Arsip Kategori: Geographic Information System

Konversi Piksel ke Area

Ketika melakukan manipulasi image terkadang diminta mempresentasikan area lahan dalam hektar. Padahal data raster format yang biasanya digunakan adalah piksel. Bagaimana menghitungnya? Postingan berikut ini bermaksud sharing bagaimana menghitung luas suatu kelas land use (LU) dalam image yang kita miliki.

Untuk data polygon, postingan yang lalu sedikit mengulas bagaimana menghitung suatu area tertentu dalam software ArcGIS. Untuk menghitung area, cara yang praktis adalah dengan menggunakan “crostab” di IDRISI atau “tabulate area” di ArcGIS. Prinsip penggunaannya baik ArcGIS maupun IDRISI sama saja. Tabulasikan saja dua image yang sama.

Untuk ArcGIS caranya tidak jauh berbeda, yang penting nanti dihasilkan tabel tabulasi. Di sini baik first image maupun second image menggunakan image yang sama. Tekan “OK” dan dihasilkan tabel di bawah ini.

Perhatikan tabel di atas. Dari 7 kelas, tampak total pikselnya. Karena kelas “1” adalah “background” yang tidak dihitung, maka total piksel study area adalah total piksel dikurangi background. Gunakan kalkulator atau Microsoft Excel agar tidak salah. Di sini total piksel study area adalah 452.570 dikurangi dengan 212.255 yakni sebesar 420.315 piksel yang setara dengan luas study area contoh di atas, yaitu kota Bekasi sebesar 21049 hektar. Jadi jika diminta menghitung berapa hektar kelas “7” misalnya maka jawabannya adalah 2067 * (21049/420315) = 103,51 hektar. Mudah bukan?

Note: jika diminta dalam satuan km persegi, mudah saja. Bagi saja dengan 100 hasil di atas, yakni menjadi sebesar 1.0351 km2.

Iklan

Ekspor Land Use dari ArcGIS ke IDRISI

Terkadang peta Land Use (LU) perlu disisipkan dalam Land Cover (LC) dari pengolahan citra satelit (lihat postingan yg lalu tentang LU dan LC). LU sendiri diambil dari sumber lain selain citra satelit antara lain: data pemerintah, data dari swasta (lihat link ini sebagai contoh), dan sumber-sumber lain (google earth, google street view, dan sejenisnya).

1. Konversi dari Point ke polygon

Seharusnya LU berupa format polygon, mengikuti struktur bangunan itu sendiri. Tetapi jika rumit, bisa diambil pendekatan berupa titik tertentu, kemudian dikonversi menjadi polygon dengan fungsi “buffer”. Biasanya diambil kira-kira untuk pabrik misalnya 100 meter. Gambar berikut memperlihatkan buffering lokasi komersial (pasar, mall, pertokoan, dan sejenisnya).

2. Konversi dari Polygon ke Raster

Karena hasil pengolahan citra IDRISI berformat raster (*.rst) maka peta LU harus dikonversi lagi dari polygon ke raster dengan fungsi “polygon to raster” pada ArcGIS. Perhatikan bagian “Cellsize”, gunakan template dari image yang digunakan Land Cover.

Uniknya walaupun kita menggunakan cellsize yang sama, ternyata hasilnya masih kurang akurat jika dibanding dengan menggunakan LC yang akan disisipi menjadi template.

3. Konversi dari Raster ke ASCII

Data raster yang dihasilkan ArcGIS harus dikonversi ke ASCII agar bisa digunakan oleh IDRISI (dengan cara import). Oleh karena itu gunakan fungsi “raster to ascii” yang berada di menu conversion pada toolbox ArcGIS. Jangan lupa, gunakan environment dan pilih proyeksi yang sama dengan LC yang akan disisipi.

4. Impor dari ASCII ke Image pada IDRISI

Terakhir, buka IDRISI dan ambil fungsi ARCRASTER untuk mengimpor image dari ArcGIS. Pilih radio button terakhir yang mengkonversi dari Ascii format Idrisi.

Jangan lupa Output reference dipilih (defaultnya plane) sesuai dengan proyeksi study area. Jika sudah, gambar image berformat rst siap digunakan. Selanjutnya akan diposting bagaimana merger dua image.

