REPUBLIC OF GIS

How to generate TOPOGRAPHIC RUGGEDNESS INDEX (TRI) in ArcGIS

noreply@blogger.com (ilubis85) — Sun, 19 Aug 2018 13:05:00 +1000

Membuat INDEKS KETERJALAN TAPAK dari data DEM di ArcGIS

Topographic Ruggedness Index (TRI) atau yang dikenal dengan indeks keterjalan tapak yang dikembangkan oleh Riley et al. (1999) dapat menghitung perbedaan jumlah ketinggian antar satu sel grid dengan sel di sekitarnya dari data DEM. Indeks ini memiliki banyak manfaat terutama dalam perencanaan perjalanan atau trip mendaki gunung. Dengan adanya indeks ini, perencanaan trip lebih mudah karena melewati jalan dengan tingkat keterjalan yang minimum.

TRI juga biasanya digunakan dalam analisis cost distance untuk menentukan jalur trek antara dua titik secara otomatis, trek yang dipilih akan melewati cost atau usaha yang paling minimum ditinjau dari bentuk topografi. Informasi tingkat keterjalan tapak ini sangat membantu teman-teman di lapangan dalam penentuan rencana trek baik untuk patroli pengamanan kawasan maupun survei keanekaragaman hayati. Contoh TRI dapat dilihat pada Gambar 1 berikut.

Gambar 1. Indeks keterjalan tapak (TRI) di kawasan TN Gunung Gede Pangrango. Warna biru menandakan tapak yang landai, sementara warna merah menunjukkan tapak yang cukup terjal

TRI dapat dihasilkan dengan mudah menggunakan ArcGIS. Ada dua tahapan untuk menghasilkan peta TRI di ArcGIS. Sebelumnya siapkan data Digital Elevation Model (DEM) untuk daerah TNGGP dapat diunduh di sini, atau Anda bisa melakukan pengunduhan data DEM untuk daerah manapun di sini.

1. Menghitung nilai statistik (maks. dan min.) perbedaan nilai satu sel atau grid dengan nilai grid di sekelilingnya. Analisis ini dapat dilakukan menggunakan tool "Focal Statistics" yang berada pada Arc Toolbox >> Spatial Analysis Tools >> Neighborhood >> Focal Statistics. Gambar 2 menunjukkan settingan untuk menghitung nilai Maksimum, dan Gambar 3 untuk nilai Minimum perbedaan nilai elevasi antar sel.

Gambar 2. Menghitung nilai MAKSIMUM perbedaan satu sel dengan sel disekitarnya

Gambar 3. Menghitung nilai MINIMUM perbedaan satu sel dengan sel disekitarnya

2. Lanhkah kedua dengan melakukan kalkulasi seperti yang terlihat pada Gambar 4 dengan menggunakan tool "Raster Calculator" yang berada di ArcToolbox >> Spatial Analysis >> Map Algebra >> Raster Calculator. Fungsi yang ditulis di "Raster Calculator" adalah sebagai berikut :

SquareRoot(Abs((Square("MAXIMUM") - Square("MINIMUM"))))

Gambar 3. Tahapan terakhir dengan melakukan operasi aljabar menggunakan Raster Calculator

Peta yang dihasilkan dari analisis TRI dapat dilihat pada Gambar 1. Gambar tersebut diperoleh dengan mengoverlay data TRI dengan peta hillshade dari data DEM. Dari informasi tersebut, Anda sudah bisa melakukan perencanaan trekking dengan memilih jalur dengan tingkat keterjalan minimum.

Selamat Mencoba!!!

How to give unique IDs automaticcally for GIS tabular data in ArcGis

noreply@blogger.com (ilubis85) — Sat, 18 Aug 2018 19:40:00 +1000

Membuat ID unik pada tabel data shapefile di ArcGIS

Tutorial kali ini membahas tentang membuat ID unik pada data shapefile yang terdiri dari baris dan kolom. Biasanya, data hasil geoprocessing seperti clip, dissolve, merge dan sebagainya akan menghasilkan data baru yang biasanya belum memiliki ID unik. ID unik tentunya sangat dibutuhkan pada feature GIS karena biasanya setiap feature (titik, garis, poligon) memiliki informasi spasial yang berbeda. Misalnya data desa, kecamatan, kelurahan dan sebagainya.

ID unik mulai dari angka 1-dst dapat langsung dibuat di ArcGIS dengan mudah secara otomatis. Sebagai contoh, pada tutorial sebelumnya yakni bagaimana membuat fishnet (lihat tutorial), fishnet yang telah dibuat dapat diberi nomor ID dengan dua cara sebagai berikut.

1. Cara yang paling sederhana yakni dengan meng-copy and paste informasi dari kolom "FID" dengan hanya menambah angka 1 seperti yang terlihat pada Gambar 1.

Gambar 1. Memberi ID baru dengan meng-copy and paste informasi "FID +1" sehingga menghasilkan nilai 1-24

Cara #1 tersebut cukup mudah, namun terkadang kita membutuhkan ID unik pada beberapa kelas, misalnya, pada setiap petak 5km, terdapat anak petak berukuran 1km yang memiliki ID berbeda. Artinya pada petak 5 km, akan ada 25 anak petak yang harus diberi ID yang berbeda. Pada kondisi ini, kita bisa menggunakan cara #2.

2. Menggunakan phyton script untuk menghasilkan ID yang berkesinambungan pada baris yang telah ditentukan.Cara ini saya dapatkan setelah browsing di beberapa website. Setelah klik kanan pada kolom yang akan diberi ID, lalu pilih "Field Calculator seperti sebelumnya.

Perbedaannya dari cara #1 adalah pada pilihan "parser" pilih "Phyton", kemudian beri tanda check pada "Show Codeblock, lalu isi script dibawah pada "Pre-Logic Script Code" (tanpa tanda petik") pada box bagian atas (Gambar 2).

"rec=0

def autoIncrement():

global rec

pStart = 1

pInterval = 1

if (rec == 0):

rec = pStart

else:

rec += pInterval

return rec"

Lalu pada box kecil di bagian bawah, ketik script berikut (tanpa tanda petik).

"autoIncrement()"

Lalu akan muncul ID yang sama seperti cara #1.

Gambar 2. Membuat ID unik menggunakan Phyton Script

Kedua cara diatas akan menghasilkan ID yang berkesinambungan dari angka 1,2,3, dst. Kemudian, kita juga bisa menggabungkan ID dari dua kolom yang berbeda, misalnya kolom 1 berisi nama lokasi, kemudian kolom 2 berisi angka 1,2,3 dst. Dengan menggabungkan kedua kolom tersebut, akan menghasilkan kolom ketiga dengan ID yang digabung antara teks dan angka.

Langkah pertama yakni menambah kolom baru dengan cara klik kiri pada "Table Option" lalu pilih "add field", lalu isi informasi yang dibutuhkan seperti yang terlihat pada Gambar 3. Setelah itu, beri nama "Gede Pangrango".

Gambar 3. Menambah kolom baru dengan tipe data "teks" dengan panjang 50 karakter huruf.

Lalu kolom berikutnya ditambah dengan cara dan tipe data yang sama seperti Gambar 3. Beri nama kolom tersebut dengan nama "ID_baru". Lalu klik kanan pada klom tersebut lalu pilih "Field Calculator". Dengan hanya mengklik kolom "Nama" ditambah dengan tanda "&" lalu beri tanda hubung " - " kemudian tambah lagi dengan tanda "&" lalu klik kembali kolom "ID" seperti yang terlihat pada Gambar 4. Maka kolom baru tersebut akan menggabungkan kedua informasi menggunakan tanda hubung seperti yang terlihat pada Gambar 5.

Gambar 4. Menggabungkan 2 kolom menjadi 1 ID yang unik

Gambar 5. ID baru yang menggabungkan informasi dari dua kolom yang berbeda

SELAMAT MENCOBA!!!

How to create fishnet in ArcGIS

noreply@blogger.com (ilubis85) — Sat, 18 Aug 2018 15:01:00 +1000

Membuat Fishnet atau petak dengan ukuran yang sama di ArcGIS

Dalam melakukan analisis spasial, terkadang dibutuhkan unit atau bagian yang paling kecil sebagai unit dalam analisis. Misalnya, untuk memprediksi daerah rawan banjir di wilayah Jawa Barat, unit analisa yang diperlukan bisa dalam bentuk batas desa, batas kecamatan, atau yang lebih besar lagi yakni batas kabupaten. Tentunya ukuran dan bentuk antar unit berbeda karena batas desa atau kecamatan yang satu dengan yang lainnya tentu berbeda.

Tapi terkadang, unit analisis yang dibutuhkan adalah unit yang memiliki ukuran dan luas yang sama misalnya petak berukuran 1x1 km sehingga hasil analisisnya tidak bias dan seragam. Untuk itu, tutorial ini akan membahas bagaimana membuat petak yang berukuran sama atau istilahnya adalah "fishnet" karena bentuknya seperti jaring ikan.

Untuk membuat fishnet, kita hanya membutuhkan data polygon wilayah yang akan dijadiikan dasar untuk membuat petak. Wilayah yang akan digunakan adalah kawasan Taman Nasional Gunung Gede Pangrango (TNGGP). Data batasnya dapat diunduh disini. Sebelumnya, data shapefile yang digunakan harus berorientasi UTM sehingga fishnet dapat dibuat dengan ukuran satuan yang diinginkan seperti meter atau kilometer, misalnya petak berukuran 5 x 5 km seperti pada tutorial ini (Gambar 1).

Gambar 1. Fishnet berukuran 5km x 5 km di kawasan TNGGP

Setelah membuka aplikasi ArcMap dan memanggil data poligon batas TNGGP dalam proyeksi UTM, panggil dan klik dua kali pada tool "create fishnet" yang berada dalam ArcToolbox >> Data Management Tools >> Feature Class >> Create Fishnet seperti pada Gambar 2.

Gambar 2. Tool "Create Fishnet" pada ArcToolbox di ArcGIS

Setelah diklik akan muncul jendela baru seperti pada Gambar 3. Lalu isi informasi nama file (Fishnet_5km) pada "Output Feature Class" (1), kemudian isi poligon TNGGP pada "Template Extent" (2). Lalu isi angka 5000 pada "Cell Size Width" dan "Cell Size Height" (3) untuk membuat fishnet berukuran 5 km x 5 km. Terakhir, uncheck "Create Label Points" (4) karena tidak dibutuhkan, lalu pilih POLYGON pada "Geometry Type" (5). Lalu hasilnya akan muncul seperti pada Gambar 1 diatas.


Gambar 3. Membuat Fishnet pada ArcGIS

.
SELAMAT MENCOBA!!!

Raster Geoprocessing in R Part 1 (Cropping, Reclassify & Polygonizer)

noreply@blogger.com (ilubis85) — Sat, 9 Dec 2017 12:45:00 +1000

Analisis data berbasis raster menggunakan Program R (pemotongan, rekategorisasi & konversi data raster ke vektor/polygon)

Data dengan format raster sangat umum dijumpai, misalnya hasil perekaman penginderaan jauh (citra satelit) seperti peta topografi atau iklim dan sebagainya. Data raster berupa matriks yang terdiri dari kumpulan sel-sel yang tersusun dalam bentuk baris dan kolom dimana setiap sel berisi informasi mengenai hasil perekaman, seperti informasi ketinggian, atau suhu. Pada pengolahan atau analisis Sistem Informasi Geografis (GIS), data dalam bentuk raster dapat diolah menjadi informasi yang lebih bermanfaat dengan berbagai macam tools atau alat yang disediakan oleh berbagai macam perangkat lunak atau software, baik yang berbayar maupun yang gratis.

Pada tutorial kali ini, kita akan mengolah data raster dengan menggunakan program R yang diperoleh secara gratis. Tutorial mengenai pengolahan data raster ini terdiri dari beberapa tahapan, dan semuanya akan dibahas secara series (berkelanjutan).

Pada tutorial sebelumnya, kita telah membahas bagaimana cara mendapatkan data DEM (lihat tutorial) dan mengolahnya menjadi data yang berisikan informasi ketinggian, kemiringan lahan (slope), keterjalan tapak (roughness/terrain ruggedness) dan membuat efek hillshade (lihat tutorial). Selanjutnya, pada tutorial ini kita akan membahas bagaimana cara memotong data raster, kemudian membuat kelas kategori baru (reclassify) lalu konversi data dari format raster ke format polygone (shapefile) dan terakhir menyimpan data hasil konversi tersebut ke dalam format shapefiles. Data yang digunakan dapat diperoleh dengan mengklik menu DOWNLOAD DATA pada sisi kiri atas blog ini. Beberapa hasil yang akan diperoleh dapat dilihat pada gambar berikut.

Gambar 1. Hasil analisis raster geoprocessing part 1

Seperti biasa, tentukan folder luaran tempat dimana hasil akan disimpan
# Mengaktifkan folder kerja
setwd("D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/04_Hasil")

Lalu memanggil data batas kawasan TNGP dalam bentuk polygone sebagai batas wilayah kajian
# Membaca data dalam format shapefiles
# Memanggil pustaka "rgdal"
require(rgdal)
tngp <- readOGR(dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/02_Data_mentah/01_Data_vektor", layer="Batas TNGP")

Kemudian memanggil data raster yang akan diolah
# Memanggil pustaka "raster"
require(raster)

# Memanggil data ketinggian (digital elevation model)
dem <- raster("D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/02_Data_mentah/02_Data_raster/Dem_TNGP.tif")

Data ketinggian tersebut kemudian diolah menjadi peta kemiringan tanah (derajat) seperti yang pernah dijelaskan pada tutorial sebelumnya (lihat tutorial)

# Membuat peta kemiringan tanah dari data ketinggian (DEM)
slope <- terrain(dem, opt="slope", unit="degrees")

Lalu kedua data tersebut (ketinggian dan kemiringan tanah) dipotong menggunakan dua jenis perintah dengan hasil yang sedikit berbeda. Pengunaan perintah crop akan memotong data raster menjadi bentuk persegi sesuai dengan extent dari batas TNGP atau wilayah kajian. Sementara perintah mask memotong raster sesuai dengan bentuk wilayah kajian sebenarnya. Sebagai konsekuensinya, penggunaan perintah crop jauh lebih ringan dan cepat dari penggunaan perintah mask.

# Memotong data raster dengan polygone menggunakan perintah crop
dem_tngp_crop <- crop(dem,tngp)
slope_tngp_crop <- crop(slope,tngp)

# Memotong data raster dengan polygone menggunakan perintah mask
dem_tngp_mask <- mask(dem,tngp)
slope_tngp_mask <- mask(slope,tngp)

Selanjutnya, data raster yang sudah dipotong kemudian direkategorikan berdasarkan nilai raster menjadi beberapa kelas sesuai dengan kebutuhan. Pada tutorial ini, data ketinggian akan dikategorisasikan menjadi 4 kelas yakni kelas 1 (0-800 mdpl), kelas 2 (800-1500 mdpl), kelas 3 (1500-2500 mdpl) dan kelas 4 (diatas 2500 mdpl). Sementara kelas kemiringan tanah dikategorikan menjadi 4 kelas seperti kelas 1 (0-15 derajat), kelas 2 (15-25 derajat), kelas 3 (25-40 derajat) dan kelas 4 (diatas 40 derajat). Pengkategorian nilai raster dapat dilakukan dengan menggunakan perintah reclassify pada pustaka raster.

# Membuat kelas kategori ketinggian (kelas 1 = 0-800, kelas 2 = 800-1500, dst)
dem_tngp_mask_rc <- reclassify(dem_tngp_mask, c(-Inf,800,1, 800,1500,2, 1500,2500,3, 2500,Inf,4))

# Membuat kelas kategori kemieirngan tanah (kelas 1 = 0-15, kelas 2 = 15-25, dst)
slope_tngp_mask_rc <- reclassify(slope_tngp_mask, c(-Inf,15,1, 15,25,2, 25,40,3, 40,Inf,4))

Untuk melihat hasil dari setiap tahapan, kita akan plot data yang telah dihasilkan dengan perintah plot seperti pada Gambar 1 diatas.

