NIM : 08051382227078 Kelas : B M.K : Dasar-dasar Penginderaan Jauh
RESUME VIDEO
Resume Materi Klasifikasi Citra Satelit
Klasifikasi citra satelit adalah proses pengelompokan piksel atau objek dalam citra satelit ke dalam kategori atau kelas yang berbeda. Terdapat dua teknik utama yang digunakan dalam klasifikasi citra satelit: 1. Klasifikasi Berbasis Pixel: Klasifikasi berbasis pixel adalah teknik yang memproses setiap piksel dalam citra satelit secara independen, dan mengkategorikan setiap piksel ke dalam kelas yang sesuai. Terdapat dua jenis utama klasifikasi berbasis pixel: Klasifikasi Berbasis Pixel Terbimbing: Dalam metode ini, algoritma klasifikasi memerlukan data pelatihan yang berisi contoh piksel dengan label kelas yang sudah diketahui. Algoritma menggunakan data pelatihan ini untuk belajar mengenali pola-pola dan karakteristik piksel yang berkaitan dengan kelas tertentu. Beberapa algoritma terkenal yang digunakan dalam klasifikasi berbasis pixel terbimbing adalah k-Nearest Neighbors, Random Forest, dan Support Vector Machines. Klasifikasi Berbasis Pixel Tidak Terbimbing: Teknik ini tidak memerlukan data pelatihan dengan label. Algoritma yang digunakan cenderung membagi piksel menjadi kelas berdasarkan pola yang ada di dalam citra tersebut. Salah satu pendekatan populer dalam klasifikasi berbasis pixel tidak terbimbing adalah clustering menggunakan algoritma seperti K-Means atau Hierarchical Clustering. 2. Klasifikasi Berbasis Objek: Klasifikasi berbasis objek berfokus pada pengelompokan objek yang lebih besar dalam citra satelit, bukan setiap piksel secara individu. Dalam metode ini, citra dibagi menjadi objek, dan karakteristik objek tersebut digunakan untuk klasifikasi. Pendekatan berbasis objek umumnya melibatkan langkah-langkah berikut: Segmentasi Objek: Citra dibagi menjadi objek dengan menggunakan teknik segmentasi seperti region growing atau watershed segmentation. Hasilnya adalah objek yang terdiri dari beberapa piksel yang mirip satu sama lain. Ekstraksi Fitur: Dari setiap objek yang telah di-segmentasi, fitur-fitur penting seperti bentuk, ukuran, tekstur, dan spektral diekstrak. Fitur-fitur ini kemudian digunakan untuk mengidentifikasi objek dan mengklasifikasikannya ke dalam kelas yang sesuai. Klasifikasi Objek: Berdasarkan fitur-fitur yang diekstrak, algoritma klasifikasi seperti decision tree, neural networks, atau support vector machines dapat digunakan untuk mengklasifikasikan objek ke dalam kelas yang berbeda. Kedua teknik klasifikasi ini memiliki kelebihan dan kekurangan masing- masing, dan pemilihan teknik tergantung pada tujuan aplikasi dan karakteristik citra satelit yang digunakan.
