IKE DORI CANDRA C552130111 TEKNOLOGI KELAUTAN Hyperspectral Data for Mangrove Species Mapping: A Comparison of Pixel-Based and Object-Based Approach Data Hyperspectral untuk Pemetaan Species Mangrove : Perbandingan Berbasis Piksel dan Pendekatan Berbasis Objek. (M. Kamal dan S. Phinn) IKE DORI CANDRA C552130111 TEKNOLOGI KELAUTAN

PENDAHULUAN Mangrove merupakan sumberdaya pesisir yang memiliki potensi dan peranan yang sangat penting. Lingkungan Mangrove sering tumbuh di daerah terpencil, kadang tidak dapat diakses dalam survei lapangan dan akuisisi data udara sulit dan memakan waktu Pemetaan distribusi spesies mangrove penting, untuk menilai perubahan dari waktu ke waktu dan untuk memetakan dan mengukur keanekaragaman hayati Penginderaan jauh memiliki peranan penting untuk memberikan metode yang cepat dan efisien berdasarkan pemetaan ekosistem dan pemantauan di kawasan mangrove

Potensi pencitraan hyperspectral dan pengolahan citra telah ditunjukkan untuk berbagai aplikasi dalam struktur vegetasi, komposisi dan fisiologi data yang hyperspectral dapat meningkatkan kemampuan kita untuk membedakan komposisi jenis mangrove Sebagian besar aplikasi hyperspectral untuk komposisi jenis mangrove dilakukan dengan menggunakan pendekatan pemetaan berbasis pixel, seperti maximum likelihood, spektral angle mapper (SAM), dan linear spektral unmixing (LXU)

Citra hyperspectral CASI-2 memiliki kombinasi sifat untuk pemetaan lingkungan mangrove yang akurat, yaitu band spektral sempit dan resolusi spasial tinggi, menawarkan kesempatan untuk menerapkan analisis salah satu atau berbasis berbasis obyek-pixel untuk  pemetaan mangrove Penelitian ini menilai cita/image hyperspectral CASI-2 ® udara untuk pemetaan spesies mangrove dengan mem bandingkan akurasi berbasis pixel dan Pendekat an berbasis objek yang diterapkan pada set data yang sama ditangkap di area mangrove  sub-tropis di Australia timur.

TUJUAN Untuk pemetaan spesies mangrove menggunakan basis piksel dan pendekatan berbasis obyek di wilayah Sungai Brisbane, Queensland tenggara, Australia, yang merupakan bagian dari Moreton Bay.

METODA Teknik pemetaan yang digunakan dalam penelitian ini: spektral angle mapper (SAM) dan linear spektral unmixing (LSU) untuk pendekatan berbasis pixel, dan multi-scale segmentation untuk analisis citra berbasis obyek (Object Based Image Analysis/OBIA). Sampel spektral untuk pendekatan berbasis pixel dikumpulkan berdasarkan peta komunitas vegetasi yang ada. Sembilan kelas yang ditargetkan dipetakan adalah di daerah penelitian dari masing-masing pendekatan, termasuk tiga spesies mangrove: Avicennia marina, Rhizophora stylosa, Ceriops australis.

Gambar 1. Citra CASI-2 ® daerah penelitian, sekitar Sungai Brisbane, Queensland Tenggara, Australia, dalam warna komposit palsu (R: Band 29 [799 nm], G: Band 15 [650 nm], B: Band 9 [540 nm]), diperoleh pada 29 Juli 2004. Poligon kuning menunjukkan batas-batas mangrove yang dipetakan.

Gambar 2. (a) Strategi seleksi sampel spektral untuk klasifikasi berbasis pixel. setiap gambar benda 'spektral reflektansi berasal dari benda-benda yang dikenal terkait dalam peta, pixel purity image  (PPI), dan false-color composite (FCC) . Kode objek: A adalah saltmarsh dan B ditutup Avicennia. (b) spektral reflektansi dari sembilan dikumpulkan sampel spektral dalam kode warna yang berbeda.

HASIL DAN PEMBAHASAN Secara keseluruhan, batas-batas kelas yang dihasilkan peta klasifikasi SAM menghasilkan korespondensi tingkat tinggi Avicennia marina mendominasi tutupan lahan daerah penelitian, sekitar 55.44% dari total area. Kelas Ceriops tertutup distribusinya merata, dan hanya menduduki 1,71% dari total daerah penelitian. Rhizophora tertutup kebanyakan ditemukan di sepanjang sungai Avicennia terbuka secara luas tersebar di seluruh daerah penelitian, khususnya di dalam dara tan, dan terkait dengan saltmarsh, dan menempati 14,49% dari total luas. 

Kelas saltmarsh menempati bagian dataran rendah dari daratan yang tergenang karena aliran pasang surut dari teluk dan Sungai pada saat akuisisi citra. Kelas ini diduduki sekitar 23.20% dari seluruh daerah penelitian atau 178,01 hektar. Hasil peta klasifikasi menunjukkan pola yang berbeda dibandingkan dengan klasifikasi peta SAM. Dalam hal kelas distribusi, perbedaan yang paling mencolok ditemukan antara Avicennia tertutup, terbuka dan Avicennia kelas saltmarsh menengah. Dalam klasifikasi ini, Avicennia tertutup dan Avicennia terbuka memiliki nilai area sangat tinggi, diikuti oleh saltmarsh menengah. Ketiga kelas didistribusikan secara luas pada peta, dengan persentase 32,43%, 29,75%, dan masing-masing 19,82%.

