Pos

Author

Canopy Height Model (Chm) Menggunakan Survei Fotogrametri Untuk Perhitungan Tinggi Pohon

/0 Comments/in , /by

Oleh : Rabby Awalludin, ST

Kemunculan fotogrametri dengan menggunakan pesawat nirawak (UAV) menjadi jalan baru penggunaan metode fotogrametri dalam analisis lingkungan seperti lingkungan hutan dan daerah sulit terjamah oleh metode akuisisi lainnya. Jika dibandingkan dengan pengukuran fotogrametri dengan kamera metric dan penerbangan dengan ketinggian tinggi maupun dengan survey berbasis LiDAR, metode ini tetap memiliki resolusi spasial dan temporal yang tinggi [1].

CHM atau Canopy Height Model merupakan representasi dari tinggi pohon pada wilayah pengukuran. Tinggi pohon diukur melalui jarak antara ground (permukaan) dengan titik tertinggi pohon. Untuk daerah dengan tutupan lahan yang secara keseluruhannya merupakan pepohonan, tidak diperlukan tindakan lebih lanjut sebelum CHM dikalkulasi. Beda hal jika terdapat perumahan atau bangunan dalam area tersebut, untuk kondisi ini diperlukan pembersihan terlebih dahulu data tersebut.

Muncul pertanyaan, apa saja yang dapat kita lakukan dengan adanya CHM ini? Banyak pemanfaatan yang dilakukan oleh berbagai pihak dalam berbagai fungsi pemetaan dan analisis spasial (keruangan). Beberapa diantaranya sebagai berikut [2]:

  1. Evaluasi resiko tinggi vegetasi terhadap saluran listrik
  2. Memantau penebangan dan pemulihan hutan
  3. Menilai kesesuaian habitat untuk satwa liar
  4. Mengidentifikasi lokasi pohon-pohon yang memenuhi syarat masuk dalam kategori pohon besar (klasifikasi pohon hutan)
  5. Mengevaluasi pertumbuhan dan perkembangan pohon hutan industri

CHM merupakan hitungan turunan dari Digital Elevation Model (DEM) dan Digital Surface Model (DSM). Nilai CHM dapat diketahui dengan banyak cara, salah satunya adalah dengan melakukan pengurangan nilai DSM oleh DEM. DSM yang merupakan representasi dari nilai ketinggian keseluruhan objek di permukaan bumi dihilangkan permukaan tanahnya (ground) oleh DEM sehingga dihasilkan nilai ketinggian dari objek yang dihitung nol dari permukaan tanah. Secara singkat perhitungan nilai CHM dilakukan dengan cara berfikir seperti berikut:

DSM – DEM = CHM

Sebelum dapat menghasilkan nilai CHM dari DSM dan DEM, tentunya terdapat beberapa langkah dan metode yang harus dipenuhi terlebih dahulu. Sebelum menghasilkan nilai DSM, diperlukan data PointCloud, yang dapat dihasilkan dengan menggunakan metode fotogrametri maupun LiDAR. Secara singkat dengan menggunakan metode fotogrametri dapat dijelaskan sebagai berikut [3]:

Dilakukan aerial triangulation untuk mendapatkan nilai posisi dan ketinggian objek dari foto-foto yang diambil dengan menggunakan metode fotogrametri. Hasil ini berupa Sparse Point Cloud yang merupakan titik jarang yang merepresentasikan posisi suatu objek.


Nilai titik jarang tersebut kemudian diperbanyak sehingga menghasilkan titik-titik dengan kerapatan padat yang disebut dengan istilah Dense Point Cloud.

Interpolasi Dense Point Cloud yang menghasilkan Digital Surface Model (DSM)

Dilakukan proses klasifikasi, otomatis maupun manual yang menghasilkan data ketinggian Ground (DEM)

Kombinasi antara DSM dan DEM sehingga menghasilkan CHM

Perhitungan nilai CHM dapat dilakukan dengan menggunakan perangkat lunak ArcGIS, Global Mapper, Simactive, dan perangkat lunak pengolahan data spasial lainnya. Perhitungan dilakukan secara otomatis dengan menggunakan bahasa pemrograman yang terdapat pada masing-masing perangkat lunak.

