Hasil Pencarian  ::  Simpan CSV :: Kembali

"Padi merupakan komoditas tanaman pangan yang menghasilkan beras. Pemanfaatan teknologi penginderaan jauh dalam estimasi produksi padi dapat memberikan informasi yang cepat dan hemat biaya. Penelitian ini menggunakan citra Planet Fusion dengan resolusi spasial 3 meter dan bebas awan untuk menganalisis fenologi dan produktivitas padi berbasis indeks vegetasi. Tiga indeks vegetasi, yaitu NDVI, GNDVI, dan EVI, dievaluasi dengan mengambil nilai indeks dari citra Planet Fusion. Estimasi produktivitas padi akan ditentukan menggunakan indeks-indeks tersebut, yang kemudian akan dianalisis hubungan spasial kondisi fisik di Desa Wargasetra. Hasil menunjukkan bahwa ketiga indeks vegetasi memiliki nilai RMSE yang kecil (berkisar antara 0,21–0,25), menunjukkan tingginya akurasi data citra multispektral Planet Fusion. Secara spasial, pola tanam padi berubah dinamis berdasarkan ketinggian, di mana padi di lahan sawah yang lebih tinggi ditanam atau dipanen lebih awal mengikuti arah aliran air. Indeks vegetasi GNDVI sesuai untuk pemetaan distribusi umur tanaman padi dengan rerata r2 = 0,892. Produktivitas padi di Desa Wargasetra dapat diestimasi dengan indeks vegetasi NDVI, yang dimana sesuai untuk digunakan estimasi produktivitas panen padi, dengan nilai r2 = 0,678 dan RMSE = 0,057. Analisis regresi berganda menunjukkan korelasi produktivitas padi sebesar 0,776 dengan jenis tanah dan jarak dari sungai. Jenis tanah Aluvial Eutrik dan Kambisol Eutrik memiliki produktivitas padi tertinggi. Lahan sawah di ketinggian 50–100 mdpl memiliki rata-rata produktivitas padi yang lebih tinggi, sementara produktivitas cenderung menurun saat menjauh dari aliran sungai.

---

Rice crop is a significant food-crop commodity worldwide. Remote sensing technology is applied to obtain rapid and cost-effective information on rice crop production. This study analyzed the phenology and productivity of rice crop in Desa Wargasetra using Planet Fusion imagery, with a spatial resolution of 3-meter and cloud-free. The analysis was based on three vegetation indices, such as NDVI, GNDVI, and EVI, obtained from Planet Fusion imagery. The evaluation of these indices allowed for estimating rice productivity and its spatial relationship with physical conditions in Desa Wargasetra. The results demonstrated that Planet Fusion's multispectral imagery data is accurate, with a small RMSE value (ranging from 0.21 to 0.25) for the three vegetation indices. The rice crops phenology pattern changed dynamically based on altitude, with rice in higher area planted or harvested earlier following the direction of water flow. The GNDVI vegetation index is suitable for mapping the age distribution of rice plants, with an average r2 of 0.892. The NDVI vegetation index is suitable for estimating rice harvest productivity in Desa Wargasetra, with an r2 of 0.678 and an RMSE of 0.057. Multiple regression dummy variable analysis revealed a correlation between rice productivity, soil type, and distance from the river. Eutric Alluvial and Eutric Cambisol soil types had the highest rice productivity. Paddy fields at 50–100 meters above sea level had higher average rice productivity, while productivity will be decreased if they are far from the river."

"Kabupaten Cianjur, Provinsi Jawa Barat, merupakan kabupaten yang rawan terhadap bencana alam, terutama bencana hidrometeorologi. Faktor curah hujan seperti kejadian hujan ekstrem menjadi pemicu utama banyaknya kejadian bencana seperti longsor dan banjir. Namun, keterbatasan data curah hujan menyebabkan kesulitan dalam memprediksikan pola hujan Dibutuhkan sumber data curah hujan lain yang dapat digunakan untuk menganalisis pola hujan. Penelitian ini bertujuan menganalisis pola spasio-temporal hujan ekstrem berbasis data stasiun observasi curah hujan dan data satelit NOAA-AVHRR dan mencari korelasi antara kedua sumber data tersebut. Data curah hujan harian periode tahun 2004-2017 dihitung menggunakan metode fix threshold R50. Hasil analisis memperlihatkan bahwa terdapat nilai korelasi kuat positif antara data curah hujan berbasis data stasiun observasi dengan data curah hujan satelit NOAA-AVHRR dengan nilai korelasi yaitu 0,9 pada bulan Maret 2015 dan 0,8 pada bulan Agustus 2016. Dapat dikatakan bahwa data satelit NOAA-AVHRR dapat dijadikan acuan untuk memprediksikan curah hujan. Hasil analisis juga memperlihatkan faktor ketinggian mempengaruhi pola spasial hujan ekstrem di Kabupaten Cianjur.

