Conference PaperPDF Available

Uji Akurasi Produk Reflektan-Permukaan Landsat Menggunakan Data In situ di Danau Kasumigaura, Jepang

Authors:

Abstract and Figures

Abstrak − Estimasi parameter kualitas air (seperti: konsentrasi klorofil-a, konsentrasi TSS dan koefisien absorpsi CDOM) dari data satelit penginderaan jauh umumnya tergantung pada keakuratan koreksi atmosfer dan model yang menghubungkan antara data reflektan penginderaan jauh dengan parameter kualitas air yang akan diekstrak. Di danau dengan air yang keruh (Turbid water, Case II), masalah utama yang dihadapi para peneliti adalah koreksi atmosfer yang sulit. Penelitian pada bidang ini banyak dilakukan terutama menggunakan sensor satelit yang khusus didesain untuk pengamatan perairan, seperti MERIS, MODIS, AVHRR dll. Berbeda dengan beberapa sensor di atas, koreksi atmosfer untuk sensor yang diperuntukkan untuk keperluan di darat seperti Landsat sangat jarang di lakukan. Untuk itu, pada penelitian ini kami menguji akurasi dari produk reflektan-permukaan (surface reflectance, Bottom of Atmosphere reflectance) Landsat yang telah bebas dari kesalahan atmosfer, yang dikeluarkan oleh USGS menggunakan data spektra yang direkam di Danau Kasumigaura, Jepang. Sebagai perbandingan, data tersebut juga dibandingkan dengan data Landsat yang dikoreksi dari efek atmosfer menggunakan parameter koreksi dari hasil simulasi menggunakan Second Simulation of a Satellite Signal in the Solar Spectrum-Vector (6SV). Produk reflektan-permukaan Landsat memberikan hasil lebih rendah dibandingan dengan data in situ untuk ke delapan stasiun pengamatan dengan RMSE 0,03 dan NMAE sebesar 59,70 %. Hasil ini tidak berbeda jauh dari reflektan-permukaan yang diproses dengan 6SV dengan RMSE dan NMAE sebesar 0,03 dan 64,13%. Kata kunci: air danau; penginderaan jauh, Landsat, koreksi atmosfer, 6SV PENDAHULUAN Danau memegang peran penting dalam penyediaan air bersih yang berguna sebagai bahan dasar air minum, pertanian, industri, rekreasi dan pariwisata (Giardino, et al. 2001). Akan tetapi, proses eutrofikasi yang cepat yang terjadi di danau kini telah menjadi masalah besar di seluruh dunia (Ayres, et al. 1996). Oleh karena itu, pemantauan kualitas air danau secara rutin menjadi kebutuhan mendesak dalam pengelolaan sumber daya air dalam rangka mendukung pengelolaan ekosistem perairan darat yang berkelanjutan. Heterogenitas kondisi perairan danau, baik secara spasial dan temporal memerlukan teknologi penginderaan jauh sebagai pendukung teknik pengambilan sampling secara konvensional untuk pemantuan kualitas air secara rutin (Liu, Islam dan Gao 2003). Salah satu aplikasi penginderaan jauh (dalam bidang perairan) yang sangat penting adalah estimasi konsentrasi klorofil-a, yang merupakan parameter kunci dalam pengujian kualitas air (Zhu, et al. 2012). Estimasi parameter kualitas air (seperti: konsentrasi klorofil-a, konsentrasi TSS dan koefisien absorpsi CDOM) dari data satelit penginderaan jauh umumnya tergantung pada keakuratan koreksi atmosfer dan model yang menghubungkan antara data reflektan penginderaan jauh dengan parameter kualitas air yang akan diekstrak (Ruddick, Ovidio dan Rijkeboer 2000, Sathyendranath, Prieur dan & Morel 1987, Yang, et al. 2011). Tujuan utama dari koreksi atmosfer adalah mengkonversi data reflektan-sensor (at sensor reflectance, Top of Atmosphere reflectance) menjadi reflektan-permukaan (surface reflectance, Bottom of Atmosphere reflectance) menggunakan skema dasar algoritma koreksi atmosfer (Gordon dan & Wang 1994), sebagai berikut: (1) dimana ρ toa (λ) adalah reflektan yang direkam oleh sensor satelit (reflectance at sensor), ρ r (λ) adalah reflektan dari Rayleigh scattering, [ρ a (λ)+ ρ ra (λ)] adalah reflektan total dari aerosol scattering dan interaksi antara
No caption available
… 
No caption available
… 
No caption available
… 
Content may be subject to copyright.
Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia
(MAPIN) XX, Bogor, 5-6 Feb 2015
Uji Akurasi Produk Reflektan-Permukaan Landsat
Menggunakan Data In situ di Danau Kasumigaura, Jepang
Lalu Muhamad Jaelani
1
, Fajar Setiawan
2
, Bunkei Matsushita
3
Abstrak Estimasi parameter kualitas air (seperti: konsentrasi klorofil-a, konsentrasi TSS
dan koefisien absorpsi CDOM) dari data satelit penginderaan jauh umumnya tergantung
pada keakuratan koreksi atmosfer dan model yang menghubungkan antara data reflektan
penginderaan jauh dengan parameter kualitas air yang akan diekstrak. Di danau dengan air
yang keruh (Turbid water, Case II), masalah utama yang dihadapi para peneliti adalah
koreksi atmosfer yang sulit. Penelitian pada bidang ini banyak dilakukan terutama
menggunakan sensor satelit yang khusus didesain untuk pengamatan perairan, seperti
MERIS, MODIS, AVHRR dll. Berbeda dengan beberapa sensor di atas, koreksi atmosfer
untuk sensor yang diperuntukkan untuk keperluan di darat seperti Landsat sangat jarang di
lakukan. Untuk itu, pada penelitian ini kami menguji akurasi dari produk reflektan-
permukaan (surface reflectance, Bottom of Atmosphere reflectance) Landsat yang telah
bebas dari kesalahan atmosfer, yang dikeluarkan oleh USGS menggunakan data spektra
yang direkam di Danau Kasumigaura, Jepang. Sebagai perbandingan, data tersebut juga
dibandingkan dengan data Landsat yang dikoreksi dari efek atmosfer menggunakan
parameter koreksi dari hasil simulasi menggunakan Second Simulation of a Satellite Signal
in the Solar Spectrum - Vector (6SV). Produk reflektan-permukaan Landsat memberikan
hasil lebih rendah dibandingan dengan data in situ untuk ke delapan stasiun pengamatan
dengan RMSE 0,03 dan NMAE sebesar 59,70 %. Hasil ini tidak berbeda jauh dari
reflektan-permukaan yang diproses dengan 6SV dengan RMSE dan NMAE sebesar 0,03
dan 64,13%.