Nilai ketelitian dari tinggi pohon yang diperoleh dengan menggunakan CHM dapat diperoleh dengan cara membandingkan beberapa sampel yang sama antara CHM dan data lapangan yang dipilih secara acak. Nilai ketelitian dari CHM sangat berpengaruh terhadap beberapa faktor, diantaranya:

·         Nilai GSD (Ground Sample Distance)

Seperti yang kita ketahui bersama, nilai GSD merupakan ukuran resolusi piksel dari hasil foto udara, baik foto udara dengan kamera metrik maupun foto udara dengan kamera non metrik. Model permukaan bumi terbentuk dari data elevasi digital dalam tiga dimensi (X, Y, Z). Data elevasi digital ini disimpan dalam format piksel grid (raster). Setiap piksel mempunyai nilai elevasi yang mewakili ketinggian titik di permukaan bumi. Semakin besar nilai GSD pada foto udara, maka resolusi spasial yang dihasilkan akan semakin rendah, dan tingkat kedetailan dari objek-objek pada foto udara akan semakin berkurang [4]. Jika GSD yang digunakan besar (resolusi rendah), nilai tinggi yang direpresentasikan oleh CHM menjadi buruk. Hal ini dipengaruhi dengan besarnya GSD, nilai tertinggi sebenarnya dari pohon tidak dapat didefinisikan dengan jelas. Sehingga representasi hasil tinggi kurang atau tidak mendekati nilai tinggi sebenarnya di lapangan.

·         Kualitas GCP

Kualitas Ground Control Point atau GCP juga ikut andil dalam ketelitian dari CHM yang dihasilkan. GCP berpengaruh dalam menentukan kedekatan posisi termasuk posisi horizontal dan vertikal dari objek pengamatan dalam hal ini pohon. Semakin baik kualitas GCP, maka akan semakin baik pula posisi dari objek pengamatan, yang secara langsung juga berpengaruh terhadap nilai CHM yang dihasilkan.

 ·         Nilai Pembanding

Nilai ketelitian hasil suatu metode didapatkan dengan membandingkan dengan hasil metode lainnya. Namun nilai pembanding tersebut harus memiliki nilai yang lebih dipercaya sehingga jika hasil metode yang dibandingkan semakin mendekati pembanding, maka metode tersebut dapat digunakan. Misalkan nilai CHM dibandingkan dengan hasil pengukuran lapangan. Metode perhitungan yang dilakukan dalam pengukuran lapangan haruslah metode yang memiliki nilai kepercayaan yang dapat dipertanggungjawabkan dengan baik.

Jonathan Lisein, Stephanie Bonnet and Philippe Lejeune dari Universitas Liege – Gembloux Agro-Biotech melakukan penelitian mengenai ketelitian CHM dengan menggunakan metode fotogrametri dengan pesawat nirawak (UAV) yang dibandingkan dengan pengukuran tinggi di lapangan [3] . Didapatkan hasil seperti pada tabel berikut :

Resolusi/GSDRMSE
25cm2.1m

Dari hasil yang didapatkan, dapat ditarik kesimpulan berupa:

  1. Penggunaan DEM dengan resolusi rendah dan akurasi yang tidak diketahui merusak nilai presisi dari DSM itu sendiri.
  2. Rekonstruksi Tiga Dimensi pohon rapat dengan menggunakan foto bergantung pada kuat dan arah angin yang menyebabkan pergerakan daun, serta pengulangan bentuk pada kanopi hutan yang padat dan berdaun lebar, keduanya dapat menghambat/membingungkan dalam proses pembentukan dense point cloud.
  3. Hasil co-registrasi DSM dan DTM untuk kawasan hutan tidak ketat secara ilmiah, karena kurangnya visibilitas tanah (tinggi vegetasi = 0) pada DSM.
  4. Penggunaan fotogrametri untuk kawasan hutan rentan terhadap error, karena nilai tanah dibawah pohon tidak terlihat.

Kerapatan point cloud dapat mempengaruhi ketelitian dari nilai tinggi yang dihasilkan. Dapat terlihat pada gambar berikut:

Sumber : www.mpdi.com

Secara keseluruhan, metode menentukan ketinggian pohon (CHM) dengan menggunakan metode survei fotogrametri cukup efektif dan efisien jika dilakukan untuk menghasilkan data dengan ketelitian yang cukup baik. Untuk dapat memastikan layak atau tidaknya metode ini dilakukan, diperlukan pemilihan metoda akuisisi dan pengolahan data yang tepat seperti proses klasifikasi point cloud, spesifikasi alat, nilai GSD yang digunakan, metode pembanding yang digunakan, penggunaan parameter dalam pengolahan data pada perangkat lunak pengolahan data yang digunakan, dsb.

