Lagi

Orfeo Toolbox (OTB) Ekstraksi tekstur Haralick tidak berjalan

Orfeo Toolbox (OTB) Ekstraksi tekstur Haralick tidak berjalan


Saya menggunakan QGIS 2.8.1 (Wien) 64-bit

Ketika saya menjalankannya, kesalahan ini segera muncul:

Algorithm Haralick Texture Extraction dimulai… jenis operan yang tidak didukung untuk +: 'NoneType' dan 'str' Lihat log untuk detail lebih lanjut

Saya pikir kesalahan kotak alat orfeo saya karena masalah yang sama ketika saya menjalankan alat lain (pansharpening), ada yang bisa membantu saya?


Periksa apakah Orfeo Toolbox memang terinstal. Meskipun toolbox terlihat dari dalam QGIS 64 bit, mungkin toolbox tersebut belum diinstal. Bisa juga jalur untuk menginstal belum terdaftar dengan benar.

Versi 64 bit dari versi QGIS ini tidak menyertakan binari OTB. Instal QGIS versi 32 bit untuk dukungan OTB di luar kotak.


Orfeo Toolbox (OTB) Ekstraksi tekstur Haralick tidak berjalan - Sistem Informasi Geografis


Nilai

Haralick, R.M., K. Shanmugam dan I. Dinstein. 1973. Fitur Tekstur untuk Klasifikasi Gambar. Transaksi IEEE pada Sistem, Manusia dan Sibernetika. SMC-3(6):610-620.
Panduan Perangkat Lunak Orfeo Toolbox, 2016
"sederhana":
menghitung 8 fitur tekstur Haralick lokal berikut: Energi, Entropi, Korelasi, Momen Selisih Terbalik, Inersia, Cluster Shade, Cluster Prominence, dan Haralick Correlation. Mereka disediakan dalam urutan yang tepat ini dalam gambar keluaran. Dengan demikian, aplikasi ini menghitung tekstur Haralick berikut di atas lingkungan dengan radius yang ditentukan pengguna.
Untuk meningkatkan kecepatan komputasi, digunakan varian dari Gray Level Co-occurrence Matrix (GLCM) yang disebut Gray Level Co-occurrence Indexed List (GLCIL). Diberikan di bawah ini adalah penjelasan matematis pada perhitungan masing-masing tekstur. Di sini g( i,j) adalah frekuensi elemen dalam GLCIL yang indeksnya adalah i,j . GLCIL menyimpan sepasang frekuensi dua piksel dari offset yang diberikan dan indeks sel (i,j) piksel di jendela lingkungan. Dimana setiap elemen dalam GLCIL adalah sepasang indeks piksel dan frekuensinya, g(i,j) adalah nilai frekuensi dari pasangan yang memiliki indeks i,j .

Energi
Entropi
Korelasi
Inersia (kontras)
Cluster Naungan
Keunggulan Cluster
Korelasi Haralick

"canggih":
menghitung 10 fitur tekstur berikut: Mean, Variance, Dissimilarity, Sum Average, Sum Variance, Sum Entropy, Difference of Entropies, Difference of Variances, IC1 dan IC2. Mereka disediakan dalam urutan yang tepat ini dalam gambar keluaran. Tekstur dihitung melalui jendela geser dengan radius yang ditentukan pengguna. Untuk meningkatkan kecepatan komputasi, digunakan varian dari Gray Level Co-occurrence Matrix (GLCM) yang disebut Gray Level Co-occurrence Indexed List (GLCIL). Diberikan di bawah ini adalah penjelasan matematis pada perhitungan masing-masing tekstur. Di sini g( i,j) adalah frekuensi elemen dalam GLCIL yang indeksnya adalah i,j . GLCIL menyimpan sepasang frekuensi dua piksel dari offset yang diberikan dan indeks sel ( i,j) dari piksel di jendela lingkungan. (dimana setiap elemen dalam GLCIL adalah sepasang indeks piksel dan frekuensinya, g( i,j) adalah nilai frekuensi dari pasangan yang memiliki indeks i,j .

Berarti
Jumlah kuadrat: Varians
Perbedaan
Jumlah rata-rata
Jumlah Varians
Jumlah Entropi
Selisih varian
Perbedaan entropi
Informasi Ukuran Korelasi IC1
Informasi Ukuran Korelasi IC2

menghitung 11 koefisien tekstur statistik tingkat tinggi lokal berdasarkan matriks run-length tingkat abu-abu. Ini menghitung tekstur Haralick berikut melalui jendela geser dengan radius yang ditentukan pengguna: (di mana p( i,j) adalah elemen dalam sel i,j dari Matriks Panjang Jalan yang dinormalisasi (n_r) adalah jumlah total proses dan n_p adalah jumlah piksel):

Penekanan Jangka Pendek
Penekanan Jangka Panjang
Ketidakseragaman Tingkat Abu-abu
Ketidakseragaman Panjang Lari
Penekanan Lari Tingkat Abu-abu Rendah
Penekanan Lari Tingkat Abu-abu Tinggi
Penekanan Tingkat Abu-abu Rendah Jangka Pendek
Penekanan Tingkat Abu-abu Tinggi Jangka Pendek
Penekanan Tingkat Abu-abu Rendah Jangka Panjang
Penekanan Tingkat Abu-abu Tinggi Jangka Panjang


Abstrak

Analisis Gambar Berbasis Objek Geografis (GEOBIA) semakin banyak digunakan untuk memproses citra resolusi spasial tinggi, dengan aplikasi mulai dari deteksi spesies tunggal hingga pemetaan habitat dan tutupan lahan. Segmentasi gambar memainkan peran kunci dalam alur kerja GEOBIA, memungkinkan untuk mempartisi gambar menjadi wilayah yang homogen dan saling eksklusif. Meskipun demikian, teknik segmentasi memerlukan parameterisasi yang kuat untuk mencapai hasil terbaik. Seringkali, parameterisasi yang tidak tepat menyebabkan hasil yang kurang optimal dan kesulitan dalam membandingkan metode yang berbeda.

Di sini, kami menyajikan pendekatan berdasarkan Algoritma Genetika (GA) untuk mengoptimalkan parameter segmentasi gambar dengan menggunakan skor kinerja dari klasifikasi berbasis objek, sehingga memungkinkan untuk menilai kecukupan gambar tersegmentasi dalam kaitannya dengan masalah klasifikasi. Pendekatan ini diimplementasikan dalam paket R baru yang disebut SegOptim, di mana beberapa algoritma segmentasi dihubungkan, sebagian besar dari perangkat lunak sumber terbuka (GRASS GIS, Orfeo Toolbox, RSGISLib, SAGA GIS, TerraLib), tetapi juga dari perangkat lunak berpemilik (ESRI ArcGIS). SegOptim juga menyediakan akses ke beberapa algoritma klasifikasi pembelajaran mesin yang saat ini tersedia di R, termasuk Gradient Boosted Modelling, Support Vector Machines, dan Random Forest.

Kami menguji pendekatan kami menggunakan gambar resolusi spasial sangat tinggi hingga tinggi yang dikumpulkan dari Unmanned Aerial Vehicle (0,03 – 0,10 m), WorldView-2 (2 m), RapidEye (5 m) dan Sentinel-2 (10 – 20 m) di enam lokasi uji berbeda yang terletak di Portugal utara dengan berbagai kondisi lingkungan dan untuk tujuan yang berbeda, termasuk deteksi spesies invasif dan pemetaan tutupan lahan. Hasilnya menyoroti nilai tambah dari perbandingan baru kami tentang segmentasi gambar dan algoritma klasifikasi. Kinerja klasifikasi secara keseluruhan (dinilai melalui validasi silang dengan indeks Kappa) berkisar antara 0,85 hingga 1,00. Uji coba menunjukkan bahwa pendekatan berbasis GA kami mampu memberikan hasil yang baik untuk mengoptimalkan parameter algoritme segmentasi yang berbeda, dengan manfaat untuk akurasi klasifikasi dan untuk perbandingan lintas teknik. Kami juga memverifikasi bahwa tidak ada kombinasi tertentu dari segmentasi gambar dan algoritma klasifikasi yang cocok untuk semua tugas/tujuan. Akibatnya, sangat penting untuk membandingkan dan mengoptimalkan metode yang tersedia untuk memahami mana yang lebih cocok untuk tujuan tertentu.

Pendekatan kami memungkinkan integrasi yang lebih dekat antara tahap segmentasi dan klasifikasi, yang sangat penting untuk alur kerja GEOBIA. Hasil dari pengujian kami mengkonfirmasi bahwa integrasi ini memiliki manfaat untuk membandingkan dan mengoptimalkan kedua proses. Kami membahas beberapa keterbatasan SegOptim pendekatan (dan solusi potensial) serta peta jalan masa depan untuk memperluas fungsinya saat ini.


Metode II

Ii.1 Ikhtisar

Orfeo ToolBox (OTB) adalah perpustakaan untuk pemrosesan gambar RS, dibangun di atas kerangka pengembangan aplikasi yang banyak digunakan dalam pemrosesan gambar medis, Insight Toolkit (ITK) ITK . Kerangka pembelajaran mesin OTB mampu memproses kumpulan data besar pada skala benua untuk pemetaan tanah INGLADA dan memanfaatkan arsitektur Komputasi Kinerja Tinggi (HPC) seperti cluster CRES . TensorFlow (TF) adalah library untuk pemrograman aliran data. Ini adalah perpustakaan matematika simbolis, dan secara intensif digunakan untuk aplikasi pembelajaran mesin seperti jaring dalam. Itu juga dapat beroperasi dalam skala besar dalam arsitektur HPC seperti GPU. Kami bertujuan untuk memperluas kerangka kerja pembelajaran mesin kaya yang ada dari OTB dengan TF. Implementasi jaring dalam yang canggih harus diaktifkan dengan upaya minimal, dan kesempatan untuk menerapkannya pada gambar RS harus diberikan kepada non-pengembang, yaitu pengguna. Kerangka pembelajaran mesin berorientasi pengguna yang ada dari OTB harus dipertahankan. Kami juga mencari implementasi komponen yang dapat digunakan secara transparan di dalam pipa OTB mana pun, untuk memungkinkan kombinasi pendekatan yang sudah diterapkan dengan DL. Di bagian berikut, kami memberikan deskripsi kerangka kerja pemrosesan perpustakaan (Bagian II.2 dan II.3). Kemudian kami memperkenalkan komponen yang sesuai dengan OTB tingkat rendah di Bagian II.4 dan aplikasi OTB berorientasi pengguna baru kami di Bagian II.5 . Terakhir, kami menganalisis penampilan pendekatan kami dengan jaring dalam RS yang canggih di Bagian III .

Ii.2 Paradigma perpustakaan

Bagian ini menjelaskan logika pemrosesan OTB dan TF.

Ii.2.1 Alur kerja OTB

Pipeline mengacu pada grafik terarah dari objek proses, yang dapat berupa sumber (memulai pipeline), filter (memproses data) atau mapper (biasanya, menulis hasil pada disk). Sumber dan filter dapat menghasilkan satu atau beberapa objek data (misalnya gambar, vektor). Dengan cara yang sama, filter dan mapper menggunakan satu atau beberapa objek data. Arsitektur OTB mewarisi dari ITK dan menyembunyikan kompleksitas mekanisme internal untuk eksekusi pipeline, yang melibatkan beberapa langkah. Penjelasan rinci tentang mekanisme pipa dapat ditemukan di OSA termasuk gambar dan diagram urutan. Eksekusi pipeline dimulai dari mapper, memicu filter upstream-nya. Saat filter dipicu, informasi tentang data input wajib (yaitu informasi tentang data output objek proses hulu) juga diminta di hulu. Dengan cara ini, itu disebarkan kembali melalui pipa, dari pembuat peta ke sumber melalui filter. Setelah permintaan ini mencapai sumber, informasi objek data dihasilkan (misalnya ukuran gambar, jarak piksel) kemudian disebarkan ke hilir ke pembuat peta. Perlu dicatat bahwa filter berpotensi mengubah informasi ini, sesuai dengan proses yang mereka terapkan (misalnya mengubah ukuran gambar) yang merupakan kasus dengan pengambilan sampel ulang gambar misalnya. Akhirnya, mereka mencapai pembuat peta, memulai pemrosesan data. Informasi mengenai ukuran citra yang akan dihasilkan, kemudian digunakan oleh mapper untuk memilih strategi pemisahan. Skema pemisahan default didasarkan pada spesifikasi memori sistem. Strategi lain dapat dipilih, mis. daerah bergaris atau ubin dengan dimensi tetap. Kemudian, mapper meminta gambar inputnya ke filter upstream secara berurutan, wilayah demi wilayah. Permintaan dan pembuatan data ditangani melalui jalur pipa dengan cara yang sama seperti untuk informasi: setelah permintaan mencapai sumber, memulai jalur pipa, wilayah yang diminta diproduksi, kemudian diproses melalui filter, hingga akhirnya berakhir di mapper. Eksekusi pipa berlanjut dengan wilayah gambar berikutnya hingga seluruh output dihasilkan. Mekanisme ini, bernama streaming , memungkinkan pemrosesan gambar yang sangat besar terlepas dari konsumsi memori dari objek proses yang menyusun pipa.

Ii.2.2 alur kerja TF

TF menggunakan pemrograman simbolik, yang membedakan definisi komputasi dari eksekusinya. Dalam TF, tensor adalah objek abstraksi dari operasi dan objek dalam memori, menyederhanakan manipulasi terlepas dari lingkungan komputasi (misalnya CPU atau GPU). Sebuah model TF terdiri dari operasi-operasi yang disusun menjadi sebuah grafik dari node-node. Setiap node dapat dilihat sebagai operasi yang mengambil nol atau lebih tensor sebagai input, dan menghasilkan tensor. Grafik aliran data ini mendefinisikan operasi (misalnya operator aljabar linier), tetapi perhitungan dilakukan dalam apa yang disebut

sesi. API tingkat tinggi memungkinkan konstruksi grafik TF, dan sesi menjalankan grafik dalam mendelegasikan perhitungan ke rutinitas tingkat rendah yang sangat dioptimalkan. Di antara tensor, kita dapat membedakan konsep seperti Placeholder , Konstanta, dan Variabel

. Placeholder adalah simbol yang menampung data input, mis. satu set gambar. Seperti namanya, Konstanta adalah tensor dengan nilai konstan, dan Variabel memiliki nilai yang tidak persisten, mis. parameter untuk memperkirakan selama pelatihan. Variabel harus diinisialisasi secara eksplisit, dan dapat disimpan atau dipulihkan selama sesi bersama dengan grafik. Sejumlah alat memungkinkan desain model TF, seperti TF Python API atau perangkat lunak berorientasi pengguna yang dikembangkan oleh komunitas TF.

Ii.3 Mengalirkan pipa

Di bagian ini, kami menyajikan prasyarat untuk integrasi objek proses yang menjalankan sesi TF untuk jaring dalam generik, dalam pipa OTB dengan gambar RS sebagai objek data. Dalam alur kerja pipa, pembuatan informasi gambar dan perhitungan wilayah yang diminta oleh objek proses, merupakan langkah penting. Kami menunjukkan spasi

ukuran fisik piksel gambar RS tunggal. Pembuatan informasi gambar keluaran mencakup asal, spasi, ukuran, dan metadata RS tambahan, mis. referensi proyeksi. Objek proses juga harus menyebarkan wilayah yang diminta untuk memasukkan gambar. Mengenai implementasi jaring dalam, dan khususnya CNN, proses ini harus ditangani dengan hati-hati. CNN biasanya melibatkan beberapa operasi, sebagian besar termasuk suksesi konvolusi, penyatuan, dan fungsi non-linear. Ada juga sejumlah operator turunan mis. konvolusi yang dialihkan. Sebagian besar operator ini memodifikasi ukuran dan jarak hasil. Misalnya, konvolusi dapat mengubah ukuran gambar keluaran, tergantung pada ukuran kernel dan bantalan masukannya. Itu juga dapat mengubah jarak keluaran jika dilakukan dengan langkah, yaitu langkah yang menggeser filter pada setiap perhitungan. Operator pooling juga merupakan jenis operator umum yang memodifikasi ukuran dan jarak keluaran, tergantung pada langkah dan ukuran jendela geser. Kita harus mencatat bahwa sejumlah operator lain mengubah ukuran dan menskalakan jarak keluaran.

Mempertimbangkan objek proses yang mengimplementasikan operasi semacam itu, ia harus menyebarkan wilayah gambar yang diminta ke inputnya. Berikut ini, kami memperkenalkan deskripsi umum tentang modifikasi ukuran dan jarak yang diinduksi jaring dalam dalam memproses gambar RS. Kami menamai faktor penskalaan dari keluaran tertentu jaring, rasio antara jarak keluaran dan jarak referensi (biasanya satu gambar masukan yang memberi makan jaring dalam). Parameter ini memungkinkan deskripsi setiap perubahan ukuran fisik piksel yang diperkenalkan oleh operator seperti penyatuan atau konvolusi yang melibatkan langkah non-kesatuan. Selain itu, setiap input memiliki bidang reseptifnya sendiri, ruang input yang dipengaruhi oleh output tertentu dari jaring. Dengan cara yang sama, setiap keluaran memiliki bidang ekspresinya sendiri, ruang keluaran yang dihasilkan dari bidang reseptif. Daerah gambar dan modifikasi jarak yang diinduksi oleh grafik TF dengan demikian didefinisikan dengan bidang masukan reseptif, dan faktor penskalaan dan bidang ekspresi keluaran.

