Image Mining in Remote Sensing for Coastal Wetlands Monitoring: an Information-driven Framework Perspective

NUR MOHAMMAD FARDA, Drs. Projo Danoedoro, M.Sc., Ph.D.; Prof. Dr. Hartono, DEA., DESS.; Drs. Agus Harjoko, M.Sc., Ph.D.

2017 | Disertasi | S3 Penginderaan Jauh

Ketersediaan data citra penginderaan jauh sekarang ini melimpah, dan dengan sejumlah data besar membuat "celah pengetahuan" dalam ekstraksi informasi terpilih, terutama lahan basah pesisir. Database citra satelit yang semakin besar dan bertambah dari hari ke hari membutuhkan ekstraksi informasi terpilih untuk lahan basah pesisir. Lahan basah pesisir menyediakan ekosistem yang penting untuk masyarakat dan lingkungan. Tujuan dari penelitian ini adalah (1) untuk mengekstrak informasi lahan basah pesisir dari data satelit menggunakan penambangan citra, (2) untuk memantau perubahan lahan basah pesisir menggunakan spatiotemporal data mining, dan (3) untuk menghasilkan model penambangan citra penginderaan jauh untuk memantau lahan basah pesisir. Citra Landsat MSS, Landsat 5 TM, Landsat 7 ETM +, dan Landsat 8 OLI yang terletak di laguna Segara Anakan dipilih untuk mewakili data pada berbagai citra multi-temporal. Masukan untuk penambangan citra adalah saluran tampak dan inframerah dekat saluran PCA, saluran invers PCA, saluran dari segmentasi Mean Shift, indeks tanah terbuka, indeks vegetasi, indeks kelembaban (kebasahah), elevasi dari citra SRTM dan ASTER GDEM, dan tekstur GLCM (Harralick Texture). Ada tiga metode yang diterapkan untuk mengekstrak lahan basah pesisir menggunakan penambangan citra: Decision Tree C4.5, GEOBIA (segmentasi Mean Shift dan Decision Tree C4.5), dan Back Propagation Neural Network (BPNN). Dua metode yang diterapkan untuk spatiotemporal data mining: analisis Unary Linear Regression Model (ULRM) dan Modules for Land Use Change Evaluation (MOLUSCE). Model yang dihasilkan meliputi peta lahan basah pesisir dari penambangan citra dan monitoring perubahan lahan basah pesisir di laguna Segara Anakan, dan model penambangan citra penginderaan jauh untuk memantau lahan basah pesisir. Hasil penelitian menunjukkan bahwa penambangan citra penginderaan jauh dapat digunakan untuk memetakan dan memonitor lahan basah pesisir dengan akurasi menengah sampai dengan tinggi. Decision Tree C4.5 dapat memetakan dengan akurasi tertinggi (0,75 overall kappa pada klasifikasi RAMSAR dan 1,00 overall kappa pada modifikasi klasifikasi RAMSAR), analisis ULRM dapat digunakan untuk melihat degradasi vegetasi dan kebasahan lahan, dan analisis perubahan dari MOLUSCE dapat digunakan untuk mengevaluasi perubahan pada lahan basah pesisir. Database yang dihasilkan dalam proses tersebut di atas disimpan dalam data warehouse spasial http://geoportal.puspics.ugm.ac.id. Ketersediaan kerangka konsep dan teknis dari model penambangan citra penginderaan jauh untuk pemetaan dan pemantauan lahan basah pesisir sangat penting untuk memberikan pemahaman yang lebih baik tentang dinamika distribusi spatiotemporal lahan basah pesisir.

The availably of remote sensing image data is numerous now, and with a large amount of data it makes �knowledge gap� in extraction of selected information, especially coastal wetlands. Satellite imagery database that is a huge amount and grow up from day to day require selected information extraction for coastal wetlands. Coastal wetlands provide ecosystem services essential to people and the environment. The aims of this research are (1) to extract coastal wetlands information from satellite data using image mining, (2) to monitor coastal wetlands changes using spatiotemporal data mining, and (3) to deliver model of remotely sensed image mining for monitoring coastal wetlands. Landsat MSS, Landsat 5 TM, Landsat 7 ETM+, and Landsat 8 OLI images located in Segara Anakan lagoon are selected to represent data at various multi temporal images. The input for image mining are visible and near infrared bands, PCA band, invers PCA bands, mean shift segmentation bands, bare soil index, vegetation index, wetness index, elevation from SRTM and ASTER GDEM, and GLCM (Harralick Texture). There are three methods were applied to extract coastal wetlands using image mining: Decision Tree C4.5, GEOBIA (Mean Shift segmentation and Decision Tree C4.5), and Back Propagation Neural Network. Two methods were applied to spatiotemporal data mining: Unary Linear Regression Model (ULRM) analysis and Modules for Land Use Change Evaluation (MOLUSCE). The resulting model covers coastal wetlands map from image mining and monitoring of coastal wetlands change in Segara Anakan lagoon, and model of remote sensing image mining for monitoring coastal wetlands. The results show that remote sensing image mining can be used to map and monitor coastal wetlands with moderate to high accuracy. Decision Tree C4.5 can be mapped with highest accuracy (0.75 overall kappa from RAMSAR classification and 1.00 overall kappa from modified RAMSAR classification), ULRM analysis can be used to see the degradation of vegetation and wetness, and MOLUSCE can be used to evaluate changes in coastal wetlands. Database produced in the processes mentioned above are stored in the spatial data warehouse http://geoportal.puspics.ugm.ac.id. Model of remotely sensed image mining for monitoring coastal wetlands was successfully developed into two frameworks: 1) conceptual framework and 2) technical framework. The availability of remote sensing image mining model for mapping and monitoring coastal wetlands is very important to provide better understanding about their spatiotemporal coastal wetlands dynamics distribution.

Kata Kunci : remote sensing, image mining, coastal wetlands, penginderaan jauh, penambangan citra, lahan basah pesisir