Kata kunci: air danau; penginderaan jauh, Landsat, koreksi atmosfer, 6SV
PENDAHULUAN
Danau memegang peran penting dalam penyediaan air bersih yang berguna sebagai bahan dasar air minum,
pertanian, industri, rekreasi dan pariwisata (Giardino, et al. 2001). Akan tetapi, proses eutrofikasi yang cepat
yang terjadi di danau kini telah menjadi masalah besar di seluruh dunia (Ayres, et al. 1996). Oleh karena itu,
pemantauan kualitas air danau secara rutin menjadi kebutuhan mendesak dalam pengelolaan sumber daya air
dalam rangka mendukung pengelolaan ekosistem perairan darat yang berkelanjutan. Heterogenitas kondisi
perairan danau, baik secara spasial dan temporal memerlukan teknologi penginderaan jauh sebagai pendukung
teknik pengambilan sampling secara konvensional untuk pemantuan kualitas air secara rutin (Liu, Islam dan Gao
2003).
Salah satu aplikasi penginderaan jauh (dalam bidang perairan) yang sangat penting adalah estimasi konsentrasi
klorofil-a, yang merupakan parameter kunci dalam pengujian kualitas air (Zhu, et al. 2012). Estimasi parameter
kualitas air (seperti: konsentrasi klorofil-a, konsentrasi TSS dan koefisien absorpsi CDOM) dari data satelit
penginderaan jauh umumnya tergantung pada keakuratan koreksi atmosfer dan model yang menghubungkan
antara data reflektan penginderaan jauh dengan parameter kualitas air yang akan diekstrak (Ruddick, Ovidio dan
Rijkeboer 2000, Sathyendranath, Prieur dan & Morel 1987, Yang, et al. 2011).
Tujuan utama dari koreksi atmosfer adalah mengkonversi data reflektan-sensor (at sensor reflectance, Top of
Atmosphere reflectance) menjadi reflektan-permukaan (surface reflectance, Bottom of Atmosphere reflectance)
menggunakan skema dasar algoritma koreksi atmosfer (Gordon dan & Wang 1994), sebagai berikut:
(1)
dimana ρ
toa
(λ) adalah reflektan yang direkam oleh sensor satelit (reflectance at sensor), ρ
r
(λ) adalah reflektan
dari Rayleigh scattering, [ρ
a
(λ)+ ρ
ra
(λ)] adalah reflektan total dari aerosol scattering dan interaksi antara
1
Jurusan Teknik Geomatika, Insitut Teknologi Sepuluh Nopember, Surabaya 60111, Indonesia. Email:
lmjaelani@geodesy.its.ac.id
2
Pusat Penelitian Limnologi, Lembaga Ilmu Pengetahuan Indonesia, Cibinong, Bogor 16911
3
Graduate School of Life and Environmental Sciences, University of Tsukuba, Tsukuba, Ibaraki 305-8572, Japan
Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia
(MAPIN) XX, Bogor, 5-6 Feb 2015
Rayleigh scattering dan aerosol scattering, t(λ) adalah diffuse transmittances of the atmospheric column, dan
ρ
w
(λ) adalah water-leaving reflectance (surface reflectance, Bottom of Atmosphere reflectance). Di danau
dengan kondisi air yang keruh (turbid water, Case II), masalah utama yang dihadapi para peneliti adalah koreksi
atmosfer yang sulit (Jaelani, et al. 2013). Penelitian pada bidang ini telah banyak dilakukan terutama
menggunakan sensor satelit yang khusus didesain untuk pengamatan perairan (baik perairan darat maupun laut),
seperti MERIS, MODIS, AVHRR dll. Berbeda dengan beberapa sensor di atas, koreksi atmosfer untuk sensor
yang diperuntukkan untuk keperluan di darat seperti Landsat sangat jarang dilakukan.
Oleh karena itu, tujuan dari penelitian ini adalah untuk menguji akurasi produk reflektan-permukaan Landsat
TM-5 yang dikeluarkan oleh USGS dengan menggunakan data reflektan (dalam hal ini, remote-sensing
reflectance) yang direkam di Danau Kasumigaura, Jepang pada delapan stasiun pengamatan. Sebagai
perbandingan, data tersebut juga kami bandingkan dengan data Landsat yang dikoreksi dari efek atmosfer
menggunakan parameter koreksi dari hasil simulasi menggunakan Second Simulation of a Satellite Signal in the
Solar Spectrum - Vector (6SV) dengan data masukan dari parameter cuaca.
METODOLOGI
Pengumpulan Data In Situ
Data in situ diambil di Danau Kasumigaura, Jepang (36
o
9’ U; 140
o
14’ T) yang terletak di dataran Kanto bagian
timur. Danau ini memiliki luas sekitar of 171 km
2
(khusus danau bagian barat) dengan kedalaman air rata-rata
4,0 m dan kedalaman maksimum mencapai 7,3 m. Danau Kasumigaura merupakan danau terbesar kedua di
Jepang, setelah Danau Biwa. Tingginya nutrisi yang masuk ke dalam danau ditambah adanya pengadukan air
(resuspension), menyebabkan danau ini masuk kriteria danau eutropik keruh (eutrophic-turbid) (Matsushita
2009). Diskripsi statistik dari parameter kualitas air, dirangkum dalam Tabel 1. Data tersebut menunjukkan
bahwa Danau Kasumigaura termasuk ke dalam kelompok danau yang sangat keruh.
Tabel 1. Parameter kualitas air
Data diambil di Danau Kasumigaura, pada tanggal 18 Februari 2006, tepat bersamaan dengan waktu perekaman
citra satelit Landsat. Lokasi stasiun pengamatan yang berada dekat dengan pinggir danau (kurang dari satu
piksel) dan atau ditutupi oleh awan tidak dimasukkan dalam analisis. Ada delapan buah data in situ yang
digunakan dalam penelitian ini dengan sebaran sebagaimana terlihat di Gambar 1.
Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia
(MAPIN) XX, Bogor, 5-6 Feb 2015
Gambar 1: Distribusi spasial delapan stasiun pengamatan
Pengukuran reflektan dilakukan pada dalam rentang waktu jam 10:00 sampai 14:00 di atas air yang secara optis
dalam. Adapun parameter yang direkam pada setiap stasiun diantaranya adalah water-leaving radiance (L
u
(λ)),
downward irradiance (E
d
(λ)), dan downward radiance of skylight (L
sky
(λ)) menggunakan FieldSpec HandHeld
spectroradiometer (Analytical Spectral Devices, Boulder, CO) pada rentang 3251075 nm dengan interval 1-
nm. Selanjutnya, above-water remote sensing reflectance (R
rs
(λ) dihitung menggunakan rumus berikut (Mobley
1999):
(2)
dimana Cal(λ) merupakan reflektan spektral dari grey reference panel yang telah terkalibrasi secara akurat, and
r merupakan faktor koreksi reflektan yang ditentukan berdasarkan kecepatan angin (Mobley 1999).
Citra Landsat
Sesuai dengan ketersediaan data reflektan in situ yang telah dikumpulkan di Danau Kasumigaura pada tanggal
18 Februari 2006, data citra Landsat yang digunakan dalam penelitian ini adalah Landsat TM-5. Informasi kanal
Landsat TM-5 disajikan pada Tabel 2. Data citra tersebut direkam pada hari yang sama dengan tanggal
pengumpulan data lapangan.
Tabel 2. Informasi kanal Landsat TM-5
Secara umum, ada dua produk yang digunakan, yang pertama adalah data Landsat TM-5 Level 1 berupa data
mentah dalam format digital number (DN) dan yang kedua adalah data reflektan-permukaan (surface
reflectance) yang telah terkoreksi efek atmosfer. Data kedua diolah oleh USGS dengan menggunakan perangkat
lunak Landsat Ecosystem Disturbance Adaptive Processing System (LEDAPS), yang secara khusus dibuat oleh
National Aeronautics and Space Administration (NASA). Perangkat lunak LEDAPS ini melakukan koreksi
Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia
(MAPIN) XX, Bogor, 5-6 Feb 2015
atmosfer dengan menggunakan data masukan dari data Moderate Resolution Imaging Spectroradiometer
(MODIS) berupa Water vapor, ozone, geopotential height, aerosol dan optical thickness yang selanjutnya
diproses dengan perangkat lunak radiative transfer models: Second Simulation of a Satellite Signal in the Solar
Spectrum-Vector (6SV) untuk memproduksi data reflektan-permukaan Landsat
(http://landsat.usgs.gov/CDR_LSR.php). Data Landsat TM-5 Level 1 dan reflektan-permukaan tersedia secara
gratis dan dapat dipesan melalui http://earthexplorer.usgs.gov/ dan http://espa.cr.usgs.gov/
Pemrosesan Data
Dalam penelitian ini, data spektral yang direkam di Danau Kasumigaura disampling mengikuti kanal yang
tersedia di Landsat 5. Untuk keperluan pengujian produk reflektan-permukaan, kanal yang digunakan adalah
kanal 1-5 dan kanal 7.
Data Landsat yang digunakan adalah data yang direkam pada tanggal 18 Februari 2006, yang disesuaikan
dengan waktu pengumpulan data spektral di lapangan. Dalam penelitian ini, digunakan dua produk yang berbeda
(Landsat TM-5 Level 1 dan reflektan-permukaan Landsat). Pemrosesan untuk masing-masing produk dilakukan
untuk menghasilkan data reflektan-permukaan dalam format remote-sensing reflectance (Rrs(λ)):
Data Landsat 5 level 1 berupa data mentah dalam format digital number (DN) yang selanjutnya dikalibrasi
radiometrik menggunakan parameter gain dan offset yang tersedia di metadata untuk menghasilkan data dalam
format radian (L):
L
λ
= ML Qcal + AL (3)
Dimana, L
λ
merupakan radian sensor (dalam Watts/( m
2
* srad * μm)), ML adalah gain (di metadata tertulis
RADIANCE_MULT_BAND_x, dimana x adalah nomor kanal), AL adalah offset
(RADIANCE_ADD_BAND_x, dimana x adalah nomor kanal) dan Qcal adalah digital number (DN).
Data dalam format radian, selanjutnya akan koreksi dari efek atmosfer menggunakan parameter koreksi dari
hasil simulasi menggunakan Second Simulation of a Satellite Signal in the Solar Spectrum - Vector (6SV)
(Vermote, et al. 1997). Selanjutnya reflektan terkoreksi atmosfer bisa diturunkan dari radian-sensor
menggunakan persamaan:
acr
λ
=y
λ
/(1.+xc
λ
*y
λ
) (4)
y
λ
=xa
λ
*( L
λ
)-xb
λ
; (5)
Dimana, acr
λ
adalah reflektan terkoreksi dari efek atmosfer, L
λ
adalah radian. Parameter koreksi diperoleh
dengan menjalankan perangkat lunak 6SV berbasis web yang ada di http://6s.ltdri.org/. Untuk mendifinisikan
konsentrasi dari aerosol, digunakan parameter meteorologi berupa horizontal visibility (pada citra ini, digunakan
visibility = 35 km) yang dapat dimasukkan secara langsung dalam 6SV. Tebal optis aerosol (aerosol optical
thickness) pada 550 nm selanjutnya dihitung berdasarkan profil aerosol daerah mid-latitude winter (maritime
model). Ketiga parameter koreksi untuk 6 kanal Landsat 5, disajikan pada Tabel 3. Hasil dari koreksi atmosfer
dengan metode 6S ini selanjutnya disebut SR-6SV.
Tabel 3: Parameter Koreksi Atmosfer dari 6SV
Data reflektan-permukaan (surface reflectance) yang telah terkoreksi efek atmosfer
(http://landsat.usgs.gov/CDR_ECV.php), selanjutnya disebut SR-L. Data SR-L ini diproses oleh USGS.
