Satellittbildebehandlingsteknikker i geofysikk
Penginderaan jauh berbasis satelit telah menjadi salah satu tulang punggung penting dalam penelitian dan aplikasi geofisika modern. Melalui citra satelit, geofisikawan dapat mengamati permukaan Bumi secara luas, periodik, dan konsisten—mulai dari karakteristik geologi, dinamika tektonik, perubahan garis pantai, hingga deformasi permukaan akibat gempa atau aktivitas vulkanik. Namun, citra satelit tidak serta-merta siap digunakan. Diperlukan serangkaian teknik pengolahan untuk meningkatkan kualitas data, mengekstrak informasi geofisika yang relevan, sekaligus meminimalkan gangguan seperti awan, noise, atau distorsi geometrik. Artikel ini membahas teknik-teknik utama pengolahan citra satelit dalam konteks geofisika, dari tahap praproses sampai analisis lanjutan.
1. Typer satellittbilder som vanligvis brukes i geofysikk
Dalam geofisika, beberapa jenis datasatellitt yang sering dimanfaatkan adalah:
1. Optik multispektral (misalnya Landsat, Sentinel-2)
Gir informasjon om overflatereflektans ved flere bølgelengder. Nyttig for kartlegging av litologi, alterasjonsmineraler, vegetasjon (som en indirekte indikator på jordforhold) og landskapsendringer.
2. Termal (misalnya Landsat TIRS, MODIS)
Måling av overflatevarmeutslipp for analyse av termiske anomalier, for eksempel overvåking av vulkaner, lavastrømmer eller endringer i overflatetemperatur relatert til hydrotermisk aktivitet.
3. Radar (Synthetic Aperture Radar/SAR: Sentinel-1, ALOS PALSAR)
Mampu menembus awan dan bekerja siang-malam. Sangat penting untuk strukturell kartlegging, perubahan permukaan, serta analisis deformasi dengan teknik InSAR.
4. Altimetri dan gravitasi satelit (misalnya CryoSat, GRACE/GRACE-FO)
Selv om det ikke er «bilder» i konvensjonell visuell forstand, blir disse dataene ofte bearbeidet til geofysiske kart, som endringer i vannmasse, gravitasjonsavvik eller endringer i istykkelse.
Pemilihan jenis data akan menentukan alur pengolahan yang sesuai, karena karakter noise, resolusi, serta sifat fisis sinyalnya berbeda-beda.
2. Forbehandling: grunnlaget for analysekvalitet
Forbehandlingsfasen har som mål å forberede dataene slik at de er egnet for kvantitativ analyse og kan sammenlignes over tid eller mellom sensorer.
a. Radiometriske og atmosfæriske korreksjoner
Optiske bilder registrerer intensitet, som påvirkes av atmosfæriske forhold (aerosoler, vanndamp) og vinkelen på solstrålingen. Radiometrisk korreksjon konverterer digitale verdier (DN) til fysisk meningsfull reflektans eller radians. Atmosfærisk korreksjon – for eksempel bruk av Dark Object Subtraction-metoden eller atmosfæriske modellbaserte tilnærminger – bidrar til å produsere mer nøyaktig overflatereflektans. I geofysikk er dette avgjørende slik at forskjeller i spektralverdier virkelig gjenspeiler forskjeller i overflatemateriale eller -forhold, snarere enn atmosfæriske endringer.
b. Geometrisk korreksjon, ortorektifikasjon og reprojeksjon
Geometrisk forvrengning kan oppstå fra sensorskanningsvinkler, topografi og satellittbevegelse. Ortorektifikasjon bruker en digital elevasjonsmodell (DEM) for å korrigere for relieffeffekter slik at pikselposisjoner stemmer overens med faktiske koordinater. Dette trinnet er avgjørende for å kartlegge forkastninger, folder, litologiske grenser eller overflateendringer som krever høy romlig nøyaktighet.
c. Maskering av skyer og skygger
I optiske bilder er skyer en stor hindring. Maskeringsteknikker bruker kvalitetsbånd (QA-bånd), spektrale terskler eller algoritmer som Fmask for å identifisere skyer og deres skygger. For studier av landendringer eller geologisk kartlegging i tropiske regioner brukes ofte multitemporale komposisjonsstrategier for å "fylle ut" skydekkede områder.
d. Flekkfiltrering for SAR-data
SAR-bilder har en karakteristisk støy som kalles flekkdannelse. Ulike filtre (Lee, Frost, Gamma-MAP) brukes til å redusere flekkdannelse uten å eliminere kantdetaljer, noe som er viktig for å tolke geologiske strukturer. Filtervalg krever en balanse: for aggressivt vil skjule lineamentet, mens for svakt vil etterlate støy.
