//
you're reading...
Uncategorized

ESTIMASI CURAH HUJAN MENGGUNAKAN CITRA MTSAT DAN TRMM 2A12

TUJUAN

Melakukan estimasi curah hujan dari data penginderaan jauh dengan menggunakan teknik penggabungan antara citra inframerah thermal dari satelit geostationer (MTSAT) dan citra gelombang mikro dari satelit TRMM.

DASAR TEORI

Karakteristik Penginderaan Jauh untuk estimasi curah hujan

Estimasi curah hujan dengan menggunakan penginderaan jauh sudah dikembangkan sejak tahun 60-an dan bertujuan untuk mendapatkan gambaran global mengenai distribusi hujan di seluruh permukaan bumi. Sejak pertama kali dikembangkan, berbagai macam upaya sudah dilakukan untuk dapat mengukur curah hujan dari antariksa tersebut, baik secara kualitatif maupun kuantitatif.

Obyek-obyek di permukaan bumi yang yang tergambar pada citra penginderaan jauh pada dasarnya bisa terdeteksi oleh sensor dikarenakan karakteristik dari obyek-obyek tersebut yaitu sebagai berikut: (i) pantulan gelobang pendek dari pancaran sinar matahari; (ii) pancaran dari gelombang inframerah thermal yang mengindikasikan temperature fisik dari obyek yang besangkutan atau (iii) pancaran dari gelombang mikro (Carleton, 1991). Untuk penginderaan jauh yang khusus diaplikasikan untuk estimasi hujan, focus utamanya terutama adalah pada interaksi antara obyek butiran hujan (hydrometeor) dengan gelombang elektromagnetik dengan memperhatikan karakteristik pantulan atau pancaran dari spectrum panjang gelombang seperti tersebut diatas.

Satu istilah penting yang sering digunakan dalam pengideraan jauh adalah jendela atmorfir yaitu bagian dari spectrum gelombang elektromagnetik yang tidak diserap (dalam arti diloloskan) oleh atmosfir. Spektrum tampak dan inframerah adalah contoh dari jendela atmosfir. Jendela atmosfir sangat penting untuk penginderaan jauh yang digunakan untuk mendeteksi obyek di permukaan bumi seperti penggunaan lahan, geologi atau geomorfologi. Namun untuk penginderaan jauh terapan hidrometeorologis, spectrum yang bukan merupakan jendela atmofir juga memegang peranan yang penting dikarenakan spektrum panjang gelombang yang diserap oleh atmosfir tersebut dapat mengungkapkan obyek-obyek atmosfir atau fenomena yang terjadi antara permukaan bumi dan sensor, seperti profil suhu dan uap air yang bisa terdeteksi oleh sounder atau profiler (Strangeways 2007).

Gelombang pendek pantulan khususnya pada gelombang tampak (0.4 – 0.75µm) dan kadang-kadang juga diperluas sampai dengan inframerah dekat (0.75 – 1.1µm), memiliki peranan yang sangat pentung dalam pengideraan jauh hidrometeorologi dikarenakan interaksinya dengan butiran hujan, yaitu: (i) pantulan oleh awan, uap air, aerosol dan udara; (ii) hamburan baik hamburan Rayleigh (hamburan yang disebabkan oleh molekul udara yang memiliki ukuran yang lebih kecil dari panjang gelombang) atau hamburan Mie (hamburan yang disebabkan oleh molekul udara yang memiliki ukuran yang kurang lebih sama dengan panjang gelombang). Karakteristik awan seperti tektur, kecerahan, formasi dan pola pada umumnya diinterpretasi secara visual berdasarkan persentase pantulan (albedo) dari gelombang tampak ini.

Untuk gelombang inframerah thermal (10.5 – 12.5 µm), suhu kecerahan dari butiran hujan diukur berdasarkan pancarannya (Strangeways, 2007). Dikarenakan awan bersifat opak (tidak dapat tertembus oleh spectrum tampak atau inframerah), maka suhu kecerahan yang terdeteksi adalah suhu kecerahan permukaan awan bagian atas (cloud top temperature). Untuk awan dengan suhu kecerahan yang lebih dingin pada umumnya bersosisasi dengan semakin lebatnya hujan (konvektif) yang terjadi

(Carleton 1991; Kuligowski 2003).

 

Gambar 1. Interaksi yang kompleks antara gelombang mikro dengan permukaan tanah dan hidrometeor (Strangeways 2007)

Spektrum gelombang mikro memiliki karakteristik yang berbeda dengan panjang gelombang tampak atau inframerah, yaitu memiliki kemampuan untuk menembus lapisan awan pada berbagai ketebalan, sehingga panjang gelombang ini bisa berinteraksi secara fisik dengan butiran hujan. Dalam hal ini butiran hujan tidak hanya memancarakan gelombang mikro namun sekaligus juga bisa menyerap atau menghamburkannya (Strangeways, 2007). Pada dasarnya setiap obyek yang ada di atmosfir memiliki karakteristik yang berbeda-beda dalam interaksinya dengan gelombang mikro. Menurut Saw, 2005 karakteristik itu adalah sebagai berikut: (i) es pada umumnya tidak menyerap gelombang mikro, namun menghamburkannya; (ii) butiran hujan yang cair pada umumnya lebih bersifat menyerap, walaupun juga bisa menghamburkan; (iii) hamburan dan serapan pada umumnya meningkat seiring dengan semakin besarnya frekuensi dan semakin besarnya intensitas hujan. Berbagai interkasi antara hydrometeor dengan berbagai frekuensi gelombang mikro tersebut adalah seperti yang tersaji pada Gambar 1.

Gambaran umum satelit meteorologi

Sebagai gambaran umum mengenai satelit meteorologi berikut ini disajikan karaketeristik dua satelit meteorologi, dimana data dari kedua satelit tersebut digunakan dalam praktikum ini.  Satelit yang pertama adalah sebuah satelit geostationer milik Jepang yaitu MTSAT (Multi Transport Satellite) yang membawa sensor gelombang tampak dan inframerah, sedangkan yang kedua adalah sebuah satelit orbit kutub hasil kerjasama Amerika Serikat dan Jepang yaitu TRMM (Tropical Rainfall Measuring Mission) yang membawa berbagai sensor untuk mendeteksi obyek dan fenomena atmosfir. Satelit meteorology yang lain yang saat ini beroperasi antara lain: GOES milik Amerika Serikat, Metosat Second Generation (MSG) milik Uni Eropa, Fen Yung milik China, GOMS miliki Rusia, dimana kesemuanya adalah satelit geostationer. Satelit meteorologi yang lain adalah NOAA, DMSP, dll.

