STUDI EKSPERIMENTAL ALGORITMA SRGAN PADA PENINGKATAN RESOLUSI CITRA REMOTE SENSING

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