---

Cianjur Regency, in West Java Province, is a regency which is prone to natural disasters, particularly hydro meteorological disasters. Rainfall related factors such as events of extreme rainfall became a primary cause for the relatively high frequency of occurrences of natural disasters such as landslides and flooding incidents. However, the limited rainfall data available caused difficulties in predicting the rainfall patterns. An alternative source of rainfall data is needed for analysing the spatial temporal pattern of extreme rainfall, based on data acquired from weather and rainfall observation stations as well as data acquired from NOAA AVHRR satellites, and also by finding correlations between the two data sources mentioned. Daily rainfall data between 2004 2017 would be counted by using the fix threshold R50 method. The results show that there are a strongly positive correlation r between the rainfall observation station data and the rainfall data from NOAA AVHRR with value 0.9 on March 2015 and 0,8 on August 2016. Because of that NOAA AVHRR satellite data can be relied upon for predicting rainfall. The results also show that elevation affects the spatial pattern of extreme rainfall in Cianjur Regency. Where, mountainous areas tend to have a higher frequency of extreme rainfall."

"Kebutuhan masyarakat terhadap pemahaman intensitas curah hujan serta distribusi secara spasial dan temporal penting terhadap kewaspadaan kebencanaan. Pengamatan curah hujan yang real-time yang disertai prakiraan dapat menjadi dasar yang kuat untuk membangun sistem peringatan dini, khususnya banjir bandang, di mana dapat diamati dari curah hujan yang sangat tinggi dengan rentang waktu pendek. Sistem pengamatan permukaan untuk unsur curah hujan secara otomatis sudah diterapkan di Indonesia menggunakan tipping bucket. Citra satelit Himawari 9 dapat memberikan gambaran curah hujan secara spasial. Informasi peringatan dini potensi membutuhkan sistem pengiriman dan penerimaan data yang andal menggunakan basis pengiriman data melalui internet dengan berbagai protokol MQTT. Tujuan penelitian ini adalah untuk merancang sistem akuisisi data monitoring curah hujan realtime dari penakar hujan otomatis serta merancang sisem peringatan dini cuaca dengan penimbang citra satelit dalam bentuk website. Penelitian ini mampu memonitor curah hujan secara realtime per sepuluh menit dengan ketersediaan data 94,45% dan dapat meningkat hingga 99,0% dan dapat memberikan peringatan dini dengan tingkat kepercayaan sangat tinggi sebesar 73,59% dan tingkat kepercayaan tinggi sebesar 20,77%. Terdapat peringatan dini dengan tingkat kepercayaan rendah sebesar 4,45% yang diakibatkan oleh hujan lokal dengan skala spasial kurang dari 5x5 km2. Peringatan dini yang dihasilkan ditampilkan dalam antarmuka website.

---

The community's need to understand rainfall intensity and its spatial and temporal distribution is important for disaster awareness. Real-time rainfall observations accompanied by forecasts can be a strong basis for building an early warning system, especially for flash floods, where very high rainfall can be observed over a short time span. An automatic surface observation system for rainfall elements has been implemented in Indonesia using a tipping bucket. Himawari 9 satellite imagery can provide a spatial overview of rainfall. Potential early warning information requires a reliable data sending and receiving system using a data transmission base via the internet with various MQTT protocols. The aim of this research is to design a real-time rainfall monitoring data acquisition system from an automatic rain gauge and design a weather early warning system by weighing satellite images in the form of a website. This research is able to monitor rainfall in real time every ten minutes with data availability of 94.45% and can increase to 99.0% and can provide early warning with a very high level of confidence of 73.59% and a high level of confidence of 20.77% . There is an early warning with a low confidence level of 4.45% which is caused by local rain with a spatial scale of less than 5x5 km2. The resulting early warning is displayed in the website interface."