Dua daerah klasifikasi sangat berbeda ditemukan di Pulau Fisherman dan Pulau St Helena. Perbedaan Pemetaan dan metode klasifikasi yang digunakan dalam penelitian ini menghasilkan distribusi kelas lahan basah yang berbeda di peta yang diturunkan Secara keseluruhan, dua kelas, Avicennia tertutup dan Avicennia terbuka, mendominasi semua hasil klasifikasi. Hasil ini sesuai dengan studi yang dilaporkan oleh Dowling dan Duke, serta peta referensi, bahwa Avicennia marina mendominasi daerah ini. Oleh karena itu, pengklasifikasian telah berhasil mengidentifikasi pola ini. Peta yang dihasilkan menunjukkan bahwa piksel menentukan untuk kelas Avicennia dan saltmarsh dangkal cocok antara tiga klasifikasi. Hasil penilaian akurasi menunjukkan bahwa secara keseluruhan, pendekatan pemetaan berbasis obyek memiliki nilai akurasi tertinggi, baik untuk akurasi keseluruhan dan analisis Kappa.

Pola yang berbeda ditunjukkan oleh akurasi pengguna. Semua classifiers memiliki nilai rendah pengguna akurasi atau kesalahan komisi tinggi untuk kelas Avicennia terbuka. Artinya ada perkiraan lebih atas hasil klasifikasi, atau kelas- kelas lain yang sangat miss-klasifikasi dalam kelas ini.  Klasifikasi SAM dan OBIA memiliki kesalahan komisi rendah pada saltmarsh, sementara LSU pada Ceriops tertutup. Ini menunjukkan bahwa LSU adalah classifier yang kuat untuk lingkungan campuran.

Tabel 1. Ringkasan statistik dari kelas lahan basah untuk semua klasifikasi peta Wetland class SAM LSU Object-Based pixel Area (ha) % Area(ha) unclassified 3,101 4,96 0,65 906 1,45 0,19 9,85 1,28 Closed avicennia 265,894 425,43 55,44 155,560 248,90 32,43 347,24 45,25 Closed ceriops 8,187 13,10 1,71 20,992 33,59 4,38 18,37 2,39 Closed rhizophora 20,117 32,19 4,19 2,809 4,49 0,59 30,23 3,94 open avicennia 69,515 111,22 14,49 142,675 228,28 29,75 122,16 15,92 Shallow saltmarsh 59,863 95,78 12,48 35,180 56,29 7,33 40,69 5,30 Medium saltmarsh 21,436 34,30 4,47 95,059 152,09 19,82 72,48 9,44 Deep saltmarsh 5,313 8,50 1,11 4,231 6,77 0,88 29,68 3,87 Vegetated saltmarsh 24,647 39,44 5,14 6,983 11,17 1,46 81,67 10,64 Waterbody (river) 1,565 2,50 0,33 15,243 24,39 3,18 15,04 1,96 total 479,638 767,42 100,00

Gambar 1. Hasil perbandingan klasifikasi untuk salah satu daerah yang Gambar 1. Hasil perbandingan klasifikasi untuk salah satu daerah yang dipilih di lokasi penelitian. 

Gambar 2. Citra Linear spektral unmixing (LSU) masing- Gambar 2. Citra Linear spektral unmixing (LSU) masing- masing kelas dan dikombinasikan hasil klasifikasi.

Gambar 3. Citra dari setiap kelas dan kelas gabungan spektral angle mapper (SAM)

KESIMPULAN Studi ini menunjukkan kemampuan Data hyperspectral CASI-2 untuk pemetaan spesies mangrove di area uji terbatas dan dengan tiga pendekatan pemetaan yang berbeda Secara keseluruhan, dataset dan algoritma memetakan kelas sasaran dengan akurasi sedang menggunakan kedua pendekatan dan berbasis berbasis obyek pixel Hasil penelitian menunjukkan bahwa dengan menerapkan metode klasifikasi yang berbeda, menghasilkan perbedaan tingkat akurasi pemetaan.

Klasifikasi berbasis obyek memiliki akurasi keseluruhan tertinggi 76%, diikuti oleh SAM dan LSU dengan akurasi keseluruhan 69% dan 56% masing-masing. Untuk penelitian masa depan, area penelitian yang lebih besar dan jenis keragaman mangrove yang lebih tinggi dibutuhkan untuk mencapai pe mahaman yang lebih baik tentang bagaimana pengklasifikasian efektif ini untuk membedakan spesies mangrove. Tingginya tingkat bias analis interaksi yang ada dalam semua metode klasifikasi diuji tetap menjadi tantangan untuk mentransfer aturan dan algoritma untuk lokasi lain.

TERIMA KASIH