Bathy-Net: Model Neural Network Untuk Pemetaan Batimetri Perairan Dangkal Menggunakan Citra Multispektral dan Multitemporal Sentinel-2

Putri, Shofa` Amaliah (2023) Bathy-Net: Model Neural Network Untuk Pemetaan Batimetri Perairan Dangkal Menggunakan Citra Multispektral dan Multitemporal Sentinel-2. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 03311940000073-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (5MB) | Request a copy

Abstract

Penyediaan informasi spasial di bidang kelautan dilakukan melalui pemetaan batimetri. Survei batimetri dengan menggunakan echosounder merupakan metode yang dapat menghasilkan data batimetri dengan akurasi yang baik, akan tetapi membutuhkan waktu yang lama dan biaya operasional yang sangat besar. Penggunaan Satellite Derived Bathymetry (SDB) dapat digunakan sebagai pengganti survei lapangan menggunakan echosounder. Penelitian ini menggunakan sumber data citra Sentinel-2 yang merupakan citra satelit optis. Beberapa algoritma telah dikembangkan dalam upaya menghasilkan nilai kedalaman menggunakan SDB, diantaranya adalah Algoritma Stumpf dan Lyzenga. Kedua algoritma tersebut hanya menggunakan 2 sampai 3 band citra sensor pasif dengan prinsip penyederhanaan operasi hitungan dalam mengekstraksi nilai kedalaman air menggunakan perbandingan faktor reflektansi air yang memiliki kemampuan tingkat penyerapan terhadap badan air yang berbeda. Perkembangan metode machine learning dapat digunakan untuk meningkatkan akurasi batimetri. Dense Neural Network (DNN) merupakan salah satu model machine learning yang dapat digunakan untuk melakukan perhitungan kedalaman perairan dangkal. Hubungan antara piksel citra Sentinel-2 dengan pemodelan matematis pada proses training dapat diperoleh untuk Satellite Derived Bathymetry menggunakan pemodelan Bathy-Net semua band citra Sentinel-2A Level 2. Bathy-Net menggunakan regresi non linear dalam pengolahannya dengan nilai RMSE terkecil 5,04 meter dan nilai MAE terkecil 3,58 meter. Algoritma Stumpf menggunakan regresi linear dalam pengolahannya dan nilai RMSE terkecil 5,03 meter dan nilai MAE terkecil 4,33 meter. Algoritma Lyzenga menggunakan regresi multilinear dalam pengolahannya dan menghasilkan nilai RMSE terkecil sebesar 5,87 meter dan nilai MAE terkecil 4,87 meter.
=================================================================================================================================
The provision of spatial information in the marine field is carried out through bathymetric mapping. A bathymetric survey using an echosounder is a method that can produce bathymetric data with good accuracy, but it takes a long time and costs a lot of money. The use of Satellite Derived Bathymetry (SDB) can be used as a substitute for field surveys using an echosounder. This study uses Sentinel-2 imagery as a data source, which is an optical satellite imagery. Several algorithms have been developed to generate depth values using SDB, including the Stumpf and Lyzenga Algorithms. Both algorithms only use 2 to 3 passive sensor image bands with the principle of simplifying the calculation operation in extracting water depth values using a comparison of the reflectance factor of water which can absorb different levels of water bodies. The development of machine learning methods can be used to improve bathymetric accuracy. Dense Neural Network (DNN) is a machine learning model that can be used to calculate the depth of shallow waters. The relationship between Sentinel-2 image pixels and mathematical modeling in the training process can be obtained for Satellite Derived Bathymetry using Bathy-Net modeling for all Sentinel-2A Level 2 image bands. Bathy-Net uses non-linear regression in its processing with the smallest RMSE value of 5.04 meters and the smallest MAE value of 3.58 meters. The Stumpf algorithm uses linear regression in its processing and the smallest RMSE value is 5.03 meters and the The smallest MAE is 4.33 meters. The Lyzenga algorithm uses multilinear regression in its processing and produces the smallest RMSE value of 5.87 meters and the smallest MAE value of 4.87 meters.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Batimetri, Dense Neural Network, Satellite Derived Bathymetry, Sentinel-2, Bathymetry
Subjects:	G Geography. Anthropology. Recreation > G Geography (General) > G70.5.I4 Remote sensing
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geomatics Engineering > 29202-(S1) Undergraduate Thesis
Depositing User:	Shofa' Amaliah Putri
Date Deposited:	11 Sep 2023 03:44
Last Modified:	11 Sep 2023 03:44
URI:	http://repository.its.ac.id/id/eprint/101846

Actions (login required)

View Item