Saga Gis Tutorial Indo 2

Materi Pelatihan SAGA GIS Tampilan dan Analisis dari Citra Satelit dengan fokus pada daerah Nusa Tenggara Timur

Bagian 2 2.1

Kupang, 5-9 Maret 2012

+

Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute

1

Contents Kerja Lapangan .............................................................................................................................. 3 Pengumpulan Data Lapangan .................................................................................................... 3 Penggunaan GPS........................................................................................................................ 4 Mengimpor data Lapangan ke dalam SAGA................................................................................ 5 Supervised classification ................................................................................................................ 7 Pilih Lokasi Latihan (Training Sites)............................................................................................. 7 Classification.............................................................................................................................. 9 Keakuratan Pendugaan (assesment) ............................................................................................ 11 Ground Truth Data ................................................................................................................... 11 Membuat suatu Matriks Error .................................................................................................. 13 Visualisasi citra 3D ................................................................................................................... 16 Manfaatan data DEM untuk melihat dan menganalisa watak rupa bumi .................................. 20 Characterising vegetation ........................................................................................................ 23 Introduction to hydrological modelling ........................................................................................ 26 Buat peta Daerah Aliran Sungai (DAS) untuk Timor Barat (Creating a watershed map). ................ 26 Pembuatan layer sungai dan kali .............................................................................................. 27 Pembuatan peta indeks kebasahan tanah (Soil Wetness Index) ............................................... 28 Basic Risk assessment modelling .............................................................................................. 31 Inundation risk for Kota Kabupaten Kupang ............................................................................. 32 Rapid Topsoil Erosion Risk Assessment .................................................................................... 33 Quantum GIS for map production ............................................................................................... 38 Installing Q-GIS ........................................................................................................................ 38 Persiapan suatu peta (dalam SAGA) ......................................................................................... 38 References .................................................................................................................................. 43


2

Kerja Lapangan Remote sensing dan GIS bukanlah selalu mengenai duduk didepan computer. Survei lapangan merupakan suatu satu kesatuan dari program pemetaan dan monitoring. Tujuan dari perjalanan ke lapangan ini adalah untuk mendapatkan beberapa skill lapangan yang penting untuk setiap orang bekerja dengan data spasial atau aplikasi data spasial dalam ilmu-ilmu lingkungan. Membuat dapat untuk menempatkan diri anda ke dalam dunia nyata dan pada citra remote sensing atau peta merupakan suatu bagian yang menyatu dari ilmu spasial. Selama perjalanan ke lapangan ini, kita akan belajar untuk : 1. Menempatkan diri kita masing-masing pada suatu citra satelit dengan mengindentifikasikan feature/hal-hal yang ada di sekitar lingkungan tersebut. 2. Mengerti pengaruh dari resolusi spasial pada sejumlah informasi dan detail yang dapat terlihat di dalam sebuah image, dan kemudian bagaimana hal ini mempengaruhi tingkat dari kepastian terhadap yang mana anda menempatkan diri anda sendiri pada lokasi tersebut. 3. Menggunakan suatu GPS untuk membaca koordinat dan mengumpulkan waypoint/titik lintasan; 4. Rekam/catat informasi lapangan untuk ground points 5. suatu spektrometer lapangan untuk mendapatkan pengukuran pemantulan spectral.

Data yang terkumpul di lapangan umumnya sebagian besar digunakan salah satunya untuk menginformasikan suatu klasifikasi citra, terutama untuk seleksi dari “ training sites/lokasi latihan” untuk suatu supervised classification (klasifikasi tanpa tuntunan) atau sebagai suatu data referensi untuk suatu perkiraan ketelitian / accuracy assessment setelah klasifikasi. Hal yang terpenting melalui perjalanan lapangan ini adalah untuk menyimpan dalam pikiran kita bagaimana citra satelit menyatakan apa yang kita sedang lihat pada permukaan tanah. Pengumpulan Data Lapangan Hal pertama yang kita perlu lakukan adalah memutuskan data apa yang akan kita kumpulkan di lapangan. Data titik yang terkumpul dengan GPS dapat dinyatakan dengan banyak informasi yang berguna mengenai lokasi tersebut. Umumnya untuk suatu peta tutupan lahan, anda akan ingin untuk mengumpulkan data yang melukiskan karakteristik dari rupa bumi (landscape) yang akan mempengaruhi respon spectral dari citra satelit contohnya vegetasi, warna tanah, kemiringan, dan sebagainya. Sekali kita telah memutuskan apa data yang kita akan ambil kita dapat membuat suatu tabel dari kumpulan data lapangan . Hal ini sangat mudah dibuat di Excel. Penting untuk memasukkan kolom koordinat dan informasi waypoint yang kita dapat dari GPS.


3

Kita mungkin ingin untuk mengembangkan suatu standard kode untuk memasukkan data lebih mudah. Contoh : Padi = p, bakau= b, tanah kososng=tk, dan sebagainya. Karena kita akan berkendaraan keliling, kita akan berhenti pada berbagai lokasi sehingga anda dapat merekam informasi mengenai tutupan lahan. Pada setiap lokasi coba juga untuk menempatkan diri anda sendiri pada peta citra satelit. Pada beberapa lokasi tandai suatu perwakilan tanah/lahan dari suatu data Landsat 5 TM 30x30m piksel. Pada lokasi-lokasi berikut ini: o

o

Apa perbedaan dari tipe-tipe tutupan lahan/feature dalam “piksel”? Buat daftar sesuai dengan urutan yang paling dominan, dan perkirakan presentasi tutupan dari masing-masing feature. Bayangkan bagaimana piksel akan terlihat dalam suatu image. Pada suatu peta tutupan lahan berdasarkan suatu citra Landsat 5 TM, apa kategori dari tutupan lahan yang akan anda tandai pada “piksel” ini? Masalah apa yang dinyatakan oleh heteroginitas ketika membuat suatu peta dari data remote sensing?

