PENGANTAR PENGINDERAAN JAUH

Oleh: Drs. Santoso

Penginderaan Jauh (RS) adalah ilmu untuk memperoleh informasi tentang permukaan bumi tanpa melakukan kontak langsung dengan obyek.

A. Sumber Energi B. Radiasi dan Atmosfer C. Interaksi dengan Target D. Perekaman energi oleh Sensor

E. Transmisi, Prosessing F. Interpretasi dan Analisis G. Aplikasi

RADIASI ELEKTROMAGNETIK

Karakteristik radiasi elektromagnetik merupakan hal yang sangat penting untuk memahami Penginderaan jauh, yaitu : - Panjang Gelombang - Frekuensi Panjang Gelombang (λ ), merupakan panjang satu siklus , dan Frekuensi (ν ) Merupakan jumlah siklus panjang gelombang yang melalui titik tertentu per unit waktu, dengan satuan hertz

SPEKTRUM ELEKTROMAGNETIK

SPEKTRUM ELEKTROMAGNETIK

SPEKTRUM ELEKTROMAGNETIK

INTERAKSI DENGAN ATMOSFIR

Perambatan gelombang elektromagnetik dari matahari ke bumi mengalami penyebaran (scattering), yang disebabkan oleh partikelpartikel dalam atmosfir. Perhatikan pada siang hari langit menjadi biru dan pada matahari terbit atau tenggelam, langit menjadi kemerahan. Hal ini disebabkan adanya scattering yang disebabkan oleh partikel-partikel dalam atmosfir

INTERAKSI DENGAN ATMOSFIR

Scattering yang lain yang disebabkan oleh awan atau asap, dan disebut dengan non selective scattering

INTERAKSI DENGAN ATMOSFIR

Selain terjadi penyebaran oleh partikel dalam atmosfir, terjadi pula penyerapan (absorbtion) oleh partikel-partikel dalam atmosfir Ozon, Carbon Dioxida dan Uap Air merupakan tiga komponen utama dalam penyerapan radiasi elektromagnetik

INTERAKSI DENGAN TARGET
Energi yang tidak terserap dan tersebar pada atmosfir dapat mencapai permukaan bumi Energi yang mencapai target (I) akan terbagi lagi menjadi energi yang ditransmisikan (T) diserap target (A)) dan energi yang dipantulkan (R). Energi yang dipantulkan merupakan perhatian yang utama dalam remote sensing Pantulan Sempurna (Specular) Pantulan segala arah Diffuse)

Klorofil, menyerap radiasi gelombang merah dan biru, tetapi memantulkan gelombang hijau dan inframerah dekat. Bilamana kandungan klorofil berkurang (misalnya tumbuhan tidak sehat) maka penyerapan gelombang merah menjadi sedikit dan lebih banyak memantulkan gelombang merah

INTERAKSI DENGAN TARGET

Air, lebih banyak menyerap gelombang inframerah dekat dan gelombang merah, tetapi lebih banyak memantulkan gelombang biru dan hijau, sehingga air nampak biru atau biru kehijauan. Adanya sedimen terlarut akan memantulkan gelombang yang lebih panjang, sehingga nampak lebih terang. Sedangkan adanya klorofil dalam algae akan menyebabkan pantulan gelombang hijau, sehingga air akan nampak lebih hijau

INTERAKSI DENGAN TARGET

Pada panjang gelombang tampak mata, air dan vegetasi susah dibedakan

Pada panjang gelombang ini (inframerah dekat) vegetasi dan air bisa dibedakan

INTERAKSI PADA TUBUH PERAIRAN

PENGIDERAAN SISTEM AKTIF DAN SISTEM PASIF

Inderaja Sistem Pasif

Inderaja Sistem Aktif

KARAKTERISTIK CITRA

Apa perbedaan foto udara dan citra satelit ?

Dalam citra satelit, obyek direkam dengan angka, atau numerik 95 106 76 58 76 75 56 62 82

Foto Udara merupakan image dimana obyek direkam dalam suatu film fotografis.

