Klasifikasi Habitat Bentik Perairan Laut Dangkal Menggunakan Citra Multispektral Dengan Penerapan Machine Learning Dan Deep Learning (Studi Kasus Perairan Kepulauan Seribu)
Date
2022Author
Hartoni
Siregar, Vincentius P
Wouthuyzen, Sam
Agus, Syamsul Bahri
Metadata
Show full item recordAbstract
Habitat bentik perairan laut dangkal seperti ekosistem terumbu karang dan ekosistem lamun, alga dengan tipe substrat seperti pasir, lumpur, dan pecahan karang merupakan tempat hidup dari berbagai jenis organisme perairan. Ekosistem terumbu karang dan lamun merupakan komponen utama sumberdaya pesisir dan laut di wilayah tropis selain hutan mangrove. Ekosistem terumbu karang dan lamun sangat berperan secara ekologi, ekonomis dan sumber informasi dalam pengembangan berbagai macam penelitian. Habitat bentik seperti ekosistem terumbu karang dan lamun dalam beberapa tahun terakhir banyak mendapat tekanan baik akibat dari perubahan iklim dan tekanan akibat kegiatan manusia. Informasi dalam bentuk peta habitat bentik sangat penting dalam mengambil kebijakan pengelolaan lingkungan pesisir.
Teknologi penginderaan jauh yang berkembang sampai saat ini, tidak terlepas dari semakin berkembangnya teknologi satelit yang diluncurkan, dalam hal ini satelit sumber daya alam. Informasi yang disajikan dalam bentuk peta-peta tematik habitat bentik yang dihasilkan dari data penginderaan jauh selain tergantung pada jenis-jenis citra satelit, juga sangat ditentukan metode mendefinisikan objek-objek di habitat itu sendiri. Kompleksitas habitat yang tinggi karena disusun oleh berbagai komponen abiotik dan biotik, menyebabkan sulit ditemukan ekosistem habitat yang sama pada lokasi yang berbeda. Maka diperlukan metode untuk mendefinisikan habitat-habitat atau skema klasifikasi.
Selama ini klasifikasi berbasis piksel merupakan teknik yang paling umum diterapkan dalam melakukan pemetaan. Pada dekade terakhir, berkembang pendekatan klasifikasi citra berbasis objek (object based images analysis/OBIA) untuk mengklasifikasikan objek. Pendekatan klasifikasi berbasis objek tidak beroperasi secara langsung pada piksel individu tetapi pada objek yang terdiri dari banyak piksel yang telah dikelompokkan bersama melalui proses segmentasi citra. Selain informasi spektral dan tekstur yang digunakan dalam metode klasifikasi berbasis piksel, karakteristik bentuk dan hubungan lingkungan dapat juga digunakan dalam klasifikasi berbasis objek. Kemajuan ilmu pengetahuan di bidang komputer, khususnya bidang kecerdasan buatan (artificial intelligence/AI), saat ini memberikan manfaat yang sangat besar di berbagai bidang, salah satunya adalah menghemat waktu dan tenaga dalam mengklasifikasikan berbagai jenis lahan jika dibandingkan dengan melakukan itu langsung di lapangan. Citra yang diperoleh dari proses penginderaan jauh dimasukkan ke dalam proses klasifikasi sebagai data masukan. Machine learning dan deep learning adalah dua teknik pembelajaran untuk klasifikasi dan prediksi berbasis AI yang telah banyak digunakan dalam klasifikasi lahan.
Tujuan dari penelitian ini adalah 1) Mengkaji skema klasifikasi habitat bentik bentik perairan dangkal yang dapat diterapkan dalam klasifikasi data penginderaan jauh. 2) Mengkaji kemampuan algoritma machine learning dalam klasifikasi habitat bentik perairan dangkal menggunakan citra satelit multispektral. 3) Mengkaji kemampuan algoritma deep learning dalam klasifikasi habitat bentik perairan dangkal menggunakan citra satelit multispektral.
