BAB 5 RESTORASI
DAN KALIBRASI CITRA
Semua citra
digital yang telah terekam oleh sensor dan disimpan dalam format yang dapat
dibaca oleh program pengolah citra digital perlu ditampilkan pada layar monitor
untuk dianalisis dan tidak jarang kemudian dicetak. Melalui layar monitor ini
kualitas secara visual akan dapat terlihat jelas. Kulitas citra dapat
ditentukan secara kuantitatif, tetapi dapat pula kualitatif. Restorasi citra
diperlukan apabila kualitas citra yang digunakan tidak mencukupi dalam
mendukung aplikasi tertentu. Namun sebenarnya semua citra yang diperoleh
melalui perekaman sensor tak lepas dari kesalahan, yang diakibatkan oleh
mekanisme perekaman oleh sensor, gerakan, wujud geometri dan konfigurasi
permukaan bumi, serta kondisi atmosfer pada perekaman.
Kesalahan yang
terjadi pada proses pembentukan citra ini perlu dikoreksi supaya aspek geometri
dan radiometri yang dikandung oleh citra tersebut benar-benar dapat mendukung
pemanfaatan untuk aplikasi yang berkaitan dengan pemetaan sumberdaya dan kajian
lingkungan atau kewilayahan lainnya ( lihat kembali gambar 1.5) proses
perbaikan kualitas citra supaya menghasilkan citra yang siap pakai untuk
aplikasi tertentu ini disebut dengan restorasi citra. Beberapa praktisi sering
kali menggunakan istilah pra pengolahan (pre-processing) untuk maksud yang sama
karena restorasi citra memang dalam banyak hal ekstraksi informasi. Sebelum
membahas masalah restorasi citra, ada baiknya bila masalah kualitas citra
diulas sedikit disini karena masalah kualitas geometri dan kualitas radiometri
citra berhubungan erat dengan proses restorasi.
5.1 KUALITAS CITRA
Kualitas citra
yang akan dibahas pada subbab berikut berbeda dengan pengertian kualitas data
spasial secara umum, seperti yang telah dipublikasikan secara mendalam oleh
Guptill dan Morrison (1995). Kualitas data spasial secara umum yang dimaksudkan
oleh Guptill dan Morrison adalah suatu keadaan data yang harus diinformasikan
kepada pengguna data tersebut agar mereka dapat memaanfaatkannya secara
proporsional; dan juga kepada praktisi atau peneliti yang dalam pekerjaannya
menghasilkan keluaran berupa peta atau citra agar mencantumkan informasi
tentang keadaan data yang dihasilkan sehingga data dapat dimanfaatkan
sebagaimana mestinya. Kualitas data spasial menurut pengertian Guptill dan
Morisson (1995) ini telah dibahas secara mendalam oleh suatu komisi dalam ICA
(International Cartographic Association) yang bernama Komisi Kualitas Data
Spasial. Komisi ini menekankan tujuh aspek informasi yang harus termuat sebagai
metadata (‘data tentang data’) dan menjadi tolak ukur kualitas suatu data
spasial, yaitu
1.
Lineage/genaology atau
riwayat data
2.
Akurasi posisi
3.
Akurasi atribut
4.
Kelengkapan
(completness)
5.
Konsistensi logis
6.
Akurasi semantik
7.
Informasi temporal
Pada subbab kali
citra merupakan ukuran kualitatif maupun kuantitatif suatu citra yang akan
diproses dengan teknik penginderaan jauh agar dapat menghasilkan informasi
tematik-spasial turunan yang sesuai dengan standar akurasi yang telah
ditetapkan. Secara garis besar, kualitas citra dapay dikelompokan menjadi
kualitas geometri dan kualitas radiometri. Kualitas geometri dinilai secara
kuantitatif berdasarkan tingkat kebenaran ( yang berarti tingkat akurasi)
bentuk serta posisi objek pada citra, dengan mengacu pada bentuk dan posisi
sebenarnya di lapangan ataupun bentuk dan posisi pada peta dengan proyeksi
tertentu. Ukuran kualitas geometri ini tentu saja lebig bersifat kuantitatif.
Di samping itu ukuran kualitas geometri ini terkait erat dengan salah satu
aspek kualitas data spasial, yaitu akurasi posisi.
Kualitas
radiometri dinilai berdasarkan nyaman-tidaknya gambar dalam pandangan secara
visual, dan juga benar atau tidaknya infrormasi spektral yang diberikan oleh
objek tercatat oleh sensor. Dengan demikian, kualitas radiometri dapat dinilai secara kualitatif dan
kuantitatif, meskipun bersifat kualitatif, nyaman-tidaknya gambar untuk
dilihatsecara visual sangat berpengaruh pada kemampuan pengguna citra (penafsir
atau analisis) untuk menurunkan informasi yang ada. Hal ini terutama berlaku
bagi analisis atau interpretasi secara visual, meskipun bukan berarti bahwa
analisis secara digital tidak terpengaruh sama sekali. Benar tidaknya informasi
spektral citra secara langsung berpengaruh pada akurasi informasi turunan yang
dihasilkan, misalnya kelas-kelas penutup lahan yang dihasilkan melalui
klasifikasi multispektral, dan juga presentase kerapatan liputan vegetasi yang
diturunkan melalui transformasi ndeks vegetasi
5.1.1 Penilaian
Kualitas Citra
Penilaian
kualitas citra dapat dilakukan secara absolut dan dapat pula secara relatif.
Penilaian kualitas secara absolut biasanya mengacu pada beberapa tolak ukur
yang jelas, misalnya presentase liputan awan, banyaknya drop-out atau kegagalan
baris pemandaian,serta korelasi antar saluran pada sistem multispektral.
Penilaian secara relatif biasanya dikaitkan dengan potensi citra yang
bersangkutan untuk suatu aplikasi tertentu, misalnya survei geologi,kota maupun
vegetasi.
5.1.2 Beberapa
Parameter Kualitas Citra
Berikut ini
ulasan tentang beberapa parameter kualitas citra yang sering digunakan oleh
praktisi yaitu
a.
Tutupan awan dan
gangguan kabut
b.
Korelasi antarsaluran
c.
Kesalahan geometri
d.
Kesalahan radiometri
1.
Tutupan Awan dan
Gangguan Kabut
Satelit
sumberdaya dikatakan ‘baik’ atau ‘memenuhi syarat’ antara lain bila luas
liputan awannya kurang dari 10%. Semakin banyak luas liputan awannya berarti
semakin banyak pula informasi permukaan bumu yang hilang karena tutupan awan
dan sekaligus bayangannnya. Hal ini sangat berbeda dibandingkan dengan satelit
cuaca yang justru banyak membutuhkan informasi mengenai bentuk dan luas liputan
awan, demi peramalan gejala-gejala atmosfer atau cuaca (Conway dan Maryland
Space Consortium, 1997). Meskipun demikian, sekaligus liputan awal total pada
suatu scene hanya 10%, bisa jadi liputan tersebut merata pada seluruh wilayah.
Hal ini tentu saja sangat menganggu dalam proses interpretasi manual maupun
klasifikasi secara digital karena tutupan awan hampir selalu ‘ditemani’ oleh
tutupan bayangan awan.
Di
indonesia, citra yang 100% bebas awan sangat sulit diperoleh. Hal ini
disebabkan oleh waktu perekaman satelit yang bersamaan dengan waktu perekaman
satelit yang bersamaan dengan waktu pembentukan awan dengan sistem sensornya.
2.
Korelasi Antarsaluran
Sistem
sensor multispektral menghasilkan citra daerah yang sama pada beberapa saluran.
Perbedaan informasi spektral objek-objek yang sama pada beberapa saluran justru
memperkuat kemampuan sistem dalam membedakan objek satu terhadap yang lain,
melalui analisis gugus (cluster analysis). Dalam bahasa yang lebih sederhana,
rendahnya hubungan antarsaluran justru menunjukan bahwa satu saluran tidaklah
‘mirip’ atau tidak sekadar menunjukan kecenderungan rona yang terbalik dari
saluran yang lain sehingga secara bersama-sama saling melengkapi dapat dipakai
untuk mengenali objek.
3.
Kesalahan geometri
Citra
Citra
yang dihasilkan secara langsung melalui proses perekaman satelit tidaklah bebas
dari kesalahan. Kesalahan ini muncul karena adanya gerakan satelit, rotasi
bumi, gerakan cermin pada sensor skanner, dan
juga kelengkungan bumi. Pada satelit sumberdaya yang umumnya mengorbit
secara polar atau hampir polar, kombinasi mekanisme lintasan satelit dengan
arah rotasi bumi menyebabkan terjadinya ‘pergeseran’ ujud gambar dari kelompok
baris pemindaian ke kelompok baris pemindaian berikutnya. Hasil perekan juga
merupakan model dua dimensi yang menggambarkan kenyataan tiga dimensi pada
bidang lengkung permukaan bumi. Di sini sudah mumcul kesalahan geometri citra
yang lain. Perbedaan tinggi objek di permukaan bumi secara langsung direkam
sehingga menghasilkan citra dengan skala yang tidak seragam. Kesalahan ini
masih ditambah dengan adanya variasi ketinggian lintasan satelit.
