tutor linear spectral unmixing

Septianto Nugroho (05/190190/GE/05868)

MODUL A

I. JUDUL

Penyusunan Citra Komposit RGB.

II. TUJUAN

Melatih dan memberi kemampuan untuk mengolah dan menganalisis

berbagai citra komposit citra komposit.

.

III. ALAT DAN BAHAN

1. Software ENVI 4.0.,

2. Alat tulis.

IV. DASAR TEORI

Berdasarkan jumlah band dan tenaga yang digunakan,

penginderaan jauh dibagi menjadi dua, yaitu penginderaan jauh system

fotografi, dan multi / hyperpektral. Sistem fotografi hanya menggunakan

tenaga yang bisa dilihat (0,4 - 0,5 μm) atau sering disebut juga sytem

monospektral dengan keluaran satu citra/ foto/gambar. Untuk system multi

ataupun hyperspektraltidak hanya menggunakan tenaga yang bisa dilihat

namun juga dapat menggunakan tenaga lain seperti gelom,bang mikro, dan

infra merah (dibagi tiap saluran), dimana jumlah band yang digunakan

untuk sytem multi dapat mencapai 15 band, sedangkan hyper dapat

mencapai ratusan band yang digunakan.

Karena perbedaan jumlah band yang digunakan tersebut, maka

terdapat dua macam jenis citra dalam out-putnya, yaitu :

a. Citra tunggal

Laporan Praktikum Sistem PJ Non Fotografi


b. Citra komposit

Citra tunggal adalah citra yang dibuat hanya dengan menggunakan

satu saluran panjang gelombang saja. Contohnya citra Landsat TM band

1.Sedangkan citra komposit adalah citra yang dibuat dengan memakai

beberapa band panjang gelombang sekaligus yang ditampilkan dalam

bentuk satu citra. Contohnya citra Landsat TM 452.

Pembuatan citra komposit itu sendiri sebenarnya bertujuan untuk

memperjelas kenampakan obyek yang disensor, sehingga mudah untuk

diidentifikasi, diintrepertasi dan kemudian diklasifikasikan. Pemahaman

tentang intrepertasi dari citra komposit ini membutuhkan pemahaman

terlebih dahulu tentang kurva pantulan dari tiap-tiap obyek di permukaan

bumi. Dalam pemahaman kurva pantula itu sendiri, pada dasarnya

mengacu pada pada pantulan tiga objek utama dimuka bumi, yaitu air,

vegetasi dan tanah.

V. CARA KERJA

1. Masuk ke program ENVI.

2. Membuka open file image.

3. Memilih data image (Pulau Harapan).

4. Memilih berbagai saluran yang akan disusun sebagai citra komposit

RGB, mencatat kombinasi bandnya.

5. Melakukan analisa berbagai hasil citra komposit (minimal 10

kombinasi RGB), yang disusun dalam suatu table pengamatan.

VI. HASIL PRAKTIKUM

1. Print screen 10 komposit RGB (terlampir).

2. Tabel pengamatan kombinasi RGB beserta obyek yang menonjol

(terlampir).



VII. PEMBAHASAN

Praktikum kali ini, praktikan dilatih utuk menyusun suatu komposit

dari suatu band citra. Data yang digunakan dalam praktikum kali ini

adalah data dari pulau harapan. Tujuan dari praktikum ini adalah agar

praktikan dapat menentukan komposit dari suatu citra berdasarkan tujuan

penggunaan citra tersebut. Komposit dari suatu citra sendiri memiliki

karakteristik yang ditonjolkan dari pemilihan band. Dari pemilihan

tersebut maka praktikan dapat mengidentifiksi obyek mana saja yang

paling menonjol pada susunan komposit tersebut.

Jumlah band yang tersedia untuk menyusun komposit kali ini ada

15 band dengan panjang gelombang antara 445,7 nm +/- 6 nm sampai

dengan saluran lima belas 844,3 nm +/- 6,3 nm. Keluaran dari komposit

citra berbeda satu sama lain. Ada yang merupakan true colour dan bukan

merupakan true colour.true colour sendiri merupakan komposit yang

menampilkan obyeknya pada citra hamper sama dengan kenyataan

dilapangan.

Komposit yang praktikan dapatkan antara lain komposit yang

menonjolkan tubuh air yaitu komposit 8-15-3, 12-9-15, 12-7-2,13-8-3 dan

13-5-1. Dari hasil output tersebut dapat diketahui bahwa tubuh air

memiliki warna tersendiri yang membedakan dari obyek yang lainnya.

Sedangkan untuk pemukiman banyak ditonjolkan pada saluran 9-5-1 dan

11-5-3 karena warnanya lebih mencolok dari objek yang lain.

Susunan komposit suatu warna yang menonjolkan kenampakan

objek tubuh air, vegetasi dan permukiman untuk evaluasi perkotaan paling

baik adalah 8-15-1 Warna-warna tersebut satu dengan yang lainnya sangat

mencolok sehingga interpretasi. Persebaran masing-masing objek juga

sangat kontras satu sama lain, tubuh air dengan warna ungu, hijau muda

untuk vegetasi dan warna kuning putih untuk permukiman.



VIII. KESIMPULAN.

1. Peenyusunan suatu komposit pada citra landsat penting dalam

mengidentifikasi suatu objek.

2. Citra komposit merupakan citra yang terdiri dari gabungan saluran

band yang terkomposisi menjadi satu.

3. Komposit saluran yang paling baik untuk interpretasi kenampakan

objek tubuh air, vegetasi dan permukiman yakni saluran 8-15-1.



MODUL B

I. JUDUL

Analisis Noise Farction Transformation (MNF).

II. TUJUAN

Mampu untuk mengolah dan menganalisa citra dengan analisa Noise

Fraction Transformation untuk menentukan sifat data.

III. ALAT DAN BAHAN

1. Software ENVI 4.0.;

2. Alat tulis.

IV. DASAR TEORI

Dalam melakukan analisa pengolahan citra digital, terdapat tiga

cara, yaitu :

1. Minimum noise fraction

2. Pure pixel index (PPI)

3. n-Dimensional

Khusus untuk minimum noise fraction (MNF) dibahas saat acara

ini. Prinsip kerja MNF sendiri dimaksudkan untuk menyederhanakan data

digital hyperspectral terutama dari berbagai ganggunan, dan untuk

mengurangi kompleksitas data. Berdasarkan prinsip tersebut, MNF

berguna untuk menentukan sifat data, memisahkan gangguan dari data,

dan memangkas waktu kerja.

Secara teknis, MNF analysis menggunakan dua cara, yaitu analisa

kemurnian pixel (PPI) dan analisa rotasi (mirip PCA). Maksud dari



analisis rotasi itu sendiri, yaitu untuk menyusun saluran baru dengan

informasi optimal, sehingga jumlah band menjadi sedikit, dengan

informasi spectral yang optimum.

.

V. CARA KERJA

1. Membuka open file image dalam bentuk gray scale

2. Melakukan urutan kerja untuk menggunakan tools MNF seperti

berikut;

Dari menu utama pilih :

Transform-

MNF Rotation-

Forward MNF-

Estimate Noise Statistics From Data

3. Mengisi parameter MNF Transform, dimana bentuk parameternya

sebagai berikut :

- input image

- output noise statistics

- output MNF stats

- Nr of output MNF bands

4. Menganalisa hasil perhitungan statistic yang berupa nilai Eigen dari

transformasi

VI. HASIL PRAKTIKUM

1. Print screen 15 band hasil MNF (terlampir),

2. Grafik MNF Eigenvalues (terlampir)



VII. PEMBAHASAN

MNF atau Minimum Fraction Noise adalah fraksi gangguan

minimum pada data digital. Untuk mengatasi gangguan pada data tersebut,

maka dibutuhkan tool yang bisa mereduksi dampak tersebut. Tool yang

digunakan disini adalah Minimum Noise Fraction Transform. Citra yang

digunakan adalah citra dengan pewarnaan grey scale. Tahap transformasi

sendiri prinsipnya adalah menyederhanakan data digital dari segala

gangguan yang menyertainya terutama tentang kompleksitas data. Secara

prinsip transformasi MNF ada dua komponen. Yang pertama transformasi

dilakukan untuk memisahkan dan mengurangi ganguan (noise) data

digital. Dan yang kedua adalah menyusun beberapa saluran baru berisi

informasi utama, sehinga jumlah band menjadi lebih ringkas dan sedikit,

tetapi informasi optimum.

Parameter yang digunakan dalam menganalisa MNF Transform ,

yaitu input image, output noise statistics, output MNF stats, dan Nr output

MNF bands. Apabila parameter tersebut telah dipenuhi maka akan muncul

suatu eigen value. Eigen value adalah nilai eigen dari transformasi yang

menunjukkan pembedaan secara dimensional berdasarkan pengujian nilai-

nilai digital.

Nilai eigen itu sendiri merupakan nilai tingkat diskriminan dari

band, dimana semakin besar nilainya semakin besar perbedaannya atau

dengan kata lain noisenya semakin kecil. Nilai eigen ini memberikan

informasi mengenai panjang sumbu yang diinformasikan oleh “vector

eigen” yang membedakan dalam hal tingkat derajatnya.

Dari grafik terlihat bahwa eigenvalue number paling kiri memiliki

nilai eigen yang sangat besar. Sedangkan paling kanan nilai eigen sangat

kecil. Dikaitkan dengan adanya noise yang ditimbulkan dapat

diidentifikasi bahwa saluran yang nilai eigennya rendah, berarti,

kemungkinan besar banyak terdapat noise faktor untuk citranya. Jadi,



semakin besar nilai eigennya, semakin relative bersih citra yang

dihasilkan.

VIII. KESIMPULAN.

1. Dalam analisa pengolahan citra digital, terdapat tiga cara yaitu minium

noise fraction (MNF), Pure Pixel Index, dan n- Dimnesional.

2. Parameter yang digunakan dalam menganalisa MNF Transform , yaitu

input image, output noise statistics, output MNF stats, dan Nr output

MNF bands.

3. Semakin kecil nilai eigen semakin besar noise-nya yang menyebabkan

objek pada citra yang nilai MNF-nya rendah sulit untuk dikenali.



MODUL C

I. JUDUL

Indeks Kemurnian Pixel (Pixel Purity Index/ PPI).

II. TUJUAN

Memberi kemampuan mahasiswa untuk dapat menemukan nilai pixel

secara spectral murni pada data hyperspektral.

