Analisis Overlay Menggunakan Argis


overley adalah metode yang di gunakan untuk menganalisis kesesuaian lahan dengan menggunakan peta curah hujan, peta jenis tanah, dan peta curah hujan. langka-langka yang di gunakan dalam analisis ini adalah:
1. add peta jenis tanah, peta curah hujan dan peta kemiringan

 2. Buka arc toolbox kemudian klik analisis tool, klik overlay sesudah itu klik intersek.

setelah itu klik input data dan masukan ketiga jenis data tadi klik ok, kemudian klik output untuk    menyimpan data hasil overlay

3. untuk menghitung total skoring kawasan maka klik open atribut add file buat kolom baru untuk total skoring

setelah itu klik fiel kakulator

maka akan terlihat hasil overlay peta kabupaten renca bolang adalah sebagai berikut

Klasifikasi unsupervised

Mulai ENVI's rutinitas unsupervised klasifikasi dengan memilih-> Metode Klasifikasi-> Unsupervised, dimana Metode K-Means baik atau Isodata, atau meninjau hasil precalculated klasifikasi gambar dalam direktori CAN_TM.

K-Means

klasifikasi Unsupervised menggunakan teknik statistik untuk data kelompok n-dimensi ke dalam kelas spektral alami mereka. The classifier K-Means tanpa pengawasan menggunakan pendekatan analisis cluster yang mengharuskan analis untuk memilih jumlah cluster yang berlokasi di data, sewenang-wenang ini menempatkan sejumlah pusat klaster, kemudian iteratif repositions mereka sampai keterpisahan spektral yang optimal dicapai.

Pilih K-Means sebagai metode, gunakan semua nilai default dan klik OK, atau meninjau hasil yang terkandung dalam CAN_KM.IMG.

1. Buka CAN_KM.IMG file, klik pada tombol radio grayscale dalam Daftar Tersedia Band, klik pada nama band di atas Daftar, klik Baru, kemudian Load Band.
2. Klik tombol kanan mouse di Tampilan Image jendela utama untuk mengaktifkan menu Fungsi kemudian pilih Fungsi->> Menampilkan Link-Link dan klik OK pada dialog untuk menghubungkan gambar.
3. Bandingkan hasil klasifikasi K-BERARTI ke gambar komposit warna dengan mengklik dan menyeret menggunakan tombol kiri mouse untuk memindahkan overlay dinamis di sekitar gambar.
4. Setelah selesai, pilih Fungsi-> Link-> Hilangkan Taut Menampilkan untuk menghapus link dan overlay dinamis.

Jika diinginkan, percobaan dengan jumlah yang berbeda kelas, Ubah Ambang batas, Standard Penyimpangan, dan Jarak Maksimum Kesalahan nilai untuk menentukan efeknya pada klasifikasi.

Isodata

IsoData klasifikasi tak terawasi menghitung kelas berarti merata di ruang data dan kemudian iteratif cluster pixel sisa menggunakan teknik jarak minimum. Setiap iterasi kalkulasi ulang sarana dan reclassifies piksel sehubungan dengan cara baru. Proses ini berlanjut sampai jumlah piksel dalam perubahan kelas kurang dari ambang perubahan pixel yang dipilih atau jumlah iterasi maksimum tercapai.

Pilih ISODATA sebagai metode, gunakan semua nilai default dan klik OK, atau meninjau hasil yang terkandung dalam CAN_ISO.IMG.

1. Buka CAN_ISO.IMG file, klik pada tombol radio grayscale dalam Daftar Tersedia Band, klik pada nama band di atas Daftar, klik Baru, kemudian Load Band.
2. Klik tombol kanan mouse di Tampilan Image jendela utama untuk mengaktifkan menu Fungsi kemudian pilih Fungsi->> Menampilkan Link-Link. Klik OK untuk link gambar ini ke gambar komposit warna dan hasil KMEANS.
3. Bandingkan hasil klasifikasi ISODATA ke gambar komposit warna dengan mengklik dan menyeret menggunakan tombol kiri mouse untuk memindahkan overlay dinamis di sekitar gambar. Toggle overlay dinamis gambar ketiga dengan menahan tombol kiri mouse ke bawah dan secara bersamaan mengklik tombol tengah mouse. Bandingkan ISODATA dan klasifikasi K-BERARTI.
4. Klik tombol kanan mouse pada masing-masing gambar diklasifikasikan untuk mengaktifkan menu Fungsi dan klik Batal untuk membatalkan dua menampilkan gambar.

