Bingung Antara DEM, DTM dan DSM!

Bingung Antara DEM, DTM dan DSM!

Istilah Digital Elevation Model (DEM), Digital Terrain Model (DTM) dan Digital Surface Model (DSM)memiliki beberapa arti dan tidak selalu dipahami dengan baik, benar atau disalahartikan.

Dalam artikel ini saya mencoba untuk memberikan pemahaman yang jelas tentang DEM, DTM dan DSM. Di telepon Anda mengisi mencari tahu apa yang DEM, DTM dan DSM dan perbedaan antara DEM, DTM dan DSM.

Mari kita mulai menghapus semua kabut.

Digital Elevation Model (DEM)

Model Elevasi Digital (Dems) adalah jenis raster lapisan GIS. Dalam DEM, setiap sel dari lapisan raster GIS memiliki nilai sesuai dengan elevasi (z-nilai pada interval jarak teratur). DEM file data berisi ketinggian medan di wilayah tertentu, biasanya pada interval grid yang tetap selama “Bare Earth”.Interval antara masing-masing titik grid akan selalu direferensikan ke beberapa sistem koordinat geografis (lintang dan bujur atau UTM (Universal Transverse Mercator) sistem koordinat (Easting Northing dan). Untuk lebih detil informasi dalam DEM data file, perlu bahwa titik-titik grid lebih dekat bersama-sama. Rincian puncak dan lembah di medan akan lebih baik dimodelkan dengan jarak grid kecil daripada ketika interval grid yang sangat besar.

dem-DTM

Singkatnya: DEM digunakan untuk merujuk secara khusus untuk raster atau kotak biasa ketinggian tempat.

3 meter Digital Surface Model (DSM) untuk 5 Km Luas Pipeline Koridor. Sumber: SIC

3 meter Digital Surface Model (DSM) untuk 5 Km Luas Pipeline Koridor. Sumber: SIC

 

Ada berbagai sumber data DEM tersedia untuk daerah maju dan kesesuaian data ini tersedia akan tergantung pada spesifikasi proyek. Di daerah-daerah terpencil di seluruh Dunia, yang sedikit atau tidak ada data sumber tersedia, DEM dapat diproduksi oleh otomatis DEM ekstraksi dari gambar-gambar satelit stereo, dari sensor satelit seperti IKONOS (resolusi 2-5m), SPOT-5 (5-10m res.) dan ASTER (res 15-25m.).

Digital Elevation Model (DEM) - Eritrea, Afrika - IKONOS Gambar

Digital Elevation Model (DEM) – Eritrea, Afrika – IKONOS Gambar

 

MASUKAN UNTUK MENGHASILKAN DEM

Berikut ini adalah sumber input untuk menghasilkan DEM.

  • Ground Control Points (GCPs).
  • Kontur.
  • Triangulasi Irregular Network (TIN).
  • DEM juga dapat disediakan dari Stereo foto udara digital pada berbagai resolusi, tergantung pada kualitas dan skala dari foto udara.

JENIS DEM

Sebuah DEM dapat direpresentasikan sebagai raster (kotak kotak-kotak, juga dikenal sebagaiheightmap ketika mewakili elevasi) atau sebagai berbasis vektor jaringan tidak teratur segitiga (TIN).

 

Ketinggian dari permukaan bumi (termasuk air dan es) dalam proyeksi persegi panjang, dinormalisasi sebagai 8-bit grayscale, di mana nilai-nilai ringan menunjukkan elevasi yang lebih tinggi. Sumber: Wikipedia

Ketinggian dari permukaan bumi (termasuk air dan es) dalam proyeksi persegi panjang, dinormalisasi sebagai 8-bit grayscale, di mana nilai-nilai ringan menunjukkan elevasi yang lebih tinggi. 
Sumber: Wikipedia

 

Triangulasi Irregular Network

Triangulasi Irregular Network

 

Digital Terrain Model 

Sebuah digital terrain model (DTM) dapat digambarkan sebagai tiga – representasi dimensi permukaan medan yang terdiri dari X, Y, Z koordinat disimpan dalam bentuk digital. Ini mencakup tidak hanya ketinggian dan elevasi tetapi unsur-unsur geografis lainnya dan fitur alami seperti sungai, jalur punggungan, dll DTM secara efektif DEM yang telah ditambah dengan unsur-unsur seperti breaklines dan pengamatan selain data asli untuk mengoreksi artefak yang dihasilkan dengan hanya menggunakan data asli. Dengan meningkatnya penggunaan komputer dalam rekayasa dan pengembangan cepat tiga dimensi grafis komputer DTM menjadi alat yang ampuh untuk sejumlah besar aplikasi di bumi dan ilmu teknik.

pseudo-digital-elevasi-Model

Digital Elevation Model

 

Untuk tujuan praktis ini “Bumi Bare” DEM umumnya identik dengan Digital Terrain Model (DTM).

DEM jauh lebih murah untuk menghasilkan DTM.

Kualitas dan Akurasi DEM / DTM

Kualitas DEM / DTM merupakan ukuran seberapa akurat elevasi pada setiap pixel (akurasi mutlak) dan seberapa akurat adalah morfologi disajikan (akurasi relatif). Beberapa faktor memainkan peran penting untuk kualitas DEM yang diturunkan produk:

  • kekasaran daerah;
  • kepadatan sampling (metode pengumpulan data elevasi);
  • Resolusi kotak atau pixel ukuran;
  • interpolasi algoritma;
  • resolusi vertikal;
  • algoritma analisis medan;
  • Referensi produk 3D termasuk masker berkualitas yang memberikan informasi tentang garis pantai, danau, salju, awan, korelasi dll

Penggunaan umum dari Dems

  • Ekstrak parameter medan.
  • Pemodelan pergerakan aliran atau massa air (misalnya, tanah longsor ).
  • Pembuatan peta lega.
  • Render 3D visualisasi
  • Penciptaan model fisik (termasuk peta mengangkat-relief).
  • Perbaikan foto udara atau citra satelit.
  • Pengurangan (koreksi medan) pengukuran gravitasi (gravimetri, geodesi fisik).
  • Analisis Terrain dalam geomorfologi dan geografi fisik.

Sekarang mari kita lihat sebuah apa yang Digital Surface Model (DSM).

Digital Surface Model (DSM)

Digital Surface Model (DSM) merupakan ketinggian MSL dari permukaan reflektif pohon, bangunan, dan fitur lainnya ditinggikan di atas “Bare Earth”.

Digital Surface Model (DSM)

Digital Surface Model (DSM)

 

Singkatnya: model permukaan digital merupakan permukaan bumi dan mencakup semua benda di atasnya.

Bagaimana DEM / DTM Berbeda dari DSM

Sekarang saya berangkat pada Anda untuk memeriksa perbedaan antara DTM / DEM dan DSM.Diberikan di bawah ini adalah dua angka untuk membantu Anda keluar.

 

Gambar 1

Gambar 1

 

Gambar 2

Gambar 2

 

Harap Anda mungkin telah memahami perbedaan.

Menikmati :)

Analisis DAS: Apa, Bagaimana, Faktor-faktor & Aplikasi

Analisis DAS: Apa, Bagaimana, Faktor-faktor & Aplikasi

Analisis Aliran Sungai

DAS A adalah luas lahan di mana semua air yang jatuh di dalamnya dan mengalir dari itu masuk ke tempat yang sama atau outlet umum. DAS juga ditentukan oleh topografi membagi antara dua atau lebih berdekatan cekungan tangkapan , seperti punggung bukit atau puncak .

watershed_difination

Dengan kata sederhana DAS merupakan wilayah tanah di mana air mengalir ke dalam tubuh tertentu, seperti sungai, danau, laut, atau laut,. Baskom drainase DAS Kata kadang-kadang digunakan bergantian dengan daerah aliran sungai atau DAS. Pegunungan dan bukit-bukit yang memisahkan dua DAS disebut kesenjangan drainase.

watershedSchematic

Analisis DAS mengacu pada proses menggunakan DEM dan operasi data raster untuk menggambarkan daerah aliran sungai dan untuk mendapatkan fitur seperti sungai, jaringan sungai, daerah resapan, cekungan dll

Secara tradisional, batas DAS diambil secara manual ke sebuah peta topografi. Orang yang menarik batas-batas menggunakan fitur topografi di peta untuk menentukan di mana membagi berada. Tetapi dengan pengenalan komputer hal-hal menjadi lebih mudah. Sekarang, kita dapat menghasilkan batas DAS awal dalam sebagian kecil dari waktu yang dibutuhkan untuk metode tradisional.

Deliniasi DAS dapat terjadi pada skala spasial yang berbeda. Sebuah DAS besar dapat mencakup seluruh sistem sungai dan, dalam DAS, mungkin ada aliran sungai kecil, satu untuk setiap anak sungai dalam sistem aliran. DAS dapat sekecil jejak atau cukup besar untuk mencakup seluruh tanah air yang mengalir ke sungai yang mengalir ke Teluk atau laut atau samudra.

Komponen DAS

Secara DAS memiliki lima komponen: batas DAS, Subcekungan, Drainase membagi, jaringan Stream, Outlet (tuangkan poin).

Courtesy: ESRI

Courtesy: ESRI

Subcekungan: DAS yang lebih besar dan juga dapat berisi DAS kecil, yang disebut subbasis. 
Drainase membagi: Batas-batas antara DAS yang disebut drainase membagi. 
Outlet: Outlet, atau titik tuang, adalah titik di permukaan di mana air mengalir keluar dari suatu daerah. Ini adalah titik terendah sepanjang batas DAS.

Courtesy: ESRI

Courtesy: ESRI

Delineasi DAS dapat dibagi menjadi jenis dan ini adalah daerah berbasis dan titik berbasis.

