scholarly journals KAJIAN PERBANDINGAN CITRA SENTINEL-2B DENGAN LANDSAT 8 OLI UNTUK PEMETAAN LAHAN PADI SAWAH IRIGASI

2019 ◽  
Author(s):  
Arthur Gani Koto
Keyword(s):  
Support Vector Machine ◽  
Global Positioning System ◽  
Supervised Classification ◽  
Unsupervised Classification ◽  
Support Vector ◽  
Landsat 8 ◽  
Positioning System ◽  
Landsat 8 Oli ◽  
Global Positioning

Sektor pertanian tanaman pangan berupa beras di Provinsi Gorontalo dihasilkan dari lahan padi sawah irigasi yang tersebar di seluruh wilayah kota dan kabupaten. Perhitungan luasan lahan padi sawah irigasi dapat memanfaatkan teknologi penginderaan jauh dengan metode analisis indeks vegetasi, klasifikasi, dan pantulan spektral. Tujuan penelitian yaitu untuk membandingkan citra sentinel-2B dengan landsat 8 OLI dalam menurunkan informasi lahan padi sawah irigasi. Penelitian ini mengambil lokasi kajian di lahan persawahan irigasi yang wilayahnya masuk dalam administrasi Kota Gorontalo dan Kabupaten Bone Bolango. Data yang digunakan yaitu citra sentinel-2B perekaman 17 Mei 2018 dan landsat 8 OLIperekaman 13 Februari 2018. Alat ukur navigasi berupa Global Positioning System (GPS) digunakan untuk cek lapangan (ground data) koordinat lokasi persawahan. Metode penelitian menggunakan teknik pengolahan citra digital klasifikasi terbimbing (supervised classification) algoritma support vector machine (SVM). Pengambilan titik koordinat sampel lahan sawah berdasarkan hasil klasifikasi tak terbimbing (unsupervised classification) citra sentinel-2B yang dilakukan secara acak dan proporsional. Titik sampel diambil mewakili luas wilayah penelitian berdasarkan kemudahan akses dan keterjangkauan lokasi. Titik koordinat sampel tersebut digunakan sebagai panduan untuk cek lapangan yang diplot dalam peta tentatif lahan padi sawah irigasi. Uji validasi dilakukan dengan cara reklasifikasi dengan data lapangan. Hasil penelitian menunjukkan terjadi perbedaan nilai luasan lahan padi sawah irigasi dari kedua citra.

scholarly journals Traffic travel pattern recognition based on sparse Global Positioning System trajectory data

2020 ◽  
Vol 16 (10) ◽  
pp. 155014772096846
Author(s):  
Juan Chen ◽  
Kepei Qi ◽  
Shiyu Zhu
Keyword(s):  
Neural Network ◽  
Pattern Recognition ◽  
Support Vector Machine ◽  
Decision Tree ◽  
Convolutional Neural Network ◽  
Global Positioning System ◽  
Support Vector ◽  
Positioning System ◽  
Travel Pattern ◽  
Global Positioning

This article mainly uses sparse Global Positioning System trajectory data to identify traffic travel pattern. In this article, the data are preprocessed and the eigenvalues are calculated. Then, the Global Positioning System track points are identified and extracted by walking and non-walking segments. Finally, the three machine learning models of support-vector machine, decision tree, and convolutional neural network are used for comparison experiments. The innovation of this article is to propose a walking and non-walking identification method based on density-based spatial clustering of applications with noise clustering. The method takes into account the continuous state between the geographical distributions, and it has better noise immunity against the influence of external factors. In this process, this article directly achieves better conversion point recognition results through the Global Positioning System track point information, which lays a good foundation for the accuracy of travel pattern recognition. The experimental results of this article show that compared with threshold-based and multi-layer perceptron–based methods, the recognition method based on density-based spatial clustering of applications with noise clustering has the highest accuracy, reaching 82.20%. Then, support-vector machine, decision tree, and convolutional neural network are used for traffic travel pattern recognition. The F1-score of support-vector machine is the highest, reaching 0.84, and the F1-scores of decision tree and convolutional neural network are 0.78 and 0.80, respectively. Finally, the support-vector machine was used for the recognition test to achieve an accuracy of 76.83%.