Gambar
5.1 dan 5.2 menunjukan parameter kesalahan, deskripisi efek yang ditimbulkan
serta gambaran grafis dari efek tersebut. Kesalahan kesalahan geometri ini
dapat dikoreksi dalam dua tahap utama. Tahap pertama adalah kesalahan geometri
yang sudah dapat diperkirakan sebelumnya. Kesalahan ini dinamakan kesalahan
sistematis, misalnya pengaruh gerakan vermin pemindai, kecepatan lindasan
satelit, dan arah serta kecepatan rotasi bumi. Tahap kedua adalah pemasukan
titik-titik kontrol lapangan yang dapat diidentifikasi pada citra lapangan/peta referensi dan
melalui pasangan titik-titik koordinat antara citra dan lapangan ini dapat
dibangun suatu persamaan transformasi untuk mengoreksi setiap posisi yang salah
pada citra menjadi posisi yang benar menurut skala, proyeksi, dan sistem
koordinat peta referensi atau lapangan.
4.
Gangguandan Kesalahan
Radiometri Citra
Inkonsistensi
detektor dalam menangkap infromasi juga menghasilkan kesalahan berupa anomali
nilai piksel. Piksel ini menjadi bernilai jauh lebih tinggi atau lebih rendah dari
yang seharusnya. Keterlambatan dalam memulai baris perekaman baru (akibat
mekanisme gerakan cermin yang berputar pada MSS Landsat) juga menghasilkan
baris-baris perekaman yang cacat. Kesalahan-kesalaham tersebut diakibatkan oleh
mekanisme internal sensor.
5.2 KOREKSI
(RESTORASI) CITRA
Pada bagian
sebelumnya telah disebutkan bahwa koreksi citra diterapkan pada kesalaahan yang
telah dapat ditentukan magnitude-nya sebelumnya (disebut kesalahan sistematik),
dan juga yang belum. Lepas dari itu, koreksi citra merupakan suatu operasi
pengondisian supaya citra yang akan digunakan benar-benar memberikan
informasi yang akurat secara geometris
dan radiometris.
5.1 Koreksi
Geometri
Untuk mengatasi
kesalahan-kesalahan geometri citra, berbagai macam koreksi dilakukan. Mather
(2004) mengelompokan koreksi itu ke
dalam dua kategori besar, yaitu
a.
Model geometri orbital
dan
b.
Transformasi berdasarkan titik-titik kontrol lapangan
(ground control points, GCP)
Berikut
ini uraian masing-masing metode koreksi secara ringkas.
1.
Model Geometri Orbital
Metode
kotreksi yang mengacu ke model geometri orbital didasari oleh pengetahuan
mengenai karakteristik orbit wahana satelit. Bannari (1995, dalam Mather, 2004)
menjelaskan dua prosedur berdasarkan persamaan-persamaan kolinearitas fotogrametri.
Persamaan-persamaan ini menggambarkan karakteristik orbit satelit dan geometri
arah pandang, serta mengaitkan sistem koordinat citra (baris-kolom) dengan
sistem koordinat geografis (lintang-bujur). Hal ini memerlukan informasi
tentang koordinat geografis dari beberapa titik di citra, yang disebut dengan
titik-titik kontrol lapangan (GCP). Faktor-faktor yang dikoreksi melalui model
geometri orbital ini dijelaskan sebagai berikut.
a. Koreksi
‘Aspect Ratio’
Beberapa jenis sensor menghasilkan
citra dengan piksel asli yang tidak berupa bujur sangkar (panjang setiap sisi
tidak sama). Lansdat MSS, misalnya, seharuskan menghasilkan citra dengan setiap
piksel berukuran 79 x 79 m atau jarak dari satu pusat piksel ke pusat piksel
berikutnya adalah 79 m. Akan tetapi, hasil perekaman Landsat MSS berupa citra
dengan jarak antarpusat piksel sebesar 56 m, yang disebabkan oleh proses
‘oversampling’ pada arah melintang garis orbit (across-track scanning).
Oversampling terjadi karena ada perbedaan kecepatan antara pemindaian dengan
coding dan penyimpanan data pantulan oleh detektor.
Untuk mengatasi hal ini maka perlu
dipilih apakah piksel dikoreksi menjadi 79 x 79 m atau 56 x 56 m. Karena arah
pemindaian melintang orbit yang mengalami oversampling maka pemiligan 79 x 79
di pandang lebih rasional. Aspect ratio (atau rasio dimensi xy) adalah 56:79
atau 1:1,41. Matriks transformasi pertama untuk mengoreksi aspect ratio menjadi
1:1 menjadi :
b. Koreksi
kemencengan
Landsat Tm dan ETM+ menceng
terhadap sumbu utara-selatan bumi. Landsat 1-3 mempunyai inklinasi sebesar
99,09o, sementara Landsat 4-5 dan 7 mempunyai inklinasi sebesar 98.2o,
serta meningkat sejalan dengan bertambah besarnya lintang, baik utara ataupun
selatan. Sudut kemencengan Ɵ pada lintang tertentu L dalam derajat dinayakan
sebagai :
Dimana
ƟE adalah gerak satelit di ekuator. Dengan menganggap bahwa sudut Ɵ
pada sistem koordinat citra dapat dirotasi sebesar Ɵ berlawanan arah jarum jam
maka baris-baris pemindaian (scanlines) dapat diputar sedemikian sehingga berorientasi
arah barat-timur dengan menggunakan matriks M2 berikut :
c. Koreksi
rotasi bumi
Pada satelit mengorbit bumi dari
arah utara ke selatan, satelit juga secara kontinu melakukan perekaman dengan
cara memindai permukaan bumi yang ada dibawahnya. Pada saat bersamaan, bumi
berputar dari barat ke timur, dengan kecepatan ‘perpindahan’ permukaan
sebanding dengan posisi lintang tepat di posisi nadir satelit. Untuk
mengompensasi pergeseran posisi ini maka diperlukan penentuan parameter berikut
:
a. Waktu
yang diperlukan oleh sensor satelit untuk merekam citra,
b. Kecepatan
sudut rotasi bumi (ke arah timur)
Jarak
yang ditempuh oleh permukaan bumi melalui proses rotasi ini dapat diperoleh
dengan mengalikan waktu kecepatan tersebut. Sementara itu, waktu yang diperlukan
oleh satelit untuk memindai dapt dihitung apabila jarak yang ditempuh oleh
satelit dan kecepatan orbitnya diketahui. Baik jarak maupun kecepatan
dinyatakan dalam ukuran sudut (angular), misalnya radian, di mana 1 rad kurang
lebih sebesar 57o.
Dalam
waktu 28,6 detik satelit bergerak dari pemindaian baris pertama samapi
pemindaian baris terakhir atau scene. Sementara itu, bumi berputar ke arah
timur. Lalu berapa banyak suatu titik ‘bergeser’ posisinya dalam hasil
perekaman? Sekali lagi, hal ini tergantung paad posisi lintang L titik tersebut
pada permukaan bumi. Untuk mempermudah perhitungan, diasumsikan bahwa posisi L
adalah di pusat scene. Kecepatan suatu titik di permukaan bumi bergerak (VE
(L) merupakan fungsi lintang L dengan rumus :
Dimana R adalah
jejari bumi, yang kurang lebih sebesar 6378 km, sedangkan ῳEadalah
kecepatan sudut bumi.
Mather (2004)
menambahkan bahwa sejumlah piksel ditambahkan pada awal setiap baris pemindaian
untuk mengompensasi efek rotasi bumi ini. Jika koreksi ini dipandang cukup maka
transformasi matriks M3 dapat dihilangkann, namun juka tidak maka penambahan
piksel diberikan pada header/trailer citra yang diasosiasikan dengan setiap
baris pemindaian, dan mengisi piksel bila dihilangkan sehingga matriks
transformasi M3 dapat diterapkan.
Ketiga matriks
transformasi M1,M2,M3 tidak diterapkan secara terpisah, melainkan diterapkan
sebagai ‘komposit’ matriks M, dengan cara mengalikan ketiga matriks tersebut:
M = M1 M2 M3
...................................................... (5.8)
Transformasi
geometri yang paling mendasar adalah penempatan kembali posisi piksel
sedemikian rupa sehingga pada citra digital yang tertransformasi dapat dilihat
gambaran objek di permukaan bumi yang terekam sensor. Pengubahan bentuk
kerangka liputan dari bujuersangkar menjadi jajaran genjang merupakan hasil
dari transformasi ini. Tahap ini diterpkan pada citra digital mentah (langsung
hasil perekaman satelit) dan merupakan koreksi kesalahan geometri sistematik.
2.
Transformasi
berdasarkan GCP
Koreksi geometri
menggunakan model geometri orbital merupakan model fisikal yang mencoba mengenali
parameter-parameter penyebab kesalahan secara deduktif, kemudian
direkonstruksikan. Variasi ketinggian dan sikap/posisi wahana maupun objek
tidak ikut diperhitungkan dalam model fisika ini, semata-mata karena informasi
yang diperlukan untuk koreksi ini tidak tersedia (Mather,2004). Oleh, karena
itu muncul cara pandang yang berbeda, yang mencoba mengoreksi citra dari sudut
pandang empiris, dengan cara membandingkan posisi-posisi yang berbeda pada
citra dan data lapangan/peta yang sudah tersedia. Tentu saja diperlukan peta
yang memadai dari sisi skala untuk keprluan ini, dan juga hasil pengukuran
melalui GPS receiver yang juga layak diperbandingkan dengan resolusi spasial citranya.
a.