# Membuat partisi plot 2x3
par(mfrow = c(2, 3))
plot(dem, main="Ketinggian (mdpl)")
plot(tngp,add=TRUE, border="red")
# Plot peta elevasi setelah di mask
plot(dem_tngp_mask, main="Pemotongan (Masking)")
plot(tngp,add=TRUE, border="red")
# Plot peta elevasi setelah di rekategori
plot(dem_tngp_mask_rc, main="Kelas Ketinggian")
plot(tngp,add=TRUE, border="red")
# Plot kemiringan tanah
plot(slope, main="Kemiringan Tanah (Derajat)")
plot(tngp,add=TRUE, border="red")
# Plot peta kemiringan tanah setelah di mask
plot(slope_tngp_mask, main="Pemotongan (Masking)")
plot(tngp,add=TRUE, border="red")
# Plot peta kemiringan tanah setelah di rekategori
plot(slope_tngp_mask_rc, main="Kelas Kemiringan Tanah")
plot(tngp,add=TRUE, border="red")
par(mfrow = c(1, 1)) ## Tutup partisi

Data raster yang telah direkategorikan dapat diubah kedalam bentuk polygone dalam format shapefiles dengan menggunakan perintah rasterToPolygone pada pustaka raster. Untuk langkah terakhir, data hasil konversi akan disimpan kedalam format shapefiles. Langkah terakhir ini akan memakan waktu yang cukup lama dan sangat bergantung pada besarnya data raster yang akan dikonversi serta jumlah memory yang tersedia pada komputer.

# Konversi kelas ketinggian dari raster ke polygone
dem_tngp_mask_rc_poly <- rasterToPolygons(dem_tngp_mask_rc, fun=NULL, n=4,
na.rm=TRUE, digits=12, dissolve=TRUE)

# Konversi kelas kemiringan tanah dari raster ke polygone
slope_tngp_mask_rc_poly <- rasterToPolygons(slope_tngp_mask_rc, fun=NULL, n=4,
na.rm=TRUE, digits=12, dissolve=TRUE)

# Menyimpan data hasil analisis data raster

writeOGR(dem_tngp_mask_rc_poly, dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/04_Hasil",layer="kelas_ketinggian_TNGP",overwrite_layer = TRUE, driver="ESRI Shapefile")

writeOGR(slope_tngp_mask_rc_poly, dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/04_Hasil",layer="kelas_kelerengan_TNGP",overwrite_layer = TRUE, driver="ESRI Shapefile")

Selamat Mencoba….

3D GIS Visualization and Application using R Program

noreply@blogger.com (ilubis85) — Sat, 18 Nov 2017 10:52:00 +1000

Membuat tampilan 3 dimensi data GIS seperti ketinggian, slope, keterjalan tapak dan effek hillshade menggunakan Program R

Morfologi rupa bumi dapat digambarkan dalam bentuk digital elevation model (DEM). Data ini diperoleh dari SRTM atau Shuttle Radar Topography Mission yang merupakan salah satu produk hasil kerjasama antara NASA, the National Geospatial-Intelligence Agency, and the German and Italian Space Agencies. Dengan adanya data ketinggian ini, kita dapat menghitung atau konversi data elevasi menjadi data kontur, kemiringan lereng (slope), arah aliran sungai (flow direction), beberapa indeks keterjalan tapak seperti roughness, Terrain Ruggedness Index (TRI), hingga membuat efek tampilan hillshade untuk menggambarkan keadaan rupa bumi pada peta.

Informasi tersebut diatas sangat penting untuk berbagai aplikasi khususnya di bidang ekologi, misalnya untuk melihat hubungan antara spesies dengan lingkungannya. Ahli ekologi berpendapat bahwa sebaran organisme sangat dipengaruhi oleh suhu dan curah hujan. Sementara suhu dan curah hujan sangat dipengaruhi oleh bentuk rupa bumi dan posisinya terhadap garis khatilistiwa. Artinya sebaran spesies juga dipengaruhi oleh ketinggian, keterjalan tapak, kemiringan lereng, jarak dari sungai, dan sebagainya. Parameter-parameter ini biasanya digunakan dalam pemodelan distribusi spesies.

Pada tutorial sebelumnya, kita telah mebahas bagaimana cara mendapatkan data DEM ini baik secara langsung menggunakan program R (lihat tutorial) atau dari website USGS (lihat tutorial). Selain itu, kita juga sudah membahas bagaimana membuat peta kontur dari data DEM (lihat tutorial). Kali ini kita akan membahas bagaimana membuat peta kemiringan lahan (slope), keterjalan tapak (roughness/terrain ruggedness) dan membuat efek hillshade. Dengan menggunakan Program R, kita hanya perlu membuat satu baris perintah (script) sederhana untuk satu fungsi, jadi cukup ringkas dan cepat. Anda dapat mengunduh data yang akan digunakan pada tutorial ini (download data), atau jika terhubung dengan internet, Anda bisa langsung mengunduhnya melalui program R (lihat tutorial). Peta 3D yang akan dihasilkan dapat dilihat pada gambar berikut.

Gambar 1. Tampilan data ketinggian, slope, keterjalan, dan arah muka bumi menggunkan aplikasi R

Gambar 2. Tampilan hillshade pada data ketinggian di sekitar TNGP

## Mengaktifkan folder kerja, dimana semua hasil luaran akan disimpan
setwd("D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/04_Hasil")

# Membaca data dalam format shapefiles
# Memanggil pustaka RGDAL
library(rgdal)

# Memanggil data wilayah kajian TNGP
tngp <- readOGR(dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/02_Data_mentah/01_Data_vektor", layer="Batas TNGP")

# Membaca data raster
# Memanggil pustaka raster
require(raster)

# Memanggil data ketinggian (digital elevation model)
elevasi <- raster("D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/02_Data_mentah/02_Data_raster/Dem_TNGP.tif")

# Kalkulasi data kemiringan lahan (slope)
slope <- terrain(elevasi, opt="slope", unit="radians")

Keterjalan tapak dapat dihitung dengan beberapa pendekatan yang telah dikembangkan para ahli. Seperti roughness yang merupakan perbedaan antara nilai maksimum dan minimum antara satu piksel (cell) dengan 8 piksel sekitarnya. Sementara Terrain Ruggedness Index (TRI) adalah rata-rata perbedaan absolut antara satu piksel (cell) dengan 8 piksel sekitarnya.

# Kalkulasi data keterjalan tapak (roughness)
roughness <- terrain(elevasi, opt="roughness")

# Kalkulasi data keterjalan tapak (Terrain Ruggedness Index)
tri <- terrain(elevasi, opt="TRI")

# Kalkulasi data aspect
aspect <- terrain(elevasi, opt="aspect", unit="radians")

# Kalkulasi hilshade
hillshade <- hillShade(slope, aspect, angle=45, direction=0)

# Plot keseluruhan data menggunakan variasi warna dari pustaka RColorBrewer (Gambar 1)
library(RColorBrewer)
par(mfrow= c (2,2))
plot(elevasi, col=brewer.pal(7,"Spectral"), main="Ketinggian (DEM)")
plot(slope, col=brewer.pal(7,"Spectral"), main="Kemiringan Lahan (slope)")
plot(aspect, col=brewer.pal(7,"Spectral"), main="Arah Muka Bumi (aspect/slope direction)")
plot(roughness, col=brewer.pal(7,"Spectral"), main="Keterjalan Tapak (roughness)")
par(mfrow= c (1,1))

# Menampilkan efek hillshade pada peta ketinggian (Gambar 2)
plot(hillshade, col=grey(0:100/100), legend=FALSE, main="Tampilan 3 Dimensi Gunung Gede Pangrango")
plot(elevasi, col=rainbow(25, alpha=0.35), add=TRUE)
plot(tngp, border="red", lwd=2, add=TRUE)

Data yang telah dihasilkan tersebut dapat disimpan dalam bentuk raster geotiff atau lainnya seperti pada tutorial sebelumnya.

Selamat mencoba.

Download Global Administrative, Topography and Bioclimatic Database Through R Program

noreply@blogger.com (ilubis85) — Sat, 11 Nov 2017 15:39:00 +1000

Mengunduh data administrasi, topografi dan bio-iklim langsung melalui Program R

Salah satu keunggulan menggunakan program R adalah kita bisa langsung menunduh data dengan menggunakan satu atau dua baris perintah di program R tanpa harus membuka portal website tertentu untuk mencari dan mengunduhnya. Keunggulan ini dimiliki oleh pustaka “raster” yang sudah sering dipakai pada tutorial-tutorial sebelumnya. Data-data yang bisa diunduh langsung seperti batas administrasi suatu daerah/negara (Global Administrative Database-GADM)pada beberapa level, data ketinggian (Digital Elevation Model) resolusi 90m, data iklim global seperti suhu tahunan rata-rata/minimum/maksimum, curah hujan, dan data bioclime yang biasanya dipakai untuk analisis pemodelan distribusi spesies (Species Distribution Model).

Pada tutorial kali ini kita akan mencoba mengunduh langsung data-data tersebut yang kemudian bisa dipakai langsung untuk kebutuhan analisis data. Secara bertahap, kita akan memulainya dengan menyiapkan folder dimana output akan disimpan secara otomatis. Setelah itu memanggil data wilayah yang akan dijadikan acuan (area of interest) untuk mengunduh data. Lalu memanggil pustaka raster yang menyediakan perintah yang dibutuhkan untuk mengunduh data-data tersebut.

Data yang akan digunakan dalam tutorial ini dapat diunduh disini. Salah satu data yang akan dihasilkan dapat dilihat pada Gambar 1.

Gambar 1. Peta Bio-Iklim 1 yang merupakan data suhu tahunan rata-rata

## Mengaktifkan folder kerja, dimana semua hasil akan disimpan
setwd("D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/04_Hasil")
# Memanggil pustaka rgdal untuk membaca data vektor
require(rgdal)

# Memanggil data batas kawasan TNGP sebagai area of interest, sebaiknya dalam proyeksi geografis
tngp <- readOGR(dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/02_Data_mentah/01_Data_vektor", layer="Batas TNGP")

# Memeriksa dimensi geografis (extent) sebagai acuan dalam menentukan posisi “long” dan “lat”
Extent(tngp)
Kita akan menggunakan nilai “xmin=106” dan “ymin=-6” untuk menentukan daerah yang akan diunduh khususnya data topografi dan bio-iklim.

# Download data online menggunakan perintah raster::getData
# Memanggil pustaka raster
require(raster)

# 1 - Download peta administrasi indonesia
# Melihat code negara Indonesia menggunakan perintah getData('ISO3')
getData('ISO3')

# Memanggil peta administrasi Indonesia pada level 0 (batas negara)
# Unduh data langsung di folder hasil menggunakan perintah download=TRUE
indo0 <- getData(name = "GADM", country='IDN', level=0, download = TRUE )

# Memanggil peta administrasi Indonesia pada level 1 (batas provinsi)
indo1 <- getData(name = "GADM", country='IDN', level=1, download = TRUE )

# Plot data adminstrasi yang sudah di download seperti terlihat pada Gambar 2
par(mfrow = c(2, 1)) # membuat partisi plot dalam 2 baris dan 1 kolom
plot(indo0, col="yellow", border="blue", main="GADM level 0 (batas negara)")
plot(indo1, col="green", border="red", main="GADM level 1 (batas provinsi)")
par(mfrow = c(1, 1)) # menutup partisi

Gambar 2. Peta administrasi Indonesia pada level 0 dan 1

# 2 - Download data ketinggian (SRTM) menggunakan xmin/long=106 dan ymin/lat=-6
srtm <- getData(name = "SRTM", lon=106, lat=-6, download = TRUE )

# Plot data ketinggian menggunakan variasi warna dari RColorBrewer seperti terlihat pada Gambar 3
library(RColorBrewer)
plot(srtm, col=brewer.pal(10,"BrBG"), xlab="Long", ylab="Lat",
main="Ketinggian (mdpl)")

Gambar 3. Peta ketinggian di wilayah Jawa Barat

# 3 - Download data curah hujan
precip <- getData('worldclim', var='prec', lon=106, lat=-6, res=0.5,download = TRUE)

Data curah hujan yang akan diunduh terdiri dari 12 data yang mewakili setiap bulan dalam setahun. Informasi lebih lanjut mengenai data dapat dilihat pada website http://www.worldclim.org/.

# Memberikan nama bulan pada masing-masing data
names(precip) <- c("Jan","Feb","Mar","Apr","May","Jun","Jul","Aug",
"Sept","Oct","Nov","Dec")

# Plot data curah hujan di enam bulan terakhir seperti terlihat pada Gambar 4
plot(precip,7:12, col=brewer.pal(10,"Blues"))

Gambar 4. Peta curah hujan antara Bulan Juli sampai Desember

# 4 - Download data Bioclim
bioclim <- getData('worldclim', var='bio', lon=106, lat=-6, res=0.5,download = TRUE)

Sama halnya dengan data curah hujan, data bio-iklim juga memiliki 19 jenis data iklim yang sangat penting untuk melihat penyebaran spesies, karena secara ekologi, sebaran spesies sangat dipengaruhi suhu dan curah hujan. Informasi detail mengenai 19 data bio-iklim dapat dilihat pada website http://www.worldclim.org/

# Memberikan nama pada masing-masing data
names(bioclim) <- c("Bio1","Bio2","Bio3","Bio4","Bio5","Bio6","Bio7","Bio8",
"Bio9","Bio10","Bio11","Bio12","Bio13","Bio14","Bio15","Bio16",
"Bio17","Bio18","Bio19")

# Plot data bio-iklim 1 seperti yang terlihat pada Gambar 1 diatas
plot(bioclim,1, col=brewer.pal(10,"BrBG"))

Selamat mencoba!!!

Create distance layers using R program

noreply@blogger.com (ilubis85) — Mon, 6 Nov 2017 22:19:00 +1000

Membuat peta jarak dari lokasi menggunakan software R

Analisis jarak (distance) sangat banyak manfaatnya dan telah banyak digunakan dalam studi atau penelitian dibidang ekologi maupun bidang lainnya. Misalnya pada penelitian mengenai tingkat deforestasi di suatu tempat, biasanya jarak dari jalan ataupun jarak dari pemukiman berkolerasi positif terhadap tingkat deforestasi. Artinya, hutan yang berada dekat dengan jalan atau perkampungan biasanya memiliki tingkat deforestasi yang lebih tinggi dibanding dengan hutan yang berada jauh dari jalan atau pemukiman.

Jadi pada tutorial kali ini, kita akan belajar melakukan analisis jarak dari suatu lokasi baik yang berbentuk titik, garis ataupun area. Pada data yang memiliki format raster, analisis jarak dapat dilakukan dengan menggunakan fungsi distance yang ada pada pustaka raster. Pada pustaka yang sama, kita juga bisa melakukan analisis jarak dari data vektor yang berbentuk titik tanpa harus merubah format ke raster terlebih dahulu dengan menggunakan perintah distanceFromPoints.

Analisis jarak berikutnya adalah membuat matriks jarak antar sepasang titik dengan menggunakan perintah pointDistance, hasil luarannya berupa matriks data, bukan peta. Hal ini biasanya digunakan untuk menghitung jarak rata-rata antar lokasi, misalnya jarak rata-rata antar lokasi survey atau transek. Data vektor atau raster yang digunakan untuk analisis jarak tidak harus memiliki sistem proyeksi UTM, bisa juga dilakukan pada data yang memiliki sistem kordinat geografis.