Reflektan terkoreksi dari efek atmosfer, baik SR-6SV maupun SR-L selanjutnya dibagi dengan π untuk
menghasilkan Rrs(λ) (dalam satuan sr
-1
) agar memiliki satuan yang sama dengan reflektan in situ yang direkam
dengan field spectroradiometer. Data dari 8 stasiun diekstrak berdasarkan pin yang telah dibuat dalam ukuran
5x5 pixel untuk menghindari kemungkinan kesalahan akibat koreksi geometrik dan dinamika dari badan air,
serta kesalahan akibat variabilitas spasial (Han dan Jordan. 2005). Semua pemrosesan citra dalam penelitian ini
dilakukan dengan menggunakan perangkat lunak open-source BEAM-VISAT (http://www.brockmann-
consult.de/beam/)
Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia
(MAPIN) XX, Bogor, 5-6 Feb 2015
Pengujian Akurasi
Untuk menguji akurasi dari produk reflektan-permukaan Landsat, dua indeks diantaranya, root mean square
error (RMSE) dan normalized mean absolute error (NMAE) digunakan. Kedua indeks tersebut dihitung
mengikuti rumus berikut:
(6)
(7)
dimana x
meas,i
dan x
esti,i
adalah nilai ukuran dan estimasi. N adalah jumlah data yang digunakan untuk validasi.
Selain kedua indeks di atas, determination coefficient (R
2
) antara data ukuran (in situ-measured) dan estimasi
R
rs
(λ) dari produk reflektan-permukaan Landsat termasuk Landsat terkoreksi secara atmosfer (atmospherically
corrected Landsat) dengan 6SV juga digunakan untuk melihat korelasi antar data ukuran dan estimasi dari citra.
HASIL DAN PEMBAHASAN
Gambar 2 menampilkan perbandingan reflektan-permukaan keluaran USGS (SR-L) dan reflektan-permukaan
yang diolah sendiri dengan perangkat lunak simulasi 6SV (SR-6SV) dengan reflektan-permukaan yang direkam
di Danau Kasumigaura, Jepang pada delapan stasiun pengamatan. Kedua produk reflektan-permukaan, baik SR-
L maupun SR-6SV, menghasilkan data di bawah data in-situ dengan bentuk spektral yang juga berbeda.
Gambar 2. Perbandingan reflektan (Rrs(λ)) data in situ , reflektan-permukaan produk USGS (SR-L) dan
reflektan-permukaan yang diolah sendiri menggunakan perangkat simulasi 6SV untuk ke delapan stasiun
pengamatan (SR-6SV)
Melihat data visibilitas horizontal pada saat pengukuran di lapangan sebesar 35 km, yang artinya kondisi
atmosfer di atas Danau Kasumigaura sangat jernih (clear), maka kontribusi dari aerosol scattering pada data
yang direkam oleh sensor adalah kecil. Efek atmosfer pada kondisi tersebut sebagian besar berasal dari Rayleigh
scattering (Jaelani, et al. 2013). Namun, data pada Gambar 2, di mana SR-L dan SR-V menghasilkan data yang
Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia
(MAPIN) XX, Bogor, 5-6 Feb 2015
sangat rendah dibandingkan dengan data in situ, berarti SR-L dan SR-V mengalami over-koreksi terhadap
kontribusi aerosol.
Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia
(MAPIN) XX, Bogor, 5-6 Feb 2015
Tabel 4. R
2
, RMSE dan NMAE; SR-L dan SR-6SV masing-masing adalah reflektan permukaan produk USGS dan reflektan
permukaan yang dikoreksi sendiri dengan 6SV
Tabel 4, yang berisi hasil uji statistik sederhana SR-L dan SR-6SV terhadap data in situ, memperlihatkan
korelasi antar data yang sangat besar (0,95 -1.0) untuk masing- masing stasiun, sementara 0,78 dan 0,79 untuk
SR-L dan SR-6SV jika semua stasiun digabung menjadi satu. Korelasi R
2
yang kuat antar data yang diekstrak
dari data satelit dengan data in situ ini, tidak sejalan dengan nilai RMSE dan NMAE. Untuk semua stasiun,
RMSE untuk SR-L dan SR-SV sebesar 0,03 sr
-1
; sementara NMAE sebesar 59,7 % dan 64,13%. Nilai NMAE ini
masih dibawah syarat minimum NMAE 30% agar bisa digunakan untuk mengkestrak data kualitas air dari data
penginderaan jauh.
KESIMPULAN
Syarat utama dalam estimasi parameter kualitas air dari data penginderaan jauh adalah koreksi atmosfer yang
akurat. Kesalahan dalam proses koreksi atmosfer ini akan menjalar ke algoritma model yang digunakan untuk
menghitung parameter kualitas air. Adanya produk reflektan-permukaan (yang terkoreksi atmosfer) yang
dikeluarkan USGS, bisa menjadi alternatif ketika tidak semua orang bisa melakukan koreksi atmosfer pada data
citra Level 1. Namun, dari hasil validasi yang telah dilakukan dalam penelitian ini, akurasi produk tersebut yang
sebesar 59,7% masih belum cukup memadai untuk bisa digunakan secara langsung.
DAFTAR PUSTAKA
Ayres W. 1996. Integrated Lake and Reservoir Management: World Bank Approach and Experience.
Washington DC.
Giardino, Claudia, Monica P, Brivio PA, Ghezzi P, Zilioli E. 2001. Detecting chlorophyll, secchi disk depth and
surface temperature in a sub-alpine lake using Landsat imagery. The Science of the Total Environment,
Vol. 268, No. 1-3, 19-29.
Gordon HR, M and Wang. 1994. Retrieval of water-leaving radiance and aerosol optical thickness over the
oceans with SeaWiFS: a preliminary algorithm. Applied Optics, Vol. 33, No. 3, 443452.
Han, Luoheng, Karen JJ. 2005. Estimating and mapping chlorophyll- a concentration in Pensacola Bay, Florida
using Landsat ETM+ data. International Journal of Remote Sensing, Vol. 26, No. 33, 52455254.
Jaelani LM, Matsushita B, Yang W, Fukushima T. 2013. Evaluation of four MERIS atmospheric correction
algorithms in Lake Kasumigaura, Japan. International Journal of Remote Sensing, Vol. 34, No. 24, 8967
8985.
Liu Y, Islam MA, Gao J. 2003. Quantification of shallow water quality parameters by means of remote sensing.