Penggunaan GPS

1. Hidupkan GPS (tekan tombol pada bagian atas dekat antenenya) 2. Tunggu untuk inisialisasi. Akan terlihat tulisan ‘Acquiring Satellites’ sampai GPS menerima cukup sinyal dari satelit untuk menentukan suatu posisi. Pada layar GPS, anda akan melihat suatu diagram dari kondisi satelit di langit, dengan lokasi dari bermacam satelit yang ada pada belahan bumi. Setelah suatu sinyal diterima, sinyal satelit tersebut akan ditunjukkan dengan warna hitam pada grafik batang bagian bawah layar GPS yang mengindikasikan kekuatan dari sinyal yang diterima. Semakin banyak satelit maka semakin besar grafik batang tersebut, yang menunjukkan bahwa semakin akurat posisi dari titik GPS tersebut.


4

3. Ketika sinyal satelit sudah cukup diterima, koordinat dari lokasi anda akan ditunjukkan pada bagian atas layar GPS termasuk juga perkiraan dari keakuratan posisi. Sabar untuk menunggu ini terjadi! 4. Untuk menyimpan lokasi anda (tandai dengan suatu waypoint) a. Tekan ‘mark’ dan kemudian tekan ‘enter’ Mengimpor data Lapangan ke dalam SAGA

Langkah pertama adalah masukkan data anda ke dalam Excel. Masukkan data yang anda kumpulkan di lapangan ke dalam ‘sheet’ Excel.

Setelah di tulis di Excel, anda perlu mengimpor data anda tersebut ke dalam bentuk file *.txt (tab delimited format)

Buka SAGA dan gunakan langkah berikut ini : Modules> Files>Shapes>Import>Import Shapes from xyz Masukkan pada kolom x yang mengandung data Easting dan kolom y untuk data Northing.

Tampilkan data titik-titik yang anda punyai menggunakan tipe vegetasi untuk menampilkan atribut. Pertama-tama, klik kanan pada layer new point, lalu pilih Create Lookup table.


5

Pilih vegetasi sebagai atribut untuk pewarnaan :

Buka lookup table dari settings tab:

Ganti warna (color) dan keterangan sesuai dengan yang anda inginkan.

Buka suatu citra Landsat untuk suatu wilayah. Bagaimana atribut vegetasi yang terekam dari data lapangan anda cocok dengan citra satelit tersebut?


6

Supervised classification Pada pelajaran terdahulu, kita telah mempelajari bagaimana untuk membuat klasifikasi dengan menggunakan cluster analysis. Metoda klasifikasi tersebut umumnya dikenal sebagai unsupervised classification (klasifikasi tanpa pengawasan). Hal ini karena klasifikasi tersebut dilakukan pada awalnya berdasarkan pada pembagian citra ke dalam kelas-kelas spektral dengan tanpa arah seperti apa yang kelas-kelas tersebut nyatakan pada lahan/tanah. Dengan menggunakan klasifikasi dengan pengawasan (supervised classification), kita menggunakan pengetahuan yang sebelumnya ada dari rupa bumi (landscape ), diperoleh dari kunjungan lapangan, pemetaan vegetasi atau citra dengan resolusi tinggi untuk mendefinisikan kelas-kelas dari citra sebelum klasifikasi dilakukan. supervised classification merupakan cara yang lebih berdasarkan instuisi untuk mengklasifikasikan suatu bentangan alam namun perlu diingat kunci dari teknik ini adalah mempunyai pengetahuan yang baik mengenai bentangan alam yang sedang anda petakan. Survei lapangan menggunakan data GPS merupakan cara yang sangat berguna untuk menjadi arahan anda dalam proses supervised classification. Ingat, penting sekali untuk memilih citra yang tepat. Sebagai contoh citra dari NTT pada awal tahun akan menunjukkan respon warna hijau yang sangat kuat dari musim hujan sehingga membuat kesulitan untuk membedakan beberapa tipe dari tutupan lahan.

Pada latihan kali ini, kita akan membuat suatu supervised classification dari daerah teluk Kupang/ Bipolo menggunakan citra Landsat 2010. Folder : DATA>SAT>LANDSAT>11167_UTM>2010. Gunakan RGB overlay atau composite tool untuk membuat dan menampilkan beberapa kombinasi band ( contoh : 3,4,5 atau 1,2,3) Pilih Lokasi Latihan (Training Sites)

Kita sekarang perlu untuk mendefinisikan daerah tipe-tipe tutupan lahan yang diketahui. Sebagai tuntunan, kita akan menggunakan beberapa data GPS dari survey lapangan kita dan citra ALOS dengan resolusi tinggi. Ambil data titik dari hasil survei yang disimpan. Ambil citra ALOS AVNIR dan tampilkan sebagai TYPE>RGB pada settings TAB. DATA>SAT>ALOS> ALOS_AVNIR_050708_123_UTM.sgrd Tampilkan citra ALOS pada peta yang sama dengan citra Landsat yang telah dikombinasi Band. Hal ini akan sangat berguna untuk identifikasi perbedaan tipe-tipe tutupan lahan. Kita sekarang perlu untuk memilih contoh lokasi untuk tipe-tipe tutupan lahan yang akan diklasifikasikan. Untuk latihan kali ini pakai contoh berikut ini: Ocean – Laut (L) Tidal Mud Flats – Rawan (R) Bare/cleared land – Tanah Kosong (TK) Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute

7

Mangroves – Bakau (B) Savanna – (SA) Scrub – Semak (SM) Open Forest - Hutan Terbuka (HT) Closed Forest – Hutan (H) Kita perlu untuk menempatkan suatu poligon sekeliling paling sedikit pada satu lokasi yang mewakili masing-masing tipe dari tutupan lahan. Lokasi-lokasi ini dikenal dengan istilah ‘training sites’ (lokasi latihan). Mula-mula buat suatu layer dari poligon yang baru.

Modules>Shapes>Construction>Create new Shapes Layer

Pada kotak properties Name tulis layer baru dan buat tipe shape-nya adalah Polygon.

