Uploaded by User11582

Pemetaan lamun

advertisement
Latihan 2: Memetakan Lamun Menggunakan Citra Penginderaan Jauh
Dalam latihan sebelumnya kami menunjukkan pentingnya mempertimbangkan lamun dalam
pengelolaan perikanan karena adanya produktivitas biologis lingkungan lamun yang tinggi.
Dalam latihan ini kita akan mempertimbangkan lingkungan ini sekali lagi.
Namun, di sini keberadaan lamun akan dilihat sebagai indikator kesehatan lingkungan laut
yang lebih luas. Selain itu, tidak seperti latihan sebelumnya yang berkonsentrasi pada
tinjauan teknik GIS dasar, latihan ini akan fokus prosedur pemrosesan gambar dasar yang
relevan dengan zona pesisir.
Daerah lamun sangat sensitif terhadap polusi, khususnya polutan yang memengaruhi
kejernihan air seperti limbah cair. Dalam kasus Boston Harbor, Massachusetts, padang
lamun telah hancur oleh bertahun-tahun polusi industri dan limbah.
Namun, sekarang ada upaya untuk membersihkan pelabuhan melalui peningkatan fasilitas
pengolahan air. Diharapkan kualitas air di pelabuhan akan terlihat membaik di tahun-tahun
mendatang. Salah satu cara untuk mengukur sejauh mana kualitas air yang diperbaiki adalah
dengan mendokumentasikan regenerasi padang lamun.
Dalam latihan ini kita akan mengeksplorasi metodologi untuk memetakan tingkat lamun di
Nahant Harbor, bagian dari yang lebih besar Wilayah Pelabuhan Boston di Massachusetts.
Kami akan menggunakan tiga band citra video dari jarak jauh. Gambar-gambar ini
dikumpulkan dari sistem pencitraan video yang dipasang di atas pesawat terbang kecil.
Metode memperoleh data penginderaan jauh ini relatif cepat dan murah. Produk video juga
lebih cocok untuk pemrosesan gambar dan manipulasi GIS daripada fotografi udara
konvensional. Kami memiliki gambar raster (foto dari rekaman video) dari band hijau,
merah, dan inframerah dari spektrum elektromagnetik pada resolusi spasial satu meter.
Dengan menggunakan tiga gambar ini dan dua teknik terpisah, kami akan berupaya
memetakan tingkat lamun. Yang pertama, kita akan buat gambar komposit dan gunakan
teknik klasifikasi tanpa pengawasan. Yang kedua, kami akan menggunakan Komponen
Prinsip Analisis (PCA) dalam upaya untuk memisahkan variasi karena berbagai jenis dasar
laut dari variasi karena perubahan di kedalaman air.
Data yang kami miliki adalah nilai reflektansi. Artinya, nilai setiap pixel sesuai dengan jumlah
energi matahari itu dipantulkan kembali ke sensor. Nilai berkisar dari 0 (tidak ada
pemantulan) hingga 255 (pemantulan sangat tinggi) untuk masing-masing tiga panjang
gelombang.
a) Di IDRISI Explorer, setel folder Proyek dan Kerja Anda ke folder yang menyimpan data
untuk latihan ini (mis., \ UNITAR \ CZ \ Data \ Exer2). Kemudian periksa masing-masing file
raster berikut menggunakan DISPLAY Launcher dan palet GreyScale. Anda dapat melihat
ketiga gambar ini secara berdampingan untuk membandingkan informasi yang terkandung
setiap band di dalamnya.
GREEN
: Gambar raster dari kamera yang dilengkapi dengan filter hijau-kuning (545 -
555 nm).
RED
: Gambar raster dari kamera yang dilengkapi dengan filter merah (644 - 656
nm).
INFRAMERAH : Gambar raster dari kamera yang dilengkapi dengan filter dalam inframerah
dekat (846 - 857 nm).
File lain yang disediakan dalam kumpulan data latihan ini:
SEAGRASS
: Peta file vektor lokasi lamun di Nahant Harbor.
Masing-masing dari tiga band berisi informasi unik serta informasi dengan banyak
kesamaan. Harus
jelas dalam ketiganya bahwa garis pantai berjalan kira-kira dari timur ke barat melintasi
bagian atas gambar. Perkembangan perumahan bisa terlihat di sebelah utara pantai dan
sebuah dermaga besar terlihat jelas di sisi kanan atas gambar. Namun, informasi yang
berbeda akan datang dari berbagai tempat di spektrum elektromagnetik. Pita lebih rendah
pada spektrum elektromagnetik memiliki panjang gelombang lebih pendek yang akan
menembus air lebih baik daripada yang panjang; mereka akan mencerminkan perubahan di
dasar laut sementara panjang gelombang panjang akan menunjukkan di mana tepi air
berada. Mengetahui hal ini, kita bisa berharap untuk melihat lebih banyak laut bawah di
gambar hijau dan merah daripada di gambar inframerah.
