Laporan PJ Lengkap EKAFITRI

Laporan Individu
LAPORAN LENGKAP PRAKTIKUM PENGINDRAAN JAUH

(ACARA 1-5)
Dosen Pengampuh : La Ode Muhammad Irsan, S.Pd., M.Sc
Oleh :
EKA FITRI
A1P122066
JURUSAN PENDIDIKAN GEOGRAFI

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS HALU OLEO
KENDARI
2023
KATA PENGANTAR
Puji syukur ke hadirat Tuhan Yang Maha Esa. Atas rahmat dan hidayah-Nya, penulis
dapat menyelesaikan tugas laporan yang berjudul "Praktikum Lengkap Pengindraan Jauh
(acara 1-5)" dengan tepat waktu.
Laporan disusun untuk memenuhi tugas mata kuliah Pengindraan Jauh. Selain itu,
Laporan ini bertujuan menambah wawasan tentang Pengindraan Jauh bagi para pembaca dan
juga bagi penulis.
Penulis mengucapkan terima kasih kepada Pak LaOde Muhammad Irsan, S.Pd., M.Sc
selaku dosen mata kuliah Pengindraan Jauh. Ucapan terima kasih juga disampaikan kepada
semua pihak yang telah membantu diselesaikannya laporan ini.
Penulis menyadari laporan ini masih jauh dari sempurna. Oleh sebab itu, saran dan
kritik yang membangun diharapkan demi kesempurnaan laporan ini.
Kendari, 1 Januari 2024
Penulis
DAFTAR ISI
HALAMAN SAMPUL ........................................................................................ i
KATA PENGANTAR ......................................................................................... ii
DAFTAR ISI ........................................................................................................ iii
ACARA I.................................................................................................................
ACARA II .................................................................................................................
ACARA III ................................................................................................................
ACARA IV ..................................................................................................................
ACARA V ...................................................................................................................
1
ACARA I
( CARA DOWNLOAD CITRA SATELIT)
BAB I
PENDAHULUAN
A. Pendahuluan
Kemajuan teknologi sudah terjadi sangat pesat sehingga berpengaruh pada

perkembangan ilmu pengetahuan. Ilmu pemetaan merupakan salah satu ilmu yang
sangat besar dipengaruhi oleh kemajuan teknologi tersebut, ditandai dengan proses
perekaman jarak jauh yang perekamannya dilakukan melalui berbagai wahana,
termasuk satelit. Gambar yang dihasilkan dari proses perekaman jarak jauh ini dikenal
dengan nama citra penginderaan jauh. Dengan menggunakan data penginderaan jarak
jauh kita dapat mengkaji objek permukaan bumi yang tergambar pda citra tersebut.
Citra penginderaan jarak jauh dapat dimanfaatkan dalam berbagai bidang dan
kepentingan, salah satunya adalah untuk mengidentifikasi suatu wilayah. Melalui citra
penginderaan jauh ini kita dapat mengetahui vegetasi apa saja yang terdapat di wilayah
tersebut.
Earthexplorer merupakan salah satu situs milik United States Geological
Survey (USGS) yang menyediakan layanan citra gratis. Salah satu citra yang dapat di
download adalah Citra Landasat 8 dan Sentinel 2A
B. Tujuan
1. Mengetahui lembaga yang menyediakan citra satelit penginderaan jauh
2. Mengetahui cara perolehan citra satelit penginderaan jauh
2
BAB II
KAJIAN TEORI
A. USGS
USGS merupakan sebuah lembaga pemerintah Amerika Serikat yang
menangani masalah pemetaan. Kepanjangan USGS adalah United States Geological
Survey. Survei Geologi Amerika Serikat (United States Geological Survey, USGS)
adalah sebuah agensi ilmiah pemerintah Amerika Serikat. Para ilmuwan USGS
mempelajari lansekap Amerika Serikat, sumber daya alamnya, dan bencana alam
yang mengancamnya. Organisasi ini memiliki empat disiplin ilmiah utama, yaitu
biologi, geografi, geologi, dan air. USGS adalah organisasi riset pencari fakta yang
tidak memiliki kekuasaan untuk mengatur.
USGS didirikan pada 3 Maret 1879. Direkturnya saat ini (2009) adalah
Marcia McNutt. USGS adalah bagian dari Departemen Dalam Negeri AS, dan
merupakan satu-satunya badan keilmuan di departemen tersebut. USGS
mempekerjakan sekitar 8.670 pegawai. USGS berkantor pusat di Reston, Virginia.
Selain itu, USGS juga memiliki kantor di Lakewood, Colorado, Denver Federal Center,
dan Menlo Park, California.
Motto USGS adalah "ilmu pengetahuan untuk sebuah dunia yang berubah".
USGS juga menjalankan 17 pusat riset di Amerika Serikat, termasuk Patuxent Wildlife
Research Center.
USGS dibentuk berdasarkan Congress pada tanggal 3 Maret 1879. USGS
ditugasi untuk "mengklasifikasikan tanah publik, dan meneliti struktur geologinya serta
sumber daya mineralnya" Tugas ini diberikan pada USGS mengingat pentingnya untuk
menginventarisir setiap jengkal tanah milik Amerika Serikat pada masa perang.
Sejak 2012, USGS berfokus pada enam topik, yakni:
1. Iklim dan Perubahan Penggunaan Tanah
2. Sistem Pengetahuan Inti
3. Ekosistem
4. Energi dan Mineral
5. Kesehatan Lingkungan
3
6. Bencana Alam
7. Air
Program-program USGS lainnya, antara lain:
➢ Earthquake Hazards Program, yang memonitor aktivitas gempa di seluruh
dunia. USGS juga mengadakan atau mendukung beberapa jaringan pemantauan
lokal di Amerika Serikat, dibawah payung Advanced National Seismic System
(ANSS). USGS akan menginformasikan ke pihak-pihak terkait jika terjadi
gempa yang berpengaruh signifikan. USGS juga menyimpan arsip aktivitas
gempa, untuk kepentingan sains ataupun lainnya
➢ Sejak 2005, USGS telah mengupayakan adanya National Volcano Early
Warning System dengan meningkatkan instrumen pengamatan di 169 gunung
api di Amerika Serikat dan menyiapkan metode untuk mengukur tingkat bahaya
yang ditimbulkan oleh gunung api tersebut.
➢ National Geomagnetism Program untuk memantau medan magnet bumi di
observatorium magnetik dan mendistribusikan data magnetometer secara
langsung
➢ USGS berkolaborasi dengan Kanada and Meksiko, juga dengan Commission
for Environmental Cooperation, untuk memproduksi North American
Environmental Atlas, yang digunakan untuk menggambarkan dan melacak isu-
isu lingkungan untuk kepentingan pihak-pihak terkait.
➢ USGS mengoperasikan 7400 pengukur kecepatan arus sungai di Amerika
Serikat dan menyediakan datanya secara daring.
➢ National Climate Change and Wildlife Science Center (NCCWSC) didikan
untuk meningkatkan pemahaman penggunaan tentang penggunaan lahan, dan
mengembangkan prakiraan penggunaan lahan pada masa depan.
➢ Sejak 1962, Astrogeology Research Program telah dilibatkan dalam program
penjelajahan bulan dan planet. Maupun pemetaannya.
4
➢ Berkolaborasi dengan Stanford University, USGS juga mengoperasikan USGS-
Stanford Ion Microprobe Laboratory, untuk meneliti tentang U-(Th)- Pb
geokronologi dan melacak asal mineral tersebut.
➢ USGS juga mengoperasikan National Wildlife Health Center, yang misinya
untuk "Melayani negara dan sumber daya alammya dengan menyediakan ilmu
pengetahuan dan dukungan teknisnya, serta untuk menyebarkan informasi
mengenai keputusan yang berpengaruh terhadap lingkungan. NWHC juga
menyediakan informasi, bantuan teknis, riset, dan edukasi mengenai isu-isu
lingkungan. USGS juga mempunyai 17 pusat riset biologi di Amerika Serikat,
termasuk Patuxent Wildlife Research Center.
➢ USGS juga menggandeng Twitter untuk mengembangkan ShakeMaps, untuk
mengukur dampak gempa bumi secara langsung.
B. ENVI
ENVI adalah salah perangkat lunak (software) yang digunakan untuk mengolah
data citra atau satelit. Masih banyak perangkat lunak yang lain yang juga dapat
digunakan untukmengolah data citra, diantaranya adalah Idris, Erdas Imagine, PCI dan
lain-lain. Masing-masing perangkat lunak mempunyai keunggulan dan kelebihannya
sendiri ENVI (The Environment For Visualizing Images) merupakan suatu image
processing system yang revolusioner yang dibuat oleh Research System, Inc (RSI).
Dari permulaannya ENVIdirancang untuk kebutuhan yang banyak dan spesifik untuk
mereka yang secara teratur menggunakan data penginderaan jauh dari satelit dan
pesawat terbang. ENVI menyediakan data visualisasi yang menyuluruh dan analisis
untuk citra dalam berbagai ukuran dan tipe,semuanya dalam suatu lingkungan yang
mudah dioperasikan dan inovatif untuk digunakanPengolahan data citra merupakan
suatu cara memanipulasi data citra atau mengolahsuatu data citra menjadi suatu
keluaran (output) yang sesuai dengan yang kita harapkan.
Adapun cara pengolahan data citra itu sendiri melalui beberapa tahapan, sampai
menjadi satu keluaran yang diharapkan. Tujuan dari pengolahan citra adalah
mempertajam data geografis dalam bentuk digital menjadi suatu tampilan yang lebih
5
berarti bagi pengguna, dapatmemberikan informasi kuantitatif suatu obyek, serta dapat
memecahkan masalah. Data digital disimpan dalam bentuk barisan kotak kecil dua
dimensi yang disebut pixel (Jictin`eelements). Masing-masing piksel mewakili suatu
wilayah yang ada di permukaan bumi.Struktur ini kadang juga disebut raster, sehingga
data citra sering disebut juga data raster. Data raster tersusun oleh baris dan kolom dan
setiap piksel pada data raster memiliki nilai digital. Data yang didapat dari satelit
umumnya terdiri beberapa bands (layers) yang mencakup wilayah yang sama. Masing-
masing mencatat pantulan obyek dari permukaan bumi pada panjang gelombang yang
berbeda. Data ini disebut juga multispectral data. Di dalam pengolahan citra, juga
dilakukan penggabungan kombinasi antara beberapa band untuk mengekstrasi
informasi dari objek-objek yang spesifik seperti indeks vegetasi, parameterkualitas air,
terumbu karang, dan lain-lain.
ENVI atau kepanjangan dari the Environment for Visualizing Images
merupakan sebuah revolusi dari sistem pengolahan citra digital. Dari permulaan
lahirnya, ENVI telah didesain untuk banyak kebutuhan spesifik pada siapa yang
biasanya menggunakan data penginderaan jauh satelit atau foto udara. ENVI
menyediakan visualisasi data dan analisisnya secara komprehensif untuk citra dalam
berbagai ukuran dan tipe apapun dalam lingkungan yang innovative dan user- friendly.
Satu satu kelebihan ENVI adalah pendekataan yang unik dalam pengolahan citra,
mengkombinasikan teknik file-based dan band-based dengan fungsi yang interaktif.
Ketika file data input dibuka, band (saluran) dari citra disimpan dalam sebuah daftar,
dimana semua saluran bisa diakses oleh semua fungsi sistem. Jika multiple files dibuka,
saluran dalam tipe data yang terpisah dapat diproses sebagai sebuah grup. ENVI
menampilkan saluran tersebut dalam 8 atau 24 bit. Grup tampilan ENVI terdiri dari
Image window, Zoom window, dan Scroll window, semuanya bisa diubah ukurannya.
ENVI menyediakan penggunanya dengan banyak kemampuan analisis yang interaktif
dan unik, diakses dalam window tersebut. Kemampuan multiple dynamic overlay
ENVI, memberikan kemudahan membandingkan citra dalam multiple displays.
Ekstraksi real-time dan spatial/spectral profiling dari multiband dan data hyperspectral
memberikan pengguna cara baru dalam melihat data dengan dimensi tinggi. ENVI juga
menyediakan tools interaktif untuk melihat dan menganalisis data vektor dan atribut
6
Sistem Informasi Geografis (SIG). Kemampuan standar seperti perentangan kontras
dan scatter plots dua dimensi adalah sebagian dari fungsi interaktif yang tersedia untuk
pengguna ENVI.
ENVI mempunyai antarmuka visual yang baik serta menggabungkan secara
komprehensif dengan algoritma pemrosesannya. ENVI memasukkan semua fungsi
dasar pengolahan citra dalam antarmuka pengguna grafis yang mudah. Beberapa dari
fungsi tersebut antar lain transformasi data, filtering, klasifikasi, registrasi dan koreksi
geometri, analisis spektral, dan radar. ENVI tidak membatasi jumlah saluran yang
dapat diproses, sehingga data multispektral atau hiperspektral dapat digunakan.
ENVI dapat digunakan dalam area masalah pengolahan citra pada umumnya
seperti input dari tipe data yang tidak standar, menampilkan dan menganalisis citra
berukuran besar, dan ekstensi untuk kemampuan analisis (ada fungsi plug-in).
Perangkat lunak memasukan perlengkapan untuk pengolahan citra dalam berbagai
disiplin dan mempunyai fleksibilitas untuk mengijinkan implementasi strategi analisis
yang berbeda dari biasanya. ENVI dibuat dalam bahasa Interactive Data Language
(IDL), bahasa pemrograman yang cukup ampuh dalam mengintegrasikan pengolahan
citra. Fleksibilitas ENVI menggunakan kemampuan dari IDL, IDL harus ada untuk
menjalankan ENVI.
Beberapa fungsi umum dari ENVI sebagai berikut:
a. Pengolahan Citra
Kegunaan umum fungsi pengolahan citra termasuk transformasi data seperti
transformasi principal component, band ratio, hue-saturation-value (HSV),
perentangan, indeks vegetasi. Fungsi filtering termasuk convolution kernels untuk
low pass, high pass, median, directional, dan penajaman tepi, serta filtering lainnya
yang bias kustomisasi.
b. Klasifikasi
ENVI menyediakan Kmeans dan Isodata untuk metode klasifikasi
unsupervised. Klasifikasi supervised meliputi metode yang sederhana seperti
parallelpiped, minimum distance, maximum likelihood, dan mahalonibis, sampai
dengan Binary Encoding, Neural Net, dan Spectral Angle Mapper (SAM). Post
klasifikasi termasuk clump, sieve, combine classes, dan perangkat tampilan klasifikasi
7
yang interaktif.
c. Pengolahan Data Hiperspektral
ENVI menyediakan perlengkapan untuk memproses data hiperspektral,
termasuk perangkat pemetaan special yang digunakan oleh endmember citra atau
library untuk linear spectral unmixing dan matched filtering. Pixel Purity Index (PPI)
mengijinkan pengguna untuk mencari nilai spektral yang paling murni dalam citra
untuk menentukan spectral endmembers. n-Dimensional visulizer yang unik dalam
ENVI membentuk animasi yang interaktif menampilkan scatter plots dalam n-
dimensions. Spectral Feature Fitting dari data hiperspektral ke library spectra
membantu dalam mengidentifikasi batuan, mineral, vegetasi, dan material lainnya.
Spectral Analyst digunakan untuk mengidentifikasi material berdasarkan perbandingan
dari spectral libraries. Fungsi Band Math dan Spectral Math yang fleksibel
memudahkan pengguna untuk memasukan ekspresi matematika sesuai yang
dibutuhkan.
d. Pengolahan Data Citra Radar
ENVI juga memiliki kemampuan untuk pengolahan citra Radar secara
komprehensif seperti antenna pattern correction, slant-to-ground range correction,
adaptive dan texture filters, sampai dengan polarimetric analysis.
e. Pemetaan
ENVI pada akhirnya menyediakan perlengkapan untuk menghasilkan peta
akhir, seperti konversi data ke format vektor SIG, layout peta.
ENVI menyederhanakan pengolahan yang interaktif dan komprehensif untuk
data set multi saluran yang besar, mengubah ukuran citra, mengeplot spektral dan
library-nya, kemampuan menampilkan secara fleksibel dan geografis. Beberapa fungsi
pada menu ENVI sebagai berikut:
1. File Management
Menu File pada menu utama ENVI digunakan untuk membaca file ke dalam
ENVI, menetapkan pilihan, untuk keluar dari ENVI, dan fungsi manajemen program
& file lain.
2. Display Management
Window menu untuk mengendalikan display dan plot window ENVI, termasuk
8
memulai window (jendela) baru, memaksimalkan ukuran jendela, menghubungkan
display window, dan menutup jendela. Available Bands List dan Available Vectors
List untuk menampilkan bands dan layer vektor. Window menu juga digunakan untuk
menampilan informasi lokasi kursor dan nilai piksel pada citra yang ditampilkan.
3. Interactive Display Functions
Lima menu tampak secara keseluruhan pada Main Image window: File,
Overlay, Enhance, Tools dan Window. Menu ini secara bersama bernama Display
menu bar. Display menu bar digunakan untuk mengakses operasi umum dan fungsi-
fungsi interaktif.
4. Basic Tools
Basic Tools untuk mengakses berbagai fungsi dasar ENVI. Fungsi ini biasanya
bermanfaat mengetahui tipe spesifik dari citra yang akan dianalisis. Fungsi seperti
Region of Interest dapat digunakan pada multiple displays, sedangkan fungsi seperti
Band Math menawarkan kemampuan proses umum citra. Fungsi Stretch Data adalah
suatu contoh dari suatu fungsi yang menawarkan file-to-file contrast stretching.
5. Classification
Classification untuk mengakses fungsi klasifikasi ENVI. Fungsi ini meliputi
supervised dan unsupervised classification, collecting endmembers, classifying
previous rule images, menghitung class statistics dan confusion matrices, penerapan
mayoritas dan analisis minoritas ke klasifikasi citra, clumping dan sieving classes,
mengkombinasikan kelas, overlay kelas pada citra gray scale, menghitung daerah
penyangga/buffer, menghitung segmentasi, dan pengeksporan kelas ke layer vektor.
6. Transform
Transforms untuk mengakses fungsi transformasi. Transforms adalah operasi
pengolahan citra yang mengubah data ke data space yang lain, pada umumnya dengan
menerapkan sebuah fungsi linear. Tujuan umum perubahan bentuk akan meningkatkan
presentasi informasi. Citra yang telah diubah biasanya lebih mudah ditafsirkan (mudah
diinterpretasi) dibanding data asli.
9
7. Filters
Filter untuk melaksanakan Convolution, Morphological, Texture, Adaptive,
dan FFT Filtering. Filtering secara khas digunakan untuk meningkatkan gambaran citra
dengan pemindahan spatial frequencies tertentu. Spatial frequency menguraikan
variasi terang, atau DN, dengan jarak, dan citra berisi banyak spatial frequency berbeda.
8. Spectral Tools
Spectral untuk mengakses tool khusus untuk meneliti citra multispectral dan
hyperspectral dan tipe data spektral lain. Tool meliputi building, resampling, dan
viewing spectral libraries; mengekstraksi irisan/slices spektral;
melakukan/menyelenggarakan spectral math; menentukan spectral end members;
visualisasi data spektral di (dalam) n dimensi; penggolongan spektral; spektral linier
yang tidak mencampur; matched filtering; continuum removal; dan Spectral Feature
Fitting.
9. Map Tools
Map untuk mengakses registrasi citra, orthorectification, koreksi geometris,
dan mosaicking. Juga menggunakan menu Map untuk mengakses tool untuk
mengkonversi koordinat peta dan memetakan proyeksi, untuk membangun proyeksi,
untuk mengkonversi ASCII koordinat, dan untuk mengakses suatu utiliti GPS-LINK.
10. Vector Tools
Vector untuk membuka file vektor, menciptakan file vektor, mengatur file
vektor, mengonversi citra raster layer vektor, mengkonversi grid irregular points, dan
mengkonversi ENVI Vector File ( EVF), annotation file ( ANN), dan region of interest
( ROI) ke format DXF.
11. Topographic Tools
Topographic untuk mebuka, menganalisis, dan hasil keluaran dari data
ketinggian topografis digital. Menggunakan Modeling Topografis untuk
mengkalkulasi suatu gambaran relief, slope, aspek/arah dan berbagai
lengkungan/curvature dari data topografis.
10
12. Radar Tools
Radar untuk mengakses tool standard dan advanced untuk analisis deteksi citra radar dan advance
SAR system seperti JPL fully polarimetric AIRSAR dan SIR- C system. ENVI dapat memproses
ERS-1, JERS-1, RADARSAT, SIR-C, XSAR, dan AIRSAR data dan SAR dataset. ENVI dirancang
untuk menangani data radar yang didistribusikan dalam CEOS format, dan bisa menangani data dari
sistem radar lainnya.
11
BAB III
METODOLOGI
A. Deskripsi Tempat Pratikum