Dobel klik pada layer poligon yang baru dan tambahkan itu ke jendela peta anda. Pada bagian data tab klik kanan di layer poligon dan pilih Edit>Addshape:

Sekarang gunakan kursor untuk membuat suatu poligon sekeliling suatu tipe tutupan lahan. Klik kiri untuk membuat titik-titik dan klik kanan untuk menyelesaikan poligon tersebut. Jika anda membuat suatu kekeliruan klik kanan layer poligon. Edit>Edit Selected Shape - do not save changes. Ini akan menghilangkan poligon yang salah kemudian tambahkan sebuah shape yang baru. Ketika anda senang dengan poligon pada training site ini maka gunakan:


8

Edit>Edit Selected Shape dan save untuk perubahannya. Sekarang kita perlu untuk menandai lokasi latihan (training site). Gunakan poligon yang sudah dipilih tadi lalu klik tab attributes ( tambahkan sebuah nama ke poligon tersebut. Lalu klik apply.

) dan

Lanjutkan penambahan lokasi latihan untuk semua tipe-tipe tutupan lahan yang anda ingin klasifikasikan. Simpan poligonpoligon pada lokasi latihan anda ke directory kerja (working) sehingga anda dapat menggunakannya lagi jika diperlukan lagi.

Classification

Sekarang kita dapat jalankan supervised classification. Pilih :

Modules>imagery>classification>supervised classification Pilih Grid system dan Bands yang anda ingin untuk menggunakan klasifikasi. Pilih Poligon dari training sites anda. Gunakan metode maximum likelihood dari klasifikasi.

Jalankan klasifikas i dan kemudia n ambil


9

grid gabungan ke dalam jendela peta yang sama sebagai citra yang lain. In the settings tab use the select the look up table and change the display colours. When you are happy with your classifcation colours save them to your work folder so you can use them again later.

Anda dapat melihat bahwa dengan suatu supervised classification, tidak perlu untuk mengklasifikasi kembali atau mengelompokkan kelas-kelas seperti pada klasifikasi unsupervised atau analisis cluster. Bandingkan klasifikasi anda dengan citra satelit. Jalankan klasifikasi lagi menggunakan suatu kombinasi band yang berbeda. Simpan Grid hasil klasifikasi ke forlder kerja anda. Suatu cara yang berguna untuk memvisualisasikan pengujian dari keakuratan klasifikasi anda yaitu dengan mengekspor beberapa atau seluruh kelas dari data anda sebagai suatu poligon dan timpakan pada citra satelit anda. Shapes>Grid>Vectorisation>Vectorising Grid Classes

Bagaimana klasifikasi anda menyatakan kelas-kelas tutupan lahan yang dapat anda lihat pada citra satelit?


10

Keakuratan Pendugaan (assesment) Keakuratan assesment merupakan suatu metode yang sangat penting untuk menentukan berapa banyak keyakinan anda dengan hasil akhir peta anda. Untuk membuat keakuratan assesment ,data ‘ground truth’ atau titk referensi dikumpulkan sebagai perbandingan sesudahnya dengan data set yang diklasifikasikan. Data ‘ground truth’ umumnya dikumpulkan di lapangan menggunakan GPS namun sumber-sumber data referensi lainnya dapat berupa citra satelit dengan resolusi tinggi seperti Google Earth atau foto udara. Hal penting yang harus diperhatikan jika menggunakan citra satelit atau foto udara adalah bahwa data-data tersebut tidak terlalu lama karena feature lahan/tanah mungkin telah sangat berubah dibandingkan dengan citra yang sedang anda klasifikasikan. Hal penting lainnya yaitu bahwa keakuratan data assesment anda menjadi tidak bergantung dari data apapun yang anda mungkin telah gunakan untuk menuntun klasifikasi anda. Hati-hati ketika mengumpulkan dan menggunakan data ‘ground truth’ anda dari masalah-masalah yang tidak diinginkan berhubungan dengan skala dan lokasi yang diamati selama kerja lapangan. Ada masalah-masalah yang tidak dapat dipisahkan dalam setiap proses keakuratan assessment harus diambil secara benar, perlu diingat bahwa hasil-hasil tersebut seharusnya hanya bertindak sebagai tuntunan untuk tingkat keyakinan anda terhadap hasil yang anda punyai. Untuk informasi selanjutnya mengenai keakuratan assessments bisa dilihat pada paper yang ada pada DVD tutorial dengan judul : Accuracy assessment and validation of remotely sensed and other spatial information(Congalton 1991)

Ground Truth Data Pada latihan kali ini, saya akan membuat keakuratan assessments menggunakan titik-titik ‘ground truth’ yang saya telah buat dari data resolusi ALOS-PRISM 2.5 meter. Ambil data ini : Data>Vector> GROUD_TRUTH_KupangBay.shp

Tampilkan titik-titik ‘ground truth’ dengan data yang diklasifikasikan. Buka tabel untuk data titik ‘ground truth’ :


11

Saya telah membuat 41 titik yang di atributkan dengan kode tipe vegetasi. Ocean – Laut (L) Tidal Mud Flats – Rawan (R) Bare/cleared land – Tanah Kosong (TK) Mangroves – Bakau (B) Savanna – (SA) Scrub – Semak (SM) Open Forest - Hutan Terbuka (HT) Closed Forest – Hutan (H) Catatan : suatu keakuratan assessments yang lebih baik akan menggunakan lebih banyak titiktitik yang didistribusikan lebih sama diantara tipe-tipe perbedaan lahan. Sekarang kita ingin untuk mengatributkan data titik kita dengan klasifikasi kita. Gunakan modul Add Grid Values to points: Modules>Shapes>Grid>Grid Values>Add Grid Values to points Buat metode interpolasi ‘Nearest Neighbor’

Sekarang buka tabel untuk file shape point yang baru dibuat. Pada data tab klik kanan new layer >attributes>show (tab)

Anda akan melihat titik kode Tipe dan nilai klasifikasi yang berhubungan dengan kode tersebut. Kita perlu untuk dapat menambahkan sebuah kolom yang baru, tambahkan kode tutupan lahan yang berhubungan dengan nilai klasifikasinya sehingga kita dapat membandingkannya.