Sebuah metode berbasis daerah membagi wilayah studi menjadi serangkaian DAS, satu untuk setiap bagian sungai. Sedangkan, metode yang didasarkan titik berasal daerah aliran sungai untuk setiap titik yang dipilih. Titik yang dipilih mungkin outlet, stasiun pengukur atau bendungan.

Langkah Terlibat dalam Pembuatan batas DAS

Ketika menggambarkan daerah aliran sungai atau mendefinisikan jaringan sungai, kita lanjutkan melalui serangkaian tahapan, berikut adalah langkah-langkah.:

Beberapa langkah yang diperlukan, sementara yang lain adalah opsional tergantung pada karakteristik dari data masukan.

Beberapa langkah yang diperlukan, sementara yang lain adalah opsional tergantung pada karakteristik dari data masukan.

1. AKUISISI DEM

Masukan pertama yang diperlukan untuk analisis DAS DEM. Model Elevasi Digital (Dems) adalah jenis raster lapisan GIS. Dalam DEM, setiap sel dari lapisan raster GIS memiliki nilai sesuai dengan elevasi (z-nilai pada interval jarak teratur). DEM file data berisi ketinggian medan di wilayah tertentu, biasanya pada interval grid yang tetap selama “Bare Earth”.

Courtesy: ESRI

DEM, Courtesy: ESRI

2. MENGISI

Mengisi tenggelam dalam raster permukaan untuk menghapus ketidaksempurnaan kecil dalam data.A diisi DEM atau elevasi raster batal depresi. Depresi adalah suatu sel atau sel dalam raster elevasi yang dikelilingi oleh nilai-nilai elevasi yang lebih tinggi, dan dengan demikian merupakan daerah drainase internal. Meskipun beberapa depresi yang nyata, seperti pertambangan atau lubang glaciated, mungkin ketidaksempurnaan dalam DEM. Oleh karena itu, depresi harus dihilangkan.

Isi DEM, Courtesy: ESRI

Isi DEM, Courtesy: ESRI

Sebuah metode umum untuk menghilangkan depresi adalah untuk meningkatkan nilai selnya ke titik terendah meluap keluar dari wastafel. Hal ini menghasilkan permukaan yang datar.

3. ARAH ARUS

Aliran arah raster menunjukkan arah air akan mengalir keluar dari setiap sel dari ketinggian raster penuh. Sebuah banyak digunakan metode untuk menurunkan arah aliran adalah metode D8, digunakan oleh Arc GIS. Pada metode D8, memberikan arah aliran sel untuk salah satu yang delapan sekitarnya sel yang memiliki curam gradien jarak-tertimbang.

Arah aliran, Courtesy: ESRI

Arah aliran, Courtesy: ESRI

D8 metode menghasilkan hasil yang baik dalam zona arus konvergen dan lembah didefinisikan rukun.Ini gagal untuk mewakili arus cukup berbeda atas lereng kompleks dan pegunungan.

Algoritma lain yang juga digunakan dalam perhitungan arah aliran adalah D ∞ (tak terhingga).

Gunakan alat CEKUNGAN pada aliran peta arah untuk mengidentifikasi cekungan yang mengalir ke setiap titik outlet di peta tepi. Gunakan Mengidentifikasi tombol untuk menentukan nilai dari cekungan tertentu Anda ingin menganalisis, dan menggunakan kalkulator raster untuk membuat 0-1 raster peta hanya satu baskom.

Basin, Courtesy: ESRI

Basin, Courtesy: ESRI

 

Basin, Courtesy: ESRI

Basin, Courtesy: ESRI

4. ARUS AKUMULASI

Aliran akumulasi raster tabulates untuk setiap sel jumlah sel yang akan mengalir ke sana. Tabulasi didasarkan pada arah aliran raster.

Arus Akumulasi, Courtesy: ESRI

Arus Akumulasi, Courtesy: ESRI

Aliran akumulasi raster dapat ditafsirkan dalam dua cara.

  1. Sel memiliki nilai akumulasi umumnya sesuai dengan saluran sungai, di mana sel-sel memiliki nilai akumulasi nol biasanya sesuai dengan Ridgelines.
  2. Jika dikalikan dengan ukuran sel, nilai akumulasi sama dengan daerah drainase.

5. JARINGAN STREAMING

Jaringan sungai bisa berasal dari aliran akumulasi raster. Derivasi ini didasarkan pada nilai ambang batas akumulasi. Sebuah nilai ambang dari 500, misalnya, berarti bahwa setiap sel dari jaringan drainase memiliki maksimum 500 kontribusi sel.

Streaming Jaringan, Courtesy: ESRI

Streaming Jaringan, Courtesy: ESRI

 

Streaming Order, Courtesy: ESRI

Streaming Order, Courtesy: ESRI

 

Sebuah nilai ambang yang lebih tinggi akan menghasilkan jaringan sungai kurang padat dan daerah aliran sungai internal yang kurang dari nilai ambang batas yang lebih rendah.

Nilai ambang antara 100 sampai 500 sel tampaknya untuk menangkap terbaik jaringan sungai di daerah tersebut.

6. STREAMING LINKS

Menetapkan nilai unik dan bergaul dengan arah aliran ke setiap bagian dari jaringan sungai adalah langkah atau prosedur untuk mendapatkan link streaming.

Streaming Links, Courtesy: ESRI

Streaming Links, Courtesy: ESRI

Aliran Link raster sehingga menyerupai lapisan berbasis topologi aliran: persimpangan atau persimpangan seperti busur atau jangkauan.

7. DAS AREA-LEBAR

Ini adalah langkah terakhir untuk menggambarkan DAS untuk setiap bagian sungai. Input yang dibutuhkan untuk deliniasi DAS wilayah-lebar adalah arah aliran raster dan aliran tautan raster.Sebuah jaringan padat sungai akan memiliki lebih banyak tetapi lebih kecil DAS.

Digambarkan Daerah Aliran Sungai, Courtesy: ESRI

Digambarkan Daerah Aliran Sungai, Courtesy: ESRI

8. ARAHKAN DAS BERBASIS

Deliniasi DAS individu berdasarkan titik perpotongan (titik tuang) mengikuti prosedur yang sama seperti untuk deliniasi DAS wilayah-lebar. Satu-satunya perbedaan adalah untuk menggantikan raster titik untuk aliran tautan raster.

Titik berbasis DAS delineasi didasarkan pada tempat tujuan. Ini tempat tujuan mungkin stasiun pengukur sungai atau bendungan. Mereka juga mungkin sesuai dengan permukaan air minum asupan poin sistem bunga disebut titik tuang atau outlet.

Jika pour point tidak terletak langsung di atas link streaming, akan menghasilkan kecil, DAS lengkap untuk outlet.

Faktor yang Mempengaruhi Analisis Daerah Aliran Sungai

Ada dua faktor utama yang efek analisis DAS. Ini adalah sebagai berikut:

  1. DEM: A 30 meteran DEM mungkin terlalu kasar untuk menyediakan fitur topografi rinci untuk geomorfik dan pemodelan hidrologi.
  2. Algoritma: Pemilihan algoritma merupakan faktor penting dalam output analisis DAS.

 

Penerapan Analisis Daerah Aliran Sungai

Analisis DAS digunakan untuk pengelolaan dan perencanaan sumber daya alam.

  1. Untuk memberikan masukan yang diperlukan untuk pemodelan hidrologi.
  2. Pemodelan prediksi banjir dan salju mencair model limpasan dll
  3. Analisis DAS memberikan batas tangkapan tetapi juga parameter hidrologi berguna untuk program manajemen.

Segera saya akan membahas tentang langkah demi langkah prosedur untuk DAS dan Streaming Delineasi Jaringan menggunakan Arc Info.

Sumber: ESRI, Wikipedia

Kontribusi Oleh:

saurabh singh

Saurabh Singh

Pendiri & Principal Penulis

GIS Resources

Total Station Dan Aplikasi Its Dalam Survei

Total Station Dan Aplikasi Its Dalam Survei

1. PENGANTAR

  • Total Stasiun dirancang untuk mengukur jarak miring, sudut horizontal dan vertikal dan peningkatan dalam topografi dan geodesi bekerja, survei teknometrik, serta untuk solusi aplikasi geodesi tugas. Hasil pengukuran dapat direkam ke memori internal dan ditransfer ke antarmuka komputer pribadi.
  • Sifat dasar rentang tak tertandingi, kecepatan dan ketepatan pengukuran. Jumlah stasiun yang dikembangkan dalam pandangan kenyamanan maksimal kerja pengguna. Efisiensi tinggi takometer elektronik ditujukan untuk keputusan 
    Ini memiliki khalayak luas untuk tunggal masalah industri.
  • Sudut dan jarak yang diukur dari total station ke titik-titik di bawah survei, dan koordinat (X, Y, dan Z atau Northing, arah timur dan elevasi) dari disurvei poin relatif terhadap posisi total station dihitung menggunakan trigonometri dan triangulasi.
  • Data dapat didownload dari total station ke komputer dan perangkat lunak aplikasi yang digunakan untuk menghitung hasil dan menghasilkan peta wilayah penelitian.
  • Sebuah stasiun total instrumen elektronik / optik digunakan dalam survei modern. Hal ini juga digunakan oleh arkeolog untuk merekam penggalian serta oleh polisi, penyelidik TKP, reconstructionists kecelakaan swasta dan perusahaan asuransi untuk mengambil pengukuran dari adegan. Total station adalah teodolit elektronik (angkutan) yang terintegrasi dengan meter elektronik jarak (EDM), ditambah penyimpanan data internal dan / atau kolektor data eksternal.
  • Tujuan dari setiap survei adalah untuk mempersiapkan peta, titik kontrol membentuk persyaratan dasar untuk penyusunan peta tersebut.
  • Ada beberapa nomor dari metode seperti melintasi, triangulasi dll, untuk memberikan titik-titik kontrol.
  • Apapun metode penyediaan titik kontrol, termasuk pengukuran dua entitas (Jarak dan Sudut).
  • Sekali lagi, jarak dapat diukur dengan menggunakan berbagai instrumen seperti rantai, tape.
  • Linear Tap.
  • Rantai Gunter ini (20m dan 30m).
  • Baja band (20m dan 30m).
  • Inver ketuk.
  • Hunter Pendek Base (80m).
  • Elektronik Jarak Pengukuran Instrumen, total station dan GPS.
  • Sudut dapat diukur dengan menggunakan THEODOLITE a.
  • Setelah pengukuran jarak dan sudut lebih perhitungan dilakukan untuk memberikan titik kontrol. Sebuah kombinasi dari semua tiga hasil dalam instrumen kuat yang disebut TOTAL STATION Oleh karena itu, TOTAL STATION merupakan instrumen yang terdiri dari.:

i) Jarak alat ukur (EDM). 
ii) Sebuah alat ukur sudut (Theodolite). 
iii) Sebuah mikroprosesor sederhana.