Jika diinginkan, percobaan dengan jumlah yang berbeda kelas, Ubah Ambang batas, Standar Deviasi, Jarak Maksimum Error, dan kelas nilai karakteristik pixel untuk menentukan efeknya pada klasifikasi.

Surpervised clasification

Surpervised clasification mengharuskan pengguna memilih area pelatihan untuk digunakan sebagai dasar untuk klasifikasi. Berbagai metode perbandingan kemudian digunakan untuk menentukan apakah suatu piksel tertentu layak sebagai anggota kelas. ENVI menyediakan berbagai metode klasifikasi yang berbeda, termasuk parallelepiped, Maksimum Likelihood, Minimum Jarak, Mahalanobis Jarak, Binary Encoding, dan spektral Angle Mapper. Periksa hasil pengolahan di bawah ini, atau gunakan default parameter klasifikasi untuk masing-masing metode klasifikasi untuk menghasilkan kelas Anda sendiri dan bandingkan hasilnya.

Untuk melakukan klasifikasi Anda sendiri menggunakan Klasifikasi-> Dibimbing-> Metode, dimana Metode adalah salah satu klasifikasi diawasi's metode ENVI. Gunakan salah satu dari dua metode di bawah ini untuk memilih area pelatihan (Kawasan of Interest).

Pelatihan Pilih Set Menggunakan Kawasan of Interest (ROI)

Seperti dijelaskan dalam ENVI Tutorial # 1 dan dirangkum di sini, ENVI memungkinkan Anda dengan mudah menentukan "Kawasan Kepentingan" (ROI) biasanya digunakan untuk mengekstrak statistik untuk klasifikasi, masking, dan operasi lainnya. Untuk keperluan latihan ini, Anda bisa menggunakan ROI standar, atau membuat sendiri.

Kembalikan ROI Predefined

1. Penggunaan Kawasan preselected Kepentingan dengan memulai Daerah Kontrol Bunga dialog dengan memilih Dasar Tools-> Region Kepentingan-> Tentukan Daerah Kepentingan, kemudian memilih Berkas-> Kembalikan ROI dan memilih CLASSES.ROI sebagai file masukan.

ROI Buat Sendiri

1. Pilih Dasar Tools-> Region Kepentingan-> Tentukan Daerah ENVI Bunga dari Menu Utama. Dialog ROI Definisi akan muncul.
2. Menggambar poligon yang mewakili daerah bunga.
3. Klik tombol kiri mouse pada jendela utama untuk menetapkan titik pertama dari poligon ROI.
4. Pilih titik perbatasan lebih lanjut dalam urutan dengan mengklik tombol kiri lagi, dan menutup poligon dengan mengklik mouse button.The tombol kanan mouse tengah menghapus titik paling baru, atau (jika Anda telah menutup poligon) seluruh poligon.
5. ROI juga dapat didefinisikan dalam Zoom dan jendela Gulir dengan memilih tombol radio yang sesuai di bagian atas dialog Kontrol ROI.

Setelah selesai mendefinisikan suatu ROI, terlihat dalam daftar dialog tentang Kawasan Tersedia, dengan nama, warna wilayah, dan jumlah piksel tertutup, dan tersedia untuk semua prosedur klasifikasi ENVI's.

1. Untuk menentukan ROI yang baru, klik "New Region".
2. Anda dapat memasukkan nama untuk wilayah tersebut dan pilih warna dan mengisi pola untuk wilayah dengan mengklik tombol "Edit". Definisikan ROI baru seperti dijelaskan di atas.

Dibimbing Klasik Klasifikasi Multispektral

Metode berikut dijelaskan di sebagian besar buku teks penginderaan jauh dan biasanya tersedia dalam sistem software pengolah gambar saat ini.

Paralelipiped

klasifikasi parallelepiped menggunakan aturan keputusan sederhana untuk mengklasifikasikan data multispektral. Batas-batas keputusan merupakan parallelepiped n-dimensi dalam ruang data gambar. Dimensi dari parallelepiped ditentukan berdasarkan batas deviasi standar dari rata-rata setiap kelas yang dipilih.

