View
1.075
Download
19
Category
Preview:
Citation preview
PENGANTAR PENGINDERAAN JAUHPENGANTAR PENGINDERAAN JAUH
Drs. Santoso
Oleh:
Penginderaan Jauh (RS) adalah ilmu untuk memperoleh informasi tentang permukaan bumi tanpa melakukan kontak langsung dengan obyek.
A. Sumber EnergiB. Radiasi dan AtmosferC. Interaksi dengan TargetD. Perekaman energi oleh Sensor
E. Transmisi, ProsessingF. Interpretasi dan AnalisisG. Aplikasi
RADIASI ELEKTROMAGNETIK
Karakteristik radiasielektromagnetikmerupakan hal yang sangatpenting untuk memahamiPenginderaan jauh, yaitu :- Panjang Gelombang- Frekuensi
Panjang Gelombang (),merupakan panjang satusiklus , dan Frekuensi () Merupakan jumlah siklus panjang gelombangyang melalui titik tertentu perunit waktu, dengan satuan hertz
SPEKTRUM ELEKTROMAGNETIK
SPEKTRUM ELEKTROMAGNETIK
SPEKTRUM ELEKTROMAGNETIK
INTERAKSI DENGAN ATMOSFIR
Perambatan gelombang elektromagnetikdari matahari ke bumi mengalami penyebaran(scattering), yang disebabkan oleh partikel-partikel dalam atmosfir.
Perhatikan pada siang hari langit menjadibiru dan pada matahari terbit atau tenggelam, langit menjadi kemerahan. Hal ini disebabkanadanya scattering yang disebabkan oleh partikel-partikel dalam atmosfir
INTERAKSI DENGAN ATMOSFIR
Scattering yang lain yangdisebabkan oleh awan atauasap, dan disebut dengannon selective scattering
INTERAKSI DENGAN ATMOSFIR
Selain terjadi penyebaran oleh partikel dalam atmosfir, terjadipula penyerapan (absorbtion)oleh partikel-partikel dalam atmosfir
Ozon, Carbon Dioxida dan Uap Airmerupakan tiga komponen utama dalampenyerapan radiasi elektromagnetik
INTERAKSI DENGAN TARGET
Energi yang tidak terserap dan tersebarpada atmosfir dapat mencapai permukaanbumi
Energi yang mencapai target (I) akan terbagilagi menjadi energi yang ditransmisikan (T)diserap target (A)) dan energi yang dipantulkan (R).
Energi yang dipantulkan merupakan perhatian yang utamadalam remote sensing
Pantulan Sempurna(Specular)
Pantulan segala arahDiffuse)
Klorofil, menyerap radiasi gelombangmerah dan biru, tetapi memantulkan gelombang hijau dan inframerah dekat.
Bilamana kandungan klorofil berkurang(misalnya tumbuhan tidak sehat) makapenyerapan gelombang merah menjadi sedikit dan lebih banyak memantulkangelombang merah
Air, lebih banyak menyerap gelombang inframerah dekat dan gelombang merah, tetapi lebih banyak memantulkan gelombang biru dan hijau, sehingga airnampak biru atau biru kehijauan.Adanya sedimen terlarut akan memantul-kan gelombang yang lebih panjang, sehingganampak lebih terang.Sedangkan adanya klorofil dalam algae akanmenyebabkan pantulan gelombang hijau,sehingga air akan nampak lebih hijau
INTERAKSI DENGAN TARGET
Pada panjang gelombang ini (inframerah dekat)vegetasi dan air bisa dibedakan
Pada panjang gelombang tampak mata, air dan vegetasisusah dibedakan
INTERAKSI DENGAN TARGET
INTERAKSI PADA TUBUH PERAIRAN
PENGIDERAAN SISTEM AKTIF DAN SISTEM PASIF
Inderaja Sistem Pasif Inderaja Sistem Aktif
KARAKTERISTIK CITRA
Apa perbedaan foto udara dan citra satelit ?
Dalam citra satelit, obyek direkam dengan angka,atau numerik
95
58
106
76
76
75
56 62 82
Foto Udara merupakanimage dimana obyekdirekam dalam suatu filmfotografis.
