Spectral Mixture for Remote Sensing Linear Model and Aplications by Yosio Edemir Shimabukuro and Flavio Jorge Ponzoni

Penulis : (1) Sukmawati, (2)Rosalina Kumalawati, (3)Nurlina, (4)Inu Kencana Hadi

Spectral Mixture for Remote Sensing Linear Model and Applications by Yosio Edemir Shimabukuro Flvio Jorge Ponzoni

I. Pendahuluan

Penerapan teknik pemantauan jarak jauh, terutama dengan gambar orbital, telah meningkatkan kemampuan untuk memantau permukaan Bumi dari jarak jauh. Namun, penggunaan data multispektal sering kali terbatas oleh masalah campuran radiasi. Ini terjadi ketika sensor melihat aliran radiasi yang dipantulkan oleh berbagai material di permukaan Bumi, yang kemudian dicatat dalam elemen resolusi (piksel) sensor. Masalahnya terletak pada campuran ini, yang berkaitan dengan berbagai material atau objek yang ada dalam elemen resolusi pada saat pengukuran intensitas aliran radiasi.

Konsep campuran spektral telah menjadi fokus penelitian sejak awal 1970-an. Masalahnya dapat terjadi dalam dua kasus: ketika material atau objek lebih kecil dari ukuran elemen resolusi, dan ketika material atau objek lebih besar dari ukuran elemen resolusi.

Untuk mengatasi masalah campuran, ada dua pendekatan umum yang telah diambil:

1. Teknik Klasifikasi: Pendekatan ini melibatkan penggunaan teknik klasifikasi untuk mengidentifikasi dan memisahkan berbagai kelas atau jenis material dalam elemen resolusi. Namun, pendekatan ini terkadang terbatas dalam akurasi karena kompleksitas campuran spektral.

2. Pemodelan Hubungan: Pendekatan ini mencoba memodelkan hubungan antara jenis dan proporsi kelas dalam elemen resolusi dengan respons spektral kelas tersebut. Ini lebih kompleks karena mencoba menjelaskan bagaimana jenis dan proporsi material dalam piksel terkait dengan karakteristik spektralnya. Metode least squares dan maximum likelihood sering digunakan untuk memecahkan masalah ini secara matematis.

Model campuran spektral linier telah menjadi alat penting dalam proyek-proyek skala besar seperti estimasi dan pemantauan area yang ditebang dan terbakar di Amazon Legal dalam pendekatan digital.

II. Asal Usul Nomor Digital (DN)

Sinyal digital (DN) dalam gambar orbital atau yang dihasilkan oleh sensor udara dihasilkan dari radiasi elektromagnetik yang dipantulkan dari permukaan Bumi dan objek lainnya menuju sensor dalam bentuk fluks dengan intensitas tertentu. Intensitas ini disebut radiansi dan diukur dalam panjang gelombang spektral yang berbeda. DNs adalah nilai numerik yang berbanding lurus dengan nilai radiansi (intensitas) yang diukur dalam berbagai band spektral. Hubungan antara radiansi yang diukur secara efektif oleh sensor dan DNsnya dijelaskan oleh persamaan linear. Informasi tentang G, offset, Lmin, dan Lmax biasanya disediakan oleh pihak yang bertanggung jawab atas distribusi data sensor. Konversi L0 ke DN dilakukan di setiap band spektral di mana sensor dirancang untuk beroperasi. Pentingnya memahami karakteristik sensor dan konversi DN menjadi variabel fisik yang terkait dengan sifat spektral target. 

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.

VI. Aplikasi Gambaran Fraksi

Pemanfaatan representasi visual fraksi dari model campuran spektral linear dalam proyek pemantauan lingkungan, terutama dalam konteks pemantauan hutan di wilayah Amazon Legal Brazil. Untuk memperkenalkan upaya pengelolaan di Amazon Legal Brazil, pembentukan "Superintendncia do Desenvolvimento da Amaznia" (SUDAM) dan "Banco da Amaznia" (BASA) pada tahun 1966 telah mendukung investasi dalam proyek pertanian, baik untuk produsen kecil maupun besar. Namun, pemberian insentif pajak kepada produsen besar telah menjadi faktor utama dalam deforestasi, sedangkan praktik pertanian berkelanjutan dari produsen kecil cenderung memiliki dampak yang lebih terbatas pada deforestasi.

Selain itu, kegiatan ekonomi lainnya seperti pertambangan dan eksploitasi kayu juga ikut serta dalam menyumbang deforestasi di Amazon Legal Brazil. Kawasan-kawasan yang mengalami deforestasi di wilayah ini terutama terpusat di bagian selatan dan timur Amazon Legal Brazil, mulai dari Acre hingga negara bagian Maranho. Sejak tahun 1973, pemerintah Brasil telah menggunakan gambar Landsat melalui proyek PRODES yang dilaksanakan oleh INPE untuk memantau deforestasi di wilayah Amazon. Namun, keterbatasan dalam resolusi dan frekuensi gambar Landsat menghambat kemampuan pemantauan untuk merespons perubahan dengan cepat. Sebagai alternatif, proyek DETER menggunakan gambar MODIS untuk memantau deforestasi secara real-time, meskipun dengan keterbatasan dalam resolusi. Pemanfaatan gambar fraksi dari model campuran spektral linear telah memperkuat proyek-proyek PRODES dan DETER, memberikan kontribusi yang signifikan dalam meningkatkan pemantauan deforestasi di Amazon Legal Brazil dan mendukung pengambilan keputusan dalam kebijakan lingkungan.

VII. Pertimbangan Akhir

Model linear ditekankan karena kemudahan implementasinya dan hasil yang memuaskan. Model campuran spektral linear merupakan teknik untuk mengubah informasi spektral dari data penginderaan jauh menjadi proporsi fisik dari komponen-komponen (endmembers) dalam piksel, yang disebut sebagai gambar fraksi. Model ini bertujuan untuk mereduksi data dan meningkatkan informasi tentang komponen-komponen dalam piksel gambar. Meskipun bukan merupakan pengklasifikasi tematik, model ini memberikan informasi berguna dari gambar fraksi untuk berbagai aplikasi di berbagai bidang.