Ketidakpastian dalam Penginderaan Jauh Ocean-Color

Ketidakpastian dalam Penginderaan Jauh Ocean-Color

 

Asmadin1)

1)Tenaga Pengajar Fakultas Perikanan dan Ilmu Kelautan Universitas Haluoleo Kendari; Mahasiswa Program Doktor Teknologi Kelautan IPB Bogor

Abstrak

 Paper ini bertujuan untuk menguraikan permasalahan ketidakpastian dalam penginderaan jauh ocean color. Ketidakpastian dalam pengukuran penginderaan jauh bersumber dari ketidakpastian dalam pengukuran-pengukuran in situ, Rrs, C, IOP, pengukuran satelit (LWN), dan hubungan fungsional yang menghubungkan Lwn dan IOP serta model atau algoritma yang digunakan untuk menghasilkan data olahan penginderaan jauh ocean color. Instrumen pengukuran in-situ penting dikalibrasi ketika akan digunakan untuk memperbaiki presisi, akurasi dan mengurangi ketidakpastian. Beberapa metode pengukuran ketidakpastian dapat dikembangkan menggunakan empirical algorithm, semi analytical model, quasi analytical algorithm dan probabilistik neural network.

 Kata Kunci: Ketidakpastian, Penginderaan Jauh, Algoritma, Ocean Color

 

 

1. Pendahuluan

Ketidakpastian pengukuran adalah parameter yang berhubungan dengan hasil pengukuran, yang mencirikan dispersi dari nilai-nilai yang cukup bisa dikaitkan dengan besaran ukur. Ketidakpastian adalah produk data, mereka dinilai secara kuantitatif, mereka harus menjadi bagian dari struktur manajemen data (Johnson 2010). Di dalam penginderaan jauh ketidakpastian produk data dikenal akurasi secara obyektif, dan penekanannya dapat dinyatakan sebagai kesalahan mendefiniskan ketidakpastian yang tidak akurat (Hunter dan Goodchild, 1993). Ketidakpastian mencakup lebih luas berbagai keraguan atau inkonsistensi. Tanpa kuantifikasi dalam sistem penginderaan jauh dan GIS, keandalan hasil apapun yang dihasilkan tetap bermasalah untuk menilai dan sulit untuk mengkomunikasikannya dengan pengguna (Gahegan dan Ehlers 2000). Hal ini merupakan masalah yang serius; tanpa kuantifikasi ketidakpastian, hasil itu sendiri hanya dapat dianggap sebagai informasi kualitatif, dan sangat mengurangi nilai ilmiah dan arti praktisnya. Pendekatan terpadu untuk mengelola informasi geografis diperlukan dukungan berbagai jenis data (Ehlers et al. 1991), dikumpulkan berdasarkan model yang berbeda dari ruang geografis (Goodchild, 1992), masing-masing jenis memiliki kesalahan yang melekat dan ketidakpastian (Chrisman, 1991). Menurut Gahegan dan Ehlers (2000) diperlukan metode untuk melacak ketidakpastian secara eksplisit, seperti objek yang berbeda dan tema dari data citra penginderaan jauh yang berubah dari tingkat rendah ke abstraksi tingkat yang lebih tinggi yang diperlukan oleh kartografi dan GIS. Satu susunan data tertentu dianggap tepat diberikan tergantung kriteria dan banyaknya sumber data yang berbeda, dan berbagai aspek ketidakpastian dapat diukur secara obyektif.

Data penginderaan jauh ocean color dan inversi in situ umumnya didistribusikan atau dilaporkan tanpa memperkirakan ketidakpastiannya. Keakuratan data inversi seperti pengukuran normalized living radiance (LWN), spectral radiance (Rrs), Chlorofil-a (Chl-a), dan Inherent Optical Properties (IOP) sering dievaluasi melalui pengukuran in situ,  analisis tidak selalu cukup untuk menentukan tingkat ketidakpastian dari produk ocean color. Hal ini terutama berlaku untuk data penginderaan jauh dimana match-up analysis hanya dapat dilakukan untuk sebagian kecil dari sensor ini (McClain et al. 2000; Http://seabass.gsfc.nasa.gov/matchup_results.html). Boss dan Maritorena (2006) menyatakan pula bahwa match-up analysis tidak dapat mengestimasi bagaimana ketidakpastian ocean color bervariasi dengan waktu dan/atau ruang. Selain itu ketidakpastian data input bervariasi dalam ruang dan waktu, ketidakpastian output tidak dapat dilaporkan hanya sebagai nilai global sendiri, kecuali untuk batasan umum, contohnya normalized water leaving radiance, LWN. Beberapa produk ocean color banyak digunakan sebagai input untuk model lain, pengaturan ketidakpastian tidak benar dibentuk tanpa pengetahuan tentang ketidakpastian yang terkait dengan data input, misalnya menghitung produksi primer atau asimilasi karbon fitoplankton ke dalam model ekosistem.