Koreksi Geometri dengan
Rektifikasi Citra ke Peta
Rektifikasi
citra ke peta menggunakan prinsip bahwa peta mempunyai sistem proyeksi dan
koordinat yang lebih besar sehingga dapat diacu oleh citra. Dalam proses ini,
sistem geometri citra diubah menjadi planimerik. Segala aktivitas pemanfaatan
citra yang memerlukan pengukuran jarak,arah,luas yang akurat selalu memerlukan
jenis koreksi ini, meskipun demian, metode koreksi ini tidak mampu
menghilangkan semua distorsi yang disebabkan oleh pergeseran relief pada citra.
Terasa
kekurangannya untuk menghasilkan citra yang terproyeksikan secara ortogonal
penuh, dengan menghilangkan semua distorsi (jensen, 2005), seperti pada koreksi
citra resolusi spasial tinggi, misalnya ikonos, quickbird, maupun orbview.
Proses
koreksi ini dimulai dengan memilih pasangan titik-titik koordinat pada citra
dan pada peta berdasarkan pasangan titik-titik ini koefisien-koefisien
persamaan transformasi yang digunakan untuk mengubah sistem koordinat citra ke
sistem koordinat peta akan dapat ditentukan.
Pada
dasarnya ada 6 macam distorsi yang dapat dimodelkan dan dikoreksi dengan
transformasi geometri, yaitu;
a. Translasi
pada sumbu X,
b. Translasi
pada sumbu Y,
c. Perubahan
skala pada sumbu X,
d. Perubahan
skala pada sumbu Y,
e. Menceng,
dan
f. Rotasi.
Apabila
ke-6 distorsi akan diselesaikan sekaligus maka mereka akan dapat dikombinasikan
kedalam satu ekspresi matematis, yaitu;
X
= a0 + a1X’ + a2X’………………………………………………………………(5.9)
Y
= b0 + b1X’ + b2X’
Dimana
X dan Y merupakan posisi pada citra keluaran atau pada peta acuan proyeksi pada
citra terkoreksi akan sama dengan peta acuan semantara X’ dan Y’ merupakan
posisi citra sebelum terkoreksi. Jensen, (2005) menyebut transformasi ini
sebagai input-to-output atau forword mapping.
Cara
forward mapping ini tampaknya tidak bermasalah ketika kita mencoba untuk
mentransformasikan ke titik-titik koordinat yang bersifat diskret di sepanjang
kenampakan linier, misalanya jalan dan sungai
pada peta vektor. Hal ini biasa dilakukan dalam pemetaan kartografi dan
sistem informasi geografis berbasis vektor. Masalah muncul ketika peta
dikoreksi adalah peta grid (raster)/citra digital, diman diperlukan operasi
untuk mengisi grid peta baru dengan nilai yang di peroleh dari citra/citra
lama. Maslah ini terlihat pada penempatan lokasi baru yang seolah mengambang
tidak tepet pada posisi grid untuk mengatasi ini, suatu interpolasi nilai
diperlukan untuk mengganti nilai lama dengan memepertimbangkan nilai-nilai
pixel yang ada di sekitarnya. Proses ini disebut dengan proses interpolasi
nilai pixel.
Kadang-kadang
kita memerlukan fungsi persamaan polinomial dengan orde yang lebih tinggi dari
pada persamaan sebelumnya.orde polinom yang lebih tinggi dimaksudkan untuk
menghasilkan transformasi yang lebih halus dalam arti lebih sesuai dengan
bentuk distribusi nilai yang menggambarkan hubungan antara dua macam variabel,
dalam hal ini koordina X dan X’ serta koordinat Y dan Y’. contohnya, jika
persamaan polinomial orde 2 digunakan maka bentuk persamaan 5.10 akan berubah
menjadi;
Persamaan
5.10 memerlukan 6 parameter (a0, a1, a2, b0, b1, dan b2) agar persaman tersebut
dapat diselesaikan dalam arti nilai-nilai koefisien a0 hingga a2 dan bo hingga
b2 dapat dihitung. Persamaan 5.11 memerlukan 12 parameter (a0, a1, a2, a3, a4,
a5, a6, dan d0, d1, d2, d3, d4, d5) agar persamaan tersebut dapat di
selesaikan. Secara praktis apabila, analisis menggunakan persamaan polinemal
orde 1 untuk mentransformasikan koordinat citra dalam koreksi geometri maka
diperlukan 6 titik kontrol, persamaan polinemial orde 3 memerlukan lebih banyak
parameter, yang membawa kuenskensi pada kebutuhan akan titik kontrla yang lebih
banyak agar persamaan dapat di jalankan.
Jansen
(2005) juga menegaskan bahwa secara teoritis semakin tinggi orde polinomnya
maka semakin dekat koefisien-koefiseien tersebut dalam memodelkan kesalahan
geometri pada citra asli.
Dalam
praktek, persamaan polinemeal orde 1 sudah bisa dijalankan pada citra wilayah
bermedan yang relatif datar, sementara polinom orde yang lebih untuk citra yang
menggambarkan kondisi wilayah yang lebih besar topografinya. Miskipun demikian,
jensen juga menyatakan bahwa ada aturan utama untuk mengutamakan koreksi
geometri dengan polinom orde 1 terlebih dahulu, kecuali ketika dijumapai
kesalahan-kesalahan non-linear dan tak sistematik. Untuk kesalahan-kesalahan
yang di sebutkan terakhir maka polinom orde yang lebih tinggi diutamakan.
a. Akurasi
hasil koreksi geometri ; RMSE
Berdasarkan
pasangan koordinat antara titik kontrol lapangan dengan koordinat baru hasil
estimasi, diperoleh selisih pada sepanjang sumbu X (arah timur) maupun sumbu Y
(arah utara). Selisih ini dapat dihitung pada setiap titik kontrol dan juga
pada hasil transformasi keseluruhan, yang memperhitungkan seluruh titik kontrol
yang ada berdasarkan selisih-selisih ini kemudian dapat dihitung besarnya
akurasi hasil koreksi geometri dengan rumus root mean square error (RMSE).
Gambar 5.5 mengilustrasikan pelajaran ini.
Gao
(2009) menjelaskan secara sederhana sebagai berikut. Pada setiap pasangan
antara titik koordinat referensi dengan titik koordinat hasil estimasi
diperoleh selisih yang disebut dengan rectification residual, yang jarang
sekali bernilai nol. Pada suatu titik, nilai rectification residual ini bisa
berbeda untuk arah X dan arah Y. untuk analisis parameter ini digunakan
indikator akurasi yang disebut dengan RMSE, dimana perhitungan untuk arah X dan
arah Y digunakan rumus berikut;
Dimana
;
n = jumlah total titik kontrol lapangan
yang digunakan untuk koreksi atau rectifikasi.
Ei dan Ni = berturut-turut koordinat X dan Y, dari GGP ke-I, yang
dihitung dari fungsi transformasi Fi dan F2 yang digunakan dalam rektifikasi.
Ẻ dan ᾐ = koordinat referensi berturut-turut untuk X dan Y yang
diperoleh dari peta topografi atau hasil pengukuran GPS dilapangan.
b. koreksi
geometri dengan rektifikasi citra ke-citra.
Koreksi
geometri dengan rektifikasi dari citra ke citra merupakan suatu proses yang
membandingkan titik-titik yang dapat diidentifikasi dengan mudah pada kedua
citra. Retifikasi citra ke-citra tidak harus memerlukan hasil yang harus
menyajikan informasi tentang koordinat yang benar-benar sesuai dengan peta.
Misalnya, dua himpunan data ikonos dan quickbird pada waktu perekaman yang
berbeda hendak diperbandingkan kenampakannya,
analisis perubahan penggunaan lahan.
c. Interpolasi
intensitas dalam koreksi geometri.
Berdasarkan
gambar 5.3 terlihat bahwa hasil koreksi geometri akan menempatkan pixel pada
matriks citra terkoreksi, namun dengan posisi koordinat yang mengambang. Posisi
semacam ini membawa implikasi pada penentuan nilai pixel yang baru. Perhatikan
bahwa implikasi pada penentuan nilai pixel yang baru. Perhatikan bahwa matriks
atau grid dengan posisi koordinat yang bernilai bulat, tersebut juga telah
ditempati oleh nilai-nilai pixel tertentu pula. Pada gambar tersebut terlihat
bahwa nilai pixel 15 menempati koordinat. Ketika posisi baru harus ditentukan
seperti pada gambar 5.5 menjadi X=2,4
dan Y= 2,7 maka nilai 15 perlu di evaluasi kembali dengan mempertimbangkan kedudukan/posisi
baru hasil koreksi geometri dan nilai-nilai pixel yang ada di sekitarnya.
