Analisis Citra Satelit dan Terrain Modelling
Buku Panduan Geospatial Gratis untuk Pengelolaan Sumberdaya Alam, Risiko Bencana dan Perencanaan Pembangunan Version 2 SAGA GIS 4 Juni 2017
Website: https://sagagisindonesia.wordpress.com/
2
Diterbitkan oleh Charles Darwin University kerjasama dengan Universitas Nusa Cendana dan Universitas Halu Oleo didukung oleh Australian Government Partnerships for Development: Artisanal and small scale mining for development in Eastern Indonesia program.
Cetakan kedua Juni 2017 ISBN: Copyright notice: © Charles Darwin University, Universitas Nusa Cendana dan Universitas Halu Oleo
This work is licensed under a Creative Commons AttributionNonCommercial-ShareAlike 4.0 International License. Charles Darwin University, Universitas Nusa Cendana dan Universitas Halu Oleo assert the right to be recognised as the copyright owner of the original material in the following manner: © Charles Darwin University, Universitas Nusa Cendana dan Universitas Halu Oleo 2017 Authors: Rohan Fisher – Research Institute for Environment and Livelihoods Charles Darwin University.Email:
[email protected] Sarah Hobgen – Research Institute for Environment and Livelihoods Charles Darwin University, Australia. Email:
[email protected] Iradaf Mandaya –Lembaga Pengembangan Masyarakat Pesisir dan Pedalaman. Email:
[email protected] Norman Riwu Kaho – Fakultas Pertanian, Universitas Nusa Cendana, Nusa Tenggara Timur, Indonesia. Email:
[email protected] Zulkarnain – Fakultas Kehutanan, Unviersitas Halu Oleo, Sulawesi Tenggara, Indonesia. Email:
[email protected] Facebook Group - Remote Sensing & GIS with SAGA https://www.facebook.com/groups/208599582556485/ Website (Bahasa Indonesia): https://sagagisindonesia.wordpress.com/ Website (English): http://sagatutorials.wordpress.com/
3
Foreword by Vice Chancellor, Charles Darwin University Throughout the ages, humans have sought ways to understand and depict our environment. As in many areas of human endeavour, new technologies give us much more powerful ways of interrogating the natural world, of interpreting what we find, and presenting that information. Importantly, in the digital era such technologies are becoming ever more affordable and ubiquitous, potentially accessible to many more people in many more countries. However, the vast majority of environmental management decisions are not made by scientists, but by local people — local government, NGO’s and universities working with farmers and householders seeking to feed their families and to earn a livelihood. Our challenge is to find ways of combining scientific understanding with fine-grained local knowledge and experience to develop better and more sustainable ways of managing natural resources and improving human livelihoods. The use of satellite and digital elevation data for mapping, monitoring and modelling has become an important tool assisting effective and timely natural resource management. But we need local knowledge to help us to interpret mapped landscapes and observed changes, so that these data become more useful for management and policy. This training manual is a great example of a tool that will assist in bringing together local knowledge and experience, with very sophisticated remote sensing and landscape modelling technologies. The application of satellite data, once an expensive and specialist skill, has become cheap and accessible due to falling hardware costs and the availability of high quality free satellite data and software. This manual was produced as part of ongoing collaboration between Charles Darwin University (Darwin, Australia), Nusa Cendana University (Kupang, West Timor), Halu Oleao University (Kendari, South East Sulawesi) with funding support from the Australian government (DFAT) through their government partnerships for development program. This training output provides a platform for long term and sustained capacity building throughout the region.
Professor Simon Maddocks Vice-Chancellor Charles Darwin University, Darwin
4
Kata Sambutan oleh Rektor Universitas Haluoleo Penyusunan buku petunjuk pembuatan peta yang menggunakan satellite dan elevation data ini, memanfaatkan perangkat program yang relatif murah bahkan dapat diakses secara gratis. Pemanfaatan program ini akan sangat membantu dalam memonitor dan menyusunan perencanaan kegiatan pertambangan tidak hanya di Bombana namun di daerah-daerah yang lain. Pengembangan dari satellite image and terrain modelling ini juga tidak hanya akan berguna untuk kegiatan di sector pertambangan saja, namun dapat digunakan untuk spatial monitoring dan penyusunan perencanaan untuk sektor-sektor lainnya. Sejak awal ditemukannya emas di Kabupaten Bombana pada tahun 2008, berbagai dampak lingkungan, sosial dan ekonomi terjadi. Pemanfaatan teknologi satellite and digital elevation data menjadi sangat penting untuk dapat melakukan pemetaan dampak dan merumuskan perencanaan pengendalian dampak yang timbul dari penambangan emas. Mewakili seluruh civitas akademika, sebagai rektor Universitas Haluoleo dalam kesempatan ini saya menyampaikan terima kasih kepada Australian Department of Foreign Affairs and Trade (DFAT) yang telah memberikan dukungan dalam program Government Partnerships for Development Program (GPFD) selama kurang lebih hampir dua tahun. Selain itu juga UHO menyampaikan terima kasih kepada Charles Darwin University (CDU), The Australian National University (ANU), Universitas Nusa Cendana (Undana) dan semua pihak yang terlibat sehingga kegiatan ini dapat terlaksana dengan baik.
Prof. Dr. Ir. H. Usman Rianse, MSi. Rektor Universitas Haluoleo, Kendari
5
Kata Sambutan oleh Rektor Universitas Nusa Cendana Kerjasama antar Universitas Nusa Cendana (UNDANA), Charles Darwin University (CDU), The Australian National University (ANU), dan Universitas Haluoleo (UHO) merupakan kemitraan yang sangat produktif. Hal ini terbukti dari, antara lain, telah disusun dan diterbitkannya buku panduanpemetaan dengan menggunakan program aplikasi sistem informasi geografik (SIG) akses terbuka (open access) SAGA GIS. Program aplikasi SIG akses terbuka ini memungkinkan dapat dilakukan analisis spasial berbasis citra satelit untuk mendukung proses perencanaan, pemantauan, dan evaluasi kegiatan pembangunan secara lebih akurat, termasuk kegiatan tambang rakyat skala kecil yang menjadi fokus penyusunan buku panduan. Kegiatan tambang rakyat skala kecil yang menjadi fokus dalam penggunaan SAGA GIS dalam buku petunjuk ini adalah penambangan mangan yang marak dilakukan di Provinsi Nusa Tenggara Timur, terutama di Timor Barat, sejak 2008. Kegiatan penambangan mangan skala kecil tersebut menimbulkan perubahan lanskap yang berdampak pada lingkungan hidup dan penghidupan masyarakat. Dengan menggunakan panduan ini, pihakpihak yang berkepentingan diharapkan dapat terbantu dalam menggunakan program aplikasi SIG akses terbuka SAGA GIS untuk melakukan pemantauan dan evaluasi terhadap dampak yang ditimbulkan oleh penambangan mangan skala kecil tersebut, sekaligus melakukan perencanaan untuk meminimalisasi dampak negatif dan mengoptimalkan dampak positif yang diprakirakan akan terjadi. Atas nama sivitas akademika UNDANA, sebagai Rektor saya menyampaikan terima kasih kepada Australian Department of Foreign Affairs and Trade (DFAT) yang telah memberikan dukungan melalui program Government Partnerships for Development Program (GPFD) terhadap pelaksanaan penelitian tambang mangan skala kecil di Timor Barat. Melalui kesempatan ini saya juga menyampaikan terima kasih kepada Charles Darwin University (CDU), The Australian National University (ANU), dan Universitas Haluoleo (UHO) serta para peneliti, para penulis, dan semua pihak yang terlibat, sehingga kegiatan penelitian dan penerbitan buku panduan ini dapat terlaksana dengan baik.
Prof. Ir. Fredrik L. Benu, MSi, Ph.D. Rektor Universitas Nusa Cendana, Kupang
6
Daftar Isi 1.
Pendahuluan ...................................................................................................... 9 1.1 Apa yang Akan Dipelajari ................................................................................ 11 1.2 Apa itu SAGA? ................................................................................................ 13 1.3 Download dan Install SAGA ............................................................................ 14
2. Pengenalan Singkat ........................................................................................... 15 2.1 Layout SAGA .................................................................................................. 15 2.2 Mengimport dan Menampilkan Digital Elevation data ..................................... 19 2.3 Visualisasi 3D ................................................................................................. 21 2.4 Mengimport dan Menampilkan Data Landsat .................................................. 24 2.5 Menampilkan Data Landsat Pada SAGA ........................................................ 25 2.5 Mengimport dan Menampilkan Data Sentinel 2 .............................................. 27 2.6 Menambahkan Data Vektor ............................................................................ 29 3. Konsep Data Spasial .......................................................................................... 31 3.1 Jenis Data ....................................................................................................... 31 3.2 Sistem Koordinat ............................................................................................. 33 4. Pengenalan Citra Satelit .................................................................................... 34 4.1 Istilah Kunci dalam Data Satelit ...................................................................... 35 4.2 Apa itu Landsat? ............................................................................................. 36 4.3 Apa itu Sentinel 2? .......................................................................................... 37 4.4 Apa itu Data Elevasi Digital? ........................................................................... 38 5. Download Data Spasial Secara Gratis .............................................................. 40 5.1 Download Landsat dan Sentinel 2 .................................................................. 40 5.2 Historic Landsat Data downloads – 1972-Present .......................................... 43 5.3 Download Data Elevasi (SRTM)...................................................................... 45 5.4 Global Spatial Datasets yang lain ................................................................... 46 6. Visualisasi Data Satelit ...................................................................................... 47 6.1 Menampilkan dan Mengganti Kombinasi Bands ............................................. 47 6.2 Indeks Vegetasi .............................................................................................. 50 6.3 Menghasilkan Citra Landsat Resolusi Tinggi dengan Band 8 ......................... 52 6.4 Menampilkan Citra Multi-temporal .................................................................. 54 6.5 Mosaicking Satellite imagery ........................................................................... 55 7. Alat Processing .................................................................................................. 58 7.1 Transformasi Koordinat ................................................................................... 58 7.2 Clipping grids with polygons........................................................................... 61 7.3 Reklasifikasi .................................................................................................... 62 7.4 Export Peta ..................................................................................................... 67 7
7.5 Import Data ..................................................................................................... 68 7.6 Data Lapangan ............................................................................................... 69 8. Klasifikasi Citra Satelit....................................................................................... 73 8.1 Object-based classification dengan Sentinel 2 imagery. ................................. 74 8.2 Unsupervised Classification (Klasifikasi Tanpa Pengawasan) ........................ 79 8.3 Supervised OBIA ............................................................................................ 87 9. Hidrologi Dan Terrain Modelling ....................................................................... 95 9.1 Membuat Watershed (Delineasi Batas DAS) .................................................. 95 9.2 Basic Terrain Analysis..................................................................................... 98 9.3 Model Aliran Hidrologi ................................................................................... 103 10. Contoh Penggunaan SAGA GIS .................................................................... 105 10.1 Object-Based Image Analysis pada SAGA untuk Pemetaan Kebakaran .. 105 10.2 Pemetaan Perubahan Tutupan Hutan dengan tehnik Image Differencing .. 111 10.3 Menampilkan Aliran Sedimen dari Survey Lapangan Pertambangan Skala Kecil di Timor Barat ............................................................................................. 120 10.4 Analisis Potensi Pencemaran Aliran Sungai Akibat Logam Berat berbasis Citra Satelit di wilayah Pertambangan Skala Kecil di Sulawesi Tenggara .......... 125 11. Konsep Tingkat Lanjut .................................................................................. 134 11.1 Tool Chains ................................................................................................. 135 11.2 Travel time analysis .................................................................................... 136 11.2 Error matrix ................................................................................................. 143 12. Tolong! Penyelasaian masalah .................................................................... 144
8
1. Pendahuluan Aplikasi geospasial untuk pemetaan sumber daya, pemantauan dan pemodelan memberikan data kunci yang mendasari perencanaan pengelolaan sumber daya alam (SDM). Perangkat lunak geospasial bebas dan open source (FOS) generasi sekarang dan data gratis telah menghilangkan kebutuhan untuk perizinan dan pembelian data, yang merupakan hambatan penting bagi keterlibatan yang lebih luas dalam pemetaan, pemantauan dan pemetaan sumber daya lahan untuk pemerintah daerah. Kemajuan dalam perangkat lunak komputasi telah memungkinkan penggunaan alat analisis spasial yang canggih pada laptop standar. Selanjutnya, meningkatnya ketersediaan citra satelit yang gratis, data elevasi dan perangkat lunak analisis spasial berbasis raster memberikan peluang baru bagi pemangku kepentingan lokal untuk menggabungkan analisis kuantitatif dan kerumitan data dengan pengetahuan lokal secara kualitatif (Fisher et al, 2017) Sementara itu, perangkat lunak geospasial open source gratis juga tidak kalah dengan aplikasi GIS yang komersial. Sebaliknya perangkat lunak gratis dan open source (FOS) biasanya dianggap lebih aman, handal, dan mudah beradaptasi dengan aplikasi komersial lainnya (fisher et al, 2017). Hal ini berlaku terutama untuk perangkat lunak geospasial di mana rangkaian aplikasi yang kuat dan sangat fungsional tersedia yang seringkali mengungguli opsi software komersial lainnya. SAGA GIS merupakan focus dari panduan ini yang terus diperbarui oleh pengembang dan komunitas pengguna agar tetap relevan dengan penelitian geospasial. Saat ini, SAGA menawarkan lebih dari 700 modul geoscience yang menanggapi pertanyaan dan kebutuhan ilmiah (Conrad et al, 2015). Selain itu, fleksibilitas dan daya tanggap memungkinkan FOS geospasial secara cepat dan mudah menggabungkan fungsionalitas tailor-made untuk memfasilitasi proses tertentu atau untuk menangani masalah terutama masalah Sumberdaya Alam Sementara ada sejumlah paket analisis data raster yang bersifat open source yang canggih dan tersedia,termasuk GRASS, White Box dan ILWIS. SAGA GIS dipilih sebagai fokus pelatihan karena: 1) Menyediakan cara termudah, satu step proses untuk visualisasi Landsat data 2) memiliki proses sederhana satu langkah untuk pemodelan hidrologi dan analisis medan yang canggih 3) adalah paket software yang tidak memerlukan instalasi sehingga mudah untuk dibagikan 4) memiliki tampilan yang mudah dipahami seperti paket GIS lainnya 5) bekerja dengan lancar dengan semua format data GIS standar dan 6) memiliki tim pengembangan aktif yang responsif terhadap saran pengguna untuk alat pemrosesan dan perbaikan. Namun, sebuah kritik umum terhadap perangkat lunak open source, yang juga berlaku untuk SAGA adalah kurangnya materi pelatihan yang jelas dan komprehensif. Manual ini bertujuan untuk membantu mengisi kesenjangan ini dan memberikan sumber pelatihan untuk mendukung desentralisasi aplikasi geospasial yang canggih dengan menggunakan data satelit dan elevasi untuk meningkatkan tata kelola sumber daya alam.
9
Panduan ini telah dikembangkan bersamaan dengan bahasa web bahasa Inggris dan bahasa Indonesia berikut yang memberikan tutorial dan tautan lebih lanjut ke semua kumpulan data yang digunakan dalam contoh pada setiap contoh latihan yang disajikan: • sagatutorials.wordpress.com • sagagisindonesia.wordpress.com Situs ini juga mencakup sejumlah screenshoot yang menunjukkan kepada Anda langkah demi langkah bagaimana mengikuti banyak prosedur yang disajikan. Kami juga mendorong orang-orang yang bekerja dengan SAGA untuk membagikan pekerjaan dan pengalaman mereka di halaman Facebook kami: www.facebook.com/groups/208599582556485/
Buku pedoman pelatihan ini dikembangkan dengan dukungan dari Pemerintah Australia melalui pembiayaan yang diberikan pada proyek Artisanal and Small Scale Mining for Development yang dikerjakan oleh Universitas Charles Darwin. Project ini sementara berlangsung dan bahan dalam buku pelatihan ini dikembangkan melalui kolaborasi antara 3 Universitas di bagian Indonesia Timur dan Australia yaitu: 1) Charles Darwin University (CDU, Darwin), 2) Universitas Nusa Cendana (UNDANA, Kupang), dan 3) Universitas Haluoleo (UHO, Kendari - Sulewasi Tenggara). Versi manual ini telah diterbitkan di Indonesia dan tersedia untuk didistribusikan secara online melalui lisensi kreatif Attribution-Non-Commercial-ShareAlike license. Lisensi ini memungkinkan orang lain untuk mencampur, dan membangun berdasarkan pekerjaan Anda secara tidak komersial, selama mereka member kredit kepada anda dan lisensi kreasi baru mereka di bawah istilah yang sama.
References Fisher, R., Hobgen, S. et al.(2017, in press).Free satellite imagery and digital elevation model analyses enabling natural resource management in the developing world: case studies from Eastern Indonesia Singapore Journal of Tropical Geography. Conrad, O. et al., (2015). System for Automated Geoscientific Analyses (SAGA) v. 2.1.4.Geoscientific Model Development, 8, pp.1991–2007.
10
1.1 Apa yang Akan Dipelajari Tujuan dari manual ini adalah untuk memberikan fungsi dasar dalam SAGA GIS yang memungkinkan penggunaan aplikasi ini di dua area penting untuk sumberdaya alam. Yaitu (1) pemetaan dan pemantauan berbasis satelit dan (2) analisis medan dan pemodelan hidrologi. Manual dibagi menjadi beberapa bagian berikut: Pengenalan singkat: Bagian ini bertujuan untuk kita langsung mulai kerjakan data dalam SAGA sehingga mengenal layout dan fungsi dari SAGA. Anda akan belajar import data citra satelit, data elevasi dan shape file. Anda juga akan visualiasi data dengan 3D dan ‘terbang’ melewati citra satelit. Konsep GIS: Tahap ini mendeskripsikan konsep dasar dan terminology yang digunakan ketika merujuk kepada data peta. Sebagai contoh, apa itu GIS? Apa itu data spasial ? apa saja tipe data spasial. Anda juga akan belajar mengenai bagaimana data ditampilkan pada GIS, bagaimana satelit mengumpulkan gambar bumi dan data elevasi dan bagaimana cara mengakses data tersebut secara gratis? Terrain Analysis: Tahap ini akan memperkenalkan konsep dasar dalam analisis terrain dan bagaimana mempersiapkan data elevasi untuk analisis hidrologi. SAGA Memungkinkan membuat beberapa analisis terrain yang dapat digunakan untuk berbagai pemodelan ekologis, risiko bencana, fungsi tangkapan air dan aplikasi pertanian. Anda akan terkejut betapa mudahnya dan berapa banyak informasi lanskap yang berguna yang dapat dihasilkan dengan menggunakan SAGA dan satu data elevasi. Bekerja dengan Landsat/Sentinel 2 Data: Satelit Landsat menyediakan data yang sangat penting dari foto bumi dimana data terekam dalam kurun waktu yang cukup lama. Landsat merupakan tool utama untuk ilmu pengetahuan, pemerintahan dan LSM untuk melakukan monitoring sumber daya alam dipermukaan bumi karena menyediakan citra yang berkualitas tinggi yang sangat mudah diakses dan gratis. Sebagai tambahan, Sentinel 2 merupakan satelit baru yang diluncurkan oleh European Space Agency (ESA), sama seperti Landsat tetapi satelit ini menyediakan citra yang beresolusi lebih tinggi. Menggunakan data ini untuk belajar bagaimana dengan cepat dan mudah mengimport serta peta tutupan lahan dan juga perubahan tutupan lahan menggunakan tehnik remote sensing yang canggih. Applications: Tahap ini akan menampilkan beberapa contoh aplikasi penggunaan SAGA dari apa yang sebelumnya kita pelajari pada tahap sebelumnya. Tahap ini terdiri dari 3 lingkup aplikasi 1. Pemetaan Kebakaran 2. Perubahan tutupan hutan 3. Dampak tambang serta aliran sedimen
11
Advanced concepts: Pada bagian ini akan mengeksplorasi beberapa ide tingkat lanjut dalam pengolahan citra setelit dan juga menampilkan beberapa tehnik tambahan untuk mendapatkan keunggulan lebih banyak dari SAGA. Sebagai tambahan pada tahap ini menyajikan kegunaan SAGA untuk Travel Time Analysis (analisis waktu tempuh perjalanan). Pemodelan waktu tempuh perjalanan untuk layanan telah menjadi alat yang umum untuk perencanaan infrastruktur untuk meningkatkan layanan. Tujuan dari tool ini dijelaskan dalam tahap ini untuk menyajikan open source yang sederhana, mudah beradaptasi, interaktif dari pemodelan waktu tempuh perjalanan yang mengizinkan untuk akses dan partisipasi dalam sebuah analisis. Menggunakan manual Disarankan agar anda memulai pada bagian Quick Start untuk mendapatkan ide tentang Layout serta fungsi tools pada SAGA. Sementara bekerja dengan data satelit di bagian ini dapat dilakukan dengan melihat bagian 3 dan 4 yang memberikan latar belakang data spasial dan citra satelit. Pada awal setiap bagian dimana ada latihan praktis akan ada deskripsi data yang digunakan sehingga dapat didownload dari website atau DVD. Tautan juga akan disediakan di mana ada tutorial video berbasis web yang terkait. Manual ini hanya mencakup sebagian kecil dari penggunaan dan fungsi SAGA yang dimaksudkan hanya untuk menjadi pengantar untuk anda eksplorasi sendiri. Dalam beberapa kasus akan ada tambahan materi tutorial di website yang tidak termasuk dalam manual.