Dalam Citra satelit, munculnya warna dibangun denganmengkombinasikan obyek yang direkam pada panjang gelombangyang berbeda (band) yang diletakkan pada warna dasar yangberbeda pula, yakni saluran merah (Red) saluran Hijau (Green) dansaluran Biru (Blue). Bila kombinasi pada saluran RGB menggunakan panjang gelombang yang sama, maka tidak akan muncul warna,karena intensitas datanya sama
WAHANA
SATELIT : ORBIT SATELIT
SATELIT : CAKUPAN PEREKAMAN
RESOLUSI
SPASIAL
SPEKTRAL
RADIOMETRIK
TEMPORAL
RESOLUSI SPASIAL,
UKURAN PIXEL
SKALA
RESOLUSI SPASIAL,Mendefinisikan luas liputan di permukaan bumi yang diwakilioleh satu pixel
Satu sel mewakili30 meter x 30 meter
A
B
Pada Citra dengan resolusi spasial A, lobang akan terdeteksi.Sedangkan bila menggunakan citradengan resolusi spasial B,maka lubang sulituntuk dikenali.Resolusi Citra A,lebih besar dari Citra B
Citra SPOT PANResolusi Spasial10m x 10 m
Citra NOAA AVHRR,dengan resolusi spasial4 km x 4 km
Mangrove Identification
Coastal ApplicationCoastal Application
Perbedaan resolusi spasial akan membedakan detail informasi yang diperoleh
RESOLUSI SPEKTRAL
Resolusi spektral mendefinisikankemampuan sensor untuk mende-finisikan kehalusan intervalpanjang gelombang
Resolusi spektral yang lebihhalus, maka interval panjanggelombang lebih dekat
RESOLUSI RADIOMETRIK
RESOLUSI RADIOMETRIK
Dapat didefinisikan sebagai rentang dinamis, atau jumlah kemungkinan nilai data pada masing masing band
Contoh :Band 1 landsat TM dengan resolusi spektral 0,45 - 0,52 m. Energi yangdirekam pada panjang gelombang ini adalah :256 tingkat keabuan, pada data 8 bit128 tingkat keabuan pada data 7 bit
0 1 2 3 4 244 255
0,45 m 0,52 m0 1 2 127
0,45 m 0,52 m
8 bit
7 bit
RESOLUSI TEMPORAL
Resolusi Temporal dapat didefinisikan, seberapa sering atau kapansensor dapat melakukan pengamatan pada lokasi yang sama
Landsat TM mempunyai resolusi temporal 16 hari
SPOT, mempunyai resolusi temporal 26 hari
Sampai lokasi yang samapada x hari
KAMERA DAN FOTO UDARA
A, AreaB, LensaC, Focal Plane
Film fotografi adalah film yang sensitifpada panjang gelombang 0.3 m - 0.9 m Film fotografi ini sering disebut dengan filmpankromatik.
UV fotografi juga menggunakan film pankromatik,tetapi menggunakan filter untuk mencegah gelombang tampak mata mencapai film.
Untuk film berwarna normal, layer sensitif terhadapgelombang merah, hijau dan biru (tampak mata)
Untuk foto Color Infrared, layer sensitif terhadapgelombang biru, hijau dan inframerah dekat
Untuk foto berwarna semu , target yang sensitifinframerah dekat berwarna merah, sensitif merahwarna hijau dan sensitif hijau warna biru
Foto Color Foto False Color
INTERPRETASI DAN ANALISIS
Untuk dapat memanfaatkan data penginderaan jauh, kita harusmampu mengekstrak informasi dari citra. Langkah ekstraksiinformasi ini disebut dengan interpretasi dan analisis.
Analisis dan interpretasi meliputi kegiatan identifikasi dan atau pengukuran target dalam image, untuk memperoleh informasi.
Target dapat berbentuk fenomena titik, garis ataupun area.
Target haruslah dapat dibedakan, dalam pengertian target haruslah kontras terhadap obyek di sekelilingnya.
ANALISIS DAN INTERPRETASI MANUAL VSANALISIS DIGITAL
Analisis manual dan analisis dijital, mempunyai kelebihan dan kekurangan.Dalam analisis manual, biasanya terbatas pada satu band atau satu image,artinya tidak dapat melakukan analisis beberapa image secara bersamaan.
Sedangkan dalam anaisis dijital dapat dilakukan secara bersamaan
Dalam analisis manual, biasanya kurang konsisten hasilnya karena bersifat subyektif, yakni sangat tergantung pada interpreter.
Sedangkan dalam analisis dijital lebih konsisten, karena anaisisnya didasarkanpada nilai dijital (density number) dalam komputer, sehingga lebih obyektif.
Meskipun demikian, untuk menentukan tingkat validitas dan akurasi dari analisis dijital adalah sangat sulit. Kenapa ?
