM+ dan Landsat 8 OLI untuk
memantau WQP, termasuk TSM di Waduk Qaraoun yang kaya nutrisi (hipereutrofik) di Lebanon.
Daerah penelitian mempunyai luas permukaan dan kedalaman median yang bervariasi masing-masing
dari 4 sampai 10 km persegi dan 10 sampai 20 m. Waduk ini memiliki kedalaman maksimum 45 m.
Studi ini mengembangkan algoritma empiris untuk mengukur parameter yang diinginkan. Secara
umum, sensor ETM+ mengalami peningkatan kinerja dibandingkan dengan sensor OLI untuk penelitian
ini. R2 adalah 81% untuk model ETM+ dan 58% untuk model berbasis OLI. Hasilnya mengkonfirmasi
efektivitas penggunaan model berbasis Landsat untuk mengukur WQP di reservoir hipereutrofik semi-
kering, yang memberikan peluang untuk meningkatkan cakupan data spatiotemporal dengan biaya yang efektif.
Para peneliti di [200] menggunakan indeks spektral Landsat 8 OLI RS dan model regresi empiris
untuk memetakan SS di berbagai bendungan yang berlokasi di Afrika Selatan. Bendungan tersebut
antara lain Bendungan Spring Grove, Bendungan Midmar, Bendungan Nagle, Bendungan Albert Falls,
dan Bendungan Inanda. Indeks yang dipertimbangkan dalam penelitian ini adalah NSMI, WSRI, NDVI,
dan EGRI. NSMI merupakan indeks yang paling efektif di antara indeks-indeks yang diteliti untuk
pemetaan SS di wilayah studi. Indeks spektral lain dalam inframerah gelombang pendek tampak juga
menghasilkan estimasi yang masuk akal (R2 sebesar 70% pada p <0,05). NSMI menunjukkan akurasi
yang lebih besar untuk pemetaan WQP, dibandingkan dengan indeks spektral dua pita. Para penulis
merekomendasikan untuk membandingkan hasil ini dengan indeks lain yang berasal dari gambar
resolusi tinggi seperti Sentinel-2 dan Ziyuan-3.
Para peneliti di [236] mengambil dan memetakan klorofil-a dan TSS menggunakan gambar
Sentinel-2A dan model Cubist ML. Sampel air yang digunakan dalam penelitian ini dikumpulkan dari
reservoir air di bagian selatan Republik Ceko di Eropa Tengah. Para penulis melaporkan R2 sebesar
80% untuk prediksi TSS yang akurat. Studi ini menemukan perubahan temporal yang dramatis pada
nilai TSS di kolam ikan dibandingkan dengan danau pasir. Perbedaan praktik pengelolaan di badan air
ini terkait dengan perubahan dramatis pada perairan tersebut
Nilai TSS dari waktu ke waktu.
Para peneliti di [208] menilai dampak LULC terhadap kuantitas dan kualitas air tanah di
Kota Ajman dan wilayah sekitarnya yang terletak di Uni Emirat Arab (UEA). Studi ini
mengkorelasikan Spectral Angle Mapper (SAM) dan NDVI dari Landsat 7 ETM+ dan Landsat
8 OLI dengan WQP termasuk TDS. Analisis luasan spasial menunjukkan penurunan tajam
kualitas dan kuantitas air tanah terkait dengan peningkatan LULC. Rata-rata TDS yang
dilaporkan sekitar 24.210,5 mg/L dengan kedalaman airtanah 14,8 m selama 15 tahun.
Para peneliti di [157] menggunakan indeks NDWI dari gambar Landsat 8 OLI sebagai alat yang efektif untuk menentukan
WQP permukaan termasuk konsentrasi TDS dan TSS menggunakan model berbasis regresi bertahap untuk Sungai Bijayapur
yang mengalir melalui Pokhara di Nepal. Konsentrasi TDS yang dilaporkan berkisar antara 244 hingga 1145 mg/L sedangkan
konsentrasi TSS berkisar antara 0 hingga 750 mg/L.
Para peneliti di [237] menggunakan Landsat 8 OLI dan analisis regresi maju untuk
mengembangkan model estimasi WQP termasuk TDS dan TSS di Sungai Tubay yang
terletak di Filipina. Studi ini menemukan R2 sebesar 96,8% untuk TDS dan ÿ24,4% untuk model regre
Studi lain oleh [238] mengembangkan algoritma regresi empiris untuk menilai WQP, seperti TDS,
EC, dan suhu air, di sungai Tigris dan Eufrat di Irak dengan menggunakan Landsat 5 TM. Stasiun yang
digunakan untuk pemantauan kualitas air terletak di kota Diyala dan Baghad di sepanjang 120 km
aliran Sungai Tigris, serta kota Ramadi dan Karbala di sepanjang 277 km aliran Sungai Eufrat. Model
yang dikembangkan menunjukkan adanya korelasi yang signifikan antara model dengan WQPs dengan
R2 > 0,83. TDS yang diukur dan diprediksi berkisar antara 350 hingga 550 mg/L.
Para peneliti di [203] juga menetapkan korelasi antara indeks ekstraksi air Landsat 8 OLI dan
WQP termasuk TDS dan TSS untuk Sungai Tigris untuk periode tipe berbeda dan menemukan korelasi
sebesar ÿ0,808 antara TDS dan WRI dan r sebesar 0,651 untuk TSS dan AWEI untuk sampel
dikumpulkan pada 11 Mei 2017 di lima stasiun di aliran sungai selebar 15–20 m. Konsentrasi TDS yang
diukur di lapangan berkisar antara 450 hingga 646 mg/L sedangkan TSS berkisar antara 16 hingga 54
mg/L untuk lima stasiun pada tanggal tersebut.
Para peneliti di [239] mengkorelasikan nilai pita sensor Landsat 8 OLI yang berbeda dengan TDS
yang diukur dan membuat model regresi untuk estimasi TDS. Para penulis menyelidiki penggunaan
Angka Digital (DN) dari gambar Landsat 8 OLI yang dikoreksi secara atmosferik dalam memperkirakan
TSS dan TDS di Danau Bendungan Mosul yang terletak di Irak menggunakan koreksi linier antara nilai
reflektansi dan pengukuran lapangan in situ. Pita 1, 5, dan 6 ditemukan berkorelasi dengan TSS untuk
musim panas, musim semi, dan musim gugur, sedangkan pita 3, 6, dan 7 berkorelasi signifikan dengan
TDS untuk musim gugur, musim panas, dan musim semi. Nilai R2 tertinggi sebesar 31% dan 41%
diperoleh masing-masing untuk TSS dan TDS pada bulan Juli.
Para peneliti di [26] menggunakan beberapa model ML untuk memperkirakan WQP termasuk
TDS di Danau Tana yang terletak di Dataran Tinggi Tropis Ethiopia, menggunakan gambar Landsat 8 OLI.
Penulis menemukan bahwa regresi hutan acak merupakan model dengan kinerja terbaik
untuk estimasi TDS, yang memiliki kinerja terbaik untuk TDS R2 , NSE, MARE, dan RMSE
masing-masing sebesar 79%, 0,80, 0,082, dan 12,30 mg/L, untuk ciri-ciri seperti hasil (B4 +
B3)/2, (B4 + B2)/2, (B3 + B2)/2, dan (B2 + B3 + B4)/3.
Para peneliti di [240] menilai kualitas air Sungai Beas di India menggunakan citra
Landsat 5 TM melalui aplikasi multivariat dan RS untuk musim sebelum dan sesudah musim hujan.
Mereka menetapkan bahwa TDS berkorelasi positif dengan pita hijau dan negatif terhadap pita
merah, menggunakan regresi linier berganda dan analisis regresi ÿ. Terdapat juga korelasi
yang sangat signifikan antara nilai prediksi dan observasi dari ANN untuk parameter yang
diukur pada p <0,001. Namun penelitian tersebut tidak melaporkan R2
nilai yang diperoleh.
Para peneliti di [189] menggunakan pita reflektansi dan kombinasi pita yang disebut indeks
salinitas dalam memperkirakan TDS di Sungai Shatt al-Arab di Irak menggunakan regresi linier sederhana.
TDS terukur berada dalam kisaran 800 hingga lebih dari 37.000 mg/L. Nilai R yang dilaporkan
dalam penelitian ini berada dalam kisaran 0,70 hingga 0,97 dengan R2 berada dalam kisaran
56 hingga 94% antara pengukuran in situ dan data spektral Indeks Salinitas 2. Indeks Salinitas
2 adalah akar kuadrat dari produk hijau dan pita biru dari Landsat 8 OLI.
Para peneliti di [54] juga menggunakan indeks spektral RS untuk memperkirakan TDS di
lahan basah air tawar Guartinaja dan Momil yang terletak di Kompleks Lahan Basah Bajo Sinú,
Kolombia Utara. Penulis menggunakan gambar Sentinel-2 dalam membuat model regresi
empiris untuk estimasi TDS. Konsentrasi TDS yang diukur di lapangan berkisar antara 154–
218 mg/L. Penelitian ini menggunakan sepuluh pita spektral dari gambar Sentinel-2 dan 11
indeks yang telah digunakan dalam literatur untuk estimasi air, vegetasi, atau tanah, dan 2
indeks yang dikembangkan oleh penulis. Model ini bekerja dengan akurasi tinggi dengan
RMSE ternormalisasi yang tercatat <10%.
Para peneliti di [241] mengambil konsentrasi TDS dari WQP seperti TSS yang diperoleh dari air
minum, air tanah, dan air permukaan untuk penelitian yang dilakukan di komunitas pertambangan
Tarkwa yang berlokasi di Ghana menggunakan model seperti regresi proses Gaussian, regresi
komponen utama, dan saraf propagasi mundur. model jaringan. Hasil penelitian menunjukkan rata-
rata R2 , RMSE, dan MAE masing-masing sebesar 98,7%, 4,090 mg/L, dan 7,910 mg/L.
Selain itu, para peneliti di [242] juga menggunakan Sentinel-2 dan Landsat 8 OLI yang
digabungkan dengan model ANN untuk mengambil dan memetakan variabilitas salinitas
spatiotemporal di Danau Urmia di Iran. Hasil model JST dibandingkan dengan keluaran dari
Sistem Inferensi Fuzzy berbasis Jaringan Adaptif dan model regresi linier berganda. Temuan
menunjukkan bahwa ANN lebih unggul dalam pengambilan konsentrasi salinitas dari reflektansi
air permukaan secara akurat dengan R2 yang diperoleh sebesar 94%.
Ringkasan penelitian yang dilakukan untuk mengambil TSS yang aktif secara optik dan TDS
yang tidak aktif secara optik menggunakan aplikasi RS dan model statistik dan pembelajaran mesin,
atau algoritma dan tingkat akurasi yang ditetapkan disajikan pada Tabel 6 dan 7.
4.2.6. Kelebihan dan Kekurangan Metode RS untuk Mengukur TDS dan TSS
Konsentrasi TDS dan TSS dalam air adalah beberapa dari banyak fenomena lingkungan
yang dapat dipantau secara efisien menggunakan teknik RS yang mutakhir, modern, dan
canggih . Penggunaan RS untuk mengukur dan memantau TDS dan TSS telah memberikan
hasil yang menjanjikan dalam penilaian kualitas air [34,40,129,189,190,198,239]. Namun,
beberapa keterbatasan dan kesulitan harus diperhatikan, seperti halnya teknologi apa pun.
Kekuatan dan kelemahan ini dirangkum dalam Tabel 8 [2,10,36,124].
Tabel 6. Model Aplikasi RS untuk Pengambilan dan Estimasi TDS/Salinitas Beserta Bentuknya.
Sensor/Data Metrik Wilayah Studi Referensi

Model/Algoritma
(Negara/Wilayah)
ASTER Empiris R 2 > 0,50 Danau Qaroun (Mesir) [206]
Landsat 8 OLI ml 2 R = 0,79 Danau Tana (Etiopia) [26]
Perairan Permukaan Pesisir

Landsat 8 OLI Empiris 2 R > 0,00 [243]
(Bangladesh)
Perairan Permukaan Pesisir
Landsat 5 TM, 8 OLI Empiris 2 R ÿ 0,76 [212]
(Bangladesh)
Landsat 8 OLI Empiris R 2 ÿ 0,62 Sungai Colorado (AS) [127]
Landsat 8 OLI 2 R ÿ 0,83

Danau Al-Habbaniyah
Empiris [231]
(Irak)
Penjaga-2 MSI R 2 > 0,70 Guatinaja, Momil

Empiris [54]
lahan basah (Kolombia)
Landsat 8 OLI Empiris 2 R > 0,84 Bendungan Gorano (Pakistan) [244]
Landsat 8 OLI, Sentinel-2 MSI, Göktürk-2 ml R 2 ÿ 0,51 Danau Gala (Turki) [245]
Sungai Shatt al-Arab

Landsat 8 OLI Empiris R 2 > 0,55 [189]
(Irak)
DAS Karun
Landsat 8 OLI Empiris, ML R 2 ÿ 0,68 [246]
(Iran)
Laut Kuning Selatan
GOCI Empiris PMARE = 0,75% (Cina, Utara dan [247]
Korea Selatan)
Teluk Arab
Landsat 8 OLI Empiris 2 R ÿ 0,60 [248]
(Timur Tengah)
Landsat 5 TM R 2 = 95 Tigris dan Efrat

Empiris [238]
Sungai (Irak)
- RMSE ÿ 0,4 PSU [218]
Radiometer gelombang mikro yang dibawa kapal Laut Cina Timur (Tiongkok)
Landsat 8 OLI 2 R > 0,96

Sungai Tubay
Empiris [237]
(Filipina)
IRS LISS III Empiris 2 R > 0,46 Sungai Gomti (India) [249]
Landsat 8 OLI Empiris R 2 > 0,13 Danau Bendungan Mosul (Irak) [239]
Tabel 7. Model Aplikasi RS untuk Pengambilan dan Estimasi TSS dan Bentuknya.
Sensor/Data Model/Algoritma Metrik Wilayah Studi (Negara/Wilayah) Referensi
Multispektral Kendaraan Udara Tak Berawak (AV). 2R > 0,60

ANN, Empiris Danau di Universitas Unisinos (Brasil Selatan) [202]
gambar, Landsat 8 OLI
Landsat 5 TM, Landsat 8 OLI, dan Cina Wen, Nechad, dan

2R > 0,88 Sungai Min (Cina) (TSS) [250]
GaoFen-1 (GF-1) Bidang Pandang Lebar (WFV) Algoritma Novoa
Landsat 5 TM Empiris 2R > 0,23 Danau Reelfoot, Tennessee (AS) [119]
Danau Kasumigaura, Suwa, Akan (Jepang),

R 2 ÿ 0,25 Danau Taihu (Cina), Gurun Lac Vieux, Danau
MERIS, OLCI Semi-analitis [251]
Winnebago, Poygan, Winneconne, Teluk Hijau
Danau Michigan (Amerika Utara)
Landsat 8 OLI Empiris R 2 ÿ 0,71 Penahanan bendungan (Afrika Selatan) [200]
Penjaga-2 MSI Empiris 2R = 0,85 Sungai Negro, Cekungan Amazon (Brasil) [137]
Landsat 8 OLI, MODIS - R 2 ÿ 0,40 [232]

Danau Poyang (Cina)
Landsat 5 TM Model semi-analitis R 2 ÿ 0,51 Teluk Bohai (Cina) [135]
Optik Laut 2000 2R = 0,75

Empiris Teluk Chesapeake (AS) [169]
spektroradiometer (USB2000)
Landsat 8 OLI Empiris 2R ÿ 0,87 Danau Al-Habbaniyah (Irak) [231]
Landsat 7 ETM+ 2R > 0,66 Sungai dan Danau Mississippi

Empiris [214]
Pontchartrain (AS)
TITIK 6 Empiris 2R = 0,65 Daerah tangkapan air Didipio (Filipina) [234]
MODIS 2R = 0,89 Danau Pontchartrain, Sungai Mississippi,

Empiris [226]
Suara Mississippi (AS)
MODIS Empiris PMARE = 25,5% Sungai Yangtze (Cina) [134]
Landsat 5 TM, Landsat 7 EM+, MODIS Empiris R 2 ÿ 0,13 Sungai Yangtze (Cina) [252]
MODIS Jaringan syaraf 2R > 0,60 Laut Bohai, Laut Kuning, Laut Cina Timur (Tiongkok) [253]
R 2 ÿ 0,17 Danau Trasimeno, Maggiore,

Landsat 9 OLI-2, Sentinel-2 Model Bio-Optik [181]
dan Mantova (Italia)
Berbasis kopula ditingkatkan R 2 ÿ 0,31

MODIS, Landsat 8 OLI Sungai Hooghly (India) [179]
nonlinier
R 2 ÿ 0,71 Sungai Monobe (Jepang), Sungai Altamaha (AS),

ALOS/AVNIR-2 Empiris [183]
Sungai St. Mary (AS)
DAFTAR-200x dan Multiparameter EXO2 2R

