Transcript Hyperspectral Data for Mangrove Species Mapping

Hyperspectral Data for Mangrove Species Mapping:
A Comparison of Pixel-Based and Object-Based Approach
Data Hyperspectral untuk Pemetaan Species Mangrove :
Perbandingan Berbasis Piksel dan Pendekatan Berbasis
Objek.
(M. Kamal dan S. Phinn)
IKE DORI CANDRA
C552130111
TEKNOLOGI KELAUTAN
PENDAHULUAN



Mangrove merupakan sumberdaya pesisir yang memiliki
potensi dan peranan yang sangat penting. Lingkungan
Mangrove sering tumbuh di daerah terpencil,
kadang tidak dapat diakses dalam survei lapangan dan
akuisisi data udara sulit dan memakan waktu
Pemetaan distribusi spesies mangrove penting, untuk
menilai perubahan dari waktu ke waktu dan untuk
memetakan dan mengukur keanekaragaman hayati
Penginderaan jauh memiliki peranan penting untuk
memberikan metode yang cepat dan efisien berdasarkan
pemetaan ekosistem dan pemantauan di kawasan
mangrove
Potensi pencitraan hyperspectral dan pengolahan
citra telah ditunjukkan untuk berbagai aplikasi dalam
struktur vegetasi, komposisi dan fisiologi
 data yang hyperspectral dapat meningkatkan
kemampuan kita untuk membedakan komposisi jenis
mangrove
 Sebagian
besar aplikasi hyperspectral untuk
komposisi jenis mangrove dilakukan dengan
menggunakan pendekatan pemetaan berbasis pixel,
seperti
maximum
likelihood,
spektral angle mapper (SAM), dan linear spektral
unmixing (LXU)

 Citra
hyperspectral CASI-2 memiliki kombinasi
sifat untuk pemetaan lingkungan mangrove
yang akurat, yaitu band spektral sempit dan
resolusi spasial tinggi, menawarkan kesempatan
untuk menerapkan analisis salah satu atau
berbasis berbasis obyek-pixel untuk pemetaan
mangrove
 Penelitian ini menilai cita/image hyperspectral
CASI-2
®
udara
untuk pemetaan spesies mangrove dengan mem
bandingkan akurasi berbasis pixel dan Pendekat
an berbasis objek yang diterapkan pada
set data yang sama ditangkap di area mangrove
sub-tropis di Australia timur.
TUJUAN

Untuk pemetaan spesies mangrove menggunakan
basis piksel dan pendekatan berbasis obyek di
wilayah Sungai Brisbane, Queensland tenggara,
Australia, yang merupakan bagian dari Moreton Bay.
METODA



Teknik pemetaan yang digunakan dalam penelitian ini:
spektral angle mapper (SAM) dan linear spektral unmixing
(LSU) untuk pendekatan berbasis pixel, dan multi-scale
segmentation untuk analisis citra berbasis obyek (Object
Based Image Analysis/OBIA).
Sampel spektral untuk pendekatan berbasis pixel dikumpulkan
berdasarkan peta komunitas vegetasi yang ada.
Sembilan kelas yang ditargetkan dipetakan adalah di daerah
penelitian dari masing-masing pendekatan, termasuk tiga
spesies mangrove: Avicennia marina, Rhizophora stylosa,
Ceriops australis.
Gambar 1. Citra CASI-2 ® daerah penelitian, sekitar Sungai Brisbane,
Queensland Tenggara, Australia, dalam warna komposit palsu (R: Band 29 [799 nm], G:
Band 15 [650 nm], B: Band 9 [540 nm]), diperoleh pada 29 Juli 2004. Poligon kuning
menunjukkan batas-batas mangrove yang dipetakan.

Gambar 2. (a) Strategi seleksi sampel spektral untuk klasifikasi berbasis
pixel. setiap gambar benda 'spektral reflektansi berasal dari benda-benda
yang dikenal terkait dalam peta, pixel purity image (PPI), dan false-color
composite (FCC) . Kode objek: A adalah saltmarsh dan B ditutup
Avicennia. (b) spektral reflektansi dari sembilan dikumpulkan
sampel spektral dalam kode warna yang berbeda.
HASIL DAN PEMBAHASAN





Secara keseluruhan, batas-batas kelas yang dihasilkan peta
klasifikasi SAM menghasilkan korespondensi tingkat tinggi
Avicennia marina mendominasi tutupan lahan daerah
penelitian, sekitar 55.44% dari total area.
Kelas Ceriops tertutup distribusinya merata, dan hanya
menduduki 1,71% dari total daerah penelitian.
Rhizophora tertutup kebanyakan ditemukan di sepanjang
sungai
Avicennia
terbuka
secara
luas
tersebar di seluruh daerah penelitian, khususnya di dalam dara
tan, dan terkait dengan saltmarsh, dan menempati 14,49% dari
total luas.