1.2. INSTRUMENTASI:

Ini terdiri dari EDM, Theodolite, Mikroprosesor digabungkan menjadi satu. Ini juga memiliki kartu memori untuk menyimpan data. Ini juga terdiri dari soket baterai yang merumahkan baterai. Baterai yang terisi penuh bekerja selama sekitar 3 sampai 5 jam terus menerus.

DifferentPartsofTS

Gambar 1: Bagian yang berbeda dari Total Station

1.3. AKURASI DARI TOTAL STATION:

Akurasi tergantung pada instrumen dan bervariasi dari instrumen instrumen

Akurasi sudut 1.The bervariasi from1 “sampai 20”.

Akurasi 2.Distance tergantung pada dua faktor.

Kesalahan Instrumental yang berkisar dari

+ / – 10mm ke + / – 2mm.

b) Kesalahan karena panjang pengukuran.

Hal ini dapat dari + / – 10mm ke + / – 2mm per kilometer.

1 prisma, prisma 2,5-2,7 km2

5-7 km3 prisma

10-12 kmNIKONOne kedua + / – 2mm/km atau 2ppmTriple jumlah prisma dua kali lipat distance.LEICAOne kedua SOKKIAOne kedua.

1.3.1. AKURASI & PRESISI

• Presisi adalah reproduksibilitas pengukuran.

• Akurasi adalah seberapa dekat posisi diukur adalah lokasi sebenarnya

Pengukuran jarak dilaksanakan dengan Modulated microwave atau inframerah operator sinyal, yang dihasilkan oleh emitor solid-state kecil dalam jalur optik instrumen, dan dipantulkan oleh reflektor prisma atau benda di bawah survei. Pola modulasi sinyal kembali adalah membaca dan diinterpretasikan oleh komputer onboard total station. Jarak ditentukan dengan memancarkan dan menerima beberapa frekuensi, dan menentukan jumlah bilangan bulat panjang gelombang untuk target untuk masing-masing frekuensi. Kebanyakan total stasiun menggunakan tujuan-dibangun kaca Porro prisma reflektor untuk EDM sinyal, dan dapat mengukur jarak ke beberapa kilometer. Total stasiun reflectorless dapat mengukur jarak ke setiap objek yang cukup ringan dalam warna, untuk beberapa ratus meter.

Prinsip:

Mengingat koordinasi dari posisi instrumen dan bantalan dari stasiun terbelakang koordinat titik lain dapat dihitung.

1.3.2. TOTAL STATION DAPAT DIGUNAKAN

  • Ketika dua poin yang diberikan.
  • Bila hanya satu koordinat diberikan. Dalam hal ini koordinat stasiun kembali ditentukan oleh metode yang sesuai.
  • Bila tidak ada koordinat diberikan dalam hal sistem sewenang-wenang koordinat dapat digunakan.

Perangkat ini, juga disebut Tachometers elektronik, secara otomatis dapat mengukur sudut horisontal dan vertikal serta jarak kemiringan TSapplicationdari satu set up.Dari data tersebut mereka seketika dapat menghitung komponen horisontal dan vertikal jarak, ketinggian, dan koordinat, dan menampilkan hasilnya pada LCD. Mereka juga dapat menyimpan data, baik di kapal atau pengumpul data eksternal. Jika koordinat stasiun diduduki dan azimut referensi adalah input ke sistem, koordinat titik terlihat segera diperoleh. Informasi ini dapat langsung disimpan dalam kolektor data otomatis, ada dengan menghilangkan pencatatan manual. Instrumen ini adalah nilai yang luar biasa di semua jenis survei. Total Stations menawarkan banyak keuntungan untuk hampir semua jenis survei. Mereka digunakan untuk topografi, Hidrografi, kadaster, proyek dan survei konstruksi.

 

1.4. AKSESORIS UNTUK TOTAL STATION

Dengan sekitar lebih dari 40 model yang berbeda yang tersedia untuk memilih, mereka saat ini instrumen dominan dalam survei.

TSParts

The EDM komponen instrumen dipasang di Total Station relatif kecil tetapi masih memiliki rentang jarak yang cukup untuk sebagian besar pekerjaan.Panjang sampai sekitar 2 km dapat diukur dengan prisma tunggal, dan sampai sekitar 6 sampai 7 km dengan prisma tiga.

Resolusi Sudut tersedia Total Stations bervariasi dari serendah setengah detik untuk instrumen yang tepat cocok untuk survei kontrol, hingga 20 “untuk instrumen dibuat khusus untuk pengintaian konstruksi.

 

1.5. FUNGSI DILAKUKAN OLEH TOTAL STATIONS

Total Stations, dengan prosesor mikro mereka, dapat melakukan berbagai fungsi dan perhitungan, tergantung pada bagaimana mereka diprogram.Kemampuan berbeda dengan instrumen yang berbeda, tetapi beberapa perhitungan standar termasuk:

  • Averaging beberapa sudut dan pengukuran jarak.
  • Mengoreksi elektronik diukur jarak dari prisma konstan, tekanan atmosfer, dan suhu.
  • Membuat kelengkungan dan refraksi koreksi ketinggian menentukan dengan meratakan trigonometri.
  • Mengurangi jarak kemiringan pada komponen horisontal dan vertikal mereka.
  • Menghitung titik ketinggian dari komponen jarak vertikal (dilengkapi dengan input keyboard instrumen dan reflektor ketinggian).
  • Komputasi koordinat titik survei dari sudut horizontal dan jarak horizontal.
    • Rata-rata beberapa pengukuran sudut.
    • Rata-rata pengukuran jarak beberapa.
    • Menghitung jarak horizontal dan vertikal.
    • Koreksi untuk suhu, tekanan dan kelembaban.
    • Hitung invers, polars, reseksi.
    • Menghitung X, Y dan Z koordinat.

1.6.OPERATION TOTAL STATION

Karena Total Station berisi komponen elektronik yang halus mereka tidak kasar seperti Theodolite biasa. Mereka harus dikemas dan diangkut dengan hati-hati, ditangani dengan lembut dan hati-hati dihapus membentuk kasus mereka.

Pengaturan Total Station atas tanda stasiun ini mirip dengan Theodolite biasa. Ini termasuk

  • Berpusat
  • Levelling
  • Penghapusan paralaks

Total Stations dikendalikan dengan entri yang dibuat baik melalui mereka built-in keyboard atau melalui keyboard data genggam collectors.Details untuk operasi masing-masing total station individu agak berbeda dan oleh karena itu tidak dijelaskan di sini.

Keakuratan dicapai dengan total station terutama tergantung pada prosedur operator Hati-hati berpusat dan meratakan instrumen

  • Akurat menunjuk target.
  • Mengambil rata-rata dari beberapa pengukuran sudut yang dibuat di kedua posisi langsung dan sebaliknya

Peralatan peripheral yang dapat mempengaruhi keakuratan meliputi

  • Tribrachs
  • Optical merosot
  • Prisma dan
  • Prism kutub

Tribrachs harus memberikan cocok nyaman tanpa slip. Optical merosot yang di luar penyebab instrumen penyesuaian yang akan dibentuk keliru atas titik pengukuran. Tiang-tiang prisma harus sempurna vertikal dan prisma harus dipasang dengan baik pada itu. Prisma harus sering diperiksa untuk menentukan konstanta mereka.

1.7. REMOTELY OPERATED TOTAL STATION (ROBOT)

Unit remote positioning (RPU) memungkinkan kontrol instrumen total station dari kejauhan

Total stasiun robot memungkinkan operator untuk mengontrol instrumen dari jarak jauh melalui sistem control.Robotic terpencil menawarkan reflektor kurang pengukuran unggul daripada instrumen lain yang tersedia – mampu pengukuran presisi teknologi ini memiliki manfaat luar biasa bagi setiap pengguna. Ini menghilangkan kebutuhan untuk asisten anggota staf sebagai operator memegang reflektor dan kontrol total station dari titik yang diamati.Unit remote posisi, yang terpasang pada tiang prisma, memiliki link telemetri built-in untuk komunikasi dengan total station. Bahkan seseorang tidak diperlukan dekat total station. Total station secara otomatis bergerak dan menempatkan target. Seseorang diperlukan pada target pada lokasi survei yang berbeda. The Robotic Jumlah stasiun mempercepat pekerjaan survei dan mengurangi tenaga kerja. Total station robot adalah yang terbaru, sistem yang paling canggih di pasar saat ini yang menawarkan desain baru yang modern, motor lebih cepat, 2000 meter kisaran reflectorless. Tersedia dalam 1, 3, dan 5 akurasi sudut kedua, Anda dapat memilih instrumen yang paling sesuai dengan kebutuhan Anda.

1.7.1. Fitur Termasuk:

  • Inovatif, desain sistem sepenuhnya bebas kabel.
  • Baru RC-3 dengan teknologi pelacakan XTRAC ™ Cepat-Lock Superior.
  • Yang paling canggih, rentang terpanjang, dan reflektor yang paling kuat kurang teknologi yang tersedia.
  • Penuh warna, grafis Windows Mobile instrumen & bidang pengontrol antarmuka.
  • Bobot yang lebih ringan dari kompetisi.

