Apa Itu Penginderaan Jauh? Sensor, Data, QGIS
Diterbitkan
Penginderaan jauh adalah pengukuran permukaan bumi dari jarak jauh, dengan sensor di satelit, pesawat, dan drone, lalu mengubah hasil ukurnya menjadi peta. Sensor merekam cahaya atau gelombang radio yang dipantulkan tanah, jadi tidak ada yang perlu datang ke lokasi. Di QGIS, hasilnya adalah raster yang bisa Anda buka, komposit, hitung, dan klasifikasikan seperti layer lainnya.
, hasilnya adalah raster yang bisa Anda buka, komposit, hitung, dan klasifikasikan seperti layer lainnya.Citra satelit bukan foto. Ia adalah tumpukan hasil pengukuran, satu band untuk setiap jenis cahaya, dan warna di layar Anda adalah pilihan Anda sendiri saat menentukan band mana yang masuk ke merah, hijau, dan biru. Pilihan itu adalah sebagian besar keterampilannya.
Mengapa penting
Penginderaan jauh menjawab pertanyaan yang terlalu besar, terlalu terpencil, atau terlalu lambat untuk disurvei dengan berjalan kaki: apakah lahan ini lebih hijau dari tahun lalu, sejauh mana banjir menjangkau, berapa banyak hutan yang dibuka, ke mana kota berkembang. Satelit gratis melewati tempat yang sama setiap beberapa hari, jadi jawabannya punya tanggal dan bisa diulang.
Untuk apa penginderaan jauh dipakai
| Pertanyaan | Yang diukur | Sensor yang bisa melakukannya |
|---|---|---|
| Apakah tanaman atau hutan ini sehat? | Kehijauan, lewat NDVI | Sentinel-2, Landsat 8 dan 9 |
| Di mana airnya, sejauh mana banjir menjangkau? | Luas genangan, lewat indeks air atau radar | Sentinel-2, radar Sentinel-1 |
| Bagaimana tutupan lahan berubah dalam 40 tahun? | Kelas yang dibandingkan antar tanggal | Landsat, yang arsipnya mundur sampai 1972 |
| Di mana bangunan, pohon, kolam renang? | Objek satu per satu | Foto udara dan drone pada resolusi 50 cm atau lebih halus |
| Setinggi apa tajuk pohon, di mana permukaan tanahnya? | Elevasi dari pulsa laser | LiDAR |
Cara kerjanya
Sensor pasif merekam sinar matahari yang dipantulkan tanah, dalam beberapa band sekaligus. Sensor aktif mengirim pulsanya sendiri dan menghitung waktu gema kembali: radar, seperti Sentinel-1, dan LiDAR. Radar menembus awan dan bekerja di malam hari, itulah sebabnya peta banjir bertumpu padanya.
Setiap material menjawab secara berbeda di tiap band. Daun sehat memantulkan inframerah dekat dengan kuat dan menyerap merah. Air menyerap inframerah dekat dan tampak hampir hitam di band itu. Tanah terbuka naik perlahan dari biru ke inframerah. Setiap indeks dan setiap pengklasifikasi membaca perbedaan itu.
Empat jenis resolusi menggambarkan sebuah sensor, dan keempatnya saling tarik-menarik:
- Spasial: ukuran satu piksel di tanah. Sentinel-2 memberi 10 m untuk empat band, 20 m untuk enam, dan 60 m untuk tiga.
- Spektral: berapa banyak band, dan seberapa sempit. Sentinel-2 merekam 13, dari 443 sampai 2190 nm.
- Temporal: seberapa sering kembali. Sentinel-2 melewati lokasi yang sama setiap 5 hari di khatulistiwa, dan setiap 2 sampai 3 hari di lintang menengah.
- Radiometrik: seberapa halus kecerahan direkam, yang menentukan apakah Anda bisa membedakan dua lahan gelap.
