Professional Documents
Culture Documents
Sugianto Buku1
Sugianto Buku1
ii
PENGANTAR APLIKASI PENGINDERAAN JAUH
HYPERSPECTRAL
Oleh
EDITOR
DR. IR. HAIRUL BASRI, MSC
ii
KATA PENGANTAR
Penulis
iv
BIODATA PENULIS
v
DAFTAR ISI
vii
5.10. Spektral indeks untuk percobaan rumah kaca ..........................67
5.11. Variasi Spektral Reflektansi ......................................................68
5.12. Variasi Spektral Reflektansi ......................................................69
5.13. Efek Perbedaan sudut SAM ......................................................70
5.14. Hasil Indeks vegetasi ................................................................70
5.15. Rangkuman ...............................................................................72
BAB VI ...................................................................................................74
PEMETAAN SPEKTRA TANAH HYPERSPECTRAL MULTI-SUDUT ...74
6.1. Latar Belakang ............................................................................74
6.2. Hot spot dan Arah refleksi ...........................................................74
6.3. Kuantitatif pengukuran bidang hyperspectral tanah data ............76
6.4. Analysis multi-sudut data hyperspectral tanah menggunakan
FDA .............................................................................................76
6.5. Pengukuran spectra ....................................................................77
6.6. Konversi Data ASD spectra dan Data ......................................81
6.7. Analisis Multivariate pada data Citra ............................................83
6.8. Metoda FDA untuk spectra tanah dan kurva ..............................84
6.8.1. Kurva smoothing menggunakan fungsi dasar ................... 84
6.8.2. Functional Principal Component Analysis .......................... 85
6.8.3. Model Linier Functional ..................................................... 85
6.8.4. Fungsi basis untuk spectral smoothing............................. 86
6.9. Analisis sudut azimuth terhadpa hasil ujicoba, ............................94
6.10. Analisis Komponen Utama Fungsional .....................................96
6.11. Functional linear model..............................................................99
6.12. Diskusi ....................................................................................101
6.12.1. Multivariate analysis ...................................................... 102
6.12.2. Fungsi Basis untuk smoothing spektra tanah ................ 103
6.12.3. fPCA spektra tanah ....................................................... 103
6.12.4. FANOVA and the linear model ...................................... 105
6,13, Rangkuman .............................................................................107
APENDIKS ..........................................................................................108
REFERENSI ........................................................................................109
viii
DAFTAR TABEL
ix
DAFTAR GAMBAR
xi
BAB I
PENDAHULUAN
waktu serta biaya, maka kita akan mencoba mencari cara agar dapat
sensing adalah ilmu dan seni untuk memperoleh informasi tentang obyek,
daerah atau gejala dengan jalan menganalisis data yang didapat dengan
gejala yang dikaji (Lillesand and Kiefer, 1990). Teknologi ini dapat pula
sistem penginderaan jauh adalah target, sumber energy alur trasmisi dan
data terekam dan proses sedemikian rupa, data dan informasi akan
2
Gambar 1,1, Penginderaan Jauh Elektromagnetik Untuk Sumber daya
Bumi
Sumber : Lillesand dan Kiefer, 1979
2.3.2. Atmosfer
4
Gambar 1.2. Interaksi antara energi elektromagnetik dan atmosfer
Interaksi antara energi dan objek dapat dilihat dari rona yang
dihasilkan pada foto udara. Tiap-tiap objek memiliki karakterisitik yang
berbeda dalam memantulkan atau memancarkan energy ke sensor.
Objek yang mempunyai daya pantul tinggi akan terilhat cerah pada citra,
sedangkan objek yang daya pantulnya rendah akan terlihat gelap pada
citra. Contoh: Permukaan puncak gunung yang tertutup oleh salju
mempunyai daya pantul tinggi yang terlihat lebih cerah, daripada
permukaan puncak gunung yang tertutup oleh lahar dingin.
5
1.3. Sensor dan Wahana
1.3.1. Sensor
1.3.2. Wahana
7
memungkinkan kita untuk membedakan obyek yang berbeda pada suatu
citra (Lillesand dan Kiefer, 1979).
Data penginderaan jauh yang saat ini digunakan dapat berupa citra
9
1.6. Analisis Citra
10
pada data citra dengan mengevaluasi tiap pengamatan pixel dan
ditetapkan pada suatu kelompok informasi.
Data penginderaan jauh dapat berupa citra maupun non citra. Citra
penginderaan jauh merupakan gambaran yang mirip dengan wujud
11
aslinya sehingga citra merupakan keluaran suatu sistem perekaman data
bersifat optic, analog, dan digital. Beberapa karakteristik penginderaan
jauh antara lain sebagaimana dikemukakan Purwadhi, (2001), adalah
sebagai berikut :
1. Citra bersifat optic, citra ini biasa disebut citra fotografik yang berupa
foto. Citra jenis ini adalah gambaran objek yang direkam dengan
menggunakan kamera sebagai sensor rekam, film sebagai detektor.
2. Citra bersifat analog adalah citra yang berupa sinyal video seperti
gambar pada monitor televisi. Sistem perekamannya menggunakan
sistem gabungan optical scanning, sensornya menggunakan kamera
video, detektorrnya optik elektronik maupun tenaga eletromagnetik
dan perekamnya menggunakan spektrrum tampak dan perluasannya
(0,4 – 1,3 µm).
3. Citra bersifat digital pada umumnya citra non fotografik yang direkam
oleh satelit penginderaan jauh bersifat digital yang direkam dalam
bentuk pixel. Citra jenis ini direkam dengan menggunakan sensor non
kamera. Detektor yang digunakan lebih luas dibandingan dengan
citra jenis fotografik. Spectrum yang digunakan dalam perekaman
citra digital adalah spectrum tampak, ultraviolet, infra merah dekat,
infra merah termal dan gelombang mikro. Citra yang terbentuk dalam
format digital dan tersusun atas beberapa unsur gambar disebut pixel.
Perbedaan tingkat kecerahan pixel dipresentasikan oleh nilai numeric
atau Digital Namber (DN) pada masing-masing pixel. Istilah yang
sangat penting dalam mengenali karakteristik citra adalah band atau
channel (saluran) merupakan informasi dari range panjang
gelombang yang berdekatan dikumpulkan dan tersimpan dalam
bentuk band.
12
Sebagai gambaran terkait dengan karakteritik citra satelit, berikut
uraian singkat tentang landsat 7. Landsat 7 diluncurkan pada tahun 1998.
Landsat-7 ETM+ resolusi spasial 30 x 30 m, resolusi radiometriknya 8 bit.
Ketinggian orbit satelit adalah 705 km (438 miles) di Equator. Satelit ini
tegak lurus equator dari utara ke selatan. Proses perekaman gambar
pada waktu lokal sekitar jam 10:00 waktu setempat. Mengitari bumi
dengan kecepatan 7.5 km/detik, sekali mengorbit membutuhkan waktu
sekitar 99 menit. Satelit mengorbit sebanyak 14 kali sehari, dan
membutuhkan 16 hari untuk meliput seluruh bumi.
(http://edcsns17.cr.usgs.gov/NewEarthExplorer/).
Karakteristik citra yang dihasilkan secara lengkap disajikan pada
Tabel 1
13
Tabel 1.2. Perbandingan respon spektral optimum sensor.
Vegetasi-Tanah
Sensor Air - Vegetasi
terbuka)
Landsat 1,2, dan 50 22
3 54 26
Landsat 5 dan 7 47 20
SPOT 1,2, dan 3 48 20
SPOT 4, dan 5 41 24
IKONOS 42 24
Qutck bird
Sumber : http://edcsns17.cr.usgs.gov/NewEarthExplorer/
14
BAB II
17
2.3. Karakteristik spektral tanaman
18
ditransmisikan secara langsung melalui daun ke daun lain atau tanah di
bawah kanopi.
19
jaringan mesofil, dan jumlah air pada daun. Serapan klorofil utama terjadi
pada gelombang 0.43-0.45 m dan 0,65-0,66 m di band penyerapan
air primer terlihat terjadi pada daerah 0.97,1.19,1.45,1.94 dan 2,7 m.
Interaksi cahaya tampak dengan pigmen dalam sel-sel palisade
mesofil. Proses makanan - membuat melalui fotosintesis menentukan
bagaimana daun dan tanaman kanopi terkait benar-benar muncul di
radiomatrically merasakan jarak jauh hal images.three untuk membuat
makanan:
Karbon dioksida (CO2)
Air (H2O), dan
Radiasi (E) diukur dalam W 𝒎−𝟐 .
Karbon dioksida dari udara dan air yang disediakan oleh akar dan
batang sistem mewakili bahan baku dasar photosynthesis.sinar matahari
memberikan radiasi (E) yang kekuatan fotosintesis. Struktur sel daun
sangat bervariasi tergantung pada spesies dan kondisi lingkungan
selama pertumbuhan .carbon dioksida memasuki daun dari atmosfer
melalui tinypores disebut stomata, terletak terutama pada bagian bawah
yang lebih rendah stomata epidermis.
20
a b
Gambar 2. 2. Kenampakan Penampang Pada Daun
a) Hipotesis penampang daun hijau yang sehat khas, menunjukkan kedua bagian
bawah atas pigmen klorofil leaf.the dalam sel palisade parenkim memiliki dampak
yang signifikan terhadap penyerapan dan pemantulan cahaya tampak (biru, hijau,
dan merah) , sedangkan sel-sel parenkim mesofil spons memiliki dampak yang
signifikan terhadap penyerapan dan pemantulan dekat-inframerah insiden energy.
b) Gambar mikroskop elektron dari daun hijau.
Stomata dikelilingi oleh sel penjaga yang membengkak
ataukontraksi ketika stomata membengkak, pori stomata terbuka dan
memungkinkan karbon dioksida untuk masuk daun. Sebagai contoh,
daun bunga matahari yang khas mungkin memiliki dua juta stomata, tetapi
ia hanya membuat sekitar satu persen dari permukaan daun area.
biasanya, ada stomata nol di bagian bawah daun, namun, pada beberapa
daun stomata yang merata pada kedua atas dan epidermis bawah.
Lapisan atas daun atas sel-sel epidermis memiliki permukaan
kutikula yang berdifusi tetapi mencerminkan sangat sedikit cahaya
menurut Philpott (1971) .adalah variabel ketebalan tetapi sering hanya 3-
5 m kental dengan dimensi sel dari sekitar 18 x 15 x 20 m.
Menganggapnya sebagai sebuah lilin, bahan tembus mirip dengan
kutikula di atas jarijarai daun. Banyak tanaman yang tumbuh di bawah
21
sinar matahari cerah memiliki kutikula tebal yang dapat menyaring
beberapa cahaya dan menjaga terhadap berlebihan air tanaman yang
hilang. Beberapa tanaman seperti pakis dan beberapa semak di lantai
hutan dan harus bertahan hidup didaun dengan kondisi-kondisi
berbayang dari banyak tanaman ini memiliki kutikula tipis sehingga
tanaman dapat mengumpulkan sebanyak sinar matahari redup mungkin
untuk fotosintesis.
Fotosintesis terjadi di dalam daun hijau yang khas dalam dua jenis
dalam proses pembuatan makanan,-sel-sel palisade parenkim dan sel-
sel daun. Kebanyakan parenkim busa mesofil memiliki lapisan yang
berbeda dari sel parenkim palisade yang panjang di bagian atas mesofil
dan berbentuk lebih tidak teratur, longgar yang diatur oleh jaringan sel-sel
parenkim dibagian bawah sel mesofil. Batasnya cenderung terbentuk
dalam porsi mesofil menuju sisi dari mana cahaya daun memasuki dalam
jaringan paling horizontal (planophile) meninggalkan sel palisade akan
menuju permukaan atas, tapi daun yang tumbuh hampir vertikal
(erectophile), sel-sel palisade dapat membentuk dari kedua sisi.in
beberapa meninggalkan sel palisade memanjang sepenuhnya absen dan
hanya sel-sel parenkim spons akan ada dalam mesofil.
Struktur seluler dari daun besar dibandingkan dengan panjang
gelombang cahaya yang berinteraksi dengan sel palisade biasanya 15 x
15 x 60 m, sementara sel mesofil jaringan parenkim yang lebih kecil dari
sel tanaman palisade parenkim mesofil mengandung kloroplas dengan
pigmen klorofil .
Kloroplas umumnya 5 - 8m dan diameter sekitar 1 m lebar,
sebanyak 50 kloroplas terdapat di setiap sel parenkim. Klorofil
sebenarnya terletak (sekitar 0,5 m panjang dan 0,05 m diameter) pada
suatu kloroplas umumnya lebih berlimpah ke sisi atas daun di batas sel
dan karenanya memperhitungkan kelihatan hijau gelap dari permukaan
22
daun bagian atas dibandingkan dengan permukaan yang lebih ringan
bawah.
Suatu molekul A, bila dipukul oleh gelombang atau foton cahaya
merefleksikan sebagian energi atau dapat menyerap energi dan dengan
demikian masuk ke dalam energi yang lebih tinggi atau keadaan
tereksitasi. Molekul .masing-masing menyerap atau mencerminkan
panjang gelombang karakteristik sendiri dari cahaya.molekul pada
pembuatan hijau khas telah berevolusi untuk menyerap panjang
gelombang cahaya di daerah cahaya tampak dari spektrum (0.35-
0.70m) sangat baik dan disebut spektrum penyerapan pigments. Untuk
pigmen tertentu menggambarkan panjang gelombang di mana ia dapat
menyerap cahaya dan masuk ke dalam rangakaian, menyajikan spektrum
penyerapan pigmen klorofil murni dalam larutan. chlorophyll dan b adalah
pigmen tumbuhan yang paling penting menyerap cahaya biru dan merah:
klorofil a pada panjang gelombang 0,43 dan 0.66m dan klorofil b m di
panjang gelombang 0,45 dan 0.65m (curran, 1983; Farabee, 1997.) .a
relatif kurangnya penyerapan di panjang gelombang antara dua band
penyerapan klorofil menghasilkan palung dalam efisiensi serapan pada
sekitar 0,54 m di bagian hijau dari spektrum elektromagnetik (Gambar
10-3a). dengan demikian, penyerapan relatif lebih rendah dari panjang
gelombang cahaya hijau (dibandingkan dengan cahaya biru dan merah)
dengan daun yang menyebabkan daun hijau sehat untuk tampil hijau
untuk mata kita.
Ada pigmen lain yang hadir dalam sel-sel palisade mesofil yang
biasanya tertutup oleh kelimpahan klorofil pigments.for contoh, ada
karoten kuning dan pucat xanthophylls kuning pigmen, dengan
penyerapan yang kuat terutama dalam spektrum serapan panjang
gelombang biru region. -karoten ditunjukkan pada gambar 10 - 3b
23
dengan pita serapan yang kuat berpusat di sekitar 0.45m.phycoerythrin
pigmen juga dapat hadir dalam daun yang menyerap sebagian besar di
wilayah hijau berpusat di sekitar 0.55m, memungkinkan cahaya biru dan
merah akan tercermin .phycocyanin pigmen menyerap terutama di
daerah hijau dan merah berpusat di sekitar 0,62 m, yang memungkinkan
banyak biru dan beberapa lampu hijau (yaitu, kombinasi menghasilkan
cyan) akan tercermin (gambar 10-3b) .karena klorofil a dan b kloroplas
juga hadir dan memiliki pita serapan yang sama di wilayah biru ini, mereka
cenderung mendominasi dan menutupi efek dari pigmen lainnya
present.ketika tanaman mengalami senescense musim gugur atau
pertemuan stress.