Akses Data: Semua data yang digunakan dalam contoh tutorial ini tersedia untuk di download disini: sagatutorials.wordpress.com/downloads/
Website penunjang: Materi Training Online: sagatutorials.wordpress.com Website SAGA GIS dan Forum Pengguna: www.saga-gis.org
Channel video youtube bernama “Tutorial SAGA GIS” menyediakan video yang berkaitan dengan buku ini. .
12
1.2 Apa itu SAGA? SAGA merupakan singkatan dari System for Automated Geoscientific Analysis. SAGA GIS dikembankan oleh sekelompok kecil pengembang utama yang berasal dari Jerman. Sebagian besar pengembangan SAGA saat ini maupun yang lampau datang dari tim yang dipimpin oleh J. Böhner dan O. Conrad, dimana keduanya saat ini bekerja pada Institute of Geography, Physical Geography, Klimacampus dan University of Hamburg, Jerman dan telah bersama dalam pengembangan SAGA sejak awal mula SAGA diciptakan. Ide pengembangan SAGA telah ada sejak akhir tahun 1990-an selama pekerjaan dalam beberapa proyek penelitian di Dept. for Physical Geography, Göttingen. Fokus dari penelitian tersebut adalah analisis data raster, terutama Digital Elevation Model (DEM) yang digunakan dalam memprediksi karakteristik tanah serta factor topografi yang mengontrol proses dinamika seperti parameter iklim. Hal ini membutuhkan pengembangan dan implementasi dari banyak metode yang baru untuk analisis dan pemodelan spasial. SAGA kini telah berkembang menjadi suatu paket analisis geospasial yang makin mantap dan matang yang digunakan oleh para ilmuwan dan pengelola sumberdaya alam di seluruh dunia. SAGA Versi berapa yang akan digunakan? Salah satu keuntungan utama dari software open source adalah secara reguler diperharui (update). Hal ini dikarenakan kesalahan (bugs) yang ditemukan harus secara cepat diperbaiki serta ide-ide dan pilihan dalam pemrosesan yang baru akan ditambahkan secara reguler. Ini akan menyebabkan software ini secara umum akan lebih mantap dan lebih up-to-date dibandingkan paket software yang komersial. Meski demikian, dengan adanya rilis dan pembaharuan terbaru maka terdapat beberapa perubahan kecil dan bahkan beberapa perubahan yang sangat signifikan sehingga akan menyulitkan dalam menyesuaikan dengan versi paling terkini. Pada kasus SAGA, akan terdapat rilis terbaru setiap 3 s/d 6 bulan yang tergantung pada seberapa banyak pekerjaan yang telah diselesaikan oleh para pengembang. Hal ini berarti bahwa bahan pelatihan yang dikembangkan 5 tahun yang lalu bisa saja menggunakan 10 versi SAGA yang ketinggalan (out-of-date). Oleh karena itu diperlukan suatu keseimbangan antara apa yang telah anda ketahui dengan versi SAGA yang paling terkini. Untuk buku pelatihan ini, kami menggunakan versi SAGA 4.0 yang merupakan versi paling terkini ketika buku ini ditulis. Sudah pasti kami mengetahui bahwa segala sesuatu akan berubah seiring berjalannya waktu, namun proses dan ide yang fundamental akan tetap sama dari satu versi SAGA ke versi lainnya.
Dukungan terhadap pengguna SAGA Penting untuk diingat bahwa SAGA diciptakan oleh para pengguna untuk mendukung para pengguna itu sendiri. Dengan demikian akan bergantung pada kita sendiri untuk secara proaktif mendukung komunikasi antara pengguna SAGA dan para pengembang. Kita perlu untuk bekerja sama dalam pengembangan SAGA dan juga komunitas pengguna SAGA. Selain itu yang lebih penting jika memungkinkan untuk kita ikut berkontribusi dalam pengembangan bahan pelatihan SAGA di kemudian hari. Para pengembang SAGA merupakan sekelompok tim kecil dari para relawan (volunteer), namun mereka amat sangat responsive terhadap pertanyaan dan usulan dari para
13
pengguna. Kami merekomendasikan agar anda dapat bergabung dengan forum pengguna SAGA GIS dimana anda dapat memposting usulan dan pertanyaan yang anda temui setelah bekerja dengan SAGA (https://sourceforge.net/p/saga-gis/discussion/).
Beberapa sumber referensi latihan SAGA termasuk: http://marinedataliteracy.org/margis.htm https://rohanfisher.wordpress.com/saga-gis-tutorials/ https://iradafmandaya.wordpress.com/ https://sourceforge.net/p/saga-gis/wiki/Tutorials/
1.3 Download dan Install SAGA Jika Anda tidak memiliki DVD yang menyertai panduan pelatihan ini, Anda perlu mendownload SAGA. Download SAGA pada: https://sourceforge.net/projects/saga-gis/files/. Sebaiknya Anda mendownload versi terbaru dalam format zip yang sesuai untuk komputer Anda (misalnya 32bit atau 63 bit). Hal ini kemudian sederhana unzip file ini dan menemukan file saga_gui.exe. Anda bisa klik dua kali pada file ini untuk menjalankannya secara langsung. Bisa juga bagus untuk klik kanan pada file ini dan 'send to desktop' sehingga anda memiliki jalan pintas disana anda dapat dengan mudah mengaksesnya kapan saja.
14
2. Pengenalan Singkat 2.1 Layout SAGA Ketika anda membuka SAGA, anda akan melihat layout berisi jendela berikut ini : Workspace: merupakan jendela dimana anda dapat menampilkan proses module dari data yang telah anda ambil dengan klik seluruh tab pada bagian bawah jendela, dan menampilkan peta yang anda telah buat dari data anda. Work area: adalah tempat dimana gambar peta dan segalasesuatu yang berhubungan dengan data (table atribut, histogram, Plot) ditampilkan. Object Properties: jendela ini menampilkan dan mengijinkan anda untukmengubah informasi dari data yang anda muat dan menampilkan peta Message Window: menyediakan informasi mengenai semua proses yang sedang dijalankan oleh SAGA.
Setiap jendela dapat dibuka dan ditutup pada ikon bagian atas
15
Workspace Tabs Tools Tab
Tools merupakan suatu cara dimana seluruh fungsi dari proses di atur di SAGA. SAGA hadir dengan sekumpulan tools/modul gratis yang komprehensif dan berkembang sehingga jmlah modul pada SAGA versi 2.2.5 telah mencapai 700 modul. Tidak semua modul memiliki tool untuk analisa dan pemodelan yang sangat rumit. Banyak modul yang menunjukkan operasi data yang sederhana. Namun beberapa modul lainnya menunjukkan sesuatu yang baru dalam bagian analisisnya. Seperti berikut ini: * * * * * *
Data Import & Export Cartographic Projections & Georeferencing Raster & Vector Data Tools Image Processing Terrain Analysis Geostatistics
Modul juga mudah diakses melalui top menu “Geoprocessing” pada bagian drop down menu. Sebaiknya menggunakan drop down menu ini untuk menjalankan modul SAGA karena modul-modul itu dikelompokkan kedalam wilayah proses yang logis sehingga mudah untuk diakses. Data Tab
Data yang ditampilkan merupakan data raster (GRID), vektor atau data tabel-tabel yang telah anda buka. Seluruh data raster ditampilkan sebagai grid layer dalam suatu sistem grid. Suatu sistem grid mengelompokkan grid layer yang mempunyai ukuran grid sel yang sama, jumlah baris dan kolom yang sama dan semua itu meliputi daerah geografis yang sama. Secara umum, operasi spasial ditampilkan pada grid dengan sistem grid yang sama.
Variasi dari segala tipe data raster dapat di impor ke SAGA namun ketika data raster tersebut disimpan maka data tersebut akan disimpan dalam format SAGA yaitu SAGA GRID (disingkat *.sgrd). Perubahan nama dari sistem grid atau grid layer dapat dilakukan pada jendela properti. Ketika data vector dibuka dalam SAGA maka akan muncul sebuah layer baru sebagai point, garis atau data polygon
16
Klik kanan pada layer data untuk menampilkan data yang dimasukkan dan pilih show atau secara singkat double klik pada layer tersebut. Maka data tersebut akan terbuka di suatu jendela. Untuk menampilkan layer data pada jendela peta maka klik tab maps. Map Tab
Multi layer data dari sistem grid yang berbeda dapat ditampilkan dalam suatu layer peta : Layer-layer peta dapat di nonaktifkan dengan klik kanan pada suatu layer peta dan hilangkan tanda ? pada ‘show layer ‘ atau secara mudah dengan memilih layer dan tekan “enter”. Untuk melakukan pilihan Peta layer lainnya yang akan ditampilkan, maka klik dan pilih ‘move up’ untuk layer di atas atau ‘move down’ untuk layer dibawahnya.
Object Properties Tabs Settings Tab Ada berbagai jenis layer data tergantung pada faktor-faktor yang dapat di edit dan di tampilkan sesuai parameter-parameter pada bagian “Setting”. Tab’Settings’ menyediakan users kesempatan untuk membuat pengaturan bagaimana layer data terlihat pada data dan pada jendela peta.
Description Tab Tab ini menunjukkan informasi (ukuran, proyeksi geografi) dari layer yang dipilih. Data ini tidak dapat diperbaiki/di edit.
17
Legend Tab Menampilkan legend atau menunjukkan warna yang sedang digunakan untuk menampilkan nilai data dari layer terpilih. History Tab Jendela ini menampilkan proses yang sudah dilakukan untuk layer yang dipilih. Attributes Tab
Menggunakan tool aksi/action untuk menampilkan atribut informasi untuk sel grid yang dipilih pada suatu grid dari layer data atau atribut yang berhubungan dengan segala sesuatu dari vektor yang dipilih pada suatu shape/bidang layer data.
Work Area Tools Tools ini memudahkan interaksi dengan peta yang ditampilkan seperti yang dijelaskan pada tabel berikut.
Cursor/Action tool – Untuk memilih titik atau area Zoom – zoom in atau out untuk tampilan peta Pan Tool – bergeser pada tampilan peta Tools untuk pengukuran jarak Melakukan zoom pada layer yang ingin ditampilkan
18
2.2 Mengimport dan Menampilkan Digital Elevation data Salah satu keunggulan aplikasi SAGA adalah kemudahan dalam bekerja dengan data Digital Elevation Model (DEM). Pada bagian ini kita akan mengeksplorasi beberapa teknik visualisasi data elevasi dasar menggunakan data DEM untuk Timor Barat (Indonesia) .DEM ini telah dihasilkan dari data yang berasal dari the Shuttle Radar Topographic Mission (lihat bagian 4.4). DEM yang disediakan telah dipotong ke Timor Barat. Bagian ini menggunakan data elevasi dari west Timor:West_Timor_(SRTM_80m) Video Tutorial disini:sagatutorials.wordpress.com/import-and-view-digital-elevation-data/
Membuka Data DEM Kita akan memulai dengan memuat data DEM . Cara termudah untuk membawa data ke SAGA GIS adalah hanya dengan drag and drop file data dari explorer. Mulailah dengan menyeret data elevasi Timor ke Saga.
Di data Tab Window anda akan melihat data yang diimpor. Data ditampilkan di bawah judul Grids yang menggambarkan cellsize (80m), jumlah piksel (2385x1947) pada nilai koordinat kiri bawah (549889,8853605). Di bawah nama Grid yang diimpor ini akan ditampilkan.
19
Untuk menampilkan elevasi klik dua kali grid (2) dan akan muncul di jendela tampilan (3).
Jika Anda scroll grid ini, Anda akan mendapati nilai easting (x), northing (y) dan elevation (z) ditampilkan di sudut kanan bawah. Kita dapat melihat nilai pada setiap pixel yang dipilih : 1. Object Properties Settings Tab 2. Beri tanda centang pada Show Cell Values 3. Ganti nilai Decimals dari 2 ke 0 (optional) 4. Klik Apply. Setelah itu, zoom beberapa kali sampai anda melihat grid (pixel) dan nilai digital dari setiap pixel itu. Dalam contoh nilai DEM Timor Barat menunjukkan elevasi dalam meter.
20
Untuk melihat lebih detail mengenai data, klik : Description tab pada window Object Properties. Informasi yang ditampilkan : 1. Sistem Koordinat 2. Data Koordinat 3. Ukuran Cell (Pixel) 4. Nilai Maksimum dan minimum pada grid.
2.3 Visualisasi 3D SAGA memiliki tool untuk membuat visualisasi 3D dengan menggunakan data DEM. Tools Terrain Map View menciptakan Hillshade dan menempatkannya di atas data DEM yang diwarnai dengan elevasi. Gunakan: Geoprocessing > Visualization >Grid >Terrain Map View 1) Pilih grid system DEM dan grid DEM. 2) Buat garis kontur 250 m 3) Click OK.
21
Anda akan melihat tiga layer data baru muncul di tab data dan tampilan terrain muncul di tab peta. Lihat di tab setting untuk menentukan lapisan mana yang memiliki pengaturan transparansi?
Kita dapat melihat data elevasi dalam 3D selama tidak ada dalam proyeksi garis lintang / bujur (lihat bagian 7.1). Visualisasi 3D sangat berguna untuk membantu memahami konteks medan dari data spasial yang sedang anda jelajahi. Untuk tampilan 3D ada data yang ingin anda visualisasikan dalam 3D yang ditampilkan di jendela peta Anda lalu klik tombol 3D pada menu bar bagian atas. Tetapkan data elevasi, resolusi layar, dan zoom. Menetapkan resolusi layar 1000 akan menghasilkan tampilan berkualitas baik. Pengaturan exaggeration meningkatkan sumbu vertikal, masukkan nilai 4 untuk menghasilkan tampilan yang bagus.
22
Kamu dapat menganti nilai exaggeration DEM dengan keyboard F1 dan F2. Atau pada bagian atas menu bar yang ditunjukkan gambar di samping
Save Gambar 3D. Gunakan: 3D View> Save as Image Kemudian tentukan di mana file ini disimpan dan tentukan format gambar yang diinginkan (dalam contoh ini gambar disimpan dalam Portable Network Graphics format * .PNG).
23
2.4 Mengimport dan Menampilkan Data Landsat Fungsi impor di SAGA-GIS membuat data Landsat diimport dengan proses satu langkah sederhana. Tidak ada aplikasi lain, gratis atau komersial, memberikan cara yang lebih mudah untuk mengimpor dan memvisualisasikan data Landsat. SAGA menggabungkan tiga fungsi terpisah menjadi satu kotak dialog yang mudah. Proyeksi Ulang: Data Landsat secara default berada dalam sistem koordinat UTM Utara yang bermasalah bagi pemandangan belahan bumi bagian selatan dan orangorang yang membutuhkan datanya dalam proyeksi geografis (Lat / Long). Alat import Landsat memungkinkan anda memilih layar UTM atau sistem koordinat geografis. Tampilan RGB composite: Tool import yang memungkinkan anda memilih kombinasi band merah, hijau, biru untuk ditampilkan secara langsung saat di importt. Meningkatkan Kontras : Pada import kombinasi band pilihan secara otomatis akan muncul di jendela tampilan peta dengan nilai perataan histogram untuk menghasilkan tampilan kombinasi band. Selain itu,SAGA ini menyediakan cara untuk meningkatkan tampilan histogram gambar on-the-fly berdasarkan jendela peta yang saat ini ditampilkan sehingga memungkinkan peregangan gambar yang cepat dan paling detail pada area of interest. Metode import dan tampilan Landsat pada SAGA memiliki beberapa keunggulan dibandingkan beberapa layanan lain berbasis web, termasuk:
Data terintegrasi. Penggunaan platform GIS desktop memungkinkan penggabungan sederhana data spasial lain yang mungkin dimiliki pengguna. Misalnya file GPX dan shp bisa diseret dan masuk ke layar SAGA. Kombinasi Band: Kebebasan untuk memilih kombinasi band adalah penting untuk pengguna untuk menemukan cara terbaik untuk melihat bagian landscape yang diinginkan. Untuk contoh untuk pemantauan dan pemetaan kebakaran menggunakan band thermal merupakan tampilan yang sangat membantu. Import kombinasi band 4,510 akan menghasilkan visualisasi area kebakaran. Keterbatasan akses internet: Bagi banyak orang koneksi internet lambat dan tidak stabil. Akses dan download data, berbagi dan mengeksplorasi citra beresolusi tinggi itu penting. Beberapa Tanggal Data Citra: Banyak pengguna landsat tertarik untuk menggunakan data landsat yang lama untuk mengeksplorasi perubahan tutupan lahan. Dengan opsi impor SAGA, ini adalah tugas yang sangat sederhana untuk mengimpor dan menampilkan beberapa gambar ke dalam satu layer peta. Membangun skil analisis: Memiliki citra Landsat multiband resolusi penuh dalam pemrosesan memudahkan pembelajaran tentang penginderaan jarak jauh dan analisis SIG. Dari pemahaman konsep dasar untuk membangun kapasitas dalam analisis citra yang lebih canggih seperti klasifikasi, peningkatan integrasi data, dan pemodelan.
