Conference PaperPDF Available

Pemetaan Distribusi Spasial Konsentrasi Klorofil-A dengan Landsat 8 di Danau Matano dan Danau Towuti, Sulawesi Selatan

Authors:

Abstract and Figures

Abstrak − Pemantauan kualitas air danau untuk menjaga ekosistem perairan yang sehat dan berkesinambungan memerlukan teknik yang efektif. Dengan mempertimbangkan aspek luas danau, akurasi spasial dan temporal yang memadai, dan lokasi danau yang sulit diakses, maka penggunaan data penginderaan jauh merupakan cara yang tepat. Salah satu parameter kualitas air yang memiliki peran penting adalah konsentrasi klorofil-a (selain TSS dan CDOM), sehingga pemantuan konsentrasi parameter tersebut di daerah perairan menjadi penting. Pada penelitian ini, kami menggunakan data in situ berupa konsentrasi klorofil-a dan spektra (diresampling sesuai kanal Landsat 8) yang direkam di Danau Matano dan Danau Towuti, Sulawesi Selatan untuk membangun algoritma model yang menghubungkan antara reflektan dan klorofil-a. Selanjutnya, data Landsat 8 yang telah terkoresi dari efek atmosfer (atmospherically corrected reflectance) digunakan untuk memetakan distribusi spasial klorofil-a menggunakan algoritma model yang telah dibangun pada tahap sebelumnya. Kata kunci: air danau, penginderaan jauh, Landsat 8, klorofil-a 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). Penurunan kualitas air dan daya dukung daerah sempadan sungai menjadi masalah utama dalam pengelolaan sumberdaya air dan ekosistem perairan darat yang berkelanjutan. Di Indonesia, upaya penyelamatan ekosistem danau ditujukan untuk memulihkan, melestarikan dan mempertahankan fungsi danau berdasarkan prinsip keseimbangan ekosistem dan daya dukung lingkungannya melalui 7 program, diantaranya: pengelolaan ekosistem danau, pemanfaatan sumber daya air danau, pengembangan sistem monitoring, evaluasi dan informasi danau, penyiapan langkah-langkah adaptasi dan mitigasi perubahan iklim terhadap danau, pengembangan kapasitas, kelembagaan dan koordinasi, peningkatan peran masyarakat dan pendanaan berkelanjutan (Suwanto, et al. 2011). Untuk itu, pemantauan kualitas air danau secara rutin menjadi kebutuhan mendesak dengan mempertimbangkan aspek heterogenitas air danau, baik secara spasial dan temporal. Teknologi penginderaan jauh yang telah mengalami perkembangan pesat memiliki peran penting dalam mendukung dan menutupi kekurangan teknik pengambilan sampling secara konvensional (Liu, Islam dan Gao 2003). Estimasi parameter kualitas air (seperti: konsentrasi klorofil-a, yang merupakan parameter kunci pengujian kualitas air) dari data satelit penginderaan jauh sangat tergantung, tidak hanya pada keakuratan koreksi atmosfer, tetapi juga pada keakuratan 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, Jaelani, et al. 2013). Oleh karena itu, penelitian ini memiliki dua tujuan utama, diantaranya adalah: (1) pembuatan algoritma model yang menghubungkan antara data spektral in situ yang telah direkam di atas permukaan air Danau Matano dan Towuti (dalam hal ini adalah remote-sensing reflectance, Rrs(λ)) dan parameter kualitas air yang juga telah diambil di kedua danau tersebut (dalam hal ini difokuskan pada konsentrasi klorofil-a); (2) pembuatan peta distribusi spasial konsentrasi klorofil-a berdasarkan algoritma yang dibangun ditahap sebelumnya dengan menggunakan data penginderaan jauh yang telah terkoreksi dari efek atmosfer (atmospherically corrected reflectance).
No caption available
… 
No caption available
… 
No caption available
… 
No caption available
… 
Content may be subject to copyright.
456
Prosiding Pertemuan Ilmiah Tahunan XX 2015
Pemetaan Distribusi Spasial Konsentrasi Klorofil-A dengan
Landsat 8 di Danau Matano dan Danau Towuti, Sulawesi Selatan
Lalu Muhamad Jaelani
1
, Fajar Setiawan, Hendro Wibowo, Apip
2
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.