Sensor gratis yang perlu diketahui
| Sumber | Piksel | Kunjungan ulang | Biaya | Terbaik untuk |
|---|---|---|---|---|
| Sentinel-2 (ESA) | 10 m, 20 m, 60 m per band | 5 hari | Gratis | Lahan pertanian, hutan, tepi kota, sejak 2015 |
| Landsat 8 dan 9 (USGS) | 30 m, 15 m pankromatik | 8 hari dengan keduanya | Gratis | Rekaman panjang, band termal |
| Radar Sentinel-1 (ESA) | Piksel 10 m pada produk standar | 12 hari per satelit | Gratis | Banjir, wilayah berawan, malam hari |
| IGN BD ORTHO, Prancis | 20 cm | Cakupan baru setiap 3 sampai 4 tahun | Gratis, lisensi terbuka | Bangunan, pohon, kolam renang |
| IGN LiDAR HD, Prancis | Minimal 10 titik per m² | Terbang sekali, mencakup Prancis pada 2026 | Gratis, lisensi terbuka | Medan dan tinggi tajuk |
Spesifikasinya berasal dari halaman Sentinel-2 milik ESA, halaman Sentinel-1 milik NASA, dan dataset IGN di data.gouv.fr (BD ORTHO, LiDAR HD), dibaca pada 27 Oktober 2026. Dua keluarga Sentinel-2 dan Landsat dibandingkan band demi band di Sentinel-2 vs Landsat, dan perbandingan resolusi citra satelit menunjukkan apa yang bisa dan tidak bisa dilihat setiap ukuran piksel.
Pertanyaan pertamanya selalu sama: berapa piksel yang ditutupi objek saya? Piksel 10 m tidak bisa memuat sebuah rumah. Ia bisa memuat sebidang lahan.
Alur kerja penginderaan jauh di QGIS
Saya menjalankan langkah-langkah di bawah di QGIS pada satu scene Sentinel-2 Camargue, delta Rhône di Prancis selatan, yang diambil pada 12 Oktober 2026 dengan awan di bawah 1%. Delta ini mencampur air terbuka, tambak garam, rawa, padi, dan tanah kering dalam satu bingkai, itulah sebabnya ia cocok untuk uji coba.
Tambahkan scene
Buka Layer > Data Source Manager, pilih tab STAC dan sambungkan ke Earth Search di https://earth-search.aws.element84.com/v1. Filter berdasarkan ekstensi, tanggal, dan koleksi Sentinel-2 Level-2A, lalu tambahkan scene-nya. Unduh citra Sentinel-2 di QGIS menguji empat cara melakukannya dan memberi waktunya.
Pilih band sesuai pertanyaan
Di Layer Properties > Symbology, pilih Multiband color. Merah, hijau, biru sebagai B4, B3, B2 memberi apa yang dilihat mata. B8, B4, B3 menaruh inframerah dekat di merah, sehingga setiap tanaman sehat menjadi merah dan air menjadi hitam.
Ubah band menjadi angka
Raster > Raster Calculator, dengan NDVI sebagai (B8 − B4) / (B8 + B4). Pertama, klik satu piksel air dengan alat Identify. Nilai mendekati 0 berarti offset sudah dihapus, seperti pada file Earth Search yang saya pakai. Nilai mendekati 1.000 berarti Anda harus mengurangi 1.000 dari setiap band, yang berlaku untuk produk Sentinel-2 yang diunduh dari Copernicus sejak 25 Januari 2022. Apa itu NDVI menunjukkan angka 0,82 yang berubah menjadi 0,56 saat hal ini terlupa.
Potong angka menjadi kelas
Tetapkan ambang batas, misalnya NDVI di atas 0,6 untuk vegetasi rapat, dengan Raster > Raster Calculator atau algoritma Reclassify by table. Untuk beberapa kelas tutupan lahan, latih pengklasifikasi dari poligon yang Anda gambar, dengan plugin gratis SCP atau dzetsaka.
Ubah kelas menjadi pengukuran
Raster > Conversion > Polygonize, lalu field calculator atau Zonal statistics untuk luas per kelas. Angkanya berlaku pada skala piksel dan tidak lebih halus.
Di mana AI membantu, dan di mana tidak
Penginderaan jauh terbagi dua menurut skala, dan alatnya ikut terbagi.
Pada 10 atau 30 m, Anda mengklasifikasikan piksel: yang ini air, yang itu tanaman. Pengklasifikasi gratis di atas melakukannya dengan baik, dan model hanya menambah sedikit, karena satu piksel tidak punya cukup detail untuk mengenali objek.
Pada 50 cm atau lebih halus, Anda mengekstrak objek: ini bangunan, itu pohon. Di sinilah model segmentasi layak dipakai. Kami membuat salah satu plugin di bidang ini, AI Segmentation, jadi paragraf ini membahas alat kami sendiri. Anda menggambar zona pada foto udara atau ortofoto drone, mengetik objeknya, building, tree atau swimming pool, dan modelnya sendiri mengembalikan garis tepi sebagai poligon dengan skor keyakinan dan luas. Citra yang lebih kasar daripada objeknya tidak layak dikirim: penyetelan kami sendiri menargetkan sekitar 0,18 m per piksel untuk bangunan dan 0,09 m untuk mobil. Panduan GeoAI menjelaskan lima hal yang diekstraknya dan biaya masing-masing.
