S2-CLOUD-MASK-COMPARISON-TNGC

Notebook ini membandingkan empat algoritma cloud masking pada citra Sentinel-2 di wilayah Gunung Cereme, Jawa Barat, menggunakan Google Earth Engine (GEE).

Repositori di GitHub

Notebook ini membandingkan empat algoritma cloud masking pada citra Sentinel-2 di wilayah Gunung Cereme, Jawa Barat, menggunakan Google Earth Engine (GEE).

📋 Deskripsi¶

Studi ini bertujuan untuk mengevaluasi seberapa efektif masing-masing metode cloud masking dalam menghilangkan piksel berawan dari komposit median Sentinel-2. Pendekatan yang digunakan adalah membandingkan kecerahan (brightness) hasil tiap algoritma terhadap Cloud Score Plus (CS+) sebagai baseline — metode yang dianggap paling bersih. Piksel yang secara signifikan lebih terang dari CS+ dianggap sebagai sisa awan yang tidak terdeteksi.

Periode pengamatan: 1 Mei 2025 – 30 Mei 2026
Area studi: Gunung Cereme, Kuningan–Majalengka, Jawa Barat
ROI (Region of Interest): Asset GEE projects/ee-defaniarman/assets/cereme

🛰️ Data yang Digunakan¶

🔬 Algoritma yang Dibandingkan¶

(a) QA60 Bitmask¶

Menggunakan band QA60 bawaan Sentinel-2. Piksel dianggap berawan jika bit 10 (awan opak) atau bit 11 (cirrus) bernilai 1.

def apply_qa(img):
    qa = img.select('QA60')
    mask = qa.bitwiseAnd(1 << 10).eq(0).And(qa.bitwiseAnd(1 << 11).eq(0))
    return img.updateMask(mask)

(b) Scene Classification Layer (SCL)¶

Menggunakan band SCL dari produk Sentinel-2 SR. Piksel dengan nilai SCL 3 (shadow), 7 (unclassified), 8 (medium cloud), 9 (high cloud), 10 (thin cirrus), dan 11 (snow) di-mask.

def apply_scl(img):
    scl = img.select('SCL')
    mask = scl.neq(3).And(scl.neq(7)).And(scl.neq(8)) \
              .And(scl.neq(9)).And(scl.neq(10)).And(scl.neq(11))
    return img.updateMask(mask)

(c) Cloud Score Plus (CS+) (Baseline)¶

Menggunakan cs_cdf dari koleksi Cloud Score Plus. Piksel dengan nilai cs_cdf ≥ 0.60 dianggap cukup bersih untuk dipertahankan.

def apply_csplus(img):
    return img.updateMask(img.select('cs_cdf').gte(0.60))

(d) s2cloudless Probability¶

Menggunakan koleksi COPERNICUS/S2_CLOUD_PROBABILITY. Piksel dengan probabilitas awan < 65% dipertahankan.

def apply_s2c(img):
    return img.updateMask(img.select('probability').lt(65))

🧠 Metode Deteksi Sisa Awan¶

Untuk setiap algoritma, sisa awan (cloud leakage) dideteksi dengan cara:

1. Membuat komposit median dari koleksi yang sudah di-mask.

2. Menghitung rata-rata kecerahan RGB (reduce(ee.Reducer.mean())).

3. Membandingkan kecerahan tiap algoritma dengan kecerahan baseline CS+.

4. Piksel yang lebih terang > 5% (0.05) dari CS+ ditandai sebagai sisa awan.

is_leftover = algo_brightness.subtract(cs_brightness).gt(0.05)

🗺️ Hasil Visualisasi¶

Citra Asli Sebelum Masking¶

Komposit median Sentinel-2 tanpa cloud masking, menampilkan awan yang menutupi sebagian besar wilayah Gunung Cereme.

Komparasi Sisa Awan (Highlight Merah)¶

Sisa awan yang lolos dari tiap algoritma ditampilkan dengan warna merah. Semakin sedikit area merah, semakin efektif algoritma tersebut.

Komparasi Sisa Awan (Peta Biner + Legenda)¶

Versi biner: piksel awan sisa ditampilkan hitam, area bersih ditampilkan abu-abu.

📊 Ringkasan Hasil¶

⚙️ Cara Menjalankan¶

1. Buka notebook di Google Colab:
   

2. Jalankan instalasi dependensi (Cell 1):

   pip install geemap cartopy matplotlib earthengine-api

3. Autentikasi Google Earth Engine:

   ee.Authenticate()
   ee.Initialize(project='your-project-id')

4. Jalankan seluruh cell secara berurutan.

📦 Dependensi¶

earthengine-api
geemap
matplotlib
cartopy

📁 Struktur Repositori¶

📦 cloud-masking-cereme/
 ┣ 📓 Untitled60.ipynb          # Notebook utama
 ┣ 📄 README.md
 ┗ 📁 images/
    ┣ 🖼️ Unmasked_Sentinel2_Cereme.png
    ┣ 🖼️ Komparasi_Sisa_Awan_Cereme.png
    ┗ 🖼️ Komparasi_Sisa_Awan_AbuItem_Cereme_with_Legend.png

👤 Author¶

Defani Arman
Google Earth Engine Project: ee-defaniarman

Notebook¶

Notebook dari repositori ini, tampil lengkap dengan sel kode dan hasilnya:

• MAIN.ipynb · GitHub · Colab