Abstrak Pemantauan kualitas air danau untuk menjaga ekosistem perairan yang sehat dan
berkesinambungan memerlukan teknik yang efektif. Dengan mempertimbangkan aspek luas
danau, akurasi spasial dan temporal yang memadai, dan lokasi danau yang sulit diakses,
maka penggunaan data penginderaan jauh merupakan cara yang tepat. Salah satu parameter
kualitas air yang memiliki peran penting adalah konsentrasi klorofil-a (selain TSS dan
CDOM), sehingga pemantuan konsentrasi parameter tersebut di daerah perairan menjadi
penting. Pada penelitian ini, kami menggunakan data in situ berupa konsentrasi klorofil-a
dan spektra (diresampling sesuai kanal Landsat 8) yang direkam di Danau Matano dan
Danau Towuti, Sulawesi Selatan untuk membangun algoritma model yang menghubungkan
antara reflektan dan klorofil-a. Selanjutnya, data Landsat 8 yang telah terkoresi dari efek
atmosfer (atmospherically corrected reflectance) digunakan untuk memetakan distribusi
spasial klorofil-a menggunakan algoritma model yang telah dibangun pada tahap
sebelumnya.
Kata kunci: air danau, penginderaan jauh, Landsat 8, klorofil-a
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). Penurunan kualitas air dan daya dukung
daerah sempadan sungai menjadi masalah utama dalam pengelolaan sumberdaya air dan ekosistem perairan darat
yang berkelanjutan. Di Indonesia, upaya penyelamatan ekosistem danau ditujukan untuk memulihkan,
melestarikan dan mempertahankan fungsi danau berdasarkan prinsip keseimbangan ekosistem dan daya dukung
lingkungannya melalui 7 program, diantaranya: pengelolaan ekosistem danau, pemanfaatan sumber daya air
danau, pengembangan sistem monitoring, evaluasi dan informasi danau, penyiapan langkah-langkah adaptasi
dan mitigasi perubahan iklim terhadap danau, pengembangan kapasitas, kelembagaan dan koordinasi,
peningkatan peran masyarakat dan pendanaan berkelanjutan (Suwanto, et al. 2011). Untuk itu, pemantauan
kualitas air danau secara rutin menjadi kebutuhan mendesak dengan mempertimbangkan aspek heterogenitas air
danau, baik secara spasial dan temporal. Teknologi penginderaan jauh yang telah mengalami perkembangan
pesat memiliki peran penting dalam mendukung dan menutupi kekurangan teknik pengambilan sampling secara
konvensional (Liu, Islam dan Gao 2003).
Estimasi parameter kualitas air (seperti: konsentrasi klorofil-a, yang merupakan parameter kunci pengujian
kualitas air) dari data satelit penginderaan jauh sangat tergantung, tidak hanya pada keakuratan koreksi atmosfer,
tetapi juga pada keakuratan 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, Jaelani, et al. 2013).
Oleh karena itu, penelitian ini memiliki dua tujuan utama, diantaranya adalah: (1) pembuatan algoritma model
yang menghubungkan antara data spektral in situ yang telah direkam di atas permukaan air Danau Matano dan
Towuti (dalam hal ini adalah remote-sensing reflectance, Rrs(λ)) dan parameter kualitas air yang juga telah
diambil di kedua danau tersebut (dalam hal ini difokuskan pada konsentrasi klorofil-a); (2) pembuatan peta
distribusi spasial konsentrasi klorofil-a berdasarkan algoritma yang dibangun ditahap sebelumnya dengan
menggunakan data penginderaan jauh yang telah terkoreksi dari efek atmosfer (atmospherically corrected
reflectance).
457
Prosiding Pertemuan Ilmiah Tahunan XX 2015
METODOLOGI
Pengumpulan Data In Situ
Data in situ diambil di Danau Matano (-2,494
o
S; 121,369
o
T) dan Danau Towuti (-2,799
o
S; 121,51
o
T), yang
secara administratif terletak di Kabupaten Luwu Timur, Provinsi Sulawesi Selatan. Danau Matano memiliki luas
sekitar 16.408 hektar, dengan kedalaman air rata-rata 595 m (203 m berada di bawah permukaan laut) yang
menjadikannya sebagai danau terdalam di Asia Tenggara. Sementara Danau Towuti yang berada di sebelah
selatan Danau Matano memiliki luas sekitar 56.108 hektar (terluas kedua di Indonesia) dengan kedalaman
mencapai 200 meter (Suwanto, et al. 2011).