Bagian yang lambat dari pekerjaan penginderaan jauh bukan satu langkah tertentu. Melainkan belasan langkah berurutan: cari scene, cek awan, hapus offset, hitung, beri gaya, ukur. Plugin kami yang lain, AI Agent, menjalankan rantai itu dari satu kalimat. Saya memintanya menghitung NDVI atas lahan di sekitar Harike, Punjab, dari citra Sentinel-2 bebas awan terbaru. Ia melewati dua tanggal berawan, menghapus offset, memberi gaya pada hasilnya, dan melaporkan bahwa 75% dari area seluas 17 km² berada di atas 0,6, dalam sekitar 3 menit 30 detik. Ia meninggalkan layer kerja dan keliru menyebut luas area, jadi periksa angka yang Anda kutip.
Coba AI Agent gratis di QGIS, tanpa kartu
Yang perlu diingat
Penginderaan jauh adalah mengukur permukaan bumi dari jarak jauh, dan citra satelit adalah tumpukan band, bukan foto.
Sentinel-2 adalah sumber gratis utama untuk lahan pertanian, hutan, dan tepi kota: 13 band, piksel 10 m untuk empat di antaranya, citra baru setiap 5 hari di khatulistiwa.
Pilih kombinasi band sesuai pertanyaan: B4, B3, B2 untuk melihat, B8, B4, B3 untuk vegetasi, dan NDVI untuk memberinya angka.
Periksa offset Sentinel-2 sebelum indeks apa pun: piksel air mendekati 1.000 berarti kurangi 1.000 dari setiap band.
Piksel diklasifikasikan, objek butuh citra yang lebih halus: di bawah sekitar 50 cm, model segmentasi mengekstrak bangunan dan pohon, dan di atas 10 m tidak ada yang bisa dikenalinya.
Pertanyaan yang sering diajukan
Apa itu penginderaan jauh dengan bahasa sederhana?
Ini adalah cara mempelajari permukaan bumi tanpa menyentuhnya. Satelit, pesawat, atau drone merekam cahaya atau gelombang radio yang kembali dari permukaan, dan perangkat lunak mengubah rekamannya menjadi peta atau angka.
Apa beda penginderaan jauh dan SIG?
Penginderaan jauh mengumpulkan dan menafsirkan hasil pengukuran dari jarak jauh. SIG menyimpan, menyunting, dan menganalisis data spasial dari sumber apa pun. Dalam praktiknya keduanya tumpang tindih: Anda melakukan penginderaan jauh di dalam SIG seperti QGIS, dan hasilnya menjadi layer di dalamnya.
Apakah data penginderaan jauh gratis?
Banyak yang gratis. Sentinel-1 dan Sentinel-2 dari ESA, Landsat dari USGS, dan di Prancis foto udara IGN serta LiDAR HD bebas diunduh dan dipakai ulang. Satelit komersial menjual citra yang lebih tajam, mulai sekitar 30 cm, per scene atau per kilometer persegi.
Bisakah QGIS melakukan penginderaan jauh?
Bisa. Alat raster, Raster Calculator, komposit band, dan plugin gratis SCP serta dzetsaka mencakup tampilan citra, indeks, dan klasifikasi. Alur kerja di atas hanya memakai bawaan QGIS.
Satelit apa yang terbaik untuk citra gratis?
Sentinel-2 untuk sebagian besar pekerjaan lahan setelah 2015, karena piksel 10 m dan kunjungan ulang 5 harinya. Landsat saat Anda butuh rekaman sampai 1972 atau band termal. Radar Sentinel-1 saat awan terus menutupi tanah.
Apakah GeoAI sama dengan penginderaan jauh?
Tidak. Penginderaan jauh adalah cara data diperoleh. GeoAI adalah machine learning yang diterapkan pada data itu, untuk mengekstrak objek, kelas, atau perubahan darinya.
Untuk istilah-istilah terkait, NDVI dan indeks vegetasi lainnya, multispektral vs hiperspektral dan pemetaan tajuk pohon membahas lebih jauh topik di atas, dan hub QGIS AI mendaftar apa yang dibutuhkan setiap plugin AI sebelum bisa berjalan.
