Hasil Pencarian  ::  Simpan CSV :: Kembali

"Data magnetotellurik biasanya masih dihimpun dan ditampilkan dalam bentuk profil dan diinterpretasi menggunakan inversi 1-dimensi (1-D) atau 2-dimensi (2-D). Asumsi yang digunakan dalam inversi 1-D dan 2-D dapat menyebabkan kesalahan interpretasi dikarenakan kondisi riil di bawah permukaan adalah 3-D. Oleh karena itu dilakukan pengujian inversi 1-D, 2-D, dan 3-D (full tensor impedance dan off diagonal elements) profil data sintetik 3D untuk menganalisis pengaruh efek 3D dan efek tepi. Hasil dari inversi 1D dan 2D memperlihatkan ketidakmampuan dalam mempertahankan geometri model sintetik 3D terutama dalam memperlihatkan batas tepi model sintetik 3D. Dengan menggunakan inversi 3-D, terlihat memberikan hasil yang lebih baik dalam memperlihatkan geometri model sintetik 3D. Pentingnya penggunaan on diagonal elements (Zxx dan Zyy) dalam proses inversi diperlihatkan melalui hasil data sintetik yakni menambah keakuratan dalam hasil inversi terutama pada profil bagian tepi dari benda konduktif dan resistif. Hal ini diperlihatkan melalui hasil plot nilai impedansi Zxx dan Zyy. Oleh karena itu penggunaan seluruh komponen tensor impedansi penting digunakan dalam inversi 3-D untuk menginterpretasi profil data. Arah strike juga terlihat sangat mempengaruhi hasil inversi 2-D. Analisis terhadap inversi multidimensi profil data dilakukan terhadap data riil magnetotelurik daerah prospek panas bumi Tawau, Malaysia. Dari hasil inversi1-D, 2-D, dan 3-D pada data riil didapatkan kemiripan pola distribusi zona resistivitas rendah dan tinggi pada hasil inversi 1-D dan 3-D dikarenakan hasil kedua inversi tidak dipengaruhi oleh arah strike serta hasil ini mendukung kesesuaian pada hasil model sintetik di mana hasil inversi 1-D dapat mencitrakan resistivitas bawah permukaan dengan baik pada kedalaman dangkal.

---

Magnetotelluric data is usually still collected and displayed in profile data and interpreted by using 1-dimensional inversion (1-D) or 2-dimensional inversion (2-D). The assumption that is used in 1-D and 2-D may lead potential pitfall during interpretation because real condition beneath the surface is 3-D. Therefore, inversion 1-D, 2-D, and 3-D (full tensor impedance and off diagonal elements) is tested in 3D synthetic profile data for analyzing the influence of 3D effect and edge effect. 1-D and 2-D inversion result shows an inability to maintain the geometry of 3D synthetic model, mainly in imaging edge border of 3D synthetic model. By using 3-D inversion profile synthetic data MT, it is proven that the use of 3-D inversion gives better result in showing the geometry of 3D synthetic model. The importance of on diagonal elements (Zxx and Zyy) in the inversion result is shown by the result of synthetic data which increase the accuracy of inversion result, particularly at edge of conductive and resistive feature. This is shown by the result of impedance value (Zxx and Zyy) ploting. Therefore, using all components of tensor impedance is important in 3D inversion to interpret profile data. Strike direction is also seen affect the result of 2D inversion. Analysis of multidimension inversion of profile data is then performed on real magnetotelluric data in Tawau geothermal prospect area. From 1-D, 2-D, and 3-D inversion result, it is obtained that there is similarity in distribution pattern of low and high resistivity zone because both of the inversion are not influenced by strike direction and this result supports the suitability of synthetic model result where 1-D inversion can image subsurface resistivity at shallow depth well."