Hunter dan Goodchild (1996) menyatakan bahwa terdapat tiga tujuan utama pemodelan ketidakpastian, yaitu: (i) menghasilkan pernyataan ketidakpastian terkait dengan masing-masing susunan data, sehingga pernyataan tujuan keandalan dapat dilaporkan, (ii) mengembangkan metode propagasi ketidakpastian data yang diolah dan ditransformasikan, dan (iii) menentukan kesesuaian data yang ditetapkan untuk ‘fitness for use’. Demikian pentingnya ketidakpastian dan produk LWN secara spasial dan temporal membatasi penyusunan paper ini.  Paper ini membahas berbagai sumber ketidakpastian ocean color, model konseptual, dan hubungan fungsional didalamnya.

2. Sumber-sumber Ketidakpastian

2.1. Ketidakpastian dalam Pengukuran-pengukuran in situ

Ketidakpastian pengukuran in-situ bersumber dari pengukuran LWN, Rrs, Chl-a, dan IOP. Data-data tersebut digunakan sebagai data hasil, pengembangan dan validasi algoritma atau sering dianggap sebagai “referensi” data yang dibandingkan dengan data satelit. Data tersebut mengandung tingkat ketidakpastian yang signifikan disebabkan oleh faktor-faktor eksperimental dan berbagai lingkungan. Calibration, dark signal, data processing, deployment strategy, keadaan laut dan langit semuanya mengandung ketidakpastian dalam pengukuran radiometrik (Siegel et al., 1995;. Hooker dan Maritorena, 2000; Hooker et al., 2001). Kalibrasi rutin dan ketat, dan karakterisasi instrumen yang baik merupakan kunci untuk meminimalkan ketidakpastian dalam pengukuran in-situ (Mueller dan Austin. 1995). Pengukuran variabel biogeokimia sendiri sulit dan menimbulkan ketidakpastian (Mitchell et al. 2000; Van Heukelem et al. 2002; Claustre et al. 2004). Boss dan Maritorena (2006) menyatakan bahwa sebagian besar susunan data seaBASS umumnya tidak mengandung informasi mengenai perkiraan ketidakpastian berbagai variabel seperti perbedaan antara pengukuran Chl-a dan pembacaan radiometer melalui variabilitas periode sampling dan kalibrasinya. Ketidakpastian data in situ asumsinya kecil daripada ketidakpastian variabilitas spasial/temporal suatu variabel.

Ketidakpastian lain muncul dari fakta bahwa pencocokan data lapangan biasanya mencirikan wilayah sekitar 1-10 m, sedangkan skala spasial satelit antara 100-1000 m. Ketidakcocokan lingkungan ini dalam skala ketidakpastian sering sulit untuk dihitung, termasuk pengukuran satelit terhadap rata-rata bobot kolom perairan atau water column (Gordon dan Clark, 1980; Sathyendranath dan Platt, 1989; Zaneveld et al, 2005a), sedangkan dalam pengukuran in-situ biasanya dari kedalaman diskrit. Oleh karena itu, untuk perairan yang secara vertikal homogen, ketidakpastian muncul ketika keduanya dibandingkan satu sama lain. Beberapa wahana pengambilan sampel seperti on-line sampling diantaranya dari glider, dan autonomous underwater vehicle (AUV) akan menghasilkan pendekatan dalam mengukur ketidakpastian ini (Boss dan Maritorena 2006).

Johnson (2010) menyatakan bahwa keakuratan diperlukan pengukuran untuk menentukan spesifikasi dan definisi besaran ukur. Hal ini harus didefinisikan dengan kelengkapan yang memadai, sehingga tujuan nilai praktisnya spesifik, misalnya presisi pengukuran yang ditentukan dalam konteks besarnya komponen ketidakpastian yang timbul dari variabilitas acak dan efek sistematis.
contohnya persyaratan ocean color vic/cal Lw 5% in-situ dan standar ketidakpastian relatif pada 490 nm untuk pengamatan saat cerah, perairan laut terbuka dengan atmosfer laut yang stabil. Integrasi cakupan jangka pendek stabilitas 1 menit dari 1 bagian 50.000 dan melayang <0,1% per jam kompatibel dengan tujuan akurasi 1%. Selanjutnya dengan menggunakan pengukuran Filter radiometer yang mengintegrasikan random error kontribusinya terhadap scatter dan systematic error tergantung degradasi waktu yang menunjukkan kecenderungan pemakaian filter radiometer (Gambar 1) dan penilaian berdasarkan distribusi frekuensi dan tidak berarti bahwa kontribusi pengaruh acak menunjukkan hanya metode evaluasi (Gambar 2).