24
2.5 Menampilkan Data Landsat Pada SAGA Tahap ini menggunakan Data Landsat dari west Timor:West_Timor_Landsat (200mb)
Untuk mengimpor dan menampilkan citra Landsat secara otomatis, kita perlu menggunakan alat impor Landsat Import with Option. Gunakan: Geoprocessing>Imagery>Landsat>Landsat Import with Options. Tip: Setelah anda mengakses tools geoprocessing setelah itu akan muncul di bagian bawah menu geoprocessing untuk akses lebih cepat. 1. Arahkan ke lokasi file Landsat GeoTif. Pilih band yang ingin Anda tampilkan 2. Pilih sistem koordinat output yang anda inginkan untuk menampilkan citra. 3. Jika Anda telah memilih lebih dari 2 band gambar, anda dapat memilih untuk menampilkan display sebagai gambar komposit RGB. Pada contoh di bawah ini kita telah memilih band 4 (Red), 5 (Near Infrared 1), 6 (Near Infrared 2)
Data Landsat akan secara otomatis terbuka dengan komposisi band red, green, blue yang ditampilkan dalam UTM coordinate system
Sekarang coba zoom ke area yang diinginkan. Gunakan tool zoom seperti gambar disamping
25
Mengatur Kontras Anda juga dapat meningkatkan tampilan kontras pada peta (Klik kanan pada layer dan pilih (Histogram Stretch to Map Extent ):
Ini pada dasarnya menyesuaikan kontras dengan kisaran warna yang ditampilkan.
Landsat 3D visualisation Jika anda memiliki data elevasi pada area yang sama dan memiliki system koordinat yang sama dengan data Landsat di tab map maka anda juga dapat melihat data landsat tersebut dalam tampilan 3D Gunakan langkah yang sama persis pada tahap sebelumnya untuk mampilkan data DEM ke dalam 3D tetapi pastikan bahwa data landsat telah ditampilkan pada tab map.
26
2.5 Mengimport dan Menampilkan Data Sentinel 2 Tahap ini menggunakan data Sentinel-2 dari west Timor:West_Timor_Sentinel2(220mb)
Tutorial Video disini:sagatutorials.wordpress.com/viewing-sentinel-2-imagery/
Untuk menampilkan data Sentinel 2, anda dapat dengan cepat men drop dan drag data tersebut ke dalam SAGA GIS (merujuk pada bagian 3.9 untuk mendownload data sentinel)
27
Misalnya untuk tampilan data sentinel menjadi berwarna, kita perlu mengatur tampilan data menjadi RGB Composite, caranya : 1. Pilih band 4 2. Pada tab setting, ganti tipe display menjadi RGB composite Biru untuk band 2 (B02) and Green untuk Band 3 (B03).
Latihan Pada area yang sama, coba tampilkan citra Sentinel 2 bersamaan dengan citra Landsat dan amati perbedaan pada ukuran piksel atau resolusi spasial. Sebagai contoh di bawah merupakan tampilan Sentinel 2 dan Landsat untuk wilayah Bandara Kupang di Timor Barat
Citra Sentinel 2 (10m)
Citra Landsat 8 (30m)
Konsep resolusi spasial akan dibahas pada Bagian 4.1. buku ini.
28
2.6 Menambahkan Data Vektor This section uses a polygon shape fileof the boundary for the main city inWest Timor (Kupang): West_Timor_Vector
Menambahkan data vector pada SAGA dapat dilakukan dengan sederhana dengan drop dan drag data tersebut (.shp ekstensi data vektor) ke dalam SAGA. Sebagai contoh, kita ingin menambahkan polygon vector untuk batas administrasi Kota Kupang, cari Kota_Kupang.shp dan drag ke dalam SAGA. Alternatif lain melalui: Geoprocessing>File>Shapes >Load Perlu diketahui bahwa SAGA akan membagi raster dan vektor dengan judul tipe data yang berbeda. Data raster muncul di SAGA sebagai Grids, dan data vektor muncul sebagai shapes dalam format garis (garis), area (poligon), atau titik.
Untuk membuka file shape pada tab peta klik dua kali pada shape dan pilih new ketika muncul kotak dialog seperti gambar di samping. Kita juga dapat menampilkan layer vektor di atas salah satu peta yang ada, misalnya citra Timor Barat DEM, Sentinel-2 atau Landsat.
Untuk menampilkan lapisan vektor di atas gambar, klik 2 kali pada data vector kemudian tampilkan diatas data citra yang ada pada map window. Selanjutnya pada tab settings; Ubah Fill style menjadi Transparent, garis tepi warna hitam dan ukuran garis menjadi 5.
Ini akan memudahkan untuk melihat batas administrasi, misalnya, citra sentinel seperti yang ditunjukkan pada gambar di atas:
29
Data Sentinel dan file vektor batas kota berada dalam proyeksi koordinat yang sama sehingga keduanya ditampilkan secara akurat bersamaan. Proyeksi koordinat dibahas lebih lanjut pada bagian 2.4 dari manual ini.
30
3. Konsep Data Spasial Bidang pemetaan dan GIS memiliki istilah istilah sendiri. Di bagian ini dijelaskan beberapa konsep dan kata kunci yang mungkin anda temukan saat bekerja dengan data peta, terutama dalam konteks manajemen kebakaran.
3.1 Jenis Data Seperti yang disebutkan sebelumnya, data peta mengidentifikasi fitur dan posisi di Bumi. Di bidang pemetaan / GIS ada dua tipe data yang digunakan untuk mewakili fitur ini; Vektor dan data raster. Perbedaan utama antara kedua tipe data ini adalah data vektor disajikan sebagai titik, garis atau luas, sedangkan data raster diwakili sebagai grid piksel seperti gambar di bawah ini.
Data Vektor Data Vektor direpresentasikan di lapangan sebagai titik (lokasi yang berbeda), garis dan area yang juga dikenal sebagai poligon. Poligon adalah batas garis di sekeliling fitur. Gambar di kanan adalah contoh gambar fitur di dunia nyata, dan bagaimana mereka dapat ditampilkan sebagai data peta 'vektor', atau garis dan poligon.
31
Tipe umum dari data vector juga termasuk: GPX (format GPS Exchange) adalah jenis file yang terkait dengan GPS ', digunakan untuk mengumpulkan data di lapangan. Ini adalah format yang memungkinkan data GPS (waypoint, rute dan trek) dibuka oleh perangkat GPS dan perangkat lunak yang berbeda. Hal ini memungkinkan untuk memudahkan berbagi data tanpa memerlukan konversi format file. Kita akan membahas pengumpulan data GPS dan lapangan nanti. KML (Keyhole Markup Language) Adalah jenis file yang digunakan untuk menampilkan data geografis / lokasi dalam aplikasi pemetaan berbasis web seperti Google Earth. SHP (shapefile) Adalah salah satu jenis file vektor yang paling umum dan dapat dibuka di banyak program SIG.
Data Raster Data raster mewakili permukaan bumi sebagai grid sel (disebut juga piksel). Setiap piksel berukuran sama, dan masing-masing mewakili lokasi. Setiap piksel memiliki nilai angka yang mewakili beberapa karakteristik dari wilayah tersebut. Citra satelit dari mana kebakaran dipetakan adalah salah satu contoh data raster. Dengan citra satelit, setiap piksel memiliki nilai angka yang mewakili jumlah sinar matahari yang dipantulkan yang ditangkap oleh sensor satelit.
Gambar di sebelah kanan menunjukkan daerah pendaratan di Arnhem Land. Saat kita memperbesar, kita bisa melihat piksel sebenarnya yang membentuk gambar itu. Ini sangat mirip dengan cara kamera digital atau ponsel menyimpan foto.
Sangat umum untuk menampilkan data vektor dan raster secara bersamaan. Misalnya, Anda mungkin memiliki titik GPS yang Anda kumpulkan di lapangan (Vector) dan Anda menampilkannya di citra satelit di Google Earth (Raster). Setiap tipe data dapat mendukung rencana kerja kita dengan cara yang berbeda.
32
3.2
Sistem Koordinat
Sistem koordinat adalah sistem pencatatan lokasi di permukaan bumi - setiap lokasi dapat diidentifikasi dengan nomor yang unik. Dua sistem koordinat yang paling umum digunakan yang akan anda jumpai adalah sistem koordinat geografis yang menggunakan garis lintang dan bujur untuk menandai titik di bumi dan sistem Universal Transverse Mercator (UTM) yang menggunakan Eastings dan Northings. Sistem Koordinat Geografis menggambar garis lurus sejajar yang membentang timur-barat dari atas ke bawah bumi yang disebut garis lintang (LAT). Garis-garis ini diukur dalam angka derajat dari garis khatulistiwa. Garis di sekitar bumi (dari kutub utara dan selatan) disebut garis bujur (LON). Garis-garis ini diukur dalam jumlah derajat dari garis imajiner yang disebut garis meridian utama. Gambar di bawah menunjukkan sistem ini.
Image reproduced from Wikipedia http://en.wikipedia.org/wiki/File:Latitude_and_Longitude_of_the_Earth.svg)
Sistem UTM membagi bumi ke dalam zona grid, dan posisi ditunjukkan oleh posisi easting dan northing di dalam salah satu sel grid ini. Setiap Sistem koordinat memiliki keuntungan dan kerugian Sistem koordinat UTM bergantung pada unit pengukuran meter, yang menggabungkan sistem desimal dan unitnya yang mudah dipahami. Di sisi lain, sistem koordinat LAT / LON bergantung pada unit pengukuran derajat, menit, dan detik, yang menggabungkan sistem sudut dan unitnya. Namun, sistem UTM tidak praktis saat bekerja melintasi zona grid. Di Australia utara yang meliputi area yang luas dan melintasi banyak zona grid, umumnya kita bekerja dalam sistem geografis (lintang dan bujur). Namun, saat mengerjakan area kecil, bisa bermanfaat untuk bekerja di sistem UTM. Yang paling penting adalah memahami bagaimana sistem anda bekerja.
33
4. Pengenalan Citra Satelit Gambar (gambar raster) permukaan bumi yang diambil dari satelit yang mengorbit bumi merupakan alat yang sangat penting untuk pengelolaan sumber daya alam.
Gambar diatas adalah satellite MODIS, menunjukan banyak asap dari beberapa kasus kebakaran di Australia Utara pada Juli 2015 http://www.nasa.gov/sites/default/files/thumbnails/image/australia.a2015194.0435.250m.jpg Satelit Sumber Daya Bumi ini dirancang khusus untuk mengukur aspek permukaan bumi menggunakan 'sensor' (kamera). Satelit ini mengorbit / mengelilingi Bumi dengan cara yang konsisten sehingga mereka melewati tempat yang sama di permukaan bumi secara berkala.
Ada banyak satelit sumber daya Bumi, masing-masing memiliki karakteristik sensor dan orbit yang berbeda. Hal ini penting bila menggunakan informasi yang berasal dari satelit ini untuk memahami jenis informasi yang disediakan masing-masing dan bagaimana penggunaannya.
34
4.1 Istilah Kunci dalam Data Satelit Kunci untuk memahami data citra satelit adalah karakteristik spatial and temporal citra satelit tersebut Spatial (space) dalam konteks satelit merujuk pada ukuran gambar. Hal ini dijelaskan dalam hal resolusi dan luasnya. Resolusi Spatial mengacu pada ukuran piksel pada citra satelit. Spatial extent mengacu pada lebar gambar citra dari satelit. Temporal (waktu) mengacu pada berapa lama satelit menangkap citra (extent) dan seberapa sering citra menangkap citra (resolusi). Frekuensi temporal juga disebut sebagai frekuensi kembali.
Resolusi Spasial Gambar di sebelah kanan bawah menunjukkan resolusi atau ukuran piksel dari tiga satelit sumber bumi (1) MODIS dengan masing-masing piksel 250x250 meter, Landsat 28x28 meter dan satelit Sentinel 2 dengan resolusi 10 x 10 meter. Resolusi memiliki implikasi yang signifikan terhadap kemampuan satelit untuk secara akurat memetakan aktivitas kebakaran di darat.
Spatial Extent Setiap orbit Landsat menangkap citra sepanjang jalur sepanjang 185 km. Ini berarti bahwa untuk menangkap gambar satelit untuk seluruh Australia utara, banyak orbit dan ratusan gambar akan dibutuhkan.
35
Resolusi Temporal (Revisit frequency) Faktor kunci lainnya adalah revisit frekuensi atau jumlah waktu antara saat satelit menangkap gambar.
Resolusi Spektral Resolusi Spektral menggambarkan jumlah panjang gelombang cahaya yang diterima oleh sensor satelit. Grafik di bawah menunjukkan panjang gelombang dan satelit Landsat dan Sentinel 2 dan nomor Band digunakan untuk menyimpan data yang ditangkap untuk setiap panjang gelombang.
4.2 Apa itu Landsat? Satelite Landsat adalah program terpanjang yang menangkap citra permukaan bumi. Mulai tahun 1972 satelit Landsat telah mengumpulkan jutaan citra satelit untuk seluruh dunia sehingga menjadikan kumpulan data sumber daya bumi paling komprehensif yang tersedia. Yang paling baru dalam seri ini adalah Landsat 8 yang diluncurkan pada bulan Februari 2013. Landsat 8 menghasilkan citra berkualitas tinggi setiap 16 hari yang disediakan sebagai layanan gratis melalui United Sate Geological Survey (USGS).
36
Citra Landsat 8 memiliki resolusi pixel 28,5 Landsat 8 Resolution Extent meter dan satu band tambahan dengan 28.5m/15m 175km resolusi 15m. Setiap perekaman oleh satelit Spatial Temporal 16 days 2 years memiliki panjang 185 km di bumi. Jalur Spectral 11 bands gambar ini dibagi ke dalam scene untuk memungkinkan pengelolaan dan distribusi lebih mudah Setiap scene gambar is memiliki path dan nomor baris. Gambar di bawah menunjukkan citra Landsat untuk wilayah Sulawesi Tenggara.
Perbedaan utama dari Landsat 5 dan Landsat 8 adalah jumlah spectral bands yang dikumpulkan. Semua citra landsat terbaru memiliki kombinasi panjang gelombang, seperti red, green, blue, beberapa panjang gelombang infra-red dan beberapa band thermal. Gambar disamping menunjukan beberapa perbedaan antara band pada Landsat 5 dan Landsat 8 – sebagai contoh Landsat 5 dan 7 untuk band Blue, green dan red adalah band 1,2,3 Sedangkan pada Landsat 8yaitu 2,3,4. Band Infrared adalah 4,5,7 untuk Landsat 5-7 dan 5,6,7 untuk Landsat 8. Untuk semua jenis Landsat, band 8 adalah band resolusi tinggi. Setelah diunduh, masing-masing band spektral muncul sebagai file yang terpisah dan ditampilkan secara terpisah atau sebagai komposit gambar (red,green,blue). Setiap band memiliki berbagai macam aplikasi seperti ditunjukkan pada tabel diatas. 4.3 Apa itu Sentinel 2? Sentinel 2 adalah sensor untuk 2 satelit pengamatan bumi (Sentinel 2a and Sentinel 2b). Sentinel 2a telah diluncurkan pada juni 2015 dan 2b pada maret. Kedua satelit ini
37
merupakan bagian dari satelit yang diluncurkan oleh European Space Agency untuk program pengamatan bumi yang disebut Copernicus program.Proyek ini merupakan proyek pemantauan terbesar di dunia. Seperti yang dijelaskan di atas citra Sentinel 2 memiliki resolusi spasial yang lebih tinggi (10-20 m) dan dengan dua sensor di langit akan memiliki resolusi temporal yang jauh lebih tinggi (5 hari). Sentinel 2 mereplikasi sebagian besar (tapi tidak semua) band citra Landsat (panjang gelombang) sehingga mudah untuk membandingkan Citra Landsat dan Sentinel 2.
4.4 Apa itu Data Elevasi Digital? Data elevasi digital (Digital elevation data) adalah 3D model permukaan bumi yang biasanya tersimpan dalam piksel grid (format raster) dimanasetiap sel memiliki nilai elevasi rata rata dari wilayah cakupannya. Ada 2 bentuk data digital elevation models (DEM): 1. Digital surface models dimana setiap nilai piksel adalah tinggi rata-rata semua fitur permukaan termasuk bangunan dan kanopi vegetasi. Model permukaan digital biasanya diproduksi dari foto satelit atau foto udara. 2. Digital terrain models dimana nilai masing-masing piksel mewakili elevasi permukaan tanah. Data ini umumnya diproduksi oleh sistem pencitraan radar. Sumber utama data elevasi global yang gratis diperoleh dari Shuttle Radar Topographic Mission (SRTM). Data ini diproduksi pada tahun 2003 dari sistem radar ganda yang dipasang pada pesawat luar angkasa. Data ini awalnya diproduksi pada resolusi 90 meter untuk seluruh dunia. Baru-baru ini data ini telah diproses lebih lanjut dengan menggunakan data referensi lain untuk menghasilkan produk dengan resolusi 30 meter.
38
Ilustrasi ini menunjukkan Space Shuttle Endeavour yang mengorbit sekitar 233 kilometer di atas bumi. Dengan antena tempel C-band dan X-band yang bekerja yang terletak di Shuttle dan yang lainnya terletak di ujung tiang setinggi 60 meter, radar SRTM mampu menembus awan sekaligus memberikan penerangan tersendiri, Bebas dari siang hari, mendapatkan gambar topografi 3-dimensi dari permukaan dunia sampai Lingkaran Arktik dan Antartika. Misi tersebut menyelesaikan 222 jam pemetaan dengan menggunakan radar
39
5. Download Data Spasial Secara Gratis Bagian ini mencakup banyak langkah untuk mengakses data satelit secara gratis melalui internet. Web yang akan dijelaskan adalah: Recent Landsat 8 dan sentinel imagery melalui Remote Pixel (https://remotepixel.ca) Historic Landsat imagery melalui USGS GloVis Next (http://glovis.usgs.gov/next/) SRTM elevation data melalui SRTM tile tool (http://dwtkns.com/srtm/). 5.1 Download Landsat dan Sentinel 2 Remote pixel adalah layanan web pihak ketiga yang menyediakan sejumlah alat yang sangat baik untuk mendownload citra satelit. Ketika membuka Remote Pixel (https://remotepixel.ca) pilih “projects” pada bagian atas menu seperti yang ditunjukkan pada gambar di bawah:
Selanjutnya anda akan diarahkan pada banyak pilihan data citra yang akan didownload. Untuk mengakses Landsat 8 and sentinel data klik Satellite Search (Landsat/Sentinel) tile. https://remotepixel.ca/projects/satellitesearch.html
Ini akan memuat tampilan citra dimana anda akan mendownload data landsat atau sentinel
Dengan tampilan Landsat anda akan melihat scene individu dan nomor baris pada setiap data.
40
Dengan sentinel data kita akan melihat kotak (tile) Sentinel. Ini merupakan kumpulan sebagian dari scene sentinel
Ketika anda klik pada scene kotak data maka akan ditampilkan pada sebelah kanan data citra yang paling terbaru.
Klik ikon seperti gambar yang ditunjukkan di samping untuk menampilkan scene landsat data.
41
Jika anda mengklik ikon unduhan pada salah satu scene yang tersedia maka ini daftar band akan muncul Klik pada sebuah band untuk mulai mendownload
Ketika anda mendownload citra landsat, setiap band memiliki nama yang merujuk kepada dekripsi kode berikut
Hal ini diikuti oleh garis bawah dan nomor band (yaitu, _B8). Setiap band dalam format Geo Tiff dan proyeksi UTM Utara. Untuk membawa data Landsat ke SAGA di bagian selatan proyeksi UTM menggunakan tool Landsat import with option seperti yang dijelaskan pada bagian 2.4. Demikian pula untuk mendownload data sentinel yang mengklik pada sebuah kotak menunjukkan yang terbaru tersedia. Mengklik gambar terbaru kemudian membuka jendela baru dengan semua gambar yang tersedia. Untuk sentinel 2 data ini baru kembali ke awal tahun 2016.