Video tutorial berikut mungkin bermanfaat:

Problem Background Error Saat Prediksi dengan LCM IDRISI

Land Change Modeller (LCM) merupakan fasilitas yang ada di IDRISI untuk memodelkan perubahan lahan. Lahan di masa yang akan datang dengan data yang ada sebelumnya dapat diperlihatkan. Salah satu masalah yang sering muncul adalah adanya ketidak akuratan pada background seperti di bawah ini. Tetapi terkadang hasil proyeksinya benar. Postingan berikut salah satu cara untuk memperbaikinya. Mungkin ada yang punya cara lain silahkan share di komentar.

Untuk memperbaikinya selama ini saya menggunakan fungsi OVERLAY yang ada di IDRISI. Caranya adalah menjumlahkan image yang error tersebut dengan study area sesunggunya (gambar sebelah kanan). Langkah-langkahnya adalah sebagai berikut:

1. Reclassify Projected Land Cover

Langkah ini adalah menambah kategori hasil prediksi untuk menyimpan hasil penjumlahan/overlay dengan study area. Perhatikan gambar hasil reclassify di sebelah kanan. Kategori 1 dan 2 adalah background (=1), kategori 3 dan 4 adalah agriculture (=2), dan seterusnya.

Fungsinya adalah menampung hasi overlay. Jika Built-up yang dengan kategori baru =7 dijumlahkan dengan background study area (=0), hasilnya adalah 7 maka akan dikonversikan menjadi background. Hasilnya adalah nanti diharapkan built-up yang menjadi background (sumber masalah) tidak ada lagi.

2. Overlay dengan Study Area

Fungsi overlay dapat diakses di “menu” – “GIS analysis” – “Mathematical Operation” – “Overlay”. Masukan dua input yaitu study area dan hasil reclassify di atas. Ganti nama dengan yang baru, di sini saya hanya menambahkan “Update” ke berapa di akhir nama image.

3. Mengembalikan Kategori ke Kondisi Awal dengan Reclassify

Dengan mengembalikan kategori yang sesuai diperoleh hasil akhir yang tidak ada lagi background yang error. Perhatikan di sini kategori 7 harus dikonversi menjadi background.

Perhatikan bagian background (atas) sudah diperbaiki. Sekian, semoga bermanfaat.

Create a Constraint in IDRISI

A constraint is an image that showing allowable and non-allowable locations for modelling. It represents zero for non-allowable and one for allowable. We can add two for incentive, the better location. For example we have a constraint that must be integrated for other constraint, e.g. vegetation. It means that the model do not allow to convert a vegetation into other land cover.

Use Mathematical operation in “GIS analysis” menu and chose “Overlay”. Fill with the two constraint images above and checklist the “First +Second” button in “Overlay option”.

After this operation, we have to convert two into zero, since the vegetation is a constraint. Use “Reclass” to convert it.

The last row will convert two into zero. The final constraint was created as a combination of two constraints (figure below).

Try to practice mathematical operation since it is very useful for image creation, especially in creating Drivers of Land change modeller (LCM). This video shows the step to integrate the two images.

Managing Legend in IDRISI

Legend is information about symbols (colour, shape, line type, etc.) in the map. It helps reader to understand the map. In LCM, it also helps the system to compare two images. The picture below shows the error message in LCM IDRISI taiga when adding road image. There is no legend in the basis roads layer. How to add a legend to our map?

Even we use IDRISI selva that having a “harmonize” function to guide users to match the images, basis roads layer must be edited with a legend in selva as well as taiga version. Understanding how to match two images manually is very useful for the user. Click the image to be edited, e.g. road image, to add a legend.

In “metadata” click the Categories to fill the legend. Fill the category and code that similar to other images. Chose “copy from” for faster filling without typing the code and category. After filling the categories, when we open this image, the legend is showed beside (upper right) the map.

This is simple yet very useful.

Idrisi Taiga vs Selva

Idrisi merupakan perangkat lunak untuk mengelola data raster/image yang terkenal. Aplikasi ini sudah banyak digunakan terutama dalam jurnal-jurnal ilmiah. Kebanyakan digunakan untuk pemodelan pertumbuhan lahan yang dikenal dengan nama Land Change Modeler (LCM). Dua versi yang terkenal adalah “Taiga” dan “Selva”. Postingan singkat ini akan membahas plus minus kedua versi tersebut berdasarkan pengalaman yang dijumpai ketika memodelkan pertumbuhan lahan.