1.8. Aplikasi Total Station

Ada banyak fasilitas lain yang tersedia, total station dapat digunakan untuk tujuan berikut.

  • Survei rinci yaitu pengumpulan data.
  • Kontrol Survey (Traverse).
  • Pengukuran tinggi (Hapus elevasi pengukuran-REM).
  • Memperbaiki pilar yang hilang (atau) Mengatur keluar (atau) Stake keluar.
  • Reseksi.
  • Perhitungan Area, dll
  • Pengukuran jarak jauh (RDM) atau Hilang pengukuran garis (MLM).

1.8.1. Pengumpulan Data Option

Pengukuran dapat disimpan “on board” dengan semua stasiun total. Dua opsi yang tersedia adalah

  • Data dapat langsung disimpan dalam memori komputer mikro, dan kemudian download ke perangkat penyimpanan eksternal melalui RS – 232 sambungan.
  • Pilihan kedua adalah kartu memori yang dapat dilepas. Ketika satu kartu penuh, dapat dihapus dan kartu lain dapat dengan cepat dipasang.

1.8.2. Survey Detil

Mengingat dua poin yang koordinat diketahui, total station dapat digunakan untuk mendapatkan koordinat berbagai titik lain berdasarkan dua koordinat.Harus diperhatikan bahwa survei poin baru dengan hati-hati kode. The Peta daerah dapat diperoleh setelah men-download dan pengolahan.

1.8.3. KONTROL SURVEY / TRAVERSE:

Hal ini mirip dengan jenis EDM Traverse.

Definisi Traverse: –

Traverse adalah metode survei kontrol dalam memberikan kontrol horisontal dan vertikal sepanjang rute yang telah ditentukan dengan cara membangun serangkaian garis terhubung bergabung dengan stasiun silang.

1.8.4. TRAVERSE:

  • Dalam melintasi sejumlah jalur survei terhubung membentuk kerangka survei.
  • Arah dan panjang garis survei diukur dengan bantuan sebuah alat pengukur sudut (Theodolite) dan jarak alat pengukur (Tape, rantai, EDM, GPS dll).

Traverse

Gambar 1: Traverse

1.8.5. KLASIFIKASI TRAVERSE (BERDASARKAN AKURASI & BERDASARKAN INSTRUMEN YANG DIGUNAKAN):

  • Berdasarkan akurasi
    • Primer melintasi: akurasi 1:50.000 (Instrumen: kawat T3 dan invar)
    • Sekunder melintasi: akurasi 1:20.000 (Instrumen: T3 dan EDM)
    • Tersier melintasi: akurasi 1:1000 (Instrumen: T2 dan Jaringan)

1:2000 (Instrumen: T2 dan Baja Band)

  • Berdasarkan Instrumen yang digunakan
    • Rantai melintasi
    • EDM melintasi
    • Pesawat-tabel melintasi

 

1.8.6. Klasifikasi Traverse:

  • Buka melintasi: Dimulai dari titik kontrol yang dikenal dan berakhir pada titik yang tidak diketahui.

OpenTraverse

Gambar 2: Buka Traverse

  • Ditutup melintasi: Mulai dari dan berakhir pada titik kontrol yang dikenal.

ClosedTraverse

Gambar 3: Closed Traverse

  • Closed Circuit melintasi: Mulai dari dan berakhir pada titik kontrol yang dikenal.

ClosedCktTraversed

Gambar 4: Closed Circuit Traverse

 

1.8.7. PENERAPAN MELINTASI

  • Menyediakan kontrol poin untuk survei skala besar.
  • Survei Batas
  • Memperbaiki rute sungai, jalan, kanal secara akurat.
  • Survei proyek.
  • Survei keselarasan dan banyak lagi.
  • True North Meridian yaitu garis
  • Grid jalur Utara
  • Baris Utara Magnetik
  • Setiap garis referensi sewenang-wenang.

1.8.8. GARIS REFERENSI MUNGKIN:

Azimuth:

  • Azimuth dari setiap jalur survei atau melintasi kaki adalah sudut searah jarum jam dari North Benar.

Grid Bantalan:

  • Grid Bantalan dari setiap jalur survei atau melintasi kaki adalah sudut searah jarum jam dari Grid Utara.

Magnetic Bantalan:

  • Bantalan magnetik dari setiap jalur survei atau melintasi kaki adalah sudut searah jarum jam dari Magnetic Utara.

 

1.8.9. AZIMUTH DAN GRID BANTALAN:

  1. Azimuth dapat diperoleh dengan pengamatan astronomi.
  2. Azimuth dapat dihitung dengan lintang dan bujur (koordinat Bulat).
  3. Grid Bantalan dapat diperoleh dengan pengamatan astronomi dengan menerapkan konvergensi.
  4. Grid Bantalan dapat dihitung dengan koordinat Grid.

azimuthNDgRIDbEARING

Gambar 5: Azimuth dan Grid Bantalan

Konvergensi

Convergency2

Convergency3

Convergency4

Convergency5

1.9. JAUH ELEVATION PENGUKURAN (REM)

Proses pencarian ketinggian benda tanpa benar-benar pergi ke atas obyek yang dikenal sebagai Pengukuran Ketinggian remote (REM) yaitu, total station ditempatkan jarak jauh (jauh) dari objek yang digunakan untuk mengukur ketinggian.

Rem

 

Gambar 6: Remote Elevation Pengukuran

Metode: prisma yang disimpan di dasar objek pandangan teleskop untuk prisma, dan mengukur kemiringan jarak ‘d’, sekarang memiringkan teleskop up-to ujung objek. Ketinggian objek ditampilkan, dari dasar prisma tergantung pada instrumen.

Fitur ini mengukur ketinggian suatu titik di mana prisma tidak dapat ditempatkan secara langsung. Pengukuran diperpanjang sepanjang garis tegak lurus sementara ketinggian menyala terus.

Jauh Ketinggian Pengukuran:

REM2

Gambar 7: Remote Elevation Pengukuran

1.9.1. PENGUKURAN JARAK JAUH (RDM) ATAU HILANG PENGUKURAN GARIS (MLM):

Proses mencari jarak antara dua titik A & B (yang tidak antar-terlihat dari satu sama lain) dari titik lain ‘I’ (posisi instrumen) dikenal sebagai RDM.

Metode ini sangat berguna untuk menemukan jarak antara dua titik yang memiliki obstruksi antara mereka. Ini adalah dua jenis:

  • Kontinu
  • Radial

REM3

Gambar 8: Jarak Pengukuran jarak jauh

 

Jarak dapat diperoleh baik dalam modus kontinyu yaitu, AB, BC, CD, DE, EF dll, atau dalam modus radial yaitu, AB, AC, AD, AE, AF dll, bagaimanapun, prosedur lapangan sama untuk keduanya hanya pemilihan operasi bervariasi. Hal ini diperlukan bila ada penghalang di antara jalur survei.

REM54

Gambar 6: Hilang Pengukuran Baris

 

1.9.2. MEMPERBAIKI PILAR YANG HILANG (ATAU) MENGATUR KELUAR (ATAU) STAKE OUT:

Proses memperbaiki pilar yang hilang di tanah menggunakan koordinat teoritis dikenal sebagai STAKE OUT. Berikut dua koordinat dikenal lainnya yang diperlukan.

  • Proses menemukan posisi titik koordinat dikenal misalkan hilang pilar batas.

Pengintaian

 

Gambar 7: Stake Out

1.9.3. RESEKSI:

Proses menemukan koordinat posisi instrumen memanfaatkan titik kontrol lainnya (titik yang koordinat dikenal) dikenal sebagai reseksi.

Resection

Gambar 8: Reseksi

 

1.9.4. PERHITUNGAN AREA:

  Daerah dapat dihitung dari angka apapun hanya dengan memberikan koordinat sudut gambar.

  • Perhitungan daerah.
  • Proses menemukan area sosok tertutup.

AreaCalculation

Gambar 9: Perhitungan di Area

 

1.9.5. PENGGUNAAN TOTAL STATION

  Penggunaan Total Station adalah sebagai berikut:

  • Survey Tambang
  • Survei Kadastral
  • Survei Rekayasa
  • Skala Survey Besar
  • Jalan / rel / Canal Survei

Beberapa stasiun total juga memiliki antarmuka GNSS yang menggabungkan keunggulan dari kedua teknologi (GNSS – saling berhadapan tidak diperlukan antara titik diukur, Total Station – pengukuran presisi tinggi terutama di sumbu vertikal dibandingkan dengan GNSS) dan mengurangi konsekuensi dari setiap teknologi kerugian (GNSS – akurasi miskin di sumbu vertikal dan akurasi yang lebih rendah tanpa panjang periode pekerjaan, Total Station – memerlukan garis penglihatan dan pengamatan harus membuat lebih dari satu jalur atau dikenal dengan saling berhadapan untuk 2 atau lebih poin dengan lokasi yang dikenal).

Fundamemtals Penginderaan Jauh Hyperspectral

Fundamemtals Penginderaan Jauh Hyperspectral

Pengantar

Hyperspectral penginderaan jauh adalah ilmu untuk memperoleh citra digital bahan bumi di banyak sempit band spektral bersebelahan. Sensor hyperspectral atau spektrometer pencitraan mengukur bahan tanah dan menghasilkan lengkap tanda tangan spektral tanpa kelalaian panjang gelombang.Instrumen tersebut diterbangkan kapal ruang dan berbasis platform udara. Handheld versi juga ada dan digunakan untuk misi penilaian akurasi dan investigasi skala kecil.