Penelitian ini dilaksanakan di perairan dangkal sekitar Pulau Pramuka, Pulau Panggang dan Pulau Karya Kabupaten Kepulauan Seribu. Waktu penelitian Penelitian dilakukan dari bulan Agustus 2018 sampai bulan Juli 2019 yang terdiri dari pengumpulan data lapangan, pengolahan data dan penyusunan disertasi. Metode penelitian terdiri dari pengumpulan data lapangan dengan cara survei lapangan, pengembangan skema klasifikasi dengan pendekatan ekologi kuantitatif berdasarkan analisis pengelompokan secara hirarki (agglomerative hierarchical clustering / AHC), klasifikasi citra menggunakan teknik klasifikasi berbasis piksel dan dikembangkan juga teknik klasifikasi berbasis objek dengan menerapkan machine learning algoritma support vector machine (SVM) dan random forest (RF). Selanjutnya dikembangkan juga teknik klasifikasi berbasis piksel dengan menerapkan deep learning dengan algoritma convolutional neural network (CNN) dengan arsitektur Unet dan tahap akhir dilakukan uji akurasi peta-peta tematik habitat bentik yang dihasilkan dari citra Sentinel 2.
Habitat bentik di lokasi penelitian disusun oleh komponen bentik terumbu karang, lamun (lamun tutupan jarang, lamun tutupan sedang, lamun tutupan padat, lamun tutupan sangat padat), alga, pecahan karang dan pasir. Berdasarkan hirarki skema klasifikasi habitat bentik yang dikembangkan dari persentase tutupan komponen bentik menghasilkan 14 kelas habitat dan hanya 8 kelas yang dapat digunakan untuk klasifikasi menggunakan citra satelit. Penggunaan analisis pengelompokan dan nilai kemiripan mempunyai kemampuan yang baik dalam mendefinisikan skema klasifikasi.
Klasifikasi habitat bentik menggunakan citra Sentinel 2 dan mengaplikasikan machine learning algoritma klasifikasi RF dan SVM. Klasifikasi habitat bentik berbasis objek dengan algoritma klasifikasi SVM dan RF menghasilkan nilai akurasi keseluruhan (overall accuracy/OA) masing masing sebesar 65% dan 67 % dan nilai kappa masing masing 0,59 dan 0,60. Klasifikasi habitat bentik berbasis piksel dengan algoritma klasifikasi SVM dan RF menghasilkan nilai OA masing masing sebesar 61 % dan 64 % dan nilai kappa masing masing 0,54 dan 0,58. Algoritma klasifikasi RF mampu menghasilkan akurasi pemetaan yang lebih tinggi dibandingkan dengan algoritma klasifikasi SVM pada teknik klasifikasi berbasis objek maupun piksel. Penggunaan citra Sentinel 2 dengan penerapan machine learning algoritma SVM dan RF mampu mengklasifikasikan habitat bentik perairan dangkal dengan baik.
Klasifikasi habitat bentik menggunakan deep learning algoritma CNN dengan arsitektur Unet pada citra satelit Sentinel-2 memberikan hasil nilai OA sebesar 74,00 % dan nilai kappa 0,71 untuk mengklasifikasi delapan kelas habitat bentik yang diajukan. Metode klasifikasi dengan deep learning CNN arsitektur Unet pada citra satelit Sentinel-2 ini dapat diterapkan dan mampu mengklasifikasikan habitat bentik perairan laut dangkal dengan baik. Benthic habitats in shallow marine waters such as coral reefs and seagrass
ecosystems algae with substrate types such as sand, mud, and coral debris are the
habitat for various aquatic organisms. Coral reefs and seagrass ecosystems are the
main components of coastal and marine resources in the tropics and mangrove
forests. Coral reefs and seagrass ecosystems play an ecological, economic, and
informational role in developing various kinds of research. In recent years, benthic
habitats such as coral reefs and seagrass ecosystems have been under much pressure
both due to climate change and pressure due to human activities. Information in
benthic habitat maps is very important in making coastal environmental
management policies.