Ii.4 Menjalankan sesi TF di objek proses

Kami memperkenalkan objek proses OTB baru yang secara internal memanggil mesin TF dan memberlakukan eksekusi pipeline yang dijelaskan di Bagian II.3 dan karenanya, dapat memproses gambar besar dengan mulus . Dibutuhkan satu atau beberapa gambar input, dan menghasilkan nol atau beberapa gambar output. Placeholder input dari model TF diumpankan dengan gambar input dari objek proses. Setelah sesi dijalankan, tensor yang dihitung ditetapkan ke output objek proses. Placeholder yang sesuai dengan gambar input, serta tensor yang sesuai dengan gambar output, keduanya ditentukan seperti yang disebutkan dalam model TF. Objek proses menggunakan bidang masukan reseptif, serta bidang ekspresi dan faktor penskalaan keluaran, untuk menyebarkan wilayah gambar masukan yang diminta dan menghasilkan informasi gambar keluaran. Terakhir, dua mode pemrosesan saat ini didukung:

Ii.4.1 Berbasis patch

Ekstrak dan proses patch secara independen secara berkala. Ukuran tambalan sama dengan ukuran bidang reseptif dari input. Untuk setiap input, sebuah tensor dengan jumlah elemen yang sama dengan jumlah patch diumpankan ke model TF.

Ii.4.2 Sepenuhnya berbelit-belit

Tidak seperti mode berbasis patch, ini memungkinkan pemrosesan seluruh wilayah yang diminta. Untuk setiap input, tensor yang terdiri dari satu elemen, sesuai dengan wilayah yang diminta input, diumpankan ke model TF. Mode ini mengharuskan bidang reseptif , bidang ekspresi, dan faktor skala konsisten dengan operator yang diterapkan dalam model TF, memasukkan gambar spasi fisik dan keselarasan. Pemblokiran artefak dihindari dengan menghitung wilayah gambar input yang disejajarkan dengan ukuran bidang ekspresi model, dan hanya menyimpan subset dari output yang sesuai dengan wilayah output yang diminta.

Ii.5 Aplikasi OTB baru

Aplikasi OTB umumnya mengimplementasikan pipeline yang terdiri dari beberapa objek proses yang terhubung bersama. Kami pertama-tama menyediakan aplikasi baru yang didedikasikan untuk pengambilan sampel gambar RS yang cocok untuk DL. Kemudian, menggunakan filter baru kami yang dijelaskan di Bagian II.4 , kami menyediakan aplikasi baru untuk pelatihan dan penyajian model TF. Terakhir, kami memperkenalkan beberapa aplikasi baru yang terdiri dari beberapa aplikasi OTB. Semua aplikasi baru ini terintegrasi dengan mulus dalam kerangka pembelajaran mesin OTB yang ada.

Ii.5.1 Pengambilan sampel

Kerangka pembelajaran mesin OTB yang ada mencakup pemilihan sampel dan aplikasi ekstraksi yang cocok untuk data geospasial seperti lapisan vektor dan gambar RS. Beberapa strategi pengambilan sampel dapat dipilih, dengan kontrol parameter yang baik. Namun, DL pada gambar biasanya melibatkan data referensi yang terbuat dari tambalan, tetapi aplikasi yang ada melakukan ekstraksi sampel berdasarkan piksel. Kami memperkenalkan aplikasi baru yang melakukan ekstraksi tambalan pada gambar input, dari posisi sampel yang dihasilkan dari aplikasi pemilihan sampel OTB yang ada. Karena kami ingin tetap menggunakan format file gambar RS, sampel digabungkan dalam baris untuk membentuk satu gambar patch besar yang unik. Biasanya, dengan mempertimbangkan sejumlah n tambalan sampel dengan ukuran [ S r o w , S c o l , S c h ] , gambar yang dihasilkan memiliki ukuran [ n S r o w , S c o l , S c h ] . Keuntungan utama dari teknik ini adalah bahwa interleave piksel tidak berubah (biasanya r o w , c o l u m n , c h a n n e l ), ​​menjamin penyalinan dan pemrosesan yang efisien.

Ii.5.2 Pelatihan

Karena TF API tingkat tinggi adalah Python, kami menyediakan lingkungan Python yang ringan untuk memungkinkan pengembang membangun dan melatih model mereka dari gambar tambalan yang dihasilkan menggunakan aplikasi pengambilan sampel kami yang dijelaskan di Bagian II.5.1 . Karena sudah ada sejumlah model TF yang tersedia dan aplikasi open-source berorientasi pengguna yang ada untuk membuat model TF, kami memilih untuk tidak memfokuskannya.

Kontribusi kami untuk pelatihan jaring dalam gambar RS adalah aplikasi OTB berorientasi pengguna yang didedikasikan untuk melatih model TF yang ada. Aplikasi dapat mengimpor model TF yang ada. Itu dapat memulihkan dari variabel model file sebelum pelatihan, atau menyimpannya ke disk setelah pelatihan. Dengan demikian aplikasi ini dapat digunakan baik untuk melatih model tertentu dari awal, atau melakukan fine tuning tergantung pada variabel yang dipulihkan.Pelatihan dapat dilakukan melalui satu atau beberapa input dengan nama placeholder TF yang sesuai dan memberikan metrik evaluasi yang biasa.

Ii.5.3 Penyajian model

Kami memperkenalkan aplikasi OTB tunggal yang didedikasikan untuk penyajian model TF, yang mengimplementasikan pipeline dengan filter yang dijelaskan di Bagian II.4 . Ini menghasilkan satu gambar keluaran yang dihasilkan dari perhitungan model TF. Karena seluruh pipeline mengimplementasikan mekanisme streaming yang dijelaskan di Bagian II.3 , ia dapat memproses satu atau beberapa gambar dengan ukuran arbitrer. Pengguna dapat menyesuaikan ukuran blok gambar yang dihasilkan, berkat arsitektur aplikasi OTB internal. Aplikasi ini menyediakan dukungan umum untuk penyebaran operasional jaring dalam terlatih pada citra RS.

Ii.5.4 Aplikasi komposit

Aplikasi komposit adalah aplikasi OTB yang terhubung bersama. Studi terbaru menunjukkan bahwa fitur jaring dalam dapat digunakan sebagai fitur input dari algoritma seperti klasifikasi, hasil seni terdepan. Terkait klasifikasi citra RS, OTB telah mengimplementasikan beberapa algoritma dalam aplikasi klasifikasinya, mis. SVM, Hutan Acak, pengklasifikasi penambah, pengklasifikasi pohon keputusan, pengklasifikasi pohon yang didorong gradien, pengklasifikasi Bayes normal. Demi mendemonstrasikan aspek operasional dari pendekatan kami, kami mengimplementasikan aplikasi komposit yang menggunakan kembali aplikasi penyajian model kami (dijelaskan dalam

II.5.3 ) sebagai input dari dua aplikasi OTB yang ada: aplikasi TrainImagesClassifier dan ImagesClassifier masing-masing didedikasikan untuk melatih classifier dan melakukan klasifikasi gambar.


2 BAHAN

2.1 Konteks kebijakan

Penelitian ini merupakan bagian mendasar dari inisiatif pemetaan vegetasi terestrial Prancis (dikenal sebagai CarHAB, “Cartographie nationale des végétations terrestres”). Program nasional ini didanai oleh Kementerian Lingkungan Prancis dan bertujuan untuk memetakan habitat alami di seluruh wilayah Prancis. Program ini dikembangkan sebagai bagian dari strategi nasional untuk keanekaragaman hayati 2020 yang dianggap sebagai tujuan utama oleh pemerintah Prancis. Namun, hanya 27% wilayah alami dan semialami Metropolitan Prancis yang telah dipetakan pada tahun 2014, dan upaya untuk menyediakan tipologi yang selaras dan skala yang sesuai dinilai tidak mencukupi (EEA, 2014 ). Kementerian Lingkungan Perancis memprakarsai proyek CarHAB untuk meningkatkan informasi rinci tentang karakterisasi dan distribusi spasial habitat alami dan semialami sambil menurunkan indikator yang diperlukan. Tujuan keseluruhan dari program ini adalah untuk meningkatkan pengetahuan tentang habitat alami, sekaligus memenuhi komitmen masyarakat dan kebijakan sektoral yang terkait dengan habitat alami dan semi alami.

2.2 Bidang studi

Empat wilayah biogeografis yang berbeda didefinisikan di Prancis menurut Habitats Directive (92/43/EEC): wilayah Alpine, Atlantik, Mediterania, dan Kontinental (Gambar 1). Dalam studi ini, untuk menyediakan tempat pengujian yang baik, kami berfokus pada tiga yang pertama, dan mengidentifikasi satu lokasi pengujian yang representatif untuk setiap wilayah. Gambaran rinci karakteristik ketiga wilayah tersebut disajikan pada Gambar 1 dan Tabel 1.

2.3 Basis data spasial

Kami menggabungkan lapisan vektor tematik dengan berbagai jenis data RS yang diperoleh dengan sensor optik pasif dan dibedakan berdasarkan resolusi spasial dan spektral serta waktu kunjungan ulang. Kombinasi sumber data ini bertujuan untuk menyediakan proxy untuk calon EBV mengenai struktur ekosistem (distribusi ekosistem, tutupan lahan, heterogenitas) dan fungsi ekosistem (fenologi dan produktivitas primer). Data yang digunakan dalam penelitian kami dijelaskan selanjutnya.

2.3.1 Gambar resolusi spasial yang sangat tinggi

Citra resolusi spasial sangat tinggi (VHSR) yang digunakan adalah citra udara berwarna inframerah (CIR) dengan resolusi 0,5 meter, diakuisisi oleh Institut Nasional Informasi Geografis dan Hutan Prancis (Institut National de l'Information Géographique et Forestière [IGN]) dan dikumpulkan dalam database raster BDORTHO ® IRC. Cakupan penuh pertama dari wilayah metropolitan Prancis dicapai pada tahun 2010 dan database telah dipertahankan sejak saat itu (gambar baru diperoleh setiap 3 tahun). Basis data ini dibuat untuk membantu dalam deskripsi geometris dan fisik permukaan wilayah Prancis dan tutupan lahan. Gambar disediakan setelah penyearah geometris, disampaikan dalam proyeksi Prancis Lambert 93. Koreksi radiometrik secara sistematis dilakukan oleh IGN sebelum distribusi data untuk mengurangi efek perubahan iluminasi.

2.3.2 Citra satelit resolusi spasial tinggi (HSR)

Kami menggunakan gambar Landsat-8 yang disediakan oleh Program Landsat USGS/NASA, dan diproses oleh Theia Land Data Center di Prancis (https://www.theia-land.fr/en). Pra-pemrosesan meliputi koreksi atmosfer dan kemiringan serta penutupan awan (Hagolle, Huc, Pascual, & Dedieu, 2015). Produk gambar yang dikirim sesuai dengan reflektansi permukaan yang dikoreksi untuk efek atmosfer dan lingkungan, termasuk tujuh pita: Ultra Biru (pesisir/aerosol), biru, hijau, merah, inframerah dekat (NIR), inframerah gelombang pendek 1 (SWIR1) dan inframerah gelombang pendek 2 ( SWIR2).

2.3.3 Citra satelit resolusi spasial sedang (MSR)

Jenis gambar CIR Tempat-6 Landsat8 MODIS
Resolusi spasial (m) 0.5 1.5/6 30 250
Pita spektrum dieksploitasi 3 4 7 7
Produk biofisik tidak tidak tidak LAI/fCOVER/fAPAR
produk spektral tidak NDVI NDVI NDVI
Resolusi radiometrik 8 bit 16 bit 16 bit 12 bit
Frekuensi temporal 3 tahun Sesuai permintaan 16 hari 1 hari

2.3.4 Lapisan vektor tematik

Kami menggunakan lapisan vektor tematik skala nasional yang disediakan oleh IGN untuk menutupi permukaan yang tidak relevan dari citra satelit. Bangunan, infrastruktur transportasi dan permukaan air diambil dari Database TOPO ®. Hutan tertutup diekstraksi dari Database Hutan. Kami juga menggunakan "Registre Parcellaire Graphique" (RPG) yang merupakan bagian dari sistem identifikasi persil tanah Eropa (LPIS), yang disediakan oleh Badan Prancis untuk layanan dan pembayaran. Ini adalah sistem identifikasi bidang tanah dan informasi spasial untuk pengelolaan subsidi pertanian. Register RPG mewakili dukungan vektor untuk deklarasi tahunan bidang tanah di bawah kebijakan pertanian umum (CAP) berdasarkan 20 kelas. Informasi ini sangat berguna untuk menentukan tutupan lahan tanaman, dan digunakan untuk lokasi pelatihan dan validasi untuk membedakan area semi alami dari tanaman.


Implementasi Alat GIS Open Source untuk Mengidentifikasi Atap Terang untuk Aplikasi Fotovoltaik Surya - Studi Kasus Creek Lanes, DHA, Karachi.

Abstrak: Kota besar Karachi masih sangat bergantung pada sumber energi konvensional untuk memenuhi kebutuhan listrik hariannya. Ketergantungan pada sumber energi konvensional untuk produksi listrik mengakibatkan degradasi lingkungan dan penipisan sumber daya bahan bakar fosil. Secara khusus, ini juga menyoroti kebutuhan besar akan solusi berkelanjutan alternatif untuk skenario pembangkit listrik saat ini. Dalam karya penelitian ini, metodologi inovatif telah diusulkan untuk mengidentifikasi atap terang menggunakan alat sistem informasi geografis (GIS) open source yang dapat digunakan untuk pembangkit listrik berkelanjutan di kota metropolitan Karachi. Pertama, atap cerah telah diekstraksi menggunakan perangkat lunak Quantum GIS (QGIS) open source. Teknik ekstraksi tepi menggunakan filter gradien, algoritma open source QGIS telah digunakan. Selanjutnya, teknik pemrosesan gambar telah digunakan untuk mengekstrak dan memperbaiki atap bangunan.

Kemudian atap-atap tersebut dipoligonisasi dan dihitung luasnya menggunakan fungsi Measure Ara dari QGIS. Untuk menilai keakuratan atap yang diekstraksi, pekerjaan validasi lapangan telah dilakukan dan sampel atap telah diukur secara fisik. Perbandingan atap sampel yang diekstraksi dan diukur secara fisik menghasilkan akurasi 90,45%. Pengurangan total luas atap telah dilakukan dengan mempertimbangkan penggunaan atap yang berbeda dan efek naungan dari pohon dan bangunan di dekatnya. Kemudian telah dihitung bright rooftops seluas 4.626 m2 yang dapat digunakan untuk aplikasi solar photovoltaic (PV) di Creek Lanes, DHA Phase 7 Karachi. Output energi tahunan sebesar 2,1 MWh telah diperkirakan menggunakan panel PV surya Crystalline Silicon (c-Si) dan area atap yang tersedia. Metodologi yang diadopsi dapat diekstrapolasi ke skala makro juga. Namun, tantangan dan keterbatasan untuk ekstrapolasi metodologi juga telah disorot.

Studi radiasi matahari yang menunjukkan penggunaan alat GIS open source untuk pembangkit listrik berkelanjutan untuk wilayah ini masih langka. Dengan demikian, penelitian ini merupakan penelitian awal untuk menyoroti potensi listrik tenaga surya yang sangat besar yang ada untuk kota metropolitan Karachi.

Kata kunci: Solar PV, QGIS, Karachi, pembangkit listrik, rooftop.

Energi merupakan parameter penggerak yang memegang peranan vital dalam pembangunan ekonomi suatu negara. Tanpa penyediaan energi yang cukup, kemakmuran ekonomi sangat terpengaruh [1]. Kota besar Karachi dengan kapasitas pembangkit listrik terpasang 2341 MW telah lama mengalami krisis energi. Pembangkit listrik di Karachi sebagian besar bergantung pada bahan bakar fosil dan peran energi terbarukan dalam bauran energi kota besar saat ini hampir dapat diabaikan. Mengandalkan hanya sumber energi konvensional untuk memenuhi kebutuhan listrik sehari-hari mengarah pada degradasi lingkungan dalam bentuk emisi gas berbahaya serta menipisnya sumber daya bahan bakar fosil.

Secara khusus, Naz dan Ahmed [2] menyoroti fakta bahwa karena kesenjangan permintaan dan pasokan energi yang terkait dengan tidak berfungsinya pembangkit dan distribusi listrik, pemadaman listrik berjam-jam telah menjadi rutinitas di kota metropolitan Karachi yang bervariasi menurut kelompok pendapatan, distrik dan kota. Kota besar Karachi diberkati dengan lokasi geografisnya dan memiliki rata-rata Direct Normal Irradiance (DNI) tahunan sebesar 6,20 kWh/m2/hari [3]. Dengan ketersediaan energi surya yang signifikan sepanjang tahun, jutaan rumah perkotaan memiliki potensi yang menjanjikan untuk sistem PV atap yang dapat dimanfaatkan untuk pembangkit listrik berkelanjutan di kota metropolitan Karachi. Para peneliti di seluruh dunia telah menggunakan alat dan teknik yang berbeda untuk memanfaatkan potensi energi terbarukan yang signifikan untuk pembangkit listrik yang berkelanjutan akhir-akhir ini.

Di antara alat-alat tersebut, GIS kini telah menjadi teknologi yang matang dan telah digunakan oleh banyak peneliti untuk memperkirakan potensi PV atap di berbagai wilayah di dunia. Namun, perlu disebutkan bahwa penggunaan alat GIS dikaitkan dengan ketersediaan perangkat lunak komersial dan data sehingga menyoroti kendala biayanya. Oleh karena itu, tujuan utama dari pekerjaan penelitian ini ada dua - pertama, identifikasi area atap yang tersedia terang untuk aplikasi PV surya di wilayah yang diminati dan kedua, penggunaan alat GIS open source untuk menganalisis kemampuannya untuk estimasi potensi PV atap studi.

Alat GIS open source telah digunakan oleh banyak ilmuwan untuk studi penilaian PV atap. Baru-baru ini, Liang et al., [4] menggunakan model GIS 3D open source untuk menilai potensi PV di daerah perkotaan. Ames et al., [5] merancang dan mengembangkan perangkat lunak berbasis peta open source yaitu, PV Mapper untuk analisis sistem PV skala besar. Demikian pula, Nguyen dan Pearce [6] menggunakan modul r.sun dari perangkat lunak open source GRAss GIS untuk mengintegrasikan efek kerugian naungan dalam penilaian potensi PV atap serta untuk potensi hasil PV atap [7]. Hofierka dan Kanuk [8] juga menggunakan modul r.sun dari database radiasi matahari open source GRAss GIS dan PVGIS berbasis web untuk memperkirakan potensi PV atap di pemukiman perkotaan. Suri et al., [9] mengembangkan PV-GIS yang merupakan database radiasi matahari berbasis web gratis dan open source untuk memperkirakan potensi hasil PV di seluruh Eropa. Baru-baru ini, PV-GIS telah diperluas untuk mencakup wilayah Afrika [10] dan Asia juga.

