Berikut tahapan yang dapat dilakukan dalam analysis korelasi dari data index dalam format raster dengan sistematik sampling :

1. Melakukan setting envrionment
   • Geoprocessing –> environment –> atur workspace

2. Membuat fishnet untuk sampling
   • Create fishnet 1km

• Clip fishnet

3. Ekstrak Nilai berdasarkan titik sampling (sebelum extract nilai pastikan bahwa data yang akan diekstrak mempunyai resolusi yang sama, jika tidak perlu dilakukan proses resampling)

• resampling

• ekstrak data

• Hasil

• Create graph scatter

Seringkali kita bingung jika melihat data raster kita yang tidak punya atribut tabel (Index yang kita olah, DEM).

Lalu bagaimana menambahkan atribut tabel pada data raster kita. Ini beberapa tahapan yang dapat kita lakukan :

• Check properties data raster kita, pastikan pixel type adalah “signed integer”, jika belum seperti gambar berikut maka diperlukan proses konversi

• Lakukan Copy Raster ubah Pixel Type menjadi signed register

• Jika Pixel Type sudah menjadi signed interger, maka proses add atribut tabel dapat dilakukan. Gunakan “Build Raster Attribute Table” pada Raster Tools (Raster Properties)

• Akhirnya data raster kita memiliki Attribute Table, sehingga kita dapat menganalisis lebih lanjut menggunakan atrribute tabel

Semoga Membantu

— Wahyu @270622——

Oleh : Wahyu Catur Adinugroho

Pada saat kita ingin melakukan extract data NDVI, tidak dapat langsung dilakukan proses clip Data NDVI format raster dari plot,dimana seringkali hasil potongan akan mengikuti poisi pixel (tidak dapat  tahapan yang beririsan dengan plot), sehingga dalam kasus ini tahapan yang dapat dilakukan adalah : 1) Convert raster to point, 2) buffer, 3) envelope, 4) intersect, 4) extract hasil.

1) Convert raster to point

2) Buffer 15m jika citra yang digunakan resolusinya 30m x 30m

3) Envelope

4) Intersect hasil envelope dengan plot

5) Hasil Extract

Nilai NDVI pada plot dapat dilihat pada kolom Grid_Code, dimana pada 1 plot dapat terdiri dari beberapa nilai NDVI tergantung irisan raster NDVI dengan plot yang kemudian dapat dianalisis lebih lanjut menggunakan mean, median, modus dari nilai NDVI yang ada di plot.

Semoga membantu……@wca09112020

ROADMAP PEMBANGUNAN KEHUTANAN BERBASIS TAMAN NASIONAL peta jalan menuju pemanfaatan Taman Nasional secara lestari dalam mendukung perlindungan dan pengawetan sumberdaya alam

Source: Direktur Pemanfaatan Jasa Lingkungan – ppt download

Langkah pertama yang perlu dilakukan adalah menambahkan data point dari koordinat ujung plot kedalam project

Kemudian gunakan fungsi Grid Index Features –> masukkan koordinat titik ujung sebagai input feature –> masukkan ukuran polygon sesuai dengan ukuran plot yang diinginkan –> ok

Berikut hasil Pembuatan plot ukuran 20mx50m dari point titik ujung plot.

Pemanfaatan Drone untuk berbagai keperluan berkembang dengan pesat diantaranya untuk kegiatan monitoring tutupan lahan, hal ini dikarenakan adanya kamera yang terdapat pada drone sehingga mampu menghasilkan rekaman gambar dengan kualitas yang sangat baik dan resolusi yang memadai serta mampu menghasilkan gambar dalam bentuk 3D.

Salah satu software yang dapat digunakan untuk mengolah data rekaman Drone yaitu Agisoft PhotoScan, dengan menggunakan sofware ini dapat dihasilkan gambar DEM dan Orthomosaic.

Tahapan-tahapan yang dapat dilakukan untuk mengolah data rekaman Drone dengan menggunakan software tersebut untuk menghasilkan data DEM dan Orthomosaic, adalah seperti berikut :

• Masukkan gambar hasil perekaman drone pada workspace dengan menggunakan tool add photo, atau dengan cara klik kanan pada workspace –> add chunk (direktory workspace) –> klik kanan di chunk –> add photos.