Khususnya, jika kita memeriksa gambar GREEN lagi, kita dapat melihat bahwa daerah lepas
pantai sangat kaya sehingga sulit untuk membedakan tanah dari air. Namun, bahkan
Panjang gelombang terpendek akhirnya diserap oleh air karena semakin dalam, dan kita bisa
melihat pantulan berkurang sebagai air semakin dalam.
Pada gambar INFRARED, di mana panjang gelombang lebih panjang hampir tidak menembus
air sama sekali, kita melihat kontras yang tajam antara tanah dan air. Hanya ada reflektansi
diabaikan atas air di band ini.
1. Apa yang akan menjelaskan area yang sangat gelap (reflektansi rendah) di sebelah
dermaga seperti yang terlihat pada gambar HIJAU tetapi tidak di INFRA?
Bagian 1: Persiapan Data
Kami akan mulai dengan menutupi area lahan dari analisis pemrosesan gambar apa pun.
Untuk membuat topeng area tanah, kami akan ambil keuntungan dari cara air menyerap
panjang gelombang yang lebih panjang.
b) Jalankan HISTO dari menu Tampilan pada gambar INFRAMERAH dan pilih semua nilai
default. Perhatikan caranya histogram adalah bi-modal dengan sebagian besar piksel jatuh
pada ujung reflektansi rendah dari grafik. Kita bisa berasumsi, mengingat diskusi di atas (dan
pengetahuan bahwa citra inframerah zona pesisir secara khas adalah dua-modal), bahwa
punuk besar di ujung rendah mencerminkan semua piksel air, sedangkan punuk lainnya
mewakili piksel daratan.
Untuk membuat topeng Boolean dari tanah dan air, kami memperkirakan beberapa
ambang batas antara dua punuk histogram (kami sarankan nilai 80) dan reklasifikasi gambar
inframerah sesuai. Karena kami akhirnya tertarik pada daerah perairan, topeng harus
memiliki nilai 1 di area tersebut dan nilai 0 di semua area lahan.
c) Jalankan RECLASS dengan INFRAMERAH sebagai gambar input. Pilih klasifikasi yang
ditentukan pengguna, memberikan nilai baru 1 hingga semua nilai yang berkisar dari 0
hingga hanya kurang dari 80, dan nilai baru 0 hingga semua nilai yang berkisar dari 80
hingga hanya kurang dari 256. Panggil hasilnya LANDMASK.
2. Apa yang akan terjadi jika kami mencoba melakukan prosedur yang sama menggunakan
band HIJAU?
Perhatikan bahwa ada banyak area kecil di tanah LANDMASK yang bingung dengan air
(mungkin saja itu) kolam, atau lahan basah). Hanya badan air yang berdekatan dari
pelabuhan yang menjadi perhatian kami. Untuk mengisolasi area ini dari daerah perairan
kecil, kami akan menggunakan modul GROUP.
d) Jalankan modul GROUP ( KELOMPOK) dari menu Analisis GIS / Operator Konteks dengan
LANDMASK sebagai gambar input dan LANDMASKGROUPS sebagai gambar output. Pilih
untuk memasukkan diagonal dan abaikan nilai latar belakang 0.
Dalam gambar LANDMASKGROUPS, setiap rumpun nilai-nilai seperti yang berdekatan
diberikan pengidentifikasi unik. Airnya besar area yang ingin kami analisis adalah grup
nomor 13.
e) Gunakan RECLASS sekali lagi untuk membuat topeng tanah. Kali ini LANDMASKGROUPS
akan menjadi gambar input dan gambar output akan menjadi WATERMASK. Tetapkan nilai
baru 0 untuk semua nilai mulai dari 0 hingga kurang dari 13, nilai baru 1 untuk semua nilai
mulai dari 13 hingga kurang dari 14, dan nilai baru 0 untuk semua nilai mulai dari 14
menjadi hanya kurang dari 62 (jumlah grup maksimum adalah 61).
Sekarang kita bisa menutupi tanah pada masing-masing dari tiga band yang disaring dengan
mengalikan masing-masing dengan BERMASK topeng Boolean.
Semua nilai di pelabuhan akan tetap sama sementara yang di darat akan menjadi nol.
f) Jalankan OVERLAY dari menu Analisis GIS / Database Query tiga kali dan pilih untuk
berkembang biak (Pertama * Kedua)
HIJAU oleh WATERMASK untuk membuat WATERGREEN, lalu MERAH oleh WATERMASK
untuk membuat WATERRED, dan akhirnya INFRAMERAH oleh WATERMASK untuk
membuat WATERIR.
