Laporan Resmi Penginderaan Jauh - Modul 2
May 17, 2019 | Author: Rachmat Afriyanto | Category: N/A
Short Description
Laporan Resmi Penginderaan Jauh - Modul 2...
Description
LAPORAN RESMI PRAKTIKUM PENGINDERAAN JAUH MODUL II :
KOREKS KOREKSII RADI OMETRI
Disusun Oleh: RACHMAT AFRIYANTO 26020114140104 ILMU KELAUTAN A
Koordinator Mata Kuliah Penginderaan Jauh : Ir. Petrus Subardjo, Msi NIP. 19561020 19561020 198703 1 001 001 Tim Asisten
Rinto Setyawan Riandi Teguh W Hana Farah Frida Firismanda Rayana Dwiari Armanto Muhammad Salahudin Dhea Isnainiya M. Danie Al Malik Dodik Setiyo Wicaksono
26020213140036 26020213140036 26020213190089 26020213190089 26020213140045 26020213140045 26020213140083 26020213140083 26020213120007 26020213120007 26020113140104 26020113140104 26020113140096 26020113140096 26020113120029 26020113120029
JURUSAN ILMU KELAUTAN FAKULTAS PERIKANAN DAN ILMU KELAUTAN UNIVERSITAS DIPONEGORO SEMARANG 2016
Shift: 2 Tgl Praktikum : 20 Maret 2016 Tgl Pengumpulan : 26 Maret 2016
LEMBAR PENILAIAN MODUL II :
Nama : RACHMAT AFRIYANTO
KOREKS KOREKSII RADI OMETRI
NIM: 26020114140104
NO. KETERANGAN 1. Pendahuluan 2. Tinjauan Pustaka 3. Materi dan Metode 4. Hasil dan Pembahasan 5. Penutup 6. Daftar Pustaka TOTAL
................................... Ttd: ...................................
NILAI
Mengetahui, Koordinator Praktikum
Asisten
Rinto Setyawan 26020213140036
Rayana Dwiari Armanto 26020213140083
I.
PENDAHULUAN
1.1. Latar Belakang
Dewasa ini , , kemajuan teknologi diberbagai bidang berkembang dengan sangat pesat. Remote pesat. Remote Sensing atau atau teknologi penginderaan jauh merupakan suatu pengembangan dari teknologi pemotretan udara yang mulai diperkenalkan pada akhir abad ke 19 sebagai suatu pengembangan pemetaan melalui satelit. Manfaat potret udara dirasa sangat besar dalam perang dunia p ertama dan kedua, sehingga cara ini dipakai dalam eksplorasi ruang angkasa. Sejak saat itu istilah penginderaan jauh dikenal dan menjadi populer populer dalam dunia pemetaan. Peta yang dihasilkan oleh perekaman jarak jauh ini dikenal dengan nama citra pengindraan pengindraan jauh. Namun pada dasarnya citra satelit dengan peta mempunyai perbedaan yang mencolok dan tidak bisa dikatakan sama. Dalam praktikum ini akan dibahas mengenai koreksi radiometri dimana koreksi radiometri ( satelite Imagecallibration) Imagecallibration) merupakan sistem penginderaan jauh yang digunakan untuk mengurangi pengaruh hamburan atmosfer pada citra satelit terutama pada saluran tampak (visible (visible light ). ). Hamburan atmosfer disebabkan oleh adanya partikel-partikel di atmosfer yang memberikan efek hamburan pada energi elektromagnetik matahari yang berpengaruh pada nilai spektral cit ra. Pengaruh hamburan ( scattering ) pada citra yang menyebabkan nilai spektral citra menjadi lebih tinggi daripada nilai sebenarnya. Metode koreksi radiometri yang digunakan pada praktikum ini adalah Metode Penyesuaian Histogram ( Histogram Histogram Adjustment ). ). Penginderaan
jauh
fotografik
menguraikan
tentang
karakteristik
interpretative dan geometric dan geometric dasar dasar foto udara. Karakteristk radiometrik digunakan untuk mengoreksi citra dengan penghafoto udara menentukan bagaimana film tertentu yang dipotretkan dan diproses pada kondisi tertentu menanggapi tenaga dengan berbagai intensitas. Pengetahuan tentangg karakteristik ini berguna dan kadang-kadang sangat penting bagi proses analisis citra fotografik terutama dalam supaya menampilkan hubungan kuantitatif antara nilai rona pada suatu citra dan beberapa fenomena medan.
1.2. Tujuan
Adapun tujuan praktikum praktikum Inderaja modul 2 Koreksi Koreksi Radiometri ini adalah: 1.
Mahasiswa diharapkan mampu melakukan koreksi radiometri
2.