Lokasi pratikum kali ini adalah di Ruangan A.2.3, Gedung Perkuliahan
Pendidikan Geografi dan Pustik. Universitas Halu Oleo, Kota Kendari.
B. Alat dan bahan
1. Laptop (PC)
2. Jaringan internet
3. Data path and raw Wilayah Iindonesia
C. Posedur kerja
1. Buka situs http://earthexplorer.usgs.gov/ dan lakukan pendaftaran dengan
mengklik register. Lakukan pengisian Username, Password dan isian lainnya
sampai selesai.
12
13
14
15
16
17
18
2. Lakukan login, masukan Username dan Password dan Sign In
19
3. Klik tombol Path/Row lalu masukan kode Path dan Row. Klik tombol Show
untuk menunjukkan lokasi yang dimasukkan kordinatnya.
4. Pilih Date Sets kemudia klik Landsat Archive, lalu berikan Chek List pada
kotak sebelah kiri L8 OLI/TIRS.
20
21
5. Beberapa gambar akan muncul dan pilihlah gambar yang tutupan awannya
minim (maksimum 20%)
22
23
6. Klik tombol select download option dengan pilihan level 1 product
7. Lakukan ekstrak file kompres (compress) sehingga terbentuk folder dimana

ukuran memori data ini mencapai hamper 2 GB. Di dalam folder terdapat 13
file, terdiri atas 11 file band (kanal), 1 file BQA dan 1 file.
8. Semua file citra yang sudah diunduh perlu di-stacking dengan software
remote sensing yaitu ENVI.
24
BAB IV
HASIL DAN PEMBAHASAN
A. Hasil dan Pembahasan
Buka google chrome pada PC atau laptop, kemudian buka situs

http://earthexpllorer.usgs.gov/. Lakukan pendaftaran dengan mengklik resgister.
Kemudian isi username, dan masukan new password, lalu confirm new password untuk
membuat akun agar dapat login USGS. Lalu centang CAPTHCA, kemudian klik
continue. Selanjutnya akan muncul beberapa pertanyaan yang perlu diisi. Pilihlah dan
ikuti langkah-langkah tersebut sesuai modul yang telah di berikan. Setelah mengisi
pertanyaan-pertanyaan tersebut, masukan informasi tentang data diri pada kolom User
Registration, seperti first name, last name, company/organization, address 1, address
2, country, and city. Setelah selesai diisi klik continue. Maka akan muncul User
Information, Contact Information, Dan Demographic Information. Cek email yang di
gunakan pada saat login, kemudian klik link yang tertera pada email tersebut. Setelah
itu klik submit, maka akan tampil layar registration submitten, dan pembuatan akun
telah selesai serta telah terdaftar di USGS.
Untuk masuk pada situs USGS masukan Username dan Password yang telah di buat
sebelumnya untuk mendownload citra satelit Lansat 8 dan Sentinel 2A. setelah itu cari
lokasi Kota Kendari dengan mengisi angka Path/Row pada area Geocoder dengan
angka Path 122 dan Row 63, lalu klik Show. Maka akan muncul titik koordinat Kota
Kendari Lat: 04020’23”, Lon: 122058’32”E. kemudian masukan Data Range lalu klik
Data Sets. Setelah itu akan muncul beberapa pilihan untuk mendownload citra. Setelah
itu klik Landsat > landsat collection 2 level 1 > Landsat 8 OLI/TIRS CI LI, setelah itu
akan muncul beberapa gambar dan pilihlah gambar yang tutupan awannya minim
(maksimum 20%). Kemudian klik Select Download Option dengan pilih level 1
produk. File yang sudad selesai di download, lakukan ekstrak file kompres (compress)
sehingga terbentuk folder di mana ukuran memori data ini mencapai hamper 2GB.
Di dalam foldel terdapat 13 file, terdiri atas 11 file band (kanal), 1 file BQA dan 1 file.
Semua file citra yang sudah di unduh perlu di stacking software remote sensing yaitu
25
ENVI.
BAB V
PENUTUP
A. Kesimpulan
Kesimpulan pada pratikum ini yaitu melakukan pembuatan akun pada situs
USGS, setelah terdaftar di USGS kemudian lanjutkan dengan log in pada situs untuk
mendownload citra Lansat 8 dan Sentinel 2A.
B. Saran
Saya menyadari sepenuhnya bahwa dalam pembuatan laporan ini masih banyak
kesalahan dan kekurangan. Oleh karena itu, dengan kerendahan hati saya
mengharapkan kritik dan saran dari pembaca. Saya ucapkan terimah kasih.
26
DAFTAR PUSTAKA
https://www.guntara.com/2014/05/pengenalan-aplikasi-envi-environment.html
https://www.zegahutan.com/2020/06/penggunaan-aplikasi-envi-laporan.html
https://id.wikipedia.org/wiki/Survei_Geologi_Amerika_Serikat
https://p2k.unkris.ac.id/en3/3073-2962/United-States-Geological-
Survey_106260_p2k-unkris.html
http://landsat.usgs.gov/documents/Landsat8DataUsersHandbook.pdf
Parangtritis Geomaritime Science Park. (2016). Cara Download Citra Landsat 8 dan
Mengabungkan File Menggunakan ENVI. Yogyakarta. Geomaritime Science
Park.
27
ACARA II
IDENTIFIKASI KARAKTERISTIK CITRA DENGAN MEMBACA
METADATA (HEADER)
BAB I
PENDAHULUAN
A. Latar Belakang
Penginderaan jauh merupakan salah satu teknik interpretasi citra yang memiliki
pengertian pengambilan atau pengukuran data/informasi mengenai sifat dari sebuah
fenomena, obyek atau benda dengan menggunakan sebuah alat perekam tanpa
berhubungan langsung dengan bahan studi. Terdapat empat komponen dasar dari
system penginderaan jauh yaitu target, sumber energi, alur transmisi, dan sensor. Citra
yang didapatkan nantinya akan diinterpretasi untuk menyajikan informasi mengenai
target. Proses interpretasi biasanya berupa gabungan antara visual dan automatic
dengan bantuan computer dan perangkat lunak pengolah citra.
Citra satelit merupakan sumber data yang cukup baik dalam mengidentifikasi
obyek yang ada dipermukaan bumi. Salah satu citra yang sering digunakan saat ini
adalah citra multispectral karena memiliki jumlah saluran yang cukup banyak. Citra
multispectral yang bisa digunakan adalah citra Lansat 8 dan Sentinel 2A (Herumurti,
2008).
Data penginderaan jauh dalam hal ini citra memiliki informasi tambahan yang
disebut header. Informasi ini sangat penting karena diperlukan untuk membantu dalam
melakukan analisis dan pengelohan citra. Dari header juga dapat diketahui kualitas dari
citra tersebut. Penilaian kualitas data citra penginderaan jauh merupakan langkah yang
sangat penting quality assuranceand cuality control dilakukan sebelum data di proses
lebih lanjut (Kamal, 2015).
28
B. Tujuan
1. Mengetahui cara membaca metadata (hearder) pada citra satelit Landsat 8
OLI dan Sentinel 2A
2. Mengetahui karakteristik citra satelit Landsat OLI dan Sentinel 2A
29
BAB II
KAJIAN TEORI
A. Metada
Definisi metadata secara sederhana dapat diartikan sebagai data tentang data
(data about data). Namun definisi tersebut masih belum lengkap karena metadata tidak
sesederhana itu. Salah satu ciri dari metadata adalah data tersebut harus terstruktur. Jadi
definisi yang tepat untuk menggambarkan metadata adalah data terstruktur tentang data
(structured data about data). Definisi tersebut masih sederhana dan belum sepenuhnya
menjelaskan lebih detail tentang metadata. Task Force on Metadata CC:DA (committee
on cataloguing: description and access) dari ALA (American library association)
menjelaskan secara lebih detail tentang metadata yaitu data yang terstruktur, ditandai
dengan kode agar dapat diproses oleh komputer, mendeskripsikan ciri-ciri satuan-
satuan pembawa informasi, dan membantu identifikasi, penemuan, penilaian dan
pengelolaan satuan pembawa informasi tersebut.
Metadata adalah informasi yang ditanam pada sebuah file yang isinya berupa
penjelasan tetang file tersebut. Metadata ini mengandung informasi mengenai isi dari
suatu data yang dipakai untuk keperluan manajemen file atau data itu nantinya dalam
suatu basis data (Putu Laxman Pendit 2007). Jika data tersebut dalam bentuk document
docx metadatanya berupa keterangan mengenai name file, content created, date last
saved, content type, pages, word count, character count, line count, paragraph count,
size, date created, date modified, date accessed, computer dan masih banya lagi. Jika
dalam bentuk pdf metadatanya berupa name, type, foder path, size, date created, date
modified, attributes, owner dan computer. Untuk jenis data gambar jpg, metadata
mengandung informasi mengenai siapa pemotretnya, kapan pemotretannya, dan setting
kamera pada saat dilakukan pemotretan. Untuk audio jenis mp3 bisa tambahan
metadatanya berupa album, year, genre, length, bit rate dan rekaman yang dipakai
lainnya. Untuk jenis video mp4 metadatanya bisa berupa seperti mp3 dengan
tambahan frame width, frame height, date rate, total bitrate, frame rate, channels dan
jenis perekam video lainnya.
Metadata direkam komputer secara otomatis saat sebuah file dibuat, sehingga
bisa diketahui kapan file dibuat, siapa user pembuatnya, berapa ukuran filenya,
30
demikian juga ekstensinya. Namun demikian, metadata juga dapat disusun secara
manual. Untuk mengedit dan membaca metadata sebuah file, digunakan software
pengolah metadata.
B. Citra Landsat 8
Citra digital adalah citra yang diperoleh,disimpan, dimanipulasi, dan
ditampilakan dengan basis logika biner. Citra digital biasanya dihasilkan melalui
bantuan pemindaian atau scanner. Citra digital penginderaan jauh adalah citra yang
menggambarkan kenampakan permukaan (atau dekat permukaan bumi yang diperoleh
melalui proses perekaman pantulan (reflenctance), pancaran (emittance), ataupun
hamburan balik (backscatter) gelombang elektromagnetik dengan sensor optic-
elektronik yang terpasang pada suatu wahana (platfrom), baik itu wahana di Menara
(crane), pesawat udara maupun wahana ruang angkasa. Citra digital penginderaan jauh
diperoleh dari system perekaman malalui sensor yang dipasang pada pesawat terbang
ataupun satelit. Citra dalam format digital biasanya disimpan pada media
magnetic,optoik,ataupun media lainnya (disket, hard disk, compact disk, cct, atau
computer compatible tape, optickal disk dan flash disk), serta dapat ditampilkan
menjadi gambar pada layar monitor computer. Landsat 8 memiliki kemampuan untuk
merekam citra dengan resolusi spasial yang bervariasi. Variasi resolusi spasial mulai
dari 15 meter sampai 100 meter serta dilengkapi oleh 11 saluran (band) dengan resolusi
spektral yang bervariasi. Landsat 8 dilengkapi dua instrumen sensor yaitu OLI dan
TIRS. Landsat 8 mampu mengumpulkan 400 scenes citra atau 150 kali lebih banyak
dari Landsat 7 dalam satu hari perekamannya.
Landsat 8 mengorbit bumi setiap 99 menit, serta melakukan liputan pada area yang
mana setiap 16 hari kecuali untuk lintang kutub tertinggi. Landsat 8 mengorbit bumi
pada ketinggian rata-rata 705 km dengan dengan sudut inklinasi 98,2˚. Landsat 8
meniliki 2 sensor yaitu sensor Operational Land Imager (OLI) terdiri dari 9 saluran
(band) termasuk band pnakromatik beresolusi tinggi dan Thermal Infrared Sensor
(TIRS) denan 2 band termal. Sensor utama dari Landsat 8 adalah Operational Land
Imager (OLI) yang memiliki fungsi untuk mengumpulkan data di permukaan bumi
dengan spesifikasi resolusi spasial dan spektral yang berkesinambungan dengan data
Landsat sebelumnya. OLI didesain dalam sistem perekaman sensor push-broom
31
dengan empat teleskop cermin, performa signal-to-noise yang lebih baik, dan
penyimpanan dalam format kuantifikasi 12-bit. OLI merekam citra pada spektrum
panjang gelombang tampak, inframerah dekat, dan inframerah tengah yang memiliki
resolusi spasial 30 meter, serta saluran pankromatik yang memiliki resolusi spasial 15
meter. Dua saluran spektral baru ditambahkan dalam sensor OLI ini, yaitu saluran
deep-blue untuk kajian perairan laut dan aeorosol serta sebuah saluran untuk
mendeteksi awan cirrus. Saluran quality assurance juga ditambahkan untuk
mengindikasi keberadaan bayangan medan, awan, dan lain-lain (USGS, 2013).
Thermal Infrared Sensor (TIRS) merupakan sensor kedua yang tersemat dalam Landsat
8. TIRS berfungsi untuk mengindera suhu dan aplikasi lainnya, seperti pemodelan
evapotranspirasi untuk memantau penggunaan air pada lahan teririgasi. TIRS merekam
citra pada dua saluran inframerah termal dan didesain untuk beroperasi selama 3 tahun.
Resolusi spasial yang dimiliki TIRS adalah 100 meter dan teregistrasi dengan sensor
OLI sehingga menghasilkan citra yang terkalibrasi secara radiometrik dan geometrik
serta terkoreksi medan dengan Level koreksi 1T dan disimpan dalam sistem 16-bit
(USGS, 2013).
Landsat 8 memiliki tingkat keabuan (Digital Number [DN]) berkisar antara 0-
4096. Tingkat keabuan tersebut jauh lebih besar daripada pada generasi Landsat
sebelumnya yang berkisar antara 0-256. Kelebihan tersebut merupakan akibat dari
peningkatan sensitivitas Landsat yang semula setiap piksel memiliki kuantifikasi 8- bit
sekarang (pada Landsat 8) meningkat menjadi 12-bit. Peningkatan tersebut jelas akan
lebih membedakan tampilan objek-objek di permukaan bumi sehingga tampilan lebih
halus baik pada saluran pankromatik maupun multispektral serta dapat
32
menurunkan kesalahan interpretasi. Landsat 8 memiliki saluran-saluran dengan
resolusi tingkat menengah. Resolusi tersebut setara dengan saluran-saluran pada
Landsat 5 dan 7. Oleh karena itu, produk-produk citra yang dihasilkan oleh Landsat 5
dan 7 pada beberapa dekade masih relevan bagi studi data time series terhadap Landsat
8. Kelebihan utama dari Landsat 8 adalah akses data yang terbuka bebas dan gratis.
Resolusi 30 m dan kuantifikasi 12-bit pada Landsat 8 akan memberikan banyak
keuntungan dan informasi penting bagi pengguna. Tambahan pula, produk citra
Landsat 8 ini bersifat time series tanpa striping (kelemahan Landsat 7 setelah tahun
2003). Penggabungan citra Landsat 8 dengan memanfaatkan citra-citra sebelumnya
akan menghadirkan informasi-informasi yang kompleks dan berharga (Guntara, 2016).
C. Sentinel 2A
Sentinel-2A adalah satelit pencitraan optik Eropa diluncurkan pada 2015. Ini
adalah satelit Sentinel-2 pertama diluncurkan sebagai bagian dari program Copernicus
Badan Antariksa Eropa. Satelit membawa berbagai petak-resolusi tinggi imager
multispektral dengan 13 band spektral. Ini akan melakukan pengamatan terestrial
dalam mendukung layanan seperti pemantauan hutan, deteksi perubahan lahan tutupan,
dan manajemen bencana alam. Satelit Sentinel-2A adalah satelit observasi Bumi optik
pertama dalam program Copernicus Eropa dan dikembangkan dan dibangun di bawah
kepemimpinan industri Pertahanan dan Antariksa Airbus untuk Badan Antariksa Eropa
(ESA). Satelit Sentinel-2A yang dibangun oleh Airbus Defence and Space akan
menambah warna program Copernicus melalui instrumen multispektral yang
memberikan kualitas gambar yang unik. Copernicus adalah nama baru Program
Pengamatan Bumi Komisi Eropa, sebelumnya dikenal sebagai GMES (Global
Monitoring for Environment and Security).
Misi ini didedikasikan untuk cakupan permukaan tanah yang lengkap dan
sistematis termasuk pulau-pulau besar secara global dengan tujuan untuk menyediakan
produk bebas cloud biasanya setiap 15 hingga 30 hari di Eropa dan
33
Afrika. Fusion PlanetScope yang menggunakan data citra satelit Sentinel-2A dan
Sentinel-2B pada resolusi spasial 10 m disampel ulang menjadi resolusi 3 meter. Data
citra satelit Sentinel-2 dapat mendukung data penting pertanian dan pertanian untuk
mengelola hasil panen, produksi, kesehatan, dan pola cuaca. Data citra spektral
beresolusi tinggi dapat memberikan informasi penting untuk memantau kesehatan dan
pertumbuhan tanaman, yang dapat meningkatkan produksi pertanian dan pertanian.
Satelit Sentinel-2 dan data satelit pengamatan bumi lainnya dapat digabungkan
menggunakan keuntungan spasial, temporal dan spektral dari berbagai sensor satelit
pengamatan bumi. Rentang 13 pita spektral, dari inframerah tampak dan inframerah
dekat hingga inframerah gelombang pendek pada resolusi spasial berbeda mulai dari
10 hingga 60 meter di lapangan, membawa pemantauan lahan global ke tingkat yang
belum pernah terjadi sebelumnya.
Data citra satelit Sentinel-2 akan mendukung:

