18 research outputs found
A Convolutional Neural Network With Transfer Learning For Chlorophyll-A Concentrations Retrieval In Mesotrophic Lakes Using Sentinel-3 Imagery
No full textKonsentrasi klorofil-a merupakan salah satu indikator utama dari kualitas air danau yang mewakili fitoplankton pada badan air. Untuk melakukan pengamatan kualitas air danau secara reguler, para peneliti mengambil sampel air secara langsung dan menganalisanya pada sebuah laboratori yang profesional. Akan tetapi, sampel air ini hanya ada pada titik-titik pengambilan sampel sehingga pengamatan kualitas air pada seluruh bagian danau menjadi sangat sulit. Perkembangan dari sensor dan teknologi penginderaan jauh dapat membantu peneliti untuk melakukan hal tersebut.
Pengestimasian konsentrasi klorofil-a pada badan air danau dibagi menjadi dua metode, yaitu metode empiris dan analitik, dimana didapatkan bahwa kedua metode tersebut mengalami kesulitan dalam banyaknya perbedaan karakteristik dari air pada metode empiris dan dalam hal kompleks dari formula radiative transfer pada metode analitik. Beberapa studi mengajukan dan mengembangkan penggunaan dari model berbasis artificial neural networks (ANNs) untuk memecahkan kedua permasalahan tersebut. Akan tetapi, model tersebut tidak menggunakan informasi spasial dan spektral yang ada pada citra satelit serta tidak mempertimbangkan permasalahan kurang cukupnya data in situ untuk melakukan proses training pada model. Untuk itu, para peneliti menggunakan proses augmentasi data, dimana proses tersebut dapat memperkaya data in situ. Akan tetapi, permasalahan overfitting kemungkinan besar akan terjadi karena adanya beda pada banyaknya jumlah data di tiap interval konsentrasi klorofil-a.
Pada studi ini, sebuah model yang berbasis pada convolutional neural networks (CNNs) dengan nama WaterNet diajukan, dimana model ini memaksimalkan informasi spektral dan spasial dari suatu citra. Model ini juga merupakan sebuah permodelan end-to-end yang efektif dan efisien karena mengintegrasi ekspansi informasi spektral, ekstraksi fitur spasial, dan estimasi konsentrasi klorofil-a pada satu model yang sama. Lalu, two-stage training yang merupakan sebuah proses training yang berbasis pada transfer learning juga diajukan untuk mengatasi permasalahan kurang cukupnya data in situ. Two-stage training ini terdiri dari tahap pre-training dan tahap transfer-learning. Pada tahap pre-training, proses training dilakukan pada WaterNet dengan menggunakan data konsentrasi klorofil-a yang diekstraksi dari formula yang telah ada. Setelah itu, proses training akan kembali dilakukan terhadap WaterNet dengan menggunakan data in situ yang didapatkan pada saat survei di Danau Laguna pada lima waktu yang berbeda. Sebelum tahap kedua ini, data augmentasi dan rebalancing perlu dilakukan untuk memperkaya dan menyeimbangkan data in situ. Maka dari itu, terdapat tiga data in situ yang berbeda dalam studi ini, yaitu data original (data in situ tanpa proses augmentasi dan rebalancing), data teraugmentasi (data in situ dengan proses augmentasi) dan data terseimbangkan (data in situ dengan proses augmentasi dan rebalancing). Secara ringkas, metode yang diajukan adalah WaterNet, two-stage training, dan data rebalancing.
Pada eksperimen, citra Sentinel-3 yang waktu akuisisinya sama dengan pengambilan data in situ di Danau Laguna digunakan untuk melakukan proses training dan untuk mengevaluasi WaterNet. Proses training dilakukan dengan skema validasi menyilang dengan jumlah 10 bagian. Hal ini berarti bahwa data in situ terseimbangkan akan dibagi menjadi 10 bagian dimana tiap bagian secara bergantian akan dijadikan sebagai data validasi dan bagian yang lain sebagai data training. Untuk mengestimasi pengurangan masalah overfitting, proses testing akan dilakukan pada WaterNet dengan menggunakan data in situ yang diambil di Danau Victoria yang memiliki karakteristik yang sama dengan Danau Laguna.