Mahasiswa diharapkan mampu memeriksa atmospheric bias atmospheric bias citra
3.
Mahasiswa diharapkan dapat menggunakan metode penyesuaian histogram
4.
Mahasiswa diharapkan mampu melakukan teknik penyesuaian histogram Dark Pixel Correction
5.
Mahasiswa diharapkan mampu melakukan teknik penyesuaian his togram Enchanced Dark Pixel
6.
Mahasiswa diharapkan mampu melakukan teknik penyesuaian histogram Cut Off Scattergram
1.3. Manfaat
Adapun manfaat praktikum Inderaja modul 2 Koreksi Koreksi Radiometri ini adalah: 1.
Praktikan dapat melakukan koreksi radiometri
2.
Praktikan dapat mengetahui nilai atmospheric bias atmospheric bias citra dari suatu citra
3.
Praktikan dapat mengkoreksi efek atmosfer bias dengan cara mengidentifikasi bayangan pixel bayangan pixel
II.
TINJAUAN PUSTAKA
2.1 Koreksi Radiometri 2.1.1
Definisi Koreksi Radiometri
Citra yang digunakan untuk pengolahan data penginderaan jauh memiki beberapa kekurangan, seperti terdapatnya hamburan atau bias yang diakibatkan oleh beberapa efek atmosfer. Untuk mengurangi efek tersebut maka dilakukanlah koreksi radiometri ( satelite Image callibration) yang merupakan suatu metode yang digunakan untuk mengurangi pengaruh hamburan atmosfer pada citra satelit terutama pada saluran tampak (visible light ). Hamburan atmosfer disebabkan oleh adanya partikel – partikel di atmosfer yang memberikan efek hamburan pada energi elektromagnetik matahari yang berpengaruh pada nilai spektral citra. Pengaruh hamburan ( scattering ) pada citra yang menyebabkan nilai spektral citra menjadi lebih tinggi daripada nilai sebenarnya. Atmosfer dapat menyerap, memantulkan, atau menstransmisikan gelombang elektromagnetik yang menyebabkan cacat radiometrik pada citra, yaitu nilai pixel jauh lebih tinggi atau jauh lebih rendah dari pancaran yang sebenarnya. Koreksi radiometri ini mengkonversi data sehingga dapat digunakan secara akurat oleh sensor (Sumaryono, 1999). Koreksi radiometri digunakan untuk memperbaiki nilai pixel agar sesuai dengan yang seharusnya yang biasanya mempertimbangkan faktor gangguan atmosfer sebagai sumber kesalahan utama. Efek atmosfer menyebabkan nilai pantulan objek 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. Metode – metode yang sering digunakan untuk menghilangkan efek atmosfer antara lain metode pergeseran histogram (histogram adjustment ), metode regresi dan metode kalibrasi bayangan (Danoedoro, 1996). Dengan kata lain, koreksi radiometrik dilakukan agar informasi yang terdapat dalam data citra dapat dengan jelas dibaca dan diinterpretasikan. Kegiatan yang dilakukan dapat berupa:
Penggabungan data ( Data Fusion). Yaitu menggabungkan citra dari
sumber yang berbeda pada area yang sama untuk membantu di dalam interpretasi. Sebagai contoh adalah menggabungkan data Landsat -TM dengan data SPOT. Colodraping . Yaitu menempelkan satu jenis data citra di atas data yang
lainya untuk membuat suatu kombinasi tampilan sehingga memudahkan untuk menganalisa dua atau lebih variabel. Sebagai contoh adalah citra vegetasi dari satelit ditempelkan di atas citra foto udara pada area yang sama. Penajaman
kontras.
Yaitu
memperbaiki
tampilan
citra
dengan
memaksimumkan kontras antara pencahayaan dan penggelapan atau menaikan dan merendahkan harga data suatu citra. Filtering . Yaitu memperbaiki tampilan citra dengan mentransformasikan
nilai-nilai digital citra, seperti mempertajam batas area yang mempunyai nilai digital yang sama ( Enhance Edge), menghaluskan citra dari noise (Smooth Noise), dan lainnya. Formula. Yaitu membuat suatu operasi matematika dan memasukan
nilai-nilai digital citra pada operasi matematika tersebut, misalnya Principal Component Analysis (PCA). (Dwi Ardi, 2012)
2.1.2
Kegunaan Koreksi Radiometri
Satelite Image Callibration atau Koreksi radiometri merupakan suatu metode untuk memperbaiki kualitas citra dengan cara mengurangi kesalahan-kesalahan yang disebabkan oleh sistem perekaman serta kesalahan yang diakibatkan oleh perjalanan sinar mat ahari dan suatu objek ke kamera perekam melalui media atmosfer (Sukojo dan Kustarto dalam Khasanah, 2013). Menurut Samsuri (2004), koreksi radiometri diperlukan pada analisa data penginderaan jauh karena pada saat perekaman, tenaga radiometri yang sampai ke sensor banyak mengalami gangguan atmosfir.