Pada saat ini, penting untuk menyebutkan bahwa studi yang berkaitan dengan estimasi potensi PV atap menggunakan alat GIS open source untuk Pakistan pada khususnya dan untuk Asia pada umumnya masih langka. Dalam penelitian ini, alat GIS open source yang tersedia untuk umum telah digunakan untuk mengidentifikasi atap terang untuk aplikasi PV surya di daerah perumahan kecil di Karachi, Pakistan. Atap cerah telah diekstraksi menggunakan perangkat lunak QGIS dan teknik pemrosesan gambar digital. Validasi lapangan sampel atap telah dilakukan untuk menganalisis akurasi atap yang diekstraksi. Perbandingan atap yang diekstraksi dan diukur secara fisik telah dibuat. Faktor yang berbeda dari naungan dan penggunaan atap lainnya harus diperhitungkan untuk mendapatkan area atap yang dapat digunakan sehingga pengurangan telah dilakukan pada area atap yang diekstraksi berdasarkan survei lapangan dan literatur yang diterbitkan.

Area atap terang yang tersedia telah dihitung yang dapat digunakan lebih lanjut untuk aplikasi PV surya seperti instalasi sistem PV atap untuk menghasilkan listrik yang berkelanjutan. Atap terang yang diidentifikasi pada skala mikro dapat diekstrapolasi ke skala makro seluruh area DHA dengan beberapa batasan untuk menilai potensi PV atap untuk seluruh wilayah yang diminati. Studi potensi PV atap di wilayah ini sangat langka sehingga penelitian ini merupakan pekerjaan penelitian awal untuk menyoroti potensi signifikan sistem PV atap yang menggunakan alat dan teknik GIS open source.

Defence Officers Housing Authority (DHA) adalah sebuah perusahaan perumahan kelas atas yang memiliki luas 35,82 Km2. Terletak di bagian selatan Karachi yang memiliki koordinat geografis sebagai 24049'16" LU dan 67004'23" DHA berisi berbagai jenis pemukiman dan pemukiman komersial. Creek Lanes, sebuah kawasan pemukiman kecil di DHA Phase 7 Karachi telah dipilih sebagai area of ​​interest (AOI) dalam pekerjaan penelitian ini. DHA Fase 7 sebagian besar terdiri dari bangunan sebagai rumah hunian sehingga merupakan area potensial untuk kemungkinan penerapan sistem PV atap.

Selain itu, area ini mungkin juga tidak mewakili gambaran keseluruhan pola perkotaan kompleks metropolis Karachi yang berisi pemukiman padat kecil dan besar. Citra satelit open source dari Google EarthTM 14 Maret 2014, tersedia secara bebas di domain publik telah diperoleh mengidentifikasi atap cerah di area yang diminati. Citra Google EarthTM memiliki resolusi spasial 0,5m dan telah diproses sebelumnya untuk koreksi radiometrik dan minimalisasi noise. Penggunaan citra satelit yang tersedia dalam domain publik juga menyoroti pentingnya pekerjaan penelitian ini yang bebas dari kendala biaya kumpulan data canggih yang tersedia secara komersial. Gambar 2 menunjukkan contoh citra satelit AOI.

Metodologi yang mudah digunakan telah digunakan dalam pekerjaan penelitian ini untuk menganalisis kemampuan alat GIS open source untuk mengidentifikasi area atap untuk aplikasi PV surya untuk wilayah yang diminati. Gambar 3 menunjukkan keseluruhan alur kerja metodologi. Citra satelit Google Earth yang tersedia secara gratis tanggal 14 Maret 2014 untuk AOI telah diperoleh untuk pekerjaan penelitian ini yang memiliki resolusi spasial 0,5m. Citra satelit sampel Google Earth telah diproses sebelumnya untuk koreksi radiometrik dan minimalisasi kebisingan sebelum ekstraksi atap. Kemudian, fitur atap AOI telah diekstraksi menggunakan perangkat lunak QGIS open source. Orfeo Toolbox (OTB) dalam perangkat lunak QGIS menyediakan algoritma ekstraksi tepi sumber terbuka menggunakan filter Sobel, Touzi dan Gradient.

Pada penelitian ini, ekstraksi tepi telah diimplementasikan pada citra masukan menggunakan filter gradien yang menghitung fitur tepi (permukaan kedap air seperti jalan, samping, atap gedung, vegetasi dll) pada setiap piksel. Setelah deteksi permukaan kedap air, teknik pemrosesan gambar digital telah digunakan dan filter thresholding sederhana diterapkan untuk mengekstrak fitur atap. Fitur atap yang diekstraksi diubah menjadi poligon bangunan dalam bentuk file bentuk vektor melalui digitalisasi manual yang cermat dan areanya dihitung menggunakan fungsi 'Ukur Area' dari perangkat lunak QGIS. Hanya tepi luar yang didigitalkan dengan tangan untuk memperoleh perkiraan area atap AOI. Kemudian, validasi lapangan untuk menilai akurasi atap yang diekstraksi dilakukan dan 10 sampel atap diukur secara fisik untuk menganalisis akurasi area atap yang diekstraksi serta untuk menganalisis penggunaan atap yang berbeda seperti tangki air dll.

Dalam pekerjaan penelitian ini, bagaimanapun, validasi lapangan hanya satu atap sampel telah ditampilkan. Untuk menganalisis efek naungan dari pohon dan bangunan terdekat, survei lapangan sampel atap di AOI juga dilakukan untuk menilai ketersediaan area atap untuk kemungkinan pemasangan PV atap. Mempertimbangkan pengaruh efek naungan yang berkaitan dengan studi estimasi potensi PV atap, sebagian kecil dari area atap yang tersedia telah diadopsi berdasarkan penilaian survei lapangan. Estimasi kasar ini cukup untuk kasus AOI saat ini karena struktur atapnya yang seragam. Namun, perlu disebutkan bahwa bagian yang diadopsi dari area atap yang tersedia ini dapat digunakan untuk aplikasi PV surya untuk kasus penelitian saat ini saja dan harus dievaluasi lebih lanjut untuk estimasi potensi PV atap di masa depan dari rumah kecil dan padat di daerah lain Karachi memiliki pola atap yang tidak seragam.

Oleh karena itu, untuk kasus khusus Creek Lanes, DHA Fase 7, Karachi, sebagian kecil dari 0,60 telah diadopsi yang mewakili persentase yang tersedia dari area atap yaitu, area atap yang cerah bebas dari naungan dan penggunaan atap lainnya seperti tangki air dll. untuk atap instalasi PV surya. Mengadopsi teknik serupa ini terbukti dari literatur yang diterbitkan karena telah digunakan oleh banyak peneliti seperti Izquierdo et al., [11], Pillai dan Banerjee [12] dan Scartezzini et al., [13]. Meskipun, blok perumahan kecil telah dipilih untuk menganalisis penerapan GIS open source untuk aplikasi PV surya, namun metodologi dapat diekstrapolasi, dengan beberapa keterbatasan, untuk seluruh area DHA juga untuk menilai pentingnya alat GIS open source untuk estimasi potensi PV atap.

Selain itu, dengan mempertimbangkan pola kompleks rumah tangga perkotaan di kota besar Karachi, metode yang diusulkan mungkin tidak dapat diterapkan pada permukiman kecil dan padat yang memiliki pola rumah tangga yang lebih padat dan tidak teratur sehingga menunjukkan keterbatasan penelitian ini.

Algoritme Ekstraksi Tepi dari perangkat lunak QGIS menghitung fitur tepi pada setiap piksel dari gambar input mono-band. Untuk kasus pekerjaan penelitian ini, citra satelit Google Earth berisi tiga saluran yaitu, Merah, Hijau dan Biru.Blue noise lebih mudah diminimalisir melalui proses smoothing [14] sehingga saluran biru citra satelit Google Earth dipilih untuk algoritma ekstraksi tepi. Berikut Gambar 4 menunjukkan hasil algoritma ekstraksi tepi yang diterapkan pada citra Google Earth. Untuk kasus penelitian ini, hanya atap yang menarik di antara permukaan kedap lainnya yang diekstraksi pada Gambar 4. Dengan demikian, teknik pemrosesan citra digital telah digunakan dan filter thresholding sederhana diterapkan untuk mengekstrak batas atap yang jelas.

Thresholding citra telah menjadi teknik yang efektif dalam aplikasi penginderaan jauh dan telah digunakan oleh banyak peneliti seperti Balaji dan Sumathi [15], Patra et al., [16] dan Rosin et al., [17] untuk mengekstrak fitur yang menarik. . Piksel gambar kurang dari 135 dan lebih besar dari 170 telah disaring menggunakan perangkat lunak QGIS untuk mengekstrak fitur atap untuk kasus ini. Namun, perlu digarisbawahi bahwa batas ambang ini mungkin berbeda secara signifikan untuk kasus daerah lain di Karachi yang memiliki rumah kecil dan padat dengan pola tidak teratur dan kepadatan rumah yang lebih besar. Pengguna harus terlebih dahulu menentukan batas ambang batas melalui penilaian visual yang cermat dalam perangkat lunak berbasis GIS sebelum menerapkan teknik ambang batas gambar untuk mendapatkan batas yang jelas dari atap di wilayah yang diinginkan.

Gambar 5 menunjukkan output dari image thresholding untuk mendapatkan batas atap yang jelas. Namun demikian, selama proses image thresholding banyak permukaan kedap air yang tidak diinginkan yang memiliki tekstur dan karakteristik spektral yang sama dengan atap. Karakteristik spektral dan tekstur bangunan lama dan bangunan baru dapat berbeda secara signifikan dan dapat menyebabkan ketidakakuratan dalam proses ekstraksi atap menggunakan teknik image thresholding. Untuk meminimalkan sumber kesalahan ini dan fitur kedap air yang tidak diinginkan, pembersihan manual di QGIS dilakukan untuk menghapus fitur kedap air yang tidak diinginkan. Setelah ekstraksi fitur atap, digitalisasi tangan yang cermat dilakukan untuk mendapatkan batas poligon atap yang diekstraksi dan areanya dihitung menggunakan fungsi Measure Area dari QGIS.

Dapat dicatat bahwa digitalisasi manual mungkin bukan metode yang akurat dan mungkin memakan waktu untuk kasus cakupan spasial yang lebih besar dari wilayah yang diminati. Untuk wilayah yang luas seperti itu, metode ekstraksi fitur atap otomatis mungkin lebih disukai. Gambar 6 menunjukkan poligon atap yang diekstraksi yang dilapisi dengan atap bangunan di citra satelit Google Earth. Hasil ekstraksi atap menghasilkan total luas atap sebesar 7.710 M2 pada sampel citra satelit Google Earth MT. Namun untuk studi estimasi potensi PV atap, faktor lain seperti naungan, tangki air dll juga harus dipertimbangkan. Oleh karena itu, survei lapangan dilakukan untuk menganalisis pengaruh faktor kendala atap dan juga untuk menilai keakuratan atap yang diekstraksi.

10 sampel atap rumah diakses secara fisik dan luasnya diukur secara fisik dan dibandingkan dengan luas atap yang diperkirakan. Namun, validasi lapangan dari salah satu contoh atap hanya ditampilkan dalam artikel penelitian ini. Gambar 7 menunjukkan tampilan miring dari salah satu atap sampel yang diakses untuk pengukuran fisik. Luas atap yang diekstraksi dari salah satu atap sampel yang ditunjukkan pada Gambar 7 adalah 95m2 sedangkan luas atap yang diukur secara fisik setelah pengurangan penggunaan seperti tangki air, pintu masuk atap, dan penggunaan lainnya adalah 105m2. Dengan demikian, area atap yang diekstraksi ditemukan akurat 90,45%. Perbandingan menunjukkan kesalahan 10% dalam ekstraksi area atap menggunakan citra satelit AOI dibandingkan dengan atap yang diukur secara fisik. Kesalahan ini dapat berupa identifikasi permukaan kedap air seperti bayangan di dekatnya, vegetasi, dll. yang diidentifikasi sebagai batas atap.

Juga dapat dicatat bahwa persentase kesalahan ini dapat meningkat secara signifikan untuk kasus daerah lain yang sebagian besar padat di Karachi. Namun demikian, metodologi yang diusulkan menunjukkan cukup banyak potensi untuk mengidentifikasi atap terang untuk aplikasi PV surya di DHA khususnya dengan beberapa keterbatasan. Setelah pengurangan pengaruh dari naungan dan penggunaan atap lainnya, luas atap terang yang tersedia telah dihitung sebagai 4.626 m2. Atap terang yang teridentifikasi ini dan area yang dihitung adalah yang paling penting karena dapat digunakan untuk berbagai jenis aplikasi PV surya seperti pemanas air tenaga surya, AC surya, sistem PV atap untuk pembangkit listrik, dll. Untuk area atap yang tersedia ini dimungkinkan instalasi panel PV surya, output energi tahunan (E) dapat dihitung sebagai berikut:

E = GSR x N x Eff. x APV (1) Dimana

E = Output energi tahunan (dalam MWh)

GSR = Rata-rata radiasi matahari global 5,448 kWh/m2/hari untuk Karachi N = jumlah hari dalam setahun 365 APV = Luas atap AOI yang tersedia untuk instalasi PV surya 4626 m2 Output energi tahunan untuk AOI dengan mempertimbangkan skenario panel PV yang berbeda karena perbedaannya efisiensi telah dirangkum dalam Tabel 1. Jadi, dengan menggunakan panel PV c-Si, output energi tahunan sebesar 2,10 MWh dapat dihasilkan yang cukup untuk memenuhi kebutuhan listrik tahunan AOI.

Secara khusus, instalasi PV surya yang diusulkan dapat digunakan secara paralel dengan input listrik dari jaringan utama sehingga mengurangi beban listrik pada stasiun jaringan lokal. Meskipun, area perumahan kecil di Creek Lanes, DHA Fase 7 telah dimasukkan ke dalam analisis tetapi metodologi yang diadopsi dapat diekstrapolasi ke seluruh area DHA karena sifat pemukiman dan komersial yang direncanakan serta struktur atap yang seragam dengan akurasi yang cukup tinggi. dan beberapa batasan. Namun, untuk mengekstrapolasi metodologi yang diusulkan ke seluruh kota metropolitan Karachi, tantangan seperti struktur atap yang bervariasi, rumah kecil dan padat, efek naungan dari rumah yang berdekatan, penggunaan atap ganda dan kepadatan rumah yang bervariasi perlu ditangani terlebih dahulu.

Tabel 1: Output Energi Tahunan untuk DHA Fase 7 Karachi Berdasarkan Empat Skenario Panel PV

###Tipe panel PV surya###Efisiensi modul (Eff.)###Keluaran energi tahunan (E) untuk AOI (MWh)

###Si mono-kristalin (c-Si)###22.9%###2.10

###Si poli-kristalin (p-Si)###18.5%###1.70

###Sel Kadmium-Telurida (CdTe)###17.5%###1.6

Dalam pekerjaan penelitian ini, penerapan alat GIS open source untuk identifikasi atap terang telah ditunjukkan untuk Creek Lanes, blok perumahan kecil DHA Phase 7 Karachi. Metodologi yang mudah digunakan telah diusulkan untuk mengidentifikasi atap terang yang mencakup ekstraksi fitur atap menggunakan perangkat lunak QGIS implementasi pemrosesan gambar dan teknik GIS untuk lebih menyempurnakan hasil untuk mendapatkan batas yang jelas dari atap validasi lapangan sampel atap untuk menilai akurasi pengurangan atap yang diekstraksi dari total area atap untuk mendapatkan area atap terang yang tersedia untuk kemungkinan pemasangan PV surya di Creek Lanes, DHA Phase 7 Karachi. Pada perbandingan luas atap yang diperkirakan dengan luas atap sampel yang diukur secara fisik, akurasi 94,45% telah dicapai.

Total luas atap yang diekstraksi ditemukan 7.710 m2 sedangkan luas efektif yang tersedia 4.626 m2 telah diidentifikasi yang dapat digunakan untuk berbagai jenis instalasi PV surya atap. Selain itu, output energi tahunan menggunakan berbagai skenario panel PV telah disajikan untuk AOI. Telah disadari bahwa dengan menggunakan panel PV c-Si, output energi tahunan sebesar 2,10 MWh dapat dihasilkan yang cukup untuk memenuhi kebutuhan listrik AOI. Metodologi yang diusulkan dapat diekstrapolasi ke seluruh area DHA karena struktur atap bangunannya yang hampir seragam dengan beberapa keterbatasan. Namun, untuk ekstrapolasi metodologi yang diadopsi ke seluruh kota besar Karachi, tantangan utama yang perlu ditangani terlebih dahulu telah disorot. Studi ini menyoroti potensi besar aplikasi PV surya untuk atap perkotaan metropolis Karachi.

Penting untuk disebutkan di sini bahwa belum ada penelitian yang menggunakan alat GIS open source khusus untuk wilayah ini untuk mengidentifikasi atap terang untuk aplikasi PV surya sehingga penelitian ini adalah inisiatif penelitian pertama untuk mengatasi kesenjangan penelitian ini. Karya penelitian ini dapat bermanfaat bagi pembuat kebijakan dan lembaga pemerintah terkait untuk menyoroti potensi besar jutaan rumah tangga perkotaan di kota besar Karachi untuk aplikasi PV surya untuk pembangkit listrik berkelanjutan di kota.

[1] Ko L, Wang JC, Chen CY, Tsai HY. Evaluasi potensi pengembangan fotovoltaik surya atap di Taiwan. Energi Terbarukan 2015 76: 582-95. http://dx.doi.org/10.1016/j.renene.2014.11.077

[2] Naz L, Ahmad M. Apa yang mengilhami krisis energi di tingkat mikro: bukti empiris dari pola konsumsi energi rumah tangga perkotaan dari Sindh. Prosiding Masyarakat Ekonomi Pembangunan Pakistan (PSDE) 29th Annual General Meeting (AGM) and Conference 2013: Islamabad, Pakistan. Tersedia dari: http://www.pide.org.pk/psde/pdf/AGM29/papers/Lubna%20Naz.pdf. (Diakses: 4 Juli 2015).