 

MTSAT

MTSAT merupakan generasi penerus dari GMS/Himawari yang mencakup separuh belahan bumi (hemisphere) meliputi Asia timur, Pasifik barat dan Australia. MTSAT mengorbit pada ketinggian 35.800 km diatas khatulistiwa pada 140° BT (kurang lebih diatas P. Biak, Papua). Karakterisik dari MTSAT adalah seperti yang tersaji pada Tabel 1.

Tabel 1. Resolusi Spektral, spasial, dan radiometri dari MTSAT.

Spatial resolution 1 km for Visible channel and 4 km for IR channels at the sub-satellite point
Radiometric resolution 10 bits (1,024 gradations)
Spectral Resolution Visible: 0.55 – 0.9 µm

IR1 : 10.3 – 11.3 µm

IR2 : 11.5 – 12.5 µm

IR3 : 6.5 – 7.0  µm

IR4 : 3.5 – 4.0  µm

Temporal Resolution 1 hour for whole hemisphere and 30 minutes for northern hemisphere

Keunggulan dari satelit geostationer seperti MTSAT adalah resolusi temporalnya yang tinggi yaitu 1 jam untuk liputan satu belahan bumi dan 30 menit untuk liputan belahan bumi utara. Namun kelemahannya adalah pada resulusi spasialnya, sebagai konsekuensi dari sedemikian tingginya orbit satelit ini.

Citra MTSAT untuk satu liputan penuh memiliki ukuran 11000 baris x 11000 kolom untuk saluran Tampak dan 2750 baris x 2750 kolom untuk saluran Inframerah (JMA 2003). Waktu yang diperlukan untuk mendapatkan satu kali liputan penuh citra kurang lebih adalah 27 menit (JMA 1999). Area liputan efektif yang bisa digunakan adalah dalam julat lintang dari 60°LU sampai dengan 60°LS (Saw 2005).

TRMM

Satelit TRMM dibangun melalui kerjsama antara NASA (badan antariksa nasional AS) dan JAXA (badan antariksa Jepang) yang dirancang untuk memonitor dan mengkaji hujan di daerah tropis. Karakteristik satelit TRMM adalah seperti yang tersaji pada Tabel 2. Satelit TRMM membawa 5 macam sensor yaitu: Precipitation radar (PR), TRMM Microwave Imager (TMI), Visible and Infrared Scanner (VISR), Clouds and the Earth’s Radiant Energy System (CERES) dan Lightning Imaging Sensor (LIS).

Table 2.Karakteristik satelit TRMM (JAXA 2002).

Tanggal Peluncuran November 28, 1997
Orbit Circular, non-sun-synchronous, with an inclination of 35 degrees to the Equator.
Ketinggian orbit 350 km (1997/11/27 – 2001/08/08)

403 km (2001/08/24 – sekarang)

TMI merupakan sensor gelombang mikro yang digunakan untuk mendeteksi hujan. Sensor ini merupakan pengembangan dari sensor SSM/I (Special Sensor Microwave/Imager) yang sudah dibawa dalam beberapa kali misi peluncuran satelit DMSP (Defense Meteorological Satelitte Programme). Karakteristik yang cukup unik dari TMI adalah model penyiamannya yang berbentuk konikal (conical scanning), seperti yang terlihat pada Gambar 2.

 

 

                                                                                                 Model penyiaman sensor TMI

 

 

 

 

 

 

 

Gambar 2. Model penyiaman konikal yang digunakan oleh TMI dibandingkan dengan model penyiaman sensor-sensor lain yang dibawa oleh satelit TRMM (Strangeways 2007)

Keuntungan penggunaan model penyiaman ini adalah adalah bahwa sudut penyiaman dapat dipertahankan tetap sama sehingga tenaga pancaran yang diterimapun adalah sama untuk semua sudut penyiaman (Strangeways 2007). Resolusi spasial yang dihasilkan tergantung dari frekuensi yang digunakan yang bervariasi antara 5 km pada frekuensi 85.5 GHz sampai dengan 45 km pada frekuensi 10.65GHz  (Strangeways 2007). Karakterisitik sensor TMI adalah seperti yang tersaji pada Tabel 3.

Table 3. Karakteristik sensor TMI (JAXA 2002).

Band

Center Freq (GHz)

Polarization

Horizontal Resolution (km)

Objective

1

10.65

V

36.8

Very strong rain

2

10.65

H

36.8

Very strong rain

3

19.35

V

18.4

strong rain

4

19.35

H

18.4

strong rain

5

21.3

V

18.4

vapor

6

37

V

9.2

Light rain

7

37

H

9.2

Light rain

8

85.5

V

4.6

strong rain, Light rain

9

85.5

H

4.6

strong rain, Light rain

 

Metode estimasi curah hujan menggunakan teknik Penginderaan Jauh

Berdasarkan spektrum panjang gelombang yang digunakan, metode estimasi curah hujan pada dasarnya dapat dikelompokan menjadi tiga yaitu (Levizzani, 2002; Kuligowski, 2003; Strangeways, 2007): (i) metode gelombang tampak (visible)/gelombang inframerah; (ii) metode gelombang mikro pasif (passive microwave) dan (iii) metode gabungan.

Metode gelombang tampak (visible)/gelombang inframerah

Metode ini dikelompokan manjadi satu dikerenakan baik panjang gelombang tampak (0.4 – 0.75µm) maupun inframerah (10.5 – 12.5 µm untuk inframerah thermal) memiliki karakteristik yang sama yaitu tidak memiliki kemampuan untuk menembus awan. Sehingga informasi yang tersaji pada citra yang menggunakan panjang gelombang ini adalah gambaran kondisi permukaan awan. Citra gelombang tampak pada umumnya digunakan untuk mengidentifikasi awan secara fisik seperti bentuk, tekstur, rona dll. Untuk keperluan estimasi hujan secara kuantitatif digunakan citra inframerah thermal yang dapat memberikan informasi suhu permukaan awan bagian atas (cloud top temperature). Asumsi yang digunakan dalam estimasi curah hujan menggunakan citra inframerah thermal adalah semakin dingin suhunya dan semakin cerah ronanya maka akan berasosiasi dengan semakin lebatnya hujan (umumnya tipe hujan konvektif). Sebaliknya semakin panas suhu permukaan awan bagian atas dan kurang cerah ronanya maka tidak berasosiasi dengan hujan yang lebih ringan atau tidak ada hujan (Carleton, 1991, . Kuligowski, 2003).