Penentuan
nilai pixel yang baru berdasarkan posisi/lokasi koordinat yang baru ini
merupakan suatu proses interpolasi nilai atau interpolasi intensitas. Dalam
melakukan interpolasi nilai intensitas, dikenal algoritma nearest neighbour,
bi-linear, serta cubic convolution masing-masing memberikan efek yang berbeda
pada kenampakan citra. Algoritma nearest neigbour diterapkan dengan hanya
mengambil kembali nilai dari pixel terdekat yang telah tergeser keposisi baru,
algoritma bi-linear interpolition mempertimbangkan ke- 4 nilai pixel yang
berdakatan, untuk kemudian dirata-rata secara proposional, sesuai dengan
jaraknya terhadap posisi baru, dengan mengikuti formula berikut;
Dimana
BVwt merupakan nilai pixel baru hasil interpolasi spasial yang merupakan retata
tertimbang melalui metode biliner; Zk adalah nilai pixel disekitar titik hasil
penempatan posisi baru dan Dk2 adalah kuadrat jarak dari titik hasil penentuan
lokasi baru yang akan ditentukan nilainya. Berdasarkan gambar 5.4 maka dapat
ditentukan nilai pixel baru hasil interpolasi seperti tersaji pada tabel 5.1.
algoritma cubic convolution menggunakan prinsip interpolasi nilai seperti pada
algoritma bilinear interpolation, tetapi dengan mempertimbangkan nilai 16 pixel
disekitarnya.
Disebutkan
belakangan tentunya kurang tepat apabila diterapkan pada citra-citra saluran
asli karena nilai baru hasil interpolasi tidak lagi mewakili pantulan atau
pancaran spektral objek yang sebenarnya. Oleh karena itu, dua algoritma ini
kurang tepat apabila deterapkan lebih sesuai untuk menerapkan resampling nilai
pada citra model medan digital. Bilinear interpolation akan menghasilkan
kenampakan yang jauh lebih halus daripada nearest neighbour, sedangkan cubic
convolution justru akan menghasilkan citra dengan kenampakan yang tiadak
terlalu diperhalus. Algoritma nearest neighbour lebih sesuai diterapkan pada
citra saluran-saluran asli dan juga hasil klasifikasi, namun dengan resiko
kenampakan linear yang terpatah-patah.
d. Distribusi
GCP
Distribusi
spasial titik-titik kontrol lapangan atau GCP sering kali diabaikan dan
analisis atau pengguna kadangkala hanya melihat nilai absolut dari RMSE-nya
saja. Dari rumus-rumus yang ada, kita bisa melihatnya bahwwa sebenarnya
perhitungan RMSE pada dasarnya mengabaikan distribusi titik-titiknya. Hasil
RMSE yang kecil belum merupakan jaminan bagi bagusnya hasil koreksi geometri
secara spasial. RMSE yang sedikit lebih besar kadang-kadang merupakan hasil
yang optimal apabila kondisi medan cukup berat dan titik-titik kontrol sulit
dijumpai.
Cara
yang paling baik untuk mengetahui apakah suatu citra telah terkoreksi geometri
dengan baik adalah dengan mengeplot peta vektor meliputi jaringan jalan,
batas-batas penutup lahan, jaringan jalan dan sungai di atas citra koreksi.
Apabila RMSE relatif kecil namun hasil pengeplotan fitur topografi justru
memperlihatan banyaknya penyimpanan posisi penampakan hasil koreksi maka
sebaiknya proses koreksi geometri perlu diulang, dengan membatalkan dan
mengambil kembali titik-titik kontrol atau GCP. Gambar 5.6 memberikan panduan
sederhana tentang bagaimana dan dimana dan dimana GCP diambil untuk kondisi
fisiografis tertentu.
5.2.2
koreksi/kalibrasi radiometri citra.
Koreksi
radiometri diperlukan atas dasar dua alasan, yaitu untuk memperbaiki kualitas
visual citra dan sekaligus memperbaiki nilai-nilai pixel yang tidak sesuai
dengan nilai pantulan atau pancaran spektral objek yang sebenarnya. Koreksi
radiometri citra yang ditujukan untuk memperbaiki kualitas visual citra berupa
pengisian kembali baris yang kosong karena drop-out baris maupun masalah
kesalahan awal pemindaian. Baris atau bagian baris yang bernilai tidak sesuai
dengan yang seharusnya dikoreksi dengan mengambil nilai pixel satu baris di
atas dan dibawah, kemudian dirata-ratakan (guindon, 1984, dan dalam jensen,
2005). Kereksi radiometri yang ditunjukan untuk memperbaiki nilai pixel supaya
sesuai dengan yang seharusnya juga bisa dilakukan dengan mempertimbangakan
faktor gangguan atmosfer sebagai sumber kesalahan utama. Pada koreksi ini,
diasumsikan bahwa nilai pixel terendah pada suatu kerangka liputan seharusnya
nol, sesuai dengan bit-coding sensor. Apabila nilai terendah pixel pada
kerangka liputan tersebut bukan nol maka nilai penambah tersebut dipandang
sebagi hasil dari hamburan atmosfer.
Dalam
kenyataannya jenis dan metode koreksi radiometri sebenarnya jauh labih banyak
dan lebih rumit daripada deskripsi tersebut di atas. Secara garis besar,
koreksi radiometri meliputi 2 kelompok besar metode, yaitu; a, koreksi yang
bertumpu pada imformasi dari dalam citra sendiri, b. koreksi yang
mempertimbangkan faktor-faktor luar yang berpengaruh terhadap kesalahan
informasi yang ada pada citra. Pembahasan berikut ini secara ringkas mencoba
memberikan uraian tentang beberapa macam metode koreksi radiometri yang
termasuk kedalam 2 kelompok besar tersebut.
I.
Koreksi yang bertumpu
pada informasi dalam citra
Koreksi
yang termasuk kedalam kelompok ini relatif mudah dan menggunakan asumsi-asumsi
yang juga sederhana. Koreksi ini meliputi; a. penyesuain histogram, b.
penyesuaian regresi, c. koreksi berbasis diagram ppencar, d. kalibrasi bayangan
dan kenampakan gelap.
a. Penyesuaian
histogram
Metode
ini merupakan pilihan yang paling sederhana dengan hanya melihat histogram
disetiap saluran secara independen. Dari histogram dapat diketahui nilai pixel
terendah saluran tersebut. Asumsi yang melandasi metode ini ialah bahwa dalam
proses koding digital oleh sensor, objek yang memberikan respons spektral
paling lemah atau tidak memberikan respons sama sekali seharusnya bernilai 0.
Apabila nilai ini ternyata >0 maka nilai tersebut dihitung sebagai offset,
dan koreksi dilakukan dengan mengurang keseluruhan nilai pada saluran tersebut
dengan offsetnya. Dengan kata lain , besarnya offset menunjukan besarnya
pengaruh gangguan oleh atmosfer.
Metode
penyesuaian histogram juga dapat diterapkan pada citra yang telah terkoreksi
atau terkalibrasi kenilai pantulan yang tercatat sensor. Dengan metode ini maka
histogram yang dievaluasi adalah histogram nilai pantulan pada sensor yang
berupa angka pecahan. Dalam kasus ini, metodenya disebut dark ground feature
subtraction untuk koreksi atmosfer sederhana.
b. Penyesuain
regresi
Penyesuaian
regresi diterapkan dengan memplot nilai-nilai pixel hasil pengamatan pada
beberapa saluran pada beberapa saluran sekaligus. Hal ini dapat di terapkan
apabila ada saluran rujukan yang menyajikan nilai 0 untuk objek tertentu,
misalnya saluran TM7 untuk air jernih, dalam dan tenang. Kemudian, setiap
saluran dipasangkan dengan saluran rujukan tersebut untuk membentuk diagram
pencar nilai-nilai pixel yang diamati (gambar 5.8).
Cara
ini secara teoritis dapat diterima, tetapi dalam praktik sulit diterapkan
karena sebenarnya gangguan etmosfer terjadi pada hampir semua spektral tampak
dan pantulan. Di samping itu, tiadak semua liputan citra mempunyaii objek
berupa air jernih, dala, dan tenag. Objek yang secara gradual berubah naik
nilainya, pada kedua saluran sekaligus dan bukannya hanya pada salah satu
saluran.
c. Penggunaan
“feature space”
Metode
lain ditawarkan oleh bronsveld (1991), metode ini di mamfaatkan gambaran
feature space hasil pengeplotan pixel-pixel pada saluran hijau melawan
inframerah dekat dan saluran merah melawan inframerah dekat. Hasil pengeplotan
keseluruhan pixel akan memberikan kenampakan imasiner berupa garis vegetasi dan
garis tanah (gambar 7.2). pertemuan kedua garis ini di asumsikan harus bertemu
dititk asal objek air jernih, tenang, dan dalam, atau objek bayangan lereng
yang sangat curang. Apabila ternyata titik pertemuan ini tidak pada koordinat,
maka nilai offset pada kedua saluran dapat dihitung (gambar 5.9). melalui cara
ini akan didapatkan dua macam nilai offset untuk saluran inframerah dekat
sehingga masih perlu dirata-rata. Metode serupa untuk koreksi citra karena
pengaruh bayangan juga digunakan oleh adams dan gilespie (2006), dimana mereka
mengamsumsikan bahwa perpotongan dua garis itu menunjukan pixel-pixel objek
yang berada pada bayangan, tetapi masih memeberikan nilai pantulan karena
kontribusi hamburan atmosfer.
d. Metode
kalibrasi bayangan
Gastellu-etchegorry
(1998), merupakan metode kalibrasi bayangan untuk mengoreksi faktor gangguan
atmosfer. Secara ringkas metode ini mempertimbangkan imbangan energi elektromagnetik
yang masuk ke atmosfer bumi serta kenampakan permukaan bumi yang tertutup
bayangan. Analisis irrandiasi yang dari wilayah yang tak tertutup bayangan.
