STUDI EKSPERIMENTAL ALGORITMA SRGAN PADA PENINGKATAN RESOLUSI CITRA REMOTE SENSING

MUHAMMAD, WIJAYA PERMANA and Arie, Vatresia and Ferzha, Putra Utama (2023) STUDI EKSPERIMENTAL ALGORITMA SRGAN PADA PENINGKATAN RESOLUSI CITRA REMOTE SENSING. Undergraduated thesis, Universitas Bengkulu.

Archive (Thesis) Skripsi G1A019062_perpus unib - Muhammad Wijaya Permana.pdf - Bibliography Restricted to Repository staff only Available under License Creative Commons GNU GPL (Software). Download (4MB)

Abstract

Kemajuan dalam teknologi akuisisi data citra penginderaan jauh telah mendorong perkembangan gambar berkualitas tinggi, yang sangat penting dalam penelitian terkait ketahanan pangan dan perubahan iklim. Namun, berbagai kendala fisik, manufaktur, energi, dan strategi operasional telah membatasi pencapaian tingkat resolusi yang optimal dan peak signal noise�to-rasio (PSNR) dalam citra penginderaan jauh. Kendala ini menjadi hambatan dalam menerapkan citra penginderaan jauh, terutama dalam pemantauan tanaman. Akurasi dan detail informasi spasial bumi menjadi krusial dalam penelitian ekologi dan lingkungan. Oleh karena itu, dibutuhkan citra dengan tingkat resolusi tinggi, yang memerlukan pertimbangan yang cermat antara resolusi spasial dan temporal. Metode pembelajaran mesin, seperti Convolutional Neural Network, Bayesian Network, dan Sparse Coding, telah digunakan untuk mencapai tujuan ini. Dua metode utama untuk mencapai citra spasial-temporal dengan resolusi tinggi adalah multi source image fusion dan image super-resolution. Metode image super-resolution lebih fleksibel karena tidak memerlukan data spasial tambahan dengan resolusi tinggi pada lokasi dan tanggal yang serupa. Prinsip dasarnya adalah memperbaiki detail yang hilang dalam citra dengan resolusi rendah dengan memanfaatkan citra spasial dengan resolusi tinggi. Penelitian ini mengevaluasi kemampuan generalisasi citra remote sensing dengan menggunakan metode Super-Resolution Generative Adversarial Network (SRGAN) pada lokasi dan sensor tertentu. Hasil penelitian menunjukkan peningkatan kualitas citra hingga 4 kali lipat dengan nilai generator loss yang mencapai 0.604. Hal ini memungkinkan interpretasi lahan yang lebih baik dan pemantauan perubahan lahan yang bervariasi. Kata Kunci: remote sensing, image super-resolution, SRGAN, interpretasi lahan, upscale 4 faktor

Actions (login required)

View Item