Progress in Physical Geography, Vol. 27, No. 1, 2443.
Matsushita B, Yang W, Chen J, and Fukushima T. 2009. Possibility of improving three-band model for different
phytoplankton species in case ii water : evidences from three experiments. Journal of The Remote
Sensing Society of Japan, Vol. 29, No. 5, 653664.
Prosiding Pertemuan Ilmiah Tahunan Masyarakat Ahli Penginderaan Jauh Indonesia
(MAPIN) XX, Bogor, 5-6 Feb 2015
Mobley CD. 1999. Estimation of the remote-sensing reflectance from above-surface measurements. Applied
Optics, Vol. 38, No. 36, 74427455.
Ruddick KG, Ovidio F, Rijkeboer M. 2000. Atmospheric correction of SeaWiFS imagery for turbid coastal and
inland waters. Applied Optics, Vol. 39, No. 6, 897912.
Sathyendranath S, Prieur L, A and Morel. 1987. An evaluation of the problems of chlorophyll retrieval from
ocean colour, for case 2 waters. Adv. Space Res. Vol. 7, No. 2, 2730.
Vermote EF, Tanre D, Deuze JL, Herman M, Morcette JJ. 1997. Second simulation of the satellite signal in the
solar spectrum, 6S: an overview. IEEE Transactions on Geoscience and Remote Sensing, Vol. 35, No. 3,
675686.
Yang W, Matsushita B, Chen J, Fukushima T. 2011. Estimating constituent concentrations in case II waters from
MERIS satellite data by semi-analytical model optimizing and look-up tables. Remote Sensing of
Environment, Vol. 115, No. 5, 12471259.
Zhu J, Chen J, Matsushita B, W and Yang. 2012. Atmospheric correction of ENVISAT / MERIS data over case
II waters : the use of black pixel assumption in oxygen and water vapour absorption bands. International
Journal of Remote Sensing, Vol. 33-12, 37133732.
... Data reflektan-permukaan (surface reflectance) merupakan data citra yang sudah terkoreksi efek atmosfer yang diproses oleh USGS dengan menggunakan algoritma internal yang berbasis algoritma 6SV [7], [8]. Data reflektan-permukaan Landsat 8 ini selanjutnya disebut SR-L. ...
... Hasil koefisien determinasi (R 2 ) antara Rrs(λ) in-situ dan Rrs(λ) estimasi dari 8 Sebagian besar stasiun mempunyai NMAE yang memenuhi syarat yakni kurang dari 30%. Hasil NMAE terbaik adalah dari citra Landsat 8 dengan koreksi atmosfer metode 6SV yaitu sebesar 26,095%. ...
Article
Full-text available
Chl-a is one of the factors associated with fertility which signifies fertility of a body water. Lombok southern sea which is located in in Regional Fisheries Management of the Republic of Indonesia on the zone 573 has a high marine productivity. Remote sensing can be used for mapping the distribution of Chl-a more efficient and accurate to extract the physical parameters of the water. Physical parameters accuracy is derived from remote sensing data depending on atmospheric correction algorithms and algorithms model to calculate the concentration of Chl-a. In this study, Landsat 8 will be used to validate the algorithm estimation concentration of Chl-a Jaelani to the in-situ data in the Lombok southern sea using atmospheric correction 6SV and Flaash, and surface reflectance product from USGS that’s already had atmospheric correction. The result of Chl-a concentration validation using Jaelani algorithm has the best NMAE of processed Landsat 8 imagery with atmospheric correction 6SV method that is equal to 26.095%. In this study, the concentration estimation algorithm model of Chl-a corresponding to the characteristics of Lombok southern sea with the highest correlation (R2 = 0.551) using the ratio log (Rrs(λ4)) and log (Rrs (λ5)). The result of the validation of a new model Chl-a concentration algorithm has best results of NMAE from Landsat 8 imagery with atmospheric correction 6SV method that is equal to 13.484%. This shows that the new model algorithm of Chl-a Lombok southern sea was more accurate for extracting water quality data from remote sensing data on the location of the study compared to the Chl-a Jaelani algorithm. Keywords---Chl-a, Landsat 8, NMAE, Surface Reflectance, Validation.
... Dalam melakukan analisis citra untuk estimasi konsentrasi klorofil-a dan TSS diperlukan suatu algoritma yang sesuai untuk perairan Selat Makassar. Estimasi parameter kualitas air (klorofil-a dan TSS) dari data penginderaan jauh umumnya tergantung pada keakuratan koreksi atmosfer dan model yang menghubungkan antara data reflektan penginderaan jauh dengan parameter kualitas air yang akan diekstrak [4]. Hal ini dikarenakan perairan Indonesia memiliki karakteristik yang berbeda-beda sehingga tidak semua algoritma dapat sesuai untuk analisis konsentrasi klorofil-a dan TSS. ...
... Keterangan : nLw = Normal Water Leaving Radiance nLw [1] = nLw 412 nm nLw [2] = nLw 443 nm nLw [4] = nLw 488 nm ...
Article
Full-text available
Klorofil-a dan Padatan Tersuspensi (TSS) merupakan parameter fisik kualitas perairan. Pigmen klorofil-a memiliki daya serap yang tinggi pada gelombang tampak biru dan merah. TSS merupakan zat padatan sedimentasi dari aliran sungai yang membawa material-material organik maupun anorganik. Kandungan TSS yang tinggi sangat mengganggu proses fotosintesis pada fitoplankton yang merupakan produsen penghasil zat klorofil-a. Sehingga TSS juga mampu menyerap gelombang tampak. Kemampuan klorofil-a dan TSS dalam menyerap gelombang tampak dapat di amati dengan menggunakan teknologi penginderaan jauh. Pemanfaatan teknologi ini membutuhkan algoritma dalam menentukan nilai estimasi konsentrasi klorofil-a dan TSS. Penelitian ini menggunakan citra Terra dan Aqua MODIS. Penelitian ini bertujuan untuk memvalidasi hasil algoritma klorofil-a dan TSS yang telah ada dalam perangkat lunak SeaDAS 7.3.1. Dari hasil penelitian ini didapatkan koreksi atmosfer terbaik dalam pendugaan klorofil-a dan TSS yaitu koreksi atmosfer MUMM. Dari hasil pemetaan klorofil-a dan TSS menghasilkan nilai NMAE sebesar 158,34% dan 65,28%. Hal ini menunjukkan bahwa algoritma empiris ini tidak dapat diterapkan pada Selat Makassar. Sebaran klorofil-a terendah sebesar 0,105 µg/l dan tertinggi sebesar 0,783 µg/l pada citra Terra MODIS. Sedangkan sebaran TSS terendah 0,02 mg/l dan tertinggi 6,88 mg/l pada citra Terra MODIS. Citra Terra MODIS lebih baik dalam pendugaan klorofil-a dan TSS dengan menggunakan algoritma empiris di SeaDAS 7.3.1 daripada menggunakan citra Aqua MODIS.
