KLASIFIKASI PENUTUP LAHAN MENGGUNAKAN DATA LIDAR DENGAN PENDEKATAN MACHINE LEARNING (LAND COVER CLASSIFICATION USING LIDAR DATA WITH MACHINE LEARNING APPROACH)

Mochamad Irwan Hariyono

Abstract

Lidar merupakan salah satu teknologi penginderaan jauh. Data lidar banyak digunakan dan telah dikembangkan untuk kebutuhan pemetaan, perencanaan detail tata ruang, serta analisa bencana alam. Dalam perkembangannya untuk pengelolaan data lidar banyak digunakan aplikasi perangkat lunak maupun dengan menggunakan algoritma yang dibangun seperti machine learning. Tujuan dari penelitian ini adalah memanfaatkan data lidar untuk klasifikasi penutup lahan dengan menggunakan machne learning, yaitu Support Vecktor Machine (SVM). Lokasi penelitian adalah desa Tanjung Karang, Kota Mataram, Lombok. klasifikasi yang diterapkan adalah supervised classification dimana dibutuhkan data training untuk melakukan klasifikasi. Kelas penutup lahan yang diprediksi pada penelitian ini terbatas pada objek bangunan, vegetasi, jalan, lahan terbuka. Data yang digunakan utnuk klasifikasi adalah data turunan dari lidar yaitu DTM, DSM, nDSM dan Intensity. Skema klasfikasi yang digunakan adalah dengan single band dan kombinasi multi band. Untuk data referensi menggunakan peta topografi (Peta Rupabumi Indonesia). Hasil penelitian menunjukkan bahwa klasifikasi dengan skema kombinasi band memiliki akurasi yang lebih baik dibandingkan dengan skema single band, mengalami peningkatan sekitar 15-20%. Hal ini menunjukkan bahwa ada faktor saling melengkapi antar band untuk dapat mengidentifikasi objek dalam proses klasifikasi.

Keywords

Lidar, penginderaan jauh, klasifikasi, machine learning

Full Text:

PDF

References

Chen, Z., & Gao, B. (2014). An Object-Based Method for Urban Land Cover Classiï¬cation Using Airborne Lidar Data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(10), 4243–4254. https://doi.org/10.1109/JSTARS.2014.2332337

Ekhtari, N., Glennie, C., & Fernandez-Diaz, J. C. (2018). Classiï¬cation of Airborne Multispectral Lidar Point Clouds for Land Cover Mapping. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(6), 2068–2078. https://doi.org/10.1109/JSTARS.2018.2835483

Jamil, A., & Bayram, B. (2018). Tree Species Extraction and Land Use / Cover Classification From High-Resolution Digital Orthophoto Maps. Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(1), 89–94. https://doi.org/10.1109/JSTARS.2017.2756864

Mallet, C., Bretar, F., Roux, M., Soergel, U., & Heipke, C. (2011). Relevance assessment of full-waveform lidar data for urban area classification. ISPRS Journal of Photogrammetry and Remote Sensing, 66, S71–S84. https://doi.org/10.1016/j.isprsjprs.2011.09.008

Mountrakis, G., Im, J., & Ogole, C. (2011). Support vector machines in remote sensing : A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66(3), 247–259. https://doi.org/10.1016/j.isprsjprs.2010.11.001

Noi, P. T., & Kappas, M. (2017). Comparison of Random Forest, k-Nearest Neighbor, and Support Vector Machine Classiï¬ers for Land Cover Classiï¬cation Using Sentinel-2 Imagery. Sensors, 18, 18–37. https://doi.org/10.3390/s18010018

Pan, S., Guan, H., Yu, Y., Li, J., & Peng, D. (2019). A Comparative Land-Cover Classification Feature Study of Learning Algorithms : DBM , PCA ,and RF Using Multispectral LiDAR Data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(4), 1314–1326. https://doi.org/10.1109/JSTARS.2019.2899033

Qin, R. (2015). A Mean Shift Vector-Based Shape Feature for Classification of High Spatial Resolution Remotely Sensed Imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(5), 1974–1985.

Yan, W. Y., Shaker, A., & El-ashmawy, N. (2015). Urban land cover classification using airborne LiDAR data : A review. Remote Sensing of Environment, 158, 295–310. https://doi.org/10.1016/j.rse.2014.11.001

Yu, L., Liang, L., Wang, J., Zhao, Y., Cheng, Q., Hu, L., … Goodchild, M. F. (2014). Meta-discoveries from a synthesis of satellite- based land-cover mapping research. International Journal of Remote Sensing, 35(13), 4573–4588. https://doi.org/10.1080/01431161.2014.930206

Zhou, W. (2013). An Object-Based Approach for Urban Land Cover Classiï¬cation Integrating LiDAR Height and Intensity Data. IEEE Geoscience and Remote Sensing Letters, 10(4), 928–931. https://doi.org/10.1109/LGRS.2013.2251453

DOI: http://dx.doi.org/10.30536/j.pjpdcd.2021.v18.a3674

Refbacks

  • There are currently no refbacks.