Instrumen spektral hiper biasanya dengan beberapa band bersebelahan di semua bagian dari spektrum di mana mereka beroperasi. Digital Airborne Pencitraan Spektrometer misalnya adalah itt, memiliki 63 band, 27 di terlihat, dan infra-merah dekat (0,4-1,0 mikron), dua dalam jangka pendek gelombang infra merah (1,0-1,6 mikron), 28 di gelombang pendek inframerah penting untuk pemetaan mineral lempung (2,0-2,5 mikron), dan 6 di inframerah termal.Kemampuan untuk mengukur reflektansi di beberapa band bersebelahan di bagian tertentu dari spektrum memungkinkan instrumen ini untuk menghasilkan kurva spektral yang dapat dibandingkan dengan referensi spektrum untuk sejumlah mineral, sehingga memungkinkan kandungan mineral dari bagian tertentu dari tanah menjadi ditentukan.

Pencitraan itt melibatkan melanggar pita lebar dari terlihat dan infra-merah menjadi ratusan bagian spektral, yang memungkinkan pertandingan yang sangat tepat karakteristik tanah, seperti warna, dengan standar referensi. Teknik ini sangat sensitif sehingga dapat mendeteksi benda disamarkan dan telah digunakan di bidang kehutanan untuk mengukur biomassa dan kerusakan yang disebabkan oleh penyakit tanaman. Penginderaan jauh Hyperspectral menggabungkan pencitraan dan spektroskopi dalam satu sistem, yang sering kali berisi set data yang besar dan memerlukan metode pengolahan baru. Data set Hyperspectral umumnya terdiri dari sekitar 100 sampai 200 band spektral bandwidth relatif sempit (5-10 nm), sedangkan, set data multispektral biasanya terdiri dari sekitar 5 sampai 10 band dari bandwidth yang relatif besar.

General Spektroskopi

Bidang spektroskopi dibagi menjadi emisi dan spektroskopi serapan. Sebuah spektrum emisi diperoleh dengan analisis spektroskopi beberapa sumber cahaya. Fenomena ini terutama disebabkan oleh eksitasi atom dengan cara termal atau listrik, energi yang diserap menyebabkan elektron dalam keadaan dasar untuk dipromosikan ke keadaan tingkat energi yang lebih tinggi. Masa pakai elektron dalam keadaan metastabil pendek, dan mereka kembali ke beberapa negara yang lebih rendah atau ke keadaan dasar, energi yang diserap dilepaskan sebagai cahaya. Sebuah penyerapan spektrum diperoleh dengan menempatkan substansi antara sensor dan beberapa sumber energi yang menyediakan EMR dalam rentang frekuensi sedang dipelajari. Sensor menganalisis energi dipancarkan relatif terhadap insiden energi untuk frekuensi tertentu.

Jadi untuk mempelajari berbagai kurva spektral, kita harus mengurus penyerapan spektrum berbagai fitur, penyerapan puncak dapat karena:

1. Mengisi Transfer serapan

2. Serapan transisi elektron dan

3. Serapan vibrasi.

Spektroskopi adalah studi tentang radiasi elektromagnetik. Spektrometri berasal dari spektrofotometri-fotometri, ukuran foton sebagai fungsi dari panjang gelombang, istilah yang digunakan selama bertahun-tahun dalam astronomi. Namun, spektrometri menjadi istilah yang digunakan untuk menunjukkan pengukuran besaran non-ringan, seperti dalam spektrometri massa. Istilah seperti laboratorium spektrometer, spectroscopist, spektroskopi reflektansi, spektroskopi emisi termal, dll, yang umum digunakan. Para peneliti sedang mempelajari dan menerapkan metode untuk identifikasi dan pemetaan materi melalui penginderaan jauh spektroskopi (disebut pencitraan spektroskopi, pencitraan itt, pencitraan spektrometri, dll), di bumi dan seluruh tata surya menggunakan laboratorium, udara dan pesawat ruang angkasa spektrometer.

Spektrum matahari 400-2500 nm menyediakan cukup radiasi permukaan untuk memungkinkan pencitraan spektral di bawah sinar matahari yang dipantulkan, dan sensor hyperspectral meliputi spektrum ini akan memiliki pada urutan 200 band spektral. Hal ini bertujuan untuk meningkatkan akurasi dan memperluas lingkup penginderaan jauh terestrial dengan sepenuhnya memanfaatkan domain spektral, sambil memberikan informasi spektral dalam konteks spasial sehingga dapat dengan mudah diinterpretasikan dan digunakan.

Ada 4 parameter umum yang menggambarkan kemampuan spektrometer:

1) Kisaran spektral,

2) Bandwidth spektral,

3) spektral sampling, dan

4) rasio Signal-to-noise (S / N).

Rentang spektral penting untuk menutupi penyerapan spektral diagnostik cukup untuk memecahkan masalah yang diinginkan. Ada rentang spektral umum yang umum digunakan, masing-masing untuk urutan pertama dikendalikan oleh teknologi detektor: a) ultraviolet (UV): 0,001-0,4 m, b) terlihat: 0,4-0,7 um, c) dekat-inframerah (NIR): 0,7-3,0 m, d) pertengahan inframerah (MIR): 3,0-30 m, dan d) inframerah jauh (FIR): 30 pM sampai 1 mm (misalnya, lihat The Photonics Desain dan Aplikasi Handbook, 1996 dan The Handbook of Kimia dan Fisika, setiap tahun baru). The ~ 0,4-1,0 um-rentang panjang gelombang kadang-kadang disebut dalam literatur penginderaan jauh sebagai VNIR (-dekat-inframerah terlihat) dan kisaran 1,0-2,5 um-kadang disebut sebagai SWIR (gelombang pendek inframerah). Perlu dicatat bahwa istilah ini tidak diakui persyaratan standar di bidang lain kecuali penginderaan jauh, dan karena NIR dalam konflik VNIR dengan diterima berbagai NIR, VNIR dan SWIR istilah mungkin harus dihindari. Pertengahan inframerah meliputi energi termal yang dipancarkan, yang untuk Bumi dimulai pada sekitar 2,5 sampai 3 m, memuncak mendekati 10 m, penurunan melampaui puncak, dengan bentuk dikendalikan oleh abu-tubuh emisi.

Spectral bandwidth adalah lebar saluran spektral individu dalam spektrometer. Sempit bandwidth spektral, semakin sempit fitur penyerapan spektrometer akurat akan mengukur, jika cukup sampel spektral yang berdekatan diperoleh. Beberapa sistem memiliki saluran yang luas sedikit, tidak contiguously spasi dan, dengan demikian, tidak dianggap spektrometer (Gambar 1a). Contohnya termasuk Thematic Mapper (TM) sistem Landsat dan Moderate Resolution Imaging Spectroradiometer (MODIS), yang tidak bisa menyelesaikan fitur penyerapan sempit. Lainnya, seperti NASA JPL Airborne Visual dan Infra-Red Pencitraan Spectrometer (AVIRIS) sistem memiliki banyak bandwidth yang sempit, contiguously spasi (Gambar 1b). Gambar 1 menunjukkan spektrum untuk nontronit mineral yang bisa diperoleh oleh beberapa contoh broadband dan sistem spektrometer. Perhatikan kerugian halus rinci spektral dalam sistem resolusi yang lebih rendah dibandingkan dengan spektrum laboratorium. Bandwidth dan pengambilan sampel lebih besar dari 25 nm dengan cepat kehilangan kemampuan untuk menyelesaikan fitur penyerapan mineral penting. Semua spektrum pada Gambar 1b adalah sampel setengah Nyquist (sampling kritis) kecuali Spektrometer Pemetaan Inframerah dekat (Nims), yang di Nyquist sampling. Catatan, bagaimanapun, bahwa rincian halus dari fitur penyerapan hilang di ~ 25 nm bandpass dari NIMS. Misalnya, bahu di band penyerapan 2,2 m hilang pada 25-nm bandpass. Visual dan Inframerah Spektrometer Pemetaan (VIMS) dan sistem NIMS mengukur sampai 5 m, sehingga bisa melihat pita penyerapan tidak mungkin diperoleh oleh sistem lain.

hyperRS1

Daftar Sensor itt:

  1. HSI
  2. ARIES
  3. Hyperion
  4. CHRIS
  5. HYDICE

 

Sebagai teknologi sensor baru telah muncul selama beberapa tahun terakhir, data yang multispektral dimensi tinggi dengan ratusan band telah tersedia.Sebagai contoh, sistem AVIRIS mengumpulkan data gambar dalam pita spektrum 210 di 0,4-2,4 pM jangkauan. Dibandingkan dengan data sebelumnya dari dimensi rendah (kurang dari 20 band), data ini itt berpotensi menyediakan banyak informasi. Namun, hal ini juga menimbulkan perlunya perhatian lebih spesifik untuk prosedur analisis data jika potensi ini akan terwujud.

 

Tabel 1. Beberapa sistem hyperspectral dikerahkan (12/00).

Sensor

Rentang panjang gelombang (nm)

Lebar band (nm)

Jumlah band

AVIRIS 400-2500 10 224
TRWIS III 367-2328 5.9 335
HYDICE 400-2400 10 210
CASI 400-900 1.8 288
OKSI AVS 400-1000 10 61
Meris 412-900 10,7.5,15,20 15
Hyperion 325-2500 10 242

 

Data yang Hyperspectral

Data yang dihasilkan oleh spektrometer pencitraan berbeda dengan instrumen multispektral karena jumlah besar wavebands direkam. Untuk wilayah geografis tertentu dicitrakan data yang dihasilkan dapat dilihat sebagai kubus, memiliki dua dimensi yang mewakili posisi spasial dan salah satu yang mewakili panjang gelombang. Meskipun data volume ketat tidak menimbulkan tantangan pengolahan data besar dengan sistem komputasi kontemporer itu tetap berguna untuk memeriksa ukuran relatif data mengatakan TM dan AVIRIS. Jelas, perbedaan utama yang perlu diperhatikan antara keduanya adalah jumlah wavebands (7 vs 224) dan kuantisasi radiometrik (8 vs 10bpppb). Mengabaikan perbedaan dalam resolusi spasial, volume data relatif, per pixel adalah 56:2240. Per pixel ada 40 kali lebih banyak bit sehingga untuk AVIRIS seperti untuk TM.