24
a b
Gambar 2.3. Variasi penyerapan spektrum oleh klorofil
a) Spektrum penyerapan klorofil a dan b pigments.chlorophyll a dan b
pigmen dalam daun menyerap banyak insiden biru dan merah
panjang gelombang energy.
b) spektrum penyerapan -karoten, yang menyerap terutama dalam
pigmen blue.other yang mungkin ditemukan dalam daun termasuk
phycoerythrin yang menyerap cahaya terutama hijau, dan
phycocyanin yang menyerap cahaya terutama hijau dan merah
(setelah farabee, 1997)
Pigmen mungkin hilang, memungkinkan karoten dan pigmen lainnya
untuk menjadi dominan. Misalnya, pada musim gugur, produksi klorofil
berhenti, menyebabkan warna kuning dari karoten-karoten dan pigmen
tertentu lainnya di dedaunan pohon untuk menjadi lebih terlihat oleh mata
kita. Selain itu, beberapa pohon menghasilkan cukup besar antosianin
pada musim gugur, yang dapat menyebabkan daun berubah menjadi
merah terang.
Dua daerah spektral yang optimal untuk merasakan karakteristik
penyerapan klorofil dari daun diyakini 0,45-0,52 µm dan 0,63-0,9 µm.
Mantan wilayah ditandai dengan penyerapan yang kuat oleh tenoids dan
klorofil, sedangkan yang terakhir ditandai dengan penyerapan klorofil
yang kuat. Penginderaan jauh penyerapan klorofil dalam kanopi
merupakan variabel biofisik mendasar berguna bagi banyak penyelidikan
25
biogeografis. Karakteristik penyerapan kanopi tanaman dapat ditambah
dengan Data jarak jauh lainnya untuk mengidentifikasi stres vegetasi,
hasil, dan variabel hibrida lainnya. Dengan demikian, banyak penelitian
penginderaan jauh prihatin dengan memantau apa yang terjadi pada
photosynthetic aktif radiasi (PAR) karena berinteraksi dengan daun dan
atau tajuk tanaman. Penggunaan spektrometer pencitraan resolusi
spektral sangat berguna untuk mengukur karakteristik penyerapan dan
pantulan dari radiasi aktif dari fotosintesis.
Dalam bab ini telah diuraikan bagaiman struktur daun yang
menyebabkan proses analisis refleksi tanaman yang menjadi dasar
dalam proses penginderaan jauh pada tanamanm dan bagianman data
yang disajikan untk mendapatkan infromasi dari daun atau tajuk tanaman
melalui data pengindernan jauh.
26
BAB III
27
Penelitian lapangan dan laboratorium tentang penginderaan jauh
hyperspectral dengan berbagai fitur spektral sempit telah terbukti berkaitan
dengan perubahan kondisi vegetasi dan jumlahnya, termasuk karakteristik
fisiologis seperti jumlah dan / atau jenis klorofil (Rock et al., 1994; Yoder &
Pettigrew-Crosby 1995; Gitelson & Merzlyak 1997).
28
gelombang. Ini termasuk studi cahaya sebagai fungsi dari panjang gelombang
yang telah dipancarkan, dipantulkan atau disebarkan dari zat padat, cair, atau
gas (Clark 1999). Metode utama yang digunakan didasarkan pada evaluasi
signature reflektansi permukaan bumi pada domain reflektif dan emisif pada pita
spektral sempit bersebelahan pada skala piksel.
29
3.2.1. Parameter Spektral
30
Tabel 3.1. Kisaran radiasi gelombang elektromagnetik
Wavelength
Region Names Nanometres
(nm) or
Cosmic Ray micron (μ)
Gamma Ray
X Ray
Ultra- Far Ultra violet 1-200
violet Ultra Violet C (UVC) 200-280
nm
(UV) Ultra Violet B (UVB) nm
280-315
Ultra Violet A (UVA) nm
315-400
Visible (VIS) Photosynthetically Blue Light nm
400-525
Active Radiation Green Light nm
525-605
(PAR) Yellow Light 605-655
nm
Red Light 655-725
nm
Far Red nm
725-750
Optical Infrared (IR) Near-Infrared Short Wave 750-1100
nm
(N Near Infrared nm
ear- IR) (SW-
Typical
NIR) 1st 1000-1800
(NIR) nm
region
Typical 2nd (NIR1)
detector NIR 1800-2500
orregion
SWIR1 nm
detector
(NIR2) or
Conventional
(SWIR2) 1000-2500 nm
Near or
Mid Infrared (Mid- Infrared (NIR) 2.5 – 50
1.0-2.5
IR) Thermal μμ8 - 15
Far Infrared (Emitted) 50 μ– 100
Microwave μ
&UHF TV
Radar
VHF TV & FM
Radio
AM Radio
33
Telah dilaporkan bahwa mengubah sudut pandang sensor mengubah
jumlah bayangan dan / atau latar belakang tanah yang muncul di Field of View
(FOV), yang dapat menyebabkan variasi dalam spektrum terukur (Wardley
1984; Barnsley et al., 1997a; Hyman & Barnsley 1997; Aparicio et al., 2004;
Goodin et al., 2004). Namun, kebanyakan penelitian penginderaan jarak jauh
menggunakan data hyperspectral tidak memperhitungkan efek ini, dengan
menggunakan spektrum yang diukur dari satu arah saja.
34
BAB IV
35
Salisbury 1998). Pada tanaman kapas, misalnya, Mass (1998) menggunakan
analisis campuran spektral untuk menilai kesehatan tanaman. Pemetaan
endemik spektral pada tingkat piksel menjadi karakteristik penyusunnya dari
tanaman pertanian telah dihasilkan untuk menilai kondisi tanaman seperti
kejadian pestisida, semangat tanaman, dan sifat kanopi (Camille et al., 1998;
Lass et al., 2002; Casa & Jones 2004; Haboudane et al., 2004).
36
digunakan sebagai referensi dalam analisis citra. Dokumentasi lengkap
spectral library untuk berbagai mineral dijelaskan di Grove et al., (1992).
Spectral library Geologi Survei A.S. publik berisi hampir 500 spektrum
mineral dan sejumlah kecil spektrum vegetasi umum (Clark et al., 1993).
Namun, spectral library yang ada tidak dalam format standar dan,
karenanya, tidak selalu berlaku di lingkungan tertentu. Sebagai gantinya,
seseorang biasanya menghasilkan database spectral library untuk
vegetasi dan / atau mineral yang diteliti (Yuhas et al., 1992; Adam et al.,
1995; Roberts et al., 1998; Dehaan & Taylor 2002, 2003; Dennison &
Robert 2003)
Spectral library dapat diperoleh dengan mengekstraksi refleksi
'puncak' yang berbeda pada panjang gelombang tertentu seperti daerah
merah ke inframerah dekat (posisi tepi redup) sebagai indikator
perbedaan gambar vegetasi yang sama. Metode ini akan digunakan
untuk pemilihan spectral library untuk klasifikasi HyMap udara di Bab
3.\Faktor lain yang dapat menciptakan perbedaan pada pemantulan
puncak adalah efek sudut karena sudut pandang sensor selama
perolehan gambar. Pengumpulan spectral library dari berbagai posisi
sudut sensor akan digunakan untuk analisis gambar CHRIS pada Bab 4.
Endmembers adalah murni, material unik spectrally yang terjadi pada
gambar. Karena sebagian besar piksel mengandung campuran bahan
yang berbeda, asumsi umumnya dibuat agar bahannya dicampur secara
linier. Artinya, setiap piksel dimodelkan sebagai mengandung campuran
linier dari signature spektral dari berbagai bahan yang ada (Yuhas et al.,
1992; Roberts et al., 1998; Dennison & Robert 2003). Koefisien campuran
linier yang terkait dengan masing-masing endmember disebut faktor
kelimpahan, dan mewakili persentase bahan penyusunnya. Kumpulan
endmembers menyediakan alat untuk mengarsipkan spektra dari
berbagai sumber. Endmembers dapat diimpor dari file ASCII,
37
perpustakaan spektral, file statistik, atau dari rata-rata wilayah minat
(ROI), area yang dipilih dalam adegan gambar yang akan menjadi fokus
analisis. Koleksi endmember juga menyediakan area pelatihan yang bisa
digunakan dalam klasifikasi seperti algoritma paralelepiped.
Endapan yang berasal dari data hyperspectral mungkin memadai
untuk mewakili library endmember jika rentang spektral tidak
memerlukan analisis yang sangat rinci, misalnya refleksi kanopi pada
VNIR dan kemampuan data hyperspectral untuk memberikan resolusi
spektral yang halus sebagai spektrum laboratorium. Kriteria yang
digunakan untuk pemilihan endmember bergantung pada kualitas
gambar, termasuk resolusi spektral dan spasial. Pada Bab 3 dan 4,
kriteria pemilihan akhir untuk pemetaan spektral akan dibahas.
38
2) Jika nilai piksel jatuh di beberapa kelas, rutinitas menetapkan piksel ke
kelas terakhir yang cocok. Area yang tidak termasuk dalam salah satu
paralelepiped disebut piksel unclassified.
Untuk rutinitas paralelepiped ada beberapa ukuran yang dapat
dilakukan misal 100, 200, 500, dan 1000) yang dapat diterapkan pada
citra HyMap dan CHRIS sebgai contoh citra yang digunalan untuk
memeriksa sebaran spektral yang berbeda, keakuratan dan distribusi
piksel pada kelas kelas yang berbeda yang telah ditentukan.
39
Transformasi ke depan, menentukan band mana yang
mengandung gambar koheren (dengan memeriksa gambar dan nilai
eigen), akan digunakan untuk menjalankan invers MNF berubah untuk
citra HyMap dan CHRIS. Ini akan mengurangi dimensi gambar dan
menunjukkan variasi noise pada gambar
40
kelebihan metode SAM adalah memanfaatkan data yang dikumpulkan
pada skala lapangan (Zhang et al., 2003). SAM adalah metode klasifikasi
yang memungkinkan pemetaan cepat dengan menghitung kemiripan
spektral antara spektrum gambar dengan spektra pemantulan referensi
(Yuhas et al., 1992; Kruse et al., 1993; van der Meer et al., 1997).
SAM telah digunakan untuk memantau perubahan tutupan lahan
(Lass et al., 2002), membeda-bedakan antara tipe vegetasi (van der Meer
1995), dan untuk memilih endapan terpenting dari semua endmembers
yang ada dalam sebuah adegan (CSES 1999) .
Penjelasan sederhana tentang SAM dapat diberikan dengan
mempertimbangkan spektrum referensi dan spektrum yang tidak
diketahui dari data dua band. Dua bahan yang berbeda, yang ditentukan
dengan memilih endmembers, akan ditampilkan dalam plot scatter 2-D.
Sudut yang lebih kecil akan mewakili kecocokan yang lebih dekat dengan
spektrum referensi. Teknik ini, kapan
Digunakan pada data yang dikalibrasi, relatif tidak sensitif terhadap
efek iluminasi dan albedo (RSI 2002). SAM memperlakukan spektrum
sebagai vektor dalam ruang dengan dimensi sama dengan jumlah band
dan membandingkan sudut antara vektor spektrum referensi dan setiap
vektor piksel di ruang n-dimensi. SAM menentukan kesamaan spektrum
yang tidak diketahui (t) dengan spektrum referensi (r) dengan
menggunakan persamaan 2.1 (Yuhas et al., 1992; RSI 2002)
Sudut spektral (D) masing-masing spektrum referensi ditentukan
untuk setiap spektrum gambar (pixel). Nilai D diberikan ke piksel yang
sesuai pada gambar SAM output. Hasilnya adalah gambar klasifikasi
yang menampilkan kecocokan terbaik antara endmembers dan spektrum
referensi pada setiap pixel, dan sebuah "rule" image untuk setiap
endmember. Gambar aturan menampilkan jarak sudut di radian antara
gambar dan spektrum referensi, dengan piksel yang lebih gelap yang
41
mewakili sudut spektral yang lebih kecil. Gambar aturan dapat digunakan
dalam klasifikasi lebih lanjut dengan berbagai ambang batas untuk
memilih piksel mana yang termasuk dalam gambar klasifikasi SAM.
Harus ditunjukkan bahwa SAM adalah ukuran kesamaan, bukan
identifier. Oleh karena itu, piksel yang diklasifikasikan ke dalam kelas
tertentu belum tentu benar; mereka hanya lebih spectrally cocok dari
endmembers lainnya. Oleh karena itu, analisis dengan alat spektral
lainnya diperlukan untuk memberikan keseimbangan tambahan untuk
menentukan piksel ke kelas endmembers.
44
4.6.2. Red-edge ratio
45
mengurangi variabilitas radiasi fotosintetik aktif karena adanya bahan
nonfotosintetik yang beragam. Ini menggunakan pita yang sesuai dengan
penyerapan minimum pigmen fotosintesis, berpusat pada 550 dan 700 nm,
bersamaan dengan pita penyerapan maksimum klorofil-dekat 670 nm. Pilihan
700 nm adalah karena lokasinya di batas antara daerah dimana pantulan
vegetasi didominasi oleh pigmen penyerapan dan awal bagian tepi merah
dimana karakteristik struktur vegetasi memiliki pengaruh yang lebih besar
terhadap pantulan (Kim et al., 1994). Kim et al. (1994) menemukan rasio
reflektansi 550 dan 700nm menjadi konstan pada tingkat daun terlepas dari
perbedaan konsentrasi klorofil. Hal ini didefinisikan berdasarkan hubungan ini
dan pita serapan klorofil pada 670 nm.
46
al., 1995; Gamon et al., 1997). PRI adalah indeks pantulan fisiologis yang
berkorelasi dengan keadaan reaksi epoksidasi pigmen siklus xantofil dan
dengan efisiensi fotosintesis pada kanopi yang menekankan nitrogen
(Boochs et al., 1990; Gamon et al., 1992a; Blackburn & Steele 1999).
Pigmen siklus xantofil adalah pigmen fotoregulatori yang terkait erat
dengan fungsi fotosintesis (Demmig-Adams & Adams III 1996). Indeks ini
dapat digunakan untuk memperoleh tingkat fotosintesis relatif (Gamon et
al., 1998)
Indeks spektral seperti NDVI, RVSI, Red-edge, RNVI, CARI, PRI, sering
digunakan untuk menentukan karakteristik pertumbuhan vegetasi dan tekanan
vegetasi. Analisis reflektansi spektral pada tahap pertumbuhan tertentu dapat
berkorelasi dengan produktivitas melalui indeks spektral.