.
Sentinel data tersimpan dalam jp2 format (JPEG 2000) dan menggunakan proyeksi UTM. Sentinel 2 dapat di drag ke dalam SAGA, tidak perlu menggunakan tool import seperti landsat.
42
5.2 Historic Landsat Data downloads – 1972-Present Untuk mendownload data Landsat yang lama data cara termudah yaitu melalui layanan yang disediakan oleh US government melalui portal Glovis Next. (http://glovis.usgs.gov/next/) Untuk menggunakan Glovis Next anda harus memiliki akun USGS terlebih dahulu. Untuk masuk ke halaman Login dengan mengklik tombol login di kanan atas halaman Glovis:
Di sana anda perlu memasukkan rincian login anda seperti username dan password, atau jika Anda belum terdaftar membuat akun baru.
Saat menggunakan Glovis kita perlu: 1. Pilih landsat data yang ingin anda akses. Untuk data historis yang lebih lama pilih Landsat 4-5 TM. Lihat bagian 4.2. 2. Rentang data citra yang diinginkan. 3. Zoom peta pada area yang akan didownload.
43
Setelah mengeklik apply gambar terbaru di rentang tanggal yang anda pilih akan muncul di kotak informasi di kanan bawah yang akan menampilkan nama dan tanggal citra. Dengan menggunakan tombol previous dan next, anda dapat beralih ke tanggal citra berikutnya yang tersedia. Tombol select memungkinkan anda memilih citra untuk informasi lebih lanjut atau download. Klik Select kemudian ikon download menghasilkan jendela pop-up yang menunjukkan gambar yang akan diunduh. Pilih Product Data GeoTiff Level-1 untuk mendapatkan semua band.
Ini akan secara otomatis memulai download adegan dalam format zip (Tar, gz). Setelah di download klik kanan pada file tersebut untuk unzip. Anda perlu melakukan unzip dua kali, pertama ke format .tar lalu ke folder band scene.
44
5.3 Download Data Elevasi (SRTM) Cara termudah untuk mengakses dan mendownload data SRTM adalah melalui STRM file grabber website (http://dwtkns.com/srtm/). Dari tampilan globe secara interaktif pilih kotak pada area minat anda dan download Geo-tiff.
Resolusi tinggi (30 Meter) SRTM data juga dapat di download pada USGS earth explorer website atau melalui remote Pixel SRTM 1ARC Tile Mosaic project:https://remotepixel.ca/projects/srtm1arcgl.htm. Proyek ini memungkinkan anda untuk memilih sejumlah kotak SRTM beresolusi 30m yang kemudian akan digabungkan secara otomatis dan dikirim melalui email kepada Anda. Catatan: Sebelum data elevasi SRTM dapat digunakan untuk pemodelan medan dan pemodelan hidrologi di SAGA, pertama-tama perlu diproyeksikan ke dalam sistem koordinat area (meter) yang sama. Hal ini dijelaskan secara rinci pada bagian 7.1.
45
5.4 Global Spatial Datasets yang lain
Global climate data WorldClim (http://www.worldclim.org/) adalah sebuah layer iklim global (Iklim grid) dengan resolusi spasial sekitar 1 Km persegi. Data ini dapat digunakan untuk pemetaan dan analisis spasial.
Infrastructure OpenStreetMap (https://www.openstreetmap.org) adalah sebuah inisiatif untuk menciptakan dan menyediakan data geografis gratis, seperti peta jalan, kepada siapapun. OpenStreetMap Foundation adalah organisasi nirlaba internasional yang mendukung, namun tidak mengendalikan, Proyek OpenStreet Map. Ini didedikasikan untuk mendorong pertumbuhan, pengembangan dan pendistribusian data geospasial gratis dan untuk menyediakan data geospasial bagi siapa saja untuk digunakan dan dibagikan.
46
6. Visualisasi Data Satelit Bagian ini akan menampilkan beberapa langkah untuk menampilkan data satelit: Bekerja dengan beberapa citra satelit kombinasi band Membuat gambar dengan resolusi tinggi dengan menggunakan citra Landsat. Membuat indeks vegetasi. Menampilkan beberapa periode citra dari waktu yang berbeda untuk mengetahui perubahan tutupan lahan. Pada bagian ini kita menggunakan data : West Timor - Landsat Data (204mb) 6.1 Menampilkan dan Mengganti Kombinasi Bands Citra satelit ditangkap dalam beberapa panjang gelombang cahaya yang dipantulkan atau dikenal sebagai gambar 'Bands' (lihat bagian 4.1). Kita bisa menggabungkan tiga band gambar menjadi satu gambar dengan menampilkan setiap band sebagai Red, Green atau Blue untuk menghasilkan apa yang biasa dikenal sebagai display komposit RGB. Dalam contoh ini, kita akan memuat semua band gabungan untuk adegan Timor barat dan membuat Beberapa komposit RGB display. Menggunakan tool Landsat import with option semua band tapi tidak mencentang "show Komposit". Dalam latihan ini, kita akan membuat gambar komposit secara manual.
Data yang ditampilkan terdiri dari 2 grid systems baru. Grid untuk 30-meter bands dan sebuah grid untuk 15-meter resolution band 8.
47
Sekarang coba tampilkan setiap band pada tab map.
Coba tampilkan setiap band secara terpisah seperti yang ditunjukkan pada gambar di bawah. Agar lebih membantu tampilkan window dalam bentuk tile minimise pada "Window" menu bagian atas.
Lihat perbedaan masing-masing band yang muncul. Anda bisa lihat adalah perbedaan antara panjang gelombang cahaya yang dipantulkan yang tersimpan di setiap band.
Sekarang, kita coba membuat kombinasi band untuk menghasilkan “Natural Color” pada RGB composite
Untuk melakukan ini, pilih band yang akan dijadikan sebagai ‘red’. Untuk ‘natural colour’gunakan Band 4 sebagai ‘Red’. Pada tab setting, ganti colour type menjadi RGB composite dan pilih Blue untuk Band 2 dan Green untuk band 3 dan klik apply
48
Gambar di samping adalah hasil tampilan yang sama persis dengan yang terlihat dari citra satelit.
Coba tampilkan band 6 sebagai red, band 5 green dan band 4 blue. Warna ini menampilkan kombinasi vegetasi yang tumbuh.
Kombinasi disamping Band 7 sebagai Red, Band 6 sebagai Green dan band 5 sebagai Blue.
Untuk kombinasi terakhir ini gunakan Band 10 untuk Red, Band 5 untuk Green dan band 4 untuk Blue. Tanah yang baru terbakar atau dibersihkan seringkali lebih hangat dari pada daerah sekitarnya. Jadi pada gambar ini kombinasi area yang mungkin telah dibersihkan dan dibakar tampil sebagai warna merah cerah. Investigasi lapangan penting diperlukan untuk menentukan dengan benar apa yang terjadi di lapangan.
49
6.2 Indeks Vegetasi Berbagai algoritma telah dikembangkan oleh para peneliti untuk mendapatkan informasi paling banyak dari band spektral citra satelit. Banyak di antaranya adalah indeks vegetasi yang digunakan untuk memantau dan memetakan vegetasi. SAGA memungkinkan perhitungan otomatis ini. Gunakan : Geoprocessing>Imagery>vegetation Indices
Contoh yang ditunjukkan di bawah ini adalah menggunakan Indeks Vegetasi (Slope Based). Cukup masukkan band inframerah dan near infrared (4 dan 5 untuk Landsat 8)
Anda akan melihat beberapa grid baru hasil analisis pada tab manager
50
Menampilkan salah satu indeks vegetasi sebagai green untuk tampilan komposit RGB benar-benar menyoroti distribusi vegetasi aktif tumbuh (aktivitas fotosintesis tinggi) seperti yang ditunjukkan pada gambar di samping ini.
Untuk mengetahui arti semua indeks vegetasi yang berbeda dan bagaimana interpretasinya dapat melihat informasi lebih lanjut jika anda memilih modul indeks vegetasi di tab tools dan memilih tab deskripsi. Seperti ditunjukkan di bawah ini, memberikan deskripsi tentang algoritma yang digunakan untuk menghitung setiap indeks dan referensi ke informasi lebih lanjut.
51
6.3 Menghasilkan Citra Landsat Resolusi Tinggi dengan Band 8 Ada beberapa tool dalam SAGA untuk menggabungkan Landsat 8 resolusi 15 meter Band 8 dengan band multi-spectral 30 meter. Dengan menggunakan citra satelit Timor Barat, cobalah salah satu pilihan penajaman gambar. Sebagai contoh: Gunakan : Geoprocessing>Image sharpening>Colour Normalised Brovey Sharpening Masukkan band 30-meter yang akan dipertajam dengan band 8 untuk band resolusi tinggi .
Sekarang, tampilkan band 6 (15 meter) sebagai band komposit pada tab setting
52
Tampilkan band 30 m yang asli (gambar kiri) dengan komposit band 15 m (Gambar Kanan) untuk membandingkan perbedaan resolusi.
Sebagai alternatif, cara sederhana untuk menggabungkan dua resolusi adalah dengan menampilkan gambar band 8 dengan pengaturan transparansi di atas tampilan komposit RGB dari band 30 m.
Hasilnya ditunjukkan pada gambar sebelah kiri bawah. Lebih detail dalam gambar terbukti dibandingkan dengan gambar aslinya.
53
6.4 Menampilkan Citra Multi-temporal Hal ini dimungkinkan untuk menampilkan banyak gambar dari tanggal yang berbeda (tahun) untuk melihat perubahan tutupan lahan dari waktu ke waktu. Kita akan melakukan ini untuk memeriksa perubahan tutupan lahan karena pertambangan. Untuk bagian ini, kita akan menggunakan citra daerah pertambangan emas skala kecil di Sulawesi Tenggara (Indonesia). Lokasi ini di daerah 'Bombana' mengalami demam emas pada tahun 2008. Dengan menggunakan citra Landsat 5 dan Landsat 8 kita akan melihat perubahan tutupan lahan akibat aktivitas pertambangan. Bagian ini menggunakan contoh data: Landsat data Sulawesi Tenggara dari tahun 1996 dan 2015. (219mb)
Tampilkan citra Landsat 5 dari tahun 2006 (\Landsat\113-63\2006). Ingat Landsat 5 bands 3,4,5(Red,NIR,SWIR1) sama dengan Landsat 8 bands yang kita gunakan sebelumnya yaitu band (4,5,6). Buka data citra 2006 dengan komposit band Landsat 5 seperti yang ditunjukkan di samping. Sekarang Anda akan melihat di tab peta bahwa ada 3 gambar yang ditampilkan: 2 dengan kombinasi band yang berbeda untuk tahun 2014 dan gambar 2006. Setiap gambar ditampilkan dalam lapisan peta yang berbeda.
Untuk melihat citra tahun 2006 dan 2014, tariklah gambar 2014 (band 4,5,6) ke layer ada tab peta 2006 seperti yang ditunjukkan di sini:
Sekarang kita memilih grid paling atas dan menekan enter untuk sementara menghilangkan citra dan dengan mudah melihat perubahan pada Landcover tekan enter untuk kembali menampilkan citra ditahun 2006.
Misalnya sangat mudah melihat perbedaan antara gambar tahun 2006 dan 2014 di wilayah pertambangan Bombana. Penting untuk dipahami dan dapat mengidentifikasi perbedaan antara kejadian penutupan lahan yang bersifat musiman dan sementara dan jangka panjang. Dalam citra di
54
atas pemandangan September 2006 (musim kemarau akhir), area padang rumput terbakar yang luas dapat dilihat sebagai area hangus hitam di bagian barat gambar sementara pada gambar 2014 area yang terbakar kembali tidak lagi jelas sementara daerah biru / ungu Aktivitas penambangan bisa terlihat jelas. Latihan Pada data citra tahun 2014 (awal musim hujan) wilayah tambang tampak berwarna biru, airnya terisi. Lihatlah ke sekeliling, apa lagi perubahan jangka panjang dan jangka pendek yang bisa anda lihat. Perubahan apa yang bersifat sementara dan jangka panjang? Ketika anda mengidentifikasi perubahan tutupan lahan: Gunakan : Map>Copy Map to clipboard Tool untuk menyalin gambar ke PowerPoint. Anotasi dan jelaskan apa yang anda ketahui telah menyebabkan perubahan tutupan lahan. 6.5 Mosaicking Satellite imagery Mosaicking gambar memungkinkan anda menggabungkan beberapa gambar. Ini sangat berguna jika area yang anda inginkan berada di antara dua gambar di sepanjang jalur Landsat untuk beberapa kotak atau data Elevation SRTM. Ikuti step by step prose untuk mosaiking citra Landsat Pada contoh pertama ini akan ditunjukkan cara mosaicking dua data landsat yang berurutan pada path yang sama (112/063, 112/064) yang ditunjukkan pada gambar di bawah.
55
Buka tool Mosaicking: Gunakan : Geoprocessing>Grid >Grid system>Mosaicking
Masukkan dua grid dari band gambar yang sama dari dua scene berbeda. Pada contoh yang ditunjukkan di sini dua grid band 2. Sebagai contoh kita beri nama Output Grid dengan ID bandnya (Misalnya Mosaic B2).
56
Hasilnya akan muncul sebuah grid baru pada grid system yaitu grid mosaicking.
Lakukan hal diatas untuk band yang lain pada scene yang berbeda sehingga hasilnya akan tampak seperti gambar dibawah ini.
Tampilkan hasil mosaicking dengan tipe RGB composite. Hasilnya akan tampak seperti gambar di samping.
57
7. Alat Processing Pada bagian ini akan dijelaskan beberapa processing tools untuk data raster. Hal ini termasuk Transformasi koordinat ; cara untuk melakukan reproyeksi raster dan vector ke dalam system koordinat yang berbeda. Memotong data raster menggunakan poligon Reklafikasi (Klasifikasi Ulang) import dan export data; Penting untuk memperoleh data dengan format yang dapat digunakan dalam berbagai macam software GIS Untuk proses transformasi koordinat, clip dan reklasifikasi, kita akan menggunakan data dari Australia utara untuk menghasilkan grid dengan kelas lereng.
Data elevasi tersedia di native SRTM zip format with an accompanying (Kakadu) national park boundary file.
7.1 Transformasi Koordinat Drag dan drop SRTM data ke dalam SAGA.
Data tersebut merupakan geographic coordinate system (Lat/Long).
Anda dapat membuka shape file (vector) data ke dalam SAGA dengan drop dan drag .shp file. Dalam contoh ini menggunakan shapefile batas wilayah Kakadu National Park.
58
File ini ada dalam proyeksi UTM (Universal Transverse Mercator). Untuk dapat melakukan visualisasi 3D dan pemodelan set elevasi terrain perlu dilakukan proyeksi grid meter. Nilai xy-axis (meter antar sel) sama dengan skala seperti sumbu z (meter di atas nilai permukaan laut masing-masing sel)
Proyeksi ulang data SRTM ke proyeksi UTM juga akan memungkinkan kita menggabungkannya dengan file poligon untuk wilayah Taman Nasional diatas (proyeksi UTM). Untuk proyeksi ulang,pertama atur proyeksi kumpulan data saat ini. Klik kanan pada layer grid SRTM dan pilih Spatial reference:
Pada spatial reference geographic coordinate system pilih WGS 84 seperti yang ditunjukkan di bawah:
59
Sekarang kita dapat melakukan proyeksi ulang data elevasi ke dalam UTM Zone 53 Use: Geoprocessing > Projection > Coordinate transformation Grid In the module dialogue window: 1. Masukkan data grid SRTM untuk diproyeksi 2. Gunakan resampling “Nearest Neighbour” 3. Atur Projected Coordinate system ke UTM Zone 53.
Sebuah kotak dialog baru akan muncul untuk mengatur output cell size. Untuk standard SRTM data isi dengan 90 meters.
Anda sekarang dapat menampilkan data vektor batas Taman nasional Kakadu di atas file elevasi yang baru saja kita proyeksi. Seperti gambar yang ditunjukkan dibawah.
60
Untuk melihat data raster di bawah data polygon, atur fill style menjadi “Transparent” pada tab setting 7.2 Clipping grids with polygons Sekarang kita dapat memotong (Clip) data raster (data elevasi) dengan Poligon Taman Nasional (.shp) dengan menggunakan tool Clip Grid with Polygons Gunakan :Geoprocessing>Shape>Grid>Spatial Extent>Clip Grid with Polygons Pada kotak dialog input pilih data SRTM yang telah di proyeksi. Pilih data .shp Kakadu pada pilihan polygons seperti yang ditunjukkan pada gambar di bawah.
61
Hasil clip grid ditunjukkan seperti gambar di samping :
7.3 Reklasifikasi Sekarang kita dapat melakukan klasifikasi kemiringan lereng seperti datar,sangat curam. Pertama kita perlu menghasilkan grid Slope. Gunakan : Geoprocessing>Terrain Analysis > Morphometry > Slope, Aspect Curvature
Pada kotak dialog diatas, pilih elevasi yang telah di clip pada tahap sebelumnya. Ubah Slope unit ke dalam derajat (degree) Hasilnya akan tampak seperti gambar di bawah ini.
62
Selanjutnya tampilkan Aspect sebagai latar belakang.Untuk memberi visualisasi yang lebih baik, pilih grid aspect, pada pengaturan Tab pengaturan ubah Shading menjadi normal.
Tampilkan grid Slope di atas grid Aspect (dengan shading normal) dan atur transparansi menjadi 55%
63
Sekarang, reklasifikasi grid Slope ke dalam beberapa kelas . Gunakan tool Reclassify Grid Values. Gunakan : Geoprocessing> Grid>Values> Reclassify Grid Values Pada kotak dialog : 1. 2. 3.
Pilih grid Slope Untuk klasifikasi pilih “simple Table” Buka lookup table
Atur Lookup table untuk nilai maksimum dan minimum dan kelas kemiringan lereng yang baru. Coba masukka nilai seperti gambar di samping. Klik okay
64
Pada grid baru “Slope reclassified” klik kanan dan pilih “Create lookup Table”
Pilih Unique values untuk “Classification Type”.
Anda dapat melihat dan mengedit lookup table dan warna yang dihasilkan di tab Settings.
65
Sekarang klik kanan dan pilih Histogram. Ini akan membuka grafik yang menunjukkan jumlah sel di setiap kelas. Klik tombol tabel untuk membuka tabel nilai grid.
Tabel ini menunjukkan area dalam meter persegi pada masing-masing kelas lereng. Klik kanan pada tabel di tabel data memungkinkan Anda untuk mengekspornya ke format yang bisa dibaca menjadi excel.
66
7.4 Export Peta Hal ini sering berguna untuk dapat mengekspor peta yang telah anda buat di SAGA untuk pekerjaan lebih lanjut dalam aplikasi GIS lain atau sebagai gambar untuk laporan atau presentasi. Untuk mengeksport peta agar bias digunakan di lapangan: Gunakan : Geoprocessing>Map>Save as image to workspace
Pilih ukuran sel yang setara dengan citra yang anda tampilkan (yaitu band 8 15m dan semua band lain 30m).