III. ALAT DAN BAHAN

1. Software ENVI 4.0.;

2. Alat tulis.

IV. DASAR TEORI

Dalam pengolahan citra digital kita dapat menggunakan analisa

pure pixel index. Sebagaimana kita ketahui, hampir semua data digital

yang terekam pada citra satelit mengenal suatu fenomena yang disebut

mixed pixel. Mixed pixel itu sendiri merupakan suatu pixel yang dapat

menggambarkan beberapa objek sekaligus. Kebalikan dari mixed pixel

adalah pure pixel (pixel murni). Pixel murni adalah pixel yang benar –

benar mewakili dari obyek yang sama (homogen) tanpa tercampur obyek

yang lain.

Analisa indeks kemurnian pixel (pixel purity indeks/PPI)

mempunyai pengertian untuk dapat menemukan nilai pixel secara spectral

murni, atau sangat ekstrim mempunyai kemurnian tinggi pada data

hiperspektral.

Secara teknis PPI dihitung secara berulang-ulang pada proyeksi

plot diagram pencar pada unit vector. Ekstrim pixel pada setiap proyeksi



dicatat dan dijumlah berapa kali pixel tersebut dicatat dan ditandai sebagai

pixel yang ekstrim.

V. CARA KERJA

1. Menu utama memilih :

Spectral Tools-

Pixel Purity Index -

New Output Band -

2. Menentukan beberapa parameter sebagai berikut :

- input file (citra MNF)

- number of iteration 1000

- output result to (file)

- enter output file name: . . . ppi

3. Menampilkan pixel Purity Index Plot, dimana sumbu x mewakili

jumlah iterasi, dan sumbu Y mewakili jumlah pixel. Menyimpannya

melalui print screen, dan sertakan dalam laporan serta menganalisanya

4. Menampilkan citra output citra pemrosessan PPI (gray scale) dan

mengamatinya

5. Menampilkan citra hasil MNF, membandingkannya mana yang

merupakan pixel murni atau yang bukan. Mencatat dan

menganalisanya.

VI. HASIL PRAKTIKUM

1. Pixel Purity Indeks Plot (terlampir),

2. Citra PPI (terlampir),

3. Density Slice (terlampir)



VII. PEMBAHASAN

Indeks kemurnian pixel (pixel Purity Index) digunakan untuk

mencari kemurnian suatu pixel pada citra multispectral dan hiperspektral.

Hampir semua data digital yang tertekam dalam citra satelit terdapat

adanya mixed pixel. Fenomena ini menunjukkan adanya hubungan

kontribusi berbagai obyek dalam interaksinya dengan panjang gelombang

pada system penginderaan jauh dan resolusi spasial pada sensor satelit.

Bagi data digital hiperspektral, analisa penentuan indeks kemurnian pixel

sangat penting, terutama untuk pembedaan (endmember separation) dan

proses identifikasi pixel.suatu pixel yang memiliki nilai kemurnian tinggi

akan berkoresponden dengan percampuran endmember.

Secara teknis PPI dihitung secara berulang-ulang pada proyeksi

plot diagram pencar pada unit vector. Ekstrim pixel pada setiap proyeksi

dicatat dan dijumlah berapa kali pixel tersebut dicatat dan ditandai sebagai

pixel yang ekstrim Parameter yang digunakan dalam indeks kemurnian

pixel berupa input file (dalam hal ini citra MNF), number of iteration

(sampai 1000), output result to (file yang digunakan), dan out put file

name … ppi.

Terdapat dua parameter dalam pixel purity index plot, yaitu

parameter y berupa jumlah pixel, dan paramter x berupa jumlah iterasi.

Jumlah iterasi itu sendiri maksudnya adalah kemampuan suatu citra untuk

membaca sejumlah nilai pixel sekaligus. Semakin besar nilai iterasinya,

semakin tinggi pula tingkat kemurnian pixel dari objek yang dicitrakan

tersebut.

Hasil praktikum yang didapat yaitu density slice dari citra PPI dan

juga Pixel Purity Indeks Plot. Hasil keluaran dari PPI ini berupa citra PPI,

dimana pure pixel diidentifikasi pixel yang cerah (putih) yang

menandakan kemurnian pixel itu sendiri. Sedangkan pixel yang berona



gelap menandakan bahwa ia merupakan pixel yang tidak murni. Pada

gambar dibawah, nampak titik-titik cerah atau putih . Hal itu menandakan

bahwa obyek yang dicitrakan tersebut dan pada bagian tersebut

mempunyai pixel yang murni. Dan bagian yang gelap menandakan bahwa

daerah tersebut pixelnya tidak murni.

Kurva yang didapat dari hasil PPI menunjukkan besarnya indeks

kemurnian pixel yang dibandingkan dengan proses pencatatan,

penjumlahan dan pembacaan nilai pixel sebagai pixel yang ekstrim atau

yang disebut iterasi. Dari kurva diatas bisa dilihat nilai iterasi yang

dilakukan yaitu 1000 kali. Terlihat bahwa semakin banyak iterasi yang

dilakukan , nilai indeks kemurniannya juga semakin tinggi.

VIII. KESIMPULAN

1. Indeks kemurnian pixel (pixel Purity Index) digunakan untuk mencari

kemurnian suatu pixel pada citra multispectral dan hiperspektral. Pure

pixel adalah pixel yang benar-benar mewakili obyek yang homogen.,

mixed pixel adalah pixel yang mewakili beberapa obyek sekaligus.

2. Parameter yang digunakan dalam indeks kemurnian pixel berupa input

file (dalam hal ini citra MNF), number of iteration (sampai 1000),

output result to (file yang digunakan), dan out put file name … ppi.

3. Pixel ada dua macam yaitu pure pixel dan mixed pixel.

4. Iterasi adalah proses pencatatan, penilaian, penjumlahan dan

pembacaan suatu nilai pixel secara berulang-ulang untuk menentukan

nilai ekstrem pixel tersebut.

5. Semakin besar nilai iterasinya, semakin tinggi pula tingkat kemurnian

pixel dari objek yang dicitrakan tersebut



MODUL D

I. JUDUL

n-Dimensional Visualization.

II. TUJUAN

Mampu untuk mempresentasikan hasil perhitungan proses PPI berdasarkan

analisis enmembers pada suatu diagram pencar.

III. ALAT DAN BAHAN

1. Software ENVI 4.0.

2. Alat tulis.

IV. DASAR TEORI

Dimensional visualization merupakan suatu cara

mempresentasikan hasil perhitungan proses PPI berdasarkan analisis

endmembers pada suatu diagram pencar. Selain itu, n-Dimensional

visualization ini juga merupakan hubungan MNF dan hasil PPI untuk

mengidentifikasi pixel murni dan respon spektral yang ekstrim. ROI atau

Region of Interest adalah suatu proses menampilkan bagian obyek dari

suatu citra yang kita inginkankan.

ROI merupakan proses awal sebelum kita melakukan visualisasi

n-Dimensional. Hasil dari itu semua adalah ditampilkannyaa nilai-nilai

pixel murni dalam bentuk diagram pencar. Pixel murni yang

ditampilkan pada diagram pencar ini merupakan hasil sebelumnya dari

proses PPI.



V. CARA KERJA

1. Mengkonversi pixel-pixel dalam ndimensional citra PPI kedalam ROI

(region of Interst),

2. Membuka open file image :citra PPI

Basic tools

Region of interest

Band Threshold (dari MNF)

3. Memvisualisasikan dengan langkah sebagai berikut :

Dari menu utama

Spectral tools

n-Dimensional Visualization

Visuanze with new data

4. Mengingat citra MNF yang mempunyai eigen value yang tinggi.

Menentukan band yang akan divisualisasikan dalam berbagai angle.

VI. HASIL PRAKTIKUM

1. n -Dimensional Visualization (terlampir),

2. ROI –tool (terlampir).

VII. PEMBAHASAN

Acara n Dimensional Visualisation dan Region of interest

merupakan suatu cara mempresentasikan hasil perhitungan prosese PPI

berdasarkan analisis endmembers pada suatu diagram pencar. Hasil dari

PPI tersebut nantinya akan direpresntasikan dengan menggunakan kurva

yang mewakili nilai darikemurnian pixel tersebut.



Dalam menampilkan pixel-pixel tersebut kedalam visualisasi

dibutuhkan 3 band penyusun. Pixel yang divisualisasikan dalam diagram

pencar, terlihat berbeda-beda. Semakin rendah nilai PPI untuk masing-

masing saluran, semakin mengelompok ROI-nya (pixel).

Gambar dalam hasil praktikum menunjukkan diagram pencar dari

citra yang dipilihkan dari band 1,2 dan 3. Dengan menggunakan n-

Dimensional visualization maka tampilan dari pixel murni dan tidak murni

akan terlihat. Sedangkan sumbu-sumbu yang terletak diluar gambar

merupakan letak nilai jika ditempatkan grafik tersebut.

Pada table ROI tool dapat diliat bahwa 233,904 pixel merupakan

pixel campuran (non pure) sedangkan 16,092 merupakan pixel murni.

Pixel murni dilambangkan dengan warna biru sedangkan pixel campuran

dilambangkan dengan warna biru. Dari table tersebut maka dapat

disimpulkan bahwa pixel murni jauh lebih sedikit dibandingkan dengan

pixel campuran.

VIII. KESIMPULAN

1. n-Dimensional visualization merupakan suatu cara mempresentasikan

hasil perhitungan proses PPI berdasarkan analisis endmembers pada

suatu diagram pencar Pixel yang murni sajalah yang ditampilkan pada

diagram pencar.

2. ROI (Regions of Interest) merupakan proses memvisualisasikan bagian

obyek yang kita inginkan, biasanya menggunakan fasilitas “export

data”.

3. Hasil visualisasi n-dimensional ditampilkan dalam bentuk diagram

pencar.



ACARA I

I. TOPIK

Dasar-Dasar Pemrosesan dan Analisis Citra SAR.

II. TUJUAN

Praktikan dapat melakukan pemrosesan data SAR saluran tunggal (RadarSat,

ERS-1 dan JERS-1).

III. DATA

Alat

1. Perangkat komputer dengan software ENVI.

2. Alat tulis.

Data

Path: C:/rsi/envidata/rsat_sub

Deskripsi file:

lea_01.001 Radarsat Leader file

bonnrsat.img Radarsat image subset

bonnsat.hdr ENVI Header file diatas

rsi_f1.img Hasil Frost filter

rsi_f1.hdr ENVI Header file diatas

dslice.dsr Density Slice level save file

rsi_f2.hdr Hasil Laplacian filter

rsi_f3.img Hasil Laplacian filter dengan 0.9 addback

rsi_f3 hdr ENVI header file diatas

rsi_fus.img simulasi file penggabungan TM dan Radarsat

rsi_fus.hdr ENVI Header file diatas

rsi_map.jpg Contoh komposisi peta Radarsat

Generated Files

ts0218lp.syn L-and P-Band Synthesized data



ts0218lp.hdr Generated ENVI Header for above

ts_cgam.img Generated Gamma filtered image

ts_cgam.hdr Generated ENVI Header file for above

ts_ped.img Generated Pedestal Height image

ts_ped.hdr Generated ENVI Header for above

topsar.img Generated DEM image scaled to meters,C-VV scaled to

Sigma Zero and incidence angle and correlation images

topsar.hdr Generated ENVI Header for above

IV. DASAR TEORI

Software ENVI merupakan salah satu software pengolah citra

penginderaan jauh yang banyak digunakan. Pengoperasian dari software ini

yang tergolong mudah dan ringkas menjadikan software ENVI banyak

disukai oleh operator penginderaan jauh.