"The book focuses on new challenging prospects for the use of EO in archaeology not only for probing the subsurface to unveil sites and artifacts, but also for the management and valorization as well as for the monitoring and preservation of cultural resources. The book provides a first-class understanding of this revolutionary scenario which was unthinkable several years ago.The book offers : (i) an excellent collection of outstanding articles focusing on satellite data processing, analysis and interpretation for archaeological applications, (ii) impressive case studies, (iii) striking examples of the high potential of the integration of multi-temporal, multi-scale, multi-sensors techniques."

"Awalnya, pemetaan lahan gambut dilakukan dengan pengamatan langsung sifat-sifat tanah pada jarak tertentu. Namun saat ini sudah banyak dikembangkan pemetaan jarak jauh menggunakan citra satelit dengan data pendukung lainnya. Selain keunggulannya karena mudah diakses dan memiliki jangkauan yang luas, citra satelit juga memungkinkan interpretasi karakteristik menggunakan metode artificial intelligence (AI). Penelitian yang akan dilakukan adalah melakukan pengembangan terhadap algoritma pengkarakteristik citra satelit sehingga didapatkan hasil yang lebih optimal. Arsitektur Hybrid Residual U-Netdigunakan sebagai algoritma untuk mengklasifikasikan kedalaman lahan gambut. Data yang digunakan berupa citra satelit MODIS yang diakusisi dalam rentang waktu 5 tahun pada tahun 2015 sampai 2019 dan data kedalaman lahan gambut dari Balai Besar Sumberdaya Lahan Pertanian (BBSDLP) dengan 7 kelas kedalaman gambut pada daerah Pulang Pisau Kalimantan Tengah. Citra satelit MODIS diolah menjadi sebuah indeks vegetasi. Citra indeks vegetasi yang digunakan pada penelitian ini sejumlah 9 citra indeks vegetasi. Citra indeks vegetasi dan data kedalaman gambut kemudian dilakukan ekstraksi fitur untuk pembuatan dataset model machine learning menggunakan metode grid dan centeroids. Untuk pembuatan dataset model Hybrid Residual U-Net dilakukan pemotongan region of interest (ROI) pada citra indeks vegetasi dan kedalaman gambut. Pada tahap pelatihan model Hybrid Residual U-Net memiliki nilai akurasi sebesar 99,99% dan pada proses pengujian memiliki nilai akurasi sebesar 96,46%.

---

Initially, peatland mapping was carried out by direct observation of soil properties at a certain distance. However, many remote sensing for digital mapping has been developed using satellite imagery with other supporting data. In addition to the advantages of being easily accessible and having a wide range, satellite imagery also allows the interpretation of characteristics using artificial intelligence (AI). The research that will be carried out is to develop an algorithm for characterizing satellite imagery so that more optimal results are obtained. Hybrid Residual U-Net was used as an algorithm to classify the depth of peatlands. The data used are MODIS satellite imagery which was acquired over a period of 5 years from 2015 to 2019 and peatland depth data from the Center for Agricultural Land Resources (BBSDLP) with 7 peat depth classes in Pulang Pisau, Central Borneo. MODIS satellite imagery is processed into a vegetation index. The vegetation index images and peat depth data were then performed for feature extraction to create a machine learning model dataset using the grid and centroids methods. To generate the CNN model’s dataset, the region of interest (ROI) was cut on the vegetation index and peat depth images. The model will process the dataset so that the accuracy value is obtained then a comparison is done between the accuracy values ​​so that the best model is obtained. At the training stage, the Hybrid Residual U-Net model has an accuracy value of 99.99% and in the testing process, it has an accuracy value of 96,46%."