Pada evaluasi, WaterNet yang telah dilakukan proses two-stage training dengan menggunakan data in situ terseimbangkan mengestimasi konsentrasi klorofil-a di Danau Laguna dengan rata-rata root mean squared error (RMSE) sebesar 0.372 μg/L. Lebih jauh lagi, performa dari WaterNet ini dikomparasi dengan beberapa keadaan: 1) WaterNet yang telah dilakukan proses training dengan cara lama menggunakan data simulasi dan data in situ terseimbangkan untuk menunjukkan keefektifan two-stage training; 2) WaterNet dilakukan proses two-stage training dengan data original dan data teraugmentasi untuk memberikan gambaran keuntungan ketika menggunakan data terseimbangkan; dan tiga model ANNs akan dibuat dan dilakukan proses two-stage training menggunakan data in situ untuk menunjukkan efek penting tentang penggunaan informasi spasial dan spektral secara bersamaan. Hasil evaluasi menyatakan bahwa performa model pada ketiga keadaan adalah sebegai berikut: 1) 2.144 μg/L (hanya menggunakan data simulasi) dan 1.298 μg/L (hanya menggunakan data in situ teraugmentasi); 2) 0.752 μg/L (menggunakan data original) dan 0.954 μg/L (menggunakan data teraugmentasi); and 1.370 μg/L (Type A), 1.429 μg/L (Type B), dan 1.374 μg/L (Type C); dalam hal rata-rata RMSE. Selain itu, pada tahap testing, WaterNet memiliki performa yang lebih baik daripada model pengestimasi konsentrasi klorofil-a yang telah dibuat dengan metode empiris, yaitu model dua-band, tiga-band, dan normalized differentiate chlorophyll-a index (NDCI).
=====================================================================================================
Chlorophyll-a (Chla) concentrations, which serves as a phytoplankton’s substitute in inland waters, is one of leading indicators for water quality. Generally, water samples are analysed in professional laboratories, and Chla concentrations are measured regularly for the purpose of water quality monitoring. However, the limited spatial water sampling and labour-sensitive data collection make the global and long-term monitoring difficult. The developments of remote-sensing optical sensors and technologies make the long-term monitoring of Chla concentrations for an entire water body to be achievable.
The retrieval of Chla concentrations relies on empirical or analytical analyses, which generally experience difficulties from the diversity of inland waters in statistical analyses and the complexity of radiative transfer equations in analytical analyses, respectively. Previous studies proposed the utilization of artificial neural networks (ANNs) to alleviate these problems. However, ANNs they do not fully utilize the spatial and spectral information of remote sensing images in neural networks and do not consider the problem of insufficient in situ labelled data during model training which make the trained models inapplicable. In addition, a data augmentation can be used to enrich the in situ labelled data, however, an overfitting problem may arise due to higher density in a specific Chla concentration interval and lesser density in the other intervals.
In this study, a novel convolutional neural networks (CNNs) for Chla concentration retrieval called WaterNet is proposed which utilizes both spectral and spatial information of remote sensing images. In addition, an end-to-end structure that integrates feature extraction, band expansion, and Chla estimation into the neural network leads to an efficient and effective Chla concentration retrieval. A two-stage training method which based on transfer learning technique is also proposed to ease the problem of insufficient in situ samples. The proposed training method contains pre-training stage and transfer-learning stage. In the model pre-training stage, the WaterNet is pre-trained and initialized by using samples derived from an existing Chl-a concentration model. The pre-trained WaterNet is then retrained or refined by using the proposed transfer learning with in situ samples collected in five different campaigns during early 2019 in Laguna Lake of the Philippines. Before the transfer learning, data augmentation and rebalancing methods are conducted to enrich the variability and to near-uniformly distribute the in situ samples in Chla concentration space, respectively. Therefore, there are three different in situ labelled data: original data (no augmentation and rebalancing is applied), augmented data (only augmentation), and augmented-rebalanced data (augmentation and rebalancing is applied). For summary, the proposed methods in this study are WaterNet, two-stage training, and data rebalancing.
