PEMBAHASAN AWAL TENTANG INTERPRETASI/KLASIFIKASI CITRA SATELIT

 

Tujuan klasifikasi citra adalah memberi makna suatu landscape. Klasifikasi citra adalah pengelompokan secara otomatis semua pixel pada citra kedalam kategori/kelas-kelas penutup lahan atau tema. Misalnya: hutan, pertanian, tubuh air. Umumnya menggunakan data multispektral (lebih dari 1 band) dan spectral pattern sebagai dasar numerik untuk pengelompokan.

Aplikasi dari klasifikasi citra:

ü  Menyediakan informasi:

Penilaian dan perencanaan wilayah

Proyek-proyek riset

ü  Pemodelan:

Neraca karbon

Meteorologi

Biodiversiti

Spectral pattern recognition adalah prosedur klasifikasi citra dengan menggunakan informasi spektral pixel perpixel sebagai dasar klasifikasi penutup lahan secara otomatis.Spacial pattern recognition adalah pengelompokan pixel citra berdasarkan hubungan spasial dengan pixelpixel sekeliling.

Klasifikasi Multispektral

    Dasar klasifikasi untuk data penginderaan jauh adalah informasi spektral dari banyak band.Pengelompokannya berbasis pixel (konvensional) dan berbasis objek, dalam praktikum ini digunakan metode klasifikasi berbasis pixel. Klasifikasi berbasis pixel mendelineasi batas kelas di dalam ruang berdimensi n memberi nama kelas dari pixel-pixel dalam batas:

v Unsupervised

v Supervised

Klasifikasi berbasis pixel (konvensional) terdiri dari:

a. Klasifikasi tidak terbimbing (unsupervised classification)

Pada pendekatan ini citra pertama kali diklasifikasi dengan pengagregasian citra kedalam kelompok-kelompok spektral alami (cluster). Kemudian analis menentukan identitas kelompok spektral dengan membandingkan citra klasifikasi dengan data rujukan lapang.Perbedaan mendasar dengan teknik klasifikasi terbimbing adalah pada klasifikasi tak terbimbing tidak terdapat tahap pengambilan training area. Prosesnya adalah:

v Mengelompokan pixel berdasarkan spectral alami

v Memberi label atau nama kelas

Pengguna meminta komputer untuk menguji dan mengekstrak sejumlah cluster yang berbeda spektral. Hasil Klasfikasi tdk Terbimbing belum menjadi informasi sampai pengguna menetapkan penutup lahan untuk setiap cluster. Proses sederhana untuk mengelompokan/recode clusters kedalam kelas informasi.

b. Klasifikasi terbimbing (supervised classification)

Pada klasifikasi ini analis citra membimbing proses pengelompokan pixel dengan pemberian deskripsi numerik dari tipe-tipe kenampakan atau penutup lahan yang ada pada citra.Untuk melakukan ini, lokasi contoh representatif dari tipe penutup lahan yang diketahui (training set) digunakan untuk mengkompilasi kunci interpretasi numerik yang mendeskripsikan atribut spektral untuk setiap tipe kenampakan yang dipilih. Tahap proses klasifikasi terbimbing adalah sebagai berikut:

a.  Tahap training: analis menentukan area training yang representatif dan mengembangkan deskripsi numerik dari atribut spektral untuk setiap tipe penutup lahan;

b. Tahap klasifikasi: setiap pixel pada citra dikelompokan kedalam kelas penutup lahan yang paling dekat kemiripannya; jika pixel tidak cukup mirip dengan data training set, maka pixel tsb. diberi label unclass;

c.    Tahap output: peta tematik, tabel statistik,file data digital

Bila nilai digital dari suatu contoh pixel pengamatan dari citra dua saluran diplot dalam diagram pencar, maka dua DN tsb. menempatkan masing-masing pixel di dalam grafik ruang pengukuran (measurement space) dua dimensi. Pixel di dalam setiap kelas tidak mempunyai nilai spektral tunggal, tetapi cendrung memusat di dalam tiap kelas. Titik-titik awan ini (cluster) mencerminkan deskripsi multidimensi dari tanggapan spektral setiap tipe penutup lahan yang diinterpretasi.

Supervised classification meminta pengguna untuk memilih training area, dimana ia tahu apa di atas lahan dan mendigitasi poligon di dalam area tersebut, komputer kemudian membuat Mean ciri-ciri spektral.

Strategi Klasifikasi terbimbing adalah:

v Minimum-Distance to Mean

mean atau rata-rata DN setiap kategori dalam semua band dihitung ~ mean vector.Indentitas pixel unknown diklasifikasikan dengan menghitung jarak antara nilai unknown pixel dan mean vector setiap kategori.Unknown pixel dikelompokan ke kelas terdekat ~jarak paling kecil. Sederhana dan komputasi efisien, tetapi memiliki keterbatasan: tidak sensitif terhadap perbedaan variasi dalam data respon spektral;

v Parallelpiped

mempertimbangkan selang nilai dalam setiap kategori training set, sensitif terhadap variance kategori.Selang nilai didefinisikan dengan DN tertinggi dan terendah pada setiap band dan membentuk suatu kotak (wilayah keputusan).Unknown pixel diklasifikasikan ke kategori selang, bila ia terletak didalam wilayah keputusannya. Bila unknown pixel terletak pada area overlap dari decision region maka unclass atau salah satu dari kategori yang overlap.Overlap: covariance kurang dideskripsikan pada wilayah keputusan.Covariance adalah kecendrungan nilai-nilai spektral terhadap variasi cluster yang memanjang dan miring dari pengamatan pada diagram pencar.Pada data penginderaan jauh yang berkorelasi positif

v Maximum LikelihoodClassification (MLC)

Asumsi yang harus dipenuhi adalah distribusi titik-titik awan (cluster) dari kategori harus menyebar normal (Gaussian). .Peluang statistik dari pixel anggota kelas penutup lahan dapat dihitung).Fungsi ini digunakan untuk mengklasifikasikan unknown pixel dengan menghitung peluang dari nilai pixel terhadap setiap kategori.MLC mendelineasi kontur peluang yang sama (berbentuk elip).