Kita akan memulai tutorial ini dengan menggunakan fungsi distance dari data vektor jalan yang sudah diubah menjadi raster pada tutorial sebelumnya. Setelah itu, kita akan membuat peta jarak antar desa tanpa harus mengkonversi data titik desa dalam format vektor ke format raster. Yang terakhir, kita akan membuat matriks jarak antar titik lokasi penelitian di TNGP. Data yang akan digunakan dalam tutorial ini dapat diunduh disini.. Hasil dari analisis jarak dapat dilihat pada gambar dibawah.

Gambar 1. Hasil analisis jarak dari batas TNGP dalam bentuk raster

## Mengaktifkan folder kerja, dimana semua hasil luaran akan disimpan
setwd("D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/04_Hasil")
# Cara pertama, membuat jarak dari jalan di TNGP
# Membaca data raster jalan hasil konversi pada tutorial sebelumnya
# Memanggil pustaka raster
require(raster)

# Memanggil data jalan dalam bentuk raster
tngp <- raster("D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/04_Hasil/tngp_raster.tif")

# Membuat peta jarak dari jalan, hasil dapat dilihat pada Gambar 1
jarak_tngp <- distance(tngp)

# Cara kedua, membuat peta jarak antar lokasi penelitian di TNGP
# Membaca data dalam format shapefiles
# Memanggil pustaka "rgdal"
require(rgdal)

# Memanggil data titik desa di sekitar TNGP
desa <- readOGR(dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/02_Data_mentah/01_Data_vektor", layer="Desa_geo")

# Meghitung jarak antar desa, menggunakan data tngp (raster) sebagai template/wadah raster
jarak_antar_desa <- distanceFromPoints(tngp,desa)

Gambar 2. Hasil analisis jarak antar desa menggunakan data vektor

# Cara ketiga, menghitung jarak antar 2 titik atau lebih
# Memanggil data titik lokasi penelitian di TNGP
lokasi <- readOGR(dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/02_Data_mentah/01_Data_vektor", layer="Lokasi penelitian")

# Data lokasi dalam proyeksi UTM, maka set lonlat=FALSE
jarak_antar_lokasi <- pointDistance(lokasi, lonlat=FALSE)

Gambar 3. Matiks hasil perhitungan jarak antar lokasi penelitian

# Plot hasil
# Grafik jarak dari jalur (Gambar 1)
library(RColorBrewer)
plot(jarak_tngp,col=brewer.pal(20,"Spectral"))
plot(tngp, col="green", legend=FALSE, add=TRUE)

# Grafik jarak dari lokasi (Gambar 2)
plot(jarak_antar_desa,col=brewer.pal(10,"Spectral"))

# Menyimpan data hasil analisis
writeRaster(jarak_tngp,overwrite=TRUE, filename="jarak_dari_tngp.tif")
writeRaster(jarak_antar_desa,overwrite=TRUE, filename="jarak_antar_desa.tif")

# Menyimpan jarak antar lokasi penelitian ke format excell
write.csv(jarak_antar_lokasi, "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/04_Hasil/jarak_antar_lokasi.csv")

SELAMAT MENCOBA...

Raster to/from vector conversion in R

noreply@blogger.com (ilubis85) — Fri, 3 Nov 2017 19:53:00 +1000

Mengubah format data raster dari dan ke vektor

Data spasial dalam bentuk vektor dapat diubah menjadi format raster, begitu juga sebaliknya. Seringkali kita dihadapkan pada situasi dimana bekerja dengan format raster lebih mudah dan lebih ringan dibanding bekerja dengan format vektor. Namun penting untuk diperhatikan bahwa perubahan atau transformasi data ini dapat menyebabkan berkurangnya akurasi, dan ini sangat bergantung dengan ukuran piksel yang diinginkan.

Tutorial kali ini kita akan mengubah format data vektor menjadi data raster dan sebaliknya menggunakan program R. Pada dasarnya, proses rasterisasi ini membutuhkan dua input data, yakni data vektor yang akan diubah menjadi raster dan template raster tujuan yang telah memiliki resolusi atau dimensi geografis yang dinginkan. Template raster ini berfungsi sebagai wadah tempat dimana nilai atau informasi yang ada di vektor akan disimpan. Proses rasterasi membutuhkan memori yang cukup banyak, tergantung jenis data vektor yang akan dikonversi. Sebagai contoh, mengubah data vektor seperti jalan yang berkelok-kelok atau sungai yang bercabang-cabang akan membutuhkan memori yang lebih besar dibandingkan dengan mengubah data lokasi atau titik desa dalam bentuk titik.

Ringkasnya, kita akan melakukan beberapa tahapan dimulai dari menentukan folder aktif, memanggil data vektor, memanggil data raster yang akan dijadikan sebagai template/wadah dari raster tujuan, kemudian mengubah kembali dari raster ke vektor, lalu membuat layout dan menyimpan data yang telah dikonversi. Tutorial sebelumnya telah membahas beberapa rangkaian proses ini. Salah satu hasi layout dari tutorial ini terlihat seperti gambar di bawah 1 di bawah.

Data yang digunakan dalam tutorial ini dapat diunduh disini.

Gambar 1. Hasil konversi data (DEM) dan kawasan TNGP dalam format raster menjadi vektor (kontur dan polygon)

# Mengaktifkan folder kerja, dimana semua hasil luaran akan disimpan
setwd("D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/04_Hasil")

# Membaca data dalam format shapefiles
# Memanggil pustaka RGDAL
library(rgdal)

# Memanggil data batas wilayah studi (polygone)
# Memanggil data titik desa di sekitar wilayah studi (point)
desa <- readOGR(dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/02_Data_mentah/01_Data_vektor", layer="Desa_geo")

# Memanggil data jalan di sekitar wilayah studi (polyline)
jalan <- readOGR(dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/02_Data_mentah/01_Data_vektor", layer="Jalan_geo")

# Memanggil data batas kawasan TNGP
tngp <- readOGR(dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/02_Data_mentah/01_Data_vektor", layer="Batas TNGP")

# Kemudian memanggil data raster yang akan dijadikan sebagai template/wadah dari raster tujuan
# Memanggil pustaka raster
require(raster)

# Memanggil data ketinggian (digital elevation model)
dem <- raster("D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/02_Data_mentah/02_Data_raster/Dem_TNGP.tif")

# Gunakan raster dem sebagai template raster sebagai acuan.
raster_temp <- raster(dem)

# Kemudian hapus setiap nilai dari setiap pixel (menjadi NA)
raster_temp[] <- NA

# Check template raster
summary(raster_temp)

Semua nilai yang ada di raster dem akan hilang dan berubah menjadi NA

# Lalu ubah data vektor menjadi raster menggunakan perintah rasterize()
desa_r <- rasterize(desa, raster_temp, field=1)
jalan_r <- rasterize(jalan, raster_temp, field=1)
tngp_r <- rasterize(tngp, raster_temp, field=1)

# Plot data yang sudah dirasterise, legend dihilangkan karena tidak begitu diperlukan
plot(tngp_r, col="green", legend=FALSE)
plot(jalan_r, col="red", legend=FALSE, add=TRUE)
plot(desa_r, col="black", legend=FALSE, add=TRUE)

Hasil dari plot tersebut dapat dilihat pada gambar 2 di bawah ini

Gambar 2. Hasil konversi dari vektor ke raster

Titik desa yang terlihat pada gambar 2 tersebut hampir tidak terlihat karena ukuran piksel yang kecil, namun bukan berarti tidak ada.

Sebaliknya, hasil raster yang sudah diubah, dapat di transformasi lagi ke data vektor dengan menggunakan perintah rastertoPoints() untuk data point, rasterToPolygones() untuk data polygone, dan rasterToContour() untuk mengubah data ke bentuk isoline. Sebagai contoh, kita akan membuat data kontur dari data dem dan kawasan TNGP.

# Konversi raster ke vektor
dem_kontur <- rasterToContour(desa_r, levels=seq(1000,3000,100))
tngp_v <- rasterToPolygons(tngp_r, dissolve = TRUE)

Pada perintah rasterToContour, nilai levels=seq(500,3000,100) memerintahkan untuk membuat garis kontur dimulai dari ketinggian 500 mpl sampai 3000 mdpl dengan jarak antar garis sekitar 100 meter. Sementara perintah dissolve=TRUE memerintahkan agar polygone yang memiliki nilai atribut yang sama digabung menjadi satu kelas.

# Plot data menggunakan warna yang lebih menarik menggunakan pustaka RColorBrewer

library(RColorBrewer)

plot(dem, col=brewer.pal(10,"Spectral"), ylab="X", xlab="Y")

lines(dem_kontur, lwd=0.5, col="pink")

plot(tngp_v,border="green", lwd=2, add=TRUE)

# Menyimpan data hasil konversi vektor ke raster

writeRaster(desa_r,overwrite=TRUE, filename="desa_raster.tif")

writeRaster(jalan_r,overwrite=TRUE, filename="jalan_raster.tif")

writeRaster(tngp_r,overwrite=TRUE, filename="tngp_raster.tif")

# Menyimpan data hasil konversi raster ke vektor

writeOGR(dem_kontur, dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/04_Hasil",layer="dem_kontur",overwrite_layer = TRUE, driver="ESRI Shapefile")

writeOGR(tngp_v, dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/04_Hasil",layer="tngp_vektor",overwrite_layer = TRUE, driver="ESRI Shapefile")

Vector based geoprocessing in R

noreply@blogger.com (ilubis85) — Sat, 28 Oct 2017 22:25:00 +1000

Mengolah data vektor menggunakan software R

Mengolah data vector seperti membuat buffer, intersect dan clip merupakan teknik-teknik dasar yang dibutuhkan dalam analisis GIS (Sistem Informasi Geografis) khususnya di bidang ekologi dan konservasi. Berbagai aplikasi GIS sudah banyak dikembangkan untuk tujuan konservasi seperti penentuan sistem zonasi, habitat preferensi, daerah rawan perburuan, dan lainnya.

Pada tutorial kali ini, kita akan mencoba menentukan kategori “zona aman” untuk kawasan TNGP secara praktis menggunakan program R. Inti dari pertanyaan yang akan kita jawab disini adalah bagian mana di kawasan TNGP yang cukup jauh dari gangguan manusia dan pastinya aman bagi hidupan liar untuk hidup dan berkembangbiak. Dari hasil analisis GIS menggunakan R ini, kita akan menghasilkan sebuah peta seperti yang terlihat pada Gambar 1.

Data yang digunakan dalam tutorial ini dapat diunduh disini.

Gambar 1. "Zona Aman" (warna hijau) di kawasan TNGP

Sebagai pendahuluan, Taman Nasional Gunung Gede Pangrango (TNGP) merupakan salah satu kawasan konservasi tertua di Indonesia yang terletak di Provinsi Jawa Barat. Kawasan TNGP dikelilingi oleh kota-kota besar dengan populasi manusia yang cukup tinggi. Dengan demikian, kawasan ini menjadi destinasi pariwisata alam yang paling diminati. Lebih dari puluhan ribu pengunjung datang untuk menikmati panorama alam di kawasan ini setiap tahunnya. Baik untuk sekedar menikmati keanekaragaman tumbuhan di Kebun Raya Cibodas, merasakan dinginnya air terjun Cibereum, berkemah di kandang badak atau mendaki ke puncak Gede dan Pangrango.

Selain memiliki fungsi pemanfaatan, kawasan konservasi pada umumnya memiliki fungsi lainnya seperti fungsi perlindungan dan pengawetan. Kedua fungsi tersebut diperlukan untuk melestarikan berbagai organisme yang hidup di TNGP. Oleh karena itu, perlunya menentukan “Zona aman” bagi hidupan liar yang akan menjamin kelestarian setiap spesies yang hidup. Bagian yang “aman” dari gangguan manusia tentunya bagian yang cukup jauh dari jalur pendakian atau dari pos-pos tempat pengunjung berkemah. Selain itu, cukup jauh dari perbatan TNGP yang dikelilingi oleh pemukiman. Berbekal dengan pengetahuan tersebut, kita akan mencoba menentukan daerah aman tersebut. Walaupun tentunya tidak akan sesederhana itu, perlu kajian yang lebih dalam untuk memastikan hal tersebut, tentunya tidak akan dibahas disini.

Sebagai langkah awal, kita akan menggunakan dan memanggil kembali data yang pernah digunakan pada tutorial sebelumnya, khususnya untuk data vektor saja.

# Mengaktifkan folder kerja
setwd("D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/Result")

# Membaca data vektor dalam format shapefile
# Memanggil pustaka RGDAL
library(rgdal)

# Memanggil data point
lokasi <- readOGR(dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT /Vector",layer="TNGP_sites")

# Memanggil data garis
jalur <- readOGR(dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/Vector",
layer="Hiking_trail")

# Memanggil data poligon/area
tngp <- readOGR(dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/Vector",
layer="TNGP_boundary")

Selanjutnya kita akan memeriksa sistem proyeksi atau kordinat dari data tersebut. Karena kita akan melakukan pembuatan buffer atau jarak dari titik/garis/poligon yang tentunya dalam satuan metrik (m). Jika proyeksinya masih dalam sistem Geografis, cara mengubah proyeksi dapat dilihat pada tutorial sebelumnya.

# Memeriksa proyeksi data, pastikan dalam meter (UTM)
projection(lokasi)
projection(jalur)
projection(tngp)

#Kemudian kita akan membuat buffer dari data vektor titik, garis maupun poligon
# Membuat buffer 500m dari data titik
lokasi_buf500 <- gBuffer(lokasi, width = 500, byid = FALSE)

# Membuat buffer 500 m dari jalur
jalur_buf500 <- gBuffer(jalur, width = 500, byid = TRUE)

# Membuat buffer 1km dari batas TNGP ke dalamkawasan
tngp_bufin1000 <- gBuffer(tngp, width =-1000, byid = TRUE)

Tanda negatif (-) pada angka 1000 menginformasikan bahwa buffer yang diinginkan adalah 1 km dari batas kawasan ke bagian dalam kawasan. Sebaliknya, jika ingin membuat buffer di luar batas, maka tanda negatif dihilangkan saja.

Langkah selanjutnya adalah memotong daerah yang memiliki intensitas gangguan yang tinggi seperti pinggir kawasan, sepanjang jalur pendakian, dan sekitar titik objek wisata yang sudah di buffer.

# Memotong daerah sekitar objek wisata (lokasi wisata + buffer 500 m)
lokasi_in_tngp <- gDifference(tngp, lokasi_buf500)
# Memotong daerah sekitar jalur pendakian (Jalur pendakian + buffer 500 m)
lokasi_in_tngp_clip_jalurbuf <- gDifference(lokasi_in_tngp, jalur_buf500)

# Memotong daerah sekitar batas kawasan TNGP (batas TNGP - buffer 1000 m)
lokasi_in_tngp_clip_jalurbuf_clip_tngpbufin <-
gIntersection(lokasi_in_tngp_clip_jalurbuf, tngp_bufin1000)

# Plot hasil analisis seperti yang terlihat pada Gambar 1
plot(tngp, border = "black")
plot(lokasi_in_tngp_clip_jalurbuf_clip_tngpbufin, col="green", add=TRUE)
plot(jalur, col = "red", lwd=3, add=TRUE)
plot(lokasi, pch=15, col = "blue", add=TRUE)

# Membuat legenda sederhana
legend(701000, 9244000,
legend=c("Batas TNGP", "Zona AMAN", "Jalur pendakian","Pos"),
col=c("black", "green", "red", "blue"),
lty=1, cex=1)

SELAMAT MENCOBA !!!

Spatial projection in R

noreply@blogger.com (ilubis85) — Sun, 22 Oct 2017 14:52:00 +1000

Membaca dan merubah proyeksi atau sistem kordinat dengan program R

Istilah "Proyeksi" pasti sering Anda dengar ketika banyak bekerja dengan data yang memiliki informasi geografis. Proyeksi dan sistem kordinat adalah suatu sistem yang dapat mentranformasi data dari bentuk sphere (rupa muka bumi) yang berbentuk bulat menjadi peta dua dimensi melalui pendekatan matematis.