Bagian 2: Klasifikasi tanpa pengawasan
Kami akan menggunakan informasi dari tiga gambar sebagai input ke dalam modul CLUSTER
untuk klasifikasi tanpa pengawasan.
Untuk informasi lebih lanjut tentang modul-modul ini, lihat Sistem Bantuan IDRISI.
g) Untuk melakukan klasifikasi tanpa pengawasan, jalankan CLUSTER dari menu Image
Processing / Hard Classifiers.
Tentukan tiga band yang akan diproses dan masukkan gambar: WATERGREEN, WATERRED,
dan WATERIR. Panggilan gambar output CLUSTERS. Pilih teknik klasifikasi halus dan pilihan
untuk menjatuhkan yang paling tidak signifikan kelompok. Biarkan default lainnya.
Gambar baru akan memiliki nilai piksel yang sesuai dengan beberapa penutup tanah
tertentu (atau dalam hal ini, tipe dasar laut).
Cluster disusun dari frekuensi tertinggi ke terendah (mis., Cluster 1 memiliki piksel
terbanyak).
Jelas, sulit untuk mengetahui apa yang diwakilkan oleh kategori-kategori tersebut tanpa ada
ground truthing. Untungnya, kami memiliki sebagian kebenaran dasar bagian Boston Harbor
ini. Badan Perlindungan Lingkungan telah menghasilkan peta lamun di Indonesia wilayah ini.
Peta telah didigitalkan dan disimpan sebagai file vektor yang disebut SEAGRASS.
h) Aktifkan gambar CLUSTERS kemudian gunakan Add Layer in Composer untuk
menambahkan file vektor SEAGRASS, menggunakan file simbol Black Garis Besar, di atas
gambar berkerumun Anda.
3. Apakah klasifikasi tanpa pengawasan menunjukkan lokasi lamun? Apa yang mungkin
menjelaskan kategorisasi parsial lamun?
Bagian 3: Analisis Komponen Utama
Prosedur sebelumnya telah menunjukkan kepada kita bahwa menggunakan teknik klasifikasi
standar pada set data lepas pantai akan menghasilkan hasil yang tidak akurat karena
komplikasi yang melekat pada perubahan kedalaman air. Ketika air semakin dalam, rentang
pantulan untuk jenis bottom tertentu akan berubah yang menyebabkan kebingungan dan
membatasi kegunaan klasifikasi. Namun, banyak teknik telah diturunkan untuk
mengekstraksi informasi tipe bawah secara akurat dari data berdasarkan penginderaan jauh
dengan asumsi bahwa "pancaran pantulan bawah kira-kira merupakan fungsi linier pantulan
bawah dan suatu fungsi eksponensial dari kedalaman air "(Lyzenga, 1981, p.72). Mengetahui
hal ini, data dapat ditransformasikan oleh sejumlah algoritma (lih. Lyzenga, 1981 dan 1978)
untuk menghasilkan indeks tipe dasar dan kedalaman air. Algoritma ini bekerja paling baik
ketika beberapa pita tersedia untuk area air jernih dangkal, ketika beberapa titik kontrol
kedalaman diketahui, dan kapantipe dasar laut dikenal untuk setidaknya beberapa bagian
dari pemandangan.
Untuk latihan ini, kami tidak akan secara langsung menggunakan metode algoritma apa pun
(lihat Latihan 3 untuk contoh perhitungan kedalaman air menggunakan algoritma yang
terkenal). Sebaliknya, berdasarkan diskusi oleh Khan, et. al., 1992 (lihat juga Van Hengel
danSpitzer, 1991), kita akan mengasumsikan bahwa Principal Components Analysis dapat
menggantikan metode algoritma yang digunakan untuk mengekstraksi tipe bawah. Juga
seperti Khan, et. Al. kami berasumsi bahwa "variasi utama dalam pemantulan air dalam
panjang gelombang terlihat pita disebabkan oleh perubahan kedalaman air, sedangkan
variasi sekunder disebabkan oleh perubahan reflektansi dasar "(hlm. 607).
Yaitu, komponen pertama PCA, yang selalu menjelaskan varian paling banyak dalam
rangkaian band tertentu, dapat digunakan sebagaiNindeks ke kedalaman air. Dan komponen
kedua, yang menjelaskan varian paling banyak setelah komponen pertama telah dihapus,
dapat digunakan sebagai tipe indeks ke bawah. Penting untuk ditekankan bahwa metode ini
juga bekerja paling baik ketika area yang dimaksud adalah air jernih dangkal dan ketika
beberapa data kebenaran tanah tersedia.
i) Jalankan modul PCA. Pada kotak dialog pilih opsi untuk menghitung kovariansi secara
langsung, tentukan tiga gambar band yang akan diproses, meminta dua komponen untuk
diekstraksi dan menggunakan variabel tidak standar. Memasukkan WATERGRN untuk band
1, WATERRED untuk band 2, WATERIR untuk band 3, dan berikan WATER sebagai awalan
untuk file yang akan diproduksi.
