Multi-sensor Multi-temporal Relative Radiometric Normalization (RRN) Menggunakan Metode Weighted Regularized Generalized Canonical Correlation Analysis (WRGCCA)

Penulis

  • Lino Garda Denaro Department of Geomatics, National Cheng Kung University (NCKU), Tainan, Taiwan, 70101
  • Muhammad Aldila Syariz Department of Geomatics, National Cheng Kung University (NCKU), Tainan, Taiwan, 70101
  • Salwa Nabilah Department of Geomatics, National Cheng Kung University (NCKU), Tainan, Taiwan, 70101
  • Dewinta Heriza Department of Geomatics, National Cheng Kung University (NCKU), Tainan, Taiwan, 70101
  • Chao-Hung Lin Department of Geomatics, National Cheng Kung University (NCKU), Tainan, Taiwan, 70101

Kata Kunci:

RRN, PIFs (Pseudo-invariant features), WRGCCA

Abstrak

Dalam perkembangan teknologi decade terakhir ini, data citra satelit multi-temporal sudah sangat berlimpah dan mulai sulit untuk dieksplorasi secara optimal. Pemanfaatan citra satelit multi-temporal dengan metode deteksi perubahan sangat berguna untuk memodelkan dan memprediksi perubahan spasial dengan rentang waktu tertentu. Pemanfaatan data-data multi-temporal sebelumnya akan menghasilkan model perubahan spasial dengan durasi yang lebih panjang. Apalagi jika permodelan dan prediksi ini dilakukan dengan sensor yang berbeda. Sehingga dapat menghasilkan deteksi perubahan dengan cakupan yang lebih luas dan multi-fungsi. Namun dalam pengaplikasikannya, perlu adanya koreksi radiometrik antara citra multi-temporal dan juga citra multi-sensor. Pengoreksian ini bisa dilakukan dengan pendekatan relatif yang dikenal dengan relatif radiometrik normalisasi (RRN) secara linear. Ide utama metode RRN ini adalah dengan memanfaatkan seleksi fitur invariant (piksel yang stabil) antara citra multi-temporal dengan cara transformasi linear. Metode WRGCCA (weighted regularized generalized canonical correlation analysis) diusulkan untuk digunakan sebagai seleksi fitur invariant atau PIFs (pseudo-invariant features) dengan perbedaan sensor dan temporal tertentu. Metode ini merupakan perkembangan dari metode MAD (multivariate alteration detection) yang berguna untuk mendeteksi perubahan spasial secara bi-temporal dan GCCA (generalized canonical correlation analysis) yang memanfaatkan citra multi-temporal sekaligus. Namun, masing-masing metode tersebut mempunyai keterbatasan dalam menyeleksi PIFs baik bi-temporal maupun multi-temporal. Oleh karena itu, dengan menambahkan fungsi pembobotan dan regularisasi dalam algoritma tersebut, metode yang diajukan, WRGCCA, dapat lebih baik dalam penyeleksian pseudo-invariant features yang lebih akurat.

##submission.downloads##

Diterbitkan

2019-02-28

Terbitan

Bagian

Articles