Menurut Murti (2012), koreksi radiometri
bertujuan untuk
memperbaiki kualitas visual citra dan sekaligus memperbaiki nilai – nilai pixel yang tidak sesuai dengan nilai pantulan objek atau pancaran spektral objek yang sebenarnya. Kegunaan koreksi radiometri dalam penelitian dibagi menjadi 2 macam, yaitu: 1. Koreksi radiometri untuk mengurangi pengaruh atmosfer 2. Koreksi radiometri untuk mengurangi pengaruh topografi Menurut Annas (2009), koreksi radiometri memberikan skala pada nilai pixel, sebagai contoh skala monokromatik 0 sampai 255 akan diubah menjadi nil ai radian sebenarnya.
2.1.3
Kelebihan dan Kekurangan Koreksi Radiometri
Koreksi radiometri memiliki beberapa kelebihan yang diantaranya adalah pada kemampuannya untuk memperbaiki gangguan atmosfer seperti kabut tipis, asap, dan lain-lain sehingga dapat meminimalisir bias atau hamburan citra yang digunakan (Ekadinata et al ., 2008). Kelemahan koreksi raidometri adalah hasil interpretasi sangat tergantung kepada pendigit (interpreter), sehingga hasilnya bersifat subjektif (Kartika et al ., 2012). 2.2 Penyesuaian Histogram
Metode penyesuaian histogram adalah metode yang cukup sederhana, dengan waktu yang digunakan untuk pemrosesan singkat dan tidak memerlukan perhitungan matematis yang rumit. Asumsi dari metode ini adalah dalam proses koding digital oleh sensor, objek yang memberikan respon spektral yang paling rendah seharusnya bernilai nol. Apabila nilai ini ternyata melebihi angka nol maka nilai tersebut dihitung sebagai offset dan koreksi dilakukan dengan mengurangi seluruh nilai pada saluran tersebut dengan offset -nya (Danoedoro, 1996). Penyesuaian histogram ini melewati beberapa tahap, dan hasilnya tidak selalu naik. Hal ini disebabkan karena tidak setiap cit ra mempunyai nilai objek yang ideal untuk dikoreksi, seperti air jernih atau bayangan awan. Dibandingkan dengan teknik penyesuaian histogram hasilnya tidak jauh berbeda (Sutanto, 1986). Penyesuaian histogram (histogram adjusment ) meliputi evaluasi histogram pada setiap band dari data penginderaan jauh. Biasanya data pada panjang gelombang tampak (TM saluran 1-3) mempunyai nilai minimum yang lebih tinggi karena dipengaruhi oleh hamburan atmosfir.
Sebaliknya
penyerapan atau absorbs pada atmosfer akan mengurangi kecerahan pada data yang direkam dalam interval panjang gelombang yang lebih besar seperti TM 4,5,7. Sehingga data pada band ini nilai minimumnya mendekati nilai nol. Algoritma yang dipergunakan untuk koreksi radiometri mengikuti formula sebagai berikut :
Dimana : Input
: input pixel pada baris I dan kolom j dari band k
Output
: nilai pixel yang dikoreksi pada lokasi yang sama
Bias
: Selisih nilai minimal dan nilai nol pada saluran k
BV
: brightness value atau nilai kecerahan
Pada prinsipnya algoritma ini mengurangi nilai bias dengan nilai bias nilai kecerahan pada band tertentu-nya (Ningrum, 2012).
2.3 Penyesuaian Regresi
Penyesuaian regresi diterapakan dengan memplot nilai-nilai pixel hasil pengamatan dengan beberapa saluran sekaligus. Hal ini diterapkan apabila ada saluran rujukan (yang relative bebas gangguan) yang menyajikan nilai nol untuk obyek terteklntu. Kemudian tiap saluran di pixel angkanya dengan yang saluran rujukan tersebut untuk membentuk diagram pancar nilai yang diamati. Cara ini secara teoristis mudah namun secara prakteknya sulit. Pengambilan pixel-pixel pengamatan harus berupa obyek yang secara gradual berubah naik nilainya, pada kedua saluran sekaligus dan bukan hanya pada salah satu saluran. (Denoedoro,1996). Penyesuaian
regresi
(regression
adjusment )
pada
prinsipnya
menghendaki analisis untuk mengidentifikasi objek bayangan atau air jernih pada citra yang akan dikoreksi. Nilai kecerahan pada objek dari setiap saluran di-plot dalam sumbu koordinat secara berlawanan arah antara saluran tampak (seperti TM saluran 1, 2, 3) dan saluran infra merah (seperti TM 4,5,7). Pada diagram ini
garis lurus dibuat menggunakan teori
perpotongannya dengan
least square,
sumbu X akan menunjukkan besarnya nilai bias
demikian seterusnya untuk
saluran yang lain. Penyesuaian histogram ini
melewati beberapa tahap, dan hasilnya tidak selalu naik. Hal ini disebabkan karena tidak setiap citra mempunyai nilai objek yang ideal untuk dikoreksi, seperti air jernih atau bayangan awan. Dibandingkan
dengan teknik
penyesuaian histogram hasilnya tidaklah jauh berbeda (Danoedoro, 1996).
