Wednesday, February 16, 2022

Machine Learning untuk Analisis Land Use dan Land Cover

Machine Learning untuk Analisis Land Use dan Land Cover

Materi:

  • Klasifikasi untuk analisis Land Use dan Land Cover di QGIS
  • Klasifikasi untuk analisis Land Use dan Land Cover dengan Google Earth Engine 

Software yang digunakan:

  • QGIS
  • Orfeo Toolbox
  • Google Earth Engine
Langkah-langkah:
  • Install QGIS
Sign in to Google Earth Engine
  • Sign in to Google Earth Engine, klik sign up untuk pertama kali

  • Setelah suskes sign up, selanjutnya lakukan sign in, dan coba masuk ke halaman Platform -> Code Editor

  • sd
Tambahkan Orfeo Toolbox di QGIS
  • Untuk membaca langkah-langkah download dan menambahkan Orfeo Toolbox, silahkan download ebook disini 
  • Download Orfeo Toolbox, klik https://www.orfeo-toolbox.org/download/
  • Unzip file hasil download di C, misal C:\OTB-7.0.0-Win64 dimana folder ini memuat Library Orfeo.
  • Selanjutnya download folder lain yang memuat file configurasi Orfeo Plugin di QGIS. Download zip folder di https://gitlab.orfeo-toolbox.org/orfeotoolbox/qgis-otb-plugin dan unpack it.
  • Buat folderdi drive C:\qgis-plugins\qgis-otb-plugIn and copy semua file hasil download diatas, sehingga seperti ini.

  • Selanjutnya buka QGIS, lalu pilih menu Settings -> Options. Selanjutnya pilih menu Processing -> Providers lalu pilih OTB. Set OTB application folder dengan C:\OTB-7.4.0-Win64\lib\otb\applications dan OTB folder dengan C:\OTB-7.4.0-Win64 lalu klik OK.
  • Maka Orfeo Toolbox siap digunakan di QGIS.
Analisis supervised dengan Orfeo Toolbox  di QGIS, tahapan yang akan dilakukan adalah:
  • Melakukan analisis Unsupervise (K-means) dengan OTB di QGIS.
  • Menggunakan Random Forest, SVM, dan Decission Tree di QGIS.
  • Melakukan performasi assesment akurasi dan compute main accuracy measures.
Analysis di GEE:
  • Import dan visualisasi Sentinel image di GEE
//import the satellite data from european space agency
var S2 = ee.ImageCollection("COPERNICUS/S2");


//filter for Dubai
S2 = S2.filterBounds(Dubai);
print(S2);

//filter date
S2 = S2.filterDate("2020-01-01","2020-05-11");
print(S2);

//visualize image
var image = ee.Image(S2.first());
Map.addLayer(image, {min:0, max:3000,bands:"B4,B3,B2"}, "DubaiTrue Color");

Map.addLayer(image, {min:0, max:3000,bands:"B8,B4,B3"}, "Dubai False Color");


  • Import dan Visualisasi Citra Landsat 8 di GEE
//import the satellite data from european space agency
var L8 = ee.ImageCollection("LANDSAT/LC08/C01/T1_TOA");

var spatialFiltered =L8.filterBounds(Cirebon);
print('spatialFiltered', spatialFiltered);

var temporalFiltered = spatialFiltered.filterDate('2015-01-01', '2015-12-31');
print('temporalFiltered', temporalFiltered);

// This will sort from least to most cloudy.
var sorted = temporalFiltered.sort('CLOUD_COVER');

// Get the first (least cloudy) image.
var scene = sorted.first();

Map.centerObject(scene, 9);
Map.addLayer(scene, {}, 'default RGB');

var visParams = {bands: ['B4', 'B3', 'B2'], max: 0.3};
Map.addLayer(scene, visParams, 'true-color composite');

//Create training dataset
var training = scene.sample(
  { region : Cirebon,
    scale : 20,
    numPixels : 5000
  }
  );
  
//Start Unsupervised clustering algorithm and training it
var kmeans = ee.Clusterer.wekaKMeans(3).train(training);

//Cluster the input using the trained clusterer.
var result = scene.cluster(kmeans);

//Display the cluster with random colors
Map.addLayer(result.randomVisualizer(),{}, "Unsupervised kmeans classification");

//Export the Image to Drive
Export.image.toDrive({
  image :result,
  description : 'kmeans Cirebon',
  scale : 20,
  region : Cirebon
  });

