← Semua proyek
Riset
Super-Resolusi Citra Sentinel-2 dengan Deep Learning (10 m → 3 m)
Model AI yang mempertajam citra Sentinel-2 gratis (10 m) mendekati resolusi PlanetScope (±3 m), sehingga bangunan dan petak sawah bisa dipantau tanpa membeli citra komersial setiap kali.
- resolusi citra
- 10 → 3,3 m
- F1 deteksi bangunan
- 0,68 → 0,82
- band spektral dipertajam
- 6
Tantangan
UU Penataan Ruang (UU 26/2007) menuntut pemantauan tutupan bangunan di lebih dari 500 kota. Citra komersial beresolusi tinggi mahal (US$5–25 per km²), sedangkan Sentinel-2 gratis tetapi pikselnya 10 m, lebih besar dari kebanyakan bangunan.
Pendekatan
- Pasangan data: Sentinel-2 (masukan, 10 m) dipasangkan dengan PlanetScope (target, ±3 m) di area yang sama, diregistrasi hingga sub-piksel, lalu dipotong menjadi pasangan tile 64×64 dan 192×192 piksel.
- Model: arsitektur EDSR dan SwinIR multi-band untuk 6 band spektral, dievaluasi dengan PSNR, SSIM, SAM, dan ERGAS.
- Uji manfaat nyata: klasifikasi bangunan di pusat kota Semarang, dan penyesuaian (fine-tuning) untuk petak sawah di DI Klambu.
Hasil
- Pada uji klasifikasi bangunan di pusat kota Semarang (2×2 km), skor F1 naik dari 0,68 dengan Sentinel-2 asli menjadi 0,82 dengan citra hasil super-resolusi.
- Model bersifat spesifik kota: model yang dilatih di Semarang justru kalah dari interpolasi biasa di sebagian Surabaya. Cukup satu kali pembelian PlanetScope per kota untuk melatih model, selanjutnya cukup memakai Sentinel-2 gratis.
- Model yang disesuaikan untuk DI Klambu memulihkan batas petak sawah yang kabur pada model perkotaan.
Foto
Perbandingan Sentinel-2 (10 m), hasil super-resolusi (3,3 m), dan PlanetScope (3 m) 
Klasifikasi bangunan di pusat kota Semarang dari citra asli dan hasil super-resolusi 
Super-resolusi petak sawah DI Klambu: model perkotaan vs model yang disesuaikan
Punya proyek serupa?
Ceritakan kebutuhan Anda — kami bantu dari survei lapangan, analisis, hingga pelatihan tim Anda.