Remote sensing technology that has developed to date is inseparable from the
growing development of satellite technology being launched, natural resource
satellites. Information presented in the form of thematic maps of benthic habitats
generated from remote sensing data, apart from depending on the types of satellite
imagery, is also very much determined by the method of defining objects in the
habitat itself. The high complexity of the habitat because it is composed of various
abiotic and biotic components makes it difficult to find the same habitat ecosystem
in different locations. Then a method for defining habitats or a classification scheme
is needed
So far, pixel-based classification is the most commonly applied technique in
mapping. In the last decade, object-based image classification (OBIA) approaches
have been developed to classify objects. The object-based classification approach
does not operate directly on individual pixels but on objects consisting of many
pixels that have been grouped through an image segmentation process. In addition
to the spectral and texture information used in pixel-based classification methods,
shape characteristics and environmental relationships can also be used in objectbased classification. Advances in science in the field of computers, especially in
artificial intelligence (AI), currently provide enormous benefits in various fields,
one of which is saving time and energy in classifying various types of land
compared to doing it directly in the field. The image obtained from the remote
sensing process is entered into the classification process as input data. Machine
learning and deep learning are two learning techniques for AI-based classification
and prediction that have been widely used in land classification.
The aims of this research are 1) Assessing a shallow-water benthic habitat
classification scheme that can be applied in the classification of remote sensing data.
2) To examine the ability of machine learning algorithms to classify shallow-water
benthic habitats using multispectral satellite imagery. 3) Assessing the ability of
deep learning algorithms to classify shallow-water benthic habitats using
multispectral satellite imagery.
This research was conducted in shallow waters around Pramuka Island,
Panggang Island, Karya Island, Thousand Islands Regency. Research time The
research was conducted from August 2018 to July 2019, which consisted of
collecting field data, processing data, and compiling a dissertation. The research
method consists of collecting field data utilizing field surveys, developing a
classification scheme with a quantitative ecological approach based on
agglomerative hierarchical clustering (AHC) analysis, image classification using
pixel-based classification techniques, and also developing object-based
classification techniques by applying machine learning. Support vector machine
(SVM) and random forest (RF) algorithms. Furthermore, a pixel-based
classification technique was also developed by applying deep learning with a
convolutional neural network (CNN) algorithm with Unet architecture. The final
stage was testing the accuracy of thematic maps of benthic habitats generated from
sentinel 2 images.
The benthic habitat at the research site comprises benthic components of coral
reefs, seagrass (rare cover seagrass, medium cover seagrass, dense cover seagrass,
very dense cover seagrass), algae, coral rubble, and sand. Based on the hierarchy of
the benthic habitat classification scheme, which was developed from the percentage
of cover of the benthic component, it resulted in 14 habitat classes and only eight
classes that could be used for classification using satellite imagery. The use of
grouping analysis and similarity values has good ability in defining classification
schemes.
Classification of benthic habitats using Sentinel 2 imagery and applying
machine learning RF and SVM classification algorithms. Object-based benthic
habitat classification with SVM and RF algorithms resulted in overall accuracy
(OA) values of 65% and 67%, respectively, and kappa values of 0.59 and 0.60,
respectively. Pixel-based benthic habitat classification with SVM and RF
algorithms resulted in OA values of 61% and 64%, respectively, and kappa values
of 0.54 and 0.58. The RF classification algorithm can produce a higher mapping
accuracy than the SVM classification algorithm on object and pixel-based
classification techniques. Sentinel 2 imagery with the application of machine
learning algorithms SVM and RF can classify shallow-water benthic habitats well.
Benthic habitat classification using CNN deep learning algorithm with Unet
architecture on Sentinel-2 satellite imagery gives an OA value of 74.00% and a
kappa value of 0.71 to classify the eight proposed benthic habitat classes. The
classification method with deep learning CNN Unet architecture on Sentinel-2
satellite imagery can be applied and can classify benthic habitats in shallow marine
waters well.
Collections
- DT - Fisheries [710]