Gambar 1.      Kecenderungan Radiometer mengalami degradasi berdasarkan waktu pemakaian

Gambar 2.   Kecenderungan Radiometer mengalami degradasi berdasarkan waktu pemakaian

Pada Gambar 2 diatas, menurut Johnson (2010) bahwa saat interpolasi data digunakan dalam prosedur statistik untuk mendapatkan variasi dan covariances parameter, menggunakan prinsip yang sama seperti menentukan standar ketidakpastian gabungan. Beberapa hal yang mungkin menyebabkan hubungan antara variabel-variabel acak yang berbeda diantaranya posisi matahari, kondisi awan di langit (misalnya, awan cirrus atau variabel atmosfir), pergerakan dekat daratan, variabilitas alami berlangsung cepat, laut (gelembung, efek dari angin, gelombang), standar acuan (misalnya, target pantul), gelombang fokus, pengaruh kedalaman, termasuk kemiringan Tilt (sudut pandang) melalui distribusi cahaya instrument BRDF.

 

2.2. Ketidakpastian dalam pengukuran satelit

Berbagai sumber kesalahan acak dan sistematik dari satelit berkontribusi terhadap perbedaan pendapat antara pengukuran LWN dan nilai sebenarnya. Menurut Boss dan Maritorena (2006) bahwa ketidakpastian LWN dikenal melalui berbagai faktor, seperti pra-peluncuran karakterisasi sensor, koreksi atmosfer dan bi-directional, dan pemantauan perubahan kinerja sensor. Kesalahan dalam geo-lokasi, kontaminasi dengan cahaya yang berasal dari piksel yang berdekatan atau faktor-faktor lain seperti white caps juga dapat menambah ketidakpastian ini. Kalibrasi/validasi dari masing-masing misi ocean color dirancang untuk menilai, menghapus bias dan meminimalkan besarnya ketidakpastian. Karakteristik sebelum peluncuran (prelaunch) dan saat mengorbit (on-orbit) dari berbagai karakterisasi sensor misalnya, pengukuran refleksi cahaya matahari dan/atau bulan dengan kalibrasi lapang buoy MOBY dan analisis pencocokan merupakan prosedur utama untuk mengukur ketidakpastian LWN.

Boss dan Maritorena (2006) menyatakan bahwa ketidakpastian LWN diketahui dan didokumentasikan, ketidakpastian dalam koreksi atmosfer masih mendominasi kesalahan LWN di perairan pesisir. Oleh karena itu, kalibrasi/validasi dan pengurangan ketidakpastian LWN harus menjadi salah satu tugas utama dari penyediaan data ocean color dan harus bisa meminimalkannnya untuk berbagai misi lembaga antariksa. Menurut Johnson (2010), bahwa berdasarkan distribusi apriori menunjukkan efek sistematis hanya pada metode evaluasi ketidakpastian spectral radiance sebagaimana disajikan pada Tabel 1 dibawah ini.

 

Tabel 1. Sumber ketidakpastian pengukuran

Source of Uncertainty

Relative expanded uncertainties (%) (k=2)

300 400 500 600 700 800 900 1000
Blackbody quality 0.12 0.07 0.03 0.01 0.00 0.01 0.03 0.04
Calibration of pyrometer lamp. 0.33 0.27 0.22 0.18 0.15 0.12 0.11 0.10
BB temperature determination and transfer to lamp. 1.02 0.21 0.36 0.16 0.37 0.31 0.31 0.55
Wavelength accuracy 0.12 0.10 0.07 0.06 0.05 0.04 0.04 0.03
Unc. For NPR (4 lamps)(k=2) 0.58 0.46 0.37 0.30 0.27 0.24 0.20 0.19

2.3.   Ketidakpastian hubungan fungsional antara Lwn, IOP dan prosedur inverse

 

Ketidakpastian yang berasal dari inversi LWN merugikan level analisis selanjutnya. Berbagai jenis algoritma dapat dirancang untuk menghasilkan ketidakpastian ocean color, membedakan antara algoritma inversi empiris dan semi-analitis serta beberapa pendekatan yang lainnya.