 

  • Unsupervised analysis di GEE
//import the satellite data from european space agency
var S2 = ee.ImageCollection("COPERNICUS/S2");


//filter for Dubai
S2 = S2.filterBounds(Dubai);
print(S2);

//filter date
S2 = S2.filterDate("2020-01-01","2020-05-11");
print(S2);

//visualize image
var image = ee.Image(S2.first());
//Map.addLayer(image, {min:0, max:3000,bands:"B4,B3,B2"}, "DubaiTrue Color");

Map.addLayer(image, {min:0, max:3000,bands:"B8,B4,B3"}, "Dubai False Color");

//Create training dataset
var training =image.sample(
  { region : Dubai,
    scale : 20,
    numPixels : 5000
  }
  );
  
//Start Unsupervised clustering algorithm and training it
var kmeans = ee.Clusterer.wekaKMeans(5).train(training);

//Cluster the input using the trained clusterer.
var result = image.cluster(kmeans);

//Display the cluster with random colors
Map.addLayer(result.randomVisualizer(),{}, "Unsupervised kmeans classification");

//Export the Image to Drive
Export.image.toDrive({
  image :result,
  description : 'kmenas Dubai',
  scale : 20,
  region : Dubai
  });



 

  • Supervised analysis di GEE

Wednesday, August 25, 2021

Modul Pelatihan GIS Bagian 1

 

Pengenalan Sistem Informasi Geografi

 


Sistem Informasi Geografis (GIS) atua dalam Bahasa inggris diset Geographic Information System merupakan sistem informasi berbasis komputer yang digunakan untuk mengolah dan menyimpan data atau informasi geografis (Aronoff, 1989).   

Secara umum pengertian SIG sebagai berikut:

”Suatu komponen yang terdiri dari perangkat keras , perangkat lunak , data geografis dan sumberdaya manusia yang bekerja bersama secara efektif untuk memasukan, menyimpan, memperbaiki, memperbaharui, mengelola, mema nipulasi, mengintegrasikan, menganalisa dan menampilkan data dalam suatu informasi berbasis geografis”.

Dalam pembahasan selanjutnya, SIG akan selalu diasosiasikan dengan sistem yang berbasis komputer, walaupun pada dasarnya SIG dapat dikerjakan secara manual, SIG yang berbasis komputer akan sangat membantu ketika data geografis merupakan data yang besar (dalam jumlah dan ukuran) dan terdiri dari banyak tema yang saling berkaitan. SIG terdiri dari beberapa komponen yaitu:


Lanjutkan baca download
disini

Thursday, July 30, 2020

Pengenalan Sistem Informasi Geografi Bagian 1

Pengenalan Sistem Informasi Geografi Bagian 1


Mari lanjutkan bahasan tentang 

Mengenal Aplikasi Sistem Informasi Geografi QGIS

Dalam tulisan kali ini akan dibahas beberapa hal mendasar dalam belajar GIS, yaitu terkait dengan tentang
Pengertian Sistem Informasi Geografis 
Data Spasial 
Format Data Spasial 
    Vektor 
    Raster 
Sumber Data Spasial 
    Peta Analog   
    Data Sistem Penginderaan Jauh 
    Data Hasil Pengukuran di Lapangan 
    Data GPS

Pengertian Sistem Informasi Geografis

Sistem Informasi Geografis (Geographic Information System/GIS) yang selanjutnya akan disebut SIG merupakan sistem informasi berbasis komputer yang digunakan untuk mengolah dan menyimpan data atau informasi geografis (Aronoff, 1989).   
Secara umum pengertian SIG sebagai berikut:
”Suatu komponen yang terdiri dari perangkat keras , perangkat lunak , data geografis dan sumberdaya manusia yang bekerja bersama secara efektif untuk memasukan, menyimpan, memperbaiki, memperbaharui, mengelola, mema nipulasi, mengintegrasikan, menganalisa dan menampilkan data dalam suatu informasi berbasis geografis”.
Dalam pembahasan selanjutnya, SIG akan selalu diasosiasikan dengan sistem yang berbasis komputer, walaupun pada dasarnya SIG dapat dikerjakan secara manual, SIG yang berbasis komputer akan sangat membantu ketika data geografis merupakan data yang besar (dalam jumlah dan ukuran) dan terdiri dari banyak tema yang saling berkaitan. 
SIG terdiri dari beberapa komponen yaitu:

  1. Software (perangkat lunak), merupakan aplikasi komputer yang digunakan untuk mengolah data SIG. Sebagai contoh yaitu aplikasi QGIS yang nanti kita akan gunakan selanjutnya.
  2. Manusia, sebagai orang yang melakukan kegiatan dalam pengolahan data SIG.
  3. Harware (perangkat keras), merupakan komputer ataupun bisa smartphone yang digunakan untuk mengolah data SIG. 
  4. Data dan Innformasi SIG, merupakan berbagai data yang digunakan dan diolah dalam operasi SIG.



