Acara Iv_koreksi Geometrik
-
Upload
dodik-prasetyo-prabowo -
Category
Documents
-
view
10 -
download
1
description
Transcript of Acara Iv_koreksi Geometrik
LAPORAN PRAKTIKUM
Penginderaan Jauh Terapan Untuk Sumberdaya Lahan
ACARA III
Koreksi Geometrik
Oleh :
Dodik Prasetyo Prabowo
120722420629
UNIVERSITAS NEGERI MALANG
FAKULTAS ILMU SOSIAL
JURUSAN GEOGRAFI
PROGRAM STUDI S1 GEOGRAFI
FEBRUARI 2015
I. TUJUAN
Mahasiswa dapat mengkoreksi secara geomterik citra yang telah terkoreksi secara
radiometric
II. ALAT dan BAHAN
a. Data mentah Citra Landsat 7 ETM+, tujuh saluran area sekitar Kota Semarang
b. Laptop/PC
c. Software ENVI 4.5
d. Alat tulis lengkap
e. Modul Praktikum
III. DASAR TEORI
Koreksi geometrik (sering disebut rektifikasi) pada citra dimaksudkan untuk
mengembalikan posisi piksel sedemikian rupa, sehingga sesuai dengan posisi sebenarnya
di permukaan bumi. Menurut Jensen (1996), ada dua proses dasar dalam rektifikasi
geometri, yaitu interpolasi spasial dan interpolasi intensitas. Interpolasi spasial adalah
penentuan hubungan geometrik antara lokasi piksel pada citra masukan dan peta.
Pada proses ini dibutuhkan beberapa titik kontrol medan (Ground Control Point/ GCP)
yang dapat diidentifikasi pada citra dan peta. Apabila persamaan transformasi koordinat
diterapkan pada titik-titik kontrol maka diperoleh residual x dan residual y. Residual
adalah penyimpangan posisi titik yang bersangkutan terhadap posisi yang diperoleh
melalui transformasi koordinat yang kemudian dinyatakan sebagai nilai Residual Means
Square Error atau RMS(error).
Tingkat keberhasilan dalam tahap ini biasanya ditentukan dengan besarnya nilai ambang
RMS(error) total, atau yang dikenal dengan istilah ’sigma’. Menurut ketelitian baku peta
nasional Amerika Serikat (US National Map Standard), nilai sigma citra harus lebih kecil
daripada setengah resolusi spasial citra yang bersangkutan (Eastman, 1997, dalam Like
Indrawati, 2001), sehingga rata-rata pergeseran posisi yang dapat diterima dari hasil
koreksi ini nantinya adalah
0,5 x ukuran piksel.
Dalam melakukan transformasi koordinat, terdapat beberapa macam transfromasi
polinomial yang satu dengan yang lain memberikan ketelitian yang berbeda-beda (Jensen,
1996) yaitu :
- Transformasi affine, yaitu memerlukan minimal 4 titik kontrol untuk mengubah
posisi geometrik citra sama dengan posisi geometerik referensi (peta). Transformasi
ini lebih sesuai untuk daerah yang bertopografi relatif datar atau landai.
- Transformasi orde dua, yang dapat dijalankan minimal dengan 6 titik kontrol (atau 12
parameter), dengan ketelitian yang pada umumnya lebih akurat dibandingkan dengan
transformasi affine.
- Transformasi orde tiga, yang dapat dijalankan minimal dengan 10 titik kontrol (20
parameter), dan lebih tepat untuk daerah dengan variasi topografi yang besar.
ilustrasi proses resampling nilai piksel dari citra asli (X’,Y’)
ke citra terkoreksi (X,Y) (Jensen, 1996).
Interpolasi intensitas dilakukan dengan proses resampling. Resampling merupakan
proses penentuan kembali nilai piksel sehubungan dengan koordinat baru setelah
interpolasi spasial (ilustrasi di atas). Secara umum terdapat tiga macam teknik untuk
resampling, yaitu :
- Interpolasi nearest neighbor, dimana nilai baru untuk piksel dengan posisi baru
diambil dari nilai piksel lama pada posisi lama yang terdekat.