• Tutupan lahan umum, penggunaan lahan, dan peta deteksi perubahan
• Peta variabel geofisika untuk indeks luas daun, kandungan klorofil daun, dan
kandungan air daun
Empat pita dengan resolusi 10 meter memastikan kontinuitas dengan misi
seperti SPOT-5 atau Landsat-8 untuk memenuhi kebutuhan pengguna, khususnya,
untuk klasifikasi tutupan lahan dasar. Keenam pita dengan resolusi 20 meter memenuhi
persyaratan untuk klasifikasi tutupan lahan yang ditingkatkan dan untuk pengambilan
parameter geofisika. Pita pada 60 meter didedikasikan terutama untuk koreksi atmosfer
dan penyaringan awan cirrus. Satelit Sentinel-2A adalah misi pengamatan Bumi optik
sipil pertama dari jenisnya yang menyertakan tiga pita di 'tepi merah', yang
memberikan informasi penting tentang kondisi vegetasi. Satelit Sentinel-2A akan dapat
melihat perubahan yang sangat awal pada kesehatan tanaman karena temporal yang
tinggi, resolusi spasial, dan 3 pita tepi merah. Ini sangat
34
berguna bagi pengguna akhir dan pembuat kebijakan untuk aplikasi pertanian dan
untuk mendeteksi tanda-tanda awal kekurangan pangan di negara berkembang.
35
BAB III
METODOLOGI