... The estimated absolute depth was validated using in situ data to assess the accuracy of depth retrieval algorithm. For this purpose, the Normalized Mean Absolute Error (NMAE) was used with an acceptance threshold of ≤ 30% [15] ...
Article
Full-text available
Bathymetric mapping was used to map the sea floor. The accurate and recent sea floor data are needed by many human activities such as for water transportation routes and off-shore infrastructure constructions. General in-situ mapping using multi/single beam echo-sounder is time consuming, high cost and difficult access to a remote area. Bathymetric mapping on shallow water near coastal area also facing a challenge when the in-situ mapping is difficult to be performed for the reason of the access of survey-ship. In this research, we proposed a new technique to map the shallow sea floor (less than 80 m of depth) using optical remote sensing satellite data by exploiting the Landsat 8 and Sentinel 2A imageries. The bathymetric data estimated from these satellites then validated with in-situ measurement data collected in April and October, 2015. The range of absolute depth was 8.724 – 12.056 meter for Landsat 8 and 9.220 -11.149 meter for Sentinel 2. A promising result was obtained for Landsat 8 data with NMAE of 21.288% and wider range of estimated depth compared with obtained depth by Sentinel 2. Both samples point of remote sensing images failed to deal with water depth shallower than 8 m and deeper than 13 meters.
... We used NMAE because NMAE can be used in different study areas to compare models, unlike other statistical test indicators which are highly dependent on local conditions [18]. The minimum NMAE value is < 30 % to be able to see the error value in the extraction of seawater parameter data from remote sensing data [19]. Algorithms that have correlation coefficient in a sufficient to strong range can be used as an estimator of the value of the distribution of oceanographic parameters. ...
... Near this lake, there is Lake Towuti with an area of 561.08 km 2 (the second largest lake in Indonesia after Lake Toba in North Sumatera) with a depth of about 200 meters. Both are freshwater ecosystems that stream into the Larona and Malili Rivers (Indonesia's Ministry of Maritime Affairs and Fisheries & Kementrian Kelautan dan Perikanan, 2011; L. M. Jaelani, Setiawan, & Matsushita, 2015;LIPI, 2016). ...
Article
Full-text available
Lake Matano and Towuti are two of 15 lake priorities in Indonesia. For preservation purposes, a routine water quality monitoring from satellite is needed. In this study, 11 scenes of Landsat 8 data were processed to produce chlorophyll-a concentration as an indicator of water quality condition on these two lakes. The result showed that water quality in Lake Matano and Towuti were in low cholorphyll-a condition with chlorophyll-a concentration ranged from 0.000– 2.298 mg/m3, 0.000-2.236 mg/m3, respectively. The accuracy of estimated Chlorophyll-a in these two lakes were affected by an inaccurate of atmospheric corrected data. To improve the accuracy, a more accurate atmospheric correction algorithm for Landsat 8 was still required.
... Setelah didapatkan kedalaman absolut dari kedua citra satelit, selanjutnya dilakukan Uji ketelitian klasifikasi atau validasi data dilakukan untuk mengetahui ketepatan dalam melakukan klasifikasi pada citra terhadap hasil sampel insitu menggunakan Normalized Mean Absolute Error (NMAE). Syarat minimum NMAE yaitu sebesar ≤ 30% [11]. 10. ...
... Kesalahan yang terjadi kemudian merambat pada kesalahan proses selanjutnya. Berdasarkan Jaelani [13] akurasi produk SR-USGS sebesar 59% sehingga masih belum cukup memadai untuk bisa digunakan secara langusng. Sedangkan, algoritma Son dibuat dengan menggunakan nilai spektral lapangan yaitu Lw. ...
Article
Full-text available
Pulau Madura merupakan pulau penghasil garam terbesar di Indonesia. Salah satu parameter yang digunakan dalam penentuan daerah potensi tambak garam adalah salinitas perairan (Sea Surface Salinity). Untuk memetakan persebaran salinitas perairan sebagai salah satu data pendukung dalam menganalisis potensi tambak garam dapat memanfaatkan citra satelit. Berbagai metode ekstraksi informasi salinitas perairan telah dikembangkan dan dimanfaatkan. Pengkajian pengukuran salinitas telah dilakukan dan menghasilkan algoritma salinitas perairan. Dalam penelitian ini, dilakukan evaluasi pada dua algoritma yang berbeda yaitu algoritma Wouthuyzen (2008) dan algoritma Son (2009) untuk melakukan estimasi nilai salinitas perairan di perairan utara Pamekasan, Madura. Sebelum dilakukan pemrosesan dengan algoritma, Citra Landsat-8 1T dikoreksi atmosfer dengan Second Simulation of a Satellite Signal in the Solar Spectrum-Vector (6SV). Hasil kajian ini menunjukkan bahwa perbedaan nilai salinitas perairan dari algoritma Wouthuyzen dengan data in-situ berkisar antara 2,66 hingga 3,91 psu. Sedangkan selisih salinitas algoritma Son dengan data in-situ 2,14 hingga 3,00 psu. Adapun nilai NMAE algoritma Wouthuyzen dengan data in-situ sebesar 7,2 %, sedangkan pada algoritma Son sebesar 10,6 %.