Gambar Komponen SIG

SIG mempunyai kemampuan untuk menghubungkan berbagai data pada suatu titik tertentu di bumi, menggabungkannya, menganalisa dan akhirnya memetakan hasilnya. Data yang akan diolah pada SIG merupakan data spasial yaitu sebuah data yang berorientasi geografis dan merupakan lokasi yang memiliki sistem koordinat tertentu, sebagai dasar referensinya. Sehingga aplikasi SIG dapat menjawab beberapa pertanyaan seperti; lokasi, kondisi, trend, pola dan pemodelan. Kemampuan inilah yang membedakan SIG dari sistem informasi lainnya.

Data Spasial

Apa itu data spasial, sederhanaya data spasial merupakan data yang mempunyai koordinat atau data yang berorientasi geografisSebagian besar data yang akan ditangani dalam SIG merupakan data spasial, memiliki sistem koordinat tertentu sebagai dasar referensinya dan mempunyai dua bagian penting yang membuatnya berbeda dari data lain, yaitu informasi lokasi (spasial) dan informasi deskriptif (attribute) yang dijelaskan berikut ini : 
1. Informasi lokasi (spasial), berkaitan dengan suatu koordinat baik koordinat geografi (lintang dan bujur) dan koordinat XYZ, termasuk diantaranya informasi datum dan proyeksi. 
2. Informasi deskriptif (atribut) atau informasi non spasial, suatu lokasi yang memiliki beberapa keterangan yang berkaitan dengannya, contohnya : jenis vegetasi, populasi, luasan, kode pos, dan sebagainya.

Format Data Spasial

Secara sederhana format dalam bahasa komputer berarti bentuk dan kode penyimpanan data yang berbeda antara file satu dengan lainnya. Dalam SIG, data spasial dapat direpresentasikan dalam dua format, yaitu:

Data Vektor

Data vektor merupakan bentuk bumi yang direpresentasikan ke dalam kumpulan garis, area (daerah yang dibatasi oleh garis yang berawal dan berakhir pada titik yang sama), titik dan nodes (merupakan titik perpotongan antara dua buah garis).

Sebagai contoh dalam gambar dibawah lokasi SMA dapat dihambarkan dalambentuk vektor berupa titik. Data jalan dapat digambarkan dalam bentuk garis. Serta data penggunaan lahan dapat digambarkan dalam bentuk vektor polygon atau area.



Keuntungan utama dari format data vektor adalah ketepatan dalam merepresentasikan fitur titik, batasan dan garis lurus. Hal ini sangat berguna untuk analisa yang membutuhkan ketepatan posisi, misalnya pada basisdata batas-batas kadaster. Contoh penggunaan lainnya adalah untuk mendefinisikan hubungan spasial dari beberapa fitur. Kelemahan data vektor yang utama adalah ketidakmampuannya dalam mengakomodasi perubahan gradual.

Data Raster

Data raster (atau disebut juga dengan sel grid) adalah data yang dihasilkan dari sistem Penginderaan Jauh. Pada data raster, obyek geografis direpresentasikan sebagai struktur sel grid yang disebut dengan pixel (picture element). Sederhananya data raster merupakan data SIG yang menpunyai kordinat namun dalam format gambar. Sebagai contoh pada gambar di bawah data titik direpresentasikan sebagai 1 elemen piksel (elemen terkecil dari raster) dari gambar. Data garis misal jalan digambarkan sebagai gabungan dari titik-titik piksel yang membentuk garis. Serta data polygon atau area digambarkan dlam bentuk kumpulan piksel yang membentuk area.