Dalam software ENVI, terdapat 2 program yaitu program utama dan

program IDL (Interactive Data Language) yang menggunakan bahasa logika

(numerous mathematical analisys) yang dipadukan dengan visualisasi data.

Bahasa pemrograman dari IDL ini menggunakan bahasa pemrograman

FORTRAN atau C. Menggunakan program IDL akan menghemat waktu

pengerjaan dengan perbandingan : pekerjaan yang diselesaikan dengan

menggunakan pengolahan tradisional selama berhari-hari dapat diselesaikan

dengan hitungan jam.

Header citra adalah file yang menyimpan informasi tentang data pada

citra. Data yang disimpan dapat berupa : nama band, proyeksi, ukuran citra,

resolusi piksel size, sensor, panjang gelombang, tipe data, dan sebagainya.

File Header berukuran kecil, terintegrasi dengan citra dan dapat diedit.

V. CARA KERJA

A. Membaca data RadarSat



1. menu utama ENVI dipilih file bonnrsat.img dari direktori

rsat_subdari.

2. menampilkan citra pada ENVI display window dengan memilih

saluran di available Bands List dan mengeklik Load Band di bawah

kotak dialog.

B. Membaca Header Data RadarSat

1. Memilih radar (open/prepare radar file- view RadarSat Header).

2. Memilih file lea_01.001 RadarSat atau satu dari file lainnya untuk

mengekstrak informasi CEOS dan menampilkannya pada layer.

C. Perentangan Kontras (Square Root)

1. Memilih Enchance ([image]Square root pada Main Display

window.

2. Menampilkan citra pada window baru dan membandingkan dengan

citra yang belum direntangkan menggunakan square root (Tools-

link-link display pada main Display window).

D. Menghilangkan Speckle (bintik, bercak atau noda) menggunakan

Adaptive Filters

1. Memilih Radar (Adaptive Filters- Frost)

2. Memilih bonnrsat.img sebagai input citra dan menggunakan default

filter size (3x3) dan damping factor (1.0), memasukkan output

filename dan click OK.

3. Memilih Tolls →Link →Link Display untuk menghubungkan citra

Frost filtered dengan citra bonnrsat.img (the 2% linear stretch image)

kemudian membandingkan kedua citra secara dynamic overlay.

E. Density Slice

1. Pada citra Frost filtered yang telah ditampilkan, mengeklik

Tools→Color Mapping→Density Slice.

2. Memilih rentang dan warna pada dialog Density Slice dengan

memilih File→Restore Ranges dan memilih file dslice.dsr,

kemudian klik Apply pada Density slice dialog.



3. Membandingkan citra hasil Density Slice dengan citra Gray scale

menggunakan dynamic overlay.

F. Edge Enchancement (penajaman tepi)

1. Menu ENVI→Filter→Convolutions -Laplacian→Convolutions

and Morphology tool.

2. Mengeset Kernel 5x5, klik Quick Apply dan pilih bonnrsat.img

serta klik OK.

3. Memasukkan nilai 90 untuk nilai image Add back→

4. Membandingkan hasilnya dengan citra original menggunakan

Display Overlay.

G. Data Fusion (penggabungan citra)

1. Membaca dan menampilkan citra.

a. Open Image file→subdirectory rometm_ers→file rome_ers2.

File ERS-2 SAR data akan ditampilkan pada Available Bands

List.

b. Mengeklik Available Bands List→Gray Scale→ERS

Band→Load Band untuk menampilkan data SAR

c. File→Open Image File→file rome_tm, tujuh saluran akan

muncul di available bands list.

d. Dari Display#1 button menu, pilih New Display.

e. Mengeklik RGB Color radio button dari available Bands List,

mengeklik 4,3,dan 2 kemudian Load RGB.

2. Registrasi citra TM ke citra ERS.

a. Map→Registration (select GCPs: Image-to-Image, Display #1

dipilih sebagai Base Image dan display #2 sebagai Warp Image

dan mengeklik OK.

b. File (Restore GCPs from ASCII dalam Ground Control Points

Selection dialog)→GCP file rome_tm.pts→OK

c. Options (Warp file dari Ground Control Points Selection

dialog)→file rome_tm→OK untuk registrasi 7 saluran Landsat

TM di match-kan dengan ERS data.



d. Masukkan output filename pada Registration Parameters

dialog→OK membuat image-to-image registrations.

3. Transformasi HSI untuk penggabungan data.

a. Transform→Image Sharpening→HSV dari ENVI main menu.

b. Select Input RGBmemlih 4,3,2 dari TM Image pada select Input

Bands dialog→OK.

c. High Resolution Input File dialog→ERS-2 Image→OK.

d. Masukkan output file name rome_fused.img→Ok pada HSV

Sharpening Parameters dialog.

4. Menampilkan dan Membandingkan hasil.

a. Masukkan fused color image→new display→RGB Color radio

button pada available bands list dialog, memilih R,G dan B

bands pda file baru→OK.

b. Membandingkan HSV sharpened (fused) color image dengan

citra terregostrasi Landsat TM color komposit dan ERS-2

dengan→Tools→Link Display→Link dari Main Display

Window menu bar.

c. Mencoba membandingkan hasilnya dengan komposit lainnya.

H. Image-Map-Outout

Layout citra yang telah dihasilkan menggunakan menu

overlay→Annotation pada menu Display Window.

VI. HASIL PRAKTIKUM

a. Print screen seluruh proses (terlampir),

b. Layout hasil Fusi atau penggabungan citra (terlampir).

VII. PEMBAHASAN

Interpretasi citra tidak hanya bias dilakukan dengan interpretasi secara

manual pada hardcopy, melainkan juga dilkaukan dengan interpretasi secara



digital pada layar computer dengan bantuan software pemrosesan citra dan

data softcopy citra. Pada acara ini praktikan diberi kesempatan untuk

memproses citra agar mudah dalam melakukan interpretasi. Ada beberapa

macam metode pemrosesan citra radar agar mencirikan kenampakan

tertentu, tentunya masing-masing metode tersebut memiliki kelebihan dan

kekurangan untuk suatu citra. acara ini praktikan dikenalkan dengan empat

macam teknik pemrosesan citra yaitu square root, adapt filter(frost), density

slice, dan edge enhancement, selain itu praktikan juga dikenalkan dengan

penggabungan (fusion) antara citra radar dengan citra landsat TM.

Sebelum melakukan pemrosesan citra terlebih dahulu praktikan

membaca informasi yang terdapat pada citra dengan membuka header

radarsat. Dalam header tersebut tercantum informasi tentang citra antara lain

proyeksi, near range, far range, posisi platform, kualitas data dan lain

sebagainya. Metode enhancement citra, pertama kali yang dilakukan adalah

Square root dengan tool yang berada pada enhance. Prinsip pemrosesan citra

pada metode ini adalah adnaya perentangan kontras, sehingga dapat

memperhalus tekstur. Hasil kenampakan citra yang diproses dengan metode

ini adalah memiliki rona yang semakin cerah secara keseluruhan namun

pixel yang ada pada citra asli sudah cerah pada metode ini menjadi buram.

Keunggulan metode ini untuk citra asli adalah lebih menonjolkan aspek

fisiografi pada citra namun sebagai konsekuensinya vegetasi semakin tidak

teridentifikasi karena memiliki tekstur yang lebih halus daripada citra asli.

Metode kedua yaitu metode adapt filter (frost). Prinsip pemrosesan citra

dengan metode ini adalah adanya pembagian pixel menjadi ukuran yang

lebih kecil lagi sesauai dengan kebutuhan. Pada praktikum ini praktikan

mengubah ukuran pixel asli 1x1 menjadi ukuran 3x3 sehingga satu pixel

pada citra asli menjadi Sembilan pixel pada pemrosesan. Akibat dari

penghalusan pixel ini, tekstur citra menjadi lebih halus, sehingga batas antar

kenampakan pada citra menjadi lebih jelas.lahan terbangun dapat diperjelas

dengan metode enhancement ini, begitu pula dengan vegetasi.



Metode selanjutnya adalah adalah density slice atau pemberian warna

berdasarkan kemiripan nilai pixel pada citra asli. Pewarnaan ini bisa

dilakukan secara manual dengan mengisikan rentang yang diinginkan

ataupun dengan menggunakan klasifikasi warna yang sudah umum

digunakan. Hasil dari enhancement ini, lahan terbangu semakin mudah

diidentifikasi karena memiliki warna merah, begitu pula dengan pola aliran

dan tubuh air yang berwarna biru. Menurut praktikan dengan metode ini

sebaiknya hanya untuk mencari satu obyek yang spesifik, missal mencari

tubuh air saja dengan warna biru. Metode enhancement yang terakhir adalah

penajaman tepi dengan filter laplacian. Hasil citra yang dihasilkan sangat

tidak jelas. Kenampakan citra secara umum memiliki rona yang cerah

seperti jalan raya dan tepi sungai. Menurut praktikan metode ini kurang

cocok dengan interpretasi satuan fisiografi. Sebaliknya kenampakan budaya

terlihat jelas dan dapat diinterpretasi.

Kenampakan citra radar yang kurang jelas dalam menampilkan bentang

budaya dapat digabung dengan kenampakan pada citra landsat TM komposit

yang akan memberkan citra yang lebihmudahuntuk diinterpretasi. Memang

jika sekilas dilihat diantara kedua jenis citra tersebut lebih mudah

melakukan interpretasi pada citra landsat, hal ini dikarenakan citra landsat

memilki tujuh band yang dapat dikomposit sesuai dengan keinginan.

Sebalum melakukan penggabungan (fusion), terlebih dahulu dilakukan

regristrasi titik ikat pada citra landsat TM ke citra radar. Hal ini dilakukan

agar titik pada masing-masing citra berada pada satu koordinat. Indikasi

bahwa kedua citra landsat telah teregistrasi adalah jika kedua citra tersebut

dilakukan link menggunakan dynamic overlay maka akanmenunjukkan

daerah yang sama. Jika sudah begitu proses penggabungan pun akan dapat

dilakukan dengan menggunakan tool transform. Hasil penggabungan kedua

citra di atas adalah berupa citra radar yang memilki warna komposit citra

landsat TM. Secara kasar praktikan dapat berasumsi bahwa kualitas citra

hasil penggabungan adalah merupakan rat-rata dari kedua citra, namun

untuk obyek tertentu citra hasil penggabungan lebih dapat diandalkan.



