Sebelumnya telah dijelaskan tentang perbedaan antara DNs dalam berbagai band spektral dan bagaimana DNs tidak dimaksudkan untuk mengkarakterisasi objek secara spektral. Konversi antara L0 dan DN dilakukan secara spesifik dalam setiap band spektral sensor. IFOV dan EIFOV dari sensor memengaruhi resolusi spasialnya, sementara DN hanya merupakan nilai dalam array numerik. Radiansi yang diukur oleh sensor dipengaruhi oleh berbagai faktor, termasuk radiasi langsung dan difus yang diterima dari matahari dan interaksi dengan objek di permukaan Bumi. Memahami aspek-aspek teknis sensor penting dalam aplikasi model pencampuran spektral linear.
III. Sensor Orbital
Pengembangan teknologi penginderaan jauh dimulai pada akhir abad ke-18 dengan penggunaan kamera fotografi awal. Kemudian, misi luar angkasa pertama pada akhir 1950-an dan awal 1960-an mempercepat kemajuannya. Sensor orbital mulai dikembangkan untuk mengumpulkan data dari permukaan Bumi, yang kemudian digunakan dalam program-program seperti Landsat dan SPOT untuk pembuatan peta tematik dan pemantauan sumber daya alam.
Program Earth Observing System (EOS) di Amerika Serikat, pada akhir 1980-an hingga awal 1990-an, memacu pengembangan sensor dengan resolusi yang beragam. Fokusnya adalah untuk menghasilkan data tidak hanya untuk tujuan pemetaan, tetapi juga untuk mengukur parameter geofisika dan biofisika. Sensor orbital seperti MODIS, VIIRS, SPOT Vegetation, Landsat, dan Hyperion mengumpulkan data untuk berbagai aplikasi, termasuk pemantauan lanskap, kesehatan vegetasi, dan karakterisasi spektral objek. Inovasi terus berkembang, memberikan akses yang lebih luas bagi komunitas pengguna data pemantauan jarak jauh terhadap informasi dari permukaan Bumi. Selain itu, model pencampuran spektral juga digunakan untuk mengekstraksi informasi dari volume besar data yang tersedia.
VI. Model Campuran Spektral Linear
Pertama-tama, penting untuk memahami bahwa fraksi atau proporsi dari setiap "objek" dalam sebuah piksel dapat dihitung dengan menggunakan model matematika tertentu. Salah satu model yang umum digunakan adalah model campuran spektral linear (LSMM), yang menggambarkan kontribusi setiap objek dalam sebuah piksel dengan pendekatan linear. Dalam LSMM, respons spektral di setiap piksel dianggap sebagai kombinasi linear dari respons spektral setiap komponen yang hadir dalam campuran tersebut. Dengan demikian, kita dapat memperkirakan respons spektral dari setiap komponen berdasarkan fraksi mereka dalam piksel.
Sebagai contoh, dalam kasus gambar pankromatik dengan resolusi radiometrik 8-bit, kita dapat menggunakan model campuran spektral linear untuk menghasilkan dua gambar fraksi (terang dan gelap) dari gambar pankromatik tersebut. Proses ini melibatkan penyelesaian sistem persamaan yang melibatkan respons spektral piksel dan fraksi masing-masing objek dalam campuran. Dengan demikian, kita dapat memperoleh informasi tentang fraksi dan respons spektral dari setiap objek dalam gambar tersebut.
Untuk menghasilkan gambar fraksi, penting untuk memilih endmember atau komponen murni yang merupakan representasi spektral dari objek dalam gambar. Hal ini dapat dilakukan dengan memilih endmember langsung dari gambar (image endmembers) atau dari data laboratorium/lapangan (reference endmembers). Pemilihan endmembers ini merupakan langkah kunci untuk kesuksesan penerapan model campuran spektral.
V. Gambaran Fraksi
Fraksi gambar adalah hasil dari algoritma matematis yang merepresentasikan proporsi komponen dalam campuran spektral, seperti vegetasi, tanah, dan bayangan/air. Model campuran spektral mengubah informasi spektral menjadi informasi fisik dalam gambar fraksi, yang membantu menonjolkan area-area tertentu dalam citra untuk memfasilitasi ekstraksi informasi. Setelah penerapan model campuran, citra baru dihasilkan yang mencerminkan nilai proporsi komponen dalam setiap piksel, memungkinkan interpretasi yang bermanfaat untuk fotointerpretasi. Penggunaan sejumlah terbatas pita spektral dari sensor yang berbeda dapat menghasilkan penurunan dimensi yang signifikan dari data yang dianalisis, dengan kemungkinan evaluasi kinerja model melalui analisis gambar kesalahan.
Gambar fraksi disajikan dalam skala abu-abu, di mana nilai DN (Digital Number) secara langsung terkait dengan proporsi masing-masing komponen dalam piksel yang sesuai. Interpretasi gambar fraksi berdasarkan tingkat kecerahan, dimana proporsi endmember yang lebih tinggi dalam piksel menghasilkan gambar yang lebih cerah. Pilihan konvensi visual seperti pemberian warna atau pembalikan nada gambar fraksi dapat membantu dalam visualisasi pola. Kesalahan gambar dapat dihitung untuk mengevaluasi kinerja model, menyoroti aspek yang tidak standar ketika model tidak cocok. Dengan demikian, model campuran spektral adalah alat yang efektif untuk menghasilkan informasi yang berharga dari data spektral multispektral.
