Pendahuluan. Metode Penelitian. Hasil Sementara. Rencana Selanjutnya

Transkripsi

1 PENGUATAN KAPASITAS DAERAH DALAM PEMANFAATAN DATA SYNTHETIC APERTURE RADAR (SAR) UNTUK PENGURANGAN RESIKO DAN MITIGASI BENCANA

2 Pendahuluan Metode Penelitian Hasil Sementara Rencana Selanjutnya

3 LATAR BELAKANG (1) Bahaya alam (natural hazard) merupakan peristiwa yang mampu mengancam dan menghasilkan kerusakan lingkungan Indonesia dipandang dari sudut geografis memiliki posisi yang unik dan strategis Ragam perbedaan di Indonesia karekteristik penduduk, cuaca, jenis bencana dan lain-lain Badan Nasional Penanggulangan Bencana (BNPB) di Indonesia mencatat sebaran kejadian bencana dan jumlah korban dari tahun Kejadian bencana di Indonesia dengan frekuensi tertinggi banjir, kebakaran, puting belitung, tanah longsor dan kekeringan

4 LATAR BELAKANG (2) Jumlah korban jiwa semakin meningkat dari tahun ke tahun Kegiatan pencegahan bencana untuk meminimalisir dampak terhadap jumlah korban jiwa dan kerugian lainnya Upaya tersebut diperlukan setiap daerah dalam perencanaan pencegahan dan pengurangan resiko mitigasi bencana Pencapaian kebutuhan data kebencanaan dapat dilakukan dengan menggunakan dan memanfaatkan kemampuan teknologi Teknologi tersebut salah satunya adalah data penginderaan jauh (remote sensing)

5 LATAR BELAKANG (3) Jenis Data Penginderaan Jauh Optis dan Synthetic Aperture Radar (SAR) OPTIS SPOT 4 Gangguan Atmosferik dan Cuaca Awan, Asap, Kabut, dll RADAR SAR ALOS PALSAR Bebas Gangguan Atmosferik dan Cuaca Tembus Awan, Asap, Kabut, dll Beropesasi Siang dan Malam ALOS PALSAR Japan Aerospace Exploration Agency (JAXA) Diluncurkan 24 Januari 2006 Roket H-IIA Terkait Permasalahan Atmosferik, Cuaca dan Gangguan Pada Citra Optis ALOS PALSAR Alternatif Pengganti Citra Satelit Optis

6 LATAR BELAKANG (4) Lembaga Penerbangan dan Antariksa Nasional (LAPAN) salah satu lembaga resmi di Indonesia yang dapat menyediakan data penginderaan jauh. Pusat Pemanfaaatan Penginderaan Jauh LAPAN mempunyai salah satu tupoksi untuk melakukan penelitian dan pengembangan untuk pemantauan lingkungan dan mitigasi bencana Kegiatan pemanfaatan data PALSAR untuk pengurangan dan resiko mitigasi bencana dapat mendukung renstra LAPAN

7 LATAR BELAKANG (5) REVIEW PENELITIAN State of the art PENELITIAN Penerapan & Pengembangan Metodologi PERANAN KAPASITAS DAERAH Permasalahan dan Kondisi di Lapangan

8 PERUMUSAN MASALAH (1) Bencana banjir memiliki porsi tertinggi 32% frekuensi seluruh kejadian bencana di Indonesia (BNPB 2012). Kegiatan penguatan kapasitas daerah dalam pemanfaatan data PALSAR untuk pengurangan resiko dan mitigasi bencana lebih difokuskan pada permasalahan banjir

9 PERUMUSAN MASALAH (2) Kelebihan Kelemahan Kejadian Banjir Kebutuan data Kebencanaan banjir - Fase pada saat terjadi bencana banjir Metode efektif, efisien, ruang & waktu Remote Sensing Perkembangan metode remote sensing SAR untuk deteksi banjir Interpretasi visual Mazian, et.al, 1989 Threshold Townsend, P. A. & Walsh, S. J., 1998; Townsend, P. A., 2001; Brivio, P. A., et.al 2002 Klasifikasi supervised Wang, Y., 2004 Segmentasi Benz, U.,et.al. 2004; Ferreira dan Bioucas D, 2008 Multi Temporal Change Detection Herrera-Cruz & Koudogbo, 2009; Martinis, S.et.al, 2009; Martinis, S.et.al, 2010 Akurasi yang cukup akurat dalam menentukan batas air dan non-air secara visual Cocok digunakan untuk pemetaan cepat (rappid mapping), perhitungan komputasi cepat Klasifikasi dapat dilakukan dengan cepat dengan perhitungan komputasi Perhitungan segmentasi dapat dilakukan dengan cepat menggunakan perhitungan komputasi Menggunakan multitemporal data dalam mendeteksi objek banjir, deteksi dampak banjir terlihat lebih jelas Rekomendasi dari beberapa penelitian Memakan waktu relatif lama dalam hal proses pengerjaan, Interpretasi subjektif Threshold global tidak dapat mewakili kondisi lokal Rentan terhadap kesalahan akibat adanya kesamaan nilai obyek Kerapatan kelas diestimasi dengan pemilihan sampel secara manual Memerlukan pengolahan perhitungan matematik dan statistik yang panjang