Dalam Citra satelit, munculnya warna dibangun dengan mengkombinasikan obyek yang direkam pada panjang gelombang yang berbeda (band) yang diletakkan pada warna dasar yang berbeda pula, yakni saluran merah (Red) saluran Hijau (Green) dan saluran Biru (Blue). Bila kombinasi pada saluran RGB menggunakan panjang gelombang yang sama, maka tidak akan muncul warna, karena intensitas datanya sama

WAHANA

SATELIT : ORBIT SATELIT

SATELIT : CAKUPAN PEREKAMAN

RESOLUSI
SPASIAL SPEKTRAL RADIOMETRIK TEMPORAL

RESOLUSI SPASIAL,
UKURAN PIXEL SKALA

RESOLUSI SPASIAL, Mendefinisikan luas liputan di permukaan bumi yang diwakili oleh satu pixel

Satu sel mewakili 30 meter x 30 meter

B

A

Pada Citra dengan resolusi spasial A, lobang akan terdeteksi. Sedangkan bila menggunakan citra dengan resolusi spasial B, maka lubang sulit untuk dikenali. Resolusi Citra A, lebih besar dari Citra B

Citra SPOT PAN Resolusi Spasial 10m x 10 m

Citra NOAA AVHRR, dengan resolusi spasial 4 km x 4 km

Mangrove Identification

Coastal Application

Perbedaan resolusi spasial akan membedakan detail informasi yang diperoleh

RESOLUSI SPEKTRAL
Resolusi spektral mendefinisikan kemampuan sensor untuk mendefinisikan kehalusan interval panjang gelombang

Resolusi spektral yang lebih halus, maka interval panjang gelombang lebih dekat

RESOLUSI RADIOMETRIK

RESOLUSI RADIOMETRIK
Dapat didefinisikan sebagai rentang dinamis, atau jumlah kemungkinan nilai data pada masing masing band Contoh : Band 1 landsat TM dengan resolusi spektral 0,45 - 0,52 µ m. Energi yang direkam pada panjang gelombang ini adalah : 256 tingkat keabuan, pada data 8 bit 128 tingkat keabuan pada data 7 bit
012 3 4 8 bit 0,45 µ m 0 1 7 bit 0,45 µ m 0,52 µ m 2 0,52 µ m 127 244 255

RESOLUSI TEMPORAL
Resolusi Temporal dapat didefinisikan, seberapa sering atau kapan sensor dapat melakukan pengamatan pada lokasi yang sama Landsat TM mempunyai resolusi temporal 16 hari SPOT, mempunyai resolusi temporal 26 hari

Sampai lokasi yang sama pada x hari

KAMERA DAN FOTO UDARA
Film fotografi adalah film yang sensitif pada panjang gelombang 0.3 µ m - 0.9 µ m Film fotografi ini sering disebut dengan film pankromatik. UV fotografi juga menggunakan film pankromatik, tetapi menggunakan filter untuk mencegah gelombang tampak mata mencapai film. Untuk film berwarna normal, layer sensitif terhadap gelombang merah, hijau dan biru (tampak mata) Untuk foto Color Infrared, layer sensitif terhadap gelombang biru, hijau dan inframerah dekat A, Area B, Lensa C, Focal Plane Untuk foto berwarna semu , target yang sensitif inframerah dekat berwarna merah, sensitif merah warna hijau dan sensitif hijau warna biru

Foto Color

Foto False Color

INTERPRETASI DAN ANALISIS
Untuk dapat memanfaatkan data penginderaan jauh, kita harus mampu mengekstrak informasi dari citra. Langkah ekstraksi informasi ini disebut dengan interpretasi dan analisis. Analisis dan interpretasi meliputi kegiatan identifikasi dan atau pengukuran target dalam image, untuk memperoleh informasi. Target dapat berbentuk fenomena titik, garis ataupun area. Target haruslah dapat dibedakan, dalam pengertian target haruslah kontras terhadap obyek di sekelilingnya.

ANALISIS DAN INTERPRETASI MANUAL VS ANALISIS DIGITAL
Analisis manual dan analisis dijital, mempunyai kelebihan dan kekurangan. Dalam analisis manual, biasanya terbatas pada satu band atau satu image, artinya tidak dapat melakukan analisis beberapa image secara bersamaan. Sedangkan dalam anaisis dijital dapat dilakukan secara bersamaan Dalam analisis manual, biasanya kurang konsisten hasilnya karena bersifat subyektif, yakni sangat tergantung pada interpreter. Sedangkan dalam analisis dijital lebih konsisten, karena anaisisnya didasarkan pada nilai dijital (density number) dalam komputer, sehingga lebih obyektif. Meskipun demikian, untuk menentukan tingkat validitas dan akurasi dari analisis dijital adalah sangat sulit. Kenapa ?