Walaupun terjadi sedikit konflik ketika kedua versi Idrisi tersebut diinstal bersamaan, tetapi tetap dapat dijalankan. Memang ada sedikit “hang” ketika beralih dari Idrisi taiga ke Selva, tetapi dengan menggunakan “task manager” window masalah itu dapat diselesaikan. Caranya adalah dengan men-“end task” proses idrisi yang “hang” tersebut. Untuk amannya sebaiknya membuka Idrisi di dua “account” windows yang berbeda, misalnya “user” dan “administrator”, atau user1 dan user2.

Idrisi Selva

Idrisi ini merupakan versi perbaikan dari Idrisi Taiga yang kaku. Kaku karena untuk mengelola dua jenis image, harus dipenuhi syarat-syarat sebagai berikut (lihat penjelasan lengkap di situs resminya):

  • Spatial extent harus konsisten
  • Sistem proyeksi/reference harus konsisten
  • Resolusi piksel harus sama
  • Kategori legend harus sama
  • Nilai background harus nol
  • background harus sama

Salah satu keunggulan selva adalah fasilitas harmonize yang akan memandu pengguna ketika dijumpai dua image yang beda spesifikasi, biasanya “legend” yang kurang pas. Selain fasilitas tersebut, Selva menyediakan satu metode training model yaitu SimWeight. Motode tambahan ini sepertinya kurang begitu signifikan karena berdasarkan uji coba yang dilakukan oleh vendor Idrisi, metode MLP neural network mengungguli motede SimWeight dan Logistic Regression.

Idrisi Taiga

Versi Taiga mengharuskan pengguna memahami teknik-teknik dalam memanipulasi suatu image seperti Project, Reclass, Mathematical, dan sebagainya. Metadata yang tersedia (terletak di bawah Idrisi Explorer) sangat membantu untuk mengetahui struktur suatu Image.

Terjadi sedikit hambatan ketika menggunakan Idrisi Selva yaitu hasil training MLP ketika digunakan untuk memprediksi muncul pesan kesalahan. Tetapi anehnya ketika dijalankan dengan Idrisi Taiga dapat berjalan dengan normal. Training dengan logistic regression di Taiga dapat berjalan baik dan cepat, terutama ketika menggunakan jumlah driver yang banyak. Jadi untuk sementara saya masih menggunakan Taiga, walaupun terkadang menggunakan Selva karena kepraktisannya. Pilihan ada di tangan pengguna apakah menggunakan Taiga atau Selva atau berdasarkan Lisensi yang dimiliki (kebetulan kampus saya menggunakan versi taiga yang agak “jadul”). Yang saya suka dari Taiga adalah akses yang lebih cepat (membuka dan menutup aplikasi) dan tampilan GUI yang sepertinya lebih praktis (hanya sedikit).

Cropping an Image in IDRISI

Previous post discussed how to use WINDOW function to crop big satellite image, but it only implements for rectangular area. Distance function in IDRISI that used for creating a driver of land-use growth (previous post about driver creation) also in rectangular extent. This post tries to explain how to create a driver with the true extent region, e.g. Bekasi city.

The dark area was a true extent of Bekasi city. The problem is how to crop the image based on Bekasi city? I have searched IDRISI function for cropping an area similar with “crop” function in ArcGIS but I have not found it yet. Finally I found the Mathematical function in “GIS analysis” menu. To use this function we have to prepare the crop image first. (Please write a comment for other method suggestion).

The background and the study area are separated with zero and one classes respectively. Since multiplying a zero and one to a driver will create a zero and an existing value of the driver, the background will be zero and the actual driver only presents with true extent of Bekasi city.

Input the first, second, and output image for overlaying calculation. Choose first * second for multiplying first with the second image. It seems easy, but in the implementation users must consider many things, e.g. the projection and extent between first and second images. Use “Metadata” to match both images.

Use “PROJECT” to match first with second images (See previous post how to use this function).

Creating Layer Group (RGF) File in IDRISI

RGF is a layer group file that containes number of image (raster) file. It makes easy when inserting a group of image file, e.g. in inserting drivers of land use growth (see figure below).

Instead of inserting one by one, we can simply insert layer group of variables. Open “Idrisi Explorer” and chose image files as member of layer group.

Right click the mouse and chose “Create” and “Raster Group”. Raster group file will be created and rename it, e.g. “Driver1.rgf”.

Add member of Layer group

To add member of layer group just click “Add Icon” in “Metadata”. Metadata is located below IDRISI Explorer. Add the new variable to be inserted in the layer group.