Pada data raster, resolusi (definisi visual) tergantung pada ukuran pixel-nya. Dengan kata lain, resolusi pixel menggambarkan ukuran sebenarnya di permukaan bumi yang diwakili oleh setiap pixel pada citra. Semakin kecil ukuran permukaan bumi yang direpresentasikan oleh satu sel, semakin tinggi resolusinya. Data raster sangat baik untuk merepresentasikan batas-batas yang berubah secara gradual, seperti jenis tanah, kelembaban tanah, vegetasi, suhu tanah dan sebagainya. Keterbatasan utama dari data raster adalah besarnya ukuran file; semakin tinggi resolusi grid-nya semakin besar pula ukuran filenya dan sangat tergantung pada kapasistas perangkat keras yang tersedia.
Masing-masing format data mempunyai kelebihan dan kekurangan. Pemilihan format data yang digunakan sangat tergantung pada tujuan penggunaan, data yang tersedia, volume data yang dihasilkan, ketelitian yang diinginkan, serta kemudahan dalam analisa. 
Data vektor relatif lebih ekonomis dalam hal ukuran file dan presisi dalam lokasi, tetapi sangat sulit untuk digunakan dalam komputasi matematik. Sedangkan data raster biasanya membutuhkan ruang penyimpanan file yang lebih besar dan presisi lokasinya lebih rendah, tetapi lebih mudah digunakan secara matematis.

Sumber Data Spasial

Salah satu syarat SIG adalah data spasial, yang dapat diperoleh dari beberapa sumber antara lain :

Peta Analog

Peta analog (antara lain peta topografi, peta tanah dan sebagainya) yaitu peta dalam bentuk cetak. Pada umumnya peta analog dibuat dengan teknik kartografi, kemungkinan besar memiliki referensi spasial seperti koordinat, skala, arah mata angin dan sebagainya.
Dalam tahapan SIG sebagai keperluan sumber data, peta analog dikonversi menjadi peta digital dengan cara format raster diubah menjadi format vektor melalui proses dijitasi sehingga dapat menunjukan koordinat sebenarnya di permukaan bumi.

Data Sistem Penginderaan Jauh

Data Penginderaan Jauh (antara lain citra satelit, foto-udara dan sebagainya), merupakan sumber data yang terpenting bagi SIG karena ketersediaanya secara berkala dan mencakup area tertentu. Dengan adanya bermacam-macam satelit di ruang angkasa dengan spesifikasinya masing-masing, kita bisa memperoleh berbagai jenis citra satelit untuk beragam tujuan pemakaian. Data ini biasanya direpresentasikan dalam format raster.

Data Hasil Pengukuran Lapangan

Data pengukuran lapangan yang dihasilkan berdasarkan teknik perhitungan tersendiri, pada umumnya data ini merupakan sumber data atribut contohnya: batas administrasi, batas kepemilikan lahan, batas persil, batas hak pengusahaan hutan dan lain-lain.

Data GPS ( Global Positioning System

Teknologi GPS memberikan terobosan penting dalam menyediakan data bagi SIG. Keakuratan pengukuran GPS semakin tinggi dengan berkembangnya teknologi. Data ini biasanya direpresentasikan dalam format vektor. Pembahasan mengenai GPS akan diterangkan selanjutnya.

Jika ingin mendownload tulisan ini dalam pdf silahkan klik disini.

Terimakasih sudah menyimak. @wawanhn

Friday, January 24, 2020

Download Data Iklim dari BMKG


Iklim dinyatakan dengan besaran unsur fisika atmosfer yang nantinya disebut unsur iklim atau unsur cuaca. Unsur iklim atau unsur cuaca terdiri atas suhu udara, intensitas radiasi surya, lama penyinaran, kecepatan dan arah angin, kelembaban udara, tekanan udara, penutupan awan, presipitasi (curah hujan), serta evapotranspirasi (Nasir, 2008). Cuaca merupakan kondisi yang mewakili keadaan atmosfer dalam jangka pendek pada suatu tempat tertentu. Adapun iklim merupakan rata-rata perubahan unsur-unsur cuaca dalam jangka panjang yang mencakup suatu tempat yang luas. Data iklim maupun cuaca sangat diperlukan dalam kehidupan sehari-hari baik pertanian, perkebunan, maupun penelitian.

Bagi yang membutuhkan data iklim secara series dari stasiun-stasiun pengematan BMKG dapat mengunduh di website data online BMKG. website Aplikasi Data Online - Ousat Database BMKG adalah  aplikasi layanan data bagi peengguna data yang sudah teregistrasi di website BMKG. Untuk dapqat mengunduh data silahkan klik disini dengan terlebih dahulu melakukan registrasi.