INTERPRETASI SECARA MANUAL
Pengenalan target atau obyek merupakan kunci interpretasi dan ekstraksi informasi. Pengenalan perbedaan antara target dan latar belakangnya berdasarkan pada perbedaan elemen visual yakni : • • • • • • • tone/rona bentuk ukuran pola tekstur bayangan asosiasi

INTERPRETASI SECARA MANUAL
TONE/RONA: Tone/rona mengacu pada kecerahan atau warna relatif suatu obyek dalam image. Secara umum, rona merupakan elemen yang mendasar dalam pembedaan target.

Rona akan lebih mudah diinterpretasikan bila bervariasi dengan elemen bentuk, tekstur, dan pola obyek Tanaman tua

Tanaman muda

INTERPRETASI SECARA MANUAL

BENTUK : Bentuk, mengacu pada struktur dan outline obyek individu

?

INTERPRETASI SECARA MANUAL
UKURAN : Ukuran obyek dalam image merupakan fungsi skala. Contoh : Ukuran antara bangunan sebagai tempat tinggal dengan bangunan sebagai bangunan komersial.

? ?

INTERPRETASI SECARA MANUAL

POLA : Pola, mengacu pada susunan kenampakan spasial obyek. Pola perkebunan yang dikembangkan Oleh perusahaan akan terlihat teratur dibandingkan dengan pola pertanian yang alami

? ?

INTERPRETASI SECARA MANUAL
TEKSTUR : Tekstur, mengacu pada susunan dan frekuensi rona suatu obyek, yang nampak pada kenampakan kasar atau halusnya permukaan obyek. Contoh yang jelas adalah dalam membedakan hutan alam dengan hutan tanaman industri, yang relatif punya keseragaman dalam kanopi.

? ?

INTERPRETASI SECARA MANUAL

BAYANGAN/SHADOW : Bayangan memberikan ide dalam membedakan profil atau ketinggian suatu obyek

tanpa bayangan

dengan bayangan

INTERPRETASI SECARA MANUAL
ASOSIASI : Asosiasi berkaitan dengan hubungan antara obyek terhadap obyek yang lain. Sebagai misal daerah pantai dimana di situ terdapat vegetasi pada wilayah muara sungai, mungkin dapat diasosiasikan dengan mangrove

mangrove

CITRA DIJITAL
• . Citra dijital adalah penyajian obyek dalam format dijital. Citra dijital terdiri dari pixel atau picture element

95 106 76 58 76 75 56 62 82

• Digital Number (DN)

digunakan untuk menandai pixel

Nilai DN menyatakan pantulan energi yang diterima oleh sensor

CITRA DIJITAL
• Pixel Value (Digital Number)
penyajian pantulan energi semua Obyek dalam area tertentu pada permukaan bumi (resolusi spasial)

SATELLITE
LANDSAT-TM

SPASIAL RESOLUTION
Non Thermal meter Thermal meter Multi Spektral meter Panchromatic meter Multi Spektral meter Panchromatic meter 30 meter X 30 120 meter X 120

95 106 76 58 76 75 56 62 82

SPOT

20 meter X 20 10 meter X 10

IKONOS

4 meter X 4 1 meter X 1

CITRA DIJITAL
Pixel = picture element mempunyai karakteristik spasial dan spektral
Columns/Kolom/Pixels

1 2 3 4 5 6 7 8 9 10 11 12

1 2 3 4 5 6 7 8

Rows/Baris/Lines

Spatial Properties : • Pixel Position didefinisikan dengan lokasi kolom dan baris
pixel location = (5,6)

Spectral Properties :
• Berkaitan dengan nilai DN

Format Data Citra Dijital yang dibangun dalam grid sel yang teratur disebut dengan format raster

Komputer : menyajikan DN dalam warna

CITRA DIJITAL
• Citra Multispektral merupakan data inderaja dengan dua atau lebih saluran spektral
Masing masing band dihasilkan oleh sensor dengan resolusi spasial tertentu

Landsat-TM Image mempunyai 7 Bands

Band-7 Band-6 Band-5 Band-4 Band-3 Band-2 Band-1

CITRA DIJITAL
Citra Asli Citra diperbesar

FORMAT DATA DIJITAL
Pixel : 1 2 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6
1,1 1,2

3
1,3

4
1,4

Pixel Pixel ke : 1 2 3
Band 1

1 1 1,2 2,2 3,2 2

2 3 1,2 2,2 3,2

4 Band 1 Band 2 Band 3

Band : 1 1 L 2 i n 3 e 4 1,1 2,1 3,1

2 1,1 2,1 3,1

3 1,1 2,1 3,1

5,1 2,1 2,1

5,2

i,j

5,4

L i n e 1.