VIII. KESIMPULAN

1. Data citra SAR adalah berupa data saluran tunggal

2. Ada empat macam metode enhancement yang dilakukan praktikan pada

praktikum ini, yaitu square root, Adapt filter (Frost), Density slice, dan

edge enhancement.

3. Masing-masing metode di atas memiliki kelebihan dan kekurangan,

sehingga seorang interpreter harus selektif dalam menggunakannya.

4. Sebelum dilakukan penggabungan citra, terlebih dahulu harus dilakukan

registrasi titik ikat.

5. Citra hasil penggabungan citra radar dan citra Landsat TM memudahkan

praktikan untuk melakukan interpretasi, karena kedua citra tersebut dapat

saling melengkapi informasi.



ACARA II

I. TOPIK

Pemrosesan dan Analisis Polarimetrik SAR.

II. TUJUAN

Pemrosesan dan analisis data polarimetrik dari Spaceborne Imaging Radar-C

(SIR-C).

III. DATA

Alat

1. Perangkat komputer dengan software ENVI.

2. Alat tulis.

Data

Path: C:/envidata/ndv_sirc

Deskripsi file:

Required Files

ndv_l.cdp L-band SIR-C subset in ENVI Compressed data Product.

cdp format.

pol_sig.roi saved Regions of Interest (ROI).

texture.dsr Saved Density Slice range.dsr file

Generated Files

ndv_l.syn Synthesized images (~2.5 Mb, also generates.hdr file).

ndv_l2syn Synthesized images in dB (~5 Mb, also generates.hdr file).

ndv_gam.img Gamma filter result (~0.6 Mb, also generates.hdr file).

ndv_gr.img Slant to ground range result (~0.9 Mb, also generates.hdr

file).

ndv_hh.tex texture filter result (~2.5 Mb, also generates.hdr file).

envi.ps Output ENVI postscript file (~3.8Mb).



IV. DASAR TEORI













V. CARA KERJA

A. Sintesis Citra

1. Pilih Radar→Polarimetric Tools→Synthesize SIR-C Data.

2. Ketika Input Product data Files dialog muncul, open file diklik

untuk menampilkan dialog pemilihan file dan memilih direktori

C:/envidata/ndv_sirc.

3. File ndv_l.cdp dipilih ketika nama file muncul pada Selected Files

L: field→OK.

B. Kombinasi Polarisasi Dasar

Empat kombinasi dasar transmit/receive-HH,VV,HV dan TP- akan

terdaftar dalam “selected bands to synthesize” pada kotak dialog

Synthesize Parameters.

1. Memasukkan nama file output ndv_l.syn dalam path yang benar

pada Enter Output filename field.

2. Output Data Type pulldown menu→Byte→OK.



3. Hasil ditampilkan

C. Kombinasi Polarisasinya Lainnya

1. Radar→Polarimetirc Tools→Synthesize SIR-C Data. Ndv_l.cdp

muncul pada Selected Files field→OK

2. Masukkan -45 & 135 pada Transmit Ellip dan Orien fields, dan -45

& 135 pada Receive ellip dan Orien fields.

3. Add Combination→menghasilkan sebuah citra circular

polarization di sebelah kanan.

4. Masukkan 0→Transmit Ellip dan Receive Ellip. Masukkan

30→Orien.

5. Mengeklik Add Combination menghasilkan sebuah linear

polarization dengan orientation 30 derajat.

6. Clear diklik di bawah daftar standard polarization combination.

7. Yes radio button dipilih untuk output in dB menghasilkan citra

dengan tipikal -50 dan 0.

8. Memasukkan filename output ndv_l2.syn→OK.

D. Menampilkan Citra

1. Saluran [L-TP]: ndv_l.syn pada available bands list diklik→Load

band diklik.

2. Memeriksa citra menggunakan Scroll dan Zoom windows.

3. Enchance→Interactive Sretching dari menu pada display utama citra.

4. Mengeklik tombil kiri mouse dan drag garis titik-titik vertical lines

untuk merubah perentangan atau memasukkan nilai DN values

kedalam fields yang sesuai.

5. 5% dimasukkan dalam kota teks sebelah kiri dan sebelah kanan diisi

95%.

6. Stretch Type→Gaussian (pada awalnya linear)

7. membandingkan perentangan linear dan square-root.

8. RGB color radio button pada available bands list dipilh untuk

menampilkan citra komposit warna.



9. Mengeklik saluran [L-HH]: ndv_l.syn, [L-VV]: ndv_l.syn, dan [L-

HV]: ndv_l.syn.

10. Pada available bands list→Display→New Display (untuk

menjalankan sebuah display window baru.

11. Load RGB diklik untuk menampilakn HH band pada mera, VV pada

hijau, HV pada biru.

12. Mengatur perentangannya (Gaussian dan SquareRoot).

13. Menampilkan synthesized bands lainnya dan membandingkan

kenampakan vegetasi, sand dunes dan kipas alluvial menggunakan

link display.

E. Mendefinisikan ROls (Region of Interest) untuk Polarization Signatures

1. Overlay→Region of interest pada citra grayscale L-TP→muncul

ROI Tool dialog.

2. File→Restore ROls→filename pol_sig.roi dipilih→OK.

3. Pada available regions of interest akan muncul nama region antara

lain veg, fan, sand, dan desert pvt digambarkan dalam image window

F→ Ekstraksi Polarization Signatures

1. Radar→Polarimetric Tools→Extract Polarization Signatures→SIR-

C. filename ndv_l.cdp akan muncul pada Input Data Product Files

dialog, jika tidak dapat dibuka pada open file dan dipilih file

tersebut.

2. OK diklik→muncul Polsig Parameters.

3. Empat Rols (veg, fan, sand, dan desert pvt) dipilih→select all.

4. Memory radio button dipilih→OK.

5. Menampilkan polarization signatures statistic dibawah polarization

signatures viewer window, kemudian dibandingkan polarization

signatures pada masing-masing obyek.

6. Sumbu Z diubah→polsig_data→normalized dari pulldown menu.

7. Mengedrag 2-D cursor polarization signatures image dengan tombol

kiri mouse.



8. Mengeklik tombol mouse kiri dan drag pada satu sumbu untuk

merotasi polarization signatures dalam real time.

9. Signatures disimpan→file dipilih→save as plot As pada polarization

signatures viewer window.

10. file dipilih→cancel untuk menutup polarization signatures viewer

window.

G. Menggunakan Adaptive Filter

1. Radar→Adaptive fiters→gamma. Gamma filter input file dialog

akan muncul pada daftar file yang terbuka.

2. Next dipilih dari select bay file field ke select by band.

3. Dipilih band [L-HH}:NDV_L.SYN→OK (Gamma filter parameters

muncul).

4. Dipilih Size (NxN): 3 Number of looks: seta output hasil sebagai

memory dengan memilih Memory radio button.

5. OK diklik, Available Bands List muncul dan nama hasil citra sebagai

Gamma ([L-HH]: NDV_L.SYN).

H. Menampilkan Hasil Filter

1. Gray scale dipilih→memilih band pada Available Bands List.

2. Display→New Display→Load band.

3. Enchance→[Image] Square root.

4. Menampilkan semua original dengan memilih [L-HH]: NDV_LSYN

pada Available Bands List→New Display→Load Band→

Enchance→[Image] Square root.

5. Tools→Link→Link Display.

6. Membandingkan kedua citra tersebut.

7. Dynamic overlay features dimatikan dengan memilih

tools→link→unlink display/ dynamic overlay off.

I. Transformasi Slant-to-Ground Range

1. Radar→Salnt to Ground Range→SIR-C.

2. file ndv_l.cdp dipilih→Muncul Slant Range Correction Input File

→dipilih file ndv_l.syn→OK.



3. Slant Range Correction→output pixel size field→masukkan 13.32

untuk mengerate squre groundrange pixel.

4. dipilih Bilinear sebagai Resampling Method→memasukkan

ndv_gr.img sebagai output filename→OK. Input image diresample

ke ukuran 1152 13.32m pixels persegi.

5. Citra ditampilakn dan hasilnya dibandingkan dengan slant range

image.

J. Menggunakan Analisis Tekstur

1. Radar→Texture Filters→Occurance Measures.

2. Ketika Texture Input File→Slect by→Band→Band [L-HH]:

ndv_l.syn→OK.

3. Pada Occurrence Textures Parameters dialog→select all Texture to

Compute kecuali Data range.

4. Processing Window diubah: Rows dan Cols menjadi 7 x

7→masukkan output filename ndv_hh.tex→OK.

5. Menampilkan hasil citra Data range texture image, mengeklik band

name data range:[L-HH] di Available Bands List→load band.

6. Membentuk perentangan secara cepat dengan square root pada citra.

7. Tools→color mapping→density slice pada main image display.

8. Data range:[L-HH] band pada density slice band choice dialog→OK.

9. Density slice→apply default ranges→apply. Memeriksa image ini

dengan original data menggunakan image linking dan dynamic

overlays.

10. Tools→Cursor Location/Value dalam main window dan melihat

nilai data range saat menjelajahi seluruh citra.

11. File→density slice→Restore ranges→file texture.dsr→open→Aplly.

12. melayout citra yang telah dihasilkan menggunakan menu

overlay→annotation pada menu display window.

Layout citra yang telah dihasilkan menggunakan menu

overlay→Annotation pada menu Display Window.



VI. HASIL PRAKTIKUM

1. Print screen seluruh proses (terlampir),

2. Layout densitiy slice analisis tekstur (terlampir).

VII. PEMBAHASAN

Polarisasi pancaran gelombang mikro dapat digunakan untuk mengidentifikasi obyek tertentu. Ada empat macam polarisasi transmit/receive yaitu HH, VV, HV, dan TP. Keempat macam polarisasi tersebut akan menghasilkan citra radar yang berbeda, walaupun berasal dari citra asli yang sama. Praktikum digital acara kedua ini praktikan mempelajari bagaimana membuat citra polarisasi dari suatu data citra, dalam praktikum ini data citra yang digunakan adalah data satelit SIR-C. selain polarisasi, praktikan juga mempelajari enhancement citra hasil polarisasi dengan menggunakan interactive stretching (linear, square root, dan Gaussian), penonjolan kenampakan tertentu dengan menggunakan Region of interest (ROI), transformasi slant to ground range serta analisis tekstur.

