Arsip Kategori: Geographic Information System

Menghitung AUC (Area Under 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.

Iklan

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.

Membuat Driver LU Change di IDRISI

Driver merupakan salah satu komponen penting dalam memprediksi perubahan lahan. Driver ini merupakan variabel yang mengarahkan suatu LU berubah dari satu kelas ke kelas lainnya. Beberapa driver dibuat dengan menggunakan ArcGIS atau GIS tool lainnya (lihat postingan sebelumnya). Akan tetapi IDRISI juga bisa digunakan untuk membuat driver. Bukan hanya itu, bisa juga untuk menganalisa apakah suatu driver bersifat linear atau non-linear. Tulisan kali ini akan membahas bagaimana membuat driver dengan IDRISI.

Software IDRISI menyediakan fasilitas untuk belajar sebagai pelengkap dari tutorialnya. Harga software ini untuk mahasiswa sekitar $65 (lihat situs resminya). Tools yang digunakan untuk membuat salah satu driver yaitu DISTANCE jika ingin membuat peta jarak tertentu dari suatu lokasi, misalnya jalan, tempat pembuangan sampah, area banjir, dan sebagainya.

Masukan feature image dan nama output-nya. Tekan OK maka segera IDRISI membuat peta jarak tiap lokasi ke lokasi tertentu, dalam hal ini diambil contoh jalan pada tahun 94.

Sangat sederhana dan tidak membutuhkan GIS tool lainnya. Untuk jelasnya lihat video tutorial saya di youtube ini.

Sementara itu, untuk mengetahui suatu driver adalah non-linear kita membutuhkan fungsi HISTOGRAM yang terletak di samping GPS tool.

Sepertinya masih linear untuk distance_from_road. Tetapi beberapa driver bersifat non-linear seperti pada video di bawah ini. Jika non-linear maka tidak akurat jika menggunakan logistic regression, harus multi-layer perceptron neural network. Selamat mencoba.

Praktek Land Change Modeler dengan IDRISI – Part 2: Transition Potential

Praktek Transition Potential ini merupakan kelanjutan dari Change Analysis di postingan sebelumnya. Hanya saja di sini studi kasusnya berbeda. Terraset sudah memposting tutorialnya di Youtube, berikut ini, bisa dilihat. Lihat juga video sebelumnya tentang change analysis, khusus di bagian sinkronisasi dua data LU tahun yang berbeda.

Di tahap Change Analysis ini yang terpenting adalah membuat Map perubahan lahan. Pada isian Map Change isikan Ignore transitions less then dengan 500 hectares (rubah cell jadi hectares). Tampak hanya empat perubahan potensial yang dihasilkan dari Map change ini (dari sebelumnya tujuh).

TRANSITION POTENTIAL

Sampai langkah di atas, kita sudah melewati Change Analysis dan mulai masuk ke Transition Potential. Penting untuk diketahui bahwa keempat perubahaan (tmp011 gambar di atas) harus dijadikan dasar empiris pembuatan model perubahan lahan. Ada dua tools yang bisa dipakai yaitu logistic regression dan multi-layer perceptron (MLP) neural network. Di tutorial disebutkan bahwa vendor telah melakukan uji coba terhadap 12 teknik ternyata memang MLPNN yang paling tangguh (robust).

Selanjutnya, tekan Tab: Transition Potential pada LCM. Tampak menu-menu yang tersedia seperti tampak di bawah ini.

a. Transition Sub-Models: Status

Jika diperhatikan Change Map di langkah sebelumnya (tmp011) empat     transition potential berubah dari beberapa LU class menjadi Antrophogenic Disturbance. Pada Transition Sub-Models kita bisa memberinya nama yang sama, misalnya Disturbance. Jika dipakai semua transition potential-nya, pastikan Yes pada sebelah kiri tiap-tiap transisi.