Article
Full-text available
The distinction between urban and sub-urban becomes faded nowadays. The urban sprawl changes and transforms the sub-urban into more stand-alone cities in many ways, even more with the emergence of various activity centers spread over the area. Intense and complex human activities within the area will affect the micro-climatic condition, such as surface temperature and relative humidity. This study aims to identify changes in air surface temperature in a complex sub-urban area, like the IPB University campus and its surroundings in Cibanteng, Cihideung Ilir, Babakan, and Dramaga, of Bogor Regency. The changes in land-cover over some times also needed to understand, as it will raise the surface temperature, especially when natural vegetation turns into the built-up area. M-AST was generated from regression analysis between ground-based air surface temperature (AST) and image-based land surface temperature (LST). The y = 0.9988x + 4.3082 from the M-AST has an acceptable result with 0.70008 in the R ² . The highest air surface temperature was found on the built-up area (35.6 °C), and the lowest was on the non-agricultural area (32.9 °C). This study concluded that the increase in air surface temperature of more than 2 °C was caused by changes in land-cover from vegetation to the built-up area.
Article
Full-text available
Quantification of quality parameters of inland and near shore waters by means of remote sensing has encountered varying degrees of success in spite of the high variability of the parameters under consideration and limitations of remote sensors themselves. This paper com-prehensively evaluates the quantification of four types of water quality parameters: inorganic sediment particles, phytoplankton pigments, coloured dissolved organic material and Secchi disk depth. It concentrates on quantification requirements, as well as the options in selecting the most appropriate sensor data for the purpose. Relevant factors, such as quantification imple-mentation and validation of the quantified results are also extensively discussed. This review reveals that the relationship between in situ samples and their corresponding remotely sensed data can be linear or nonlinear, but are nearly always site-specific. The quantification has been attempted from terrestrial satellite data largely for suspended sediments and chlorophyll con-centrations. The quantification has been implemented through integration of remotely sensed imagery data, in situ water samples and ancillary data in a geographic information system (GIS). The introduction of GIS makes the quantification feasible for more variables at an increasingly higher accuracy. Affected by the number and quality of in situ samples, accuracy of quantifica-tion has been reported in different ways and varies widely.
Article
Full-text available
The remote-sensing reflectance R(rs) is not directly measurable, and various methodologies have been employed in its estimation. I review the radiative transfer foundations of several commonly used methods for estimating R(rs), and errors associated with estimating R(rs) by removal of surface-reflected sky radiance are evaluated using the Hydrolight radiative transfer numerical model. The dependence of the sea surface reflectance factor rho, which is not an inherent optical property of the surface, on sky conditions, wind speed, solar zenith angle, and viewing geometry is examined. If rho is not estimated accurately, significant errors can occur in the estimated R(rs) for near-zenith Sun positions and for high wind speeds, both of which can give considerable Sun glitter effects. The numerical simulations suggest that a viewing direction of 40 deg from the nadir and 135 deg from the Sun is a reasonable compromise among conflicting requirements. For this viewing direction, a value of rho approximately 0.028 is acceptable only for wind speeds less than 5 m s(-1). For higher wind speeds, curves are presented for the determination of rho as a function of solar zenith angle and wind speed. If the sky is overcast, a value of rho approximately 0.028 is used at all wind speeds.
Article
Full-text available
The standard SeaWiFS atmospheric correction algorithm, designed for open ocean water, has been extended for use over turbid coastal and inland waters. Failure of the standard algorithm over turbid waters can be attributed to invalid assumptions of zero water-leaving radiance for the near-infrared bands at 765 and 865 nm. In the present study these assumptions are replaced by the assumptions of spatial homogeneity of the 765:865-nm ratios for aerosol reflectance and for water-leaving reflectance. These two ratios are imposed as calibration parameters after inspection of the Rayleigh-corrected reflectance scatterplot. The performance of the new algorithm is demonstrated for imagery of Belgian coastal waters and yields physically realistic water-leaving radiance spectra. A preliminary comparison with in situ radiance spectra for the Dutch Lake Markermeer shows significant improvement over the standard atmospheric correction algorithm. An analysis is made of the sensitivity of results to the choice of calibration parameters, and perspectives for application of the method to other sensors are briefly discussed.
Article
Accurate atmospheric correction for turbid inland waters remains a significant challenge. Several atmospheric correction algorithms have been proposed to address this issue, but their performance is unclear in regard to Asian lakes, some of which have extremely high turbidity and different inherent optical properties from lakes in other continents. Here, four existing atmospheric correction algorithms were tested in Lake Kasumigaura, Japan an extremely turbid inland lake, using in situ water-leaving reflectance and concurrently acquired medium resolution imaging spectrometer MERIS images. The four algorithms are 1 GWI the standard Gordon and Wang algorithm with an iterative process and a bio-optical model 2 MUMM Management Unit of the North Sea Mathematical Models; 3 SCAPE-M Self-Contained Atmospheric Parameters Estimation for MERIS Data and 4 C2WP Case-2 Water Processor. The results show that all four atmospheric correction algorithms have limitations in Lake Kasumigaura, even though SCAPE-M and MUMM gave acceptable accuracy for atmospheric correction in several cases relative errors less than 30% for the 2006 and 2008 images. The poor performance occurred because the conditions in Lake Kasumigaura i.e. the atmospheric state and/or turbidity did not always meet the assumptions in each atmospheric correction algorithm e.g. in 2010, the relative errors ranged from 42% to 83%. These results indicate that further improvements are necessary to address the issue of atmospheric correction for turbid inland waters such as Lake Kasumigaura, Japan.
Article
The purpose of this study was to develop algorithms for estimating chlorophyll-a concentration in Pensacola Bay using Landsat 7 ETM + data. The techniques used were band ratioing and regression modelling. Pensacola Bay is located on the west end of the Florida panhandle. As one of 39 estuaries located on the Gulf of Mexico, Pensacola Bay is impacted largely by rivers. The Landsat ETM + data were first geometrically rectified. Then brightness values were converted to reflectance through the radiometric correction process. For the regression models, logarithmically transformed chlorophyll-a was used as the dependent variable. Single bands, band ratios and logarithmically transformed band ratios were the independent variables. R2 values were computed and evaluated. Results from the study indicate that the ratio of ETM + 1/ETM + 3 was the most effective in estimating chlorophyll-a. Using this model a chlorophyll-a map was generated for Pensacola Bay.