scholarly journals Mapeamento da Vegetação Nativa do Cerrado na Região de Três Lagoas-MS com o Google Earth Engine

2019 ◽  
Vol 71 (3) ◽  
pp. 702-725
Author(s):  
Nayara Vasconcelos Estrabis ◽  
José Marcato Junior ◽  
Hemerson Pistori
Keyword(s):  
Support Vector Machine ◽  
Random Forest ◽  
Google Earth ◽  
Support Vector ◽  
Landsat 8 ◽  
Landsat 8 Oli ◽  
Google Earth Engine

O Cerrado é um dos biomas existentes no Brasil e o segundo mais extenso da América do Sul. Possui grande importância devido a sua biodiversidade, ecossistema e principalmente por servir como um reservatório, ou “esponja”, que distribui água para os demais biomas, além de ser berço de nascentes de algumas das maiores bacias da América do Sul. No entanto, devido às atividades antrópicas praticadas (com destaque para a pecuária e silvicultura) e a redução da vegetação nativa, este bioma está ameaçado. Considerado como hotspot em biodiversidade, o Cerrado pode não existir em 2050. Com a necessidade de sua preservação, o objetivo desse trabalho consistiu em investigar o uso de algoritmos de aprendizado de máquina para realizar o mapeamento da vegetação nativa existente na região do município de Três Lagoas, utilizando a plataforma em nuvem Google Earth Engine. O processo foi realizado com uma imagem Landsat-8 OLI, datada de 10 de outubro de 2018, e com os algoritmos Random Forest (RF) e Support Vector Machine (SVM). Na validação da classificação, o RF e o SVM apresentaram índices kappa iguais a 0,94 e 0,97, respectivamente. O RF, quando comparado ao SVM, apresentou classificação mais ruidosa. Por fim, verificou-se a existência de vegetação nativa de aproximadamente 2556 km² ao adotar o RF e 2873 km² ao adotar SVM.

Penentuan Luas Area Sawah Kabupaten Sleman Pada Citra Landsat 8 Operational Land Imager (OLI)

Respati ◽  
2018 ◽  
Vol 13 (3) ◽  
Author(s):  
Sulidar Fitri ◽  
Novi Nurjanah
Keyword(s):  
Remote Sensing ◽  
Land Use ◽  
Support Vector Machine ◽  
Rice Field ◽  
Image Data ◽  
Rice Fields ◽  
Support Vector ◽  
Landsat 8 ◽  
Landsat 8 Oli ◽  
Learning Machine

INTISARITeknologi penginderaan jauh sangat baik dijadikan data pembuatan peta penggunaan lahan, karena kebutuhan pemetaan semakin tinggi terutama untuk mendeteksi perubahan penggunaan lahan terutama untuk penentuan luas area khususnya sawah di kabupaten Sleman. Untuk mendapatkan informasi luasan area sawah dari interpretasi citra landsat-8 OLI (Operational Land Imager) diperlukan metode khusus, terutama untuk pengolahan data citra penginderaan jauh secara digital. Salah satu metode pengolahan citra penginderaan jauh adalah metode Support Vector Machine (SVM). Metode SVM merupakan metode learning machine (Pembelajaran mesin) yang dapat mengklasifikasikan pola serta mengenali pola dari inputan atau contoh data yang diberikan dan juga termasuk ke dalam supervised learning. Hasil area sawah yang didapati dari citra Landsat 8 OLI dengan pengolahan metode SVM didapati berada di 18 kecamatan dala Kabupaten Sleman. Luasan tertinggi ada di kecamatan Ngaglik dengan 19,78 KM2 dan terendah di kecamatan Turi seluas 2,14 KM2. Nilai keseluruhan akurasi yang didapat untuk kelas lahan sawah dan area non sawah adalah adalah 53%.Kata kunci— Landsat-8 OLI, SVM, Data Citra, Geospasial, Luas Area Sawah ABSTRACTRemote sensing technology is very well used as a data for making land use maps, because mapping needs are increasingly high especially for detecting land use changes, especially for determining the area, especially rice fields in Sleman district. To get information about the area of the rice fields from the interpretation of Landsat-8 OLI (Operational Land Imager), special methods are needed, especially for processing remote sensing image data digitally. One method of processing remote sensing images is the Support Vector Machine (SVM) method. The SVM method is a learning machine method that can classify patterns and recognize patterns from input or sample data provided and also includes supervised learning. The results of the rice field that were found from the Landsat 8 OLI image by processing the SVM method were found in 18 sub-districts in Sleman Regency. The highest area is in Ngaglik sub-district with 19.78 KM2 and the lowest in Turi sub-district is 2.14 KM2. The overall value of the accuracy obtained for the class of rice field and non-rice field is 53%.Kata kunci—  Landsat-8 OLI, SVM, Image Data, Geospatial, Area of Rice Fields