[3] Badan Penerbangan dan Antariksa Nasional (NASA). Database meteorologi permukaan dan energi surya (SSE). Tersedia dari: https://eosweb.larc.nasa.gov/sse/ (Diakses: 4 Juli 2015).

[4] Liang J, Gong J, Zhou J, Ibrahim AN, Li M. Model radiasi matahari 3D open-source terintegrasi dengan Sistem Informasi Geografis 3D. Lingkungan Model Softw 2015 64: 94-101. http://dx.doi.org/10.1016/j.envsoft.2014.11.019

[5] Amesa DP, Pinthonga K, Scotta M, Khattara R, Solanb D, Leec R. Perangkat lunak berbasis peta sumber terbuka untuk desain tata letak sistem fotovoltaik. Prosiding Konferensi Internasional ke-7 tentang Pemodelan dan Perangkat Lunak Lingkungan 2014: San Diego, AS. Tersedia dari: http://www.iemss.org/sites/iemss2014/papers/iemss2014_submission_152.pdf. (Diakses: 4 Juli 2015).

[6] Nguyen HT, Pearce JM. Menggabungkan kerugian naungan dalam penilaian potensi fotovoltaik surya pada skala kota. Energi Surya 2015 86(5): 1245-60. http://dx.doi.org/10.1016/j.solener.2012.01.017

[7] Nguyen HT, Pearce JM. Memperkirakan hasil fotovoltaik potensial dengan r. matahari dan sistem pendukung analisis sumber daya geografis open source. Energi Surya 2010 84(5): 831-43. http://dx.doi.org/10.1016/j.solener.2010.02.009

[8] Hofierka J, Kanuk J. Penilaian potensi fotovoltaik di daerah perkotaan menggunakan alat radiasi matahari open source. Energi Terbarukan 2009 34(10): 2206-14. http://dx.doi.org/10.1016/j.renene.2009.02.021

[9] Suri M, Huld TA, Dunlop ED. PV-GIS: database radiasi matahari berbasis web untuk perhitungan potensi PV di Eropa. Internasional l Jurnal Energi Berkelanjutan 2005 24(2) 55-67. http://dx.doi.org/10.1080/14786450512331329556

[10] Huld T, Muller R, Gambardella A. Database radiasi matahari baru untuk memperkirakan kinerja PV di Eropa dan Afrika. Energi Matahari 2012 86(6): 1803-15. http://dx.doi.org/10.1016/j.solener.2012.03.006

[11] Rosin PL, Hervas J, Barredo JI. Thresholding citra penginderaan jauh untuk deteksi gerakan tanah longsor. Prosiding 1st Int. Workshop Teknik Pengenalan Pola Penginderaan Jauh 2000 10-17.

[12] Izquierdo S, Rodrigues M, Fueyo N. Metode untuk memperkirakan distribusi geografis dari luas permukaan atap yang tersedia untuk evaluasi potensi energi fotovoltaik skala besar. Energi Surya 2008 82(10): 929-39. http://dx.doi.org/10.1016/j.solener.2008.03.007

[13] Pillai IR, Banerjee R. Metodologi untuk estimasi potensi pemanasan air tenaga surya di area target. Energi Surya 2007 81(2): 162-72. http://dx.doi.org/10.1016/j.solener.2006.04.009

[14] Universitas Maryland. Pengantar pemrosesan sinyal: sinyal dan kebisingan. Tersedia dari: http://terpconnect.umd.edu/

toh/spectrum/SignalsAndNoise.html. (Diakses: 4 Juli 2015.)

[15] Balaji T, Sumathi DM. Fitur efektif klasifikasi citra penginderaan jauh menggunakan metode ambang batas adaptif interaktif. arXiv pracetak 2014 arXiv: 1401.7743.


Pemetaan sistem pertanian petani kecil yang konsisten secara pertanian menggunakan penginderaan jauh dan pemodelan spasial

Pertanian skala kecil menyediakan 90% dari produksi pangan primer di negara-negara berkembang. Pemetaannya dengan demikian merupakan elemen kunci untuk ketahanan pangan nasional. Penginderaan jauh banyak digunakan untuk pemetaan tanaman, tetapi kinerjanya kurang baik untuk pertanian skala kecil karena beberapa kendala seperti ukuran lahan yang kecil, lanskap yang terfragmentasi, praktik tanam yang sangat bervariasi atau kondisi berawan. Dalam studi ini, kami mengembangkan pendekatan asli yang menggabungkan penginderaan jauh dan pemodelan spasial untuk meningkatkan pemetaan jenis tanaman di lanskap pertanian yang kompleks. Dinamika spasial dimodelkan menggunakan Ocelet, bahasa khusus domain berdasarkan grafik interaksi. Metode ini menggabungkan citra satelit resolusi spasial tinggi (Spot 6/7, untuk mengkarakterisasi struktur lanskap melalui segmentasi citra), deret waktu frekuensi kunjungan ulang tinggi (Sentinel 2, Landsat 8, untuk memantau proses dinamis tanah), dan aturan spatiotemporal (STrules, untuk mengekspresikan strategi dan praktik petani lokal). Metode ini mencakup tiga langkah. Pertama, setiap jenis tanaman ditentukan oleh seperangkat aturan umum yang darinya diperoleh peta probabilitas distribusi tanaman berbasis model. Kedua, peta jenis tanaman awal diproduksi menggunakan pemrosesan citra satelit berdasarkan skema klasifikasi gabungan Random Forest (RF) dan Object Based Image Analysis (OBIA), setelah itu setiap objek geografis diberi label dengan probabilitas keanggotaan kelas. Akhirnya, STrules diterapkan dalam model untuk mengidentifikasi objek dengan kelas yang secara lokal tidak sesuai dengan batasan dan strategi pertanian yang diketahui. Hasilnya adalah peta distribusi spasial kesalahan pemetaan jenis tanaman (kelalaian atau komisi) yang kemudian diperbaiki melalui penggunaan bersama aturan spatiotemporal dan probabilitas keanggotaan kelas RF. Menggabungkan penginderaan jauh dan pemodelan spasial dengan demikian menyediakan cara yang layak untuk mengkarakterisasi dan memantau sistem pertanian yang kompleks dengan lebih baik.

Misi ESA (European Spatial Agency) Sentinel 2 (S2) memberikan citra gratis dengan kombinasi resolusi spasial tinggi (10-60m), temporal (5 hari) dan spektral (13 band) yang belum pernah ada sebelumnya, yang memiliki aplikasi menjanjikan dalam penggunaan/tutupan lahan karakterisasi dan pemantauan tanaman (Drusch et al., 2012). Sebuah studi yang dilakukan di 12 lokasi pertanian yang kontras di seluruh dunia menunjukkan bahwa deret waktu gambar yang diperoleh pada resolusi dekametrik disesuaikan dengan karakterisasi tanaman lapangan untuk sebagian besar sistem pertanian intensif (Inglada et al., 2015). Namun, metode yang biasanya digunakan di negara-negara utara tidak efisien dalam konteks pertanian tropis petani kecil. Dalam sistem yang kompleks seperti itu, ukuran lahan yang kecil dan fragmentasi lanskap merupakan kendala yang signifikan untuk karakterisasi tanaman menggunakan penginderaan jauh. Untuk mengatasi keterbatasan ini, studi mengusulkan pendekatan OBIA (Objects Based Image Analysis) untuk meningkatkan identifikasi tanaman (Peña-Barragán et al. 2011), atau dikombinasikan dengan deret waktu resolusi tinggi, citra resolusi sangat tinggi dan data spasial tambahan (yaitu Digital Elevation Model Leborjuis et al., 2017). Namun, keterbatasan tetap ada untuk karakterisasi tanaman di daerah pertanian petani kecil. Untuk meningkatkan pendekatan saat ini, beberapa penelitian menggabungkan penginderaan jauh dengan disiplin ilmu lain. Misalnya, jumlah makalah di mana penginderaan jauh digabungkan dengan jaringan saraf atau pembelajaran mendalam meningkat. Mereka mengintegrasikan data satelit, dan data lingkungan atau sosial-ekonomi (disebut data konteks selanjutnya) sebagai input ke dalam jaringan, untuk mengekstrak variabel penting untuk setiap kelas. Namun, penelitian-penelitian ini terutama difokuskan pada areal budidaya dengan lahan yang relatif luas,

sejumlah titik kebenaran dasar, dan belum, atau hanya sedikit, telah diterapkan pada area pertanian petani kecil.

Hanya sedikit penelitian yang berfokus pada kombinasi penginderaan jauh dan aturan ahli atau pemodelan spasial. Bailly dkk. (2018) menyoroti bahwa dengan mempertimbangkan struktur spatio-temporal bidang meningkatkan klasifikasi objek kecil. Dua pendekatan utama dapat digunakan untuk pemodelan agro-sistem. Yang pertama terdiri dari penggunaan pengetahuan ahli untuk membuat model rotasi tanaman (misalnya Dury et al. 2012). Untuk melakukannya, penting untuk memahami taruhan ekonomi, sosial dan lingkungan dari agroekosistem ini dan oleh karena itu mengandalkan para ahli dalam disiplin ilmu ini. Yang kedua terdiri dari penggunaan metode pembelajaran mesin (seperti pembelajaran mendalam dan jaringan saraf) untuk bebas dari keterbatasan pengetahuan ahli. Integrasi langsung dari data konteks ke dalam pengklasifikasi memungkinkan yang terakhir untuk belajar secara otomatis dari data kebenaran dasar. Namun demikian, pendekatan ini sangat cocok untuk mengatasi satu masalah pada satu waktu, seperti rotasi tanaman di Bailly et al. (2018) dan dengan kumpulan data yang besar dan beragam.

Untuk melampaui pendekatan tradisional dalam penginderaan jauh, penelitian ini bertujuan untuk menyelidiki komplementaritas dari penginderaan jauh dan pemodelan spatio-temporal untuk mempelajari:

• Bagaimana pemodelan spasial dapat membantu mengubah data penginderaan jauh menjadi produk tematik yang lebih andal?

• Bagaimana penginderaan jauh dapat memberikan bukti proses lanskap yang dinyatakan sebagai pengetahuan formal dalam model? Pendekatan seperti ini diharapkan dapat bermanfaat untuk pemahaman yang lebih baik tentang kompleks yang terfragmentasi dan heterogen Arsip Internasional Ilmu Fotogrametri, Penginderaan Jauh dan Informasi Spasial, Volume XLII-3/W11, 2020

lanskap, seperti yang dibentuk oleh pertanian tropis petani kecil di negara berkembang. Untuk mengilustrasikan metode kami, kami menjelaskan penerapannya untuk karakterisasi pertanian rakyat di Dataran Tinggi Madagaskar. Lanskap pertanian ini merupakan studi kasus yang menarik karena kompleksitasnya yang tinggi yang menyebabkan kesulitan pemetaan ketika pendekatan penginderaan jauh digunakan sendiri, seperti yang ditunjukkan dalam Inglada et al., (2015) dan Lebourgeois et al. (2017).

Pendekatan ini dibagi menjadi tiga bagian utama: yang pertama menyangkut pemrosesan data penginderaan jauh (menghasilkan peta penggunaan lahan pertama), yang kedua berfokus pada pemodelan spatio-temporal (berdasarkan penerapan aturan spatio-temporal yang mengekspresikan strategi petani. dan praktik), dan yang terakhir tentang kombinasi penginderaan jauh dan pemodelan spatio-temporal (untuk mendapatkan peta yang lebih konsisten secara pertanian).

2. WILAYAH STUDI DAN DATA 2.1 Area Studi

Area studi kami berukuran 20 km x 30 km dan merupakan bagian dari jaringan JECAM (Eksperimen Bersama untuk Penilaian dan Pemantauan Tanaman, www.jecam.org).Terletak, dekat dengan Antsirabe, pusat administrasi Vakinankaratra (koordinat: 19°31'56" hingga 19°51'32"LS, 46°57'24" hingga 47°13'14"E) di Dataran Tinggi Madagaskar. Daerah ini dicirikan oleh lanskap heterogen yang kompleks dan didominasi pertanian. Di dalam lahan pertanian, kompleksitas ini terutama disebabkan oleh rata-rata luas lahan yang ditanami per rumah tangga yang sangat rendah (berkisar dari 0,1 hingga 0,5 ha, menurut Sourisseau et al. (2016)). Ada juga berbagai jenis tanaman dengan kalender tanaman yang berbeda, dan praktik tumpang sari tersebar luas. Apalagi bentang alamnya terfragmentasi dengan adanya vegetasi alami antara sawah yang sinkron secara fenologis dengan tanaman. Musim tanam utama terjadi selama musim hujan, dari November hingga April, yang membatasi perolehan citra satelit optik bebas awan. Tanamannya beragam, tetapi beras dan jagung mendominasi. Mereka dibudidayakan di bawah tadah hujan (di lereng dan dataran tinggi) atau kondisi irigasi (terutama sawah dataran rendah). 2.2 Data

Untuk penelitian ini, kami menggunakan beberapa jenis data: (i) baik resolusi spasial tinggi maupun data satelit deret waktu frekuensi kunjungan ulang tinggi, (ii) data kebenaran di lapangan, (iii) data pengetahuan agro-lingkungan dan sosial-ekonomi tentang petani. strategi (untuk definisi aturan spatio-temporal), dan (iv) data tambahan (untuk implementasi aturan).

2.2.1 Data penginderaan jauh dan pra-pemrosesan: Dataset penginderaan jauh sesuai dengan (i) satu gambar SPOT 6 resolusi spasial yang sangat tinggi, dan (ii) resolusi spasial tinggi (10m-30m) deret waktu dari 37 gambar Sentinel 2 dan 9 Landsat 8, untuk periode antara 1 Oktober, 2017 dan 29 Aprilth, 2018, sesuai dengan musim tanam utama.

Gambar SPOT 6 diperoleh pada 14 Februari 2017 sekitar puncak musim tanam. Gambar diperbaiki orto, dikonversi ke reflektansi Top Of Atmosphere dan dipertajam menggunakan Open-source Orfeo ToolBox (OTB Grizonnet et al., 2019) untuk mendapatkan gambar multispektral pada resolusi spasial 1,5 m. Rangkaian waktu gambar Sentinel-2 (Donadieu, L’Helguen, 2016) diperoleh dari situs web THEIA (https://theia.cnes.fr). Gambar-gambar ini disediakan dalam reflektansi permukaan, dan dengan topeng awan, berkat rantai pemrosesan MAJA (MACCS ATCOR Joint Algorithm) (Hagolle et al., 2017). Kemudian,

langkah preprocessing tambahan dilakukan menggunakan rantai MORINGA (Gaetano et al., 2019). Fungsi yang digunakan dalam MORINGA meliputi: a) resampling otomatis (dengan interpolasi bikubik) dari pita S2 20 m hingga resolusi 10 m, b) pengisian celah multi-temporal (Inglada et al., 2017), dan c) co -pendaftaran time series S2 dan L8 pada citra SPOT 6 digunakan sebagai acuan. Data Resolusi / skala spasial Resolusi temporal Sumber data Data satelit

SPOT 6 1.5 Sekali CNES / Airbus

Defense & Space Sentinel 2 10 m Setiap 5 hari ESA Landsat 8 30 m Setiap 16 hari Data tambahan NASA / USGS

Ketinggian 1 detik busur Setelah SRTM v3.0 Global 1 detik busur Lereng 1 detik busur Setelah Dihitung dari

1 arc second Unique Diproduksi dari SRTM v3.0 Global Pedology Area di

Hidrologi 1 detik busur Pemodelan Hidrologi Unik (GRASS GIS) Skala Kota Fokontany Unik Komunikasi pribadi Tabel 1. Data satelit dan data tambahan yang digunakan dalam penelitian. 2.2.2 Data in situ tentang penggunaan lahan:Basis data kebenaran dasar tentang penggunaan lahan aktual dibangun selama survei lapangan di sekitar puncak musim tanam (awal Februari hingga akhir Maret 2018). Titik arah GPS direkam mengikuti pendekatan pengambilan sampel oportunistik. Titik jalan dipilih sesuai dengan aksesibilitasnya (tetapi beberapa bagian wilayah tidak dapat dijangkau karena hujan deras yang mempengaruhi kondisi jalan), dan ukuran objek (minimal 20 * 20 m, sehingga dapat diidentifikasi di satelit gambar-gambar). Kami mencatat penggunaan lahan menurut versi modifikasi dari nomenklatur JECAM (lihat http://jecam.org/wp-content/uploads/2018/10/JECAM_Guidelines_for_Field_Data_ Collection_v1_0.pdf) untuk lebih mempertimbangkan kekhususan pertanian tropis. Dalam kasus tumpangsari, kami mencatat tanaman utama dan tanaman kedua di lapangan. Setelah titik jalan diperoleh, batas setiap bidang didigitalkan pada gambar SPOT 6, dan label kelas (dan atribut lainnya) digabungkan ke database poligon. Poligon non-pertanian tambahan juga ditambahkan dari interpretasi foto gambar SPOT 6 untuk kelas yang mudah dikenali seperti permukaan yang dibangun, badan air, lahan basah, tanah mineral, atau hutan alam. Pada akhirnya diperoleh 2170 poligon (1759 crop dan 511 non-crop). Arsip Internasional Ilmu Fotogrametri, Penginderaan Jauh dan Informasi Spasial, Volume XLII-3/W11, 2020

2.2.3 Pengetahuan tentang strategi dan praktik petani: Pendekatan kami bertujuan untuk mengintegrasikan pengetahuan ahli agronomi, lingkungan atau sosial ekonomi yang mengekspresikan strategi dan praktik petani. Untuk melakukannya, tiga sumber informasi dipertimbangkan: (i) dokumen (makalah penelitian, buku, laporan, dokumen teknis, analisis teritorial, dll.) yang menjelaskan fungsi pertanian di wilayah tersebut, (ii) wawancara dengan sekelompok ahli dengan latar belakang yang berbeda (agronomi, geografi atau sosial ekonomi), (iii) wawancara semi-direktif petani, pejabat lokal atau orang yang terlibat dalam pembangunan pedesaan. Wawancara terakhir ini dilakukan pada skala Fokontany (kota/desa) dengan menggunakan kuesioner. Pertanyaan survei berkaitan dengan praktik pertanian lokal (kalender tanaman, kendala tanam dan distribusi spasial), dan konteks sosial ekonomi yang berdampak pada strategi petani. 2.2.4 Data Tambahan: Ini termasuk informasi spasial yang ada seperti ketinggian, kemiringan dan kalender tanaman. Daftar lengkap data bantu yang digunakan diberikan dalam Tabel. Indeks posisi topografi (TPI) digunakan untuk menghasilkan topografi lokal dan global menggunakan grid multi-skala dari model elevasi digital (Weiss, 2001). Jaringan hidrologi dimodelkan dengan GRASS GIS (GRASS Development Team, 2017) untuk mendapatkan jaringan aktif untuk musim hujan.