Empiris ÿ 0,67 Wilayah pesisir [254]
Sensor sonde
Landsat 7 ETM+, Landsat 8 OLI Empiris R2 ÿ 0,16 Waduk Qaraoun (Lebanon) [235]
Landsat 8 OLI Empiris R 2 ÿ 0,64 Tiga puluh dua sub-DAS (Zimbabwe) [233]
Landsat 5 TM Jaringan syaraf R 2 > 0,90 Waduk Berang-berang (AS) [229]
MODIS Empiris R 2 > 0,80 Green Bay Danau Michigan (AS) [255]
Penjaga-2 MSI Semi empiris R 2 ÿ 0,63 Aliran Utama Yangtze (Cina) [131]
MODIS Empiris, ML 2R > 0,27 Teluk Chesapeake (AS) [129]
KASI Empiris 2R > 0,84 Muara Tamar (Inggris) [227]
Landsat 8 OLI Empiris R 2 > 0,73 Sungai Orinoco (Venezuela) [256]
OLCI
Landsat 4,5 TM, 7 ETM+, 8 OLI Empiris R 2 ÿ 0,58 Muara dan Pesisir (Cina) [257]
HJ-1A/CCD Cina Semi-analitis R 2 > 0,66 Muara Sungai Oujiang (Cina) [258]
MODIS Empiris R 2 = 0,90 Teluk Tampa (AS) [225]
Sentinel-2A MSI Semi empiris, ML 2R = 0,80 Waduk Air (Republik Ceko) [236]
Landsat 8 OLI AI 2R > 0,93 Sungai Saint John (Kanada dan AS) [259]
Sentinel-2 A/B MSI Empiris 2R > 0,13 Muara Sado (Portugal) [93]
Landsat 8 OLI Empiris R 2 > 0,10 Danau Bendungan Mosul (Irak) [239]
IRS LISS III Empiris R 2 > 0,23 Sungai Gomti (India) [249]
Landsat 8 OLI, Sentinel-2 MSI, Göktürk-2 ml R 2 ÿ 0,64 Danau Gala (Turki) [245]
Empiris, R 2 ÿ 0,81
Landsat 8 OLI, Sentinel-2 MSI Waduk Hedi (Cina) [34]
Semi empiris
HICOTM Semi empiris R 2 = 0,85 Laut Adriatik Utara [260]

Tabel 8. Kekuatan dan keterbatasan aplikasi RS dalam mengukur dan memantau TDS dan TSS.
Kekuatan Keterbatasan
Memberikan gambaran sinoptik dari seluruh badan air Akurasi mungkin terbatas
Akses mudah dan akuisisi open source Gambar mungkin terpengaruh oleh gangguan atmosfer
Pemantauan WQP pada cakupan skala spatiotemporal yang besar Akurasi mungkin dipengaruhi oleh resolusi tersebut
Hemat biaya dan tenaga kerja Membutuhkan pengetahuan tentang pemrosesan dan analisis data
Gudang gambar sejarah untuk studi kualitas air Membutuhkan komputer berspesifikasi tinggi untuk pengunduhan dan penyimpanan besar
Kelebihan dan kekurangannya dijelaskan lebih lanjut pada paragraf di bawah ini:
Kekuatan
Aplikasi RS memungkinkan pemantauan WQP termasuk TDS dan TSS dalam skala spatiotemporal
yang besar. Dengan RS, perubahan dalam WQP ini dipantau dari waktu ke waktu dan di area yang
luas dan pada jarak yang sangat jauh mulai dari ratusan hingga ribuan mil dibandingkan dengan
pendekatan pengambilan sampel yang spesifik pada titik tertentu. Selain itu, RS dapat memfasilitasi
studi WQP ini di wilayah yang sulit diakses atau tidak dapat diakses, seperti wilayah terpencil,
berbahaya, atau sensitif secara politik. RS juga memudahkan untuk mengidentifikasi sumber, rute, dan
penyerap sedimen serta parameter lain pada badan air di wilayah tersebut [2,13,36,124,239].
Gambar RS yang digunakan untuk memantau WQPS ini berkisar dari resolusi rendah, sedang
hingga tinggi yang diperoleh dari Landsat, RapidEye, SPOT, MODIS, MERIS, Advanced Wide Field
Sensor (AWiFS), dan Sentinel-2, dan banyak lainnya. Gambar dengan resolusi spasial tinggi yang
diambil memungkinkan deteksi TDS dan TSS secara akurat dibandingkan dengan metode konvensional
[2,34,36,40,127,134,190].
Sebagian besar gambar RS dapat diakses oleh publik, data sumber terbuka yang dapat diperoleh
pengguna secara gratis atau dengan biaya rendah. Beberapa gambar seperti Landsat berasal dari
tahun 1970-an dan telah digunakan secara luas untuk memperkirakan TSS dan TDS dalam beberapa
penelitian, mungkin karena gambar tersebut mudah diakses dan tidak memerlukan biaya apa pun .
Aplikasi RS membantu mengurangi peralatan dan reagen laboratorium yang memakan banyak biaya
[167,189,200,239]. Dengan menggunakan data gambar Landsat, pengguna telah menghemat sekitar
USD 3,45 miliar pada tahun 2017, dengan lebih dari setengah jumlah pengguna di Amerika Serikat
[261]. Citra Landsat telah digunakan dalam penilaian regional historis dan kontemporer di berbagai
WQP untuk menilai kejernihan air [262].
Ketika digunakan bersama dengan pengukuran lapangan konvensional, RS dapat digunakan
untuk mengembangkan algoritma dan model untuk estimasi akurat konsentrasi TDS dan TSS bahkan
di daerah terpencil dan tidak dapat diakses dan secara real-time. Selain itu, metode pengukuran
konvensional rentan terhadap kesalahan yang disebabkan oleh penyimpanan sampel, transportasi,
dan analisis yang dapat dikurangi dengan aplikasi RS. RS dengan demikian menawarkan mekanisme
non-invasif yang tidak memerlukan pengambilan sampel air secara fisik, sehingga mengurangi
kesalahan yang terkait dengan penyimpanan sampel, transportasi, dan analisis [2,189,251].
Kekurangan
Penerapan RS dalam pengambilan WQP seperti TDS dan TSS bisa jadi cukup
menantang, terutama di perairan dangkal di mana level parameter yang diambil dapat
sangat dipengaruhi oleh kontribusi sinyal bentik terhadap sinyal reflektansi keseluruhan,
sehingga memerlukan koreksi khusus. algoritma yang mempertimbangkan pengaruh
reflektansi bawah untuk meningkatkan akurasi estimasi WQP. Faktor lain dari badan
air dangkal yang juga dapat mempengaruhi keakuratan pengambilan TDS dan TSS
termasuk kedalaman dasar, jenis, dan substrat yang bervariasi yang berpotensi
mempengaruhi karakteristik hamburan dan penyerapan sinyal cahaya [263,264].
Keakuratan WQP yang diambil di perairan transisi seperti muara mungkin juga kurang
berhasil karena tingginya kompleksitas optik perairan ini ditambah dengan kedekatannya denga
Selain itu, keakuratan data yang diperoleh mungkin dipengaruhi oleh faktor atmosfer seperti itu
seperti tutupan awan dan kabut, yang merupakan kelemahan serius penggunaan RS untuk memantau WQP
seperti TDS dan TSS. Jauh lebih sulit untuk mendapatkan data akurat dengan teknologi RS di wilayah yang
memiliki tutupan awan teratur atau tingkat polusi udara yang signifikan [2,124,265].
RS mungkin tidak selalu menghasilkan tingkat detail yang diperlukan untuk pengukuran TDS dan TSS
yang tepat karena resolusi citra dan data yang dikumpulkan dapat dibatasi oleh ketinggian platform yang
digunakan untuk pengumpulan data sehingga dapat menimbulkan tantangan dalam pemantauan dan pengukuran
parameter seperti TDS dan TSS di badan air dengan garis pantai yang rumit atau daerah yang sangat
terlokalisasi [266].
Kelemahan lain penggunaan RS dalam pengukuran TDS dan TSS adalah kesulitan dalam
membedakan komponen total padatan tersebut. TSS adalah parameter aktif optik yang dapat dengan
mudah dideteksi dengan sensor optik, TDS sulit diperoleh secara akurat dari platform RS. Mereka
diperkirakan dari gambar RS karena hubungannya dengan WQP berwarna yang mungkin berbeda-beda
[2,36,267].
Meskipun sebagian besar gambar RS tersedia tanpa biaya, ada beberapa gambar, khususnya
gambar hiperspektral, yang memerlukan pembayaran untuk penggunaan gambar tersebut. Biaya yang
terkait dengan sensor udara yang dipasang di pesawat untuk memperoleh gambar RS mungkin sangat
tinggi dan dapat menghalangi orang lain untuk mengakses teknologi tersebut. Biaya awal untuk peralatan
dan pelatihan teknologi RS bisa jadi mahal. Hal ini mungkin membuat mereka tidak dapat diakses oleh
organisasi-organisasi kecil atau peneliti yang kekurangan dana khususnya di negara-negara berkembang [124,266]
Aplikasi RS dalam pengukuran WQP memerlukan pelatihan khusus untuk menganalisis gambar dan data
yang dikumpulkan. Individu yang menggunakan RS dalam memantau dan mengukur WQP seperti TDS dan
TSS memerlukan keahlian dalam penggunaan perangkat lunak seperti ArcGIS dan Google Earth Engine, yang
dapat membatasi jumlah orang yang dapat memanfaatkan aplikasi ini [46.132.266].
Keterbatasan lain dari aplikasi RS adalah resolusi spasial, temporal, dan spektral dari sensor yang
digunakan dalam pengumpulan data. Mungkin sulit untuk mengandalkan sensor RS tertentu dengan
siklus pengulangan yang lebih panjang untuk mendeteksi variasi temporal dalam TDS dan TSS. Sensor
RS menawarkan berbagai resolusi spasial, spektral, dan temporal. Salah satu contohnya adalah
membandingkan resolusi temporal Landsat 8 OLI dan Sentinel-2 A/B MSI, yang keduanya memiliki
waktu kunjungan ulang masing-masing 16 hari dan 5 hari [2,268].
Keterbatasan terakhir namun tidak kalah pentingnya dari teknik RS dalam memperkirakan WQP seperti
TDS dan TSS, adalah kurangnya data lapangan untuk kalibrasi dan validasi model yang dikembangkan dengan
data RS karena tingginya biaya pengambilan sampel di lokasi dan diperlukannya keahlian dalam menganalisis
dan membuat kesimpulan dari sampel yang dikumpulkan. Masalah-masalah ini lebih banyak terjadi di Afrika
Sub-Sahara yang memiliki lebih sedikit keahlian dan teknologi. Kurangnya kalibrasi dan validasi model
penginderaan jauh yang tepat membuat keakuratan model ini dipertanyakan [2,7,10,36].
5. Kesimpulan dan Rekomendasi
Konsentrasi atau beban TDS dan TSS pada suatu badan air mempunyai peranan penting dalam
pengelolaan dan keberlanjutan sumber daya air. Peningkatan TDS dapat mempengaruhi rasa air minum
dan juga dapat menyebabkan kerak dan korosi pada pipa dan sistem air lainnya.
Hal ini dapat mengurangi efektivitas sistem pengolahan air, sehingga meningkatkan biaya pengoperasian
fasilitas tersebut. Sebaliknya, peningkatan TSS mempengaruhi kejernihan optik air dan berdampak pada
laju fotosintesis organisme air. Oleh karena itu, pemantauan dan pengelolaan indikator kualitas air ini
merupakan kunci untuk mengurangi dampak buruk terhadap kesehatan manusia dan perairan, serta
lingkungan, dan untuk memastikan keberlanjutan sumber daya air.
sumber daya air.
Pemantauan TDS dan TSS dapat dilakukan melalui metode konvensional dan RS.
Metode konvensional seperti pengambilan sampel lapangan dan analisis gravimetri yang
menentukan TDS dan TSS telah digunakan sejak lama dan masih penting untuk memantau WQP ini.
Metode konvensional distandarisasi, lugas, dan divalidasi dari waktu ke waktu, sehingga menawarkan
pengukuran yang konsisten dan andal. Namun, pemantauan secara konvensional mempunyai
keterbatasan . Pengambilan sampel lapangan dan analisis gravimetri membutuhkan banyak tenaga kerja dan biay
waktu. Mereka juga terbatas dalam ruang dan waktu. Teknik RS dan alat geospasial menawarkan
metode yang ekonomis untuk menentukan TDS dan TSS pada skala spasial yang besar dengan
cara yang akurat baik dalam ruang maupun waktu. Sensor RS yang dikategorikan sebagai udara
dan ruang angkasa telah digunakan untuk menangkap gambar untuk pengambilan dan estimasi
WQP seperti TSS dan TDS. Meskipun TSS aktif secara optik dan dapat dirasakan langsung dari
sensor-sensor ini, TDS adalah parameter tidak aktif secara optik yang penentuannya didasarkan
pada hubungannya dengan WQP lain yang mungkin berbeda-beda [2]. Reflektansi pada wilayah
spektrum elektromagnetik 580-900 nm telah dilaporkan paling sensitif terhadap perubahan
konsentrasi TSS dan karenanya paling ideal untuk pengambilannya [124,149,269].
Estimasi dan pengambilan parameter tersebut banyak dilakukan dengan menggunakan
model empiris, analitis, semi empiris, dan yang terbaru, melalui model lanjutan berupa model
AI atau ML. Pilihan gambar tertentu dari sensor yang akan digunakan bergantung pada
beberapa faktor termasuk biaya terkait, dan resolusi spektral, temporal, dan spasial [2]. Model
ini dapat menampilkan beberapa kesalahan karena resolusi gambar yang kasar. Contohnya
adalah penggunaan data MODIS kasar beresolusi 250 m untuk studi perairan kecil di daratan.
Sebuah studi yang dilakukan oleh para peneliti [232] membandingkan data GF-1 Wide Field
Imager (WFI) resolusi tinggi Tiongkok dengan MODIS untuk memperkirakan materi partikulat
tersuspensi dan menemukan bahwa GF-1 mampu menyelesaikan lebih dari 75% variasi
spasial , sedangkan pita MODIS dengan resolusi 250 m hanya dapat mendeteksi 40% saja,
hal ini menunjukkan kelemahan penggunaan gambar beresolusi kasar tersebut. Masalah
resolusi temporal, spektral, dan spasial yang terkait dengan gambar di RS telah diatasi dengan
kemajuan terkini dan peningkatan gambar yang ditangkap oleh UAV di udara [2].
Keterbatasan lain dari metode RS adalah masalah gangguan atmosfer pada gambar
yang diambil, sehingga menimbulkan kesalahan dalam pengambilan WQP. Namun
penelitian telah menyarankan beberapa model termasuk Pengurangan Objek Gelap
(DOS), algoritma berbasis polinomial yang diterapkan pada MERIS (Polimer), Koreksi
Sentinel 2 (Sen2Cor), koreksi untuk efek atmosfer (iCOR), Koreksi atmosfer standar
NASA (NASA -AC), dan Koreksi atmosfer untuk model OLI 'lite' (ACOLITE), algoritma
reflektansi yang dikoreksi Rayleigh antara lain meminimalkan kesalahan terkait
[2,101,270]. Model inversi Hyperspectral RS juga dapat digunakan dalam mengambil
sifat optik ketika berhadapan dengan perairan dangkal untuk meningkatkan akurasi hasil [263].
Selain itu, keberadaan konstituen yang berbeda termasuk CDOM, NAP, dan fito plankton
pada konsentrasi berbeda di perairan pedalaman telah membuat penentuan WQP seperti TSS
dan TDS di perairan pedalaman lebih menantang dan kurang efektif dibandingkan dengan lautan
terbuka [6]. Terdapat juga kebutuhan untuk menguji dan melatih model yang dikembangkan
menggunakan pengukuran lapangan in situ untuk meningkatkan keakuratan prediksinya.
Untuk pemantauan dan pengelolaan TDS dan TSS yang efektif di badan air menggunakan RS
Dalam penerapannya, rekomendasi berikut diusulkan: 1.
Penggabungan atau kombinasi pita dari sensor yang berbeda: penggabungan pita gelombang
mikro dan optik harus dieksplorasi dalam estimasi TDS dan TSS di badan air.
Penggabungan data dari pita optik dan pita SAR ERS-2 dapat meningkatkan kinerja
pengambilan WQP seperti konsentrasi TDS dan TSS dalam sistem air. Terdapat
keberhasilan yang signifikan dalam penggunaan radiometer domain gelombang mikro
dan radar aperture sintetis dalam memperkirakan salinitas permukaan di sistem perairan
pesisir. Dalam sebuah penelitian [179] yang membandingkan hasil fusi MODIS-Landsat
dengan algoritma pita tunggal untuk estimasi TSS, model fusi berkinerja lebih baik
dalam estimasi TSS dalam sistem sungai dinamis dibandingkan model MODIS pita
tunggal karena memiliki resolusi spasial yang lebih baik. R2 yang dilaporkan untuk
model berbasis MODIS meningkat dari 65–77% menjadi 85–89% untuk model fusi Landsat-MOD
2. Pemanfaatan Algoritma ML dan AI untuk pengambilan dan estimasi WQPS: daripada
menggunakan pendekatan empiris, estimasi, pengambilan, dan interpretasi konsentrasi
TDS dan TSS dari data RS sebaiknya menggunakan teknik ML. Meskipun mudah
digunakan dan membutuhkan lebih sedikit waktu dan usaha komputasi dibandingkan
metode lain, metode pengambilan empiris mungkin tidak dapat membedakan WQP ini. Untuk men
akurasi WQP yang diambil menggunakan RS, model ML termasuk ANN dan SVM yang
berpotensi mencerminkan model nonlinier kompleks melalui pelatihan dan pengujian harus
dimanfaatkan [2,24,192].
3. Data observasi atau data kebenaran lapangan dari pengambilan sampel lapangan konvensional
harus digunakan untuk melengkapi pengukuran RS: hal ini penting untuk memastikan
kalibrasi dan validasi model RS yang tepat. Metrik statistik atau evaluasi seperti
, R2 Percent
Bias (PBIAS), MAE, NSE, RMSE, dan rasio RMSE terhadap deviasi standar yang telah
banyak digunakan harus digunakan untuk mengevaluasi model yang dikembangkan guna
meningkatkan akurasi dan ketahanannya [2,128,145,271– 277].
4. Pengambilan dan estimasi TDS dan TSS dengan penginderaan jarak jauh harus menggunakan
gambar beresolusi tinggi jika memungkinkan: untuk deteksi WQP ini secara akurat dan efektif
melalui penginderaan jauh, gambar beresolusi tinggi dengan waktu kunjungan ulang yang
sering harus digunakan untuk memastikan perubahan tepat waktu dalam parameter ini dapat
ditangkap secara memadai. Gambar dari GeoEye IKONOS, yang memiliki resolusi spasial
0,82–5 m dengan interval kunjungan ulang 2–3 hari, dan Digital Globe WorldView-1, yang
memiliki resolusi 0,5 m dan periode kunjungan ulang 1,7 hari, adalah dua contoh citra satelit
resolusi tinggi yang dapat digunakan untuk pengambilan dan estimasi TDS dan TSS secara
efektif. Citra hiperspektral dan resolusi tinggi seperti gambar dari Eksperimen Pengumpulan
Citra Digital Hyperspectral oleh Naval Research Lab, Spektrometer Pencitraan Lintas Udara
Multispektral oleh Spectral Imaging, dan AVIRIS oleh laboratorium Jet Propulsion Labo NASA
dapat membantu menghilangkan masalah spektral diskrit tanda tangan yang terkait dengan
gambar lain. Gambar hiperspektral dan resolusi tinggi memiliki potensi tinggi dalam membedakan
perubahan TSS dan TDS secara efektif di badan air [2].
5. Menerapkan koreksi atmosfer saat menggunakan citra satelit level 1: koreksi atmosfer seperti
DOS, Polymer, Sen2Cor, iCOR, NASA-AC, dan ACOLITE harus digunakan untuk
meminimalkan kesalahan yang terkait dengan gangguan atmosfer pada citra satelit untuk
pada akhirnya meningkatkan akurasi pengambilan WQP [2,270].
Kesimpulannya, karena badan air terus mengalami kerusakan akibat aktivitas antropogenik
dan perubahan iklim, pentingnya pemantauan kualitas air yang berkelanjutan tidak boleh diabaikan.
Harus ada eksplorasi dan investigasi yang berkesinambungan terhadap ide-ide berpikiran maju untuk
penelitian dalam pemantauan WQP seperti TDS dan TSS dengan menggunakan teknik konvensional
dan RS. Meskipun penelitian ini menawarkan gambaran menyeluruh tentang berbagai aplikasi
pengukuran TDS dan TSS di badan air, ada beberapa arahan untuk studi lebih lanjut dalam
pengukuran TDS dan TSS khususnya dengan pengukuran RS.
Beberapa bidang penelitian dan eksplorasi yang mungkin dilakukan di masa depan mencakup
pengembangan teknologi dan sensor baru yang dapat menawarkan pemantauan TDS dan TSS
secara real-time. Teknologi ini memungkinkan respons cepat terhadap perubahan kualitas air dan
membantu meningkatkan efektivitas dan akurasi pemantauan kualitas air.
Bidang penelitian lain di masa depan adalah integrasi beberapa data RS, seperti penggunaan
data satelit dan UAV untuk memberikan informasi yang komprehensif dan terperinci tentang
badan air untuk pengukuran yang akurat. UAV memberikan gambar hiperspektral dengan resolusi
spasial yang lebih halus, yang berpotensi meningkatkan kinerja keseluruhan model yang
digunakan dalam memperkirakan TDS dan TSS.
Penyelidikan lebih lanjut juga diperlukan mengenai dampak potensial faktor antropogenik dan
alam terhadap tingkat TDS dan TSS di badan air, serta bagaimana faktor-faktor ini dapat
dipertimbangkan dalam pengukuran konvensional dan teknik RS. Selain itu, terdapat kebutuhan
untuk penelitian lebih lanjut untuk mengembangkan algoritma RS baru yang dapat memperkirakan
TDS dan TSS secara efisien dan akurat secara real-time untuk memfasilitasi respons cepat terhadap
perubahan keadaan air yang disebabkan oleh perubahan WQP ini.
Tinjauan ini memberikan pendekatan konvensional dan RS yang dapat diterapkan pada
pemantauan dan pengelolaan sumber daya air. Tinjauan komprehensif ini memberikan tempat
penyimpanan bagi para pemangku kepentingan dan pengambil keputusan untuk meningkatkan upaya
pemantauan, penilaian dan mitigasi gangguan kualitas air. Badan pengatur juga dapat mengandalkan
repositori ini untuk membantu mengembangkan peraturan yang efektif guna meningkatkan upaya pemantauan
Kontribusi Penulis: GEA berkontribusi pada konseptualisasi, metodologi, dan orisinalitas