Lokasi pratikum kali ini adalah di Ruangan A.2.3, Gedung Perkuliahan
Pendidikan Geografi, Fakultas Keguruaan dan Ilmu Pendidikan, Universitas Halu
Oleo, Kota Kendari.
B. Alat dan Bahan
1. Laptop (PC)
2. Aplikasi ENVI
3. Citra Satelit Landsat 8 OLI
4. Citra Satelit Sentinel 2A
5. Header Citra Lansat 8OLI dan Sentinel 2A
6. Jurnal dan buku teks sebagai referensi tambahan
C. Prosedur Kerja
1. Buka header citra Landsat 8 OLI
2. Buka header citra Sentinel 2A
36
37
BAB IV
A. Hasil
1. Citra Landsat 8 (hearder)
GROUP = L1_METADATA_FILE
GROUP = METADATA_FILE_INFO
ORIGIN = "Image courtesy of the U.S. Geological Survey"
REQUEST_ID = "P7013mr4wwive_00012"
LANDSAT_SCENE_ID = "LC81120632021301LGN00"
LANDSAT_PRODUCT_ID =
"LC08_L1TP_112063_20211028_20211104_01_T1"
COLLECTION_NUMBER = 01
FILE_DATE = 2021-11-04T04:33:38Z
STATION_ID = "LGN"
PROCESSING_SOFTWARE_VERSION = "LPGS_13.1.0"
END_GROUP = METADATA_FILE_INFO
GROUP = PRODUCT_METADATA
DATA_TYPE = "L1TP"
COLLECTION_CATEGORY = "T1"
ELEVATION_SOURCE = "GLS2000"
OUTPUT_FORMAT = "GEOTIFF"
SPACECRAFT_ID = "LANDSAT_8"
SENSOR_ID = "OLI_TIRS"
WRS_PATH = 112
WRS_ROW = 63
NADIR_OFFNADIR = "NADIR"
TARGET_WRS_PATH = 112
TARGET_WRS_ROW = 63
DATE_ACQUIRED = 2021-10-28
38
SCENE_CENTER_TIME = "01:58:19.1377890Z"
CORNER_UL_LAT_PRODUCT = -3.29174
CORNER_UL_LON_PRODUCT = 121.96128
CORNER_UR_LAT_PRODUCT = -3.29177
CORNER_UR_LON_PRODUCT = 124.01082
CORNER_LL_LAT_PRODUCT = -5.39205
CORNER_LL_LON_PRODUCT = 121.95841
CORNER_LR_LAT_PRODUCT = -5.39210
CORNER_LR_LON_PRODUCT = 124.01362
CORNER_UL_PROJECTION_X_PRODUCT = 384600.000
CORNER_UL_PROJECTION_Y_PRODUCT = -363900.000
CORNER_UR_PROJECTION_X_PRODUCT = 612300.000
CORNER_UR_PROJECTION_Y_PRODUCT = -363900.000
CORNER_LL_PROJECTION_X_PRODUCT = 384600.000
CORNER_LL_PROJECTION_Y_PRODUCT = -596100.000
CORNER_LR_PROJECTION_X_PRODUCT = 612300.000
CORNER_LR_PROJECTION_Y_PRODUCT = -596100.000
PANCHROMATIC_LINES = 15481
PANCHROMATIC_SAMPLES = 15181
REFLECTIVE_LINES = 7741
REFLECTIVE_SAMPLES = 7591
THERMAL_LINES = 7741
THERMAL_SAMPLES = 7591
FILE_NAME_BAND_1 =
"LC08_L1TP_112063_20211028_20211104_01_T1_B1.TIF"
FILE_NAME_BAND_2 =
"LC08_L1TP_112063_20211028_20211104_01_T1_B2.TIF"
FILE_NAME_BAND_3 =
"LC08_L1TP_112063_20211028_20211104_01_T1_B3.TIF"
39
FILE_NAME_BAND_4 =
"LC08_L1TP_112063_20211028_20211104_01_T1_B4.TIF"
FILE_NAME_BAND_5 =
"LC08_L1TP_112063_20211028_20211104_01_T1_B5.TIF"
FILE_NAME_BAND_6 =
"LC08_L1TP_112063_20211028_20211104_01_T1_B6.TIF"
FILE_NAME_BAND_7 =
"LC08_L1TP_112063_20211028_20211104_01_T1_B7.TIF"
FILE_NAME_BAND_8 =
"LC08_L1TP_112063_20211028_20211104_01_T1_B8.TIF"
FILE_NAME_BAND_9 =
"LC08_L1TP_112063_20211028_20211104_01_T1_B9.TIF"
FILE_NAME_BAND_10 =
"LC08_L1TP_112063_20211028_20211104_01_T1_B10.TIF"
FILE_NAME_BAND_11 =
"LC08_L1TP_112063_20211028_20211104_01_T1_B11.TIF"
FILE_NAME_BAND_QUALITY =
"LC08_L1TP_112063_20211028_20211104_01_T1_BQA.TIF"
ANGLE_COEFFICIENT_FILE_NAME =
"LC08_L1TP_112063_20211028_20211104_01_T1_ANG.txt"
METADATA_FILE_NAME =
"LC08_L1TP_112063_20211028_20211104_01_T1_MTL.txt"
CPF_NAME = "LC08CPF_20211001_20211031_01.02"
BPF_NAME_OLI = "LO8BPF20211027235717_20211028022048.01"
BPF_NAME_TIRS = "LT8BPF20211021062256_20211028090909.01"
RLUT_FILE_NAME = "LC08RLUT_20150303_20431231_01_12.h5"
END_GROUP = PRODUCT_METADATA
GROUP = IMAGE_ATTRIBUTES
CLOUD_COVER = 16.49
40
CLOUD_COVER_LAND = 27.61
IMAGE_QUALITY_OLI = 9
IMAGE_QUALITY_TIRS = 9
TIRS_SSM_MODEL = "FINAL"
TIRS_SSM_POSITION_STATUS = "ESTIMATED"
TIRS_STRAY_LIGHT_CORRECTION_SOURCE = "TIRS"
ROLL_ANGLE = -0.001
SUN_AZIMUTH = 112.37485904
SUN_ELEVATION = 65.29707978
EARTH_SUN_DISTANCE = 0.9936341
SATURATION_BAND_1 = "Y"
SATURATION_BAND_8 = "N"
SATURATION_BAND_9 = "N"
GROUND_CONTROL_POINTS_VERSION = 4
GROUND_CONTROL_POINTS_MODEL = 75
GEOMETRIC_RMSE_MODEL = 8.841
GEOMETRIC_RMSE_MODEL_Y = 6.336
GEOMETRIC_RMSE_MODEL_X = 6.166
GROUND_CONTROL_POINTS_VERIFY = 43
GEOMETRIC_RMSE_VERIFY = 11.340
TRUNCATION_OLI = "UPPER"
END_GROUP = IMAGE_ATTRIBUTES
GROUP = MIN_MAX_RADIANCE
41
RADIANCE_MAXIMUM_BAND_1 = 769.83276
RADIANCE_MINIMUM_BAND_1 = -63.57304
RADIANCE_MINIMUM_BAND_10 = 0.10033
RADIANCE_MINIMUM_BAND_11 = 0.10033
END_GROUP = MIN_MAX_RADIANCE
GROUP = MIN_MAX_REFLECTANCE
REFLECTANCE_MAXIMUM_BAND_1 = 1.210700
REFLECTANCE_MINIMUM_BAND_1 = -0.099980
42
END_GROUP = MIN_MAX_REFLECTANCE
GROUP = MIN_MAX_PIXEL_VALUE
QUANTIZE_CAL_MAX_BAND_1 = 65535
QUANTIZE_CAL_MIN_BAND_1 = 1
43
END_GROUP = MIN_MAX_PIXEL_VALUE
GROUP = RADIOMETRIC_RESCALING
RADIANCE_MULT_BAND_1 = 1.2717E-02
RADIANCE_ADD_BAND_1 = -63.58576
44
RADIANCE_ADD_BAND_10 = 0.10000
RADIANCE_ADD_BAND_11 = 0.10000
REFLECTANCE_MULT_BAND_1 = 2.0000E-05
REFLECTANCE_ADD_BAND_1 = -0.100000
END_GROUP = RADIOMETRIC_RESCALING
GROUP = TIRS_THERMAL_CONSTANTS
K1_CONSTANT_BAND_10 = 774.8853
END_GROUP = TIRS_THERMAL_CONSTANTS
GROUP = PROJECTION_PARAMETERS
45
MAP_PROJECTION = "UTM"
DATUM = "WGS84"
ELLIPSOID = "WGS84"
UTM_ZONE = 51
GRID_CELL_SIZE_PANCHROMATIC = 15.00
GRID_CELL_SIZE_REFLECTIVE = 30.00
GRID_CELL_SIZE_THERMAL = 30.00
ORIENTATION = "NORTH_UP"
RESAMPLING_OPTION = "CUBIC_CONVOLUTION"
END_GROUP = PROJECTION_PARAMETERS
END_GROUP = L1_METADATA_FILE
END
2. Sentinel 2A
<?xml version="1.0" encoding="UTF-8"?>
<n1:Level-1C_User_Product xsi:schemaLocation="https://psd-
14.sentinel2.eo.esa.int/PSD/User_Product_Level-1C.xsd"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xmlns:n1="https://psd-
14.sentinel2.eo.esa.int/PSD/User_Product_Level-
1C.xsd"><n1:General_Info><Product_Info><PRODUCT_START_TI
ME>2019-09-
09T01:56:59.024Z</PRODUCT_START_TIME><PRODUCT_STOP
_TIME>2019-09-
09T01:56:59.024Z</PRODUCT_STOP_TIME><PRODUCT_URI>S
2B_MSIL1C_20190909T015659_N0208_R060_T51MVR_20190909
T052856.SAFE</PRODUCT_URI><PROCESSING_LEVEL>Level-
1C</PROCESSING_LEVEL><PRODUCT_TYPE>S2MSI1C</PRO
DUCT_TYPE><PROCESSING_BASELINE>02.08</PROCESSING
_BASELINE><GENERATION_TIME>2019-09-
09T05:28:56.000000Z</GENERATION_TIME><PREVIEW_IMAG
E_URL>Not
applicable</PREVIEW_IMAGE_URL><PREVIEW_GEO_INFO>No
46
t applicable</PREVIEW_GEO_INFO><Datatake
datatakeIdentifier="GS2B_20190909T015659_013099_N02.08"><SP
ACECRAFT_NAME>Sentinel-
2B</SPACECRAFT_NAME><DATATAKE_TYPE>INS-
NOBS</DATATAKE_TYPE><DATATAKE_SENSING_START>2
019-09-
09T01:56:59.024Z</DATATAKE_SENSING_START><SENSING_
ORBIT_NUMBER>60</SENSING_ORBIT_NUMBER><SENSING
_ORBIT_DIRECTION>DESCENDING</SENSING_ORBIT_DIREC
TION></Datatake><Query_Options
completeSingleTile="true"><PRODUCT_FORMAT>SAFE_COMPA
CT</PRODUCT_FORMAT></Query_Options><Product_Organisatio
n><Granule_List><Granule imageFormat="JPEG2000"
granuleIdentifier="S2B_OPER_MSI_L1C_TL_SGS __20190909T052
856_A013099_T51MVR_N02.08"
datastripIdentifier="S2B_OPER_MSI_L1C_DS_SGS __ 20190909T05
2856_S20190909T021442_N02.08"><IMAGE_FILE>GRANULE/L1
C_T51MVR_A013099_20190909T021442/IMG_DATA/T51MVR_2
0190909T015659_B01</IMAGE_FILE><IMAGE_FILE>GRANULE
/L1C_T51MVR_A013099_20190909T021442/IMG_DATA/T51MVR
_20190909T015659_B02</IMAGE_FILE><IMAGE_FILE>GRANU
LE/L1C_T51MVR_A013099_20190909T021442/IMG_DATA/T51M
VR_20190909T015659_B03</IMAGE_FILE><IMAGE_FILE>GRA
NULE/L1C_T51MVR_A013099_20190909T021442/IMG_DATA/T5
1MVR_20190909T015659_B04</IMAGE_FILE><IMAGE_FILE>G
RANULE/L1C_T51MVR_A013099_20190909T021442/IMG_DATA
/T51MVR_20190909T015659_B05</IMAGE_FILE><IMAGE_FILE
>GRANULE/L1C_T51MVR_A013099_20190909T021442/IMG_DA
TA/T51MVR_20190909T015659_B06</IMAGE_FILE><IMAGE_FI
LE>GRANULE/L1C_T51MVR_A013099_20190909T021442/IMG_
DATA/T51MVR_20190909T015659_B07</IMAGE_FILE><IMAGE
_FILE>GRANULE/L1C_T51MVR_A013099_20190909T021442/IM
G_DATA/T51MVR_20190909T015659_B08</IMAGE_FILE><IMA
GE_FILE>GRANULE/L1C_T51MVR_A013099_20190909T021442/
IMG_DATA/T51MVR_20190909T015659_B8A</IMAGE_FILE><I
MAGE_FILE>GRANULE/L1C_T51MVR_A013099_20190909T021
442/IMG_DATA/T51MVR_20190909T015659_B09</IMAGE_FILE
47
><IMAGE_FILE>GRANULE/L1C_T51MVR_A013099_20190909T
021442/IMG_DATA/T51MVR_20190909T015659_B10</IMAGE_FI
LE><IMAGE_FILE>GRANULE/L1C_T51MVR_A013099_2019090
9T021442/IMG_DATA/T51MVR_20190909T015659_B11</IMAGE
_FILE><IMAGE_FILE>GRANULE/L1C_T51MVR_A013099_2019
0909T021442/IMG_DATA/T51MVR_20190909T015659_B12</IMA
GE_FILE><IMAGE_FILE>GRANULE/L1C_T51MVR_A013099_2
0190909T021442/IMG_DATA/T51MVR_20190909T015659_TCI</I
MAGE_FILE></Granule></Granule_List></Product_Organisation></
Product_Info><Product_Image_Characteristics><Special_Values><S
PECIAL_VALUE_TEXT>NODATA</SPECIAL_VALUE_TEXT><
SPECIAL_VALUE_INDEX>0</SPECIAL_VALUE_INDEX></Spec
ial_Values><Special_Values><SPECIAL_VALUE_TEXT>SATURA
TED</SPECIAL_VALUE_TEXT><SPECIAL_VALUE_INDEX>65
535</SPECIAL_VALUE_INDEX></Special_Values><Image_Displa
y_Order><RED_CHANNEL>3</RED_CHANNEL><GREEN_CHA
NNEL>2</GREEN_CHANNEL><BLUE_CHANNEL>1</BLUE_C
HANNEL></Image_Display_Order><QUANTIFICATION_VALUE
unit="none">10000</QUANTIFICATION_VALUE><Reflectance_C
onversion><U>0.984086980969484</U><Solar_Irradiance_List><SO
LAR_IRRADIANCE unit="W/m²/µm"
bandId="0">1874.3</SOLAR_IRRADIANCE><SOLAR_IRRADIA
NCE unit="W/m²/µm"
48
bandId="12">87.75</SOLAR_IRRADIANCE></Solar_Irradiance_Li
st></Reflectance_Conversion><Spectral_Information_List><Spectral
_Information bandId="0"
physicalBand="B1"><RESOLUTION>60</RESOLUTION><Wavele
ngth><MIN unit="nm">411</MIN><MAX
unit="nm">456</MAX><CENTRAL
unit="nm">442.3</CENTRAL></Wavelength><Spectral_Response>
<STEP unit="nm">1</STEP><VALUES>0.0062411 0.01024045
0.00402983 0.00642179 0.00552753 0.0065525 0.00409887 0.006297
0.00436742 0.00233356 0.00058162 0.00202276 0.00294328
0.00485362 0.00317041 0.00237657 0.00234612 0.00440152
0.01292397 0.05001678 0.18650104 0.45441623 0.72307877
0.83999211 0.86456334 0.87472096 0.89215296 0.91090814
0.92588017 0.93924094 0.94491826 0.95078529 0.96803023
0.99939195 1 0.97548364 0.96148351 0.94986211 0.91841452
0.87989802 0.80383677 0.59752075 0.30474132 0.10798014
0.0304465
0.00885119</VALUES></Spectral_Response></Spectral_Informatio
n><Spectral_Information bandId="1"
0.02009527 0.01399201 0.01563065 0.01543291 0.01699891
0.0133561 0.01445633 0.00956567 0.01440765 0.01113911
0.01335697 0.01354038 0.0143503 0.01468705 0.01598724
0.03067764 0.05529541 0.12005068 0.25199051 0.4623617
0.65162379 0.77642171 0.82319091 0.83083116 0.83382106
49
0.837526 0.86304286 0.88226141 0.90486326 0.92043837
0.93602675 0.930533 0.92714067 0.9161479 0.90551724 0.89745515
0.90266694 0.90854264 0.92047913 0.92417935 0.91845025
0.90743244 0.89733983 0.88646415 0.87189983 0.85643973
0.84473414 0.84190734 0.85644111 0.87782724 0.90261174
0.91840544 0.94585847 0.96887192 0.99336135 0.99927899 1
0.99520325 0.98412711 0.97947473 0.97808297 0.97213439
0.96277794 0.95342234 0.93802376 0.92460144 0.90932642
0.90192251 0.89184298 0.88963556 0.89146958 0.89877911
0.91056869 0.92427362 0.93823555 0.95311791 0.97150808
0.98737003 0.99658514 0.99367959 0.98144714 0.95874415
0.89291635 0.73566218 0.52060373 0.3322804 0.19492197
0.11732617 0.07507304 0.05094154 0.03213016 0.01510217
unit="nm">559</CENTRAL></Wavelength><Spectral_Response><S
TEP unit="nm">1</STEP><VALUES>0.00188039 0.01545903
0.03660414 0.08100583 0.16917887 0.33278274 0.58622794
0.80916412 0.913051 0.94472284 0.94898813 0.94369132
0.92845674 0.91256938 0.90078036 0.89958598 0.90547138
0.92045355 0.94065665 0.96199681 0.98186744 0.9985841 1
0.99279888 0.97801325 0.95301174 0.9266333 0.89359131
0.86941793 0.84827 0.83908301 0.83206209 0.8291787 0.83305844
0.84630939 0.86396307 0.87268076 0.86818339 0.8554947
0.80839054 0.67650876 0.45584205 0.24737576 0.12765465
0.0589016 0.02564742
0.11905127 0.333204 0.59813448 0.80612041 0.91152955
50
0.92179127 0.91677167 0.90751672 0.89867522 0.89413622
0.89685141 0.89933396 0.90191681 0.90710817 0.9164622
0.92908702 0.9426682 0.95591935 0.96854537 0.98264967
0.99231022 1 0.99904114 0.99257339 0.97943242 0.96553214
0.95377013 0.94146127 0.92151286 0.89308475 0.83539461
0.69759082 0.49483622 0.27886075 0.10892715 0.03028701
0.00747382
0.21461286 0.54715702 0.87088164 0.96808183 0.99104427 1
0.99512875 0.98751456 0.97910038 0.97035979 0.95875454
0.94130694 0.92531149 0.89283152 0.76531084 0.50228771
0.17957688 0.0337948
0.38571484 0.78168196 0.90518378 0.91562509 0.92258804
0.93134141 0.9469604 0.96535098 0.97817455 0.99107716
0.99990615 1 0.97144118 0.81937503 0.46748011 0.09409351
0.11240409 0.25890105 0.48035521 0.73155954 0.91293607
0.97124929 0.96391197 0.95529249 0.964831 0.98628988 1
51
0.99782157 0.98343012 0.96489467 0.94619093 0.92560158
0.90788186 0.88471259 0.85693094 0.82513165 0.7734046
0.66767522 0.47756609 0.23225321 0.06764032 0.01301456
0.01663315 0.02818619 0.05000442 0.08575595 0.14871265
0.25701156 0.42307501 0.62943997 0.80112571 0.90352196
0.93855197 0.94406104 0.9474892 0.96325767 0.97948137
0.99144397 0.99630748 1 0.99827121 0.99843182 0.98914342
0.98264167 0.96769944 0.95752283 0.95074919 0.9458125
0.94267916 0.9465958 0.94450012 0.93992861 0.92759688
0.91226544 0.89079677 0.8706102 0.85021777 0.83416655
0.82214927 0.8124078 0.80920229 0.80220847 0.79081499
0.78239761 0.76731527 0.75394962 0.74226922 0.72750987
0.71976209 0.71456726 0.71982866 0.72746214 0.73945306
0.75138424 0.76310661 0.77122498 0.78298312 0.78494127
0.78409222 0.7834498 0.78216032 0.78062401 0.78132572
0.7813272 0.7810081 0.77897938 0.7761445 0.76910534 0.7625494
0.75157186 0.74086146 0.73121299 0.71988688 0.71025573
0.69679744 0.68602501 0.67163906 0.65532408 0.64173681
0.62683353 0.61241074 0.60185411 0.59380689 0.58714687
0.58444579 0.58231388 0.58111599 0.57996902 0.57480451
0.57684802 0.57273034 0.57144461 0.56985127 0.57167225
0.57154913 0.57292235 0.57617796 0.5784908 0.58023702
0.57982619 0.57868642 0.57587451 0.56976789 0.56173136
0.55644176 0.54881732 0.54508423 0.54153848 0.54069902
0.53850959 0.53655263 0.530404 0.52068821 0.50399678 0.486513
0.46813829 0.45468861 0.44447936 0.44177056 0.44425396
0.44633078 0.43914074 0.41748156 0.3690277 0.30165803
0.23504284 0.17434599 0.12247894 0.08354059 0.05624109
0.03804368 0.02427229 0.01490577
52
physicalBand="B8A"><RESOLUTION>20</RESOLUTION><Wave
length><MIN unit="nm">848</MIN><MAX
0.03225867 0.07345268 0.1689243 0.34543042 0.56923369
0.79611745 0.93749188 0.98102805 0.98742384 0.99457226
0.99912415 0.99993652 1 0.99437257 0.98756135 0.98263615
0.9790323 0.97397518 0.97130259 0.9645338 0.95610202
0.93941552 0.89155652 0.77601041 0.5951886 0.37588812
0.18394037 0.07870072 0.0332686 0.01575167
0.15156613 0.35888361 0.60704101 0.83836043 0.93474094
0.94270146 0.95838078 0.99064712 0.99789825 1 0.98593726
0.97333604 0.95776631 0.972226 0.94856942 0.94367414
0.90771555 0.88460732 0.85258329 0.83375172 0.71599386
0.52202762 0.26922852 0.09477806 0.02640828
physicalBand="B10"><RESOLUTION>60</RESOLUTION><Wavel
ength><MIN unit="nm">1339</MIN><MAX
unit="nm">1376.9</CENTRAL></Wavelength><Spectral_Response
><STEP unit="nm">1</STEP><VALUES>2.472e-05 0.00013691
0.00012558 8.901e-05 0.00012425 9.941e-05 0.00013952 0.00015816
0.00019272 0.00025959 0.00032221 0.00034719 0.0003699
0.00054874 0.00105434 0.00218813 0.00480743 0.01135252
0.02671185 0.05776022 0.11176337 0.19587518 0.31418191
0.46188068 0.62292578 0.7709851 0.88086652 0.9448941
0.97405066 0.98616696 0.99306955 0.99775441 1 0.99942348
53
0.99616891 0.99082045 0.9842131 0.97708513 0.97013647
0.96374366 0.95755001 0.95127438 0.94546638 0.94069659
0.93759595 0.93624612 0.93510206 0.93054472 0.91630845
0.88530334 0.83129653 0.74856466 0.63524397 0.49733159
0.34907723 0.21259735 0.10971453 0.04789269 0.01853013
0.00716776 0.0031533 0.00157017 0.00084901 0.00053006
0.00033171 0.00019447 0.00022104 0.00022646 0.00018156
0.00016063 0.00015475 0.00014734 0.00014776 0.00017405
0.00023619 0.00012007 4.337e-
05</VALUES></Spectral_Response></Spectral_Information><Spectr
al_Information bandId="11"
><STEP unit="nm">1</STEP><VALUES>1.154e-05 2.707e-05
8.129e-05 0.0001701 0.00027422 0.00034456 0.00046028
0.00065214 0.00082283 0.00107791 0.0014306 0.00196134
0.00266427 0.00368682 0.00522456 0.00758401 0.01126335
0.01715812 0.02674581 0.04145595 0.06300627 0.09464207
0.13995799 0.20105412 0.28189591 0.38134665 0.4907345
0.60674263 0.71505301 0.80391496 0.87015099 0.91645643
0.94668952 0.96391534 0.97305962 0.97704089 0.97777566
0.97686717 0.97531356 0.97336816 0.9714563 0.9697157
0.96907419 0.96968255 0.97051178 0.97272986 0.97613656
0.97894419 0.9810083 0.98350836 0.9848292 0.98438948
0.98389859 0.98334634 0.9814301 0.97936035 0.97802641
0.97623515 0.97537114 0.97569131 0.97679261 0.97898052
0.98199689 0.98520852 0.98866135 0.99233425 0.99480248
0.99589079 0.9958911 0.99475534 0.99207775 0.98856394
0.9848769 0.98106836 0.97677436 0.97351815 0.97192459
0.97052192 0.97043004 0.9723835 0.97525347 0.97856769
0.98298866 0.98810437 0.99268138 0.99645012 0.9990686 1
0.99902738 0.99662493 0.99326995 0.989647 0.98577051
0.98212932 0.97979728 0.97946062 0.980262 0.98247241
0.98601349 0.98957829 0.99173488 0.99219848 0.98937107
0.98205611 0.97007817 0.95307506 0.93223131 0.90784439
54
0.88392149 0.86411672 0.85075738 0.84410342 0.84337963
0.84698191 0.84866039 0.84046041 0.81336359 0.75654857
0.66994259 0.56517119 0.45690882 0.35310835 0.25633426
0.17582806 0.11552613 0.0733101 0.04640345 0.02898639
0.01853597 0.01243537 0.00877131 0.00630418 0.00457459
0.00335323 0.00245906 0.001988 0.00149989 0.00112208
0.00078208 0.00054086 0.00028019
0.0001326</VALUES></Spectral_Response></Spectral_Information
><Spectral_Information bandId="12"
><STEP unit="nm">1</STEP><VALUES>0.00022389 0.00073676
0.00164703 0.00301151 0.00458328 0.00592584 0.00752876
0.00874103 0.01025764 0.01222618 0.01458055 0.01744267
0.02104287 0.02540339 0.03057901 0.03719619 0.04572365
0.05630242 0.06994211 0.08791078 0.11057655 0.13873936
