Tugas

Eko Billy Setiawan09/280425/TK/3471611

Tugas Geologi Penginderaan JauhI. Metode Interpolasi1. Spline

Gambar 1.1. Hasil Analisa Spline (Childs, 2004:34)Metode ini mengestimasi nilai menggunakan fungsi matematika yang meminimalisir lengkungan permukaan, ini menghasilkan permukaan halus yang pas berada pada input point (Childs, 2004:34). Secara konsepsual, ini seperti merentangkan karet melewati titik sementara meminimalisir total lengkungan pada permukaan, akibatnya metode ini dapat memprediksi lembah dan tebing pada data dan juga merupakan metode yang paling tepat digunakan untuk mempresentasikan secara halus berbagai fenomena yang terjadi d permukaan seperti temperature.Spline sendiri dapat di bagi 2 (Childs, 2004:34) :a. Regularized, tipe ini mengkorporasikan turunan pertama (lembah), turunan kedua (laju perubahan lembah), dan turunan ketiga (laju perubhan pada turunan kedua) kepada kalkulasi yang digunakan untuk meminimalisirb. Tension, tipe ini hanya menggunakan turunan pertama dan kedua namun tipe ini memasukkan titik lebih banyak pada kalkulasinya sehingga menghasilkan permukaan yang halus dengan tolak balik bertambahnya waktu komputasi/perhitungan.Keuntungan: Mempunyai ciri yang lebih kecil daripada IDW Menghasilkan data keseluruhan yang lebih jelas, metode ini juga akan menangkap trend pada data (rendah atau tinggi walaupun tidak diukur) Bersifat menerus, sehingga gampang untuk menghitung turunan dari topologiKerugian: Tidak ada estimasi error seperti IDW Akan mengalami masalah jika titik terletak berkumpul dan nilai yang sangat berbeda Terkadang menghasilkan permukaan yang terlalu halus

2. IDW (Inverse Distance Weighting)

Gambar 2.1. Hasil Analisa IDW (Childs, 2004:34)Metode ini lebih optimal jika digunakan ketika titik-titik yang ada cukup padat untuk menangkap keseluruhan variasi permukaan local yang diperlukan untuk analisa. IDW memberikan berat tiap nilai dari titik berdasarkan jarak ke sel yang dianalisa dan rata-rata nilainya. IDW juga mengasumsi bahwa nilai yang tidak diketahui dipengaruhi oleh titik yang dekat daripada titik yang jauh, tetapi kita dapat mengkontrol bagaimana kecepatan decay nya, sementara pengaruhnya berkurang berdasarkan jarak (Troy, 2004:4). IDW tidak mempunyai metode untuk mengetes kualitas dari prediksi, sehingga tes validitas lebih lanjut diperlukan, metode ini juga sensitive terhadap sampling, yang akan menimbulkan pola melingkar sepanjang data yang terisolasi (bulls eye effect).

Keuntungan: Paling mudah untuk dipahami Menggunakan pembatas (Barrier) Mempunyai estimasi error Memberikan peneliti kontrol penuh terhadap pengaruh dari jarakKerugian: Tidak akan memberikan estimasi nilai diluar pengukuran Bulls eye effect

3. Krigging

Gambar 3.1. Hasil Analisa Krigging (Childs, 2004:34)Krigging merupakan metode interpolasi statistic yang kuat, digunakan untuk aplikasi beragam seperti sains kesehatan, geokimia, dan modeling polusi, krigging mengasumsi bahwa jarak atau arah antara titik sampel merefleksikan korelasi spasial yang bisa digunakan untuk menjelaskan variasi di permukaan (Childs, 2004:34).Metode ini mengukur jarak antara semua kemingkinan pasangan dari titik sampel dan menggunakan informasi ini untuk memodelkan spatial autocorrelation untuk permukaan tertentu yang sedang dinterpolasi, dengan kata lain krigging menyesuaikan kalkulasinya terhadap data kita dengan menganalisa semua titik data untuk menemukan seberapa banyak autocorrelation (Amos, 2006:31).Krigging paling cocok digunakan ketika bias korelasi jarak atau arah secara spasial diketahui dan paling sering digunakan untuk aplikasi ilmu sains tanah dan geologi. Prediksi nilai diturunkan dari oengukuran hubungan sampel menggunakan teknik rata-rata tertimbang yang canggih. Metode ini menggunakan radius pencarian yang bias tetap atau bervariasi, nilai sel yang dihasilkan bias melewati kisaran nilai dari sampel, dan permukaan tidak menembus sampel.Tipe-tipe Krigging:1. Universal KriggingAda kecenderungan utama dalam data. Sebagai contoh, anda mungkin tahu bahwa ada angin yang berlaku atau bukit landai di wilayah studi anda2. Ordinary KriggingTidak ada kecenderungan utama pada data, dimana ini merupakan asumsi standar operasi.Keuntungan: Lebih realistik dari kebanyakan metode interpolasi (lebih terbukti secara matematis) Output dapat meliputi tabel & nilai error permukaanKerugian: Tidak untuk pemula, rumit digunakan