48
BAB V
49
melaporkan bahwa pemanfatana data hyperspectral difokuskan
kenampakan lanskap yang khas spektrum endmembers dan terbatas
pemetaan spektral ke parameter input tunggal (Camille et al. 1998;
Cochrane 2000; Lass et al., 2002).
Studi sebelumnya telah menunjukkan potensi menggunakan
pemetaan spektral rutin untuk aplikasi pertanian (Ichku & Karnieli 1996;
Zhang et al., 2003). Mereka menggunakan spektrum endmembers dan
parameter input tunggal untuk rutinitas untuk membedakan panen di
lapangan.
53
Reflektansi ini dikaitkan dengan klorofil penyerapan indeks (CAI)
(Oppelt & Mauser 2001b, 2001a) (gambar 3.2). Wilayah ini dapat
digunakan sebagai indikator kesehatan dan produktivitas kapas oleh
analisis indeks nilai reflektansi pada panjang gelombang yang dipilih.
54
Gambar 5.1. Pilihan endmembers dalam HyMap untuk dijasikan piksel target yang
dianalisis dan perbedaan kalsifikasi
55
Selain itu, fungsi PPI digunakan untuk mencari pixel paling spectrally murni
dalam adegan, mana PPI nilai-nilai yang lebih besar daripada dua dianggap murni.
Fungsi PPI diterapkan menggunakan 5000 dan kemudian 10000 iterasi, berdasarkan
data subset 62 saluran di setiap bidang yang dipilih.
Untuk memeriksa statistik distribusi untuk setiap kelas yang ditetapkan, rutinitas pasca
klasifikasi yang dilakukan. Hasil ditetapkan distribusi dan persentase piksel di setiap
kelas. Total luas ditetapkan menggunakan setiap endmember koleksi rutinitas
dibandingkan. Berbagai PHWs dan SAM sudut dibandingkan dengan wilayah secara
manual dipilih menarik (ROI). Jika total luas diidentifikasi menggunakan spektrum
pemetaan di bawah daerah ROI itu dianggap telah diremehkan. Sebaliknya, jika total
luas diidentifikasi menggunakan spektrum pemetaan di atas ROI, itu telah berlebihan
ROI. Perbedaan antara ROI dan hasil klasifikasi juga dihitung.
56
5.6. Endmember spektrum variasi
Dua faktor ANOVA diuji untuk melihat hasil endmembers yang telah dipilih yaitu
ada enam perbedaan endmember pada tanaman dilapoang berdasarkan
57
pengamatan piksel. Dari gambar terlihat tdak begita banyak perbedaan, namun hasil
anova menunjukkan perbedaan secara signifikan berbeda untuk band dan kelas
(Tabel 3.3). Rasio NIR hijau, dan merah NIR peningkatan nilai seperti meningkatkan
nilai Red-NIR, tetapi rasio merah/hijau cenderung menurun terhadap kelas dengan
lebih tinggi merah-NIR (Gambar 5.2). Dalam kombinasi dengan hasil ANOVA nilai
rasio menunjukkan cukup perbedaan antara endmembers dipilih untuk mereka harus
menggunakan mereka sebagai spektrum library
58
Tabel 5.1. F-values of the spectral class endmembers (Ftest at 95% confident limit)
7
Nir/Red 6
4 Nir/Green
Ratio
3 Red/Green
0
Class1
Class2
Class3
Class4
Class5
Class6
Gambar 5.3. Rasio Gelombang hijau, merah dan NIR sebagai indikator variasi
antar kelas untuk spektral endmember terpilih.
59
PHW lebih besar nilai kelas 1 dan 2 paling umum. Sebagai PHW meningkat, begitu
juga jumlah piksel yang dialokasikan untuk kelas 1, 2 dan 3, tetapi untuk kelas antara
700-850 nm (kelas 5 dan 6 kelas) hitungan total pixel menurun (Tabel 5.2).
Total luas bersih sebelum klasifikasi untuk area yang dipilih (ROI) adalah 778.88
hektar. Area yang dipilih di semua kelas meningkat dari 79.8 ha di 100 PHW untuk
1155.5 ha di 1000 PHW. Di kelas 1, yang memiliki nilai Red-NIR terendah antara
kelas, total luas ditugaskan berkisar dari 0,3 ha di 100 PHW 490.2 ha di 1000 PHW.
Untuk kelas 6, kelas tertinggi di Red-NIR, total luas ditugaskan berkisar dari 2.4 ha di
100 PHW 0.6 ha di 1000 PHW.
Nilai pada 100 dan 200 PHW oleh 699.1 (89,8% perbedaan dari ROI) dan 368.6
ha (47,3%) masing-masing, dan overestimates nilai-nilai di 500 dan 1000 dari PHW
oleh 64.4 (8.3%) dan 376.6 (48.3%) ha. 500 PHW terdekat perhitungan ROI secara
manual berasal (843.4 ha dibandingkan dengan 778.88).
60
a b
c d
61
spektrum beberapa materi (jalan dan irigasi beton) dalam adegan. Sebagian besar
pixel murni terjadi di bagian timur laut dari gambar reservoir air, dan hanya 30 terjadi
di daerah kolom. Hal ini jelas bahwa PPI tidak memuaskan mengidentifikasi murni
kapas spektrum. PPI dapat digunakan untuk menemukan murni piksel bahan unmixed
mana varians tinggi. Dalam kasus ini, variasi kecil dalam spektrum vegetasi, karena
luas spasial, distribusi yang tidak merata air di bidang selama periode dijadwalkan
irigasi, dan reflektansi latar belakang dari tanah, tidak cukup besar untuk endmembers
harus terisolasi oleh PPI. Oleh karena itu mampu PPI rutin untuk memberikan
endmember
63
a b
c d
64
5.9..Hasil Perhitungan Indeks vegetasi
Distribusi indeks vegetasi enam dalam gambar adalah variabel (gambar 3.9).
Variasi hasil indeks vegetasi ini dikaitkan dengan perubahan dalam nilai-nilai
reflektansi dalam rasio merah-tepi. Kondisi ini dikaitkan dengan distribusi spasial dari
tanah kandungan hara dalam tanah untuk mendukung pertumbuhan tanaman.
Kandungan hara, terutama nitrogen konsentrasi, mempengaruhi nilai posisi merah-
tepi (Hansen & Schjoerring 2003; Mutanga et al., 2003; Haboudane et al., 2004).
Statistik distribusi indeks vegetasi bidang dipilih ditampilkan dalam tabel 3.6 dan
endmembers enam kelas indeks vegetasi di meja 3.7.
Nilai-nilai tinggi reflektansi di posisi merah-tepi cenderung menghasilkan nilai tinggi
untuk indeks vegetasi. Kelas 5 dan 6 memiliki nilai merah-tepi tertinggi dan sesuai
menunjukkan nilai yang lebih tinggi setiap indeks. Hasilnya menunjukkan bahwa ada
rendah antara variasi kelas untuk RVSI, rasio merah-tepi, NDVI dan RNI indeks. CARI
nilai memberikan berbagai konstan antara kelas 1 untuk kelas-kelas lain dari kisaran
ini. CARI hasil Klasifikasi data HyMap menggambarkan pola yang sama untuk NDVI
dan rasio merah-tepi (gambar 3.9).
Tabel 5.3. Statistik distribusi indeks vegetasi terpilih pada tanama kapas
Vegetation Minimum Maximum Mean Std.
Indices Deviation
RVSI -0.38 0.77 0.16 0.17
Red-edge Ratio 0.50 5.25 1.76 1.14
NDVI -0.33 0.68 0.17 0.25 Tabel 5 . 4 .
RNVI 0.34 4.52 1.55 0.98 Nilai untuk
CARI 0.00 4.85 1.21 0.36 menghitung
PRI -0.20 0.01 -0.05 0.05 indeks
spectral
data HyMap
September Class 1 Class 2 Class 3 Class 4 Class 5 Class 6
RVSI -0.003 -0.003 -0.001 -0.002 -0.001 0.002
Red Edge Ratio 2.831 3.804 5.256 5.803 6.949 10.075
NDVI 0.478 0.584 0.680 0.706 0.748 0.819
RNVI 3.306 4.041 5.087 5.256 6.141 7.564
CARI 0.317 0.294 0.234 0.246 0.242 0.202
PRI -0.114 -0.131 -0.152 -0.160 -0.167 -0.210
February
RVSI -0.021 -0.031 -0.030 -0.034 -0.033 -0.039
Red Edge Ratio 2.478 3.529 4.048 4.049 4.664 6.118
NDVI 0.425 0.558 0.604 0.604 0.647 0.719
65
RNVI 3.022 3.646 4.378 4.057 4.752 5.678
CARI 0.671 0.701 0.638 0.699 0.618 0.647
PRI -0.153 -0.191 -0.238 -0.224 -0.254 -0.311
April
RVS -0.009 -0.015 -0.015 -0.019 -0.020 -0.020
I
Red Edge Ratio 3.164 5.113 5.224 8.688 10.953 15.678
NDVI 0.427 0.555 0.558 0.646 0.695 0.747
RNVI 4.256 5.357 6.282 9.037 10.306 13.111
CARI 1.510 0.519 0.682 0.741 0.687 0.705
PRI -0.181 -0.226 -0.226 -0.318 -0.362 -0.447
66
Gambar 5.7. Distribusi spasial dari indeks vegetasi untuk enam tingkat kategori
Nilai indeks vegetasi untuk percobaan rumah kaca bervariasi dengan perlakuan
tanah sebagai diharapkan (3,8 tabel). Ada sebuah hubungan linear antara nilai-nilai
indeks vegetasi dan kandungan hara tanah untuk pertumbuhan kapas. Kandungan
hara yang rendah menghasilkan indeks vegetasi rendah, tinggi gizi hasil konten dalam
indeks nilai yang lebih tinggi. Pengecualian sangat tinggi kandungan hara
67
(pengobatan tinggi +) mana rasio merah-tepi dan nilai-nilai RNVI cenderung untuk
menurun dibandingkan dengan kandungan gizi yang tinggi, tetapi nilai CARI dan PRI
cenderung meningkat. Hal ini dapat mengindikasikan bahwa klorofil dan fotokimia
aktiviti dalam daun jaringan meningkat, dan indeks yang CARI dan PRI dapat
digunakan untuk memantau pembangkit semangat.
Table 5.5. Uji rumah kaca enam indeks vegetasi di berbagai macam tanah.
Note : Data spektral diakuisisi pada 5 Februari 2003. Rendah mewakili pupuk tidak
diterapkan, Medium adalah setengah dosis yang direkomendasikan, tinggi
direkomendasikan dosis dan tinggi + direkomendasikan ditambah mikronutrien pupuk
Indices Low Medium High High+
RVSI -0.003 -0.017 -0.045 -0.045
Red-edge Ratio 1.59 2.95 6.33 6.20
NDVI 0.99 0.99 0.99 0.99
RNVI 2.04 2.38 3.52 2.69
CARI 6.89 28.20 65.49 84.88
PRI -0.09 -0.11 -0.08 -0.10
Hasil dari rumah kaca percobaan menunjukkan bahwa efek kandungan hara
tanah pada pertumbuhan tanaman dapat diukur dalam puncak hijau (reflektansi
puncak di bagian hijau spektrum dari 540 ke 560 nm)(Figure 3.10). Tanaman yang
sehat menunjukkan kurva reflektansi sangat mirip untuk tingkat kesuburan tinggi dan
tinggi + karena pertumbuhan homogen dan vitalitas. Kurva reflektansi pada tingkat
kesuburan rendah benar-benar berbeda, dengan hampir datar reflektansi pada posisi
merah-tepi. Kurva spektral mereka naik dari bagian biru spektrum untuk NIR hampir
terus menerus, kecuali bagian bahu inframerah yang menunjukkan kemiringan dan
panjang berbeda dengan tanaman yang sehat lebih rendah.
69
5.13. Efek Perbedaan sudut SAM
5.15. Rangkuman
Hasil analisi yang ditnjukka dalam bab ini bahwa spektral pemetaan rutin dengan
parameter input yang berbeda mempengaruhi hasil klasifikasi berasal dari spectrally.
200 dan 500 PHW ambang nilai-nilai memberikan hasil yang lebih baik dibandingkan
dengan 100 dan 1000 PHW nilai dalam proporsi piksel yang ditugaskan di seluruh kelas.
PPI spektral rutin tidak melakukan baik untuk kapas spektral pemetaan untuk
menemukan pixel murni dalam adegan hanya 30 murni kapas piksel yang diidentifikasi.
Pilihan 0,05 dan 0.025 radian SAM sudut menyediakan peta spektral yang wajar dengan
semua piksel dihitung dalam bidang yang dipilih. Distribusi diturunkan spektral peta
indeks vegetasi menunjukkan variasi jumlah piksel didistribusikan dalam bidang dipilih
sesuai kelas. Bidang 303 dan 302 memiliki nilai-nilai yang lebih tinggi dibandingkan
dengan bidang lain, menunjukkan kondisi pertumbuhan yang lebih baik.
Dimungkinkan untuk visual mengkorelasikan spektral variasi dalam merah
untuk wavelengths NIR untuk kekurangan gizi di lapangan dengan merujuk spektrum
dari rumah kaca percobaan. Sangat jelas bahwa nilai-nilai spektral yang rendah
dalam merah-NIR memiliki korelasi positif dengan produktivitas. Ciri khas spektrum
rendah mewakili aktivitas rendah fotosintesis. Ini dapat digunakan untuk mendeteksi
dini adanya potensi produksi di bidang.
72
Secara keseluruhan, hasil dari studi ini menjelaskan bagaimana memilih
parameter input yang sesuai untuk pemetaan spektral rutinitas menggunakan
penginderaan jauh hyperspectral. Investigasi lebih lanjut pada hubungan antara
teknik spektral pemetaan dan vegetasi indeks untuk berbeda tanah penutup jenis
disarankan.
73
BAB VI
Hyperspectral pada tanah data yang ditangkap oleh jenis sensor apapun di akan
dipengaruhi oleh posisi sensor dan sudut pengambilan sensor. Efek dari sudut
pandangan sensor tidak dapat diukur secara langsung, tetapi dapat disimpulkan melalui
analisis variasi dalam spektrum reflektansinya. Data multi sudut hyperspectral dapat
mewakili sudut pandangan sensor dalam kedua arah; sudut azimut dan zenith.
Bab ini menyajikan hasil analis data multi sudut hyperspectral pada tanah yang
ditangkap oleh sensor hypectral sensor dilapangan untuk menjawab pertanyaan berapa
banyak informasi dapat diperoleh dari hyperspectral multi sudut penginderaan jauh
pada tanah?' Analisis berfokus pada efek dari sudut Azimut bila posisi zenith sensor
yang berbeda digunakan untuk memperoleh tanah spektrum. Perhitungan multivariat
dan fungsional Data analisis (FDA).