Buka tabel Look Up untuk klasifikasi grid anda untuk melihat nilai apa yang berhubungan dengan masing-masing tipe tutupan lahan.


12

Pada tabel point shape tambahkan sebuah field baru.

Berikan nama tipe dari kelas.

Sekarang masukkan kode tutupan lahan yang berhubungan untuk seluruh 41 titik. Klik kanan pada layer titik/point tersebut pada data tab dan simpan data itu sebagai sebuah file baru. Tulis nama seperti ini : accuracy_points_kupangbay.shp dan simpan data itu pada folder data vector anda.

Membuat suatu Matriks Error Tempatkan file shape yang mau disimpan di windows explorer dan buka file *.dbf yang berhubungan dengan file shape tersebut di Excel sehingga kita dapat membuat suatu analisi dari keakuratannya :

Di Excel pilih field ‘Tipe’ dan ‘Class Tipe’ lalu insert>pivot table


13

Klik Ok untuk range data yang anda ingin analisis. Atur data pivot table anda dengan ‘TIPE’ (data ‘ground truth’ anda) sebagai column labels dan ‘Class Tipe’ (data klasifikasi anda) sebagai row labels dengan Count of class type untuk Values.

Copy dan Paste tabel hasil tersebut sehingga anda mempunyai nilai-nilai tabel diluar pivot tabel perhitungan yang aktif. Anda harus mempunyai sebuah tabel yang terlihat seperti berikut ini :

Row Labels B H HT L R SA SM TK (blank) Grand Total

B

H HT L

Grand R SA SM TK (blank) Total

1 1 1

8

1 4

1

5

41

8

2 2 5

1

2

2

1 1 18 6 3 8 2 2

3 1

2

9 4

4

6

9

Kita dapat kemudian menghitung keakuratan untuk klasifikasi dari masing-masing tipe tutupan lahan dan total keakuratan dengan membagi total dari masing-masing kelas dengan jumlah dari waktu


14

masing-masing kelas dipetakan secara benar (hal ini sama dilakukan untuk ground truth dan klasifikasi data)

Tabel ini dikenal sebagai Error Matrix (matriks kesalahan). Tabel ini menunjukkan jumlah dari titiktitik untuk masing-masing tipe tutupan lahan dimana data dari Ground Truth dan klasifikasi adalah sama ditandai dengan warna Oranye, total jumlah dari titik-titik yang memiliki kelas yang sama di tandai dengan warna kuning dan keakuratan secara keseluruhan (jumlah total dari titik-titik dibagi dengan jumlah total yang benar) ditandai dengan warna merah. Probabilitas dari suatu sampel referensi menjadi benar diklasifikasikan dikenal dengan sebutan error omission (penghilangan kesalahan). Error omission untuk masing-masing kelas ditandai warna hijau. Probabilitas bahwa suatu sampel klasifikasi pada peta/citra secara benar menyatakan kategori pada lahan/tanah dikenal sebagai suatu commission error dan ditandai dengan warna ungu. Dalam kasus ini, kita dapat melihat bahwa total keakuratan dari data kita adalah agak kurang baik (59%). Khususnya keakuratan kita pada perbedaan hutan terbuka dan semak belukar kurang baik. Kita mungkin perlu untuk mengerjakan kembali kemungkinan klasifikasi dengan band yang berbedabeda dan atau “training sites/lokasi latihan” untuk melihat jika kita dapat meningkatkan hasilnya. Opsi yang lain adalah dengan menentukan bahwa citra tersebut mampu secara sukses membedakan antara hutan terbuka dan semak belukar dan kombinasi kedua kelas tersebut. Seringkali kasus ini terjadi pada data Landsat yang memiliki kesulitan dalam membedakan kelas-kelas tutupan yang rendah dengan respon pemantulan utama berasal dari tanah atau batuan dibawahnya karena berlawanan dengan properti vegetasi.


15

Visualisasi citra 3D Menggunakan suatu model digital elevasi ( DEM), kita dapat melihat suatu rupa bumi dalam 3 dimensi. Hal ini sangat berguna untuk mengerti suatu bentangan alam dan proses bentangan alam khususnya bentangan alam dari pegunungan di NTT. Kita akan mulai dengan melihat data SRTM (Space Shuttle Topographic Mission) 80 meter untuk Timor Barat. Buka data ini dari Data>DEM> Timor Barat_80m.sgrd Tampilkan citra itu pada suatu Map Window. Kilik tool 3D pada bagian atas dari Map Window.

Maka akan terbuka tampilan window property seperti ini : Atur elevation sebagai DEM grid Timor Barat_80m . Atur exaggeration ke 4. Ini akan meningkatkan tinggi elevasi menjadi 4 kali akan membuat kita lebih mudah untuk melihat topografi. Biarkan resolusi tetap kondisi awal 200. Nanti anda dapat meningkatkan nilai resolusi yang mana akan meningkatkan detail tampilan dan menggunakan lebih banyak dari memori komputer anda dan power untuk processing. Klik OK untuk melihat hasil visualisasi :


16

Tahan tombol mouse kiri atau kanan untuk memindahkan image 3D perputar. Gunakan roda mouse anda untuk memperbesar atau memperkecil image.

Klik tool 3D pada bagian atas Map Window untuk merubah setting visualisasi. Coba tingkatkan nilai resolusi. Klik tanda X pada bagian atas Map Window untuk menutup jendela kerja sehingga tampilan 3D juga tertutup:

Sekarang buka suatu citra Landsat untuk path 111 row 67 dan buat sebuah RGB composite atau susun tampilan. Tampilkan citra ini pada peta yang sama dengan tampilan citra DEM Timor Barat, seperti ini :


17

Sekarang buat sebuah visualisasi 3D dengan citra satelit:

Cara lain untuk membuat sebuah tampilan 3D untuk citra satelit anda adalah dengan menggunakan suatu aspect layer (layer pengarah) untuk penambahan melihat beberapa topografi. Gunakan modul Slope, Aspect, Curvature: Modules>terrain analysis>mophometry> Slope, Aspect, Curvature

Ini akan membuat slope baru dan grid aspect. Buka aspect grid yang baru tampilkan ke jendela yang baru.