"Awan merupakan salah satu objek dalam citra satelit penginderaan jauh sensor optis yang keberadaanya sering kali mengganggu proses pengolahan citra penginderaan jauh. Deteksi awan secara akurat merupakan tugas utama dalam banyak aplikasi penginderaan jauh. Oleh karena itu, deteksi awan secara tepat khususnya pada citra satelit optis resolusi sangat tinggi merupakan suatu pekerjaan yang sangat menantang. Penelitian ini bertujuan untuk mendeteksi objek awan pada data citra satelit penginderaan jauh resolusi sangat tinggi. Penelitian ini menggunakan algoritma deep learning yaitu Convolutional Neural Network (CNN) dan segmentasi Simple Linear Iterative Clustering (SLIC) superpixel untuk mendeteksi objek awan pada citra satelit penginderaan jauh. Penelitian ini menggunakan SLIC untuk mengelompokkan citra ke dalam superpiksel. Penelitian ini juga merancang CNN untuk mengekstrak fitur dari citra dan memprediksi superpiksel sebagai salah satu dari dua kelas objek yaitu awan dan bukan awan. Penelitian ini menggunakan data citra satelit resolusi sangat tinggi Pleiades multispectral dengan resolusi 50 cm. Deteksi awan dilakukan dengan berbagai macam skenario. Hasilnya, metode yang diusulkan mampu mendeteksi objek awan dengan performa akurasi sebesar 91.33%.

---

Clouds are one of the objects in optical sensor remote sensing satellite images whose presence often interferes with the remote sensing image processing process. Accurate cloud detection is a key task in many remote sensing applications. Therefore, precise cloud detection, especially in very high-resolution optical satellite imagery, is a very challenging task. This study aims to detect cloud objects in very high-resolution remote sensing satellite imagery data. This study uses a deep learning algorithm, namely Convolutional Neural Network (CNN) and Simple Linear Iterative Clustering (SLIC) superpixel segmentation to detect cloud objects in remote sensing satellite images. This study uses SLIC to group images into superpixels. This study also designed a CNN to extract features from the image and predict the superpixel as one of two classes of objects, namely cloud, and non-cloud. This study uses very high-resolution Pleiades multispectral satellite imagery data with a resolution of 50 cm. Cloud detection is carried out in various scenarios. As a result, the proposed method can detect cloud objects with an accuracy performance of 91.33%."

"Pulau Derawan terkenal akan kejernihan dan keindahan perairan laut dangkalnya membuatnya memiliki daya tarik tersendiri yang memikat para wisatawan. Kegiatan pembangunan penginapan dan dermaga di Pulau Derawan dilakukan sebagai akomodasi dan kemudahan aksesibilitas. Namun pengaruh dari pembangunan fasilitas penginapan dan dermaga berdampak pada terjadinya perubahan luas padang lamun di sekitar perairan laut dangkal Pulau Derawan. Hal ini dapat mempengaruhi pada ekosistem laut lainnya. Penelitian ini dilakukan habitat bentik untuk melihat perubahan distribusi padang lamun baik dilihat dari luas dan kerapatannya dari tahun 2003, 2011, dan 2021, serta melihat pengaruh pembangunan fasilitas penginapan dan dermaga terhadap distribusi padang lamunnya. Pengambilan data menggunakan survei lapang dengan metode foto transek, kemudian peta habitat bentik diolah di Google Earth Engine menggunakan algoritma koreksi kolom air Lyzenga serta memanfaatkan metode klasifikasi unsupervised. Algoritma NDBI (Normalized Different Building Index) dan digitasi lahan digunakan utk melihat perkembangan penginapan dan dermaga. Hasil menunjukkan terjadi degradasi padang lamun selama tahun 2003, 2011, dan terjadi penurunan tingkat kerapatannya, terlebih bila mendekati garis pantai di wilayah selatan. Kegiatan pembangunan fasilitas penginapan dan dermaga tahun 2003, 2011, 2021 menunjukkan perkembangan yang pesat dan merata di seluruh wilayah selatan pulau. Hasil analisis menunjukkan adanya keterkaitan antara pembangunan wisata dengan distribusi padang lamun yaitu terjadinya degradasi.