2.3.1 DPC (Dark Pixel Cor r ection )
Dark Pixel Correction merupakan metode sederhana yang digunakan untuk menghilangkan efek gelap yang ditimbulkan oleh atmosfer pada citra (Indarto, 2009). Kalibrasi dengan Dark Pixel Correction dilakukan sebelum citracitra tersebut digabung. Dark Pixel Correction adalah koreksi sederhana untuk menghilangkan pengaruh atmosfer yang cenderung memperbesar nilai pixel dan menjadi sumber utama perbedaan nilai pixel masing-masing citra (Susiati, 2008). Pada keadaan aslinya, jika tidak ada atmosfer maka bayangan pada semua permukaan bumi akan sepenuhnya hitam baik itu darat ataupun laut, sehingga kita sulit untuk membedakannya. Oleh karena itu jika bayangan memiliki nilai diatas 0, itu menandakan bahwa hamburan dari atmosfer memiliki kontribusi untuk bayangan. Hal inilah yang menjadi wilayah koreksi Dark Pixel Correction. Salah satu cara untuk mengkoreksi efek atmosfer adalah mengidentifikasi bayangan pixel , menemukan nilai DN ( Digital Number ) dan mengubahnya menjadi 0 dan atur semua pixel lainnya (Anonim, 2012). 2.3.2 EDPC (En chanched Dar k Pixel Corr ection )
Enhanced Dark Pixel Correction merupakan bagian dari metode penyesuaian regresi yang digunakan untuk menghilangkan efek dari atmosfer untuk image enhancement (penajaman citra). Pada metode ini sistem kerjanya hampir mirip dengan metode DPC , yaitu dengan harus memasukkan nilai range yang tercantum dalam actual input limits. Pada Enhanced Dark Pixel Correction terdapat dua layer yang berbeda, dimana layer kedua lebih terang dibandingkan layer pertama dan gambar layer-nya lebih tajam (Indarto, 2009). Jika Dark Pixel Correction dilakukan untuk mengkoreksi kesalahan radiometrik dari suatu citra, maka hasil Enhanced Dark Pixel Correction lebih digunakan untuk aplikasi tertentu. Dengan mengurangkan masing – masing band dengan minimum digital number value-nya, maka setiap band akan memiliki minimal digital number dari nol (Ningrum, 2013).
2.3.3 Cut of f Scatter gram
Cara lain untuk mengkoreksi citra dari efek atmosfer adalah dengan menggunakan informasi cut-off yang ditentukan dari scattergram antara panjang gelombang (TM 7) yang lebih panjang dan panjang gelombang (salah satu dari TM 1-5) yang lebih pendek. Panjang gelombang yang lebih panjang berada di gelombang infrared pendek yang mempunyai nilai hamburan atmosfer minimum, di lain pihak panjang gelombang yang lebih pendek berada di batas cahaya tampak yang berdekatan dengan batas infrared dan batas gelombang infrared pendek yang mempunyai efek lebih besar. Garis terbaik digambarkan menembus distribusi antara dua band yang dihalangi poros panjang gelombang lebih pendek pada pendekatan digital number komponen penghambur. Penyelesaian hal semacam ini menggunakan cut-off (Ningrum, 2012). Fungsi ini untuk membantu menganalisis data yang bekerja pada data dalam mode spektral, scattegram juga berguna untuk klasifikasi tanah, membuat raster daerah,dan membuat poligon vektor. Scattering terjadi bila partikel atau molekul gas yang besar yang ada di atmosfer berinteraksi dan menyebabkan
arah
radiasi
elektromagnetik
melenceng
dari
jalur
sebenarnya. Besarnya penyimpangan ini tergantung pada beberapa faktor termasuk panjang gelombang radiasi, kelimpahan partikel dan gas dan jarak perjalanan radiasi (Anonim, 2013).