Intensitas cahaya menerima dan kemudian tercermin dengan permukaan tanah
adalah faktor penting untuk optik penginderaan jauh tanah. Ini memberikan informasi
tentang sifat-sifat fisik dari permukaan tanah tertentu. Intensitas dari cahaya yang
diterima oleh sensor juga akan berubah jauh sesuai insiden sudut pencahayaan surya,
membuat perubahan dalam pola penyebaran atau reflektansi (Hapke, 1993; Nelson,
1986; Mustard dan Pieters, 1989). Ini adalah BRDF (Abdou et al., 2000; Strub et al.,
2002), Bagian yang paling penting yang adalah efek hot-spot (Kuusk 1983; Bréon et
al., 1997; Chen & Cihlar 1997).
Hot spot adalah salah satu istilah dalam penginderaann jauh, terkait dengan
kecerahan dan bayangan pada saat pengambilan data penginderaan jauh. Hot-spot
yang cerah, bayangan melingkar zona di posisi matahari diproyeksikan, seberang
posisi specular refleksi. Untuk posisi nadir selalu muncul ketika sudut solar zenith
sama dengan dan lebih kecil daripada viewing –angle sudut pandang sensor. Untuk
jenis scanner, airborne hyperspectral instrumen yang paling umum, hot spot hanya
muncul ketika solar zenith maupun azimut sudut sesuai dengan salah satu garis pada
74
alat CCD yang dapat dilihat arahnya. Untuk tanaman, faktor reflektansi bidirectional
(dua arah) terjadi, tergantung pada sifat biofisik vegetasi, tapi untuk permukaan tanah,
reflektansi arah ditentukan oleh sifat fisik dan kimia tanah (Huete & Escadafal 1991;
Ben-dor & Banin 1994; Odlare et al, 2005).
Arah spektral reflektansi adalah faktor perlu dipertimbangkan dalam rangka untuk
mengukur spektral reflektansi karakteristik tanah. Arah reflektansi efek dapat
menyebabkan pergeseran dalam posisi spektral reflektansi kurva di panjang
gelombang tertentu. Perubahan ini dalam penyerapan reflektansi adalah dari panjang
gelombang pendek hingga panjang gelombang (Curran et al., 1992).
Beberpa stdui telah melaporkan keterkaitan antara permukaan reflektansi dan
sifat-sifat tanah (Moran et al., 1997). Kendala pada pengumpulan data membuat tidak
mungkin untuk mengambil arah spektral reflektansi dari sifat-sifat tanah dari satu
pandangan pengukuran (Martonchik 1994). Salah satu strategi adalah untuk
menggunakan data tambahan untuk memperbaiki sementara atau ruang yang stabil
parameter tanah dan menggunakan data reflektansi terarah untuk memperkirakan
variable komponen.. Arah spektral reflektansi set data yang dihasilkan oleh
memperoleh data multi sudut atau data multi fosil.
Arah spektral reflektansi secara historis telah dianalisis dengan radiasi transfer
pemodelan pendekatan menggunakan kompleks model (Privette et al., 1995;
Cierniewski et al., 2002; Cierniewski et al., 2004). Namun, studi-studi sebelumnya
SPEKTRA tanah tidak mempertimbangkan variasi yang disebabkan oleh sudut
pandang sensor sebagai masalah reflektansi spektral arah. Ini adalah tujuan dari
penelitian ini untuk menyelidiki Apakah analisis data fungsional dapat digunakan
sebagai alat untuk pendekatan statistik untuk analisis semacam itu.
Dalam sajian berikut ini, data hyperspectral multi sudut kompleks akan
disederhanakan dengan mempertimbangkan distribusi data dan varians sebagai
hubungan fungsional. Tujuannya adalah bukan untuk mengidentifikasi bentuk umum
kurva secara detail, tetapi untuk menganalisis variasi dari kurva. Hal ini juga untuk
menilai bagaimana multi sudut data dapat memberikan informasi tambahan mengenai
spektral reflektansi tanah di terlihat di dekat inframerah wilayah (350-1050 nm). Kisaran
panjang gelombang ini digunakan untuk cermin spesifikasi dari CHRIS data yang
diperoleh selama situs studi. Ada dua sumber reflektansi spektral terarah, sensor di
sudut azimut dan sudut zenith sensor. Sensor posisi relatif terhadap target dapat
75
mempengaruhi intensitas cahaya yang dipantulkan dari target dan dapat membuat
variasi dalam spektrum reflektansi tanah. Efek lebih mendalam dalam tanah,
permukaan tanah biasanya memiliki fitur homogen bila dibandingkan dengan struktur
kompleks kanopi vegetasi. Bila menggunakan FDA untuk belajar reflektansi spektral
arah tanah Azimut sensor dan sensor zenith sudut digunakan dalam proses.
Spektrum tanah dapat dianalisis menggunakan FDA dalam dua cara, sebagai
dasar panjang gelombang dan sebagai landasan Azimut. Untuk panjang gelombang
dasar analisis, nilai x panjang gelombang dan nilai y reflektansi. Azimut dasar analisis,
nilai x adalah sudut dan y adalah reflektansi (gambar 6.1).
76
(b)
Gambar 6.1. Panjang gelombang (a) dan Azimut sudut (b) dasar fungsi
analisis di FDA spectra tanah.
Titik-titik dalam gambar (b) mewakili nilai spektral data untuk setiap
sudut.
Dalam gelombang dasar analisis, spectra individu dapat diplot dan dianalisis
sama untuk standar spektrum dari 45°, 90° dan azimuths 135° (gambar 6.1a). Untuk
Azimut dasar analisis, setiap band dapat dibangun sebagai kurva fungsional yang
bervariasi oleh sudut Azimut. Jadi, posisi individu band, seperti sebagai hijau, merah
dan dekat inframerah band dapat dipetakan secara terpisah (gambar 6.1b)
0 1.5km
Soil spectral
sample points
Gambar 6.2. Lokasi sampel tanah untuk pengumpulan data spektral multi-sudut
78
0.1 m 0.1 m
0.1m 1m
Tanah spektrum dikumpulkan pada tanggal 28 dan 29 Mei 2003 antara 10: 30 AM
untuk 13.30 selama jelas kondisi langit untuk meminimalkan efek sudut matahari.
Daerah adalah tanah kosong selama sampling bidang. Sudut posisi matahari saat
pengambilan spektrum dihitung menggunakan Model posisi matahari (Sol_Pos) versi
3.3 (CSIRO, Australia). Sudut Azimut matahari selama pengukuran adalah antara
56.21-50.36, matahari Azimut sudut antara 29,25-344.55, dan matahari elevasi 35.48-
39.61 (gambar 6.5a).
79
Gambar 6.4. spektrum sampel tanah yang dikumpulkan pada sudut zenith 20°
dan Azimut berbeda
Metode sampling spektral sudut diikuti Lee dan Landgrebe (1993), dengan modifikasi
dari interval jangkauan kedua untuk Azimut dan zenith sudut. Posisi zenith dan Azimut
diukur menggunakan clinometer melekat spectroradiometer. Interval sudut zenith
ditetapkan untuk interval 20° dari 0° (nadir) untuk 60°, dan Azimut sudut 45°, 90°, 135°,
180°, 225°, 270°, 315°, 360° (Utara, Timur laut, Timur laut, Tenggara, Selatan, barat
daya, Barat dan Barat laut) (gambar 6.5b).
80
Tabel 6.1. Spesifikasi FieldSpec dan FR SpectroRadiometer (ASD, 2000).
Interval waktu antara setiap pengukuran sudut pandangan itu terbatas untuk 10-15
menit untuk setiap posisi sudut untuk meminimalkan efek zenith-sudut matahari antara
pengukuran. Sudut zenith matahari bervariasi pada siang hari, tetapi ada perubahan <
7° selama periode tiga jam antara 10:30-13:30. Dengan demikian, penundaan 15 menit
antara pengamatan masing-masing memiliki dampak yang sangat rendah pada
matahari zenith sudut (kurang dari 1° perbedaan). Kalibrasi dilakukan sebelum setiap
pengukuran yang menggunakan panel standar reflektansi Spectralon® pada jarak satu
meter dari target. Bacaan spektral untuk setiap sudut diambil sebagai rata-rata 25
spektrum dikumpulkan lebih dari 17 milidetik. Kami mengulangi membaca lima kali
untuk setiap posisi sudut zenith dan Azimut. Sampel tanah telah dikumpulkan dan
dianalisis di laboratorium kimia tanah. Sifat-sifat kimiawi tanah seperti diringkas dalam
tabel
Spectral library dibuat untuk setiap sampel tanah, di setiap sudut zenith dan
Azimut. Hasilnya kemudian dikonversi dari format binari ASD ke format ASCII untuk
digunakan dengan aplikasi Statistik.
Sampel spektral mereplikasi lima dari setiap sudut yang rata-rata. Spektrum yang
juga dibagi dalam subset untuk menyederhanakan dataset dan untuk menghapus
beberapa efek kebisingan yang disebabkan oleh sensor. Sensor suara itu minimal
81
antara 440 nm dan 900 nm. Data di bawah 400 nm dan di atas 900 nm tidak
dimasukkan dalam analisis akibat kebisingan yang berlebihan dan informasi yang
dapat dihasilkan dari gelombang ini posisi dibatasi dalam hal apapun. Dataset
kemudian ditransfer ke spectral library dan format ASCII untuk analisis lebih lanjut
menggunakan FDA.
Tabel 6.2. Sifat kimia tanah yang dipilih untuk multi spektral data. Nilai-nilai di atas
ideal dilambangkan dengan asterisk.
Category
Element or soil1 soil2 soil3 Ideal level
CEC 43.39 37.74 56.09
TEC 44.69 38.79 57.77
pH-level 8.50 8.70 8.50 6.30
Organic Matter (%) 1.04 1.14 1.05 4 - 10
Cal/Mg ratio 2.45:1 2.40:1 2.27:1 7.00:1
in ppm
Nitrate Nitrogen 2.30 4.10 9.90 10 - 20
Ammonium Nitrogen 0.10 0.10 0.10 10 - 20
Phosphorus 58.20 56.30 39.70 50 - 70
Calcium 5626.00 5006.00 6064.00 6256
Magnesium 1379.00 1249.00 1604.00 536
Potassium 585.00 460.20 4138.00 349 - 871
Sodium *522.10 *257.60 *411.70 51 - 154
Sulphur 45.00 25.00 17.00 20 -40
Boron 0.75 1.09 0.85 1-3
Iron 24.50 27.10 30.70 40 - 200
Manganese 11.60 9.20 8.50 30 - 100
Copper 1.60 1.60 1.70 2-7
Zinc 0.70 0.70 0.60 5 - 10
Molybdenum N/A N/A N/A 0.4 - 0.7
Cobalt N/A N/A N/A 0.1 - 0.5
Base Saturation
(in percentage,
%)
Calcium 62.95 64.53 52.49 70.00
Magnesium *25.71 *26.84 *23.15 10.00
Potassium 3.36 3.04 *18.37 2.00 - 5.00
Sodium *5.08 *2.89 *3.10 0.50 - 1.50
Other Bases 2.90 2.70 2.90 5.00
82
Subse
t,
Noise removed
Hanya 440 band ASD spectroradiometer data telah digunakan, dalam berbagai
400nn untuk 900 nm, dengan interval berarti antara band 1.5 nm. Gelombang dan
Azimut sudut analisis didasarkan pada 8 x 440 matriks. Matriks yang Diperoleh dari
sudut Azimut sensor (45°, 90°, 135°, 180°, 225°, 270°, 315° dan 360°) dan didasarkan
pada subset dari band-band ASD. Tiga berbeda zenith sudut, 20°, 40° dan 60° dinilai.
Model linear fungsional ini digunakan untuk menilai efek dari Azimut dan zenith
sudut dengan membandingkan kurva linier fungsional dan hasil FANOVA. Kurva
regresi linear fungsional yang digunakan untuk meneliti efek dari sudut Azimut. Dipilih
band disajikan (hijau, merah, dekat inframerah). Dalam regresi fungsional dasar
panjang gelombang hasil 45° - 90° (arah N-E), Azimut sudut digunakan sebagai
variabel terhadap 135°-180 °, 220 ° - 270 ° dan 315° - 360° Azimut sudut. Pemilihan
dari 45° - 90° sebagai nilai tergantung mengikuti matahari zenith sudut saat
pengambilan spektrum di bidang (matahari Azimut sudut adalah antara 0° - 50° di pagi
hari dan 150° - 170° di sore hari selama pengumpulan data) (gambar 6.2). Sudut
matahari-Azimut rata-rata dari 10:30-13:30 adalah 25.75° 0 °. Model fungsional linear
dasar sudut ini didasarkan pada nilai-nilai rata-rata yang hijau, merah, dan dekat
85
dengan band-band inframerah.
Untuk menilai pentingnya model linier, FANOVA digunakan untuk menguji
hipotesis bahwa Azimut sudut dan posisi band secara signifikan mempengaruhi
reflektansi spektral tanah. Dapat dilihat sebagai versi asimtotik terkenal ANOVA F-tes.
FANOVA dihitung untuk panjang gelombang dan sudut dasar analisis dan hasilnya
dalam bentuk nilai-nilai r2 dan F-rasio fungsional kurva plot.
86
(b)
(c) (d)
Gambar 6.6. Smoothing pada beberpa jumlah dasar 20° zenith (Azt 2) pada
contoh tanha dan RMS sisa (RMSr)
Not e : 5-basis (a), 10-basis (b), 15-basis (c), and 20-basis
functions (d)
87
Gambar 6.7. Fungsional kurva soil1 dengan sudut Azimut berbeda, Azt1 4
Azt mewakili 45°, 90°, 135° dan 180°
The curve fits of the azimuth angles have different RMS residuals.
The solid line is the functional basis approximation relative to the
data values represented by the green diamond (◊).
Model linear fungsional soil1 menunjukkan efek sudut Azimut memiliki spektrum
reflektansi. Dampak kecil dapat diamati dari plot kurva fungsional (kesalahan! Sumber
referensi tidak ditemukan.). Gambar 6,18 menunjukkan model linier fungsional sebagai
pasangan Azimut sudut (45° dan 90°, 135° dan 180°, 225° dan 270°, 315° dan 360°)
untuk 20°, 40° dan 60° sensor zenith sudut soil1 data. Azt1 adalah variabel
independen, maju ke arah matahari iluminasi. Aspek kunci dalam model linier
fungsional adalah bahwa parameter dan pengamatan individu fungsi daripada
mewakili titik pada kontinum nomor. Simbol Azt (Azimut) dan nomor menunjukkan
sudut berbeda Azimut. AZT 1, misalnya, mewakili 45° dan 90° melalui nomor 4 (315
88
dan 360 °). Sebagian besar pasangan Azimut sudut (Azt2 4 Azt) dengan 20° sensor
zenith sudut memiliki koefisien regresi linear di bawah 0. Untuk sudut zenith sensor
40°, Bagian dari spektrum terletak di 400 -...