Jika sudah maka kita mulai masuk ke bagian yang paling sulit yaitu mendeklarasikan variabel-variabel yang mempengaruhi perubahan lahan, dikenal dengan istilah Driver. Dari sini kita kembali lagi ke Change Analysis untuk membuat Map transisi dari semua ke Anthropogenic Disturbance.

Ditunjukan dalam tutorial bahwa ada hubungan non-linear antara perubahan lahan dengan faktor disturbance. Langkahnya adalah setelah membuat peta perubahan, gunakan fungsi RECLASS untuk membuat peta biner.

Setelah itu CHANGE8694 dihubungkan dengan perubahan disturbance dengan menggunakan fungsi HISTO yang terletak di sebelah kanan GPS. Gambar di bawah menunjukan hubungan non-linear.

Maksud dari gambar di atas adalah jika menggunakan metode logistic regression maka harus dilakukan proses linearisasi dengan log transformation. Namun jika menggunakan MLPNN tidak perlu merubahnya dan TAB Variable transformation Utility bisa kita lewatkan dan langsung ke Test & selection of site and driver variables.

b. Test and Selection of Site and Driver Variables

Bagian ini berfungsi mengukur sejauh mada Driver berpengaruh terhadap transition potential. Pilih driver yang akan diuji, setelah tombol Test Explanatory Power ditekan, maka Cramer’s Value muncul. Lanjutkan dengan menekan Add to model. Perhatikan untuk driver DISTANCE_FROM_STREAMCT, nilai Cramer sangat rendah dan tidak berkontribusi terhadap transition potential.

Kemudian ada hal lain yang penting yaitu menguji peta transisi dari 86 dengan membandingkan peta tersebut dengan peta perubahan (yang sudah berbentuk kategori).

c. Transition Sub-model Structure

Pastikan driver sudah masuk pada TAB ini, termasuk EVLIKELIHOOD_LC. Dan akhirnya kita masuk tahap terakhir yaitu me-running model dengan MLPNN. Tunggu beberapa saat, dan ulangi jika akurasinya di bawah 75%. Selamat mencoba.

    

    

    

Praktek Land Change Modeler dengan IDRISI – Part 1: Analisa Perubahan

Software IDRISI banyak digunakan oleh peneliti lingkungan. Salah satunya adalah untuk memprediksi perubahan lahan, misalnya dari lahan pertanian menjadi perumahan, perikanan, dan sebagainya. Bagi yang belum memiliki pengetahuan tentang dasar-dasar sistem informasi geografis (GIS) sepertinya agak sulit. Untungnya tutorial yang diberikan oleh aplikasi ini cukup baik bahkan disediakan file-file praktek yang mendukung tutorialnya (silahkan buka tutorialnya di link resminya berikut ini).

Singkatnya, untuk memprediksi perubahan lahan puluhan tahun ke depan kita memerlukan data lahan di masa lampau. Misalnya untuk memprediksi lahan 2019 kita memerlukan data lahan tahun 86 dan 94 (data yang disediakan software IDRISI untuk latihan). Misalnya lahan terkini adalah tahun 2000, maka dengan lahan tahun 86 dan 94 dengan IDRISI dapat dibuat model untuk memprediksi lahan tahun 2000. Setelah itu, dilakukan proses validasi untuk mengukur sejauh mana model yang dirancang mampu memprediksi lahan. Jika sudah akurat (AUC di atas 70-an persen) maka dapat digunakan untuk memprediksi tahun yang akan datang misalnya 2019.

Buka IDRISI dan arahkan folder project ke folder yang berisi file raster klasifikasi lahan, yaitu di folder LCM\CMA. Gunakan IDRISI versi selva. Langkah-langkah yang perlu dilakukan untuk pemodelan LCM antara lain: Change Analysis, Transition Potential Modeling, Change Prediction, Validation, dan terakhir Prediction. Kelihatannya prosesnya panjang, tetapi sebenarnya itu sudah singkat. Pada prakteknya banyak proses yang terlibah, dari mengunduh citra satelit, pemotongan (WINDOW), klasifikasi (hard classification) hingga mempersiapkan driver.