Dengan 40 kali lebih banyak data per pixel-apakah itu berarti informasi lebih per pixel? Umumnya tentu saja, itu tidak terjadi-banyak data addional tidak menambah kandungan informasi yang melekat untuk informasi tertentu meskipun sering membantu dalam menemukan informasi yang dengan kata lain mengandung redudansi. Dalam penginderaan jauh redundansi data dapat mengambil dua bentuk: spasial dan spektral. Memanfaatkan redundansi spasial yang ada di balik metode konteks spasial. Redundansi spektral berarti bahwa isi informasi dari salah satu band yang dapat sepenuhnya atau sebagian diprediksi dari band lain dalam data.

Kalibrasi

Kalibrasi Data spektroskopi imaging untuk reflektansi permukaan merupakan bagian integral dari proses analisis data, dan sangat penting jika hasil yang akurat dapat diperoleh. Identifikasi dan pemetaan bahan dan sifat material yang terbaik dicapai dengan menurunkan sifat dasar permukaan, pantulan, sementara menghilangkan efek mengganggu penyerapan atmosfer dan hamburan, spektrum matahari, dan bias instrumental. Kalibrasi untuk reflektansi permukaan secara inheren sederhana dalam konsep, namun sangat kompleks dalam praktek karena model transfer radiasi atmosfer dan spektrum matahari belum ditandai dengan akurasi yang memadai untuk memperbaiki data untuk ketepatan beberapa instrumen yang tersedia saat ini, seperti NASA / JPL Airborne Visible dan Infra-Red Pencitraan Spektrometer.

Tujuan kalibrasi data penginderaan jauh adalah untuk menghilangkan efek atmosfer (hamburan dan penyerapan) dan untuk mengkonversi dari nilai-nilai cahaya yang diterima pada sensor untuk nilai reflektansi dari permukaan tanah. Keunggulan yang ditawarkan oleh dikalibrasi spektrum reflektansi permukaan dibandingkan data cahaya dikoreksi meliputi: 1) bentuk dari spektrum dikalibrasi terutama dipengaruhi oleh kimia dan sifat fisik bahan permukaan, 2) dikalibrasi spektrum jauh-merasakan dapat dibandingkan dengan lapangan dan Spektrum laboratorium bahan yang dikenal, dan 3) data dikalibrasi dapat dianalisis menggunakan metode spektroskopi yang mengisolasi fitur penyerapan dan menghubungkannya dengan ikatan kimia dan sifat fisik bahan. Dengan demikian, keyakinan yang lebih besar dapat ditempatkan dalam peta berasal dari data reflektansi dikalibrasi, di mana kesalahan dapat dilihat untuk muncul dari masalah dalam interpretasi daripada data input yang salah.

Normalisasi data:

Ketika koreksi radiometrik rinci tidak layak normalisasi merupakan alternatif yang membuat data dikoreksi independen kebisingan perkalian, seperti efek spektrum topografi dan solar. Hal ini dapat dilakukan dengan menggunakan Residu Log, berdasarkan pada hubungan antara cahaya dan reflektansi.

Jumlah sampel pelatihan yang dibutuhkan untuk melatih classifier untuk data dimensi tinggi jauh lebih besar dari yang dibutuhkan untuk data konvensional, dan mengumpulkan sampel ini pelatihan bisa sulit dan mahal. Oleh karena itu, asumsi bahwa sampel pelatihan yang cukup tersedia untuk secara akurat memperkirakan deskripsi kuantitatif kelas sering tidak puas untuk data dimensi tinggi. Sampel pra-label digunakan untuk memperkirakan parameter kelas dan merancang sebuah classifier disebut sampel pelatihan. Keakuratan estimasi parameter tergantung substansial pada rasio jumlah sampel pelatihan kepada dimensi dari ruang fitur. Dengan meningkatnya dimensi, jumlah sampel pelatihan yang dibutuhkan untuk mencirikan kelas meningkat juga. Jika jumlah sampel pelatihan yang tersedia gagal untuk mengejar ketinggalan dengan kebutuhan, yang merupakan kasus untuk data hyperspectral, estimasi parameter menjadi tidak akurat. Pertimbangkan kasus dari jumlah terbatas dan tetap sampel pelatihan. Keakuratan estimasi statistik menurun karena dimensi meningkat, yang mengarah ke penurunan akurasi klasifikasi. Meskipun peningkatan jumlah spektral band (dimensi) Akibatnya, akurasi klasifikasi pertama tumbuh dan kemudian menurun sebagai jumlah band spektral meningkat, yang sering disebut sebagai fenomena Hughes).

 

Perpustakaan Spectral

Penafsiran resolusi “hyperspectral” data citra spektral tinggi dapat disederhanakan dengan menggunakan contoh-contoh dari laboratorium dan tanah diperoleh perpustakaan spektrum didokumentasikan disebut sebagai perpustakaan spektral.

Perpustakaan spektral mengandung spektrum spesies individu yang telah diperoleh pada uji situs perwakilan beragam medan dan zona iklim, yang diamati di lapangan dalam kondisi alamiah. Termasuk juga adalah deskripsi data lain misalnya, bahan konstruksi, mineral vegetasi dan kain seperti yang diamati di laboratorium di bawah kondisi standar. Seperti perpustakaan atau database dalam kombinasi dengan perangkat lunak dapat memungkinkan dalam identifikasi bahan dengan mencocokkan spektrum mereka dengan data penginderaan jauh untuk tujuan identifikasi.

Analisis dan Interpretasi Imaging Spectrometer data

Teknik yang berbeda telah dirancang untuk memetakan fitur penyerapan untuk membuat diskriminasi positif target reflektansi permukaan. Mereka adalah

Linear Spectral Algoritma unmixing

Yang paling banyak digunakan metode untuk mengekstraksi informasi dari permukaan gambar penginderaan jauh adalah klasifikasi citra. Karakteristik spektral masing-masing kelas pelatihan didefinisikan melalui proses statistik atau probabilistik dari fitur ruang dan pixel diketahui harus diklasifikasikan dibandingkan dengan statistik kelas dikenal dan ditugaskan ke kelas yang mereka sebagian besar menyerupai.

Permukaan alami jarang terdiri dari bahan seragam tunggal. Spektral pencampuran merupakan konsekuensi dari pencampuran bahan yang memiliki sifat spektral yang berbeda dalam GIFOV [dasar bidang sesaat view] dari satu piksel. Jika skala pencampuran besar [makroskopik], pencampuran terjadi secara linear. Untuk fitur mikroskopis atau intim pencampuran terjadi secara non-linear. Linear pencampuran mengacu pada kombinasi aditif dari beberapa bahan yang beragam yang terjadi dalam pola terlalu halus untuk diselesaikan oleh sensor. Model linier mengasumsikan tidak ada interaksi antara bahan. Jika setiap foton melihat salah satu materi, sinyal ini menambahkan [suatu proses linear]. Beberapa hamburan melibatkan beberapa bahan dapat dianggap sebagai perkalian mengalir [proses non-linear].

Apa Penyebab spektral Mixing

Berbagai faktor berinteraksi untuk menghasilkan sinyal yang diterima oleh spektrometer pencitraan

  • Sebuah volume yang sangat tipis bahan berinteraksi dengan insiden sinar berjemur. Semua bahan yang ada dalam buku ini memberikan kontribusi terhadap total energi yang dipantulkan.
  • Spasial pencampuran bahan di daerah diwakili oleh hasil piksel tunggal dalam sinyal tercermin spektral campuran.
  • Pencahayaan variabel karena topografi [teduh] dan bayangan yang sebenarnya di daerah diwakili oleh pixel lebih memodifikasi sinyal yang dipantulkan, pada dasarnya pencampuran dengan “hitam” anggota end.
  • Pencitraan spektrometer mengintegrasikan cahaya yang dipantulkan dari setiap pixel.

Analisis unmixing spektral dikhususkan untuk penggalian spektrum murni yang oleh kebutuhan membentuk masing-masing gambar. Hal ini dapat dicapai hanya jika piksel dibentuk oleh linier pencampuran

Pemodelan Campuran Spectra

Model paling sederhana dari spektrum campuran adalah linear satu, di mana spektrum adalah kombinasi linear dari “murni” spektrum bahan terletak di daerah pixel, dihitung dengan kelimpahan pecahan mereka. Pemodelan Campuran bertujuan menemukan pantulan campuran dari satu set murni end-anggota-spektrum.

Sebuah perpustakaan spektral membentuk matriks data awal untuk analisis. Yang ideal perpustakaan spektral berisi anggota end bahwa ketika dikombinasikan linear dapat membentuk semua spektrum lainnya. Model matematika adalah sederhana. Spektrum yang diamati [vektor] dianggap produk dari mengalikan perpustakaan pencampuran spektrum anggota end murni [matriks] oleh kelimpahan anggota akhir [vektor]. Sebuah kebalikan dari aslinya spektral matriks perpustakaan dibentuk dengan mengalikannya dengan transposes dari matriks orthogonal dan nilai-nilai timbal balik dari matriks diagonal.Sebuah vektor perkalian matriks sederhana antara matriks perpustakaan terbalik dan spektrum campuran diamati memberikan perkiraan kelimpahan anggota akhir perpustakaan untuk spektrum diketahui.