Metode gelombang mikro pasif

Gelombang mikro memiliki karakateristik yang berbeda dengan gelombang tampak/IR yaitu memiliki kemampuan untuk menembus awan. Kemampuan menembus awan ini menjadikan gelombang mikro bisa langsung berinteraksi dengan butiran-butiran air hujan yang membentuk awan. Bentuk pancaran atau hamburan gelombang mikro akibat interaksi dengan butiran air ataupun es ini bisa terdeteksi pada berbagai panjang gelombang mikro dan juga bentuk polarisasi yang digunakan. Pendekatan estimasi hujan menggunakan gelombang tampak/IR pada umumnya disebut dengan, pendekatan tidak langsung dikarenakan curah hujan diestimasi berdasarkan suhu permukaan awan bagian atas. Sebaliknya metode gelombang mikro pasif ini disebut dengan pendekatan yang lebih langsung dikarenakan menggunakan proses fisika interaksi panjang gelombang dengan butiran hujan.

Metode gabungan.

Berdasarkan karakteristik orbit satelitnya, citra Visible/IR untuk keperluan deteksi cuaca pada umumnya diperoleh dari satelit geostationer seperti satelit MTSAT, GOES, Metosat, GOMS dan FenYung. Satelit geostationer memiliki kemampuan untuk merekam satu belahan bumi (hemishpere) dalam satu kali perekaman dengan resolusi temporal yang cukup tinggi (15 menit sampai dengan 1 jam) (lihat Gambar 3a). Namun karena cakupannya global, citra ini memiliki resolusi spasial yang rendah (1 km atau 4 km).

Sebaliknya citra gelombang mikro pasif pada umumnya diperoleh dari satelit dengan orbit kutub (lihat Gambar 3b). Contoh satelit orbit kutub yang memiliki sensor gelombang mikro yang didedikasikan untuk esitmasi hujan adalah DMSP (Defense Meteorological Satelit Programme) dengan sensor SSM/I (Special Sensor Microwage/Imager) dan satelit TRMM dengan sensor TMI (TRMM Microwave Imager). Data satelit ini memiliki kemampuan untuk mengestimasi hujan dengan lebih akurat namun memiliki resolusi temporal yang rendah, sehingga kurang bagus untuk keperluan monitoring yang intensif.

Metode gabungan merupakan suatu teknik untuk menggabungkan kedua jenis data dari satelit geostationer dan satelit orbit kutub untuk keperluan estimasi hujan. Pada prinsipnya metode gabungan adalah memanfaatkan korelasi yang tinggi antara suhu permukaan awan yang terdeteksi oleh gelombang IR dari satelit geostationer dengan estimasi intensitas hujan dari satelit orbit kutub, pada lokasi dan waktu perekaman yang sama atau mendekati (space and time collocation).

Gambar 3. (a) Karakteristik cakupan satelit geostationer dan (b) satelit orbit kutub

Metode Perolehan Data

Salah satu kelebihan penggunaan teknik penginderaan jauh adalah ketersediaan data yang relatif bisa diakses dimana saja dan kapan saja, karena data citra satelit yang digunakan tersedia secara gratis di internet.

Data satelit MTSAT diperoleh dari website Tokyo University yang memiliki alamat:  http://webgms.iis.u-tokyo.ac.jp/. Data yang diperoleh berupa file citra yang menggambarkan suhu kecerahan awan bagian atas dengan format HDR.

Untuk citra TRMM datanya dapat diunduh dari alamat web sebagai berikut: http://disc.sci.gsfc.nasa.gov/data/datapool/TRMM_DP/01_Data_Products/01_Orbital/05_Tmi_Prof_2A_12/. Format data yang tersedia untuk citra TRMM ini adalah HDF yang menyajikan citra estimasi intensitas hujan. Untuk membuka citra TRMM ini adalah dengan menggunakan perangkat lunak Orbit View yang disediakan secara gratis oleh NASA.

Metode Pemrosesan dan Analisa Data

Metode penggabungan data MTSAT dan TRMM 2A12 yang digunakan dalam praktikum ini adalah metode yang dikembangkan oleh (Maathuis, 2006). Mathuis (2006) menggabungkan data inframerah termal dari citra satelit geostationer MSG (Meteosat Second Generation) dan intensitas hujan dari TRMM untuk memperoleh informasi curah hujan secara runtun waktu (time series). Dalam hal ini dilakukan sedikit modifikasi yaitu dengan digunakannya citra MTSAT sebagai pengganti MSG untuk mendapatkan data inframerah thermal (dengan julat gelombang yang mendekati sama dengan yang digunakan dalam MSG).

Dalam metode ini secara umum terdapat tiga tahapan utama yang dilakukan yaitu:

  1. Penentuan kolokasi ruang dan waktu antara MTSAT dan TRMM.
  2. Membuat hubungan statistik antara intensitas hujan yang dideteksi oleh TRMM dan suhu kecerahan permukaan awan bagian atas yang dideteksi oleh MTSAT.
  3. Transformasi data MTSAT runtun waktu.

Secara garis besar alur kerja yang dilakukan dalam proses penggabungan data MTSAT dan TRMM adalah seperti yang dipresentasikan dalam Gambar 4.

Tahap pertama yaitu penentuan kolokasi ruang dan waktu antara MTSAT dan TRMM pada intinya adalah memperoleh sepasang citra MTSAT dan TRMM yang meliput area yang sama dengan waktu peliputan yang sedekat mungkin. Tujuan proses ini adalah untuk mendapatkan liputan obyek awan yang terekam dari kedua citra tersebut yang semirip mungkin. Seperti diketahui bahwa awan merupakan obyek atmosfir yang sangat dinamis. Perbedaan waktu peliputan yang sedikit saja akan sangat mengaruhi gambaran liputan awan yang dihasilkan. Sehingga dalam hal ini diupayakan untuk mendapatkan waktu peliputan MTSAT dan TRMM yang sedekat mungkin.