In experiments, Sentinel-3 images with the same acquisition days of in situ measurements over Laguna Lake in the Philippines were used to train and evaluate WaterNet locally. The training was conducted in a 10-fold cross validation scheme, meaning that the augmented-rebalanced in situ labelled data is divided into 10 folds where each fold is consecutively set as validation data while the others as training data. To estimate the alleviation of model overfitting, the trained WaterNet was tested by using in situ dataset in Lake Victoria of Uganda obtained in 2019, which has similar tropical state with Laguna Lake. In evaluation, WaterNet which trained by the two-stage training using simulated and augmented-rebalanced in situ labelled data, estimated Chla concentrations in Laguna Lake waters with average root mean squared error (RMSE) of 0.372 μg/L. Furhtermore, the performance was compared to several conditions: 1) WaterNet was trained by a common one stage training, either only using simulated or augmented-rebalanced in situ labelled data, to highlight the effectiveness of two-stage training; 2) WaterNet was trained by the two-stage training using simulated and augmented in situ labelled data, to display the leverage of data rebalancing; and 3) three ANNs models (Type A: 1 hidden layer; Type B: 2 hidden layers, Type C: 3 hidden layers) was trained the two-stage training using simulated and augmented-rebalanced in situ labelled data, to show the important impact of spectral variation in neighbourhood pixels that are considered in WaterNet. The results revealed that the Chla concentrations estimation accuracy in the three conditions were 1) 2.144 μg/L (using simulated labelled data only) and 1.298 μg/L (using in situ labelled data only); 2) 0.752 μg/L (using original data) and 0.954 μg/L (using augmented data); and 1.370 μg/L (Type A), 1.429 μg/L (Type B), and 1.374 μg/L (Type C); in terms of average RMSE. This implies the effectiveness of the proposed methods compared to the other related conditions in the Chla concentrations estimation. Moreover, in testing, the trained WaterNet outperformed the other existing Chla concentrations retrieval models in empirical method, including two-band, three-band, and normalized differentiate Chla index (NDCI)
PERBANDINGAN KOMPONEN PASANG SURUT YANG DIPEROLEH MELALUI PENGUKURAN TIDE GAUGE DAN SATELIT ALTIMETRI
No full textPasang surut adalah fluktuasi muka air laut sebagai fungsi waktu karena adanya gaya tarik benda-benda di langit, terutama matahari dan bulan terhadap massa air laut di bumi. Selain dengan adanya pengamatan tradisional menggunakan tide gauge, komponen pasang surut dapat ditentukan menggunakan satelit altimetri. Penggunaan tide gauge, hasil ekstraksi komponen pasang surut hanya dapat dilakukan secara akurat karena memiliki resolusi temporal yang sangat baik meskipun hanya tersedia pada titik-titik stasiun tersebut didirikan saja. Hal ini berkebalikan dengan yang menggunakan satelit altimetri. Data yang didapatkan dari satelit altimetri perlu diolah agar mendapatkan nilai sea surface height yang selanjutnya digunakan untuk penentuan komponen pasang surut dengan analisis harmonik metode kuadrat terkecil pada banyak titik yang berada di permukaan bumi. Akan tetapi, resolusi temporal yang lebih rendah daripada tide gauge juga menjadi batasan dalam pengestraksian komponen pasut. Tujuan penelitian adalah mengekstraksi sea surface height data satelit altimetri Jason-3 dan membandingkan hasil ekstraksi tersebut dengan pengamatan manual. Hasil dari penelitian ini adalah nilai amplitudo dan fase dari tiap komponen pasang surut. Kemudian dilakukan perbandingan dengan hasil komponen dari data pengamatan stasiun pasang surut. Didapatkan bahwa perbedaan rata-rata (RMSE) terbesar sebesar 0,360 m pada komponen pasang surut K1 dan RMSE terkecil yaitu sebesar 0,003 m pada komponen pasang surut M4.Tidal variations, which result from the gravitational forces imposed by celestial bodies such as the sun and moon on the earth\u27s masses of water, exhibit recurring alterations in the levels of the oceans. The conventional approach for monitoring tides entails the use of tidal gauges, however, satellite altimetry offers an alternate means of measurement. Tide gauges provide accurate measurements, albeit their effectiveness is contingent upon their specific geographical placement. On the other hand, altimetry satellites provide worldwide coverage, but with less temporal resolution. A least squares harmonic analysis is employed to examine tidal components using altimetry satellites. Nevertheless, this approach has a diminished temporal resolution in comparison to tide gauges. The present work aims to extract sea surface height data of the Jason-3 altimetry satellites to estimate sea surface heights, and subsequently compares these estimates with human tidal gauge readings. The study centers on the measuring of amplitude and phase of individual tidal components. The findings of this study reveal that the K1 tidal component demonstrates the biggest average difference, as measured by the root mean square error (RMSE), with a value of 0.360 m