18

Sekarang tampilkan grid citra satelit RGB anda pada Map Window yang sama diatas aspect grid.

Pada tab settings atur nilai transparansi menjadi 20% untuk grid citra satelit RGB.

Sekarang anda dapat melihat citra satelit anda menunjukkan beberapa relif topografi.


19

Manfaatan data DEM untuk melihat dan menganalisa watak rupa bumi

Data DEM sangat bermanfaat dalam rangka menggambarkan rupa bumi. Sesuai dengan seksi terakhir, kita bisa dapat indeks rupa bumi dari data elevasi (ketinggian atas muka laut), termasuk kemiringan (slope) dan aspek (aspect). Mari kita lihat model yang sudah kita buat sebelumnya dengan module Slope, Aspect dan Curvature (bentuk lerengan).

Klik dobel di layer slope untuk display di jendela peta yang baru:

Secara otomatis, SAGA memperhitungan kemiringan dalam Radians. Radian adalah cara menghitung kemiringan sudut yang terbiasa dalam ilmu matematika. Satu radian sama dengan 180/π derajat. Supaya kemiringan dapat dilhitung dalam derajat, kita harus mengalikan nilai radian dengan 180/π degrees or 57.2958. Secara otomatis SAGA menampilkan kemiringan dalam derajat dengan mengaplikasikan Z-factor atau nilai dikalikan 57.2958 untuk tampilan. Ini cukup bagus untuk tampilan, tetapi untuk menhitungkan atau mengalikan dengan grid yang lain, perlu kita mengubah data asli. Modules>Grid>Grid Calculus>Grid Calculator Pilih slope sebagai Grid input untuk kalkulasi. Karena kita hanya memanfaatkan satu grid, nilai dalam grid diwakili oleh huruf ‘a’ dalam formula. Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute

20

Dalam kotak formula isi: a*57.2958 Klik Ok. Tampilkan grid hasilnya, kemiringan (slope) dalam derajat. Klik kanan dan save as Slope_deg_Timor_Barat Kalau Anda buka histogram untuk grid ini, kita dapat lihat distribusi tanah didasarkan derajat kemiringan. Supaya peta ini lebih jelas, mari kita mengklasifikasi ulang (reclassify) grid ini ke berberapa kategori:

Class Flat (Datar) Slight Slope (Miring sedikit) Moderate Slope (Miring sedang) Steep (Miring sekali) Very Steep (Curam)

Deg Slope 0-1 2-5 6-10 10-30 30-90

Pakai module Reclassify: Modules>Grids>Tools>values>Reclassify Grid Values

Membuat Lookup table:


21

Buat lookup table baru untuk kelima kelas: Klik kanan>classification>create a new look up table Anda dapat mengubah warna lookup table, dalam tab settings.

Buka histogram untuk grid baru (reclassified grid) untuk lihat pembagian kelas kemiringan.

Klik tab ‘convert to table’ jendela display.

di bagian atas

Tampilkan table hasilnya:

Untuk menganalisa data ini, klik kanan dan mengekspor table (Save As) untuk dibuka dalam Excel. Ingat luasan (Area) ada di ukuran m2. Membagi area oleh 10.000 untuk tampilkan dalam hektar. Coba mengulangi proses ini dengan data elevasi, yaitu klasifikasi ulang ke berberapa kelas ketinggian dari daerah hulu (gunung tinggi) sampai hilir (lahan rendah).


22

Characterising vegetation

Sekarang mari kita pakai grid slope yang baru saja diklasifikasi ulang (reclassified slope grid) untuk melihat ulang peta vegetasi yang dibuat dengan proses Supervised Classification. Buka lookup tablenya peta vegetasi yang telah disave sebelumnya, dan look up tablenya reclassified slope grid yang baru. Pertama-tama kita perlu ‘resample’ grid kemiringan, supaya koordinatnya sama persis dengan grid koordinatnya peta vegetasi. Pakai module ‘resample’ : Modules>Grid>construction >Resampling

Kemudian reclassify ulang kategori kemiringan (slope), dengan nilai seperti ini (dikali 100): Alasannya akan dilihat secara jelas, dalam langkah berikut.

Modules>Grids>Tools>values>Reclassify Grid Values

Ganti nama grid baru dengan ‘slope for calc’ supaya tidak bingung sebentar.

Sekarang kita bisa tambah peta vegetasi yang hasil supervised classification, dan grid ‘slope for calc’ dangan memakai module grid calculator:

Modules>Grid>Grid Calculus>Grid Calculator


23

Klik kanan di grid baru ‘Result’, dan buat lookup table. Pilih Classification Type>Unique Values dan ganti jumlah warna dari 46 ke 100.

Now open the histogram from the resulting calculation grid: Kemudian buka histogram dari grid hasil kalkulasi ‘Result’:


24

20000

Chart ini membagikan jenis tutupan lahan didasarkan kelas kemiringan lerengan. Sebagai contoh, nilai 107 mewakili luasnya hutan terbuka (Class 7) yang terletak di lahan datar (Class 100).

15000 10000 5000 0

Klik tab ‘convert to table’ di bagian atas jendela display. Ekspor table (Save as) sebagai format .dbf dan buka table dalam Excel, untuk analisa lanjutan. Untuk proses export dan tampilan di Excel, lihat ‘Unsupervised Classification – Assessing land cover change between dates’. Contoh analisa: pembagian hutan di kelas kemiringan lerengan.