Tujuan dilakukannya polarisasi adalah untuk mendapatkan kejelasan tentang informasi pada citra, misalnya untuk mengidentifikasi satuan fisiografis sebaiknya digunakan polarisasi VV, karena pulsa yang dikirim akan memantulkan topografi permukaan bumi. Bahkan dari citra hasil dari polarisasi tersebut dapat dibuat citra kompositnya. Menurut praktikan kenampakan keempat citra hasil polarisasi tersebut hamper sama, hanya ada beberapa feature saja yang nyata perbedaaannya. Kenampakan yang tidak dapat diidentifikasi pada citra hasil polarisasi adalah lahan terbangun, begitu puladengan vegetasi yang baru Nampak pada citra komposit (HH-VV-HV). Kenampakan lain seperti fisiografi sudah menjadi keunggulan citra radar yang menampilkan dengan jelas. Polarisasi di atas memiliki sudut siku-siku (90°), sehingga terkesan berat sebelah, untuk mengatasinya dapat digunakan sudut polarisasi yang datur sendiri.

Untuk dapat menampilkan obyek yang diinginkan seorang interpreter software ENVI ,e,iliki tool yaitu Region Of Interest (ROI).praktikan menampilkan empat macam obyek dengan menggunkantool tersebut yaitu, gumuk pasir, kipas alluvial, gurun dan vegetasi. Memang buka praktikan yang menetukan klasifikasi untuk menentukan obyek tersebut, melainkan mengadaptasi klasifikasi yang sudah ada. Pada citra hasil ROI, vegetasi



terlihat dengan polygon berwarna hijau, gumuk pasir berwarna kuning, kipas alluvial berwarna merah dan gurun berwarna berwarna biru. Masing-masing ROI di atas dapat dibuat Polarizaton Signatures, yaitu representasi 3-D dari karakteristik lengkap hamburan pada permukaan untuk sebuah piksel atau rata-rata piksel. Ada dua kenampakan pada polarization signature viewer yaitu kenampakan 3-D dan 2-D, kenampakan 3-D merupakan representasi pixel yang ditambah dengan sumbu z, sedangkan kenampkan 2-D merupakan kenampkan pixelnya. Masing-masing obyek yag praktikan tampilkan Polarization Sigenature nya memiliki kenampakan yang berbeda –beda.

Speckle atau bintik hitam dapat mempengaruhi interpreter dalam melakukan interpretasi, oleh karena itu dibutuhkan suatu filter yang digunakan untuk menghilangkannya. Pada praktikum ini, praktikan menggunakan Adaptive Filter Gamma. Hasil penghilangan bintik dengan metode ini dirasa cukup efektikf, karwena tekstur citra menjadi lebih halus sehingga kenampakan obyek pada citra menjadi lebih jelas.

Selain melakukan filtering speckle, praktikan juga melakukan stretching pada citra L-TP dan komposit (HH-VV-HV). Tool yang digunakan untuk stretching adalah Intertactive Stretching. Ada tiga macam stretching yang dilakukan praktikan yaitu linear, square root, Gaussian.dari ketiga macam metode tersebut praktikan membandingkan ketiga obyek seperti vegetasi, sand dunes, dan kipas alluvial yang dapat diketahui dengan ROI. Parameter yang digunkan untuk membandingkan ketiga obyek tersebut adalah tekstur, rona, dan pola. Gumuk pasir sangat terihat jelas pada citra L-TP hasil stretching Gaussian memiliki rona gelap, tekstur yang kasar dan pola yang tidak teratur. Pada citra komposit stretchingyang dilakukan akan member perubahan warna yang kontras, terutama pada metode Gaussian.

Citra radar yang berupa slant range memiliki distorsi geometric ada kebenaran atau ukuran ground range pixel berubah pada range direction karena perubahan direction angle. Oleh karena itu pewrlu dilakukan transformasi slant range tersebut ke dalam posisi yang sebenarnya (ground range) agar kesalahan geometric dapat diminimalisir. Hsil transformasi yang didapatkan praktikan yaitu pada citra ground range window scroll memiliki bentuk persegi panjang sedangkan pada citra slant range window scroll berbentuk persegi.

Tekstur dapat diperjelas dengan menggunakan Texture Filters. Pada bagian ini praktikan mempelajari teknik megetahui tekstur obyek yang diperjelas lagi dengan menggunakan density slice. Praktikan mengisikan



Processing Window: Rows menjadi 7x7, dengan tujuan agar tujuh pixel pada citra lam akan dijadikan satu pada citra baru. Dengan tambahan density slice maka makin jelas pula tekstur pada citra, dimana area pada citra yang memiliki tekstur halus akan memiliki warna yang dominan satu warna, sedangkan area dengan tekstur yang kasar akan terlihat diisi oleh berbagai warna.

VIII. KESIMPULAN

1. Proses proses polarimetric berupa enhancement Gaussian, Adaptive

Filter, transformasi Slant to Ground, dan analisa tekstur.

2. Ada empat kombinasi dasar transmit/receive yaitu HH,VV, HV, dan

TP.

3. Penghilangan speckle pada citra radar dapat dilakukan dengan

menggunakan Adaptive Filter Gamma

4. ROI dapat digunakan untuk mencari obyek tertentu seperti sand dunes

dan kipas alluvial.

5. Terdapat tiga metode stretching yang dilakukan praktikan pada

praktikum ini yaitu linear, square root dan Gaussian.



ACARA III

I. TOPIK

Analisis DEM dan TOPSAR

II. TUJUAN

Analisis data Polarimetric SAR dan Digital Elevation Model (DEM) dari

JPL’s TOPSAR (interferometric SAR)

III. DATA

Path : C:/envidata/topsar

File Description

Required Files

ts0218_c.vvi C-Band VV-polarization image, integer format. Original name

ts0218_c.vvi2

ts0218_c.cor C-Band Correlation image: original name ts0218_c.corgr

ts0218_c.dem C-Band-Derived, integer-scaled DEM: original name

ts0218_c.demi2

ts0218_c.inc C-Band incidence angle image:original name ts0218_c.incgr

ts0218_l.dat L-Band stokes matrix data

ts0218_p.dat P-Band stokes matrix data

Generated Files

ts0218lp.syn L-and P-Band Synthesized data

ts0218lp.hdr Generated ENVI Header for above

ts_cgam.img Generated Gamma filtered image

ts_cgam.hdr Generated ENVI Header file for above

ts_ped.img Generated Pedestal Height image

ts_ped.hdr Generated ENVI Header for above

topsar.img Generated DEM image scaled to meters,C-VV scaled to

Sigma Zero and incidence angle and correlation images



topsar.hdr Generated ENVI Header for above

IV. DASAR TEORI













V. CARA KERJA

A. Display dan Konversi Data1. Menampilkan TOPSARS Header

a. Pilih Radar →Open/Prepare Radar File →View AIRSAR/TOPSAR Header. Pilih file ts0218_c.vvi

b. Review New Header, Parameter Header, dan Calibration Header.c. Ulangi unutk DEM file ts0218_c.dem.

2. Menampilkan Citra Raw C-Banda. Pilih Radar→TOPSAR ts0218_c.vvib. Pilih Gray Scale radio button, kemudian pilih citra pada bagian

atas dialog, dan klik pada Load Band untuk membuka image.c. Periksa geometry dan karakteristik citra. Mulai dengan Cursor

Location/Value dialog, pilih Tool→Cursor Location/Value dari main image display menu bar.

d. Review nilai piksel citra, amati besarnya nilai (integer values).



3. Menampilkan Citra DEMa. Pilih Radar→TOPSAR Tools→OpenTOPSAR File dan pilih

file ts0218_c.demb. Tampilkan citra dengan klik pada nama saluran di Available

Band List, pilih New Displaydan kemudian Load Band. Pilih Tools→Cursor Location/Value dan review nilai pixel citra, amati besarnya nilai (integer values).

c. Pilih Tools→Link→Link Displays dan gunakan kemampuan ENVI’s dynamic overlay untuk membandingkan citra.

4. Konversi C-Band Data ke Sigma Zero dan DEM ke Metersa. Pilih Radar→TOPSAR Tools→Convert TOPSAR Data dan

pilih file ts0218_c.vvi. Dialog TOPSAR Conveersion Parameter terbuka. ENVI secara otomatis mengidentifikasi semuaTOPSAR data dalam dataset TOPSAR file. VV Polarization, Correlation, Incidence Angle, dan DEM images akan terbuka. C-VV data otomatis terkonversi ke Sigma Zero dan DEM ke meters berdasarkan nilai yang ada pada TOPSAR headers

b. Subset jumlah baris (lines) pada TOPSAR Conversion Parameters dialog menjadi 1061 dengan klik pada Spatial Subset button dan ubah To parameter untuk Line dari nilai baris akhir 1140 menjadi 1061. Hal ini akan disesuaikan dengan ukuran dari C-Band data dan DEM ke ukuran P- dan L-band data. Klik OK.

c. Masukkan output filename topsar.img dan klik OK untuk memulai konversi. Empat citra akan ditempatkan pada Available Band List.

d. Tampilkan citra C-VV Sigma Zero dengan klik pada VV Polarization bandname di Available Bands List, pilih New Display, dan kemudian klik Load Band. Pilih Tools→Cursor Location/Value dan review nilai pixel citra, amati besarnya nilai (Sigma Zero)

e. Pilih Tools→Link→Link Displays dan gunakan kemampuan ENVI’s dynamic overlay untuk membandingkan dua citra C-W (Raw vs Sigma Zero)

f. Tampilkan citra DEM (meters) dengan klik DEM (m) band name di Available Band List, pilih New Display, dan kemudian klik Load Band. Dari Display menu di Main Image window, pilih Tools→Cursor Location/Value dan revew nilai pixel citra, amati besarnya nilai secara umum (Elevation in meters).



g. Pilih Tools→Link→Link Displays dan gunakan kemampuan ENVI’s dynamic overlay untuk membandingkan dua citra DEM (Raw vs Elevation in meters)

5. Sintesis P- dan L-band Dataa. Pilih Radar →Open/Prepare Radar File →Synthesize

AIRSAR Data dari ENVI main menu.b. Klik pada Open File di Input Stokes Matrix Files dialog, pilih

file ts0218_l.dat dalam Enter Compressed Stokes Matrix Filename dialog. Kedua L dan P band Stokes Matrix file names akan dimasukkan ke dalam dialog.

c. Klik OK untuk membuka Synthesize Parameters dialog. “Standard” polarization bands, L-HH, L-VV,L-HV,L-TP (total power ), P-HH, P-VV, kedalam dialog.

d. Pilih byte sebagai Output Data Type dari pull-down menu berlabel Floating Point, masukkan output filename ts0218lp.syn dengan path yang benar, dan klik OK untuk mensintesis citra.

e. Pilih satu atau lebih sintesis band untuk ditampilkan sebagai grayscale atau sebagai RGB image menggunakan Available Band List, dan tampilkan citra pada New Display

f. Bandingkan L-Band dan C-Band VV data ke C-Band VV data menggunakan image linking dan dynamic overlay.