A. CHANGE ANALYSIS

Ini merupakan langkah pertama dan terpenting. Dengan file yang tersedia, sepertinya tidak ada masalah, tetapi kenyataannya ketika kita membuat file sendiri, perlu banyak melakukan modifikasi-modifikasi, yaitu menyamakan antara dua peta yang beda waktu (temporal) agar bisa dilakukan analisa serempak. Masukan file-file yang diperlukan mengikuti tutorial yang diberikan.

Ketika tombol Continue ditekan, maka LCM akan masuk ke tahap berikutnya yaitu Gain and Loses. Rubah UNIT dari cells menjadi hectares. Coba utak-atik sendiri bagian analisa Gain and Loses, setelah dipilih Contributors to net change ke Residential (>2 acre). Coba buat peta (Create Map) yang memperlihatkan transisi dari seluruh jenis lahan menjadi lahan perumahan (residential), caranya seperti gambar di bawah ini.

Tekan Create Map untuk membuat peta-nya. Di bagian bawah Change Maps, Anda bisa juga melihat trend perubahan ke pemukiman dengan membuat peta tren.

Kesimpulan dari gambar di atas adalah trend pertumbuhan pemukiman (residential) adalah mengarah ke sisi timur laut dan tenggara (ditunjukan oleh warna merah tua dengan skor tinggi). Berikut ini rinciannya, di youtube.

Selamat mencoba.

Menggambar Pertumbuhan Lahan dengan ArcGIS

Untuk menggambarkan pertumbuhan lahan (land use growth) perlu membuat hasil pengurahan lahan terkini dengan lahan sebelumnya. Hasil pengurahan itu merepresentasikan penambahan lahan. Prinsipnya sederhana tetapi agak ribet untuk menerapkannya di ArcGIS mengingat fungsi Erase tidak bisa menggunakan data raster sebagai pengurangnya. Padahal baik pengurang maupun yang dikurangi dua-duanya data raster (lihat postingan sebelumnya untuk pengurangnya data vektor).

Salah satu fungsi di ArcGIS yang baik untuk mengelola data raster adalah Mosaic to New Raster. Dengan fungsi ini maka dapat dibentuk satu peta yang merupakan selisih antara peta terkini dengan peta sebelumnya. Penjelasannya cukup rumit, tetapi langkah pengerjaannya sederhana. Sebagai uji coba perhatikan gambar dua peta yang menggambarkan perubahan lahan di bawah ini.

Dua peta lahan itu memiliki dua atribut yaitu yang berwarna hitam (urban) dan background putih (non-urban). Dengan prinsip overlapping pada fungsi Mosaic to New Raster maka pixel yang sama akan ditimpa. Langkahnya adalah sebagai berikut:

1. Dengan fungsi Extract by Mask hilangkan daerah non-urban pada peta yang lampau. Caranya dapat dilihat pada postingan tentang fungsi ini.

2. Langkah berikutnya adalah merubah daerah urban yang tersisa menjadi non-urban, fungsinya adalah untuk menimpa daerah urban pada peta terkini sehingga yang tersisa hanyalah daerah urban tambahan dari peta yang lampau. Gunakan fungsi Reclassify untuk merubah kelas urban menjadi non urban. Mudah-mudahan bisa dimengerti. Atau jika belum paham, ikuti saja langkahnya, biasanya akan paham sendiri, memahami lewat praktek.

3. Jika sudah lakukan Mosaic to New Raster antara hasil extract dengan peta terkini, maka hasilnya adalah perkembangan lahan. Jangan sampai salah mengisi parameter: Mosaic Operator.

Hasilnya harus selisih antara lahan terkini dengan lahan sebelumnya (saya beri warna merah pada gambar hasil di bawah ini), dengan catatan, lahannya bertambah pada kelas daerah urban.