Mechanistic Identification of Freight Activity Stops from Global Positioning System Data

2020 ◽  
Vol 2674 (4) ◽  
pp. 235-246 ◽  
Author(s):  
José Holguín-Veras ◽  
Trilce Encarnación ◽  
Sofía Pérez-Guzmán ◽  
Xia (Sarah) Yang
Keyword(s):  
New York ◽  
Global Positioning System ◽  
Transportation Systems ◽  
Support Vector ◽  
Gps Data ◽  
Positioning System ◽  
K Nearest Neighbors ◽  
Urban Freight ◽  
Wide Range ◽  
Global Positioning

The identification of freight pick-ups and deliveries, referred to as “freight activity” in this paper, is crucial to characterizing freight operations and assessing the performance of freight transportation systems. However, identifying freight activity stops from global positioning system (GPS) data is challenging, particularly in urban freight where congested traffic is common. This paper presents a mechanistic—because it is based on the physics of driving patterns—procedure to identify freight activity stops from raw GPS data. The procedure was implemented to identify stops in three distinct case studies that present a wide range of traffic conditions: Barranquilla, Colombia; Dhaka, Bangladesh; and New York City, United States. The results show that the procedure achieves an average accuracy of above 98.6% when identifying freight activity stops. The results of the proposed procedure were compared with results from support vector machines, random forest, and k nearest neighbors. The mechanistic procedure outperformed these methods in correctly classifying freight activity using second-by-second GPS data.

Aplikasi Pemosisi Lokal Berbasis Android Dengan Menggunakan GPS

INTI TALAFA ◽  
2018 ◽  
Vol 8 (2) ◽  
Author(s):  
Yaman Khaeruzzaman
Keyword(s):  
Global Positioning System ◽  
Positioning System ◽  
Database Server ◽  
Global Positioning

Seiring dengan pesatnya kemajuan teknologi saat ini, kebutuhan manusia menjadi lebih beragam, termasuk kebutuhan akan informasi. Tidak hanya media informasinya yang semakin beragam, jenis informasi yang dibutuhkan juga semakin beragam, salah satunya adalah kebutuhan informasi akan posisi kita terhadap lingkungan sekitar. Untuk memenuhi kebutuhan itu sebuah sistem pemosisi diciptakan. Sistem pemosisi yang banyak digunakan saat ini cenderung berfokus pada lingkup ruang yang besar (global) padahal, dalam lingkup ruang yang lebih kecil (lokal) sebuah sistem pemosisi juga diperlukan, seperti di ruang-ruang terbuka umum (taman atau kebun), ataupun dalam sebuah bangunan. Sistem pemosisi lokal yang ada saat ini sering kali membutuhkan infrastruktur yang mahal dalam pembangunannya. Aplikasi Pemosisi Lokal Berbasis Android dengan Menggunakan GPS ini adalah sebuah aplikasi yang dibangun untuk memenuhi kebutuhan pengguna akan informasi lokasi dan posisi mereka terhadap lingkungan di sekitarnya dalam lingkup ruang yang lebih kecil (lokal) dengan memanfaatkan perangkat GPS (Global Positioning System) yang telah tertanam dalam perangkat smartphone Android agar infrastruktur yang dibutuhkan lebih efisien. Dalam implementasinya, Aplikasi Pemosisi Lokal ini bertindak sebagai klien dengan dukungan sebuah Database Server yang berfungsi sebagai media penyimpanan data serta sumber referensi informasi yang dapat diakses melalui jaringan internet sehingga tercipta sebuah sistem yang terintegrasi secara global. Kata kunci: aplikasi, informasi, pemosisi, GPS.

Sign in / Sign up

Export Citation Format

Share Document