Click other image file and after click “OK” as confirmation, the new variable has successfully added to your layer group.

Manipulasi Image di IDRISI – Tip dan Trik

Ketika pertama kali menggunakan IDRISI, saya kebanyakan menggunakan ArcGIS (atau GIS tool lainnya) untuk mengelola data raster (*.rst) yang kemudian dikirim/ekspor ke IDRISI. IDRISI hanya digunakan untuk melakukan prediksi pertumbuhan lahan dengan Land Change Modeler (LCM). Selama perkembangannya ternyata masih harus mengutak-atik IDRISI karena beberapa hal antara lain: proyeksi, ukuran/size (baris dan kolom), serta hal-hal lainnya. Postingan kali ini berusaha memberikan tip dan trik, apa yang diperlukan untuk mengelola image di IDRISI.

1. Manfaatkan dengan baik Metadata di IDRISI explorer.

Untuk melakukan prediksi berdasarkan dua peta beda waktu diperlukan syarat utama yaitu ukuran/size (baris dan kolom) dan proyeksi yang sama. Seringkali masalah muncul dimana ketika di ArcGIS kita sudah melakukan cropping dengan peta rujukan tetapi ketika diimpor dari IDRISI ukuran tidak cocok dengan peta lainnya. Gunakan fungsi PROJECT untuk mengatasinya.

2. Lakukan Cropping di IDRISI

Pengguna IDRISI biasanya memanfaatkan data yang diimpor dari citra satelit, misalnya mengunduh dari USGS. Satu tile unduhan biasanya meliputi wilayah luas yang harus dipotong sesuai dengan study area. Gunakan fungsi WINDOW untuk memotongnya. Bidang pemotongan bisa menggunakan study area yang sudah dibuat sebelumnya.

3. Gunakan ukuran area/extent yang lebih besar ketika mengelola dengan ArcGIS

Pernah saya menggunakan area yang sama ketika membuat constraint di ArcGIS, tetapi ketika diekspor ke IDRISI, area tidak sama dan ketika disamakan dengan fungsi PROJECT ada sisi yang kekecilan. Akhirnya setelah memanipulasi dengan ukuran area yang lebih besar, maka dengan memotong lewat fungsi WINDOW diperoleh constraint yang “pas” seperti gambar di bawah ini.

4. Pelajari fungsi-fungsi dasar IDRISI

Alangkah baiknya jika kita membaca buku tutorial resmi IDRISI disertai dengan mempraktekannya langsung dari sample peta yang disediakan. Ternyata disediakan fungsi-fungsi untuk menggabungkan image (di ArcGIS: mosaic to new raster), membuat jarak tertentu (di ArcGIS: distance), membuat slope/kemiringan, dan lain-lain. Selamat mencoba mengutak-atik IDRISI.

 

Creating Elevation and Slope Map in IDRISI

Some thematic maps are useful in LCM as drivers. Roads, rivers, and other important locations can be created using GIS tools, e.g. ArcGIS, ERDAS, QGIS, etc. But elevation and slope which are mainly created from Shuttle Radar Topography Mission (SRTM) can be easily created in IDRISI without other GIS Tools help. By using IDRISI we will easily use the thematic map created without function PROJECT to match with other images.

See how to download SRTM, and how to created slope and elevation map in ArcGIS.

Figure below is elevation map from SRTM. This map must be adjusted both its size and reference using. Whereas sizing use function WINDOW, referencing using Metadata window (below the IDRISI explorer).

Unfortunately our study area needs two tiles to be downloaded from USGS site. Use WINDOW function to crop this map following the study area.

Chose the images to be cropped and the name and location of output image. Fill upper left and right as well as lower left and right. But if you have already a study area map, chose this map in “An existing windowed image” and then press OK. To create slope from the elevation map, use Slope function (just type “slope” in searching menu in IDRISI).

Use again WINDOW function to crop the resulted image according the study area. To match the elevation and slope map, use PROJECT function.

Problem: “variable dimension does not match …” in IDRISI

Users who use a driver of land-use change sometimes face a problem when adding a driver to their model. The warning “variable dimension does not match …” indicates that there was a different column and row format of the driver. To answer this such problem, a discussion from IDRISI official site suggest to check the Metadata which is located belom the file in Idrisi explorer (upper-left).

The figure above shows the different values of columns and rows. There will be a warning although the reference system has already been the same. Use function PROJECT of IDRISI to match the wrong driver columns and rows to the other images (use the land use and land cover images).