penulisan akhir naskah. HS dan SA keduanya berkontribusi pada konseptualisasi dan penulisan—
peninjauan dan penyuntingan, serta pengawasan naskah. DJ berkontribusi pada penulisan—review,
penyuntingan, dukungan teknis, dan pengawasan naskah. Semua penulis telah membaca dan menyetujui
versi naskah yang diterbitkan.
Pendanaan: Penelitian ini tidak menerima pendanaan eksternal.
Pernyataan Ketersediaan Data: Pekerjaan ini bergantung pada materi yang dipublikasikan dan platform publik, yang
telah dirujuk sebagaimana mestinya.
Konflik Kepentingan: Penulis menyatakan tidak ada konflik kepentingan.
Lampiran A. Penunjukan Pita Landsat
Tabel A1. Spesifikasi pita untuk Landsat 8 OLI dengan panjang gelombang, resolusi spasial, dan rasio signal-to- noise (S/N)
yang diskalakan untuk pancaran. Diadaptasi dari [207–209].
Spasial
Panjang gelombang
Pita S/T Resolusi
(µm)
(M)
Pita 1 – Aerosol pesisir 284 0,43–0,45 30

Pita 2–Biru 321 0,45–0,51 30
Jalur 3–Hijau 223 0,53–0,59 30
Jalur 4–Merah 113 0,64–0,67 30
Pita 5–NIR * 45 0,85–0,88 30
Pita 6–PUTAR 1 * 10.1 1,57–1,65 30
Pita 7–PUTAR 2 * 7.4 2,11–2,29 30
Pita 8 – Pankromatik 0,50–0,68 15
Kelompok 9–Cirrus 1,36–1,38 30
* NIR = Inframerah Dekat. * SWIR = Inframerah Gelombang Pendek.
Tabel A2. Spesifikasi pita Landsat 7 ETM+ dengan panjang gelombang dan resolusi spasial.
Diadaptasi dari [149.207.208].
Pita Spasial
Panjang gelombang (µm)
Resolusi (m)
Pita 1–Biru 0,45–0,52 30

Jalur 2–Hijau 0,52–0,60 30
Jalur 3–Merah 0,63–0,69 30
Pita 4-NIR* 0–77–0,90 30
Pita 5–PUTAR * 1 1,55–1,75 30
Pita 6 – Termal 10,40–12,50 60 (*30)
Jalur 7–PUTAR * 2 2,09–2,35 30
Pita 8 – Pankromatik 0,52–0,90 15
* NIR = Inframerah Dekat. * SWIR = Inframerah Gelombang Pendek. *30 = 60 m resolusi spasial yang diambil sampelnya ulang menjadi 30 m.
Tabel A3. Spesifikasi pita Landsat 5 ETM dengan panjang gelombang dan resolusi spasial.
Diadaptasi dari [207.238].
Pita Spasial
Panjang gelombang (µm)
Resolusi (m)
Pita 1–Biru 0,45–0,52 30

Jalur 2–Hijau 0,53–0,61 30
Jalur 3–Merah 0,63–0,69 30
Pita 4-NIR* 0,76–0,90 30
Pita 5–PUTAR * 1 1,55–1,75 30
Pita 6 – Termal 10,40–12,50 120
Jalur 7–PUTAR * 2 0,08–2,35 30
Lampiran B. Penunjukan Pita MSI Sentinel-2
Tabel A4. Spesifikasi pita untuk MSI Sentinel-2 dengan pusat pita, S/N, dan skala resolusi spasial
untuk pancaran cahaya. Diadaptasi dari [209.211.278].
S2A S2B
Pita Bandwidth Bandwidth

S/T Panjang gelombang Panjang gelombang Spasial
(nm) (nm) (nm) (nm) Resolusi (m)
B2-Biru 102 492,4 66 492,1 66