0.17311239 0.21416774 0.26175285 0.31696031 0.38057337
0.44916129 0.52246923 0.59858476 0.67183039 0.73762307
0.79267856 0.83543144 0.86612544 0.88613168 0.89739036
0.90131058 0.90056883 0.89688046 0.89211284 0.88771935
0.88417799 0.88183136 0.88142338 0.88242075 0.88687585
0.89245189 0.89861914 0.90533051 0.91254666 0.91988456
0.92662076 0.93280462 0.9381479 0.94308713 0.94528987
0.94711578 0.94827846 0.94854335 0.94782599 0.94683272
0.94584552 0.94458923 0.94320642 0.94161778 0.94216937
0.94300085 0.94396863 0.94500784 0.94593652 0.94680905
0.94766521 0.94866638 0.94960932 0.95040536 0.95078607
0.95126357 0.95205865 0.9524548 0.95228734 0.95215614
0.95239704 0.95270563 0.95306455 0.9535262 0.95404061
0.9545903 0.95529443 0.95650666 0.95774374 0.95899449
0.96021128 0.96117558 0.96241242 0.96389292 0.9633817
0.96287807 0.96252982 0.96163134 0.96051578 0.95934879
0.95816596 0.95676127 0.95491383 0.95287555 0.95386662
0.95498503 0.9555239 0.95548083 0.9551674 0.95442758
0.95327341 0.95194429 0.95041866 0.9484181 0.94839027
55
0.94838056 0.94813039 0.94753901 0.94645196 0.94504703
0.9433144 0.94197531 0.94049427 0.93875727 0.94132922
0.9436129 0.94558364 0.94711284 0.94831802 0.94945878
0.95060227 0.95182631 0.95345901 0.95510105 0.95225316
0.95033203 0.94956701 0.94895037 0.94955832 0.95152282
0.95486528 0.95963437 0.96607045 0.97375116 0.97078626
0.96900558 0.96819786 0.96750837 0.9674355 0.96792378
0.96839035 0.96883692 0.9693902 0.96985301 0.96898817
0.96814874 0.96743874 0.96638941 0.96534457 0.96425351
0.96281969 0.96155971 0.96053251 0.95926107 0.95959913
0.96025143 0.96154033 0.96262988 0.96359875 0.96467154
0.9654114 0.96625109 0.96744643 0.96878244 0.97046916
0.97234778 0.97422228 0.9759326 0.97713045 0.97892333
0.98039008 0.98147316 0.98248415 0.9832885 0.98458694
0.9866985 0.98911057 0.99119702 0.99315819 0.99524701
0.99668121 0.99826512 0.99959594 1 0.99866374 0.99576531
0.99062502 0.98155399 0.96876193 0.95174168 0.92942389
0.90240499 0.8705554 0.83207693 0.78626172 0.73649625
0.68202115 0.62329799 0.56418429 0.50680538 0.4515209
0.4006232 0.35430248 0.30995212 0.26941268 0.23418861
0.20232924 0.17373524 0.14941215 0.1290062 0.11157271
0.09693492 0.08490613 0.07409041 0.06449244 0.056343 0.0493999
0.04321207 0.03800099 0.03348242 0.02900748 0.0251013
0.02003645 0.01384563 0.00850471 0.00443484
n></Spectral_Information_List><PHYSICAL_GAINS
bandId="0">4.02562204</PHYSICAL_GAINS><PHYSICAL_GAIN
S
S
S
S
S
56
S
S
S
S
S
bandId="10">56.49417117</PHYSICAL_GAINS><PHYSICAL_GA
INS
bandId="11">37.21468978</PHYSICAL_GAINS><PHYSICAL_GA
INS
bandId="12">108.68675473</PHYSICAL_GAINS></Product_Image
_Characteristics></n1:General_Info><n1:Geometric_Info><Product_
Footprint><Product_Footprint><Global_Footprint><EXT_POS_LIST
>-3.618066326597325 122.09921938417557 -3.618511040673102
123.08788465994813 -4.611853289877044 123.08799362366919 -
4.61128604135956 122.0981027346939 -3.618066326597325
122.09921938417557
</EXT_POS_LIST></Global_Footprint></Product_Footprint><RAS
TER_CS_TYPE>POINT</RASTER_CS_TYPE><PIXEL_ORIGIN>
1</PIXEL_ORIGIN></Product_Footprint><Coordinate_Reference_S
ystem><GEO_TABLES
version="1">EPSG</GEO_TABLES><HORIZONTAL_CS_TYPE>
GEOGRAPHIC</HORIZONTAL_CS_TYPE></Coordinate_Referenc
e_System></n1:Geometric_Info><n1:Auxiliary_Data_Info><GIPP_Li
st><GIPP_FILENAME version="0001"
type="GIP_ATMIMA">S2B_OPER_GIP_ATMIMA_MPC 201702
06T103051_V20170101T000000_21000101T000000_B00</GIPP_FI
LENAME><GIPP_FILENAME version="0003"
type="GIP_ATMSAD">S2B_OPER_GIP_ATMSAD_MPC 201703
24T155501_V20170306T000000_21000101T000000_B00</GIPP_FI
type="GIP_LREXTR">S2B_OPER_GIP_LREXTR_MPC 2017020
6T103047_V20170101T000000_21000101T000000_B00</GIPP_FIL
ENAME><GIPP_FILENAME version="0003"
57
type="GIP_INVLOC">S2B_OPER_GIP_INVLOC_MPC 20170523
T080300_V20170322T000000_21000101T000000_B00</GIPP_FILE
NAME><GIPP_FILENAME version="0002"
type="GIP_BLINDP">S2B_OPER_GIP_BLINDP_MPC 20170221
T000000_V20170101T000000_21000101T000000_B00</GIPP_FILE
type="GIP_CLOINV">S2B_OPER_GIP_CLOINV_MPC 20170206
T103032_V20170101T000000_21000101T000000_B00</GIPP_FILE
type="GIP_CONVER">S2B_OPER_GIP_CONVER_MPC 201507
10T131444_V20150627T000000_21000101T000000_B00</GIPP_FI
type="GIP_DATATI">S2B_OPER_GIP_DATATI_MPC 20170428
T123038_V20170322T000000_21000101T000000_B00</GIPP_FILE
type="GIP_DECOMP">S2B_OPER_GIP_DECOMP_MPC 201210
31T075922_V19830101T000000_21000101T000000_B00</GIPP_FI
type="GIP_EARMOD">S2 OPER_GIP_EARMOD_MPC 201506
05T094736_V20150622T000000_21000101T000000_B00</GIPP_FI
type="GIP_ECMWFP">S2B_OPER_GIP_ECMWFP_MPC 201210
31T075922_V19830101T000000_21000101T000000_B00</GIPP_FI
type="GIP_G2PARA">S2B_OPER_GIP_G2PARA_MPC 2017020
6T103032_V20170101T000000_21000101T000000_B00</GIPP_FIL
type="GIP_G2PARE">S2B_OPER_GIP_G2PARE_MPC 20170206
T103032_V20170101T000000_21000101T000000_B00</GIPP_FILE
type="GIP_GEOPAR">S2B_OPER_GIP_GEOPAR_MPC 2017020
6T103032_V20170101T000000_21000101T000000_B00</GIPP_FIL
type="GIP_INTDET">S2B_OPER_GIP_INTDET_MPC 20170523
T080300_V20170322T000000_21000101T000000_B00</GIPP_FILE
type="GIP_JP2KPA">S2B_OPER_GIP_JP2KPA_MPC 20160222T
58
110000_V20150622T000000_21000101T000000_B00</GIPP_FILEN
AME><GIPP_FILENAME version="0001"
type="GIP_MASPAR">S2B_OPER_GIP_MASPAR_MPC 201702
06T103032_V20170101T000000_21000101T000000_B00</GIPP_FI
type="GIP_OLQCPA">S2B_OPER_GIP_OLQCPA_MPC 2018121
8T000020_V20190211T000000_21000101T000000_B00</GIPP_FIL
type="GIP_PRDLOC">S2B_OPER_GIP_PRDLOC_MPC 2018030
1T130000_V20180305T014000_21000101T000000_B00</GIPP_FIL
type="GIP_PROBAS">S2B_OPER_GIP_PROBAS_MPC 2019080
5T000208_V20150622T000000_21000101T000000_B00</GIPP_FIL
type="GIP_R2ABCA">S2B_OPER_GIP_R2ABCA_MPC 2019081
4T080600_V20190816T000000_21000101T000000_B00</GIPP_FIL
type="GIP_R2BINN">S2B_OPER_GIP_R2BINN_MPC 20170206
T103032_V20170101T000000_21000101T000000_B00</GIPP_FILE
type="GIP_R2CRCO">S2B_OPER_GIP_R2CRCO_MPC 2017020
6T103032_V20170101T000000_21000101T000000_B00</GIPP_FIL
type="GIP_R2DECT">S2B_OPER_GIP_R2DECT_MPC 20170206
T103038_V20170101T000000_21000101T000000_B01</GIPP_FILE
T103038_V20170101T000000_21000101T000000_B02</GIPP_FILE
T103038_V20170101T000000_21000101T000000_B03</GIPP_FILE
T103038_V20170101T000000_21000101T000000_B04</GIPP_FILE
T103038_V20170101T000000_21000101T000000_B05</GIPP_FILE
59
T103038_V20170101T000000_21000101T000000_B06</GIPP_FILE
T103038_V20170101T000000_21000101T000000_B07</GIPP_FILE
T103038_V20170101T000000_21000101T000000_B08</GIPP_FILE
T103038_V20170101T000000_21000101T000000_B8A</GIPP_FIL
T103038_V20170101T000000_21000101T000000_B09</GIPP_FILE
T103038_V20170101T000000_21000101T000000_B10</GIPP_FILE
T103038_V20170101T000000_21000101T000000_B11</GIPP_FILE
T103038_V20170101T000000_21000101T000000_B12</GIPP_FILE
type="GIP_R2DEFI">S2B_OPER_GIP_R2DEFI_MPC 20170206T
103038_V20170101T000000_21000101T000000_B01</GIPP_FILEN
103038_V20170101T000000_21000101T000000_B02</GIPP_FILEN
103039_V20170101T000000_21000101T000000_B03</GIPP_FILEN
103039_V20170101T000000_21000101T000000_B04</GIPP_FILEN
60
103039_V20170101T000000_21000101T000000_B05</GIPP_FILEN
103039_V20170101T000000_21000101T000000_B06</GIPP_FILEN
103039_V20170101T000000_21000101T000000_B07</GIPP_FILEN
103039_V20170101T000000_21000101T000000_B08</GIPP_FILEN
103039_V20170101T000000_21000101T000000_B8A</GIPP_FILE
103040_V20170101T000000_21000101T000000_B09</GIPP_FILEN
103040_V20170101T000000_21000101T000000_B10</GIPP_FILEN
103039_V20170101T000000_21000101T000000_B11</GIPP_FILEN
103039_V20170101T000000_21000101T000000_B12</GIPP_FILEN
type="GIP_R2DENT">S2B_OPER_GIP_R2DENT_MPC 20170206
T103039_V20170101T000000_21000101T000000_B01</GIPP_FILE
T103039_V20170101T000000_21000101T000000_B02</GIPP_FILE
T103040_V20170101T000000_21000101T000000_B03</GIPP_FILE
61
T103039_V20170101T000000_21000101T000000_B04</GIPP_FILE
T103039_V20170101T000000_21000101T000000_B05</GIPP_FILE
T103039_V20170101T000000_21000101T000000_B06</GIPP_FILE
T103040_V20170101T000000_21000101T000000_B07</GIPP_FILE
T103039_V20170101T000000_21000101T000000_B08</GIPP_FILE
T103040_V20170101T000000_21000101T000000_B8A</GIPP_FIL
T103039_V20170101T000000_21000101T000000_B09</GIPP_FILE
T103040_V20170101T000000_21000101T000000_B10</GIPP_FILE
T103039_V20170101T000000_21000101T000000_B11</GIPP_FILE
T103039_V20170101T000000_21000101T000000_B12</GIPP_FILE
type="GIP_R2DEPI">S2B_OPER_GIP_R2DEPI_MPC 20180518T
000000_V20180221T000000_21000101T000000_B00</GIPP_FILEN
type="GIP_R2EOB2">S2B_OPER_GIP_R2EOB2_MPC 20170517
T113826_V20170101T000005_21000101T000000_B01</GIPP_FILE
T113826_V20170101T000005_21000101T000000_B02</GIPP_FILE
62
T113826_V20170101T000005_21000101T000000_B03</GIPP_FILE
T113826_V20170101T000005_21000101T000000_B04</GIPP_FILE
T113826_V20170101T000005_21000101T000000_B05</GIPP_FILE
T113826_V20170101T000005_21000101T000000_B06</GIPP_FILE
T113826_V20170101T000005_21000101T000000_B07</GIPP_FILE
T113826_V20170101T000005_21000101T000000_B08</GIPP_FILE
T113826_V20170101T000005_21000101T000000_B8A</GIPP_FIL
T113826_V20170101T000005_21000101T000000_B09</GIPP_FILE
T113826_V20170101T000005_21000101T000000_B10</GIPP_FILE
T113826_V20170101T000005_21000101T000000_B11</GIPP_FILE
T113826_V20170101T000005_21000101T000000_B12</GIPP_FILE
type="GIP_R2EQOG">S2B_OPER_GIP_R2EQOG_MPC 2019081
4T080600_V20190816T000000_21000101T000000_B01</GIPP_FIL
63
4T080600_V20190816T000000_21000101T000000_B02</GIPP_FIL
4T080600_V20190816T000000_21000101T000000_B03</GIPP_FIL
4T080600_V20190816T000000_21000101T000000_B04</GIPP_FIL
4T080600_V20190816T000000_21000101T000000_B05</GIPP_FIL
4T080600_V20190816T000000_21000101T000000_B06</GIPP_FIL
4T080600_V20190816T000000_21000101T000000_B07</GIPP_FIL
4T080600_V20190816T000000_21000101T000000_B08</GIPP_FIL
4T080600_V20190816T000000_21000101T000000_B8A</GIPP_FIL
4T080600_V20190816T000000_21000101T000000_B09</GIPP_FIL
4T080600_V20190816T000000_21000101T000000_B10</GIPP_FIL
4T080600_V20190816T000000_21000101T000000_B11</GIPP_FIL
4T080600_V20190816T000000_21000101T000000_B12</GIPP_FIL
type="GIP_R2L2NC">S2B_OPER_GIP_R2L2NC_MPC 20170206
64
T103039_V20170101T000000_21000101T000000_B01</GIPP_FILE
T103040_V20170101T000000_21000101T000000_B02</GIPP_FILE
T103040_V20170101T000000_21000101T000000_B03</GIPP_FILE
T103040_V20170101T000000_21000101T000000_B04</GIPP_FILE
T103040_V20170101T000000_21000101T000000_B05</GIPP_FILE
T103040_V20170101T000000_21000101T000000_B06</GIPP_FILE
T103040_V20170101T000000_21000101T000000_B07</GIPP_FILE
T103040_V20170101T000000_21000101T000000_B08</GIPP_FILE
T103040_V20170101T000000_21000101T000000_B8A</GIPP_FIL
T103040_V20170101T000000_21000101T000000_B09</GIPP_FILE
T103040_V20170101T000000_21000101T000000_B10</GIPP_FILE
T103040_V20170101T000000_21000101T000000_B11</GIPP_FILE
T103040_V20170101T000000_21000101T000000_B12</GIPP_FILE
65
type="GIP_R2NOMO">S2B_OPER_GIP_R2NOMO_MPC 201702
06T103047_V20170101T000000_21000101T000000_B00</GIPP_FI
type="GIP_R2PARA">S2B_OPER_GIP_R2PARA_MPC 20170403
T000002_V20170101T000000_21000101T000000_B00</GIPP_FILE
type="GIP_R2SWIR">S2B_OPER_GIP_R2SWIR_MPC 20170523
T080300_V20170517T090600_21000101T000000_B00</GIPP_FILE
type="GIP_R2WAFI">S2B_OPER_GIP_R2WAFI_MPC 20170206
T103047_V20170101T000000_21000101T000000_B01</GIPP_FILE
T103047_V20170101T000000_21000101T000000_B02</GIPP_FILE
T103039_V20170101T000000_21000101T000000_B03</GIPP_FILE
T103039_V20170101T000000_21000101T000000_B04</GIPP_FILE
T103040_V20170101T000000_21000101T000000_B05</GIPP_FILE
T103040_V20170101T000000_21000101T000000_B06</GIPP_FILE
T103039_V20170101T000000_21000101T000000_B07</GIPP_FILE
T103047_V20170101T000000_21000101T000000_B08</GIPP_FILE
T103047_V20170101T000000_21000101T000000_B8A</GIPP_FIL
66
T103047_V20170101T000000_21000101T000000_B09</GIPP_FILE
T103047_V20170101T000000_21000101T000000_B10</GIPP_FILE
T103040_V20170101T000000_21000101T000000_B11</GIPP_FILE
T103040_V20170101T000000_21000101T000000_B12</GIPP_FILE
type="GIP_RESPAR">S2B_OPER_GIP_RESPAR_MPC 20170206
T103032_V20170101T000000_21000101T000000_B00</GIPP_FILE
type="GIP_SPAMOD">S2B_OPER_GIP_SPAMOD_MPC 201906
07T000021_V20190613T000000_21000101T000000_B00</GIPP_FI
type="GIP_TILPAR">S2B_OPER_GIP_TILPAR_MPC 20170206T
103032_V20170101T000000_21000101T000000_B00</GIPP_FILEN
type="GIP_VIEDIR">S2B_OPER_GIP_VIEDIR_MPC 20170512T
114736_V20170322T000000_21000101T000000_B01</GIPP_FILEN
114736_V20170322T000000_21000101T000000_B02</GIPP_FILEN
114736_V20170322T000000_21000101T000000_B03</GIPP_FILEN
114736_V20170322T000000_21000101T000000_B04</GIPP_FILEN
114736_V20170322T000000_21000101T000000_B05</GIPP_FILEN
67
114736_V20170322T000000_21000101T000000_B06</GIPP_FILEN
114736_V20170322T000000_21000101T000000_B07</GIPP_FILEN
114736_V20170322T000000_21000101T000000_B08</GIPP_FILEN
114736_V20170322T000000_21000101T000000_B8A</GIPP_FILE
114736_V20170322T000000_21000101T000000_B09</GIPP_FILEN
114736_V20170322T000000_21000101T000000_B10</GIPP_FILEN
114736_V20170322T000000_21000101T000000_B11</GIPP_FILEN
114736_V20170322T000000_21000101T000000_B12</GIPP_FILEN
AME></GIPP_List><PRODUCTION_DEM_TYPE>S2 OPER_DE
M_GLOBEF_PDMC_19800101T000000_S19800101T000000</PRO
DUCTION_DEM_TYPE><IERS_BULLETIN_FILENAME>S2 OP
ER_AUX_UT1UTC_PDMC_20190905T000000_V20190906T00000
0_20200905T000000</IERS_BULLETIN_FILENAME><GRI_List/>
<ECMWF_DATA_REF>S2 OPER_AUX_ECMWFD_PDMC_2019
0908T120000_V20190909T000000_20190909T120000</ECMWF_D
ATA_REF></n1:Auxiliary_Data_Info><n1:Quality_Indicators_Info>
<Cloud_Coverage_Assessment>0.169</Cloud_Coverage_Assessment
><Technical_Quality_Assessment><DEGRADED_ANC_DATA_PE
RCENTAGE>0.0</DEGRADED_ANC_DATA_PERCENTAGE><D
EGRADED_MSI_DATA_PERCENTAGE>0</DEGRADED_MSI_D
ATA_PERCENTAGE></Technical_Quality_Assessment><Quality_C
ontrol_Checks><Quality_Inspections><quality_check
checkType="FORMAT_CORRECTNESS">PASSED</quality_check
68
><quality_check
checkType="GENERAL_QUALITY">PASSED</quality_check><qu
ality_check
checkType="GEOMETRIC_QUALITY">PASSED</quality_check><
quality_check
checkType="RADIOMETRIC_QUALITY">PASSED</quality_check
><quality_check
checkType="SENSOR_QUALITY">PASSED</quality_check></Qua
lity_Inspections><Failed_Inspections/></Quality_Control_Checks></
n1:Quality_Indicators_Info></n1:Level-1C_User_Product>
B. Pembahasan
1. Fungsi header citra (metadata)
• Metadata membantu mengorganisasi mengelola data
• Menghindari adanya duplikasi karena data yang sudah dibuat tercatat
dengan baik dan diketahui.
• Pengguna dapat mengetahui lokasi penyimpanan data spatial dan cakupan
areal yang dipetakan.
• Koleksi metadata dibuat berdasarkan dan diperkuat oleh prosedur data
management oleh komunitas geospatial.
• Metadata mempromosikan ketersediaan data spatial pada komunitas
geospasal.
• Penyedia data dapat mempromosikan ketersediaan data dan memungkinkan
kerjasama dengan pihak lain untuk update dll
69
2. Citra Satelit Landsat 8
No. Keterangan Citra Metadata
1 Identitas Citra
a. Nama File LC08_L1TP_112063_20210403_20210409_01_T1
b. Format File "GEOTIFF"
c. Sistem Sensor SPACECRAFT_ID = "LANDSAT_8"
SENSOR_ID = "OLI_TIRS"
Tanggal Perekaman 2021-04-03
2 Dimensi Spasial
Ukuran Piksel 65535 (30 meter)
Dimensi Baris 112
Dimensi Kolom 63
Dimensi Geografis
Citra ( Kordinat Tepi)
Batas Kiri Atas -3.29388
122.34906
Batas Kanan Atas -3.65267
124.02668
Batas Kiri Bawah -5.02838
121.97773
Batas Kanan Bawah -5.39066
123.65923
3. Georeferencing
Koordinat Sistem UTM
Proyeksi Peta UTM_ZONE = 51
Datum WGS 84
4 Dimensi Spectral
Jumlah Saluran 11 Saluran
Nama Dan Jenis Panjang Gelobang
Saluran Penyusun
Band 1_Coastal 0,43-0.45 mikro meter
Aerosol
Band 2_Blue 0,45-0.51 mikro meter
Band 3_Green 0,53-0.59 mikro meter
Band 4_Red 0,64-0.67 mikro meter
Band 5_Neardinfrared 0,85-0.88 mikro meter
Band 6_Swir 1 1,57-1,65 mikro meter
Band 7_Swir 2 2,11-2.29 mikro meter
Band 8_Panchromatic 0,50-0.68 mikro meter
Band 9_Cirrus 1,36-1.38 mikro meter
70
Band 10_Termal 10,60-11.19 mikro meter
Infrared (Tirs) 1
Band 11_ Termal 11,50-12.51 mikro meter
Infrared (Tirs) 2
5 Penetuan Tutupan >17
3. Citra Sentinel 2A
No. KETERANGAN CITRA Metadata
1 Identitas Citra
a. Nama File SENTINEL (2-A)
Format file JPGE 2000
Sistem Sensor
Tanggal perekaman
2 Dimensi Spasial
Ukuran piksel 10
Dimensi baris 63
Dimensi kolom 112
Dimensi geografis citra ( kordinat tepi)
Batas kiri atas Latitude: 3 61’ 85” LS
Longitude: 122 09’9,21” LU
Batas kanan atas Latitude: 3 61’ 80” LS
Batas kiri bawah Latitude: 4 61’ 79” LS
Batas kanan Bawah Latitude: 4 61’ 79” LS
3. Georeferencing
Koordinat sistem UTM
Proyeksi peta UTM zone 51 s
Datum WGS 84
4 Dimensi spectral
Jumlah saluran 12 (saluran)
Nama dan jenis saluran penyusun Panjang gelombang
Band 1_Coastal Aerosol 0,433 Mikro Meter
Band 2 Green 0,490 Mikro Meter
Band 3_Red 0,560 Mikro Meter
Band 4- Vegetation Red Edge 0,665 Mikro Meter
Band 5_ Vegetation Red Edge 0,705 Mikro Meter
Band 7_NR 0,842 Mikro Meter
71
Band 9_Water Vepour 0,945 Mikro Meter
Band 10_SWR-cirrus 0,375 Mikro Meter
Band 11_ SWR 0,610 Mikro Meter
Band 12_ SWR 2,190 Mikro Meter
5 Penetuan Tutupan Awan >7%
72
BAB V
PENUTUP
A. Kesimpulan
Kesimpulan dari pratikum ini yaitu kita dapat menemukan informasi terstruktul
yang mendeskripsikan, menjelaskan, menemukan atau setidaknya menjadikan suatu
informasi mudah untuk di temukan, digunakan atau dikelola kembali. Metadata
menggambarkan banyak aspek dari informasi geospasial, terutama berkaitan dengan
isi, kualitas, kondisi, cara perolehannya serta asal data tersebut.
B. Saran
kesalahan dan kekurangan. Oleh karena itu, dengan kerendahan hati saya
mengharapkan kritik dan saran dari pembaca. Saya ucapkan terimah kasih.
73
DAFTAR PUSTAKA
Kamal, M. (2015). Panduan Praktikum Penginderaan Jauh Sensor Pasif: Multispektral,