 

2.3.1 Raihan ketidakpastian hasil berdasarkan empirical algorithm

Algoritma empirik dikembangkan dari susunan data radiometri in-situ dan hasil yang diturunkan misalnya klorofil-a dan particulate organic carbon (POC) dikumpulkan di laut, di tempat yang sama dan dalam jangka waktu singkat (Boss dan Maritorena 2006). Untuk mendapatkan fungsi ‘best-fit‘ antara dua variabel dan menentukan formulasi yang menghubungkan dua kuantitas dapat menggunakan analisis regresi (Press et al. 1992 dan Laws 1997). Analisis regresi relevan dengan pembahasan ketidakpastian, karena metode regresi bekerja dibawah asumsi yang berbeda tentang ketidakpastian data. Terdapat dua tipe regresi, yaitu tipe regresi I paling sering digunakan dan didasarkan asumsi bahwa hanya variabel terikat, yaitu produk, y yang memiliki ketidakpastian, sementara variabel bebas berupa data input, x bebas salah (Laws 1997). Ketidakpastian individu dalam input data tidak diperhitungkan dan secara umum diasumsikan bahwa kesalahan relatif dalam variabel konstan pada Tipe-I regresi. Sebaliknya, tipe  regresi II mengasumsikan bahwa kedua variabel memiliki ketidakpastian dan lebih baik disesuaikan untuk ocean color dimana substansi ketidakpastian sering ada dalam variabel terikat, seperti rasio reflektansi klorofil.

Algoritma empirik baik digunakan untuk memproses data tersebut, dan bagaimana data yang ada mewakili lingkungan atau wilayah bio-optik dimana algoritma diterapkan. Susunan data in-situ sering bias secara geografis dan musim, karena kendala waktu dan lokasi oceanic cruise itu sendiri (Claustre dan Maritorena, 2003).

Boss dan Maritorena (2006) menyatakan bahwa susunan data validasi yang digunakan dalam pengembangan dari suatu algoritma ocean color memiliki informasi lengkap lokasi, waktu data dikumpulkan dan kualitas ketidakpastiannya. Kumpulan data menentukan tipe perairan dimana algoritma dapat diterapkan secara geografis dan temporal, sedangkan ketidakpastian produk membutuhkan informasi mengenai ketidakpastian input data. Penyebaran data produk y berhubungan  dengan “rata-rata” hasil algoritma empirik. Informasi ketidakpastian diharapkan di setiap nilai data input x diberikan untuk beberapa derajat. Hal ini hanya mewakili ketidakpastian terkait dengan susunan data yang digunakan dalam regresi dan tidak dapat digeneralisasi kecuali kumpulan data sepenuhnya mencakup semua variabilitas alami yang ada untuk tipe perairan. Idealnya bahwa untuk mengevaluasi ketidakpastian algoritma empiris membutuhkan data yang berbeda dari yang ditetapkan algoritma yang dikembangkan; perbedaan statistik antara kebalikan hasil dan hasil terukur dalam susunan data input digunakan untuk mengevaluasi ketidakpastian hasil tersebut. Selain itu, analisis propagasi ketidakpastian mengevaluasi pengaruh output ketidakpastian LWN ada/tidak ada merupakan sumber penting ketidakpastian hasil misalnya, ketidakpastian relatif LWN 5% pada 440 dan 555 nm mempengaruhi IOP yang diambil.

Ketidakpastian ditentukan dari pendekatan statistik dalam kasus berbasis algoritma neural network (Boss dan Maritorena 2006). Aires et al. (2004) memberikan contoh pendekatan yang berasal dari penginderaan jauh selain ocean color menggunakan teknik Bayesian untuk mengevaluasi ketidakpastian parameter neural network yang kemudian digunakan untuk menghitung ketidakpastian output.

Cara lain untuk menentukan apakah spektrum reflektansi diukur berada dalam domain model bio-optik untuk mensimulasikan spektrum reflektansi yang pada gilirannya digunakan untuk melatih algoritma neural network yang dikembangkan Medium Resolution Imaging Spectrometer (MERIS) (Doerffer dan Schiller, 2000; Krasnopolsky dan Schiller, 2003). Jaringan pertama, dilatih menentukan konsentrasi delapan kanal MERIS bersama-sama dengan sudut zenith matahari dan melihat dan perbedaan antara azimut dan arah matahari. Jaringan kedua, jaringan umpan maju (forward network) dilatih dengan susunan data konsentrasi yang sama diturunkan sebagai masukan dan menghasilkan reflectance. Dengan menggunakan Chi2 deviasi terhadap kedelapan kanal antara spektrum yang diukur dan dihitung, kemudian dijadikan indikator untuk melihat apakah spektrum yang diukur berada dalam kisaran pelatihan, dan dalam lingkup algoritma (Sokal dan Rohlf, 1981). Dalam kasus ground segment MERIS, masukan dinaikkan setiap kali deviasi Chi2 melebihi ambang batas tertentu. Nilai Chi2 juga dapat digunakan sebagai ukuran ketidakpastian (Boss dan Maritorena 2006). Schiller dan Doerffer (2005) mengembangkan suatu teknik penggabungan neural network dengan prosedur optimasi untuk memperkirakan ketidakpastian suatu produk secara pixel-by-pixel.