Pada program R, kedua informasi proyeksi dan sistem kordinat disimpan dalam format yang spesifik yakni proj4 string yang disimpan dalam pustaka PROJ.4 (http://trac.osgeo.org/proj). Berbagai sistem proyeksi berikut definisinya dijelaskan secara komprehensif pada pustaka tersebut.

Sebagai contoh, sistem kordinat geografi (tanpa proyeksi) dapat dituliskan seperti ini
"+proj=longlat +datum=wgs84"

Sementara untuk proyeksi UTM seperti pada wilayah Jawa Barat (WGS 84/UTM Zona 48S) dapat dituliskan seperti:
"+proj=utm +zone=48 +south +datum=WGS84 +units=m +no_defs +ellps=WGS84 +towgs84=0,0,0"

Pada tutorial kali ini, kita akan mencoba membaca dan merubah proyeksi data spasial dengan berbagai format data. Kita akan menggunakan data yang sama pada tutorial sebelumnya yang akan menghasilkan dua data spasial yang memiliki proyeksi yang sama seperti gambar dibawah.

Data yang digunakan dalam tutorial ini dapat diunduh disini.

Gambar 1. Peta curah hujan tahunan (biru) di sekitar TNGP (merah)

Seperti biasa, kita harus menyiapkan lokasi atau folder aktif dimana hasil ataupun output akan disimpan, dengan menggunakan fungsi setwd pada R.

## Mengaktifkan folder kerja, dimana semua hasil luaran akan disimpan
setwd("D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/04_Hasil")

Kemudian memanggil kembali data spasial baik dalam bentuk vektor (point/polyline/polygone) maupun dam bentuk raster. Kita akan membutuhkan pustaka "rgdal" untuk data vektor dan pustaka "raster"untuk data raster.

# Memanggil pustaka rgdal dan raster
library(rgdal)
library(raster)

# Memanggil data batas kawasan TNGP (polygone)
tngp <- readOGR(dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/02_Data_mentah/01_Data_vektor", layer="Batas TNGP")

# Memanggil data lokasi penelitian di TNGP (point)
lokasi <- readOGR(dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/02_Data_mentah/01_Data_vektor", layer="Lokasi penelitian")

# Memanggil data curah hujan tahunan yang diperoleh dari website WORLDCLIME (raster)
annprec <- raster("D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/02_Data_mentah/02_Data_Raster/AnnPrep_TNGP.tif")

Sistem kordinat dan proyeksi dari data spasial yang telah dipanggil tersebut dapat dilihat dengan menggunakan perintah projection seperti berikut;

# Membaca dan memeriksa proyeksi dan sistem kordinat
projection(tngp) # Proyeksi geografi
projection(lokasi) # Proyeksi UTM Zone 48S
projection(annprec) # Proyeksi geografi

Batas kawasan Taman Nasional Gede Pangrango (TNGP) dan data curah hujan tahunan yang telah dipanggil memiliki proyeksi geografis, sementara untuk data lokasi penelitian memiliki proyeksi UTM 48S. Proyeksi geografi tersebut dapat diubah menjadi UTM 48S ataupun sebaliknya. Untuk data yang memiliki format dalam bentuk vektor, kita akan menggunakan perintah spTransform dari pustaka sp, sementara untuk data raster bisa menggunkan perintah projectRaster dari pustaka raster.

# Mengubah proyeksi data vektor TNGP dari Geografis ke UTM
# CARA 1 - Menggunakan proyeksi kordinat yang diperoleh dari data "lokasi"
tngp_utm.1 <- spTransform(tngp, CRS = crs(lokasi))

# CARA 2 - Mengubah proyeksi data vektor Geografi ke UTM
# Menentukan proyeksi tujuan yang diinginkan (UTM)
utm48s <- crs("+proj=utm +zone=48 +south +datum=WGS84 +units=m +no_defs +ellps=WGS84 +towgs84=0,0,0")

# Lalu ubah proyeksinya
tngp_utm.2 <- spTransform(tngp, CRS = crs(utm48s))

# Periksa kembali proyeksi sebelum dan sesudah diproses
projection(tngp) # Geografi
projection(tngp_utm.1) # UTM
projection(tngp_utm.2) # UTM

Selanjutnya merubah proyeksi data raster dari geografi ke UTM
# Merubah proyeksi data raster menggunakan informasi sebelumnya
annprec_utm <- projectRaster(annprec, crs = utm48s)

# Periksa kembali proyeksi sebelum dan sesudah
projection(annprec) # Geografi
projection(annprec_utm) # UTM

Sebaliknya, kita juga dapat merubah proyeksi UTM ke sistem kordinat geografi, sama halnya dengan sebelumnya.

Kemudian plot peta. Kali ini kita akan menggunakan pola warna yang berbeda dengan menggunakan pustaka RColorBrewer

library(RColorBrewer)
# Menampilkan pilihan warna yang ada pada RColorBrewer
display.brewer.all() # pilih kode warna yang disukai, misalnya "Blues"

# Plot data yang akan menghasilkan Gambar 1 diatas
plot(annprec_utm, col=brewer.pal(30,"Blues"), xlab="Timur (mtr)", ylab="Utara(mtr)")
plot(tngp_utm.1, border="red", lwd=2, add=TRUE)
points(lokasi, pch=18, col = "black")

Data yang telah ditransformasi dapat disimpan kembali kedalam file. Untuk data vektor dapat disimpan menggunakan perintah writeOGR, sementara untuk data raster bisa menggunakan perintah writeRaster seperti contoh dibawah.

# Menyimpan data vektor dengan format shapefile
writeOGR(tngp_utm.1, dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/04_Hasil",
layer="Batas_TNGP_utm",overwrite_layer = TRUE, driver="ESRI Shapefile")

# Menyimpan data raster dengan format TIF
writeRaster(annprec_utm,overwrite=TRUE, filename="annprec_utm.tif")

Selamat mencoba.....

Reading spatial data with R program

noreply@blogger.com (ilubis85) — Fri, 10 Mar 2017 20:13:00 +1000

Membaca data spasial dengan program R

Program R merupakan sebuah program yang awalnya dikembangkan untuk analisis data statistik, sama halnya dengan program SPSS, Matlab, dan lainnya. Seiring perkembangan zaman, saat ini program R juga dapat membaca dan menganalisis berbagai macam data termasuk data spasial atau data yang memiliki informasi geografi. Hal yang paling penting adalah program ini GRATIS dengan pustaka yang jumlahnya banyak yang telah dikembangkan untuk tujuan-tujuan yang berbeda.

Tutorial ini akan membahas bagaimana cara membaca data spasial di program gratisan ini. Ada beberapa pustaka atau yang dikenal dengan istilah package di R yang berfungsi untuk membaca dan mengolah data spasial, beberapa diantaranya akan digunakan pada tutorial ini. Hasil tutorial ini akan
tampak seperti Gambar 1 di bawah.

Data yang digunakan dalam tutorial ini dapat diunduh disini.

Gambar 1. Peta yang menunjukkan lokasi Taman Nasional Gunung Gede Pangrango (TNGP)

Langkah pertama adalah menentukan lokasi atau folder aktif dimana hasil ataupun output akan disimpan, dengan menggunakan fungsi setwd pada R.

# Mengaktifkan folder kerja, silahkan disesuaikan dengan folder kerja Anda
setwd("D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/04_Hasil")

Membaca data vektor seperti titik (points), garis (lines/polylines), dan area (polygon) bisa dilakukan dengan beberapa pustaka (package) yang sudah tersedia di R (https://cran.r-project.org). Dalam tutorial ini kita akan menggunakan pustaka rgdal untuk membaca data vektor, dan pustaka raster untuk membaca data raster.
# Memanggil pustaka rgdal
require(rgdal)

Kita akan memanggil beberapa jenis data vektor seperti jalan, desa, dan batas kawasan Taman Nasional Gunung Gede Pangrango. Data ini diperoleh dari website Badan Informasi geospasial (BIG) di http://tanahair.indonesia.go.id. Anda bisa menggunakan data apa saja yang Anda punya, dalam bentuk shp (shapefile).

# Memanggil data batas wilayah studi (polygone)
aoi <- readOGR(dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/02_Data_mentah/01_Data_vektor", layer="Batas_wilayah_kajian")

Informasi (dsn= "..../....") berisikan path atau folder lokasi dimana Anda menyimpan data. Misalnya data ini saya simpan di drive D:LUBIS_....../..../. Sementara (layer=".....") berisikan nama shapefile yang akan dipanggil dalam folder tersebut. Kemudian panggil data lainnya.

# Memanggil data titik desa di sekitar wilayah studi (point)
desa <- readOGR(dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/02_Data_mentah/01_Data_vektor", layer="Desa_geo")

# Memanggil data jalan di sekitar wilayah studi (polyline)
jalan <- readOGR(dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/02_Data_mentah/01_Data_vektor", layer="Jalan_geo")

# Memanggil data tbatas kawasan TNGP
tngp <- readOGR(dsn = "D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/02_Data_mentah/01_Data_vektor", layer="Batas TNGP")

Data yang sudah dipanggil akan tersimpan dalam memory komputer, sekarang kita coba plot data yang sudah dipanggil tersebut.

Berikutnya kita coba memanggil data dalam bentuk raster. Sebagai contoh kita akan coba membuka data topografi dalam bentuk DEM (Digital Elevation Model) yang diperoleh dari website USGS. Silahkan baca tutorial (KLIK DISINI) yang menunjukkan bagaimana cara mendapatkan data topografi secara gratis.

Untuk raster yang hanya berisikan satu layer (informasi/nilai) bisa menggunakan fungsi raster (“path/file.tif”) yang tersedia pada pustaka raster. Jika file raster memiliki lebih dari satu layer (beberapa lapis informasi) seperti data pada citra satelit landsat yang terdiri dari beberapa layer yang disebut band, bisa menggunakan perintah brick (“path/file.tif”) dari pustaka yang sama.

# Membaca data raster
# Memanggil pustaka raster
require(raster)

# Memanggil data ketinggian (digital elevation model)
dem <- raster("D:/LUBIS_PRIVATE_DATA/R_GIS_PROJECT/02_Data_mentah/02_Data_raster/Dem_TNGP.tif")

Setelah semua data dipanggil, kita akan plotkan pada satu peta yang sama yang menyajikan berbagai informasi, sama halnya ketika Anda akan melayout peta pada program lainnya seperti ArcGis atau QGis.

# Memeriksa hasil skaligus plot peta
# lines ==> menambahkan garis pada plot
# points ==> menambahkan data titik pada plot
# add=TRUE ==> menambahkan data poligone pada plot
# lwd = 0.5 ==> lebar garis
# col = "white" ==> tampilan warna putih keseluruhan
# border = "red" ==> tampilan warna merah pada batas data
plot(dem)
lines(jalan, col = "white", lwd = 0.5)
plot(tngp, border = "red", lwd=3, add=TRUE)
points(desa, pch=20, col = "blue")
Hasil dari plot peta diatas dapat dilihat pada Gambar 1.

Selamat mencoba

Analyzing various kind of spatial data Using Pivot Table in Ms.Excell

noreply@blogger.com (ilubis85) — Sat, 5 Sep 2015 13:39:00 +1000

Analisis data spasial dengan menggunakan fungsi Pivot Table pada Ms. Excell

Berbagai kegiatan yang berkaitan dengan analisis spasial atau GIS (Geographic Information System) biasanya tidak terlepas dari permasalahan pengolahan data yang terkadang cukup besar, sesuai dengan luasan cakupan study area dan juga atribut atau parameter yang ingin dianalisis. Semakin luas area yang dianalisis, dan atau semakin banyak parameter yang akan diolah, maka akan semakin sulit untuk melakukan penyortiran atau modifikasi data. Untuk merubah data yang besar tersebut ke dalam bentuk grafis seperti tabel dan grafik, agar lebih mudah dimengerti oleh pembaca, maka diperlukan suatu tehnik yang dapat mensortir atau memodifikasi data tersebut dengan cara-cara yang efektif dan efisien. Salah satu tehnik yang dapat digunakan adalah dengan menggunakan fungsi pivot table yang tersedia pada Ms. Excell berbagai versi.

Pada tutorial kali ini, Saya akan mencoba mengolah data spasial dengan menggunakan tehnik tersebut. Sebagai contoh, saya akan mencoba mensortir data spatial yang dalam bentuk DBF (Dbase File) ke Ms. Excell 2007 (versi lain mungkin tidak jauh berbeda) untuk kemudian dianalisis.

Berikut adalah caranya;

Buka file dbf tersebut. Biasanya, suatu data spatial yang berbentuk Shapefile (shp) biasanya terdiri dari 4-5 item dengan bentuk ekstensi yang berbeda seperti; SHP, SBN, SBX, DBF, dll. Nah, untuk membuka file dbf tersebut, sebelunya buka Ms. Excell, kemudian klik open (1), lalu pilih folder (2) data yang akan diambil, jangan lupa mengubah file extensinya menjadi dbf (3), lalu pilih file (4) yang akan dibuka tersebut. Seperti pada gambar berikut ini.

Figure 1. Open dbf (DBase File) file
Setelah file terbuka, blok area (1) yang akan dianalisis atau disortir, lalu buka fungsi Pivot Table (2) yang berada pada Tab "Insert", setelah itu klik option (3) lalu akan muncul jendela baru, kemudian beri tanda centang pada "Classic Pivot Table Layout" (4) yang berada pada tab "Display" lalu klik OK(5).

Figure 2. Creating Pivot Table using Ms. Excell 2007
Setelah template atau classic layout Pivot Table keluar, maka pilih data yang akan dimasukkan dalam template tersebut sesuai kebutuhan, caranya hanya "Drag and Drop" jenis data yang akan ditampilkan. Pada tutorial ini, Saya mencoba menganalisis jenis penggunaan kawasan hutan berdasarkan tahun terjadinya perubahan serta luasan yang berubah. Pada Kolom paling kanan, terdapat semua parameter (1) yang ada, kemudian data jenis penggunaan kawasan (2) hutan Saya Drag and Drop pada template Pivot Table sebelah kiri (kolom), lalu data tahun (3) sebelah atas (baris), kemudian luasan (4) saya letakan ditengah. Sehingga diperoleh tabel baru yang berisi informasi yang diinginkan.

Figure 3. New table created using Pivot Table
Setelah itu kita dapat membuat grafik dari tabel tersebut sesuai kebutuhan.

Fragstat Tool for Fragmentation Analysis

noreply@blogger.com (ilubis85) — Mon, 24 Aug 2015 00:47:00 +1000

Analisis Fragmentasi Hutan Menggunakan Aplikasi Fragstat

Fragmentasi hutan merupakan salah satu faktor utama yang menyebabkan berkurangnya keanekaragaman hayati di alam. Fenomena ini dapat terjadi karena hutan yang dulunya merupakan satu areal yang kompak yang kini menjadi terpecah belah karena adanya gangguan baik secara alami ataupun karena adanya aktivitas manusia. Secara alami, fragmentasi hutan dapat terjadi karena adanya bencana alam seperti longsor, gempa, dan kebakaran hutan yang terjadi karena faktor alam. Namun, faktor utama yang menyebabkan tingginya laju fragmentasi hutan khususnya di Indonesia disebabkan oleh adanya aktivitas manusia seperti pembangunan jalan, aktivitas logging, pertanian, serta perkebunan yang berada di dalam atau di sekitar kawasan berhutan.

Gambar 1. Salah satu bentuk fragmentasi Hutan (Mongabay.co.id)

Pecahnya kawasan hutan menjadi beberapa bagian ini sangat berdampak pada keberadaan flora dan fauna yang berada di dalamnya. Selain menyebabkan degradasi habitat, fragmentasi hutan juga dapat menghilangkan habitat penting organisme tertentu. Dalam jangka waktu tertentu, hal ini dapat menyebabkan pemecahan populasi suatu organisme menjadi sub-sub populasi yang dapat menyebabkan kepunahan lokal atau penurunan keanekaragaman genetik. Beberapa penelitian yang telah dilakukan telah membuktikan dampak negatif fragmentasi hutan terhadap keanekaragaman hayati.