Kembali ke tab data dan anda akan melihat sistem grid baru dan layer grid akan dihasilkan berisi gambar yang tersimpan sebelumnya. Klik kanan untuk menyimpan gambar ini ke dalam format tiff
Pada Options pilih Save Georeference. Ini akan memungkinkan anda untuk membuka file di perangkat lunak GIS yang lain dalam proyeksi koordinat yang benar dan overlay data lainnya. Misalnya anda mungkin ingin menyertakan layer data spasial lainnya dan membuat peta di ARC-Map atau Open-Jump
67
7.5 Import Data Bagian ini menjelaskan bagaimana mengimport raster (grid), vector dan data lapangan.
Data Raster Sebagian besar format data raster dapat di drag dan drop langsung masuk ke SAGA GIS. Fungsi impor secara otomatis mengubah data menjadi format SAGA. Namun anda mungkin menemukan bahwa data raster yang di drop dan drag akan menggunakan metode resampling rata-rata default (B-Spline). Ini akan mengubah (rata-rata) nilai piksel yang diimpor. Untuk memastikan anda menyimpan nilai yang sama untuk data yang diimpor, anda perlu mengubah metode impor resampling ke Nearest Neighbour menggunakan tool impor seperti yang ditunjukkan di bawah ini. Gunakan: Geoprocessing>File>Grid>Import>ImportRaster
Data Vektor Shape Files Shapefiles dapat dimuat dengan drop dan drag file .shp ke dalam saga atau membuka file melalui tab data atau melalui menu file paling atas. Gunakan: Geoprocessing>File>Shapes>Load Google Earth KML Jika Anda telah membuat titik, garis atau poligon di Google Earth menggunakan, anda dapat mengimpornya ke SAGA setelah menyimpannya terlebih dulu sebagai file KML. Kemudian Gunakan: Geoprocessing> File> Shapes> Import Shapes Anda perlu menentukan jenis file KML yang anda impor (titik, garis atau poligon) seperti yang ditunjukkan di bawah ini. Ini akan mengimpor layer vektor ke tab data SAGA.
68
7.6 Data Lapangan Cara yang paling umum untuk mengumpulkan data geospasial di lapangan untuk tampilan dan analisis di GIS adalah menggunakan GPS. Namun, ini menjadi lebih umum untuk menggunakan aplikasi smartphone yang terhubung ke fungsi GPS handphone untuk membantu pengumpulan data. Bagian ini menjelaskan bagaimana anda dapat mengimpor data lapangan yang dikumpulkan menggunakan GPS atau aplikasi smartphone (Avenza Maps).
Import Data GPS Data yang dikumpulkan di GPS biasanya disimpan dalam format GPX. Untuk mengimpor field Data GPX cukup drag dan drop ke SAGA. SAGA secara otomatis akan mengubah GPX menjadi poin dan garis yang Anda kumpulkan.
Cara lain yang umum dan efektif untuk mengumpulkan data dengan informasi lapangan menggunakan pulpen dan kertas dan secara manual merekam lokasi titik dari GPS dan atribut standar untuk lokasi tersebut. Data ini kemudian bisa dimasukkan ke dalam tabel excel dan diimpor ke SAGA. Misalnya di tabel excel dihasilkan dari catatan lapangan hardcopy dari sebuah survei di Indonesia.
Untuk memuat file tersebut ke dalam SAGA terlebih dahulu save as dalam bentuk .csv atau txt (tab delimited format) file.
69
Lalu drag and drop file ini ke dalam SAGA. Ini akan muncul sebagai layer baru berupa table pada tab data. Untuk mengimport attribute sebagai data point, gunakan : Shapes>Conversion>Convert table to points Pilih layer table yang akan dikonversi dan nilai sumbu X sebagai Easting (or Latitude) dan sumbu Y Northing (or Longitude).
Ini kemudian akan menambahkan llayer data titik baru dengan atribut terkait dengan table sebelumnya.
Ekspor gambar ke Apps pengumpulan data lapangan Pada bagian ini, kita akan melihat bagaimana untuk mentransfer gambar peta yang dihasilkan dari SAGA dan dibuka dengan menggunakan aplikasi smartphone Avenza Map yang akan digunakan untuk mengumpulkan data lapangan. Avenza memungkinkan untuk menavigasi di lapangan dengan mengacu pada peta yang telah anda buat di SAGA. Ini bisa sangat berguna jika anda perlu mengumpulkan data lapangan untuk klasifikasi tutupan lahan citra satelit dan / atau jika ada fitur pada citra satelit anda membutuhkan kebenaran data sesuai kondisi di lapangan. Avenza juga memungkinkan untuk mengumpulkan data dan atribut lokasi setiap titik dengan informasi lapangan dan hubungkan ke foto lokasi. Tahap ini membutuhkan 7 step, yaitu: 1. Import citra satelit ke dalam SAGA dalam format geographic(lat/long) 2. Zoom ke daerah yang diinginkan 3. Save image to workspace 4. Save as SAGA grid 5. Save as image 6. Simpan dalam format Zip file berikut : ‘.tiff’, ‘.twf’ and ‘.prj’ files 7. Import .zip file ke dalam Avenza
70
1. Import citra landsat menggunakan Geographic Coordinates sebagai coordinate system, dan nearest neighbour sebagai metode interpolation 2. Zoom ke daerah yang diinginkan 3. Gunakan: Map>Save As image to workspace,atur cell size menjadi 0.003 (~30m for Landsat imagery). Selanjutnya akan menyimpan area yang diinginkan ke dalam sebuah layer baru pada tab data.
4. Klik kanan pada layer baru yang ada di tab data dan save as SAGA Grid (.sgrd) pastikan semua file yang akan disave memiliki nama yang sama. 5. Klik kanan Save As Image dan simpan dalam format GeoTiff. Ingat pastikan bahwa nama file ini sama dengan file .sgrd yang di save pada langkah no.4 di atas. Jangan lupa untuk save georeference 6. Selanjutnya pilih semua file yang sebelunya sudah di save dalam berbagai format tadi. Pilih file .tif, .tfw, .prj, Klik kanan dan Zip folder
71
7. Anda dapat mengimport file Zipp ke dalam Avenza maps melalui email, dropbox atau SD card
Coba unduh peta Avenza dari ponsel anda dan selanjutnya lakukan proses pengujian di lapangan terhadap data yang anda miliki dalam smartphone. Perhatikan bahwa untuk menggunakan data Sentinel-2 dengan peta Avenza, pertama-tama perlu dikoreksi ulang ke dalam sistem koordinat geografis (lat.long) dari format UTM aslinya.
72
8. Klasifikasi Citra Satelit Klasifikasi citra satelit adalah proses mengelompokkan piksel gambar ke dalam kelas yang serupa. Kelas-kelas ini biasanya didasarkan pada jenis lingkungan tutupan lahan. Teknik klasifikasi bagaimanapun juga dapat digunakan untuk memantau perubahan lingkungan seperti pemetaan daerah yang terbakar. Ada dua bentuk utama klasifikasi yang biasa dipraktikkan (1) klasifikasi berbasis piksel dan (2) klasifikasi berbasis objek. Pixel based classification melihat respons spektral atau nomor digital untuk setiap piksel dan menggunakan salah satu dari sejumlah metode matematis yang memasukkannya ke dalam kelas. Ada dua metode dimana kelas piksel dapat diberikan; unsupervised dan unsupervised classification. Kelas dapat ditetapkan secara otomatis berdasarkan algoritma pengelompokan yang memilih bagaimana sebuah pixel. Umumnya, satu-satunya masukan dari pengguna ke dalam proses ini adalah memilih band gambar yang akan digunakan dalam proses pengelompokkan dan jumlah kelas output akhirnya. Cara ini biasa disebut as unsupervised classification. Kelas-kelas ini biasanya diberi kelas tutupan lahan dengan mengacu pada data tanah dan klasifikasi gambar. Dalam klasifikasi SAGA tanpa pengawasan disebut cluster analysis. Sebaliknya, supervised classification mengharuskan pengguna untuk mendefinisikan tutupan lahan untuk lokasi yang akan dianalisis. Pixel citra kemudian dikelompokkan ke dalam kelas berdasarkan data spektral dari piksel lokasi tersebut. Klasifikasi berbasis piksel termasuk cepat dan efisien meskipun sedikit kesalahannya sulit untuk di edit. Unsupervised pixel classification digunakan dalam tutorial pemantauan perubahan tutupan lahan dalam manual ini. Object-based classification, dengan melihat piksel individual, kelompok piksel menjadi daerah (segmen) dari sifat spektral serupa. Segmen ini biasanya berbentuk poligon yang dikaitkan dengan informasi statistik tentang karakteristik spektral rata-rata suatu wilayah. objek ini kemudian dapat diklasifikasikan menggunakan teknik tanpa pengawasan atau diawasi seperti pada klasifikasi berbasis piksel. Klasifikasi berbasis objek memungkinkan pengeditan daerah klasifikasi yang lebih fleksibel dan memungkinkan metode yang lebih canggih menggabungkan bentuk dan konteks segmen. This section has three classification examples: 1. An OBIA based rapid classification of a large mine in Lombok. 2. A pixel based unsupervised classification of land cover in Kupang Bay (West Timor). 3. An OBIA based supervised classification of land cover of the same area.
73
8.1 Object-based classification dengan Sentinel 2 imagery. Cara Cepat Melakukan Pemetaan Area Tambang Dalam latihan akan ditunjukkan cara cepat menghasilkan klasifikasi dan peta area yang akurat dari citra. Dalam hal ini merupakan lokasi tambang besar di Pulau Lombok di Indonesia. Ada lima langkah utama yang dibutuhkan: Step 1: Tampilkan citra Sentinel 2 yang didownload dari Remote Pixel (remotepixel.ca) Step 2: potong data citra ke area yang akan dianalisis Step 3: menjalankan proses segmentasi citra. Step 4: Menghapus daerah yang bukan merupakan polygon wilayah tambang. Step 5: Menghitung luas area Bagian ini menggunakan data: Sentinel 2 imagery Lombok. Akses video tutorial disini:https://sagatutorials.wordpress.com/segmentation-and-sentinel-2imagery/ Display dan Memotong citra (clip) Load data Sentinel 2 ke dalam SAGA dengan cara drop dan drag. Secara otomatis akan menggunakan UTM coordinate Grid System. Kita hanya memerlukan band 2,4,8 dalam klasifikasi ini. Selanjutnya tampilkan dalam tipe RGB composite
Sekarang kita perlu memotong (clip) ke area yang diinginkan (misalnya area tambang) seperti yang ditunjukkan gambar disamping. Gunakan:Geoprocessing>Grids>Grid System > Clip Grids interactive Pilih 3 band sentinel sebagai input grids. Gunakan pointer (panah hitam) untuk membuat kotak
74
Klik okay
Anda akan melihat sebuah grid system baru dengan luasan yang lebih kecil dari sebelumnya. Anda bias menghapus grid sebelumnya karena kita akan bekerja pada grid baru yang lebih kecil
Anda perlu menampilkan display RGB composite kembali pada tab setting. Pilih band 8 sebagi Red
Sekarang kita dapat melakukan proses segmentasi: Gunakan: Imagery>Segmentation>Object Based Image segmentation 1. 2. 3. 4.
Pilih 3 band sentinel sebagai features Isi nilai image band width Pilih ‘Unsupervised Classification’ untuk post processing Hapus centang pada split clusters.
75
Tampilkan hasil segmentasi di atas citra sentinel dan atur fill style menjadi ‘Transparent’ pada tab setting:
Sekarang gunakan pointer untuk memilih polygon yang berada pada area tambang.
Sekarang klik kanan dan pilih Invert selection sehingga menghasilkan semua poligon daerah bukan tambang yang terpilih selanjutnya hapus polygon tersebut.
76
Maka hanya akan tersisa poligon area tambang seperti yang ditunjukkan gambar di samping
Sekarang kita akan 'Merge' poligon yang tersisa untuk menghasilkan satu poligon daerah tambang. Pilih semua poligon yang tersisa, klik kanan dan pilih 'Merge Selection'.
poligon daerah tambang yang tersisa seperti yang ditunjukkan di sini:
77
Kita dapat menghitung luasan untuk polygon ini : Gunakan: Geoprocessing>Shapes>Polygons>Polygon Properties Pilih segmen sebagai poligon masukan dan keluaran. Prose ini akan menghasilkan atribut baru dalam tabel poligon yaitu area dalam meter persegi. Untuk menghasilkan area secara langsung dalam satuan hektar, ganti faktor skala menjadi 0,0001. Pada contoh ini, pertamatama kita akan membuat m2 area lalu menggunakan table kalkulator untuk membuat kolom Ha.
Setelah itu buka tabel atribut dengan mengklik kanan pada layer, pilih atribut: Atribut >> Show Tabel akan menampilkan area dalam satuan m2.
78
Untuk menambahkan kolom lain agar kita bias menghitung dalam hectares: .Gunakan :Geoprocessing>table>calculus>table calculator 1.
Gunakan formula f2/10000 untuk membagi field 2 dengan 10000 2. Ganti nama kolom (Field) menjadi Ha. 3. Pilih tabel segmentation polygon sebagai input.
Field daru dalam satuan hectares akan tampil pada attribute
8.2 Unsupervised Classification (Klasifikasi Tanpa Pengawasan) Latihan ini menunjukkan teknik klasifikasi tanpa pengawasan sederhana untuk mengelompokkan daerah dengan respons spektral yang serupa. Untuk latihan ini kita akan mengklasifikasikan daerah pesisir di Timor barat yang mengandung laut, dataran lumpur, padang rumput dan hutan. Data dapat di download disini: Kupang Bay Landsat 8 Clipped (2.2mb).
Ada 4 langkah utama: 1. 2. 3. 4.
Load dan tampilkan citra Lakukan unsupervised classification Klasifikasi ulang kelas unsupervised menjadi kelas tutupan lahan Tampilkan statistic tutupan lahan.
Tampilkan citra dalam RGB composite dengan Red = Band 6, Green = band 5 dan blue = band 4.
79
Tampilannya akan seperti gambar di samping
Untuk melakukan unsupervised classification: Gunakan: Imagery>Classification>Unsupervised>K-Means Clustering for grids 1. Pilih bands 3,4,5,7 pada input grids 2. Pilih metode klasifikasi seperti ditunjukkan dibawah 3. Buat jumlah cluster sebanyak 10 kelas.
Anda bisa mengatur kembali warna secara manual pada masing masing kelas. Pastikan band 5 adalah band kedua dalam input grid list karena ini akan memastikan bahwa Anda mendapatkan vegetasi sebagai warna hijau pada output yang dihasilkan. Hasilnya akan seperti gambar di samping
80
Coba ubah band dan jumlah kelas yang anda gunakan untuk klasifikasi Anda. Anda akan melihat band yang berbeda menghasilkan hasil klasifikasi yang berbeda. Langkah selanjutnya adalah mengklasifikasi ulang kelas-kelas ini ke dalam kelas tutupan lahan. Untuk melakukan ini, anda harus memiliki pengetahuan dan data lapangan yang bagus untuk area yang ingin anda klasifikasi sehingga anda dapat menentukan kelas output apa yang sesuai dan fitur apa pada gambar yang mewakili kelas-kelas ini. Untuk latihan ini kita ingin mengklasifikasi ulang sepuluh kelas ke enam jenis tutupan berikut ini: 1. lautan 2. Lumpur datar 3. Tanah Terbuka 4. Rumput 5. Hutan Terbuka / Scrub 6. Hutan Tertutup Untuk menentukan gambar mana yang mewakili jenis tutupan lahan yang anda tampilkan, buat layar tab map menjadi dua bagian yaitu gambar komposit RGB di samping gambar kluster. Dengan menggunakan alat pointer (panah hitam) untuk melihat cluster pada gambar yang diklasifikasikan sebelumnya. Anda akan melihat nilai klaster ditampilkan di bagian bawah layar. Pada gambar di bawah layar komposit RGB ada di sebelah kiri dan gambar tergambar di sebelah kanan. Nilai klaster yang ditunjukkan ada di bagian bawah..
Dengan melihat gambar dan membandingkannya dengan grid cluster, anda harus bisa menentukan jenis tutupan lahan masing-masing cluster. Setelah anda selesai membuka klasifikasi ini (Cluster) pada Lookup table, edit deskripsi masing-masing kelas agar sesuai dengan apa yang anda temukan di lapangan. Kita akan menggunakan tabel ini untuk membuat tabel look-up reklasifikasi.
81
Simpan tabel yang telah anda tambahkan deskripsi Land Cover ke tab data SAGA dengan memilih Workspace. Anda akan melihat tabel baru muncul seperti yang ditunjukkan di sini:
Buka tabel dan pilih add field pada menu bar bagian atas seperti yang ditunjukkan di sini. Kita ingin menambahkan field baru yang akan berisi nilai kelas penutup lahan. Beri nama field 'New'dan pilih field type.
82
‘new ‘ field pada kelas land cover untuk setiap nilai cluster ditunjukkan pada gambar di bawah:
Selanjutnya hapus kolom Color, Name dan Description dengan menggunakan tombol hapus field.
Hasilnya seperti tabel seperti yang ditunjukkan di samping yang akan digunakan sebagai tabel klasifikasi ulang
83
Untuk reklasifikasi grid cluster : Gunakan: Geoprocessing>Grid>Values>Change Grid Values Pilih cluster grid untuk di reklasifikasi: 1. Buka lookup table reklasifikasi 2. Pilih Load 3. Pilih table yang telah anda buat sebelumnya pada tab workspace
84
Selanjutnya klik okay untuk menjalankan reklasifikasi.
Klik kanan pada hasil ‘change grid’ untuk mengganti lookup table dengan unique values seperti gambar di samping untuk menunjukkan warna dan nama setiap kelas
Ganti nama dan warna hasil reklasifikasi sesuai yang diinginkan pada masing masing kelas tutupan lahan.
85
Untuk melihat nilai luasan pada masing masing kelas adalah klik kanan pada grid dan pilih histogram
Histrogram akan menunjukkan jumlah piksel pada setiap kelas
Klik table pada bagian atas menu bar untuk membuka table yang menunjukkan area dalam m2 untuk setiap kelas seperti yang ditunjukkan gambar di samping.
86
8.3 Supervised OBIA Latihan ini menunjukkan teknik klasifikasi Segmentasi sederhana untuk mengelompokkan daerah dengan karakteristik spektral yang serupa. Seperti klasifikasi tanpa pengawasan sebelumnya yang mengklasifikasikan wilayah pesisir di Timor barat berupa laut, dataran lumpur, padang rumput dan hutan. Data dapat di download disini: Kupang Bay Landsat 8 Clipped (2.2mb).
Video tutorial supervised OBIA disini: sagatutorials.wordpress.com/supervised-segmentation-classification/ Ada 6 langkah utama: 1. Tampilkan data citra pada SAGA 2. Melakukan segmentasi 3. Tampilkan ‘area latihan’ dan tetapkan kelas tutupan lahan 4. Supervised Classification 5. Edit hasil klasifikasi 6. Tampilkan statistic area
Load data Band 3,4,5,6 ke dalam SAGA, buat tampilan dalam RGB composite untuk Band 6 = Red, Band 5 = Green dan Band 4 = blue.
Jalankan segmentasi:
Gunakan: Geoprocessing>Imagery>classification>OBIA Selanjutnya: 1. Pilih band 3,4,5,6 pada input features 2. Sesuaikan Band Width for seed generation menjadi 5 (untuk membuat polygon yang dihasilkan akan lebih besar). 3. Pilih none pada pilihan post processing.
87
Klik dua kali pada layer poligon segmentasi yang dihasilkan dan tampilkan di atas tampilan citra. Di tab Settings ubah style fill menjadi transparent
Lihat tabel atribut untuk segmentasi. Klik kanan pada file segmentasi dan pilih: Atribut> Show.