Sumber Referensi :

[1] Watts A.C., Ambrosia V.G., Hinkley E.A. [2012]. Unmanned Aircraft Systems in Remote Sensing and Scientific Research: Classification and Considerations of Use. Remote Sensing 4 (6), 1671–1692.

[2] https://www.earthdefine.com/spatialcover_chm/

 [3] https://orbi.uliege.be//bitstream/2268/129781/1/ModeleNumCanopee_drone_poster.pdf

 [4] https://www.handalselaras.com/ground-sampling-distance-gsd/

adminhandal

PRESISI VS AKURASI PADA DATA LIDAR

/0 Comments/in , /by

Tike Aprillia Hartini

Keyword: presisi, akurasi, LiDAR (Light Detection and Ranging).

Dalam melakukan suatu pengukuran, untuk memastikan hasil ukuran yang didapatkan baik atau tidak digunakan istilah presisi dan akurasi. Presisi adalah tingkat konsistensi dari pengamatan yang ditentukan dari besarnya perbedaan dalam nilai data yang dihasilkan. Presisi sangat ditentukan oleh kestabilan kondisi pengamatan, kualitas alat, kemampuan dari pengamat, dan prosedur pengamatan. Sedangkan akurasi adalah tingkat kedekatan dari nilai pengamatan dengan nilai sebenarnya. Nilai sebenarnya dari suatu pengukuran tidak pernah dapat ditentukan, sehingga akurasi selalu tidak diketahui. [1] Namun, untuk mendekati nilai yang dianggap benar sering kali digunakan nilai rata-rata dari keseluruhan data yang diukur. Sehingga, hasil pengukuran akan memiliki tingkat akurasi yang tinggi apabila mendekati nilai rata-rata. Perbedaan presisi dan akurasi dapat dilihat pada ilustrasi di bawah ini:

Gambar 1. Akurasi dan Presisi.[1]

(1a) Akurat dan Presisi, (1b) Akurat, (1c) Presisi, (1d) Tidak Akurat dan Tidak  Presisi.

Presisi dan akurasi pun sering dikaitkan dengan kesalahan sistematis dan kesalahan acak. Kesalahan sistematis adalah kesalahan dengan kecenderungan menggeser semua pengukuran secara sistematis, sehingga nilai rata-rata secara konstan bergeser atau bervariasi dan dapat diprediksi perubahannya serta dapat dikoreksi. Sedangkan kesalahan acak adalah kesalahan dengan variasi nilai kesalahannya tidak terduga dan tidak dapat dikoreksi. Kesalahan acak ini dapat disebabkan karena faktor lingkungan di tempat pengukuran, seperti terjadi kebisingan, adanya kabut, dan getaran sehingga mempengaruhi hasil pengukuran. Apabila hasil pengukuran memiliki nilai akurasi yang rendah, maka kemungkinan besar terdapat kesalahan sistematis pada alat pengukuran. Sehingga diperlukan kalibrasi pada alat tersebut. Apabila hasil pengukuran memiliki nilai presisi yang rendah, kemungkinan besar terdapat kesalahan acak pada pengukuran yang dilakukan.

Dalam pengukuran LiDAR, presisi dan akurasi dapat dilihat dari sebaran data point cloud yang dihasilkan antar jalur terbang. Keakuratan data LiDAR dapat dilihat dari tingkat kedekatan point cloud dengan posisi aktual dari lingkungan yang dijelaskan. Sedangkan kepresisian dari data LiDAR dapat dilihat dari tingkat kekonsistenan point cloud antar jalur terbang pada titik yang sama. Sehingga, untuk mendapatkan nilai presisi ini harus dilakukan pengukuran lebih pada suatu objek. Oleh karena itu, pada saat melakukan akuisisi data lidar diperlukan pertampalan antar jalur terbang (sidelap dan overlap). Data LiDAR yang memiliki tingkat presisi yang tinggi akan menghasilkan point cloud yang lebih tipis karena memiliki jarak antar point cloud yang kecil dan memiliki sedikit noise.[2] Ilustrasi dari akurasi dan presisi dari data LiDAR dapat dilihat pada Gambar 2.

Gambar 2. Akurasi dan Presisi.[2]

Sehingga untuk mendapatkan hasil pengukuran yang mendekati nilai sebenarnya, kesalahan sistematik maupun acak harus dihindari agar tingkat akurasi dan presisi dari data yang dihasilkan memiliki kualitas yang baik. 

DAFTAR REFERENSI:

[1] Ghilani, Charles D dan Wolf, Paul R. 2006. Adjusment Computations Spatial Data Analysis. United States of America.