Tahap kedua adalah, berdasarkan pasangan citra MTSAT dan TRMM yang berkolokasi ini dibangun suatu hubungan statistik  antara suhu kecerahan permukaan awan bagian atas yang diperoleh dari MTSAT dengan intensitas hujan yang diperoleh dari TRMM. Hubungan statistik ini diimplementasikan dalam bentuk persamaan regresi. Dari berbagai macam model persamaan regresi, dalam hal ini dipilih model persamaan eksponensial modifikasi yang secara matematis ditulis dalam bentuk persamaan sebagai berikut:

Dimana:

y = estimasi hujan

x = suhu kecerahan permukaan awan bagian atas dari MTSAT

a dan b = koefisien persamaan regresi

e = bilangan natural

Kolokasi Ruang dan Waktu

KOLOKASI RUANG DAN WAKTU

PENENTUAN HUBUNGAN STATISTIK

TRANSFORMASI DATA

Gambar 4. Proses penggabungan data MTSAT dan TRMM

Tahap terakhir adalah proses transformasi data MTSAT runtun waktu. Yang dimaksud dengan data MTSAT runtun waktu adalah serangkaian citra MTSAT yang dianggap valid untuk satu persamaan regresi tertentu. Persamaan regresi yang dianggap valid untuk serangkaian citra MTSAT dapat dijelaskan dalam bentuk diagram kolokasi seperti yang tersaji pada gambar 5.

Regresi  1                      Regresi 2

Citra MTSAT runtun waktu

=  Kolokasi antara MTSAT dan TRMM

Gambar  5. Contoh sebiah diagram kolokasi.

Garis hitam putus-putus menggambarkan serangkaian citra MTSAT runtun waktu. Diantara serangkaian citra tersebut terdapat citra-citra yang berkolokasi ruang dan waktu dengan TRMM. Ini digambarkan dengan bentuk lingkaran. Persamaan regresi dihasilkan dari pasangan-pasangan citra yang berkolokasi tersebut dimana persamaan tersebut valid hanya untuk serangkaian citra MTSAT diatara dua kolokasi yang berurutan (digambarkan sebagai panah abu-abu). Dengan demikian dalam implementasinya harus dilakukan proses transformasi berdasarkan persamaan regresi terhadap serangkaian citra MTSAT runtun waktu yang dianggap valid untuk persamaan yang bersangkutan.

ALAT DAN BAHAN

Perangkat Lunak:

  1. ILWIS.
  2. Orbit Viewer.
  3. Curve Expert.
  4. MS Excell.

Data

  1. Citra digital MSAT cakupan wilayah Jawa meliputi band IR1 (inframerah thermal) dan IR3 (water vapor) tanggal 5 Desember 2007 jam 00.30 – 21.30 UTC (22 perekaman).
  2. TRMM data granule tanggal 5 Desember 2007.

LANGKAH KERJA

Menentukan citra TRMM dan MTSAT yang ber-kolokasi ruang dan waktu

Satu tahapan penting yang harus dilakukan untuk memperoleh hubungan yang kuat antara estimasi hujan dari citra TRMM dan suhu permukaan awan bagian atas dari MTSAT adalah dengan terlebih dahulu menentukan kedua citra tersebut yang berkolokasi. Caranya adalah sebagai berikut:

  1. Jalankan Orbit Viewer.
  2. Klik menu File à Open File. Browse pada file TRMM data granule yaitu 2A12.071205.57283.6.HDF.
  3. Klik pada surfaceRain pada kolom Arrays, dan klik pada wilayah Indonesia. Hasilnya adalah seperti yang terlihat pada Gambar 6.

waktu perekaman lokal

Gambar 6. Tampilan data TRMM pada Orbit Viewer

  1. Dikarenakan fokus kajian kita adalah wilayah P. Jawa, maka lakukan klik pada wilayah P. Jawa yang terekam oleh TRMM (seperti yang terlihat dalam Gambar 6, dalam hal ini adalah sebagian wilayah Jawa Timur) à sehingga akan muncul informasi koordinat lokasi yang kita klik beserta atribut lainnya seperti intensitas hujan dan waktu perekaman (dalam UTC).
  2. Dalam penentuan kolokasi citra, informasi yang harus kita perhatikan adalah waktu perekaman local (UTC) à terbaca kurang lebih pada 05:26:03. Dengan demikian kita harus menggunakan citra MTSAT dengan waktu perekaman yang sedekat mungkin dengan waktu tersebut, dimana dalam hal ini kurang lebih adalah 05.30 UTC.

Mengeksport data TRMM dalam format file teks

  1. Klik menu File à Save data, sehingga muncul jendela pada Gambar 7. Ubahkan Output format menjadi Swath: ASCII (Arc/Info). Ambil nilai default untuk batas koordinat cakupan area dan klik tombol Create File. Hasil dari proses ini ada dua buah file yaitu: 2A12.071205.57283.6.surfaceRain.txt yang berisi data intensitas hujan dan 2A12.071205.57283.6.surfaceRain.geo yang berisi koordinat titik pengukuran hujan oleh TRMM.

Gambar 7. File masukan dan keluaran data TRMM serta format keluarannya.

 

Mengimport data MTSAT di ILWIS

  1. Jalankan ILWIS.
  2. Pada Operation List, klik Impor Via GDAL, sehingga akan muncul jendela seperti Gambar 8.

Gambar 8. Mengimport file HDR di ILWIS

  1. Pilih pada MTSAT200712050530IR1 dan untuk output filenya, tulis nama file keluaran, misalnya IR1. Ini perupakan proses mengimpor citra MTSAT band IR1 dari format HDR menjadi format ILWIS. Selanjutnya klik tombol OK.
  2. Dengan cara yang sama, lakukan untuk file MTSAT200712050530IR3 dengan nama file keluaran IR3.
  3. Buka citra IR1 dengan cara mengklik ganda pada file IR1 di ILWIS. Setelah citra tertayang di layer, klik dan tahan sambil menggeser mouse sehingga akan terlihat nilai pixel dari citra tersebut. Nilai piksel yang tertayang merupakan nilai suhu kecerahan citra IR1 dikalikan 100. Ini merupakan trik untuk menyimpan data yang mengandung digit dibelakang koma dalam format bilangan interger yang membutuhkan memori yang lebih kecil, dibandingkan ketika data tersebut tersimpan dalam format bilangan real yang memakan memori yang lebih besar. Sehingga untuk mendapatkan nilai suhu kecerahan yang sebenarnya (dalam Kelvin) lakukan kalkulasi sederhana yang dapat diketikan pada Command Line yaitu:

IR1x := IR1 / 100

Dengan cara yang sama lakukan untuk citra IR3 yaitu:

IR3x := IR3 / 100

Membuat citra awan berpotensi hujan

  1. Citra awan yang berpotensi hujan dibuat dengan menggunakan band IR1 dan IR3, yaitu dengan melakukan operasi pengurangan berdasarkan kedua citra tersebut. Jika selisih suhu kecerahan kurang dari 11 K maka pixel yang bersangkutan dianggap berpotensi hujan (Kidder, dkk dalam Maathuis 2007).
  2. Dalam hal ini digunakan operasi pengandaian untuk membuat citra awan yang berpotensi hujan, sehingga estimasi hujan hanya akan dihitung pada pixel yang dianggap sebagai awan. Perintah yang digunakan adalah:

PC1:=iff(IR1x – IR3x < 11, 1, 0)

Hasilnya adalah seperti yang tersaji pada Gambar 9 berikut ini.