- Interpolasi bilinear, dimana nilai piksel baru pada posisi baru dihitung dengan
mempertimbangkan 4 nilai piksel lama pada posisi lama yang terdekat.
- Interpolasi cubic-convolution, yang memperhitungkan 16 nilai piksel lama pada posisi
lama terdekat.
IV. LANGKAH KERJA
1. Buka citra yang sudah dikoreksi radiometrik. Sebaiknya komposit.
2. Pada bar menu, klik Map > Registration > Select GCPs : Image to Map
3. Pada jendela Image to Map Registration tentukan parameter sistem koordinat UTM,
datum WGS 84, unit meter, zona 49 S, klik OK.
4. Perhatikan kenampakan obyek pada citra dan peta. Analisis daerah liputan citra, dan
tentukan berapa banyak GCP yang akan Anda gunakan, serta di mana saja.
Diskusikan dengan asisten jika perlu.
5. Pada jendela GCP Selection, masukkan koordinat peta suatu titik pada box yang
kosong, perhatikan easting dan northing-nya.
6. Untuk memasukkan koordinat tersebut sebagai GCP, arahkan cross hair
cursor pada citra ke posisi titik yang sama dengan peta (gunakan zoom agar lebih
teliti), jika sudah yakin klik Add Point, sehingga Anda memperoleh GCP nomor 1.
7. Lanjutkan untuk GCP yang lain. Jika Anda sudah memiliki minimal 4 GCP maka nilai
RMS akan muncul.
8. Untuk menampilkan list titik-titik GCP Anda, klik Show List, untuk mengurangi
besarnya RMS, pada list ini Anda bisa menonaktifkan GCP yang ’bermasalah’,
dan/atau melakukan editing.
9. Jika jumlah GCP telah sesuai dengan rencana dan RMS kecil, simpan GCP Anda. Pada
jendela GCP Selection, klik File > Save GCPs w/ map coords. Tentukan direktori dan
beri nama.
PROSES REKTIFIKASI
1. Pada jendela GCP Selection, klik Option > Warp File, tentukan file yang akan
direktifikasi, klik OK.
2. Pada jendela Registration Parameters, tentukan parameter interpolasi spasial,
interpolasi intensitas, background (0=hitam, 255=putih), dan file output. Tentukan
direktori dan beri nama smg_rgx (rg = radiometrik dan geometrik, x = saluran citra).
OK untuk eksekusi.
3. Pada jendela Available Bands List muncul file hasil rektifikasi dengan tambahan
header citra berupa Map Info yang menyimpan informasi seputar sistem proyeksi dan
koordinat citra.
4. Tampilkan citra hasil rektifikasi pada jendela image yang baru, amati
perubahannya. Cek koordinatnya dengan Cursor Location/Value.
5. Untuk melakukan rektifikasi terhadap saluran yang lain pada bar menu utama klik
Map > Registration > Warp from GCPs : Image to Map
6. Panggil file GCP Anda. Cek parameter Image to Map Registration. Tentukan file
saluran lain yang akan di rektifikasi.
7. Tentukan Registration Parameters dan output file, klik OK untuk eksekusi.
V. HASIL PRAKTIKUM
Hasil praktikum ini terlampir
VI. PEMBAHASAN
Koreksi citra ke peta menggunakan prinsip bahwa peta mempunyai system proyeksi
dan koordinat yang lebih benar sehingga dapat diacu oleh citra. Dalam proses ini, system
geometric cotra diubah menjadi planimetrik. Segala aktifitas pemanfaatan citra
memerlukan jenis koreksi ini. Meskipun demikian, metode koreksi ini tidak mampu
menghilangkan semua distorsi yang disebabkan oleh pergeseran relief pada citra. Oleh
karena itu, metode koreksi ini akan sangat terasa kekurangannya untuk menghasilkan
citra yang terproyeksi secara orthogonal penuh (orthoimage) dengan menghilangkan
semua distorsi (Jensen, 2005), seperti pada akoreksi citra resolusi spasial tinggi, misalnya
ikonos, qiuckbird, maupun orbview.