1 1 1

1,1 1,1 1,1 2,1 2,1 2,1

1,2 1,2 1,2 2,2 2,2 2,2 2,3 2,4

1,2 2,2 3,2

Band 2 i,j

2 2 2

5 6

3,1 3,1

Band 3 i,j

BIL

BIP

BSQ
Note : Band 1 Band 2 Band 3

FORMAT DATA DIJITAL
DIGITAL IMAGE FILE :
1. Band Tunggal dalam satu file 2. Multi Bands dalam satu file

FILE FORMAT DATA SYSTEM :
1. BAND SEQUENTIAL (BSQ) : : :

2. BAND INTERLEAVED BY LINE (BIL) 3. BAND INTERLEAVED BY PIXEL (BIP)

DISPLAY CITRA DIJITAL

BAND 444

Blue Green Red
BAND 542

Band-7 Band-6 Band-5 Band-4 Band-3 Band-2 Band-1

BAND 432

LTISPECTRAL

IMAGE PUTER GUN COM COLORS DISPLA Y

PENGOLAHAN CITRA
Preprocessing : Radiometri Correction/Koreksi Radiometrik Geometri Correction/Koreksi Geometrik Display dan Enhancement/Penajaman : Diplay (B/W dan Color Composite Contrast Enhancement (Stretching) Spatial Enhancement (Filtering) Classification/Klasifikasi : Unsupervised Classification Supervised Classification Integration ke GIS: Generalisasi Konversi Raster ke Vektor Konversi Vektor ke Raster

KOREKSI GEOMETRI

Koreksi Geometrik, dari koordinat file ke koordinat peta atau dari satu sistem koordinat ke sistem koordinat yang lain

PENAJAMAN CITRA

Penajaman image, sehingga image mudah dikenali

Klasifikasi Citra
Klasifikasi adalah proses pemilihan pixel ke dalam kelas tertentu Berdasarkan nilai DN

Landsat-TM Band-542

Original Satellite Image Image

Classified

Klasifikasi image dari berbgai saluran menjadi satu peta tematik

Spectral Responses of Typical Targets
SOIL VEGETATION WATER

0,3

1

3

10

µm

Landsat & SPOT-HVR

LANDSAT SPOT ALTITUDE Sensor : Tematic 705 KM 822 KM Sensor : HRV (X2) PERIOD Mapper – TM 99 min 101.4 min odes: Multispectral M INCLINATION 6 bands- 30 x 30 m 98 99 3 bands 20 x 20 m 1 band- 120 x 120 m NUMBER of PATH 269 233 16 days EARTH COVERAGE 6 days Panchromatic 2 SWATH Multi Spektral 185 km 1 bands 10 x 10 m 60km/imager EQUATOR Scanner - MSS 09:45 10:30 CROSSING 4 bands 60 x 80 m MSS1 0.5 ~ 0.6 GTM1 0.45 ~ 0.53 B HRV/ PADPCM 0.51 ~ 0.73 Panchro. MSS1 0.6 ~ 0.7 RTM2 0.52 ~ 0.57 G HRV/MLA MSS1 0.7 ~ 0.8 N-IR 0.63 ~ 0.69 R TM3 MSS1 0.8 ~ 1.1 N-IR 0.76 ~ 0.90 N-IR TM4 HRV1 0.50 ~ 0.59 G TM5 1.55 ~ 1.75 HRV2 0.61 ~ 0.68 R TM7 2.08 ~ 2.35 SWIR SWIR HRV3 0.79 ~ 0.89 N-IR TM6 10.8 ~ 12.5 TIR