Model pencampuran geometris menyediakan sarana alternatif intuitif untuk memahami spektral pencampuran. Campuran piksel yang divisualisasikan sebagai titik dalam n-dimensi ruang-pencar Plot [spasi spektral], dimana n adalah jumlah band. Dalam dua dimensi, jika hanya dua anggota akhir campuran, maka piksel campuran akan jatuh dalam garis (gambar 2A). Para anggota end murni akan jatuh di kedua ujung garis pencampuran. Jika tiga anggota akhir campuran, maka piksel campuran akan jatuh di dalam segitiga (gambar 2B). Campuran dari anggota akhir “mengisi” antara anggota akhir.

hyperRS2

Gambar 2: Pemilihan anggota End menggunakan PCA

Semua spektrum campuran adalah “interior” kepada anggota akhir murni, dalam simpleks dibentuk oleh simpul anggota akhir, karena semua kelimpahan positif dan jumlah untuk persatuan. Ini “cembung set” pixel campuran dapat digunakan untuk menentukan berapa banyak anggota end hadir dan untuk memperkirakan spektrum mereka. Model geometrik dapat dikembangkan untuk dimensi yang lebih tinggi di mana jumlah anggota akhir pencampuran adalah salah satu lebih dari yang melekat dimensi dari data campuran.

Unmixing spektral

Dua jenis yang sangat berbeda dari unmixing biasanya digunakan: Menggunakan “dikenal” anggota end dan menggunakan “turunan” anggota akhir.

Menggunakan anggota akhir dikenal, orang berusaha untuk memperoleh kelimpahan pecahan nyata dari setiap materi endmembers di setiap pixel, diberi satu set “diketahui” atau diasumsikan endmembers spektral. Ini endmembers dikenal dapat ditarik dari data [rata-rata daerah memilih menggunakan pengetahuan sebelumnya], yang diambil dari sebuah perpustakaan bahan murni dengan interaktif browsing melalui data spektrometer pencitraan untuk menentukan apa bahan murni yang ada di gambar, atau ditentukan dengan menggunakan sistem pakar.

Pencampuran endmembers matriks terdiri dari spektrum dari foto atau perpustakaan referensi. Pencampuran matriks terbalik dan dikalikan dengan spektrum yang diamati untuk mendapatkan estimasi kuadrat-yang tidak diketahui endmembers kelimpahan fraksi. Kendala dapat ditempatkan pada solusi untuk memberikan pecahan positif bahwa jumlah untuk persatuan. Naungan dan bayangan yang termasuk baik implisit [fraksi sum untuk 1 atau kurang] atau eksplisit sebagai endmember [fraksi sum untuk 1].

Metode unmixing kedua menggunakan data spektrometer pencitraan diri untuk “menurunkan” para endmembers pencampuran. Yang melekat dimensi data ditentukan dengan menggunakan prosedur orthozonalization khusus yang berkaitan dengan komponen utama:

  • Sebuah sub-ruang linear, atau “flat” yang mencakup seluruh sinyal data berasal.
  • Data diproyeksikan ke subruang ini, menurunkan dimensi dari unmixing dan menghapus sebagian besar suara.
  • Cembung lambung dari data proyeksi ditemukan.
  • Data “dibungkus plastik” oleh simpleks n-dimensi, memberikan perkiraan endmembers murni.
  • Ini endmembers berasal harus memberikan perkiraan kelimpahan layak [fraksi positif bahwa jumlah persatuan].

Unmixing spektral adalah salah satu daerah penelitian analisis hyperspectral paling menjanjikan. Prosedur analisis menggunakan pendekatan geometri cembung sudah dikembangkan untuk data AVIRIS telah menghasilkan hasil pemetaan kuantitatif untuk berbagai bahan [geologi, vegetasi, oseanografi] dengan pengetahuan apriori. Kombinasi pendekatan unmixing dengan data kalibrasi model berbasis dan kemampuan identifikasi sistem pakar berpotensi mengakibatkan-to-end end metodologi analisis kuantitatif belum otomatis.

Spectral Angle Klasifikasi Mapper  

The Spectral Angle Mapper [SAM] adalah metode otomatis untuk membandingkan spektra gambar untuk spektrum individu atau perpustakaan spektral.Pemetaan sudut spektral menghitung kesamaan spektral antara tes reflektansi spektrum dan spektrum reflektansi referensi. SAM mengasumsikan bahwa data telah dikurangi menjadi reflektansi jelas [reflektansi benar dikalikan oleh beberapa faktor keuntungan diketahui dikendalikan oleh topografi dan bayangan]. Algoritma menentukan kesamaan antara dua spektrum dengan menghitung “spektral sudut” di antara mereka, memperlakukan mereka sebagai vektor dalam ruang dengan dimensi sama dengan jumlah band [nb]. Penjelasan sederhana ini dapat diberikan dengan mempertimbangkan spektrum referensi dan spektrum diketahui dari data dua-band. Kedua bahan yang berbeda akan diwakili dalam plot pencar 2-D dengan satu poin untuk setiap pencahayaan yang diberikan, atau sebagai garis [vektor] untuk semua iluminasi mungkin [Figure3].

hyperRS3

Gambar 3: 2-D Sebar petak

Karena hanya menggunakan “arah” spektrum, dan tidak “panjang” mereka, metode ini sensitif terhadap faktor keuntungan diketahui, dan semua iluminasi mungkin diperlakukan sama. Piksel buruk diterangi akan jatuh lebih dekat ke asal. “Warna” dari suatu material didefinisikan oleh arah vektor satuan nya.Sudut antara vektor adalah sama terlepas dari panjang. Panjang vektor hanya menyangkut bagaimana sepenuhnya pixel menyala.

Spektral kesamaan antara spektrum t diketahui spektrum referensi r, dinyatakan dalam hal rata-rata μ sudut antara dua spektrum

hyperRS4

yang juga dapat ditulis sebagai

hyperRS5

Dimana nb sama dengan jumlah band dalam gambar.

Untuk setiap spektrum referensi yang dipilih dalam analisis citra hyperspectral, sudut spektral yang ditentukan untuk setiap spektrum citra [pixel]. Nilai ini, dalam radian yang memberikan perkiraan kuantitatif kehadiran fitur penyerapan, ditugaskan untuk pixel yang sesuai dalam output SAM gambar, satu gambar output untuk setiap spektrum referensi. Peta-peta sudut spektral diturunkan membentuk kubus data baru dengan jumlah band yang sama dengan jumlah spektrum referensi yang digunakan dalam pemetaan. Grey-tingkat thresholding biasanya digunakan untuk menentukan secara empiris daerah-daerah yang paling cocok dengan spektrum referensi sementara tetap mempertahankan koherensi spasial.

 

Aplikasi Analisis Gambar Hyperspectral

1. Mineral menargetkan dan pemetaan.

2. Hal ini dapat mendeteksi sifat tanah termasuk air, kadar organik, dan salinitas.

3. Vegetasi ilmuwan telah berhasil menggunakan citra hyperspectral untuk mengidentifikasi spesies vegetasi (Clark et al., 1995), studi tanaman kanopi kimia (Aber dan Martin, 1995), dan

mendeteksi vegetasi stres (Merton, 1999).

4. Personil militer telah menggunakan citra hyperspectral untuk mendeteksi kendaraan militer di bawah kanopi vegetasi parsial, dan banyak tujuan deteksi target militer lainnya.

5. Suasana: Studi parameter atmosfer seperti awan, kondisi aerosol dan uap air untuk memantau panjang, variasi atmosfer skala besar panjang sebagai akibat dari

perubahan lingkungan. Studi karakteristik awan, yaitu struktur dan distribusinya.

6. Ocenography: Pengukuran potensi fotosintesis oleh fitoplankton deteksi, deteksi zat kuning dan deteksi materi ditangguhkan. Investigasi air

kualitas, pemantauan erosi pantai.

7. Salju dan Es: Distribusi spasial tutupan salju, permukaan Albedo dan setara air salju. Perhitungan keseimbangan energi dari pak salju, estimasi salju sifat-salju butir

ukuran, kedalaman salju dan kadar air cair.

8. Tumpahan Minyak: Ketika tumpahan minyak di daerah dipengaruhi oleh angin, gelombang, dan pasang surut, yang cepat dan penilaian kerusakan dapat membantu untuk memaksimalkan upaya pembersihan. Lingkungan

daerah sensitif dapat ditargetkan untuk perlindungan dan pembersihan, dan kerusakan jangka panjang dapat diminimalkan. Urutan waktu gambar minyak dapat membimbing usaha secara real-time oleh

memberikan konsentrasi relatif dan lokasi yang akurat.

Referensi

1.Rechards, John.R, dan Jia, X., 1999: Remote Sensing Digital Image Analysis, Springer

2.Schowengerdt, Robert.A, 1997: Remote Sensing kata modal dan Metode Image Processing, Academic Press.

3.Tong, T., Tian, ​​Q., Pu, O., dan Zhao, C. 2001, penentuan Spectrscopic status Air gandum menggunakan 1650-1850 nm fitur penyerapan spektral, Int.J.Rs, Vol

22, No.12, 2329-2338

4.Dyer, Johen.R, 1994:. Penerapan penyerapan Spektroskopi Senyawa Organik, Prentice Hall of India.

5.Curran, Paul.J. 2001, Imaging spektrometri untuk aplikasi ekologi, JAG, Vol.3-Issue 4,305-312

6. http://speclab.cr.usgs.gov/spectral-lib.html untuk perpustakaan spektral

Sebuah Insight ke NDVI

Sebuah Insight ke NDVI

The Normalised Perbedaan Indeks Vegetasi (NDVI) merupakan ukuran dari tutupan vegetasi pada permukaan tanah. Vegetasi yang lebat muncul sangat kuat dalam citra, dan daerah dengan vegetasi sedikit atau tidak ada juga diidentifikasi dengan jelas. NDVI juga mengidentifikasi air dan es. Vegetasi berbeda dari permukaan lahan lainnya karena cenderung menyerap sangat panjang gelombang merah sinar matahari dan mencerminkan dalam panjang gelombang inframerah. The Normalised Perbedaan Indeks Vegetasi (NDVI) adalah ukuran perbedaan pantulan antara rentang panjang gelombang. NDVI mengambil nilai antara -1 dan 1, dengan nilai 0,5 mengindikasikan vegetasi yang lebat dan nilai-nilai <0 menunjukkan tidak ada vegetasi. NDVI telah terbukti memiliki sangat luas (dan terus bertambah) berbagai aplikasi. Hal ini digunakan untuk memonitor kondisi vegetasi dan karena itu memberikan peringatan dini kekeringan dan kelaparan.