Gambar 9. Tayangan hasil citra awan yang berpotensi hujan.

 

Mengimport data TRMM di ILWIS dan mengubah data TRMM menjadi peta titik

  1. Proses pengolahan data TRMM diawali dengan mengimport teks file yang berisi lokasi dan intensitas hujan yang sudah dieksport dari file HDF menggunakan perangkat lunak Orbit View. Dari Operation Tree di ILWIS, pilih Import/Export à Import Table. Pilih file 2A12.071205.57283.6.surfaceRain.geo untuk mengimport koordinat lokasi estimasi hujan dari TRMM seperti yang terlihat pada Gambar 10.

Gambar 10. Memasukan nama file untuk Import Table Wizard.

 

  1. Klik Next dan pilih Use ILWIS Import. Klik Next, pilih Comma Delimited. Klik Next dan cek konfigurasi table yang berisi koordinat lokasi. Klik Next sekali lagi sehingga muncul jendela seperti yang terlihat dalam Gambar 11. Ubahlah nama Column2 menjadi X dan Column3 menjadi Y. Berikanlah nama file yang sesuai untuk menyimpan file keluarannya, misalnya nama keluarannya adalah: lokasi.
  2. Dengan cara yang sama lakukan untuk table yang berisi informasi intensitas hujan, ubahlah nama colomn2 menjadi Hujan seperti yang terlihat pada Gambar 12. Simpan keluarannya dengan nama yang informatif misalnya: hujan

 Gambar 11.    Import tabel koordinat lokasi pixel TRMM.

 Gambar 12. Import tabel intensitas hujan TRMM.

  1. Buka table lokasi. Pada menu tabel lokasi, klik Columns à Join…
  2. Pada jendela Join Wizard, masukan tabel Hujan pada drop down list Table dan pilih Hujan untuk nama kolom yang akan digabung (join). Klik Next dan berikan nama kolom, misalnya menggunakan nama yang sama dengan nama kolom sebelumnya yaitu: hujan.
  3. Lakukan proses seleksi untuk memilih titik koordinat yang ada hujannya atau dengan kata lain hujan > 0. Prosesnya adalah dengan mengetikkan perintah berikut pada Command Line di tabel lokasi (lihat Gambar 13):

hujan_lb0:=iff(hujan > 0, hujan, ?)

Gambar 13. Proses menyeleksi data hujan > 0 dengan operasi Tabel di ILWIS.

  1. Proses selanjutnya adalah mengubah tabel lokasi menjadi peta titik (point map). Pada operation tree, pilih Table Operations à Table to Point. Ubahlah parameter pada jendela Table to Point map seperti yang tersaji pada Gambar 14. X Column dan Y column merupakan koordinat lokasi hujan yang merupakan system koordinat LatLonWGS84. Dalam hal ini harus dipastikan untuk menggunakan kolom hujan_lb0 dari tabel Lokasi sebagai data yang akan direpresentasikan sebagai peta titik. Berilah nama keluaran yang sesuai misalnya: hujan_lb0.

Gambar 14. Proses merubah data tabel menjadi data titik.

 

  1. Hasil dari proses ini adalah seperti yang tersaji pada Gambar 15.

Gambar 15. Hasil dari pembuatan peta titik vector.

  1. Peta hujan_lb0 tersebut merupakan peta titik dalam format vector. Untuk dapat di-crosskan dengan citra MTSAT yang berformat raster, maka peta titik ini harus dikonversi menjadi peta titik dengan format raster. Pada Operation tree, klik Rasterize à Point to Raster. Masukan nama peta titik vector dan nama file keluarannya. Harus dipastikan bajwa Georeference yang digunakan adalah sama dengan georeference citra MTSAT. Ini untuk menjamin batas koordinat dan ukuran piksel peta titik raster keluaran adalah sama dengan citra MTSAT (lihat Gambar 16). Hasil yang diperoleh adalah seperti yang terlihat pada Gambar 17.

Gambar 16. Proses merubah peta titik vektor menjadi peta titik raster.

Gambar 17. Hasil dari pembuatan peta titik raster.

 

Menggabungkan citra MTSAT dan TRMM

  1. Penggabungan citra MTSAT dan TRMM dilakukan melalui proses penyilangan (crossing) untuk mendapatkan tabel hasil penyilangan (cross table) sebagai dasar untuk membuat persamaan regresi yang menyatakan hubungan antara suhu kecerahan dari citra MTSAT dan intensitas hujan dari citra TRMM.
  2. Dari operation tree pilih Raster Operations à Cross. Masukan nama file yang sesuai untuk peta pertama (1st map) dan peta kedua (2nd map), serta nama tabel silang keluarannya, seperti yang terlihat pada Gambar 18. Tabel hasil silang misalnya diberi nama: h_t. Dalam hal ini tidak diperlukan keluaran hasil penyilangan dalam bentuk peta, sehingga pada Output Map tidak perlu dicentang.

Gambar 18. Proses meng-cross kan peta hujan raster dari TRMM dan citra MTSAT.

 

Membuat persamaan statistik hubungan suhu kecerahan dan hujan

  1. Tampilkan tabel hasil silang (misalnya dalam hal ini tabel h_t). Contoh keluaran tabel silang adalah seperti yang tersaji pada Gambar 19.

Gambar 19. Tabel hasil cross data hujan TRMM dan citra MTSAT.

  1. Dari tabel tersebut dapat dilihat nilai suhu kecerahan (kolom IR1x) dan intensitas hujan (kolom hujan_lb0), pada lokasi koordinat yang sama. Dengan demikian kita dapat menghitung korelasi antara suhu kecerahan dan intensitas hujan dengan cara: klik menu: Columns à Statistics à Pada Function pilih Correlation dan pada Colum pilih IR1x sebagai variable pertama dan pada 2nd column pilih kolom hujan_lb sebagai variable kedua à klik OK (lihat Gambar 20).