B3-Hijau 79 559,8 36 559,0 36
10
B4-Merah 45 664,6 31 664,9 31
B8-NIR* 20 832,8 106 832,9 106
B5-Tepi Merah 1 45 704,1 15 703,8 16
B6-Tepi Merah 2 34 740,5 15 739,1 15
B7-Tepi Merah 3 26 782.8 20 779.7 20
20
B8a-Tepi Merah 4 16 864.7 21 864.0 22
B11-SWIR*1 2.8 1613.7 91 1610.4 94
B12-SWIR*2 2.2 2202.4 175 2185.7 185
B1-Aerosol 439 442.7 21 442.2 21
B9-Uap air 945.1 20 943.2 21 60
B10-Cirrus 1373.5 31 1376.9 30
Referensi
1. Khan, saya.; Khan, A.; Khan, MS; Zafar, S.; Hamid, A.; Badshah, S.; Rehman, SU; Ullah, H.; Yasmeen, G. Dampak Limbah Kota
tentang Kualitas Air Sungai Indus: Penilaian Variasi Temporal dan Spasial di Wilayah Selatan Khyber Pakhtunkhwa,
Pakistan. Mengepung. Pantau. Menilai. 2018, 190, 267. [Referensi Silang] [PubMed]
2. Adjovu, GE; Stefanus, H.; James, D.; Ahmad, S. Gambaran Umum Penerapan Penginderaan Jauh dalam Pemantauan Air yang Efektif
Parameter Kualitas. Sensor Jarak Jauh 2023, 15, 1938. [CrossRef]
3. Adjovu, GE; Stefanus, H.; Ahmad, S. Dinamika Spasial dan Temporal Parameter Utama Kualitas Air dalam Stratifikasi Termal
Ekosistem Danau: Studi Kasus Danau Mead. Bumi 2023, 4, 461–502. [Referensi Silang]
4. Asosiasi Kesehatan Masyarakat Amerika; Asosiasi Pekerjaan Air Amerika; Federasi Lingkungan Air. Metode Standar untuk
Pemeriksaan Air dan Air Limbah; Baird, RB, Eaton, AD, Rice, EW, Eds.; Asosiasi Kesehatan Masyarakat Amerika: Washington,
DC, AS; Asosiasi Pekerjaan Air Amerika: Denver, CO, AS; Federasi Lingkungan Air: Alexandria, VA, AS, 2017;
ISBN 9788578110796.
5. Komite Metode Standar; lebih liar, BH; Kosta, HS; Kosmowski, CM; Purcell, Metode WE 2540. Tersedia online:
http://edgeanalytical.com/wp-content/uploads/Waste_SM2540.pdf (diakses pada 2 Juli 2023).
6. Ogashawara, I.; Mishra, DR; Gitelson, AA Penginderaan Jauh Perairan Darat: Latar Belakang dan Kecanggihan Saat Ini; Elsevier Inc.:
Amsterdam, Belanda, 2017; ISBN 9780128046548.
7. Dey, J.; Vijay, R. Tinjauan Kritis dan Intensif Terhadap Penilaian Parameter Kualitas Air Melalui Teknik Geospasial.
Mengepung. Sains. Polusi. Res. 2021, 28, 41612–41626. [Referensi Silang]
8. Dörnhöfer, K.; Oppelt, N. Penginderaan Jauh untuk Penelitian dan Pemantauan Danau—Kemajuan Terkini. ramah lingkungan. Indeks. 2016, 64, 105–122.
[Referensi Silang]
9. Cheng, C.; Zhang, F.; Shi, J.; Kung, HT Apa Hubungan Penggunaan Lahan dan Kualitas Air Permukaan? Tinjauan dan
Prospek dari Perspektif Penginderaan Jauh. Mengepung. Sains. Polusi. Res. 2022, 29, 56887–56907. [Referensi Silang] [PubMed]
10. Dube, T.; Mutanga, O.; Seutloali, K.; Adelabu, S.; Shoko, C. Pemantauan Kualitas Air di Danau Afrika Sub-Sahara: Tinjauan
Aplikasi Penginderaan Jauh. Af. J.Aquat. Sains. 2015, 40, 1–7. [Referensi Silang]
11. Giao, NT; Van Cong, N.; Nhien, HTH Menggunakan Penginderaan Jauh dan Statistik Multivariat dalam Menganalisis Hubungannya
Pola Penggunaan Lahan dan Kualitas Air di Provinsi Tien Giang, Vietnam. Air 2021, 13, 1093. [CrossRef]
12. Karaoui, saya.; Arioua, A.; Boudhar, A.; Hssasoune, M.; Mouatassime, SE; Ouhamchich, KA; Elhamdouni, D. Mengevaluasi
Potensi Citra Satelit Sentinel-2 untuk Karakterisasi Kualitas Air Waduk Buatan: Waduk Bin El Ouidane
Studi Kasus (Maroko). Karaoui Ismail Arioua Abdelkrim Abdelghani Boudhar Hssaisoune Mohammed Sabri 2019, 7, 31–39.
13. Nath, RK; Deb, SK Ekstraksi Area Perairan Dari Citra Satelit Resolusi Tinggi-Pengantar, Tinjauan, dan Perbandingan
putra. Int. J. Proses Gambar. 2010, 3, 353–372.
14. Palmer, SCJ; Kutser, T.; Hunter, PD Penginderaan Jauh Perairan Darat: Tantangan, Kemajuan dan Arah Masa Depan. Sensor Jarak Jauh.
Mengepung. 2015, 157, 1–8. [Referensi Silang]
15. Song, K. Pemantauan Kualitas Air Menggunakan Data Pemeta Tema Landsat dengan Algoritma Empiris di Danau Chagan, Cina.
J. Aplikasi. Sensor Jarak Jauh 2011, 5, 053506. [CrossRef]
16. Zhou, Y.; Dong, J.; Xiao, X.; Xiao, T.; Yang, Z.; Zhao, G.; Zou, Z.; Qin, Y. Algoritma Pemetaan Air Permukaan Terbuka: Perbandingan
Indeks dan Sensor Spektral Terkait Air. Air 2017, 9, 256. [CrossRef]
17. Lemessa, F.; Simane, B.; Seyoum, A.; Gebresenbet, G. Penilaian Dampak Air Limbah Industri terhadap Kualitas Air
Sungai di sekitar Taman Industri Bole Lemi (BLIP), Ethiopia. Keberlanjutan 2023, 15, 4290. [CrossRef]
18. Adjovu, GE; Stefanus, H.; Ahmad, S. Variabilitas Spatiotemporal Total Padatan Terlarut dan Total Padatan Tersuspensi Sepanjang
Sungai Colorado. Hidrologi 2023, 10, 125. [CrossRef]
19. Gootman, KS; Hubbart, JA Karakterisasi Aliran Sub-DAS dan Nutrisi Air Tanah Dangkal serta Suspended
Sedimen dalam Tata Guna Lahan Campuran, Daerah Aliran Sungai Agro-Hutan. Air 2023, 15, 233. [CrossRef]
20. Al-Mahasneh, M.; Al Bsoul, A.; Al-Ananzeh, N.; Al-Khasawane, HE; Al-Mahasneh, M.; Tashtoush, R. Karakterisasi Kualitas Air Tanah untuk Sumur Air Minum
yang Aman melalui Disinfeksi dan Sterilisasi di Yordania: Studi Kasus. Hidrologi 2023, 10, 135. [CrossRef]
21. Azzirgue, EM; Cherif, EK; El Azhari, H.; Dakak, H.; Yachou, H.; Ghanimi, A.; Nouayti, N.; Esteves da Silva, J.; Salmon, F.
Evaluasi Interaksi antara Air Tanah Jouamaa Hakama dan Sungai Ouljat Echatt di Maroko Utara, Menggunakan Pemodelan Hidrokimia, Statistik Multivariat
dan GIS. Air 2023, 15, 1752. [CrossRef]
22. Schliemann, SA; Grevstad, N.; Brazeau, Kualitas Air Kesehatan Reproduksi dan Titik Panas Spatio-Temporal di Perkotaan yang Dominasi Limbah Limbah
Sungai. Hidrol. Proses. 2021, 35, e14001. [Referensi Silang]
23. Buma, WG; Lee, SI Evaluasi Citra Sentinel-2 dan Landsat 8 untuk Menduga Konsentrasi Klorofil-a di Danau Chad,
Afrika. Sensor Jarak Jauh 2020, 12, 2437. [CrossRef]
24. Vakili, T.; Amanollahi, J. Penentuan Variabel Kualitas Air yang Tidak Aktif Secara Optik Menggunakan Data Landsat 8: Studi Kasus di
Waduk Geshlagh Terkena Penggunaan Lahan Pertanian. J.Bersih. Melecut. 2020, 247, 119134. [Referensi Silang]
25.Zhang , X.; Fichot, CG; Baracco, C.; Guo, R.; Neugebauer, S.; Bengtsson, Z.; Ganju, N.; Fagherazzi, S. Menentukan Pendorong Dinamika Sedimen Tersuspensi
di Muara yang Dipengaruhi Rawa Pasang Surut Menggunakan Penginderaan Jauh Warna Laut Resolusi Tinggi.
Lingkungan Sensor Jarak Jauh. 2020, 240, 111682. [Referensi Silang]
26. Leggesse, ES; Zimale, FA; Sultan, D.; Enku, T.; Srinivasan, R.; Tilahun, SA Memprediksi Indikator Kualitas Air Optik dari Penginderaan Jauh Menggunakan
Algoritma Pembelajaran Mesin di Dataran Tinggi Tropis Ethiopia. Hidrologi 2023, 10, 110. [CrossRef]
27. Syekh, TA; Adjovu, GE; Stefanus, H.; Ahmad, S. Dampak Urbanisasi terhadap Hidrologi DAS dan Kualitas Air Limpasan DAS: Suatu Tinjauan. Dalam Prosiding
Kongres Lingkungan Hidup dan Sumber Daya Air Dunia 2023, Henderson, NV, AS, 21–25 Mei 2023; Jilid 1, hlm.1271–1283.
28. Leigh, C.; Kandanaarachchi, S.; McGree, JM; Hyndman, RJ; Alsibai, O.; Mengersen, K.; Peterson, EE Memprediksi Konsentrasi Sedimen dan Nutrisi dari Data
Kualitas Air Frekuensi Tinggi. PLoS SATU 2019, 14, e0215503. [Referensi Silang]
29. Dritsas, E.; Trigka, M. Model Pembelajaran Mesin Berbasis Data yang Efisien untuk Prediksi Kualitas Air. Perhitungan 2023, 11, 16.
[Referensi Silang]
30. Avila, R.; Tanduk, B.; Moriarty, E.; Hodson, R.; Moltchanova, E. Mengevaluasi Kinerja Model Statistik dalam Kualitas Air
Ramalan. J.Lingkungan. Kelola. 2018, 206, 910–919. [Referensi Silang] [PubMed]
31. Fant, C.; Srinivasan, R.; Boehlert, B.; Rennel, L.; Chapra, SC; Strzepek, KM; Korona, J.; Allen, A.; Martinich, J. Perubahan Iklim
Dampak terhadap Kualitas Air AS Menggunakan Dua Model: HAWQS dan US Basins. Air 2017, 9, 118. [CrossRef]
32. Lee, S.; Ahn, KH Pemantauan COD sebagai Indikator Organik dalam Air Limbah dan Limbah yang Diolah dengan Eksitasi Fluoresensi
Karakterisasi Matriks Emisi (FEEM). Ilmu Air. Teknologi. 2004, 50, 57–63. [Referensi Silang]
33. Serafy, GYHE; Schaeffer, BA; Neely, M.; Spinosa, A.; Odermatt, D.; Cuaca, KC; Baracchini, T.; Bouffard, D.; Carvalho, L.; Conmy, RN; dkk. Mengintegrasikan
Data Kualitas Air Darat dan Pesisir untuk Pengetahuan yang Dapat Ditindaklanjuti. Sensor Jarak Jauh 2021, 13, 2899.
[Referensi Silang]
34. Zhao, J.; Zhang, F.; Chen, S.; Wang, C.; Chen, J.; Zhou, H.; Xue, Y. Evaluasi Penginderaan Jauh Dinamis Total Padatan Tersuspensi dengan Model Markov:
Studi Kasus Waduk Pedalaman melintasi Batas Administratif di Cina Selatan. Sensor 2020, 20, 6911.
[Referensi Silang]
35. Badan Perlindungan Lingkungan AS. Manual Inspeksi Kepatuhan NPDES—Bab 5—Pengambilan Sampel; Badan Perlindungan Lingkungan AS , Kantor Air,
Kantor Penegakan dan Perizinan Air: Washington, DC, AS, 2017.
36. Gholizadeh, MH; Melesse, AM; Reddi, L. Tinjauan Komprehensif Estimasi Parameter Kualitas Air Menggunakan Jarak Jauh
Teknik Penginderaan. Sensor 2016, 16, 1298. [CrossRef] [PubMed]
37. Adjovu, GE; Ali Syekh, T.; Stefanus, H.; Ahmad, S. Pemanfaatan Model Pembelajaran Mesin dan Data Satelit untuk Estimasi Total Padatan Terlarut di Sistem
Sungai Colorado. Dalam Prosiding Kongres Lingkungan Hidup dan Sumber Daya Air Dunia 2023, Henderson, NV, AS, 21–25 Mei 2023; Perkumpulan
Insinyur Sipil Amerika: Henderson, NV, AS, 2023; Jilid 1, hlm.1147–1160.
38. Hach Padat (Total & Terlarut). Tersedia online: https://www.hach.com/parameters/solids (diakses pada 8 Juni 2023).
39. O'Connor, DJ Variasi Musiman dan Jangka Panjang Padatan Terlarut di Danau dan Waduk. J.Lingkungan. bahasa Inggris 1989, 115, 1213–
1234. [Referensi Silang]
40. Doxaran, D.; Froidefond, J.-M.; Lavender, S.; Castaing, P. Tanda Tangan Spektral Perairan Sangat Keruh. Lingkungan Sensor Jarak Jauh. 2002,
81, 149–161. [Referensi Silang]
41. Chawla, I.; Karthikeyan, L.; Mishra, AK Tinjauan Aplikasi Penginderaan Jauh untuk Ketahanan Air: Kuantitas, Kualitas, dan
Ekstrem. J. Hidrol. 2020, 585, 124826. [Referensi Silang]
42. Crotts, A. Teknik Eksperimental dalam Menurunkan Total Padatan Terlarut dalam Air Limbah. Tesis Sarjana, Universitas Nevada
Las Vegas, Las Vegas, NV, AS, 1996. [CrossRef]
43. McCleskey, RB; Cravotta, CA; Miller, anggota parlemen; Tillman, F.; Stackelberg, P.; Knierim, KJ; Pengukuran Salinitas DR dan Total Padatan Terlarut yang Bijaksana
untuk Perairan Alami: Gambaran Umum dan Metode Salinitas Baru Berdasarkan Konduktansi Tertentu dan Jenis Air. Aplikasi. Geokimia. 2023, 154, 105684.
[Referensi Silang]
44. Hossain, AKMA; Mathias, C.; Blanton, R. Penginderaan Jauh Kekeruhan di Sungai Tennessee Menggunakan Satelit Landsat 8. Terpencil
Sens.2021 , 13, 3785. [CrossRef]
45. Nauman, TW; Ely, CP; Miller, anggota parlemen; Duniway, MC Pemodelan Hasil Salinitas DAS Colorado Bagian Atas Menggunakan Peta Tanah Resolusi 30 m dan
Hutan Acak. Sumber Daya Air. Res. 2019, 55, 4954–4973. [Referensi Silang]
46. Sagan, V.; Peterson, KT; Maimaitijiang, M.; Sidike, P.; Sloan, J.; Salam, BA; Maalouf, S.; Adams, C. Pemantauan Kualitas Air Daratan Menggunakan Penginderaan
Jauh: Potensi dan Keterbatasan Indeks Spektral, Simulasi Bio-Optik, Pembelajaran Mesin, dan Komputasi Awan. Sains Bumi. Rev.2020 , 205, 103187. [CrossRef]
47. Konduktivitas, Salinitas & Total Padatan Terlarut-Sistem Pengukuran Lingkungan Fondriest Environmental Inc. Tersedia secara online: https://www.fondriest.com/
environmental-measurements/parameters/water-quality/conductivity-salinity-tds/ (diakses pada 12 Juli 2023).
48. Hayden, L.; Kayu, J.; Hassell, S.; Jones, A.; Deese, A. Penilaian Kualitas Air DAS Sungai Pasquotank; Analisis Oksigen Terlarut, PH, Garam, Total Padatan Terlarut,
dan Konduktivitas. Tersedia daring: http://nia.ecsu.edu/ureomps2011/ tim/ptank/PQT%20IEEE%20PAPER.pdf (diakses pada 12 Juli 2023).
49. Kepala Pelayan, BA; Ford, RG Mengevaluasi Hubungan antara Total Padatan Terlarut (TDS) dan Total Padatan Tersuspensi (TSS) dalam sebuah
Daerah Aliran Sungai yang Dipengaruhi Pertambangan. Lingkungan Air Tambang. 2018, 31, 18–30. [Referensi Silang]
50. Mueller, JS; Grabowski, TBC; Pembuat bir, SK; Worthington, TA Pengaruh Suhu, Total Padatan Terlarut, dan Total Padatan Tersuspensi terhadap Kelangsungan
Hidup dan Laju Perkembangan Larva Arkansas River Shiner. J. Ikan Wildl. Kelola. 2017, 8, 79–88. [Referensi Silang]
51.Wright , BWG; Simon, W.; Di atas, DJ; Tiang, MA; Leib, KJ Distribusi Nilai PH dan Konsentrasi Jejak-Logam Terlarut dalam Penambangan Sungai di DAS Sungai
Animas, San Juan County, Colorado Makalah Profesional 1651. Integr. Selidiki. Mengepung.
Ef. Sejarah. Minimal. DAS Sungai Animas San Juan Cty. Warna 2007, 1651, 497–541.
52. EPA AS. Tabel Standar Air Minum dan Saran Kesehatan Edisi 2018. Tersedia daring: https://www.epa.gov/ sistem/file/dokumen/2022-01/dwtable2018.pdf (diakses
pada 29 Juni 2023).
53.EPA 816-F-09-004; Pedoman Air Minum Utama Nasional EPA AS. Badan Perlindungan Lingkungan Amerika Serikat:
Washington, DC, AS, 2009; 7p.
54. Mejía Avila, D.; Torres-Bejarano, F.; Martínez Lara, Z. Indeks Spektral untuk Menduga Total Padatan Terlarut di Lahan Basah Air Tawar Menggunakan Model Semi-
Empiris. Studi Kasus Lahan Basah Guatinaja dan Momil. Int. J. Sensor Jarak Jauh 2022, 43, 2156–2184.
[Referensi Silang]
55. Shareef, MA; Toumi, A.; Khenchaf, A. Estimasi Parameter Kualitas Air Menggunakan Data Penginderaan Jauh SAR dan Thermal Microwave. Dalam Prosiding
Konferensi Internasional ke-2 tentang Teknologi Canggih untuk Pemrosesan Sinyal dan Gambar (ATSIP) tahun 2016, Monastir, Tunisia, 21–23 Maret 2016; hal.586–
56. Shevah, Y. 1.4 Adaptasi terhadap Kelangkaan Air dan Kerjasama Regional di Timur Tengah; Elsevier Ltd.: Amsterdam, Belanda, 2013; Jilid 1, ISBN 9780123821829.
