Publisher

UIN Ar-RaniryUIN Ar-Raniry

Journal Cyberspace: Jurnal Pendidikan Teknologi InformasiCyberspace: Jurnal Pendidikan Teknologi Informasi Abstract

Enhancing the capacity to monitor swift environmental shifts at finer scales requires satellite imagery that offers high spatial and temporal resolution. However, no individual satellite can offer images meeting both criteria simultaneously. To tackle this challenge, spatial temporal fusion algorithms have been developed to derive fine-scale and time-series images. Conversely, effective monitoring of water levels is crucial for preventing natural disaster, such as flood and tsunami mitigation. Yet, monitoring these natural changes regularly poses challenges for remote sensing satellites, given their limitations in either spatial or temporal resolution. For instance, the spatial resolution of 30 meters of Landsat 8 provides imagery with a but lacks the temporal resolution needed to capture dynamic events. On the contrary, the Himawari 8 has the capability to monitor the entire hemisphere every 10 minutes. However, its inadequate resolution affects the precision of sea water change mapping. This research seeks to utilize Landsat OLI and Himawari-8 images jointly for tracking sea level variation patterns. Our approach involves calculating a water index from both Landsat and Himawari images, then using an image fusion algorithm to merge these indices. Next, we identify water coverage by applying a specific threshold on the water index. The comparison of water percentages with reference water height observations has delivered encouraging outcomes.

Conclusion

This study suggests utilizing image fusion techniques to analyze and depict changes in sea levels along the coastline of Kaohsiung.The spatial evaluation of the study indicates that the Spatial and Temporal Adaptive Reflectance Fusion Model (STARFM) demonstrates effective performance in blending water index data.However, the temporal evaluation reveals that the fused images do not accurately correspond to the observed water level data.

Future Research

Penelitian lanjutan dapat difokuskan pada pengembangan metode klasifikasi dinamis yang adaptif terhadap perubahan lingkungan, menggantikan penggunaan peta klasifikasi statis yang saat ini digunakan dalam proses fusi citra. Hal ini dapat dicapai dengan memanfaatkan data historis dari satelit Landsat untuk melatih model pembelajaran mesin yang mampu memprediksi perubahan tutupan lahan dan kondisi lingkungan secara akurat dari waktu ke waktu. Selain itu, studi lebih lanjut perlu dilakukan untuk mengintegrasikan data dari berbagai sumber, seperti stasiun pengukur pasang surut dan model hidrodinamika, untuk memvalidasi dan meningkatkan akurasi hasil fusi citra. Dengan menggabungkan data dari berbagai sumber, kita dapat memperoleh pemahaman yang lebih komprehensif tentang dinamika permukaan laut dan meningkatkan kemampuan kita untuk memprediksi dan mengurangi risiko bencana terkait air. Terakhir, eksplorasi algoritma fusi citra yang lebih canggih, seperti yang berbasis pada deep learning, dapat meningkatkan kemampuan untuk menangkap detail spasial dan temporal yang lebih halus, sehingga menghasilkan peta perubahan permukaan laut yang lebih akurat dan informatif.

Metadata

File size	810.11 KB
Pages	9
DMCA	Report