Pendekatan keseluruhan melibatkan pengolahan data penginderaan jauh, pemodelan spatio-temporal dan kombinasinya (Gambar 1). Ini dibagi menjadi lima langkah:

(i) Peta jenis tanaman berbasis RS awal dibuat dengan menggunakan pemrosesan citra satelit berdasarkan skema klasifikasi OBIA dan Random Forest (RF) gabungan. Setiap objek diberi label dengan probabilitas keanggotaan kelas yang sesuai, yaitu probabilitas bahwa objek berkaitan dengan masing-masing kelas (selanjutnya disebut sebagai CMVPsat, untuk

vektor keanggotaan kelas probabilitas berdasarkan pemrosesan citra satelit).

(ii) Setiap jenis tanaman ditentukan oleh seperangkat aturan umum spatio-temporal (STrules) yang diformalkan dari analisis pengetahuan yang dikumpulkan tentang strategi dan praktik petani. (iii) STrules diimplementasikan dalam platform pemodelan untuk

menghasilkan peta probabilitas distribusi tanaman berbasis model (CMVPrule untuk probabilitas keanggotaan kelas berbasis STrules) dari setiap objek.

(iv) Kemungkinan objek salah klasifikasi terdeteksi mengikuti aturan khusus.

(v) Probabilitas keanggotaan dari objek yang dipilih dihitung ulang (untuk mendapatkan probabilitas vektor keanggotaan kelas yang dikoreksi, CMVPcorr) untuk menghasilkan peta penggunaan lahan yang terkoreksi dan lebih konsisten secara pertanian (Gambar 1).

3.1 Penginderaan jauh

Peta penggunaan lahan awal dihasilkan dari penginderaan jauh. Ini melibatkan langkah-langkah berikut: (i) segmentasi citra resolusi spasial sangat tinggi (VHSR) menjadi objek homogen, (ii) ekstraksi fitur spektral dan tekstur dari citra satelit dan produk lainnya (DEM), dan (iii) pelatihan dan validasi pengklasifikasi Hutan Acak yang kemudian diterapkan ke seluruh wilayah studi. Untuk penelitian ini, semua langkah dilakukan menggunakan rantai pemrosesan MORINGA (Gaetano et al. 2019), yang menggunakan fungsi OTB dan Gdal yang digerakkan oleh skrip Python.

Gambar 1: Kerangka metode. Proses disajikan dalam warna merah. CMVPsat sesuai dengan probabilitas vektor keanggotaan kelas yang diperoleh setelah klasifikasi random forest (RF) citra satelit. CMVRules mengacu pada vektor yang sama yang diperoleh setelah

implementasi aturan spatio-temporal (STRules) dalam model. Akhirnya, CMVPcorr menyajikan redefinisi probabilitas vektor keanggotaan kelas dari dua yang sebelumnya menggunakan metode fusi.

Arsip Internasional Ilmu Fotogrametri, Penginderaan Jauh, dan Informasi Spasial, Volume XLII-3/W11, 2020 Pertemuan Gabungan PECORA 21/ISRSE 38, 6–11 Oktober 2019, Baltimore, Maryland, AS

3.1.1 OBIA: Menurut pendekatan OBIA (Blaschke et al., 2014), segmentasi citra VHSR bertujuan untuk menghasilkan objek yang menggambarkan batas-batas bidang pertanian, atau setidaknya kelompok bidang yang homogen untuk mengkarakterisasi struktur lanskap. Segmentasi ini menentukan struktur lanskap wilayah studi, yaitu batas-batas "entitas" yang akan digunakan selama alur kerja lengkap. Algoritma segmentasi Baatz dan Schäpe (Baatz dan Schpe, 2000) yang diimplementasikan di OTB digunakan dengan parameter berikut: 0,7 untuk kriteria homogenitas, 0,5 untuk homogenitas spektral dan ambang batas ditetapkan pada 200.

3.1.2 Ekstraksi fitur: Fitur satelit diekstraksi untuk setiap entitas dari basis data kebenaran dasar untuk membangun basis data pembelajaran. Langkah ini melibatkan ekstraksi fitur berikut: (i) reflektansi dari deret waktu Sentinel-2 dan Landsat-8 (471 fitur), (ii) indeks spektral dari deret waktu yang sama (267 fitur), (iii) indeks tekstur dari citra pankromatik Spot 6 (6 fitur), dan (iv) ketinggian dan kemiringan dari model elevasi digital (2 fitur). Fitur-fitur tersebut dipilih menurut penelitian sebelumnya oleh Lebourgeois et al. (2017). Mengenai indeks spektral, kami menghitung yang paling umum: NDVI (Rouse et al., 1974), NDWI (Gao, 1996), MNDWI (Xu, 2006), MNDVI (Jurgens, 1997), Indeks Kecerahan, dan RNDVI (Jorge et al., 2019) untuk setiap citra Sentinel-2 dan Landsat 8. Tekstur Haralick (Haralick et al. 1973) dihitung menggunakan mean dan korelasi untuk tekstur internal dan kontras sebagai tekstur tepi. Dua jendela dipilih (7 piksel dan 14 piksel) untuk menelusuri keragaman organisasi bidang. SRTM-30m (“SRTM V3.0, 1 arcsec”) (NASA JPL, 2014) digunakan untuk mengekstrak ketinggian dan menghitung kemiringan.

3.1.3 Klasifikasi: Pada langkah terakhir dari pendekatan penginderaan jauh, tujuannya adalah untuk mendapatkan peta penggunaan lahan dan untuk mengekstrak dan vektor keanggotaan kelas probabilitas untuk setiap objek (CMVPsat). Vektor ini berguna untuk memahami distribusi probabilitas antar kelas, dan dalam langkah-langkah berikut, untuk mendefinisikan ulang probabilitas keanggotaan kelas untuk objek yang dipilih. Algoritma Random forest (RF) (Breiman, 2001) banyak digunakan dalam penginderaan jauh (misalnya Lebourgeois et al., 2017 Debats et al., 2016) dan telah terbukti mengungguli pengklasifikasi lain dalam studi benchmark (misalnya Fernández-Delgado et al., 2014 Iglada et al., 2015). Pengklasifikasi RF digunakan untuk menghasilkan klasifikasi penggunaan lahan berdasarkan database pembelajaran pada akhir musim tanam. Keluaran utama, vektor keanggotaan kelas probabilitas (CMVPsat), diekstraksi untuk setiap objek. 3.2 Pemodelan ruang-temporal

Model ini dibangun dengan Ocelet Modeling Platform (OMP, www.ocelet.org). OMP memungkinkan pemodelan spasial sistem dan dinamikanya (Degenne dan Lo Seen, 2016) menggunakan data raster dan vektor. Ocelet didasarkan pada konsep grafik interaksi untuk menggambarkan bagaimana entitas yang menyusun suatu sistem (misalnya bidang, sungai, cuaca, kota) saling terhubung. Setiap entitas dicirikan oleh sejumlah properti yang dapat berkembang seiring waktu dengan penerapan fungsi interaksi.

3.2.1 Formalisasi dan pemilihan STrules: Pengetahuan tentang strategi dan praktik petani yang dikumpulkan selama tinjauan pustaka dan wawancara diformalkan sehingga jenis tanaman dapat dijelaskan oleh seperangkat aturan umum spatio-temporal (STrules). Aturan spasial dapat menyangkut jarak atau persimpangan dengan entitas tertentu (seperti jalan, desa, pasar dan jaringan hidrografi) atau zona (seperti unit peta tanah, kelas ketinggian dan kemiringan). Aturan temporal dapat dikaitkan dengan kalender tanam atau rezim curah hujan selama musim tanam, atau rotasi tanaman sebelumnya di lahan yang sama. Aturan spatio-temporal untuk setiap jenis tanaman dipilih sesuai dengan kriteria berikut: (i) aturan harus mewakili seluruh wilayah studi, (ii) aturan harus sering disebutkan oleh orang yang diwawancarai atau dalam dokumen, ( iii) aturan harus konsisten dengan pengetahuan agronomi dan dapat diamati di lapangan, dan (iv) data harus tersedia untuk aturan yang akan diterapkan. Jenis tanaman dapat ditentukan oleh aturan eksklusif (misalnya jarak maksimum dari suatu titik) atau aturan opsional (misalnya umumnya di tanah subur). Penugasan entitas ke kelas tertentu harus mematuhi semua aturan eksklusif dan sebagian (atau tidak ada) aturan opsional. 3.2.2 Penerapan: Dalam model, struktur lanskap sistem didasarkan pada segmentasi yang dihasilkan selama langkah 3.1.1, yang memberikan batas-batas entitas. Untuk setiap tanaman, aturan kemudian diimplementasikan dalam OMP di tingkat entitas untuk menghasilkan peta yang memberikan probabilitas keberadaan tanaman yang sesuai di wilayah studi. Dari langkah ini dan seterusnya, penerapan semua aturan akan menentukan vektor keanggotaan kelas probabilitas untuk setiap entitas, berdasarkan pengetahuan formal tentang strategi petani (disebut sebagai CMVRule untuk probabilitas keanggotaan berbasis STrules).

3.3 Definisi ulang probabilitas keanggotaan kelas Metode evaluasi tradisional yang digunakan dalam penginderaan jauh untuk memvalidasi klasifikasi didasarkan pada perhitungan indeks seperti akurasi keseluruhan, Kappa, F-score (Labatut, Cherifi, 2012) atau ketidaksepakatan kuantitas dan alokasi (Pontius, Millones, 2011). Metode-metode ini dapat diturunkan dari matriks konfusi, memberikan jumlah kejadian kebenaran dasar yang terklasifikasi dengan baik dan yang salah diklasifikasikan per kelas. Metode ini memungkinkan evaluasi hasil dari pengklasifikasi yang diberikan, tetapi hanya informasi kebenaran dasar. Entitas lain tidak dievaluasi. Langkah ini mengusulkan evaluasi spasial klasifikasi penginderaan jauh sehubungan dengan strategi petani (dinyatakan melalui STrules dalam model), dan untuk mendefinisikan kembali probabilitas keanggotaan kelas untuk mendapatkan peta pertanian yang lebih konsisten.

Saat membandingkan CMVRule dengan CMVPsat untuk seluruh area studi, peta dapat dibuat dengan menyoroti area atau entitas di mana aturan tidak sesuai, dan yang memerlukan koreksi. Untuk entitas tertentu, untuk memutuskan mana dari dua vektor probabilitas yang lebih dapat diandalkan, informasi lain seperti jumlah akuisisi satelit untuk suatu objek selama musim tanam, seperangkat aturan ahli yang bersangkutan, atau nilai kepercayaan yang diperoleh selama periode pertumbuhan. suara hutan acak digunakan. Kemudian, untuk mendefinisikan kembali keanggotaan kelas, berbagai metode fusi dapat digunakan seperti logika fuzzy, rata-rata antara CMVPsat dan CMVPrule, atau pembobotan aturan.

Pada bagian berikut, kami memberikan contoh STrules yang digunakan dan menyajikan tiga keluaran utama dari pendekatan tersebut. Berdasarkan penerapan STrules untuk setiap entitas dalam model, probabilitas keberadaan setiap jenis tanaman dipetakan. Peta ini digabungkan dengan peta yang dihasilkan selama langkah penginderaan jauh The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLII-3/W11, 2020

untuk membuat peta ketidaksepakatan. Hasil akhir dari metode ini adalah peta penggunaan lahan baru dengan probabilitas keanggotaan kelas terkait untuk setiap objek.

4.1 Aturan ruang-temporal

Tinjauan literatur dan wawancara memungkinkan penentuan satu set Aturan untuk setiap tanaman. Jenis aturan dominan dapat berbeda antara tanaman. Sebagai contoh, beberapa tanaman sangat bergantung pada aturan ekonomi (misalnya koneksi yang baik ke pasar) sementara tanaman lainnya lebih terbatas pada lingkungan biofisik tertentu atau terkait dengan kalender tanaman tertentu.

Contoh aturan eksklusif dan opsional yang berbeda diberikan di bawah ini untuk tiga kelas tanaman di wilayah studi:

Taman pasar: Aturan eksklusif:

R1. Kurang dari 30 menit dengan truk atau kurang dari 15 km dari pasar (keberadaan taman pasar sangat terkait dengan keberadaan pasar).

R2. Jarak dari desa kurang dari 150 m (untuk menghindari pencurian karena berkebun pasar adalah tanaman bernilai tinggi).

R3. Lahan biasanya di tanah yang subur (tanah berpasir, tanah aluvial baru-baru ini).

R4. Ladang bisa diairi atau dekat dengan aliran air. R5. Kemiringannya bisa antara 0% dan 7%.

Beras irigasi: Aturan eksklusif:

R1. Lahan harus di dataran rendah beririgasi atau di dasar sungai. R2. Paket harus dekat dengan aliran air.

R3. Kalender panen menyebar dari 21/11 hingga 12/20 (untuk fase transplantasi) dan panen terjadi dari 20/4 hingga 05/10. Aturan opsional:

R4. Lahan tersebut sering berada di tanah hidromorfik. Jagung:

R1. Lahan tersebut terletak di tanah yang buruk.

R2. Kalender tanaman adalah 10/20 - 12/30 (pembibitan) dan 02/20 - 04/30 (panen) untuk siklus perantara dan 20/10 - 12/10 (pembibitan) dan 20/03 - 05/10 (panen ) untuk siklus yang panjang (paling umum).

R3. Tanaman ini sering ditumpangsarikan dengan padi tadah hujan atau kedelai (untuk diterapkan, aturan ini bergantung pada probabilitas keberadaan padi tadah hujan dan kedelai)

R4. Jagung sering hadir di sektor peternakan, yang sesuai dengan lereng atau dataran tinggi.

4.2 Peta probabilitas

Peta-peta probabilitas merupakan hasil dari Implementasi STrules dalam model.

Gambar 2 menunjukkan peta probabilitas padi beririgasi di wilayah studi. Untuk setiap tanaman, peta probabilitas kehadiran yang sama dapat dihitung berdasarkan STrules seperti yang didefinisikan selama langkah 3.3.1. Untuk padi beririgasi, peta ini menyoroti kemungkinan kehadiran yang tinggi di sekitar daerah aliran sungai dan dataran rendah. Di tengah peta, dataran rendah Ambohibary sebagian besar terdiri dari padi dan tanaman berkebun pasar. Di dataran tinggi dan lereng, kemungkinan keberadaan sawah irigasi rendah seperti yang diungkapkan oleh STrules. Peta probabilitas memungkinkan untuk menganalisis dan memahami kemungkinan distribusi spasial tanaman di lanskap, dan untuk

mengidentifikasi faktor-faktor penjelas utama yang mendasari partisi ulang ini.

Gambar 2. Peta peluang padi beririgasi dari pemodelan spatio-temporal (implementasi STrules). 4.3 Peta ketidaksetujuan

Perbandingan antara CMVPsat dan CMVPrule (lihat 3.4) memungkinkan menghasilkan peta ketidaksepakatan.Peta ini menyoroti entitas di mana penginderaan jauh dan STrules tampaknya tidak sesuai. Ketidaksepakatan ini berarti bahwa baik aturan ahli atau pengklasifikasi tidak akurat untuk entitas yang bersangkutan. Dengan asumsi bahwa STrules telah diverifikasi oleh para ahli dan terbukti konsisten, peta ini memungkinkan spasialisasi kesalahan klasifikasi citra penginderaan jauh. Spasialisasi kesalahan klasifikasi juga dapat membantu mengidentifikasi cekungan produksi atau zona tertentu di mana penginderaan jauh lebih sulit untuk membedakan antara jenis tanaman. Peta-peta ini mendukung analisis faktor-faktor yang mungkin membatasi keberhasilan pendekatan penginderaan jauh dalam konteks tersebut. Dalam kasus studi kami, peta ketidaksepakatan yang disajikan pada Gambar 3 menunjukkan kesalahan klasifikasi penginderaan jauh untuk jagung, padi irigasi, padi tadah hujan dan berkebun pasar. Sebagian besar padi irigasi diklasifikasikan dengan baik dengan dominasi di dataran rendah, tetapi merupakan bagian dari berkebun pasar dan tanaman “minor” lainnya (misalnya singkong, talas, dll.) di dataran rendah salah diklasifikasikan. Untuk tanaman kecil ini, kelemahan set pembelajaran, yang mengarah pada pembelajaran yang berlebihan dari algoritma klasifikasi RF dapat menjelaskan ketidaksepakatan tersebut. Di bagian Timur Laut peta, area penting salah diklasifikasikan. Zona yang tidak dapat diakses ini tidak memiliki data kebenaran dasar (digunakan dalam pembelajaran algoritma klasifikasi RF) untuk mewakili variabilitas penggunaan lahannya, dan sedikit data tambahan untuk mendukung STrules. Akibatnya, beberapa entitas mencapai kesepakatan di zona ini. Sebuah interpretasi foto dari tempat ini menunjukkan bahwa, kecuali di dekat aliran air, terdapat sebagian besar vegetasi alami dan tanaman tadah hujan. Di Tenggara peta, area ketidaksepakatan besar lainnya diidentifikasi. Di tempat ini, ground truth dan data tambahan hadir dalam jumlah yang cukup. Ketidaksepakatan terkait dengan kesalahan klasifikasi penting dari berkebun pasar dan kebun dengan tanaman tadah hujan lainnya. Analisis CMVPsat menunjukkan bahwa semua jenis tanaman ini memiliki probabilitas keanggotaan yang sangat dekat. .