57. Survei Geologi Amerika Serikat (USGS). Definisi “Payau”. Tersedia daring: https://ne.water.usgs.gov/ogw/review/
payau.html (diakses pada 2 Juli 2023).
58. Nasrin. Salinitas Laut. Int. J.Mod. Tren Sains. Teknologi. 2022, 8, 296–302. [Referensi Silang]
59. Antonov, JI; Levitus, S. Atlas Laut Dunia 2005; Administrasi Kelautan dan Atmosfer Nasional (NOAA): Washington,
DC, AS, 2006; Jilid 2.
60. Wilayah Misi Sumber Daya Air. Penilaian Air Tanah Payau. Tersedia online: https://www.usgs.gov/mission-areas/
penilaian sumber daya air/sains/air payau (diakses pada 2 Juli 2023).
61. Godsey, WE Air Segar, Payau atau Asin untuk Frac Hidraulik: Apa Saja Pilihannya? Tersedia online: https://www.epa.
gov/sites/default/files/documents/02_Godsey_-_Source_Options_508.pdf (diakses pada 2 Juli 2023).
62. Shapasand, M.; Alizadeh, AR; Yousefi, M.; Amini, J. Kinerja dan Respon Fisiologis Sapi Perah terhadap Air Total
Padatan Terlarut (TDS) di bawah Tekanan Panas. J. Aplikasi. animasi. Res. 2010, 38, 165–168. [Referensi Silang]
63. Usali, N.; Ismail, MH Penggunaan Penginderaan Jauh dan GIS dalam Pemantauan Kualitas Air. J. Mempertahankan. Dev. 2010, 3, 228–238. [Referensi Silang]
64. Jones, JR; Knowlton, MF Padatan Tersuspensi di Waduk Missouri dalam Kaitannya dengan Fitur Daerah Tangkapan Air dan Proses Internal.
Resolusi Air. 2005, 39, 3629–3635. [Referensi Silang]
65. Dia, C.; Yao, Y.; Lu, X.; Chen, M.; Bu, W.; Zhou, L. Mengeksplorasi Mekanisme Pengaruh Kondisi Meteorologi Terhadap Konsentrasi Padatan Tersuspensi dan Klorofil-
a di Muara Besar Berdasarkan Citra MODIS. Air 2019, 11, 375.
[Referensi Silang]
66. Walch, H.; von der Kammer, F.; Hofmann, T. Partikulat Tersuspensi Air Tawar—Komponen dan Proses Utama dalam Floc
Formasi dan Dinamika. Resolusi Air. 2022, 220, 118655. [Referensi Silang]
67. Richie, JC; Zimba, PV; Everitt, JH Teknik Penginderaan Jauh untuk Menilai Kualitas Air. Fotogram. bahasa Inggris Sensor Jarak Jauh 2003,
68.Azzam , A.; Uddin, H.; Mannan, U. Estimasi Konsentrasi Sedimen Tersuspensi Danau Keenjhar melalui Penginderaan Jauh.
Dalam Prosiding Konferensi Teknik Sipil Internasional ke-12 (ICEC-2022), Karachi, Pakistan, 13–14 Mei 2022; P. 20.
69. EPA AS. Mengembangkan Kriteria Kualitas Air untuk Sedimen Tersuspensi dan Berlapis (SABS); Badan Perlindungan Lingkungan Amerika Serikat : Washington,
DC, AS, 2019.
70. Karagiannis, IC; Soldatos, PG Literatur Biaya Desalinasi Air: Review dan Penilaian. Desalinasi 2008, 223, 448–456.
[Referensi Silang]
71. Dewan Pengembangan Air Texas. FAQ Air Laut Jawaban atas Pertanyaan yang Sering Diajukan. Tersedia daring: https://www.twdb.
texas.gov/innovativewater/desal/faqseawater.asp#:~:teks=1 (diakses pada 12 Juli 2023).
72. Hintz, WD; Relyea, RA Tinjauan Dampak Spesies, Komunitas, dan Ekosistem Salinisasi Garam Jalan di Perairan Tawar.
baru. biologi. 2019, 64, 1081–1097. [Referensi Silang]
73. Nguyen, KA; Liou, YA; Tran, HP; Hoang, PP; Nguyen, TH Penilaian Salinitas Tanah dengan Menggunakan Saluran Inframerah Dekat dan Indeks Salinitas Tanah
Vegetasi yang Berasal dari Data Landsat 8 OLI: Studi Kasus di Provinsi Tra Vinh, Delta Mekong, Vietnam.
Prog. Planet Bumi. Sains. 2020, 7, 1. [Referensi Silang]
74. Corwin, DL; Yemoto, K. Salinitas: Konduktivitas Listrik dan Total Padatan Terlarut. Ilmu Tanah. sosial. Saya. J.2020 , 84, 1442–1461.
[Referensi Silang]
75. Ladwig, R.; Batu, LA; Dugan, HA Dampak Salinisasi pada Stratifikasi Danau dan Pencampuran Mata Air. Limnol. ahli kelautan. Biarkan. 2021,
76. Pessoa, LGM; Freire, MBGDS; Wilcox, BP; Hijau, CHM; De Araújo, RJT; De Araújo Filho, JC Karakteristik Reflektansi Spektral Tanah di Brasil Timur Laut yang
Dipengaruhi oleh Tingkat Salinitas. Mengepung. Pantau. Menilai. 2016, 188, 616. [Referensi Silang]
[PubMed]
77. Figler, A.; B-Beres, V.; Dobronoki, D.; Marton, K.; Nagi, SA; Bácsi, I. Toleransi Garam dan Kemampuan Desalinasi dari Sembilan Isolat Mikroalga Hijau Umum. Air
2019, 11, 2527. [CrossRef]
78. Morshed, MM; Islam, MT; Jamil, R. Deteksi Salinitas Tanah dari Analisis Citra Satelit: Pendekatan Salinitas Terpadu
Indeks dan Data Lapangan. Mengepung. Pantau. Menilai. 2016, 188, 119. [Referensi Silang]
79. Venkatesan, AK; Ahmad, S.; Johnson, W.; Batista, JR Pengurangan Salinitas dan Konservasi Energi dalam Penggunaan Kembali Air Minum Langsung dan Tidak
Langsung. Desalinasi 2011, 272, 120–127. [Referensi Silang]
80. Denys, L. Perputaran Musim Semi yang Tidak Lengkap di Danau Kecil Dalam di Michigan Tenggara. McNair Sch. Res. J.2010 , 2, 10.
81. Laporan Kemajuan Kualitas Air Biro Reklamasi No. 24. Tersedia online: https://www.usbr.gov/uc/progact/salinity/
pdf/PR24final.pdf (diakses pada 8 Juni 2023).
82. Tillman, FD; Hari, NK; Miller, anggota parlemen; Miller, OL; Rumsey, California; Bijaksana, DR; Longley, komputer; McDonnell, MC Tinjauan Kemampuan Saat Ini
dan Kesenjangan Sains dalam Data Pasokan Air, Pemodelan, dan Tren Penilaian Ketersediaan Air di Daerah Aliran Sungai Colorado Bagian Atas. Air 2022, 14,
3813. [CrossRef]
83. Toko, CL; Gerner, SJ Penilaian Padatan Terlarut yang Memuat ke Sungai Colorado di Cekungan Paradox antara Sungai Dolores dan Gypsum Canyon Utah;
Departemen Dalam Negeri AS; Survei Geologi AS: Washington, DC, AS, 2016; hlm.1–18. [Referensi Silang]
84. Venkatesan, AK; Ahmad, S.; Johnson, W.; Batista, Model Dinamis Sistem JR untuk Memperkirakan Beban Salinitas ke Sungai Colorado Akibat Urbanisasi di Lembah
Las Vegas. Sains. Lingkungan Total. 2011, 409, 2616–2625. [Referensi Silang] [PubMed]
85. Mumme, SP Perjanjian Air tahun 1944 dan Penggabungan Nilai-Nilai Lingkungan dalam Tata Kelola Air Lintas Batas AS-Meksiko. Mengepung. Sains. Kebijakan
2020, 112, 126–133. [Referensi Silang]
86. Tillman, FD; Anning, DW Pengintaian Data tentang Pengaruh Konsentrasi Sedimen Tersuspensi terhadap Konsentrasi Padat Terlarut di Sungai dan Anak Sungai di
Daerah Aliran Sungai Colorado Bagian Atas. J. Hidrol. 2014, 519, 1020–1030. [Referensi Silang]
87. Venkatesan, AK; Ahmad, S.; Batista, JR; Johnson, WS Kontribusi Total Padatan Terlarut ke Sungai Colorado Terkait dengan Pertumbuhan Lembah Las Vegas.
Dalam Prosiding Kongres Lingkungan Hidup dan Sumber Daya Air Dunia 2010: Tantangan Perubahan, Providence, RI, AS, 16–20 Mei 2010; hal.3376–3385.
[Referensi Silang]
88. Glysson, GD; Abu-abu, JR; Schwarz, GE Perbandingan Perkiraan Beban Menggunakan Data Total Padatan Tersuspensi dan Konsentrasi Sedimen Tersuspensi.
Dalam Prosiding Kongres Sumber Daya Air dan Lingkungan Dunia 2001, Orlando, FL, AS, 20–24 Mei 2001.
89. EPA AS. Inventarisasi Kualitas Air Nasional: Laporan kepada Kongres; Badan Perlindungan Lingkungan: Washington, DC, AS, 2017.
90. Wang, M.; Chen, T.; Wang, X. Koreksi Cepat Kekeruhan dan Interferensi CDOM pada Spektrum Fluoresensi Tiga Dimensi
Alga Hidup Berdasarkan Pembelajaran Mendalam. Fotonik 2023, 10, 627. [CrossRef]
91. Hidayati, NF; Rahman, M.; Fauzana, NA; Aisiah, S. Efektivitas Kitosan Dalam Menurunkan Nilai Warna, Kekeruhan, dan Total Padatan Terlarut Pada Air Limbah
Pencucian Udang. Rusia. J.Pertanian. Sosial Ekonomi. Sains. 2021, 115, 82–88. [Referensi Silang]
92. Andreo, VC; Dogliotti, AI; Tauro, CB Penginderaan Jauh Perkembangan Fitoplankton di Landas Kontinen dan Shelf-Break Argentina:
Perubahan Spatio-Temporal dan Fenologi. IEEE J.Sel. Atas. Aplikasi. Observasi Bumi. Sensor Jarak Jauh 2016, 9, 5315–5324. [Referensi Silang]
93. Dikirim, G.; Biguino, B.; Favareto, L.; Cruz, J.; Sá, C.; Dogliotti, AI; Palma, C.; Brotas, V.; Brito, AC Mendapatkan Parameter Kualitas Air Menggunakan Citra
Sentinel-2: Studi Kasus di Muara Sado, Portugal. Sensor Jarak Jauh 2021, 13, 1043. [CrossRef]
94. Dogliotti, AI; Ruddick, KG; Nechad, B.; Doxaran, D.; Knaeps, E. Algoritma Tunggal untuk Mengambil Kekeruhan dari Data Penginderaan Jauh di Seluruh Perairan
Pesisir dan Muara. Lingkungan Sensor Jarak Jauh. 2015, 156, 157–168. [Referensi Silang]
95. Dogliotti, AI; Ruddick, K.; Nechad, B.; Terakhir, C.; Mercado, A. Kalibrasi dan Validasi Algoritma Penginderaan Jauh
Kekeruhan di Muara Sungai La Plata, Argentina. eProsiding EARSeL 2011, 10, 119–130.
96. Ruddick, K.; Vanhellemont, Q.; Dogliotti, AI; Nechad, B.; Pringle, N.; Van der Zande, D. Peluang dan Tantangan Baru Penginderaan Jauh Warna Air Resolusi Tinggi.
Dalam Proceedings of the Ocean Optics XXIII, Victoria, BC, Kanada, 23–28 Oktober 2016.
97. Gokul, EA; Shanmugam, P.; Sundarabalan, B.; Sahay, A.; Chauhan, P. Memodelkan Sifat Optik Inheren dan Memperkirakan Konsentrasi Konstituen di Perairan Keruh
dan Eutrofik. Lanjutan Resolusi Rak. 2014, 84, 120–138. [Referensi Silang]
98. Nechad, B.; Ruddick, KG; Neukermans, G. Kalibrasi dan Validasi Algoritma Multisensor Generik untuk Pemetaan Kekeruhan di Perairan Pesisir. Dalam Prosiding
Penginderaan Jauh Samudera, Lautan Es, dan Kawasan Perairan Besar 2009; SPIE: Berlin, Jerman, 2009.
99. Knaeps, E.; Dogliotti, AI; Raymaekers, D.; Ruddick, K.; Sterckx, S. Bukti In Situ Reflektansi Bukan Nol di OLCI 1020nm
Band untuk Muara Keruh. Lingkungan Sensor Jarak Jauh. 2012, 120, 133–144. [Referensi Silang]
100. Camiolo, MD; Cozzolino, E.; Dogliotti, AI; Simionato, CG; Lasta, CA Algoritma Penginderaan Jauh Empiris untuk Pengambilan
Total Materi Tersuspensi di Wilayah Muara Besar. Sains. Maret 2019, 83, 53–60. [Referensi Silang]
101. Dogliotti, AI; Ruddick, K.; Nechad, B.; Lasta, C. Memperkirakan Kekeruhan di Sungai La Plata dari Citra MODIS. Dalam Prosiding Konferensi Internasional VI Masalah
Terkini dalam Optik Perairan Alam, St. Petersburg, Rusia, 6–10 September 2011; hal.1–8.
102. Imen, S.; Chang, NB; Yang, YJ Mengembangkan Sistem Peringatan Dini Berbasis Penginderaan Jauh untuk Memantau Konsentrasi TSS
di Danau Mead. J.Lingkungan. Kelola. 2015, 160, 73–89. [Referensi Silang] [PubMed]
103. Hajigholizadeh, M.; Moncada, A.; Kent, S.; Melesse, AM Keterhubungan Darat-danau dan Penerapan Penginderaan Jauh dalam Kualitas Air
Pemantauan di Danau Okeechobee, Florida, AS. Tanah 2021, 10, 147. [CrossRef]
104. Sanjoto, TB; Elwafa, AH; Tjahjono, H.; Sidiq, WABN Kajian Konsentrasi Padatan Tersuspensi Total Berdasarkan Algoritma Doxaran Menggunakan Citra Landsat 8 pada
Perairan Pesisir antara Muara Sungai Bodri sampai dengan Kanal Banjir Timur Kota Semarang. Konferensi IOP.
Ser. Lingkungan Bumi. Sains. 2020, 561, 012053. [Referensi Silang]
105. Edalat, MM; Stephen, H. Penilaian Kekeringan Sosial Ekonomi di Lake Mead, AS, Berdasarkan Standar Multivariat
Indeks Kelangkaan Air. Hidrol. Sains. J.2019 , 64, 555–569. [Referensi Silang]
106. Cantwell, RE; Hofmann, R. Sifat Penyerapan Ultraviolet dari Partikulat Tersuspensi di Perairan Permukaan yang Tidak Diolah.
Resolusi Air. 2011, 45, 1322–1328. [Referensi Silang]
107. Mabwoga, JADI; Chawla, A.; Thukral, AK Penilaian Parameter Kualitas Air Lahan Basah Harike di India, Ramsar
Situs, Menggunakan Data Satelit IRS LISS IV. Mengepung. Pantau. Menilai. 2010, 170, 117–128. [Referensi Silang] [PubMed]
108. Tawaran, S.; Siddique, G. Identifikasi Variasi Musiman Kekeruhan Air Menggunakan Metode NDTI di Bendungan Panchet Hill, India.
Model. Sistem Bumi. Mengepung. 2019, 5, 1179–1200. [Referensi Silang]
109. Rusydi, AF Korelasi Konduktivitas dan Total Padatan Terlarut pada Berbagai Jenis Air: Suatu Tinjauan. Konferensi IOP. Ser.
Lingkungan Bumi. Sains. 2018, 118, 012019. [Referensi Silang]
110. Chen, X.; Liu, L.; Zhang, X.; Li, J.; Wang, S.; Liu, D.; Duan, H.; Song, K. Penilaian Warna Air untuk Air Daratan di Tiongkok Menggunakan Indeks Forel-Ule Turunan
Landsat 8 dan Platform Mesin Google Earth. IEEE J.Sel. Atas. Aplikasi. Observasi Bumi. Sensor Jarak Jauh.
111. Schaeffer, BA; Schaeffer, KG; Keith, D.; Lunatta, RS; Conmy, R.; Gould, RW Hambatan dalam Mengadopsi Penginderaan Jauh Satelit
Manajemen Kualitas Air. Int. J. Sensor Jarak Jauh 2013, 34, 7534–7544. [Referensi Silang]
112. Kayhanian, M.; Suverkropp, C.; Ruby, A.; Tsay, K. Karakterisasi dan Prediksi Rata-rata Peristiwa Konstituen Limpasan Jalan Raya
Konsentrasi. J.Lingkungan. Kelola. 2007, 85, 279–295. [Referensi Silang]
113. Fallatah, O.; Khattab, MR Evaluasi Kualitas dan Kesesuaian Air Tanah untuk Keperluan Irigasi dan Konsumsi Manusia
di Arab Saudi. Air 2023, 15, 2352. [CrossRef]
114. Shareef, MA; Toumi, A.; Khenchaf, A. Estimasi dan Karakterisasi Indikator Fisika dan Kimia Anorganik Air
Kualitas dengan Menggunakan Gambar SAR. Anal Gambar SAR. Model. Teknologi. XV 2015, 9642, 96420U. [Referensi Silang]
115. Taylor, M.; Elliott, HA; Navitsky, LO Hubungan Total Padatan Terlarut dan Konduktivitas Listrik di Marcellus
Cairan Rekah Hidraulik. Ilmu Air. Teknologi. 2018, 77, 1998–2004. [Referensi Silang] [PubMed]
116.Pavelsky , TM; Smith, LC Penginderaan Jauh terhadap Konsentrasi Sedimen Tersuspensi, Kecepatan Aliran, dan Isi Ulang Danau di
Delta Perdamaian-Athabasca, Kanada. Sumber Daya Air. Res. 2009, 45, 1–16. [Referensi Silang]
117. Hasab, HA; Jawad, HA; Dibs, H.; Husain, HM; Al-Ansari, N. Evaluasi Parameter Kualitas Air di Zona Rawa Irak Selatan Berdasarkan Teknik Penginderaan Jauh dan
GIS. Air. Udara. Pencemaran Tanah. 2020, 231, 183. [Referensi Silang]
118. Giardino, C.; Bresciani, M.; Braga, F.; Cazzaniga, I.; De Keukelaere, L.; Knaeps, E.; Brando, VE Pemodelan Bio-Optik Total
Padatan Tersuspensi; Elsevier Inc.: Amsterdam, Belanda, 2017; ISBN 9780128046548.