25

Introduction to hydrological modelling Perkenalan model hidrologi Data digital elevasi (DEM) dapat diperolehkan untuk mendapat parameter hidrologi yang bermacammacam. Sebetulnya, tujuan awal dari SAGA adalah membuat program dasar untuk peneliti hidrologi membuat module analisa hidrologi yang sesuai dengan kebutuhan masing-masing. Oleh karena itu, SAGA memiliki banyak model canggih dengan tujuan berbeda-beda. Kita hanya sempat melihat dua module untuk demonstrasi kekuatan module hidrologi, yaitu: Buat peta Daerah Aliran Sungai (DAS) untuk Timor Barat (Creating a watershed map) Buat indeks kebasahan lahan (Wetness Index) Jika masih ada data lain yang terbuka, buka project baru, supaya kita mulai dari awol dan data tidak tercampur.

Buat peta Daerah Aliran Sungai (DAS) untuk Timor Barat (Creating a watershed map). Buka dan tampilkan Timor_Barat_80m DEM Kita akan pakai module Fill Sinks (Wang Liu)(Wang & Liu, 2006) untuk buat grid DAS: Modules>Terrain Analysis>pre-processing>Fill Sinks (Wang Liu) Model DAS diciptakan dari pengertian aliran air dalam suatu landscape. Supaya dipetakan dengan benar, module ini membuat DEM yang bebas dari sink (sink adalah depresi atau tempat genangan air, yang ada buat ketidakjelasan arah aliran air). Jadi module ini menghasilkan 3 grid yang berbeda. DEM tanpa sink (no-sink DEM) Grid arah aliran air (Flow Direction grid) Grid DAS (Watershed basin grid)

Di grid ‘Watershed Basins’ apakah anda dapat lihat DAS Noel Mina? Bagaimana cara ekspor salah satu DAS sebagai polygon untuk analisa lanjutan? Module ini membedakan berapa DAS?


26

Pembuatan layer sungai dan kali Modelling hidrologi adalah tujuan utama untuk pencipta SAGA. Oleh karena itu, ada banyak cara membuat jaringan sungai dari DEM. Cara yang paling mudah adalah module ‘Basic Terrain Analysis’. Ini bisa dibuat dengan DEM SRTM yang telah dipakai sebelumnya. Tetapi resolusi yang rendah (90m) tidak cocok dengan algoritma (algorithm) yang dipakai oleh module ini. Gambar dibawah menunjuk perbedaan diantara SRTM dengan ASTER 30m DEM (versi kedua). Dalam contoh ini kita memakai ASTER DEM versi kedua. Data ini dapat didownload di website http://www.gdem.aster.ersdac.or.jp/

Buka file Data>DEM > ASTGTM2_S11E123 dan proyeksi ulang ke WGS84 – UTM Zone 51S (Module>Projection>Coordinate Transformation (Grid), lalu potong DEM ke batas Kabupaten dengan shape file Kabupaten Kupang (Module>Shapes>Grid>Spatial Extent>Clip grid to polygon). Pakai module Basic Terrain Anaysis untuk buat berberapa analysis grid. Modules>Terrain Analysis>Basic Terrain Analysis


27

Pilih Grid system dan file Elevasi, dan biarkan pilihan lain dengan ‘Create’. Dalam Map Window tampilkan file vector ‘Channel network’ di atas DEM ASTER.

Pembuatan peta indeks kebasahan tanah (Soil Wetness Index)

Topografi adalah faktor yang sangat pengaruh keadaan tanah yang kejenuhan air (saturated areas), saturated areas sendiri adalah kunci untuk pengertian baik variabilitas jenis tanah, variabilitas proses hidrologi maupun qualitas air sungai. Topographic wetness (kebasahan tanah) juga telah dipakai untuk memprediksikan keadaan penyakit malaria (Cohen, Ernst et al. 2008). Untuk contoh ini kita memakai SAGA wetness index (Böhner, Köthe et al. 2001) untuk petakan indeks kebasahan tanah di daerah DAS Noel Mina. Pertama-tama kita harus berubah peta DAS dari format grid ke format vector, dan clip DEM ke batas DAS Noel Mina. Modules>shapes>grid>Vectorisation>Vectorising Grid Classes

Di Class Selection pilih All Classes, dan Vectorised class as.. each island as separated polygon. Pilihan ini menunjuk setiap DAS dijadikan polygon sendiri.


28

Tampilkan layer polygon baru dan pilih DAS Noel Mina. Klik kanan di layer polygon dan pilih edit> invert selection. Sekarang tekan delete untuk menghapuskan DAS-DAS yang tidak dibutuhkan. Ada satu cara lain untuk memisahkan DAS Noel Mina, yaitu pilih DAS Noel Mina, Shapes>Selection>Copy selection to New Shapes Layer. Dengan cara ini, DAS Noel Mina jadi layer sendiri tanpa berubah layer asli. Ini membantu kalau ingin buat lebih dari satu DAS jadi layer sendiri.

Sekarang kita bisa clip DEM ke DAS Noel Mina dengan memakai: Module>Shapes>Grid>Spatial Extent>Clip Grid with Polygon

Di tab settings namakan grid hasil Noel Mina DEM


29

Untuk buat peta Wetness Index memakai: Modules>Terrain Analysis>Hydrology>Topographic Indicies>Saga Wetness index Di properties window yang muncul berubah Elevation ke Noel Mina DEM.

Survei lapangan seperti apa yang bisa mengecek data ini? Bagaimana peta ini bisa bermanfaat untuk perencanaan pembangunan pedesaan dan perkotaan ? Bagaimana kita bisa hubungkan data ini dengan data kejadian malaria?