Gambar 6.8. Model linear fungsional untuk sudut Azimut(Azt) at 20°, 40° and 60°
zenith angles contoh tanah
Note:. Azt1 mewakili 45° dan 90°, Azt2 mewakili 135° dan 180°, Azt3 mewakili
225° dan 270°, Azt4 mewakili 315° dan 360°.
Variasi dalam model linier antara sudut Azimut dan tanah spektrum menunjukkan
soil1 yang tidak secara signifikan berbeda (gambar 6,19). Gambar 6,19 menunjukkan
variasi plot untuk FANOVA untuk soil1 data untuk tiga berbeda zenith sudut, 20°, 40°
dan 60°. Semua nilai F-rasio soil1 data secara substansial di bawah tingkat kepentingan
95% 5.47.
Untuk sudut zenith 20° nilai r2 meningkat dari 40% di wilayah biru untuk 50% di
wilayah NIR (gambar 6,19). Namun, sebaliknya berlaku untuk 40° zenith sudut mana
penurunan nilai r2 dapat dilihat di daerah yang sama. Menariknya, 60° zenith sudut hasil
kontras dengan yang lain. R2 memiliki luas puncak 500 nm, penurunan yang luas untuk
900 nm, dan puncak tajam di sekitar 950 nm. Namun, nilai-nilai ini semua lebih tinggi
89
daripada hasil 20° dan 40°. Efek edge jelas terlihat setelah 950 nm. Rasio F fungsional
adalah sekitar 2 3 untuk zenith 20°, dan 8 sampai 10 untuk sudut zenith 40° dan 60°.
Hasil FANOVA untuk soil2 menunjukkan bahwa ada dampak yang signifikan pada
reflektansi spektral di Azimut berbeda sudut (gambar 6,20). F-rasio fungsional di 40° dan sudut
zenith 60° menunjukkan perbedaan yang signifikan dalam semua panjang gelombang daerah,
kecuali di ujung panjang gelombang dianalisis dimana hal ini dapat efek edge. Hasil soil2
menunjukkan bahwa pada 20°, r2 menurun dari 60% di wilayah biru sampai 50% di daerah
NIR. Tren ini fungsional kurva 40° zenith dan 60° zenith tidak berubah sangat seluruh rentang
panjang gelombang; varians r2 adalah hampir konstan 80% dari varians.
Hasil FANOVA dengan situs sampel soil3 menunjukkan bahwa pada 20° r2
meningkat dari 40% di wilayah biru 60% di daerah NIR (gambar 6.21). Ukuran dari
jumlah varians fungsional kurva 40° dan sudut zenith 60° menunjukkan perubahan
kecil seluruh rentang panjang gelombang; sekitar 78% pada 40° dan 80% di 60° zenith.
R2 hampir konstan pada 80%
90
Gambar 6.9. Kurva fungsional R-Square beberapa korelasi dan F-rasio untuk
sampel tanah. Garis horisontal dash menunjukkan signifikans
95% tingkat untuk distribusi F untuk sudut pengambilan yang
berbeda.
91
Gambar 6.10. Fungsional kurva R-Square beberapa korelasi dan F-rasio
untuk sampel tanah. Garis horisontal menunjukkan signifikans 95%
tingkat untuk distribusi F.
92
Gambar 6.10. Kurva fungsional kurva R-Square beberapa korelasi dan F-
rasio untuk sampel tanah. Garis horisontal dash menunjukkan
signifikans 95% tingkat untuk distribusi F.
Jelas bahwa fungsional analisis varians, tidak ada perbedaan yang signifikan antara
Azimut sudut untuk tanah spektrum diukur dengan menggunakan sudut zenith 20°, tetapi
sensor zenith sudut sebesar 40° dan 60° secara signifikan mempengaruhi reflektansi spektral
sampel tanah untuk soil2 dan soil3.
Hasil dari ANOVA konvensional (Tabel 6.4) menunjukkan perbedaan yang
signifikan antara soil2 dan soil3 untuk semua sudut diamati Azimut. Namun, FANOVA
menunjukkan bahwa 20° tidak berbeda. Temuan ini menunjukkan bahwa analisis
statistik standar multivarian melebih-lebihkan signifikansi statistik dari perbandingan di
20° zenith dan beberapa daerah panjang gelombang. Hal ini karena konvensional
ANOVA mengabaikan korelasi struktur data. Data spektral diharapkan memiliki
93
struktur ini karena mereka dikumpulkan bersama serangkaian panjang gelombang
yang berdekatan. Hasil juga menunjukkan bahwa sudut zenith 20° dan beberapa posisi
panjang gelombang pada 40° dan 60° zenith sudut adalah Statistik berbeda terhadap
hipotesis bahwa sudut Azimut mempengaruhi spektrum fungsional tanah yang
diperoleh di zenith berbeda sudut (tinggi r2, dan F-nilai di bawah kritis).
Untuk analisa sudut Azimut FDA, kurva fungsional dari setiap pita yang
terhubung ke setiap sudut Azimut yang berbeda (gambar 6.22). Angka ini menunjukkan
fungsional kurva zenith berbeda sudut untuk soil1, soil2, soil3 jam 20°, 40° dan 60°
dan contoh band-band individu empat dari soil1. Fungsi kurva ini dipasang
menggunakan 6-dasar fungsi. Reflektansi spektrum band masing-masing dapat
diamati untuk setiap sudut Azimut. Kurva spektral di sudut Azimut berbeda
berkontribusi pada variasi dalam reflektansi di band yang berbeda. Untuk soil1 data
(gambar 6.22a), reflektansi rendah terjadi pada 135 ° dan Azimut 225 ° untuk 40 °
zenith (gambar 6.22b). Dengan 60 ° zenith (gambar 6.22 c), Azimut 135 ° memiliki
lebih tinggi nilai reflektansi merah mendekati inframerah. Untuk soil2 data, bentuk
reflektansi di band 440 menunjukkan variasi kecil, mulai lebih tinggi (sekitar 0.5) di
reflektansi di Azimut 45° untuk menurunkan di bagian tengah Azimut sudut (90° untuk
270°),
Implikasi dari analisis Azimut dasar dalam model fungsional adalah bahwa band
individu untuk sudut Azimut dapat disajikan sebagai urutan Azimut sudut (6.22d
gambar). Pola kurva nilai (reflektansi untuk setiap band) juga dapat ditampilkan.
Perbandingan antara band juga dimungkinkan.
94
(a) (b)
(c) (d)
Terbatasnya jumlah Azimut sudut (8) berarti bahwa merapikan tidak dihitung di
FDA. Namun, sisa yang cocok untuk setiap pita dapat diamati (gambar 6.23). Angka
menunjukkan distribusi data di dalam plot dan estimasi dasar kurva fungsi. Sisa RMS
band empat hijau, merah, dan NIR menunjukkan nilai-nilai yang hampir serupa, 0,16
untuk 0.17. Ini berarti bahwa variasi dari spektrum tanah hijau, merah dan NIR tidak
sangat berbeda dalam varians. Sebagian besar kurva yang serupa (6.23 gambar).
95
(a) (b)
(c)
Gambar 6.12. The first four bands of green (a), red (b), and NIR (c) spectra with
the RMS residual showing the curve basis function and the
distribution of the 8- different azimuth angles of soil spectra.
Dalam analisis sudut Azimut, mayoritas pertama perhitungan fPCA untuk 89.9%,
88.9% dan 81.3% dari variasi untuk zenith berbeda sudut 20°, 40° dan 60° masing-
masing (gambar 6,24). Gambar 6,24 menunjukkan fPCA untuk soil1 20°, 40° dan 60°
zenith sudut. Seluruh nilai-nilai komponen prinsip untuk masing-masing sudut zenith
96
untuk tiga sampel tanah yang berbeda yang diberikan dalam tabel 6.11
The fPCA trend for soil2 and soil3 is similar to that for soil1, in which the first
principal component function accounts for more than 90% of the variability for each of
the zenith angles (Table 6.11). The harmonic variations are given in Figure 6.25.
Gambar 6.13. Analisis komponen fungsional soil1 untuk 20°, 40° dan 60° zenith
sudut sudut dasar analisis.
The solid curve (black) is the overall mean spectra for given zenith-angle ranges and
the circle (green) and dashed (red) curves shows the effect of adding and subtracting a
multiple of each functional principal component to aid interpretation.
97
Table 6.12. FPCA untuk empat pertama dari tiga tanah spektrum, soil1, soil2 dan soil3
yang dianalisis secara Azimut
Gambar 6.14. Principal component harmonic score untuk fPCA data tanah
Skor harmonik dapat menunjukkan bahwa fungsi dasar yang digunakan dalam
analisis sudut Azimut bekerja untuk 60° sudut zenith, tetapi tidak untuk 20° dan 40°.
Sudah jelas bahwa data diekstraksi dari PCA fungsional pertama menyumbang hampir
seluruh varians, dan hanya sebagian kecil data di kedua, ketiga dan keempat fPC.
Sumbu pertama PCA positif berkaitan dengan kelimpahan spektral data. Karena ini
analisis tidak menentukan faktor loading untuk setiap Azimut sudut, sudut Azimut
dominan yang berkontribusi spektral-reflektansi variasi dalam dataset tidak dapat
diamati. Namun, dengan melihat kurva spektral fungsional, sudut zenith dominan yang
berkontribusi untuk variasi yang sekitar 45-90°, dan 225-360° untuk 20° zenith soil1 di
zenith 20°. Zenith 40°, 150 ° dan 300° berkontribusi reflektansi spektrum yang lebih tinggi,
98
dibandingkan dengan sudut Azimut lainnya.
Model linear untuk gelombang hijau, merah dan NIR reflektansi Azimut berbeda
sudut dan fungsi individu model berbeda sudut zenith disajikan dalam gambar 6.15. Tiga
saluran dikombinasikan untuk tiga berbeda zenith sudut (20°, 40 ° dan 60°) disajikan
dalam gambar 6,26. Model linear untuk hijau, merah dan NIR untuk diberikan Azimut
sudut menunjukkan bahwa ada korelasi koefisien, hampir nol. Beberapa poin (posisi
sudut Azimut) memiliki nilai negatif
(b) (c)
Gambar 6.15. Model linear hijau (Band 1) terhadap merah (Band 2) dan Nir (Band 3)
pada 20° zenith sudut. A hijau (), hijau terhadap merah (B), dan hijau
terhadap NIR (c) di 20°, 40° dan 60°.
99
\
\
Green
Red NIR
Gambar 6.16. Model linear spektrum tiga band (hijau, merah dan NIR) untuk zenith
berbeda sudut
Hasil analisis FANOVA menunjukkan bahwa tidak ada perbedaan yang signifikan
pada gelombang hijau, merah dan NIR reflektansi untuk soil1 dalam hubungannya
dengan sudut akuisisi, kecuali untuk beberapa poin di zenith 60 °. Hasil yang sama juga
ditemukan untuk soil2 dan soil3. Meskipun tidak ada perbedaan yang signifikan dalam
FANOVA hasil, tren spektral reflektansi dari 90° dan 270° Azimut untuk sudut zenith 20°
(gambar 6.28a) menunjukkan nilai reflektansi kuat dibandingkan dengan sisa dari sudut
Azimut untuk zenith ini posisi. Untuk 40° zenith sudut (gambar 6.28b), Azimut 180 °
adalah nilai tertinggi varians dibandingkan dengan sudut yang lain Azimut. Hasil yang
signifikan dari 'ekor' sudut 45° dan 360° pada sudut zenith 60° (gambar 6.28 c)
menunjukkan bahwa nilai spektrum ini adalah sebagian besar suara di reflektansi
spektrum. Spektral reflektansi tanah dipengaruhi oleh komposisi sifat-sifat tanah dan
sudut pandangan sensor. Dalam plot contoh ini (gambar 6.28), sensor Azimut p...
100
Gambar 6.17. Fungsional kurva R-Square beberapa korelasi dan F-rasio untuk
soil1 data untuk tiga sudut zenith, 20°, 40°, dan 60°. Garis
horizontal dot menunjukkan tingkat kepentingan 0,05 untuk
distribusi F di 2,65.
6.12. Diskusi
Ada sejumlah besar informasi yang diberikan oleh hyperspectral multi sudut
penginderaan jauh untuk tanah ketika dinilai menggunakan analisis multivarian
konvensional. Namun, hal ini tidak terjadi ketika menggunakan FDA. Hal ini dapat
diamati dari spektral karakteristik dan FDA rutinitas diterapkan untuk analisis spektral
101
sampel tanah.
Dua pendekatan utama telah digunakan untuk menganalisis tanah spektrum
dalam proses FDA: gelombang dan sudut azimut. Hasil ditampilkan dengan kurva fungsi
output; yaitu fungsi dasar, analisis varians fungsional dan model linier multi sudut tanah
spektrum.
Isi informasi statistik dan analisis data fungsional pada sampel tanah tiga set data
multi sudut hyperspectral diperiksa, setiap data yang tercatat di waveband spektral dari
terlihat di dekat inframerah. Spektrum sampel tanah menunjukkan ciri-ciri penyerapan
diagnostik yang berbeda. Sampel tanah ini memiliki diagnostik penyerapan untuk
panjang gelombang pada 400 nm. Setiap sampel tanah menunjukkan penampilan
permukaan yang berbeda (gambar 6.3) dan berbeda spektrum reflektansi (gambar 6.4).
Lebih banyak fitur penyerapan diharapkan melampaui 1000 nm.
102
ini dapat diamati dari komposisi analisis kimia tanah .
fPCA telah digunakan dalam upaya untuk mengidentifikasi sensor zenith dan
Azimut sudut efek. Itu mengungkapkan bahwa komponen spektral mendominasi arah
komponen dalam proporsi relatif total varians Statistik bahwa masing-masing
menyumbang. Namun, kontribusi mereka relatif bervariasi dari sudut ke sudut dan band
ke band, akuntansi arah komponen untuk lebih dari 85% di yang terlihat untuk panjang
gelombang inframerah-dekat. Itu menunjukkan bahwa komponen arah yang membantu
untuk membedakan sudut akuisisi yang tidak bisa dipisahkan berdasarkan spektral
103
perbedaan dalam satu waveband tertentu.
Hasil fPCA gelombang dasar analisis bervariasi untuk setiap tanah sampel dan
sensor zenith sudut. FPCA pertama dari zenith sudut menyumbang lebih dari 92% dari
varians, dengan yang tertinggi di sudut zenith 20° dan terendah di 60°. Variasi dari fPCA
pertama adalah semua panjang gelombang. Komponen fPCA kedua account untuk
kurang dari 6,2% varians, sebagian besar di nm 400-600 dan di atas 800 (gambar 6,16).
FPCA ketiga account untuk 1,3% menjadi 0% varians pada 400, 600 dan 800 nm. FPCA
keempat menyumbang kurang dari 0,01%.
Varians yang lebih kecil yang diperoleh untuk fPCA dalam analisis dasar Azimut.