119. Wang, F.; Han, L.; Kung, HT; van Arsdale, RB Penerapan Citra Landsat-5 TM dalam Menilai dan Memetakan Kualitas Air
di Danau Reelfoot, Tennessee. Int. J. Sensor Jarak Jauh 2006, 27, 5269–5283. [Referensi Silang]
120. Chen, L.; Ling, F.; Tukang roti, G.; Liu, WT; Medema, G.; van der Meer, W.; Liu, G. Menilai Efek Transisi dalam Sistem Distribusi Air Minum yang Disebabkan oleh
Perubahan Kualitas Air Pasokan: Pendekatan Tidak Langsung dengan Mengkarakterisasi Padatan Tersuspensi. Resolusi Air. 2020, 168, 115159. [Referensi Silang]
121. Rieger, L.; Langergraber, G.; Thomann, M.; Fleischmann, N.; Siegrist, H. Analisis Spektral In-Situ NO2, NO3, COD, DOC dan
TSS dalam Limbah IPAL. Ilmu Air. Teknologi. 2004, 50, 143–152. [Referensi Silang] [PubMed]
122. Moeini, M.; Shojaeizadeh, A.; Geza, M. Membimbing Pembelajaran Mesin untuk Estimasi Total Padatan Tersuspensi di Perkotaan
Daerah aliran sungai. Air 2021, 13, 147. [CrossRef]
123. Hach. Padat, Metode Total 8271. Tersedia online: https://images.hach.com/asset-get.download.jsa?id=7639984016 (diakses
pada tanggal 25 Juni 2023).
124. Yang, H.; Kong, J.; Hu, H.; Du, Y.; Gao, M.; Chen, F. Tinjauan Penginderaan Jauh untuk Pengambilan Kualitas Air: Kemajuan dan
Tantangan. Sensor Jarak Jauh 2022, 14, 1770. [CrossRef]
125. EPA AS. Metode Analisis Kimia Air dan Limbah; Badan Perlindungan Lingkungan: Washington, DC, AS, 1983.
126. Woodside, J. Apa Perbedaan Kekeruhan, TDS, dan TSS? Tersedia online: https://www.ysi.com/ysi-blog/water
blog-blog/2022/05/pemahaman-kekeruhan-tds-and-tss (diakses pada 8 Juni 2023).
127. Adjovu, GE; Stefanus, H.; Ahmad, S. Pemantauan Total Padatan Terlarut Menggunakan Indeks Reflektansi dan Salinitas Pita Penginderaan Jauh : Studi Kasus di
Bagian Imperial County, AZ-CA, di Sungai Colorado. Dalam Prosiding Kongres Lingkungan Hidup dan Sumber Daya Air Dunia 2022, Atlanta, GA, AS, 5–8 Juni
2022. [CrossRef]
128. Pereira, OJR; Merino, UGD; Montes, CR; Barbiero, L.; Rezende-Filho, AT; Lukas, Y.; Melfi, AJ Memperkirakan PH Air Menggunakan Citra Landsat Berbasis Awan
untuk Klasifikasi Baru Danau NhecolâNdia (Pantanal Brasil). Sensor Jarak Jauh 2020, 12, 1090.
[Referensi Silang]
129. DeLuca, NM; Zaitchik, BF; Curriero, FC Dapat Informasi Multispektral Meningkatkan Perkiraan Penginderaan Jauh dari Total yang Ditangguhkan
Padat? Studi Statistik di Teluk Chesapeake. Sensor Jarak Jauh 2018, 10, 1393. [CrossRef]
130. Moore, GK Penginderaan Jauh Satelit Kekeruhan Air. Hidrol. Sains. Banteng. 1980, 25, 407–421. [Referensi Silang]
131. Zhang, C.; Liu, Y.; Chen, X.; Gao, Y. Estimasi Konsentrasi Sedimen Tersuspensi di Aliran Utama Yangtze Berdasarkan
Data MSI Sentinel-2. Sensor Jarak Jauh 2022, 14, 4446. [CrossRef]
132. Mohseni, F.; Saba, F.; Mirmazloumi, SM; Amani, M.; Mokhtarzade, M.; Jamali, S.; Mahdavi, S. Pemantauan Kualitas Air Laut Menggunakan Teknik Penginderaan
Jauh: Suatu Tinjauan. Mar. Lingkungan. Res. 2022, 180, 105701. [Referensi Silang]
133. Dekker, AG; Zamurovic, Ž.; Hoogenboom, HJ; Peters, Penginderaan Jauh SWM, Pemodelan Kualitas Air Ekologis dan In Situ
Pengukuran: Studi Kasus di Danau Dangkal. Hidrol. Sains. J.1996 , 41, 531–547. [Referensi Silang]
134. Wang, JJ; Lu, XX Estimasi Konsentrasi Sedimen Tersuspensi Menggunakan Terra MODIS: Contoh dari Yangtze Bawah
Sungai, Cina. Sains. Lingkungan Total. 2010, 408, 1131–1138. [Referensi Silang]
135. Kong, JL; Matahari, XM; Wong, DW; Chen, Y.; Yang, J.; Yan, Y.; Wang, LX Model Semi-Analitis untuk Penginderaan Jauh Pengambilan Konsentrasi Sedimen
Tersuspensi di Teluk Bohai, Cina. Sensor Jarak Jauh 2015, 7, 5373–5397. [Referensi Silang]
136. Jally, SK; Mishra, AK; Balabantaray, S. Pengambilan Konsentrasi Sedimen Tersuspensi Danau Chilika, India Menggunakan
Data Satelit OLI Landsat-8. Mengepung. Ilmu Bumi. 2021, 80, 298. [Referensi Silang]
137. Marinho, RR; Harmel, T.; Martinez, JM; Junior, NPF Dinamika Spaiotemporal Sedimen Tersuspensi di Sungai Negro, Cekungan Amazon, dari Data Penginderaan
Jauh Situ dan Sentinel-2. ISPRS Int. J. Geo-Inf. 2021, 10, 86. [Referensi Silang]
138.Novoa , S.; Doxaran, D.; Ody, A.; Vanhellemont, Q.; Lafon, V.; Lubac, B.; Gernez, P. Koreksi Atmosfer dan Algoritma Multi-Kondisi untuk Penginderaan Jauh Multi-
Sensor Materi Partikulat Tersuspensi di Perairan Pesisir Tingkat Kekeruhan Rendah hingga Tinggi.
Sensor Jarak Jauh 2017, 9, 61. [CrossRef]
139. Mao, Z.; Chen, J.; Pan, D.; Tao, B.; Zhu, Q. Algoritma Penginderaan Jauh Regional untuk Materi Tersuspensi Total di Laut Cina Timur. Lingkungan Sensor Jarak
Jauh. 2012, 124, 819–831. [Referensi Silang]
140. Petus, C.; Chust, G.; Gohin, F.; Doxaran, D.; Froidefond, JM; Sagarminaga, Y. Memperkirakan Kekeruhan dan Total Materi Tersuspensi di Plume Sungai Adour
(Teluk Selatan Biscay) Menggunakan Citra MODIS 250-m. Lanjutan Resolusi Rak. 2010, 30, 379–392. [Referensi Silang]
141. Kupssinskü, LS; Guimaraes, TT; De Souza, EM; Zanotta, DC; Veronez, BAPAK; Gonzaga, L.; Mauad, FF Metode Prediksi Klorofil-a dan Padatan Tersuspensi
melalui Penginderaan Jauh dan Pembelajaran Mesin. Sensor 2020, 20, 2125. [CrossRef]
142. Peterson, KT; Sagan, V.; Sidike, P.; Cox, AL; Martinez, M. Estimasi Konsentrasi Sedimen yang Ditangguhkan dari Citra Landsat di sepanjang Sungai Missouri
Bawah dan Mississippi Tengah Menggunakan Mesin Pembelajaran Ekstrim. Sensor Jarak Jauh 2018, 10, 1503.
[Referensi Silang]
143. Najafzadeh, M.; Basirian, S. Evaluasi Indeks Kualitas Air Sungai Menggunakan Model Penginderaan Jauh dan Kecerdasan Buatan.
144. Alshehri, F.; Rahman, A. Menggabungkan Mesin dan Pembelajaran Mendalam dengan Kecerdasan Buatan yang Dapat Dijelaskan untuk Meningkatkan Prediksi
Kualitas Air Tanah dan Pengambilan Keputusan di Wilayah Arid, Arab Saudi. Air 2023, 15, 2298. [CrossRef]
145. Adjovu, GE; Stefanus, H.; Ahmad, S. Pendekatan Pembelajaran Mesin untuk Estimasi Konsentrasi Total Padatan Terlarut di Danau Mead Menggunakan
Konduktivitas Listrik dan Suhu. Air 2023, 15, 2439. [CrossRef]
146. Kumar, DN; Reshmidevi, Aplikasi Penginderaan Jauh TV di Sumber Daya Air. J. Inst. India. Sains. 2013, 93, 163–188.
147. Guo, H.; Huang, JJ; Chen, B.; Guo, X.; Singh, VP Strategi Berbasis Pembelajaran Mesin untuk Memperkirakan Air Aktif Non-Optik
Parameter Kualitas Menggunakan Citra Sentinel-2. Int. J. Penginderaan Jauh 2021, 42, 1841–1866. [Referensi Silang]
148. Ondrusek, M.; Stengel, E.; Kinkade, CS; Vogel, RL; Keegstra, P.; Pemburu, C.; Kim, C. Pengembangan Algoritma Materi Tersuspensi Total Optik Baru untuk Teluk
Chesapeake. Lingkungan Sensor Jarak Jauh. 2012, 119, 243–254. [Referensi Silang]
149. Allan, MG; Hicks, BJ; Brabyn, L. Penginderaan Jauh Kualitas Air di Danau Rotorua; Pusat Penelitian Keanekaragaman Hayati dan Ekologi, Departemen Ilmu
Biologi, Fakultas Sains dan Teknik, Universitas Waikato: Hamilton, Selandia Baru, 2007.
150. Allan, MG; Hamilton, DP; Hicks, BJ; Brabyn, L. Landsat Penginderaan Jauh Klorofil a Konsentrasi di Danau Pulau Utara Tengah Selandia Baru. Int. J. Sensor Jarak
Jauh 2011, 32, 2037–2055. [Referensi Silang]
151. Uudeberg, K.; Aavaste, A.; Kõks, K.-L.; Jawaban, A.; Uusõue, M.; Kangro, K.; Ansko, I.; Ligi, M.; Toming, K.; Reinart, A. Pendekatan Terpandu Jenis Air Optik untuk
Memperkirakan Parameter Kualitas Air Optik. Sensor Jarak Jauh 2020, 12, 931. [CrossRef]
152. Wojcik-Dugoborska, KA; Osinska, M.; Bialik, RJ Dampak Warna Suspensi Glasial Terhadap Hubungan Sifatnya dengan
Reflektansi Spektral Air Laut. IEEE J.Sel. Atas. Aplikasi. Observasi Bumi. Sensor Jarak Jauh 2022, 15, 3258–3268. [Referensi Silang]
153. Ouni, H.; Kawachi, A.; Irie, M.; Ben M'Barek, N.; Hariga-Tlatli, N.; Tarhouni, J. Perkembangan Indeks Kekeruhan Air (WTI) dan Karakteristik Musiman Distribusi Spasial Total
Suspended Matter (TSM) di Danau Ichkeul, Lahan Basah Payau Dangkal, Tunisia Timur Laut. Mengepung. Ilmu Bumi. 2019, 78, 228. [Referensi Silang]
154. Dogliotti, AI; Astaga, JI; Vanhellemont, Q.; Ruddick, KG Mendeteksi dan Mengukur Invasi Besar-besaran terhadap Tumbuhan Air Terapung di Perairan Keruh Río de La
Plata Menggunakan Citra Warna Laut Resolusi Spasial Tinggi. Sensor Jarak Jauh 2018, 10, 1140.
[Referensi Silang]
155. Knaeps, E.; Ruddick, KG; Doxaran, D.; Dogliotti, AI; Nechad, B.; Raymaekers, D.; Sterckx, S. Algoritma Berbasis SWIR untuk Mengambil Total Materi Tersuspensi di
Perairan Sangat Keruh. Lingkungan Sensor Jarak Jauh. 2015, 168, 66–79. [Referensi Silang]
156. Dewidar, K.; Ezaby, KE; Hari, HA; Ibrahim, M. Memetakan Beberapa Parameter Kualitas Air dengan Menggunakan Landsat-7 ETM+ untuk Manzala Lagoon, Mesir. Dalam
Prosiding Ilmu & Teknologi Lingkungan, Kairo, Mesir, 1–3 April 2008.
157. KC, A.; Chalise, A.; Parajuli, D.; Dhital, N.; Shrestha, S.; Kandel, T. Penilaian Kualitas Air Permukaan Menggunakan Penginderaan Jauh, Gis
dan Kecerdasan Buatan. Teknologi. J.2019 , 1, 113–122. [Referensi Silang]
158. Bernier, PY Penginderaan Jauh Gelombang Mikro dari Properti Snowpack: Potensi dan Keterbatasan. Utara. Hidrol. 1987, 18, 1–20.
[Referensi Silang]
159. Pemerintah Kanada. Pengenalan Penginderaan Jauh Gelombang Mikro. Tersedia online : https://www.nrcan.gc.ca/maps-tools-andpublications/satellite-imagery-and-air-
photos/tutorial-fundamentals-remote-sensing/microwave-remote-sensing/9371 ( diakses pada 12 Juli 2023).
160. Herndon, K.; Meyer, F.; Flores, A.; Cherrington, E.; Kucera, L. Apa itu Radar Bukaan Sintetis?|Data Bumi. Tersedia daring:
https://www.earthdata.nasa.gov/learn/backgrounders/what-is-sar (diakses pada 12 Juli 2023).
161.Zhang , K.; Amineh, RK; Dong, Z.; Nadler, D. Penginderaan Gelombang Mikro terhadap Kualitas Air. Akses IEEE 2019, 7, 69481–69493. [Referensi Silang]
162. Carter, WD; Engman, ET Penginderaan Jauh dari Satelit; Elsevier Inc.: Amsterdam, Belanda, 1984; ISBN 0080327516.
163. Engman, ET Penginderaan Jauh dalam Hidrologi. Geofisika. Monog. Ser. 1998, 108, 165–177. [Referensi Silang]
164. Koponen, S.; Pulliainen, J.; Kallio, K.; Hallikainen, M. Klasifikasi Kualitas Air Danau dengan Spektrometer Hiperspektral Udara
dan Simulasi Data MERIS. Lingkungan Sensor Jarak Jauh. 2002, 79, 51–59. [Referensi Silang]
165. Pelaku, R.; Schiller, H. Algoritma Air Kasus MERIS 2. Int. J. Sensor Jarak Jauh 2007, 28, 517–535. [Referensi Silang]
166. Myint, SW; Walker, ND Kuantifikasi Sedimen Tersuspensi Permukaan di Sepanjang Pantai yang Didominasi Sungai dengan NOAA AVHRR
dan Pengukuran WiFS Laut: Louisiana, AS. Int. J. Sensor Jarak Jauh 2002, 23, 3229–3249. [Referensi Silang]
167. Gholizadeh, MH; Melesse, AM; Reddi, L. Sensor Lintas Angkasa dan Udara dalam Penilaian Kualitas Air. Int. J. Sensor Jarak Jauh.
168. Semua tempat tidur, A.; Kumar, L. Pemetaan dan Pemantauan Salinitas Tanah di Daerah Kering dan Semi-Kering Menggunakan Teknologi Penginderaan Jauh: Suatu
Tinjauan. Adv. Sensor Jarak Jauh 2013, 2, 373–385. [Referensi Silang]
169. Fan, C. Analisis Spektral Reflektansi Air untuk Penginderaan Jauh Hiperspektral Kualitas Air di Perairan Muara. J. Geosci.
Mengepung. Prot. 2014, 2, 19–27. [Referensi Silang]
170. Terentev, A.; Dolzhenko, V.; Fedotov, A.; Eremenko, D. Keadaan Penginderaan Jauh Hiperspektral Saat Ini untuk Penyakit Tanaman Awal
Deteksi: Tinjauan. Sensor 2022, 22, 757. [CrossRef] [PubMed]
171. Topp, SN; Pavelsky, TM; Jensen, D.; Simard, M.; Ross, Penelitian MRV Tren Penggunaan Penginderaan Jauh untuk Perairan Darat
Ilmu Kualitas: Bergerak Menuju Aplikasi Multidisiplin. Air 2020, 12, 169. [CrossRef]
172. McCarthy, MJ; Colna, KE; El-Mezayen, MM; Laureano-Rosario, AE; Méndez-Lázaro, P.; Otis, DB; Petani Toro, G.; Vega Rodriguez, M.; Muller-Karger, FE Penginderaan
Jauh Satelit untuk Pengelolaan Pesisir: Tinjauan Penerapan yang Berhasil.
Mengepung. Kelola. 2017, 60, 323–339. [Referensi Silang] [PubMed]
173. Badan Antariksa Eropa. Ikhtisar SAR (ERS). Tersedia daring: http://earth.esa.int/eogateway/instruments/sar-ers/ keterangan (diakses pada 12 Juli 2023).
174. Li, X.; Ding, J.; Ilyas, N. Metode Machine Learning untuk Identifikasi Cepat Indeks Kualitas Air (WQI) Berbasis Sentinel-2
Data MSI: Studi Kasus Danau Ebinur. Ilmu Air. Teknologi. Pasokan Air 2021, 21, 1291–1312. [Referensi Silang]
175. Runge, A.; Grosse, G. Membandingkan Karakteristik Spektral Data Hari yang Sama Landsat-8 dan Sentinel-2 untuk Wilayah Arktik-Boreal.
176. Meijerink, AMJ; Spanduk, D.; Batelaan, O.; Lubczynski, MW; Pointet, T. Aplikasi Penginderaan Jauh pada Air Tanah; UNESCO:
Paris, Prancis, 2007.
177. Wu, M.; Zhang, W.; Wang, X.; Luo, D. Penerapan Data Satelit MODIS dalam Pemantauan Parameter Kualitas Air Chaohu
Danau di Cina. Mengepung. Pantau. Menilai. 2009, 148, 255–264. [Referensi Silang] [PubMed]
178. Badan Penerbangan dan Antariksa Nasional. MODIS. Tersedia online: https://aqua.nasa.gov/modis#:~:text= Instrumen MODIS pertama adalah, pada Aquain Mei
2002.&text=SelectedforflightonTerra,%2Ccross-trackscanningradiometer (diakses pada 26 Juni 2023).
179. Sahoo, DP; Sahoo, B.; Tiwari, MK MODIS-Algoritma Pita Tunggal Berbasis Landsat Fusion untuk Estimasi TSS dan Kekeruhan di Jangkauan Sungai yang Didominasi
Sampah Perkotaan. Resolusi Air. 2022, 224, 119082. [Referensi Silang]
180. Balasubramanian, SV; Pahlevan, N.; Smith, B.; Mengikat, C.; Schalles, J.; Loisel, H.; Gurlin, D.; Greb, S.; Alikas, K.; Randla, M.; dkk.
Algoritma yang Kuat untuk Memperkirakan Total Padatan Tersuspensi (TSS) di Perairan Pesisir Daratan dan Dekat Pantai. Lingkungan Sensor Jarak Jauh.
2020, 246, 111768. [Referensi Silang]