Arsip Internasional Ilmu Fotogrametri, Penginderaan Jauh, dan Informasi Spasial, Volume XLII-3/W11, 2020 Pertemuan Gabungan PECORA 21/ISRSE 38, 6–11 Oktober 2019, Baltimore, Maryland, AS

Gambar 3. Peta yang menunjukkan ketidaksepakatan antara kelas berbasis aturan (CMVPrule) dan berbasis penginderaan jauh (CMVPsat)

tugas untuk padi, jagung dan berkebun pasar. Dari hasil pertama ini, analisis jenis dan karakteristik entitas di mana ketidaksepakatan ditemukan (jenis tanaman yang ditetapkan menurut Aturan CMVPsat dan CMVP, dan nilai probabilitas kehadiran setiap tanaman untuk entitas yang sama) dapat dilakukan untuk meningkatkan pemahaman proses dan karakterisasi sistem yang kompleks tersebut.

4.4 Peta yang dikoreksi

Keluaran utama dari metode ini adalah peta penggunaan lahan baru yang dimodifikasi, lebih konsisten dengan strategi dan praktik pertanian di wilayah tersebut. Contoh peta yang dikoreksi, yang dihasilkan setelah redefinisi nilai probabilitas dengan rata-rata CMVPsat dan CMVPrule untuk setiap entitas yang tidak setuju, disajikan pada Gambar 4. Di dataran tinggi Madagaskar, perbandingan pertama dengan data kebenaran dasar menunjukkan bahwa metode ini memungkinkan diskriminasi yang lebih baik dari jenis tanaman tadah hujan. Jenis tanaman ini sulit untuk dikarakterisasi karena ukuran lahan yang sangat kecil dan tingkat fragmentasi yang tinggi dari lahan pertanian tadah hujan, seperti yang ditunjukkan sebelumnya di Lebourgeois et al. (2017).

Gambar 4. Zoom pada peta penggunaan lahan yang diperoleh dengan menggunakan pendekatan penginderaan jauh, sebelum (a) dan setelah (b) redefinisi nilai CMVP dari setiap entitas yang berbasis aturan dan jarak jauh

tugas kelas berbasis penginderaan berbeda untuk tanaman utama. 5. KESIMPULAN DAN PANDANGAN

Karya ini mengusulkan kerangka kerja baru di mana penginderaan jauh dan pengetahuan ahli tentang praktik dan strategi petani digunakan dalam pendekatan pemodelan spatio-temporal untuk menghasilkan peta jenis tanaman yang lebih konsisten secara pertanian dalam sistem pertanian yang kompleks. Metode ini memiliki orisinalitas menggabungkan penginderaan jauh dan pemodelan dengan pengetahuan dari ilmu-ilmu manusia dan sosial yang mencerminkan perilaku petani. Pendekatan tersebut dapat membantu untuk meningkatkan (i) pemahaman tentang proses yang mendorong distribusi penggunaan lahan di daerah pertanian yang kompleks seperti dalam sistem pertanian skala kecil dan (ii) keakuratan peta jenis tanaman di daerah di mana pendekatan penginderaan jauh tradisional memiliki keterbatasan.

Pendekatan ini juga sedang diuji di area studi yang sama dengan serangkaian citra satelit baru dengan resolusi spasial dan temporal yang lebih tinggi (Pléiades bukan SPOT6/7 untuk cakupan spasial yang sangat tinggi, dan penambahan data Vens sebagai pelengkap Landsat- 8 / Sentinel-2 time series), dibangun di atas set STrules yang sama. Analisis sensitivitas model terhadap integrasi setiap aturan spatio-temporal juga akan dilakukan. Di luar penerapannya pada lanskap pertanian petani kecil yang kompleks di Dataran Tinggi Madagaskar, pendekatan ini mengusulkan kerangka kerja umum yang secara eksplisit membawa pengetahuan ahli tematik yang kaya ke dalam analisis data deret waktu satelit. Kerangka kerja seperti itu tentunya dapat disesuaikan dengan wilayah minat atau aplikasi tematik lainnya (misalnya keanekaragaman hayati). Namun, dalam perspektif yang lebih luas, metode ini dapat dianggap sebagai upaya pertama untuk The International Archives of the Photogrametry, Remote Sensing and Spatial Information Sciences, Volume XLII-3/W11, 2020

menggabungkan pendekatan berbasis pengetahuan dan berbasis data untuk mengekstraksi informasi yang berguna dari salah satu sumber data geografis yang paling melimpah yaitu satelit pengamatan bumi.

Studi ini dilakukan sebagai bagian dari proyek SAMSAM yang didanai oleh CNES, Badan Antariksa Prancis (TOSCA APR 2017). Pekerjaan ini juga didukung oleh Badan Riset Nasional Prancis di bawah Program Investasi untuk Masa Depan, yang disebut sebagai ANR-16-CONV-0004. Penulis ingin mengucapkan terima kasih kepada Eloise Rasoamalala dan Valérie Andoniaina atas kontribusi mereka pada survei lapangan, dan para peneliti SPAD, platform CIRAD dalam kemitraan pada “Sistem produksi dataran tinggi dan keberlanjutan di Madagaskar”.

Baatz, M., Schäpe, A., 2000. Segmentasi Multiresolusi: pendekatan optimasi untuk segmentasi gambar multi-skala berkualitas tinggi. Angewandte geografi

Informasi-Verarbeitung XII, 12–23.

Bailly, S., Giordano, S., Landrieu, L., Chehata, N., 2018. Klasifikasi Terstruktur Rotasi Tanaman Menggunakan Gambar Sentinel Multi-Sumber dan LPIS untuk Pemetaan Jenis Tanaman. IGARSS 2018 - 2018

Simposium Geoscience dan Penginderaan Jauh Internasional IEEE,

IEEE, Valencia, hal. 1950–1953.

Blaschke, T., Hay, GJ, Kelly, M., Lang, S., Hofmann, P., Addink, E., Queiroz Feitosa, R., van der Meer, F., van der Werff, H., van Coillie, F., Tiede, D., 2014. Analisis Citra Berbasis Objek Geografis – Menuju Paradigma Baru. Jurnal ISPRS

Fotogrametri dan Terpencil penginderaan 87, 180–191.

Bontemps, S., Arias, M., Cara, C., Dedieu, G., Guzzonato, E., Hagolle, O., Iglada, J., Matton, N., Morin, D., Popescu, R., Rabaute, T., Savinaud, M., Sepulcre, G., Valero, S., Ahmad, I., Bégué, A., Wu, B., De Abelleyra, D., Diarra, A., Dupuy, S. , Prancis, A., Ul Hassan Akhtar, I., Kussul, N., Lebourgeois, V., Le Page, M., Newby, T., Savin, I., Verón, SR, Koetz, B., Defourny, P., 2015. Membangun Kumpulan Data di 12 Situs yang Terdistribusi Secara Global untuk Mendukung Pengembangan Aplikasi Pemantauan Pertanian dengan Sentinel-2. Penginderaan jauh 7, 16062–16090. https://doi.org/10.3390/rs71215815

Breiman, L., 2001. Hutan acak. Pembelajaran mesin 45, 5-32. Debats, S.R., Luo, D., Estes, L.D., Fuchs, T.J., Caylor, K.K., 2016. Pendekatan visi komputer umum untuk memetakan ladang tanaman di lanskap pertanian yang heterogen. Penginderaan jauh

dari Lingkungan 179, 210–221.

Degenne, P., Lo Seen, D., 2016. Ocelet: Simulasi proses perubahan lanskap menggunakan grafik interaksi. SoftwareX 5, 89-95. https://doi.org/10.1016/j.softx.2016.05.002

Donadieu, J., L'Helguen, C., 2016. SENTINEL-2A L2A Deskripsi produk (Catatan teknis). CNES, Arah du Centre Spatial de Toulouse.

Drusch, M., Del Bello, U., Carlier, S., Colin, O., Fernandez, V., Gascon, F., Hoersch, B., Isola, C., Laberinti, P., Martimort, P. , Meygret, A., Spoto, F., Sy, O., Marchese, F., Bargellini, P., 2012.

Sentinel-2: Misi Resolusi Tinggi Optik ESA untuk Layanan Operasional GMES. Penginderaan Jauh Lingkungan 120, 25– 36. https://doi.org/10.1016/j.rse.2011.11.026

Dury, J., Schaller, N., Garcia, F., Reynaud, A., Bergez, J.E., 2012. Model untuk mendukung rencana tanam dan keputusan rotasi tanaman. Sebuah ulasan. Agronomi untuk Pembangunan Berkelanjutan 32, 567–580. https://doi.org/10.1007/s13593-011-0037-x

Fernández-Delgado, M., Cernadas, E., Barro, S., Amorim, D., 2014. Apakah Kita Membutuhkan Ratusan Pengklasifikasi untuk Memecahkan Masalah Klasifikasi Dunia Nyata? Jurnal Penelitian Pembelajaran Mesin 15, 3133–3181.

Gaetano, R., Dupuy, S., Lebourgeois, V., Le Maire, G., Tran, A., Jolivot, A., Bégué, A., 2019. Rantai Pemrosesan MORINGA: Klasifikasi Tutupan Lahan Berbasis Objek Otomatis Agrosistem Tropis Menggunakan Citra Satelit Multi-Sensor. Simposium Planet Hidup ESA (LPS 2019), Milan, Italia.

Gao, B., 1996. NDWI — Indeks perbedaan air yang dinormalisasi untuk penginderaan jauh air cair vegetasi dari luar angkasa. Terpencil

penginderaan dari Lingkungan 58, 257–266.

Tim Pengembang GRASS, 2017. Perangkat Lunak Sistem Pendukung Analisis Sumber Daya Geografis (GRASS). Yayasan Geospasial Sumber Terbuka.

Grizonnet, M., Michel, J., Poughon, V., Iglada, J., Savinaud, M., Cresson, R., 2017. Orfeo ToolBox: pemrosesan open source gambar penginderaan jauh. Buka Data Geospasial, Perangkat Lunak, dan

Standar 2. https://doi.org/10.1186/s40965-017-0031-6

Hagolle, O., Huc, M., Desjardins, C., Auer, S., Richter, R., 2017. Dokumen Dasar Teori Algoritma MAJA. https://doi.org/10.5281/zenodo.1209633

Haralick, R.M., Shanmugam, K., Dinstein, I., 1973. Fitur Tekstur untuk Klasifikasi Gambar. Transaksi IEEE aktif

Sistem, Pria, dan Sibernetika SMK-3, 610–621.

Inglada, J., Arias, M., Tardy, B., Hagolle, O., Valero, S., Morin, D., Dedieu, G., Sepulcre, G., Bontemps, S., Defourny, P., Koetz, B., 2015. Pengkajian Sistem Operasional Produksi Peta Jenis Tanaman Menggunakan Citra Optik Satelit Temporal dan Spasial Resolusi Tinggi. Penginderaan jauh 7, 12356–12379. https://doi.org/10.3390/rs70912356

Jurgens, C., 1997. Indeks vegetasi perbedaan normal yang dimodifikasi (mNDVI) indeks baru untuk menentukan kerusakan akibat embun beku di pertanian berdasarkan data Landsat TM. Internasional

jurnal dari Terpencil penginderaan 18, 3583–3594.

Labatut, V., Cherifi, H., 2011. Tindakan Akurasi untuk Perbandingan Pengklasifikasi. Konferensi Internasional ke-5 tentang

Teknologi Informasi. Amman, Jordanie.

Lebourgeois, V., Dupuy, S., Vintrou, E., Ameline, M., Butler, S., Bégué, A., 2017. Skema Klasifikasi Gabungan Hutan Acak dan OBIA untuk Pemetaan Pertanian Petani Kecil di Berbagai Tingkat Nomenklatur Menggunakan Multisource Data (Simulasi Sentinel-2 Time Series, VHRS dan DEM). Terpencil

penginderaan 9(3), 259. https://doi.org/10.3390/rs9030259

Arsip Internasional Ilmu Fotogrametri, Penginderaan Jauh, dan Informasi Spasial, Volume XLII-3/W11, 2020 Pertemuan Gabungan PECORA 21/ISRSE 38, 6–11 Oktober 2019, Baltimore, Maryland, AS

NASA JPL, 2014. A.S. Merilis Data Ketinggian Darat Antar-Jemput yang Ditingkatkan. Laboratorium Propulsi Jet NASA (JPL). http://www.jpl.nasa.gov/news/news.php?release=2014-321 (28 Oktober 2019).

Peña-Barragán, J.M., Ngugi, M.K., Plant, R.E., Six, J., 2011. Identifikasi tanaman berbasis objek menggunakan beberapa indeks vegetasi, fitur tekstur dan fenologi tanaman. Penginderaan Jauh

Lingkungan 115, 1301–1316.

Pontius, R.G., Millones, M., 2011. Kematian Kappa: lahirnya ketidaksepakatan kuantitas dan ketidaksepakatan alokasi untuk penilaian akurasi. Jurnal Internasional Penginderaan Jauh 32, 4407– 4429. https://doi.org/10.1080/01431161.2011.552923

Riquier, J., 1968. Carte pédologique de Madagaskar. Satu mosaik dari 3 lembar peta. Skala 1 :1 000 000. ORSTORM.

Rouse, W., Haas, R.H., Schell, J., Deering, D., 1974. Sistem Vegetasi Pemantauan di Great Plains dengan ERTS. Simposium Satelit-1 Teknologi Sumber Daya Bumi Ketiga,

Presentasi teknis, bagian A, jilid. Saya, Penerbangan Nasional

dan Administrasi Luar Angkasa, Washington, DC, 309–317.

Sourisseau, J.-M., Rasolofo, P., Bélières, J.-F., Guengant, J.-P., Ramanitriniony, HK, Bourgeois, R., Razafimiarantsoa, ​​TT, Andrianantoandro, VT, Ramarijaona, M. , Burnod, P., Rabeandriamaro, H., Bougnoux, N., 2016. Diagnostic Territorial de la Région du Vakinankaratra Madagaskar (Calon teritoriale sur les dynamiques démographiques et le développement rural en Afrique subsaharienne et Madagascar). AFD.

Weiss, A.D., 2001, Posisi topografi dan analisis bentuk lahan. Presentasi poster, Konferensi Pengguna ESRI, San Diego, California, AS.

Xu, H., 2006. Modifikasi indeks air perbedaan normal (NDWI) untuk meningkatkan fitur perairan terbuka dalam citra penginderaan jauh. Jurnal Internasional Penginderaan Jauh 27, 3025– 3033. https://doi.org/10.1080/01431160600589179

Arsip Internasional Ilmu Fotogrametri, Penginderaan Jauh, dan Informasi Spasial, Volume XLII-3/W11, 2020 Pertemuan Gabungan PECORA 21/ISRSE 38, 6–11 Oktober 2019, Baltimore, Maryland, AS


Kata kunci

Lapisan es Greenland melepaskan lebih dari 1000 Gt air tawar ke lautan setiap tahun (Bamber dan lainnya, Reference Bamber, Van Den Broeke, Ettema, Lenaerts dan Rignot 2012) tingkat yang melebihi akumulasi tahunan salju dan es sebesar 378 Gt a −1 antara 2009 dan 2012 (Enderlin dan lainnya, Referensi Enderlin 2014). Fluks air tawar berbentuk debit air tawar cair dan es padat yang terbentuk dari gletser air pasang, dengan yang terakhir membentuk 32–50% dari total (van den Broeke dan lainnya, Referensi van den Broeke 2009 Enderlin dan lainnya, Referensi Enderlin 2014) . Debit air tawar padat dan cair meningkat dengan laju 25,4 Gt a 2 dari tahun 2003 hingga 2013 (Velicogna dan lainnya, Referensi Velicogna, Sutterley dan Van Den Broeke 2014). Peningkatan debit air tawar dapat menurunkan salinitas air permukaan baik secara lokal di perairan di dalam fjord dan di landas kontinen dan lebih luas di seluruh Atlantik Utara, berpotensi mempengaruhi Sirkulasi Pembalikan Meridional Atlantik (Fichefet dan lainnya, Referensi Fichefet 2003 Stouffer dan lainnya, Referensi Stouffer 2006 Yang dan lainnya, Referensi Yang 2016). Dengan demikian, pengamatan yang akurat dari geometri gunung es (misalnya, volume, kedalaman lunas, panjang garis air) dan distribusinya dalam ruang dan waktu diperlukan untuk memperkirakan dampaknya terhadap sifat air laut dan untuk inisiasi dan validasi model sirkulasi laut yang mencakup gunung es yang aktif secara termodinamika. misalnya, Stern dan lainnya, Referensi Stern, Adcroft dan Sergienko 2016).

Di sekitar Antartika, distribusi ukuran gunung es telah dijelaskan untuk sejumlah kecil gunung es menengah hingga besar (>100 m panjang) yang diamati menggunakan radar dan sextant (Wadhams, Referensi Wadhams 1988) atau dengan pengamatan visual langsung (Neshyba, Referensi Neshyba 1980). Data satelit telah digunakan untuk menggambarkan distribusi gunung es di seluruh Samudra Selatan, meskipun pengamatan ini juga terbatas pada panjang >100 m (Neshyba, Reference Neshyba 1980 Tournadre dan lainnya, Reference Tournadre, Girard-Ardhuin dan Legrésy 2012 Tournadre dan lainnya, Reference Tournadre, Bouhier, Girard-Ardhuin dan Rémy 2016). Pengamatan ini informatif tetapi tidak secara langsung dianalogikan dengan distribusi gunung es di fjord Greenland karena mereka berfokus terutama pada gunung es tabular besar di wilayah laut terbuka daripada di fjord terbatas.