Data Iklim yang tersedia di website data online BMKG adalah sebagai berikut:


  • Curah Hujan
  • Temperatur: Maksimum, Minimum, Rata-rata
  • Kelembaban Rata-rata
  • Kecepatan Angin: Maksimum, Rata-rata
  • Arah Angin: Terbanyak, Saat Kecepatan Maksimum
  • Lamanya Penyinaran Matahari
Silahkan dimanfaatkan dengan baik untuk mendukung pekerjaan Anda. Terima kasih sudah menyimak. @wawanhn

Thursday, January 23, 2020

Download Data DEMNAS BIG


Seamless Digital Elevation Model Nasional (DEMNAS) merupakan dalah satu produk digital dari BIG yang  dibangun dari beberapa sumber data meliputi data IFSAR (resolusi 5m), TERRASAR-X (resolusi 5m) dan ALOS PALSAR (resolusi 11.25m), dengan menambahkan data Masspoint hasil stereo-plotting. Resolusi spasial DEMNAS adalah 0.27-arcsecond, dengan menggunakan datum vertikal EGM2008.


DEMNAS diluncurkan BIG sejak tahun 2018 untuk seluruh wilayah Indonesia. Dengan hadirnya data DEMNAS tentu sangat bermanfaat sekali dalam menyediakan kebutuhan data DEM dengan skala detail yaitu resolusi 8 meter. 

Data DEMNAS dapat diperoleh dari link ini, dengan cara bagi yang belum punya akun harus melakukan pendaftaran terlebih dahulu.

Menurut web BIG didapat informasi informasi spesifikasi sebagai berikut:

Spesifikasi Data

Data DEMNAS yang dirilis dipotong sesuai dengan Nomor Lembar Peta (NLP) skala 1:50k atau 1:25k, untuk setiap Pulau atau Kepulauan. Ringkasan data set karakteristik DEMNAS, seperti berikut:
ItemKeterangan
Nama fileDEMNAS_xxxx-yy-v1.0.tif untuk NLP 1:50k dan DEMNAS_xxxx-yyy-v1.0.tif  untuk 1:25k. xxxx-yy menunjukkan nomor lembar peta RBI dan v1.0 menunjukkan rilis versi 1.0
Resolusi0.27-arcsecond
DatumEGM2008
Sistem KoordinatGeografis
FormatGeotiff 32bit float
Sementara itu data BATNAS dibagi dalam blok dengan luas 5 derajat x 5 derajat dengan pertimbangan besaran data dan memudahkan proses download. Spesifikasi data BATNAS, seperti berikut:
ItemKeterangan
Nama fileBATNAS_xxxE-xxxE_yyy-yyy_EGM_v1.0.tif atau BATNAS_xxxE-xxxE_yyy-yyy_MSL_v1.0.tif, xxx batas timur dan barat, dan yyy menunjukkan batas selatan sampai utara serta  v1.0 menunjukkan rilis versi 1.0. EGM dan MSL masing-masing menunjukkan datum tinggi yang digunakan sebagai acuan.
Resolusi6-arcsecond
DatumEGM2008 dan MSL
Sistem KoordinatGeografis
FormatGeotiff 32bit float

Menggabungkan Data DEMNAS

Untuk menggabungkan data DEMNAS dalam potongan NLP menjadi sebuah data seamless dengan area yang lebih luas, dapat digunakan Geospatial Data Abstraction Library (GDAL).  Berikut contoh penggabungan data dengan GDAL menggunakan terminalMenggabungkan 10(sepuluh) NLP data DEMNAS hanya diperlukan waktu 5 detik, dengan instruksi seperti berikut:
[kebo@tides SAMPLE]$ ls
DEMNAS_1314-23.tif DEMNAS_1314-31.tif DEMNAS_1314-34.tif DEMNAS_1314-61.tif DEMNAS_1314-63.tif
DEMNAS_1314-24.tif DEMNAS_1314-33.tif DEMNAS_1314-52.tif DEMNAS_1314-62.tif DEMNAS_1314-64.tif
[kebo@tides SAMPLE]$ echo "gdal_merge.py -o DEMNAS_large_area.tif" > list1
[kebo@tides SAMPLE]$ ls DEMNAS_*.tif | tr -d ' \n ' | sed -e 's/.tif/.tif /g' > list2
[kebo@tides SAMPLE]$ paste list1 list2 > command.sh
[kebo@tides SAMPLE]$ sh command.sh
0...10...20...30...40...50...60...70...80...90...100 - done.