INTERPRETASI SECARA MANUAL
Pengenalan target atau obyek merupakan kunci interpretasi dan ekstraksi informasi.
Pengenalan perbedaan antara target dan latar belakangnya berdasarkan pada perbedaan elemen visual yakni :
• tone/rona• bentuk• ukuran• pola• tekstur• bayangan• asosiasi
INTERPRETASI SECARA MANUAL
TONE/RONA:Tone/rona mengacu pada kecerahan atau warna relatif suatu obyek dalam image. Secara umum, rona merupakan elemenyang mendasar dalam pembedaan target.
Rona akan lebih mudahdiinterpretasikan bila bervariasidengan elemen bentuk, tekstur,dan pola obyek
Tanaman tua
Tanaman muda
INTERPRETASI SECARA MANUAL
Bentuk, mengacu pada strukturdan outline obyek individu
BENTUK :
?
INTERPRETASI SECARA MANUAL
UKURAN :
Ukuran obyek dalam imagemerupakan fungsi skala.
Contoh :Ukuran antara bangunan sebagaitempat tinggal dengan bangunansebagai bangunan komersial.
??
INTERPRETASI SECARA MANUAL
POLA :
Pola, mengacu pada susunankenampakan spasial obyek.
Pola perkebunan yang dikembangkanOleh perusahaan akan terlihatteratur dibandingkan dengan polapertanian yang alami
?
?
INTERPRETASI SECARA MANUAL
TEKSTUR :
Tekstur, mengacu pada susunandan frekuensi rona suatu obyek,yang nampak pada kenampakan kasar atau halusnya permukaanobyek.
Contoh yang jelas adalah dalammembedakan hutan alam denganhutan tanaman industri, yang relatifpunya keseragaman dalam kanopi.
?
?
INTERPRETASI SECARA MANUAL
BAYANGAN/SHADOW :Bayangan memberikan ide dalammembedakan profil atau ketinggian suatuobyek
tanpa bayangan
dengan bayangan
INTERPRETASI SECARA MANUAL
ASOSIASI :
Asosiasi berkaitan dengan hubunganantara obyek terhadap obyek yang lain.
Sebagai misal daerah pantai dimanadi situ terdapat vegetasi pada wilayahmuara sungai, mungkin dapat diaso-siasikan dengan mangrove
mangrove
CITRA DIJITALCITRA DIJITAL• Citra dijital adalah penyajian obyek dalam format dijital.
. Citra dijital terdiri dari pixel atau picture element
9558
106
767675
56 62 82
• Digital Number (DN) digunakan untuk menandai pixel
• Nilai DN menyatakan pantulan energi yang diterima oleh sensor
• Pixel Value (Digital Number) penyajian pantulan energi semua Obyek dalam area tertentu pada permukaan bumi (resolusi spasial)
SATELLITESATELLITE SPASIAL RESOLUTIONSPASIAL RESOLUTION
LANDSAT-TMLANDSAT-TM Non Thermal 30 meter X Non Thermal 30 meter X 30 meter30 meter
ThermalThermal 120 meter X 120 meter X 120 meter120 meter
SPOTSPOT MulMultiti SpekSpektraltral 20 meter X 20 meter X 20 meter20 meter
Panchromatic 10 meter X 10 Panchromatic 10 meter X 10 meter meter
IKONOSIKONOS MulMultiti SpekSpektraltral 4 meter X 4 4 meter X 4 metermeter
Panchromatic 1 meter X 1 Panchromatic 1 meter X 1 metermeter
QUICK BIRDQUICK BIRD MulMultiti SpekSpektraltral 2.4 meter X 2.4 meter X 2.4 meter2.4 meter
Panchromatic 0.6 meter X 0.6 Panchromatic 0.6 meter X 0.6 metermeter
NOAANOAA MulMultiti SpekSpektraltral 1.1 km X 1.1 km X 1.1 km1.1 km
95
58
106
76
76
75
56 62 82
CITRA DIJITALCITRA DIJITAL
Pixel = picture element mempunyai karakteristik spasial dan spektral
Columns/Kolom/Pixels
Ro
ws
/Ba
ris
/Lin
es
Spatial Properties :• Pixel Position didefinisikan dengan lokasi kolom dan baris