 

2.3.2 Raihan ketidakpastian hasil berdasarkan semi-analytical models

Raihan ketidakpastian hasil model atau algoritma semi-analitis didasarkan pada premis hubungan yang berasal dari teori radiasi-transfer antara LWN atau fungsinya dan IOP (umumnya koefisien absorpsi a, dan backscattering, bb,). Model ini mengandung beberapa tingkat empirisme dalam pendekatan parameter IOP, yaitu bagaimana variasi dan bentuk spektral dirumuskan dan menggunakan asumsi yang disederhanakan untuk beberapa komponennya. Inversi dari model semi-analitis umumnya mengikuti pengambilan simultan dari beberapa variabel yang terkandung dalam istilah IOP. Model semi-analitis seperti algoritma empiris dipengaruhi oleh ketidakpastian LWN dan hubungan yang dipilih antara LWN dan IOP, dan ketidakpastian dari asumsi yang digunakan dalam formulasinya.

Analisis sensitivitas sering digunakan untuk menilai bagaimana asumsi menggambarkan penentuan komponen dari model mempengaruhi suatu perbaikan (Roesler dan Perry, 1995; Hoge dan Lyon, 1996; Garver dan Siegel, 1997). Menurut Boss dan Maritorena (2006) bahwa meskipun berguna pendekatan ini tidak menentukan ketidakpastian hasil berdasarkan case-by-case atau pixel-by-pixel, melainkan mengestimasi ketidakpastian umum. Dua metode inversi model semi-analitis menggunakan data ocean color yang dapat memperkirakan ketidakpastian hasil berdasarkan kasus per kasus. Model pertama adalah adaptasi non-linear dari perhitungan interval kepercayaan regresi linier (Maritorena dan Siegel, 2005). Metode ini didasarkan pada proyeksi antara yang diamati dan direkonstruksi dari variabel terbalikdalam pemecahan LWN, yaitu variabel diambil (Bates dan Watts, 1988).

Model lain, yaitu menghitung ketidakpastian variabel diambil (Wang et al. 2005). Masing-masing variabel yang diambil dalam pendekatan ini menurut Boss dan Maritorena (2006) memiliki bentuk spektral standar dan model terbalik untuk setiap kemungkinan kombinasi bentuk-bentuk spektral dalam susunan ekstensi dari solusi yang mungkin. Hasil ini kemudian difilter supaya “realistis” menghasilkan spektrum masukan LWN yang erat dengan perbedaan yang sebelumnya digambarkan ketidakpastian LWN dan ketidakpastian teoritis antara LWN dan IOP. Nilai akhir untuk setiap produk inversi dan ketidakpastian diperoleh nilai median dan persentil statistik subset solusi yang dapat diterima. Langkah-langkah kunci dalam pendekatan ini merupakan pilihan dari kriteria solusi (misalnya, apa perbedaan antara yang diamati LWN dan direkonstruksi IOP) dan pilihan rentang dalam bentuk rentang yang mungkin untuk spektrum masing-masing individu IOP. Kedua metode diatas tidak menghasilkan jenis ketidakpastian sama dan tidak sebanding secara langsung. Kedua pendekatan memiliki kelebihan dan kelemahan, pendekatan Maritorena dan Siegel (2005) selalu memperbaiki nilai selang kepercayaan dari produk yang diambil, karena perhitungan tidak tergantung pada kriteria spektral, tetapi pada jumlah bobot jika diketahui dari ketidakpastian spektral dari data input. Pendekatan ini tidak memperhitungkan ketidakpastian yang disebabkan oleh asumsi model. Pendekatan Wang et al. (2005) menunjukkan bahwa ketidakpastian model dan data termasuk kriteria spektral, serta inversi mungkin gagal menemukan solusi kriteria ini. Meskipun menggunakan teknik inversi matriks linier yang efisien (Hoge dan Lyon 1996), metode Wang et al. (2005) juga memiliki kemampuan komputasional lebih, yaitu kemampuan komputasi meningkat dengan jumlah kombinasi berbagai bentuk IOP.