Problem Beda Segmen Citra Landsat

Untuk rekan-rekan peneliti yang melibatkan citra satelit Landsat, khususnya yang meneliti Bogor dan sekitarnya pasti menjumpai masalah terpotongnya dua citra satelit. Lumayan mengganggu karena kita harus mengunduh dua “tile”, istilah untuk segmen citra satelit. Oiya, USGS sekarang menyediakan format baru (silahkan mampir ke situsnya). Format baru sedikit lebih interaktif karena menyediakan peta jalan (street map) supaya jelas melihat lokasi suatu daerah.

Perhatikan gambar di atas. Bogor terpisahkan dengan dua citra satelit. Sebenarnya kalau mau nyaman pake citra quick bird yang lebih jelas, tapi tentu saja harus membeli (berbayar). Bogor yang terkenal dengan kota hujan kerap diganggu oleh banyaknya awan ketika mencari cloud-free image.

Lumayan, nambah kerjaan ketika klasifikasi lahan untuk wilayah bogor atas dan bogor bawah. Setelah itu digabung lagi dengan Gis Tools lainnya, misalnya ArcGIS.

Membuat Peta Urban dari Satelit

Menganalisa perubahan lahan suatu daerah dari pertanian, hutan, lahan kosong, dan sejenisnya menjadi pemukiman sangat bermanfaat bagi pengambil keputusan. Selain itu, dampak negatif yang muncul akibat perkembangan yang tidak terkendali dapat diantisipasi dari awal. Peran ahli-ahli di bidang planologi, geografi, dan yang berhubungan dengan pemetaan wilayah sangat diperlukan.

Salah satu bidang yang diperlukan adalah remote sensing dan geography information system (RS-GIS). Ilmu ini menyediakan sarana berupa citra satelit baik saat ini maupun di masa yang lampau. Satelit yang biasa digunakan adalah Landsat, yang disediakan oleh USGS. Lihat postingan sebelumnya untuk mengetahui bagaimana mengunduh citra satelit gratis tersebut.

Citra satelit pada bulan dan tahun tertentu yang telah diunduh kemudian diklasifikasi dengan software tertentu, misalnya IDRISI. Setelah cropping mengikuti study area dengan proses WINDOW, klasifikasi dengan hard classifier (ISOCLUST) dilakukan hingga terbentuk klasifikasi seperti gambar di bawah ini.

Yang berwarna merah adalah daerah urban sementara yang kuning adalah non-urban. Background perlu juga diberi kelas khusus (berwarna hitam). Semua terkonsentrasi di wilayah Jakarta.

Untuk menganalisa daerah Jabodetabek, perlu dipotong lagi dengan peta jabotabek. Biasanya GIS tool diperlukan (ArcGIS, ArcView, QGIS, dll). Proses yang diperlukan adalah RASTER CLIP dengan peta jabodetabek, atau study area tertentu. Memahami bagaimana menggunakan Geoprocessing tools mutlak diperlukan, termasuk yang terpenting adalah bagaimana bekerja dengan proyeksi dan koordinat. Jika tidak, maka akan dijumpai banyak masalah.

Gambar di atas adalah peta urban Jabodetabek tahun 1988 yang lalu. Tampak semua terkonsentrasi di Jakarta.

Problem Erase dan Clip di ArcGIS

Clipping dan Erasing merupakan teknik geoprocessing penting dalam ArcGIS. Fungsi utamanya adalah menghasilkan peta dengan lebih berfokus pada wilayah tertentu. Postingan terdahulu sudah dibahas bagaimana melakukan proses Erase, atau yang dikenal dengan inversi dari Clip. Hanya saja beberapa hari yang lalu dijumpai masalah ketika dilakukan proses Clip atau Erase, tidak ada hasilnya (tidak ada yang berubah, walau tidak ada pesan error). Ternyata masalah utamanya adalah beda proyeksi antara peta yang mau di-clip dengan clipper-nya. Walaupun dua peta terbuka dan tampak sinkron ketika dibuka besamaan di ArcGIS tetapi jika beda proyeksinya (atau salah satunya tidak memiliki proyeksi) maka tidak dapat dilakukan geoprocessing dengan peta lainnya. Untuk itu lakukan penyamaan koordinat dengan langkah-langkah di bawah ini.