Band-1

Band-2

Band-3

Band-4

Band-5

Band-6

Band-7

Band-1

Band-2

Band-3

Band-4

Band-5

Band-7

Landsat-TM Band-321

Landsat-TM Band-342

Landsat-TM Band-247

Landsat-TM Band-432

KLASIFIKASI CITRA
Klasifikasi dapat dilakukan dengan : - Band Tunggal - Multi Bands : Density Slicing : Multispectral Classification

KLASIFIKASI CITRA
Density Slicing : Nilai Dijital (Digital values) didistribusikan sepanjang Sumbu horisontal histogram citra dan dibagi dalam Interval

A
30

B
60

C
90

D
140

E
190

F
255

SLICING PROCEDURE

KLASIFIKASI CITRA
Klasifikasi Multispektral : Untuk mengekstrak informasi yang dikumpulkan dari berbagai spektrum elektromagnetik

Band Combination 542

Band-7 Band-6 Band-5 Band-4 Band-3 Band-2 Band-1

KLASIFIKASI CITRA
Metoda dalam klasifikasi multispektral : 1. UNSUPERVISED 2. SUPERVISED

KLASIFIKASI CITRA
Unsupervised Classification/Tak Terselia : -Klasifikasi tanpa memerlukan/membangun sampel - Operasi dibangun berdasarkan pengelompokan pixel secara natural - Pengenalan pola menggunakan proses komputer

KLASIFIKASI CITRA
Unsupervised Classification dengan metoda CLUSTERING: Ploting pixel dalam fitur ruang, yang kemudian dikelompokkan berdasarkan vektor ruang

Fitur Ruang

CLUSTERING :
Beberapa parameter harus ditentukan : 1. Jumlah Cluster 2. Ukuran Cluster 3. Jarak antar Cluster
30 20 10
R=15

0 30 20 10

10

20

30

40

50

Cluster-2 New mean of cluster-1

0

10

20

30

40

50

KLASIFIKASI TERSELIA/SUPERVISED
• Klasifikasi multispektral dengan sampel terpilih yang homogen • Prosedur ini memerlukan pengetahuan tentang obyek • Klasifikasi menggunakan karakteristik spektral (minimum, maximum, mean/average, variance, covariance, correlation, dll.) tentang training/sample area untuk menggambarkan algoritma klasifikasi keseluruhan

Langkah Penting dalam Klasifikasi Terselia :
1. Training sampel yang terpilih harus representatif. 2. Statistik karakteristik training sampel harus dianalisis untuk memilih fitur yang sesuai 3. Algoritma klasifikasi yang sesuai harus dipilih. 4. Pengkelasan image dalam n kelas. 5. Tingkat akurasi klasifikasi harus dievaluasi secara statistik.

SUPERVISED CLASSIFICATION
MEMERLUKAN TRAINING SAMPLE/AREA Vegetation Grass

Building

Water

Statistical Characteristics for Water
Band: 1 Mean Std. Dev. Variance Minimum Maximum 61.5 1.3 1.7 58 65 Band: 1 1.72 0.06 0.12 0.09 -0.2 -0.21 2 23.2 0.7 0.4 22 25 2 0.43 0.19 0.05 -0.05 -0.05 3 18.3 0.7 0.5 17 20 3 4 9.3 0.6 0.3 8 10 4 5 5.2 0.7 0.5 4 7 5 7 2.7 1.0 1 0 5 7

Variance – Covariance Matrix Band-1 Band-2 Band-3 Band-4 Band-5 Band-7

0.51 0.05 -0.11 -0.03

0.32 -0.07 -0.07

0.51 0.05 1.03

Digital Numbers of Training Area

SUPERVISED CLASSIFICATION
METHOD TO DERIVE DECISION REGION : 1. Parallelpiped 2. Minimum Distance to Mean 3. Mahalanobis Distance 4. Maximum Likelihood

1. Parallelpiped :
Metoda parallelpiped menggunakan nilai minimum dan maksimum Untuk masing masing fitur, pada masing-masing kluster.