10 PERUMUSAN MASALAH (3) Multi Temporal Change Detection didasarkan pada 2 data berbeda akusisi (pre-banjir) dan (post-banjir) Change Detection Normalized Change Index (NCI) Rasio positif antara selisih nilai backscatter pada saat post-banjir dan pre-banjir Dengan jumlah nilai backscatter pada saat post-banjir dan pre-banjir (Martinis, S. et.al, 2010) Normalized Change Index (NCI) Kelas Banjir dan Non Banjir Threshold Global Threshold Global satu scene tidak mewakili kondisi lokal, sehingga terjadi batas bias atau kurang jelas antar objek Threshold Global Split Based Approach (SBA) Threshold lokal Threshold lokal Threshold Global Kelas Banjir dan Non Banjir Split Based Approach (SBA) Pendekatan metode pembagian scene citra Menjadi beberapa bagian / split-image untuk menentukan nilai threshold lokal pengganti threshold global (Martinis, S. et.al, 2009)

11 Tujuan 1. Mengkaji status penelitian (state of the art) pemanfaatan data penginderaan jauh SAR untuk deteksi banjir 2. Penerapan dan pengembangan model pemanfaatan data penginderaan jauh SAR untuk deteksi banjir dengan melihat status penelitian yang telah dikaji 3. Meningkatkan kemampuan kapasitas daerah dalam pemanfaatan data SAR untuk pemetaan dampak bencana banjir Sasaran 1. Tersedianya hasil kajian (dokumen) status penelitian (state of the art) pemanfaatan data SAR untuk deteksi banjir 2. Tersedianya penerapan dan pengembangan model pemanfaatan data SAR untuk deteksi banjir dengan melihat status penelitian yang telah dikaji 3. Tersedianya modul praktis dan bimbingan pengolahan data SAR untuk pemetaan dampak bencana banjir

12 Lokasi Penelitian Banjir yang terjadi di wilayah Karawang, Provinsi Jawa Barat pada 24 Maret 2010, merupakan banjir terparah sejak 10 tahun terakhir. Banjir tersebut merendam sekitar rumah di 7 wilayah kecamatan dan mengakibatkan sekitar 5 ribu orang mengungsi Data SAR ALOS PALSAR Akusisi Data 09 Maret 2010 Pre- Banjir 26 Maret 2010 Post-Banjir

13 Diagram Alir Penelitian Data SAR Scene X1-Pre Data SAR Scene X2-Post Pre-Processing Metodologi Change Detection Banjir Non Banjir

14 PENGOLAHAN DATA UNTUK MEMPERJELAS DETEKSI OBJEK BANJIR (1) Adaptive Filter SAR Menghilangkan Effect Speckle Noise 1. Frost (Frost, V.S., et.al., 1982) 2. Lee (Lee, J.S., et.al., 1980) 3. Kuan (Kuan, D.T., et.al., 1985) 4. Gamma (Lopes, A., et.al., 1993) 5. Gaussian (Martinis, S., 2010) Texture Filter SAR Menunjukkan Tekstur Suatu Objek 1. Tingkat Kehalusan Tekstur contrast, dissimilarity, inverse difference moment 2. Tingkat Keseragaman Tekstur entropy, max probability, angular second moment 3. Statistik Tekstur mean, variance, correlation 4. Pengelompokan piksel cluster shade, cluster prominence grey scale value mirip (Lee, J.S., et.al., 1999; Katmoko, A.S., et al., 2007) Soil Moisture Menunjukkan Keterkaitan Banjir Vs. Kelembaban Tanah 1. Pendekatan Empiris Soil Moisture Normalized Backscatter Moisture Index (NMBI) (Engman, 1990; Kite & Pietroniro, 1996)

15 PENGOLAHAN DATA UNTUK MEMPERJELAS DETEKSI OBJEK BANJIR (2) Adaptive Filter SAR Texture Filter SAR Analisis Statistik Covariance Variable x = distribusi nilai piksel back-scattering data sebelum bencana SAR X 1 pre Variable y = distribusi nilai piksel back-scattering data sesudah bencana SAR X 2 post (-) 0 (+) Covariance s (db) Keterangan: Pre Banjir Post Banjir Covariance s = Filter / Texture A Covariance s = Filter / Texture B Soil Moisture Pendekatan Empiris 1. Pendekatan Empiris Soil Moisture Normalized Backscatter Moisture Index (NMBI) (Engman, 1990; Kite & Pietroniro, 1996) = Nilai Backscatering SAR scene X 2 post 0.0 = Nilai Backscatering SAR scene X 1 pre Ws = Kelembaban empiris ar dan br = Konstanta empiris A B C D E F Filter / Texture