Pada Arc Catalog, sorot Clipper yang digunakan untuk memotong. Klik kanan dan masuk ke Properties untuk mengeset suatu shapefile.

Pilih XY Coordinate System untuk menyesuaikan Clipper dengan peta yang akan di-clip. Salah satu cara termudah adalah dengan memilih koordinat yang sama dengan peta yang akan di-clip. Pilih layer dan cari peta yang akan diclip pada list yang tersedia. Tidak harus sama dengan yang di-clip sebenarnya, bisa peta lain yang sama koordinatnya.

Barulah setelah ditekan OK, proses Clip dan Erase dapat dilakukan dengan cara seperti biasa. Proses Clip terletak di menu Geoprocessing sedangkan erase harus dicari di menu Search dan masukan kata kunci Erase.

Area merah muda jika ingin dikurangi dengan area biru pada gambar di atas, fungsi yang digunakan adalah erase. Masalah proyeksi dan koordinat adalah masalah dasar dalam ArcGIS yang penting dikuasai terlebih dahulu oleh pengguna yang baru belajar GIS. Selamat mencoba.

Menyamakan Koordinat Raster ArcGIS dengan IDRISI

Untuk melakukan klasifikasi citra satelit, diperlukan cropping agar mempercepat proses berdasarkan study area. Pada IDRISI proses cropping menggunakan fasilitas WINDOW. Proses ini memerlukan area pemotongan yang merupakan peta study area. Karena biasanya peta study area dibuat dengan ArcGIS maka perlu sinkronisasi ke IDRISI.

Proses konversi study area dari ArcGIS ke IDRISI memerlukan file ASCII. Buka toolbox Raster to ASCII di ArcGIS dengan men-search. Hal terpenting yang harus dilakukan adalah mengeset Environment setelah menginput peta study area dan nama file output-nya.

Setelah menekan Environment, pilih Output Coordinates yang diarahkan ke file satelit hasil konversi GeoTIFF ke Raster (contohnya b1.rst).

Tunggu beberapa saat setelah menekan OK, hingga ArcGIS menampilkan pesan berhasilnya proses konversi RST menjadi ASCII. Berikutnya untuk menguji kecocokan proyeksi, buka IDRISI dan impor file ASCII tersebut.

Perhatikan gambar di bawah ini. Study area sudah sinkron dengan peta satelit (hasil konversi GeoTIFF ke RST). Sayang tile peta satelit tidak pas ke study area.

Membuat File Deskriptor Fragstats (Lanjutan)

Apabila file RST dari IDRISI sudah dikonversi dan kelas sudah diklasifikasi ulang melalui ArcGIS (lihat postingan terdahulu) maka akan kita coba analisa statistik spasial salah satu kelasnya. Untuk itu set seluruh kelas pada kolom Enabled –nya menjadi false kecuali salah satu kelas, misal open.

Buka Fragstats, dan klin “new” untuk memulai model analisa baru. Tambahkan layer yang berisi file TIF yang sudah diolah sebelumnya.

Selain file TIF, sertakan juga file deskriptornya, file yang merinci kelas-kelas file TIF tersebut. Ada satu file wajib lainnya yang diminta Fragstats, yaitu similarity. Jika tidak ada, maka Fragstats menolak untuk me-running. Perhatikan gambar di bawah:

Bobot similarity yang diisikan berkisar dari 0 (sangat berbeda) hingga 1 (mirip). Tabel di atas menunjukan nilai 1 karena dibandingkan dengan dirinya sendiri. Antara vegetasi dengan agri pada kasus di atas sangat mirip (0.8). Jangan lupa class_list_literal dan class_list_numeric diisi sesuai dengan tabel deskriptor. Berikutnya tekan tab Analysis Parameters.