Pada praktukum ini, digunakan metode nearest neighbor. Nearest Neighbor yaitu
metode untuk mengklasifikasi sebuah data baru berdasarkan similaritas dengan label data,
dalam metode ini similaritas biasanya menggunakan matriks jarak dan satuan jarak
umumnya menggunakan euclidian. konsepnya adalah mencari jarak terdekat antara data
yang akan di evaluasi dalam data pelatihan. Perhitungan jarak dilakukan dengan konsep
euclidian. Jumlah kelas yang paling banyak dengan jarak terdekat tersebut akan menjadi
kelas dimana data evaluasi tersebut berada. Nearest Neighbor, Bilinear Interpolation dan
Cubic convolution termasuk dalam metode interpolasi yang digunakan untuk menentukan
nilai piksel untuk citra yang dikoreksi. Pada Nearest Neighbor itu nilai pikses dihitung
berdasarkan nilai piksel yang terdekat dari citra aslinya. Bilinear Interpolation itu nilai
piksel dihitung berdasarkan rata - rata dari empat piksel terdekat dari citra aslinya. Cubic
Convolution itu nilai piksel citra output didasarkan dari enam belas piksel disekitarnya.
Penentuan metode interpolasi yang akan digunakan diantaranya adalah dengan ukuran
piksel antara piksel input dengan piksel output uang diharapkan serta tujuan dari proses
resample citra itu sendiri.selain itu, pada praktikum ini menggunakan jenis geocoding
berupa polynomial, karena ukuran piksel sama dalam satu set data resolusi spasial dan
mengalami pergeseran yang linear.
Pada prakttikum ini, didapat nilai GCP sebesar 0.7, yang artinya titik ikat di lapangan
terdapat distorsi sebesar 0.7 meter. Hal ini terjadi karena kendala pada proses penentuan
GCP. Kendala berupa perbedaan resolusi spasial, perbedaan waktu perekeman citra satelit
dan peta. Perbedaan resolusi spasial menjadi hambatan karena ukuran objek pada peta
dan citra jauh berbeda, sehingga susah untuk diidentifikasi. Objek Citra landsat yang
beresolusi 30 meter sangat berbeda jauh dengan peta skala 25.000, sebagai contoh objek
jembatan pada peta dapat dikenalui simbolnya, sedangkan pada citra hanya dilakukan
identifikasi pertemuan sungai dengan jalan raya. Perbedaan waktu perekaman dan
pembuatan citra juga menjadi hambatan, peta yang waktu pembuatan lebih lampau,
terdapat beberapa objek yang tidak terdapat pada citra. Objek daerah pengunungan
seharusnya mendapatkan banyak titik GCP karena topografi yang bergelombang, tetapi
pada objek ini sulit untuk ditemukan titik ikat. Sebaran GCP mempengaruhi nilai RMS
yang didapatkan. Distribusi GCP seringkali diabaikan, dan hanya melihat nilai RMS.
Nilai RMS yang kecil belum tentu menjamin bagusnya koreksi geometric. RMS yang
sedikit lebih besar terkadang merupakan hasil yang optimal apabila kondisi medan cukup
berat dan titik control sulit dijumpai.
VII. KESIMPULAN
Pada praktikum kali ini, didapatkan nilai RMSE sebesar 0.7 meter, dengan menggunakan
metode nearest neighbor atau orde 1. Nilai RMS yang kecil belum menjadi jaminan
koreksi yang dilakukan baik dari segi spasial. Koreksi yang baik terkadang pada RMS
yang sedikit lebih besar, tetapi tersebar dengan baik pada daerah yang sulit ditemukan
titik ikatnya. Selain itu, pada praktikum ini masuk pada jenis geocoding polynomial,
karena ukuran piksel untuk satu set resolusi spasial sama dan citra mengalami pergeseran
secara linear.