Akan menghasilkan nilai radiasi umbalan atmosfer ;
Dimana
Et merupakan irradiansi spektral pada objek di permukaan bumi yang berasal dari
matahari dan angkasa, sedangkan Es merupakan irradiansi spektral pada objek di
permukaan bumi yang berasal dari matahari. Simbol-simbol lain dijelaskan
berikut ini ;
Dari
persamaan tersebut diperoleh;
Secara
praktis pembacaan pasangan kelompok pixel pada wilayah yang tak tertutup awan
akan memberikan nilai Eis, sedangkan nilai kelompok pixel hasil pembacaan pada
wilayah yang tertutup awan memberikan nilai Eis. Pemplotan nilai Eis sumbu Y
dan X memberikan persamaan regresi dan persamaan ini akan memberikan nilai
parameter A alfa dan D alfa. Besarnya D alfa menunjukan besarnya bias nilai
spektral pada seluruh liputan citra karena umbalan atmosfer. Nilai baru
ditentukan berdasarkan pengurangan nilai pixel pada citra asli dengan nilai
bias. penggunaan formulasi ini untuk koreksi radiometri citra dapat dilihat
pada gastellu-etchegory (1998) atau ( 1989).
Masing-masing
metode yang telah disebutkan tadi mengandung kelemahan karena mengamsumsikan
faktor gangguan radiometrik bersifat linier dan seragam untuk sembarang lokasi
pada lokasi pada citra. Kenyataan menunjukan bahwagangguan ini sebenarnya
bervariasi dari satu tempat ke tempat lain. Di atas lahan persawahan pada pagi
hari, misalnya lebih banyak dijumpai kabut tipis dibandingkan penggunaan lahan
pemukiman sehingga tentunya faktor gangguan disini lebih besar. Begitu pula
hhalnya dengan kondisi atmosfer pada daerah bergunung dengan elevasi tinggi,
dimana faktor aerosol dalam memberikan hamburan biasanya lebih berperan. Dengan
demikian, suatu liputan citra dengan kondisi medan dan penggunaan lahan yang
sangat bervariasi mestinya memerlukan koreksi atas gangguan atmosfer dengan
metode yang tidak sederhana seperti yang di jelaskan di atas. Apabila hal ini
dipenuhi, biaya pra pemprosesan akan menjadi sangat mahal karena citra yang
dihasilkan oleh proses koreksi merupakan citra yang masih harus diproses
lanjut, baik melaui proses penajaman, pemfilteran, klasifikasi multispektral,
maupun tranformasi khusus. Oleh karena itu, para pengguna citra digital memilih
metode yang relatif mudah dan penerapannya tranformasi nilai pixel menjadi
informasi tematik melaui pengombinasian teknik pengolahan citra dengan sistem
informasi geografis.
e. Kalibrasi
relatif antarcitra
Kadang
kala suatu penelitian pengindraan jauh memerlukan data multitemporal, bahkan
bukan hanya dua atau tiga tanggal melainkan bisa lebih dari itu. Analisis
spektral citra memerlukan informasi lengkap mengenai paremeter-paraneter
radiometri sensor dan saat perekaman. Sayangnya, data semacam itu belum tentu
tersedia secara lengkap. Salah satu alternaytif penyelesain agar analisis
multitemporal dan juga analisis multidata yang melibatkan dua macam citra
digital dari sensor yang berbeda-beda dijalankan dengan menggunakan basis
informasi spektral adalah kalibrasi relatif.
Kalibrasi
relatif merupakan proses pengubahan nilai pixel dari satu beberapa data digital
citra. Dengan mengacu pada nilai pixel untuk objek yang sama pada citra yang
sama pada citra yang berbeda, baik yang di hasilkan pada waktu yang berbeda.
Kalibrasi di perlukan karena nilai pixxel yang sama pada 2 saluran yang sama,
namun diperoleh pada waktu ataupun oleh
sensor yang berbeda, belum tentu menunjukan objek yang sama. Begitu pula
sebaliknya, objek yang sama pada saluran yang sama, namun direkam. Pada waktu
yang berbeda atau oleh sensor yang berbeda, belum tentu menunjukan nilai yang
sama pula, (gambar 5.10 ) menjelaskan hal ini.
Terasa
kekurangannya untuk menghasilkan citra yang terproyeksikan secara ortogonal
penuh, dengan menghilangkan semua distorsi (jensen, 2005), seperti pada koreksi
citra resolusi spasial tinggi, misalnya ikonos, quickbird, maupun orbview.
Proses
koreksi ini dimulai dengan memilih pasangan titik-titik koordinat pada citra
dan pada peta berdasarkan pasangan titik-titik ini koefisien-koefisien
persamaan transformasi yang digunakan untuk mengubah sistem koordinat citra ke
sistem koordinat peta akan dapat ditentukan.
Pada
dasarnya ada 6 macam distorsi yang dapat dimodelkan dan dikoreksi dengan
transformasi geometri, yaitu;
g. Translasi
pada sumbu X,
h. Translasi
pada sumbu Y,
i.
Perubahan skala pada
sumbu X,
j.
Perubahan skala pada
sumbu Y,
k. Menceng,
dan
l.
Rotasi.
Apabila
ke-6 distorsi akan diselesaikan sekaligus maka mereka akan dapat dikombinasikan
kedalam satu ekspresi matematis, yaitu;
X
= a0 + a1X’ + a2X’………………………………………………………………(5.9)
Y
= b0 + b1X’ + b2X’
Dimana
X dan Y merupakan posisi pada citra keluaran atau pada peta acuan proyeksi pada
citra terkoreksi akan sama dengan peta acuan semantara X’ dan Y’ merupakan
posisi citra sebelum terkoreksi. Jensen, (2005) menyebut transformasi ini
sebagai input-to-output atau forword mapping.
Cara
forward mapping ini tampaknya tidak bermasalah ketika kita mencoba untuk
mentransformasikan ke titik-titik koordinat yang bersifat diskret di sepanjang
kenampakan linier, misalanya jalan dan sungai
pada peta vektor. Hal ini biasa dilakukan dalam pemetaan kartografi dan
sistem informasi geografis berbasis vektor. Masalah muncul ketika peta
dikoreksi adalah peta grid (raster)/citra digital, diman diperlukan operasi
untuk mengisi grid peta baru dengan nilai yang di peroleh dari citra/citra
lama. Maslah ini terlihat pada penempatan lokasi baru yang seolah mengambang
tidak tepet pada posisi grid untuk mengatasi ini, suatu interpolasi nilai
diperlukan untuk mengganti nilai lama dengan memepertimbangkan nilai-nilai
pixel yang ada di sekitarnya. Proses ini disebut dengan proses interpolasi
nilai pixel.
Kadang-kadang
kita memerlukan fungsi persamaan polinomial dengan orde yang lebih tinggi dari
pada persamaan sebelumnya.orde polinom yang lebih tinggi dimaksudkan untuk
menghasilkan transformasi yang lebih halus dalam arti lebih sesuai dengan
bentuk distribusi nilai yang menggambarkan hubungan antara dua macam variabel,
dalam hal ini koordina X dan X’ serta koordinat Y dan Y’. contohnya, jika
persamaan polinomial orde 2 digunakan maka bentuk persamaan 5.10 akan berubah
menjadi;
Persamaan
5.10 memerlukan 6 parameter (a0, a1, a2, b0, b1, dan b2) agar persaman tersebut
dapat diselesaikan dalam arti nilai-nilai koefisien a0 hingga a2 dan bo hingga
b2 dapat dihitung. Persamaan 5.11 memerlukan 12 parameter (a0, a1, a2, a3, a4,
a5, a6, dan d0, d1, d2, d3, d4, d5) agar persamaan tersebut dapat di
selesaikan. Secara praktis apabila, analisis menggunakan persamaan polinemal
orde 1 untuk mentransformasikan koordinat citra dalam koreksi geometri maka diperlukan
6 titik kontrol, persamaan polinemial orde 3 memerlukan lebih banyak parameter,
yang membawa kuenskensi pada kebutuhan akan titik kontrla yang lebih banyak
agar persamaan dapat di jalankan.
Jansen
(2005) juga menegaskan bahwa secara teoritis semakin tinggi orde polinomnya
maka semakin dekat koefisien-koefiseien tersebut dalam memodelkan kesalahan
geometri pada citra asli.
Dalam
praktek, persamaan polinemeal orde 1 sudah bisa dijalankan pada citra wilayah
bermedan yang relatif datar, sementara polinom orde yang lebih untuk citra yang
menggambarkan kondisi wilayah yang lebih besar topografinya. Miskipun demikian,
jensen juga menyatakan bahwa ada aturan utama untuk mengutamakan koreksi
geometri dengan polinom orde 1 terlebih dahulu, kecuali ketika dijumapai
kesalahan-kesalahan non-linear dan tak sistematik. Untuk kesalahan-kesalahan
yang di sebutkan terakhir maka polinom orde yang lebih tinggi diutamakan.
e. Akurasi
hasil koreksi geometri ; RMSE
Berdasarkan
pasangan koordinat antara titik kontrol lapangan dengan koordinat baru hasil
estimasi, diperoleh selisih pada sepanjang sumbu X (arah timur) maupun sumbu Y
(arah utara). Selisih ini dapat dihitung pada setiap titik kontrol dan juga
pada hasil transformasi keseluruhan, yang memperhitungkan seluruh titik kontrol
yang ada berdasarkan selisih-selisih ini kemudian dapat dihitung besarnya
akurasi hasil koreksi geometri dengan rumus root mean square error (RMSE).