2.3.3 Data perhitungan ketidakpastian IOP yang diturunkan dari Quasi-Analytical Algorithm

 Lee et. al (2010) menyatakan bahwa idealnya data yang diukur bebas dari kesalahan lapangan digunakan untuk menurunkan dan mengukur ketidakpastian dari algoritma-produk turunan. Ketika kesalahan susunan data digunakan, sulit untuk menetapkan perbedaan antara output algoritma dan pengukuran kesalahan algoritma atau kesalahan pengukuran, karena tidak ada data yang bebas dari kesalahan diatur dari pengukuran lapangan. Salah satu pendekatan yang dilakukan adalah mengisolasi dan mengevaluasi ketidakpastian melalui algoritma dengan melakukan simulasi susunan data variabilitas alami yang diwakili IOP dan Rrs sebagaimana hasilnya disajikan pada Gambar 3, seperti halnya juga dikembangkan IOCCG (2006).

Gambar 3.      Simulasi contoh sifat optik di 440 dan 555nm : (a) koefisien penyerapan, dan (b) remote-sensing reflektansi (bawah permukaan).

Sebagai perbandingan dari Gambar 4 diatas ditampilkan atau diplot juga nilai-nilai yang sesuai dari susunan data NOMAD hasil penelitian Werdell and Bailey (2005). Lee et. al (2010) menyatakan bahwa terdapat koefisien absorpsi 915 untuk NOMAD, koefisien reflektansi 984, dan nilai susunan data simulasi 46.200. Nilai-nilai Rrs NOMAD yang dikonversi dari atas permukaan remote sensing reflektansi (Rrs) dengan rrs = Rrs / (0.52 + 1.72 Rrs).

Gambar 4.      Hubungan antara ketidakpastian relative α(440) [Δα(440)/α(440)QAA,red] dan turunan QAA α(440) termasuk Δα(550) (blue) and Δη (green) masing-masing dengan ketidakpastian relatif.

Berdasarkan Gambar 4 diatas, Lee et. al (2010) melaporkan dua hal ketidakpastian relative yang berkontribusi relatif dan berpengaruh terhadap Quasi Analytical Algorithm (QAA) pada sumbu. Pertama, terdapat perbedaan Δα(440) untuk α(440)QAA sebagai inverse yang dihubungkan dengan sifat hamburan partikel, dan Kedua, Δα(550) dan Δη berkontribusi berbeda terhadap Δα(440) pada perairan relatif jernih α(550)<0.08 m-1, sebab Δα(550) sampai α(440) terbatas yang ditunjukan titik-titik biru pada Gambar 3 diatas. Disisi lain, kontribusi Δη sampai Δα(440) dapat lebih tinggi dari Δα(550), sebagai pengaruhnya tergantung nilai B(550) yang berhubungan langsung dengan nilai rrs(550) dan model rrs yang digunakan. Pada perairan pantai keruh, kontribusi maksimal Δη adalah ~ 11%, mendekati akar kuadrat dari 550/440. Umumnya Δ(550) memberikan kontribusi lebih Δα(440) untuk perairan kompleks, hanya karena Δα(550) sendiri semakin besar. Pada kasus tertentu, terlalu tinggi/rendah α0) atau η tidak selalu dalam fase pengukuran rrs(λ), pengaruh error dalam α(λ0) dan η pada bbp(λ) dan α(λ) tidak diperparah. Error sebenarnya yang diturunkan bbp(λ) dan α(λ) bisa menjadi minimal, jika berlebihan didata lain, sementara yang lain dipandang remeh.

 

4. Kesimpulan

Sumber-sumber ketidakpastian penginderaan jauh ocean color, yaitu: (i) Ketidakpastian pengukuran in-situ bersumber dari pengukuran LWN, Rrs, C, dan IOP yang disebabkan oleh faktor-faktor eksperimental dan berbagai lingkungan, seperti Calibration, dark signal, data processing, deployment strategy, keadaan laut dan langit semuanya diwariskan ke ketidakpastian radiometrik; (ii) ketidakpastian pengukuran satelit dari LWN melalui berbagai faktor, seperti pra-peluncuran karakterisasi sensor, koreksi atmosfer dan bi-directional, dan pemantauan perubahan kinerja sensor. Kesalahan dalam geo-lokasi, kontaminasi dengan cahaya yang berasal dari piksel yang berdekatan atau faktor-faktor lain seperti white caps juga dapat menambah ketidakpastian; (iii) Ketidakpastian asumsi hubungan fungsional antara Lwn, IOP dan prosedur inverse. Ketidakpastian dari inversi LWN merugikan level analisis selanjutnya. Berbagai jenis algoritma dapat dirancang untuk menghasilkan ketidakpastian ocean color, membedakan antara algoritma inversi empiris dan semi-analitis serta beberapa pendekatan yang lainnya seperti probabilitas neural network. Teknik kalibrasi/validasi dapat dirancang untuk menilai, menghapus bias dan meminimalkan besarnya ketidakpastian ocean color.