Pengamatan gunung es di Kutub Utara langka dengan distribusi dan dimensi hanya dalam jumlah terbatas (n < 600 dalam setiap studi) gunung es, bit bergy dan growler seperti yang dijelaskan (Hotzel dan Miller, Referensi Hotzel dan Miller 1983 Smith dan Donaldson, Referensi Smith dan Donaldson 1987 Dowdeswell dan Forsberg, Referensi Dowdeswell dan Forsberg 1992 Crocker, Referensi Crocker 1993). Draf gunung es terdeteksi untuk 285 gunung es di Sermilik Fjord menggunakan echo sounder terbalik (Andres dan lainnya, Referensi Andres, Silvano, Straneo dan Watts 2015), dan profil sonar lunas gunung es diperoleh untuk sembilan gunung es di dekat Labrador (Smith dan Donaldson, Referensi Smith dan Donaldson 1987). Menggunakan citra satelit stereo Enderlin dan Hamilton ( Referensi Enderlin dan Hamilton 2014) menghitung volume gunung es dan laju pencairan, dan perkiraan kedalaman lunas gunung es dan Enderlin dan lainnya ( Referensi Enderlin, Hamilton, Straneo dan Sutherland 2016) menemukan laju leleh dan menghitung fluks air tawar gunung es di es mélange. Pergerakan gunung es, penting untuk menentukan waktu tinggal gunung es di fjord, lokasi masukan air tawar dan mengidentifikasi pola sirkulasi yang luas, telah dilacak dengan pemancar GPS (Sutherland dan lainnya, Referensi Sutherland 2014a Larsen dan lainnya, Referensi Larsen, Overgaard Hansen, Buus-hinkler , Krane dan Sønderskov 2015). Secara kritis, tidak ada deskripsi luas fjord tentang distribusi gunung es atau penyelidikan tentang pengaruh kedalaman gletser dan gaya melahirkan pada sifat gunung es.

Di sini, kami menggunakan beberapa kumpulan data satelit untuk mengukur dan membandingkan karakteristik gunung es pada skala spasial yang lebih besar, untuk populasi gunung es yang lebih besar (n > 10 5 ) dan dengan resolusi ukuran yang lebih halus (

30 m) dari yang telah dicapai sebelumnya. Kami membandingkan karakteristik gunung es di tiga fjord berbeda di Greenland dan secara kuantitatif menilai distribusi frekuensi ukuran gunung es dan bagaimana mereka bervariasi di sepanjang fjord dan dalam waktu. Hasil kami memberikan kesesuaian yang signifikan secara statistik untuk distribusi ukuran gunung es dan informasi tentang kedalaman lunas yang memungkinkan perkiraan dasar dari total pencairan gunung es di tiga fjord Greenland ini.

Pengaturan fisik

Kami memeriksa tiga sistem fjord glasial di dua wilayah Greenland: Sermilik Fjord (SF) di tenggara dan Rink Isbr Fjord (RI) (juga dikenal sebagai Karrats Isfjord) dan Kangerlussuup Sermia Fjord (KS) di pantai barat, keduanya di pesisir barat Teluk Uummannaq (Gbr. 1).Ketiga fjord ini dipilih berdasarkan ketersediaan data hidrografi, pelacakan gunung es melalui GPS (misalnya, Sutherland dan lainnya, Referensi Sutherland 2014a), dan beragam gaya melahirkan dan kedalaman garis landasan dari ujung gletser. Fitur fisik tambahan dari setiap fjord diidentifikasi pada Gambar S2.

Gambar 1. (a, inset) Lokasi tiga fjord penelitian Rink Isbrae (RI), Kangerlussuup Sermia (KS) dan Sermilik Fjord (SF). (a) RI dan KS ditampilkan dalam citra Landsat 8 dari 7/8/14, dan (b) SF ditampilkan dalam citra Landsat 8 dari 7 Agustus 2014 (Program Landsat NASA, 2014). Jarak (km) dari termini glasial ditampilkan di sepanjang garis berwarna di kedua panel, bersama dengan kedalaman kusen utama ke setiap fjord.

Sermilik Fjord (SF)

SF adalah jalan keluar ke Laut Irminger untuk gunung es yang terbentuk dari Gletser Helheim (Gbr. 1), serta gletser Fenris dan Midgaard yang lebih kecil. Mencapai kecepatan 8–11 km per 1 di sepanjang batangnya, Gletser Helheim adalah salah satu produsen gunung es paling produktif di Greenland (

25 Gt a 1 ) (Moon and others, Reference Moon, Joughin, Smith and Howat 2012 Enderlin and others, Reference Enderlin and Hamilton 2014). Bagian utara

Terminal selebar 5,5 km secara berkala mengalami flotasi, sedangkan bagian selatan di-ground (Murray dkk, Referensi Murray 2015). Es yang terbentuk dari perjalanan Gletser Helheim

20 km ke timur, sering kali dalam mélange es yang padat, sebelum meluas ke selatan untuk

80 km ke mulut fjord dan Laut Irminger. SF berkisar antara 8 sampai 12 km lebar dan 600-900 m dalam, dan tidak memiliki ambang dangkal di mulutnya (Sutherland dan lain-lain, Referensi Sutherland 2013). Selama musim panas, fjord umumnya mengandung lapisan yang relatif dingin (

0,5°C) dan Air Kutub segar hingga kedalaman dalam kisaran 100–200 m, di atas lapisan yang lebih hangat (hingga 4°C), Air Atlantik yang lebih asin (Sutherland dan lainnya, Referensi Sutherland, Straneo dan Pickart 2014b). SF telah menjadi subyek dari banyak penyelidikan tentang sirkulasi dan hidrografi (Straneo dan lainnya, Referensi Straneo 2010 Sutherland dan lainnya, Referensi Sutherland, Straneo dan Pickart 2014b), dinamika melahirkan (Murray dan lainnya, Referensi Murray 2015) dan gerakan gunung es (Sutherland dan lainnya, Referensi Sutherland 2014a), peleburan (Enderlin dan Hamilton, Referensi Enderlin dan Hamilton 2014) dan kedalaman lunas (Andres dan lainnya, Referensi Andres, Silvano, Straneo dan Watts 2015). Selanjutnya, kita akan menyebut seluruh sistem antara Gletser Helheim dan Laut Irminger sebagai SF.

Rink Isbr Fjord (RI)

RI adalah fjord tempat Rink Isbr (gletser) berakhir (Gbr. 1). Kecepatan rata-rata adalah

4,2 km 1 di dekat terminal selebar 4,7 km. Gletser sebagian mengambang, mencapai kedalaman 840 m di air lebih dalam dari 1000 m (Bartholomaus dan lainnya, Referensi Bartholomaus 2016 Rignot dan lainnya, Referensi Rignot 2016). Fjord memiliki lebar 6–12 km dan kedalaman 1100 m di sepanjang sebagian besar panjangnya, terutama membentang dari timur ke barat untuk

65 km ke mulutnya di Teluk Uummannaq. Pulau Karrats membelah ujung fjord menjadi lengan utara dan selatan di

50 km ke bawah-fjord. Di sisi tenggara pulau terdapat ambang dengan kedalaman 400 m, sedangkan di sisi utara pulau terdapat ambang yang menjulang ke atas.

230 m di bawah permukaan. RI mengandung dingin (

1°C) air tawar hingga kedalaman 100–200 m melapisi AW yang lebih hangat dengan suhu hingga 3°C di musim panas (Bartholomaus dan lainnya, Referensi Bartholomaus 2016).

Kangerlussuup Sermia Fjord (KS)

KS adalah fjord berikutnya yang berisi gletser pengakhiran laut di selatan RI (Gbr. 1). Meskipun letaknya berdekatan, KS memiliki sifat yang sangat berbeda dengan RI. Gletser bergerak lebih lambat (

1,8 km a 1 ) dari gletser yang memberi makan RI, dan hanya memiliki lebar 4,2 km dan kedalaman 250 m di ujungnya yang membumi (Bartholomaus dan lainnya, Referensi Bartholomaus 2016 Rignot dan lainnya, Referensi Rignot 2016). Fjord KS umumnya membentang dari timur ke barat untuk

63 km sebelum dibuka ke Teluk Uummannaq. Pada 37 km down-fjord, fjord terbagi menjadi lengan utara dan selatan. KS jauh lebih dangkal dari RI, mencapai kedalaman hanya

500 m. Di mulut lengan utara terdapat ambang pada kedalaman 430 m, dan ambang lainnya naik hingga kedalaman 290 m di ujung dekat gletser lengan selatan. Perairan di KS umumnya lebih dingin daripada di kedalaman yang sesuai di RI, dengan perairan dekat 0°C hingga kedalaman 100 m di atas perairan hingga 2°C di musim panas (Bartholomaus dan lainnya, Referensi Bartholomaus 2016).


GIS For Dummies Baru Diterbitkan

Anda tahu GIS telah sukses besar ketika mendapatkan buku “Dummies” sendiri:

Penulis, Michael DeMers, adalah profesor geografi di New Mexico State University, dan penulis buku teks Dasar-dasar Sistem Informasi Geografis:

Saya memesan salinan GIS Untuk Dummies hari ini, dan berencana untuk segera mengulas blog ini.

Buat Titik Acak Atau Bentuk Kotak Titik Berspasi Merata Dalam Area Yang Ditentukan

Mendapat pertanyaan email tentang cara membuat kisi titik dalam format GIS dengan perangkat lunak gratis, dan solusi terbaik adalah fGIS. fGIS (Forestry GIS) adalah GIS freeware yang layak dikembangkan oleh Departemen Sumber Daya Alam Wisconsin menggunakan Kernel Pengembang TatukGIS. Hingga akhir 2005, versi yang diperbarui dirilis secara teratur sebagai freeware, tetapi perubahan dalam persyaratan lisensi Kernel membuat hal itu tidak mungkin dilakukan untuk versi mendatang. Versi gratis terakhir masih tersedia, tetapi tidak dijamin bebas bug dan tidak akan pernah diperbaiki atau diperbarui. Namun, ia memiliki beberapa utilitas yang berguna, termasuk alat "Generate Cruise Points", tersedia dari menu Utilitas, alat ini memungkinkan Anda membuat shapefile titik acak dan spasi teratur untuk area yang ditentukan.

Mulai fGIS, dan Anda akan langsung diminta untuk menentukan nama proyek. Sistem koordinat akan ditentukan oleh lapisan pertama yang Anda tambahkan, baik raster atau vektor, dan lapisan data apa pun yang Anda tambahkan ke program harus berada dalam sistem koordinat yang sama. Program ini mendukung berbagai format, vektor dan raster, termasuk shapefile dan GeoTiff. Anda harus memiliki area yang Anda inginkan grid yang ditentukan oleh lapisan vektor, baik yang Anda buka atau yang Anda buat menggunakan fungsi pengeditan vektor program, mis. Anda dapat membuka raster GeoTiff, lalu menggambar poligon yang mendefinisikan area yang ingin Anda kisi di atas gambar raster. Anda juga perlu menyorot area poligon yang ingin Anda kisi menggunakan alat "Pilih" (ikon panah merah di bagian atas):

Kemudian pilih Utilities => Hasilkan Poin Pesiar:

Di sini, new.shp adalah shapefile poligon dengan area yang disorot untuk di-grid, tentukan shapefile titik grid output dengan mengklik tombol "Output Shapefile" (masuk ke direktori di kotak di sebelah kanan tidak berpengaruh). Kemudian pilih grid acak dan jumlah titik acak, atau grid sistematis dengan jarak dan unit yang diinginkan. Klik OK, dan shapefile grid akan dibuat dan ditambahkan ke tampilan peta jika areanya besar, dan jaraknya kecil, ini mungkin memakan waktu cukup lama. Inilah shapefile grid yang diplot di atas raster asli (diperbesar sangat dekat):

Dengan perangkat lunak seperti DNRGarmin, Anda dapat mengunggah kisi seperti itu ke GPS Anda sebagai satu set titik pengambilan sampel.

Daftar Besar Program Analisis Citra Satelit/Aerial V – GIS

Yang terakhir dalam seri ini (bagian satu, dua, tiga, dan empat). Aplikasi sebelumnya terutama difokuskan pada aplikasi penginderaan jauh, tetapi ada juga sejumlah program GIS freeware tujuan umum yang mencakup kemampuan analisis penginderaan jauh yang signifikan.

Program GIS yang kuat tetapi seringkali sulit digunakan. Quantum GIS mengimplementasikan antarmuka yang lebih mudah untuk kemampuan GRASS. Versi Java GRASS (JGRASS) sedang dibangun di atas uDIG, tetapi untuk saat ini berkonsentrasi pada kemampuan hidrogeologi dan geomorfologi.

  • Analisis komponen kanonik (CCA)
  • Generasi komposit warna
  • Deteksi tepi
  • Pemfilteran frekuensi (Fourier, matriks konvolusi)
  • Transformasi Fourier dan Invers Fourier
  • Peregangan histogram
  • Transformasi IHS ke RGB
  • Perbaikan gambar (transformasi affine dan polinomial pada target raster dan vektor)
  • Perbaikan foto orto
  • Analisis komponen utama (PCA)
  • Koreksi radiometrik (Fourier)
  • Pengambilan sampel ulang
  • Peningkatan resolusi (dengan RGB/IHS)
  • Transformasi RGB ke IHS
  • Klasifikasi berorientasi tekstur (klasifikasi sekuensial maksimum a posteriori)
  • Deteksi bentuk
  • Klasifikasi yang diawasi (area pelatihan, klasifikasi kemungkinan maksimum)
  • Klasifikasi tanpa pengawasan (pengelompokan jarak minimum, klasifikasi kemungkinan maksimum)

gvSIG bergerak menuju rilis versi 2.0, yang akan menambahkan sejumlah besar fungsi analisis penginderaan jauh. Jika Anda ingin melihat versi awal, tersedia rilis 1.9 alpha.

– Kliping pita dan data
– Ekspor lapisan
– Simpan dari tampilan ke file raster
– Tabel warna dan edisi gradien
– Tidak ada manajemen nilai data
– Proses piksel (filter)
– Manajemen interpretasi warna
– Pembuatan Ikhtisar
– Radiometrik yang disempurnakan
– Histogram
– Geolokasi
– Proyeksi ulang raster
– Georeferensi
– Vektorisasi otomatis
– Band aljabar
– Definisi Wilayah Kepentingan (ROI)
– Klasifikasi yang diawasi
– Klasifikasi semi-diawasi
– Pohon keputusan
– Transformasi
– Penggabungan gambar
– Mosaik
– Diagram sebar
– Profil gambar

Sistem Informasi Pertanahan dan Air Terpadu, yang dulunya perangkat lunak komersial, sekarang open source.

  • Peningkatan gambar (kontras, peregangan linier)
  • Penyaringan
  • Kombinasi dan pengomposisian pita
  • Rasio pita dan indeks
  • Georeferensi
  • Statistik multi-band
  • Analisis komponen utama
  • Aritmatika gambar
  • Penggabungan gambar (mis. pan-sharpening)
  • Klasifikasi gambar

Program analisis medan/DEM yang sangat kuat, tetapi juga memiliki aplikasi lain, termasuk penginderaan jauh.

  • Peningkatan kontras
  • Filter
  • Histogram pita
  • Matriks korelasi (kovarians)
  • Scattergrams
  • Rasio pita dan indeks yang dinormalisasi (mis. NDVI)
  • Analisis komponen utama
  • Penggabungan multi-band
  • Pelatihan dan klasifikasi gambar
  • Analisis gambar hiperspektral (AVIRIS)
  • Rata-rata gambar

Tidak terutama aplikasi penginderaan jauh, tetapi memiliki beberapa modul untuk manipulasi grid, statistik dan analisis yang dapat berguna.

Dan jika Anda ingin membuat program analisis penginderaan jauh Anda sendiri, atau menambahkan kemampuan ke GIS, ada Orfeo Toolbox (OTB), perpustakaan/API sumber terbuka untuk pemrosesan gambar:

  • akses gambar: akses baca/tulis yang dioptimalkan untuk sebagian besar format gambar penginderaan jauh, akses meta-data, visualisasi sederhana
  • geometri sensor: model sensor, proyeksi kartografi
  • radiometri: koreksi atmosfer, indeks vegetasi
  • pemfilteran: pengaburan, denoising, peningkatan
  • fusi: gambar pansharpening
  • ekstraksi fitur: poin minat, keberpihakan, garis
  • segmentasi gambar: pertumbuhan wilayah, daerah aliran sungai, set level
  • klasifikasi: K-means, SVM, bidang acak Markov
  • deteksi perubahan.

Daftar Besar Perangkat Lunak Analisis Citra Satelit/Aerial IV – S Sampai Z

Klik di sini untuk bagian satu, dua dan tiga dari seri ini.

SamplePoint adalah program analisis gambar manual yang dirancang untuk memfasilitasi pengukuran tutupan vegetasi dari gambar digital nadir skala apa pun. Beroperasi pada dasarnya sebagai bingkai titik digital, perangkat lunak memuat gambar, menempatkan titik klasifikasi pada gambar, dan menyimpan data klasifikasi ke database saat pengguna mengelompokkan setiap titik. Hingga tiga tampilan simultan dari setiap titik klasifikasi, pada berbagai tingkat zoom, dimungkinkan. Penggunaan fungsional tidak terbatas pada klasifikasi vegetasi. File penginstalan berisi SamplePoint, SPTracker, Manual Bantuan, Tutorial PowerPoint, dan dua contoh gambar.

Catatan: Tampaknya terutama untuk analisis tutupan vegetasi close-up, tetapi mungkin berguna untuk aplikasi lain.

Spectral Analysis and Management System (SAMS) adalah aplikasi Java untuk mengelola database dan analisis spektrum lapangan. Fitur termasuk: opsi impor/ekspor dalam berbagai format, pengelompokan tanda tangan, manajemen metadata, operasi umum pada tanda tangan tunggal atau ganda, rangkaian kemampuan plot yang lebih kaya, dan struktur data sederhana untuk integrasi yang mudah dengan aplikasi lain… SAMS 2.0 tidak memerlukan Matlab dan berjalan di berbagai platform
(Windows, Linux, dan UNIX). Basis data dapat dipertukarkan di antara platform ini.