• Tahapan kedua adalah melakukan Align Photo

Klik pada menu workflow pilih Align Photo atau Klik kanan pada Chunk kemudian Pilih Process –> Align Photos –> Ok

Setelah processing hasil photo akan muncul di layer model

• Berikutnya adalah melakukan Proses Dense Cloud

Klik pada menu workflow pilih Dense Cloud atau Klik kanan pada Chunk kemudian Pilih Process –> Build Dense Cloud –> Ok

Setelah processing hasil photo akan muncul di layer model, (klik pada view Dense Cloud)

• Melakukan Proses Bulid Mess

Klik pada menu workflow pilih Mess atau Klik kanan pada Chunk kemudian Pilih Process –> Build Mess –> Ok

Setelah processing hasil photo akan muncul di layer model, (klik pada view Shaded )

• Melakukan Process Build Texture

Klik pada menu workflow pilih Texture atau Klik kanan pada Chunk kemudian Pilih Process –>Build Texture –> Ok

Setelah processing hasil photo akan muncul di layer model, (klik pada view Textured)

Setelah  proses selesai selanjutnya project disimpan dalam format (*.psx) untuk kemudian dilakukan processing untuk membuat DEM atau Orthomosaic.

• Build DEM

Tahap akhir yang dilakukan untuk menghasilkan DEM adalah melakukan processing DEM dengan Klik pada menu workflow pilih DEM atau Klik kanan pada Chunk kemudian Pilih Process –> Build DEM –> Ok

Setelah processing hasil photo akan muncul di layer model, (klik pada DEM)

Selanjutnya hasil analisis DEM dilakukan export ke format TIFF untuk dapat dilakukan analisis lebih lanjut menggunakan software GIS lainnya seperti QGIS, ArcMap untuk menghasil peta atau keperluan lainnya.

Klik kanan pada hasil DEM di workspace à Export DEM –> Export Tiff –> beri nama dan simpan pada folder yang diharapkan

• Build Othomosaic

Sedangkan tahap akhir yang dilakukan untuk meghasilkan Orthomosaic adalah melakukan processing Orthomosaic denganKlik pada menu workflow pilih Orthomosaic atau Klik kanan pada Chunk kemudian Pilih Process –> Build Orthomosaic –> Ok

Setelah processing hasil photo akan muncul di layer model, (klik pada Orthomosaic)

Selanjutnya hasil analisis Orthomosaic dilakukan export ke format TIFF untuk dapat dilakukan analisis lebih lanjut menggunakan software GIS lainnya seperti QGIS, ArcMap untuk menghasil peta atau keperluan lainnya.

 

Sampai tahap ini processing pengolahan data hasil rekaman drone sudah selesai untuk selanjutnya hasil DEM dan Orthomosaic dapat dilakukan analisis lebih lanjut, mengunnakan sofware GIS lainnya.

---

• File tutorial ini dapat di download pada link : TUTORIAL PENGOLAHAN HASIL PHOTO REKAMAN DRONE DENGAN AGISOFT
• Hasil Rekaman Drone untuk latihan dapat di download pada link : Photo Rekaman Drone

Seringkali kita menjumpai kendala pada saat kita melakukan sharing Google Drive dimana document atau aplikasi/sofware yang kita upload/download di block oleh chrome security.

Bagaimana triknya untuk mengatasi hal tersebut?

Kita harus merubah setting security pada chrome, caranya :

Klik tanda titik tiga yang ada di kanan atas –> pilih setting

Kemudian pilih Privacy dan Security –> Security –> safe browsing : pilih no protection

Semoga berhasil ya…

Analysis prediksi penggunaan lahan dapat dilakukan menggunakan fungsi Markov dan CA-Markov (Cellular Automata – Markov) dalam software Idrisi. Sebagai case study, akan dilakukan analysis prediksi penggunaan lahan pada tahun 2036 di kabupaten/kota Banyumas. Untuk melakukan analisis ini digunakan penggunaan lahan pada tahun 2000, 2009, 2018 dengan skema tahapan seperti berikut :

 

Tahapan yang dilakukan yaitu menyiapkan data input dalam format raster yang kemudian dilanjutkan proses analysis di software idrisi. Dalam penyiapan data input ini dapat dilakukan pada software Arc Map atau QGIS, pada kasus ini software yang akan digunakan adalah Arc Map dan data yang tersedia adalah dalam bentuk vektor sehingga diperlukan penyiapan data dalam bentuk raster.