"ABSTRAKPemantauan pertumbuhan tanaman padi membutuhkan data satelit multi-temporal selama fase pertumbuhannya. Pemanfaatan data satelit radar berpotensi untuk pemantauan pada wilayah tropis dimana pemantauan dengan satelit optis sering memiliki kendala liputan awan yang tinggi. Pada kajian ini membahas beberapa hasil penelitian yang dilakukan LAPAN dan peneliti luar negeri tentang penelitian pemanfaatan data satelit penginderaan jauh Synthetic Aperture Radar (SAR) X-band dan C-band untuk pemetaan lahan sawah dan pemantauan pertumbuhan padi. Hasil kajian menunjukan bahwa data satelit radar dengan pengolahan digital berpotensi untuk klasifikasi lahan sawah dan nilai-nilai radar backscatter data multitemporal dapat dipergunakan untuk pemantauan umur tanaman padi."

"Kebakaran hutan dan lahan merupakan bencana yang memiliki dampak negatif dalam berbagai sektor. Identifikasi area bekas terbakar diperlukan dengan cepat untuk mengendalikan kebakaran hutan dan lahan. Penginderaan jauh merupakan teknologi yang umum digunakan untuk identifikasi area bekas terbakar, namun tidak banyak penelitian terkait kombinasi data penginderaan jauh optis dan SAR untuk identifikasi area bekas terbakar. Di samping itu, data penginderaan jauh SAR memiliki keunggulan sebagai teknologi yang dapat digunakan dalam berbagai kondisi cuaca. Penelitian ini bertujuan untuk mengevaluasi model area bekas terbakar menggunakan integrasi convolutional neural network (CNN) sebagai feature extractor dan random forest (RF) sebagai pengklasifikasi dengan pendekatan feature learning pada data Sentinel-1 dan Sentinel-2. Penelitian ini menguji lima skema yaitu: (1) hanya menggunakan data penginderaan jauh optis; (2) hanya menggunakan data penginderaan jauh SAR; (3) kombinasi data penginderaan jauh optis dan SAR hanya pada polarisasi VH; (4) kombinasi data penginderaan jauh optis dan SAR hanya pada polarisasi VV; serta (5) kombinasi data penginderaan jauh optis dan SAR dual polarisasi VH dan VV. Pengujian juga dilakukan terhadap pengklasifikasi CNN, pengklasifikasi RF, dan pengklasifikasi neural network (NN). Berdasarkan hasil overall accuracy pada lokasi penelitian, metode integrasi CNN dan RF memberikan hasil terbaik pada lima skema yang diujikan dengan overall accuracy tertinggi mencapai 92%. Hal ini menunjukan potensi metode integrasi CNN dan RF untuk digunakan dalam mengidentifikasi area bekas terbakar. Hasil estimasi luas area bekas terbakar pada lokasi penelitian dengan metode integrasi CNN dan RF pada model terbaik diperoleh seluas 57.899,91 hektar

---

Forest and land fires are disasters that have large impacts in various sectors. Burned area identification is needed to control forest and land fires. Remote sensing is used as common technology for rapid burned area identification. However, there are not many studies related to the combination of optical and SAR remote sensing data for burned area. In addition, SAR remote sensing data has the advantage of being a technology that can be used in various weather conditions. This study aims to evaluate burned area model using the integration of Convolutional Neural Network (CNN) as a feature extractor and Random Forest (RF) as classifiers on Sentinel-1 and Sentinel-2 data. This study tests five schemes: (1) using optical remote sensing data; (2) using SAR remote sensing data; (3) combination of optical and SAR data with VH polarization only; (4) combination of optical and SAR data with VV polarization only; and (5) combination of optical and SAR data with dual VH + VV polarization. The studies were also carried out on CNN classifier, RF classifier, and neural network (NN) classifier. Based on the results of the overall accuracy at the research site, the integration of CNN and RF method gave the best results in the five schemes tested with the highest overall accuracy reaching 92%. This shows the potential of the CNN and RF integration method to be used in identifying burned areas. The estimation result of the burned area at the research site using the best model of CNN and RF integration method is ​​57,899.91 hectares"