Arsip Kategori: Geographic Information System

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.

Iklan

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.

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.