Resume Materi Klasifikasi Gambar
Klasifikasi gambar adalah proses menetapkan piksel ke kelas berdasarkan nilai reflektansi. Ada beberapa metode yang berbeda untuk klasifikasi, termasuk klasifikasi tanpa pengawasan, klasifikasi berdasarkan pengetahuan lapangan, dan klasifikasi berbasis objek. Klasifikasi berbasis objek menghasilkan keluaran vektor daripada keluaran raster, yang berbeda dari pendekatan tradisional. Dalam semua jenis klasifikasi ini, konsep tanda spektral sangat penting. Setiap objek di dunia memiliki tanda spektral, yaitu representasi dari seberapa banyak cahaya dipantulkan pada panjang gelombang yang berbeda dalam spektrum tampak atau inframerah dekat. Tanda spektral ini membantu dalam memahami jenis objek yang ada di lokasi tertentu dan bagaimana objek tersebut berbeda dari yang lain. Selain itu, konsep ruang fitur adalah kunci dalam analisis ini. Ruang fitur adalah representasi dua dimensi dari nilai reflektansi pada dua pita spektral yang memungkinkan kita untuk memvisualisasikan dan membandingkan karakteristik piksel dalam gambar. Ini memungkinkan kita untuk mengelompokkan piksel dengan nilai serupa dalam dua pita spektral dan mengidentifikasi pola atau perbedaan yang penting. Dengan pemahaman tentang konsep-konsep ini, kita dapat lebih efektif menganalisis gambar satelit dan mengklasifikasikan objek atau area berdasarkan tanda spektral dan ruang fitur. Teknik klasifikasi ini menjadi penting dalam mengungkapkan informasi yang terkandung dalam gambar satelit. Klasifikasi data raster dalam analisis citra satelit adalah langkah penting untuk memahami dan menginterpretasi konten gambar. Dalam konteks ini, ada beberapa metode yang digunakan untuk memisahkan piksel menjadi kelas berdasarkan karakteristik reflektansi. Konsep kunci dalam klasifikasi ini adalah tanda spektral, yang menggambarkan bagaimana benda mencerminkan cahaya pada berbagai panjang gelombang dalam spektrum tampak dan inframerah dekat. Klasifikasi seringkali melibatkan tiga pita spektral, dan untuk memvisualisasinya, kita menggunakan ruang fitur tiga dimensi. Dengan tiga pita ini, kita dapat membuat grafik tiga dimensi yang menggambarkan karakteristik piksel dalam ruang fitur. Ini memungkinkan kita untuk mengelompokkan piksel yang memiliki nilai serupa dalam ketiga pita, yang akan terlihat sebagai kelompok dalam ruang fitur tiga dimensi. Ada beberapa jenis klasifikasi yang dapat diterapkan. Salah satu yang pertama adalah klasifikasi tanpa pengawasan, yang melibatkan penggunaan algoritma komputer untuk memisahkan gambar menjadi kelas-kelas tanpa intervensi pengguna. Ini berguna untuk memulai analisis dan memahami data. Namun, hasilnya berupa kelas dengan label numerik, dan pengguna harus menganalisis dan mengidentifikasi kelas tersebut sesuai dengan konteks lapangan. Sebagai contoh, menggunakan indeks vegetasi seperti NDVI dalam algoritma klasifikasi tanpa pengawasan dapat menghasilkan kelas dengan nomor, dan kemudian pengguna harus menafsirkan apa yang masing-masing kelas tersebut wakili dalam lingkungan nyata. Sebagai contoh, ArcGIS menggunakan algoritma analisis klaster iso untuk melakukan klasifikasi tanpa pengawasan. Klasifikasi tanpa pengawasan adalah langkah awal dalam menginterpretasi gambar satelit, dan hasilnya sering menjadi landasan untuk analisis lebih lanjut. Klasifikasi tanpa pengawasan dan Klasifikasi terawasi. Klasifikasi tanpa pengawasan melibatkan pembuatan klaster iso yang merupakan klaster nilai serupa dalam ruang fitur citra. Proses ini melibatkan iterasi di mana komputer membentuk klaster berdasarkan nilai rata-rata dan mengklasifikasikan data. Pembaruan terus berlanjut hingga konfigurasi optimal dari kelas-kelas ini ditemukan. Beberapa klaster mungkin digabungkan atau dihilangkan berdasarkan karakteristik spektral. Pengklasifikasi terawasi memanfaatkan situs pelatihan yang mencerminkan kelas-kelas yang diketahui dengan karakteristik yang diukur melalui penginderaan jarak jauh. Berbagai algoritme digunakan untuk mengklasifikasikan sel berdasarkan file tanda tangan yang mencerminkan karakteristik kelas. Klasifikasi berbasis objek adalah pendekatan lain di mana sel dibentuk menjadi objek dengan karakteristik seperti ukuran dan bentuk. Alat-alat seperti segmentasi gambar, pengklasifikasi berbasis objek, dan filter digunakan dalam proses ini. Pentingnya penggunaan teknik klasifikasi yang sesuai dengan jenis data dan analisis yang diinginkan ditekankan.