1. hasil Presaved berada di CAN_PCLS.IMG file. Meneliti atau melakukan klasifikasi Anda sendiri menggunakan Kawasan CLASSES.ROI Kepentingan dijelaskan di atas. Coba gunakan default parameter dan berbagai standar deviasi dari mean dari ROI.
2. Gunakan gambar menghubungkan dan overlay dinamis untuk membandingkan kelompok ini ke gambar komposit warna dan klasifikasi unsupervised sebelumnya. 

Gambar: Hasil klasifikasi parallelepiped.

Maximum Likelihood

kemungkinan klasifikasi maksimum mengasumsikan bahwa statistik untuk setiap kelas dalam setiap band biasanya didistribusikan dan menghitung probabilitas bahwa suatu pixel diberikan milik kelas tertentu. Kecuali ambang probabilitas dipilih, semua piksel diklasifikasikan. Setiap pixel ditugaskan untuk kelas yang memiliki probabilitas tertinggi (yaitu, "maksimum likelihood").

1. Lakukan klasifikasi anda sendiri menggunakan Kawasan CLASSES.ROI Kepentingan dijelaskan di atas. Coba gunakan parameter default dan ambang berbagai kemungkinan.
2. Gunakan gambar menghubungkan dan overlay dinamis untuk membandingkan kelompok ini ke gambar komposit warna dan klasifikasi tak terawasi dan terawasi sebelumnya.

Jarak minimum

Klasifikasi jarak minimum menggunakan vektor mean dari setiap ROI dan menghitung jarak Euclidean dari tiap pixel tidak diketahui oleh vektor berarti bagi masing-masing kelas. Semua piksel yang diklasifikasikan ke kelas ROI terdekat kecuali pengguna menentukan deviasi standar atau batas jarak, dalam hal ini beberapa piksel mungkin tidak berbintang jika mereka tidak memenuhi kriteria yang dipilih.

1. Lakukan klasifikasi anda sendiri menggunakan Kawasan CLASSES.ROI Kepentingan dijelaskan di atas. Coba gunakan default parameter dan berbagai standar deviasi dan kesalahan jarak maksimal.
2. Gunakan gambar menghubungkan dan overlay dinamis untuk membandingkan kelompok ini ke gambar komposit warna dan klasifikasi tak terawasi dan terawasi sebelumnya.

Mahalanobis Jarak

Klasifikasi Mahalanobis Jarak adalah jarak arah classifier sensitif yang menggunakan statistik untuk masing-masing kelas. Hal ini mirip dengan klasifikasi Kemungkinan Maksimum tetapi menganggap semua covariances kelas adalah sama dan karenanya merupakan metode yang lebih cepat. Semua piksel yang diklasifikasikan ke kelas ROI terdekat kecuali pengguna menentukan ambang batas jarak, dalam hal ini beberapa piksel mungkin tidak berbintang jika mereka tidak memenuhi ambang batas.

1. Lakukan klasifikasi anda sendiri menggunakan Kawasan CLASSES.ROI Kepentingan dijelaskan di atas. Coba gunakan default parameter dan berbagai kesalahan jarak maksimum.
2. Gunakan gambar menghubungkan dan overlay dinamis untuk membandingkan kelompok ini ke gambar komposit warna dan klasifikasi tak terawasi dan terawasi sebelumnya.

"Spektral" Klasifikasi Metode

Metode berikut ini dijelaskan dalam buku petunjuk Pengguna ENVI itu. Ini adalah dikembangkan secara khusus untuk digunakan pada data itt, tetapi menyediakan metode alternatif untuk mengklasifikasikan data multispektral, seringkali dengan hasil yang baik yang dapat dengan mudah dibandingkan dengan sifat spektral bahan. Mereka biasanya digunakan dari dialog Koleksi Endmember menggunakan spektrum foto atau perpustakaan, bagaimanapun, mereka juga bisa dimulai dari menu klasifikasi, Klasifikasi-> Dibimbing-> Metode.