Plotting data DEMNAS

Plotting data DEMNAS dapat dilakukan dengan Generic Mapping Tool (GMT) dan GDAL untuk konversi data dari GeoTiff menjadi NetCDF. Sebagai contoh, penggunaan bourne-shell script sederhana (plot_demnas.bash) dengan perintah sebagai berikut:
bash-3.2$ bash plot_demnas.bash 
 penggunaan: bash plot_demnas.bash file_input.tif file_output.eps max_elev(meters)
 contoh: bash plot_demnas.bash DEMNAS_0718-54_v1.0.tif DEMNAS_0718-54_v1.0.eps 200
bash-3.2$ bash plot_demnas.bash DEMNAS_0718-54_v1.0.tif DEMNAS_0718-54_v1.0.eps 15
Input file size is 3333, 3333
0...10...20...30...40...50...60...70...80...90...100 - done.
grd2cpt: Processing input grid(s)
grd2cpt: Mean and S.D. of data are 4.1996872704 2.81747693968
grdgradient: Processing input grid
grdgradient:  Min Mean Max sigma intensities:grdgradient: -0.511577595155 9.02550576079e-05 0.53745034241 0.0418320305703
grdhisteq: Processing input grid

Tuesday, June 25, 2019

Tracking Live GPS dengan Google Earth



Di Google Earth kita dapat melakukan tracking dengan menggunakan GPS secara live. Langkah yang dilakukan adalah sebagai berikut:

1. Buka Google Earth.

2. Sambungkan GPS ke komputer dengan menggunakan kabel data.


3. Kemudian koneksikan GPS ke Google Earth dengan memilih menu Tools - > GPS


4. Setting Jendela windows GPS, klik pada tab Realtime kemudian pada bagian Select protocol pilih Garmin PVT. Cheklis Automatically follow the path, kemudian klik button Start. 


5. Maka kita telah mengkoneksikan GPS dan Google Earth, sebaiknya kita menyambungkan komputer ke Internet sehingga bisa melihat tracking GPS dengan data Google Earth secara online.

Terima kasih, semoga bermanfaat. @wawanhn 

Monday, October 22, 2018

Mengekstrak Nilai dari Beberapa Raster ke sebuah Layer Point

Melanjutkan tulisan

Konversi Raster ke Point di ArcGIS

kita akan membuat sebuah layer bertipe point dalam hal ini layer point yang berisi nilai curah hujan untuk tiap-tiap bulan yang didapatkan dari file raster curah hujan Chirps.

Penjelasan dari tulisan yang akan dibuat adalah sebagai berikut:
  1. Saya punya banyak data raster chirps perbulan untuk beberapa tahun (data chirps sudah saya download dari website Chirps). Misal saya download untuk data bulanan.
  2. Kemudian crop atau clip data raster chirps untuk beberapa tahun yang sudah didownload sebelumnya untuk lokasi tertentu,  Lihat 

    Memotong Banyak Raster dengan Polygon di ArcGIS Sekaligus

  3. Kemudian kita buat layer bertipe point yang berisi nilai curah hujan dari raster Chirps bulanan seperti di tulisan 

    Konversi Raster ke Point di ArcGIS

  4. Kemudian dalam tulisan ini kita akan mengekstrak nilai curah hujan perbulan dari file-file raster chirps untuk beberapa tahun ke dalam layer bertipe point.
Langkah yang dilakukan adalah dengan mengguanakan fungsi Extract Multi Values to Points dari toolbox Spatial Analyst Tools -> Extraction, kemudian setting windows fungsi Extract Multi Values to Points.

Input Point Feature  : tentukan layer point yang akan dimasukan nilai curah hujan dari raster chirps
Input Rasters             : tentukan raster-raster yang akan diekstrak nilai curah hujannya

Kemudian tentukan Output field name untuk setiap nilai raster yang diekstrak, maksdunya adalah tentukan nama kolom atau field dari setiap nilai curah hujan yang diekstrak. Sebagai contoh dalam tulisan ini akan mengekstrak nilai curah hujan bulanan dari raster chirps, dengan demikian tentukan nilai kolom nama tahun dan bulan.


Setalh selesai seting klik OK dan tunggu hasil proses, jika tidak ada kesalahan maka akan dihasilkan berupa layer point yang terdapat nilai-nilai curah hujan dari file-file raster chirps di dalam atribut tabelnya seperti gambar di bawah...