Sekarang kita ingin menambahkan atribut 'Training' baru ke tabel. Kami kemudian dapat memilih poligon dan memasukkan ke dalam attribute 'Training' untuk jenis tutupan poligon yang baru.
Proses ini disebut pelatihan karena kita melatih klasifikasi bagaimana mengidentifikasi semua jenis tutupan lahan di suatu wilayah berdasarkan kelas kelas yang diklasifikasikan pada wilayah tersebut
88
Untuk menambahkan atribut ‘Training’ baru: 1. Klik tombol add attribute 2. Masukkan 'training' sebagai nama atribut 3. Klik OK.
Sekarang anda bisa memulai proses pemilihan lokasi training. Klik satu poligon dan buka tab atribut. Anda akan melihat sejumlah atribut untuk poligon yang dipilih termasuk semua nilai band rata-rata untuk band yang digunakan dalam segmentasi dan terakhir atribut baru 'Training'. Pada contoh di bawah ini, berdasarkan interpretasi atau pengetahuan lapangan kita menetapkan bahwa yang terpilih adalah poligon mangrove makan diisikan mangrove pada kolom atribut ‘training’. Ini adalah “training site’ pertama kami.
89
Lakukan untuk setiap tutupan lahan yang lainnya. Untuk contoh di bawah polygon untuk grass diisikan pada table atribut
Untuk latihan ini buat 7 kelas tutupan lahan: 1. Forest 2. Mangrove 3. Open Forest 4. Grass 5. Bare ground 6. Mud Flat 7. Ocean Setelah anda yakin memiliki beberapa sampel poligon yang representatif untuk masingmasing kelas tutupan lahan, kita dapat melakukan supervised classification: Gunakan: Shapes>Table>Supervised Classification for Shapes 1. Pilih segment polygon file untuk input shapes 2. Pilih band 3,4,5,6 untuk input features 3. Pilih training attribute untuk input training classes 4. Pilih Minimum Distance untuk metode yang digunakan
90
Untuk step nomor 2 diatas centang badn yang akan digunakan (band 3,5,6,7)
Hasilnya berupa poligon memiliki beberapa warna yang dihasilkan secara acak untuk setiap tutupan lahan.
Buka lookup table dan ganti warna masing masing kelas tutupan lahan
Pada tab setting, hapus centang pada pilihan outline.
91
Klasifikasi gambar yang dihasilkan terlihat bagus tapi kita bisa melihat ada beberapa kesalahan yang jelas dimana beberapa hutan pegunungan telah diklasifikasikan sebagai mangrove.
Bagian dari kelebihan klasifikasi Segmentasi adalah mudah mengedit poligon secara manual. Poligon segmen mangrove ini dapat diedit secara manual untuk diubah menjadi kelas tutupan lahan yang sesuai. Misalnya di bawah ini adalah kawasan hutan yang diklasifikasikan sebagai mangrove dengan benar.
Pilih salah satu poligon yang salah diklasifikasi:
Ubah nama 'Class_NR' (Nilai nomor) dan 'Class_ID' ke tutupan lahan yang benar, yaitu Rumput.
92
Setelah anda mengedit gambar, sekarang kita dapat melihat beberapa statistik area untuk klasifikasi. Pertama kita perlu melakukan poligon dissolve: Gunakan: Geoprocessing>Shapes>Polygons>Dissolve
Pilih Class ID sebagai atribut untuk dissolve seluruh polygons :
Pertama-tama kita perlu membuat look-up table untuk poligon dissolve sehingga kita bisa mendapatkan statistik area untuk setiap kelas tutupan lahan dan tidak setiap poligon. Klik kanan pada file data poligon dissolve yang baru di tab data dan pilih create look up table. Tetapkan metode klasifikasi ke unique values
Sekarang hitung luas area untuk dissolved polygons. Gunakan: Shapes>Polygons>Polygon Properties. Pilihlah polygon dissolve sebagai input file dan Area sebagai output statistik yang kita inginkan.
Klik kanan pada file tersegmentasi dan pilih Atribut> Show untuk melihat atribut AREA yang baru
93
Export table agar data tersebut dapat diolah kembali nantinya. Gunakan: Geoprocessing> File>Table>Export
Output table dapat di gambarkan ke dalam bentuk diagram.
94
9. Hidrologi Dan Terrain Modelling SAGA GIS memiliki beberapa alat pemodelan terrain dan hidrologi yang sangat kuat. Pada bagian ini Anda akan mempelajari metode untuk (1) visualisasi 3D, (2) analisis terrain (medan) dan (3) analisis hidrologi. Data pada bagian ini dapat di download disini : West Timor – elevation Data
Video tutorial dapat dilihat disini :sagatutorials.wordpress.com/basic-terrain-analysis/ 9.1 Membuat Watershed (Delineasi Batas DAS) Untuk menghasilkan model aliran hidrologi, kita perlu menghasilkan data ketinggian yang yang tidak memiliki 'Sinks' atau saluran yang akan menangkap aliran air. Gambar di sebelah kanan adalah contoh model dengan 'Sink' dan permukaan yang sama setelah 'Sinks' terisi dan aliran terus berlanjut. Tambahkan DEM Timor Barat sebagai input. Outputnya mencakup DEM dan DAS yang dimana ‘Sinks’ telah terisi Untuk menghasilkan ‘Sinks’ yang terisi: Gunakan : Terrain Analysis>Preprocessing>Fill Sinks (Wang Liu).
Pilihlah sistem grid dan grid DEM seperti gambar di atas. Modul 'Fill sinks' menghasilkan tiga layer baru: 1. "Timor Barat_SRTM [no sinks]", sinks berisi grid 2. "Arah aliran" arah aliran air yang melalui setiap sel 3. Daerah aliran sungai "atau daerah tangkapan air.
95
Klik 2 kali pada layer Watershed basins maka akan terlihat seperti gambar di samping :
Kita akan melakukan analisis lebih lanjut hanya pada satu daerah tangkapan air yang dihasilkan dari tool ‘Sink Filled’. Untuk memotong data ini kita menjadi satu daerah tangkapan air, pertama-tama kita harus mengkonversikan data daerah aliran sungai dari raster ke poligon daerah aliran sungai. Untuk melakukan ini: Gunakan: Geoprocessing>Shapes>Grid>Vectorising Grid Classes Pilihlah lapisan DAS sebagai masukan. Pilih ‘each island as a separate polygon’ pada pilihan ‘vectorised class as’. Ini memastikan bahwa setiap poligon DAS dapat dipilih secara terpisah.
Setelah proses selesai tampilkan layer new shapefile watershed basin dan pilih salah satu tangkapan yang lebih besar dengan alat kursor anda seperti yang ditunjukkan pada gambar di samping.
96
Memotong layer DEM dengan menggunakan catchment terpilih. Use: Geoprocessing>Shapes>Grid>Spatial Extent>Clip grid with polygon 1. Pilih Grid system 2. Pilih DEM sebagai input layer 3. Pilih Watershed Basins sebagai input shapes
Anda akan melihat sistem grid baru dengan luasan yang lebih kecil telah dibuat. Ini adalah grid terpotong. Double klik pada grid baru untuk menampilkannya di atas file shape Watershed.
Meski itu adalah Grid baru tetapi nama grid tetap grid sebelumnya. Untuk menghindari kebingungan, ganti nama grid baru di tab setting. Pada contoh di sini kita menyebutnya DEM DAS Noelmina. 'DAS' adalah sebutan catchment area untuk daerah tangkapan air dan Noelmina adalah DAS yang terpotong pada contoh ini. Lakukan seperti gambar yang ditunjukan dibawah ini.
97
Klik kanan pada grid untuk menyimpan hasil pekerjaan ini. Maka akan secara otomatis save as a SAGA Grid format (.srgd).
Selanjutnya kita akan mempersiapkan data Catchment untuk melakukan sejumlah analisis.
9.2 Basic Terrain Analysis Tools basic terrain analysis sangat sederhana dan secara otomatis menghasilkan 16 hasil analsisn terrain dan parameter hidrologi. Sebuah dialog baru kemudian akan meminta anda untuk memasukkan sistem grid dan grid elevasi yang akan digunakan. anda akan melihat daftar semua parameter medan yang akan dibuat oleh modul ini.
98
Bila Anda telah memasukkan input grid klik OK dan anda akan melihat file Grids and Shape baru hasil analsis di tab data. Ini akan memakan waktu beberapa menit untuk pemrosesan semua grid agar selesai. Double klik setiap grid untuk melihat hasilnya di jendela peta. Basic Terrain Parameters
Analytical Hillshading Menghasilkan sebuah grid bayangan Menghasilkan sebuah grid dari bayangan sinar matahari. Ini sangat penting untuk visualisasi topografi.
Slope Grid ini merupakan grid kemiringan. Anda juga dapat melihat nilai Slope dalam derajat pada bagian bawah screen anda
Aspect Ini menghasilkan grid aspek atau arah. Anda bisa melihat nilai Aspect dalam derajat yang ditampilkan di bagian bawah jendela SAGA.
99
Plan/Profile Curvature Grid ini menjelaskan formasi landscape. Parameter ini berfungsi untuk pemodelan risiko longsor
Convergence Index Modul ini menghasilkan kalkulasi indek convergence/divergence pada aliran air.
Wetness index Menghasilkan grid yang menunjukkan akumulasi air. Ini akan berguna untuk memahami kondisi indeks kebasahan tanah atau pemetaan banjir
LS Factor Kombinasi kemiringan dan panjang kemiringan dimana kombinas ini merupakan kunci untuk memprediksi potensi erosi di dalam sebuah landscape.
Altitude above channel network Grid ini berfungsi untuk prediksi banjir
Channels Menghasilkan file vektor untuk saluran drainase. Salah satu atribut dari data ini adalah Strahler order yang merupakan ukuran urutan arus saluran dalam jaringan drainase. Ini bisa berguna untuk memahami besarnya potensi arus sungai.
100
Drainage Basins Menghasilkan shapefile dari saluran tangkapan air
Tampilkan hasil basic terrain analisis dalam mode 3D. Ini akan membantu memahami data landscape dengan kondisi di lapangan.
101
Coba latihan dengan menggunakan tools analisis yang lainnya. contohnya:
Landform Classification: (Terrain Analysis > terrain Classification > TPI Based Landform Classification)
Solar Radiation: (Terrain Analysis > Lighting > Potential Incoming solar radiation)
Wind: (Terrain Analysis > Climate and Weather > Wind)
102
9.3 Model Aliran Hidrologi Ada berbagai macam cara untuk menampilkan alirandalam sebuah landscape pada SAGA. Contoh ini memungkinkan anda untuk menampilkan aliran secara interaktif dengan memulai titik aliran di atas data elevasi yang dikoreksi (Sink Filled). Gunakan: Geoprocessing>Terrain Analysis>Hydrology>Flow Accumulation>Downslope Area (Interactive)
Pilih grid Downslope Area yang dihasilkan. Pada tab pengaturan set maximum tidak ada nilai data ke 0. Ini akan membuat background transparan sehingga Anda bisa melihat akumulasi aliran di atas elevasi yang ditampilkan.
Buka grid ‘Flow Accumulation’ ke dalam map window untuk menampilkannya diatas data grid elevasi
103
Gunakan pointer ‘tanda panah’ untuk melihat prediksi aliran
Coba tampilkan ke dalam 3D
104
10. Contoh Penggunaan SAGA GIS Bagian ini berisi tutorial contoh penerapan praktis yang menggunakan teknik dan data yang dijelaskan pada bagian sebelumnya: (1) Pemetaan kebakaran, (2) Pemetaan perubahan tutupan hutan dan (3) Pemetaan arus aliran potensial logam berat beracun. Pemetaan Kebakaran Liar Kebakaran liar umum terjadi di berbagai lanskap dan merupakan ancaman serius bagi kehidupan, properti, sumber daya alam dan keanekaragaman hayati. Contoh di bagian ini adalah dari savana tropis di Australia utara dimana kita menggunakan teknik segmentasi citra berbasis objek untuk memetakan area kebakaran padang rumput savana dengan cepat. Pemetaan Perubahan Tutupan Hutan Citra Landsat menyediakan kumpulan data untuk menilai perubahan lingkungan dari waktu ke waktu dan telah menjadi kumpulan data utama untuk Land Use and Land cover change (LULCC). Contoh di bagian ini menyelidiki tingkat kehilangan hutan di Sulawesi Tenggara (Indonesia) dengan menggunakan citra Landsat yang baru dan citra diwaktu lampau. Pemetaan Potensi Aliran Dampak Logam Berat Menggabungkan data tutupan lahan yang berasal dari citra satelit dengan data elevasi untuk pemodelan hidrologi kita dapat menyelidiki dampak tambang terhadap aliran air dalam tangkapan air 10.1
Object-Based Image Analysis pada SAGA untuk Pemetaan Kebakaran
Pemandangan Savannas terjadi di iklim monsunal dengan musim hujan yang sedikit dan musim kering yang panjang di seluruh dunia. Fluks kering - basah ini mendorong pertumbuhan rumput yang cepat diikuti dengan periode penyembuhan yang panjang sehingga menghasilkan lanskap yang paling rawan kebakaran di dunia. Di bagian utara Australia, rata-rata 19% dari 1,9 juta km2 savana tropis terbakar setiap tahunnya. Pemandangan Savanna ini telah berevolusi selama setidaknya 50000 tahun terakhir melalui penggunaan api yang strategis oleh orangorang Aborigin. Selama lima belas tahun terakhir telah terjadi peningkatan upaya untuk memperbaiki manajemen kebakaran yang didukung oleh informasi satelit untuk membantu memandu program strategis manajemen kebakaran. Latihan ini menggunakan citra Landsat dari daerah savana di Northern Australia untuk menggambarkan proses pemetaan area yang terbakar untuk member informasi mengenai perencanaan dan analisis operasi.
105
Area yang terbakar biasanya muncul sangat baik dengan menggunakan kombinasi display termasuk Landsat 8 band 10. Band 10 adalah band pendeteksi panas thermal. Karena daerah yang terbakar sering berwarna hitam karena biomassa hangus menyerap dan memancarkan banyak energi panas sehingga respon yang baik di Band 10. SAGA dapat digunakan untuk memetakan daerah dengan cepat dan mudah dari citra Landsat menggunakan proses Analisis Citra Berbasis Objek. Data pada bagian ini disini: Australia Fire mapping - Landsat 8 Clipped (64mb)
Video pemetaan kebakaran disini: sagatutorials.wordpress.com/mapping-fires-from-satellite-imagery/
SAGA bekerja melakukan analisis objek tergantung dengan RAM. Kumpulan data yang sangat besar, seperti keseluruhan scene Landsat membutuhkan kapasitas RAM yang tinggi dalam pemrosesan. Metode yang ditunjukkan disini memungkinkan dilakukannya penilaian area dengan cepat untuk daerah yang lebih kecil untuk pemetaan kejadian kebakaran atau daerah pengelolaan tertentu. Untuk latihan ini, Citra yang digunakan hanya mencakup band 4,5 dan 10. Impor band ini menggunakan tools ‘Landsat Import with Option’ menggunakan band 10 untuk warna merah. Anda akan melihat bahwa gambar telah dipotong untuk membuat file yang lebih kecil untuk diunduh namun untuk latihan ini Anda perlu memotong gambar ini lagi ke satu area besar yang terbakar untuk pemetaan seperti yang ditunjukkan di sebelah kanan.Lakukan langkah berikut Gunakan : Geoprocessing>Grids>Grid System > Clip Grids interactive Setelah Anda memotong grid, layer baru akan muncul. Lihatlah jumlah nilai piksel untuk menentukan grid baru dengan ukuran yang lebih kecil. Gambar asli akan memiliki lebih dari 7000 piksel dengan lebar dan tinggi; Gambar baru yang telah dipotong akan lebih kecil dari ini.
Setelah Anda memotong grid yang diperlukan selanjutnya 'mematikan' tool Clip Grid (Interactive) dengan menghapus tanda centang pada menu geoprocessing.
106
tampilkan grid band 10 pada tab map.lalu buat tipe RGB Composite, >Blue untuk Band 4, and >Green untuk Band 5; pilih apply.
Sekarang anda bisa memulai proses segmentasi : Gunakan: Geoprocessing > Imagery > Segmentation > OBIA>Object Based Image analysis
107
Pada kotak dialog: 1. Pilih semua grid yang telah dipotong (clip) sebelumnya. 2. ‘Band width for Seed Point Generation’: Untuk meningkatkan ukuran poligon dan mengurangi jumlah poligon yang dihasilkan. Pada contoh ini kita telah meningkatkan nilai band width menjadi 8 dari nilai default 3 untuk mengurangi jumlah poligon yang dihasilkan. 3. Pilih unsupervised classification pada post-processing method. 4. Pilih number of different classes for the polygons. 5. Hapus centang ‘Split Clusters’. Ini akan memungkinkan kita untuk dengan cepat memilih semua poligon saat memilih kelas yang sama. Setelah klasifikasi selesai,tampilkan layer dissolved polygon pada citra landsat dan ganti fill style menjadi transparent
Sehingga akan terlihat seperti gambar disamping:
Gunakan pointer untuk memilih polygon didalam area yang terbakar. Seperti yang ditunjukkan pada gambar di samping
Sekarang, copy polygon yang terpilih ke dalam layer shape yang baru . Gunakan: Geoprocessing> Shapes > Selection > Copy selection to new shapes layer
108
Sekarang anda hanya memiliki shape file yang baru seperti yang ditunjukkan pada gambar di samping.
Untuk membersihkan hasil klasifikasi berbasi objek kita dapat mengedit (Menghapus) poligon individu tetapi sebelum itu kita perlu memisahkan seluruh polygon tersebut Gunakan: Geoprocessing>Shapes> Polygons> Polygon Parts to separate Polygons
Sekarang tampilkan layer 'selection parts' yang baru di atas citra satelit. Matikan lapisan segmen lama di tampilan peta dengan mengklik 2 kali. Sekarang dengan menggunakan alat pointer anda dapat memilih dan menghapus poligon individual yang tidak dipetakan dengan benar.
Setelah selesai menghapus polygon yang tidak termasuk area yang terbakar lakukan “Merge Selection.” Ini akan membuat seluruh polygon tergabung dalam kelas yang sama dalam satu poligon:
109
Anda sekarang dapat menghitung area yang dibakar dengan cara yang sama seperti yang kita lakukan untuk contoh Sentinel sebelumnya di bagian 8.1
110
10.2 Pemetaan Perubahan Tutupan Hutan dengan tehnik Image Differencing Selama beberapa tahun terakhir, kehancuran hutan tropis dunia telah menjadi isu internasional yang mendesak, terutama yang berkaitan dengan peran mereka sebagai penyerap dan penyimpanan karbon utama. Data satelit tentang tutupan lahan dan penggunaan lahan telah menjadi sumber informasi dasar yang dapat diterima untuk menilai keadaan hutan tropis. Contoh ini menggunakan teknik perbedaan gambar untuk menyoroti perubahan di antara tanggal citra. Dalam kasus ini, kita melihat perubahan tutupan hutan di Sulawesi Tenggara.