Dialog Endmember Koleksi

Dialog koleksi endmember adalah cara standar untuk mengumpulkan spektrum untuk klasifikasi terbimbing dari ASCII File, Kawasan of Interest, spektral Perpustakaan, dan Statistik File. Mulailah dialog dengan memilih, spektral Tools-> Endmember Koleksi (ini juga dapat dimulai dengan memilih Klasifikasi-> Endmember Koleksi. Klik pada tombol Open File Image di bagian bawah dialog Input File Klasifikasi dan memilih file input CAN_TMR.IMG dan klik OK.

Dialog Endmember Koleksi muncul dengan metode klasifikasi parallelepiped dipilih secara default. Klasifikasi tersedia dan metode pemetaan terdaftar dengan memilihalgoritma-> Metode dari menu bar dialog. Tersedia metode klasifikasi terbimbing saat ini termasuk parallelepiped, Minimum Jarak, Manlanahobis Jarak, Maksimum Likelihood, Binary Encoding, dan spektral Angle Mapper (SAM).

Binary Encoding Klasifikasi

Teknik pengkodean biner klasifikasi mengkodekan data dan endmember spektra ke 0s dan 1s berdasarkan apakah sebuah band jatuh di bawah atau di atas rata-rata spektrum. Fungsi ATAU eksklusif digunakan untuk membandingkan setiap spektrum referensi dikodekan dengan spektrum data yang dikodekan dan gambar klasifikasi dihasilkan. Semua piksel yang diklasifikasikan untuk endmember dengan jumlah terbesar band yang cocok kecuali pengguna menentukan ambang batas minimum pertandingan, di mana beberapa kasus mungkin piksel unclassified jika mereka tidak memenuhi kriteria.

1. Presaved Binary Encoding hasilnya di CAN_BIN.IMG file. Ini dibuat menggunakan pengkodean ambang batas minimum 75%. Meneliti atau melakukan klasifikasi Anda sendiri menggunakan Kawasan CLASSES.ROI Kepentingan dijelaskan di atas. Untuk melakukan klasifikasi sendiri, memilih> Binary Encoding-Algoritma dari menu bar. Gunakan Kawasan standar Kepentingan dalam file CLASSES.ROI. Pilih Impor-> Dari ROI dari file input, klik Pilih Semua, dan klik OK. Anda dapat melihat plot spektral karena ia ROI dengan memilih Pilihan-> Plot Endmembers.
2. Klik pada panah toggle tombol di sebelah teks "Output Gambar Peraturan" dalam Binary Encoding Parameter dialog dan klik OK di bagian bawah dialog untuk memulai klasifikasi.
3. Gunakan gambar dan dinamis menghubungkan lapisan untuk membandingkan kelompok ini ke gambar komposit warna dan klasifikasi tak terawasi dan terawasi sebelumnya.

Klasifikasi spektral Angle Mapper

The spektral Angle Mapper (SAM) adalah klasifikasi spektral berbasis fisik yang menggunakan sudut n-dimensi untuk mencocokkan piksel untuk spektra acuan. Algoritma menentukan kesamaan spektral antara dua spektra dengan menghitung sudut antara spektra, memperlakukan mereka sebagai vektor dalam ruang dengan dimensi yang sama dengan jumlah band.

1. Klasifikasi SAM Presaved hasilnya di CAN_SAM.IMG file. Meneliti atau melakukan klasifikasi Anda sendiri menggunakan Kawasan CLASSES.ROI Kepentingan dijelaskan di atas, yang akan terdaftar dalam dialog Koleksi Endmember. Untuk melakukan klasifikasi Anda sendiri, pilih Algoritma-> spektral Angle Mapper dari menu bar. Klik Apply untuk memulai klasifikasi.
2. Jika melakukan klasifikasi Anda sendiri, masukkan nama file untuk output gambar klasifikasi SAM dalam dialog Koleksi Endmember. Juga masukkan nama file CAN_RUL.IMG sebagai nama aturan output gambar dan klik OK di bagian bawah dialog untuk memulai klasifikasi.

Gunakan gambar dan dinamis menghubungkan lapisan untuk membandingkan kelompok ini ke gambar komposit warna dan klasifikasi tak terawasi dan terawasi sebelumnya.