Di Danau Matano, data diambil pada tanggal 7 oktober 2014, sementara di Danau Towuti, data diambil pada
tanggal 8 oktober 2014 di 3 stasiun pengamatan untuk masing-masing danau. Sebaran stasiun dapat dilihat pada
Gambar 1. Adapun data lapangan yang diambil berupa reflektan dan konsentrasi klorofil-a.
Gambar 1. Distribusi stasiun pengamatan. Ma adalah Danau Matano, To adalah Towuti
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 325–1075 nm dengan interval 1-
nm. Selanjutnya, above-water remote sensing reflectance (R
rs
(λ) dihitung menggunakan rumus berikut (Mobley
1999) :
(1)
dimana Cal(λ) merupakan reflektan spectral dari grey reference panel yang telah terkalibrasi secara akurat, and
r merupakan faktor koreksi reflektan yang dihitung berdasarkan kecepatan angin.
Pengambilan sampel air dilakukan bersamaan dengan pengukuran reflektan. Sampel air yang diambil pada
kedalaman maksimum 0,5 m dimasukkan kedalam kotak es dan selanjutnya dibawa ke laboratorium untuk
dianalisa. Selanjutnya, Klorofil-a diekstrak menggunakan metanol (100%) pada suhu 4°C dalam kondisi gelap
selama kurang lebih 24 jam. Kepadatan optis dari ekstrak Klorofil-a diukur pada empat panjang gelombang (754,
458
Prosiding Pertemuan Ilmiah Tahunan XX 2015
663, 645 dan 630 nm). Terakhir, konsentrasi dari klorofil-a dihitung berdasarkan persamaan SCOR-UNESCO
(SCOR-UNESCO 1966). Data in situ kualitas air dan reflektan di enam stasiun pengamatan disajikan pada Tabel
1.
Tabel 1. Data in situ kualitas air dan reflektan di enam stasiun pengamatan Danau Matano dan Danau Towuti, Sulawesi
Selatan
Citra Landsat
Sesuai dengan ketersediaan data reflektan dan data konsentrasi klorofil-a in situ yang telah dikumpulkan di
Danau Matano dan Danau Towuti pada tanggal 7 dan 8 Oktober 2014, data citra Landsat yang digunakan dalam
penelitian ini adalah Landsat 8. Data citra tersebut direkam satu minggu setelah tanggal pengumpulan data
lapangan. Ada tiga produk Landsat yang digunakan: data Landsat 8 Level 1, data reflektan-sensor (reflectance at
sensor, top of atmosphere reflectance) dan data reflektan-permukaan (surface reflectance). Ketiga jenis data di
atas 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 Matano dan Towuti disampling mengikuti kanal yang
tersedia di Landsat 8. Untuk keperluan estimasi parameter kualitas air, kanal yang digunakan adalah kanal 1-5,
dengan diskripsi seperti pada Tabel 2.
Tabel 2. Diskripsi kanal Landsat 8
Data Landsat yang digunakan adalah data yang direkam pada tanggal 16 Oktober 2014, dalam bentuk tiga
produk yang berbeda. Pemrosesan untuk masing-masing produk dilakukan untuk menghasilkan data reflektan-
permukaan dalam format remote-sensing reflectance (Rrs(λ)):
Data Landsat 8 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 (2)
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). Adapun parameter koreksi yang diperlukan adalah:
459
Prosiding Pertemuan Ilmiah Tahunan XX 2015
acr
λ
=y
λ
/(1.+xc
λ
*y
λ
) (3)
y
λ
=xa
λ
*( L
λ
)-xb
λ
; (4)
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 = 9 km) yang dapat dimasukkan secara langsung dalam 6SV. Tebal optis aerosol (aerosol optical
thickness) pada 550 nm selanjutnya dihitung berdasarkan profil aerosol daerah tropis. Hasil dari koreksi atmosfer
dengan metode 6S ini selanjutnya disebut SR-6SV.