WorldView-2 Satellite Image Classification using U-Net Deep Learning Model
No full textLand cover maps are important documents for local governments to perform urban planning and management. A field survey using measuring instruments can produce an accurate land cover map. However, this method is time-consuming, expensive, and labor-intensive. A number of researchers have proposed using remote sensing, which generates land cover maps using an optical satellite image with various statistical classification procedures. Recently, artificial intelligence (AI) technology, such as deep learning, has been used in multiple fields, including satellite image classification, with satisfactory results. In this study, a WorldView-2 image of Terangun in Aceh Province, which was acquired on Aug 2, 2016, was classified using a commonly used deep-learning-based classification, namely, U-net. There were eight classes used in the experiment: building, road, open land (such as green open space, bare land, grass, or low vegetation), river, farm, field, aquaculture pond, and garden. For comparison, three classification methods: maximum-likelihood, random forest, and support vector machine, were performed compared to U-Net. A land cover map provided by the government was used as a reference to evaluate the accuracy of land cover maps generated using two classification methods. The results with 100 randomly selected pixels revealed that U-Net was able to obtain a 72% and 0.585 for overall and kappa accuracy, respectively; whereas, overall accuracy and kappa accuracy for the maximum likelihood, random forest and support vector machine methods were 49% and 0.148; 59% and 0.392; and 67% and 0. 511; respectively. Therefore, U-Net outperformed those three of classification methods in classifying the image.
 
Relaxation-Based Radiometric Normalization for Multitemporal Cross-Sensor Satellite Images
No full textMultitemporal cross-sensor imagery is fundamental for the monitoring of the Earth’s surface over time. However, these data often lack visual consistency because of variations in the atmospheric and surface conditions, making it challenging to compare and analyze images. Various image-normalization methods have been proposed to address this issue, such as histogram matching and linear regression using iteratively reweighted multivariate alteration detection (IR-MAD). However, these methods have limitations in their ability to maintain important features and their requirement of reference images, which may not be available or may not adequately represent the target images. To overcome these limitations, a relaxation-based algorithm for satellite-image normalization is proposed. The algorithm iteratively adjusts the radiometric values of images by updating the normalization parameters (slope (α) and intercept (β)) until a desired level of consistency is reached. This method was tested on multitemporal cross-sensor-image datasets and showed significant improvements in radiometric consistency compared to other methods. The proposed relaxation algorithm outperformed IR-MAD and the original images in reducing radiometric inconsistencies, maintaining important features, and improving the accuracy (MAE = 2.3; RMSE = 2.8) and consistency of the surface-reflectance values (R2 = 87.56%; Euclidean distance = 2.11; spectral angle mapper = 12.60)
Estimasi Sea Surface Topography Menggunakan Data Satelit Altimetri di Laut Indonesia Timur Periode 2016-2021
No full textSea surface topography adalah penyimpangan permukaan laut dari referensi geoid, yang dipengaruhi oleh berbagai parameter, termasuk undulasi, sea surface height, dan pasang surut. Pengukuran sea surface topography sangat penting dilakukan untuk memahami dinamika laut. Salah satu faktor yang mempengaruhi dinamika laut adalah arus lintas indonesia. Arus lintas Indonesia adalah aliran masa air dari Samudera Pasifik ke Samudera Hindia. Aliran tersebut disebabkan oleh perbedaan tekanan antara dua Samudra tersebut. Tujuan studi ini adalah untuk memberikan informasi tentang sea surface topography di kawasan Laut Indonesia Timur selama periode tahun 2016-2021, serta korelasinya dengan fenomena ENSO yang diperlukan untuk berbagai aplikasi kelautan. Pendekatan ini melibatkan pemrosesan dan analisis data Satelit Altimetri