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