Data reflektan-sensor (reflectance at sensor, top of atmosphere reflectance), yang akan digunakan untuk
memproduksi data reflektan-permukaan yang terkoreksi atmosfer menggunakan metode Dark Object
Substraction (DOS) (Chavez 1996). Prinsip utama dari metode DOS adalah dengan mencari nilai pixel minimum
yang ada dalam region of interest (ROI), dalam hal ini adalah badan air danau. Asumsi yang digunakan adalah
nilai pixel minimum harus bernilai nol, sehingga nilai minimum yang muncul selain nol dianggap berasal dari
atmosfer. Selanjutnya, semua nilai pixel yang ada dalam ROI dikurangi dengan nilai minimum tersebut. Hasil
koreksi atmosfer dengan metode ini selanjutnya disebut SR-DOS.
Data reflektan-permukaan (surface reflectance) yang telah terkoreksi efek atmosfer
(http://landsat.usgs.gov/documents/provisional_l8sr_product_guide.pdf), selanjutnya disebut SR-L8. Data SR-L8
ini diproses oleh USGS menggunakan algoritma internal yang berbeda dari proses pembuatan produk reflektan-
permukaan Landsat 8 ke bawah yang berbasis algoritma 6SV.
Reflektan terkoreksi dari efek atmosfer, baik SR-6SV, SR-DOS maupun SR-L8 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 6 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/)
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:
(5)
(6)
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) juga digunakan untuk melihat korelasi antar data ukuran dan estimasi dari citra.
HASIL DAN PEMBAHASAN
Tabel 1 menampilkan data pengukuran sampel air di laboratorium beserta data spektral yang dikumpulkan di
enam stasiun pengamatan. Konsentrasi klorofil-a berkisar antara 0,2 sampai 0,4 mg m
-3
, dengan konsentrasi
tertinggi di stasiun Ma.1 Danau Matano dan terendah di stasiun To.2 Danau Towuti. Sementara transparansi air
yang menunjukkan tingkat kejernihan air berkisar antara 12-19 meter, dengan tingkat kejernihan tertinggi di
stasiun Ma.2 yang berada di tengah-tengah Danau Matano dan tingkat kejernihan terendah di stasiun To.3 yang
berada di sisi selatan Danau Towuti. Pada Tabel 1 kolom 5-9 terdapat data reflektan (Rrs(λ)) yang dihitung dari
rata-rata 5x5 pixel.
Untuk mengetahui korelasi antara data konsentrasi klorofil-a dan reflektan, dibuat model regresi dengan
menggunakan data klorofil sebagai variabel tidak bebas dan reflektan sebagai variable bebas. Tabel 3 dan 4
secara berturut-turut adalah model regresi data klorofil-a dengan kanal tunggal dan rasio-kanal. Persamaan
460
Prosiding Pertemuan Ilmiah Tahunan XX 2015
regresi pada kedua tabel tersebut mengikuti ide dari Luoheng Han (Han dan Jordan. 2005). Model regresi terbaik
mengikuti format:
(7)
dimana chl-a adalah konsentrasi klorofil-a (dalam mg m
-3
), b
j
dan b
k
adalah reflektan-permukaan kanal 4 dan 5.
Nilai y
o
dan a, masing-masing adalah -0,9889 dan 0,3619 sebagaimana ditampilkan pada Gambar 2.
Gambar 2. Model regresi dengan menggunakan rasio Rrs(λ) pada kanal 4 dan kanal 5 Landsat 8
Tabel 3. R
2
untuk kanal tunggal Landsat 8
Tabel 4. R
2
untuk rasio-kanal Landsat 8
Setelah algoritma model yang menghubungkan konsentrasi klorofil-a dan reflektan dibuat, selanjutnya estimasi
konsentrasi klorofil-a berdasarkan data citra satelit bisa dibuat dengan terlebih dahulu memproses data tersebut
sampai pada status reflektan-permukaan. Gambar 3, menunjukkan perbandingan reflektan permukaan dari tiga
sumber/metode yang berbeda, masing masing adalah SR-L yang berasal dari produk USGS langsung, dan SR-
6SV dan SR-DOS yang diturunkan dari data Landsat Level 1 menjadi reflektan-permukaan dengan
menggunakan 6SV dan metode DOS. Secara umum, SR-DOS memberikan nilai paling rendah untuk semua
stasiun pengamatan, kecuali di stasiun Ma.1 dimana SR-L menjadi yang terendah. Karena tidak tersedianya data
reflektan in situ, maka ketiga data tersebut tidak bisa diuji akurasinya.