Sistem Analisis Data SeaWiFS (SeaDAS) adalah paket analisis gambar yang komprehensif untuk pemrosesan, tampilan, analisis, dan kontrol kualitas data warna laut.

StarSpan dirancang untuk menjembatani dunia raster dan vektor dari analisis spasial menggunakan algoritme cepat untuk ekstraksi tingkat piksel dari fitur geometri (titik, garis, poligon). StarSpan menghasilkan database nilai piksel yang diekstraksi (dari satu atau satu set gambar raster), digabungkan dengan atribut database dari file vektor. Hal ini memungkinkan pengguna untuk melakukan analisis statistik piksel vs. data atribut dalam banyak paket yang ada dan dapat sangat mempercepat pelatihan dan pengujian klasifikasi.

  • Temukan gambar, jelajahi, dan perbesar
  • Anotasi gambar (menambahkan teks, panah, dll,)
  • Peningkatan citra
  • Lihat, edit, dan buat file vektor
  • Pengukuran jarak dan area
  • Mosaik gambar
  • Dukungan multi-bahasa (saat ini bahasa Inggris, Spanyol, dan Prancis)
  • Perbandingan gambar menggunakan ‘flicker’
  • Dukungan kumpulan data multi-band (banyak format)
  • Klasifikasi
  • Kemampuan melihat 3-D
  • Menampilkan dan menganalisis citra satelit
  • Bandingkan dua gambar dan analisis tren dalam rangkaian gambar waktu
  • Ekstrak dan grafik tren dari sejumlah citra satelit seperti selama musim tanam untuk dibandingkan dengan tahun-tahun lainnya
  • Hitung gambar baru dari serangkaian gambar
  • Menampilkan data tabular dalam format peta
  • Bangun produk khusus yang menggabungkan gambar, peta, dan legenda khusus
  • Tulis dan jalankan file batch untuk mengotomatiskan tugas-tugas rutin dan membosankan
  • Bangun antarmuka proyek yang disesuaikan untuk menyediakan menu terperinci dari data yang tersedia untuk negara atau area tertentu kepada pengguna

Dibangun di atas Tcl/Tk, XBit mampu menyediakan GUI yang mudah digunakan yang mengintegrasikan berbagai utilitas pemrosesan gambar dan peta. Fungsi pemrosesan gambar XBit meliputi tampilan, pemotongan, perbaikan geometris, peningkatan, kalibrasi, konvolusi, klasifikasi, analisis dan penyaringan FFT, transformasi komponen utama, tampilan aliran video, pengambilan gambar waktu nyata dengan kamera digital dan lain-lain. Selain itu, XBit mengimplementasikan shell Tcl untuk OpenGL (saat ini hanya tersedia untuk Windows), yang bersama dengan kemampuan pemrosesan gambar XBit' sangat meningkatkan rendering gambar 3D. Fungsi pemrosesan peta XBit meliputi menampilkan, mengedit, dan menganalisis data grafik dan tabel dari file bentuk (.shp) dan file tabel (.dbf).

Daftar Besar Perangkat Lunak Analisis Citra Satelit/Aerial III – N Through R

Klik di sini untuk bagian satu dan dua dari seri ini.

NASA HDF-EOS Web GIS Software Suite (NWGISS) adalah rangkaian perangkat lunak GIS web yang membuat data HDF-EOS tersedia untuk pengguna GIS berdasarkan protokol interoperabilitas Open GIS Consortium’s (OGC). Ini terdiri dari komponen berikut: server peta (WMS), server cakupan (WCS), server katalog, Klien Geoinformasi Multi-Protokol (MPGC), dan kotak peralatan. Komponen-komponen tersebut dapat bekerja baik secara mandiri maupun kolaboratif.

NWGISS dapat bekerja dengan ketiga jenis data HDF-EOS, yaitu petak, kisi-kisi, dan titik. Saat ini, server peta, yang sesuai dengan spesifikasi pemetaan web OGC 1.0, telah dikembangkan dan diuji. Server cakupan, yang menyajikan data nyata ke klien GIS, telah dikembangkan dan diuji sebagai bagian dari kegiatan OGC WMT II. Server katalog menyediakan kemampuan pencarian katalog untuk klien GIS. Server katalog state-full telah diimplementasikan dan server katalog stateless berbasis http sedang diimplementasikan. Multi-Protocol Geoinformation Client (MPGC) menyediakan cara yang dapat dioperasikan untuk mengakses data geospasial, terutama yang berasal dari penginderaan jauh. Hal ini sesuai dengan spesifikasi cakupan web OGC’s ( versi 0.5 & amp 0.7 ), fitur web, peta web dan spesifikasi web registry untuk berkomunikasi dengan server untuk meminta subset data geospasial multi-dimensi dan multi-temporal untuk spesifik wilayah geografis dari server dan gambar peta overlay. Itu juga dapat memformat ulang kumpulan data yang dikembalikan dalam format data yang ditentukan pengguna. Dan lebih lagi, ini adalah visualisasi yang kuat dan alat analisis untuk data geospasial.

Kotak alat terdiri dari penerjemah dua arah antara HDF-EOS dan format GIS utama, serta alat CreateCapabilities yang secara otomatis membuat deskripsi kemampuan XML dari metadata dalam file HDF-EOS. Kedua alat tersedia sekarang. Peta NWGISS dan server cakupan telah digunakan oleh NASA dan badan antariksa lainnya. NWGISS gratis untuk penyedia data yang ingin menyajikan data HDF-EOS ke klien GIS.

OpenDragon menawarkan rangkaian lengkap analisis gambar dan kemampuan GIS raster termasuk peningkatan gambar, klasifikasi terawasi dan tidak terawasi, koreksi geometrik, pengukuran dan statistik, penangkapan dan tampilan vektor, kemiringan, perhitungan aspek dan buffer, serta pengambilan keputusan multi-kriteria. OpenDragon juga menyertakan OpenDragon Toolkit, yang memungkinkan pengguna yang dapat memprogram dalam C untuk memperluas fungsionalitas perangkat lunak.

  • Jalankan di platform populer (Linux, Windows, Solaris, IRIX).
  • Menangani data raster dan vektor.
  • Mendukung tampilan 2D dan 3D.
  • Tangani set data raster yang sangat besar (gigabyte) dengan anggun.
  • Mendukung multi-channel, dan kumpulan data raster yang kompleks.
  • Memahami dan menginterpretasikan informasi georeferensi, dan memberikan proyeksi ulang set data saat itu juga.
  • Menyediakan fungsi manipulasi tampilan (geser, zoom, putar) pada kecepatan bingkai interaktif.
  • Menyediakan alat analisis gambar yang kuat.
  • Berfungsi sebagai komponen dalam berbagai aplikasi analisis citra.

Catatan: Sekarang bagian dari paket FWTools tampaknya tidak lagi dalam pengembangan aktif . Gary Geller dari grup TerraLook menulis untuk mengatakan bahwa OpenEV 2.0 sedang dalam pengembangan aktif, dan harus dirilis pada akhir tahun 2009.

  • Zoom, geser, putar kumpulan data besar secara spasial.
  • Lapisi fitur GIS dengan cepat, anotasi, hasil, dan informasi lain di atas data Anda untuk memberikan konteks.
  • Tautkan kumpulan data secara geografis. Zoom dan geser satu tautan kumpulan data ke yang lain.
  • Mode produk dan anotasi.
  • Anotasi aktif, termasuk North Arrow, East Arrow, Scale Bar, dan Timestamp
  • Banyak kontrol tampilan gambar, seperti peta warna, histogram, transparansi, dll.
  • Pemrosesan video/gambar yang ditentukan pengguna “plug-in”.
  • Dukungan untuk kumpulan data lebih dari empat gigabyte (dukungan 64-bit).
  • Dalam memori dan pada pemrosesan disk.
  • Analis dapat dengan cepat menggabungkan langkah-langkah menggunakan wizard grafis.
  • Pemrosesan batch.
  • Bantuan Daring
  • Dukungan asli untuk banyak format file penginderaan jauh: NITF2.0/2.1, ASPAM/PAR, CGM, DTED, ENVI, Generic RAW, ESRI Shapefile, HDF5, AVI, MPEG, JPEG, GIF, PNG, BMP, TIFF, GeoTIFF.
  • Terhubung ke Geodatabases dengan integrasi ESRI ArcSDE.
  • Dukungan untuk sistem operasi Microsoft Windows (32-bit dan 64-bit) dan Solaris SPARC.
  • Geser, perbesar, putar, dan geo-referensi video besar secara spasial.
  • Putar ulang beberapa kumpulan data video yang disinkronkan berdasarkan waktu.
  • Hamparkan fitur geografis dan buatlah georeferensi per bingkai, bergerak saat Anda memutarnya.
  • Dukungan untuk beberapa format dataset spektral termasuk BIP, BSQ, dan BIL.
  • Dukungan untuk 1000’s band spektral.
  • Importir tanda tangan ENVI.
  • Analisis Komponen Prinsip.
  • Dukungan asli untuk data yang kompleks.
  • Ditampilkan sebagai Fase, Magnitudo, Dalam Fase (I), dan Kuadrat (Q).
  • Kemampuan pemrosesan paralel dengan pustaka mpi
  • Pemodelan sensor yang ketat
  • Model Sensor Universal (RPC)
  • Berbagai Proyeksi Peta dan Datum didukung
  • Rantai gambar berbasis parameter yang tidak merusak
  • Akses file asli
  • Koreksi dan orthorektifikasi Medan Presisi
  • Mosaicing, compositing, dan fusion tingkat lanjut
  • Dukungan elevasi
  • Dukungan vektor dan shapelib
  • Proyeksi dan resolusi independen
  • Editor persamaan
  • Pencocokan histogram dan penyeimbangan nada

Tujuan utama dari pekerjaan ini adalah untuk membawa metode pendaftaran yang dikembangkan ke dalam satu sistem pendaftaran gambar otomatis dan membuatnya bekerja secara operasional.

Sistem pendaftaran yang dikembangkan adalah aplikasi berfitur lengkap yang ditujukan untuk penggunaan operasional oleh pemula maupun pengguna tingkat lanjut. Pendaftaran dapat dicapai dengan satu klik sederhana atau dapat dikontrol oleh beberapa parameter. Sistem berisi kotak alat yang meningkatkan kekuatan pendaftaran menggunakan pengetahuan pengguna.

Tiga algoritma yang berbeda untuk ekstraksi titik kontrol diimplementasikan dalam sistem dan metode lain dapat dengan mudah ditambahkan. Salah satu algoritma menggunakan aliran optik ide untuk mengekstrak fitur di kedua gambar. Metode kedua menggunakan informasi spektral dari gambar dan lokalnya transformasi gelombang modulus maxima untuk mengekstrak satu set titik kontrol. Yang terakhir menggunakan pusat gravitasi yang tertutup kontur dan lainnya tepi yang kuat sebagai titik kontrol.

Bukan aplikasi semata, tetapi seperangkat aplikasi online yang bagus yang menunjukkan beberapa prinsip dasar penginderaan jauh.


TauDEM¶

TauDEM (Terrain Analysis Using Digital Elevation Models) adalah alat untuk mengekstraksi dan menganalisis informasi hidrologi dari Digital Elevation Models (DEM). TauDEM dapat digunakan dari QGIS jika Anda telah menginstalnya di sistem Anda dan mengkonfigurasi QGIS dengan benar, sehingga dapat menemukan semua file yang diperlukan.

Ada dua versi alat TauDEM: singlefile (TauDEM 5.0.6 atau 5.1.2) dan multifile (TauDEM 5.2.0). Perbedaan antara versi ini dalam input/output yang didukung. Versi file tunggal hanya menerima file raster tunggal dan menulis file tunggal sebagai output. Versi multifile menerima direktori dengan raster dan menulis direktori dengan raster sebagai output. Direktori tersebut harus berisi raster yang akan diperlakukan sebagai grid DEM tunggal.

Penyedia TauDEM Processing mendukung TauDEM versi tunggal dan multifile dan bahkan memungkinkan untuk menggunakannya secara bersamaan.

Sementara penyedia TauDEM Processing mendukung TauDEM 5.0.6, 5.1.2 dan 5.2.0, kami menyarankan untuk menggunakan 5.1.2 dan/atau 5.2.0 karena versi ini memiliki beberapa alat baru yang tersedia, seperti Gage Watershed dan TWI.

Instalando TauDEM tanpa Windows¶

Silakan kunjungi beranda TauDEM dan unduh versi yang diinginkan dari binari yang telah dikompilasi untuk platform Anda (32-bit atau 64-bit), biasanya ini adalah “Command Line Executables”. Anda juga perlu mengunduh Microsoft HPC Pack 2012 MS-MPI. Pertama instal Microsoft HPC Pack 2012 MS-MPI dengan menjalankan mpi_x64.Msi untuk platform 64-bit dan mpi_x86.Msi untuk platform 32-bit.

Se você quiser menggunakan TauDEM 5.0.6

Instalando TauDEM tanpa Linux¶

Sayangnya tidak ada paket untuk sebagian besar distribusi Linux, jadi Anda harus mengkompilasi TauDEM sendiri. Karena TauDEM menggunakan MPI, maka perlu menginstal implementasi MPI terlebih dahulu, misalnya MPICH atau OpenMPI. Gunakan manajer paket favorit Anda untuk menginstal MPICH atau OpenMPI.

Unduh paket kode sumber TauDEM 5.2.0 dari repositori GitHub dan ekstrak konten arsip. Buka terminal dan cd ke dalam src direktori di dalam folder yang diekstrak. Buat direktori build dan cd ke dalamnya

Konfigurasikan build Anda (ubah awalan instal jika perlu) dan kompilasi

Ketika kompilasi selesai, instal alat TauDEM dengan menjalankan

File yang dapat dieksekusi akan diinstal ke tempat sampah subdirektori di dalam awalan yang Anda tentukan pada tahap konfigurasi. Misalnya jika Anda menentukan awalan /opt/taudem5.2 dari binari akan diinstal ke /opt/taudem5.2/bin .

Untuk menggunakan versi file tunggal — unduh paket sumber di sini dan lakukan langkah-langkah yang disebutkan di atas untuk mengompilasi dan menginstalnya.

TauDEM lama 5.0.6 juga tersedia. Tetapi sebelum mengkompilasi versi ini perlu mengedit beberapa file sumber.

Abra o arrquivo linearpart.h e depois a linha

adicione uma nova linha com

Salep sebagai alteraes e feche o arquivo. Agora abra o arquivo tiffIO.h , encontre a linha #sertakan "stdint.h" e substitua as entre aspas ( “” ) com ``<> , para que possa obter

Simpan perubahan dan tutup file.

Sekarang konfigurasikan, kompilasi, dan instal TauDEM 5.0.6 menggunakan perintah yang sama seperti yang dijelaskan di atas.

Mengonfigurasi penyedia TauDEM¶

Setelah TauDEM diinstal, mulai QGIS, buka dialog Opsi pemrosesan dari Pemrosesan Opsi. dan konfigurasikan penyedia algoritma TauDEM. Dalam Penyedia temukan grup TauDEM (analisis hidrologi) memblokir, dan memperluasnya. Di sini Anda akan melihat semua pengaturan yang terkait dengan TauDEM.

Pertama, pastikan bahwa algoritme diaktifkan, dan aktifkan penyedia jika perlu.

Langkah selanjutnya adalah mengkonfigurasi MPI. NS Direktori bin MPICH/OpenMPI pengaturan yang digunakan untuk menentukan lokasi mpiexec program. Di sebagian besar distribusi Linux, Anda dapat membiarkannya kosong dengan aman, karena mpiexec tersedia di Anda JALUR .

NS Jumlah proses paralel MPI untuk digunakan adalah pengaturan kedua yang terkait dengan MPI. Ini mendefinisikan jumlah proses yang akan digunakan untuk mengeksekusi perintah TauDEM. Jika Anda tidak tahu nilai mana yang akan digunakan, lebih baik biarkan nilai ini tidak berubah.

Sekarang kita perlu mengonfigurasi jalur ke folder tempat alat baris perintah TauDEM diinstal. Seperti yang telah kami sebutkan, penyedia TauDEM mendukung TauDEM tunggal dan multifile, jadi ada dua pengaturan untuk folder TauDEM:

  • Folder alat baris perintah TauDEM digunakan untuk mengatur lokasi alat file tunggal
  • Folder alat baris perintah multifile TauDEM digunakan untuk mengatur lokasi alat multifile

Jika Anda memiliki kedua versi TauDEM yang terinstal di direktori yang berbeda, Anda dapat menentukan kedua opsi tersebut.

Langkah terakhir adalah menentukan versi TauDEM mana yang akan digunakan:

  • dengan Aktifkan alat TauDEM multifile pilihan dicentang, Anda akan menggunakan alat TauDEM multifile dari direktori, yang ditentukan dalam Folder alat baris perintah multifile TauDEM. Alat multifile memiliki nama yang sama dengan file tunggal dengan akhiran “(multifile)” ditambahkan
  • dengan Aktifkan alat TauDEM tunggal pilihan dicentang, Anda akan menggunakan alat TauDEM multifile dari direktori, yang ditentukan dalam Folder alat baris perintah TauDEM.

Dimungkinkan untuk mengaktifkan kedua alat secara bersamaan. Dalam hal ini Anda akan memiliki dua contoh dari setiap alat di kotak alat dan dapat menggunakannya dalam analisis Anda.

Hati-hati dalam mengembangkan model Processing menggunakan TauDEM!

Karena versi single dan multifile memiliki input yang berbeda, model yang dibuat dengan algoritma singlefile tidak akan berfungsi jika hanya algoritma multifile yang tersedia. Jika Anda berencana untuk membagikan model Anda, harap tentukan versi TauDEM mana yang harus digunakan atau, lebih baik, berikan dua versi model Anda: untuk TauDEM tunggal dan multifile.


Tonton videonya: object based image classification workflow in Orfeo Toolbox