Peraturan Images

ENVI menciptakan gambar yang menunjukkan nilai-nilai piksel yang digunakan untuk menciptakan citra rahasia. Gambar-gambar ini opsional memungkinkan pengguna untuk mengevaluasi hasil klasifikasi dan reklasifikasi jika diinginkan berdasarkan ambang batas. Ini adalah gambar grayscale, satu untuk setiap ROI atau endmember spektrum yang digunakan dalam klasifikasi.

Gambar aturan merupakan hal yang berbeda untuk berbagai jenis klasifikasi, misalnya:

Metode Klasifikasi Peraturan Gambar Nilai

Parallelepiped Jumlah band yang memenuhi kriteria parallelepiped.

Jarak minimum Jumlah jarak dari kelas berarti

Maksimum Kemungkinan Probabilitas pixel milik kelas

Manalanobis Jarak Jarak dari kelas berarti

Binary Binary Encoding Match di Persen

Spektral Angle Angle Mapper spektral dalam radian (sudut lebih kecil menunjukkan dekat cocok dengan spektrum referensi)

1. Untuk klasifikasi SAM di atas, memuat foto tersebut diklasifikasikan dan aturan dalam menampilkan gambar terpisah dan membandingkannya menggunakan overlay dinamis. Balikkan gambar aturan SAM menggunakan Fungsi-> Tampilan Fitur-> Warna Pemetaan-> ENVI Tabel Warna dan menyeret "Stretch Bawah" dan "Stretch Top" slider untuk ujung berlawanan dari dialog. Daerah dengan sudut spektral rendah (lebih spektrum serupa) akan muncul terang.
2. Membuat gambar klasifikasi dan aturan dengan menggunakan metode lain. dinamis Gunakan lapisan dan Cursor Lokasi / Nilai untuk menentukan apakah ambang yang baik dapat digunakan untuk memperoleh lebih spasial klasifikasi koheren.
3. Jika Anda menemukan batas lebih baik, pilih Klasifikasi-> Post Klasifikasi-> Peraturan Classifier dan masukkan ambang yang tepat untuk membuat gambar klasifikasi baru. Bandingkan klasifikasi baru Anda ke klasifikasi sebelumnya

. 

Gambar: Peraturan Image for Landsat TM Canon City, Angle Klasifikasi spektral Mapper. Membentang untuk menunjukkan pertandingan terbaik (sudut spektrum rendah) sebagai piksel cerah.

Koreksi Radiometrik

Koreksi Radiometrik terjadi karena adanya interaksi antara radiasi elektromagnetik dengan partikel di atmosfer yang menyebabkan cacat pada citra

Gambar

Proses Koreksi Radiometrik

Koreksi Radiometrik Citra Landsat menggunakan ENVI 4.x

ENVI® (the Environment for Visualizing Images) merupakan sebuah revolusidari sistem pengolahan citra digital. Dari permulaan lahirnya, ENVI telahdidesain untuk banyak kebutuhan spesifik pada siapa yang biasanyamenggunakan data penginderaan jauh satelit atau foto udara. ENVImenyediakan visualisasi data dan analisisnya secara komprehensif untukcitra dalam berbagai ukuran dan tipe apapun dalam lingkungan yanginnovative dan user-friendly.

Koreksi atmosferik dilakukan pada citra yang mengalami distorsi radiometrik. Atau dikatakan juga bahwaKoreksi radiometrik dilakukan karena gangguan dari efek atmosfer sebagai sumber kesalahan utama.Distorsi dapat terjadi sewaktu akuisisi data dan transmisi atau perekaman detektor-detektor yangdigunakan pada sensor dengan ciri-ciri kesalahan meliputi :- Adanya piksel yang hilang- Pengaruh atmosfer yang menyebabkan hamburan bayangan obyek- Adanya tampilan garis yang disebabkan oleh ketidak seragaman detektor Koreksi tersebut di atas dapat menggunakan metode penyesuaian histogram (histogram adjustment). Asumsi yang melandasi metode ini adalah nilai piksel terendah tiap saluran seharusnya bernilai 0. Apabila nilai lebih besar dari nol (>0), maka dihitung sebagai bias atau offset, dan koreksi dilakukandengan cara menghilangkan bias tersebut, yaitu mengurangi keseluruhan nilai spektral pada saluran aslidengan nilai biasnya masing-masing.Di ENVI dapat dilakukan dengan Band Math atau Dark SubstractBasic Tools > Band Mathkemudian masukkan formula pengurangn nilai bias, misal : B1-54lakukan untuk masing-masing band, dengan nilai biasnya masing-masingBasic Tools > Preprocessing > General Purpose Utilities > Dark Substractpilih citranya, maka semua band akan terkoreksi (apabila semua band/saluran berada dalam satu file)Untuk cek nilai rentan band/saluranPilih Basic Tools > Statistics > Compute Statistics