1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 9101112
pixel location = (5,6)
• Format Data Citra Dijital yang dibangun dalam grid sel yang teratur disebut dengan format raster
• Komputer : menyajikan DN dalam warna
Spectral Properties :• Berkaitan dengan nilai DN
CITRA DIJITALCITRA DIJITAL
• Citra Multispektral merupakan data inderaja dengan dua atau lebih saluran spektral
• Masing masing band dihasilkan oleh sensor dengan resolusi spasial tertentu
• Landsat-TM Image mempunyai 7 Bands
Band-1
Band-2Band-3
Band-4
Band-5Band-6
Band-7
CITRA DIJITALCITRA DIJITAL
Citra diperbesar Citra Asli
CITRA DIJITALCITRA DIJITAL
FORMAT DATA DIJITALFORMAT DATA DIJITAL
1 2 3 4 Pixel 1 2 Pixel ke : 1 2 3 4 Band : 1 2 3 1 2 3
BIL
1
1
1
2
2
2
1,1 1,2
1,1 1,2
1,1 1,2
2,1 2,2
2,1 2,2 2,3 2,4
2,1 2,2
Band 1
Band 2
Band 3
BIP
1
2
3
4
5
6
1,1 1,1 1,1 1,2 1,2 1,2
2,1 2,1 2,1 2,2 2,2 2,2
3,1 3,1 3,1 3,2 3,2 3,2
BSQ
123456123456123456
Band 1
Band 2
Band 3
1,1 1,2 1,3 1,4
5,1 5,2 i,j 5,4
2,1
2,1
i,j
3,1
3,1
i,j
Band 1
Note :
Band 2 Band 3
Pixel :
Line
1.
Line
DIGITAL IMAGE FILE : 1. Band Tunggal dalam satu file 2. Multi Bands dalam satu file
FILE FORMAT DATA SYSTEM :
1. BAND SEQUENTIAL (BSQ) :
2. BAND INTERLEAVED BY LINE (BIL) :
3. BAND INTERLEAVED BY PIXEL (BIP) :
FORMAT DATA DIJITALFORMAT DATA DIJITAL
DISPLAY CITRA DIJITALDISPLAY CITRA DIJITAL
Band-1Band-2
Band-3Band-4
Band-5Band-6
Band-7
BAND 444
BAND 542
BAND 432
M U L T I S P E C T R A L I M A G EC O M P U T E R G U NC O L O R S
Red
Green
Blue
D I S P L A Y
O N M O N I T O R
PENGOLAHAN CITRA
Preprocessing :Radiometri Correction/Koreksi Radiometrik Geometri Correction/Koreksi Geometrik
Display dan Enhancement/Penajaman :Diplay (B/W dan Color CompositeContrast Enhancement (Stretching)Spatial Enhancement (Filtering)
Classification/Klasifikasi :Unsupervised Classification Supervised Classification
Integration ke GIS:GeneralisasiKonversi Raster ke Vektor Konversi Vektor ke Raster
Koreksi Geometrik, dari koordinat file ke koordinat peta ataudari satu sistem koordinat ke sistem koordinat yang lain
KOREKSI GEOMETRI
Penajaman image, sehingga image mudah dikenali
PENAJAMAN CITRA
Klasifikasi Citra
Klasifikasi adalah proses pemilihan pixel ke dalam kelas tertentuBerdasarkan nilai DN
Landsat-TM Band-542
Original Satellite Image Classified Original Satellite Image Classified ImageImage
Klasifikasi image dari berbgai saluran menjadi satu peta tematik
Spectral Responses of Spectral Responses of Typical TargetsTypical Targets
0,3 1 3 10
SOIL
VEGETATION
WATER
m
Landsat & SPOT-HVRLandsat & SPOT-HVRLANDSAT SPOT
Sensor : Tematic 705 KM ALTITUDE 822 KM Sensor : HRV (X2)Mapper – TM 99 min PERIOD 101.4 min Modes: Multispectral6 bands- 30 x 30 m 98 INCLINATION 99 3 bands 20 x 20 m1 band- 120 x 120 m NUMBER of PATH 269
16 days EARTH COVERAGE 26 days PanchromaticMulti Spektral 185 km SWATH 60km/imager 1 bands 10 x 10 mScanner - MSS4 bands 60 x 80 m
09:45 EQUATORCROSSING
10:30
MSS1 0.5 ~ 0.6 GMSS1 0.6 ~ 0.7 RMSS1 0.7 ~ 0.8 N-IRMSS1 0.8 ~ 1.1 N-IR
TM1 0.45 ~ 0.53 BTM2 0.52 ~ 0.57 GTM3 0.63 ~ 0.69 RTM4 0.76 ~ 0.90 N-IRTM5 1.55 ~ 1.75 SWIRTM7 2.08 ~ 2.35 SWIR
TM6 10.8 ~ 12.5 TIR
HRV/ PADPCM 0.51 ~ 0.73 Panchro.