Sangat mudah dan sangat membantu pekerjaan analisis kita kan?.... Semoga tulisan sederhana ini dapat bermanfaat dan terima kasih sudah menyimak. @wawanhn






Memotong Banyak Raster dengan Polygon di ArcGIS Sekaligus

Jika ingin memotong atau clip banyak raster di ArcGIS dengan polygon dengan satu langkah dapat dilakukan dengan menggunakan fungsi Extract by Mask secara Batch.

Misalkan saya punya banyak file data satelit curah hujan Chirps perbulan untuk beberapa tahun, kemudian saya ingin melakukan crop untuk lokasi tertentu dalam satu langkah dapat dilakukan dengan langkah berikut.


Dengan mengunakan fungsi atau toolbox Spatial Analyst Tools -> Extaction -> Extract by Mask lalu klik kanan dan pilih Batch


Lalu seting file raster masukan yang akan di potong, file vektor atau raster untuk memotong dan nama file hasil pemotongan, setelah selesai klik OK dan tunggu hasil prosesnya sampai selesai.


Jika berhasil selamat dengan sekali klik dapat memotong raster yang banyak dengan sebuah polygon sehingga sangat membantu proses masking kita tanpa melakukan proses berkali kali. Sekian terima kasih sudah menyimak.



Sunday, October 14, 2018

Menggabungkan Beberapa Layer di ArcGIS


Perangkat lunak ArcGIS sangat lengkap dalam melakukan analisis maupun operasi dalam mengelola data spasial. Salah satu hal yang biasa dilakukan dalam mengolah data spasial vektor adalah bagaimana menggabungkan (merge) beberapa layer yang mempunyai karkateristik yang sama menjadi satu layer baru.

Sebagai contoh saat saya mendowload data RBI taguna lahan dari BIG didapatkan untuk data yang terdiri dari beberapa layer tataguna lahan secara terpisah yaitu layer pemukiman, layer perkebunan, layer sawah, layer semak belukar dan layer-layer lainnya.

Untuk memudahkan analisis dan pengolahan data spasial tersebut maka akan lebih mudah untuk mengolah data tataguna lahan tersebut dalam satu layer. Dengan demikian layer-layer tataguna lahan tersebut harus dijadikan satu.

Jika kita menggunakan perangkat lunak ArcGIS maka untuk menggabungkan beberapa layer di ArcGIS dapat dilakukan dengan satu langkah menggunakan fungsi merge di ArcGIS.

Langkah yang dilakukan adalah buka layer-layer tataguna lahan tersebut di ArcMap, kemudian buka toolbox Data Management Tool -> General -> Merge kemudian setelah terbuka windows toolbox merge maka di bagian Input Datasets masukan layer-layer yang akan kita gabungkan.

Tentukan nama layer hasil penggabungkan dalam Output Datasets.

Kita dapat melihat field-field yang akan digabung dan disimpan dalam tabel layer hasil penggabungan.

Sebagai catatan sebelum kita menggabungkan layer, kita harus memastikan bahwa di dalam tabel layer kita terdapat field atau kolom yang dijadikan acuan untuk setiap objek dalam layer yang akan kita gabungkan. Sebagai contoh saat kita akan menggabungkan layer-layer tataguana lahan yang terdiri dari layer pemukiman, sawah, perkebunan dan lain-lain. Maka dalam layer pemukiman harus ada field atau kolom yang berisi informasi layer tersebut, misal dalam layer pemukiman terdapat field atau kolom jenis yang berisi data pemukiman, begitu juga untuk layer-layer lainnya berlaku sama.

Setelah dilakukan seting terhadap input datasets dan output dataset terkahir klik button OK dan tunggu sampai proses penggabungan layer berhasil dilakukan.


Demikian artikel mengenai menggabungka layer-layer di ArcGIS, semoga bermanfaat.

Monday, January 29, 2018

Mengenal Data Spasial


Saat ini dengan perkembangan teknologi informasi, maka setiap data dan informasi dapat ditampilkan dalam sebuah data spasial yang lebih mempunyai makna  dan nilai lebih dibandingkan hanya ditampilkan dalam bentuk sederhana seperti dalam bentuk tabel ataupun hanya gambar saja. Data  yang dimaksud  memiliki atrribut spasial sehingga dapat diketahui atribut lokasi (geospasial) di permukaan bumi atau dalam arti sederhana setiap data tersebut diketahui lokasi nya dipermukaan bumi.

