Saga Gis Tutorial Indo 2

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

1

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

+


2

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


3

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.


4

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 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.

o 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.


5

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.


6

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?


7

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)


8

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:


9

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 ( ) dan

tambahkan sebuah nama ke poligon tersebut. Lalu klik apply.

Lanjutkan penambahan lokasi latihan untuk semua tipe-tipe

tutupan lahan yang anda ingin klasifikasikan. Simpan poligon-

poligon 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


10

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?


11

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’ :


12

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 titik-

titik 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.


13

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


14

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 1

1

H

1

1

HT

1 8

1 8

18

L

4 2

6

R

1

2

3

SA

5

3

8

SM 1

1

2

TK

2

2

(blank) Grand Total 2 2 9 4 4 6 9 5 41

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


15

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 titik-

titik 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 berbeda-beda 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.


16

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 :


17

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 :


18

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.


19

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.


20

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.


21

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 Deg Slope

Flat (Datar) 0-1

Slight Slope (Miring sedikit) 2-5

Moderate Slope (Miring sedang) 6-10

Steep (Miring sekali) 10-30

Very Steep (Curam) 30-90 Pakai module Reclassify: Modules>Grids>Tools>values>Reclassify Grid Values

Membuat Lookup table:


22

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’ di bagian atas jendela display. 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).


23

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


24

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’:


25

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).

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.

0

5000

10000

15000

20000


26

Introduction to hydrological modelling Perkenalan model hidrologi

Data digital elevasi (DEM) dapat diperolehkan untuk mendapat parameter hidrologi yang bermacam-

macam. 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?


27

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

http://www.gdem.aster.ersdac.or.jp/


28

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.


29

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


30

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?


31

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.


32

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:


33

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 = R x K x L x S x C x P

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.


34

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


35

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.


36

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


37

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.


38

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

http://www.qgis.org/


39

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.


40

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


41

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.


42

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.


43

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.

Documents

Saga Gis Tutorial Indo 2