Termal, Dan Hiperspektral (Gep 624). Yogyakarta. Program S2 Penginderaan
Jaun Fakultas Geografi Universitas Gajah Mada.
Herumurti, S. (2008). Pemanfataan Citra Multispektral Dan Sistem Informasi
Geografis Untuk Zonasi Agroekologi Kasus Di Sebagian Wilayah Kabupaten
Temanggung Propinsi Jawa Tengah. Yogyakarta. Fakultas Geografi
Universitas Gajah Mada.
http://repositori.unsil.ac.id/2421/5/BAB%20II.pdf
https://www.academia.edu/44819200/LAPORAN_PRAKTIKUM_PENGINDERAA
N_JAUH_ACARA_1_MEMBACA_METADATA_CITRA_SATELIT
https://www.satimagingcorp.com/satellite-sensors/other-satellite-sensors/sentinel-2a/
74
ACARA III
KOREKSI RADIOMETRIC CITRA SATELIT LANDSAT 8 OLI DAN CITRA
SENTINEL 2A
BAB I
PENDAHULUAN
A. Latar Belakang
Koreksi radiometrik merupakan pemprosessan citra satelit untuk mengurangi

kesalahan internal dan eksternal yang diakibatkan oleh radiasi elektromagnetik dan interaksi
lainnya seperti atmosfer pada saat perekaman. Koreksi radiometrik ditunjukkan untuk
memperbaiki nilai piksel supaya sesuai dengan yang seharusnya yang biasanya
mempertimbangkan faktor gangguan atmosfer sebagai sumber kesalahan utama. Efek
atmosfer menyebabkan nilai pantulan obyek di permukaan bumi yang terekam oleh sensor
menjadi nilai bukan aslinya, tetapi menjadi lebih besar oleh karena adanya hamburan atau
lebih kecil karena proses serapan. Metodemetode yang sering digunakan untuk
menghilangkan efek atmosfer antara lain metode pergeseran histogram (histogram
adjustment), metode regresi dan metode kalibrasi bayangan. (Projo Danoedoro, 1996).
Koreksi radiometrik adalah koreksi yang ditujukan untuk memperbaiki nilai piksel
supaya sesuai dengan yang seharusnya yang biasanya mempertimbangkan faktor gangguan
atmosfer sebagai sumber kesalahan utama. Efek atmosfer menyebabkan nilai pantulan obyek
dipermukaan bumi yang terekam oleh sensor menjadi bukan merupakan nilai aslinya, tetapi
menjadi lebih besar oleh karena adanya hamburan atau lebih kecil karena proses serapan.
Koreksi Radiometrik diperlukan atas dasar dua alasan, yaitu untuk memperbaiki
kualitas visual citra dan sekaligus memperbaiki nilai piksel yang tidak sesuai dengan nilai
pantulan atau pancaran spektral obyek yang sebenarnya. Koreksi radiometrik citra yang
ditunjukkan untuk memperbaiki visual citra berupa pengisian kembali baris yang kosong
karena drop out baris maupun masalah kesalahan awal pelarikan (scanning start) serta koreksi
ini digunakan dalam perbaikan nilai pantulan obyek yang tidak sesuai akibat efek atmosfer.
Koreksi radiometrik pada citra satelit perlu dilakukan pada citra dengan berbagai
75
alasan:
1. Stripping atau banding seringkali terjadi pada citra yang diakibatkan oleh
ketidakstabilan detector. Stripping atau banding merupakan fenomena ketidak
konsistenan perekaman detector untuk band dan area perekaman yang sama.
2. Line dropout terjadi sebagai akibat dari detector yang gagal berfungsi dengan tiba-
tiba. Jangka waktu kerusakan pada kasus ini biasanya bersifat sementara.
3. Efek atmosferik merupakan fenomena yang disebabkan oleh debu, kabut atau asap
seringkali menyebabkan efek bias dan pantul pada detector, sehingga fenomena yang
berada di bawahnya tidak dapat terekam secara normal. Dalam koreksi radiometrik
biasanya mempertimbangkan faktor gangguan atmosfer sebagai kesalahan utama,
dimana efek atmosfer menyebabkan nilai pantulan obyek dipermukaan bumi yang
terekam oleh sensor tidak sesuai dengan nilai aslinya, tetapi menjadi lebih besar oleh
adanya hamburan atau lebih kecil karena adanya serapan. Menurut Projo Danoedoro
(1996) metode yang sering digunakan dalam menghilangkan efek atmosfer antara lain
metode pergeseran histogram (histogram adjustment), metode regresi dan metode
kalibrasi.
B. Tujuan
1. Peserta dapat melakukan koreksi radiometrik citra Landsat 8 OLI dengan
mengidentifikasi nilai minimum dan nilai maksimum piksel citra
2. Peserta dapat melakukan koreksi radiometrik citra Sentinel 2A dengan
mengidentifikasi nilai minimum dan nilai maksimum piksel citra
76
BAB II
KAJIAN TEORI
A. Pengertian Koreksi Radiometrik

