Evaluation of various image classification techniques on Landsat to identify coral reefs

Abstract

Coral reefs are one of the prominent marine ecosystems in the world. Coral reefs are facing threats from both natural and anthropogenic factors. Monitoring, protecting and studying these ecosystems are considered as a complex process because they are underwater features. Remote sensing can be quite useful in this by providing huge amount of database of satellite images. Landsat series have been providing satellite data for last 50 years and now it is one of the large databases providing satellite imageries. Accurate processing of these images can increase the accuracy of coral reef information extraction from these images. Classification is one of the important processes that can give adequate and precise information about coral reefs. This study is intended to compare various supervised classification techniques available for extraction of information from the image and to suggest best of them. Maximum Likelihood and Support Vector Machine have proven to be good classification module that can be used to classify Landsat Images to coral reef detection and monitoring.

Pemetaan Habitat Bentik Berbasis Objek Menggunakan Citra Sentinel-2 Di Perairan Pulau Wangi-Wangi Kabupaten Wakatobi

“…Hal ini sesuai dengan hasil penelitian Wahiddin et al (2015) yang memetakan habitat bentik terumbu karang dengan menggunakan beberapa algoritma kalasifikasi yaitu algoritma SVM, DT, Bayesian, KNN, random tree (RT) dan dari hasil penelitiannya merekomendasikan untuk menggunakan metode berbasis objek (OBIA) dengan menerapkan algoritma klasifikasi SVM, karena menghasilkan nilai akurasi keseluruhan tertinggi dibandingkan dengan algoritma klasifikasi lainnya yaitu sebesar 73% pada 7 kelas habitat bentik. Kondraju et al (2013) juga memetakan jabitat bentik dengan beberapa algoritma klasifikasi yaitu MLC (maximum likelihood), SAM (spectral angular mapper), SID (spectral information divergence) serta SVM, dan menghasilkan nilai akurasi optimum pada penerapan algoritma SVM dengan nilai akurasi sebesar 95,97% pada 4 kelas habitat bentik. Menurut Mountrakis et al (2011) algoritma SVM dalam bidang penginderaan jauh memiliki kemampuan yang baik untuk menangani data dengan jumlah yang sedikit dan dapat menghasilkan akurasi yang lebih baik dibandingkan dengan teknik klasifikasi lainnya.…”

Klasifikasi Multikskala Untuk Pemetaan Zona Geomorfologi Dan Habitat Bentik Menggunakan Metode Obia Di Pulau Pari (Multiscale Classification for Geomorphic Zone and Benthic Habitats Mapping Using Obia Method in Pari Island)

“…(Andréfouët, et al, 2003) menerapkan metode klasifikasi berbasis piksel algoritma maximum likelihood dari citra IKONOS dan Landsat 7. (Kondraju, et al, 2013) menerapkan beberapa teknik klasifikasi berbasis piksel meliputi (support vector machines/ SVM, spectral angular mapper/ SAM, spectral information divergence/ SID, dan support vector machine/ SVM) dari citra Landsat untuk mengidentifikasi terumbu karang dan menghasilkan akurasi terbaik pada metode klasifikasi algoritma SVM. Penerapan metode klasifikasi berbasis piksel telah menghasilkan peta habitat bentik dengan akurasi yang berbeda-beda.…”

“…Klasifikasi menggunakan metode OBIA terbukti mampu meningkatkan akurasi pada pemetaan geomorfologi dan ekologi ekosistem terumbu karang di tiga perairan yang berbeda dan menghasilkan akurasi keseluruhan antara 52%-78% (Phinn, et al, 2011). (Kondraju, et al, .2013 Hasil penelitian ini diharapkan menjadi metode alternatif untuk pemetaan zona geomorfologi dan habitat bentik di perairan Indonesia.…”

Quantification of LST and CO2 levels using Landsat-8 thermal bands on urban environment

“…It has two sensors a) Operational Land Imagery (OLI) sensor with 1-9 bands and b) Thermal Infrared Sensor (TIRS) with band 10 and band 11. Landsat-8 has been used for various studies for assessing Land Surface temperature associated with surface emissivity by using split-window algorithm method (Rozenstein et al, 2004;Tarun Teja et al, 2013).…”