Beberapa perkiraan ketidakpastian awal dapat melalui analisis match-up, meskipun umumnya tidak diberikan atas dasar data per point. Hal ini menyebabkan banyak pengguna menggunakan produk ocean color sebagai deskriptor kualitatif pola daripada variabel kuantitatif. Penggunaan lain dari model biogeokimia untuk menghitung produktivitas primer tanpa propagasi ketidakpastian beberapa misi ocean color, seperti yang dikembangkan system MERIS. Perhitungan berdasarkan indikator pixel-by-pixel dengan sumber-sumber kesalahan mungkin berbeda termasuk cahaya menyilaukan dari matahari, kegagalan dalam koreksi atmosfer, kekeruhan tinggi dalam perairan dan lain-lain. Setiap masalah mungkin muncul jika nilai ketidakpastian melebihi ambang batas tertentu. User mendapatkan peringatan dan harus memutuskan apakah dapat menerima pixel dari metode ini untuk perhitungan lebih lanjut.

Tinjauan ketidakpastian data ocean color secara singkat beberapa pendekatan berbeda berguna untuk membangun ketidakpastian produk penginderaan jauh ocean color, baik untuk algoritma empiris atau semi-analitis. Prosedur diatas tidak rumit dan aplikasinya bermanfaat bagi pengetahuan tentang ketidakpastian input data. Penggunaan pendekatan tersebut membantu komunitas ocean color membangun kepercayaan kuantitatif produk penginderaan jauh.

 

5. Daftar Pustaka

 

Aires F, Prigent C, and Rossow WB. 2004. Neural network uncertainty assessment using Bayesian statistics: A remote sensing application. Neural Computation. 16: 2415-2458.

Bates DM, and Watts DG. 1988. Nonlinear regression analysis and its applications. Wiley, New York, 384p.

IOCCG. 2006. Remote Sensing of Inherent Optical Properties: Fundamentals, Tests of Algorithms, and Applications. Lee, Z.-P. (ed.), Reports of the International Ocean-Colour Coordinating Group, No. 5, IOCCG, Dartmouth, Canada.

Chrisman, N.R., 1991. The error component in spatial data. In: Maguire, D.J., Goodchild, M.F., Rhind, D.W. (Eds.), Geographical Information Systems vol. 1 Longman, pp. 165–174,Principles.

Claustre H, and Maritorena S. 2003. The many shades of ocean blue. Science 302:1514-1515.

Claustre H, Hooker SB, Heukelem LV, Berthon JF, Barlow R, Ras J et al. 2004. An intercomparison of HPLC phytoplankton methods using in situ samples: Application to remote sensing and database activities. Mar. Chem. 85:41-61.

Doerffer R, and Schiller H. 2000. Neural Network for retrieval of concentrations of water constituents with the possibility of detecting exceptional out of scope spectra. In: IEEE 2000 International Geoscience and Remote Sensing Symposium, Honolulu, Hawaii USA, p. 714-717.

Ehlers M, Greenlee D, Smith T, and Star J. 1991. Integration of remote sensing and GIS: data and data access. Photogramm. Eng. Remote Sens. 57(6):669-675.

Gahegan M and M Ehlers. 2000. A framework for the modelling of uncertainty between remote sensing & geographic information systems. J Photogramm & Remote Sens. 55:176–188.

Garver SA, and DA Siegel. 1997. Inherent optical property inversion of ocean color spectra and its biogeochemical interpretation: I. Time series from the Sargasso Sea. J Geo Res. 102:18,607-18,625.

Goodchild MF. 1992. Geographical data modeling computer. Geosci. 18(4):401–408.

Gordon, H.R., and Clark, D.K. (1980). Remote sensing optical properties of a stratified ocean: an improved interpretation. Appl. Opt. 19:3428-3430.

Http://seabass.gsfc.nasa.gov/matchup_results.html

Hoge FE, and Lyon PE. 1996. Satellite retrieval of inherent optical properties by linear matrix inversion of oceanic radiance models: An analysis of model and radiance measurements errors; J Geo Res, 101(C7):16.631-16.648.

Hooker SB, and McClain CR. 2000. The calibration and validation of SeaWiFS data. Progress in Oceanography, 45(3–4):427– 465.

Hooker SB, Zibordi G, Berthon JF, D’Alimonte D, Maritorena S, McLean S, and Sildam J. (eds). 2001. Results of the second SeaWiFS data analysis round robin. NASA Goddard Space Flight Center, Greenbelt, Maryland.

Hunter G and Goodchild MF. 1993. Mapping uncertainty in spatial databases, putting theory into practice. J. Urban Reg. Inf. Syst. Assoc. 5(2):55–62.