Gambar 20. Proses menghitung corelasi antara dua kolom.

  1. Hasilnya adalah sebagai berikut (Gambar 21):

Gambar 21. Hasil proses perhitungan korelasi.

  1. Nilai korelasi yang dihasilkan adalah -0,416. Nilai negatif menunjukan hubungan terbalik antara suhu kecerahan dengan intensitas hujan, yang berarti bahwa semakin rendah suhu kecerahan dari citra IR1, maka semakin tinggi intensitas hujan yang dihasilkan.
  2. Seperti sudah dijelaskan pada dasar teori, bahwa kualitas hubungan antara suhu kecerahan dan intensitas hujan ditentukan dari kondisi perekaman dari citra MTSAT dan TRMM yang ber-ko-lokasi. Jika obyek awan yang terekam oleh kedua citra tersebut tidak bergeser terlalu jauh akibat dinamika atmosfir ataupun pergeseran paralaks karena sudut perekaman yang berbeda maka pada umumnya akan menghasilkan korelasi yang tinggi. Namun citra yang memiliki ko-lokasi yang baik terkadang sulit untuk diperoleh, sehingga diperlukan proses manipulasi untuk memperbaiki nilai korelasi. Dalam hal ini pendekatan yang digunakan untuk memperbaiki korelasi adalah dengan teknik perataan (averaging) (Maathuis 2006).

Perataan intensitas hujan berdasarkan interval suhu kecerahan

  1. Proses perataan dilakukan pada table silang MTSAT dan TRMM. Proses perataan ini pada prinsipnya adalah memilah (slicing) suhu kecerahan IR1 dalam interval suhu yang sama (misalnya 0,5K atau 1K) dan mereratakan data intensitas hujan yang ada pada kelas interval suhu kecerahan yang bersangkutan. Proses perhitungan rerata data intensitas hujan yang ada pada kelas interval suhu kecerahan ini dilakukan melalui proses agregasi.
  2. Untuk melakukan proses pemilahan ini kita harus membuat sebuah domain baru di ILWIS. Klik pada operation tree, Create à New Domain. Beri masukan nama yang sesuai dan pilih tipe Class dan Group (lihat Gambar 22). Klik Edit à Add Items… (atau tekan tombol Insert) dan masukan Upper Bound (batas atas interval suhu) dan Name-nya. Lakukan hal ini berulang-ulang mulai dari 100K sampai dengan 480K (diharapkan sudah mencakup semua kemungkinan suhu yang ada di citra) dengan interval suhu 1K. Untuk lebih memudahkan anda, file domain kelas suhu ini sudah dibuatkan dan ada pada folder latihan.

Gambar 22. Domain kelas temperature yang digunakan untuk slicing.

 

  1. Buka tabel hasil silang. Klik menu Column à Column Slicing. Masukan colom yang akan dipilah (dalam hal ini kolom IR1x) dan domain yang digunakan untuk memilah. Beri nama keluarannya, seperti yang terlihat pada Gambar 23.

Gambar 23. Proses slicing kolom suhu kecerahan MTSAT menggunakan domain temperature.

 

  1. Proses selanjutnya adalah agregasi kolom yang memuat informasi intensitas hujan berdasarkan kolom hasil pemilahan suhu kecerahan, dengan menggunakan fungsi agregasi rerata. Pada tabel hasil silang klik menu Colums à Aggregation. Pada Column masukan nama kolom yang akan diaggregasi, pilih fungsi agregasinya dimana dalam hal ini adalah fungsi Average (rerata), centang pilihan Group by dan pilih kolom suhu hasil slicing. Hasil proses agregasi ini akan disimpan dalam sebuah tabel baru, untuk itu beri nama tabel keluaran tersebut dan nama kolom yang digunakan untuk menyimpan hasil agregasi-nya (Lihat Gambar 24).

Gambar 24. Proses agregasi kolom hujan berdasarkan kolom temperature hasil slicing.

 

  1. Hasilnya adalah sebuah tabel yang memiliki satu kolom yaitu hujan. Pada tabel ini kita harus menambahkan satu kolom yang berisi suhu kecerahan. Untuk membuat satu kolom baru yang berisi suhu kecerahan tersebut, kita bisa menggunakan perintah khusus yang digunakan untuk membuat kolom baru berdasarkan kolom kunci (key column). Pada command line ketik perintah: temp:=%K.Gunakan nilai default yang disediakan dan klik OK.
  2. Hasilnya akan muncul kolom baru dengan nama temp. Ubahkan domain data kolom temp tersebut dengan cara klik pada nama kolom dan klik kanan à pilih Properties. Gantilah domainya menjadi Value. Hasilnya adalah seperti yang tersaji pada Gambar 25.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Gambar 25. Tabel hubungan hujan dan temperature yang siap digunakan untuk membuat persamaan regresi.

 

  1. Untuk mengetahui nilai korelasi baru hasil proses manipulasi hubungan suhu kecerahan dan intensitas hujan, klik Columns à Statistics. Pilih fungsi Correlation dan masukan nama-nama kolom yang akan dikorelasikan. Hasilnya menunjukkan adanya peningkatan nilai korelasi menjadi -0.715.
  2. Untuk mendapatkan gambarkan bagaimana hubungan antara suhu kecerahan dengan intensitas hujan, maka keduanya dapat ditampilkan dalam bentuk grafik. Klik menu File à Create à Graph. Pilih tabel hasil agregasi, masukan kolom suhu kecerahan sebagai sumbu X dan intensitas hujan sebagai sumbu Y (lihat Gambar 26).

Gambar 26. Menentukan sumbu X dan Y untuk dalam pembuatan grafik.

  1. Lakukan modifikasi pada julat nilai sumbu X dari 250 ke 300 dengan interval nilai 10. Untuk menampilkan grafik regresi, klik menu: Edit à Add Graph à Least Squares Fit. Pilih kolom hujan untuk sumbu X dan suhu kecerahan untuk kolom Y, serta pilih exponential sebagai persamaan regresinya. Hasilnya adalah seperti yang tersaji pada Gambar 27.

Gambar 27. Grafik hubungan estimasi hujan dari TRMM dan suhu permukaan awan dari MTSAT.