30

Basic Risk assessment modelling

Data citra satelit dapat digunakan untuk memodel dan mengases risiko bencana. Khususnya data elevasi digital (DEM), dan data tutupan lahan dapat memetakan daerah rawan banjir, tsunami san rawan longsor dan erosi tanah permukaan. Model seperti ini sering digunakan untuk memprediksikan dampak perubahan iklim (climate change impacts). Model rawan perubuhan iklim sering memakai rangka ini:

Kerawanan bencana + dampak kepada asset = Besarnya dampak + Kapasitas untuk mengadapsi dengan keadaan = Risiko Bencana Kerawanan bencana adalah kemungkinan daerah atau asset kena dampak negative karena kejadian alami. Kerawanan kepada suatu risiko sering dimodel dengan alat GIS, didasarkan DEM. Sensitivity/kepekaan biasanya ada hubungan dengan nilai asset atau lahan kepada kejadian alami seperti banjir. Misalnya dampak langsung terhadap suatu PosKesMas yang kena banjir lebih besar dibandingkan dengan pabrik yang kena banjir. Begitu juga dampak kepada sawah lebih besar dibandingkan dengan daerah rawa. Jadi sensitivitas/kepekaan dapat dipetakan dengan citra satelit dengan cara letakkan dan kasih attribute kepada daerah dan asset yang sensitive terhadap risiko itu. Dengan gabung exposure (kemungkinan terjadi) dengan sensitivity (tingkat dampak kalau terjadi) kita bisa petakan potensi dampak. Gabung hasil ini dengan penelitian tentang kapasitas untuk merespon kepada bencana itu, kita bisa lihat Kerawanan terhadap bencana alami dan dampak perubahan iklim. Dalam bagian ini kita melihat dua contoh perkiraan risiko. Contoh pertama akan memakai DEM untuk model kerawanan (risiko tsunami? exposure) Kabupaten Kota Kupang terhadap penaikkan muka laut, storm surge (gelombang badai besar), dan tsunami. Contoh kedua akan melihat risiko erosi tanah permukaan di Kabupaten Sumba Timur.


31

Inundation risk for Kota Kabupaten Kupang

Kota Kupang would be regarded as highly sensitive to flooding due to the value of the built infrastructure. The potential impact from sea level rise from sea-level rise or Tsunami could be very high. Start a new project and open and display the ALOS imagery. Try and locate the Kota Kabupaten Kupang. Use any GPS data you collected to help. Pembangunan perkantoraan Kota Kupang bisa dibilang sensitif sekali terhadap rawan banjir, karena nilai infrastruktur. Dampak dari kenaikkan permukaan laut atau tsunami bisa sangat besar. Mulai dengan project baru, buka dan tampilkan citra ALOS. Coba letakkan perkantoran Kabupaten Kota Kupang. Memakai data GPS yang mungin Anda sempat ambil di lapangan untuk membantu cari.

Buka DEM Timor Barat dan tampilkan di atas citra ALOS. Di tab Maps pilih layer DEM: Pindah cursor ke atas daerah Kabupaten Kota Kupang. Perhatikan nilai ‘Z’ di bagian bawah jendela peta. Berapa meter ketinggian disitu? Atau gelombang badai atau tsunami setinggi berapa meter akan kena bangunan Kabupaten Kota Kupang? Mari kita buat peta risiko secara simpul.

Di tab Settings berubah warna tampilan ke Lookup table:

Buka lookup table:

Buat lookup table dengan 4 kelas risiko:


32

Klik di tab Legend untuk melihat nama kelas-kelas yang ditamplikan. Bangunan Kabupaten Kota Kupang ada dalam kelas mana? Jangan lupa save project ini, karena kita akan pakai lagi sebentar. Perhatikan bawa ketinggian gelombang dan jarak dampak dari laut terpengaruh oleh tekanan atmosfer, kecepatan dan arah angin. Kemungkinan terjadi tinggi gelombang perlu dimodel dengan faktor-faktor ini untuk dapat hasil yang akurat (Ozcelik, Gorokhovich et al. 2010). Akan tetapi dengan kenaikkan permukaan laut, dan peningkatan kemungkinan badai besar yang telah diprediksikan untuk NTT, kemungkinan terjadi sedang meningkatkan.

Rapid Topsoil Erosion Risk Assessment

Erosi tanah permukaan adalah persoalan yang cukup penting untuk pertanian di daerah NTT. Model Revised Universal Soil Loss Equation diciptakan oleh penyuluh petani di Amerika Serikat, tahun 1970an. Sejak itu, model ini jadi terkenal untuk perkiraan tingkat erosi tanah permukaan, karena cukup mudah diaplikasikan, dan cukup akurat. Dengan keadaan banyak data dan software GIS yang gratis, RUSLE bisa diaplikasikan di skala lebih luas. Tujuan dari model ini adalah pemetaan daerah yang sangat rawan sampai dengan tidak rawan untuk erosi tanah permukaan. Model ini memanfaatkan equation: A=RxKxLxSxCxP R – Factor curah hujan – yang mewakili intensitas curah hujan, dalam rangka ini di kalkulasi dari data WorldClim K – Factor Kemudahan erosi jenis tanah – diperkirakan dari pemetaan geologi dan survey cepat di lapangan LS – Factor – L mewakili kepanjangan lerengan, sedangkan S mewakili kemiringan lerengan. Faktor ini dapat di kalkulasi dari DEM dengan SAGA LS module. C – Tutupan Lahan – hasil dari supervised classification dari Landsat. Jenis tutupan lahan diganti dengan nilai pelindungan dari erosi (Renard et al. 1997) P – Tidak di masukkan dalam aplikasi ini, karena perlu informasi yang lebih rinci. Jadi peta ini bisa disebutkan sebagai pemetaan kondisi tanpa lakukan kegiatan konservasi tanah dan air.


33

Revised Universal Soil Loss Equation didasarkan GIS Mari kita buka project baru. Di dalam folder Data – RTRA buka 4 file: K-factor –geologi.sgrd

R-factor – hujan.sgrd

C factor.sgrd

LS Factor.sgrd

File ini telah disiapkan dalam grid system dan ukuran piksel yang sama. Layer-layer ini dikalikan untuk dapat hasil daerah yang rawan erosi tanah permukaan dengan module Grid Calculator Modules>Grid>Calculus>Grid Calculator

Di Grids pilih berempat yang baru di buka, dan di formula isi: G1*g2*g3*g4 Yang artinya grid 1 x grid 2 x grid 3 x grid 4.