Dalam rangka pengelolaan hutan yang mendukung kelestarian habitat flora dan fauna, fragmentasi hutan perlu diukur dan dianalisis. Gabungan software ArcGis dan Fragstat dapat digunakan untuk melakukan analisis fragmentasi yang terjadi di suatu areal tertentu khususnya di daerah berhutan. Dalam tutorial kali ini, kita akan mencoba menganalisis fragmentasi hutan yang terjadi di Taman Nasional Bukit 12 pada periode, 1990 - 2013. Dalam tutorial ini, kita akan memfokuskan untuk pengukuran beberapa variabel penting terkait fragmentasi hutan seperti luas kelas hutan ((Class Area/CA), jumlah fragmen atau patch hutan (NumP), luas rata-rata patch hutan (Mean Patch Size /MPS), Total Edge (TE), Edge Density (ED) dan Mean Shape Index (MSI).

Sebagai catatan:

Patch merupakan polygon terkecil penyusun suatu Class, contohnya satu petak sawah yang dikelilingi oleh petak sawah lainnya,
Class adalah penyusun landscape yang terdiri dari beberapa patch yang memiliki karakter yang sama, contohnya adalah beberapa fragmen hutan di kawasan taman nasional,
Sementara Landscape adalah penyusun suatu ekosistem terdiri dari beberapa class, contohnya adalah landscape Taman Nasional Berbak yang terdiri dari berbagai tutupan lahan.

I. Alat dan bahan:

Seperangkat komputer dengan software ArcGis atau QGIS dan juga software Fragstat yang sudah terinstal.

Tiga buah data tutupan lahan, kali ini menggunakan tutupan lahan hutan di Jambi pada tahun 1990, 2003, dan 2013. Data ini diperoleh dari BAPLAN.

II. Tutorialnya adalah sebagai berikut:

Dalam proses analisis fragmentasi ini, berbagai tipe data dapat digunakan, namun kali ini kita akan menggunakan data dalam bentuk raster ("img.). Proyeksi yang digunakan adalah proyeksi UTM untuk memudahkan dalam perhitungan metriks. Kali ini kita menggunakan Proyeksi UTM-WGS84-48-S.
Silahkan membuka program Fragstat. Lalu buka filenya seperti pada Gambar berikut. Klik Erdas Imagine (img) sebagai Data type Selection, lalu pilih data yang akan dipakai dengan mengklik tombol kanan atas. File yang akan digunakan adalah LULC_Jambi_1990_utm1.img, yakni raster yang berisikan tutupan hutan pada tahun 1990 di TN Bukit 12. Tampilan jumlah row dan colomn beserta cellsize akan tampak seperti pada gambar dibawah.

Gambar 2. Interface awal Fragstat saat membuka data awal
Setelah itu, kita perlu menyiapkan class descriptor dalam bentuk text file yang berfungsi sebagai acuan fragstat dalam menganalisis data. File teks file tersebut berisikan ID, Name, Enabled, IsBackground. ID merupakan identitas setiap fitur yang akan dianalisis (sesuaikan dengan ID pada file raster yang dianalisis), Name merupakan nama dari setiap kelas, Enabled berfungsi sebagai penentu apakah fitur tersebut akan di analisis atau tidak (True or False), sementara IsBackground berfungsi sebagai penentu apakah data tersebut digunakan sebagai background value atau tidak (True or False). Jadi tentukan apa saja yang akan kita analisis misalnya (Forest, True, False) sedangkan yang lainya yang tidak ingin dianalisis berbentuk (false, false), seperti pada gambar berikut.

Gambar 3. Class descriptor
Kemudian tentukan parameter yang akan digunakan. Klik pada Analysis parameter yang berada pada panel sebelah kanan interface, lalu pilih 8 Cell Rule, kemudian pada No Sampling strategy, centang Patch metrics, class metrics, dan landscape metrics seperti pada gambar di bawah.

Gambar 4. Penentuan parameter yang akan digunakan
Lalu tentukan metrics yang akan dianalisis. Klik pada Patch Metric dan tentukan parameter yang diperlukan seperti Patch Area (PA) dan Patch Perimeter (PP), Lalu pada Class Metrics, centang Total Area (TA), Largest Patch Index (LPI), Total Edge (TE), dan Edge Density (ED), serta Mean Patch Area (MPA). Lalu pada Landscape Metrics, centang Mean Shape Index (MSI), Number of Patch (NP), dan Patch Density (PD) seperti pada gambar berikut.

Gambar 5. Penentuan variabel (Metrics) pada Patch Metrics

Gambar 6. Penentuan variabel (Metrics) pada Class Metrics

Gambar 7. Penentuan variabel (Metrics) pada Landscape Metrics
Penting untuk diketahui bahwa jika kita ingin menganalisis CORE AREA METRIX, CONTRAST METRIX, SIMILARITY INDEX, maka kita akan membutuhkan tabel EDGE DEPTH, namun kali ini, kta tidak memerlukannya.
Secara optional, kita dapat mengeksport parameter dan juga metrics tersebut ke dalam batchfile untuk memudahkan dan mempercepat analisis multi images/data.
Lalu klik RUN, maka akan muncul jendela baru yang berisi informasi jumlah metrics yang akan dianalisis seperti pada gambar di bawah. Pada analisis ini terlihat bahwa kita mencoba menganalisis 10 metriks.

Gambar 8. Sesaat sebelum proses analisis di mulai
Kita dapat memonitor keberhasilan proses yang dilakukan pada jendela yang berada di kanan bawah interface fragstat termasuk waktu yang diperlukan dalam melakukan analisis. Jika berhasil, tekan tanda RESULT, maka beberapa tabel akan muncul pada setiap kelas metriks yang dianalisis (Patch, Class, Landscape) seperti pada gambar berikut.

Gambar 9. Tabel hasil analisis Fragstat
Data tersebut kemudian kita eksport ke dalam bentuk Excell. Klik pada Save Run As, lalu pilih lokasi folder tujuan, dan beri nama file sebagai Lulc_Jambi_1990. Lalu Klik Save. Pada folder output, terdapat 3 file yang berbeda yakni Patch, Class, dan Landscape. Kita dapat membukanya dengan menggunakan Ms. Excell.
Ketika membuka file, akan muncul text import wizard, hal ini terjadi karena file yang dibuka memilik format lain selain excell. Untuk membukanya, ikutin intruksi selanjutnya.

Gambar 10. Text Import Wizard.
Centang pada tanda Delimited, lalu klik Next, kemudian beri tanda centang pada Tab dan juga Comma, lalu klik Finish. Maka data tersebut telah terkonversi ke dalam format Excell.
Lakukan hal yang sama diatas untuk file yang lainnya yakni LULC_Jambi_2003 dan LULC_Jambi_2013. Lalu bandingkan hasilnya.

Gambar 11. Hasil analisis Fragstat untuk Landscape Metrix

Gambar 12. Hasil analisis Fragstat untuk Class Metrix

Ada banyak parameter yang bisa digunakan dalam analisis fragmentasi, dan beberapa parameter membutuhkan input data yang lebih seperti kedalaman batas (EDGE_DEPT) yang diperlukan untuk analisis Core Area. Sebagai salah satu contoh, hasil dari analisis beberapa parameter yang digunakan dalam tutorial ini untuk kelas Landscape adalah Path Number (NP), Patch Density (PD), dan Mean Shape Index (MSI), sementara untuk kelas Class adalah Class Area (CA), Total Edge (TE), Mean Patch Area (MPA). Silahkan dilihat perbedaannya. Untuk memahaminya memang tidak mudah karena dibutuhkan wawasan mengenai pengelolaan kawasan konservasi yang dalam. Namun secara logika, kita dapat menyimpulkan bahwa pada Gambar 12, fragmentasi hutan semakin tinggi dilihat dari Total Edge (TE) yang semakin tinggi dari tahun ke tahun. Semakin tinggi panjang batas hutan (TE), maka dapat dipastikan bahwa hutan tersebut telah terfragmentasi.

The End

The right traps for turtle conservation research method

noreply@blogger.com (ilubis85) — Fri, 7 Aug 2015 10:30:00 +1000

Beberapa metode penangkapan kura-kura dan labi-labi secara "manusiawi"

Kebanyakan metode penangkapan kura-kura saat ini dilakukan secara konvensional menggunakan alat-alat yang dapat menyebabkan kematian atau cacat pada tubuh reptil tersebut. Biasanya masyarakat tradisional menggunakan pancing untuk menangkap bulus, atau secara tidak disengaja tertangkap sewaktu memancing ikan. Beberapa pemaburu labi-labi atau kura-kura menggunakan long line bait yakni serangkaian mata pancing yang banyak pada satu benang pancing yang panjang yang kemudian diletakkan disepanjang pinggir sungai ataupun danau, kemudian ditinggal untuk beberapa saat. Dengan demikian, peluang mendapatkan bulus semakin besar. Akan tetapi, selain metode ini sangat menyiksa reptil tersebut, tidak jarang satwa yang terpancing ditemukan mati atau tenggelam karena dibiarkan untuk waktu yang cukup lama.

Keselamatan dan kesehatan satwa biasanya tidak menjadi hal yang penting bagi para pemburu hewan melata tersebut, karena kebanyakan hewan-hewan berdarah dingin ini ditangkap untuk kemudian dijual sebagai makanan, obat ataupun sebagai hewan piaraan. Namun hal ini menjadi sangat penting bila kegiatan penangkapan kura-kura ini dilakukan untuk kepentingan penelitian dengan tujuan konservasi. Metode-metode yang digunakan untuk menangkap satwa tersebut harus menjamin keselamatan dan kesehatan satwa tersebut dengan meminimalisir stress pada satwa yang ditangkap. Apalagi satwa yang ditangkap akan dikembalikan ke habitat alaminya untuk selanjutnya di monitoring. Akan tetapi, bila dibandingkan dengan metode penangkapan yang konvensional, peluang mendapatkan kura-kura atau labi-labi tersebut jauh lebih kecil, setidaknya berdasarkan pengalaman pribadi penulis sendiri.

Gambar 1. Proses pembuatan perangkap secara manual di lokasi penelitian

Beberapa waktu lalu, saya ikut mendampingi peneliti yang berasal dari Amerika Serikat yakni Timothy Lescher, dalam survey penelitian Labi-Labi Bintang (Chitra-Chitra Javanensis) di Taman Nasional Berbak, Provinsi Jambi (Lubis, 2014). Adapun tujuan penelitiannya adalah untuk mengetahui distribusi dan populasi satwa yang termasuk dalam Endangered species dalam daftar IUCN. Oleh karena itu, metode penangkapan yang digunakanpun harus sesuai dengan prinsip-prinsip konservasi. Hal ini menjadi sangat sulit karena jenis yang ingin ditangkap adalah jenis yang hidup di perairan yang cukup dalam, sehingga diperlukan metode khusus untuk menangkapnya. Selain itu, penelitian ini juga bertujuan untuk menangkap jenis kura-kura ataupun labi-labi lainnya yang hidup diperairan tersebut, sehingga diperlukan beberapa jenis perangkap yang berbeda.

Adapun perangkap yang digunakan untuk menangkap labi-labi besar ini adalah deep water trap sementara perangkap untuk labi-labi atau kura-kura berukuran kecil sedang dan kecil menggunakan hoop traps (Lescher et al., 2013) dan Jubis trap. Deep water trap dirakit sendiri oleh Timothy di USA, sementara hoop traps dan Jubis traps dirakit bersama di lapangan dengan menggunakan beberapa ring besi yang dirangkai dengan jaring/net berukuran sedang (Gambar 1). Jubis trap sendiri adalah perangkap baru hasil penggabungan model perangkap hoop trap dan perangkap ikan lokal yang disebut "bubu". Jubis berasal dari kata Juma dan Lubis, yakni 2 orang yang menciptakan perangkap baru ini. Total perangkap yang digunakan selama penelitian ini adalah 2 deep water trap, 3 hoop trap dan 3 Jubis trap dengan waktu penelitian selama kurang lebih 2 bulan (Juni-Juli 2014).

Masing masing perangkap tersebut memiliki kelebihan dan kekurangan. Berikut ini adalah beberapa pengalaman penting yang mungkin bisa dijadikan pembelajaran (lessons learned) yang diperoleh pada saat penelitian tersebut. Hal ini bertujuan untuk memberian informasi mengenai metode penangkapan kura-kura ataupun labi-labi yang lebih manusiawi, berikut kelebihan dan kekurangan masing masing alat.

1. Deep water trap

Perangkap ini berukuran cukup besar dan merupakan perangkap yang paling berat untuk digunakan dilapangan. Perangkap ini berukuran 1,2 x2 x 0,5 meter dengan panjang jaring berkisar 4-7 meter (Gambar 2). Walaupun perangkap ini bisa dilipat, akan tetapi cukup sulit untuk memasang dan memindahkannya dari satu lokasi ke lokasi lainnya. Butuh 2-3 orang untuk memasang dan menarik perangkapnya dari dalam air. Karena selain besar, perangkap ini juga menggunakan pelampung yang terbuat dari ban-dalam berukuran besar. Pelampung tersebut berada dalam jaring net yang bertujuan untuk memastikan bahwa satwa yang masuk perangkap masih bisa naik ke permukaan untuk bernafas, untuk mengurangi resiko kematian satwa tersebut.

Gambar 2. Deep Water Trap

Kelebihan:

Cukup kuat dan besar untuk menangkap kura-kura ataupun labi-labi berukuran besar (1-2 mtr), bisa dilipat, tidak menyakiti satwa yang masuk perangkap, fleksibel digunakan di daerah dengan arus yang dipengaruhi oleh pasang surut air laut.

Kekurangan:

Sulit untuk dirakit, hanya bisa digunakan di sungai besar dengan kedalaman lebih dari 3 meter dengan arus yang tenang, karna arus yg deras akan menghanyutkan perangkap tersebut, selama digunakan dalam penelitian tersebut tidak satupun mahluk hidup yang masuk dalam perangkap kecuali ikan atau udang, membutuhkan waktu dan tenaga lebih untuk memindahkan dari lokasi satu ke lokasi berikutnya.

2. Hoop Trap

Perangkap hoop trap ini berukuran kurang lebig 1x2 meter dan lebih kecil dan ringan dibanding deep water trap. Selain itu jenis perangkap ini hanya menggunakan 3 ring besi berukuran diameter 1 m. Kemudian ring besi ini dirangkaikan dengan menggunakan jaring (mesh) yang jika diregangkan akan membentuk seperti misil atau turpedo (Gambar 3). Cara pengunaannya biasanya dengan memberikan pengait atau pemberat pada ujung perangkap lalu ditenggelamkan dalam air, sementara ujung yang lainnya di ikat ke pohon di pinggir sungai sedemikan rupa sehingga sebagian ujung tersebut berada diatas permukaan air, agar satwa yang masuk perangkap masih bisa naik ke permukaan air untuk bernafas.

Gambar 3. Hoop Traps

Kelebihan:

Mudah dibuat dan dipasang serta ringan untuk dibawa, biasanya digunakan pada perairan yang dangkal dan pada sungai yang tidak terlalu lebar.

Kekurangan:

Sebaiknya digunakan pada sungai yang tidak dipengaruhi oleh pasang surut air untuk menghindari tenggelamnya keseluruhan perangkap di dalam air, posisi umpan yang kurang tepat dan biasanya berada di tengah perangkap dan terkadang mengambang ke permukaan air sehingga mudah terlihat oleh hewan lain seperti biawak yang kemudian akan memakan umpan dan merusak perangkap.