Tutorial Fragstats merekomendasikan “use 8 cell neighborhood rule”. Silahkan pilih level dari metrik, jika tidak ada yang dicentang, maka Fragstats tidak akan memproses. Ada pesan “level metrics” tidak diisi di activity log. Berikutnya adalah mengeset statistik spasial mana saja yang akan dikalkulasi. Pilih level Lanscape karena di parameter setting, hanya landscape metrics yang dipilih.

Pilih semua pada bagian “Aggregation“. Ada dua isian yang wajib jika similarity index diceklis yaitu search radius dan threshold distance. Jika sudah maka model siap dijalankan dengan menekan simbol run (segitiga hijau).

Prosesnya sekitar dua atau tiga menit. Setelah itu, tekan Result untuk melihat statistik spasial-nya. Untuk membandingkan beberapa peta (misalnya tahun yang berbeda), teknik “batch” bisa digunakan. Biasanya yang digunakan adalah PD, LSI, ENN, dan MPS.

 

 

Konversi dari RST ke TIF pada IDRISI

IDRISI merupakan software yang ampuh untuk mengelola klasifikasi lahan berbasis data raster (image). Untuk menghitung statistik spasial, biasanya periset memanfaatkan software Fragstats, yang saat tulisan ini dibuat sudah masuk ke versi 4. Sementara IDRISI menggunakan file berekstensi *.rst, Fragstats menggunakan jenis file standar geotiff, *.tif. Oleh karena itu kemampuan untuk mengkonversi RST ke TIF pada IDRISI mutlak diperlukan. Walaupun ada cara lain, yaitu menggunakan file ASCII, tetapi berdasarkan postingan terdahulu, agak ribet menyeting saat menambahkan layer ASCII ke model Fragstats dibanding layer dalam format TIF.

Buka aplikasi IDRISI dan pilih menu FILEexport Desktop Publishing Format – GEOTIFF/TIF. Kita akan diminta memasukan file RST yang akan dikonversi menjadi TIF. Lihat gambar berikut:

Selain memasukan file RST yang akan diubah menjadi TIF, IDRISI juga mewajibkan menyertakan file PALLETE, yang merupakan penjelasan dari warna klasifikasi. Cara pembuatan pallete sudah dibahas di postingan terdahulu (search IDRISI di blog ini).

Setelah ditekan OK, maka IDRISI akan membuatkan file TIF yang sepadan dengan file aslinya (RST). Coba buka ArcGIS dan buka file TIF tersebut. Perhatikan, di sini klasifikasinya masih kacau, tetapi dengan mengklik kanan – properties – pilih symbology kita dapat mengklasifikasi kembali dengan baik.

Pilih jumlah kelas sesuai dengan RST. Sesuaikan juga Color Ramp sesuai selera Anda. Misalnya tampak pada gambar di bawah ini.

Fragstats memerlukan satu file tambahan yakni descriptors.fcd yang fungsinya menjelaskan kode klasifikasi. Cara mudah membuatnya adalah dengan mengedit file tersebut dari tutorial yang disediakan oleh Fragstats.

Tinggal dilanjutkan ke Fragstats. Selamat mencoba, semoga sedikit membantu.

 

Membuat File Deskriptor Fragstats

File deskriptor (descriptor.fcd) pada software Fragstats berisi klasifikasi suatu peta raster (Grid). Klasifikasi pada Fragstats berbeda dengan GIS tool lainnya yang terintegrasi. Pada Fragstats, klasifikasi disertakan dengan file yang berbeda (berekstensi *.fcd). Untuk melihat bagaimana struktur pembuatan kelasnya, ada baiknya membuka file *.mxd bawaan tutorial Fragstats yang dibuka dengan ArcGIS versi 10 ke atas. Jika versi 9 yang digunakan, pilih yang versi 9 (disediakan pula).

