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
Septianto Nugroho (05/190190/GE/05868)
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).
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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)
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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,
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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)
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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).
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
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).
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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).
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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)
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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.
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
**** sangat jelas *** jelas ** kurang jelas
* Tidak jelas
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
**** sangat jelas *** jelas ** kurang jelas
* Tidak jelas
Septianto Nugroho (05/190190/GE/05868)
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
Laporan Praktikum Sistem PJ Non Fotografi
Septianto Nugroho (05/190190/GE/05868)
Obyek Citra
Topsar VVI Topsar DEM Colour Density 3-D Surface View Topo Aspek Topo Slope
Fisiografi **** **** *** **** **** ****
Pola Aliran *** **** ** **** ** **
Tubuh Air *** **** *** ** * ****
Lahan Terbangun * * * * * *
Vegetasi *** ** ** ** ** **
Laporan Praktikum Sistem PJ Non Fotografi
**** sangat jelas *** jelas ** kurang jelas
* Tidak jelas