Sentinel-3 dan Jason-3 yang memberikan pengukuran ketinggian permukaan laut yang tepat. Nilai rata-rata sea surface topography dari tahun 2016 hingga 2021 berkisar antara 1,05m hingga 1,30m. Niali sea surface topography cenderung tinggi terjadi ketika muson barat dan lebih rendah terjadi saat muson timur. Untuk akurasi hasil pengolahan, digunakan data tahun 2016-2021 sebagai data training dan tahun 2021 sebagai data uji. Didapatkan nilai root mean square error yaitu 0,064 m. Perubahan nilai sea surface topography cenderung naik setiap tahun, kecuali tahun 2019. Penurunan yang terjadi di tahun 2019 disebabkan oleh fenomena ENSO yang memiliki pengaruh sebesar -0,807 terhadap sea surface topography dengan korelasi terbalik. Temuan penelitian ini memberikan detail penting tentang topografi permukaan laut di Perairan Indonesia Bagian Timur, yang dapat diterapkan untuk meningkatkan pemahaman kita tentang dinamika lauta
STUDI AWAL VISUALISASI DAN AKURASI GEOMETRI MODEL 3 DIMENSI PADA TEXTURELESS-OBJECT
No full textDalam rekonstruksi objek 3 dimensi, metode fotogrametri berbasis Structure from Motion mampu memberikan akurasi geometri yang tinggi. Akan tetapi, kinerja metode ini dipengaruhi oleh kondisi kekasaran permukaan objek serta membutuhkan waktu pemrosesan yang lama dan ruang penyimpanan yang besar. Metode Gaussian Splatting hadir dengan keunggulan pada kecepatan proses rendering dan visualisasi model 3 dimensi pada objek yang bersifat textureless (kekasaran permukaan yang rendah). Di balik keunggulannya, masih terdapat pertanyaan mengenai seberapa akurat metode ini dalam memberikan informasi mengenai ukuran (metrik) model yang dihasilkan. Oleh karena itu, penelitian ini bertujuan untuk membandingkan kedua metode tersebut dalam rekonstruksi objek yang bersifat textureless yang direpresentasikan oleh papan kayu. Analisa model 3 dimensi berfokus pada visualisasi berdasar 7 kunci interpretasi, serta akurasi geometri berdasar nilai Root Mean Square Error dari Independent Check Point. Skala Level of Accuracy juga ditinjau untuk melihat tingkat kedetilan dari model yang dihasilkan. Secara visual, model 3 dimensi dari metode Gaussian Splatting dinilai lebih unggul dan mampu membentuk objek texture-less dengan baik dan detail. Begitu juga dari segi performa pemrosesan model, metode ini mampu membentuk model dengan lebih cepat dan memori yang lebih sedikit. Dalam hal akurasi geometri, metode fotogrametri berbasis SfM mampu menghasilkan model 3D lebih akurat dengan nilai RMSE terkecil sebesar 0.748 mm dan 0.569 mm pada arah horizontal dan vertikal secara berurutan
ANALISIS SUHU PERMUKAAN LAUT SAWU TAHUN 2021 MENGGUNAKAN CITRA SENTINEL-3
No full textThe eastern part of Indonesian Seas has a very unique characteristic as it is traversed by the Indonesian Through Flow (ITF). The ITF is a movement of water masses from the Pacific Ocean to the Indian Ocean, driven by the pressure differences between these two oceans. The movement of water masses and currents, along with the existence of monsoon winds that blow across the region throughout the year, impact the Sea Surface Temperature (SST) in Indonesia. The SST can be derived from satellite imagery such as MODIS and SeaWIFs images. This study utilized Sentinel-3 Sea and Land Surface Temperature data, with better spatial and temporal resolution than the two aforementioned images, to process the Sea Surface Temperature values. The research also investigated sea surface temperature values correlation with the movement and speed of winds occurring in Indonesia. The research results presented the monthly time-series distribution of sea surface temperature values in the Savu Sea for the year 2021. The analysis revealed that the lowest sea surface temperature values occurred in July, while the highest were recorded in December. The sea surface temperature values per month demonstrated an increase during the westerly monsoon from October to April, which corresponds to the rainy season in Indonesia. Conversely, during the easterly monsoon, the sea surface temperature values tended to be lower, resulting in the dry season due to decreased ocean evaporation. Furthermore, the study found a negative correlation between sea surface temperature values and wind speed, with a strong correlation coefficient of -0.5709
Variasi Klorofil-a di Perairan Sekitar Laut Jawa, Laut Flores, dan Selat Makassar