Masukan satu contoh file TIF, misalnya “reg78b.tif” dengan men-drag dari ArcCatalog. Perhatikan klasifikasi yang diberikan dalam bentuk warna-warni. Warna-warna yang menggambarkan kelas-kelas Land Use tidak akan dikenali pada Fragstats. Dibutuhkan satu file tambahan (descriptors.fcd) yang memberikan informasi ke Fragstats mengenai kelas-kelas yang ada pada “reg78b.tif” tersebut. Jika kita buka tabelnya (klik kanan pada “reg78b.tif” dan pilih Open Attribute Table) maka tampak kelas dalam bentuk tabel.

Untuk membuat file deskriptor, tabel atribut diperlukan, terutama pada kolom Value yang menyatakan kelas Land Use. Hanya saja perlu ada penambahan kolom lainnya yaitu, Name, Enabled, dan IsBackground selain kolom ID itu sendiri (berasal dari Value).

Perhatikan file dekskriptor di atas. Jika pada ArcGIS tidak disertakan nama land use- nya, pada Fragstats harus disertakan (misalnya: open, resident, water, forest, wetland, dan urban pada kasus di atas). Untuk membuat file deskriptor dengan contoh raster lainnya akan dibahas pada postingan berikutnya, masih dengan studi kasus di kota Bekas seperti biasa (bersambung).

Moving Window Analysis (Tutorial-4 Fragstats)

Jika pada postingan terdahulu, satu GRID dicari harga-harga statistik spasial-nya, sekarang kita mulai melibatkan GIS tool untuk melihat hasil olahnya. Masih diambil dari (Mcgarigal et al., 2015), tutorial 4 membahas “Moving Window Analysis”. Maksudnya adalah analisa suatu data GRID (raster) dengan menggunakan jendela persegi dengan ukuran tertentu yang bergerak ke seluruh lansekap. Silahkan unduh Fragstats di link berikut ini beserta tutorialnya.

Buka Fragstats, buat proyek baru dengan menekan “New”. Setelah itu tambahkan file ASCII dengan menekan “Add Layer”. Pada tutorial digunakan file TIFF yang merupakan standar Fragstat, tetapi kita coba dengan ASCII yang bisa digunakan hampir di semua GIS tool.

Jangan lupa memasukan data-data “row coung”, “column”, dst seperti gambar di atas. Tekan “…” untuk memasukan file yang dituju di tutorial 4 yaitu Reg78b.asc. Tekan “OK” dan pastikan tidak ada error/pesan kesalahan (lihat Activity Log).

Pada tab “Analysis Parameters” centang “Moving Windows” beserta “class” dan “lanscape” metrics. Pilih jendela “square” dengan panjang 500 meter (tekan […] terlebih dulu untuk mengisi nilai square).

Berikut ini adalah langkah penting dimana kita akan menentukan kelas mana yang dianalisa dengan moving window. Buka descriptors.fcd dengan notepad atau text editor lainnya. Di sini kita akan sedikit mencoba berbeda dengan tutorial, yaitu kelas Urban yang akan dianalisa. Caranya adalah mengubah seluruh kelas pada kolom Enabled dengan “False” sementara Urban tetap dijaga “False“.Masukan file dengan menekan “Browse” di bagian Analysis Parameters.

Setelah kelas yang akan dianalisa dipilih (Urban), berikutnya adalah memilih metrics yang tepat. Di sini dianjutkan dengan memilih Area-Weighted Mean (AM) untuk level kelas dan lansekap (kotak kuning dan biru di Fragstats). AM dikenal juga dengan istilah Correlation Length.