---

Derawan Island is famous for the clarity and beauty of its shallow sea waters, making it a special attraction that attracts tourists. The construction of inns and docks on Derawan Island is carried out as accommodation and ease of accessibility. However, the influence of the construction of lodging facilities and docks has an impact on changes in the area of seagrass beds around the shallow sea waters. This can affect other marine ecosystems. The research was carried out in benthic habitats to see changes in the distribution of seagrass beds in terms of area and the density from 2003, 2011, and 2021, as well as to see the effect of the construction of lodging facilities and docks on the distribution of seagrass beds. Data were collected using a field survey using the photo transect method, then the benthic habitat map was processed in Google Earth Engine using the Lyzenga water column correction algorithm and using the unsupervised classification method. The Normalized Different Building Index algorithm and land digitization are used to see the development of lodging and piers. The results showed that there was a degradation of seagrass beds during 2003 until 2021 and also decrease in the density level, especially when approaching the coastline in the southern region. The construction activities of lodging and dock facilities in 2003, 2011, 2021 showed rapid and evenly distributed development throughout the southern region of the island. The results of the analysis show that there is a link between tourism development and the distribution of seagrass beds, namely the occurrence of degradation."

"Thanks to recent advances in sensors, communication and satellite technology, data storage, processing and networking capabilities, satellite image acquisition and mining are now on the rise. In turn, satellite images play a vital role in providing essential geographical information. Highly accurate automatic classification and decision support systems can facilitate the efforts of data analysts, reduce human error, and allow the rapid and rigorous analysis of land use and land cover information. Integrating Machine Learning (ML) technology with the human visual psychometric can help meet geologists demands for more efficient and higher-quality classification in real time. "

"

Kabupaten Subang merupakan penghasil padi ketiga terbanyak di Jawa Barat. Sekitar 41 % dari total luas wilayah kabupaten merupakan area persawahan. Penelitian ini dilakukan untuk mengetahui bagaimana pola spasial jumlah produksi lahan sawah dengan menggunakan citra satelit Sentinel-1A berdasarkan topografi dan hubungan antara produksi lahan sawah dengan karakteristik wilayah di Kabupaten Subang. Data citra Sentinel-1A yang digunakan dalam penelitian ini adalah citra Bulan Januari-Juni tahun 2018 dan 2019. Penelitian ini menggunakan Google Earth Engine untuk mengolah data citra Sentinel-1. Klasifikasi masa panen dan bukan panen menggunakan metode maximum likelihood. Karakteristik wilayah yang dianalisis dalam penelitian ini yaitu wilayah ketinggian, jenis tanah, dan ketersediaan air. Hasil penelitian ini menunjukkan bahwa perhitungan produksi padi dengan Citra Sentinel-1 memiliki nilai R² sebesar 0,58. Namun, nilainya akan semakin kecil pada wilayah yang tinggi dan bergelombang. Nilai R² pada wilayah ketinggian <100 mdpl sebesar 0,57, sementara nilai R² pada ketinggian 500-1.000 mdpl sebesar 0,09. Hal ini menunjukkan bahwa Sentinel-1 lebih baik digunakan untuk menghitung produksi pada wilayah datar dan rendah. Produksi padi di pada wilayah ketinggian rendah dan datar lebih banyak daripada produksi di wilayah tinggi dan berbukit. Produksi padi terbanyak ada pada Bulan April-Mei. Jenis tanah yang memiliki produksi paling banyak adalah jenis Typic Epiaquepts. Ketersediaan air juga mempengaruhi besarnya produksi padi.

---

Subang Regency is the third largest rice producer in West Java. Around 41 % of the total area of the regency is paddy fields. The study was conducted to find out how the spatial pattern of total rice field production using Sentinel-1A satellite imagery based on topography and the relationship between rice field production with regional characteristics in Subang Regency. Sentinel-1A image data used in this study are January-June 2018 and 2019 images. This study uses the Google Earth Engine (GEE) to process Sentinel-1 image data. Classification of harvest and non-harvest periods using the maximum likelihood method. The characteristics of the area analyzed in this study are the height, soil type, and water availability. The results of this study indicate that the calculation of rice production with Sentinel-1 Citra has an R² value of 0.58. The value of R² in altitude area <100 meters below sea level is 0,57, while the value of R² in the altitude area of 500-1.000 meters below sea level is 0,09. However, the value will be smaller in high and bumpy areas. The study concluded that Sentinel-1 is better used to calculate production in the flat and low regions. Rice production in low and flat altitude areas is more than production in high and hilly areas. The most rice production is in April-May. The type of soil that has the most production is Typic Epiaquepts. Water availability also affects the amount of rice production.

"