Meskipun NDVI Data telah terbukti sangat berguna itu hanya dapat digunakan dengan baik ketika pengguna menyadari banyak keterbatasan data.

NDVI: Bagaimana itu dihitung.

Sejak tahun 1982, NASA telah menghasilkan gambar NDVI Afrika tiga kali sebulan, membangun sebuah arsip yang berharga dari kondisi di Afrika selama periode tersebut. Hal ini memungkinkan kondisi sekarang harus dibandingkan dengan tahun-tahun sebelumnya.

Ketika pertama NOAA satelit yang diluncurkan, saluran 1 dan 2 di AVHRR yang dirancang untuk memantau awan, es dan tanah / batas air. Namun, para peneliti segera menyadari dua saluran dapat dikombinasikan untuk mendeteksi vegetasi menggunakan pantulan yang berbeda dari vegetasi di dua saluran. Klorofil menyerap cahaya dalam saluran merah 1 (0,58-0,68 mikron) dan dedaunan memantulkan cahaya dalam saluran inframerah dekat 2 (0,72-1,10 mikron). Hal ini ditunjukkan pada Gambar 1 dan Gambar 2. Oleh karena itu, aktivitas fotosintesis yang lebih tinggi akan menghasilkan pantulan yang lebih rendah dalam saluran merah dan reflektansi tinggi dalam saluran inframerah dekat. Tanda tangan ini bersifat unik untuk tanaman hijau.

VegetationSpecReflectance

Gambar 1: Vegetasi reflektansi spektral.

NDVI1

Gambar 2: Khas pantulan kurva untuk vegetasi, tanah dan air [Lillesand dan Kiefer, 1994].

Dengan menggabungkan dua saluran dalam rasio atau perbedaan, memungkinkan respon terhadap pertumbuhan vegetasi harus dibedakan dari sinyal latar belakang. Metode, yang dikembangkan oleh NASA dikenal sebagai Normalkan Selisih Indeks Vegetasi (NDVI) dan diberikan oleh persamaan (NIR-RED/NIR + RED), di mana RED dan NIR sesuai dengan saluran 1 dan 2 masing-masing. Dengan normalisasi perbedaan dalam cara ini, nilai-nilai dapat ditingkatkan antara nilai -1 sampai +1. Hal ini juga mengurangi pengaruh penyerapan atmosfer. Tabel 1 menunjukkan nilai reflektansi khas dalam saluran merah dan inframerah, dan NDVI untuk jenis penutup khas. Air biasanya memiliki nilai NDVI kurang dari 0, tanah gundul antara 0 dan 0,1 dan vegetasi lebih dari 0,1.

 

SAMPUL TYPE

RED

NIR

NDVI

Vegetasi yang lebat

0.1

0.5

0.7

Tanah kering Bare

0.269

0.283

0.025

Awan-awan

0.227

0.228

0,002

Salju dan es

0,375

0.342

-0,046

Air

0.022

0.013

-0,257

Tabel 1: NDVI nilai khas untuk berbagai jenis penutup [Holben, 1986].

 

NDVI: IRS 1C LISS-3 (Sensor) Produk.

Gambar 2 menunjukkan citra NDVI kabupaten Mewat dari Haryana, India dihitung untuk 8 Februari 1998. Data yang digunakan untuk menghitung NDVI adalah dari LISS-3 sensor IRS 1C.

Rumus berikut ini digunakan untuk memperoleh NDVI.

NDVI = (NIR – Red) / (NIR + Red) = (3 Band – Band 2) / (3 + Band Band 2)

mewatNDVILegend

Gambar 3: NDVI citra kabupaten Mewat dari Haryana, India 8 Februari 1998

 

Satelit yang berbeda memiliki band yang berbeda untuk daerah infra merah merah dan dekat. Berikut ini adalah rumus untuk menghitung NDVI dari sebagian besar satelit umum:

 

LANDSAT TM:

NDVI = (NIR – Red) / (NIR + Red) = (4 Band – Band 3) / (4 + Band Band 3)

LANDSAT MSS:

NDVI = (NIR – Red) / (NIR + Red) = (4 Band – Band 2) / (4 + Band Band 2)

AVHRR:

NDVI = (NIR – Red) / (NIR + Red) = (2 Band – Band 1) / (2 + Band Band 1)

SPOT:

NDVI = (NIR – Red) / (NIR + Red) = (3 Band – Band 2) / (3 + Band Band 2)

AVIRIS:

NDVI = (NIR – Red) / (NIR + Red) = (4 Band – Band 4) / (4 + Band Band 4)

IRS 1C (LISS – 3), IRS 1D (LISS – 3), IRS P6 (LISS – 3):

NDVI = (NIR – Red) / (NIR + Red) = (3 Band – Band 2) / (3 + Band Band 2)

 

NDVI: Keterbatasan.

 

1. Resolusi temporal

Hal ini penting untuk mendapatkan keseimbangan yang tepat antara resolusi temporal data dan skala waktu variasi dalam kuantitas yang diukur. Sebagai contoh, komposit nilai maksimum data NDVI jarang kurang dari dekadal. Akibatnya, NDVI MVC tidak boleh digunakan untuk menyelidiki peristiwa jangka pendek seperti kebakaran hutan. Hal ini lebih tepat untuk menggunakan data NDVI untuk memantau peristiwa jangka panjang seperti pertumbuhan vegetasi melalui musim, atau tingkat deforestasi.

2. Interferensi Atmosfer

Cahaya tersebar ke segala arah oleh partikel di atmosfer. Hamburan cenderung meningkatkan jumlah radiasi merah yang diterima oleh satelit seperti merah lebih mudah tersebar di atmosfer daripada dekat inframerah. Hal ini memiliki efek mengurangi nilai NDVI. Untuk jangka pendek, masalah ini diminimalkan dengan mengambil komposit nilai maksimum karena nilai maksimum setiap pixel adalah mungkin telah terjadi ketika hamburan adalah minimal.

Namun, dalam kasus-kasus ekstrim jangka panjang, peristiwa aerosol skala besar, seperti awan abu dari Mt. Letusan Pinatubo pada Juni 1991, nilai compositing maksimum tidak akan bekerja. Mt. Pinatubo meletus di Filipina eksplosif pada bulan Juni 1991. Kekuatan vertikal letusan mendorong sejumlah besar material hingga ke stratosfer, tingkat atas atmosfer. Aerosol ini stratosfir memiliki efek yang besar pada kejelasan atmosfer dan artifisial mengurangi nilai NDVI. Sebuah prosedur koreksi dikembangkan oleh NASA, tapi tidak semua gambar dikoreksi yang berkualitas tinggi.

3. Tipe tutupan lahan

Dengan pengecualian dari skema irigasi yang sangat besar dan pertanian komersial, pixel NDVI sangat jarang mencakup daerah pertanian tunggal homogen. Sebaliknya mungkin menutupi jalan, bangunan, tanah yang gundul, badan air kecil, vegetasi alam dan pertanian, semua dalam satu pixel.Sebuah pixel NDVI adalah jumlah radiasi yang dipantulkan dari semua jenis tutupan lahan dalam wilayah yang dicakup oleh pixel. NDVI merupakan indikator dari kondisi vegetasi secara keseluruhan di daerah, termasuk vegetasi alam dan pertanian. Dalam pertanian tadah hujan, vegetasi alami dapat mengikuti pola yang mirip dengan pertanian.

Lebih sering Namun, pertanian lebih rentan terhadap kondisi buruk dan mengikuti siklus pertumbuhan yang berbeda. Ketika melihat NDVI, selalu ingat bahwa Anda melihat kondisi umum dan belum tentu kondisi tanaman tertentu.

4. Vegetasi Konservasi-jenis tanah

  Cahaya yang dipantulkan dari tanah dapat memiliki dampak yang signifikan terhadap nilai NDVI (mengubah nilai hingga 20%). Umumnya, semakin besar cahaya yang dipantulkan dari tanah, semakin rendah nilai NDVI. Tanah-jenis karena merupakan faktor penting. Mengingat dua jenis tanah, satu dengan reflektifitas lebih besar tapi dengan kondisi vegetatif yang sama, tanah dengan besar reflektifitas akan rata-rata menghasilkan nilai NDVI rendah. Huete dan Jackson menemukan bahwa-jenis tanah memiliki pengaruh terbesar pada nilai-nilai NDVI antara 40 dan vegetasi 75%.

5. Degradasi Sensor

The radiometer satelit degradasi dari waktu ke waktu. Akibatnya, koefisien kalibrasi tidak konstan. Saluran termal AVHRR memiliki sistem internal kalibrasi, tetapi saluran yang tampak (1) tidak. Teknik sederhana untuk kalibrasi channel 1 adalah dengan menggunakan target stabil di permukaan bumi seperti gurun pasir dan lautan. Koreksi diterapkan langsung ke NDVI menggunakan deviasi dari nilai yang diharapkan ditemukan di gurun Sahara. Penggunaan sebuah offset untuk NDVI adalah sederhana karena faktor koreksi dapat bervariasi selama rentang nilai NDVI, tapi itu lebih baik daripada tidak ada koreksi sama sekali. Bila menggunakan NDVI citra, perawatan harus dilakukan untuk memastikan data telah diperbaiki, dan jika tidak, maka untuk membuat koreksi diri.

Referensi: http://www.met.rdg.ac.uk