181. Niroumand-Jadidi, M.; Bovolo, F.; Bresciani, M.; Gege, P.; Giardino, C. Pengambilan Kualitas Air dari Citra Landsat-9 (OLI-2).
dan Perbandingan dengan Sentinel-2. Sensor Jarak Jauh 2022, 14, 4596. [CrossRef]
182. Sa'ad, FNA; Tahir, MS; Jemily, NHB; Ahmad, A.; Amin, ARM Pantau Total Konsentrasi Sedimen Tersuspensi di
Domain Spatiotemporal di Teluk Lipat Memanfaatkan Landsat 8 (OLI). Aplikasi. Sains. 2021, 11, 7082. [Referensi Silang]
183. Bhatti, AM; Rundquist, DC; Nasu, S.; Takagi, M. Menilai Potensi Data Penginderaan Jauh untuk Pemantauan Kualitas Air
Perairan Pesisir dan Perairan Darat. sosial. sosial. Kelola. sistem. 2008, 5, 1–7.
184. Badan Antariksa Eropa. TEMPAT 6—Bumi Online. Tersedia online: https://earth.esa.int/eogateway/missions/spot-6 (diakses pada 27 Juni 2023).
185. Brando, VE; Dekker, AG Penginderaan Jauh Hiperspektral Satelit untuk Estimasi Kualitas Air Muara dan Pesisir. IEEE Trans. Geosci. Sensor Jarak Jauh 2003, 41, 1378–
186. Putra, SH; Kim, YH; Kwon, J., II; Kim, HC; Park, KS Karakterisasi Variasi Spasial dan Temporal Sedimen Tersuspensi di Laut Kuning dan Laut Cina Timur Menggunakan
Data Warna Samudera Satelit. Sensor Jarak Jauh GIScience 2014, 51, 212–226.
[Referensi Silang]
187. Aguirre-Gomez, R. Deteksi Total Sedimen Tersuspensi di Laut Utara Menggunakan AVHRR dan Data Kapal. Int. J. Sensor Jarak Jauh.
188. Payra, S.; Sharma, A.; Verma, S. Penerapan Penginderaan Jauh untuk Mempelajari Kebakaran Hutan. Dalam Penginderaan Jauh Atmosfer; Elsevier: Amsterdam, Belanda,
2023; hal.239–260. [Referensi Silang]
189. Maliki, AAA; Chabuk, A.; Sultan, MA; Hasyim, BM; Husain, HM; Al-Ansari, N. Estimasi Total Padatan Terlarut di Perairan Berdasarkan Indeks Spektral Studi Kasus: Sungai
Shatt Al-Arab. Air. Udara. Pencemaran Tanah. 2020, 231, 482. [Referensi Silang]
190. Adjovu, GE; Ahmad, S.; Stephen, H. Analisis Material Tersuspensi di Danau Mead Menggunakan Indeks Penginderaan Jauh. Dalam Prosiding
Kongres Lingkungan Hidup dan Sumber Daya Air Dunia 2021, Secara Virtual, 7–11 Juni 2021. [CrossRef]
191. Johnson, RW; Harriss, RC Penginderaan Jauh untuk Kualitas Air dan Pengukuran Biologis di Perairan Pesisir. Fotogram. bahasa Inggris
Sensor Jarak Jauh 1980, 46, 77–85.
192.Zhang , Y.; Pulliainen, J.; Koponen, S.; Hallikainen, M. Penerapan Jaringan Syaraf Empiris untuk Estimasi Kualitas Air Permukaan di Teluk Finlandia Menggunakan Gabungan
Data Optik dan Data Gelombang Mikro. Lingkungan Sensor Jarak Jauh. 2002, 81, 327–336.
[Referensi Silang]
193.Wilson , WJ; Yueh, SH; Dinardo, SJ; Chazanoff, SL; Kitiyakara, A.; Li, FK; Rahmat-Samii, Y. Sensor Gelombang Mikro Pasif Aktif L- dan S Band (PALS) untuk Pengukuran
Salinitas Laut dan Kelembaban Tanah. IEEE Trans. Geosci. Sensor Jarak Jauh 2001, 39, 1039–1048. [Referensi Silang]
194. Reul, N.; Grodsky, SA; Arias, M.; Boutin, J.; Catany, R.; Chapron, B.; D'Amico, F.; Dinnat, E.; Donlon, C.; Kedepan, A.; dkk.
Perkiraan Salinitas Permukaan Laut dari Radiometer L-Band Luar Angkasa: Gambaran Umum Pengamatan Dekade Pertama (2010–2019).
Lingkungan Sensor Jarak Jauh. 2020, 242, 111769. [Referensi Silang]
195. Khan, NM; Rastoskuev, VV; Sato, Y.; Shiozawa, S. Kajian Degradasi Lahan Hidrosalin dengan Pendekatan Sederhana
Indikator Penginderaan Jauh. Pertanian. Pengelolaan Air. 2005, 77, 96–109. [Referensi Silang]
196. Herrault, PA; Gandois, L.; Gascoin, S.; Tananaev, N.; Le Dantec, T.; Teisserenc, R. Menggunakan Penginderaan Jauh Optik Spatio-Temporal Tinggi untuk Memantau Karbon
Organik Terlarut di Sungai Arktik Yenisei. Sensor Jarak Jauh 2016, 8, 803. [CrossRef]
197. Gallagher, LC Bahan Organik Terlarut di Perairan Pesisir dan Darat; Universitas Victoria: Victoria, BC, Kanada, 2004.
198. Montalvo, LG Analisis Spektral Material Tersuspensi di Perairan Pesisir: Perbandingan Persamaan Matematika Pita; Departemen
Geologi, Universitas Puerto Rico: Mayaguez, PR, USA, 2010; hal.1–6.
199. Arisanty, D.; Nur Saputra, A. Kajian Penginderaan Jauh Variasi Konsentrasi Sedimen Tersuspensi di Delta Barito. Konferensi IOP.
Ser. Lingkungan Bumi. Sains. 2017, 98, 1–6. [Referensi Silang]
200. Malahlela, OE Penilaian Spatio-Temporal Kualitas Air Permukaan Daratan Menggunakan Data Penginderaan Jauh Akibat Perubahan Iklim. Konferensi IOP. Ser. Lingkungan
Bumi. Sains. 2019, 227, 062012. [Referensi Silang]
201. Abbas, A.; Khan, S. Menggunakan Teknik Penginderaan Jauh untuk Penilaian Salinitas Tanah Irigasi; Masyarakat Pemodelan dan Simulasi
Australia dan Selandia Baru: Canberra, Australia, 2007; hal.2632–2638.
202. Veronez, BAPAK; Kupssinskü, LS; Guimaraes, TT; Kost, EC; Da Silva, JM; De Souza, LV; Oliverio, WFM; Jardim, RS; Koch, saya.; De Souza, JG; dkk. Usulan Metode untuk
Menentukan Korelasi Total Padatan Tersuspensi dan Bahan Organik Terlarut pada Perairan dari Pencitraan Spektral dan Jaringan Syaraf Tiruan. Sensor 2018, 18, 159.
[CrossRef] [PubMed]
203. Mustafa, MT; Hassoon, KI; Husain, HM; Abd, MH Menggunakan Indeks Air (NDWI, MNDWI, NDMI, WRI dan AWEI) Untuk Mendeteksi Parameter Fisika dan Kimia Dengan
Menerapkan Teknik Penginderaan Jauh dan Gis. Int. J.Res.—Granthaalayah 2017, 5, 117–128.
[Referensi Silang]
204. Abdullah, HSA; Mahdi, LSL; Ibrahim, HMI Model Penilaian Kualitas Air Danau Dokan Menggunakan Landsat 8 OLI
Gambar Satelit. J. Zankoy Sulaimani—Bagian A 2017, 19, 25–42. [Referensi Silang]
205. Aral, MM Kualitas Air, Paparan dan Kesehatan: Maksud dan Sasaran. Kualitas Air. Pameran. Kesehatan 2009, 1, 1–4. [Referensi Silang]
206. Abdelmalik, KW Peran Statistik Penginderaan Jauh untuk Prediksi Parameter Kualitas Air Darat. Mesir. J. Penginderaan Jauh. Sp.
Sains. 2018, 21, 193–200. [Referensi Silang]
207. Survei Geologi Amerika Serikat (USGS). Apa Penunjukan Pita pada Satelit Landsat? Tersedia daring: https:
//www.usgs.gov/faqs/what-are-band-designations-landsat-satellite (diakses pada 3 Juli 2023).
208. Elmahdy, SI; Mohamed, MM Dampak Perubahan Tata Guna/Tata Lahan terhadap Kuantitas dan Kualitas Air Tanah: Studi Kasus di Emirat Ajman, Uni Emirat
Arab, Menggunakan Penginderaan Jauh dan GIS. Arab. J. Geosci. 2016, 9, 722. [Referensi Silang]
209. Halaman, BP; Olmanson, LG; Mishra, DR Alur Kerja Pemrosesan Gambar yang Harmonisasi Menggunakan Sentinel-2/MSI dan Landsat-8/OLI untuk Memetakan
Kejernihan Air dalam Sistem Danau Variabel Optik. Lingkungan Sensor Jarak Jauh. 2019, 231, 111284. [Referensi Silang]
210. Pahlevan, N.; Chitimalli, SK; Balasubramanian, SV; Vellucci, V. Sentinel-2/Landsat-8 Konsistensi Produk dan Implikasinya terhadap Pemantauan Sistem
Perairan. Lingkungan Sensor Jarak Jauh. 2019, 220, 19–29. [Referensi Silang]
211. Badan Antariksa Eropa. Buku Panduan Pengguna Sentinel-2. Tersedia daring: https://sentinel.esa.int/documents/247904/685211/ sentinel-2_buku
pegangan_pengguna (diakses pada 3 Juli 2023).
212. Ferdous, J.; Rahman, MTU Mengembangkan Model Empiris dari Seri Data Landsat untuk Pemantauan Salinitas Air di Pesisir
Bangladesh. J.Lingkungan. Kelola. 2020, 255, 109861. [Referensi Silang] [PubMed]
213. Tran1, PH; Nguyen, AK; Liou, Y.-A.; Hoang, PP; Thanh, HN Estimasi Intrusi Salinitas dengan Menggunakan Data Landsat 8 OLI di
Delta Mekong, Vietnam. Prog. Planet Bumi. Sains. 2020, 7, 1. [Referensi Silang]
214. Hossain, AKMA; Chao, X.; Jia, Y. Pengembangan Indeks Berbasis Penginderaan Jauh untuk Pendugaan/Pemetaan Konsentrasi Sedimen Tersuspensi di
Lingkungan Sungai dan Danau. Dalam Prosiding Simposium Internasional ke-8 tentang ECOHYDRAULICS, Seoul, Republik Korea, 12 September 2010;
hal.578–585.
215. Nechad, B.; Ruddick, KG; Park, Y. Kalibrasi dan Validasi Algoritma Multisensor Generik untuk Pemetaan Total
Materi Tersuspensi di Perairan Keruh. Lingkungan Sensor Jarak Jauh. 2010, 114, 854–866. [Referensi Silang]
216. Coskun, HG; Tanik, A.; Alganci, U.; Cigizoglu, HK Penentuan Kualitas Lingkungan Suatu Waduk Air Minum oleh
Penginderaan Jauh, GIS dan Analisis Regresi. Air. Udara. Pencemaran Tanah. 2008, 194, 275–285. [Referensi Silang]
217. Miller, JL; Goodberlet, M. Pengembangan dan Penerapan STARRS: Pencitra Salinitas Udara Generasi Berikutnya. Int. J. Penginderaan Jauh 2004 , 25, 1319–
218. Jin, X.; Dia, X.; Bai, Y.; Shanmugam, P.; Ying, J.; Gong, F.; Zhu, Q. Penilaian dan Peningkatan Gelombang Mikro Permukaan Laut
Model Emisi Pengambilan Salinitas di Laut Cina Timur. Sensor Jarak Jauh 2019, 11, 2486. [CrossRef]
219. Vinogradova, NT; Ponte, RM Variabilitas Skala Kecil dalam Salinitas Permukaan Laut dan Implikasinya terhadap Pengukuran Berasal dari Satelit.
J.Atmos. Laut. Teknologi. 2013, 30, 2689–2694. [Referensi Silang]
220. Sasis, EP; Hurlburt, DIA; Metzger, EJ; Smedstad, OM; Cummings, JA; Halliwell, GR; Bleck, R.; Baraille, R.; Kerajinan Dinding, AJ; Lozano, C.; dkk. Prediksi
Samudera Global dengan Hybrid Coordinate Ocean Model (HYCOM). Oseanografi 2009, 22, 64–75. [Referensi Silang]
221. Kao, HY; Lagerloef, GSE; Lee, T.; Melnichenko, O.; Meissner, T.; Hacker, P. Penilaian Salinitas Permukaan Laut Aquarius. Terpencil
Sens.2018 , 10, 1341. [CrossRef]
222. D'Sa, EJ; Zaitzeff, JB; Steward, RG Memantau Kualitas Air di Teluk Florida dengan Salinitas Penginderaan Jauh dan di Situ
Pengamatan Bio-Optik. Int. J. Sensor Jarak Jauh 2000, 21, 811–816. [Referensi Silang]
223. Ray, R.; Mandal, S.; Dhara, A. Pemantauan Lingkungan Muara: Estimasi dan Pemetaan Berbagai Indikator Lingkungan di Kompleks Muara Matla, Menggunakan
Data Digital Landsat TM. Int. J.Geomat. Geosci. 2013, 3, 570–581. [Referensi Silang]
224. Chao, X.; Jia, Y.; Azad Hossain, AKM Pemodelan Numerik Transportasi Sedimen dan Pengaruhnya terhadap Sebaran Biomassa Alga di Danau Pontchartrain
Akibat Pelepasan Banjir dari Bonnet Carré Pelimpah. J. Geosci. Mengepung. Prot. 2016, 4, 64–79. [Referensi Silang]
225.Hu , C.; Chen, Z.; Clayton, TD; Swarzenski, P.; Brock, JC; Muller-Karger, FE Penilaian Indikator Kualitas Air Muara Menggunakan Pita
Resolusi Menengah MODIS: Hasil Awal dari Tampa Bay, FL. Lingkungan Sensor Jarak Jauh. 2004, 93, 423–441. [Referensi Silang]
226. Miller, RL; McKee, BA Menggunakan Citra MODIS Terra 250 m untuk Memetakan Konsentrasi Total Materi Tersuspensi di Perairan Pesisir.
Lingkungan Sensor Jarak Jauh. 2004, 93, 259–266. [Referensi Silang]
227. Doxaran, D.; Cherukuru, RCN; Lavender, SJ Penggunaan Rasio Pita Reflektansi untuk Memperkirakan Materi Tersuspensi dan Terlarut
Konsentrasi di Perairan Muara. Int. J. Penginderaan Jauh 2005, 26, 1763–1769. [Referensi Silang]
228. Hafeez, S.; Wong, MS; Ho, HC; Nazeer, M.; Nichol, J.; Abbas, S.; Tang, D.; Lee, KH; Pun, L. Perbandingan Algoritma Pembelajaran Mesin untuk Pengambilan
Indikator Kualitas Air di Perairan Kasus-II: Studi Kasus di Hong Kong. Sensor Jarak Jauh 2019, 11, 617.
[Referensi Silang]
229. Sudheer, KP; Chaubey, saya.; Garg, V. Penilaian Kualitas Air Danau dari Data Pemeta Tematik Landsat Menggunakan Jaringan Syaraf Tiruan: Suatu
Pendekatan Pemilihan Kombinasi Pita Optimal. Selai. Sumber Daya Air. Asosiasi. 2006, 42, 1683–1695. [Referensi Silang]
230. Lagu, K.; Li, L.; Li, S.; Tedesco, L.; Aula, B.; Li, L. Penginderaan Jauh Hiperspektral Total Fosfor (TP) di Tiga Indiana Tengah
Waduk Pasokan Air. Pencemaran Tanah Udara Air. 2012, 223, 1481–1502. [Referensi Silang]
231. AL-Fahdawi, AAH; Rabee, AM; Al-Hirmizy, SM Pemantauan Kualitas Air Danau Al-Habbaniyah Menggunakan Penginderaan Jauh
dan Pengukuran di Situ. Mengepung. Pantau. Menilai. 2015, 187, 367. [Referensi Silang]
232. Li, J.; Chen, X.; Tian, L.; Huang, J.; Feng, L. Peningkatan Kemampuan Satelit Penginderaan Jauh Resolusi Tinggi Tiongkok GF-1 untuk Memantau Materi
Partikulat Tersuspensi (SPM) di Perairan Darat: Pertimbangan Radiometrik dan Spasial. ISPR J.
Fotogram. Sensor Jarak Jauh 2015, 106, 145–156. [Referensi Silang]
233. Masocha, M.; Murwira, A.; Magaza, PJK; Hirji, R.; Dube, T. Penginderaan Jauh Kualitas Air Permukaan dalam Kaitannya dengan Daerah Tangkapan Air
Kondisi di Zimbabwe. Fis. kimia. Bumi 2017, 100, 13–18. [Referensi Silang]
234. Isidro, CM; McIntyre, N.; Lechner, SAYA; Callow, I. Mengukur Padatan Tersuspensi di Sungai Kecil Menggunakan Data Satelit. Sains. Total
Mengepung. 2018, 634, 1554–1562. [Referensi Silang]
235. Jerman, ES; Alameddine, I.; El-Fadel, M. Memantau Kualitas Air di Waduk Hipereutrofik Menggunakan Sensor Landsat ETM+ dan OLI: Seberapa Dapat Dipindahtangankan
Algoritma Kualitas Air? Mengepung. Pantau. Menilai. 2018, 190, 141. [Referensi Silang] [PubMed]
236. Saberioon, M.; Brom, J.; Nedbal, V.; Souÿcek, P.; Císarÿc, P. Klorofil-a dan Pengambilan dan Pemetaan Padatan Tersuspensi Total Menggunakan Sentinel-2A dan
Pembelajaran Mesin untuk Perairan Darat. ramah lingkungan. Indeks. 2020, 113, 106236. [Referensi Silang]
237. Japitana, MV; Burce, MEC Teknik Penginderaan Jauh Berbasis Satelit untuk Estimasi Kualitas Air Permukaan. bahasa Inggris Teknologi.
Aplikasi. Sains. Res. 2019, 9, 3965–3970. [Referensi Silang]
238. Abbas, BAPAK; Rasib, AWB; Ahmad, BB; Musa, TAB; Abbas, TR; Dutsenwai, HS Data Landsat untuk Memperkirakan Model Air
Parameter Kualitas di Sungai Tigris dan Efrat—Irak. Int. J.Adv. Aplikasi. Sains. 2019, 6, 50–58. [Referensi Silang]
239. Aljoborey, ADA; Abdulhay, HS Memperkirakan Total Padatan Terlarut dan Total Padatan Tersuspensi di Danau Bendungan Mosul di Situ dan
Menggunakan Teknik Penginderaan Jauh. Periode. bahasa Inggris Nat. Sains. AS 2019, 7, 1755–1767. [Referensi Silang]
240. Kumar, V.; Sharma, A.; Bhardwaj, R.; Thukral, AK Kualitas Air River Beas, India, dan Korelasinya dengan Data Reflektansi.
J. Kimia Air. Teknologi. 2020, 42, 134–141. [Referensi Silang]
241. Ewusi, A.; Ahenkorah, I.; Aikins, D. Pemodelan Total Padatan Terlarut dalam Sistem Penyediaan Air Menggunakan Regresi dan
Pendekatan Pembelajaran Mesin yang Diawasi. Aplikasi. Ilmu Air. 2021, 11, 13. [Referensi Silang]
242. Bayati, M.; Danesh-Yazdi, M. Memetakan Variabilitas Salinitas Spatiotemporal di Danau Hipersalin Urmia Menggunakan Sentinel-2
dan Citra Landsat-8. J. Hidrol. 2021, 595, 126032. [Referensi Silang]
243. Ferdous, J.; Ur Rahman, MT; Ghosh, SK Deteksi Total Padatan Terlarut dari Citra Landsat 8 OLI di Pesisir Bangladesh.
Int. Konf. Klim. Perubahan. 2019, 3, 35–44. [Referensi Silang]
244. Ali Syekh, T.; Ahmad, S.; Stephen, H. Menilai Perubahan Spaiotemporal Tutupan Lahan dan Konsentrasi Total Padatan Terlarut Menggunakan Data Penginderaan Jauh.
Dalam Prosiding Kongres Lingkungan Hidup dan Sumber Daya Air Sedunia, Secara Virtual, 7–11 Juni 2021; Perkumpulan Insinyur Sipil Amerika: Reston, VA, AS, 2021;
hal.384–396.
245. Batur, E.; Maktav, D. Penilaian Kualitas Air Permukaan dengan Menggunakan Fusi Citra Satelit Berbasis Metode PCA di Danau
Gala, Turki. IEEE Trans. Geosci. Sensor Jarak Jauh 2019, 57, 2983–2989. [Referensi Silang]
246. Ansari, M.; Akhoondzadeh, M. Memetakan Salinitas Air Menggunakan Citra Satelit Landsat-8 OLI (Studi Kasus: Cekungan Karun Terletak di Iran). Adv. Resolusi Ruang. 2020,
247. Matahari, D.; Su, X.; Qiu, Z.; Wang, S.; Mao, Z.; He, Y. Estimasi Penginderaan Jauh Salinitas Permukaan Laut dari Pengukuran GOCI di
Laut Kuning Selatan. Sensor Jarak Jauh 2019, 11, 775. [CrossRef]
248. Zhao, J.; Temimi, M.; Ghedira, H. Penginderaan Jarak Jauh Salinitas Permukaan Laut di Teluk Arab yang Hiper-Saline: Penerapan pada Landsat
8 Data OLI. muara. Pesisir. Rak Sains. 2017, 187, 168–177. [Referensi Silang]
249. Somvanshi, S.; Kunwar, P.; Singh, NB; Syukla, SP; Pathak, V. Pendekatan Penginderaan Jauh dan GIS Terintegrasi untuk Kualitas Air
Analisis Sungai Gomti, Uttar Pradesh. Int. J.Lingkungan. Sains. 2012, 3, 62–75. [Referensi Silang]
250. Xu, H.; Xu, G.; Wen, X.; Hu, X.; Wang, Y. Efek Lockdown pada Konsentrasi Total Padatan Tersuspensi di Hilir Sungai Min (Tiongkok) selama COVID-19 Menggunakan Citra
Penginderaan Jauh Rangkaian Waktu. Int. J. Aplikasi. Observasi Bumi. Geoinf. 2021, 98, 102301. [Referensi Silang]
251. Jiang, D.; Matsushita, B.; Pahlevan, N.; Gurlin, D.; Lehmann, MK; Fichot, CG; Schalles, J.; Loisel, H.; Mengikat, C.; Zhang, Y.; dkk.
Memperkirakan Konsentrasi Total Padatan Tersuspensi dari Jarak Jauh di Perairan Jernih hingga Sangat Keruh Menggunakan Metode Semi-Analitis Baru. Lingkungan
Sensor Jarak Jauh. 2021, 258, 112386. [Referensi Silang]
252. Di Trapani, A.; Corbari, C.; Mancini, M. Pengaruh Bendungan Tiga Ngarai terhadap Total Sedimen Tersuspensi dari Modis dan Landsat
Data Satelit. Air 2020, 12, 3259. [CrossRef]
253. Chen, J.; Quan, W.; Cui, T.; Song, Q. Estimasi Total Konsentrasi Materi Tersuspensi dari Data MODIS Menggunakan Model Jaringan Syaraf Tiruan di Zona Pesisir Timur
Tiongkok. muara. Pesisir. Rak Sains. 2015, 155, 104–113. [Referensi Silang]
254. Kang, W.; Lee, K.; Kim, S. Penggunaan Warna Gambar Bawah Air untuk Menentukan Konsentrasi Sedimen Tersuspensi yang Terangkut ke Wilayah Pesisir. Aplikasi. Sains.
255. Hamidi, SA; Hosseiny, H.; Ekhtari, N.; Khazaei, B. Menggunakan Data Penginderaan Jauh MODIS untuk Memetakan Spatio-Temporal
Variabilitas Kualitas Air dan Kekeruhan Sungai. J.Pantai. Konservasi. 2017, 21, 939–950. [Referensi Silang]
256. Yepez, S.; Laraque, A.; Martinez, JM; De Sa, J.; Carrera, JM; Castellanos, B.; Gallay, M.; Lopez, JL Pengambilan Konsentrasi Sedimen Tersuspensi Menggunakan Citra Satelit
Landsat-8 OLI di Sungai Orinoco (Venezuela). Comptes Rendus—Geosci. 2018, 350, 20–30. [Referensi Silang]
257. Wang, C.; Chen, S.; Li, D.; Wang, D.; Liu, W.; Yang, J. Model Berbasis Landsat untuk Mengambil Konsentrasi Total Padatan Tersuspensi di Muara dan Pantai di Tiongkok.
Geosci. Pengembang Model. 2017, 10, 4347–4365. [Referensi Silang]
258. Chen, J.; Cui, T.; Qiu, Z.; Lin, C. Model Semi-Analitik Tiga Pita untuk Mendapatkan Total Konsentrasi Sedimen Tersuspensi dari Data HJ-1A/CCD di Perairan Pesisir Keruh.
ISPRS J. Fotogram. Sensor Jarak Jauh 2014, 93, 1–13. [Referensi Silang]
259. Sharaf El Din, E.; Zhang, Y.; Suliman, A. Pemetaan Konsentrasi Parameter Kualitas Air Permukaan Menggunakan Novel Remote
Kerangka Penginderaan dan Kecerdasan Buatan. Int. J. Sensor Jarak Jauh 2017, 38, 1023–1042. [Referensi Silang]
260. Braga, F.; Giardino, C.; Bassani, C.; Matta, E.; Candiani, G.; Strombeck, N.; Adamo, M.; Bresciani, M. Menilai Kualitas Air di Laut Adriatik Utara dari Data Hicotm. Sensor Jarak
Jauh Lett. 2013, 4, 1028–1037. [Referensi Silang]
261. Normand, AE Landsat 9 dan Masa Depan Program Pencitraan Tanah Berkelanjutan; Layanan Penelitian Kongres: Washington, DC, AS,
2020; hlm.1–31.
262. Olmanson, LG; Brezonik, PL; Bauer, ME Evaluasi Citra Satelit Resolusi Menengah hingga Rendah untuk Air Danau Regional
Penilaian Kualitas. Sumber Daya Air. Res. 2011, 47, 1–14. [Referensi Silang]
263. Garcia, RA; Lee, Z.; Hochberg, EJ Penginderaan Jauh Perairan Dangkal Hiperspektral dengan Pengklasifikasi Bentik yang Ditingkatkan. Terpencil
Sens.2018 , 10, 147. [CrossRef]
264. Lyzenga, DR Penginderaan Jauh Parameter Reflektansi Bawah dan Atenuasi Air di Perairan Dangkal Menggunakan Pesawat Terbang dan
Data Landsat. Int. J. Penginderaan Jauh 1981, 2, 71–82. [Referensi Silang]
265. Rahman, MT Penerapan Teknologi Penginderaan Jauh Aktif untuk Penilaian Kerusakan Akibat Bencana Alam. Dalam Teknik Penginderaan Jauh dan Aplikasi GIS
dalam Studi Bumi dan Lingkungan; IGI Global: Hershey, PA, AS, 2017; hal.212–227.
ISBN 978-1-5225-1814-3.
266. Chang, J.; Clay, ED Bab 22: Mencocokkan Penginderaan Jauh dengan Masalah. Di iGrow Corn: Praktik Manajemen Terbaik; Dakota Selatan
Universitas Negeri: Brookings, SD, AS, 2016.
267. Lagu, K.; Li, L.; Wang, Z.; Liu, D.; Zhang, B.; Xu, J.; Du, J.; Li, L.; Li, S.; Wang, Y. Pengambilan Konsentrasi Total Suspended Matter (TSM) dan Klorofil-a (Chl-a)
dari Data Penginderaan Jauh Sumber Daya Air Minum. Mengepung. Pantau. Menilai. 2011, 184, 1449–1470. [Referensi Silang] [PubMed]
268. Abdelal, Q.; Assaf, MN; Al-Rawabdeh, A.; Arabasi, S.; Rawashdeh, NA Penilaian OLI Sentinel-2 dan Landsat-8 untuk Pemodelan dan Pemantauan Kualitas Air
Darat Skala Kecil Berdasarkan Handheld Hyperspectral Ground Truthing. J. Sens.2022 , 2022, 4643924. [CrossRef]
269. Dunn, AM; Hofmann, OS; Perairan, B.; Witchel, E. Menyelubungi Malware dengan Modul Platform Tepercaya. Dalam Prosiding Simposium Keamanan USENIX
ke-20 (USENIX Security 11), San Francisco, CA, AS, 10–12 Agustus 2011; hal.395–410.
270. Bui, QT; Jamet, C.; Vantrepotte, V.; Mériaux, X.; Cauvin, A.; Mograne, MA Evaluasi Algoritma Koreksi Atmosfer Sentinel-2/MSI di Dua Perairan Pesisir Prancis yang
Berbeda. Sensor Jarak Jauh 2022, 14, 1099. [CrossRef]
271. Adjovu, GE Mengevaluasi Kinerja Alat Berbasis GIS untuk Menggambarkan Sengkedan Sepanjang Dua Jalan Raya di Tennessee.
Tesis Master, Universitas Teknologi Tennessee, Cookeville, TN, AS, 2020.
272. Moriasi, DN; Arnold, JG; Van Liew, MW; Bingner, RL; Harmel, RD; Veith, Pedoman Evaluasi Model TL untuk Sistematis
Kuantifikasi Akurasi dalam Simulasi Daerah Aliran Sungai. Trans. ASABE 2007, 50, 885–900. [Referensi Silang]
273. da Silva, MG; de Aguiar Netto, AdO; de Yesus Neves, RJ; lakukan Vasco, AN; Almeida, C.; Faccioli, Analisis Sensitivitas GG dan
Kalibrasi Pemodelan Hidrologi DAS Brasil Timur Laut. J.Lingkungan. Prot. 2015, 6, 837–850. [Referensi Silang]
274. Adjovu, GE; Gamble, R. Pengembangan Model HEC-HMS untuk DAS Cane Creek. Dalam Prosiding Simposium Sumber Daya Air Tennessee ke-28 Bagian
Tennessee dari American Water Resources Association, Montgomery Bell State Park, Burns, TN, AS, 10–12 April 2019; Bagian Tennessee dari Asosiasi Sumber
Daya Air Amerika: Nashville, TN, AS, 2019; hal.1C-2–1C-6. Tersedia daring: https://img1.wsimg.com/blobby/go/12ed7af3-57dc-468c-af58-da8360f35f16/downloads/
Prosiding2019.pdf?ver=1618503482462 (diakses pada 12 Juli 2023).
275. Li, Y.; Li, X.; Xu, C.; Tang, X. Model Prediksi Oksigen Terlarut untuk Daerah Aliran Sungai Yangtze Menggunakan IPSO-LSSVM. Air
276. Wang, X.; Zhang, F.; Ding, J. Evaluasi Kualitas Air Berdasarkan Algoritma Machine Learning dan Indeks Kualitas Air untuk
DAS Danau Ebinur, Cina. Sains. Rep.2017 , 7, 12858. [CrossRef]
277. Dias, RLS; da Silva, DD; Fernandes-Filho, EI; lakukan Amaral, CH; dos Santos, EP; Marques, JF; Veloso, Model Pembelajaran Mesin GV yang Diterapkan pada
Estimasi TSS di Reservoir Menggunakan Sensor Multispektral Onboard ke RPA. ramah lingkungan. Memberitahukan. 2021, 65, 101414.
[Referensi Silang]
278. Pahlevan, N.; Sarkar, S.; Franz, BA; Balasubramanian, SV; He, J. Sentinel-2 MultiSpectral Instrument (MSI) Pemrosesan Data untuk Aplikasi Ilmu Perairan:
Demonstrasi dan Validasi. Lingkungan Sensor Jarak Jauh. 2017, 201, 47–56. [Referensi Silang]
Penafian/Catatan Penerbit: Pernyataan, opini, dan data yang terkandung dalam semua publikasi adalah sepenuhnya milik masing-masing penulis dan kontributor dan
bukan milik MDPI dan/atau editor. MDPI dan/atau editor melepaskan tanggung jawab atas kerugian apa pun pada orang atau properti akibat ide, metode, instruksi, atau
produk apa pun yang dirujuk dalam konten.