FPCA pertama yang diperhitungkan antara 89.9 81.3% untuk zenith berbeda sudut.
Variasi kebanyakan terjadi di 45° - 90°, 315° - 360° (gambar 6,24). FPCA kedua
menunjukkan varians 8.1 14.1% untuk zenith sudut kategori yang sama, sebagian besar
di 225° untuk 20° zenith, 90°, 315° dan 360° di zenith 40°, dan di 45° dan 315° di 60°.
Komponen utama ketiga menyumbang kurang dari 3,2%, dengan kurang dari 1,3%
untuk fPCA keempat. FPCA pada dasarnya diproduksi lebih varians dalam empat
komponen utama bila dibandingkan dengan PCA multivarian. Komponen utama
pertama mencerminkan umum variasi amplitudo varians spektral reflektansi di band,
terutama energi radiasi yang dikumpulkan oleh sensor.
Hasil dari fPCA menunjukkan bahwa fPCA menghasilkan lebih varians dalam
empat komponen utama dibandingkan PCA multivarian (6.8 tabel). Di PCA multivarian,
distribusi varians masih dapat dilihat sampai delapan komponen. Ini menunjukkan
bahwa PCA konvensional tidak efisien dan tidak benar menangkap variasi dalam
kumpulan data.
Perlu dicatat bahwa berbagai sudut pandangan sensor dikaji dalam bab ini lebih
kecil daripada dalam penelitian lain (45° - 360° zenith dengan kenaikan 45 °, dan 20° -
60° zenith dengan kenaikan dari 20°). Kebanyakan model directional reflektansi
menunjukkan anisotropi reflektansi banyak kuat dengan meningkatnya sudut
pandangan melampaui batas ini. Dengan demikian, hasil ini menyediakan tes dasar
konten informasi data multi-sudut. Namun, isi informasi bahkan dalam kisaran ini
terbatas sudut jelas penting dan berguna untuk pengembangan lebih lanjut multi-View
sudut sebagai sumber informasi tambahan mengenai reflektansi permukaan tanah.
104
Beberapa poin menarik lain timbul dari hasil. Yang pertama berkaitan dengan
smoothing spektral data, yang dapat diperkirakan oleh membalik model matematika
BRDF terhadap arah reflektansi data sampel di beberapa sudut pandangan sensor yang
berbeda. Hasil analisis komponen utama (Bagian 6.5.1.3, 6.5.2.4 dan 6.5.3.1)
menyarankan bahwa data multi sudut hyperspectral adalah pada dasarnya satu atau
dua dimensi data di pesawat utama. Eigenvector bongkar muat untuk pertama fPCA
menunjukkan bahwa itu adalah penjumlahan tertimbang positif dari masing-masing
garis-garis spektrum dalam dataset multi sudut. Mereka dapat dianggap menjadi
"spektral nilai tertinggi" ditentukan oleh sudut pandangan sensor.
Dalam model arah yang ada, fPCA pertama cenderung sangat berkorelasi dengan
albedo (jauh 1997). Bongkar-muat pada fPCA kedua dan di atas menunjukkan bahwa
ini menyoroti perbedaan antara garis-garis spektrum yang diperoleh pada setiap
delapan Azimut dan tiga zenith sudut digunakan dalam kajian ini. Meskipun ini tidak
dapat dibandingkan secara langsung dengan parameter tertentu yang digunakan dalam
model reflektansi directional individu, jumlah kecil varians statistik yang terkait dengan
kedua hingga keempat fPCA menyarankan bahwa model parameter lain yang
menggambarkan albedo (atau yang setara) mungkin memiliki rentang dinamis yang
relatif kecil.
Regresi linear fungsional dan FANOVA menunjukkan tidak ada hasil yang
signifikan dari 20° dan 40° zenith sudut. Hal ini menunjukkan bahwa untuk memprediksi
tren di tanah spektral reflektansi menggunakan ANOVA konvensional akan menaksir
terlalu tinggi pentingnya nilai. Namun, di zenith 60° sudut perbedaan yang signifikan
antara sudut zenith dan Azimut dan reflektansi spektral sampel tanah jelas (gambar
6.21).
Model linear fungsional sampel tanah menunjukkan efek Azimut sudut pada
spektrum reflektansi. Azimut sudut di balik matahari penerangan arah memiliki korelasi
negatif ke arah matahari, ketika menghadapi target. Bagian dari spektrum yang terletak
di 400-450 nm memiliki korelasi positif ke arah maju. Kebanyakan sudut Azimut, maju,
mundur, dan di belakang matahari, memiliki koefisien regresi linear di bawah 0, korelasi
105
negatif fungsional, kecuali zenith 40 ° di Azimut 90 °.
Hasil FANOVA gelombang dasar analisis menunjukkan bahwa ada perbedaan
yang signifikan terjadi pada 20° zenith, tetapi ada perbedaan yang signifikan untuk sudut
zenith 40° dan 60°. Hal ini jelas bahwa sudut zenith 20° tidak mempengaruhi reflektansi
spektrum. Hasil ini bertentangan dengan tes ANOVA konvensional bahwa semua sudut
Azimut menunjukkan perbedaan yang signifikan.
Hasil fungsional linier pemodelan menggunakan fungsi-fungsi dasar sudut Azimut
menunjukkan bahwa ada tidak ada perbedaan yang signifikan antara hijau, merah dan
NIR reflektansi dan sensor yang berbeda zenith dan Azimut sudut ketika memperoleh
tanah spektrum. Namun, reflektansi spektral Azimut 90° dan 270° dan sudut zenith 20°
memiliki nilai tinggi reflektansi dibandingkan dengan sudut yang lain Azimut. Azimut
180° memiliki nilai tertinggi dibandingkan dengan sudut Azimut yang lain di sudut zenith
ini di zenith 40°. Hasil FANOVA bertentangan dengan ANOVA konvensional, mana
sudut Azimut dan zenith terpengaruh secara signifikan reflektansi spektral tanah.
Masih ada sejumlah besar mendasar pembangunan harus dilakukan di daerah
analisis regresi fungsional (Ramsay & Dalzell 1991). Prosedur inferential yang disajikan
di sini tentatif. Penyelidikan lebih teoritis, terutama untuk multi - sudut data, akan
bermanfaat bagi masa depan aplikasi dalam analisis data hyperspectral. Seperti
dibahas lebih khusus lagi pada Ramsay & Dalzell (1991), beberapa struktur parametrik
perlu dikenakan pada model. Model linear fungsional juga dapat digunakan sebagai
analisis eksplorasi sebagai pendahuluan untuk analisis parametrik data hyperspectral.
Perlu dicatat bahwa hasil yang berbeda antara analisis multivariat konvensional
dan FDA berhubungan dengan asumsi-asumsi, kesalahan, dan variabel independen
dalam data. Sebagai contoh, statistika multivariat konvensional menganggap kesalahan
independen untuk setiap titik data mana kesalahan harus membatalkan keluar di setiap
analisis, menghasilkan hasil yang tidak bias. Namun, independensi tidak mungkin untuk
hyperspectral data. Di FDA, kesalahan tidak diperlakukan sebagai independen. Hal ini
penting untuk dicatat bahwa akurasi hasil analisis spektral tidak hanya ditentukan oleh
kesalahan (yaitu, kesalahan sisa dari fungsi dasar yang berbeda) tapi juga sumber-
sumber lain. Misalnya, contoh pengobatan, pengukuran dan bebas-respon: istilah yang
digunakan secara umum Statistik sastra untuk menunjukkan situasi dimana untuk
106
beberapa alasan tidak ada data dapat diperoleh dari sampel elemen (de Gruijter tahun
1999). Dalam sampling tanah, hal ini terjadi ketika titik di bidang tidak dapat mengunjungi
atau diverifikasi atau ketika itu imposs.
6,13, Rangkuman
Hyperspectral multi sudut tanah data telah dianalisis dalam bab ini dalam rasa
multivarian konvensional dan menggunakan FDA. Perbedaan yang signifikan ditemukan
antara Azimut dan zenith sudut menggunakan statistika multivariat konvensional.
Pearson produk-saat korelasi antara sudut Azimut menunjukkan korelasi positif antara
Azimut sudut untuk sampel tanah. Distribusi nilai korelasi untuk soil1 bervariasi antara
zenith sudut dan sudut Azimut. Korelasi antara soil2 Azimut sudut tinggi. Pearson
korelasi analisis menunjukkan bahwa sudut Azimut memiliki dampak pada tanah
spektral reflektansi.
Penggunaan fungsi dasar yang berbeda mempengaruhi cocok fungsi spektral
kurva yang Diperoleh dari posisi delapan-Azimut sudut. 20-dasar fungsi adalah paling
cocok untuk spektrum sampel tanah. Ada batasan penggunaan Azimut sudut dasar
fungsi karena sampel data terbatas, seperti jumlah azimuths terlalu kecil untuk fiit fungsi
dasar.
Hasil fPCA telah menunjukkan bahwa lebih dari 92% dari varians muncul dalam
fPCA pertama untuk panjang gelombang dasar analisis, dan lebih dari 81% untuk
Azimut dasar analisis. Varians terjadi sepanjang panjang gelombang dan sudut Azimut.
Ada tidak ada perbedaan yang signifikan antara azimuths ketika dinilai menggunakan
FANOVA untuk semua sampel tanah, kecuali zenith 60 ° dari soil3.
Implikasi dari analisis ini arah SPEKTRA tanah adalah bahwa data reflektansi
spektral yang dapat dianggap sebagai fungsi. Oleh pemodelan dalam pendekatan
fungsional, smoothing, prediksi dan analisis data sederhana. Ada hanya sejumlah
sangat kecil dari informasi tambahan yang disediakan oleh multi sudut pengukuran
dalam kisaran Azimut dan sudut zenith dinilai.
107
APENDIKS
108
REFERENSI
Abuelgasim, A. A., Gopal, S., Irons, J. & Strahler, A. H. (1996). Classification of ASAS
multiangle and multispectral measurements using artificial neural network.
Remote Sensing of Environment, 57, 79-87.
Adam, J. B., Sabol, D. E., Kapos, V., Filho, R. A., Roberts, D. A., Smith, M. O. & Gillespie,
A. R. (1995). Classification of multispectral images based on fractions of
endmembers: application to land-cover change in Brazilian Amazon. Remote
Sensing of Environment, 52, 137-145.
Ahlrichs, J. S. & Bauer, M. E. (1983). Relation of agronomic and multi-spectral reflectance
characteristics of spring wheat canopies. Agronomy Journal, 75, 987-993.
Ahn, C. W., Baumgardner, M. F. & Biehl, L. L. (1999). Delineation of soil variability using
geostatistics and fuzzy clustering analysis of hyperspectral data. Soil Science
of America Journal, 63, 142-150.
Aparicio, N., Villegas, D., Royo, C., Casadesus, J. & Araus, J. L. (2004). Effect of sensor
view angle on the assessment of agronomic trait by ground level
hyperspectral reflectance measurements in durum wheat under contrasting
Mediterranean conditions. International Journal of Remote Sensing, 25,
1131- 1152.
Asd (1999). Analytical Spectral Devices, Inc (ASD). Technical Guide, 3rd edn.
Asner, G. P. (1998). Biophysical and biochemical sources of variability in canopy
reflectance. Remote Sensing of Environment, 64, 234-253.
Asner, G. P. (2000). Contributions of multi-view angle remote sensing to land surface and
biochemical research. Remote Sensing Reviews, 18, 137-162.
Bach, H. & Mauser, W. (1997), Improvement of plant parameter estimations with
hyperspectral data compared to multispectral data: Remote Sensing of
Vegetation and Sea, Proceedings of SPIE 2959, p. 59-67.
Bach, H., Begiebing, S., Waldmann, D. & Rowotzki, B. (2005), Analyses of hyperspectral
and directional data for agricultural monitoring using the canopy reflectance
model SLC progress in the Upper Rhine valley and Baasdorf testsites:
Proceedings of 3rd ESA CHRIS/Proba Workshop, p. CD-ROM.
Baret, F. & Guyot, G. (1991). Potentials and limits of vegetation indices for LAI and APAR
assessment. Remote Sensing of Environment, 35, 161- 173. 280
Barnes, E. M. & Baker, M. G. (2000). Multispectral data for mapping texture: Possibilities
and limitation. Applied Engineering Agriculture, 16, 731-741.
Barnsley, M. J. (1994), Environmental monitoring using multi-view-angle (MVA) remotely-
sensed data. In G. Foody, &P. J. Curran (Eds) Environmental remote sensing
from global to regional scale (pp. 181-201).Chichester: John Wiley & Sons.
Barnsley, M. J., Allison, D. & Lewis, P. (1997a). On the information content of multiple
view angle (MVA) images. International Journal of Remote Sensing, 18,
1937-1960.
Barnsley, M. J., Lewis, M., Sutherland, M. & Muller, J. (1997b). Estimating land surface
albedo in the HAPEX-Sahel southern super-site: Inversion of two BRDF
models against multiple angle ASAS images. Journal of Hydrology, 189, 749-
778.
109
Barnsley, M. J., Lewis, P., O'dwyer, S., Disney, M. I., Hobson, P., Cutter, M. & Lobb, D.
A. (2000). On the potential of CHRIS/Proba for estimating vegetation canopy
properties from space. Remote Sensing Reviews, 19, 171-189. Barnsley, M.
J., Settle, J., Cutter, M., Lobb, D. R. & Teston, F. (2004). The PROBA/CHRIS
Mission : a low cost smallsat for hyperspectral, multi-angle observation of the
Earth surface and atmosphere. IEEE Transactions on Geoscience and
Remote Sensing, 42, 1512-1520.
Bauman, B. A. M. (1992). Linking physical remote sensing models with crop growth
simulation models applied for sugarbeat. International Journal of Remote
Sensing, 14, 2565-2581.
Baumgardner, M. F., Silva, L. F., Biehl, L. L. & Stoner, E. R. (1995). Reflectance
properties of soils. Advanced Agronomy, 38, 1-43.
Bausch, W. C. & Duke, H. R. (1996). Remote sensing of plant nitrogen status in corn.
Transactions of ASAE, 39, 1869-1875.
Beale, P. (1998), Western Murray Valley yield lift project 1994 to 1998, NSW Agriculture
and CSIRO.
Begiebing, S. & Bach, H. (2004), Analyses of hyperspectral and directional CHRIS data
for agriculture monitoring using canopy reflectance model: Proceeding of the
2nd CHRIS/PROBA Workshop, p. CD-ROM.
Begue, A. (1993). Leaf area index, intercepted photosynthetic active radiation, and
spectral vegetation indices: A sensitivity analysis for regular-clumped canopy.
Remote Sensing Environment, 46, 213-222.
Ben-Dor, E. & Banin, A. (1994). Visible and near-infrared (0.4-1.1 m) analysis of arid
and semi arid soils. Remote Sensing of Environment, 48, 261-274.
Ben-Dor, E. & Levin, N. (2000). Determination of surface reflectance from raw
hyperspectral data without simultaneous ground data measurement: a case
study of the GER 63-channel sensor data acquired over Naan, Israel.