DAFTAR PUSTAKA
Anonim. 2012. Koreksi Radiometri. http://tugaspratikumsip.blogspot.com/2012/05/koreksi-radiometrik-dankoreksi.html . Diunduh Senin, 21 Maret 2016 : 21.50. Anonim. 2013. Koreksi Radiometri. http://ocean076.blogspot.com/2012/05/koreksi-radiometri-koreksiradiometri.html. Diunduh Senin, 21 Maret 2016 pukul 21.50 WIB. Danoedoro, Projo. 1996. Pengolahan Citra Digital, Teori dan Aplikasinya Dalam Bidang Penginderaan Jauh. Yogyakarta: Fakultas Geografi Universitas Gadjah Mada. Dwi Ardi, Robbinov. Koreksi Radiometrik dan Koreksi Geometrik. http://tugaspratikumsip.blogspot.com/2012/05/koreksi-radiometrik-dankoreksi.html (22 Maret 2016). Ekadinata, Andree et al., 2008. Sistem Informasi Geografis untuk Pengelolaan Bentang Lahan Berbasis Sumber Daya Alam. Bogor: World Agroforestry Center. Indarto. 2009. Identifikasi dan Klasifikasi Peruntukan Lahan Menggunakan Citra Aster . Jurnal Media Teknik Sipil. Vol. IX (1): 1-8. Kartika, Tatik., I Made Parsa., Sri Harini. 2012. Analisis Perubahan Penutup Lahan di Daerah Tangkapan Air Sub DAS Tondano terhadap Kualitas Danau Tondano Menggunakan Data Satelit Penginderaan Jauh . Limnologi. Murti, Sigit Heru. 2012. Pengaruh Resolusi Spasial pada Citra Penginderaan Jauh terhadap Ketelitian Pemetaan Pengunaan Lahan Pertanian di Kabupaten Wonosobo. Ilmiah Geomatika. Samsuri. 2004. Aplikasi Penginderaan Jauh dalam Pengelolaan Sumberdaya Hutan. Medan: USU Sumaryono. 1999. Pemanfaatan Penginderaan Jauh Untuk Pemantauan Reboisasi Di Sub DAS Roraya-Kendari dalam Prosiding Pertemuan Ilmiah Tahun Ke8 MAPIN (Masyarakat Penginderaan Jauh Indonesia). Jakarta. Susiati, Heni. 2008. Studi Awal Pemanfaatan Citra Satelit untuk Identifikasi Distribusi Sedimen di Perairan Semenanjung Muria. Prosiding Seminar Nasional ke-14 Teknologi dan Keselamatan PLTN serta Fasilitas Nuklir Tanggal 5 November 2008. Bandung, pp. 357 – 265.
III.
MATERI DAN METODE
3.1. Waktu dan Tempat Praktikum
Praktkum penginderaan jauh modul 2 tentang Koreksi Radiometri ini dilaksanakan pada: Hari / Tanggal
: Jum’at, 18 Maret 2016
Waktu
: 16.40 WIB – selesai
Tempat
: Lab. Komputasi Ilmu Kelautan, Gedung E Lantai 2, Jurusan Ilmu Kelautan, Fakultas Perikanan dan Ilmu Kelautan, Universitas Diponegoro, Semarang.
3.2. Materi 3.2.1 Koreksi Radiometri
3.3
1.
Pemeriksaan Nilai Atmospheric Bias Citra
2.
Penyesuaian Histogram
3.
Pengecekan Data dan Penyesuaian Histogram
4.
Regresi
DPC
EDPC
Cut Off Scattergram
Metode 3.3.1 Pemeriksaan Atmospheric Bias Citra dan Penyesuaian Histogram
Untuk memeriksa nilai Atmospheric Bias Citra dapat dilakukan dengan cara: 1.
Buka ER Mapper 7.0 dengan klik 2x pada icon ER Mapper 7.0
2. Buka file citra dengan klik icon edit algorithm Mapper 7.0,
lalu
klik
icon
load
C:\ERMapper70\examples\Shared_Data
pada active window ER
dataset
lalu
buka pilih
direktori
file
citra
Landsat_TM_23Apr85.ers
3.
Gandakan pseudo layer dengan cara k lik icon duplicate
sebanyak
6 layer . Ganti pseudo layer menjadi Band 1, Band 2, Band 3, Band 4, Band 5, dan Band 7. Dan masukkan Band sesuai dengan Band nya. Ubah description menjadi Nama_NIM.
4.
Pada setiap band, contohnya B1: band 1, klik icon edit transform limits . Maka akan muncul window Transform. Kemudian cek nilai atmospheric pada setiap band , yaitu nilai yang berada dibawah kiri window yang bertuliskan Actual Input Limits.
