Remote Sensing & Spatial Modelling

Klasifikasi & Prediksi LULC

Klasifikasi penggunaan dan tutupan lahan di Sub DAS Tanralili menggunakan citra Landsat 7 dan 8, dengan dua pendekatan kerja: plugin dzetsaka dan MOLUSCE di QGIS, serta pemodelan menggunakan Python.

Ringkasan proyek

Proyek ini menghubungkan interpretasi citra satelit, klasifikasi machine learning, analisis perubahan lahan, dan simulasi tutupan lahan. Dokumentasi mencakup persiapan citra, pengujian akurasi, pemodelan potensi transisi, serta perbandingan hasil simulasi dengan data LULC referensi.

Kapabilitas

Klasifikasi citra

Alur dokumentasi mencakup pengunduhan citra, koreksi geometrik, pansharpening, klasifikasi machine learning, dan uji akurasi. dzetsaka menggunakan citra dan sampel pelatihan sebagai masukan.

Analisis perubahan & simulasi

MOLUSCE digunakan untuk memasukkan LULC dan driving factors, memeriksa geometri, mengevaluasi korelasi, menghitung perubahan luas, memodelkan potensi transisi, dan melakukan simulasi untuk validasi.

Eksperimen Python

Notebook klasifikasi memuat KNN, SVM, Random Forest, XGBoost, MLP, dan CNN 1D. Notebook prediksi memuat pemodelan potensi, kuota Markov, dan simulasi Cellular Automata.

Alur kerja

  1. Menyiapkan citra multiband dan sampel pelatihan; menyelaraskan sistem koordinat raster dan vektor.
  2. Pada notebook klasifikasi 2004, menggabungkan enam band citra dengan NDVI, NDWI, NDBI, dan SAVI menjadi sepuluh fitur raster.
  3. Mengekstrak sampel, membagi data pelatihan dan pengujian, melatih model, lalu mengevaluasi Overall Accuracy, F1, Kappa, dan confusion matrix.
  4. Menyiapkan LULC historis 2004, 2014, dan 2024 serta driving factors untuk analisis korelasi dan perubahan kelas.
  5. Menggunakan potensi berbasis machine learning, kuota Markov, aturan transisi, dan pengaruh tetangga dalam simulasi Cellular Automata; mengevaluasi simulasi dengan Overall Accuracy, Kappa, dan Figure of Merit.
  6. Menyusun skenario proyeksi 2034 dan 2044 pada notebook, serta mengekspor raster dan tabel tren luas kelas.

Output & hasil

  • Peta klasifikasi LULC dan rekapitulasi luas tiap kelas.
  • Laporan evaluasi klasifikasi dan perbandingan model.
  • Matriks transisi, hasil simulasi, serta skenario proyeksi LULC dalam format raster.
  • Tabel tren luas LULC historis dan proyeksi dalam format CSV.

Proyeksi merupakan hasil skenario pemodelan, bukan kepastian kondisi masa depan. Detail Python dirangkum dari kode notebook; tidak ada klaim bahwa notebook telah dijalankan ulang atau bahwa akurasi tertentu telah diverifikasi dalam halaman ini.

Dokumentasi proyek

Mari berkolaborasi

Punya tantangan spasial?

Mari diskusikan bagaimana data, sains lahan, dan teknologi dapat membantu proyek Anda.

Mulai percakapan