Fill the input and output file with their reference system (e.g. UTM-48S). The output reference information is important to match the number of column and row. Click this tab and use your reference image.

Give a checklist to Copy from existing file and after choosing a reference image, number of column and row were adjusted following the reference. After clicking OK your new images will be created. Try to check through Test and selectin of variable in transition potential tab.

    

Membuat Peta Slope dari Peta Elevasi – Problem Z Factor

Postingan yang lalu membahas cara membuat peta kemiringan dari peta ketinggian dengan menggunakan fungsi Slope di tool Spatial Analysis. Tetapi ternyata untuk peta yang dibuat dengan Shuttle Radar Topography Mission (SRTM) perlu dilakukan modifikasi proyeksi. Kalau dipaksakan untuk mengkonversi DEM tanpa melakukan setting agar tidak ada “warning” terhadap Z akan dijumpai Error sebagai berikut.

Tidak mungkin derajat kemiringan se-extreem itu. Buka ArcGIS dan coba geoprocessing tool: Slope. Dengan memasukan DEM dari SRTM tampak ada Warning di posisi koordinat Z (z factor). Jika dipaksakan untuk membentuk peta kemiringan akan menghasilkan peta dengan nilai derajat seperti gambar di atas, yang tentu saja tidak benar.

Langkah-langkah yang harus ditempuh untuk menghilangkan warning pada z factor adalah sebagai berikut.

A. PROJECT RASTER

Buka geoprocessing tool di Arctoolbox di bawah data management. Atau jika ingin cepat, ketik saja project raster di kotak “searching“.

Output coordinate system pilih yang sesuai dengan koordinat geografis lokasi, misalnya untuk Bekasi adalah UTM 48S.

B. MEMBUAT SLOPE

Setelah proyeksi disesuaikan maka aktifkan lagi arctoolbox Slope dan pastikan z factor tidak ada warning seperti gambar di bawah ini.

Tekan Ok, dan pastikan derajat kemiringan sesuai dengan kenyataan. Contohnya adalah gambar di bawah ini. Lakukan proses klasifikasi untuk membuat kelas kemiringan yang sesuai dengan menggunakan Properties pada layer di Table of Contents.

Tutorial dari youtube ini bisa dijadikan referensi, selain untuk membuat peta kemiringan juga membuat presentasi peta lewat layout yang baik.

Membuat Peta Slope dari Peta Elevasi

Ketika membuat salah satu driver LCM, yaitu elevasi, perlu juga membuat driver yang lain yaitu slope. Slope menggambarkan kemiringan suatu dataran, dengan satuan derajat atau persentase. Kemiringan 2% berarti sepanjang 100 meter, suatu dataran naik sebanyak 2 meter. Untuk membuat slope terlebih dahulu diperlukan peta elevasi atau yang sering disebut Digital Elevation Model (DEM).

Peta elevasi biasanya dibuat dengan data SRTM, salah satu data bagian dari USGS. Anggap kita sudah memiliki peta seperti gambar di bawah ini, yang merupakan peta DEM kota bekasi.

Ketik “slope” di menu searching tool di ArcGIS masukan peta elevasi, beri nama keluaran. Anda akan dengan mudah berhasil membuat peta slope dari peta elevasi tersebut. Oiya, pilih slope yang ada di dalam “Spatial analysis”.

Perhatikan peta slope di arcgis dan perhatikan klasifikasi yang jumlahnya banyak dapat disederhanakan dengan editing pada symbologi. Atur klasifikasinya sesuai dengan kebutuhn, misalnya lima kelas. Simak video yang bagus dari youtube di bawah ini.

Menghitung AUC (Area Under Curve -ROC)

Setelah memprediksi perubahan, tugas terpenting berikutnya adalah menghitung akurasi dari model yang digunakan untuk memprediksi. Sub-tab validasi di Change prediction bisa juga digunakan untuk melihat akurasi model lewat mekanisme hits, false alarm, dan mis. Akan tetapi validasi tidak menunjukan angka pastinya. Oleh karena itu tulisan kali ini akan membahas bagaimana menghitung Score AUC yang menurut tutorial 0,8 sudah cukup bagus.