Gambar 5.5 mengilustrasikan pelajaran ini.
Gao
(2009) menjelaskan secara sederhana sebagai berikut. Pada setiap pasangan
antara titik koordinat referensi dengan titik koordinat hasil estimasi
diperoleh selisih yang disebut dengan rectification residual, yang jarang
sekali bernilai nol. Pada suatu titik, nilai rectification residual ini bisa
berbeda untuk arah X dan arah Y. untuk analisis parameter ini digunakan
indikator akurasi yang disebut dengan RMSE, dimana perhitungan untuk arah X dan
arah Y digunakan rumus berikut;
Dimana
;
n = jumlah total titik kontrol lapangan
yang digunakan untuk koreksi atau rectifikasi.
Ei dan Ni = berturut-turut koordinat X dan Y, dari GGP ke-I, yang
dihitung dari fungsi transformasi Fi dan F2 yang digunakan dalam rektifikasi.
Ẻ dan ᾐ = koordinat referensi berturut-turut untuk X dan Y yang
diperoleh dari peta topografi atau hasil pengukuran GPS dilapangan.
f. koreksi
geometri dengan rektifikasi citra ke-citra.
Koreksi
geometri dengan rektifikasi dari citra ke citra merupakan suatu proses yang
membandingkan titik-titik yang dapat diidentifikasi dengan mudah pada kedua
citra. Retifikasi citra ke-citra tidak harus memerlukan hasil yang harus
menyajikan informasi tentang koordinat yang benar-benar sesuai dengan peta.
Misalnya, dua himpunan data ikonos dan quickbird pada waktu perekaman yang
berbeda hendak diperbandingkan
kenampakannya, analisis perubahan penggunaan lahan.
g. Interpolasi
intensitas dalam koreksi geometri.
Berdasarkan
gambar 5.3 terlihat bahwa hasil koreksi geometri akan menempatkan pixel pada
matriks citra terkoreksi, namun dengan posisi koordinat yang mengambang. Posisi
semacam ini membawa implikasi pada penentuan nilai pixel yang baru. Perhatikan
bahwa implikasi pada penentuan nilai pixel yang baru. Perhatikan bahwa matriks
atau grid dengan posisi koordinat yang bernilai bulat, tersebut juga telah ditempati
oleh nilai-nilai pixel tertentu pula. Pada gambar tersebut terlihat bahwa nilai
pixel 15 menempati koordinat. Ketika posisi baru harus ditentukan seperti pada
gambar 5.5 menjadi X=2,4 dan Y= 2,7 maka
nilai 15 perlu di evaluasi kembali dengan mempertimbangkan kedudukan/posisi
baru hasil koreksi geometri dan nilai-nilai pixel yang ada di sekitarnya.
Penentuan
nilai pixel yang baru berdasarkan posisi/lokasi koordinat yang baru ini
merupakan suatu proses interpolasi nilai atau interpolasi intensitas. Dalam
melakukan interpolasi nilai intensitas, dikenal algoritma nearest neighbour,
bi-linear, serta cubic convolution masing-masing memberikan efek yang berbeda
pada kenampakan citra. Algoritma nearest neigbour diterapkan dengan hanya
mengambil kembali nilai dari pixel terdekat yang telah tergeser keposisi baru,
algoritma bi-linear interpolition mempertimbangkan ke- 4 nilai pixel yang
berdakatan, untuk kemudian dirata-rata secara proposional, sesuai dengan
jaraknya terhadap posisi baru, dengan mengikuti formula berikut;
Dimana
BVwt merupakan nilai pixel baru hasil interpolasi spasial yang merupakan retata
tertimbang melalui metode biliner; Zk adalah nilai pixel disekitar titik hasil
penempatan posisi baru dan Dk2 adalah kuadrat jarak dari titik hasil penentuan
lokasi baru yang akan ditentukan nilainya. Berdasarkan gambar 5.4 maka dapat
ditentukan nilai pixel baru hasil interpolasi seperti tersaji pada tabel 5.1.
algoritma cubic convolution menggunakan prinsip interpolasi nilai seperti pada
algoritma bilinear interpolation, tetapi dengan mempertimbangkan nilai 16 pixel
disekitarnya.
Disebutkan
belakangan tentunya kurang tepat apabila diterapkan pada citra-citra saluran
asli karena nilai baru hasil interpolasi tidak lagi mewakili pantulan atau
pancaran spektral objek yang sebenarnya. Oleh karena itu, dua algoritma ini
kurang tepat apabila deterapkan lebih sesuai untuk menerapkan resampling nilai
pada citra model medan digital. Bilinear interpolation akan menghasilkan
kenampakan yang jauh lebih halus daripada nearest neighbour, sedangkan cubic
convolution justru akan menghasilkan citra dengan kenampakan yang tiadak
terlalu diperhalus. Algoritma nearest neighbour lebih sesuai diterapkan pada
citra saluran-saluran asli dan juga hasil klasifikasi, namun dengan resiko
kenampakan linear yang terpatah-patah.
h. Distribusi
GCP
Distribusi
spasial titik-titik kontrol lapangan atau GCP sering kali diabaikan dan
analisis atau pengguna kadangkala hanya melihat nilai absolut dari RMSE-nya
saja. Dari rumus-rumus yang ada, kita bisa melihatnya bahwwa sebenarnya
perhitungan RMSE pada dasarnya mengabaikan distribusi titik-titiknya. Hasil
RMSE yang kecil belum merupakan jaminan bagi bagusnya hasil koreksi geometri
secara spasial. RMSE yang sedikit lebih besar kadang-kadang merupakan hasil
yang optimal apabila kondisi medan cukup berat dan titik-titik kontrol sulit
dijumpai.
Cara
yang paling baik untuk mengetahui apakah suatu citra telah terkoreksi geometri
dengan baik adalah dengan mengeplot peta vektor meliputi jaringan jalan, batas-batas
penutup lahan, jaringan jalan dan sungai di atas citra koreksi. Apabila RMSE
relatif kecil namun hasil pengeplotan fitur topografi justru memperlihatan
banyaknya penyimpanan posisi penampakan hasil koreksi maka sebaiknya proses
koreksi geometri perlu diulang, dengan membatalkan dan mengambil kembali
titik-titik kontrol atau GCP. Gambar 5.6 memberikan panduan sederhana tentang
bagaimana dan dimana dan dimana GCP diambil untuk kondisi fisiografis tertentu.
5.2.2
koreksi/kalibrasi radiometri citra.
Koreksi
radiometri diperlukan atas dasar dua alasan, yaitu untuk memperbaiki kualitas
visual citra dan sekaligus memperbaiki nilai-nilai pixel yang tidak sesuai
dengan nilai pantulan atau pancaran spektral objek yang sebenarnya. Koreksi
radiometri citra yang ditujukan untuk memperbaiki kualitas visual citra berupa
pengisian kembali baris yang kosong karena drop-out baris maupun masalah
kesalahan awal pemindaian. Baris atau bagian baris yang bernilai tidak sesuai
dengan yang seharusnya dikoreksi dengan mengambil nilai pixel satu baris di
atas dan dibawah, kemudian dirata-ratakan (guindon, 1984, dan dalam jensen,
2005). Kereksi radiometri yang ditunjukan untuk memperbaiki nilai pixel supaya
sesuai dengan yang seharusnya juga bisa dilakukan dengan mempertimbangakan
faktor gangguan atmosfer sebagai sumber kesalahan utama. Pada koreksi ini,
diasumsikan bahwa nilai pixel terendah pada suatu kerangka liputan seharusnya
nol, sesuai dengan bit-coding sensor. Apabila nilai terendah pixel pada
kerangka liputan tersebut bukan nol maka nilai penambah tersebut dipandang
sebagi hasil dari hamburan atmosfer.
Dalam
kenyataannya jenis dan metode koreksi radiometri sebenarnya jauh labih banyak
dan lebih rumit daripada deskripsi tersebut di atas. Secara garis besar,
koreksi radiometri meliputi 2 kelompok besar metode, yaitu; a, koreksi yang
bertumpu pada imformasi dari dalam citra sendiri, b. koreksi yang
mempertimbangkan faktor-faktor luar yang berpengaruh terhadap kesalahan
informasi yang ada pada citra. Pembahasan berikut ini secara ringkas mencoba
memberikan uraian tentang beberapa macam metode koreksi radiometri yang
termasuk kedalam 2 kelompok besar tersebut.
II.