Kelas saltmarsh menempati bagian dataran rendah dari daratan yang
tergenang karena aliran pasang surut dari teluk dan Sungai pada saat
akuisisi citra. Kelas ini diduduki sekitar 23.20% dari seluruh
daerah penelitian atau 178,01 hektar.
Hasil peta klasifikasi menunjukkan pola yang berbeda dibandingkan
dengan klasifikasi peta SAM.
Dalam hal kelas distribusi, perbedaan yang paling mencolok
ditemukan antara Avicennia tertutup, terbuka dan Avicennia kelas
saltmarsh menengah.
Dalam klasifikasi ini, Avicennia tertutup dan Avicennia terbuka memiliki
nilai area sangat tinggi, diikuti oleh saltmarsh menengah. Ketiga kelas
didistribusikan
secara
luas
pada
peta, dengan persentase 32,43%, 29,75%, dan masing-masing 19,82%.





Dua daerah klasifikasi sangat berbeda ditemukan di Pulau Fisherman dan
Pulau St Helena.
Perbedaan Pemetaan dan metode klasifikasi yang digunakan dalam
penelitian ini menghasilkan distribusi kelas lahan basah yang berbeda
di peta yang diturunkan
Secara keseluruhan, dua kelas, Avicennia tertutup dan Avicennia terbuka,
mendominasi semua hasil klasifikasi. Hasil ini sesuai dengan studi yang
dilaporkan oleh Dowling dan Duke, serta peta referensi, bahwa Avicennia
marina mendominasi daerah ini. Oleh karena itu, pengklasifikasian telah
berhasil mengidentifikasi pola ini.
Peta yang dihasilkan menunjukkan bahwa piksel menentukan untuk kelas
Avicennia dan saltmarsh dangkal cocok antara tiga klasifikasi.
Hasil penilaian akurasi menunjukkan bahwa secara keseluruhan,
pendekatan pemetaan berbasis obyek memiliki nilai akurasi tertinggi, baik
untuk akurasi keseluruhan dan analisis Kappa.




Pola yang berbeda ditunjukkan oleh akurasi pengguna.
Semua classifiers memiliki nilai rendah pengguna akurasi atau
kesalahan komisi tinggi untuk kelas Avicennia terbuka.
Artinya ada perkiraan lebih atas hasil klasifikasi, atau kelaskelas lain yang sangat miss-klasifikasi dalam kelas ini.
Klasifikasi SAM dan OBIA memiliki kesalahan komisi rendah
pada saltmarsh, sementara LSU pada Ceriops tertutup.
Ini menunjukkan bahwa LSU adalah classifier yang kuat
untuk lingkungan campuran.
Tabel 1. Ringkasan statistik dari kelas lahan
basah untuk semua klasifikasi peta
Wetland class
SAM
LSU
Object-Based
pixel
Area (ha)
%
pixel
Area (ha)
%
Area(ha)
%
unclassified
3,101
4,96
0,65
906
1,45
0,19
9,85
1,28
Closed avicennia
265,894
425,43
55,44
155,560
248,90
32,43
347,24
45,25
Closed ceriops
8,187
13,10
1,71
20,992
33,59
4,38
18,37
2,39
Closed rhizophora
20,117
32,19
4,19
2,809
4,49
0,59
30,23
3,94
open avicennia
69,515
111,22
14,49
142,675
228,28
29,75
122,16
15,92
Shallow saltmarsh
59,863
95,78
12,48
35,180
56,29
7,33
40,69
5,30
Medium saltmarsh
21,436
34,30
4,47
95,059
152,09
19,82
72,48
9,44
Deep saltmarsh
5,313
8,50
1,11
4,231
6,77
0,88
29,68
3,87
Vegetated
saltmarsh
24,647
39,44
5,14
6,983
11,17
1,46
81,67
10,64
Waterbody (river)
1,565
2,50
0,33
15,243
24,39
3,18
15,04
1,96
total
479,638
767,42
100,00
479,638
767,42
100,00
767,42
100,00
Gambar 1. Hasil perbandingan klasifikasi untuk salah satu daerah yang
dipilih di lokasi penelitian.
Gambar 2. Citra Linear spektral unmixing (LSU) masingmasing kelas dan dikombinasikan hasil klasifikasi.
Gambar 3. Citra dari setiap kelas dan kelas
gabungan spektral angle mapper (SAM)
KESIMPULAN



Studi ini menunjukkan kemampuan Data hyperspectral CASI-2 untuk
pemetaan spesies mangrove di area uji terbatas dan dengan tiga
pendekatan pemetaan yang berbeda
Secara keseluruhan, dataset dan algoritma memetakan kelas sasaran
dengan
akurasi
sedang
menggunakan kedua pendekatan dan berbasis berbasis obyek pixel
Hasil penelitian menunjukkan bahwa dengan menerapkan metode
klasifikasi yang berbeda, menghasilkan perbedaan tingkat akurasi
pemetaan.



Klasifikasi berbasis obyek memiliki akurasi keseluruhan
tertinggi 76%, diikuti oleh SAM dan LSU dengan akurasi
keseluruhan 69% dan 56% masing-masing.
Untuk penelitian masa depan, area penelitian yang lebih
besar
dan
jenis
keragaman
mangrove yang lebih tinggi dibutuhkan untuk mencapai pe
mahaman
yang
lebih
baik
tentang
bagaimana
pengklasifikasian efektif ini untuk membedakan spesies
mangrove.
Tingginya tingkat bias analis interaksi yang ada dalam
semua metode klasifikasi diuji tetap menjadi tantangan
untuk mentransfer aturan dan algoritma untuk lokasi lain.
TERIMA KASIH