Hasil Pencarian  ::  Simpan CSV :: Kembali

"Identifikasi jenis material atap bangunan sangat dilakukan untuk bermacam pemanfaatan dari pemodelan cuaca mikro hingga analisis resiko bencana. Penelitian identifikasi jenis material atap bangunan telah dilakukan dengan menggunakan data hiperspektral, data lapangan, laboratorium serta data satelit penginderaan jauh masih memerlukan peningkatan akurasi. Penelitian ini bertujuan untuk mengembangkan metode spektroskopi reflektansi menggunakan kombinasi kanal spektral pada fusi data satelit penginderaan jauh resolusi resolusi spasial sangat tinggi (50 cm) dengan menerapkan koreksi spekular, masking vegetasi serta machine learning Random Forest untuk meningkatkan akurasi identifikasi jenis material atap bangunan. Metode yang dikembangkan menghasilkan akurasi untuk material aluminium, asbes, keramik, beton, genteng pasir besi dengan akurasi total 97.48% dengan nilai Kappa 0,958. Fusi data Pleiades dan Landsat-8 dilakukan untuk memperoleh data SWIR dengan panjang gelombang 2107–2294 nm dan resolusi spasial 50 cm untuk analisis spektral, sehingga identifikasi jenis material atap bangunan asbes dapat diidentifikasi dengan akurasi 95%. Koreksi spekular dan masking vegetasi meningkatkan akurasi identifikasi jenis material atap bangunan 8-12% sebagai perbaikan koreksi radiometrik dalam pengolahan data resolusi sangat tinggi.

---

Identification of the type of building roof material is widely used for various application from micro weather modeling to disaster risk analysis. Research on the identification of the type of building roof material has been carried out using hyperspectral data, field data, laboratories and remote sensing satellite data still requires increased accuracy. This study aims to develop method spectroscopy reflectance using a spectral channel combination on remote sensing satellite data fusion with very high spatial resolution (50 cm) by applying specular correction, vegetation masking and Random Forest machine learning to improve the accuracy of identifying the type of building roof material. The developed method produces accuracy for aluminum, asbestos, ceramic, concrete, iron sand tiles with a total accuracy of 97.48% with a Kappa value of 0.958. Pleiades and Landsat-8 data fusion was carried out to obtain SWIR data with a wavelength of 2107–2294 nm and a spatial resolution of 50 cm for spectral analysis, so that the identification of the type of asbestos roof material can be identified with an accuracy of 95%. Specular correction and vegetation masking increase the accuracy of identifying the type of building roof material by 8-12% as an improvement in radiometric correction in very high spatial resolution (50 cm) data processing."

"Padi mempunyai peran penting dalam menjamin ketahanan pangan di Indonesia, sehingga penelitian terkait lahan sawah sangat penting. Identifikasi lahan sawah dari data penginderaan jauh dengan akurasi yang tinggi di wilayah tropik Indonesia merupakan tantangan penelitian. Metode yang paling akurat untuk identifikasi lahan sawah adalah dengan menggunakan pendekatan fenologi dan integrasi data multi-sumber. Namun, pendekatan ini tidak mempertimbangkan karakteristik spektral dan temporal yang rinci. Penelitian ini mengusulkan penggabungan semua fitur spektral dan fitur temporal yang rinci dengan mempertimbangkan periode musim tanam padi dari data sensor optik Sentinel-2 dan sensor SAR Sentinel-1 dengan tujuan mendapatkan klasifikasi lahan sawah dengan akurasi tinggi. Metode identifikasi lahan sawah dalam penelitian ini meliputi pengolahan awal, ekstraksi fitur temporal dengan kuantil rinci, seleksi fitur spektro-temporal dengan menggunakan Leave-One-Out (LOO), fusi fitur dan klasifikasi dengan algoritma machine learning. Hasil penelitian menunjukkan bahwa klasifikasi lahan sawah terbaik adalah dengan menggunakan periode tanam pada musim hujan. Fitur spektral dan temporal (spektro-temporal) terbaik untuk data optik adalah kuantil 30% dan 90% dari Short Wave Infra-Red-1 (SWIR1), RedEdge-4 (RE4), RedEdge-1 (RE1), dan RedEdge-2 (RE2). Fitur spektro-temporal terbaik untuk data SAR adalah kuantil 10% dan 90% dari hamburan balik polarisasi vertical transmit - horizontal receive (VH). Hasil fitur yang dipilih menggambarkan fenologi pertumbuhan padi selama penggenangan, maksimum vegetatif dan bera (pasca panen). Penggabungan fitur spektro-temporal dari data optik dan SAR meningkatkan akurasi klasifikasi menjadi 95,06±0,50%.