HRV/MLA
HRV1 0.50 ~ 0.59 GHRV2 0.61 ~ 0.68 RHRV3 0.79 ~ 0.89 N-IR
233
Band-1 Band-2
Band-3 Band-4
Band-7
Band-6Band-5
Band-1
Band-2
Band-3
Band-4
Band-5
Band-7
Landsat-TM Band-321 Landsat-TM Band-342
Landsat-TM Band-247 Landsat-TM Band-432
KLASIFIKASI CITRA
Klasifikasi dapat dilakukan dengan :
- Band Tunggal : Density Slicing- Multi Bands : Multispectral Classification
Density Slicing :
Nilai Dijital (Digital values) didistribusikan sepanjangSumbu horisontal histogram citra dan dibagi dalam Interval
KLASIFIKASI CITRA
30 60 90 140 190
A B C D E F
255
SLICING PROCEDURE
Klasifikasi Multispektral :
Untuk mengekstrak informasi yang dikumpulkan dari berbagai spektrum elektromagnetik
Band-1Band-2
Band-3Band-4
Band-5Band-6
Band-7
Band Combination 542
KLASIFIKASI CITRA
Metoda dalam klasifikasi multispektral :
1. UNSUPERVISED2. SUPERVISED
KLASIFIKASI CITRA
Unsupervised Classification/Tak Terselia :
-Klasifikasi tanpa memerlukan/membangun sampel
- Operasi dibangun berdasarkan pengelompokan pixel secara natural
- Pengenalan pola menggunakan proses komputer
KLASIFIKASI CITRA
Unsupervised Classification dengan metoda CLUSTERING:
Ploting pixel dalam fitur ruang, yang kemudian dikelompokkanberdasarkan vektor ruang
KLASIFIKASI CITRA
Fitur Ruang
Beberapa parameter harus ditentukan :1. Jumlah Cluster2. Ukuran Cluster3. Jarak antar Cluster
10 20 30 40
10
20
50
30
0
R=15
10 20 30 40
10
20
50
30
0
New mean of cluster-1
Cluster-2
CLUSTERING :
KLASIFIKASI TERSELIA/SUPERVISED
• Klasifikasi multispektral dengan sampel terpilih yang homogen
• Prosedur ini memerlukan pengetahuan tentang obyek
• Klasifikasi menggunakan karakteristik spektral (minimum, maximum, mean/average, variance, covariance, correlation, dll.) tentang training/sample area untuk menggambarkan algoritma klasifikasi keseluruhan
Langkah Penting dalam Klasifikasi Terselia :
1. Training sampel yang terpilih harus representatif.2. Statistik karakteristik training sampel harus dianalisis untuk memilih fitur yang sesuai3. Algoritma klasifikasi yang sesuai harus dipilih.4. Pengkelasan image dalam n kelas.5. Tingkat akurasi klasifikasi harus dievaluasi secara statistik.
SUPERVISED CLASSIFICATIONMEMERLUKAN TRAINING SAMPLE/AREA
Vegetation
Grass
Water
Building
Statistical Characteristics for Water
Band: 1 2 3 4 5 7
Mean 61.5 23.2 18.3 9.3 5.2 2.7Std. Dev. 1.3 0.7 0.7 0.6 0.7 1.0Variance 1.7 0.4 0.5 0.3 0.5 1Minimum 58 22 17 8 4 0Maximum 65 25 20 10 7 5
Band-1 1.72 Band-2 0.06 0.43 Band-3 0.12 0.19 0.51 Band-4 0.09 0.05 0.05 0.32 Band-5 -0.2 -0.05 -0.11 -0.07 0.51 Band-7 -0.21 -0.05 -0.03 -0.07 0.05 1.03
Variance – Covariance Matrix
Band: 1 2 3 4 5 7
Digital Numbers of Training Area
SUPERVISED CLASSIFICATION
METHOD TO DERIVE DECISION REGION :
1. Parallelpiped
2. Minimum Distance to Mean
3. Mahalanobis Distance
4. Maximum Likelihood
Metoda parallelpiped menggunakan nilai minimum dan maksimumUntuk masing masing fitur, pada masing-masing kluster.