Tipe apa yang paling cocok digunakan: Tipe interpolasi yang digunakan akan tergantung dari beberapa factor. Daripada mengasumsi bahwa satu teknik lebih baik dari teknik lainnya maka lebih baik mencoba beberapa teknik interpolasi dan membandingkan hasilnya untuk mendapatkan metode yang paling baik untuk proyek yang dikerjakan. Jika beberapa fitur dari permukaan yang diteliti melewati nilai z, maka IDW akan menghasilkan permukaan yang tidak melewati titik tertinggi dan terendah dari nilai z pada set titik sampel, maka dalam kasus ini lebih baik menggunakan metode spline. Jika kita tahu bahwa permukaan spline akan menghasilkan fitur yang kita tahu tidak ada karenainterpolasi spline tidak terlalu berkerja dengan baik terhadap titik sampel yang berkumpul berdekatan dan mempunyai perbedaan nilai yang besar, maka lebih baik menggunakan IDW Kualitas titik sampel juga akan menpengaruhi keputusan anda akan metode yang terbaik. Jika titik sampel tidak terdistribusi dengan baik atau hanya sedikit, permukaannya mungkin tidak akan merpresentasikan keadaan sebenarnya. Jika kasus ini anda alami maka anda bisa bereksperimen dengan menambah data pada area dimana permukaan tanah berubah secara tiba-tiba atau sering, maka untuk kasus ini lebih baik digunakan metode krigging.

Daftar Pustaka :Amos, Paul. 2006. Interpolating Raster Surfaces. 41p Childs, Colin. 2004. Interpolating Surfaces in ArcGIS Spatial Analyst. ArcUser. 35pTroy, Austin. 2004. Basic Geostatistic. 36p

II. Landsat Spectral BandsBandWavelength (m)Keterangan

Band 1 (Biru-hijau)0.45-0.52 gelombang cahaya pendek ini mempunyai daya penetrasi yang lebih bagus daripada pita lainnya, dan sering digunakan untuk memonitor ekosistem aquatic (memetakan sediment di air, coral reef, habitat, dll). Sayangnya pita ini merupakan pita yang paling banyak noise sehingga sangat rentan terhadap atmospheric scatter.

Band 2 (Hijau)0.52-0.60mempunyai kualitas sama dengan pita 1 namun tidak seekstrim pita 1. pita no ini dipilih karena sama dengan panjang gelombang dari hijau yang kita lihat pada tumbuhan

Band 3 (Merah)0.63-0.69karena tumbuhan meresap hampir semua sinar merah, pita no 3 sangat berguna untuk membedakan antara vegatasi dan tanah serta memonitor kesehatan vegetasi

Band 4 (Hampir Inframerah)0.76-0.90karena air meresap semua sinar pada panjang gelombang ini, tubuh air terliahat sangat gelap. Berbeda dengan cerahnya warna tanah dan vegetasi sehingga pita no 4 bagus digunakan untuk membedakan tubuh air dan daratan

Band 5 (Mid-inframerah)1.55-1.75pita no ini sangat sensitif terhadap kelembapan dan digunakan untuk memonitor vegetasi dan kelembapan tanah. Juga sangat bagus dalam membedakan awan dan salju

Band 6 (Inframerah Thermal)10.40-12.50merupakan pita thermal, sehingga dapat digunakan untuk mengukur temperatur permukaan. Pita 6 biasanya digunkan untuk aplikasi geologi namun terkadang digunkan untuk mengukur tahanan panas tumbuhan. Pita ini digunakan juga untuk membedakan awan dari tanah cerah karena awan cenderung sangat dingin

Band 7 (Mid-inframerah)2.08-2.35pita no ini juga digunakan untuk mengukur kelembapan vegetasi walupun umumnya pita no 5 yang digunakan, dapat juga digunkan untuk pemetaan geologi dan tanah

Citra landsat terdiri atas tujuh band (pita) yang berbeda, tiap pita masing-masing mewakili bagian yang berbeda dari spectrum elektromagnetik. Dalam rangka untuk bekerja dengan kombinasi pita landsat (komposit RGB dari 3 pita) pertama-tama kita mesti mengerti akan spesifikasi tiap pita/band. Tabel 2.1. Landsat Spectral BandInterpretasi Citra Landsat Objek sama berbeda kombinasi band)1. Citra 1 (347)

2. Citra 1 (352)

3. Citra 1 (432)

Kombinasi pita diatas menghasilkan citra komposit yang disebut Near Infrared Composite, menambahkan pita near infrared (NIR) dan menurunkan kenampakan pita biru menimbulkan citra diatas. Vegetasi pada citra NIR sangat reflektif akibat klorofil, dan citra diatas menunjukkan dengan jelas beragam vegetasi bdalam nuansa merah, air akan kelihatan gelap, hampir hitam, akibat terserapnya energi pada pita merah dan NIR4. Citra 1 (452)

5. Citra 1 (457)

6. Citra 1 (542)

7. Citra 1 (547)

8. Citra 1 (732)

9. Citra 1 (752)