Untuk lebih mengerti mengenai data spasial dan karakteristiknya maka dalam tulisan ini akan dibahas secara umum mengenai data spasial yang biasa dikelola dalam sebuah Sistem Informasi Geografis. Saat ini data SIG dapat digunakan dan telah digunakan dalam semua aspek kehidupan dari mulai riset, bisnis, pendidikan, sosial budaya bahkan militer.

Data Spasial
Data spasial merupakan data yang bereferensi geografis atas representasi di permukaan bumi atau dengan kata lain data yang mempunyai informasi lokasi di permukaan bumi. Dalam perkembangannya data spasial bukan hanya data yang bereferensi di permukaan bumi saja namun bereferensi di atas permukaan bumi (udara) dan di bawah permukaan bumi (dibawah laut maupun dibawah tanah).

Data spasial secara umum dibagi menjadi dua bagian, yaitu data vektor dan data raster. Data vektor merefresentasikan data dalam bentuk vektor (titik, garis dan area atau polygon) sedangkan data raster merefresentasikan data bentuk piksel-piksel atau yang disebut citra/image.


Data Vektor
Data vektor menampilkan data SIG dalam bentuk titik, garis atau are (polygon) yang mempunyai atribut. Data spasial berbentuk titik merefresentasikan lokasi suatu data atau penomena dipermukaan bumi seperti lokasi ibukota, lokasi gedung, lokasi tiang listrik, titik tinggi dan sebagainya yang dapat direfresetasikan dalam bentuk titik. Data vektor jenis ini terdiri dari satu nilai x dan y dan bisa juga memiliki nilai z misal nilai ketinggian.

Data vektor yang berbentuk garis (line atau polyline) data yang merefrentasikan suatu penomena di bumi seperti jalan, sungai, ataupun alur navigasi dan lain-sebagainya. Data ini terdiri dari nilai x dan y yang berurutan dan bisa dihitung panjangnya.

Dan terakhir data yang berbentuk polygon adalah data yang merefresentasikan penomena dibumi yang mempunyai wilayah atau luasan, misalnya batas administrasi desa, kecamatan, kabuaten, proponsi, negara, danau, waduk, laut, tutupan lahan dan lain sebagainya. Data ini terdiri dari nilai x dan y yang berurutan dan bersifat tertutup serta bisa dihitung luasannya.

Data Raster
Data rater merefresentasikan objek di permukaan, atas, bawah bumi dalam bentuk matrik atau piksel-piksel yang membentuk grid yang secara sederhana bisa kita sebut citra atau gambar. Setiap piksel-piksel tersebut mempunyai nilai atribut lokasi (x,y). Dan setiap piksel tersebut bisa mempunyai resolusi yang berbeda-beda dalam merefresentasikan objek tergantung dari kedetailan dalam pengambilan data. Sehingga data raster dalam soal resolusi nya bisa dibagi menjadi data resolusi tinggi, menengah dan tinggi.

Contoh dari data spasial raster adalah:
  • Resolusi rendah (red: diatas 30 meter): Terra Modis, NOAA 
  • Resolusi menengah (red: 4 -30 meter):ASTER, Landsat 7, Alos
  • Resolusi tinggi (red: resolusi 0,4 - 4 meter): GeoEye-1, WorldView-2, WorldView-1, QuickBird, IKONOS, FORMOSAT-2, and SPOT-5.
Sumber: https://lajugandharum.wordpress.com/2011/01/07/kesepadanan-skala-peta-dan-resolusi-spasial-citra/

Demikian tulisan sederhana ini semoga bermanfaat dan nanti di suatu saat akan lebih didetailkan karena penjelasan yang dijabarkan diatas masih bersifat global sekali. @wawanhn

Sumber:
https://lajugandharum.wordpress.com/2011/01/07/kesepadanan-skala-peta-dan-resolusi-spasial-citra/
https://grivinayuliantika.blogspot.co.id/2013/05/karakteristik-citra-dari-resolusi.html
https://dtechnoindo.blogspot.co.id/2016/10/defenisi-data-spasial-dan-format-data.html
https://selfaseptianiaulia.wordpress.com/2013/05/17/pertemuan-1-macam-macam-jenis-citra-satelit-dan-penggunaannya-serta-menggabungkan-band-pada-landsat/