5.
Untuk mengoreksi bias citra dari atmosfer dapat dilakukan dengan cara pilih band 1, klik icon formula edit or
, maka akan muncul Window
formula editor. Pada dialog box terdapat tulisan INPUT1, ketik – (nilai atmospheric biasnya), contoh INPUT1-67 klik apply changes
6.
Maka nilai Actual Input Limits akan berubah dari 67 to 255 menjadi 0 to 255. Lakukan hal yang sama pada setiap band sehingga setiap citra memiliki bias atmomsfer yang minimal
7.
Untuk menghapus transform limit dapat dilakukan dengan cara klik icon edit transform limit
pada active window, klik e dit
→ delete
this
transform. Lakukan pada setiap band.
8.
Klik File lalu Save as untuk menyimpan data. Simpan file histogram dengan nama file HISTOGRAM_NAMA_NIM.ers pada file type pilih ER Mapper Raster Dataset(.ers). klik Ok
3.3.2 Pengecekan Data dan Penyesuaian Histogram
1.
Tutup semua window, kemudian klik icon edit algorithm window ER Mapper, lalu klik icon load dataset
pada active buka file citra
Histogram_Rachmat Afriyanto_26020114140104.ers. Lalu klik Ok This Layer Only
9.
Klik icon duplicate
untuk menduplikat pseudo layer 5 kali. Ganti
pseudo layer menjadi Band 1, Band 2, Band 3, Band 4, Band 5, dan Band 7. Dan masukkan Band sesuai dengan Band nya. Ubah description menjadi Nama_NIM.
2.
Kemudian klik icon edit transform limit
Lalu cek nilai atmospheric
bias setiap band . Nilainya harus diantara -3 sampai 3.
3.3.2 Regresi DPC ( Dar k Pixel Corr ection)
1.
Untuk koreksi DPC dapat digunakan diggunakan data yang sama, dengan cara klik icon land application wizard
.
2.
Pada window land application wizard , lalu klik next
3.
Pilih process TM Imagenary, lalu klik next
4.
Pilih atmospheric effect correction, lalu klik next
5.
Pilih dark pixel correction, lalu klik next
6.
Pada dialog box specify an input TM dataset , masukan citra yang akan dikoreksi berupa citra landsat_TM_23Apr85
7.
Pada dialog box specify an output filename, masukan nama file output nya DPC_BelumKoreksi_RachmatAfriyanto_26020114140104.ers kemudian klik finish.
8.
Akan muncul citra dengan 7 band yang belum terkoreksi. Lalu Klik icon edit algorithm
pada active window ER Mapper, lalu Cut pada Band
DPC_TM6. Ubah description menjadi Nama_NIM.
9.
Kemudian icon edit transform limits
dan cek nilai atmospheric bias
pada window transform di setiap band . Kemudian pada window transform klik edit, delete this transform. Lakukan pada setiap band
10. Simpan file dengan format .ers ( ER Mapper Raster Dataset ) Klik File lalu Save as untuk menyimpan data. Simpan file histogram dengan nama file
DPC_SudahDikoreksi_RachmatAfriyanto_26020114140104.ers).
klik Ok
10. Tutup semua window, kemudian klik icon edit algorithm window ER Mapper, lalu klik icon load dataset
pada active
buka file citra yang
telah dikoreksi tadi.
11. Kemudian klik icon edit transform limit bias setiap band .
Lalu cek nilai atmospheric
3.3.3 E nhanched Dark Pixel Corr ection
1.
Lakukan proses yang sama dengan teknik DPC hingga langkah ke-4
2.
Pada window processing TM Imagery Atmospheric, pilih enhanced dark pixel correction, lalu klik next
3.
Masukan file citra yang akan dikoreksi, Landsat_TM_23apr85.ers. klik next
4.
Pilih use TM1 as initial band dan masukan nilai atmospheric biasnya. Nilai atmospheric bias dapat dilihat pada windows transform, lalu klik next
5.
Pada select an option pilih sesuai dengan nilai atmospheric biasnya dan tuliskan nama
file
output nya
yaitu
EDPC_BelumDikoresi_RachmatAfriyanto
_26020114140104.ers. Klik finish.
6.
Akan muncul citra dengan 7 band yang belum terkoreksi. Lalu Klik icon edit algorithm
pada active window ER Mapper, lalu Cut pada Band
TM6. Ubah description menjadi Nama_NIM.
7.
Kemudian icon edit transform limits
dan cek nilai atmospheric bias
pada window transform di setiap band . Kemudian pada window transform klik edit, delete this transform. Lakukan pada setiap band
8.
