Upload
fathul-muin
View
341
Download
28
Tags:
Embed Size (px)
DESCRIPTION
sagas
Citation preview
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
+
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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.
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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.
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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.
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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?
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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)
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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:
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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?
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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’ :
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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.
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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.
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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 :
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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 :
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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.
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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.
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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.
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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:
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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).
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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’:
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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?
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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.
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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?
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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.
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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:
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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.
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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.
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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.
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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.
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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.
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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.
Remote Sensing for planning and good governance in Eastern Indonesia and Northern Australia supported by the Australia-Indonesia Institute
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.