Gambar ke Peta

Satelit desa Nukuni di Ono-i-Lau, Fiji. Ono-i-Lau adalah sekelompok pulau dalam sistem terumbu penghalang di kepulauan Fiji di Kepulauan Lau. Foto © Planet Labs Inc.

Gambar penginderaan jauh adalah kisi-kisi piksel dengan nilai numerik sedangkan peta menggunakan koordinat X dan Y untuk menentukan lokasi titik, garis, dan area (poligon) yang sesuai dengan fitur peta. Mengubah citra satelit menjadi peta yang memiliki akurasi tinggi merupakan proses yang membutuhkan tenaga ahli dan kerja lapangan.

Dari citra satelit hingga peta terumbu dengan kelas bentik

Dari citra satelit (kiri) hingga peta terumbu dengan kelas bentik (kanan). Foto dan peta ini menggambarkan Pulau Heron Australia, sebuah pulau karang di ujung selatan Great Barrier Reef. Gambar © Allen Coral Atlas

Klasifikasi Gambar

Untuk membuat peta dari sebuah gambar, teknik klasifikasi diterapkan. Salah satu pendekatan yang lebih populer adalah analisis citra berbasis objek, teknik klasifikasi citra terkini dan kuat.

klasifikasi berdasarkan objek

Segmentasi dan klasifikasi gambar selama analisis berbasis objek. Gambar © GISGeografi

Analisis citra berbasis objek pertama-tama membagi citra menjadi objek. Segmentasi didasarkan pada tanda spektral piksel, bentuk dan ukuran objek, atau tekstur piksel di dalam objek. Setelah gambar tersegmentasi, pengguna mencocokkan setiap kelas tutupan lahan dengan beberapa objek sampel. Gambar tersebut kemudian diklasifikasikan.

Skema Klasifikasi

Skema klasifikasi digunakan untuk menetapkan kelas ke objek pada gambar. Untuk terumbu karang, memiliki pengetahuan awal tentang area tersebut akan membantu mengidentifikasi kelas potensial yang akan dipetakan. Kelas-kelas ini digunakan untuk membentuk skema klasifikasi yang digunakan untuk mengatur survei lapangan dan menargetkan area perwakilan untuk pengumpulan data pelatihan.

Di bawah ini adalah contoh klasifikasi hierarki yang digunakan untuk peta di Allen Coral Atlas yang mencakup klasifikasi geomorfik dan bentik dan cukup umum untuk digunakan dalam skala global.

klasifikasi aca

Contoh skema klasifikasi Allen Coral Atlas untuk atol. Sumber: Kennedy dkk. 2020

Survei Lapangan

survei lapangan

Snorkeler menyelesaikan survei lapangan. Foto © Emma Kennedy, Universitas Queensland

Data lapangan adalah komponen kunci untuk membuat peta berkualitas tinggi. Data bidang membangun tautan antara gambar dan fitur yang dipetakan.

Tujuan survei lapangan:

  • Identifikasi kelas habitat yang akan dipetakan dan buat skema klasifikasi
  • Temukan area perwakilan dari setiap kelas habitat untuk mengumpulkan data pelatihan
  • Hasilkan data yang diperlukan untuk kalibrasi gambar, seperti kejernihan dan kedalaman air
  • Kumpulkan titik-titik acak bertingkat yang cukup untuk mengevaluasi keakuratan klasifikasi (kelas yang diprediksi vs. yang diamati)

Ada berbagai metode yang dapat digunakan untuk mengumpulkan data lapangan untuk validasi klasifikasi selain survei SCUBA dan snorkel. Data dapat dikumpulkan menggunakan drone udara dan permukaan, instrumen bawah air seperti kendaraan yang dioperasikan dari jarak jauh (ROV), pemeriksaan lokasi dari kapal menggunakan penampil kaca, atau bahkan pengetahuan lokal.

tanda tangan spektral penyelam

Penyelam mengumpulkan tanda tangan pantulan spektral untuk tipe dasar individu. Foto © Kovacs, Universitas Queensland

Data pelatihan

Data pelatihan adalah semua jenis data bidang georeferensi yang dikumpulkan untuk klasifikasi gambar. Mereka adalah sampel "referensi dasar" yang representatif dari setiap kelas dalam skema klasifikasi. Mereka digunakan untuk "melatih" algoritma klasifikasi untuk mengenali pola pantulan spektral yang unik di setiap kelas. Ini dapat dikumpulkan dengan beberapa cara seperti survei SCUBA dan snorkeling, drone udara dan permukaan, kendaraan yang dioperasikan dari jarak jauh (ROV), perahu, atau bahkan pengetahuan lokal.

Penilaian Akurasi

Penilaian akurasi adalah bagian penting dari setiap proyek klasifikasi dan memberikan ukuran seberapa akurat produk peta tersebut. Ini menggunakan data independen "referensi darat" untuk menghitung skor akurasi berbasis statistik berdasarkan perbandingan kelas yang diprediksi (dipetakan) ayat kelas yang diamati di lapangan. Dengan kata lain, piksel yang diklasifikasikan atau objek yang diklasifikasikan dibandingkan dengan kenyataan, atau apa yang sebenarnya ada di lokasi itu. Sementara pengumpulan data lapangan independen dapat memakan waktu dan mahal, data ini juga dapat diturunkan dari interpretasi citra resolusi tinggi, citra diklasifikasikan yang ada, atau ahli lokal.

porno youjizz xmxx guru xxx Seks
Translate »