16 CHANGE DETECTION NORMALIZED CHANGE INDEX (NCI) = Nilai Backscatering SAR scene X 2 post = Nilai Backscatering SAR scene X 1 pre SAR scene X 1 SAR scene X 2 Pre - Banjir Post - Banjir Hasil Normalized Change Index (NCI) Banjir & Non Banjir Threshold Global Tidak mewakili kondisi lokal Split Based Approach (SBA) Threshold lokal Threshold lokal Threshold Global Normalized Change Index (NCI) Kelas Banjir & Non Banjir

17 SPLIT BASED APPROACH (SBA) (1) Split image dilakukan dalam satu scene citra NCI dari perhitungan SAR scene X 1 dan X 2 dengan size P * Q P adalah baris dalam satu scene image P * Q Q adalah kolom dalam satu scene image P * Q p adalah salah satu split bagian baris dari split-image X C q adalah salah satu split bagian kolom dari split-image X C X Ci adalah sub-image X C ke i dimana (i = 1,2,3,, n) Split-image X Ci dengan size p * q Hitung mean (µ XCi ), standar deviasi (σ XCi ) Sumber: Bazi, et.al., 2007 Nilai koefisien variasi (CV XCi ) = mean (µ XCi ) / standar deviasi (σ XCi ) Nilai rasio scene (R XCi ) = mean (µ XCi ) dari split-image / mean (µ XC ) citra satu scene Rasio scene (R XCi ) Y Distribusi Variasi Data Dari Koefisien Variasi Terhadap Rasio Scene Split-image X ci Koefisien variasi (CV XCi ) X

18 SPLIT BASED APPROACH (SBA) (2) Rasio scene (R XCi ) Y Distribusi Koefisien Variasi Terhadap Rasio Scene Split-image X ci X Pemilahan split-image (X n ) = X n = {X Ci CV XCi a1 a2λr XCi b1 b2, i = 1,2,3,, N} Koefisien variasi (CV XCi ) Menghitung Jarak Euclidean terendah dari selisih nilai (CV XC ) - (CV XCi ) dan (R XC ) - (R XCi ) pada semua split-image (X n ) Pemilahan split-image (X n ) = X n = { X 1, X 2, X 3,, X n CV X 1 CV X 2 CV X n, n N }

19 Threshold Kelas Banjir dan Non Banjir Penentuan threshold batas kelas NCI hasil perhitungan data X 1 dan X 2 digunakan untuk mengkelaskan setiap nilai piksel kedalam beberapa kelas Dalam penelitian ini kelas dibagi menjadi dua kelas, yaitu: Banjir atau (C-) dan Non Banjir atau (C+) Hasil pengkelasan yang dilakukan tidak dapat secara langsung terbagi menjadi dua kelas yang diperlukan, karena terdapat kelas bias (Unlabeled) atau (U) Kelas bias merupakan rentang kelas dimana terdapat sebagian nilai piksel (C-/U) dan (C+/U). T U adalah batas antara (C-) dan (U) atau dapat disebut dengan (C-/U) dan T C adalah batas antara (C+) dan (U) atau dapat disebut dengan (C+/U) Perhitungan threshold T =? dilakukan berdasarkan pendekatan algoritma Kittler dan Illingworth (KI) prinsip kesalahan (error) minimum TKI

20 Algoritma KI (Kittler dan Illingworth, 1986) Histogram dimodelkan secara statistik 2-D distribution normal kelas banjir dan non banjir p(g i), i = {1 if banjir, 2 if non banjir} T Prob. P1 =? µ1 =? σ1 =? P2 =? µ2 =? σ2 =? Mean Std. Dev a = 1 jika i = banjir, a = T+1 jika i = non banjir b = T jika i = banjir, b = G jika i = non banjir p(g 1) Banjir p(g 2) Non Banjir J(T) = [P 1 (T) log σ 1 (T) + P 2 (T) log σ 2 (T)] 2[P 1 (T) log P 1 (T) + P 2 (T) log P 2 (T)] G TKI = argmin J(T) Kelas Banjir & Non Banjir

21 Hasil yang diharapkan Normalized Change Index (NCI) Soil Moisture Split Base Approach Split Image Terpilih Threshold Lokal Nilai Threshold Pengkelasan Banjir Non Banjir

22 Hasil terkait substansi penelitian 1. State of the art penelitian data SAR untuk deteksi banjir 2. Pemahaman konsep dan metodologi SAR untuk deteksi banjir 3. Penyusunan riset design penelitian untuk deteksi banjir

23 Hasil terkait pengumpulan dan pengolahan data 1. Request ketersediaan archive data di Sentinal Asia System JAXA 2. Diperoleh 4 scene data dan 2 scene data dalam proses pemesanan 3. Pengolahan data awal (pre-processing) Geo-Coding & Radiometric Calibration Co-Registration Citra Filter Adaptive dan Filter Texture dalam proses

24 Rencana Penelitian (1)

25 Rencana Penelitian (2)

26 Daftar Pustaka

27 TERIMA KASIH