Koreksi radiometrik merupakan pembetulan citra akibat kesalahan radiometrik atau
cacat radiometrik, yaitu kesalahan yang berupa pergeseran nilai atau derajat keabuan elemen
gambar (pixel) pada citra, yang disebabkan oleh kesalahan system optik, karena gangguan
energy radiasi elektromagnetik pada atmosfer, dan kesalahan karena pengaruh sudut elevasi
matahari (Purwandhi, 2008). Koreksi radiometrik diperlukan untuk memperbaiki kualitas
visual citra dan sekaligus memperbaiki nilai piksel yang tidak sesuai dengan pantulan atau
pancaran spectral obyek yang sebenarnya (Danoedoro, 2012).
Koreksi radiometrik merupakan prapemprosessan citra satelit untuk mengurangi

lainnya seperti atmosfer pada saat perekaman. Koreksi radiometric ditunjukkan untuk
mempertimbangkan factor gangguan atmosfer sebagai sumber kesalahan utama. Efek
lebih kecil karena proses serapan. Metode-metode yang sering digunakan untuk
Metode yang digunakan dalam pelatihan ini adalah metode penyesuaian histogram.
Pemilihan metode ini dilandasi oleh alas an bahwa metode ini cukup sederhana, waktu yang
digunakan untuk pemprosesan lebih singkat dan tidak memerlukan perhitungan matematis
yang rumit. Asumsi dari metode ini adalah dalam proses koding digital oleh sensor, obyek
yang memberikan respon spectral yang paling rendah seharusnya bernilai 0. Apabila nilai ini
ternyata melebihi angka 0, maka nilai tersebut di hitung sebagai offset dan koreksi dilakukan
dengan mengurangi seluruh nilai pada saluran tersebut dengan offsetnya.
77
BAB III
METODOLOGI
Lokasi pratikum kali ini adalah di Ruangan A.2.3, Gedung Perkuliahan Pendidikan
Geografi, Fakultas Keguruaan dan Ilmu Pendidikan, Universitas Halu Oleo, Kota Kendari.
B. Alat dan Bahan
1. Laptop (PC)
2. Aplikasi ENVI
3. Citra Satelit Landsat 8 OLI dan Sentinel 2A
C. Prosedur kerja
1. Bukalah aplikasi envi pada tolls envi classic
2. Masukan data multispectral citra Lansat 8 OLI dan Sentinel 2A
78
79
3. Masukan citra yang telah dipotong sebelumnya klik > basic tols > pilih statistik >
compute statistic
4. Pilih citra yang akan dilihat statitiknya setelah itu pilih ok.
5. Klik dan ceklist histogram > output to the screen dan output to a statistic file > klik chose
80
untuk menyimpan file > beri nama filenya.
6. Perhatiakan statistic result, lihat histogram dan grafiknya, serta nilai minimum dan
maksimum pada statistik result > nilai minimum harusnya memiliki nilai nol, tetapi bila
nilainya lebih dari nol, artinya citra tersebut memiliki bias, nilai bias tersebut harus
dikoreksi menjadi nol.
7. Selanjutya lakukan koreksi radiometric mengacu pada rumus yang telah ada
pada A. klik pada basic tols > klik band math > masukan rumus (B2nilai
minimum band 2) > klik add list > save band 2 yang terkoreksi > lakukan hal
yang sama pada (B3, B4, dan B5).
81
82
8. Setelah semua band telah dikoreksi maka selanjutnya dilakukan stacking pada
band yang telah terkoreksi radiometrik. Klik basic tols > layer stacking > import
file > recorder files > klik choose untuk menyimpan file > klik ok.
83
84
85
86
87
9. Bandingkan histogram pada citra Landsat 8 sebelum dan sesudah koreksi
radiometrik.
88
89
10. Lakukan koreksi yang sama pada citra sentinel 2A
90
91
92
11. Setelah semua band telah dikoreksi maka selanjutnya lakukan stacking pada
band yang telah terkoreksi radiometrik.
93
94
95
12. Bandingkan histogram pada citra sentinel 2A sebelum dan sesudah koreksi
radiometric. Perhatikan histogram apabila nilai minimum sudah bernilai nol maka
dapat dikatakan koreksi radiometric sudah berhasil dilakukan.
96
BAB IV
A. Hasil
1. Koreksi Radiometric Citra Landsat 8
2. Koreksi Radiometrik Citra Sentinel 2A
97
B. Pembahasan
Koreksi radiometrik merupakan prapemprosessan citra satelit untuk mengurangi
lainnya seperti atmosfer pada saat perekaman. Koreksi radiometric ditunjukkan untuk
mempertimbangkan factor gangguan atmosfer sebagai sumber kesalahan utama. Efek
lebih kecil karena proses serapan. Metode-metode yang sering digunakan untuk
Buka aplikasi envi pada menu tolls dan pilih menu envi classic, lalu klik file dan open
image file pada aplikasi envi classic. Masukan data multispectral citra Lansat 8 OLI dan
Sentinel 2A (Subset_L8 dan Subset_S2A) dengan mengklik file pada Bar aplikasi envi classic
98
kemudian klik open image file, lalu pilih olahan citra Subset_L8 dan Subset_S2A. Setelah
muncul Available Band List, lanjutkan dengan mengklik Basic Tools > Statistics > Compute
Statistics pada menu aplikasi. Lalu pada select input file klik Subset L8 kemudian klik ok.
Maka akan muncul layar Compute statistc Parameters lalu klik Ok. Setelah itu akan muncul
grafik. Dari grafik tersebut lihat dan catat nilai minimumnya.
Untuk melakukan pengkoreksian nilai bias tersebut klik Basic Tools > Band Math
masukan rumus biasnya (B1-5345) lalu klik Add to list kemudian ok. Setelah itu pada variable
to bands pairings klik choose dan beri nama filenya (RAD_B1). Lakukan hal yang sama pada
nilai minimum band lainnya. Kemudian klik basic tools > layer sacking > import file >
recorder file > choose > ok. Kemudian kembali pada basic tools > statistics > compute
statistics untuk melihat grafiknya apakah masih bias atau sudah normal.
BAB V
PENUTUP
A. Kesimpulan
B. Saran
kesalahan dan kekurangan. Oleh karena itu, dengan kerendahan hati saya mengharapkan kritik
99
dan saran dari pembaca. Saya ucapkan terimah kasih.
DAFTAR PUSTAKA
Kamal. 2016. Praktikum Penginderaan Jauh Sensor Pasif. Yogyakarta. Universitas
Gadjah Mada.
https://istiqomahgeo15.wordpress.com/pengertian-koreksi-radiometrik/
https://mahasiswa.ung.ac.id/451412047/home/2014/10/21/koreksi-radiometrik.html
100
ACARA IV
CITRA TUNGGAL, CITRA KOMPOSIT WARNA DAN PENGENALAN OBYEK
BAB I
PENDAHULUAN
A. Latar Belakang
Teknologi penginderaan jauh yang semakin berkembang saat ini telah banyak
dimanfaatkan oleh berbagai kalangan dan berbagai kepentingan, baik untuk perencanaan,
pengembangan, pemantauan, pemodelan, maupun manajemen bencana. Perkembangan satelit
penginderaan jauh tersebut meliputi resolusi spasial, radiometrik, temporal dan spektral.
Lahan terbangun perkotaan dapat dideteksi menggunakan citra multispektral resolusi tinggi
dan menengah. Citra resolusi tinggi diantaranya IKONOS, Quickbird, Pleiades, Worldview,
SPOT 7, Orbview, GeoEye. Citra resolusi menengah semisal SENTINEL, ASTER, Landsat,
dan SPOT 5.
Salah satu masalah penting dalam pemetaan wilayah perkotaan adalah menganalisis
perubahan penggunaan lahan dari non-pemukiman ke pemukiman (Assyakur et al 2012).
Menurunkan informasi lahan terbangun perkotaan dapat menggunakan citra satelit resolusi
tinggi (CSRT) maupun citra resolusi spasial menengah. Pada CSRT, metode yang digunakan
yaitu interpretasi visual sebab kenampakan objek permukaan bumi sangat detil sehingga
mudah diinterpretasi dan delineasi. Berbeda halnya dengan citra satelit resolusi spasial
menengah yang kenampakannya tidak begitu detil dan sulit untuk dilakukan interpretasi visual
sehingga metode yang digunakan yaitu dengan memanfaatkan panjang gelombang
(wavelength) tertentu untuk membangun algoritma.
Zhang et al (2014) menyatakan terdapat tiga metode ekstraksi citra penginderaan jauh
untuk wilayah terbangun di perkotaan yaitu : berdasarkan indeks spektral, kombinasi data
spektral dan informasi spasial, dan menggunakan data multi sensor. Perencanaan perkotaan
membutuhkan waktu dan analisis spasial dan temporal sebagai informasi untuk pengambilan
keputusan (Bhaskaran et al 2010).
B. Tujuan
1. Memberikan dasar penyusunan komposisi dan visualisasi citra penginderaan jauh
101
2. Identifikasi objek penutup lahan dari citra tunggal dan komposit warna
3. Mengenalkan konsep dan penyusunan kurva pantulan spectral
BAB II
KAJIAN TEORI
A. Citra komposit warna
Citra komposit warna digunakan untuk menonjolkan informasi setiap saluran secara
simultan dalam satu display citra. Tujuannya adalah untuk mempermudah analisis dan
interpretasi secara visual. Display citra komposit warna tersusun dari tiga warna dasar (atau
yang disebut dengan colour guns), yaitu merah, hijau, dan biru (atau RGB). Warna hasil citra
komposit adalah kombinasi dari intensitas tingkat kecerahan piksel pada tiap saluran yang
digunakan. Pada citra 8 bit, komposisi warna R: 255, G: 0, B: 0 akan menghasilkan warna
merah; sedangkan R: 255, G: 255, B: 0 akan menghasilkan warna kuning. Pemilihan saluran
penyusun citra komposit warna tergantung dari aplikasi atau informasi yang akan ditonjolkan
(Kamal, 2016).
Komposit citra perlu dilakukan untuk menonjolkan kenampakan di permukaaan bumi

yang dianggap penting yang menjadi fokus kajian. Hal ini penting dilakukan karena
kenampakan objek yang dikehendaki bisa lebih menonjol dan lebih mudah diinterpretasi,
terutama dengan interpretasi visual. Sebagai contoh, untuk menekankan objek perairan dan
karakteristiknya, misal endapan sedimen pada perairan dangkal, kita perlu menggunakan
kombinasi band yang peka air. Dengan demikian, kita bisa menggunakan band merah, hijau,
dan biru yang peka air, dan tidak menggunakan saluran inframerah dekat maupun tengah
karena air cenderung menyerap energi pantulan pada panjang gelombang tersebut. Citra
komposit dapat dibagi menjadi: warna asli dan warna semu.
1. Warna Asli (true color/ natural color)
Citra komposit warna asli menampakkan warna asli objek sesuai dengan pandangan
mata manusia, misal tanah akan berwarna kemerahan dan kanopi vegetasi akan berwarna
hijau. Citra ini didapatkan dengan menempatkan citra band merah, hijau, dan biru sesuai
dengan pada saluran warna RGB masing-masing. Citra warna asli dapat diperoleh
menggunakan kombinasi 321 pada Landsat 7 dan 432 pada Landsat 8.
102
2. Warna Semu (false color)
Citra komposit warna semu artinya tidak menunjukkan warna sesuai aslinya. Biasanya
diperlukan untuk menonjolkan satu atau beberapa 5 kenampakan objek, yang tidak tampak
pada citra komposit warna asli. Citra komposit warna semu dibagi menjadi komposit standar
dan tidak standar. Komposit standar menggunakan tiga saluran masukan, yaitu inframerah
dekat, merah, dan hijau, dengan urutan pewarnaan merah, hijau, dan biru.
103
104
BAB III
METODOLOGI

