Proses scaling ionogram Canadian Advanced Digital Ionosonde (CADI) di BRIN Pontianak masih dilakukan secara manual sehingga memerlukan waktu pengolahan yang relatif lama dan berpotensi menghasilkan perbedaan interpretasi antaroperator. Penelitian ini bertujuan mengembangkan dan mengevaluasi sistem autoscaling ionogram berbasis pengolahan citra digital untuk mengekstraksi parameter ionosfer berupa frekuensi minimum (fmin), frekuensi kritis lapisan E sporadis (foEs), ketinggian virtual lapisan F2 (h’F2), dan frekuensi kritis lapisan F2 (foF2). Penelitian dilakukan menggunakan pendekatan eksperimen melalui tahapan pengembangan sistem yang meliputi konversi citra ke grayscale, pemotongan area ionogram, thresholding, penyaringan derau, pemisahan lapisan E dan F, analisis gradien kurva, serta ekstraksi parameter. Kinerja sistem dievaluasi terhadap 2.495 citra ionogram dengan membandingkan hasil autoscaling dan scaling manual menggunakan metrik Detection Rate, Mean Absolute Error, Root Mean Square Error, dan Relative Error. Hasil pengujian menunjukkan nilai Detection Rate sebesar 95,74% untuk fmin, 73,75% untuk foEs, 95,80% untuk h’F2, dan 95,73% untuk foF2. Nilai Relative Error masing-masing parameter sebesar 15,16%, 6,57%, 9,83%, dan 6,93%. Hasil tersebut menunjukkan bahwa sistem mampu mendeteksi parameter fmin, h’F2, dan foF2 dengan tingkat keberhasilan yang tinggi, meskipun kemampuan deteksi foEs masih perlu ditingkatkan. Sistem yang dikembangkan dapat digunakan sebagai alat bantu awal untuk mendukung proses analisis ionogram CADI secara lebih konsisten dan otomatis.
References
[1] D. R. Themens, B. Reid, and S. Elvidge, 'ARTIST Ionogram Autoscaling Confidence Scores: Best Practices,' URSI Radio Sci. Lett., vol. 4, pp. 1–5, 2022, doi: 10.46620/22-0001.
[2] C. De La Jara and C. Olivares, 'Ionospheric Echo Detection in Digital Ionograms Using Convolutional Neural Networks,' Radio Sci., vol. 56, no. 8, 2021, doi: 10.1029/2020RS007258.
[3] G. H. Huang et al., 'The Development of Spatial Attention U-Net for the Recovery of Ionospheric Measurements and Extraction of Ionospheric Parameters,' Radio Sci., vol. 57, no. 8, pp. 1–17, 2022, doi: 10.1029/2022RS007471.
[4] M. Fagre et al., 'Algorithm for Automatic Scaling of the F-Layer Using Image Processing of Ionograms,' IEEE Trans. Geosci. Remote Sens., vol. 59, no. 1, pp. 220–227, 2021, doi: 10.1109/TGRS.2020.2996405.
[5] J. Wang, L. Qiao, C. Yan, Z. Qiu, and K. Wang, 'Trace Extraction and Repair of the F Layer from Pictorial Ionograms,' Atmosphere (Basel)., vol. 15, no. 7, 2024, doi: 10.3390/atmos15070769.
[6] Z. Xiao, J. Wang, J. Li, B. Zhao, L. Hu, and L. Liu, 'Deep-learning for ionogram automatic scaling,' Adv. Sp. Res., vol. 66, no. 4, pp. 942–950, 2020.
[7] R. Sherstyukov, S. Moges, A. Kozlovsky, and T. Ulich, 'A Deep Learning Approach for Automatic Ionogram Parameters Recognition With Convolutional Neural Networks,' Earth Sp. Sci., vol. 11, no. 10, 2024, doi: 10.1029/2023EA003446.
[8] D. Bilitza, M. Pezzopane, V. Truhlik, D. Altadill, B. W. Reinisch, and A. Pignalberi, 'The International Reference Ionosphere Model: A Review and Description of an Ionospheric Benchmark,' Rev. Geophys., vol. 60, no. 4, 2022, doi: 10.1029/2022RG000792.
[9] M. C. Hsieh, G. H. Huang, A. V. Dmitriev, and C. H. Lin, 'Deep Learning Application for Classification of Ionospheric Height Profiles Measured by Radio Occultation Technique,' Remote Sens., vol. 14, no. 18, pp. 1–12, 2022, doi: 10.3390/rs14184521.