B. Analisi JPL Polarimetric SAR Data1. Menghilangkan Bintik atau Bercak (Speckle) menggunakan Adaptive

Filtersa. Pilih Radar→Adaptive Filters→Gamma, dan pilih input image

ts0218_c.vvi. Klik OK. Dialog Gamma Filter Parameters akan terbuka.

b. Gunakan default filter size (3) dan Number of Looks (1.000). Masukkan output filename ts_cgam.img, dan klik OK.

2. Penajaman TepiSebuah filter Laplacian dapat digunakan untuk penajaman tepi pada data SAR dan tipe data lainnya. Filter convolution laplacian dengan Kernel 5x5 adalah sebagai berikut:

0 0 -1 0 00 -1 -2 -1 0-1 -2 16 -2 -1



0 -1 -2 -1 00 0 -1 0 0

a. Dari ENVI main menu, pilih Filter→Convolutions and

Morphology. Kemudian pilih Convolutions→Laplacian.

Masukkan sebuah kernel ukuran 5x5. Untuk menghindari

kehilangan informasi radiometric, pilih add back original image.

b. Apply add-back untuk memfilter citra, masukkan prosentase dari

original image(added back antara 0 s.d 100%) pada Convolution

and Morphology Tool. Klik Quick Apply dan pilih Band 1 citra

ts0218_c.vii. Hasilnya akan ditampilkan pada sebuah display

window baru.

c. Bandingkan citra menggunakan fasilitas dynamic overlay!

3. Menampilkan Multifrequency, Polarimetric SAR Images.

a. Tampilkan satu synthesized images dengan memilih [L_HH] band

dari ts0218lp.syn di Available Band List dan klik Load Band.

b. Jalankan sebuah animasi dengan memilih Tools→Animation dari

Image display menu. Pada animation Input Parameters dialog,

tahan kunci Ctrl dan klik dua total power image ([L-TP] dan [P-

TP]) untuk deselect. Klik OK untuk menjalankan animasi. Amati

perbedaan frekuensi dan polarisasi, serta bandingkan respon SAR

response untuk berbagai materials untuk menentukan sebuah

kombinasi 3-band yang akan mempunyai kontras spectral

maksimal.

c. Ketika selesai, pilih File→Cancel untuk mengakhiri animasi.

d. Tampilkan sebuah citra multifrequency, multi polarization

AIRSAR kedalam display sebagai citra RGB menggunakan citra

anda di atas, atau tampilkan P-HH,LHH, dan C-VV image sebagai

RGB dan amati perbedaan warna yang berasosiasi terhadap

berbagai material. Cobalah bereksperimen dengan citra yang

mempunyai contrasy stretches berbeda.



4. Memeriksa Polarization Signatures.

a. Posisikan cursor melalui sebuah area yang muncul berubah secara

signifikan dalam animasi dengan klik pada lokasi yang diinginkan

dalam Main Display window menggunakan tombol kiri mouse.

b. Dari Display menu, pilih Tools→Polarization

Signatures→AIRSAR, klik tombol Open File, dan pilih LBand

Stokes Matrix data ts 0218_l.dat. Kedua nama file L-Band dan P-

Band Stokes Matrix akan dimasukkan kedalam Input Stokes

Matrix Files dialog. Klik OK untuk memulai Polarization

Signature Viewer window.

c. Pilih Options→Extract Current Pixel untuk ekstraksi L-Band

polarization signature pada pixel yang dipilih. Pilih

Frequency→P untuk display P-Band polarization signature yang

cocok. Pilih Polsig_Data menu item untuk melihat plotting

perbedaan permukaan. Pilih Polsig_Data→Cross-Pol untuk

display dan membandingkan cross-polarized signature.

d. Klik dan drag menggunakan tombol kiri mouse pada citra sebelah

kanan plot, untuk menampilkan interactive 2D,3D cursor. Baca

cursor values di bagian pojok kiri bawah dari plot. Amati

maximum contrast orientation dan ellipticity angles pada plot dan

pilihan sintesis serta tampilkan sebuah citra dengan parameter

yang telah dideskripsikan diatas.

e. Klik salah satu dari sumbu polsig plotdan drag untuk merotasi 3-D

polsig dalam real time.

f. Pilih File→Cancel untuk keluar dari fungsi.

5. Pedestal Height Image.

a. Generate sebuah pedestal height image untuk AIRSAR data

dengan memilih Radar→ Polarimetric Tools→ Pedestal Height



Image→ AIRSAR, klik OK pada Input Stokes Matrix Files

dialog, masukkan output filename ts_ped.img dan klik OK.

b. Display citra dengan klik pada band name di Available Band List

dan klik Load Band

Citra yang disediakan diukur oleh sejumlah multiple scatter dari

gelombang radar untuk setiap pixel, kombinasi empat polarisasi

adalah sebagai berikut:

Orientation 0 degrees, Ellipticity -45 degrees

Orientation 90 degrees, Ellipticity -45 degrees

Orientation 0 degrees, Ellipticity 45 degrees

Orientation 90 degrees, Ellipticity - 45 degrees

Nilai Pedestal height yang tinggi didalam citra mengindikasikan

besarnya multiple scattering, secara umum memiliki permukaan

yang kasar.

c. Pilih Tools→ Cursor Location/Value dari Main Image Display

menubar untuk menjalankan Cursor Location/Value window dan

memeriksa nilai pedestal height untuk citra ini.

C. Display dan Analisis DEM

1. Menampilkan DEM yan telah terkonversi ke Meter.

a. Display band DEM (m) dari file topsar.img

b. Pilih Tools→Cursor Location/Value dan periksa nilai dari DEM

2. Profil Elevasi X dan Y

a. Dari DEM (m) image display menu, pilih Tools→Profiles→X

Profile dan kemudian Tools→Profiles→Y Profile untuk

ekstraksi profile dari dua arah.

b. Klik dan drag menggunakan tombol kiri mouse pada image

display window untuk generate elevation profile baru ketika

tombol kiri mouse dilepas. Posisi red bar pada X dan Y profiles



menandai posisi tengah dari zoom window pada profile. Klik dan

drag pada Zoom window menggunakan tombol kiri mouse untuk

update yang berkelanjutan.

c. Tutup dua profil menggunakan File→Cancel dari tiap-tiap plot

window.

3. Arbitary Elevation Transect.

a. Pilih Tools→Profiles→Arbitary Profile (Transect) untuk

ekstraksi sebuah profile sepanjang Arbitary transect.

b. Klik mengunakan tombol kiri mouse pada main display window

untuk menggambar masing-masing segment transect yang

diinginkan. Anda juga bias dengan cara menahan tombol kiri

mouse dan menggambarnya.

c. Klik tombol mouse kanan sekali untuk menutp garis terakhir

segment dan ekstrak profile. Gambar satu atau lebih profile

menggunakan Arbitary ProfileTool. Tiap tambahan profileakan

ditandai dengan warna dan nomor baru.

d. Tutup profile dengan memilih File→Cancel pada Spatial Profile

Tool dialog.

4. Color Density Slice pada DEM

Density slicing merupakan penajaman perbedaan visual radar

berdasarkan kecerahan citra.

a. Pilih Tools→Color Mapping →Density slice kedalam main

image display berisi DEM dalam meters. Pilih DEM file data dan

klik OK.

b. Klik Clear Ranges pada Density Slice dialog untuk menghapus

default ranges (perlu karena ada nilai holes dan masks)

c. Masukkan nilai 0 kedalam Min text box. Pilih Options→ Add

New Ranges untuk membuka Add Density Slice Ranges dialog.



d. Masukkan 0,0 untuk range start, 700.00 untuk range end, dan 10

for # of Ranges, kemudian klik OK. Klik Apply pada Density

Slice dialog.

e. Tampilkan gray scale DEM kedalam citra kedua dengan klik pada

band name, pilih New Display dan Load Band pada Available

Band List.

f. Gunakan Dynamic Overlays untuk membandingkan gray scale

density sliced images.

5. Overlay Kontur Elevasi

a. Jika DEM image masih ditampilkan, dan Color Density Slice

masih menyala, matikan dengan memilih File→Cancel pada

Density Slice dialog. Jika DEM tidak ditampilkan, tampilkan

DEM (m) band sebagai gray scale image dengan klik pada band

name untuk meters DEM di Available Bands List diikuti dengan

Load Band

b. Pilih Overlay→ Contour Lines pada Main Image Display

window dan pilih DEM (m) sebagai masukan contour band.

c. Klik pada Clear Levels dalam Contour Plot dialog, masukkan

0,0 dalam Min text box, dan pilih Options→ Add New Levels.

Masukkan 0 untuk Level Start, 50 untuk level increment, dan 15

untuk number of level, kemudian klik OK

d. Klik Apply pada Countur Plot dialog untuk mengeplot DEM

contours pada DEM image. Periksa hubungan antara contour

llines dan image brightnes!

e. Sekarang tampilkan satu synthesized images dengan memilih [L-

HH] band dari ts0218lp.syn dalam Available Bands List dan klik

pada Load Band

f. Pilih File→ Cancel dari Contour Plot dialog untuk

menghilangkan contour lines.



6. Dasar Perspektif Pandangan 3-D dan Image Overlay

a. Untuk memulai pilihan ini, tampilkan DEM atau image yang akan

dioverlay pada 3-D SurfaceView. Tampilkan kembali meters

DEM image DEM (m) dengan klik pada band name dan kemudian

Load Band button di Available Bands List dan atau tampilkan

kembali L-HH SAR band dengan klik band name, pilih New

Display, dan kemudian Load Band pada bagian bawah Available

Band List

b. Pilih Topographic→3D Surface View dari ENVI main menu

untuk menjalankan 3D Surface View function dan pilih Display

untuk digunakan sebagai overlain image. Pilih display berisi DEM

(m) image.

c. Pilih TOPSAR DEM image sebagai asosiasi DEM input file dan

klik OK

d. Pada 3D SurfaceView Input Parameters dialog, masukkan nilai

0 kedalam DEM min plot value text box, ubah vertical

exaggeration menjadi 20 , kemudian image resolution menjadi

Full, dan klik OK.

e. Perspektif 3-D akan ditampilkan dengan grey scale overlay.

Wiremesh dapat di display dengan memilih Surface-Wire pada

3-D Surface View window. Tombol kiri mouse mengontrol rotasi

citra, tombol tengah mouse untuk panning, dan tombol kanan

mouse untuk zooming.