[2] Accuracy vs Precision. https://www.yellowscan-lidar.com/knowledge/wait-accuracy-vs-precision-isnt-rocket-science/?utm_source=hs_email&utm_medium=email&utm_content=81181499&_hsenc=p2ANqtz-9lnwORNL6_GfpxQre3qYVG3_Ykh7ZPDIctygB9BjeMocx-SeKScUmQ1DfHAia-2NGsymbjAHnuo2GoSb_CU-52hPyIMZV-oNjj-oPVj6w23CPnSpk&_hsmi=81181499, diakses pada tanggal 3 Februari 2020.

Author

Perbedaan Data Hasil Dari Fotogrametri dan LiDAR (Light Detection and Ranging) Dalam Aplikasi Inspeksi Jaringan Listrik Tegangan Tinggi (SUTET)

/1 Comment/in , /by

Oleh : Tike Aprilia, ST

Fotogrammetri dan LiDAR (Light detection and ranging) menggunakan wahana UAV (Unmanned Aerial Vehicle) memiliki perbedaan yang signifikan dalam akusisi dan hasilnya. Berikut adalah beberapa perbedaan antara Foto Udara dan LiDAR menggunakan wahana UAV:

1. Foto udara menggunakan alat dasar kamera foto menghasilkan data raster (data grid) sedangkan Lidar menghasilkan data Point yang biasa disebut point cloud. Data foto udara dapat membentuk data point cloud, namun dengan kualitas dan densitas point yang lebih rendah dibandingkan point cloud yang dihasilkan oleh LiDAR

Gambar 1. Point Cloud Yang Dihasilkan Oleh Foto Udara

Pada Gambar 1. terlihat SUTET dan kabel listrik tidak terbentuk dengan sempurna. Selain itu objek pohon memiliki bentuk seperti bukit.

Gambar 2. Point Cloud yang Dihasilkan Oleh LiDAR

Pada Gambar 2. point cloud yang dihasilkan LiDAR memiliki densitas titik yang sangat rapat. Sehingga objek-objek terlihat seperti bentuk aslinya dalam tiga dimensi. Point cloud yang dihasilkan dapat ditampilkan berdasarkan ketinggian dan RGB dari masing-masing objek.

Gambar 3. SUTET dan Kabel yang Dihasilkan dari Akuisisi LiDAR

2. Foto udara menggunakan alat dasar kamera foto, pada dasarnya menghasilkan data dua dimensi yang memiliki akurasi lebih baik pada X dan Y (posisi). Sedangkan LiDAR menggunakan sensor yang dapat menembakkan gelombang terhadap objek dan gelombang yang dipantulkan diterima kembali oleh sensor tersebut. LiDAR akan menghasilkan data tiga dimensi yang memiliki karakteristik akurasi lebih baik pada Z (tinggi) dan dapat menembus permukaan tanah di bawah pohon selama terdapat celah cahaya yang dapat menembus pohon.

Gambar 4. Foto Udara yang Dihasilkan dari Akuisisi Fotogrametri Berupa Data Dua Dimensi
Gambar 5. Point Cloud yang Dihasilkan dari Akuisis LiDAR Berupa Data Tiga Dimensi

3. Analisisi Vegetasi dibawah jaringan listrik tegangan tinggi (SUTET) membutuhkan data Digital Terrain Model (DTM) yang akan diterjemahkan menjadi data kontur, data ketingian pohon dari data Digital Surface model (DSM), serta data model tiang dan kabel. Untuk itu, analisis vegetasi idealnya menggunakan data LiDAR. Namun untuk melakukan updating data dapat dilakukan dengan menggunakan data Foto Udara,  dengan mendapatkan data DSM vegetasi dan mengesampingkan model tiang dan kabel SUTET.

Gambar 6. Dengan Point Cloud LiDAR Dapat Diketahui Perbedaan Tinggi Kabel dan Objek Di Bawahnya
Gambar 7. Data LiDAR Dapat Diolah Untuk Mengetahui Danger Area Disekitar SUTET.
Gambar 8. SUTET terbentuk dalam point cloud foto udara, namun tidak sejelas pada data LiDAR. Sedangkan kabel listrik tidak terbentuk pada point cloud foto udara.
Gambar 9. Analisis menggunakan foto udara dapat menghitung jumlah pohon yang terdapat di bawah SUTET dan dapat dibuat analisis ketinggiannya, namun tidak bisa mendapatkan ketinggian dari kabelnya.