Article
Remote estimation of water constituent concentrations in case II waters has been a great challenge, primarily due to the complex interactions among the phytoplankton, tripton, colored dissolved organic matter (CDOM) and pure water. Semi-analytical algorithms for estimating constituent concentrations are effective and easy to implement, but two challenges remain. First, a dataset without a sampling bias is needed to calibrate estimation models; and second, the semi-analytical indices were developed based on several specific assumptions that may not be universally applicable. In this study, a semi-analytical model-optimizing and look-up-table (SAMO-LUT) method was proposed to address these two challenges. The SAMO-LUT method is based on three previous semi-analytical models to estimate chlorophyll a, tripton and CDOM. Look-up tables and an iterative searching strategy were used to obtain the most appropriate parameters in the models. Three datasets (i.e., noise-free simulation data, in situ data and Medium Resolution Imaging Spectrometer (MERIS) satellite data) were collected to validate the performance of the proposed method. The results show that the SAMO-LUT method yields error-free results for the ideal simulation dataset; and is able also to accurately estimate the water constituent concentrations with an average bias (mean normalized bias, MNB) lower than 9% and relative random uncertainty (normalized root mean square error, NRMS) lower than 34% even for in situ and MERIS data. These results demonstrate the potential of the proposed algorithm to accurately monitor inland and coastal waters based on satellite observations. (C) 2011 Elsevier Inc. All rights reserved.
Article
The Medium Resolution Imaging Spectrometer (MERIS) sensor, with its good physical design, can provide excellent data for water colour monitoring. However, owing to the shortage of shortwave-infrared (SWIR) bands, the traditional near-infrared (NIR)–SWIR algorithm for atmospheric correction in inland turbid case II waters cannot be extended to the MERIS data directly, which limits its applications. In this study, we developed a modified NIR black pixel method for atmospheric correction of MERIS data in inland turbid case II waters. In the new method, two special NIR bands provided by MERIS data, an oxygen absorption band (O2 A-band, 761 nm) and a water vapour absorption band (vapour A-band, 900 nm), were introduced to keep the assumption of zero water-leaving reflectance valid according to the fact that both atmospheric transmittance and water-leaving reflectance are very small at these two bands. After addressing the aerosol wavelength dependence for the cases of single- and multiple-scattering conditions, we further validated the new method in two case lakes (Lake Dianchi in China and Lake Kasumigaura in Japan) by comparing the results with in situ measurements and other atmospheric correction algorithms, including Self-Contained Atmospheric Parameters Estimation for MERIS data (SCAPE-M) and the Basic ERS (European Remote Sensing Satellite) & ENVISAT (Environmental Satellite) (A)ATSR ((Advanced) Along-Track Scanning Radiometer) and MERIS (BEAM) processor. We found that the proposed method had acceptable accuracy in the bands within 560–754 nm (MERIS bands 5–10) (average absolute deviation (AAD) = 0.0081, average deviation (AD) = 0.0074), which are commonly used in the estimation models of chlorophyll-a (chl-a) concentrations. In addition, the performance of the new method was superior to that of the BEAM processor and only slightly worse than that of SCAPE-M in these bands. Considering its acceptable accuracy and simplicity both in principle and at implementation compared with the SCAPE-M method, the new method provides an option for atmospheric correction of MERIS data in inland turbid case II waters with applications aiming for chl-a estimation.
Article
A reflectance model is presented that takes into account the spectral signatures of phytoplankton, dissolved organic matter and non-chlorophyllous particles. The model is validated by comparison with observed reflectance spectra. It is then used to simulate a data bank of reflectance spectra for a wide range of combinations of the three optically active substances in various concentrations. The chlorophyll-a fluorescence is masked. The simulated data are subjected to eigenvector and multiple regression analyses. It appears that the spectral signatures are sufficiently orthogonal to permit retrieval of the concentrations of individual components from the reflectance spectra. However, due to the non-linearity of the system, site-specific algorithms tailored to suit local conditions are likely to yield better results than a single universal algorithm for case 2 waters. Results indicate that the use of 400 nm in addition to the CZCS channels greatly enhances the capability to separate the phytoplankton signal from that of dissolved yellow organic matter. It appears possible to use 5 key-wavelengths (400, 440, 520, 565 and 640 nm) instead of the complete spectrum, without significant loss of information. The consequence of the variability in the backscattering signal of non-chlorophyllous particles is also examined.
Article
Some bio-physical parameters, such as chlorophyll a concentration, Secchi disk depth and water surface temperature were mapped in the sub-alpine Lake Iseo (Italy) using Landsat Thematic Mapper (TM) data acquired on the 7 March 1997. In order to adequately investigate the water-leaving radiance, TM data were atmospherically corrected using a partially image-based method, and the atmospheric transmittance was measured in synchrony with the satellite passage. An empirical approach of relating atmospherically corrected TM spectral reflectance values to in situ measurements, collected during the satellite data acquisition, was used. The models developed were used to map the chlorophyll concentration and Secchi disk depth throughout the lake. Both models gave high determination coefficients (R2=0.99 for chlorophyll and R2=0.85 for the Secchi disk) and the spatial distribution of chlorophyll concentration and Secchi disk depth was mapped with contour intervals of 1 mg/m3 and 1 m, respectively. A scene-independent procedure was used to derive the surface temperature of the lake from the TM data with a root mean square error of 0.3°C.
Article
The second generation of ocean-color-analyzing instruments requires more accurate atmospheric correction than does the Coastal Zone Color Scanner (CZCS), if one is to utilize fully their increased radiometric sensitivity. Unlike the CZCS, the new instruments possess bands in the near infrared (NIR) that are solely for aiding atmospheric correction. We show, using aerosol models, that certain assumptions regarding the spectral behavior of the aerosol reflectance employed in the standard CZCS correction algorithm are not valid over the spectral range encompassing both the visible and the NIR. Furthermore, we show that multiple-scattering effects on the algorithm depend significantly on the aerosol model. Following these observations, we propose an algorithm that utilizes the NIR bands for atmospheric correction to the required accuracy. Examples of the dependence of the error on the aerosol model, the turbidity of the atmosphere, and surface roughness (waves) are provided. The error in the retrieved phytoplankton-pigment concentration (the principal product of ocean-color sensors) induced by errors in the atmospheric correction are shown to be <20% in approximately 90% of the cases examined. Finally, the aerosol thickness (τ(α)) is estimated through a simple extension of the correction algorithm. Simulations suggest that the error in the recovered value of τ(α) should be ≲ 10%.