Tahap ini menggunakan data Landsat untuk wilayah Sulawesi tahun 1996 dan2015. Anda dapat mendownloadnya disini (219mb). Hanya 3 band data landsat yang disediakan untuk mengurangi kapasitas download Video tutorial pemetaan perubahan tutupan hutan disini: sagatutorials.wordpress.com/land-cover-change-image-differencing/
Langkah langkahnya adalah sebagai berikut: 1. Konversi citra Landsat 8 dari 16bit menjadi 8bit sehingga data sama dengan citra Landsat 5 2. Substraksi citra tahun 1996 dari citra 2015 menggunakan Grid Calculator. 3. lakukan unsupervised classification on the differenced bands. 4. Klasifikasi ulang aggregate kelas perubahan tutupan hutan 5. Konversi grid Perubahan tutupan hutan ke bentuk polygons. 6. Edit polygon perubahan tutupan dengan cara menghapus area yang salah diklasifikasi dan selanjutnya hitung luas area
Persiapkan Data Landsat 5 dan Landsat 8 Catatan : Langkah ini sama dengan langkah menampilkan data Landsat yang telah dibahas pada bagian sebelumnya (bagian 6.4.) Load data Landsat untuk wilayah Sulawesi Tenggara. Buka data Landsat 8 (2015). Gunakan: Geoprocessing> Imagery> Landsat> Import Landsat With Options. Untuk Landsat 5 (1996) import band 2,5,6. Untuk Landsat 8 (2015) import band 3,6,7.
111
Sekarang kita perlu memotong (clip) data landsat ke dareah yang ingin di petakan. Untuk contoh ini kita memotong citra pada area kotak yang berwarna merah pada gambar di bawah. Area tersebut merupakan area yang secara signifikan mengalami perubahan tutupan hutan. Zoom ke Area Of Interest (AOI). Untuk memotong (clip) Gunakan: Geoprocessing > Grid > Grid System > Clip Grid Interactive Gunakan Landsat 8 2015 untuk input grid. Gunakan pointer tool untuk membuat kotak pada area of interest yang akan di Clip Grids.
Sekarang kita perlu data tahun 1996 untuk area yang sama pada grid system yang sama pula. Caranya adalah
Gunakan: Geoprocessing > Grids > Clip Grids. Input 3 bands citra Landsat 1996. Untuk extent pilih ‘grid system’. Pada grid system pilih area yang telah di clip sebelumnya dengan menggunakan Clip Grid Interactive pada Landsat 8 data. Seperti yang ditunjukkan pada kotak dialog di bawah ini.
Hasilnya adalah sebuah grid system dengan seluruh band untuk tahun 1996 dan 2015:
112
Tampilkan kedua citra dari tahun yang berbeda tersebut. Gunakan RGB composite untuk melihat perubahan tutupan hutan.
Konversi Landsat 8 menjadi 8 bit Karena kita bekerja diantara Landsat 5 danLandsat 8 kita perlu mengkonversi citra Landsat yang tersimpan dalam data 32 bit karena citra lainnya tersimpan dalam format 8bit . Untuk melakukan konversi ikuti langkah berikut Gunakan : Geoprocessing > Grid > Calculus > Grid Calculator. Untuk setiap citra tahun 2015 (Landsat 8) gunakan formula g1/256. Beri nama hasil konversi yang mudah dipahami. Pada latihan ini kita beri nama 8bit band 7.
Gambar yang dihasilkan akan sama dengan band 8bit. Setiap band (3,5,7) perlu dikonversi satu per satu.
113
Setelah anda mengubah semua band (seperti gambar di samping), kita dapat melaukan substraksi pada klasifikasi dengan tehnik image difference pada tahap selanjutnya.
Perlu dicatat bahwa setiap citra berada dalam Grid System yang sama untuk dapat melakukan klasifikasi dengan tehnik image differencing. Contoh yang ditunjukkan di sini didasarkan pada penggunaan citra yang sudah terpotong ke area yang sama dengan grid sistem seperti yang ditunjukkan pada contoh perubahan tutupan lahan sebelumnya.
Image Difference Kita akan substraksi data landsat (8bit) tahun 2015 dari citra tahun 1996. Karena perbedaan satelit landsat memiliki perbedaan nomor band karena pada band yang memiliki nilai spectral yang sama tetapi memiliki nomor band yang berbed. Sebagai contoh: 8bit band 3 = band 2 Landsat 1996 8bit band 7 = band 7 Landsat 1996 8bit band 6 = band 5 Landsat 1996 Untuk membuat image difference: Gunakan:Geoprocessing>Grid > Calculus > Grid Calculator Gunakan formula (g1 – g2) + 128 seperti yang ditunjukkan gambar di bawah.
Lakukan image difference untuk setiap band pada kedua citra landsat tersebut (1996 dan 2015). Sebagai cantoh hasil dari substraksi band 3 kita namakan diff band 3. Ingat untuk mengganti output grid yang hendak dibuat pilih “Create” setelah setiap proses substraksi selesai
Ketika selesai, anda sekarang memiliki 3 band difference seperti yang ditunjukkan disamping
114
Sekarang tampilkan difference image ke dalam RGB composite: Diff and 7 = red, diff band 6 = green and diff band 3 = blue. Tampilkan difference image di atas citra asli untuk mengetahui arti perbedaan warna difference image. Dalam hal ini kita melihat gambar yang serupa dengan yang ditunjukkan di bawah di mana daerah yang lebih cerah adalah hutan dengan tutupan hutan yang berkurang.
Cluster Analysis Sekarang kita bias memulai unsupervised classification pada grid image difference untuk menentukan perubahan yang terjadi. Gunakan :Geoprocessing > Imagery > Classification > Unsupervised > K-Means ClusteringAnalysis For Grids
.
115
Pada latihan ini, coba buat klasifikasi ke dalam 5 cluster. Gambar di samping merupakan hasil klasifikasi kita
Dengan membandingkan 2 citra asli (1996, 2015) kita dapat menetapkan kelas yang menunjukkan kehilangan hutan. Dalam kelas ini adalah kelas 4 - 5. Untuk membantu mengidentifikasi kelas gunakan pointer untuk memilih area yang diklasifikasi dan buka table atribut data tersebut.
Anda akan melihat nomor yang mewakili nilai kelas didalam area yang anda pilih. Sebagai contoh di samping menunjukkan perbedaan tutupan hutan adalah kelas 4 dan 5. Catatan untuk proses ini anda perlu mengoreksi gambar (grid hasil analsis)
116
Reclassification Now reclassify the grids so that bands 4-5, the forest cover change classes, become 1 and all other classes become 0. Sekarang klasifikasi ulang grid untuk band 4 dan 5, jadi perubahan kelas tutupan hutan menjadi 1 dan yang lainnya adalah 0 Use: Geoprocessing>Grid>Values>Reclassify Gunakan metode“Simple Table” operator ; “min<=value <=max” Buka the lookup table
Anda perlu mengedit lookup table untuk menambahkan sebanyak mungkin baris yang anda miliki pada contoh ini kita menambahkan 5 kelas. Tetapkan nilai minimum dan maksimum 1-5 dan masukkan nilai 1 pada output field ‘new’ untuk kelas hutan
117
Setelah menjalankan proses reklasifikasi sekarang kita bias melihat nilai histogram Klik kanan pada layer reclassification grid dan pilih histogram dan table area.
Vectorising kelas grid Selanjutnya kita akan konversi hasil klasifikasi menjadi polygon agar dapat menghitung totoal luasan area deforestasi hutan. Gunakan Geoprocessing>Shapes > Grid > Vectorization >Vectorising Grid Classes.
118
Tampilkan poligon klasifikasi yang dihasilkan di atas citra 1996 dan atur tampilan poligon menjadi transparan. Dengan menggunakan alat pointer, kita bias secara manual mengedit klasifikasi poligon untuk menghapus area yang tidak termasuk dalam klasifikasi perubahan tutupan hutan.
Klik kanan pada layer poligon dan pilih atribut untuk melihat tabel atribut.
Anda akan melihat saat ini ada entri untuk beberapa poligon. Kita ingin menggabungkan ini menjadi satu poligon sehingga kita bisa menghitung areanya.
119
Untuk menggabungkan semua polygon, gunakan pointer (ikon panah hitam) untuk memilih semua polygon, klik kanan dan pilih “Merge Selection”
Tampilkan table attribute sekali lagi. Sekarang kita hanya memiliki sebuah polygon saja.
Untuk menghitung luasan polygon ini: Gunakan:Geoprocessing>Shapes> Polygons>Polygon Properties. pilih cluster reklasifikasi sebagai input polygon ceklis pilihan Area.
Sekarang kita bisa melihat luasan area pada layer polygon pada table atribut.
Penilaian penilaian penutupan lahan juga bisa dilakukan dengan mengklasifikasi Citra ke kelas tutupan lahan untuk setiap tanggal gambar (tahun) seperti yang ditunjukkan Di bagian 8. Teknik ini memungkinkan dilakukannya penilaian perubahan yang lebih canggih antara jenis tutupan lahan. Hal ini dijelaskan lebih rinci pada section 8.2-8.3
120
10.3 Menampilkan Aliran Sedimen dari Survey Lapangan Pertambangan Skala Kecil di Timor Barat Kita akan memulai tutorial ini dengan menggunakan data dari Timor Barat di Indonesia. Data dan aplikasi akan menunjukkan dampak penambangan mangan skala kecil (artisanal) pada satu daerah tangkapan air (DAS) (https://asm4d.wordpress.com/). Pertambangan skala kecil atau Artisanal and small scale mining (ASM) melibatkan hingga 30 juta orang di seluruh dunia yang berkontribusi 15-20% dari produksi mineral dan logam global. Bentuk pertambangan ini umumnya didefinisikan sebagai kegiatan masyarakat dengan sedikit modal yang dikeluarkan dan tanpa pengakuan formal, dengan fokus pada deposit yang kecil. Jumlah orang yang terlibat dalam ASM telah meningkat secara substansial selama sepuluh tahun terakhir karena harga mineral dunia telah meningkat. Meskipun pertambangan skala kecil ini sering dipandang negatif oleh pemerintah dan badan internasional karena potensi dampak lingkungan dan kesehatan yang merugikan. Namun penambangan rakyat dan pertambangan kecil memberi orang-orang miskin akses langsung ke kekayaan mineral dari tanah mereka, memberikan penghidupan yang beragam dan secara positif mengembangkan ketahanan masyarakat.
Bagian ini menggunakan data elevasi di west Timor:West_Timor_(SRTM_80m)
Contoh aplikasi penerapan SAGA yang dijelaskan di sini membayangkan bahwa data titik lokasi lokasi penambangan telah dikumpulkan di lapangan dengan menggunakan GPS dan lokasi koordinat telah diinput ke excel. Data ini kemudian digunakan untuk melihat jalur aliran sedimen potensial dari titik penambangan ini. Proses yang dijelaskan di sini melibatkan langkah-langkah berikut 1. 2. 3. 4. 5.
Import data lapangan (.csv format) ke dalam SAGA Konversi point data (.shp) Tambahkan potensi erosi (nilai LS Faktor) dari grid ke point Konversi point ke grid Gunakan grid ini untuk melihat model aliran
Import data lapangan (CSV file) ke dalam SAGA file CSV termasuk data elevasi west Timor dapat di download. Load data CSV dengan cara dragging dan dropping ke dalam SAGA (seperti yang ditunjukkan section 7.7). Sekarang konversi data table menjadi point data: Gunakan : Shapes>Conversion>Convert table to points Pilih layer table sebagai tabel yang akan dikonversi. Pilih sumbu x sebagai Easting (atau Latitude) and sumbu Y sebagai values Northing (atau Longitude).
121
Intersecting Raster dan data point Hal ini dimungkinkan untuk menambahkan nilai dari terrain analisis ke data titik tambang kita dan memungkinkan kita untuk menggunakan parameter parameter terrain analisis tersebut untuk analisis resiko. Untuk contoh ini, kita akan menambahkan faktor Long Slope (LS) atau LS Factor sebagai nilai untuk ditambahkan ke data poin kita Seperti yang dijelaskan pada bagian 9.2 . LS Factor adalah salah satu ukuran utama potensial erosi. Kita akan menggunakan nilai faktor LS untuk menentukan berat sedimen dari masing-masing titik. Gunakan basic terrain analysis (Bagian 9.2) untuk membuat grid faktor LS. Setelah itu tambahkan nilai faktor LS ke point data: Gunakan:Geoprocessing>>Shapes>>Grid>>Grid Values>Add Grid Values toPoints. The module window will then ask for: Pada input shapes pilih data lapangan (point data) Pilih [create] untuk membuat layer point yang baru. Grid yang nilainya akan dipindahkan. Pada contoh ini kita menggunakan grid LS Factor. Gunakan metode interpolasi “NearestNeighbour”
Untuk melihat table attribute klik kanan pada layer point yang baru dan pilih attribute dan show
Sekarang kita memiliki kolom baru pada table atribut yang menunjukkan nilai LS factor pada setiap titik data lapangan
122
3.5 Visualisasi Aliran Sedimen Sekarang kita akan menggunakan data point untuk memvisualisasikan aliran sedimen pada DAS. Untuk melakukan ini pertama tama perlu merubah point data (shp.) ke grid data Gunakan : Geoprocessing>Grid>Gridding>Shapes to Grid Pilih Random Points sebagai grid input dengan nilai LS factor sebagai atributnya.
Anda akan mempunyai sebuah grid baru (random points (LS Factor)). Untuk membuat aliran sediment dari data point grid ini: Gunakan : Geoprocessing >Terrain Analysis > Hydrology>Flow Accumulation>Flow Accumulation (Top Down) Pilih grid elevation menjadi grid sink filled (no sinks) dan weights masukkan grdi randompoints LS factor grid.
123
Anda akan melihat hasil grid seperti gambar disamping : Atur No Data maximum value to 0 pada tab settings sehingga memungkinkan anda melihat data aliran sedimen.
Anda juga dapat melihat dalam tampilan 3D:
124
10.4 Analisis Potensi Pencemaran Aliran Sungai Akibat Logam Berat berbasis Citra Satelit di wilayah Pertambangan Skala Kecil di Sulawesi Tenggara Penambangan emas rakyat di Kabupaten Bombana, Sulawesi Tenggara dimulai dengan ‘demam’ emas di sekitar sungai Tahi Ite pada akhir tahun 2008. Dari bulan September 2008 sampai April 2009, catatan resmi menunjukkan bahwa lebih dari 63.000 orang membanjiri kabupaten tersebut dari daerah-daerah tetangga dan di luar provinsi Sulawesi Tenggara. Tanpa pengawasan yang berarti dari pemerintah, kegiatan mendulang emas dengan cepat mengarah pada berbagai dampak sosial dan lingkungan yang tak terduga dan merugikan. Kerusakan lingkungan telah meluas dengan meningkatnya erosi dan sedimentasi sungai dari tepi sungai dan pertambangan aluvial, konversi lahan hutan dan secara riil mengurangi arus sungai di bagian hilir dan kualitas air. Kejadian ini membuat kegiatan masyarakat dalam ASM kurang terorganisir, upaya pemerintah berfokus untuk menerbitkan izin pertambangan ke perusahaan swasta dan membatasi kegiatan ASM . Untuk latihan ini, kita akan mengklasifikasi wilayah pertambangan skala kecil di Sulawesi Tenggara dengan menggunakan teknik segmentasi berbasis objek (Object-Based Image analysis). Kita akan menggunakan klasifikasi ini untuk melakukan analisis hidrologi tentang potensial aliran logam berat melalui landscape dengan menggunakan alat pemodelan hidrologi. Keempat langkah berikut akan digunakan dalam latihan ini: 1. 2. 3. 4.
Import landsat dan klasifikasi area pertambangan Klasifikasi area pertambangan dengan menggunakan teknik segmentasi OBIA Load data Digital Elevation dan buat grid Fill sinks Jalankan Flow tracing analysis mengidentifikasi dampak aliran di dalam Catchment dan diluar catchment
Tahap ini menggunakan : Landsat data dari Sulawesi tahun 2015. (219mb)
Download video tutorial disini: https://sagatutorials.wordpress.com/mapping-mines-site-sediment-flows/ Import citra landsat Pada latihan ini kita akan membuat peta area pertambangan emas di Bombana menggunakan citra pada 18 October 2015. Load band 3,6,7dan zoom ke area pertambangan emas di bombana.
125
Gunakan: Geoprocessing > Imagery > Landsat Import With options
Zoom ke area pertambangan. Selanjutnya pada tab map klik kanan pada grid dan pilih Adjust Histogram to map extent seperti ditunjukkan gambar di samping.
Area pertambangan ditampilkan lebih jelas dengan warna biru. Ini merupakan respon pantulan dari air yang berlumpur
Clip citra landsat ke area yang diinginkan (area of interest) Perhatikan dengan seksama gambar yang menunjukan area pertambangan. Sekarang kita akan memotong citra khusus untuk area tambang saja.
Gunakan :Geoprocessing>Tools>Grid>Grid System>Clip Grid Interactive
Pilih grid system dan masukkan ketiga grid yang akan di clip
126
Sekarang gunakan kursor untuk membuat kotak pada area tambang yang akan di clip Selanjutnya muncul kotak dialog yang akan mengkonfirmasi anda untuk memotong (clip) anda bisa memilih cancel jika area yang anda pilih salah.
Ketika selesai memotong gambar maka akan ditampilkan sebuah grid system baru pada data tab: Anda bisa lihat bahwa data (hasil cli) memiliki luasan yang lebih kecil disbanding citra landsat sebelumnya.
Klik kanan pada data yang memiliki luasan besar tersebut kemudian close. Kita tidak perlu bekerja dengan data yang lebih besar tadi, karena focus kita hanya pada area tambang saja
Tampilkan kembali hasil clipped dalam RGB composite. Klik 2x pada layer band 7 untuk menampilkan dalam workspace.kemudian pada tab properties pilih RGB composite pada display type . Pilih Blue = Band 3 dan Green = band 6 then click apply.
127
Run Object Based Image Analysis (Segmentation) Use: Geoprocessing > Imagery > Segmentation > OBIA>Object Based Image analysis 1) Pilih ketiga band yang telah di clip 2) Atur band width for seed generation menjadi 2.. 3) Pilih unsupervised classification dan isi 50 classes untuk jumlah kelas 4) jangan ceklis Split clusters. Ini berarti kita memilih banyak polygon dengan kelas yang sama Sebuah shapes baru dengan nama “segments” data akan muncul pada tab data. Double click untuk menampilkan di atas citra landsat
Ubah fill style menjadi transparent pada tab setting sehingga anda bisa melihat poligon yang berada pada area tambang
128
Sekarang gunakan pointer untuk memilih polygon yang termasuk dalam area tambang. Tekan tombol ctrl kemudian mulailah memilih polygon Pilih kelas poligon yang cukup untuk sebagian besar polygon pada area tambang seperti yang ditunjukkan di sini. Setelah itu kita perlu menyalin semua area yang terpilih ke dalam layer baru.
Gunakan : Geoprocessing>Shapes > Selection > Copy selection to new shapes layer
Edit Area Tambang yang terpilih Untuk membersihkan hasil klasifikasi kita perlu memisahkan kembali setiap poligon agar dapat menghapus beberapa poligon yang salah (bukan termasuk area tambang) Gunakan: Geoprocessing>Shapes > Polygons> Polygon Parts to separate Polygons
Sekarang tampilkan layer baru ‘selection Parts’ di atas citra landsat. Hapus kembali layer selection sebelumnya:
129
Tampilkan kembali ‘Selection parts’ dengan menggunakan style Transparent sehingga memungkinkan kita melihat dan menghapus poligon yang salah.
Setelah selesai membersihkan klasifikasi untuk area pertambangan, pilih semua poligon dan klik kanan lalu pilih Merge Selection untuk menggabungkan semua poligon menjadi satu. Lihat gambar di bawah
130
Ketika selesai, klik kanan pada layer polygon pada tab data periksa attribute data poligon tersebut, isikan dengan angka 1.