Tam


34

Untuk buat kategori risiko bencana, gridnya harus diklasifikasikan ulang Modules>Grid>To ols>Values>Recla ssify grid values. Pilih method ‘Simple Table’ dan masukkan nilai yang di table. Perhatikan nilai besar dalam kotak kuning, karena ada berberapa nilai yang tinggi. Klik kanan di ‘reclassified grid’ dalam tab data Data tab>Classification>Create look up table, dan pastikan ‘classification type’ adalah ‘Unique values’. Buka grid dalam peta baru.

Ganti warna kategori dalam lookup table Settings tab>Lookup table>columns, rows. Juga ganti nama kategori. Ini kita mau pakai lagi untuk buat peta sebentar.


35

Buka layer batasan DAS Kambaniru Data>Erosion>Kambaniru Catchment.shp Add the shape file to the map. We only need the outline of the catchment, so in the Settings tab, change Settings>Display >Fill Style from Opaque to Transparent. Tampilkan batasan DAS ke peta. Kita hanya butuh batasnya bukan warnanya, jadi dalam tab Settings>Display>Fill Style ganti dari Opaque ke Transparent


36

Untuk melihat jumlah hektar dalam setiap kelas, mengikitui cara dalam bagian Characterising Vegetation. Save Project ini, supaya bisa menggunakan untuk membuat peta dalam bagian berikut.


37

Quantum GIS for map production Salah satu kelemahan SAGA adalah pembuatan peta untuk diprint. Untuk menghasilkan peta yang rapi untuk laporan, presentasi atau komunikasi dengan masyarakat, sebaiknya memakai software yang lain. Ada berberapa software open source yang tersedia untuk fungksi ini. Dalam workshop ini kita akan manfaatkan Quantum GIS (Q-GIS). Q-GIS adalah program GIS yang serba guna, walaupun tujuan utama untuk data vector, Q-GIS dapat tampilkan berberapa format data raster. Untuk Download Q-GIS terbaru lihat website http://www.qgis.org/. Dukungan Q-GIS cukup bagus, dan banyak instansi pemerintah maupun LSM yang memakai program ini di seluruh dunia.

Installing Q-GIS IDi folder software di DVD workshop 2, ada file instalasi Q-GIS: QGIS-1.4.0-1-No-GrassSetup.exe. Mengistal Q-GIS. Kalau ada masalah, coba instalasi dalam folder selain Program Files.

Persiapan suatu peta (dalam SAGA) Kita mulai dengan membuat peta dari perkiraan risiko Erosi di DAS Kambaniru yang telah disave tadi. Pilih ‘Reclassified Grid’ di tab Data, dan ganti nama ke Topsoil Erosion Risk di tab settings.

Zoom ke daerah DAS Kambaniru yang mau diprint, dalam jendela peta. Untuk mengeksor ke format yang bisa dibuka dalam Q-GIS, coba: Map>Save As Image


38

Save file dalam folder working sebagai format .TIFF. Dalam properties yang muncul, meningkatkan kelebaran (Map width) dan ketinggian (Map Height). Klik di Save Georeference (world file). Pilih Save legend dan ganti zoom ke 5, supaya gambar legenda cukup jelas.

Buka Q-GIS dari Desktop. Pakai tombol Add raster layer untuk tambahkan file .TIFF yang disave tadi.

Klik tombol Print Composer:

Di Print Composer, klik tombol Add Map, dan mengambarkan kotak dalam layout, ditempat yang maunya peta muncul. Ini adalah perkenalan ‘Print Composer’ di Q-GIS.


39

Untuk berubah attribute dari tampilan, memakai tombol-tombol properties. Sebagai contoh pakai Item Tab>General Options>Show Frame untuk tambah atau menhapus garis batasan sekeliling peta. Sekarang mari kita tambah legenda peta dengan tombol ‘Add Image’. Gambarkan kotak di lokasi maunya legenda muncul. Di options properties dari legenda menu buka file Legend.tiff


40

Pindah lokasi dan ganti ukuran legenda supaya sesuai dengan petanya.

Sekarang kita tambah batang skala. Gambarkan kotak dalam layout, di tempat yang maunya skala muncul. Ganti Segment Size ke jumlah meter diantara setiap bagian peta. Ganti Map Units per bar ke 1000 (yaitu 1000 meter = 1 km).

Kemudian tambah judul peta dengan tombol Label:

Untuk tambahkan Panah Utara (North Arrow), tekan tombol ‘Add image’, gambarkan kotak gambar dan Item>Settings dan pilih gambar panah yang cocok.


41

Pakai tombol output untuk print atau mengekspor peta.

Alat pembuatan peta di Q-GIS ada banyak fungsi dan pilihan, termasuk tambah garis koordinat, yang sangat bermanfaat untuk navigasi di lapangan. Coba-coba fungsi pembuatan peta di Q-GIS sendirian.


42

References Böhner, J., R. Köthe, et al., 2001. "Soil regionalisation by means of terrain analysis and process parameterisation." Soil Classification: 213-222. Cohen, J. M., K. C. Ernst, et al., 2008. "Topography-derived wetness indices are associated with household-level malaria risk in two communities in the western Kenyan highlands." Malaria journal 7(1): 40. Congalton, R. G., 1991. "A review of assessing the accuracy of classifications of remotely sensed data." Remote sensing of environment 37(1): 35-46. Ozcelik, C., Y. Gorokhovich, et al., 2010. "Storm surge modelling with geographic information systems: estimating areas and population affected by cyclone Nargis." International Journal of Climatology. Wang, L. and H. Liu, 2006. "An efficient method for identifying and filling surface depressions in digital elevation models for hydrologic analysis and modelling." International Journal of Geographical Information Science 20(2): 193-213.


43

Saga Gis Tutorial Indo 2

Recommend Documents