1. Parallelpiped :
• Minimum distance menghitung jarak dari masing-masing pixel yang tidak diketahui kelasnya ke rata-rata nilai kelas yang ada • Jarak dihitung dengan metoda Eucledian Distance berdasarkan teori pitagoras
Pixel X akan menjadi kelas Y jika dan hanya jikaJarak ke kelas Y lebih kecil daripada jarak ke kelas yang lain
2. Minimum Distance :
Dist-j = (Pi - ij )2
Pi = Pixel Value from Band-i
ij = Mean Value for Class-j from Band-i
• Maximum Likelihood menandai pixel-pixel yang tak diketahui kelasnya ke dalam suatu kelas berdasarkan kemungkinan nilai pixel masuk dalam suatu kelas • Maximum Likelihood menggunakan asumsi bahwa data sampel untuk masing-masing kelas mempunyai distribusi normal (Gaussian Distribution)
The unkonwn pixel –X belong to Class-C, If and Only If : Pc Pi
Where i = 1, 2, 3, …, n possible classes Pc = Probability Value to be class C Pi = Probability Value to be class i
2. Maximum Likelihood :
The unkonwn pixel –X belong to Class-C, If and Only If :
Pc Pi
Pc = [ -0.5 loge (det(Vc ))] – [0.5 (X-Mc )T (Vc -1)(X-Mc )]
Where :det(Vc ) = determinant of covariance matrix Vc
Mc = mean vectors for class CX = Vector X of an unknown pixelT = Transpose Sign
Maximum Likelihood Formula :
When a feature vector is being classified using two decision regions C1 and C2 there are four possible outcomes :
(1). Accepting X belongs to C1 when this is true(2). Accepting X belongs to C2 when it actually belongs to C1(3). Accepting X belongs to C1 when it actually belongs to C2(4). Accepting X belongs to C2 when this is true
(2) and (3) are errors, with respect to decision region C1 :• Error (2) is called Ommission Error• Error (3) is called Commission Error
Ommission Error dan Commission Error
Muhammad Effendi Tanjung
MAXIMUM LIKELIHOOD OUTPUT
Actual Landcover Class
Classified Landcover1 2 3 4 5 Total
Ommission Commission Accuracy Error (%) Error (%) (%)
1. Resiential2. Commercial3. Wetland4. Forest5. WaterTotal
70 5 0 13 0 88 3 55 0 0 0 58 0 0 99 0 0 99 1 0 4 37 0 42 0 0 0 0 121 121
74 60 103 50 121 408
20.5 (18/88) 4.5 (4/88) 79.5 (70/88) 5.2 (3/58) 8.6 (5/58) 94.8 (55/58) 0.0 (0/99) 4.0 (4/99) 100.0 (99/99) 11.9 (5/42) 30.9 (13/42) 88.0 (37/42) 0.0 (0/121) 0.0 (0/121) 100.0 (121/121)
ACCURACY ASSESSMENT
CONFUSION MATRIX
OVERALL ACCURACY = 382/408 pixels X 100% = 93.6 %
382 = 70 + 55 + 99 + 37 + 121
POST KLASIFIKASI
Untuk menghilangkan area yang tak dikenali atauArea yang sangat kecil dalam citra yang diklasifikasikan,dapat menggunakan
MOJORITY FILTERING
ANALISA KOMPONEN UTAMA
PRINCIPAL COMPONENT ANALYSIS (PCA)
Target :
1. Mengurangi jumlah variabel 2. Tidak ada korelasi antara variabel-variabel baru 3. Variabel baru dipilih berdasarkan heterogenitas
PCA-1
PCA
-2
ANALISA KOMPONEN UTAMAPRINCIPAL COMPONENT ANALYSIS (PCA)
ANALISA KOMPONEN UTAMAPRINCIPAL COMPONENT ANALYSIS (PCA)
PCA-1 PCA-2
PCA-3 PCA-4
PCA-5 PCA-6
PCA-7
TRANFORMASI CITRA
Perubahan dari DN ke Radians
R = Bias + (Giant * DN )
R = Radiance
DN = Digital Number
+ l max - l min
Giant =
254 255
Bias = - l min
Algoritma untuk mendapatkan MPT (mg/l)
RTM2 - RTM3
RTM1 / RTM2Log(s) = 2.166 + 0.991 log =
S = Konsentrasi MPT
RTM 1 - 3 = Nilai radians pada band 1 - 3
Algoritma Pendugaan kandungan klorofil
Log (klo-a) = 2.154 – 0.539 * log RTM 1
RTM 2
Klasifikasi Kandungan Khlorofil
Recommended