3. Jubis trap.

Jenis perangkap ini belum pernah dideskripsikan sebelumnya, karena merupakan perangkap yang dimodifikasi dari perangkap lokal yang disebut "Bubu" yang biasanya digunakan oleh masyarakat lokal untuk menangkap ikan. Perbedaanya hanya pada penempatan mulut perangkap dan posisi upan. Selain itu jenis ini hanya menggunakan 2 ring besi berdiameter 1 meter dengan panjang 1,5 meter. Posisi perangkap berdiri (vertikal) dan menggunakan pelampung baik dari ban karet sepeda motor atau menggunakan beberapa botol aqua kosong. Kegunaannya pelampung ini adalah apabila air pasang, perangkap ini juga akan mengapung sehingga satwa yang terperangkap masih bisa bernafas.

Gambar 4. Juma dan Lubis (Jubis) Trap

Kelebihan:

Dapat digunakan diseluruh jenis sungai baik sungai yang dalam maupun yang dangkal, bisa juga digunakan pada sungai yang dipengaruhi pasang surut air laut, bisa dilipat dan mudah untuk dibawa.

Kekurangan:

Tidak bisa digunakan pada sungai yang berarus deras, membutuhkan beberapa tiang kayu untuk membuatnya bisa berdiri seperti Gambar 4 diatas.

Selain itu, hal yang perlu diperhatikan dalam upaya untuk menangkap kura-kura antara lain adalah penggunaan umpan yang tepat. Selama penelitian di TN Berbak tersebut, umpan yang digunakan adalah ikan dan atau ayam yang segar yang dipotong menjadi beberapa bagian. Sepanjang penelitian, yakni kurang lebih 300 trapnights (1 trap dalam 1 malam), hanya 1 trap saja yang berhasil menangkap labi-labi atau kura-kura, yakni Jubis trap. Umpan yang digunakan juga sedikit berbeda, yakni menggunakan udang. Berdasarkan beberapa sumber, penggunaan udang sebagai umpan untuk menangkap-labi-labi atau kura-kura cukup efektif dan bisa digunakan beberapa kali. Sementara penggunaan ikan ataupun ayam segar sangat tidak efektif dan efisien.

Namun karena udang sangat sulit ditemukan di lokasi penelitian, selain itu karena penelitian dilakukan dalam jangka waktu yang lama, diperlukan sistem penyimpanan umpan yang baik seperti pendingin atau cool box. Namun, mengingat lokasi penelitian ditengah hutan, mustahil untuk melakukannya.

LESCHER, T. C., TANG-MARTÍNEZ, Z. & BRIGGLER, J. T. 2013. Habitat Use by the Alligator Snapping Turtle (Macrochelys temminckii) and Eastern Snapping Turtle (Chelydra serpentina) in Southeastern Missouri. The American Midland Naturalist, 169, 86-96.

LUBIS, M. I. 2014. Survey Awal Mengenai Relung Habitat Dua Jenis Buaya (Buaya Muara dan Senyulong) di Taman Nasional Berbak, Provinsi Jambi. Warta Herpetofauna. Bogor: Kelompok Kerja Konservasi Amfibi dan Reptil Indonesia.

Published in Majalah Herpetofauna Edisi July 2015

Masking out the cloud from Landsat imagery

noreply@blogger.com (ilubis85) — Fri, 24 Jul 2015 14:46:00 +1000

Teknik memotong awan dan bayangannya pada citra landsat

Salah satu masalah yang cukup menggangu dalam penafsiran citra satelit adalah kehadiran awan dan bayangannya sehingga data yang diperoleh kurang begitu informatif. Berbagai cara untuk memotong awan telah ditemukan, salah satu diantaranya adalah dengan menggunakan aplikasi Fmask. Fmask merupakan suatu program sederhana yang dapat digunakan untuk menghilangkan awan dan bayangannya pada suatu citra satelit. Setelah awan dihilangkan, maka citra tersebut dapat ditambal dengan citra lainnya yang memiliki rentang waktu yang dekat. Untuk selanjutnya silahkan ikutin tutorial berikut.

Gambar 1.Tampilan sebelum dan sesudah awan dan bayangannya dihilangkan

Aplikasi Fmask ini dapat dijalankan pada sistem operasi Windows dan Linux, namn kali ini kita akan menggunakan Fmask pada Windows 7. Adapun alat dan bahan yang diperlukan antara lain:

Seperangkat komputer dengan memory yang cukup tinggi (diatas 4GB), karena aplikasi ini membutuhkan memory yang banyak untuk dijalankan,
Aplikasi Fmask yang dapat diunduh di https://www.dropbox.com/s/59b4o7tijsyag6e/Fmask.zip?dl=0, informasi mengenai Fmask dapat dibaca di https://code.google.com/p/fmask/
Citra satelit yang sudah di download, dengan cara mengikuti tutorial di link ini,
Software Matlab dan ENVI, Matlab dapat di unduh pada link berikut http://www.mathworks.com/downloads/web_downloads/, Anda diharuskan untuk register terlebih dahulu. Untuk software ENVI bisa cari sendiri, karena hasil luaran dari Fmask berupa file yang hanya bisa dibaca dengan program ENVI.

Adapun langkah penggunaannya adalah sebagai berikut:

Buka aplikasi Matlab yang sudah di download. Sebagai catatan, aplikasi matlab.exe tidak terbaca pada Start Menu>Program file, namun Anda bisa memanggilanya di Start menu>Search>Matlab, kemudian klik.

Gambar 2. Tampilan awal Matlab 2015a
Setelah itu, klik Sethpath, lalu pilih add folder, kemudian pilih folder dimana Anda sudah menunduh file Fmask tersebut seperti pada gambar 3 di bawah. Setelah itu klik select folder.

Gambar 3. Cara mengupload perintah Fmask pada matlab
Maka serangakaian perintah yang diperlukan untuk masking awan sudah diintegrasikan ke Matlab. Setelah itu tentukan folder Ctra Landsat yang baru saja di download. Sebagai catatan, folder tersebut harus berisikan file individual band dan satu text file berisi informasi detail mengenai citra tersebut. Karena jika terdapat file lain seperti contoh ****.AUX (hasil creating piramid layers), maka akan ada messages error. Setelah Anda berada di folder tersebut, klik alamat folder tersebut seperti contoh berikut : (E:\MAP_DATABASE\Raster\LANDSAT_DATA\Jambi\All_data\LC81250612015136LGN00), setelah di copy, kemudian di paste pada alamat yang ada pada Interface Matlab seperti gambar di bawah.

Gambar 4. Memasukkan data citra yang akan di masking
Kemudian ketik fungsi autoFmask, lalu tekan Enter. Sebaiknya Anda menutup aplikasi lainnya karena proses ini membutuhkan memory cukup besar, jika tidak laptop Anda bisa hang dan blue screen seperti yang saya alami beberapa kali. Selain itu proses ini membutuhkan waktu yang cukup lama, sebaiknya Anda tidak melakukan apa-apa selama proses berlangsung, cukup berdo'a saja. Setelah berhasil, maka akan ada notifikasi seperti pada gambar berikut.

Gambar 5. Notifikasi jika proses berhasil dilakukan
Jika berhasil, maka akan ada tambahan dua file di forlder citra satelit tersebut dengan ekstensi *****_MTLFmask yang hanya bisa dibaca oleh aplikasi ENVI. File tersebut berisikan image yang secara default memberi nilai tertentu pada awan dan bayangannya. Dengan nilai tersebut, kita bisa menggunakannya untuk masking out the cloud.
Buka file tersebut pada aplikasi ENVI. Kemudian buka juga file band RGB untuk membandingkan dan membuat link dengan data hasil Fmask tersebut seperti pada gambar berikut.

Gambar 6. Hasil Fmask (kiri) dan citra awal (kanan)
Namun ada satu kendala yang harus diselesaikan sebelum masking awan beserta bayangannya tersebut. Hal ini disebabkan karena secara default, fungsi autoFmask tersebut mengubah nilai DN (digital numbers) beberapa tutupan lahan seperti gambar berikut,
Artinya, jika kita menggunakan nilai diatas dalam melakukan masking, maka yang akan di masking adalah daratan karena bernilai nol (apapun dikalikan dengan nol adalah nol), sehingga kita perlu mengubah nilai daratan selain awan dan bayangannya menjadi 1, dan awan beserta bayangannya menjadi 0, seperti pada keterangan dibawah.
Caranya adalah sebagai berikut. Buka folder Fmask yang telah di download pada aplikasi Matlab, select all pada semua fungsi yang ada dalam folder tersebut seperti gambar berikut.

Gambar 7. Cara membuka untuk mengedit beberapa fungsi di Fmask
Stelah semua fungsi terbuka, pada tab fcssm.m, klik search (ctrl+F) lalu isi cs_final, setelah itu lakukan perubahan seperti berikut; - Ubah cs_final = zeros menjadi cs_final = ones (artinya clear land bernilai 1, bukan 0; - Ubah cs_final(shadow_cal==1)=1 menjadi cs_final(shadow_cal==1)=0; - Ubah cs_final(cloud_cal==1)= 1 menjadi cs_final(cloud_cal==1)= 0; - Lainnya biarkan default, karena kita hanya fokus pada awan dan bayangannya. Setelah itu klik save (ctrl+s).

Gambar 8. Hasil perubahan nilai pada fungsi Fmask
Lalu ulangi kemali langkah 4 diatas dengan mengetik autoFmask pada fungsi matlab. Setelah berhasil, buka kembali filenya untuk kemudian di masking.
Setelah file Fmask dan file RGB (B3, B4, B5 pada Landsat 8) dibuka, klik kanan pada window dimana file RGB landsat 8 terbuka, kemudian pilih Save Image As, lalu window baru akan muncul, pilih file type keluaran (berbagai type output bisa dipakai), setelah itu klik select mask, lalu pilih file Fmask tersebut. Kemudian klik OK.

Gambar 9. Proses masking pada ENVI
Jika berhasil, buka file yang baru saja di masking, lalu bandingkan dengan file awal seperti yang terlihat pada gambar 1 diatas.
Data hasil masing awan tersebut akan bernilai 0, sehingga Anda bisa menambalnya dengan menggunakan citra lainnya dengan rentang waktu yang berdekatan. Caranya dengan mengikuti tutorial disini.

Where to download topography map

noreply@blogger.com (ilubis85) — Fri, 24 Jul 2015 00:00:00 +1000

Tips mendapatkan peta topography gratis

Peta topografi pada dasarnya adalah peta yang memiliki informasi bentuk rupa bumi yang memiliki dimensi panjang, lebar, dan tinggi dari permukaan laut. Sehingga peta ini sangat bermanfaat untuk berbagai bidang yang terkait dengan pengelolaan sumber daya alam. Karena pada dasarnya penyebaran flora dan fauna dan sumber daya alam lainnya sangat erat kaitannya dengan topografi daerah tersebut. Adapun manfaatnya di bidang pengelolan sumber daya alam adalah sebagai data awal untuk analisis kemiringan lereng, ketinggian, daerah aliran sungai, dan lainnya.

Pemetaan relief muka bumi ini dapat dilakukan dengan berbagai cara antara lain (USGS):

Survey lapang dengan menggunakan alat pengukuran tinggi yang dilengkapi oleh GPS system, Sistem ini membutuhkan waktu dan dana untuk memetakan relief permukaan bumi daerah tertentu dengan resolusi cukup detail.
Pasif sistem atau Stereo-photogrammetry dengan menggunakan survey udara, sebagai contoh adalah ASTER (Terra Advanced Spaceborne Thermal Emission and Reflection Radiometer) yang menggunakan spaceborne atau satelit. ASTER sendiri dikembangkan oleh NASA dan juga METI (Japan's Ministry of Economy, Trade, and Industry). Sistem ini memiliki berbagai band seperti VNIR (Visible and Near Infraared), SWIR (Shortwave Infrared), dan TIR (Thermal Infraared).
Aktif sistem dengan menggunakan system Radar (interferometry), sebagai contoh adalah SRTM (Shuttle Radar Topography Mission) dan Lidar (Light Detection and Ranging).

Dalam tutorial kali ini, kita akan mencoba untuk mendapatkan peta topografi secara gratis yang nantinya akan digunakan untuk memperoleh informasi ketinggian, lereng, dan aspek. Peta yang akan di download adalah peta SRTM.

Ada beberapa sumber atau website yang dapat digunakan untuk mengunduh data SRTM, antara lain:

Reverb, http://reverb.echo.nasa.gov/reverb
GDEx, http://gdex.cr.usgs.gov/gdex/
Data Pool and DAAC2Disk, https://lpdaac.usgs.gov/data_access/data_pool

Dalam tutorial kali ini kita akan menggunakan Website GDEx yang memiliki beberapa kelebihan sehingga memudahkan pengguna untuk memilih data dan areal yang akan di download, caranya adalah sebagai berikut:

Buka http://gdex.cr.usgs.gov/gdex/
Silahkan login, atau register bagi Anda yang belum pernah register sebelumnya pada website-website yang menyediakan data dari USGS dan NASA. Sebagai catatan, hampir semua produk dari NASA dan USGS yang gratis tersebar pada beberapa website dimana Anda bisa mengakses keseluruhannya hanya dengan menggunakan satu user akun saja.
Pada tab Map layers di sebelah kanan, klik atau beri tanda petik pada DATA SRTM 1 ARSEC, artinya kita akan menngunggah data SRTM dengan resolusi 30 m, sedangkan 3 arsec untuk citra resolusi 90 m.
Lalu zoom daerah yang akan di download, misalnya pulau Jawa, kemudian draw box untuk memilih daerah yang akan di download seperti pada gambar di bawah. Dapat dilihat adanya grid berwarna gelap yang menutupi Pulau Jawa, grid tersebut adalah individual scene dari data SRTM tsb.
Setelah draw box, lalu klik tanda download (box dengan tanda panah kebawah) untuk mendownload. Kemudian akan ada preview file yang akan di download, lalu klik download. File yang di download berbentuk TIFF.
File siap dianalisis menggunakan software GIS seperti ArcGIS atau Image Analysis seperti ERDAS.

Where to download Landsat Images

noreply@blogger.com (ilubis85) — Fri, 26 Jun 2015 15:46:00 +1000

Cara mendownload Citra Landsat secara gratis

Salah satu metode cepat dan tepat dalam mengamati dan menganalisis mengenai perubahan-perubahan yang terjadi di permukaan bumi ini adalah dengan menggunakan produk dari satelit penginderaan jauh seperti Citra Satelit Landsat. Selain gratis, citra ini memiliki resolusi yang cukup tinggi diantara citra satelit lainnya yang tidak berbayar yakni 30 meter, cukup untuk melihat penampang sebuah lansekap yang berukuran sedang sampai luas.

Di bidang konservasi sendiri, produk satelit ini telah banyak digunakan untuk berbagai keperluan terutama untuk melihat perubahan tutupan lahan dari waktu ke waktu. Hal ini diperlukan sebagai salah satu indikator keberhasilan program perlindungan hutan dan ekosistem. Selain itu, citra satelit ini juga bisa digunakan untuk menganalisis penyebaran flora dan fauna serta mobilitasnya, mengkuantifikasi jasa-jasa lingkungan, meninjau perkembangan tumbuhan, serta monitoring perubahan iklim.

Tampilan data citra yang akan diunduh melalui website GLOVIS

Citra landsat sendiri sudah ada sejak tahun 1972 yakni Landsat MSS (80 m, 4 band), lalu Landsat 4 dan 5 atau landsat TM (30/120 m, 7 band), kemudian Landsat 7/ETM+ (15/30/60 m, 8 band), dan yang belum lama ini diluncurkan (tahun 2013) adalah Landsat 8/OLI/TIRS (15/30/90 m, 9 band). Sensor pada satelit landsat ini yang terdiri dari beberapa band di desain pada dasarnya untuk mendeteksi cahaya yang direfleksikan oleh permukaan bumi dalam bentuk gelombang (visible dan infrared).

Ada beberapa sumber yang tersedia untuk mendownload citra landsat tersebut, antara lain;

Landsat Look Viewer (http://landsatlook.usgs.gov; http://glovis.usgs),
Glovis (http://glovis.usgs.gov),
Global Land Cover Facility (http://glcf.umd.edu/data/landsat),
Erath Explorer (http://earthexplorer.usgs.gov),
WELD (http://weld.cr.usgs.gov, http://globalweld.cr.usgs.gov),
Landsat Global Archive Consolidation (USGS) (http://landsat.usgs.gov/Landsat_Global_Archive_Consolidation.php)

Website-website tersebut memiliki features masing-masing dengan kelebihan dan kekurangannya. Saya lebih suka menggunakan Glovis karena dapat memberikan informasi yang lebih dibanding sumber lainnya. Salah satunya dengan tampilnya beberapa scenes di sekeliling yang memudahkan dalam pemilihan scene untuk di download. Selain itu Anda juga dapat mengunggah AOI (Area of Interest) dalam bentuk shapefile sehingga mempermudah dalam pemilihan scene yang akan di download.

Dalam tutorial kali ini, kita akan mencoba mendownload Citra Satelit Landsat melalui website Glovis.

Adapun langkahnya adalah sebagai berikut:

Buka http://glovis.usgs.gov. Bagi Anda yang baru pertama kali buka website Glovis, Anda perlu mendownload applikasi Java versi tertentu, silahkan mengikuti petunjuk yang ada.
Silahkan masukkan Path/Row lokasi yang Anda inginkan. Path/Row adalah lokasi setiap scene dalam bentuk Worldwide Reference System (WRS). Ada dua jenis WRS yakni WRS 1 dan 2. WRS 1 biasanya untuk Landsat 1, 2, 3, sementara WRS 2 untuk Landsat 4, 5, 6, 7, dan 8. Berikut adalah Path/Row landsat untuk Indonesia.
Sebagai contoh, kita akan mendownload citra Landsat 8 tahun 2014 untuk lokasi TN. Gede Pangrango dan sekitarnya.

Path/row Pulau Jawa dan sektarnya
Lalu masukkan WRS-2 path/row : 122/65, max Cloud 20%, lalu klik GO. Anda dapat mengubah resolusi dengan mengklik Resolution lalu beri tanda petik pada 240 m. Anda juga dapat memasukkan shapefile lokasi yang ingin Anda download dengan cara klik Map layers, lalu pilih Read Shapefile, kemudian masukan file batas TNGP yang ada seperti pada gambar 2 berikut. Kemudian klik add untuk memasukkan kriteria tersebut untuk kemudian di download.
Setelah di add, klik send to chart, maka window baru akan terbuka dan Anda diminta untuk Login. Anda bisa menggunakan ID login Anda seperti pada tutorial sebelumnya.
Setelah sign-in, kemudian Anda harus memilih metode download secara order atau langsung atau menggunakan aplikasi Bulk Downloader. Applikasi Bulk Downloader memudahkan kita untuk mendownload beberapa citra sekaligus. Jadi pilih Bulk download, lalu tekan Apply, Kemudian pilih Go to Item Basket untuk melihat data yang akan di download, lalu pilih Proceed to Check out, dan terakhir pilih Submit order.
Lalu Anda akan mendapatkan notifikasi pada email yang Anda gunakan untuk registrasi sebelumnya.
Setelah itu Anda dapat mendownloadnya dengan menggunakan applikasi bulk downloader yang bisa Anda download di http://earthexplorer.usgs.gov/bulk/
Namun jika Anda ingin mendownload tanpa menggunakan bulk downloader, silahkan klik individual data yang ingin di download. Lalu akan terbuka webpage baru yang berisi informasi detail mengenai produk yang akan di download. Fitur download berada pada bagian tengah paling bawah, tinggal di klik Download.

Individual citra yang dapat diunduh langsung tanpa aplikasi bulk downloader
Lalu pilih download Level 1 Geotif.......(875.3 MB)
File yang telah di download akan berupa zip/rar file sehingga diperlukan software Winzip/Winrar untuk membukanya. Setelah di buka, akan ada file tiap individu band.
Selamat mencoba.

How to import Geo-tagged Photos to ArcMap

noreply@blogger.com (ilubis85) — Sun, 14 Jun 2015 18:46:00 +1000

Cara impor foto yang memiliki koordinat ke ArcMap

Dalam kajian tutupan lahan menggunakan Citra Satelit, kita terkadang diwajibkan untuk melakukan ground check sebagai acuan dalam penentuan jenis tutupan lahan hasil klasifikasi dari citra satelit tersebut. Untuk melakukan ground check di lapangan, kita terlebih dahulu membuat beberapa titik acak pada setiap jenis tutupan lahan yang sudah diklasifikasi. Setelah itu, kita harus mengunggah data titik tersebut ke dalam GPS untuk mempermudah dalam pencarian titik tersebut di lapangan. Cara membuat titik acak dan juga cara mengupload titik ke GPS dapat dilihat pada tutorial sebelumnya.

Setelah melakukan ground chek di lapanganan, kita akan memperoleh informasi mengenai jenis tutupan lahan yang ada pada titik tersebut. Informasi jenis tutupan lahan ini dapat berupa deskripsi ataupun foto. Untuk informasi deskripsi, kita cukup menampilkannya sebagai table dan mengimpornya ke dalam shapefile. Namun untuk informasi berupa foto, kita juga dapat mengimpornya ke dalam ArcMap sehingga memudahkan kita dalam menganalisis tutupan lahan pada titik-titik tersebut.

Gambar.1 Tampilan hasil impor foto ke ArcMap

Foto-foto tersebut tentunya foto yang memiliki koordinat yang secara otomatis diperoleh dengan menggunakan GPS (Global Positioning System) yang memiliki Kamera atau Kamera yang memiliki GPS. Dalam tutorial kali ini, Saya menggunakan GPS GARMIN MONTANA yang memiliki kamera, dan juga Kamera DSLR NIKON D5300 yang memiliki GPS Koordinat.

Untuk itu, kita akan menggunakan tools GeoTagged Photos To Points yang berada dalam ArcToolbox->Data Management Tools->Photos-> GeoTagged Photos To Points. Tool yang satu ini hanya tersedia pada ArcGis versi 10.1 dan sesudahnya.

Adapun langkah-langkahnya adalah sebagai berikut.

Kumpulkan foto-foto tersebut kedalam satu folder.
Buka ArcMap, lalu ArcToolbox. Pilih Data Management Tools->Photos-> GeoTagged Photos To Points.
Lalu arahkan ke folder foto tersebut, lalu kli Add.
Sebagai outputnya, kita akan mengunakan geodatabase yang default saja, jadi tidak perlu membuat file geodatabase yang baru jadi tidak perlu mengubah apapun. Sebagai tambahan, centang include Non-Geotagged Photos untuk mengunggah foto yang tidak memiliki informasi koordinat. Centang juga Add Photos as Attachment untuk memasukkan foto tersebut ke dalam file geodatabase yang dibuat. Lalu klik OK.

Gambar 2. Tampilan awal
Jika prosesnya telah selesai, titik-titik yang baru akan muncul di peta, lalu ubah simbol tersebut seperlunya.
Kemudian untuk menampilkan informasi foto tersebut, klik tanda HTML Popup yang berada di dekat gambar penggaris pada interface ArcMap tersebut. Lalu pilih titik yang akan ditampilkan, foto berikut informasi (metadata) akan muncul seperti pada gambar 1 diatas.

Gambar 3. HTML Popup symbol pada ArcMap
Semoga bermanfaat.

How to stack many images automatically using bactfile in Erdas 9.x

noreply@blogger.com (ilubis85) — Sat, 6 Jun 2015 20:51:00 +1000

Cara stacking beberapa Citra Landsat sekaligus secara otomatis mengunakan batchfile process

Citra satelit Landsat yang biasanya didownload dari berbagai website yang dimiliki oleh NASA dan USGS atau keduanya, biasanya berupa zip/extract file yang berisikan individu band yang terpisah satu sama lain. Sehingga untuk menampilkannya dalam bentuk RGB (Red, Green, and Blue) atau kombinasi band lainnya, kita harus melakukan penggabungan tiga band atau lebih tersebut melalui suatu proses yang disebut layerstacking. Beberapa software image processing seperti Erdas Imagine 9.x menyediakan fungsi tersebut.

Dalam proses layerstacking, kita diharuskan memasukkan satu-persatu band hingga menjadi satu output yang berbentuk Image (*.img). Hal ini memang mudah dilakukan jika kita hanya membutuhkan satu atau dua citra untuk dianalisis. Namun, hal tersebut menjadi tidak efektif jika kita membutuhkan banyak citra (dalam berbagai tiles atau beberapa tahun) untuk digabungkan.

Dalam software Erdas Imagine atau software image processing lainnya, kita mengenal adanya fungsi batchfile processing yang membolehkan pengguna untuk melakukan banyak pekerjaan dalam satu perintah yang tertulis dalam bentuk teks file (notepad). Keuntungannya adalah, kita tidak perlu duduk di depan komputer seharian, biarkan komputer melaksanakan perintah tersebut.

Sebagai contoh, kita akan melakukan batchfile processing untuk melakukan layerstack pada beberapa images sekaligus.

Langkah-langkahnya adalah sebagai berikut.

Siapkan file citra landsat hasil download dari website USGS dalam satu folder, kemudian extract pada folder yang sama tersebut. Hal ini dapat dilakukan sekaligus untuk berbagai tipe landsat (MSS, TM, ETM+, Landsat 8) atau dalam berbagai tiles (dengan path-row berbeda), atau dalam tahun yang berbeda. Buatlah nama folder yang sama dengan file asli untuk memudahkan prosesnya.
Kemudian buka Erdas Imagine, lalu pilih Interpreter, terus klik Utilities, dan pilih Layer Stack.
Input data yang akan di layerstack, kemudian pilih dan masukkan band yang akan digabungkan, setelah itu tentukan nama output file seperti pada contoh gambar 1 berikut. Jangan tekan OK jika sudah selesai.
Kemudian tekan tombol Batch yang berada di bagian tengah bawah, lalu pilih "Modify commands manually", lalu klik Next, maka akan muncul perintah atau commands, lalu copy dan paste perintah tersebut di program Notepad yang diberi nama layerstcak_all.bcf (Ingat untuk menuliskan *.bcf sebagai nama file, tidak mengikuti format Natepad biasa (*.txt).
Kemudian buka satu lagi dokumen notepad yang kosong (Untitle) yang akan digunakan untuk melakukan fungsi Find and Replace untuk menganti nama file secara otomatis. Lalu paste kembali perintah atau commands dari point No.4 diatas.
Kemudian klik edit dan tekan replace (atau tekan Control + H).
Setelah itu, copy nama folder pertama dan masukkan ke bagian "Find what". Lalu copy nama folder kedua untuk dimasukkan dalam kolom "Replace with". Artinya, nama file dari foder pertama akan diganti dengan nama file dari folder kedua. Setelah itu, copy perintah dari file "Untitle" tersebut ke dalam file Layerstack_all.bcf, dan ini kan menjadi perintah kedua untuk dijalankan.
Lakukan point 5-7 berulang-ulang sesuai dengan banyaknya folder citra yang akan di-stack. Jika terdapat 9 Images (folder), maka akan terdapat 7 perintah dalam layerstack_all.bcf file tersebut. Maka penulisan perintah selesai.
Untuk mengeksekusi perintah tersebut, buka Tab "Session" yang berada diatas Tab Viewer pada Erdas tersebut, lalu pilih "Open Batch Command File", lalu pilih data layerstack_all.bcf, lalu tekan Finish.
Maka Erdas akan mengeksekusi perintah tersebut secara otomatis. Selesai.

How to upload and download data from GPS

noreply@blogger.com (ilubis85) — Sat, 6 Jun 2015 19:29:00 +1000

Cara mudah upload dan download data dari GPS

Sebagai seorang peneliti di bidang manajemen atau konservasi sumber daya alam, kemampuan dasar di bidang GIS sangat diperlukan, terutama untuk persiapan penilaian SDA secara langsung di lapangan. Salah satu hal yang penting adalah bagaimana cara menentukan lokasi sampling yang tepat di peta dasar sebagai acuan untuk pelaksaan sampling di lapangan. Tentu saja hal tersebut dilakukan sebelum melakukan sampling di lapangan. Adapun cara penentuan lokasi sampling di lapangan dapat dilihat pada tutorial sebelumnya.

Nah setelah menentukan lokasi sampling yang biasa berupa titik-titik atau polygon dalam bentuk shapefile (*.shp), titik tersebut harus di upload ke Global Positioning System (GPS) untuk memudahkan dalam pencarian titik tersebut di lokasi sampling. Konversi shapefile ke dalam format file yang bisa dibaca oleh GPS dapat dilakukan oleh beberapa softwares. Beberapa diantaranya berbayar, namun ada juga yang gratis atau open source.

Salah satu software yang mendukung import GIS Data ke GPS dan juga sebaliknya adalah DNRGarmin. DNRGarmin sebelumnya dikenal sebagai program untuk melakukan eksport dari GPS data ke dalam format shapefile, khusus untuk GPS merk Garmin. DNRGarmin tersebut dapat diunduh secara gratis di http://www.dnr.state.mn.us/mis/gis/DNRGPS/DNRGPS.html.

Adapun penggunaannya adalah sebagai berikut.

1. Siapkan data yang siap diunggah ke GPS tersebut dalam format shp. Dalam tutorial kali ini, data yang akan digunakan adalah data titik random point yang merupakan hasil dari Tutorial sebelumnya. Anda dapat mengupload data baik dalam bentuk Points, Line, atau Polygon.

2. Pastikan GPS sudah terkoneksi dengan baik pada komputer atau laptop Anda. Pastikan Anda menggunakan Garmin USB Driver yang terupdate. Bisa diunduh di http://www8.garmin.com/support/download_details.jsp?id=592. Jika GPS sudah terkoneksi, maka akan muncul di interface DNRGPS tersebut.

3. Lalu klik tab File kemudian pilih Load From, terus pilih file yang akan di unggah ke GPS (Random_point.shp).

4. Lalu pilih atribut yang akan ditampilkan sebagai nama atau identitas dari titik yang telah dibuat. Dalam hal ini adalah CID.

5. Kemudian DNRGPS tersebut akan menampilkan data tersebut untuk kemudian di upload.

6. Kemudan klik GPS, lalu pilih Upload all, maka software tersebut akan mengunggah data random point tersebut ke GPS Anda. Selesai.

Nah, data yang akan Anda perlukan selama di lapangan nanti telah siap untuk digunakan. Hal ini sangat penting terutama jika Anda ingin melakukan Ground Check atau validasi data Citra Satelit di daerah yang menjadi fokus pekerjaan Anda.

Setelah Anda selesai dari lapangan dan ingin mendownload data dari GPS, Anda dapat melakukannya dengan mudah dengan menggunakan software DNRGPS yang sama. Anda hanya perlu meng-klik Waypoint-> Download all, kemudian pilih file yang akan di download, lalu tekan OK. Maka data waypoint yang Anda ingin download telah selesai.

Setelah itu, data tersebut di save ke dalam format shapefile sehingga mudah untuk dilihat pada ArcMap. Caranya dengan meng-klik File->Save to->ArcMap->File, lalu tentukan nama file tersebut. Maka file tersebut telah siap untuk ditampilkan di software GIS. Begitu juga halnya jika Anda inging download Tracks atau Routes, tapi jangan lupa mengaktifkan tabnya dengan cara klik Tab Waypoints atau Tracks sesuai dengan jenis data yang akan di download.

How to destrip (gap filling) Landsat 7 SLC-off

noreply@blogger.com (ilubis85) — Mon, 1 Jun 2015 09:30:00 +1000

Cara mengisi informasi yang hilang pada Citra Landsat 7 SLC-off karena adanya Stripping

Berbagai metode atau software mungkin memiliki kemampuan untuk mengisi data atau informasi yang hilang pada Citra Landsat 7 yang rusak karena adanya stripping. Namun beberapa software atau metode tersebut belum tentu valid untuk digunakan untuk scientific research, karena kebanyakan metode tersebut digunakan hanya untuk memperbaiki kualitas tampilan dan bukan memperbaiki kualitas informasi.