Pastikan setiap cluster memiliki nilai yang sama (1) karena kita akan menggunakan field ini sebagai nilai untuk mengukur aliran sedimen.
Analisis Aliran Sedimen
Load data DEM Bombana. Kita akan menggunakan grid ini ketika kita mengkonversi segment (area tambang) yang telah diklasifikasi menjadi data raster .
Convert cleaned up classification to raster data Gunakan: Geoprocessing> Grid>Gridding>Shapes to Grid 1) Pilih cluster sebagai nilai attribute yang akan digunakan oleh grid cells. 2) Pilih grid or grid system sebagai target output grid system untuk grid yang baru.
131
Tampilkan grid area tambang (data raster) diatas data DEM Bombana seperti gambar di samping
Preprocess the DEM Sebelum kita melakukan flow analysis kita perlu untuk membuat analsisi fill sinks. Ingat untuk menghasilkan grid sink filled menggunakan elevation data; Geoprocessing>Terrain Analysis>Preprocessing>Fill Sinks (Wang Liu). Masukkan input elevasi untuk wilayah Bombana
Coba lihat hasilnya. Sebuah grid untuk melihat batas catchment. Dapatkan anda menggunakan ini untuk memprediksi dimana sediment dari hasil tambang akan mengalir?
132
Jalankan flow path tracing Gunakan: Geoprocessing > Terrain analysis > Hydrology > Flow accumulation > Flow tracing
[Sekarang coba mengganti metode untuk flow accumulation yang anda gunakan untuk melihat perbedaan terhadap hasil analisisnya] Klik 2x pada grid Flow Accumulation untuk menampilkan hasilnya pada workspace. Untuk melihat aliran sedimen diatas data elevasi anda perlu mengaturnya di Setting Tab dan masukkan nilai 0 pada No Data Maximum untuk membuat nilai 0 menjadi transparan.
Coba tampilkan aliran sedimen ke dalam 3D seperti yang ditunjukkan gambar di bawah
133
11. Konsep Tingkat Lanjut Trav
Bagian ini mencakup: Tool Chains SAGA Tool Chains memungkinkan beberapa modul digabungkan bersama untuk mengotomatisasi dan mempercepat urutan pemrosesan yang kompleks. Travel time analysis: Menjelaskan tools pada SAGA-GIS yang menyederhanakan dengan proses yang otomatis beberapa langkah yang diperlukan untuk melakukan analisis waktu perjalanan berbasis data raster. Alat ini juga memungkinkan tingkat interaktif dan adaptasi yang mendukung analisa cepat beberapa skenario waktu tempuh dengan mengubah variabel secara kontinyu, seperti kecepatan perjalanan dan juga menambahkan faktor lain seperti hambatan, jalan baru atau penyediaan layanan. Error Matrix Error atau confusion Matrix adalah teknik untuk membandingkan perubahan di antara dua kumpulan data raster (grid) Atmospheric correction Nilai reflektansi citra dapat dikonversi ke Top Of Atmosphere (TOA) (kombinasi antara pantulan permukaan dan atmosfer) untuk mengurangi variabilitas antar scene dari tanggal yang berbeda melalui normalisasi radiasi matahari.
134
11.1 Tool Chains SAGA Tool Chains memungkinkan beberapa modul digabungkan bersama untuk mengotomatisasi dan mempercepat urutan pemrosesan yang kompleks. Tool chains serupa dengan pembuat model ARC-Map namun bukan dikerjakan pada interface SAGA tetapi menggunakan file xml yang digabungkan dengan beberapa modul analsis. Cara termudah untuk mulai membuat tool chains adalah dengan mengekspor file yang memproses riwayat analsisi kita pada SAGA sebagai file xml lalu mengeditnya di Notepad ++ (https://notepadplus-plus.org/download/). Prosesnya cukup mudah dan saat anda memahami struktur tool chains, anda akan merasa sangat berguna. Tim SAGA telah menciptakan sejumlah Tools Chain yang dapat anda selidiki untuk mendapatkan ide tentang bagaimana cara kerja tools tersebut. Anda akan menemukannya di folder '\ modules\toolchains' dari instalasi SAGA Anda. Bagian berikut menjelaskan dua Tol chains yang dikembangkan untuk membantu aplikasi analisis jarak dan biaya untuk memodelkan waktu perjalanan ke layanan. Anda dapat menemukan tutorial video singkat yang menunjukkan pembuatan tools chains sederhana untuk memproses data ketinggian di https://sagatutorials.wordpress.com/toolchains/. Contohnya menghasilkan file poligon daerah tangkapan air dan grid risiko erosi yang tinggi berdasarkan analisis Faktor LS.
135
11.2 Travel time analysis Pemodelan Travel time untuk layanan telah menjadi alat umum untuk infrastruktur yang membantu penyediaan layanan masyarakat yang lebih baik. Namun sebagian besar alat pemodelan travel time yang tersedia saat ini adalah perangkat lunak GIS yang mahal dan kompleks, yang membatasi aplikasi desentralisasi. Meningkatkan akurasi dan relevansi analisis waktu perjalanan memerlukan aksesibilitas yang lebih besar, dan fleksibilitas, alat pemodelan travel time untuk memfasilitasi penggabungan pengetahuan lokal dan eksplorasi cepat beberapa skenario perjalanan. Tool yang dijelaskan di bagian ini dikembangkan untuk mendukung alat pemodelan waktu kerja open source, mudah disesuaikan, interaktif, memungkinkan akses dan partisipasi yang lebih besar dalam analisis akses layanan. Bagian ini menjelaskan tool yang dikembangkan untuk perangkat lunak SAGA-GIS yang mengotomatisasi dan menyederhanakan beberapa proses yang diperlukan untuk melakukan analisis travel time berbasis data raster. Tool yang dideskripsikan telah dikembangkan sebagai tool chains SAGA GIS. Seperti yang dijelaskan pada bagian sebelumnya, tool chains menghubungkan beberapa proses SAGA ke dalam satu tool dengan menggunakan kode skrip sederhana dengan xml. Dua tools yang dihasilkan adalah (1) untuk pembuatan grid tutupan lahan dan (2) perhitungan waktu tempuh (travel time), yang kedua membutuhkan hasil dari output yang pertama. Memisahkan dua tools memungkinkan eksekusi yang lebih sederhana dan lebih cepat untuk menguji banyak skenario dengan tools pembuatan Grid travel time tanpa harus menghitung ulang grid landcover setiap iterasi analisis. Bagan alir langkah pemrosesan dan hubungan antara kedua rantai alat disajika di akhir bagian ini. Untuk tahap ini anda dapat mendownload data pada : Travel time analysis - Example-Data (4.2mb)
Data yang disediakan untuk bagian ini mencakup grid vegetasi, grid elevasi, vektor jalan, titik tujuan dan tabel reklasifikasi. Membuat Land Cover grid The Land Cover grid creation tool merupakan kombinasi vegetasi, jalan, dan data elevasi yang berupa grid raster untuk tutupan lahan termasuk sungai dan alirannya. land cover grid digunakan sebagai dasar perhitungan waktu tempuh (travel time) dengan masing-masing jenis tutupan lahan dialokasikan dengan nilai kecepatan perjalanan yang potensial. Pada contoh yang ditunjukkan di sini data vegetasi dan jalan telah diproses sebagai berikut:
Data vegetasi dihasilkan dari citra Landsat 8 dan diklasifikasi ke dalam 4 kelas; hutan, semak belukar, padang rumput, tanah tandus. Data ini dihasilkan dari dengan ukuran 50 meter grid dan menjadi dasar grid system untuk resampling grdi yang lain Data jalan diperoleh sebagai data vektor dengan tiga kelas berdasarkan kualitas infrastruktur; Jalan nasional kelas 1, kelas 2 jalan provinsi dan kelas 3.
Data elevasi berasal dari data SRTM dan digunakan untuk membuat data saluran air. Data saluran air dibuat di dalam tool chains pembuatan grid land cover dalam bentuk layer raster Strahler order. Strahler order adalah ukuran akumulasi aliran dalam lansekap dan dalam perhitungan waktu tempuh digunakan untuk membuat model penghalang untuk melakukan perjalanan berdasarkan skenario musiman yang berbeda.
136
Lima kelas Strahler diproduksi melalui analisis grid dengan kelas tertinggi yang kemungkinan tidak dapat dilalui sepanjang tahun. Gunakan : Geoprocessing >Grid>Analysis>Travel Time Analysis>Land Cover scenario offset Untuk input pembuatan grid Land Cover grid dapat dilihat pada kotak dialog di bawah: 1. Timor_Barat_80m (DEM) 2. Veg (Vegetation) 3. Jalan (roads), Pilih class sebagai atribute
Output grid, yang ditunjukkan di samping, berwarna acak. Ini membantu untuk menafsirkan output jika warnanya diatur kembali dengan menggunakan skema warna yang lebih intuitif.
Klik kanan pada LC grid dan pilih Create Lookup Table. Pilih “unique values” sebagai “classification Type”. Klik apply pada tab Object Properties pilih Lookup Table sebagai the colour Type
137
Ganti warna pada lookup table agar lebih memudahkan untuk menerjemahkan tutupan lahan seperti contoh di samping
Pembuatan Grid Travel Time Pembuatan Travel Time Grid untuk menentukan waktu perjalanan ke lokasi tujuan dalam hitungan menit dan data ini direklasifikasi sebagai zona waktu tempuh atau zona daerah terpencil. Tool pembuatan Grid travel time memerlukan input grid land cover, titik tujuan (data vektor), dan dua tabel reklasifikasi. Data titik tujuan menggunakan data vektor. Data ini dapat diedit atau dipindahkan atau bahkan menambahkan titik baru setelah semua proses dijalankan untuk melihat scenario perubahan yang terjadi. Tabel reklasifikasi pertama (lihat table 1) merupakan nilai kecepatan perjalanan travel speed untuk setiap kelas tutupan lahan yang dihitung dalam satuan detik .Untuk melakukan perjalanan melintasi satu sel grid menggunakan rumus [Km/h x 180] dimana 180 detik waktu yang diperlukan untuk berjalan 50 meters dalam 1 km/h.Untuk kelas aliran air (8-12) yaitu sangat tinggi (>99999) diberikan untuk kelas yang tidak bisa dilewati (penghalang) karena terjadi banjir. Nilai travel time dapat diubah setelah setiap putaran model menghasilkan skenario output baru berdasarkan kondisi perjalanan yang berbeda Tabel kedua merupakan look up table (LUT) yang berfungsi mewarnai ulang output grid ke dalam travel zones. ( table 2). Ini adalah opsional.
138
Table 1. ID
Cover Class
km/h Travel Time (Sec)
1 Forest 2 Grass
1 2
180 90
3 Bare, Rocky
3
60
0.75
240
101 Stream Class 1
2
90
102 Stream Class 2
2
90
103 Stream Class 3
2
90
104 Stream Class 4
2
90
105 Stream Class 5
0
99999
201 National Road/Hi-way
50
3
202 Provincial Road 203 Local Road/Track
25 10
7 18
4 Scrub
Table 2.
Pembuatan grid Travel Time membutuhkan input seperti ditunjukkan pada gambar di samping. 1. Land Cover Grid yang telah dibuat pada tahap sebelumnya (Land cover grid creation) 2. Destpoints (Destination point/titik yang dituju) 3. LC_Speed (Table 1) 4. TT_Zones (Table 2)
139
Output satu adalah gambar skenarion travel time yang menunjukkan jarak ke titik tujuan dalam hitungan menit.Output dua adalah grid waktu tempuh yang direklasifikasi ke dalam travel time zone dengan menggunakan tabel 2. Interactive modelling Skenario waktu tempuh alternatif dapat dengan cepat dimodelkan dengan tiga cara: (1) mengubah lokasi dan jumlah titik tujuan, (2) mengubah tabel kecepatan perjalanan dan (3) mengedit grid land cover Untuk mengedit lokasi dan jumlah titik tujuan, pilih layer data titik pada tab data lalu gunakan alat pointer untuk memilih titik di tab peta, klik kanan dan pilih Edit Selected Point. Anda sekarang dapat memindahkan atau menghapus titik ini. Untuk menambahkan titik, dengan layer data titik pada tab data yang dipilih, klik kanan pada peta dan pilih "Add Shape" lalu pilih lokasi pada peta di mana anda ingin menambahkan titik baru dan tekan enter. Untuk mengubah nilai travel speed klik kanan pada tabel travel speed di tab data untuk membuka tabel lalu ubah nilai pada kolom travel time. Misalnya, anda mungkin ingin membuat semua nilai waktu perjalanan untuk kelas aliran air yang sangat tinggi untuk dijadikan model perjalanan setelah kejadian curah hujan yang tinggi membuat semua saluran arus tidak dapat dilalui untuk mensimulasikan seseorang yang akan dibawa ke akses pelayanan kesehatan. Hal ini juga memungkinkan untuk langsung mengedit grid land cover, misalnya, mengurangi kecepatan perjalanan di bagian jalan yang diketahui rusak atau menambah jalan dan jalur baru yang diketahui ada oleh seorang perencana namun tidak ditangkap oleh data jalan yang digunakan. Analisis awal untuk mengubah grid Land Cover gunakan "Change Values Interactive: Gunakan: Geoprocessing>Grid>Values>Change Values Interactive Pada contoh yang ditunjukkan di sebelah kanan, nilai baru yang ingin kita gambarkan pada grid tutupan lahan telah ditetapkan
140
menjadi 11 sehingga kita dapat membuat jalan lokal baru. Jika menambahkan penghalang untuk melakukan perjalanan, misalnya daerah banjir, perhatikan saat menggambar di grid perjalanan gerakkan kursor perlahan untuk melukis garis bersebelahan. Sekarang gunakan alat kursor untuk membuat gambar perlahan kemudian membuat nilai sel baru akan muncul di seluruh grid land cover. Setelah mengedit titik tujuan, tabel kecepatan perjalanan dan / atau tutupan lahan dimungkinkan untuk langsung menjalankan travel time analisis lagi untuk melihat output baru. Setelah setiap iterasi model anda dapat menyimpan hasilnya ke grafik peta atau file GIS untuk membandingkan skenario lebih jauh.
141
142
11.2 Error matrix Error matriks atau confussion matrix adalah teknik untuk membandingkan perubahan pada dua data raster (grid). Agar menghasilkan confussion matrix kelas grid harus didefinisikan oleh lookup table dan nilai kelas grid untuk setiap tahun pada gambar harus sama. Kita akan menggunakan klasifikasi grid dari tahun 1996 dan 2015 untuk membuat confusion matrix. Kita juga membutuhkan input look-up table untuk menentukan nama kelas. Buka lookup tabel dan input warna pada tab pengaturan dan simpan tabel ke Workspace seperti gambar di bawah ini.
beri Workspace grid sebuah nama baru , Pada contoh di samping diberi nama “LookUpTable”. Sekarang telah siap untuk melakukan analisis confusion matrix: Gunakan: Geoprocessing > Imagery > Classification > Confusion Matrix (Two Grids) Klasifikasi 1 adalah grid 1996, Klasifikasi 2 adalah grid 2015. Lookup Table dan nilai minimum, maximum serta name telah diisi seperti gambar disamping.
Gambar baru akan muncul di tab data. Gambar di bawah ini adalah contoh seperti apa gambar ini terlihat dengan setiap warna yang mewakili lintasan perubahan yang berbeda.
143
Misalnya pada gambar di bawah warna biru muda menunjukkan daerah dimana hutan tertutup telah berubah menjadi padang rumput atau lainnya.
Ini juga memungkinkan untuk melihat histogram dan table untuk grid ini agar kita mengetahui klasifikasi tutupan .
Membuka tabel menunjukkan lintasan perubahan masing-masing jenis tutupan lahan dan area perubahan.
144
Perhatikan nilai yang ditunjukkan di tabel ini adalah jumlah piksel dalam nilai kelas tersebut. Untuk mengkonversi ke meter persegi dan kilometer persegi Anda perlu untuk: 1. Kalikan nilainya 900 - ini adalah angka m2 per 30 * 30 meter pixel. 2. Bagi dengan 1000000 untuk konversi ke km2
Pada contoh di atas berapa area (km2) yang berubah dari hutan menjadi rumput? Formula yang digunakan (247509 * 900) / 1000000. Hal ini dimungkinkan pada tahap apapun untuk menyimpan tabel ke format .txt atau .csv untuk analisis lebih lanjut di excel.
145
11.4 Atmospheric Correction Top of Atmosphere correction akan mengkonversi reflektansi citra Landsat dengan menghilangkan variasi akibat radiasi sinar marahari. Gunakan : Geoprocessing>Imagery>Landsat>Top Of Atmosphere Reflectance Masukkan band yang ingin dikoreksi dan akan secara otomatis menghasilkan band ter koreksi. Buka Metadata txt file yang disimpan dalam folder Landsat yang telah didownload. Pastikan telah menginput dengan benar Sensor Landsat yang akan dikoreksi.
146
12. Tolong11.5 Tolong! Penyelasaian masalah Troubleshooting Bagian ini akan membantu beberapa masalah umum yang diketahui dengan SAGA. Pertanyaan lain harus ditujukan ke tim pengembangan SAGA melalui forum forge sumber: https://sourceforge.net/p/saga-gis/discussion/ Saga Crash! Karena fakta bahwa SAGA berjalan melalui alokasi RAM komputer anda, kumpulan data yang besar dapat menyebabkan kerusakan yang berlebihan. Ada tiga cara untuk mengatasi hal ini: Bekerja dengan komputer dengan alokasi RAM yang bagus jika anda memproses kumpulan data yang lebih besar clip data yang lebih besar ke area yang ingin dianalisis. Hindari, misalnya, bekerja pada scene Landsat yang lengkap jika tidak perlu. Simpan data anda dan proyek terkait agar pekerjaan anda tidak hilang. Untuk menyimpan sebuah grid, klik kanan dan pilih save as. Untuk menyimpan semua data yang dihasilkan dan struktur proyek yang terkait, gunakan File> Save Project dari atas menu.
Membuka File yang Tidak Dikenal Sebagian besar file dapat dibuka dengan drop dan drag ke SAGA. Jika Anda mencoba dan membuka file dan tidak muncul di jendela yang dipilih maka pilih "All Files".
Mencari Geoprocessing tools Jika Anda tidak dapat menemukan tools yang Anda cari atau memiliki gagasan tentang proses yang ingin Anda lakukan dan tidak yakin dimana letaknya dalam struktur menu SAGA:
147
Geoprocessing>Find and Run tool Masukkan nama atau kata kunci yang terkait dengan tools yang ingin Anda temukan lalu pilih tools dari daftar yang dihasilkan.
Kehilangan toolbar Navigasi Biasanya, Anda memiliki dua tool bar di bawah menu atas seperti gambar di bawah ini.
Terkadang bilah alat navigasi mungkin tidak muncul
Cara termudah untuk membuatnya muncul kembali adalah dengan hanya menarik bilah toolbar yang ada keluar dari Area toolbar dan letakkan kembali ditempat semula.
Temukan Informasi mengenai geoprocessing modules. Semua modul geoprocessing memiliki deskripsi yang menyertainya tentang bagaimana mereka diturunkan dan sering dengan referensi ke makalah yang menjelaskan secara rinci algoritma di belakangnya. Ini dapat ditemukan menggunakan tab tool, pilih tool dan Tab deskripsi.
148
149