Koreksi yang bertumpu
pada informasi dalam citra
Koreksi
yang termasuk kedalam kelompok ini relatif mudah dan menggunakan asumsi-asumsi
yang juga sederhana. Koreksi ini meliputi; a. penyesuain histogram, b.
penyesuaian regresi, c. koreksi berbasis diagram ppencar, d. kalibrasi bayangan
dan kenampakan gelap.
f. Penyesuaian
histogram
Metode
ini merupakan pilihan yang paling sederhana dengan hanya melihat histogram
disetiap saluran secara independen. Dari histogram dapat diketahui nilai pixel
terendah saluran tersebut. Asumsi yang melandasi metode ini ialah bahwa dalam
proses koding digital oleh sensor, objek yang memberikan respons spektral
paling lemah atau tidak memberikan respons sama sekali seharusnya bernilai 0.
Apabila nilai ini ternyata >0 maka nilai tersebut dihitung sebagai offset,
dan koreksi dilakukan dengan mengurang keseluruhan nilai pada saluran tersebut
dengan offsetnya. Dengan kata lain , besarnya offset menunjukan besarnya
pengaruh gangguan oleh atmosfer.
Metode
penyesuaian histogram juga dapat diterapkan pada citra yang telah terkoreksi
atau terkalibrasi kenilai pantulan yang tercatat sensor. Dengan metode ini maka
histogram yang dievaluasi adalah histogram nilai pantulan pada sensor yang
berupa angka pecahan. Dalam kasus ini, metodenya disebut dark ground feature
subtraction untuk koreksi atmosfer sederhana.
g. Penyesuain
regresi
Penyesuaian
regresi diterapkan dengan memplot nilai-nilai pixel hasil pengamatan pada
beberapa saluran pada beberapa saluran sekaligus. Hal ini dapat di terapkan
apabila ada saluran rujukan yang menyajikan nilai 0 untuk objek tertentu,
misalnya saluran TM7 untuk air jernih, dalam dan tenang. Kemudian, setiap
saluran dipasangkan dengan saluran rujukan tersebut untuk membentuk diagram
pencar nilai-nilai pixel yang diamati (gambar 5.8).
Cara
ini secara teoritis dapat diterima, tetapi dalam praktik sulit diterapkan
karena sebenarnya gangguan etmosfer terjadi pada hampir semua spektral tampak
dan pantulan. Di samping itu, tiadak semua liputan citra mempunyaii objek
berupa air jernih, dala, dan tenag. Objek yang secara gradual berubah naik
nilainya, pada kedua saluran sekaligus dan bukannya hanya pada salah satu
saluran.
h. Penggunaan
“feature space”
Metode
lain ditawarkan oleh bronsveld (1991), metode ini di mamfaatkan gambaran
feature space hasil pengeplotan pixel-pixel pada saluran hijau melawan
inframerah dekat dan saluran merah melawan inframerah dekat. Hasil pengeplotan
keseluruhan pixel akan memberikan kenampakan imasiner berupa garis vegetasi dan
garis tanah (gambar 7.2). pertemuan kedua garis ini di asumsikan harus bertemu
dititk asal objek air jernih, tenang, dan dalam, atau objek bayangan lereng
yang sangat curang. Apabila ternyata titik pertemuan ini tidak pada koordinat,
maka nilai offset pada kedua saluran dapat dihitung (gambar 5.9). melalui cara
ini akan didapatkan dua macam nilai offset untuk saluran inframerah dekat
sehingga masih perlu dirata-rata. Metode serupa untuk koreksi citra karena
pengaruh bayangan juga digunakan oleh adams dan gilespie (2006), dimana mereka
mengamsumsikan bahwa perpotongan dua garis itu menunjukan pixel-pixel objek
yang berada pada bayangan, tetapi masih memeberikan nilai pantulan karena
kontribusi hamburan atmosfer.
i.
Metode kalibrasi
bayangan
Gastellu-etchegorry
(1998), merupakan metode kalibrasi bayangan untuk mengoreksi faktor gangguan
atmosfer. Secara ringkas metode ini mempertimbangkan imbangan energi
elektromagnetik yang masuk ke atmosfer bumi serta kenampakan permukaan bumi
yang tertutup bayangan. Analisis irrandiasi yang dari wilayah yang tak tertutup
bayangan. Akan menghasilkan nilai radiasi umbalan atmosfer ;
Dimana
Et merupakan irradiansi spektral pada objek di permukaan bumi yang berasal dari
matahari dan angkasa, sedangkan Es merupakan irradiansi spektral pada objek di
permukaan bumi yang berasal dari matahari. Simbol-simbol lain dijelaskan
berikut ini ;
Dari
persamaan tersebut diperoleh;
Secara
praktis pembacaan pasangan kelompok pixel pada wilayah yang tak tertutup awan
akan memberikan nilai Eis, sedangkan nilai kelompok pixel hasil pembacaan pada
wilayah yang tertutup awan memberikan nilai Eis. Pemplotan nilai Eis sumbu Y
dan X memberikan persamaan regresi dan persamaan ini akan memberikan nilai
parameter A alfa dan D alfa. Besarnya D alfa menunjukan besarnya bias nilai
spektral pada seluruh liputan citra karena umbalan atmosfer. Nilai baru
ditentukan berdasarkan pengurangan nilai pixel pada citra asli dengan nilai
bias. penggunaan formulasi ini untuk koreksi radiometri citra dapat dilihat
pada gastellu-etchegory (1998) atau ( 1989).
Masing-masing
metode yang telah disebutkan tadi mengandung kelemahan karena mengamsumsikan
faktor gangguan radiometrik bersifat linier dan seragam untuk sembarang lokasi
pada lokasi pada citra. Kenyataan menunjukan bahwagangguan ini sebenarnya
bervariasi dari satu tempat ke tempat lain. Di atas lahan persawahan pada pagi
hari, misalnya lebih banyak dijumpai kabut tipis dibandingkan penggunaan lahan
pemukiman sehingga tentunya faktor gangguan disini lebih besar. Begitu pula
hhalnya dengan kondisi atmosfer pada daerah bergunung dengan elevasi tinggi,
dimana faktor aerosol dalam memberikan hamburan biasanya lebih berperan. Dengan
demikian, suatu liputan citra dengan kondisi medan dan penggunaan lahan yang
sangat bervariasi mestinya memerlukan koreksi atas gangguan atmosfer dengan
metode yang tidak sederhana seperti yang di jelaskan di atas. Apabila hal ini
dipenuhi, biaya pra pemprosesan akan menjadi sangat mahal karena citra yang
dihasilkan oleh proses koreksi merupakan citra yang masih harus diproses
lanjut, baik melaui proses penajaman, pemfilteran, klasifikasi multispektral, maupun
tranformasi khusus. Oleh karena itu, para pengguna citra digital memilih metode
yang relatif mudah dan penerapannya tranformasi nilai pixel menjadi informasi
tematik melaui pengombinasian teknik pengolahan citra dengan sistem informasi
geografis.
j.
Kalibrasi relatif
antarcitra
Kadang
kala suatu penelitian pengindraan jauh memerlukan data multitemporal, bahkan
bukan hanya dua atau tiga tanggal melainkan bisa lebih dari itu. Analisis
spektral citra memerlukan informasi lengkap mengenai paremeter-paraneter
radiometri sensor dan saat perekaman. Sayangnya, data semacam itu belum tentu
tersedia secara lengkap. Salah satu alternaytif penyelesain agar analisis
multitemporal dan juga analisis multidata yang melibatkan dua macam citra
digital dari sensor yang berbeda-beda dijalankan dengan menggunakan basis
informasi spektral adalah kalibrasi relatif.
Kalibrasi
relatif merupakan proses pengubahan nilai pixel dari satu beberapa data digital
citra. Dengan mengacu pada nilai pixel untuk objek yang sama pada citra yang
sama pada citra yang berbeda, baik yang di hasilkan pada waktu yang berbeda.
Kalibrasi di perlukan karena nilai pixxel yang sama pada 2 saluran yang sama,
namun diperoleh pada waktu ataupun oleh
sensor yang berbeda, belum tentu menunjukan objek yang sama. Begitu pula
sebaliknya, objek yang sama pada saluran yang sama, namun direkam. Pada waktu
yang berbeda atau oleh sensor yang berbeda, belum tentu menunjukan nilai yang
sama pula, (gambar 5.10 ) menjelaskan hal ini.
2.
Kalibrasi dengan data dari luar citra
Penggunaan
metode-metode koreksi atau kalibrasi yang telah di jelaskan bagian terdahulu
kadang-kadang masih menyisakan masalah. Misalnya, pengkaitan antara suatu nilai
piksel (respon spektral) dengan nilai atau kondisi biofisik tertentu kadang
kala menuntut informasi yang lebih akurat. Sebelum bercampur dengan tambahan
informasi spektral dari radiansi atmosfer (path radiance). Kebutuhan semacam
ini semakin terasa ketika data nilai spektral citra perlu dibandingkan dengan
data hasil pengukuran radiansi spektral dilapangan.
Informasi
spektral yang sampai ke sensor pada dasarnya telah bercampur dengan informasi
spektral dari partikel atmosfer. Pada wilayah perairan, atenuasi (pelemahan
energi elektromagnetik setelah menempuh perjalanan dengan kerapatan massa
tertentu) ini juga terkait dengan ketebalan kolom air; sementara pada daratan
kondisi kepadatan partikel atmosfer akan sangat berpengaruh. Perbedaan sudut
iluminasi dan adanya bayangan juga menyebabkan besaran pantulan objek sama
namun terletak pada posisi yang berbeda (misalnya) posisi yang terluminasi
sinar matahari dan pada posisi bayangan. Untuk mengoreksi pengaruh-pengaruh
semacam itu, koreksi atau kalibrasi absolut yang diperlukan.