B. Alat dan Bahan
1. Laptop (PC)
2. Aplikasi ENVI
3. Gambar kurva pantulan spektral obyek
4. Citra Satelit Landsat 8 OLI dan Sentinel 2A
C. Prosedur kerja
2. Masukan data multispectral citra Landsat 8 OLI dan Sentinel 2A
105
3. Lakukan load-grey scale pada setiap band pada citra Landsat 8 OLI dan Sentinel
2A. Kemudian bandinngkan resolusi pada masing-masing citra.
4. Lakukan composit pada setiap band pada citra landsat 8 OLI dan Sentinel
2A. kemudian bandingkan antara true colour dan false colour
106
5. Lakukan eksperimen composit pada masing-masing citra Landsat 8 OLI dan
citra Sentinel 2A
6. Identifikasi obyek minimal 5 obyek yang berbeda pada setiap citra dan
bandingkan tampilan obyek pada masing-masing composit.
107
108
BAB IV
A. Hasil dan Pembahasan
Berikut adalah gambar hasil praktikum kombinasi band pada citra satelit Landsat 8
beserta analisisnya:
1. Hasil Komposit Band
a) Citra Satelit Landsat 8
1) natural Color – 4 3 2. Dihasilkan citra dengan warna sebenarnya.
Pada kombinasi natural color warna pada citra terlihat gelap dan masih susah untuk
dilakukan interpretasi citra
2) Komponen band fals color 3, 2, 4
3) Komponen Band 2,3,4
109
5) Komponen band 3,5,2
6) Komponen 3,4,5
110
b) Citra Satelit Sentinel
1) Natural Color – 4 3 2. Dihasilkan citra dengan warna sebenarnya.
Pada kombinasi natural color warna pada citra terlihat gelap dan masih susah untuk
dilakukan interpretasi citra.
2) Komponen band false color 4,8,3
111

112
c) Perbedaan Objek
1) Vegetasi
Landsat 8 Sentinel 2A
Identifikasi gambar diatas untuk studi vegetasi dapat dilihat sangat jelas dengan
menggunakan Sentinel 2A katena resolusi sentinel lebih kecil dari pada landsat, sehingga
lahan vegetasi lebih jelas dilihat dan semakin terang warna vegetasi maka semakin rapat
vegetasi pada suatu derah tersebut.
2) Permukiman
Identifikasi gambar diatas untuk studi perumahan dapat dilihat sangat jelas dengan
menggunakan Sentinel 2A katena resolusi sentinel lebih kecil dari pada landsat, sehingga
113
lahan vegetasi lebih jelas dilihat.
3) Perairan Dangkal
Identifikasi gambar diatas untuk studi Laut Dangkal dapat dilihat sangat jelas dengan
menggunakan Sentinel 2A dengan warna kekuningan karena pantulan sensor cahayanya lebih
dekat sehingga tidak semua sensornya diserap didlam air dan katena resolusi sentinel lebih
kecil dari pada landsat, sehingga perairan dangkal lebih jelas dilihat dari sentinel dari pada
landsat 8.
4) Perairan Dalam
Identifikasi gambar diatas untuk studi laut dalam dapat dilihjat sangat jelas dengan
menggunakan Sentinel 2A katena resolusi sentinel lebih kecil dari pada landsat, sehingga laut
dalam lebih jelas dilihat dan pada laut dalam semua sensor yang dipantulkan diserap semua
dalam air, karena semakin dalam perairan maka semakin gelap warnanya.
5) Sungai
Identifikasi gambar diatas untuk studi sungai dapat dilihat sangat jelas dengan
menggunakan Sentinel 2A dengan warna kekuningan karena pantulan sensor cahayanya lebih
114
dekat sehingga tidak semua sensornya diserap didalam air dan karena resolusi sentinel lebih
kecil dari pada landsat, sehingga sungai lebih jelas dilihat dari sentinel dari pada landsat 8.
BAB V
PENUTUP
A. Kesimpulan
Berdasarkkan praktikum komposit citra dapat disimpulkan bahwa komposit citra
bertujuan untuk memperoleh gambaran visual yang lebih baik dan dengan penggabungan citra
akan terdapat perbedaan citra komposit dapat terlihat dari adanya warna yang berbeda dari
tiap komposit. Hal tersebut dapat memudahkan dalam proses pengidentifikasian suatu objek
dalam citra satelit. Karena pada citra yang terlah terkomposit memiliki warna masing-masing.
B. Saran
kesalahan dan kekurangan. Oleh karena itu, dengan kerendahan hati saya mengharapkan kritik
dan saran dari pembaca. Saya ucapkan terimah kasih.
115
DAFTAR PUSTAKA
Kamal. 2016. Praktikum Penginderaan Jauh Sensor Pasif. Yogyakarta. Universitas Gadjah
Mada.
https://www.slideshare.net/Rizqiumirahmawati/komposit-warna
https://lppm.umgo.ac.id/php_assets/uploads/2021/03/laporan_akhir_ARTHUR_GAN
I_KOTO_M_Sc_.pdf
116
ACARA V
KLASIFIKASI CITRA
BAB I
PENDAHULUAN
A. Latar Belakang
Penginderaan jauh adalah proses memperoleh data atau mengetahui suatu objek
dengan menggunakan sensor alamiah (mata, telinga, hidung, lidah dan kulit) dan sensor
buatan (kamera, sonar, magnetometer, radiometer, scanner atau satelit). Data yang
berasal dari citra foto atau satelit merupakan produk Penginderaan jauh.
Penginderaan jauh adalah ilmu dan seni untuk memperoleh informasi tentang
suatu objek, medan atau fenomena dengan menganalisis data yang diperoleh dengan
instrumen tanpa kontak fisik langsung dengan objek atau mengukur atau memperoleh
data dari objek atau fenomena dengan perangkat jarak jauh, seperti dari pesawat
terbang, pesawat ruang angkasa, satelit, kapal laut atau lainnya.
Sumber tenaga dalam proses sounding terdiri dari:
1. Sistem pasif adalah sistem yang menggunakan sinar matahari

2. Sistem aktif adalah sistem yang menggunakan energi buatan seperti gelombang
mikro
Besarnya energi yang diterima benda di setiap lokasi berbeda-beda, hal ini
dipengaruhi oleh beberapa faktor, diantaranya:
1. Waktu Penyiaran
Lama penyinaran Besarnya energi yang diterima benda pada saat matahari
tegak lurus (siang) lebih besar daripada saat miring (siang). Semakin banyak
energi yang diterima suatu benda, semakin cerah warna benda tersebut.
117
2. Bentuk permukaan bumi.
Permukaan bumi yang memiliki relief rata dan permukaan berwarna cerah
memantulkan sinar matahari lebih banyak daripada permukaan yang memiliki
relief tidak rata dan berwarna gelap. Untuk membuat area relief yang halus dan
cerah tampak lebih cerah dan jelas
Citra digital adalah citra yang diterima, disimpan, diproses dan ditampilkan
berdasarkan logika biner. Gambar digital biasanya dibuat menggunakan scan atau
scanner. Citra digital Penginderaan jauh adalah citra yang menggambarkan
kenampakan permukaan (atau dekat permukaan) bumi dan permukaannya.
diperoleh dalam proses pendaftaran koefisien refleksi, radiasi atau hamburan

balik gelombang elektromagnetik oleh sensor optik-elektronik yang dipasang pada
kendaraan (platform), baik itu kendaraan di menara (crane), pesawat terbang, atau
pesawat ruang angkasa. Citra digital Penginderaan jauh diperoleh dari sistem
perekaman dengan menggunakan sensor yang dipasang pada pesawat terbang atau
satelit. Gambar digital biasanya disimpan pada media magnetik, optik atau lainnya (
disk, hard disk, CD, CCT atau kaset yang kompatibel dengan komputer, optical disk
dan flash disk) dan dapat ditampilkan sebagai gambar pada layar monitor komputer. .
118
BAB II
KAJIAN TEORI
A. Klasifikasi citra
Klasifikasi citra merupakan proses pengelompokan piksel pada suatu citra ke
dalam sejumlah kelas sehingga setiap kelas dapat menggambarkan suatu entitas dengan
ciri-ciri tertentu. Tujuan utama klasifikasi citra penginderaan jauh adalah untuk
menghasilkan peta tematik, dimana suatu warna mewakili objek tertentu. Klasifikasi
citra menurut Lillesand dan Kiefer (1990) dibagi kedalam dua klasifikasi yaitu
klasifikasi terbimbing (supervised classification) dan klasifikasi tidak terbimbing
(unsupervised classification). Sedangkan, menurut Chein-I Chang dan Ren (2000)
klasifikasi citra merupakan suatu proses pengelompokan seluruh piksel pada suatu citra
ke dalam kelompok (group) sehingga dapat diinterpretasikan sebagai suatu property
yang spesifik.
Tehnik klasifikasi citra terbagi menjadi 2 macam yaitu klasisifikasi citra
terawasi (supervised classification), dan klasifikasi tak terawasi (unsupervised
classification).
1. Klasifikasi terawasi
Klasisfikasi terawasi (supervised classification) merupakan proses klasifikasi
dengan pemilihan kategori informasi yang diinginkan dan memilih training area untuk
tiap kategori penutup lahan yang mewakili sebagai kunci interpretasi. Klasifikasi
terbimbing menggunakan data penginderaan jauh multispektral yang berbasis
numerik, maka pengenalan polanya merupakan proses otomatik dengan bantuan
komputer (Purwandi, 2008).
2. Klasifikasi tak terawasi
Klasifikasi tak terawasi (unsupervised classification) mencari kelompok-
kelompok (cluster) piksel-piksel, pengelompokan data dengan menganalisa cluster
secara otomatis dan menghitung kembali rata-rata kelas (class mean) secara berulang-
ulang dengan komputer. Menurut Danaoedoro (2012), klasifikasi tak terawasi secara
otomatis diputuskan oleh komputer tanpa campur tangan operator
119
(kalaupun ada sangat terbatas). Terdapat tiga alogaritma dalam klasifikasi ini yaitu
jarak minimum kepusat gugus, penggugusan statistik, dan alogaritma campuran.
Dalam klasifikasi supervised objek yang diambil trainingnya adalah objek (perairan
dalam, perairan dangkal, tambak, lahan terbuka, lahan terbangun, vegetasi kerapatan
tinggi, dan vegetasi kerapatan rendah).
120
BAB III
METODOLOGI
B. Alat dan Bahan
1. Laptop (PC)
2. Aplikasi ENVI
3. Citra satelit Landsat 8 OLI dsn Sentinel 2A
C. Prosedur kerja
a) Klasifikasi tebimbing
1. Buka aplikasi envi pada tolls envi classic
2. Setelah software terbuka, Masukan data multispectral citra Landsat

8OLI dan Sentinel 2A dengan mengklik File pada Menu Bar lalu klik
Open Image File.
121
3. Lalu pilih file yang telah di stacking sebelumnya yaitu Stacking
L8_koreksi_rad dan Stacking S2A_koreksi_rad. Lalu klik Open.
4. Kemudia klik basic tools > klik region of interest > ROI tools >
laluklik zoom untuk mengklasifikasikan daerah yang akan
diklasifikasi.
122
5. Lakukan pengambilan ROI minimal 5 kelas penggunaan lahan,
kemudian save ROI yang telah dipilih.
6. Setelah melakukan pengambilan ROI, Lakukan Klasifikasi

Terbimbing dengan memilih metode Maximum Likelihood. Klik
Classification > supervised > maximum likelihood.
123
7. Klasifikasi citra terbimbing telah selesai
b) Klafikasi Tak Terbimbing
Klasifikasi tidak terbimbing merupakan klasifikasi dengan

pembentukan kelasnya sebagian besar dikerjakan oleh komputer. Kelas-
kelas atau klister yangterbentuk dalam klasifikasi ini sangat bergantung
kepada data itu sendiri, yaitu dikelompokkannya piksel-piksel
berdasarkan kesamaan atau kemiripan spektralnya.
Langkah-langkah Klafikasi tak terbimbing
124
2. Masukan data multispectral citra Landsat 8 OLI dan Sentinel 2A.
Kemudia klik classification > Unsupervised > pilih K-Means.
Lalu klik choose dan beri nama file.
3. Hasil pengklasifikasin tak terbimbing selesai.
125
BAB 3. PENUTUP
3.1. Kesimpulan
klasifikasi pada citra satelit Landsat 8 dan Sentinel 2A ialah

Citra dari satelit Landsat 8 dan Sentinel 2A pada klasifikasi
terbimbing dapat dilakukan dari arahan seorang analis.
Sedangkan, pada klasifikasi tidak terbimbing sebagian besar
dikerjakan oleh computer.
126
DAFTAR PUSTAKA
Kamal. 2016. Praktikum Penginderaan Jauh Sensor Pasif. Yogyakarta. Universitas

GadjahMada.
https://foresteract.com/klasifikasi-terbimbing-dan-klasifikasi-tidak-terbimbing
127
128

Laporan PJ Lengkap EKAFITRI

Diunggah oleh

Informasi Dokumen

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

Laporan PJ Lengkap EKAFITRI

Diunggah oleh

Hak Cipta:

Format Tersedia

Laporan Individu

LAPORAN LENGKAP PRAKTIKUM PENGINDRAAN JAUH

Dosen Pengampuh : La Ode Muhammad Irsan, S.Pd., M.Sc

JURUSAN PENDIDIKAN GEOGRAFI

Kendari, 1 Januari 2024

HALAMAN SAMPUL ........................................................................................ i

KATA PENGANTAR ......................................................................................... ii

DAFTAR ISI ........................................................................................................ iii

ACARA III ................................................................................................................

Kemajuan teknologi sudah terjadi sangat pesat sehingga berpengaruh pada

A. Deskripsi Tempat Pratikum

7. Lakukan ekstrak file kompres (compress) sehingga terbentuk folder dimana

A. Hasil dan Pembahasan

Buka google chrome pada PC atau laptop, kemudian buka situs

Data citra satelit Sentinel-2 akan mendukung:

A. Deskripsi Tempat Pratikum

1. Buka header citra Landsat 8 OLI

2. Buka header citra Sentinel 2A

Kamal, M. (2015). Panduan Praktikum Penginderaan Jauh Sensor Pasif: Multispektral,

Koreksi radiometrik merupakan pemprosessan citra satelit untuk mengurangi

A. Pengertian Koreksi Radiometrik

Koreksi radiometrik merupakan prapemprosessan citra satelit untuk mengurangi

2. Masukan data multispectral citra Lansat 8 OLI dan Sentinel 2A

2. Koreksi Radiometrik Citra Sentinel 2A

Komposit citra perlu dilakukan untuk menonjolkan kenampakan di permukaaan bumi

1. Warna Asli (true color/ natural color)

A. Deskripsi Tempat Pratikum

2. Masukan data multispectral citra Landsat 8 OLI dan Sentinel 2A

2) Komponen band fals color 3, 2, 4

3) Komponen Band 2,3,4

5) Komponen band 3,5,2

2) Komponen band false color 4,8,3

3) Komponen Band 2,8,4

5) Komponen Band 4,3,8

6) Komponen Band 2,4,3

Sumber tenaga dalam proses sounding terdiri dari:

1. Sistem pasif adalah sistem yang menggunakan sinar matahari

diperoleh dalam proses pendaftaran koefisien refleksi, radiasi atau hamburan

2. Setelah software terbuka, Masukan data multispectral citra Landsat

6. Setelah melakukan pengambilan ROI, Lakukan Klasifikasi

b) Klafikasi Tak Terbimbing

Klasifikasi tidak terbimbing merupakan klasifikasi dengan

Langkah-langkah Klafikasi tak terbimbing

1. Bukalah aplikasi envi pada tolls envi classic

3. Hasil pengklasifikasin tak terbimbing selesai.

klasifikasi pada citra satelit Landsat 8 dan Sentinel 2A ialah

Kamal. 2016. Praktikum Penginderaan Jauh Sensor Pasif. Yogyakarta. Universitas

Anda mungkin juga menyukai