地球物理学中的卫星图像处理技术
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. 地球物理学中常用的卫星图像类型
Dalam geofisika, beberapa jenis 数据卫星 yang sering dimanfaatkan adalah:
1. Optik multispektral (misalnya Landsat, Sentinel-2)
提供多波长的地表反射率信息。可用于绘制岩性图、蚀变矿物图、植被图（作为土壤状况的间接指标）以及地貌变化图。
2. Termal (misalnya Landsat TIRS, MODIS)
测量地表热辐射以进行热异常分析，例如监测火山、熔岩流或与热液活动相关的地表温度变化。
3. Radar (Synthetic Aperture Radar/SAR: Sentinel-1, ALOS PALSAR)
Mampu menembus awan dan bekerja siang-malam. Sangat penting untuk 结构映射, perubahan permukaan, serta analisis deformasi dengan teknik InSAR.
4. Altimetri dan gravitasi satelit (misalnya CryoSat, GRACE/GRACE-FO)
虽然这些数据并非传统意义上的“图像”，但通常会被处理成地球物理地图，例如水体质量变化、重力异常或冰层厚度变化。
Pemilihan jenis data akan menentukan alur pengolahan yang sesuai, karena karakter noise, resolusi, serta sifat fisis sinyalnya berbeda-beda.
2. 预处理：分析质量的基础
预处理阶段的目的是准备数据，使其适合定量分析，并可以随时间或传感器进行比较。
a. 辐射和大气校正
光学图像记录的是强度，而强度受大气条件（气溶胶、水蒸气）和太阳辐射角度的影响。辐射校正将数字值（DN）转换为具有物理意义的反射率或辐射亮度。大气校正——例如，使用暗目标减法或基于大气模型的方法——有助于获得更精确的地表反射率。在地球物理学中，这一点至关重要，因为光谱值的差异能够真正反映地表物质或条件的差异，而不是大气变化。
b. 几何校正、正射校正和重投影
几何畸变可能由传感器扫描角度、地形和卫星运动引起。正射校正利用数字高程模型 (DEM) 来校正地形起伏的影响，使像素位置与实际坐标一致。这一步骤对于绘制断层、褶皱、岩性边界或需要高空间精度的地表变化至关重要。
c. 遮蔽云层和阴影
在光学影像中，云层是主要的障碍物。掩膜技术利用质量波段（QA波段）、光谱阈值或诸如Fmask之类的算法来识别云层及其阴影。对于热带地区的土地变化研究或地质测绘，通常采用多时相合成策略来“填充”被云层遮蔽的区域。
d. SAR数据的散斑滤波
合成孔径雷达（SAR）图像具有一种称为散斑的特征噪声。各种滤波器（例如 Lee 滤波器、Frost 滤波器和 Gamma-MAP 滤波器）可用于降低散斑噪声，同时又不丢失边缘细节，这对于解释地质构造至关重要。滤波器的选择需要权衡：滤波过度会掩盖线性构造，而滤波不足则会残留噪声。
3. 用于地质解释的图像增强
在构造和岩性测绘中，图像增强旨在突出某些特征，以便于识别。
a. 波段合成和颜色变换
特定波段的RGB合成图像可以突出材料差异。例如，近红外和短波红外波段的组合通常能有效区分岩石类型或蚀变带。去相关拉伸技术也可用于增强波段间的对比度，使细微的变化清晰可见。
b. 锐化和空间变换
高通滤波器或非锐化掩模可以突出边缘和线状构造，这些特征通常与断层或裂缝带相关。此外，纹理分析（例如灰度共生矩阵GLCM）有助于量化表面图案的多样性，这对于区分地貌和岩性单元非常有用。
c. 光谱变换：主成分分析和波段比
Principal Component Analysis (PCA) mereduksi dimensi data multispektral dan menyoroti variasi dominan yang dapat terkait perbedaan geologi. Rasio band (band ratio) sering dipakai dalam 探索 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. 分类和信息提取
图像准备就绪后，下一步就是系统地提取地球物理信息。
a. 监督式和非监督式分类
监督分类（例如，支持向量机、随机森林）需要来自实地或参考图纸的训练数据。非监督分类（例如，k均值聚类、ISODATA算法）则基于光谱相似性对像素进行分组，无需预先标注。在地球物理学中，分类结果有助于绘制地表岩性、沉积物分布、热液蚀变带或与构造过程相关的地貌单元图。
b. 分割和基于对象的图像分析（OBIA）
面向对象图像分析（OBIA）根据光谱和形状将像素分组为对象，然后对其进行分类。这种方法通常更适用于高分辨率图像，因为地质构造（例如线状构造、冲积扇或水系模式）作为对象比作为单个像素更有意义。
c. 线状构造提取
线状构造是代表断层、裂缝或岩性接触面的线性特征。提取技术包括边缘检测（Canny、Sobel）、霍夫变换和方向滤波。线状构造图可以与其他地球物理数据（例如磁异常或地震数据）进行比较，以解释地下构造。
5. 用于地表形变的干涉合成孔径雷达（InSAR）
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:
–同震形变和震后形变，
火山引发的通货膨胀/通货紧缩
– penurunan tanah akibat ekstraksi air tanah,
– 边坡稳定性和滑坡。
InSAR处理包括图像配准、干涉图生成、地形相位降维（利用数字高程模型）、相位滤波、相位展开和大气校正。诸如PSInSAR或SBAS之类的时间序列技术通过分析长时间内的多幅图像来提高精度。
6. 与其他地球物理数据的整合及现场验证
卫星图像很少单独使用。它的最大价值体现在与其他地球物理数据结合使用时，例如：
– 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.
实地验证仍然很重要，特别是要确认岩性解释、确认活动断层和采集样本。
7. 发展的挑战和方向
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, 整合数据 satelit optik, SAR, termal, dan geofisika klasik akan semakin memperkuat kemampuan pemantauan proses dinamik Bumi secara hampir real-time.
关闭
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 资源, serta mitigasi bencana. Kunci keberhasilan terletak pada pemilihan data yang sesuai, pengolahan yang teliti, integrasi multi-sumber, dan verifikasi lapangan yang memadai.
