Effectiveness of DOS (Dark-Object Subtraction) Method and Water Index Techniques to Map Wetlands in Rapidly Urbanising Megacity with Landsat 8 Data

Sean Gilmore, Ashty Saleem, Ashraf Dewan

PENDAHULUAN

Lahan basah pada permukaan bumi kurang lebih adalah 6-9% (Zedler dan Kercher,2005). Peran lahan antara lain adalah menjaga kualitas lingkungan dan termasuk penyimpanan karbon terestrial di dunia. Selain itu, lahan basah juga berperan sebagai oasis di area perkotaan yang sangan penting guna mengurangi suhu udara pemukaan. Perubahan distribusi lahan basah baik karena faktor alam maupun buatan dapat memberikan efek yang signifikan pada ekosistem. Pemetaan yang akurat dan statistik pada area yang tepat sangat penting guna mencegah dalam pengelolan lahan basah.

Data satelit penginderaan jauh banyak digunakan untuk menggambarkan lahan basah di seluruh dunia dengan berbagai teknik, termasuk klasifikasi per-piksel (supervised classification), metode semi otomatis (image segmentation) dan spectral water index. Metode koreksi atmosfer memerlukan informasi in-situ, relative scattering correction berguna untuk mengatasi masalah hamburan (scattering) pada citra. Metode Dark Object Substraction (DOS) adalah teknik berbasis image untuk menghilangkan komponen kabut yang disebabkan oleh hamburan aditif (additive scattering) dari data penginderaan jauh (Chavez Jr, 1988).

Pada penelitian ini menggunakan daerah Dhaka, Bangladesh. Penelitian ini juga berguna untuk menganalisis kesesuaian indeks berbasis air dalam menilai spasial lahan basah di wilayah perkotaan yang mengalami urbanisasi yang cepat. Penelitian ini diharapkan dapat berkontribusi secara signifikan terhadap basis pengetahuan yang ada di lokasi spasial lahan basah di area Rencana Pengembangan Metropolitan Dhaka (DMDP) yang merupakan unit perencanaan yang baru-baru ini dikembangkan oleh para pembuat kebijakan, menegakkan organisasi lokal untuk melestarikan ekosistem lahan basah yang tersisa.

 

PENGOLAHAN DATA

Citra yang digunakan berasal dari USGS Earth Explorer web service, dengan dua citra yang memiliki path-row 137-43 dan 137-44 sebagai area penelitian. Kedua citra tersebut dimosaik dan gambar yang dihasilkan dipotong sesuai area penelitian. Song dkk (2001) menjelaskan, pada citra Landsat, algoritma DOS mengasumsikan keberadaan ‘objek gelap’, yang memiliki piksel nol ke angka reflektansi sangat kecil sehingga nilai DN (digital number) minimum dalam histogram dianggap sebagai efek dari hamburan atmosfer dan dikurangi dari semua piksel pada citra, sehingga menciptakan “objek gelap” dengan nilai DN nol.

METODOLOGI

Dalam penelitian ini digunakan dua buah citra yaitu citra mentah dan citra yang telah tekoreksi DOS.

Normalised Difference Water Index (NDWI) dihitung menggunakan rumus yang diusulkan oleh McFeeters (1996):

NDWI = (Green Band – NIR Band) / (Green Band + NIR Band)

Dimana :
GREEN = Nilai reflektan kanal hijau 0,52 – 0,60 µm (Band 3)
NIR = Nilai reflektan kanal infra merah dekat 0,76 – 0,90 µm (Band 5)

Modified Normalized Difference Water Index (MNDWI) dihitung menggunakan rumus yang diusulkan oleh Xu (2006):

MNDWI = (Green Band – MIR Band) / (Green Band + MIR Band)

Dimana :
GREEN = Nilai reflektan kanal hijau 0,52 – 0,60 µm (Band 3)
MIR = Nilai reflektan kanal Inframerah gelombang menengah 1,55 – 1,75 µm (Band 6)

The Collective Indices classification dilakukan dengan menggunakan versi modifikasi dari formula yang dikembangkan Lu et al (2011). Pertama-tama, MNDWI digunakan karena lebih baik dalam mengekstraksi lahan basah dalam lingkungan yang didominasi perkotaan. Kedua, rumus tersebut dibalik dengan mengurangi NDVI dari MNDWI.