2. Minimum Distance :
• Minimum distance menghitung jarak dari masing-masing pixel yang tidak diketahui kelasnya ke rata-rata nilai kelas yang ada • Jarak dihitung dengan metoda Eucledian Distance berdasarkan teori pitagoras Pixel X akan menjadi kelas Y jika dan hanya jika Jarak ke kelas Y lebih kecil daripada jarak ke kelas yang lain

Dist-j = √(Pi -

ij )2 Pi = Pixel Value from Band-i

µ

µ

ij = Mean Value for Class-j from Band-i

2. Maximum Likelihood :
• Maximum Likelihood menandai pixel-pixel yang tak diketahui kelasnya ke dalam suatu kelas berdasarkan kemungkinan nilai pixel masuk dalam suatu kelas • Maximum Likelihood menggunakan asumsi bahwa data sampel untuk masing-masing kelas mempunyai distribusi normal (Gaussian Distribution)

The unkonwn pixel –X belong to Class-C, If and Only If : Pc ≥ Pi Where i = 1, 2, 3, …, n possible classes Pc = Probability Value to be class C Pi = Probability Value to be class i

Maximum Likelihood Formula :
The unkonwn pixel –X belong to Class-C, If and Only If :

Pc = [ -0.5 log (det(V ))] – [0.5 (X-M ) (V
e c c
T

Pc ≥ Pi

c

-1

)(X-Mc )]

Where : det(Vc ) = determinant of covariance matrix Vc Mc X T = mean vectors for class C = Vector X of an unknown pixel = Transpose Sign

When a feature vector is being classified using two decision regions C1 and C2 there are four possible outcomes :
(1). Accepting X belongs to C1 when this is true (2). Accepting X belongs to C2 when it actually belongs to C1 (3). Accepting X belongs to C1 when it actually belongs to C2 (4). Accepting X belongs to C2 when this is true (2) and (3) are errors, with respect to decision region C1 : • Error (2) is called Ommission Error • Error (3) is called Commission Error

Ommission Error

dan

Commission Error

Muhammad Effendi Tanjung

MAXIMUM LIKELIHOOD OUTPUT

ACCURACY ASSESSMENT
CONFUSION MATRIX
Actual Landcover Class 1. Resiential 2. Commercial 3. Wetland 4. Forest 5. Water Total Classified Landcover 1 2 3 4 5 Total 0 13 0 88 0 0 0 58 99 0 0 99 4 37 0 42 0 0 121 121 Ommission Error (%) Commission Accuracy Error (%) (%)

70 5 3 55 0 0 1 0 0 0

20.5 (18/88) 4.5 (4/88) 79.5 (70/88) 5.2 (3/58) 8.6 (5/58) 94.8 (55/58) 0.0 (0/99) 4.0 (4/99) 100.0 (99/99) 11.9 (5/42) 30.9 (13/42) 88.0 (37/42) 0.0 (0/121) 0.0 (0/121) 100.0 (121/121)

74 60 103 50 121 408

OVERALL ACCURACY = 382/408 pixels X 100% = 93.6 % 382 = 70 + 55 + 99 + 37 + 121

POST KLASIFIKASI
Untuk menghilangkan area yang tak dikenali atau Area yang sangat kecil dalam citra yang diklasifikasikan, dapat menggunakan MOJORITY FILTERING

ANALISA KOMPONEN UTAMA

PRINCIPAL COMPONENT ANALYSIS (PCA)
Target :
1. Mengurangi jumlah variabel 2. Tidak ada korelasi antara variabel-variabel baru 3. Variabel baru dipilih berdasarkan heterogenitas

PRINCIPAL COMPONENT ANALYSIS (PCA)

ANALISA KOMPONEN UTAMA

2 APC

PC A

-1

ANALISA KOMPONEN UTAMA
PRINCIPAL COMPONENT ANALYSIS (PCA)

PCA-1

PCA-2

PCA-3

PCA-4

PCA-5

PCA-6

PCA-7

TRANFORMASI CITRA Perubahan dari DN ke Radians

R = Bias + (Giant * DN )
R DN Giant = Radiance = Digital Number + l max = 254 Bias = - l min 255 - l min

Algoritma untuk mendapatkan MPT (mg/l)

RTM2 - RTM3 Log(s) = 2.166 + 0.991 log = RTM1 / RTM2

S

= Konsentrasi MPT

RTM 1 - 3 = Nilai radians pada band 1 - 3

Algoritma Pendugaan kandungan klorofil

RTM 1 Log (klo-a) = 2.154 – 0.539 * log RTM 2

Klasifikasi Kandungan Khlorofil

Sign up to vote on this title
UsefulNot useful