 

Membuat persamaan regresi

  1. Dalam proses pembuatan persamaan regresi ini kita membutuhkan bantuan dari dua perangkat lunak yaitu MS Excell dan Curve Expert. Curve Expert adalah perangkat lunak yang khusus digunakan untuk membuat persamaan regresi dengan nilai konstanta yang lebih akurat (lebih banyak digit dibelakang koma). Pada tabel hasil aggregasi klik pada kolom suhu kecerahan à klik kanan à pilih Copy.
  2. Buka MS Excell dan paste pada lembar kerjanya. Lakukan hal yang sama untuk intensitas hujan dan paste-kan pada kolom sebelah kanannya. Untuk mempermudah proses selanjutnya, harap diperhatikan urutan proses copy dan paste ini dimana yang pertama adalah suhu kecerahan, diikuti oleh intensitas hujan dan bukan sebaliknya! Lakukan editing di lembar kerja MS Excell ini yaitu dengan menghapus baris-baris yang tidak memiliki informasi intensitas hujan, termasuk baris antara kelas suhu yang tidak ada informasi intensitas hujannya, jika ada. Jika proses editing sudah selesai, lakukan proses seleksi pada pasangan suhu kecerahan dan intensitas hujan à klik kanan à Copy
  3. Buka Curve Expert à paste-kan pada lembar kerja Curve Expert. Lakukan sedikit editing pada baris terakhir pasangan suhu kecerahan dan intensitas hujan dengan cara menyeleksi baris terakhir tersebut à klik kanan à Cut.

Gambar 28. Hasil plotting data estimasi hujan dari TRMM dan suhu permukaan awan dari MTSAT di Curve Expert.

 

  1. Klik menu: Apply Fit à Exponential Family à Modified Exponential. Hasilnya adalah seperti yang tersaji pada Gambar 29. Selanjutnya klik pada Tombol Info untuk melihat koefisien dari persamaan exponensial tersebut. Seperti terlihat pada gambar 24, persamaan exponensialnya adalah:

y = a*e^b/x

dimana e adalah bilangan natural (2,71828182), dan nilai koefisiennya a = 1.211831E-011 dan b = 6996.8565.

  1. Nilai koefisien inilah yang nantinya akan digunakan untuk mentransformasi citra suhu kecerahan MSAT menjadi citra yang berisi informasi estimasi curah hujan.

Gambar 29. Hasil plotting grafik di Curve Expert.

 

Transformasi suhu kecerahan menjadi curah hujan (waktu tunggal)

  1. Untuk melakukan proses transformasi citra suhu kecerahan MSAT menjadi citra yang berisi informasi estimasi curah hujan, lakukan proses kalkulasi dengan cara mengetikan ekspresi sebagai berikut, pada command line di ILWIS:

Hujan:=iff(PC1=1, 1.211831E-011*2.71828182^(6996.8565/IR1x),0)

  1. Perhatikan bahwa PC1 adalah citra awan yang berpotensi hujan, yang sudah dibuat pada proses sebelumnya. Bentuk pengandaikan yang digunakan disini menunjukan bahwa proses kalkulasi untuk estimasi hujan hanya dilakukan pada pixel yang berpotensi hujan. Untuk pixel yang tidak memiliki nilai (undefined pixel) tidak dilakukan proses perhitungan dan tetap menhasilkan nilai undefined. Hasil kalkulasi tersebut adalah seperti yang terlihat pada Gambar 30.

Gambar 30. Hasil estimasi curah hujan dari data MTSAT.

Transformasi suhu kecerahan MTSAT menjadi curah hujan (runtun waktu)

Proses transformasi yang dilakukan pada tahap sebelumnya adalah untuk satu waktu tertentu, dalam hal ini adalah pada waktu terjadinya kolokasi citra MTSAT dan TRMM. Dalam implementasinya persamaan transformasi ini dapat diterapkan pada satu seri citra runtun waktu (time series) yang valid untuk persamaan transformasi ini. Penjelasan mengenai citra runtun waktu yang valid untuk satu persamaan transformasi adalah seperti yang sudah dijelaskan pada dasar teori.

Sebagai contoh persamaan transformasi diatas adalah valid untuk waktu perekaman MTSAT dari jam 00.00 UTC sampai dengan 21.00 UTC (22 perekaman), sehingga semua citra runtun waktu tersebut dapat ditransformasi menjadi curah hujan dengan menggunakan persamaan transformasi tersebut.

Mengimport citra runtun waktu

  1. Import file HDR menjadi format ILWIS dengan menggunakan fasilitas GDAL. Untuk mempermudah proses import citra runtun waktu ini, kita dapat penggunakan batch processing menggunakan ILWIS script.
  2. Klik pada Operation tree: Create à New Script. Ketik script untuk mengimport file HDR dalam kurun waktu 00.00 UTC sampai dengan 21.00 UTC sebagai berikut:

//import IR1

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712050030IR1′ ‘X200712050030IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712050130IR1′ ‘X200712050130IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712050230IR1′ ‘X200712050230IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712050330IR1′ ‘X200712050330IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712050430IR1′ ‘X200712050430IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712050530IR1′ ‘X200712050530IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712050630IR1′ ‘X200712050630IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712050730IR1′ ‘X200712050730IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712050830IR1′ ‘X200712050830IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712050930IR1′ ‘X200712050930IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712051030IR1′ ‘X200712051030IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712051130IR1′ ‘X200712051130IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712051230IR1′ ‘X200712051230IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712051330IR1′ ‘X200712051330IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712051430IR1′ ‘X200712051430IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712051530IR1′ ‘X200712051530IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712051630IR1′ ‘X200712051630IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712051730IR1′ ‘X200712051730IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712051830IR1′ ‘X200712051830IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712051930IR1′ ‘X200712051930IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712052030IR1′ ‘X200712052030IR1′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712052130IR1′ ‘X200712052130IR1′

//import IR3

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712050030IR3′ ‘X200712050030IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712050130IR3′ ‘X200712050130IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712050230IR3′ ‘X200712050230IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712050330IR3′ ‘X200712050330IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712050430IR3′ ‘X200712050430IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712050530IR3′ ‘X200712050530IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712050630IR3′ ‘X200712050630IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712050730IR3′ ‘X200712050730IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712050830IR3′ ‘X200712050830IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712050930IR3′ ‘X200712050930IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712051030IR3′ ‘X200712051030IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712051130IR3′ ‘X200712051130IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712051230IR3′ ‘X200712051230IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712051330IR3′ ‘X200712051330IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712051430IR3′ ‘X200712051430IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712051530IR3′ ‘X200712051530IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712051630IR3′ ‘X200712051630IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712051730IR3′ ‘X200712051730IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712051830IR3′ ‘X200712051830IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712051930IR3′ ‘X200712051930IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712052030IR3′ ‘X200712052030IR3′

!gdal_translate.exe ‘-of’ ILWIS ‘MTSAT1200712052130IR3′ ‘X200712052130IR3′

  1. Simpan file script tersebut dengan memberikan nama yang sesuai, dan harus disimpan dalam folder yang sama dengan file-file citra yang akan diproses.
  2. Jalankan file script tersebut dengan meng klik tombol Run Script

 

Membuat maplist dan menggunakan Maplist Calculation

Untuk memudahkan pemrosesan file yang bersimpan runtun waktu, terdapat satu fasilias di ILWIS yang dapat digunakan untuk keperluan ini yaitu Maplist Calculation.