Collective Indices = MNDWI – NDVI

Dimana, NDVI dihitung menggunakan rumus yang diusulkan oleh Tucker (1979):

NDVI = (NIR Band – Red Band) / (NIR Band + Red Band)

Dimana :
NIR = Nilai reflektan kanal Inframerah gelombang dekat 0,76 – 0,90 µm (Band 5)
RED = Nilai reflektan kanal merah 0,63 – 0,69 µm (Band 4)

Automated Water Extraction Index (AWEI) dihitung menggunakan versi modifikasi dari formula non-shadow yang dikembangkan oleh Feyisa dkk (2014). Rumus yang telah dimodifikasi adalah:

AWEI = 4 x (Band 3 – Band 6) – (0.25 x Band 5 + 2.75 x Band 7)

Dimana :
BAND 3 = Nilai reflektan kanal hijau 0,53 – 0,59 µm (Green Band)
BAND 5 = Nilai reflektan kanal Inframerah gelombang dekat 0,85 – 0,88 μm (NIR Band)
BAND 6 = Nilai reflektan kanal  Inframerah gelombang pendek 1.57 – 1.65 µm (SWIR1 Band)
BAND 7 = Nilai reflektan kanal Inframerah gelombang pendek 2.11 – 2.29 µm (SWIR2 Band)

HASIL DAN ANALISIS

MNDWI adalah indeks terbaik dengan akurasi keseluruhan baku / DOS sebesar 97.28 % / 98% dan nilai kappa lebih besar dari 0.9 yang efektif membedakan lahan basah di pusat perkotaan dan juga di daerah rawa.

Metode collective indices terbaik kedua dengan akurasi keseluruhan baku / DOS 96.57 / 97.86% dan nilai kappa lebih besar dari 0.89 serta mampu mengekstrak mayoritas daerah lahan basah rawa, namun salah mengklasifikasi beberapa piksel dalam area perkotaan.

AWEI adalah indeks berkinerja terbaik ketiga dengan akurasi keseluruhan mentah / DOS dari 94.85 / 96.86% dan nilai kappa lebih besar dari 0.84 tetapi salah mengklasifikasikan beberapa daerah perkotaan sebagai lahan basah.

NDWI adalah indeks berkinerja terburuk dengan akurasi baku / DOS 92.7 % / 92.86% dan nilai kappa lebih besar dari 0.7 cukup buruk dalam memisahkan daerah rawa daerah perkotaan.

Lokasi spasial lahan basahs menggunakan teknik rasio band yang berbeda:

(a) NDWI diproduksi dari raw citra

(b) NDI yang diklasifikasikan menggunakan ambang optimal

(c) Klasifikasi NDWI dari citra DOS

(d) Klasifikasi DOS NDWI menggunakan optimal threshold

(e) MNDWI yang dihasilkan dari citra raw

(f) Klasifikasi MNDWI menggunakan optimal threshold

(g) MNDWI dihasilkan dari citra DOS

(h) Klasifikasi DOS MNDWI menggunakan optimal threshold

(i) Metode Collective indices yang dihasilkan dari citra raw

(j) Metode klasifikasi Collective indices menggunakan optimal threshold

(k) Metode Collective indices yang dihasilkan dari citra DOS

(l) Metode Klasifikasi Collective indices DOS yang menggunakan optimal threshold

(m) AWEI dihasilkan dari raw image

(n) Classified AWEI menggunakan optimal threshold

(o) AWEI yang dihasilkan dari citra DOS

(p) Collective Indices DOS yang diklasifikasikan menggunakan optimal threshold

KESIMPULAN

Dari penelitian ini dapat disimpulkan bahwa efek hamburan atmosfer harus dihilangkan sebelum analisis dilakukan pada data Landsat 8. MNDWI ditemukan menjadi indeks yang cocok dan secara akurat menentukan lokasi spasial lahan basah di dalam area DMDP.