PENYIAPAN DATA INPUT

membuat Kodefikasi Tutupan Lahan yang dapat dibaca pada saat proses analisa prediksi yaitu dalam format integer yang dapat dilakukan di ArcMap

• Menambahkan Kodefikasi Tutupan pada atribut field : add field (integer) –> edit feature –> edit field kodefikasi –> save –> stop

1. 1. Hutan –> 1
   2. Pemukiman –> 2
   3. Semak, Tanah Terbuka –> 3
   4. Tubuh air dan others –> 4
   5. Pertanian lahan kering dan perkebunan –> 5
   6. Sawah –> 6

• Lakukan proses Dissolve àuntuk menggabungkan polygon-polygon yang terdapat dalam satu kelas

• Conversion to Raster –> Pastikan projection in utm, jika belum harus dilakukan proses projection

Polygon to raster –> maximum combined area, output file .img, cell size 30

 

TAHAPAN ANALISA DENGAN MENGGUNAKAN IDRISI

• IMPORT IMAGE

File –> Import –> Software-specific format –>ERDIDRIS (ERDAS)

• ASSIGN IMAGE
  • Buat atribut file dengan menu DATA ENTRY –> edit –> enty atribut kelas –> save (.avl)

• • Melakukan assign image dengan atribut yang sudah dibuat

DATA ENTRY –> ASSIGN

Pilih image yang akan dilakukan assign, nama dan tempat penyimpanan image yang baru, file atribut yang sudah dibuat

Lakukan proses yang sama untuk tiga periode tahun image : 2000, 2009, 2018

• MARKOV ANALYSIS

GIS Analysis –> Change/Time Series –> Markov

Hasil  Markov analysis

• RUNNING MODUL CA – MARKOV

Modul CA Markov ini dapat ditemukan di GIS Analysis –> Change/Time Series –> CA Markov atau

Modelling –>Environmental/Simulation Model –> CA Markov

Pada tahap ini, seringkali terjadi error pada saat pemrosesan krn file .rst tidak ditemukan meski sebenarnya file tersebut ada, untuk mengatasi hal ini dapat dilakukan dengan menyimpan file pada default path yaitu di C/users/public/document/idrisi tutorial data/using idrisi. B E R H A S I L

• VALIDATION

GIS Analysis –> Change/Time Series –> Validate

hasil validasi

Dari hasil validasi menunulkan nilai Kstandard sebesar 82.36% yang menunjukkan uncertainty hasil proyeksi masih dibawah 20% sehingga masih dapat diterima dan dapat digunakan metode yang sama untuk melakukan proyeksi kedepan berdasarkan data LC2000 dan LC2018.

• PREDIKSI TAHUN 2036

Lakukan proses yang sama untuk prediksi penggunaan lahan kedepan berdasarkan data LC2000 dan LC2018 sehingga dihasilkan prediksi tutupan lahan pada tahun 2036.

Hasil proyeksi ini kemudian dapat dilakukan konversi ke format raster untuk dilakukan analysis lebih lanjut atau dalam pembuatan peta.

Demikian proses analysis prediksi penggunaan lahan menggunakan software Idrisi.

Prediksi perubahan penggunaan lahan dapat dilakukan analysis menggunakan tool plugin yang terdapat pada software QGIS (Open source software) yaitu dengan “Molusce“, jika tool ini belum tersedia dapat mendownload dan menambahkan tool plugin tersebut. Tahapan-tahapan yang perlu dilakukan untuk melakukan analisis tersebut adalah sebagai berikut : (sebagai case analysis akan digunakan area kabupaten/kota Banyumas)

Penyiapan Data Input

Untuk melakukan analysis ini diperlukan 3 periode tahun tutupan/penggunaan lahan, dimana tahun prediksi ditentukan dari jangka waktu tahun data. Pada kasus ini akan digunakan data tahun 2000, 2009, dan 2018 sehingga tahun prediksi yang dihasilkan adalah tahun 2036 dari data tahun 2000-2018. Data tahun 2009 digunakan untuk validasi dimana data tahun 2000-2009 akan menghasilkan data prediksi tahun 2018 sehingga dapat dibandingkan dengan data tahun 2018 sebagai reference.

Prediksi perubahan penggunaan lahan dilakukan dalam format raster, sehingga data tutupan lahan yang masih dalam format vektor harus dikonversi kedalam raster terlebih dahulu.

