Dalam beberapa dekade terakhir, teknologi penginderaan jauh menjadi salah satu teknik yang paling bagus untuk akuisisi data pada area luas tanpa perlu melakukan survey langsung di lapangan dengan tingkat kedetailan yang tinggi. Dengan perubahan tutupan lahan yang semakin cepat dan dinamis diperlukan teknologi yang dapat menghasilkan data dengan tingkat kedetailan tinggi,murah dan dapat menghasilkan data dalam waktu yang cepat. Salah satu produk penginderaan jauh tersebut adalah Foto Udara dengan teknologi pesawat tanpa awak (UAV). Teknologi ini mampu menghasilkan output data spasial detail dengan biaya relatif murah, cepat dan terkini. Salah 1 unsur yang cepat berubah di wilayah perkotaan adalah pada pertambahan objek bangunan. Dalam pembuatan bangunan tersebut harus dilengkapi dengan syarat keterangan ijin mendirikan bangunan (IMB) dari instansi terkait. Ketentuan ijin ini tidak terlepas dari aturan RDTR dan PZ yang berlaku serta hanya boleh didirikan pada zonasi yang diijinkan. Dengan kebutuhan data informasi fitur bangunan yang cukup banyak dan mendesak, diperlukan metode ekstraksi yang cepat juga. Metode yang saat ini berkembang pesat adalah ekstraksi otomatis menggunakan teknologi deep learning. Metode yang digunakan adalah Fully Convolutional Network (FCN) dengan arsitektur Residual Neural network (ResNet). Dalam penelitian ini akurasi ekstraksi pada fitur bangunan dapat mencapai 95% dan dapat melakukan ekstraksi pada satu NLP skala 1 : 5.000 dengan cepat. Metode ini dapat menghasilkan ekstraksi pada image seperti foto udara dengan cepat dan akurat.

Light Detection and Ranging (LiDAR) merupakan salah satu alat yang dapat menghasilkan akurasi tinggi dalam mengukur tinggi di permukaan bumi. Dengan menggunakan teknologi LiDAR dapat digunakan untuk mendeteksi beberapa objek di permukaan bumi seperti ground, vegetasi atau bangunan, namun teknologi LiDAR mempunyai kelemahan yaitu sulit mendeteksi titik-titik di area perairan. Oleh karena itu kerapatan point cloud di daerah perairan termasuk kategori rendah, sehingga DEM yang diturunkan dari data LiDAR memiliki permukaan air yang tidak alami. Hydro-flattening adalah proses menciptakan DEM yang diturunkan dari data LiDAR dengan tujuan untuk membuat permukaan air sungai rata dan mengalir. Komponen penting dari pembuatan hydro flattening adalah breakline, Data utama pada proses ini adalah point cloud Lidar yang sudah terklasifkasi ground dan centerline. Ada 4 langkah dalam metode semi otomatis ini yaitu langkah pertama, Continous Bare Ground Surface (CBGS) dibuat dengan mencari elevasi terendah sepanjang sungai yang akan diproses. Pada langkah kedua, membuat radius pencarian berbentuk lingkaran yang berpusat pada centreline sungai untuk mencari elevasi point cloud LiDAR paling rendah di setiap lingkaran, elevasi tersebut digunakan untuk membuat Virtual Water Surface (VWS). VWS ini perlu dilakukan revisi karena ketinggian minimum pada data LiDAR tidak selalu merupakan ketinggian permukaan air, VWS yang direvisi ini disebut sengan Base Virtual Water Surface (B-VWS). Langkah ketiga adalah ekstraksi breakline dan smoothing hasil esktraksi breakline,. Langkah keempat adalah konversi breakline 2D ke 3D, hasil breakline 2D dimasukkan ketinggian dari B-VWS sehingga menjadi breakline 3D yang dapat digunakan untuk menghasilkan Hydro-flattening DEM. Hydro flattenning diterapkan pada 2 lokasi sungai yang berbeda-beda, dimana lokasi sungai 1 memiliki karakter sungai dengan kategori kecil, sedangkan sungai 2 memiliki karakter sungai yang bercabang. Dari hasil Hydro flattenning DEM LiDAR pada daerah perairan dapat sesuai dengan kondisi yang ada dilapangan yaitu perairan sungai yang datar dan mengalir dari hulu ke hilir. Dari kedua sungai tersebut membuktikan pentingnya dilakukan Hydro flattenning pada DEM LiDARKata kunci :  LiDAR, Hydro-Flattening, Breakline, Continous Bare Ground Surface, Virtual Water Surface