7. Menghasilkan Slope, Aspect, dan Shaded Relief

a. Pilih Topographic→Topographic Modelling dari ENVI main

menu. Klik pada meters DEM band name DEM (m)dalam Topo

Model Input DEM dialog dan klik OK.

b. Klik pada tombol Compute Sun Elevation and Azimuth dalam

TopoModel Parameters dialog pilih November 11, 1996,

12.00.00 hours sebagai waktu dan masukkan -37 degrees, 21



minutes, 0 seconds dan 145 degrees,17 minutes, 0 seconds untuk

latitude dan longitude. Klik OK untuk kembali ke TopoModel

Parameters dialog.

c. Masukkan ukuran pixel X dan Y menjadi 10 meters, dan output

filename ts_model.img dan klik OK untuk generate: slope, aspect,

shaded relief, dan RMS image.

d. Klik pada tiap band names pada citra baru, jalankan New Display,

dan Load Band untuk display parameter citra dapal image

windows terpisah. Gunakan ENVI’s dynamic overlays dan

Cursor Location/Value dialog untuk memeriksa relasi antara

DEM dan parameter images.

VI. HASIL PRAKTIKUM

1. Print screen seluruh proses kecuali analisis JPL, pedestal, height images

(terlampir),

2. Layout densitiy slice analisis tekstur (terlampir).

VII. PEMBAHASAN

Pada praktikum digital kali ini, praktikan dikenalkan dengan analisis data polarimetrik SAR dan DEM (Digital Elevation Model). DEM adalah representasi fsiografis suatu daerah karena menunjukkan ketinggian wilayah. Sebelum melakukan analisis lebih lanjut terlebih dahulu dilakukan konversi C-Band data ke Sigma Zero dan DEM ke meters. Perbedaan DEM yang belum terkonversi dan yang sudah adalah pada saat dilihat pada cursor value location, DEM yang sudah terkonversi akan memberikan value yang lebih besar daripada DEM yang belum terkonversi pada satu bagian atau titik yang sama. Nilai cursor pada DEM yang telah terkonversi tersebut merupakan data ketinggian tempat dalam satuan meter.

Data DEM yang telah terkonversi ke dalam meter dapat dibuat aplikasi untuk kepentingan interpretasi, seperti profil, peta ketinggian tempat (Density Slice), peta kontur, 3-D view, topo slope dan topo aspek. Pembuatan profil dapat dilakukan dengan tool Arbitary Profiles, hal ini tentu lebih memudahkan interpreter untuk mengidentifikasi bentukan yang



berupa lembah maupun igir. Aplikasi yang kedua yang dapat dibuat dengan DEM adalah peta ketinggian dengan gradasi warna, hal ini dilakukan dengan menggunakan tool density slice. Pada prinsipnya pewarnaan ini didasarkan pada rona yang terdapat pada citra. Kenampakan igir pada citra DEM memiliki rona yang cerah, sedangkan sebaliknyaekanmpakan lembah memiliki rona gelap.

Brightness value juga digunakan untuk membuat aplikasi DEM yang selanjutnya yaitu peta kontur. Software akan mengeksekusi pemberian batas pada range brightness value yang diinginkan interpreter. Cara pembuatan kontur ini berbeda dengan pemberian kontur metode interpolasi linear. Dalam metode interpolasi linear harus diketahui terlebih dahulu datum baru dapat diinterpolasi titik-titik yang memiliki ketinggian yang sama. Namun pada pembuatan kontur dengan DEM ini garis kontur didasarkan pada perbedaan nilai Brightness Value nya. Tentu saja akurasi peta kontur yang dihasilkan oleh DEM ini masih kalah jika dibandingkan dengan pengukuran langsung di lapangan, jadi kontur tersebut hanya sebagai asumsi interpreter memahami kondisi lapangan.

Jika representasi dengan peta kontur dinilai kurang representative, dapat dilakukan dengan penyajian DEM 3-D Surface, sehingga interpreter dapat melihat kondisi medan yang sesungguhnya. Untuk menampilkan DEM dalam bentuk tiga dimensi, praktikan menggunakan tool Topographic. Untuk menghindari kenampakan tiga dimensi yang terlalu besar dapat digunakan vertical exaggeration. Dengan kenampakan medan secara tiga dimensi ini, interpreter dapat mudah emnginterpretasi satuan fisiografi.

Aplikasi terakhir yang bias dibuat dengan DEM adalah topo aspek dan topo slope. Praktikan kurang begitu tahu tujuan dari kedua aplikasi DEM terakhir ini, mungkin digunakan analisis lapangan secara tiga dimensi. Selain aplikasi mempelajari DEM, pada praktikum kali ini praktikan juga mempelajari analisis polarimetric SAR data. Hamper sama dengan praktikum sebelumnya, analisis yang dilakukan adalah penghilangan bintik (speckle) dengan menggunakan adaptive filter, edge enhancement dan memeriksa polarization signature. Satu hal yang berbeda dengan praktikum sebelumnya adalah adanya analisa Pedestal Height Image. Nilai Height Image yang tinggi dalam citra mengidnikasikan besarnya multiple scattering, secara umum memiliki tekstur yang kasar.



VIII. KESIMPULAN

1. Sebelum pembuatan aplikasi terlebih dahulu dilakukan konversi DEM

ke meters dan C-Band ke Sigma Zero.

2. DEM dapat digunakan untuk berbagai aplikasi, diantaranya adalah

untuk pembuatan profil, peta ketinggian tempat (Density Slice), peta

kontur, 3-D view, topo slope dan topo aspek.

3. Profil dari DEM sangat membantu interpreter menegtahui igir dan

lembah.

4. Aplikasi DEM untuk peta kontur density dan peta kontur sangat

bergantung pada nilai brightness Value Obyek pada DEM

5. Topo aspek dan topo slope digunakan untuk analisi lapangan secara tiga

dimensi



ACARA IV

I. TOPIK

Ekstraksi Temperatur Permukaan Menggunakan Citra Landsat Etm+.

II. TUJUAN

Melatih praktikan untuk dapat melakukan ekstraksi informasi temperature

permukaan menggunakan citra Landsat ETM+.

III. DATA

1. Alat Perangkat lunak ENVI;

2. Citra Landsat ETM+ Band 6;

3. Kalkulator;

4. Alat tulis.

IV. DASAR TEORI

Radiasi merupakan suatu bentuk energi yang dipancarkan oleh setiap

benda yang mempunyai suhu diatas nol mutlak dan satu-satunya energi yang

dapat menjalar di dalam ruang hampa. Setiap benda yang mempunyai suhu

diatas nol mutlak akan memancarkan radiasi dalam bentuk gelombang

eleltromagnetik. Radiasi matahari yang jatuh ke permukaan bumi disebut

insolasi yang besarnya tergantung dari energi yang dikeluarkan oleh matahari,

jarak antara matahari dan bumi, kejernihan atmosfer, lama periode penyinaran

dan sudut datang sinar matahari.

Di Indonesia, citra yang sering digunakan untuk studi temperature

permukaan adalah citra NOAA – AVHRR serta Landsat generasi TM dam

ETM+. Citra NOAA – AVHRR dan Landsat dari generasi tersebut

mempunyai sensor termal yang digunakan untuk merekam tempetartur radian

yang dating dari permukaan bumi. Kedua citra tersebut mempunyai



karakteristik yang berbeda sesuai dengan tujuan dari perancangan program

masing-masing. Untuk citra NOAA – AVHRR digunakan untuk studi

permukaanj bumi secara global dengan resolusi spasial sebesar 1 km.

Penginderaan jaun sistem Landsat memberikan data informasi termal

obyek dengan area yang lebih sempit dari pada NOAA – AVHRR. Sebagai

konsekuensinya, Landsat memberikan informasi yang lebih detik dan

digunakan untuk sudi wilayah secara local atau regional. Hal itu ditambah

lagi dengan perkembangan sensor pada tiap generasi yang memberikan

kualitas data maksimal pada level citra ynag diperoleh.

Penginderaan jauh sistem termal merupakan deteksi obyek yang jauh

dengan cara merekam emisi pancaran atau energi inframerah termal yang

dipancarkan oleh obyek itu sendiri. Penginderaan jauh sistem termal

menggunakan energi pancaran sebagai sumber tenaga untuk mendeteksi

obyek.

Matahari merupakan sumber radiasi elektromagnetik yang paling penting

untuk penginderaan jauh. Dalam ilmu fisika, benda yang mempunyai

temperatur diatas nol mutlak {0c K atau (-273cC)} akan memancarkan radiasi

eletromagnetik secara terus-menerus. Oleh sebab itu, semua benda yang

mempunyai temperatur diatas nol mutlak juga merupakan sumber radiasi

walaupun besar dan komposisi spectralnya berbeda dengan radiasi matahari.

Persamaan tenaga pancaran dan temperatur absolute ditunjukkan oleh hokum

Stefan-Boltzman yang menyatakan :

W = ε . σ . T4……………………..(1)

Dimana W = jumlah tenaga yang dipancarkan oleh permukaan obyek

setiap detik perluasan luas (W/m2);ε = emisivitas obyek (0 sampai 1); σ =

tetapan Stefan-Boltzman (5,6697. 10-8 W/m2.K4); T = suhu absolute (ºK).

Sejauh apa yang telah dibicarakan, kita dapat melihat bandingan

keunggulan sistem penginderaan jauh fotografik dengan sistem penginderaan

jauh spektrum gelombang thermal. Sensor fotografik memberikan kepada kita

suatu gambaran sifat pantulan permukaan medan, tetapi sedikit

mnenghasilkan pandangan sesuai dengan sifat pancarannya. Sensor thermal



mempunyai sifat khas yang berlawanan. Apakah tidak lebih diinginkan untuk

melakukan penginderaan dengan menggunakan energi pantulan dan pancaran

obyek secara bersamaan. Penyiaman multispektral (MSS) mampu melakukan

hal itu. Seperti halnya penyiam thermal, sistem ini menggunakan detektor

energi elektronik. Akan tetapi, disamping untuk pengumpulan data

inframerah thermal, MSS juga dirancang untuk mengindera energi pada

sejumlah saluran sempit secara bersama-sama. Saluran tersebut dapat berkisar

dari panjang gelombang ultraviolet hingga saluran tampak, inframerah

pantulan dan inframerah thermal.

Berdasarkan spectrum elektromagnetiknya, citra non-foto dapat

dibedakan menjadi:

1. Citra spektrum tampak

Hasil perekaman berdasarkan penyiaman dengan mengunakan spektrum

tampak atau bagiannya, missal citra Landsat MSS 4 dan 5, citra SPOT-

XS1 dan XS2, citra NOAA pita 1 dan 2.