461
Prosiding Pertemuan Ilmiah Tahunan XX 2015
Gambar 3. Reflektan terkoreksi atmosfer, SR-L berasal dari produk reflektan-permukaan keluaran USGS, SR-6SV dan SR-
DOS berasal dari produk Landsat 8 Level 1 yang dikoreksi dari efek atmosfer dengan menggunakan perangkat
lunak simulasi 6SV dan metode DOS
Gambar 4 menampilkan distribusi spasial konsentrasi klorofil-a yang diproses dengan algoritma model yang
sama tetapi menggunakan tiga data masukan (input) yang berbeda.
Gambar 4. Peta distribusi konsentrasi klorofil-a yang dibuat dengan algoritma model berdasarkan data masukan (input) SR-
6SV, SR-DOS dan SR-L
462
Prosiding Pertemuan Ilmiah Tahunan XX 2015
Data estimasi konsentrasi klorofil-a untuk masing masing stasiun pengamatan dapat dilihat di Tabel 5. SR-L dan
SR-6SV memberikan hasil yang sangat mirip, kecuali di stasiun Ma.1 Nilai rata-rata untuk SR-L, SR-6SV dan
SR-DOS masing-masing adalah 0.374, 0.141 dan 0.253. Jika stasiun Ma.1 dikeluarkan dari data, maka terlihat
kedekatan nilai antara SR-L dan SR-6SV dengan nilai rata-rata sebesar 0.086 dan 0.098 mg m
-3
. Kondisi ini
disebabkan karena rasio reflektan kanal 4 dan kanal 5 pada kedua sumber data tersebut sangat berdekatan.
Tabel 5. Estimasi klorofil-a berdasarkan algoritma model dengan input reflektan-permukaan SR-L, SR-6SV dan SR-DOS
KESIMPULAN
Pemantauan kualitas air secara rutin merupakan kebutuhan mendesak untuk mendukung pelestarian ekosistem
perairan danau. Pemanfaatan data penginderaan jauh mempermudah proses pemantuan tadi dan menutup
kekurangan yang ada pada metode konvensional yang dibatasi masalah variasi spasial dan temporal. Namun,
penggunaan data penginderaan jauh harus memperhatikan dua aspek: koreksi atmosfer dengan tujuan utama
menurunkan data reflektan pada sensor ke permukaan objek dan algoritma model yang menghubungkan data
reflektan-permukaan dengan parameter kualitas air.
Pembuatan algoritma model telah dilakukan dengan menggunakan data in situ konsentrasi klorofil-a dan
reflektan-permukaan yang diambil di Danau Matano dan Towuti. Algortima modelnya bisa dilihat di persamaan
(7) dengan R
2
sebesar 0,5. Pembuatan peta distribusi klorofil-a selanjutnya dilakukan dengan menggunakan
algoritma model tersebut dengan data masukan (input) berasal dari tiga reflektan permukaan yang belum
divalidasi (karena tidak tersedianya reflektan in situ pada saat akuisi citra landsat tersebut). Konsentrasi klorofil-
a yang diturunkan dari data SR-L dan SR-6SV memperlihatkan adanya kesamaan hasil dengan nilai rata-rata
sebesar 0,086 dan 0,098 mg m
-3
.
DAFTAR PUSTAKA
Chavez PS. 1996. Image-based atmospheric corrections - revisited and improved. Photogrammetric Engineering
and Remote Sensing, Vol. 62, No. 9, 1025–1036.
Giardino, Claudia, Monica P, Pietro AB, Paolo G, Eugenio Z. 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.
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, 5245–5254.
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.
Ruddick KG, Ovidio F, Rijkeboer M. 2000. Atmospheric correction of SeaWiFS imagery for turbid coastal and
inland waters. Applied Optics, Vol. 39, No. 6, 897–912.
Sathyendranath S, Prieur L, Morel A. 1987. An evaluation of the problems of chlorophyll retrieval from ocean
colour, for case 2 waters. Adv. Space Res, Vol.7, No. 2, 2730.
SCOR-UNESCO. 1966. Determination of photosynthetic pigment in seawater, monographs on oceanographic
methodology. 1966. http://unesdoc.unesco.org/images/0007/000716/071612eo.pdf.
Suwanto, Arif. 2011. Profil 15 Danau Priortas Nasional. Jakarta.