Remotesensing 15 03534

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Remotesensing 15 03534

Diunggah oleh

Hak Cipta:

Format Tersedia

Machine Translated by Google

Pengukuran Total Padatan Terlarut dan Total Suspended

* Korespondensi: sajjad.ahmad@unlv.edu; Telp: +1-702-895-5456

Artikel ini adalah artikel akses terbuka

Sensor Jarak Jauh 2023, 15, 3534. https://doi.org/10.3390/rs15143534 https://www.mdpi.com/journal/remotesensing

Sensor Jarak Jauh 2023, 15, 3534 2 dari 43

Sensor Jarak Jauh 2023, 15, 3534 3 dari 43

2. Mesin Pencari dan Ikhtisar Parameter

Temuan dan gambaran umum parameter yang diteliti disajikan dalam

Sensor Jarak Jauh 2023, 15, 3534 5 dari 43

2.1.2. Sekilas tentang TSS

Sensor Jarak Jauh 2023, 15, 3534 6 dari 43

3. Masalah Terkait TDS dan TSS

Sensor Jarak Jauh 2023, 15, 3534 7 dari 43

Sensor Jarak Jauh 2023, 15, 3534 8 dari 43

3.2. Masalah dan Implikasi TSS

Sensor Jarak Jauh 2023, 15, 3534 9 dari 43

4. Pengukuran dan Pemantauan TDS dan TSS TDS dan

4.1. Mengukur TDS dan TSS Menggunakan Pendekatan Konvensional

4.1.1. Pengukuran TDS

Sensor Jarak Jauh 2023, 15, 3534 10 dari 43

4.1.2. Pengukuran TSS

Sensor Jarak Jauh 2023, 15, 3534 11 dari 43

Akurasi mungkin dipengaruhi oleh kesalahan yang

Tidak mungkin memantau seluruh badan air secara

Sensor Jarak Jauh 2023, 15, 3534 12 dari 43

4.2. Pemantauan TDS dan TSS Menggunakan RS

4.2.1. Konsep Interaksi dan Pengukuran TDS dan TSS Menggunakan RS

Sensor Jarak Jauh 2023, 15, 3534 13 dari 43

4.2.2. Karakterisasi Optik TDS dan TSS WQP

Sensor Jarak Jauh 2023, 15, 3534 14 dari 43

4.2.3. Sensor RS untuk Memantau TDS dan TSS

Sensor Jarak Jauh 2023, 15, 3534 15 dari 43

4.2.4. Indeks Spektral RS Digunakan dalam Memperkirakan TDS dan TSS

Sensor Jarak Jauh 2023, 15, 3534 16 dari 43

TITIK 6 2012 1,5–6,0 26 5 0,45–0,89 TSS, TSM

TSS, SSC, TSM,

TSS, TSM, TDS,

Mata Cepat 2008 5 5.5 5 0,44–0,85 TSS, SSC

Warna Laut Geostasioner 2010 500 1 8 0,41–0,87 SS, Salinitas

MERIS 2002 300–1200 1 15 0,39–1,04 TSM, TSS,

Aqua MODIS 2002 250–1000 1–2 36 0,41–14,5 TSM, TSS

Pencitraan Inframerah Terlihat 2011 375–750 0,5 22 0,50–12,01 TSS

Yang Mengamati Bumi 2000 30 16 242 0,35–2,57 SM

NOAA AVHRR 1978 1000 1 5 0,60–1,20 TSS

OrbView-2 SeaWiFS 1997 1130 16 8 0,41–0,87 SS

Sensor Jarak Jauh 2023, 15, 3534 17 dari 43

Tahun Resolusi Spektral

NIMBUS-7 Pemindaian Multisaluran 1978 2.7–8.5 4 5 0,008–0,045 SS, Salinitas

Penginderaan Jauh Eropa (ERS-2) SAR 1995 ÿ0,03 35 1 0,057 SSC

Kelembaban Tanah dan Salinitas Laut 2009 3,5–50 3 1 0,212 Salinitas

Satelit Aplikasi Ilmiah-D 2011 100 7 1 0,212 Salinitas

(Udara) Pemindaian Secara Elektronik 1990 100 - - 0,212 Salinitas

(Airborne) Pemindaian Frekuensi Rendah 1999 0,5–1 - - 0,212 Salinitas

(Udara) Salinitas, Suhu, dan 2001 1 - -

(Udara) Pasif Aktif L- dan - -

(Udara) Dua Dimensi

NASA Aquarius dan Kelembaban Tanah

TDS dan Indeks Salinitas

Sensor Jarak Jauh 2023, 15, 3534 18 dari 43

Indeks Metrik Wilayah Studi Referensi

- ASTER B5 2 R > 0,57

TDS 3 R1ÿB r ÿ 0,52