Klik File lalu Save as untuk menyimpan data. Simpan file histogram dengan
nama
file
EDPC_SudahDikoreksi_RachmatAfriyanto
_26020114140104.ers pada file type pilih ER Mapper Raster Dataset(.ers). klik OK
9.
Tutup semua window, kemudian klik icon edit algorithm window ER Mapper, lalu klik icon load dataset telah dikoreksi tadi.
pada active
buka file citra yang
10. Kemudian klik icon edit transform limit cek nilai atmospheric bias setiap band.
3.3.4 Cut off (Scatter gram)
1.
Lakukan proses yang sama dengan teknik EDPC hingga langkah ke-4
2.
Pada window processing TM Imagery Atmospheric, pilih cut off , lalu klik next.
3.
Pada dialog box specify an input TM dataset , masukan citra yang akan dikoreksi berupa citra landsat_TM_23Apr85
4.
Pada dialog box specify an output filename, masukan nama file output nya. Cutoff_BelumKoreksi_RachmatAfriyanto_26020114140104.ers kemudian klik next
5.
Maka akan tampak pada window
6.
Pada window new map composition, klik cancel
7.
Pada window processing TM imagery-atmospheric effect correction (cut off value), masukan nilai atmospheric bias masing-masing band. Nilai atmospheric bias dapat dilihat pada window scattergram. Untuk melihat nilai-nilai atmospheric bias lainnya klik set up, ubah X Axis dan Y Axis nya. Lalu Klik Finish.
11. Akan muncul citra dengan 7 band yang belum terkoreksi. Lalu Klik icon edit algorithm
pada active window ER Mapper, lalu Cut pada TM6.
Ubah description menjadi Nama_NIM.
8.
Kemudian icon edit transform limits
dan cek nilai atmospheric bias
pada window transform di setiap band . Kemudian pada window transform klik edit, delete this transform. Lakukan pada setiap band
9.
Klik File lalu Save as untuk menyimpan data. Simpan file histogram dengan
nama
file
Cutoff_SudahKoreksi_RachmatAfriyanto_
26020114140104.ers pada file Dataset(.ers). klik OK
type pilih ER
Mapper
Raster
10. Tutup semua window, kemudian klik icon edit algorithm window ER Mapper, lalu klik icon load dataset
pada active
buka file citra yang
telah dikoreksi tadi.
11. Kemudian klik icon edit transform limit cek nilai atmospheric bias setiap band.
IV. 4.1
HASIL DAN PEMBAHASAN
Hasil 4.1.1 Penyesuaian Histogram A.
Sebelum Dikoreksi No
Band
M in
M ax
1.
Band 1
67
255
2.
Band 2
21
216
3.
Band 3
15
254
4.
Band 4
3
210
5.
Band 5
1
255
6.
Band 6
1
247
Band 1
Band 2
Band 3
Band 4
Band 5
Band 7
B.
Setelah Dikoreksi
No
Band
1.
Min
Max
Band 1
0
187
2.
Band 2
0
184
3.
Band 3
0
238
4.
Band 4
0
192
5.
Band 5
0
253
6.
Band 6
0
249
1
2 n
n
d
d a
a B
B
3
4 n
n
d
d a
a B
B
5
7 n
n
d B
a
d B
a
4.1.2 Dark Pi xel Corr ection (DPC) A.
Sebelum Dikoreksi
No
Band
M in
M ax
1.
Band 1
0
188
2.
Band 2
1
196
3.
Band 3
0
239
4.
Band 4
-2
205
5.
Band 5
-1
253
6.
Band 6
0
246
Band 1
Band 2
Band 3
Band 4
Band 5
Band 7
B.
Sudah Dikoreksi
No
Band
M in
M ax
1.
Band 1
1
188
2.
Band 2
1
203
3.
Band 3
1
239
4.
Band 4
1
215
5.
Band 5
1
253
6.
Band 6
1
234
1
2 n
n
d
d a
a B
B
3
4 n
n
d
d a
a B
B
5
7 n
n
d B
a
d B
a
4.1.3 Enh anched Dark Pixel Corr ection (EDPC) A.
Sebelum Dikoreksi
No
Band
M in
M ax
1.
Band 1
0
188
2.
Band 2
-6.08065
188.91935
3.
Band 3
-9.887156
229.112844
4.
Band 4
-14.1118316
192.8881684
5.
Band 5
-29.1111868
224.8888132
6.
Band 6
-30.2289312
215.7710688
Band 1
Band 2
Band 3
Band 4
Band 5
Band 7
B.
Sesudah Dikoreksi
No
Band
M in
M ax
1.
Band 1
2
188
2.