  1. Sebelumnya kita harus membuat Maplist dengan cara klik pada Operation tree: Create à New Map List. Dalam hal ini kita akan membuat map list yang berisi kelompok citra band IR satu, sehingga cara yang dilakukan adalah dengan memilih citra-citra dari setiap jam perekaman yang merupakan band IR1. Selanjutnya klik tombol dengan symbol lebih besar (>) dan klik OK. Lihat Gambar 31.

Gambar 31. Proses pembuatan Map List.

  1. Dengan cara yang sama, proses ini dilakukan untuk band IR3.
  2. Harap kembali diingat bahwa citra MTSAT yang diimport dari file HDR masih dalam format Suhu kecerahan dikalikan 100. Sehingga untuk mengubah data menjadi suhu kecerahan dalam Kelvin maka nilai pixelnya harus dibagi dengan 100. Proses perhitungannya dilakukan dengan menggunakan fasilitas Maplist calculation sebagai berikut:
  3. Klik pada Operation tree: Raster Operation à Maplist Calculation.

Gambar 32. Contoh perhitungan map list.

  1. Ganti Input Maplist dengan nilai 1, karena kita hanya akan memproses 1 parameter maplist (ditandai dengan symbol @). Ubah MapList@1 dengan maplist IR1. Tulis ekspresi untuk kalkulasinya dengan: @1/100, yang berarti bahwa nilai pixel semua citra yang ada didalam maplist akan dibagi dengan nilai 100. Masukan Output MapList dengan nama yang sesuai (lihat Gambar 32). Klik Show.
  2. Cara yang sama dilakukan untuk maplist IR3.

Membuat Maplist citra awan yang berpotensi hujan

Pada prinsipnya membuat Maplist citra yang berpotensi hujan memiliki ekspresi yang sama dengan proses membuat citra awan yang berpotensi hujan seperti yang sudah dijelaskan pada bagian terdahulu. Hal yang membedakan adalah dengan digantikannya input citra band tunggal pada proses tersebut dengan maplist, sebagaimana tersaji dalam Gambar 33.

Gambar 33. Contoh perhitungan map list untuk membuat citra awan yang berpotensi hujan.

Melakukan transformasi serial citra MTSAT dengan menggunakan maplist calculation

Untuk melakukan transformasi serial citra MTSAT dengan menggunakan persamaan regresi, cara yang dilakukan adalah dengan merubah variable persamaan regresi dengan parameter maplist (ditandai dengan symbol @) yang bersesuaian. Contoh untuk melakukan transformasi serial citra dengan menggunakan maplist calculation adalah seperti yang terlihat dalam Gambar 34.

Gambar 34. Contoh perhitungan map list untuk transformasi serial citra MTSAT menggunakan persamaan regresi.

Menayangkan grafik pembacaan nilai pixel berdasarkan input dari maplist

Nilai piksel dari citra-citra yang tersimpan dalam satu maplist dapat dibaca secara simultan dan ditayangkan dalam sebuah grafik, seperti yang terlihat dalam Gambar 35.

Gambar 35.

Cara menayangkan grafik tersebut adalah sebagai berikut:

  1. Buka maplist yang ingin ditayangkan grafiknya dengan cara mengklik ganda pada nama file maplist tersebut à buka salah satu citra yang ada di maplist tersebut.
  2. Klik pada Operation tree: Statistics à Maplist à Maplist Graph. Hasilnya adalah sebuah jendela grafik yang masih kosong.
  3. Pada drop down map list, pilihlah maplist yang ingin ditayangkan grafiknya. Lakukan centang pada pilihan Continuous dan Always on Top jika diperlukan. Jika pilihan Continuous dicentang, maka dengan menggerakan cursor diatas salah satu citra anggota maplist yang dibuka, maka akan otomatis tertayang hasil pembacaan nilai pixel pada serial citra dalam maplist dan langsung ditayangkan pada saat itu juga dalam bentuk grafik. Jika kita tidak mencentang pilihan Continuous maka kita harus melakukan klik pada citra untuk dapat menampilkan pembacaan nilai piksel pada posisi yang bersangkutan. Pilihan Always on top adalah jika kita menginginkan posisi jendela grafik selalu diatas jendela-jendela yang lain.

DAFTAR PUSTAKA

Carleton, A. M. (1991). Satellite Remote Sensing in Climatology. London, Belhaven Press.

Kuligowski, R. (2003). “Remote Sensing in Hydrology.”   Retrieved 4 November 2007, from http://www.weather.gov/iao/InternationalHydrologyCourseCD1/1029/wmo_bk.ppt.

 

Levizzani V, A. R., Meneguzzo F (2002). “A review of satellite-based rainfall estimation methods.”   Retrieved 2 May 2008, from http://www.isac.cnr.it/~meteosat/papers/MUSIC-Rep-Sat-Precip-6.1.pdf.

JMA. (2003). “JMA HRIT Mission Specific Implementation.”   Retrieved 20 May, 2008, from http://www.jma.go.jp/jma/jma-eng/satellite/mtsat1r/4.2HRIT_1.pdf.

JAXA. (2002). “TRMM data users handbook.”   Retrieved 12 November 2007, from http://www.eorc.nasda.go.jp/TRMM/document/text/handbook_e.pdf.

Maathuis, B. H. P., A.S.M Gieske, V. Resios, B.V. Leeuwen, C.M. Mannaerts, J.H.M Hendrikse (2006). Meteosat-8: From temperature to rainfall. ISPRS Commission VII Mid-term symposium “Remote sensing: from pixel to processes”, Enschede, The Netherlands.

Strangeways, I. (2007). Precipitation Theory, Measurement and Distribution. Cambridge, Cambridge Univerisity Press.

About these ads

About dwiprab

Tukang Peta

Discussion

No comments yet.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

Follow

Get every new post delivered to your Inbox.

%d bloggers like this: