Slope, Kelas Lereng dan Generalisasi Peta

Hasil pembuatan kelas kelerengan biasanya menyisakan poligon-poligon kecil yang mengganggu, baik untuk proses analisa maupun untuk keperluan menampilkan.

disini dicobakan share urutan proses pembuatan kelas lereng dari data SRTM dan generalisasi data vektornya dgn ARCGIS. contoh data berlokasi di wilayah Tasik dengan sistem koord. UTM proy.wgs84.

Cara lain bisa menggunakan ERDAS dengan tool CLUMP dan ELIMINATE. Namun pendapat awam saya, tidak semuanya harus berjalan otomatis. Terlebih generalisasi untuk kasus tutupan lahan. Seringkali kita harus secara manual melakukannya.

 

semoga share kecil ini berfaedah.

A) Tool : 3D Analyst -> ŽRaster -> Surface Ž-> SlopeDisini dipilih satuan persen  1
B) Tool : 3D Analyst Tools -> ŽRaster Reclass -> ŽReclassifyMisalnya kelas lerengnya sbb:

0 – 3% (1)

3 – 8% (2)

8 – 15% (3)

15 – 25% (4)

25 – 40% (5)

> 40% (6)

pada batas angka trakhir 15,929.75586 dibulatkan keatas 20000 sebagai batas nilai kelas terakhir

 2
C) Tool :  Conversion Tools -> ŽFrom Raster -> ŽRaster to Polygon 

Hasil reklasifikasi kelas lereng dirubah menjadi vektor

 3
D) Pada file hasil vektorisasi, tambahkan field baru untuk data luasPada tabel hasil vektorisasi  ditambahkan field baru (add field) bernama “Luas” (tipe double). lalu di-calculate geometry untuk mendapatkan luasan (misal square meter). Ini bagian penting karena kita akan mensortir mana saja poligon yangharus dihilangkan/digabungkan.disini saya men-select luas poligon dibawah 20ribu meter persegi.  4
E) Tool : Data Management Tools Ž-> Generalization Ž-> Eliminate 

Dalam keadaan terseleksi, jalankan prosedur elliminate.

 5

 

VEGETATION-IMPERVIOUS SURFACES-SOIL (VIS) Bagian II

Memahami komponen biofisik suatu lansekap dari suatu ketinggian (remote sensing) secara mudah memang cukup membaginya kepada 3 penutupan: Apakah bervegetasi, apakah terbuka ataukah merupakan penutupan oleh bangunan. Impervious Surfaces sendiri sudah menjadi pengetahuan bersama di lingkaran peminat urban planing atau fungsional perencana tata ruang.

Saya belum faham utuh apakah cara berfikir Ridd dengan VIS-nya itu bisa digunakan untuk memandang kawasan konservasi. Namun gagasan ini cukup asyik karena beberapa kunci. Pertama, impervious surfaces mewakili pengetahuan tentang fitur antropogenik alias petunjuk dari hasil kerjaan manusia. kedua, impervious berurusan dengan aliran permukaan dan penilaian lingkungan. Jika tak terkendali bisa celaka sendiri. Kayak Jakarta banjir sendirian padahal di Bogor gak lebat-lebat amat. Meski belum tentu bisa membuka pintu, pas dimasukin ke lubangnya, kunci itu lumayan cocok euy..

 

permisi sebentar, tulisan MK Ridd berjudul Exploring a V-I-S (Vegetation-Impervious surface-Soil) model for urban ecosystem analysis through remote sensingComparative anatomy for cities bisa diunduh disini:

http://www.tandfonline.com/doi/abs/10.1080/01431169508954549?journalCode=tres20#.Uwnl5fmSxLM

 

Lanjut ya,

Sudah barang tentu kudu hati-hati dengan istilah soil-nya VIS ini  (area bukan vegetasi tapi bukan tertutup bangunan). Di kawasan konservasi ada area bukan vegetasi/hutan namun alami: Danau, sungai, savana Baluran, perairan teluk cenderawasih, Tengger zandzee, blang di TN Leuser, Area yang tampaknya kritis padahal sedang pembelukaran sebagai bagian proses suksesinya dst…

Sekali lagi ini tentang melihat dari jauh dan berusaha mendapatkan informasi indikatif di langkah pertama lewat bantuan citra satelit. Maksudnya, jangan kegeeran menuding kawasan aman sejahtera dengan warna hijau tua dan muda. Yang tampak hijau tua bisa jadi pohon Melinjo dan yang hijau muda bisa jadi gerombolan pisang. Liat aja di THR Carita Banten.

Kemudian dengan gegabahnya saya berandai-andai kalo melihat citra satelit kawasan konservasi, maka komponen biofisik yang mudah saya dapati adalah tiga : (1) Vegetasi, (2) Area terbuka alami, dan (3) Area terganggu. Sisanya saya nyontek gagasannya Ridd.

Dari data tutupan lahan tahun 2009 (http://webgis.dephut.go.id) dan kawasan konservasi, lalu Clip sana, Identity sini, Dissolve sana dan seterusnya, dengan asumsi yang semena-mena saya dapatkan rekap region seperti ini:

Region

persen_vegetasi

persen_terbuka_alami

persen_terganggu

Jawa Bali

61.9

7.0

31.1

Kalimantan

77.5

18.2

4.3

Maluku

90.2

7.2

2.5

Nusa Tenggara

53.5

39.8

6.7

Papua

80.5

17.2

2.3

Sulawesi

80.5

11.5

8.0

Sumatera

77.7

12.6

9.8

 

Lalu setelah dispasialkan, jadinya seperti ini:

VIS_REGION

VIS_KK

KESIMPULAN

Kesimpulan? orang asumsinya aja sembrono koq brani-braninya kesimpulan. Nggak ada kesimpulan, gak brani. Tapi saya beroleh pembelajaran begini:

1. Kondisi tutupan kawasan konservasi di semua ekoregion -kecuali Jawa- masih ada di pojokan bawah. Syukurlah.

2. Variasi sebaran posisi kawasan konservasi di semua ekoregion beragam (nanti saya uplodkan penggerombolannya). Artinya apa ? Jika saya pengelola kawasan, saya tidak akan mau terjebak pseudo-kriteria ketika membuat prioritas, meski diburu-buru sama bos. Atau bertingkah sok sibuk bahwa saya birokrat yg harus bikin keputusan cepat.

3. Lebih baik menyadari ketidakberpengetahuan ini dengan cara rela berkomunikasi kepada orang yang paling mengerti. Biasanya orang-orang seperti itu ada di lapangan atau suka ke lapangan.

4. Apa itu pseudo-kriteria ? menurut saya sih, kriteria yang dibangun untuk bikin prioritas/keputusan dengan pengetahuan umum yang belum tentu benar atau bermanfaat. Misalnya: apakah Taman Nasional atau bukan. Apakah kawasan itu “terikat” dengan konvensi internasional atau tidak? apakah ukurannya besar atau kecil? apakah eko-region sudah terwakili ?

5. Pembelajaran trakhir, sehebat apapun Desktop RS-GIS, konkretnya ada di lapangan. Jadi, jangan habiskan resources di desktop.

 

terimakasih untuk Kang Dinda dan Mas Doni untuk Gap Analysisnya (inspiratif euy, kapan ngegap lagi ?). Terimakasih Mas Judin Purwanto. Terimakasih untuk Bu Luluk, Mas Mursyid, Mas Bayu, Kang Rozak, Mbak Dona dll atas ajaran menghargai data dan pemiliknya.

 

Bogor, 24 Feb 2013

VEGETATION-IMPERVIOUS SURFACES-SOIL (VIS) Bagian I

Impervious surface atau lahan terbangun adalah area yang telah mengalami substitusi penutup lahan alamiah ataupun semi alamiah penutup lahan buatan yang biasanya bersifat kedap air dan relatif permanen. Lahan terbangun meliputi permukiman, bangunan industri, jaringan jalan, Jaringan rel kereta api, jaringan listrik tegangan tinggi, bandara udara dan pelabuhan laut (BSNI,2010). Definisi dari U.S. Environmental Protect on Agency’s Draft Report on the Environment(2003a) adalah: “A hard surface area that either prevents or retards the entry of water into the soil mantle or causes water to run off the surface in greater quantities or at an increased rate of flow. Common impervious surfaces include, but are not limited to rooftops, walkways, patios, driveways, parking lots, storage areas, concrete or asphalt paving, and gravel roads”. Lahan terbangun merupakan fitur antropogenik (struktur/obyek buatan manusia) yang menyebabkan air tidak dapat terinfiltrasi ke dalam tanah sekaligus meningkatkan aliran diatas permukaan tanah. Lahan terbangun merupakan indikator kunci dalam penilaian lingkungan perkotaan (Lu & Weng, 2006). Sejumlah studi memperlihatkan efek negatif dari meningkatnya luas lahan terbangun terhadap morfologi aliran, kualitas air, kesehatan lingkungan. Perdebatan tentang praktek-praktek terbaik mengenai mitigasi efek tersebut semakin komplek dan berkembang (Tilley,2007). However, accurate impervious surface extraction is still a challenge. (Lu & Weng, 2006).

Penggunaan penginderaan jauh dalam meneliti lahan terbangun telah dimulai sejak tahun 1970-an. Slonecker et al. (2001) dalam (Lu & Weng, 2006) mengelompokkan metoda analisis lahan terbangun kedalam tiga kategori yakni : interpretive applications, spectral applications, dan modeling applications. Brabec et al. (2002) dalam (Lu & Weng, 2006) menyimpulkan empat pendekatan untuk mengevaluasi lahan terbangun: menggunakan planimeter untuk mengukur luas lahan terbangun melalui foto udara, menghitung jumlah grid yang berpotongan melalui tumpang susun foto udara, menggunakan klasifikasi dalam interpretasi gambar, dan penaksiran luas lahan terbangun melalui angka urbanisasi pada suatu wilayah. Lu & Weng (2006) menjelaskan bahwa riset-riset dalam rangka mengekstrak informasi dari fenomena lahan terbangun sudah maju melangkah pada klasifikasi data citra per piksel, klasifikasi sub piksel, model pohon keputusan, kombinasi fraksi citra high-albedo and low-albedo (Weng,2010) dan kemantapan relasi antara lahan terbangun dan penutupan vegetasi. Namun demikian Lu & Weng (2006) mengatakan bahwa pendekatan dan mengenai lahan terbuka masih menjadi tantangan karena kompleksitas/heterogenitas di perkotaan/pinggiran kota serta keterbatasan resolusi spasial dan spektral citra.

Pada tahun 1995 M.K. Ridd dari center for Remote Sensing and Cartography and the University of Utah Research institute, Salt Lake City, Utah, mempublikasikan makalah berjudul “Exploring a V-I-S (vegetation-impervious surface-soil) model for urban ecosystem analysis through remote sensing: comparative anatomy for cities”. Ridd mengajukan cara baru untuk memahami karakter dan komposisi ekosistem perkotaan melalui rasio gabungan dari tiga endmembers utama : vegetasi, lahan terbangun dan tanah. Melalui tiga komponen ini Ridd memperlihatkan bagaimana penginderaan jauh dapat digunakan untuk area perkotaan yang luas dan memecahnya dalam suatu komposisi. Bahkan beberapa kota yang berdekatan dapat digambarkan dengan model yang sama (Gaw, 2013). Ridd menyatakan bahwa Vegetation-Impervious surface-Soil (VIS) dapat menjadi dasar standarisasi parameter komposisi biofisik lingkungan perkotaan. Lebih jauh model VIS dapat digunakan untuk mendeteksi perubahan dan pertumbuhan kota, analisis impak urbanisasi, menginvestigasi hubungan energi dan air serta beberapa dimensi dari analisis ekosistem manusia di suatu kota (Ridd, 1995).  Namun demikian Model VIS hanyalah tahapan framework. Sejak publikasinya lebih dari 18 tahun, kemampuan komunitas SIG dan penginderaan jauh untuk menganalisis dan menggambarkan kondisi urban dan non urban secara remote platform masih belum cukup sempurna (Gaw, 2013).

VIS seperti halnya konsep diagram segitiga sand-silt-clay yang biasa digunakan untuk mengidentifikasi tekstur tanah, merupakan komposisi spasial lansekap perkotaan yang   yang menghubungkan komponen vegetasi, lahan terbangun dan tanah dalam bentuk diagram segitiga (Ridd,1995).

vis1

sumber gambar: Ridd,1995:2168,2173.

Lingkungan perkotaan adalah area yang amat heterogen secara spasial maupun spektral sehingga membawa kepada problem umum bidang penginderaan jauh yakni mixed pixels. Mixed pixel adalah sel raster yang mengandung lebih dari satu kategori land use/land cover pada suatu permukaan tanah (Hung, 2009). Lu & Weng (2006) menjelaskan bahwa konseptual VIS dapat diimplementasikan dengan menggunakan tehnik linear spectral mixture analysis (LSMA) yang mendekomposisikan nilai reflektan kedalam suatu proporsi yang berbeda. LSMA dianggap sebagai tehnik berbasis pengolahan citra yang akurat dalam mengekstrak informasi kuantitatif hingga tingkat sub piksel ((Smith et al., 1990 dalam Lu & Weng, 2006). LSMA sebagai tehnik yang efektif menangani problem spektral mixture banyak digunakan pada berbagai bidang dan kasus seperti pemetaan tipe penutupan lahan atau studi perkotaan. Karena lahan terbangun berkaitan erat dengan pola penggunaan lahan, penggunaan tehnik LSMA memberikan dapat membuka jalan untuk membangun klasifikasi penggunaan lahan di perkotaan.

Rujukan

Gaw, Caleb Emir, 2013, Applications of Urban Modeling Using Vegetation-Impervious Surface-Soil and Linear Spectral Mixture analysis in Non-Western Counties (Thesis), Fairfax, VA: George Mason University.

Badan Standardisasi Indonesia, 2010, Klasifikasi Penutup Lahan SNI.7645:2010. Didownload di http://www.bakosurtanal.go.id/assets/download/sni/SNI/15.%20 SNI%207645-2010%20Klasifikasi%20penutup%20lahan.pdf Tanggal 25 November 2013.

Hung,Ming-Chih,2009,Describing Urban Land Covers Using the V-I-S(Vegetation-Impervious Surface-Soil) Model:Modeling Salt Lake City, Utah Metropolitan Area,Journal of Geographical Research No.50, May 2009:67-92.

Lu, Dengsheng, Qihao Weng, 2006, Use of impervious surface in urban land-use classification. Remote Sensing of Environment 102(2006):146–160.

Ridd, Merrill. K., (1995). Exploring a V-I-S (vegetation-impervious surface-soil) model for urban ecosystem analysis through remote sensing: a comparative anatomy for cities. International Journal of Remote Sensing, 16: 12, 2165–2185.

Tilley, Janet S. , E. Terrence Slonecker, 2007, Quantifying the Components of Impervious Surfaces,U.S. Environmental Protection Agency.

Weng,Qihao (editor), 2010, Remote Sensing and GIS Integration:Theories, Methods, and Applications,McGraw-Hill Companies, Inc.

Chester Brown, Ed the Happy Clown, dibaca untuk pengusir suntuk :)))

Indeks Vegetasi dengan Tool NDVI di ERDAS 9.2 (bag.2)

Seperti disebut sebelomnya, rumus NDVI itu (band 4 – band 3) / (band 4 + band 3 ). Konon tiap piksel pada lokasi yang sama di masing-masing band berinteraksi matematik dengan rumus itu. Nah gimana kalo tiba-tiba angka pembilangnya 0 ? devide by zero ? yang jelas saya memperoleh gambarnya kayak gini.

12

Nah, mari kita lakukan sekali lagi dengan cara yang mudah2an berhasil. Pointnya, kita akan menapis jika hasil perhitungan ada yang devide by zero.

Pertama, panggil Modeler. Klik Model Maker. muncul kayak gini:

14
Mari kita lakukan perlahan,
1. dobel klik pada simbol no. 1 untuk memunculkan jendela input Raster. Masukkan file citra komposit yang mengandung band 3 dan 4.
2. Dobel klik pada simbol bulat (fungsi alias rumus) nomor 2 untuk memunculkan jendela Function Definition. Masukkan rumus Band 4 – band 3. lihat gambar dibawah.

15

3. Dobel klik simbol bulat No.3, Masukkan rumus Band 4 + band 3 seperti langkah no. 2
4. Dobel klik simbol input No. 4. Centang checkbox Temporary Raster Only (artinya tidak akan membuat file secara fisik tapi menyimpannya sebagai memori saat proses). Pilih tipe Float. biarkan sisanya.
5. Dobel klik simbol input No. 5. Lakukan seperti nomor 4.

16

6. Dobel Klik simbol bulat no. 6, pilih Conditional, dobel klik rumus EITHER <arg1>…..dst lalu buat rumus yang menghitung input dari nomor 4 dan 5. Saya mengganti EITHER <arg1> IF ( <test> ) OR <arg2> OTHERWISE menjadi EITHER 0.0 IF ($n5_memory == 0.0) OR $n4_memory / $n5_memory OTHERWISE

17

7. Dobel Klik No. 7 untuk membuat file akhir output NDVI. Saya memberi nama file outputnya 122_64_2001_ndvi_by_model.img

18

Selesai sudah. tampilannya kira-kira seperti ini (nama filenya pasti berbeda). Anda tinggal menjalankan rumus ini dengan meng-klik tombol Execute the Model yang bergambar halilintar. Anda dapat menyimpan model rumus NDVI yang anda (berextensi *.gmd) untuk keperluan nanti dengan citra yang berbeda. Koleksi rumus atau modeler bawaan tersimpan di subfolder Models dalam folder aplikasi ERDAS. Search aja.

19

Semoga berfaedah  (^_^)

MEMBUAT COMPOSIT BAND DI ARCGIS DAN ERDAS

Mari kita lakukan pelan-pelan dan santai. Berdoa sesuai keyakinannya. Robbi sohri sodri wa yassirli amri….

Selain Layerstack di Erdas, bikin komposit citra bisa dilakukan di ArcGIS dengan tool Composit Bands seperti ini

10

Dan inilah hasilnya….

11

Kalo di ERDAS ya gini. Yang penting, perhatiin urutan band. ini memudahkan nanti dalam bekerja.

3-layer stack - membuat komposit citra

MEMOTONG CITRA DENGAN EXTRACT BY MASK DI ARCGIS

File citra terlalu besar sementara spek compy lemot ? Gak masalah. Udah, potong aja. salah satunya dengan tool Extract By Mask. Tool itu ada di Toolbox : Spatial Anayst Tool -> Extraction -> Extract By Mask. ini hasilnya…..

* Jika prosedur ini gagal, mungkin Shapefiles pemotong dan citranya tidak pake sistem proyeksi yang sama.

9

Membuat Kelas Tutupan Lahan dengan ARCGIS tiga langkah

Anggaplah kita sedang mengamati suatu daerah yang kita tidak kenal dan diburu waktu ga sempat mendijit dari awal. Mau unsupervised tapi laptop cuma ada ArcGIS. Ya sudah kita pake yang ada. Modalnya  3 langkah dengan 2 tool : ISOCLUSTER dan MAXIMUM LIKELIHOOD CLASSICATION.

Pertama kali kita pelototin citra dulu. mengira2 ada apa aja disana. Rasakan. Amati. Ga perlu maju mundur kayak pelukis dari Jelekong. ada zoom in zoom out toh? Ini tahapan utama untuk dapatkan rasionalisasi jumlah kelas. Lalu buatlah daftar seperti berikut, misalnya gini:

 

Id_lancov Lancov  
1 Sawah Kadang kita merasa gak yakin dengan 8 kelas. Kali aja ada warna tersendiri untuk hutan tua mudaan dikiiit, sawah baru nanem sama sawah mau panen, dll. silakan aja menambahkan biar lebih detil. misalnya 8 x 2 = 16 kelas. kali 2 lagi atau kelipatannya. Ini teori aja sih memaklumi keterbatasan mata kita. Apalagi kalo ada citra resolusi tinggi untuk bantu identifikasi. pake google juga ga masalah…hajar aja bleh..
2 Hutan muda
3 Hutan tua
4 Pemukiman
5 Tanaman semusim (entah sawah, ladang, etc. yg jelas non hutan)
6 Tanah terbuka
7 Tubuh air
8 awan

 

Kedua, Mari buka Arcmap menjengkelkan itu. Buka file citra atau hasil klip citra. mainkan tool : spatial analyst tool –> multivariate –> isocluster.

5

Tahap ISO CLUSTER adalah menandai warna yang ISO kedalam satu CLUSTER yang jumlah CLUSTER-nya atawa kelasnya udah kita tentuin. Prosedur ini akan menghasilkan “output signature file”. File berextensi *.GSG yang menyimpan statistik masing-masing kelas dan akan digunakan di tahap kedua. Kalo file ini dibuka pake NOTEPAD, cuplikan isinya kayak gini (diliat sekilas aja, ga usah diambil hati):

# Signatures Produced by Clustering of

#   Stack c:\users\gisdb\appdata\local\temp\z_z_z2

#    number_of_classes=8  max_iterations=20  min_class_size=20

#    sampling interval=10

#    Number of selected grids

/*           3

#    Layer-Number    Grid-name

/*           1       z_z_z2c1

/*           2       z_z_z2c2

/*           3       z_z_z2c3

 

#  Type   Number of Classes   Number of Layers    Number of Parametric Layers

    1            29                  3                         3

# ===================================================================

 

#  Class ID     Number of Cells    Class Name

        1                27        

# Layers             1             2             3

# Means   

                 24.81481      50.29630      97.55556

# Covariance

    1            75.23362      92.01852      12.79915

    2            92.01852     169.06268      39.13675

    3            12.79915      39.13675      83.02564

# ——————————————————————-

 dan seterusnyaaaaaaaaa…………………..

 

Ketiga, tool Maximum Likelihood Classication. Ini akan menggenerate file raster anda kedalam Kelas warna.

6

Nih hasilnya….

7

Kemudian rubah ke Shapefiles tipe polygon

8

Kalo udah beres, anda bisa melanjutkan dengan merapikan via dijitasi manual, eliminasi sel yang dianggap ga penting atau mengganti data atribut dan seterusnya.

Semoga bermanfaat.

Step by Step Indeks Vegetasi dengan Tool NDVI di ERDAS 9.2 (bag.1)

Apa itu NDVI atau Normalized Difference Vegetation Index ? Kiranya banyak situs yang lebih mumpuni untuk menerangkannya (saya tidak pede:D ), dan mudah-mudahan bisa lebih detil berbagi bagaimana cara melakukannya. Konon ini tehnik untuk mengetahui apa sih tutupan di lokasi itu ? Jika misalnya nilai di suatu selnya 0,5 kemungkinan besar itu vegetasi kebun atau hutan. Jika -0,3 bisa jadi itu sungai atau vegetasi juga. Lho? pan itu sawah yang kebetulan masih digenangin air bro. Nilai NDVI katanya kisaran -1 s.d. 1. Tapi konfirm lagi deh.

Di cerita ini Saya menggunakan Erdas 9.2 dan peta landsat gratisan pathrow p123r64 tahun 2001. Salah satu tempat donlod yang gampang bisa di ftp://ftp.glcf.umd.edu/glcf/Landsat. Penting untuk diperhatikan, apapun citra composite yang anda bikin, musti ada band 3 dan 4 karena itu yang akan digunakan ( Rumusnya : band 4 – band 3 / band 4 + band 3 )

Tool ERDAS untuk NDVI ada di Interpreter –> Spectral Enhancement –> Indices… . Pada Select Function ada pilihan NDVI dan banyak lagi. Yuk kita mulai:

1. Kalo udah sampe di jendela Indices, pada Input File, panggil file citra anda (No. 5). Tulis juga output filenya. Buat nama yang memudahkan mengingat dan informatf. Misalnya saya pake nama 122_64_2001_ndvi.img agar ketauan dari path/row mana dan tahun kapan. Jangan lupa tempat naronya yaa..