No full textLaut Jawa, Flores, dan Selat Makassar merupakan daerah pertemuan massa air dan juga merupakan salah satu titik masuk Arus Lintas Indonesia. Massa air tawar dari Samudera Pasifik masuk ke perairan Indonesia melalui Selat Makassar. Tidak hanya itu, wilayah maritim Indonesia dipengaruhi oleh Muson Asia-Australia yang mempengaruhi produktivitas primer di perairan, ditunjukkan dengan variasi klorofil-a. Maka dari itu, perlunya pemahaman tentang dinamika klorofil-a untuk penentuan strategi pengelolaan ekosistem laut yang lebih baik. Tujuan dari penelitian ini adalah untuk menganalisis variasi klorofil-a di perairan sekitar Laut Jawa, Flores, dan Selat Makassar, serta hubungannya dengan suhu dan salinitas dari tahun 2016-2023. Penelitian ini menggunakan data klorofil-a yang dikumpulkan dari sensor Ocean and Land Color Instrument dari Sentinel-3. Data klorofil-a berasal dari perhitungan algoritma Ocean Color 4 for MERIS untuk jenis perairan case-1. Dari penelitian ini, didapatkan hasil bahwa konsentrasi klorofil-a cenderung tinggi saat periode muson barat bersamaan dengan datangnya musim hujan yang meningkatkan limpasan air sungai. Sebaliknya, konsentrasi klorofil-a di perairan Selatan Jawa hingga Nusa Tenggara cenderung tinggi saat muson timur diikuti dengan penurunan Suhu Permukaan Laut dan kenaikan salinitas permukaan. Pada tahun 2018 dan 2019, terjadinya fenomena El Niño bersamaan dengan fase positif Indian Ocean Dipole mendorong peningkatan klorofil-a. Rata-rata klorofil-a sepanjang tahun 2018 hingga 2019 mencapai 0,71 di Laut Flores dan Selat Makassar, serta 0,73 di Laut Jawa. Penelitian lebih lanjut dengan rentang temporal klorofil-a yang lebih panjang diperlukan agar pengaruh fenomena global dapat terlihat lebih jelas
Developing Surface Rainfall Data Based on Blending of Satellite-Based Products and Rain Gauge Observations in the Ngawi Region, East Java
No full textRainfall estimation can be performed using various methods, including direct satellite observations (RR-Satellite). However, these estimates show discrepancies when compared to actual observations in-situ rain gauges (RR-Obs). To address this challenge, one potential solution is integrating RR-Satellite with RR-Obs. The Kriging with External Drift (KED) interpolation method is a blending technique that incorporates RR-Satellite as external drift. This study utilized four satellite dataset, namely CHIRP, CMORPH, GSMAP_V8, and IMERG as auxiliary information to generate monthly rainfall estimates (RR-Blended) at 26 rain gauges in Ngawi, East Java, for the period 2001 - 2023. The performance of each satellite dataset was evaluated using Leave-One-Out Cross Validation (LOOCV). The results indicated that RR-Blended using CHIRP (bCHIRP) demonstrated the best accuracy at the climatological scale, with KGE > 0.3 and TSS > 0.65, outperforming other satellite dataset. At the monthly scale, bCHIRP, bCMORPH, and bIMERG showed better performance in different months throughout the year. In terms of spatial accuracy, bCMORPH achieved the highest performance. Our findings suggest that each satellite offers unique advantages based on the time and location of observation. Therefore, we recommend using a weighted combination of RR-Blended from four satellites as the most effective approach for obtaining the best rainfall estimates
Optimizing Navigation Channels through Hydrodynamic and Sedimentation Modeling: A Case Study of the Barito River Estuary, South Kalimantan
No full textThe Barito River Estuary in South Kalimantan plays a crucial role in Indonesia’s maritime transportation, particularly in trade and coal transshipment. As the largest river in Kalimantan, with its estuary facing the Java Sea, it supports regional economic activities. However, channel siltation due to sedimentation presents significant challenges, exacerbated by natural changes along the river and estuary. Sediment grain size and current velocity are key factors in sediment movement. This study uses Delft3D software to model hydrodynamic and sedimentation patterns in the estuary. The model reveals significant variations in current speed and direction between tidal cycles and seasons. During the wet season, stronger currents, averaging 0.1 m/s, flow from upstream to downstream, distributing sediment more evenly across the estuary. In contrast, the dry season shows increased sedimentation, concentrating in specific areas. The sedimentation model estimates that during the dry season, sediment deposition could reach 0.100 meters over six months (0.017 meters per month), while in the wet season, it is approximately 0.060 meters over six months (0.010 meters per month). These dynamics impact navigation channels, particularly during the dry season when sedimentation narrows and shallows the channels, limiting access for larger vessels and increasing the risk of grounding. This study aligns with SDG 9: Industry, Innovation, and Infrastructure, as ensuring efficient navigation channels is vital for fostering sustainable industrial growth and improving maritime logistics