Band 2
1
210
3.
Band 3
1
240
4.
Band 4
3
221
5.
Band 5
1
225
6.
Band 7
1
254
1
2 n
n
d
d a
a B
B
3
4 n
n
d
d a
a B
B
5
7 n
n
d B
a
d B
a
4.1.4 Cut Off A.
Sebelum Dikoreksi
No
Band
M in
M ax
1.
Band 1
0
188
2.
Band 2
0
195
3.
Band 3
0
239
4.
Band 4
0
207
5.
Band 5
0
254
6.
Band 6
0
246
Band 1
Band 2
Band 3
Band 4
Band 5
Band 7
B.
Sesudah Dikoreksi
No
Band
M in
M ax
1.
Band 1
1
188
2.
Band 2
1
202
3.
Band 3
1
239
4.
Band 4
1
217
5.
Band 5
1
254
6.
Band 6
1
234
1
2 n
n
d
d a
a B
B
3
4 n
n
d
d a
a B
B
5
7 n
n
d B
a
d B
a
4.2
Pembahasan 4.2.1 Memeriksa Nilai Atmospheric Bias Cahaya
Berdasarkan praktikum yang telah dilaksanakan, pada modul kedua Koreksi Radiometri ini, pemeriksaan nilai bias atmospheric citra dilakukan guna mengetahui nilai bias yang terdapat pada citra yang akan selanjutnya dikoreksi dengan menggunakan metode penyesuaian histogram. Untuk melihat nilai bias citranya dapat menggunakan tools : Edit Transform Limit yang sebelumnya diolah menggunakan Land Application Wizard .
4.2.2 Penyesuain Histogram
Penyesuaian histogram adalah penyesuaian terhadap bias atmosferik yang dilakukan dengan menambahkan atau mengurangi nilai terendah pada window Formula Editor . Jika nilai terendah pada Band 1 adalah 67 maka kita tuliskan INPUT1-67 . Setelah dilakukan koreksi dengan penyesuaian histogram didapatkan nilai band adalah 0. Penyesuaian histogram digunakan untuk mengevaluasi atau memeriksa kembali histogram pada setiap band dari data citra. Data pada panjang gelombang tampak (saluran 1 – 3) mempunyai nilai minimum yang lebih tinggi karena dipengaruhi oleh hamburan dari atmosfer. Penyerapan atau absorbansi pada atmosfer akan mengurangi ketajaman pada data yang direkam dalam interval panjang gelombang yang lebih besar seperti saluran 4, 5, 7. Sehingga data pada band ini nilai minimum yang baik adalah mendekati nilai nol.
4.2.3 DPC (Dar k Pixel Corr ection)
Penyesuaian regresi DPC ( Dark Pixel Correction) adalah metode lain untuk menyesuaikan histogram dari suatu citra yang diolah. untuk membuka Dark Pixel Correction, dapat dilakukan dengan cara klik icon Land Application Wizard
Process TM Imagery
Atmospheric Effect
Correction lalu pilih DPC. Koreksi akan dilakukan secara otomatis, saat kita memasukkan
file
citra
Landsat_TM_23_Apr85.ers.
yang
akan
dikoreksi,
yaitu
Melalui histogram yang dicek tiap saluran secara independen, maka dapat diketahui nilai piksel terendah saluran tersebut, as umsi yang melandasi metode ini adalah bahwa dalam proses pemotretan digital oleh sensor , obyek yang memberikan respon spektral paling lemah atau tidak memberikan respon sama sekali seharusnya bernilai nol. Apabila nilai ini ternyata > 0 maka nilai terserbut dihitung sebagai offset , dan koreksi dilakukan dengan mengurangi keseluruhan nilai pada saluran tersebut dengan offset nya.
4.2.4 EDPC (Enh anched Dark Pixel Corr ection )
EDPC ( Enhanched Dark Pixel Correction) atau koreksi piksel gelap merupakan metode yang dilakukan untuk menyesuaikan Histogram. Nilai TM yang digunakan sebagai inisial Band adalah TM 1. Hal ini dikarenakan TM 1 dianggap telah mewakili nilai TM yang lain dan nilai TM 1 sudah merupakan acuan atau standar. Kemudian kita memakai kita menggunakan metode koreksi Clear dengan syarat TM2 < =55. Kita
mengenai Enhanched
Dark
Pixel
Correction dengan
menggunakan nilai TM yang paling kecil terdapat pilihan untuk pembersihan yang dilakukan yaitu Very Clear, Clear, Moderate, Hazy, dan Very Hazy dalam hal ini kita menggunakan metode koreksi Clear dengan syarat TM2 adalah >55
View more...
Comments