2. Citra IR dekat atau pantulan

Hasil rekaman berdasarkan penyiaman dengan menggunakan spectrum

IR dekat dengan mesium (007-3 mikrometer). Citra ini dapat

membedakan kadar air dan formasi batuan.

3. Citra IR thermal

Panjang gelombang 3-5 mikrometer dan 14 mikrometer. Penginderaan

pada spektrum ini didasarkan atas beda temperatur tiap obyek di muka

bumi yang dipancarkan ke sensor.

4. Citra gelombang mikro pasif dan citra radar aktif

Panjang gelombang citra ini 1mm-100 cm, citra ini dapat melakukan

perekaman dalam berbagai kondisi dan cuaca baik siang maupun malam

hari.



V. CARA KERJA

a. Menyiapkan data citra Landsat ETM+ yang akan digunakan dalam

praktikum ini, terutama band 6 yang terdiri atas 2 band, yaitu namd

B_61 dan Band B_62.

b. Mengubah nila BV pada citra Landsat ETM+ band 6 tersebut menjadi

nilai radians spektal menggunakan persamaan :

Lλ= Lmin + (Lmaxλ – Lminλ) x (Qcal – Qcalmin) ……..…(2) (Qcal max – Qcal min)

Dimana Lλ = radiasi spektral yang diterima oleh sensor; Lmaxλ =

radiasi spektral maksimum yang dapat dideteksi (W.m-2.sr-1.μm-1);

Lminλ = radiasi spectral minimum yang dapat dideteksi (W.m-2.sr-1 .μm-

1); Qcal max = nilai piksel maksimum (255); Qcal min = nilai piksel

minimum (0 untuk produk LAPS dan 1 untuk produk LPGS); Qcal =

nilai piksel yang dianalisis.

Tabel 1. Niali radiasi spektral tiap saluran pada Landsat ETM+

Tabel ETM+ Spectral Radiance Range

Watts/(meter squared* ster * μm

Band

Numbe

r

Before July 1, 2000 After July 1, 2000

Low Gain High Gain Low Gain High Gain

Lmi

n

Lmax Lmi

n

Lmax Lmi

n

Lma

x

Lmi

n

Lma

x

1 -6.2 297.5 -6.2 194.3 -6.2 293.

7

-6.2 191.

6

2 -6.0 603.4 -6.0 202.4 -6.4 300.

9

-6.4 196.

5

3 -4.5 235.5 -4.5 158.6 -5.0 234.

4

-5.0 152.

9

4 -4.5 235.0 -4.5 157.5 -5.1 241.

1

-5.1 157.

4

5 -1.0 47.70 -1.0 31.76 -1.0 47.5 -1.0 31.0



7 6

6 0.0 17.04 3.2 12.65 0.0 17.0

4

3.2 12.6

5

7 -

0.35

16.60 -

0.35

10.93

2

-

0.35

16.5

4

-

0.35

10.8

0

8 -5.0 244.0

0

-5.0 158.4

0

-4.7 243.

1

-4.7 158.

3

Sumber : Landsat 7 Science Data Users Handbook

Http://ltpwww.gsfc.nasa.gov/IAS/handbook/handbook-toc.html .

c. Menghitung besarnya energi termal radians citra (Trad) dengan

menggunakan persamaan sebagai berikut :

Trad K2 ………………… (3)

Ln (K1/Lλ+1)

Dimana Trad = temperatur radian (ºK); K1 = konstanta kalibrasi

(669,09 W.m-2.sr-1 .μm-1); K2 = konstanta kalibrasi (1282,71 ºK); Lλ =

radiansi spectral obyek yang terukur berdasarkan saluran inframerah

saluran infrmerah termal.

d. Menghitung besarnya nilai emisivitas obyek do permukaan dengan

menggunakan persamaan :

ε = a = b (ln NDVI) ………………..... (4)

Dimana ε = emisivitas obyek; a = kontanta yang besarnya 1,0094; b =

koefisien yang besarnya 0,047; NDVI = Normalized Difference

Vegetation Index yang besarnya -1 sampai +1.

e. Menghitung besarnya temperature kinetic obyek dengan menggunakan

persamaan sebagai berikut :

T kin = ε1/4 Trad …………………..(5)


http://ltpwww.gsfc.nasa.gov/IAS/handbook/handbook-toc.html


Dimana, Tkin = temperatur kinetik (ºK); Trad = temperatur radian (ºK);

ε = emisivitas obyek.

f. Mengubah nilai T kin obyek yang masih menggunakan skala ºKelvin ke

dalam ºcelcius.

VI. HASIL PRAKTIKUM

1. Print screen hasil pemrosesan

2. Tugas

Hasil praktikum terlampir.

VII. PEMBAHASAN

Acara terakhir praktikum digital penginderaan jauh system non fotografi ini membahas mengenai penginderaan jauh system thermal. Tujuannya adalah agar mahasiswa/praktikan mampu untuk dapat melakukan ekstraksi informasi temperature permukaan menggunakan citra Landsat ETM+. Sebenarnya citra yang digunakan dpat berupa citra NOAA-AVHRR, namun system Landsat memberikan data informasi termal obyek yang lebih sempit daripada citra NOAA-AVHRR. Sebagai konsekuensinya landsat memberikan informasi yang lebih detil dan dapat digunakan sebagai studi wilayah secara local maupun regional.

Pada acara ini, praktikan dilatih untuk mengeksplorasi kemampuan

praktikan dalam menjalankan perangkat lunak ENVI. Pertama kali yang

dilakukan adalah menentukan radiansi spectral yang diterima oleh sensor

dengan menggunakan band B_61 dan B_62. Data yang digunakan adalah data

landsat 7 science Data user handbook. Radiansi spectral dihitung

menggunakan rumus yag terdapat pada buku petunjuk. Tool yang digunakan

adalah band math. Fungsinya yaitu membentuk jenis band berdasarkan rumus

yang dituliskan oleh praktikan. Setelah mendapatkan radiansi spectral maka

dapat digunakan untuk menghitung besarnya energy termal radians citra

(Trad) dengan menggunakan rumus seperti yang ada pada buku petunjuk

praktikum. Dilanjutkan dengan mencari nilai emisivitas obyek di permukaan.



Penginderaan jauh sistem termal merupakan deteksi obyek yang jauh dengan

cara merekam emisi pancaran atau energi inframerah termal yang

dipancarkan oleh obyek itu sendiri. Penginderaan jauh sistem termal

menggunakan energi pancaran sebagai sumber tenaga untuk mendeteksi

obyek.

Terakhir adalah menentukan nilai emisivitas obyek pada permukaan.

Dari perhitungan dengan rumus yang telah ditentukan sesuai dengan apa yang

dicari didapatkan empat buah citra yang memiliki nilai yang berbeda. Hal ini

dapat diketahui dengan cara melihat cursor view location. Untuk menentukan

apakah rumus yang kita masukkan telah benar tertulis maka bisa kita periksa

nilai tersebut.contohnya adalah pada saat penentuan temperature kinetic yang

menggunakan satuan Kelvin maka nilainya haruslah lebih besar 273 atau

mungkin kurang dari 273 tetapi tidak sampai dengan nilai yang sangat kecil.

Hal ini dikarenakan letak citra yang berada di roma yang memiliki daerah

sebagai subtropis.

VIII. KESIMPULAN

1. Radiasi merupakan suatu bentuk energi yang dipancarkan oleh setiap

benda yang mempunyai suhu diatas nol mutlak dan satu-satunya energi

yang dapat menjalar di dalam ruang hampa.

2. Dalam perhitungan energy termal dibutuhkan nilai radiansi spectral,

energy termal radians, nilai emisivitas obyek dan temperature kinetic.

3. Setiap perhitungan dibutuhkan rumus yang berbeda-beda sehingga nilai

dari setiap perhitungan juga berbeda pula.

4. Band math merupakan tools yang digunakan untuk memunculkan suatu

band dari rumus yang kita cari.



MATRIKS PERBANDINGAN HASIL OLAHAN CITRA

Kenampakan Citra Asli Enhance

(Squareroot)

Adapt Filter

(Frost)

Density Slice Edge Enhance

Vegetasi ** * ** *** ***

Lahan terbangun *** ** *** **** **

Fisiografi ** *** *** * *

Tubuh Air **** **** **** **** **

Pola Aliran *** **** **** **** **

MATRIKS PERBANDINGAN HASIL FUSION

Kenampakan Landsat TM band 432 ERS-SAR Hasil Fusion

Vegetasi **** * **

Lahan Terbangun **** * **

Fisiografi *** *** ***

Tubuh Air **** *** ***

Pola Alliran **** *** ***

MATRIKS PERBANDINGAN CITRA HASIL POLARISASI


**** sangat jelas *** jelas ** kurang jelas

* Tidak jelas


OBYEK Citra

Kombinasi Polarisasi

L-HH L-VV L-TP Komposit (HH-VV-VH)

Fisiografi *** *** *** ****

Pola Aliran *** *** *** ***

Tubuh Air ** ** ** ***

Lahan Terbangun * * * *

Vegetasi * * * ***

MATRIKS PERBANDINGAN CITRA L-TP DENGAN CITRA HASIL STRETCHING DAN ENHANCEMENT



* Tidak jelas


Kenampakan L-TP Stretching L-TP Stretching Komposit

Linear Square root Gaussian Linear Square root Gaussian

1. Vegetasi

Tekstur Kasar Kasar Kasar Kasar Kasar Kasar Kasar

Rona Gelap Gelap Cerah Cerah Agak Cerah Agak Cerah Cerah

Pola Tak Teratur Tak Teratur Tak Teratur Tak Teratur Tak Teratur Tak Teratur Tak Teratur

2. SandDunes

Tekstur Agak Halus Halus Kasar Kasar Halus Kasar Kasar

Rona Gelap Gelap Gelap Gelap Gelap Gelap Gelap

Pola Tak Teratur Tak Teratur Tak Teratur Tak Teratur Tak Teratur Tak Teratur Tak Teratur

3. Kipas Aluvial

Tekstur Kasar Kasar Kasar Halus Agak Kasar Kasar Kasar

Rona Gelap Gelap Gelap Cerah Gelap Cerah Cerah

Pola Teratur Teratur Teratur Teratur Tak Teratur Tak Teratur Tak Teratur

MATRIKS PERBANDINGAN PEMROSESAN CITRA TOPSAR



Obyek Citra

Topsar VVI Topsar DEM Colour Density 3-D Surface View Topo Aspek Topo Slope

Fisiografi **** **** *** **** **** ****

Pola Aliran *** **** ** **** ** **

Tubuh Air *** **** *** ** * ****

Lahan Terbangun * * * * * *

Vegetasi *** ** ** ** ** **



* Tidak jelas

tutor linear spectral unmixing

Documents