A. Menghitung Actual Change

Dalam tutorial yang disediakan di IDRISI actual change sudah disediakan, tetapi pada kenyataannya untuk menghitungnya kita harus mengurangkan antara lahan real saat ini dengan tahun sebelumnya yang dijadikan patokan prediksi. Misalnya saat ini tahun 2000 maka actual change berarti tahun 2000 dibandingkan dengan tahun 1994 (patokan prediksi tahun sebelumnya). Kurangkan dengan fungsi Mathematic.

Hasilnya masih berupa range dari negatif hingga positif. Oleh karena itu harus dirubah menjadi biner (nol jika tidak berubah dan 1 jika berubah). Caranya adalah dengan menggunakan fungsi RECLASS. Gunakan editor sebagai berikut:

Maksudnya adalah buat negatif atau positif menjadi kelas “1” yang berarti ada perubahan dan nol menjadi kelas nol yang berarti tidak berubah. Jalankan seperti biasa, lihat teknik ini ketika klasifikasi lahan di postingan yang lalu.

B. MENGHITUNG AUC

AUC dihitung dengan menggunakan fungsi ROC yang tersedia di IDRISI. Isi dengan menggunakan Soft prediction yang telah dihitung sebelumnya (lihat postingan yang lalu).

Tekan OK dan pastingan AUC anda muncul dalam bentuk Notepad. Selamat mencoba, lihat postingan youtube di akhir tulisan ini.

Praktek Land Change Modeler dengan IDRISI – Part 3: Change Prediction

Setelah change analysis dan pembuatan model, tahap berikutnya adalah memprediksi perubahan lahan di masa yang akan datang (change prediction).     Buka dan baca kembali tutorial dari IDRISI di link berikut pada bab land change modeler sebelum lanjut ke sub-bab change prediction. Ada baiknya memahami prinsip kerja MLPNN. Pelajari apa itu bobot, bias, training, dan sebagainya yang berhubungan dengan neural network.

MLPNN menganalisa hubungan antara dependent variable dan independent variable. Pada contoh kasus sebelumnya ada satu dependent variable yaitu Antrophogenic Disturbance dengan independent variable yaitu drivers yang terlibat (road, elevation, dan lain-lain). MLPNN membuat hubungan antara keduanya dengan prinsip membagi dua rombongan pixel untuk training kedua hubungan dan sisanya untuk testing.

Change prediction bermaksud memprediksi perubahan lahan berdasarkan suatu lokasi dengan dua perbedaan waktu. IDRISI menyediakan fasilitas hard prediction dan soft prediction. Keduanya memiliki manfaat tersendiri. Tulisan kali ini bermaksud melanjutkan project sebelumnya tentang transition potential.

Sebelum memprediksi lahan di masa yang akan datang, terlebih dahulu model yang sudah dilatih digunakan untuk memprediksi laham saat ini yang sudah diketahui komposisinya. Fungsinya adalah untuk mengetahui akurasi model apakah layak untuk memprediksi di masa yang akan datang. Isikan prediction date dengan tahun saat ini, misalnya tahun 2000. Pastikan transition potential sudah dibuat di tahap sebelumnya.

Ada empat sub-tab di tab change prediction antara lain: Change demand modelling, Dynamic road development, Change allocation, dan validation. Singkatnya coba masuk ke sub-tab change allocation dan jangan mencentang soft prediction untuk menjalankan hard prediction. Karena ada empat transisi pada model kita maka ada indikator four pass di IDRISI.

Secara default, output name adalah landcov_predict_2000. Tentu saja Anda boleh menggantinya sesuka hati. Tekan Run Model dan tunggu beberapa saat hingga IDRISI selesai memrediksi lahan. Pastikan hard prediction muncul seperti gambar berikut ini.

Jika tidak mau dan menanyakan transition potensial maka berarti belum dibentuk map transition potential di tahap sebelumnya. Kemudaian jika sudah muncul, pilih soft prediction dan juga pilih semua transisi yang diinginkan. Soft prediction sangat berguna untuk menghitung nilai AUC saat validasi yang biasanya digunakan untuk membandingkan antar scenario.

Perhatikan, soft prediction berbeda dengan hard prediction yang mematok perubahan ke LU tertentu. Soft prediction memberikan kemungkinan lebih dari satu perubahan LU sehingga cocok untuk memprediksi suatu habitat dan bio-diversity. Dan selamat Anda telah berhasil memprediksi lahan dari dua data waktu. Silahkan baca tutorial resminya untuk variabel tambahan yaitu untuk variabel jenis dinamis dan constraint yang diisikan di tab Planning. Berikut video singkatnya.