1

2. Udah ? Klik Ok dan tunggu prosesnya.

2

3. Udah beres ? klik ok lagi untuk menutup.

4. Nah mari kita lihat hasilnya. Klik tombol Viewer dan panggillah

3
5. Melototin Hasilnya

Kita bandingkan kedua viewernya. Pada salah satu viewer Coba buka menu View -> Link/Unlink Viewers -> Geographical. Lalu Klik di sembarang tempat di viewer sebelahnya. Ini akan membuat kedua viewer saling terhubung. Di Viewer NDVI klik ikon + (plus) agar jendela NDVI dan garis sumbu muncul. Gunakan ikon Panah (kursor) untuk menggeser kesana kemari sumbu tersebut. Perpotongan sumbu di suatu sel akan memperlihatkan nilai NDVI sel tersebut.

4

Lalu apa gunanya menggeser-geser salib sumbu dan melihat nilai NDVI itu ? Salah satunya bisa membantu anda membuat peta landcover. Mari kita cermati peta di sebelah kiri yang tampil natural itu (Kombinasi Band 3-2-1). Anggaplah anda sedang menginterpretasi. Warna hijau itu boleh jadi hutan atau kebun. Lalu yang warna coklat itu bisa jadi area terbuka, tegalan, pemukiman dan seterusnya. Buatlah sebuah list untuk mencatat nilai NDVI tiap sel yang menarik bagi anda sampai kemudian anda mendapati bahwa :

NDVI < 0 = Tubuh air
0.45 > NDVI > 0 = non vegetasi
NDVI > 0.45 = vegetasi. Anda bisa lebih baik dari ini. Apalagi jika akrab dengan lokasinya. Mungkin anda bisa lebih detil membedakan mana sawah, kebun, hutan dan seterusnya

Nah, kesimpulan nilai NDVI masing-masing landcover itu bisa anda gunakan untuk membuat kelas. Misalnya file imagine hasil NDVI ini anda buka di Arcmap. Lalu pada properti simbologynya anda gunakan nilai kelas itu untuk kebutuhan tampilan atau analisa selanjutnya.

Sekedar saran saja, jangan pernah menyelesaikan pekerjaan hanya di desktop. Seperti kata film X-Files, “The Truth is out there”. Jadi, pergilah ke lapangan.

 

Pak Hari

…atau Pak Suharyanto adalah rimbawan yang pernah sebagai Inspektur Jenderal Departemen Kehutanan, Direktur Perlindungan Hutan, Dirjen Perlindungan Hutan dan Konservasi Alam, Direktur Jenderal Bina Produksi Kehutanan. Tidak banyak birokrat pejabat yang dapat mencuri perhatian dan respek. Biasanya itu ditempati rocker atau guru. Saya belum lama mengenal beliau. Beberapa percikannya sempat didokumentasikan di Mengalir Tanpa batas. Simpel, lugas langsung ke solusi, seperti itu cara bertuturnya. 

HARI4WORK copy1Tips manajemen yang dituturkan beliau, yang dipraktekkan dalam bekerja, terinspirasi dari hukum-hukum fisika. “Belajar kepada alam. Tau kan siapa yang menciptakan alam ? Nah, pasti ndak bakal salah karna sumbernya jelas“. Saya terpesona karena uraiannya yang begitu sederhana, praktikal dan memang dibutuhkan sebagai perilaku birokrat. Jadi saya coba dokumentasikan ke dalam beberapa gambar. Saya hanya iseng aja menyebut gaya newtonian sekedar mewakili cara beliau memaknai hukum-hukum fisika untuk mengasuh organisasi. Percikan beliau dapat dikunjungi di http://hari4work.wordpress.com/

1186194_10201985684624456_402690339_n 1377349_10201985628863062_1461877795_n 1385704_10201985497579780_483310431_n 1385863_10201986118115293_1960274367_n 1396000_10202153174771605_1044125247_n

TACIT TO EXPLICIT KNOWLEDGE

menuliskan memori senior

Ikuti

Get every new post delivered to your Inbox.