PCA akan menghasilkan dua komponen dan kemudian menampilkan sejumlah tabel yang
menunjukkan sumber variasi dalam dataset. Anda dapat mencetak tabel jika Anda ingin atau
cukup menutup jendela hasil modul. (Untuk penjelasan lebih lanjut tentang initabel merujuk
ke Sistem Bantuan IDRISI).
j) Periksa tampilan komponen 1, WATERCMP1.
Gambar ini memiliki nilai yang berubah dalam progres dari utara / barat laut ke selatan /
tenggara menunjukkan perubahan relatif kedalaman air. Namun, jelas bahwa daerah yang
kita kenal sebagai lamun menyebabkan kebingungan.
k) Pilih Tambah Lapisan dalam Komposer, tambahkan hamparan vektor SEAGRASS dengan
file simbol Putih Garis Besar.
Dalam area ini, trennya masih dari dangkal ke perairan dalam, tetapi skalanya digeser
sedemikian rupa sehingga tampak lebih dalam dari yang seharusnya.
4. Sarankan alasan untuk keberhasilan yang terbatas dalam menghitung kedalaman air
relatif dari komponen satu.
l) Sekarang periksa komponen 2, WATERCMP2. Gambar ini memiliki nilai yang berubah tidak
dengan kedalaman air, tetapi dari kiri ke kanan, menyarankan perubahan tipe bawah. Sekali
lagi, tambahkan layer SEAGRASS menggunakan simbol Uniwhite mengajukan.
Di sini area lamun lebih terwakili secara seragam dan jelas dibedakan dari area gelap yang
besar di sebelah baratnya kita tahu pada kedalaman yang sama. Para peneliti di EPA telah
mengidentifikasi daerah pelabuhan ini terutama sebagai pasir. Namun, tidak jelas apakah
area lain dalam gambar (kebanyakan sepanjang garis pantai) yang memiliki rentang nilai
yang sama dengan padang lamun mewakili lamun. Juga, ketika air semakin dalam, menjadi
lebih sulit untuk mengatakan apa pun tentang tipe dasar.
Ringkasan
Dalam latihan ini, kami secara singkat melihat beberapa masalah yang melekat pada
penginderaan jauh di zona pantai. Menggunakan contoh deteksi padang lamun, kami
melihat bagaimana perubahan kedalaman air membuat prosedur klasifikasi tanpa
pengawasan standar sulit. Kami kemudian mengeksplorasi salah satu cara peneliti mencoba
memetakan tipe dasar laut saat menghitung perubahan kedalaman air. Menggunakan
Analisis Komponen Utama kami dapat menemukan area yang kira-kira sesuai tempat tidur
lamun yang dikenal. Tingkat presisi rendah menggunakan tiga pita data yang kami miliki.
Namun, olahraga telah menunjukkan bahwa metode PCA merupakan peningkatan dari
teknik klasifikasi standar.
Kami ingin mengucapkan terima kasih kepada Dick Hordon dari Flight Landata karena
mengirimi kami gambar yang digunakan dalam latihan ini. Juga, banyak terima kasih kepada
Matthew Liebman dari Badan Perlindungan Lingkungan AS, Boston untuk memberikan
kebenaran dasar pengetahuan yang memungkinkan interpretasi kami terhadap citra.
Referensi
Khan, M. A., Y. H. Fadlallah, dan K. G. Al-Hinai. 1992. "Pemetaan Tematik Habitat Pesisir
subtidal di Barat Teluk Arab menggunakan data Landsat TM - Teluk Abu Ali, Arab Saudi.
"International Journal of Remote Sensing, 13 (4): 605-614.
Lyzenga, D. R. 1978. "Teknik Penginderaan Jauh Pasif untuk Memetakan Kedalaman Air dan
Fitur Bawah." Terapan Optik, 17 (3): 379-383.
_______, 1981. "Penginderaan Jauh Parameter Refleksisi Bawah dan Atenuasi Air dalam Air
Dangkal menggunakan Pesawat dan Data Landsat. "Jurnal Internasional Penginderaan Jauh,
2 (1): 71-82.
Van Hengel, W. dan D. Spitzer. 1991. "Pemetaan Kedalaman Air Multi Temporal oleh Sarana
Landsat TM." Internasional Journal of Remote Sensing, 12 (4): 703-712.
Citra untuk latihan ini disumbangkan oleh Flight Landata, Box 528, Newburyport, MA 01950.
Download