International Journal of Remote Sensing, 21, 2053-2074.
Ben-Dor, E. (2003), First evaluation of CHRIS data quality at Makhes Ramon Israel:
Proceedings of 1st ESA CHRIS/Proba Workshop.
Ben-Dor, E., Goldlshleger, N., Benyamini, Y., Agassi, M. & Blumberg, D. G. (2003).The
spectral reflectance properties of soil structure crusts in the 1.2-to 2.5-um
spectral region. Soil Science of America Journal, 67, 289-299.
Ben-Dor, E., Patkin, K., Banin, A. & Karnieli, A. (2002). Mapping of several soil properties
using DAIS-hyperspectral scanner data- case study over clayey soils in
Israel. International Journal of Remote Sensing, 23, 1043-1062.
Berk , A., Anderson, G. P., Acharya, P. K., Chetwynd, J. H., L.S., B., Shettle, E.
P.,Matthew, M. W. & Adler-Golden, S. M. (2000). MODTRAN4 Users Manual
(Hanscom AFB, Massacusstae: Air Force Research Laboratory, Space
Vehicles Directorate).
Besse, P., Cardot, H. & Ferraty, F. (1997). Simultaneous non-parametric regressions of
unbalanced longitudinal data. Computational Statistic Data Analysis, 24, 255-
270.
Bicheron, P. & Leroy, M. (in press). BRDF of major biomes observed from space. Journal
of Geophysical Research.
110
Bicheron, P., Leroy, M. & Hautecoeur, O. (1997). Enhanced discrimination of borealforest
covers with directional reflectance from airborne polarization and
directionality of Earth reflectances (POLDER) instrument. Journal of
Geophysical Research, 102, 29517-29528.
Blackburn, G. A. & Steele, C. M. (1999). Towards the remote sensing of matoral
vegetation physiology: relationships between spectral reflectance, pigment,
and biophysical characteristics of semiarid bushland canopy. Remote
Sensing of Environment, 70, 278-292.
Blackburn, G. A. (1998). Spectral indices for estimating photosynthetic pigment
concentration test using tree leaves. International Journal of Remote
Sensing, 19, 657-675.
Boardman, J. W. & Kruse, F. A. (1994), Automated spectral analysis: A geological
example using AVIRIS data, North Grapevine Mountains, Nevada: 10th
Thematic conference on geological remote sensing.
Boardman, J. W. (1993), Automating spectral unmixing of AVIRIS data using convex
geometry concepts: Proceedings of the Fourth Annual JPL Airborne
Geoscience Workshop, p. 11-14.
Boardman, J. W. (1998), Post-ATREM polishing of AVIRIS apparent reflectance data
using EFFORT: a lesson in accuracy versus precision: Summaries of the
Seventh JPL Airborne Earth Science Workshop, p. 53.
Boardman, J. W., Kruse, F. A. & Green, R. O. (1995), Mapping target signatures via partial
unmixing of AVIRIS data: Summaries, Fifth JPL Airborne Earth Science
Workshop, p. 23-26.
Boente, G. & Fraimana, R. (2000). Kernel-based functional principal components.
Statistics & Probability Letters, 48, 335-345. Boochs, F., Docker, K. &
Kuhbauch, W. (1990). Shape red edge as vitality indicator for plants.
International Journal of Remote Sensing, 11, 1741-1753.
Bort, J., Casadesus, J., Araus, J. L., Grando, S. & Ceccareli, S. (2001), Spectral
vegetation indices as non-destructive indicators of barley yield in
Mediterranean rainfed conditions. In G. A. Slafer, J. L. Molina-Cano, R. Savin,
J. L. Araus, &I. Romagosa (Eds) Barley Science: Recent advances from
molecular biology to agronomy of yield and quality (pp. 339-360).New York
Bosq, D. (1991), Modelization, non-parametric estimation and prediction for continuous
time processes. In G. Roussas (Eds) Nonparametric Functional Estimation
and Related Topics (pp. 509-529)
Bousquet, L., Lache’Rade, S., Jacquemoud, S. & Moya, I. (2005). Leaf BRDF
measurements and model for specular and diffuse components
differentiation. Remote Sensing of Environment, 98, 201-211.
Breon, F. M., Vanderbilt, V., Leroy, M., Bicheron, P., Walthall, C. L. & Kalshoven, J. E.
(1997). Evidence of hot spot directional signature from airborne POLDER
measurements. IEEE Transactions on Geoscience and Remote Sensing, 35,
479-484.
Broge, N. H. & Leblanc, E. (2000). Comparing prediction power and stability of broadband
and hyperspectral vegetation indices for estimation of green leaf area index
and canopy chlorophyll density. Remote Sensing of Environment, 76, 156-
172.
111
Bruegge, C. J., Helmlinger, M. C., Conel, J. E., Gaitley, B. J. & Abdou, W. A. (2000).
PARABOLA III: a sphere-scanning radiometer for field determination of
surface anisotropic reflectance functions. Remote Sensing Reviews, 19, 75-
94.
Camille, C., Lelong, D., Pinet, P. C. & Poilve, H. (1998). Hyperspectral imaging and stress
mapping in agriculture : A case study on wheat in Beauce (France). Remote
Sensing of Environment, 66, 179-191.
Campbell, J. B. (2002). Introduction to remote sensing (3rd ed.). The Guilford Press.
ISBN1-57230-640-8.
Cardot, H., Faivre, R. & Goulard, M. (2003a). Functional approaches for predicting land
use with the temporal evolution of coarse resolution remote sensing. Journal
of Applied Statistics, 30, 1185-1199.
Cardot, H., Ferraty, F. & Mas, A. (2003b). Testing hypotheses in functional linear model.
Scandinavian Journal of Statistics, 30, 241-255.
Cardot, H., Ferraty, F. & Sarda, P. (2003c). Spline estimators for the functional linear
model. Statistica Sinica, 13, 571-591.
Carter, G. A. (1994). Ratio of leaf reflectance in narrow wavebands as indicators of plant
stress. International Journal of Remote Sensing, 15, 697-703.
Casa, R. & Jones, H. G. (2004). Retrieval of crop canopy properties: a comparison
between model inversion from hyperspectral data and image classification.
International Journal of Remote Sensing, 25, 1119-1130.
Cavalli, R., L., F. & Pascucci, S. (2005), Comparative evaluation of MIVIS and Hyperion
hyperspectral data (0.4-2.4 μm) on the Pollino National Park (Italy: 25th
EARSel Symposium, Global Developments in Environmental Earth
Observation from Space, p. CD-rom.
Chapelle, E. W., Kim, M. S. & Mcmurtrey, J. E. I. (1992). Ratio analysis of reflectance
spectra (RARS): an algorithm for the remote estimation of the concentrations
of chlorophyll multispectral scanner data. Photogrammetric Engineering and
Remote Sensing, 42, 679-684.
Chen, J. M. & Cihlar, J. (1997). A hot spot function in a simple bidirectional reflectance
model for satellite applications. Journal of Geophysical Research, 102,
25907- 25913.
Chooping, M. J. (2000). Testing a LiSK BRDF model with in situ bidirectional reflectance
factor measurements over semiarid grassland. Remote Sensing of
Environment, 74, 287-312.
Chooping, M. J., Rango, A., Havstad, K. M., Schiebe, F. R., Ritchie, J. C., Schmugge, T.
J., French, A. N., Su, L. H., Mckee, L. & Davis, M. R. (2003). Canopy attributes
of desert grassland and transition communities derived from multiangular
airborne imagery. Remote Sensing of Environment, 85, 339-354.
Cierniewski, J., Gdala, T. & Karnieli, A. (2004). A hemispherical–directional reflectance
model as a tool for understanding image distinctions between cultivated and
uncultivated bare surfaces. Remote Sensing of Environment, 90, 505-523.
Cierniewski, J., Verbrugghe, M. & Marlewski, A. (2002). Effect of farming works on soil
surface bidirectional reflectance measurements and modelling. International
Journal of Remote Sensing, 23, 1075-1094.
112
Clark, R. N. & Roush, T. L. (1984). Reflectance spectroscopy: quantitative analysis
techniques for remote sensing applications. Journal of Geophysical
Research, 89, 6329-6340.
Clark, R. N. (1999), Spectroscopy of rocks and minerals, and principles of spectroscopy.
In A. N. Rencz (Eds) Manual of Remote Sensing, Volume 3, Remote Sensing
for the Earth Science (pp. 3-58).New York: John Wiley
Clark, R. N., Swayze, G. A., Gallagher, A., King, T. V. V. & Calvin, W. M. (1993), The U.S.
Geological Survey Digital Spectral Library, Version 1: 0.2 to 3.0 m, U. S.
Geological Survey.
Clarkson, B. D., Fraley, C., Gu, C. C. & Ramsay, J. O. (2004). Functional Data Analysis
User’s Manual: Beta Release 1 (Seattle, WA.: Insightful Corporation).
Clevers, J. G. P. W. & Jongschaap, R. (2003), Imaging spectrometry for agricultural
application. In F. D. van der Meer, &S. M. de Jong (Eds) Imaging
Spectrometry: Basic Principle and Prospective Applications (pp. 157-200):
Kluwer Academic Publishers.
Clevers, J. G. P. W., Buker, C., Van Leeuwin, H. J. C. & Bouman, B. A. M. (1994). A
framework for monitoring crop growth by combining directional and spectral
remote sensing information. Remote Sensing of Environment, 50, 161-170.
Cochrane, M. A. (2000). Using vegetation reflectance for species level classification of
hyperspectral data. International Journal of Remote Sensing, 21, 2075-2087.
Cocks, T., Jenssen, R., Stewart, A., Wilson, I. & Shields, T. (1998), The HyMap airborne
hyperspectral sensor: the system, calibration and performance: Proceedings
1st EARSeL Workshop on Imaging Spectroscopy, p. 37-43.
Collins, W. (1978). Remote sensing of crop type and maturity. Photogrammetric
Engineering and Remote Sensing, 44, 43-55.
Colwell, J. E. (1974). Vegetation canopy reflectance. Remote Sensing of Environment, 3,
175-183.
Conel, J. E., Bruegge, C. J. & Curtiss, B. (1997a), Correcting airborne imaging
spectrometer measurements for the atmosphere: a comparison of methods:
Proceedings of 3th. S.P.I.E. International Technical Symposium on Optical
and Optoelectronic Applied Science and Engineering.
Conel, J. E., Green, R. O., Vane, G., Bruegge, C. J., Alley, R. E. & Curtiss, B. (1997b),
AIS-2 Radiometry and a comparison of methods for the recovery of ground
reflectance: Proceedings of the Third Airborne Imaging Spectrometer Data
Analysis Workshop.
Curran, P. J. (1983). Multispectral remote sensing for the estimation of green leaf area
index. Philisophical Transactions of the Royal Society, 309, 257-270.
Curran, P. J., Dungan, J. L., Macer, B. A., Plummer, S. E. & Peterson, D. L. (1992).
Reflectance spectroscopy of fresh whole leaves for the estimation of chemical
concentration. Remote Sensing of Environment, 39, 153-166.
Cutter, M. A., Lobb, D. A. & Cockshott, R. A. (2000). Compact high resolution imaging
spectrometer (CHRIS). Acta Astronautica, 46, 263-268.
Daniel, K., Tripathi, N. K., Honda, K. & Apisit, E. (2001), Analysis of spectral reflectance
and absorption patterns of soil organic matter: 22nd Asian Conference on
Remote Sensing, p. CDROM.
113
Danson, F. M., Rowland, C. S. & Baret, F. (2003). Training a neural network with canopy
reflectance model to estimate crop leaf area index. International Journal of
Remote Sensing, 24, 4891-4905.
Darvishsefat, A. A., Kellenberger, T. W. & Itten, K. I. (2002), Application of Hyperspectral
data for forest stand mapping: Symposium on Geospatial Theory, Processing
and Application, p. 35-41.
Daughtry, C. S., Walthall, C. L., Kim, M. S., De Colstoun, E. B. & Mcmurtyey, J. E. (2000).
Estimating corn leaf chlorophyll concentration from leaf and canopy
reflectance. Remote Sensing of Environment, 74, 229-239.
De Gruijter, J. (1999), Spatial sampling scheme for remote senisng. In A. Stein, F. van de
Meer, &B. Gorte (Eds) Saptial statistics for remote sensing (pp. 211-
242).Dordrecht: Kluwer Academic Publishers
De Jong, S. M. (1992). The analysis of spectroscopical data to map soil types and soil
crust of Mediterranean eroded soil. Soil Technology, 5, 199-211.
Deering, D. W., Eck, T. F. & Grier, T. (1992). Shimery oak bidirectional reflectance
properties and canopy model inversion. IEEE Transactions on Geoscience
and Remote Sensing, 30, 339-348.
Deering, D. W., Eck, T. F. & Otterman, J. (1989), Bidirectional reflectance of three soil
surfaces and their characterization through model inversion.: Proceedings of
the 1989 Symposium of the IEEE Geoscience and Remote Sensing Society,
p. 670-673.
Dehaan, R. & Taylor, G. (2002). Field-derived spectral endmembers as indicators of
irrigation induced soil salinity. Remote Sensing of Environment, 80, 406-417.
Dehaan, R. & Taylor, G. (2003). Image-derived spectral endmember as indicators of
salinity. International Journal of Remote Sensing, 24, 775-794.
Demmig-Adams, B. & Adams Iii, W. W. (1996). The role of xanthophyll cycle carotenoids
in the protection of photosynthesis. Trends in Plant Science, 1, 21-26.
Dennison, P. E. & Robert, D. A. (2003). The effects of vegetation phenology on
endmember selection and species mapping in southern California chaparral.
Remote Sensing of Environment, 87, 295-309.
Deschamps, P. Y., Breon, F. M., Leroy, M., Podaire, A., Bricaud, A., Buriez, J. C. & Seze,
G. (1994). The POLDER mission: Instrument characteristics and scientific
objectives. IEEE Transactions on Geoscience and Remote Sensing, 32, 598-
615.
Diner, D. J., Asner, G. P., Davies, R., Knyazikhin, Y., Muller, J. P., Nolin, A., Pinty, B.,
Schaaf, C. B. & Stroeve, J. (1999). New directions in Earth observing:
Scientific applications of multi-angle remote sensing. Bulletin of American
Meteorological Society,
Diner, D. J., Martonchika, J. V., Kahna, R. A., Pinty, B., Gobron, N., Nelson, D. L. &
Holben, B. N. (2005). Using angular and spectral shape similarity constraints
to improve MISR aerosol and surface retrievals over land. Remote Sensing
of Environment, 94, 155-171.
Dixit, L. & Ram, S. (1985). Quantitaitive analysis by derivative electronic spectroscopy.
Applied Spectroscopy Reviews, 21, 311-418.
Doraiswamy, P. C., Akhmedov, B., Stern, A., Hatfield, J. L. & Prueger, J. (2003), MODIS
application for mapping regional crop yields: IGARSS 2003, p. CDROM.