Namun, ada beberapa metode yang bisa digunakan untuk tujuan memperbaiki data yang hilang dengan menggunakan informasi pada Landsat images lainnya yang berbeda waktu. Artinya, data yang hilang tersebut dapat diisi dengan nilai yang ada pada citra lainnya yang memiliki waktu perekaman yang berdekatan, dan dilakukan pada setiap band yang ada atau band yang diperlukan. Hal ini mungkin dapat dilakukan pada berbagai images processing software, namun disini saya menggunakan Erdas 9.1.

Sebelum memulai, siapkan data Citra Landsat Utama yang akan ditambal, dan juga data satu atau lebih citra sebagai citra penambal yang memiliki waktu perekaman yang tidak jauh berbeda dengan waktu perekaman citra utama. Hasil penambalan tersebut dapat dilihat pada Gambar 1.

Gambar 1. Tampilan citra sebelum (Kiri) dan sesudah ditambal (Kanan)

Adapun langkahnya adalah sebagai berikut:

Siapkan citra utama dan citra penambal (satu atau lebih). Disini saya menggunakan 1 citra Landsat utama (le71220652010205edc00_stack) dengan 1 buah citra penambal (le71220652010173sgs00_stack). Kedua citra tersebut sudah di-layerstack dengan jumlah dan urutan band yang sama pada kedua citra tersebut.
Buka ERDAS Imagine 9.1.
Buka citra *.tif file untuk citra utama dan citra penambal.

Gambar 2. Citra Utama (Kiri) dan citra penambal (Kanan)
Buka Model maker, lalu buat ekspresi yang menyatakan bahwa " Jika Image Utama > 0, maka gunakan data Image Utama, jika tidak, maka gunakan data Image 2".
Ekspresi tersebut dapat ditulisakan dengan menggunakan model maker dengan sintaks berikut (contoh untuk Band 1) dalam Erdas Model Maker: EITHER $ n1_l71015033_03320070515_b10 IF ($ n1_l71015033_03320070515_b10> 0) Or $ n2_l71015033_03320070531_b50 OTHERWISE
Lakukan hal tersebut berulang-ulang pada band yang berbeda sehingga semua band tertambal dengan baik dan siap untuk di layerstack ulang.
Tambahan::Jika hasil tambalan masih kurang, silahkan tambahkan Citra Penambal kedua, setelah itu lakukan hal yang sama seperti pada point ke-4-5 diatas. Untuk diperhatikan, jika menggunakan 2 citra penambal, maka hasil penambalan pertama harus di setting "Temporary Raster Only". Untuk kemudian ditambal lagi dengan Citra ketiga. Begitu seterusnya.

Gambar 3. Tampilan model maker dengan dua citra penambal
Lalu band-band tersebut siap untuk di-layerstack.

Sumber referensi >> http://landsat.usgs.gov/sci_an.php

How to generate random point in ArcGis

noreply@blogger.com (ilubis85) — Mon, 1 Jun 2015 08:00:00 +1000

Membuat titik acak dengan menggunakan ArcGis

Salah satu hal yang penting dalam manajemen sumber daya alam (SDA) adalah proses penilaian SDA tersebut, baik sumber daya seperti flora, fauna, tanah, mineral, dan sebagainya. Ada beberapa strategi yang tersedia untuk melakukan penilaian SDA ini. Salah satu langkah awal untuk melakukan penilaian adalah menentukan lokasi sampling yang tepat dan yang dapat mewakili keseluruhan areal yang akan dinilai. Oleh karena itu, pemilihan lokasi sampling yang tepat adalah yang dilakukan secara acak.

Ada beberapa metode yang dapat dilakukan untuk menentukan lokasi sampling secara acak. Salah satunya adalah dengan menggunakan salah satu tool dalam aplikasi ArcGIS. Tool ini dapat digunakan untuk menghasilkan sejumlah poin secara acak, dengan jarak antar titik satu dengan lainnya yang berada dalam satu lokasi/polygon bisa diatur dan disesuaikan sesuai kebutuhan.

Alat yang digunakan untuk menghasilkan poin acak ditemukan dalam Arc Toolbox dalam aplikasi ArcGis versi 9.x dan 10.x. Adapun langkah-langkahnya adalah sebagai berikut.

Buka applikasi ArcMap, lalu siapkan dokumen peta di ArcMap dengan menambah data yang berbentuk polygone. Sebagai contoh, kita akan menambahkan peta kawasan Taman Nasional Gunung Gede Pangrango sebagai lokasi yang akan kita sampling. Tambahkan batas kawassan TNGP tersebut, dan pastikan koordinat sistemnya sudah benar (UTM atau Geographic).
Kemudian buka ArcToolbox, kemudian Management Tools, lalu klik Feature Class dan Create Random Point. Kali ini kita akan mencoba membuat 250 titik acak dengan jarak antara titik tidak kurang dari 100 meter. Ikuti Gambar 1 berikut ini.

Gambar 1. Membuat titik acak
Pilih direktori output dan nama file (TNGP_random_points). Lalu klik OK.
Sebagai tambahan, titik-titik acak tersebut akan kita beri ID dan juga koordinat XY-nya sehingga memudahkan untuk menguploadnya ke dalam GPS untuk kebutuhan di lapangan.
Buka atribut table, klik kanan pada kolom CID dan pilih Field Calculator, lalu tulis expresi seperti berikut [FID] +1 dan klik OK, sehingga angka berubah menjadi nomor dari 1 sampai N.
Untuk menambahkan koordinat untuk setiap titik pada tabel atribut, buka ArcToolbox, lalu ke Data Management Tools, pilih Feature, lalu Add XY Coordinat. Masukkan data tngp_titik_acak, dan klik OK. Kolom POINT_X dan POINT_Y akan ditambahkan ke tabel atribut.
Jika nilainya tidak ada, artinya pengaturan koordinat ArcMap belum diatur. Silahkan diatur terlebih dahulu dengan Klik View pada ArcMap, lalu klik Data Frame Properties, plih Tab Coordinate System, lalu pilih Geographic, dengan datum GCS_WGS_1984. Lalu ulangi point ke-6 diatas. Sehingga tampilan akhir seperti Gambar.2 berikut.

Gambar 2. Tampilan akhir peta titk sampling acak beserta koordinatnya di TNGP

How to extract vegetation indices from MODIS using MRT tool

noreply@blogger.com (ilubis85) — Sun, 24 May 2015 14:12:00 +1000

Bagaimana cara mengekstrak indeks vegetasi menggunakan aplikasi MRT

Produk Citra Satelit MODIS dihasilkan dari Sistem Pengolahan MODIS Adaptive (MODAPS), yang berlokasi di NASA Goddard Space Flight Center, sehingga grid output produk tersebut memiliki proyeksi Sinusoidal (SIN). Produk-produk tersebut kemudian dikirim ke LP DAAC sebagai arsip yang siap untuk didistribusikan.

Adapun output data yang diperoleh dari LPDAAC adalah HDF. Oleh karena itu, untuk menggunakan data tersebut, maka sebuah applikasi yang dikenal dengan MRT (MODIS Reprojection Tool) diperlukan untuk membaca, mengelola, dan mengubah proyeksi serta format output dari data MODIS tersebut. Untuk dapat menginstal dan menggunakan program MRT tersebut, silahkan ikuti tutorial ini (klik disini).

Setelah aplikasi MRT teristal di komputer, silahkan mengikuti tutorial ini untuk cara penggunaannya.

Buka aplikasi ModisTool yang berupa java app. yang berada di dekstop shortcut atau di folder C:\Program Files\Java\jre1.8.0_45\bin
Buka file yang sudah didownload yang masih berupa HDF file. Dalam tutorial ini, kita akan menggunakan file MODIS Sumatra yang terdiri dari 4 tiles. Keuntungan lainnya dengan menggunakan applikasi MRT ini adalah, applikasi tersebut akan otomatis menggabungkan keempat file tersebut menjadi satu file.
Setelah dibuka, maka tampilan akan berubah seperti Gambar.1. berikut. Ikuti langkah sesuai yang tertera pada tersebut.

Gambar 1. Tampilan layar pada aplikasi MRT beserta keteranganya
Window baru akan muncul yang berisikan informasi mengenai data yang sedang diekstrak, berhasil atau tidaknya proses akan dijelaskan pada window tersebut.
Jika berhasil, data keluaran akan berupa image dalam format TIF yang siap untuk dianalisis.

How to install MRT (MODIS Reprojection Tool)

noreply@blogger.com (ilubis85) — Sun, 24 May 2015 13:58:00 +1000

Bagaimana cara menginstal aplikasi MRT

Applikasi Modis Reprojetion Tool atau yang dikenal dengan MRT ini memungkinkan pengguna untuk membaca file data dalam format HDF-EOS (untuk produk seperti MODIS Level-2G, Level-3, dan data produk tanah Level 4), melakukan subset atau mosaic secara otomatis untuk pengolahan data, melakukan transformasi data geografis pada berbagai sistem koordinat / proyeksi kartografi, dan menulis output ke file format selain HDF-EOS.

Dalam tutorial kali ini, kita akan mencoba menginstal applikasi MRT untuk keperluan tersebut diatas.

Silahkan login ke https://lpdaac.usgs.gov/tools/modis_reprojection_tool. Lakukan registrasi jika Anda belum pernah melakukannya. Bagi Anda yang sudah pernah registrasi di Worldview untuk mendownload Citra MODIS, silahkan menggunakan user login yang sama.
Kemudian download applikasi MRT yang berada pada sisi kanan dari website tersebut, sesuai dengan komputer OS yang Anda gunakan.
File applikasi tersebut berbentuk Zip file, jadi Anda membutuhkan software Winrar/Winzip untuk mengekstraknya. Setelah di ekstrak, Anda akan memperoleh 4 file yang terdiri dari; mrt_install, MRT_Win, reg_set, unzip.
Kemudian klik mrt_install, windows sistem32 akan muncul di window baru, lalu tekan tombol Enter untuk melanjutkan.
Kemudian tentukan folder MRT yang Anda akan buat, biasanya di c:\Modis, lalu tekan Enter, kemudian akan muncul teks "Directory does not exist. Create c:\Modis? [y/n], lalu tekan y lalu Enter.
Lalu sistem 32 akan meninstal aplikasi tersebut di directory yang sudah Anda tentukan, kemudian akan muncul pertanyaan "Which version of windows are you running?", lalu tekan angka 1/2/3 (pilih salah satu sesuai windows OS yang Anda gunakan) , lalu tekan Enter.
Kemudian akan muncul pertanyaan tambahan mengenai lokasi aplikasi JAVA yang sudah teristal dalam komputer kita, kemudian ketik directory dimana applikasi JAVA berada, biasanya di C:\Program Files\Java\jre1.8.0_45\bin. Apabila aplikasi java belum terinstal, silahkan download di http://java.sun.com. Untuk diperhatikan, sebaiknya Anda menginstal java di folder C:\Program Files\Java\jre1.8.0_45, dan bukan di foder C:\Program Files (x86)\Java\jre1.8.0_45. Karena aplikasi ini tidak bisa membaca beberapa karakter huruf.
Kemudian, jika sistem 32 menemukan direktori dari aplikasi JAVA tersebut, maka akan ada pertanyaan tambahan, Anda hanya perlu mengetik y lalu Enter.
Proses instalasi MRT berhasil.
Aplikasi MRT_tool berlokasi di C:\Modis\bin yang sudah dibuat, untuk membuat shortcut untuk mempermudah penggunaan, klik kanan pada Modis_tool.exe yang berada di folder C:\Program Files\Java\jre1.8.0_45\bin, lalu send to dekstop (create shortcut). Hal ini akan mempermudah Anda untuk menggunakan applikasi tersebut.
Kemudian Anda perlu me-restart komputer Anda agar applikasi tersebut berjalan dengan baik.

How to download MODIS Images

noreply@blogger.com (ilubis85) — Sun, 24 May 2015 13:32:00 +1000

Cara mendownload Citra MODIS

Sebagai salah satu produk dari citra satelit yang cukup populer saat ini, citra MODIS (Moderate Resolution Imaging Spectroradiometer) memiliki banyak manfaat yang beberapa diantaranya dapat digunakan untuk melihat tren perubahan tutupan lahan, perubahan suhu dan iklim, memantau kebakaran hutan, dan lainnya. Walaupun memiliki resolusi sedang (250 m), produk dari salah satu satelit buatan NASA ini sangat bermanfaat hampir disemua bidang. Misalnya, dibidang kehutanan, MODIS dapat digunakan untuk memantau kesehahatan hutan, monitoring kebakaran hutan, melihat perubahan tutupan hutan dan lainnya secara real time atau near real time.

Ada berbagai macam cara untuk mendapatkan Citra MODIS, disini saya akan berbagi pengalaman bagaimana cara mendapatkan data MODIS secara gratis. Berikut tutorialnya.

Ada berbagai website yang menyediakan data MODIS secara gratis untuk di download. Beberapa diantaranya adalah sebagai berikut:

Echo Reverb (http://reverb.echo.nasa.gov)
Data Subsetting and Visualization: Oakridge National Lab DAAC (ORNL DAAC) Data (http://daac.ornl.gov)
GLCF (http://www.landcover.org/data/lc)
GLOVIS (http://glovis.usgs.gov)
Worldview (Fires, Land Surface Temperature and Snow Cover) (https://earthdata.nasa.gov/labs/worldview/)
Visualization: SERVIR (https://www.servirglobal.net/Global/MapsData/InteractiveMapper.aspx)
MRTWeb (http://mrtweb.cr.usgs.gov)

Sebagai percobaan, kita akan mendownlad data MODIS melalui website worldview. Buka website https://search.earthdata.nasa.gov/
Klik login untuk dapat mengakses dan download data. Register dapat dilakukan dengan mengisi informasi yang diperlukan pada kolom yang tersedia.
Setelah itu, ketik jenis produk atau data modis yang ingin di download. Informasi jenis dan spesifikasi produk Modis dapat dilihat pada situs berikut: https://lpdaac.usgs.gov/products/modis_products_table.
Disini kita akan mencoba mendownload produk MODIS vegetation indices dengan resolusi 250 m. Ketik MOD13Q1 pada tab search product. Kemudian pada temporal tab, ketik waktu spesifik yang ingin kita download, misalnya dari 1 Januari 2015 sampai 16 Januari 2015. Lalu pilih Spatial extent yang akan di download, misalnya wilayah seluruh bagian Sumatera yang terdiri dari 4 tiles, untuk itu ketik nomor H (Horizontal) dan V (Vertical) yang dipisahkan oleh koma (,) seperti berikut berikut: 27,8 27,9 28,8 28,9 (antara tile diberi 1 spasi).

Gambar 1. Informasi yang diperlukan untuk mendownlad data MODIS
Kemudian klik Retrieved Dataset Data untuk mendapatkan informasi detail mengenai data yang akan kita download. Klik expand list untuk melihat data yang akan di download, lalu klik download pada menu paling bawah, lalu tekan submit.

Gambar 2. Informasi detail mengenai produk yang akan di download
Anda akan mendapatkan links data yang akan di download, klik masing-masing data untuk mendownloadnya secara manual. Untuk data dalam jumlah yang besar, Anda dapat menggunakan Internet Download Manager atau download manager lainnya. Caranya dengan menggunakan select all lalu klik kanan, pilih download all with IDM.

Gambar 3. Informasi data yang siap di download
Untuk mendapatkan indeks vegetasi yang dibutuhkan sperti NDVI, EVI, NIR, dll, Anda perlu menggunakan aplikasi MRT (MODIS Reprojection Tool). Untuk mendapatkan dan menggunakan program MRT ini, Anda dapat mengikuti tutorial ini (klik disini).