Citra satelit

Citra adalah gambar pada bidang dua dimensi. Dalam tinjauan matematis, citra merupakan fungsi kontinu dari intensitas cahaya pada bidang dua dimensi. Ketika sumber cahaya menerangi objek, objek memantulkan kembali sebagian cahaya tersebut. Pantulan ini ditangkap oleh alat-alat pengindera optik, misalnya mata manusia, kamera, scanner dan sebagainya. Bayangan objek tersebut akan terekam sesuai intensitas pantulan cahaya. Ketika alat optik yang merekam pantulan cahaya itu merupakan mesin digital, misalnya kamera digital, maka citra yang dihasilkan merupakan citra digital. Pada citra digital, kontinuitas intensitas cahaya dikuantisasi sesuai resolusi alat perekam.

Output dari suatu sistem perekaman dapat bersifat [MUN04]:

1.       optik, berupa foto,

2.       analog, berupa sinyal video seperti gambar pada monitor televisi,

3.       digital, berupa file yang dapat langsung disimpan dalam suatu memori.

Di dalam komputer, citra digital disimpan sebagai suatu file dengan format tertentu. Format citra tersebut menunjukan cara sebuah citra digital disimpan, misalnya apakah dengan suatu kompresi atau tidak. Contoh format citra digital adalah .bmp, .jpg, .png, .tif dan sebagainya. Ukuran citra digital dinyatakan dalam pixel (picture element). Umumnya, nilai setiap pixel merupakan kuantisasi harga intensitas cahaya. Dengan demikian, suatu citra digital dapat dipandang sebagai sebuah matriks yang elemen-elemennya menunjukkan intensitas cahaya terkuantisasi. Bedanya terletak pada urutan penyebutan angka ukuran tersebut. Citra digital dengan ukuran 92x112 pixel sebenarnya merupakan sebuah matriks dengan ukuran 112x92, dimana 112 merupakan banyaknya baris dan 92 merupakan banyaknya kolom.

Penginderaan jauh Sistem satelit Sistem Satelit

Sistem satelit dalam penginderaan jauh tersusun atas pemindai (scanner) dengan dilengkapi sensor pada wahana (platform) satelit, dan sensor tersebut dilengkapi oleh detektor.
Untuk lebih jelasnya dapat diuraikan sebagai berikut :

·         Penyiam merupakan sistem, perolehan data secara keseluruhan termasuk sensor dan detektor.

·         Sensor merupakan alat untuk menangkap energi dan mengubahnya ke dalam bentuk sinyal dan menyajikannya ke dalam bentuk yang sesuai dengan informasi yang ingin disadap.

·         Detektor merupakan alat pada sistem sensor yang merekam radiasi elektromagnetik.

Sistem Satelit Landsat

Satelit Landsat merupakan salah satu satelit sumber daya bumi yang dikembangkan oleh NASA dan Departemen Dalam Negeri Amerika Serikat. Satelit ini terbagi dalam dua generasi yakni generasi pertama dan generasi kedua. Generasi pertama adalah satelit Landsat 1 sampai Landsat 3, generasi ini merupakan satelit percobaan (eksperimental) sedangkan satelit generasi kedua (Landsat 4 dan Landsat 5) merupakan satelit operasional (Lindgren, 1985), sedangkan Short (1982) menamakan sebagai satelit penelitian dan pengembangan (Sutanto, 1994). Satelit generasi pertama memiliki dua jenis sensor, yaitu penyiam multi spektral (MSS) dengan empat saluran dan tiga kamera RBV (Return Beam Vidicon).