3. Bildeforbedring for geologisk tolkning
I strukturell og litologisk kartlegging har bildeforbedring som mål å fremheve visse funksjoner slik at de lett blir gjenkjent.
a. Båndkompositt og fargetransformasjon
RGB-kompositter av spesifikke bånd kan fremheve materialforskjeller. For eksempel er en kombinasjon av nær-infrarøde og kortbølgede infrarøde bånd ofte effektiv for å skille mellom bergarter eller endringssoner. Dekorrelasjonsstrekkteknikker brukes også for å forbedre kontrasten mellom bånd, slik at subtile variasjoner blir synlige.
b. Skarping og romlig transformasjon
Et høypassfilter eller uskarp maskering kan fremheve kanter og lineamenter, som ofte er assosiert med forkastnings- eller bruddsoner. I tillegg bidrar teksturanalyse (f.eks. GLCM – Gray Level Co-occurrence Matrix) til å kvantifisere mangfoldet av overflatemønstre, noe som er nyttig for å skille mellom geomorfologiske og litologiske enheter.
c. Spektral transformasjon: PCA og båndforhold
Principal Component Analysis (PCA) mereduksi dimensi data multispektral dan menyoroti variasi dominan yang dapat terkait perbedaan geologi. Rasio band (band ratio) sering dipakai dalam eksplorasjon mineral karena beberapa mineral memiliki ciri serapan pada panjang gelombang tertentu. Dalam geofisika terapan, rasio band dapat menjadi petunjuk awal zona prospek sebelum survei lapangan atau geofisika detail.
4. Klassifisering og informasjonsutvinning
Når bildet er klart, er neste trinn å systematisk trekke ut den geofysiske informasjonen.
a. Overvåket og uovervåket klassifisering
Overvåket klassifisering (f.eks. SVM, Random Forest) krever treningsdata fra felten eller et referansekart. Uovervåket klassifisering (k-means, ISODATA) grupperer piksler basert på spektral likhet uten forutgående merking. Innen geofysikk kan klassifiseringsresultater hjelpe til med å kartlegge overflatelitologi, sedimentfordeling, hydrotermiske endringssoner eller geomorfologiske enheter relatert til tektoniske prosesser.
b. Segmentering og objektbasert bildeanalyse (OBIA)
OBIA grupperer piksler i objekter basert på spektral og form, og klassifiserer dem deretter. Denne metoden er ofte bedre for bilder med høy oppløsning fordi geologiske strukturer – som lineamenter, alluviale vifter eller dreneringsmønstre – er mer meningsfulle som objekter enn enkeltpiksler.
c. Lineamentutvinning
Lineamenter er lineære trekk som kan representere forkastninger, sprekker eller litologiske kontakter. Ekstraksjonsteknikker inkluderer kantdeteksjon (Canny, Sobel), Hough-transformasjonen og retningsfiltrering. Lineamentkart kan deretter sammenlignes med andre geofysiske data, for eksempel magnetiske anomalier eller seismiske data, for å tolke strukturer i undergrunnen.
5. Interferometri SAR (InSAR) for overflatedeformasjon
Salah satu kontribusi terbesar citra satelit bagi geofisika adalah InSAR , yang memanfaatkan perbedaan fase gelombang radar dari dua atau lebih akuisisi untuk menghitung perubahan jarak satelit–permukaan. Dengan InSAR, deformasi beberapa sentimeter hingga milimeter dapat dipetakan pada area luas untuk:
– ko-seismisk og post-seismisk deformasjon,
– vulkansk inflasjon/deflasjon,
– penurunan tanah akibat ekstraksi air tanah,
– skråningsstabilitet og jordskred.
InSAR-prosessering involverer bildesamregistrering, interferogramdannelse, topografisk fasereduksjon (ved bruk av DEM), fasefiltrering, utpakking og atmosfærisk korreksjon. Tidsserieteknikker som PSInSAR eller SBAS forbedrer nøyaktigheten ved å analysere flere bilder over en lengre periode.
6. Integrasjon med andre geofysiske data og feltvalidering
Satellittbilder står sjelden alene. Deres største verdi oppstår når de kombineres med andre geofysiske data, som for eksempel:
– magnetik dan gravitasi untuk menduga struktur dan densitas bawah permukaan,
– seismik untuk geometri lapisan dan sesar,
– geokimia untuk verifikasi alterasi,
– GPS dan leveling untuk validasi deformasi hasil InSAR.
Feltvalidering er fortsatt viktig, spesielt for å bekrefte litologiske tolkninger, bekrefte aktive forkastninger og ta prøver.
7. Utfordringer og utviklingsretninger
Beberapa tantangan utama pengolahan citra satelit dalam geofisika meliputi heterogenitas topografi, tutupan awan, perbedaan karakter sensor, serta kebutuhan komputasi untuk data besar. Namun, perkembangan komputasi awan dan platform seperti Google Earth Engine, serta kemajuan machine learning dan deep learning, mempercepat pengolahan multi-temporal dan multi-sensor. Ke depan, integrasjonsdata satelit optik, SAR, termal, dan geofisika klasik akan semakin memperkuat kemampuan pemantauan proses dinamik Bumi secara hampir real-time.
Lukking
Teknik pengolahan citra satelit dalam geofisika mencakup praproses (koreksi radiometrik, geometrik, filtering), peningkatan citra, klasifikasi dan ekstraksi fitur, hingga analisis lanjutan seperti InSAR untuk deformasi permukaan. Dengan pendekatan yang tepat, citra satelit menjadi alat yang sangat efektif untuk memahami proses geologi dan geodinamika, mendukung eksplorasi ressurs, serta mitigasi bencana. Kunci keberhasilan terletak pada pemilihan data yang sesuai, pengolahan yang teliti, integrasi multi-sumber, dan verifikasi lapangan yang memadai.
