Interpretasi Citra Satelit Untuk Penyusunan PDD A/R CDM Delon Marthinus CER Indonesia

Outline Sistem penginderaan jauh Pengolahan citra satelit Manfaat untuk sektor kehutanan (A/R CDM)

I. Sistem Pengideraan Jauh Apa itu Pengideraan jauh? Ilmu atau cara mendapatkan informasi suatu objek tanpa bersentuhan dengan objek tesebut.

Platforms Airborne/pesawat udara Spaceborne/satelit luar angkasa Coverage/cakupan (relatif kecil) sensor attitude/tinggi sensor (relatif rendah) Spaceborne/satelit luar angkasa Coverage/cakupan relatif luas dan periodik Sensor attitude/ ketinggian sensor tinggi

Platform for Earth Observation Rocket Satellite Balloon Aero plane Helicopter Crane 1000 Km 100 10 1 0 Km

Sensor Active (Sensor give radiation/signal and the reflected signal received by the same sensor) a. Laser scanner b. Radar altimeter c. Imaging radar Passive (Only received signal from objects) a. Gamma-ray spectrometer b. Aerial camera c. Video camera d. Multispectral scanner e. Imaging spectrometer

Sensor

Aerial Photograph Digital Color 1:5,000 of Aceh

Landsat 7 ETM+ (Sunda Strait)

Advanced Space borne Thermal Emission & Reflection Radiometer (ASTER) – Berau, East Borneo

Radar Image, Int. Airport, Jakarta

2. Pengolahan Citra Satelit Interpretasi citra satelit

MANUAL INTERPRETATION CITRA SATELIT KOREKSI CITRA EKSTRAKSI DATA PENGAYAAN DATA PENENTUAN LOKASI KAJIAN MANUAL INTERPRETATION PROSES INTERPRETASI DATA PENUNJANG UNSUPERVISED SUPERVISED HASIL INTERPRETASI PROSES SETELAH INTERPRETASI UJI AKURASI DATA/PETA

Interpretasi secara manual : Keuntungan : Membutuhkan peralatan yang sederhana dan lebih mudah untuk dipelajari. Kelemahan : Dalam melakukan analisis ada keterbatasan, karena hanya dapat melakukan interpretasi 1 chanel atau 1 data citra, oleh karena itu sulit untuk membentuk interpretasi dengan menggunakan beberapa citra secara bersamaan. (multiple images).

Interpretasi digital Keuntungan : analisis lebih simultan menggunakan beberapa beberapa channel ataupun data citra yang berbeda waktu (multi dates). lebih cepat, walaupun dengan data citra yang cukup besar, hal ini tergantung dari kemampuan komputer yang akan digunakan. Analisis digital berdasarkan manipulasi nilai digital pada komputer dan selanjutnya lebih obyektif, sehingga secara umum hasilnya lebih konsisten. Kelemahan : Membutuhkan peralatan yang harus dipelajari secara khusus dan relatif mahal

SUPERVISED CLASIFICATION Dalam Klasifikasi supervised, operator mengidentifikasi obyek citra berdasarkan sample dari perbedaan kenampakan permukaan. Sample tersebut ditunjukkan pada training area. Pemilihan training area ditentukan oleh operator berdasarkan pengalaman dan pengetahuan terhadap lokasi dilapangan untuk diterapkan ke dalam citra. Selanjutnya operator melakukan pengecekan atau supervisi kebenaran sample tersebut. Berdasarkan nilai spektral yang sama, dengan menggunakan program khusus atau algoritma, komputer akan menentukan kelas berdasarkan pada sampel yang telah kita tentukan sebelumnya

SUPERVISED CLASIFICATION

UNSUPERVISED CLASIFICATION kita mempunyai sedikit informasi tentang dataset kita. Klasifikasi data unsupervised memulai mengklarifikasi dari kelas-kelas atau wilayah-wilayah yang kita spesifikasikan atau dari jumlah nominal kelas. Klasifikasi unsupervised secara sendiri akan mengatagorikan semua pixel menjadi kelas-kelas dengan menampakan spectral atau karakteristik spectral yang sama. Hasil klasifikasi dipengaruhi oleh parameter-parameter yang kita tentukan dalam kotak dialog klasifikasi unsupervised.

UNSUPERVISED CLASIFICATION Klasifikasi unsupervised akan menghitung secara statistik untuk membagi dataset menjadi kelas-kelas sesuai dengan jumlah kelas yang kita inginkan. Biasanya hasil-hasil klasifikasi unsupervised harus diinterpretasi dengan menggunakan data yang sebenarnya dilapangan untuk menentukan kelas-kelas yang mempresentasikan area atau wilayah sebenarnya di lapangan. Dari informasi ini mungkin kita bisa memutuskan untuk mengkombinasi atau menghapus kelas-kelas yang diinginkan. Kita perlu juga untuk memberi warna dan nama untuk masaing-masing kelas.

UNSUPERVISED CLASIFICATION

Manfaat untuk sektor kehutanan (A/R CDM) Menentukan lokasi eligible land (lahan yang layak) untuk A/R CDM Menentukan luas daerah Eligible land Mempermudah penghitungan kandungan biomassa pohon hingga kandungan karbon pada lokasi yang luas

METHODOLOGY Land Cover Classification and Eligible land development

1134.5 ha LCC 1989-2006 HECTARE Bush/Shrubs - Bush/Shrubs 19.4 Bush/Shrubs - Savannah 118.4 Savannah - Bush/Shrubs 65.4 Savannah - Savannah 1016.1 TOTAL 1219.3

SELESAI TERIMA KASIH