Secara ringkas ,
mather (2004) menyatakan bahwa ada lima faktor yang berpengaruh terhadap sinyal
yang diterima dari objek (dan dicatat) oleh detektor pada sensor , yaitu:
1.
Pantulan atau
reflektansi objek
2.
Bentuk dan besaran
interaksi atmosfer
3.
Kemiringan dan arah
hadap lereng (aspect) tempat objek berada relatif terhadap azimut matahari
4.
Sudut pandang sensor
5.
Sudut ketinggian
matahari
Kalibrasi atau
koreksi radiometri dengan menggunakan data dari
luar citra bisa di kelompokan menjadi dua yaitu ;
·
Kalibrasi berbasis data
empiris melalui pendekatan statistik
·
Kalibrasi melalui pemodelan
fisikal
a. Kalibrasi berbasis data empiris : penyesuaian
regresi berbasis data spektral lapangan
Teknik koreksi
radiometri dengan menggunakan data empiris hasil pengukuran lapangan juga bisa
diterapkan dengan penysuaian regresi (gambar 5.11)
Untuk
menerapkan koreksi maka dua jenis objek dipilih secara cermat, dimana masing
–masing memiliki objek barona gelap dan objek barona cerah dilapangan. Tentu
saja pilihan gelap terang ini harus mengacu pada wilayah panjang gelombang
saluran yang akan dikoreksi
 |
|
 |
b. Landsat enhanced thermatic Mopper plus(ETM+)
 |
|||
 |
|||
et al.
(1986 1990) dan kemudian diperbaiki menjaddi model 6s (second simulation of the
sensor signal in the solar spectrum) (vermote et.al 1997). Model-model ini mampu mensimulasikan permukaan
non-Lambertian untuk memodelkan sinyal yang diukur oleh sensor. Tso and mather
(2009) menyebutkan bahwa model 6s juga melibatkan data untuk perhitungan
absorbsi atmosfer menggunakan nilai yang meningkat untuk gas-gas atmosfer
Dalam
model ini , ada asumsi bahwa satu paket irradiansi matahari utuh datang
mencapai bagian teratas atmosfer sebagian dari iradiansi yang datang kemudian
di hamburkan disepanjang jalur antara matahari dan objek dipermukaan bumi ke
atmosfer,sementara sisanya mampu mencapai objek target di bumi sebagagi radiasi
matahari langsung.
Dimana
T adalah kedalaman optis 0s adalah unitzenit matahari. Sementara itu ,sebagian
dari sinar matahari yang dihamburkan ke atmosfer juga memberikan sumbangan
iluminasipada terget objek di permukaa bumi. Apabila hal ini bisa dipandang
sebagaipantulan baur bagi atmosfer (difusse skylight).dengan notasi 0d maka
konstribusinya terhadap transmintasi atmosfer T0sdirumuskan sebagagi berikut:
 |
Disamping itu,
ada juga kontribusi hamburan yang perlu diperitimbangkan, yaitu sibuk dengan
mekanisme jebakan(trapping mechansime) (tso dan mather,2009).
Dengan
demikian,iluminasi pada target di permukaan bumi menjadi:
 |
Dan
prpoporsi sinar matahari yang
dipantulkan dari target dipermukaan menjadi :
Karena sensor menerima refelektansi dari
dua macam sumber, yaitu(a) kontribusi dari radiasi matahari keseluruhan yang
diberikan oleh target dipermukaan bumiddan langsung di transmisikan dari
permukaan objek ke sensor (b) sumbangan dari objek disekitar target yang
dihamburkandi sekitar medan padang sensor,maka rumus sebelumnya menjadi:
Dimana 0v adalah sudut pandang sensor
Dengan demikian, rumus ddapat dituliskan sebagai berikut:
 |
Pantulan (reflektansi) yang tercatat
oleh sensor( apparentreflectance)P* adalah:
 |
Persamaan ini
merupakan persamaan linier yang secara spesifik menunjukan hubung anantara
apparent reflectance p* dan pantulan. Selanjutnya, adanyainteraksi atmosfer
yang kedua, yaitu proses serapan, perlu dipertimbangkan. Pada spektrumoptik
dari matahari penyerapan atau absorbsi oleh gas-gas di atmosfer pada dasarnya
dengan keberadaan ozon,oksigen,uap air dsn karbon dioksida. Jika Tg(()s 0v)
menyatakan transmintasi gas di atmosfer setelah mengalami absorsi maka
persamaan diatasmenjadi:
Dengan kata lain, apparent reflectance
p* (yang tercatat oleh sensor ) diketahui ,albedo sferis S juga diketahui , dan
koefisien Aserta B juga diketahui, maka besarnya pantulan target objek target
objek dipermukaan bumi ps dapat di hitung.
e.kalibrasi sensor : Pantulan yang diterima sensor
(At-sensor Reflectance)
Hasil kalibrasi
sensor untuk memperoleh nilai radiasi spektral. Sebenarnya adalah nilai energi
yang dicatat oleh sensor (apparance radiance) yang merupakan kombinasi
pantulanobjek di tambah gangguan atmosfer yang sampai ke sensor. Untuk menekan
pengaruh gangguan atmosfer maka rumus perhitungan pantulan pada permukaan objek
berikut bisa di gunakan:
 |
Mather (2004)
menyebutkan bahwa faktor koreksi untuk d diperlukan karena terdapat variasi
radiansi spektral sehingga 3,5% dalam setahun nilai d bisa dihitung dengan rumus
berikut:
 |
f.kalibrasi berbasis model transfer radiasi
(radiative transfer model)
kebanyakan
metode koreksi atau kalibrasi citra dilakukan secara manual dalam arti
perangkat lunak menyediakan semacam image calculatoryang secara fleksibel dapat
dimanfaatkan berbagai operasi matematis dengan memasukan nama berkas citra.
Algoritma model
transfer radiasi citra untuk koreksi pengaruhatmosfer dapat melakukan hal
sepertitelah dijelaskan sebelumnya, beberapa informasi umum yang diperlukan
oleh algoritma-algoritma koreksi atmosfer berbasis transfer radiasi misalnya:
·
Posisi
lintang-bujurliputan citra
·
Tanggal dan waktu rinci
perekaman
·
Ketinggian perekaman
diatas permukaan medan
·
Elavasi rerata liputan
citra
·
Model atmosfer,
misalnya wilayah tropis, lintang sedang dimusim panas, dan musim dingin
·
Data radiansi spektral
citra yang telah dikalibrasi secara radiometri
·
Informasi tentang
setiap saluran secara spesifik
·
Kejernihan atmosfer
setempat
Berdasarkan
informasi tersebut maka program akan melakukan komputasi karakteristik serapan
dan hambatan pada perekaman data.
Beberapa rumus
untuk model-model tansfer radiasi
disajikan secara ringkas berikut ini,berdasarkan deskripsi dari jansen(2005).
1.ACORN(AtmosphericCorrection Now) program
ini menggunakan kode transfer radiasi MODTRAN-4. Total radiansi spektral yang
diukur oleh sensor Ls dapat dirumuskan sebagai berikut:
Apabila semua parameter yang dilibatkan
telah diturunkan maka pantulan yang telah diskalakan dapat dikomputasi dengan
rumus sebagai berikut:
 |
2.ATREM( The atmospheric removal program )
yang dkembangkan oleh cebter for the study of earth from space (CSES),
universtas Colorado. ATREM mempertimbangkan jumlah hamburan Rauleigh yang masih
ada dalam model 6s serta model aerosol yang di spesifikasin oleh pengguna.
3.FLAASH(Fast line-of-sightAtmosphericanalysis of
spectral Hypercubes) dikembangkan di perangkat lunak ENVI, oleh spectral
sciencesinc. Program FLAASH mengoreksi citra dengan cara menggunakan
menghilangkan efek uap air, oksigen, karbon dioksida, metanan , ozon dan
hambatan hamburanmolekural maupan aerosol berdasarkan kode transfer radiasi
MODTRAN4, koreksi ini di terapkan pada setiap piksel. Citra ini juga
menghaasilkan citra uap air, citra awan, dan nilai untuk kejernihan
pandang.(visibility)
4.ATCOR(atmospheric correction / pada
awalnya dikembangkan di jerman . ATCOR terdiri dari tiga modul , yaitu ATCOR2
untuk medan datar,ATCOR3 untuk medan yang kasar ,dan ATCOR4 untuk citra yang
diperoleh dari sistem pengindraan jauh sub orbital.koreksi atmosfer yang
diterapkan pada algoritma-algoritma ini juga memanfaatkan kode transfer radiasi
pada MODTRAN 4+ untuk mengalkulasi lookup table (LUT).
Fungsi-fungsi
koreksi atmosfer yaitu radiansi jalur (path radiance) ,transmintasi
atmosfer,fluks matahari secara langsung maupun baur(diffuse) , fungsi-fungsi
koreksi tersebut tergantung pada sudut pemindaian , sudut relatif azimut yang
terbentuk oleh baris pemindaian dan azimut matahari., serta ketinggian atau
elevasi medan.