Coba jalankan model dengan menekan tombol segitiga hijau, tunggu beberapa saat hingga indikator process berhenti. Perhatikan di Activity Log, output berupa file ASCII dengan nama reg78b.asc_mw1. Silahkan buka dengan GIS tool, misalnya ArcGIS. Tidak ada result statistik ketika tombol “Results” ditekan, karena di sini kita membuat peta baru yang berisi hanya Urban.

Sepertinya agak ribet jika menggunakan ASCII ketika ingin dibuka di ArcGIS. Lebih mudah menggunakan TIF dan menggunakan toolbox konversi dari TIF ke RST atau sebaliknya. Selamat mencoba.

Reference

Mcgarigal, K., Cushman, S. and Ene, E., 2015, FRAGSTATS v4: Spatial Pattern Analysis Program for Categorical and Continuous Maps [Online]. Available at: http://www.umass.edu/landeco/research/fragstats/fragstats.html.

 

 

Jenis-jenis Sprawl pada Daerah Urban

Seperti telah dibahas pada postingan terdahulu, sprawl yang artinya pembukaan lahan baru perkotaan, berdampak negatif terhadap lingkungan. Mengetahui perkembangan sprawl suatu wilayah dapat membantu mengurangi dampak negatif tersebut. Banyak riset yang sudah membahas masalah sprawl pada daerah urban yakni (Pham and Yamaguchi, 2011; Sun et al., 2013; Yue et al., 2013). Rata-rata software yang digunakan adalah Fragstats (lihat postingan terdahulu).

Salah satu paper, yakni (Sun et al., 2013), menggunakan empat variabel untuk mendeteksi tipe-tipe sprawl yakni Patch Density (PD), Landscape Shape Index (LSI), Euclidean Nearest-Neighbor Distance (ENN), dan Mean Patch Size (MPS). Tipe-tipe sprawl yang dideteksi antara lain: Infilling, edge-expansion, dan outlying. Definisi dan hubungan variabel dengan tipe sprawl adalah sebagai berikut:

1. PD merupakan ukuran umum untuk keberagaman suatu lansekap. Nilainya akan rendah ketika komposisi yang ada terfragment atau tersebar.

2. LSI merupakan ukuran ketidakteraturan dari lansekap. Mirip dengan PD jika suatu kelas patch mulai bergabung maka nilainya berkurang dibanding ketika masih terpisah.

3. ENN dinyatakan sebagai jarak antar satu kelas patch dengan kelas patch lainnya berdasarkan jarak sudut dengan sudut lainnya.

4. MPS adalah luas rata-rata tiap patch dalam suatu lansekap.

Hubunga variabel di atas dengan tipe pertumbuhan urban adalah sebagai berikut. Nilai PD dan LSI yang rendah, tetapi MPS dan ENN yang besar mengindikasikan bahwa tipe pertumbuhannya adalah outlying. Sementara outlying terus turun karena pertumbuhan urban yang makin kompak, infilling dan edge-expansion terus meningkat.

Data di atas diambil dari studi kasus di Guangzhou, China. Silahkan baca referensinya di bawah ini.

Reference

Pham, H.M. and Yamaguchi, Y., 2011. International Journal of Remote Urban growth and change analysis using remote sensing and spatial metrics from 1975 to 2003 for Hanoi , Vietnam. International Journal of Remote Sensing, 32(May 2015), pp.37–41.

Sun, C. et al., 2013. Quantifying different types of urban growth and the change dynamic in Guangzhou using multi-temporal remote sensing data. International Journal of Applied Earth Observations and Geoinformation, 21, pp.409–417. Available at: http://dx.doi.org/10.1016/j.jag.2011.12.012.

Yue, W., Liu, Y. and Fan, P., 2013. Land Use Policy Measuring urban sprawl and its drivers in large Chinese cities : The case of Hangzhou. Land Use Policy, 31, pp.358–370. Available at: http://dx.doi.org/10.1016/j.landusepol.2012.07.018.