Prediksi Urban Heat Island (UHI) berdasarkan penginderaan jauh satelit menggunakan Support Vector Regresion

INDONESIA:

Urban Heat Island merupakan kondisi di mana suhu di wilayah perkotaan menjadi secara signifikan lebih tinggi daripada di wilayah pedesaan sekitarnya. Sehingga memunculkan indeks ketidaknyamanan dengan ditandai meningkatnya suhu global, perubahan iklim, serta risiko kesehatan bagi penduduk kota. Fenomena ini menjadi perhatian global karena dampaknya yang luas terhadap lingkungan. Untuk mengatasi permasalahan tersebut, pada penelitian ini akan dirancang sistem prediksi UHI berdasarkan data penginderaan jauh menggunakan metode Support Vector Regression, dengan tujuan untuk mengetаhui рerformа metoԁe SVR ԁаlаm memprediksi UHI berԁаsаrkаn ԁаtа penginderaan jauh saetelit. Data yang digunakan diperoleh dari situs Google Earth Engine dengan menggunakan 3 satelit yaitu Landsat 8 OLI/TIRSC2 L1, Sentinel-2 Level-2A, dan NASA SRTM Digital Elevation 30m, yang berisikan 4850 titik data sampel dengan 7 atribut. Penelitian ini membandingkan tiga kernel Support Vector Machine beserta tunning hyperparameter berbeda. Untuk mengevaluasi performa metode dalam melakukan prediksi, pengukuran dilakukan dengan memanfaatkan koefisien determinasi (R2) untuk menunjukkan seberapa baik model melalui variabel-variabel yang digunakan, Mean Square Error (MSE) untuk memberikan gambaran seberapa besar kesalahan prediksi dalam bentuk kuadrat, serta nilai Mean Absolute Percentage Error (MAPE) untuk menghitung rata-rata kesalahan relatif dalam bentuk persentase. Hasil analisis menunjukkan bahwa pada skenario 3 dengan rasio 90:10 dengan kernel linear dan nilai hyperparameter C=10 dan Epsilon senilai 1, diperoleh performa terbaik berdasarkan nilai rata-rata dan standar deviasi MAPE.

ENGLISH:

Urban Heat Island is a condition where temperatures in urban areas are significantly higher than in surrounding rural areas. This gives rise to a discomfort index marked by increasing global temperatures, climate change and health risks for city residents. This phenomenon is of global concern because of its broad impact on the environment. To overcome this problem, in this research a UHI prediction system will be designed based on remote sensing data using the Support Vector Regression method, with the aim of knowing the performance of the SVR method in predicting UHI based on satellite remote sensing data. The data used was obtained from the Google Earth Engine website using 3 satellites, namely Landsat 8 OLI/TIRSC2 L1, Sentinel-2 Level-2A, and NASA SRTM Digital Elevation 30m, which contains 4850 sample data points with 7 attributes. This research compares three Support Vector Machine kernels along with different hyperparameter tuning. To evaluate the performance of the method in making predictions, measurements are carried out using the coefficient of determination (R2) to show how good the model is through the variables used, Mean Square Error (MSE) to give an idea of how big the prediction error is in square form, and the Mean Absolute value Percentage Error (MAPE) to calculate the average relative error in percentage form. The analysis results show that in scenario 3 with a ratio of 90:10 with a linear kernel and a hyperparameter value of C=10 and Epsilon of 1, the best performance is obtained based on the average value and standard deviation of MAPE.

ARABIC:

جزيرة الحرارة الحضرية هي حالة تكون فيها درجة الحرارة في المناطق الحضرية أعلى بكثير منها في المناطق الريفية المحيطة. وهذا يخلق مؤشرًا من عدم الراحة يتسم بارتفاع درجات الحرارة العالمية وتغير المناخ والمخاطر الصحية لسكان المدينة. وتثير هذه الظاهرة قلقا عالميا بسبب تأثيرها الواسع على البيئة. العامل الرئيسي في حدوث ظاهرة UHI هو تغير عدد كبير من الأسطح الطبيعية إلى أسطح غير منفذة، مما يؤدي إلى تغييرات كبيرة في استخدام الأراضي والغطاء في المناطق الحضرية والريفية. للتغلب على هذه المشكلة، سيقوم هذا البحث بتصميم نظام تنبؤ UHI يعتمد على بيانات الاستشعار عن بعد باستخدام طريقة Support Vector Regression، بهدف معرفة أداء طريقة SVR في التنبؤ UHI بناء على بيانات الاستشعار عن بعد عبر الأقمار الصناعية. تم الحصول على البيانات المستخدمة من موقع Google Earth Engine باستخدام 3 أقمار صناعية، وهي Landsat 8 OLI/TIRSC2 L1 وSentinel-2 Level-2A وNASA SRTM Digital Elevation 30m الذي يحتوي على 4850 نقطة بيانات عينة مع 7 سمات. تضمن هذا البحث 3 خطوات رئيسية. الخطوة الأولى هي جمع البيانات. هناك 3 أقمار صناعية سيتم استخدامها لاحقًا في الأبحاث. الخطوة التالية هي إعداد البيانات التي تتضمن Cloud Masking وحساب الميزات التي سيتم استخدامها. بعد ذلك سيتم تسوية البيانات أولاً باستخدام Z-Score ثم تقسيمها إلى ثلاثة سيناريوهات رئيسية بنسب مختلفة، وهي 90% بيانات التدريب: 10% بيانات الاختبار، 80% بيانات التدريب: 20% بيانات الاختبار، وبيانات الاختبار، و70% بيانات التدريب : 30% بيانات الاختبار. بعد ذلك، يقارن هذا البحث ثلاث نواة Support Vector Machine مع ضبط مختلف للمعلمات الفائقة. ولتقييم أداء الطريقة في إجراء التنبؤات يتم إجراء القياسات باستخدام معامل التحديد (R2) لبيان مدى جودة النموذج من خلال المتغيرات المستخدمة، متوسط مربع الخطأ (MSE) لإعطاء فكرة عن مدى حجم الخطأ يكون خطأ التنبؤ في شكل مربع، وقيمة متوسط النسبة المئوية للخطأ المطلق (MAPE) لحساب متوسط الخطأ النسبي في شكل نسبة مئوية. تظهر نتائج التحليل أنه في السيناريو 3 بنسبة 90:10 مع نواة خطية وقيم المعلمات الفائقة C=10 وEpsilon 1، يتم الحصول على أفضل أداء بناءً على متوسط القيمة والانحراف المعياري لـ MAPE.