---

Rice plays an important role in ensuring food security in Indonesia. Therefore, paddy fields related research is important. Identifying paddy fields with high accuracy using remote sensing is a challenging in Indonesia. The most accurate method for paddy fields identification is using phenological approach and multi-source data integration. However, these approaches do not consider the comprehensive spectral and temporal characteristic data in tropical regions. This research proposed the fusion of all spectral and detailed statistical temporal features considering the period of the paddy growing season from Sentinel-2 optical and Sentinel-1 SAR data to achieve a high accuracy paddy fields classification. The paddy fields identification method in this research starts with preprocessing, temporal feature extraction using detail quantile, spektro-temporal fetaure selection using Leave-One-Out (LOO), feature fusion, and then applied machine learning classification algorithm. The results show that the best paddy fields classification is using the planting period during the rainy season. The best spectral and temporal (spectro-temporal) features for optical data are the 30% and 90% quantiles of Short Wave Infra-Red 1 (SWIR1), RedEdge-4 (RE4), RedEdge-1 (RE1), and RedEdge-2 (RE2). The best spectro-temporal features for SAR data are the 10% and 90% quantiles of VH backscatter. The selected feature results describe the phenology of paddy growth during flooding, maximum vegetative and bare land (post-harvest). The spectro-temporal features fusion of optical and SAR data increased the classification accuracy to 95,06±0,50%."

"Kebakaran hutan dan lahan merupakan bencana alam yang terjadi berulang hampir setiap tahun di Indonesia, dan mengakibatkan kerugian ekonomi yang besar maupun bagi lingkungan. Penggunaan data satelit penginderaan jauh dalam menurunkan informasi fire hotspot dapat digunakan untuk melakukan pemantauan kebakaran lahan gambut (peat) dan tanah mineral (non-peat) di Indonesia. Sistem pemantauan harian sangat diperlukan untuk membantu pemangku kepentingan di lapangan dalam mengambil tindakan mitigasi bencana. Tujuan penelitian ini adalah membangun sebuah model filtering dan clustering untuk deteksi dini kebakaran hutan dan lahan di Indonesia dengan data sensor Visible Infrared Imaging Radiometer Suite (VIIRS) dari satelit Suomi NPP dan NOAA-20 menggunakan metode Euclidean distance. Model filtering dan clustering digunakan untuk menyederhanakan jumlah fire hotspot yang sangat bermanfaat bagi kepentingan di lapangan ketika terjadi kebakaran hutan dan lahan. Model filtering dilakukan dengan cara membangun peta hotspot per tahun dengan kejadian pengulangan melebihi suatu ambang batas, dan peta tersebut akan digunakan sebagai filter dari data fire hotspot yang dihasilkan. Model clustering dilakukan dengan menggunakan menghitung jarak Euclidean antar titik fire hotspot yang dihasilkan, jika jaraknya memenuhi 1,5 kali ukuran piksel maka titik fire hotspot tersebut akan dikelompokkan menjadi satu cluster. Nilai akurasi dievaluasi berdasarkan estimasi luas kebakaran, peta burned area, dan peta lahan gambut dari setiap kejadian kebakaran yang dilaporkan petugas lapangan. Hasil pengolahan dan analisis menunjukkan bahwa akurasi efektif pada data VIIRS yaitu pada jarak 1,5 km atau empat kali ukuran pikselnya dari pusat kebakaran. Akurasi deteksi secara umum untuk cluster hotspot (cluster-HS) dan titik hotspot (titik-HS) masing-masing sebesar 52% dan 53%. Untuk wilayah yang luasnya lebih dari 14 ha, akurasinya menjadi sangat baik yaitu sampai dengan sebesar 83%. Analisis dengan pemilahan lahan gambut dan tanah mineral menunjukkan cluster-HS berkinerja lebih baik di lahan gambut dengan akurasi sebesar 62% dibandingkan di lahan tanah mineral sebesar 57%. Tanpa mengurangi ketepatan pengamatan titik api, penelitian ini menunjukkan bahwa model dapat diandalkan untuk membantu pemangku kepentingan di lapangan dalam mengambil tindakan. Oleh karena itu, model ini dapat diimplementasikan ke dalam pemantauan hotspot harian di Indonesia.

---

In Indonesia, forest and land fires are frequent natural catastrophes that do significant damage to the environment and economy. The use of remote sensing satellite data to derive fire hotspot information can be used to monitor peat and non-peat land fires in Indonesia. A daily monitoring system is very necessary to assist stakeholders in the field in taking disaster mitigation actions. The aim of this research is to build a filtering and clustering model for early detection of forest and land fires in Indonesia using Visible Infrared Imaging Radiometer Suite (VIIRS) sensor data from the Suomi NPP and NOAA-20 satellites using the Euclidean distance method. The filtering and clustering model is used to simplify the number of fire hotspots which is very useful for interests in the field when forest and land fires occur. The filtering model is carried out by building a persistent hotspot map per year with repeated events exceeding a threshold, and this map will be used as a filter for the resulting fire hotspot data. The clustering model is carried out by calculating the Euclidean distance between the resulting fire hotspot points. If the distance is 1.5 times the pixel size, the fire hotspot points will be grouped into one cluster. Accuracy values ​​are evaluated based on estimates of fire area, burned area maps, and peatland maps for each fire incident reported by field officers. The results of processing and analysis show that the effective accuracy of VIIRS data is at a distance of 1.5 km or four times the pixel size from the center of the fire. The general detection accuracy for hotspot clusters (cluster-HS) and hotspot points (point-HS) is 52% and 53%, respectively. For areas larger than 14 ha, the accuracy is very good, namely up to 83%. Analysis by separating peat and non-peat land shows that the HS-cluster performs better on peat land with an accuracy of 62% compared to 57% on non-peat land. Without reducing the accuracy of hotspot observations, this research shows that the model can be relied on to assist stakeholders in the field in taking action. Therefore, this model can be implemented into daily hotspot monitoring in Indonesia."