VIII. TUGAS
1. Sumber kesalahan pada citra dapat dibagi menjadi kesalahan sistematik dan non-
sistematik. Apa yang dimaksud dengan kesalahan sistematik dan non-sistematik?
Bagaimana hal tersebut bisa terjadi?
Jawab :
Kesalahan sistematik merupakan kesalahan yang dapat diperkirakan
sebelumnya, dan besar kesalahannya pada umumnya konstan. Kesalahan ini terjadi
karena ada distorsi dalam alat pada saat perekaman data, seperti contoh bias pada
atmosfer. Untuk mengatasi hal ini dibuatlah software-software pengkoreksi citra.
Untuk kesalahan non sistemik merupakan kesalahan yang berasal dari luar,
seperti contoh kesalahan penaksiran objek oleh interpreter pada penentuan GCP.
Kesalahan ini terjadi karena banyaknya factor eksternal yang umumnya disebabkan
oleh human eror.
2. Proses resampling nilai piksel dapat menggunakan teknik nearest neighbor, bilinear,
dan cubic-convolution. Jika Anda akan menggunakan citra hasil koreksi geometrik
untuk analisis berbasis nilai spektral (misalnya klasifikasi multispektral), maka teknik
mana yang akan Anda gunakan untuk resampling? Jelaskan mengapa Anda pilih teknik
tersebut!
Jawab : dalam resampling citra, yang telah terkoreksi untuk tujuan analisis nilai
spectral, digunakan metode cubic-convolution karena metode ini menggunakan
mengunakan 4 x 4 piksel tetangga untuk mengambil informasi. Bicubic menghasilkan
gambar yang terasa lebih tajam dari dua metode sebelumnya, dan mungkin merupakan
kombinasi ideal waktu proses dan output yang berkualitas
IX. DAFTAR PUSTAKA
Projo, danoedoro. 2012 Penginderaan jauh digital. Jogjakarta : Penerbit Andi
Kamal, Muhammad. 2006. Petunjuk Praktikum Pengolahan Citra Digital. Yogyakarta.
Laboratorium Penginderaan Jauh Fakultas Geografi UGM.
https://senosuke.wordpress.com/2009/12/22/interpolasi/
http://rikiridwana.blogspot.com/2012/06/koreksi-geometrik.html
X. LAMPIRAN
TABEL RMSE TIAP GCP PADA CITRA
MAP IMAGERMS
X Y X Y
443194.78 9231830.30 5684.00 2447 0.89
439341.06 9230957.84 5558.00 2476 1.64
445441.45 9232613.76 5760.00 2421 0.36
435970.78 9230969.76 5444.00 2476 0.23
433472.29 9231179.56 5361.00 2468 0.89
433924.23 9228294.20 5376.00 2565 0.27
436082.00 9228385.83 5447.00 2562 0.70
439351.73 9228525.84 5556.00 2557 0.69
444476.91 9229026.03 5727.00 2540 0.68
446726.24 9230090.10 5803.00 2505 0.46
432373.93 9224529.42 5324.00 2691 0.84
435990.09 9223580.30 5444.00 2722 0.59
439423.70 9225762.71 5559.00 2650 0.76
443508.34 9224270.85 5695.00 2699 0.11
444194.02 9226069.19 5718.00 2639 0.10
447662.81 9226855.84 5834.00 2613 0.40
447041.57 9218927.67 5813.00 2877 0.73
447409.83 9223214.48 5825.00 2734 0.46
442463.82 9221247.21 5660.00 2800 0.20
445025.08 9214975.71 5745.00 3010 0.72
437006.76 9218267.49 5478.00 2899 0.39
440164.38 9222595.40 5582.00 2755 1.63
436114.67 9221360.45 5450.00 2795 1.53
435026.22 9218662.79 5412.00 2885 0.72
434928.46 9217085.26 5410.00 2938 0.84
442832.98 9219724.27 5673.00 2851 0.64
Sebaran Titik GCP Pada Citra
Cursor Locator Pada Citra yang Telah Terkoreksi Geometrik dan Radiometrik