Hunter G and Goodchild MF. 1996. Communicating uncertainty in spatial databases. Trans. GIS 1(1), 13–24.

Huot Y, CA Brown, and JJ Cullen. 2005. New algorithms for MODIS sun-induced chlorophyll fluorescence and a comparison with present data products. Limnol. Oceanogr. 3:108–130

Johnson C. 2010. Uncertainties of in situ Ocean Color Radiometric Measurements.  IVOS Workshop, Ispra, Italy.

Krasnopolsky V, and Schiller H. 2003. Some Neural Network applications in environmental sciences. Part I: Forward and inverse problems in geophysical remote measurements. Neural Networks. 16:321-334.

Laws EA. 1997. Mathematical methods for oceanographers: An introduction. John Wiley and Sons, New York.

Lee ZP, R Arnone, C Hu, PJ Werdell, and B Lubac. 2010. Uncertainties of optical parameters and their propagations in an analytical ocean color inversion algorithm. Appl. Opt. 49(3):369-381.

Maritorena S, and DA Siegel. 2005. Consistent merging of satellite ocean color data using a semi-analytical model, Remote Sense Env, 94:429-440.

McClain CR, EJ Ainsworth, RA Barnes, RE Eplee Jr., FS Patt, WD Robinson, M Wang, and SW Bailey. 2000. SeaWiFS postlaunch calibration and validation analyses, part 1, vol. 9, edited by S. B. Hooker and E. R. Firestone, NASA Tech. Memo., 2000-206892(9), 82 pp.

McClain CR, EJ Ainsworth, RA Barnes, RE Eplee Jr., FS Patt, WD Robinson, M Wang, and SW Bailey. 2000. SeaWiFS postlaunch calibration and validation analyses, part 2, vol. 9, edited by S. B. Hooker and E. R. Firestone, NASA Tech. Memo., 2000-206892(10), 57 pp.

Mitchell G, Bricaud A, Carder KL, Cleveland J, Ferrari G, Gould R. et al. 2000. Determination of spectral absorption coefficients of particles, dissolved material, and phytoplankton for discrete water samples. In: Ocean Optics Protocols for Satellite Ocean Color Sensor Validation, Revision 2, NASA/TM 2000-209966, Fargion, G.S. and Mueller, J.L. (eds.) NASA Goddard Space Flight Center, Greenbelt, Maryland. p. 125– 153.

Mueller, J.L., and Austin, R.W. (eds). 1995. Ocean Optics Protocols for SeaWiFS Validation, Revision 1. NASA Tech. Memo. 104566, Vol. 25, SeaWiFS Tech. Report Series, Goddard Space Flight Center, Greenbelt, Maryland, 67pp.

Press WH, Teukolsky SA, Vetterling WT, and Flannerty BP. 1992. Numerical Recipes in C: The Art of Scientific Computing, 2nd Edition. Cambridge University Press, New York.

Roesler CS, and Perry MJ. 1995. In situ phytoplankton absorption, fluorescence emission, and particulate backscattering spectra determined from reflectance. J. Geophys. Res. 100:13279-13294.

Sathyendranath S and T Platt. 1989. Remote sensing of ocean chlorophyll: consequence of nonuniform pigment profile, Appl. Opt. 28:490–495.

Schiller H, and Doerffer R. 2005. Improved determination of coastal water constituent concentrations from MERIS data. IEEE Trans. Geosci. Remote Sens. 43:1585-1591.

Siegel DA, AF Michaels, J Sorensen, MC O’Brien, and MA Hammer. 1995. Seasonal variability of light availability and its utilization in the Sargasso Sea. J Geo Res,  100:8695-8713.

Van Heukelem L, Thomas CS, and Glibert PM. (eds). 2002. Sources of variability in chlorophyll analysis by fluorometry and high performance liquid chromatography in a SIMBIOS inter-calibration exercise. NASA Goddard Space Flight Center, Greenbelt, Maryland.

Wang P, E Boss, and C Roesler. 2005. Uncertainties of inherent optical properties obtained from semi-analytical inversions of ocean color. Appl. Opt. 44:4074-4085.

Zaneveld JRV, Barnard AH, and Boss E. 2005a. Theoretical derivation of the depth average of remotely sensed optical parameters. Opt. Express 13:9052-9061.

Zaneveld JRV, Twardowski MJ, Barnard A, and Lewis MR. 2005b. Introduction to radiative transfer. In: Remote sensing of Coastal Aquatic Environments. Miller, R.L., Castillo, C.E.D., and McKee, B.A. (eds).Springer, Dordrecht, 347p.