Satelit generasi kedua adalah satelit membawa dua jenis sensor yaitu sensor MSS dan sensor Thematic Mapper (TM). Perubahan tinggi orbit menjadi 705 km dari permukaan bumi berakibat pada peningkatan resolusi spasial menjadi 30 x30 meter untuk TM1 - TM5 dan TM7 , TM 6 menjadi 120 x 120 meter. Resolusi temporal menjadi 16 hari dan perubahan data dari 6 bits (64 tingkatan warna) menjadi 8 bits (256 tingkatan warna). Kelebihan sensor TM adalah menggunakan tujuh saluran, enam saluran terutama dititikberatkan untuk studi vegetasi dan satu saluran untuk studi geologi tabel (2.1) Terakhir kalinya akhir era 2000- an NASA menambahkan penajaman sensor band pankromatik yang ditingkatkan resolusi spasialnya menjadi 15m x 15m sehingga dengan kombinasi didapatkan citra komposit dengan resolusi 15m x 15 m. 

citra lansat 7 komposisi band 4,5,3 vs band 3,2,1

Komposit band 3,2,1 merupakan true color compositeatau warna sebenarnya yang ada di permukaan bumi (natural color) sedangkan komposit band 4,5,3 merupakan false color compositeatau warna yang bukan sebenarnya yang ada di permukaan bumi.

Vegetasi (Objek Area)

Pada komposit band 3,2,1 tutupan vegetasi ditunjukan dengan warna hijau atau bisa dikatakan sesuai dengan warna yang tampak jika dilihat dengan mata sedangkan pada komposit band 4,5,3 tutupan vegetasi dtandai dengan warna jingga.

Lahan Terbangun (Objek Area)

Pada komposit band 3,2,1 lahan terbangun ditandai dengan warna asli sesuai keadaan di lapangan. Dari citra diatas dapat dilihat bahwa warna dari lahan terbangun adalah warna coklat sesuai dengan warna genting rumah/bangunan. Pada komposit band 4,5,3 lahan terbangun ditandai dengan warna biru mudah dengan rona cerah. Kelebihan dari kompositband 4,5,3 untuk interpetasi lahan terbangun adalah dari ronanya. Semakin cerah rona dari warna biru maka lahan terbangun yang ada semakin padat, sedangkan semakin gelap rona dari warna biru maka lahan terbangun yang ada semakin jarang.

Jalan (objek garis)

1: Pada komposit band 3,2,1 kenampakan objek garis berupa jalan tidak dapat dilihat dan diindentifikasi. Objek jalan yang tampak pada komposit band 3,2,1 telihat tersamarkan oleh objek area berupa lahan terbangun jadi tidak dapat dibedakan satu sama lainnya.

2: Pada komposit band 4,5,3 kenampakan objek garis berupa jalan terlihat cukup jelas dan dapat dibedakan dengan kenampakan objek area berupa lahan terbangun. Jalan ditunjukan dengan sebuah garis melintang dengan warna biru berona gelap.

Perbedaan secara Sistematis

	Komposit Band 3,2,1	Komposit Band 4,5,3
Objek Vegetasi (area)	Sesuai warna yang ada di lapangan (hijau)	Jingga
Objek Lahan Terbangun   (area)	Sesuai warna yang ada di lapangan (coklat untuk genting)	Warna biru; semakin padat lahan terbangun di suatu daerah rona yang terbentuk semakin cerah dan sebaliknya
Objek Jalan (area)	Tidak dapat dibedakan/ tersamarkan dengan objek lahan terbangun	Dapat dibedakan dengan objek lahan terbangun

Kesimpulan

Komposit band 3,2,1 merupakan komposit untuk melihat kenampakan citra sesuai dengan warna aslinya/ true color composite sedangkan komposit band 4,5,3 merupakan komposit warna yang bukan sebenarnya/false color composite dimana cocok untuk mengidentifikasi objek lahan terbangun dan objek jalan.

sumber:  http://fariszulkarnain.blogspot.com/2011/03/citra-landsat-7-komposit-band-453-vs.html

Dapat dibedakan dengan objek lahan terbangun

Kesimpulan

Komposit band 3,2,1 merupakan komposit untuk melihat kenampakan citra sesuai dengan warna aslinya/ true color composite sedangkan komposit band 4,5,3 merupakan komposit warna yang bukan sebenarnya/false color composite dimana cocok untuk mengidentifikasi objek lahan terbangun dan objek jalan.