114
Duke, C. & Guerif, G. (1998). Crop reflectance estimate errors from the SAIL model due
to spatial and temporal variability of canopy and soil characteristics. Remote
Sensing of Environment, 66, 268-297.
D'urso, G., Dini, L., Vuolo, F., Alonso, L. & Guanter, L. (2003), Retrieval of leaf area index
by inverting hyperspectral, multi-angular CHRIS/PROBA data from SPARC
2003: Proceedings of 2nd CHRIS/Proba Workshop,, p. CD-ROM.
Elmore, A. J., Mustard, J. F., Manning, S. J. & Lobell, D. B. (2002). Quantifying vegetation
change in a semiarid environment: Precision and accuracy of spectral mixture
analysis and the normalized different vegetation index. Remote Sensing of
Environment, 73, 87-102.
Elvidge, C. D. & Chen, Z. (1995). Comparison of broadband-band and narrow-band red
and near-infrared vegetation indices. Remote Sensing of Environment, 54,
38-48.
Envi (2002). The Environment for Visualizing Images (ENVI):User’s Guide, Version 3.6.:
Research System Institute, USA).
Estec (1999), Exploitation of CHRIS data from the PROBA mission for science
applications experimenters handbook.
Faraway, J. (1997). Regression analysis for functional response. Technometrics, 39, 254-
261.
Fernandes, R. & Leblanc, S. G. (2005). Parametric (modified least squares) and
nonparametric (Theil-Sen) linear regresions for predictiction biophysical
parameters in the presence of measurement errrors. Remote Sensing of
Environment, 95, 303-316.
Frank, I. E. & Friedman, J. H. (1993). A statistical view of some chemometrics regression
tools. Technometrics, 35, 109-148.
Gabell, A. R. (1986). High-resolution remote senisng applied to minral exploration in
Australia [unpublished PhD thesis]: The University of Adelaide, Adelaide,
320p.
Gamon, J. A., Lee, L.-F., Qiu, H.-L., Davis, S., Roberts, D. A. & Ustin, S. L. (1998), A
multi-scale sampling strategy for detecting physiologically significant signals
in AVIRIS imagery: Proceedings of the Seventh Annual JPL Airborne Earth
Science Workshop, p. 23-27.
Gamon, J. A., Penuelas, J. & Field, C. B. (1992a). A Narrow-waveband spectral index
that tracks diurnal changes in photosynthetic efficiency. Remote Sensing of
Environment, 41, 35-44.
Gamon, J. A., Penuelas, J. & Field, C. B. (1992b). A narrow-waveband spectral index that
tracks diurnal changes in photosynthesis efficiency. Remote Sensing of
Environment, 41, 34-44.
Gamon, J. A., Roberts, D. A. & Green, R. O. (1995), Evaluation of the Photochemical
Reflectance Index in AVIRIS imagery: Summaries of the Fifth Annual JPL
Airborne Earth Science Workshop, p. 55-58.
Gamon, J. A., Serrano, L. & Surfus, J. S. (1997). The Photochemical Reflectance
Index:an optical indicator of photosynthetic radiation use efficiency across
species, functional types, and nutrient levels. Oceologia, 112, 492-501.
115
Gao, B. C. & Goetz, A. F. H. (1990). Column atmospheric water vapor and vegetation
liquid water retrievals from airborne imaging spectrometer data. Journal of
Geophysical Research, 95, 3549-3564.
Gao, B. C. (1996). NDWI : a normalized different water index for remote senisng of
vegetation liquid water from space. Remote Sensing of Environment, 58, 257-
266.
Garcia, J. C. & Moreno, J. (2004), Removal of noises in CHRIS/PROBA images:
Application on the SPARC campaign data: Proceeding of the 2nd
CHRIS/PROBA Workshop, p. CD-ROM.
Gat, N., Erives, H., Mass, S. J. & Fitzgerald, G. J. (1999), Application of low altitude
AVIRIS imagery of agricultural field in the San Joaquin Valley, CA to precision
farming: Summaries of 8th JPL Airborne Earth Science Workshop, p. 145-
150.
Gausman, H. W., Allen, W. A. & Cardenas, R. (1969). Reflectance of cotton leaves and
their structure. Remote Sensing of Environment, 1, 19-22.
Gausman, H. W., Allen, W. A., Cardenas, R. & Richardson, A. J. (1970). Relationship of
light refletcance to histological and physical eveluation of cotton leaf maturity.
Applied Optics, 9, 545-552.
Gerstl, S. A. W. (1990). Physical concepts of optical and radar reflectance signatures.
International Journal of Remote Sensing, 7, 1109-1117.
Girolamo, L. D., Bond, T. C., Bramer, D., Diner, D. J., Fettinger, F., Kahn, R. A.,
Martonchik, J. V., Ramana, M. V., Ramanathan, V. & Rasch, P. J. (2004).
Analysis of multi-angle imaging spectro radiometer (MISR) aerosol optical
depths over greater India during winter 2001–2004. Geophysical Research
Letters, 31, 1-5.
Gitelson, A. A. & Merzlyak, M. N. (1996a). Detection of red-edge position and chlorophyll
content by reflectance measurements near 700 nm. Journal of Plant
Physiology, 148, 501-508.
Gitelson, A. A. & Merzlyak, M. N. (1996b). Signature analysis of leaf reflectance spectra:
Algorithm development for remote sensing of chlorophyll. Journal of Plant
Physiology, 148, 494-500.
Gitelson, A. A. & Merzlyak, M. N. (1997). Remote estimation of chlorophyll content in
higher plant leaves. International Journal of Remote Sensing, 18, 2691-2697.
Gitelson, A. A., Merziyak, M. N. & Lightenthaler, H. (1996). Detection of Red Edge position
and chlorophyll content by reflectance measurement near 700 nm. Journal of
Plant Physiology, 148, 501-508.
Gitelson, A. A., Stark, R., Grits, U., Rundquist, D., Kaufman, Y. & Derry, D. (2002).
Vegetation and soil lines in visible spectral space: a concept and techniques
for remote estimation of vegetation fraction. International Journal of Remote
Sensing, 23, 2537-2562.
Goel, N. S. (1989), Inversion of canopy reflectance models for estimation of biophysical
parameters from reflectance data. In G. Asrar (Eds) Theory and Applications
of Optical Remote Sensing (pp. 205-248).New York: John Wiley
Goetz, A. F. H. (1992), Imaging spectroscopy for earth remote sensing. In F. Toselli, &J.
Bodechtel (Eds) Imaging spectroscopy: Fundamental and Prospective
Applications (pp. 1-19).New York: Kluwer Academic Publishers
116
Goetz, A. F. H., Vane, G., Solomon, J. E. & Rock, B. N. (1985). Imaging spectrometry for
Earth remote sensing. Science, 228, 1147-1153.
Gong, P. & Howarth, P. J. (1992). Frequency-based contextual classification and
graylevel vector reduction for land-use identification. Photogrammetric
Engineering and Remote Sensing, 58, 423–437.
Goodin, D. G., Gao, J. & Henebry, G. (2004). The effect of solar illumination angle and
sensor view angle on observed pattern of spatial structure Tallgrass Prairie.
IEEE Transactions on Geoscience and Remote Sensing, 42, 154-165.
Green, A. A., Berman, M., Switzer, P. & Craig, M. D. (1988). A transformation for ordering
multispectral data in terms of image quality with implications for noise
removal. IEEE Transactions on Geoscience and Remote Sensing, 26, 65-74.
Green, P. J. & Silverman, B. W. (1994). Nonparametric regression and generalized linear
models: a roughness penalty approach (London: Chapman and Hall).
Green, R. O., Pavri, B., Roberts, D. & Ustin, S. (1998), Mapping agricultural crops with
AVIRIS spectra in Washington State: Summaries of 7th JPL Airborne Earth
Science Workshop, p. 213-220.
Grove, C. I., Hook, S. J. & Paylor Ii, E. D. (1992), Laboratory reflectance spectra of 160
minerals, 0.4 to 2.5 micrometers, Jet Propulsion Laboratory Publication 92-
2.
Guanter, L., Alonso, L. & Moreno, J. (2004), Atmospheric correction of CHRIS/Proba data
acquired in the Sparc campaign: Proceedings of 2nd CHRIS/PROBA
workshop, p. CDROM.
Guanter, L., Alonso, L. & Moreno, J. (2005). First results from the PROBA/CHRIS
hyperspectral/multiangular satellite system over land and water targets. IEEE
Geoscience and Remote Sensing Letters, 2, 250-254.
Gutman, G., Tarpley, D., Ignatov, A. & Olson, S. (1995). The enhanced NOAA global land
data set from the advanced very high resolution radiometer. Bulletin of
American Meteorological Society, 76, 1141-1156.
Guyot, G. (1983), Angular and spatial variability of spectral data in visible and near
infrared: Proceedings of the International Colloquium on Spectral Signatures
of Objects in Remote Sensing, p. 27-44.
Haboudane, D., Miller, J. R., Pattey, E., Zacro-Tejada, P. J. & Strachan, I. B. (2004).
Hyperspectral vegetation indices and novel algorithms for predicting green
LAI of crop canopies: Modelling and validation in the context of precision
agriculture. Remote Sensing of Environment, 90, 337-352.
Hansen, P. M. & Schjoerring, J. K. (2003). Reflectance measurement of canopy biomass
and nitrogen status in wheat crops using normalized difference vegetation
indices and partial least squares regression. Remote Sensing of
Environment, 86, 542-553.
Hapke, B. (1986). Bidirectional reflectance spectroscopy 4: the extinction coefficient and
the opposition effects. Icarus, 69, 264-280.
Hapke, B. (1993). Theory of reflectance and emittance spectroscopy (New York:
Cambrige university press).
Hastie, T. & Mallows, C. (1993). A discussion of a statistical view of some chemometrics
regression tools" by I.E. Frank and J.H. Friedman. Technometrics, 35, 140-
143.
117
Henderson, T. L., Szilagyi, A., Baumgardner, M. F., Chen, C. C. T. & Langrebe, D. A.
(1989). Spectral band selection for classification of soil organic matter
content. Soil Science of America Journal, 53, 1778-1784.
Horler, D. N. H., Dockray, M. & Barber, J. (1983). The red edge of plant leaf reflectance.
International Journal of Remote Sensing, 4, 273-288.
Huete, A. R. & Escadafal, R. (1991). Assessment of biophysical soil properties through
spectral decomposition techniques. Remote Sensing of Environment, 35,
149-159.
Hyman, A. H. & Barnsley, M. J. (1997). On the potential for land cover mapping from
multi-view-angle (MVA) remotely-sensed images. International Journal of
Remote Sensing, 18, 2471-2475.
Hyvista (2003), HyMap Airborne Hyperspectral Imagery to map vineyard performance.
HyMap Airborne Hyperspectral Imagery to map vineyard performance:
Ichku, C. & Karnieli, A. (1996). A review of mixture modelling techniques for subpixel land
cover estimation. Remote Sensing Reviews, 13, 161-186. Imspec-Llc (2003),
Atmospheric CORection Now (ACORN).Atmospheric CORection Now
(ACORN):Date.
Irons, J. R., Ranson, K. J., Williams, D. L., Irish, R. R. & Huegel, F. G. (1991). An offnadir
pointing imaging spectroradimeter for terestrial ecosystem studies. IEEE
Transactions on Geoscience and Remote Sensing, 29, 66-74.
Irons, J. R., Weismiller, R. A. & Petersen, G. W. (1989), Soil reflectance. In G. Asrar (Eds)
Theory and Applications of Optical Remote Sensing (pp. 66-106): Wiley Izem,
R. (2004). Analyzing of nonlinear variation in functional data: The University
of North Carolina, Chapel Hill, 150 p.
Jackson, R. D. & Ezra, C. E. (1985). Spectral rersponse of cotton to suddently induced
water stress. International Journal of Remote Sensing, 6, 177-185.
Jackson, R. D., Idso, S. B. & Reginato, R. J. (1977), Remote sensing of crop canopy
temperatures for scheduling irrigation and estimating yields: Proceedings
Symposium on Remote Sensing of Natural Resources.
Jackson, R. D., Moran, M. S., Slater, P. N. & Biggar, S. F. (1987). Field calibration of
reference reflectance panels. Remote Sensing of Environment, 22, 145-158.
Jacquemoud, S. & Baret, F. (1990). PROSPECT: a model of leaf optical properties.
Remote Sensing of Environment, 34, 75-91.
Jensen, J. R. (2000). Remote sensing of environment : An earth resource prespective
(New Jersey: Prentice-Hall).
Jensen, J. R. (2005). Digital Image Processing: a Remote Sensing Perspective (3rd ed.).
Prentice Hall.
Jensen, J. R. (2007). Remote sensing of the environment: an Earth resource perspective
(2nd ed.). Prentice Hall. ISBN 0-13-188950-8.
Jing, M., Chen, J. M., Liu, J., Leblanc, E. & Roujean, J. L. (2003). Multi-angular optical
remote sensing for assessing vegetation structure and carbon absorption.
Remote Sensing of Environment, 84, 516-525.
Justice, C. O., Vermote, E., Townshend, J. G. R., Defries, R., Roy, D. P., Hall, D. K.,
Salomonson, V. V., Privette, J. L., Riggs, G., Strahler, A. H., Lucht, W.,
Myneni, R. B., Knyazikhin, Y., Running, S. W., Nemani, R. R., Wan, Z., Huete,
A. R., Van Leeuwen, W., Wolfe, R. E., Giglio, L., Muller, L., Lewis, P. &
118
Barnsley, M. J. (1998). The moderate resolution imaging spectraradiometer
(MODIS) land remote sensing for global change research. IEEE Transactions
on Geoscience and Remote Sensing, 36, 1228-1249.
Karnieli, A., Kidron, G. J., Glaesser, G. & Ben-Dor, E. (1999). Spectral characteristics of
cyanobacteria soil crust in semiarid environments. Remote Sensing of
Environment, 69, 67-75.
Lentile, Leigh B.; Holden, Zachary A.; Smith, Alistair M. S.; Falkowski, Michael J.; Hudak,
Andrew T.; Morgan, Penelope; Lewis, Sarah A.; Gessler, Paul E.; Benson,
Nate C. (2006). "Remote sensing techniques to assess active fire
characteristics and post-fire effects". International Journal of Wildland Fire 3
(15): 319–345. doi:10.1071/WF05097.
Lillesand, T. M.; R. W. Kiefer; J. W. Chipman (2003). Remote sensing and image
interpretation (5th ed.). Wiley. ISBN 0-471-15227-7.
Martonchik, J. V. & Gaitley, B. J. (2000). Ground measurements of surface BRF and
HDRF using PARABOLA III. Journal of Geophysical Research, 106, 11967-
11976.
Richards, J. A.; X. Jia (2006). Remote sensing digital image analysis: an introduction (4th
edAbdou, W. A., Helmlinger, M. C., Conel, J. E., Bruegge, C. J., Pilorz, S. H.,
.
119