463
Prosiding Pertemuan Ilmiah Tahunan XX 2015
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, 1247–1259.
... Berdasarkan hasil uji akurasi antara suhu permukaan laut in situ dengan hasil estimasi citra didapatkan jumlah nilai NMAE sebesar 11,05%. Hal tersebut menunjukkan bahwa algoritma Syariz, dkk (2015) [8] masih sesuai untuk diterapkan di perairan Teluk Lampung karena besar kesalahan hasil pengolahan citra satelit dan data in situ adalah <30% dimana menurut [3] syarat minimum NMAE agar bisa digunakan untuk mengekstrak data kualitas air dari data penginderaan jauh adalah sebesar ≤30%. ...
Article
Full-text available
1 Abstrak—Suhu permukaan laut dan pH merupak an parameter kualitas air yang memiliki peranan sangat penting untuk kelangsungan budidaya ikan Kerapu Bebek karena dapat mempengaruhi metabolisme pertumbu h an ikan. Salah satu perairan di Indonesia yang memiliki potensi sebagai lokasi budidaya Kerapu Bebek adal ah Teluk Lampung. Dijelaskan dalam Standart Nasional Indonesia (SNI) 6487.4:2011 tentang " Produksi Pembesaran Ikan Kerapu Bebek di Keramba Jaring Apung (KJA) " , suhu permukaan laut dan pH merupak an parameter yang mempengaruhi kualitas air laut. Dal am penelitian ini, metode yang digunakan untuk menentuk an sebaran suhu permukaan laut adalah penginderaan jauh menggunakan citra satelit Landsat-8. Hal ini dikarenak an citra Landsat-8 dapat bekerja pada gelombang tampak (visible spectrum) dimana terdapat kanal– kanal yang dapat digunakan untuk mengekstrak konsentrasi suhu permukaan laut di perairan. Sebaran estimasi suhu permukaan laut di perairan Teluk Lampung ditentuk an menggunakan algoritma Syariz, sedangkan sebaran konsentrasi pH ditentukan menggunakan metode interpolasi Inverse Distance Weighted (IDW). Kondisi suhu permukaan laut dan pH di perairan Teluk Lampung sudah cukup sesuai dengan batas nilai yang tercantum dalam SNI 6487.4:2011 untuk dijadikan sebagai lokasi budi day a Kerapu Bebek. Sebaran suhu permukaan laut menunjukkan dominasi nilai 26,05-30,05˚C05˚C dan pH menunjukkan dominasi nilai 7,000–13,99. Berdasarkan hasil intersect terhadap sebaran suhu permukaan laut dan pH di perairan Teluk Lampung, didapatk an wilayah perairan seluas 85.334,41 ha yang dapat digunakan sebagai lokasi budidaya Kerapu Bebek.
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.
Article
Full-text available
A major benefit of multitemporal, remotely sensed images is their applicability to change detection over time.(...) However, to maximize the usefulness of data from multitemporal point of view, an easy-to-use, cost-efective, and accurate radiometric calibration and correction procedure is needed.
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 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
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
Remote sensing from satellite or airborne platforms of land or sea surfaces in the visible and near infrared is strongly affected by the presence of the atmosphere along the path from Sun to target (surface) to sensor. This paper presents 6S (Second Simulation of the Satellite Signal in the Solar Spectrum), a computer code which can accurately simulate the above problems. The 6S code is an improved version of 5S (Simulation of the Satellite Signal in the Solar Spectrum), developed by the Laboratoire d'Optique Atmospherique ten years ago. The new version now permits calculations of near-nadir (down-looking) aircraft observations, accounting for target elevation, non lambertian surface conditions, and new absorbing species (CH<sub>4</sub>, N<sub>2</sub>O, CO). The computational accuracy for Rayleigh and aerosol scattering effects has been improved by the use of state-of-the-art approximations and implementation of the successive order of scattering (SOS) algorithm. The step size (resolution) used for spectral integration has been improved to 2.5 nm. The goal of this paper is not to provide a complete description of the methods used as that information is detailed in the 6S manual, but rather to illustrate the impact of the improvements between 5S and 6S by examining some typical remote sensing situations. Nevertheless, the 6S code has still limitations. It cannot handle spherical atmosphere and as a result, it cannot be used for limb observations. In addition, the decoupling the authors are using for absorption and scattering effects does not allow to use the code in presence of strong absorption bands