• Lakukan dissolve untuk menggabungkan beberapa poygon pada satu kelas kedalam 1 polygon
• Pastikan dalam projection utm, jika belum dilakukan projecstion terlebih dahulu
• Konversi vector to raster dengan fungsi rasterize pada menu Raster –> Conversion

Analysis di QGIS

Setelah data tutupan lahan dalam format raster pada tiga interval tahun sudah disiapkan, selanjutnya digunakan fungsi Molusce yang terdapat pada menu raster (jika blom ada tambahkan pada menu plugin)

Lakukan analysis 2000-2009 yang akan menghasilkan prediksi tutupan lahan 2018 sebagai proses validasi

• Inputing data

Check Geometry –> matched atau tidak

• Evaluating correlation

• Area changes

Update tables –> create changes map : sehingga akan dihasilkan map changes area

• Transition Potential Modeling

Method : Artificial Neural Network –> Train Neural Network

• Celular Automata Simulation

uncheck pada certain fungsi jika tidak ingin menambahkan fungsi-fungsi lainnya dalam prediksi, tetapkan dimana hasil simulasi akan disimpan, tentukan jumlah iterasi yang akan digunakan (semakin banyak iterasi akan semakin lama prosesnya, seringkali dipakai berdasarkan periode waktu data) –> start dan eng ing eng, keluar hasilnya

• Validation

Proses validasi dilakukan dengan membandingkan hasil prediksi tahun 2018 dengan peta tahun 2018 sebagai reference.

Start validation –> calculate kappa

Model yang dihasilkan mempunyai tingkat akurasi prediksi dengan nilai Kappa overall 0.83 (88.7% correctness) sebagai informasi dari tingkat akurasi prediksi yang dihasilkan

Tahapan selanjutnya adalah melakukan prediksi tahun 2036 berdasarkan data tahun 2000 dan tahun 2018. Tahapan yang dilakukan seperti halnya membuat prediksi tahun 2018 dari proses data input hingga simulasi menggunakan celular automata.

PREDICTION 2036

Demikian tahapan-tahapan yang perlu dilakukan untuk melakukan analysis prediksi tutupan lahan menggunakan software QGIS, semoga bermanfaat.

Annals of Forest Science (2017) 74:23 DOI 10.1007/s13595-017-0618-1

Authors :

Solichin Manuri1,2 & Cris Brack1 & Teddy Rusolono3 & Fatmi Noor’an4 & Louis Verchot5 & Sandhi I. Maulana6 & Wahyu C . Adinugroho7 & Hery Kurniawan8 & Dian Wulansih Sukisno9 & Gita Ardia Kusuma10 & Arif Budiman11 & Rahmad Supri Anggono12 & Chairil Anwar Siregar7 & Onrizal Onrizal 13 & Dhany Yuniati 8 & Emma Soraya14

Received: 30 May 2016 /Accepted: 31 January 2017 # INRA and Springer-Verlag France 2017

Abstract & Key message :

This study assessed the effect of ecological variables on tree allometry and provides more accurate aboveground biomass (AGB) models through the involvement of large samples representing major islands, biogeographica zones and various succession and degradation levels of natural lowland forests in the Indo-Malay region. The only additional variable that significantly and largely contributed to explaining AGB variation is grouping based on wooddensity classes. & Context There is a need for anAGB equation at tree level for the lowland tropical forests of the Indo-Malay region. In this respect, the influence of geographical, climatic and ecological gradients needs to be assessed. & Aims The overall aim of this research is to provide a regional-scale analysis of allometric models for tree AGB of lowland tropical forests in the Indo-Malay region. & Methods A dataset of 1300 harvested trees (5 cm ≤ trunk diameter ≤ 172 cm) was collected from a wide range of succession and degradation levels of natural lowland forests through direct measurement and an intensive literature search of principally grey publications. We performed ANCOVA to assess possible irregular datasets fromthe 43 study sites. After ANCOVA, a 1201-tree dataset was selected for the development of allometric equations.We tested whether the variables related to climate, geographical region and species grouping affected tree allometry in the lowland forest of the Indo-Malay region. & Results Climatic and major taxon-based variables were not significant in explaining AGB variations. Biogeographical zone was a significant variable explaining AGB variation, but it made only a minor contribution on the accuracy of AGB models. The biogeographical effect on AGB variation is more indirect than its effect on species and stand characteristics. In contrast, the integration of wood-density classes improved the models significantly. & Conclusion Our AGB models outperformed existing local models and will be useful for improving the accuracy on the estimation of greenhouse gas emissions from deforestation and forest degradation in tropical forests.However, more samples of large trees are required to improve our understanding of biomass distribution across various forest types and along geographical and elevation gradients.

Keywords :

TreeAGB . Allometric equation . Regional model . Destructive sampling . Biogeographical zones