Ringkasan 20/80

Dua bab ini memberi dua kemampuan dasar: menulis perintah untuk server Earth Engine, dan membaca apa yang muncul di peta. Sembilan butir di bawah mencakup sebagian besar isi yang dipakai terus sampai akhir buku.

1. Earth Engine adalah data dan komputasi di cloud. Dataset sudah tersedia di server Google, dan perhitungan dibagi ke banyak mesin. API adalah cara Anda menyatakan apa yang ingin dihitung. Cara pembagian kerja di server tidak perlu Anda atur.
2. JavaScript yang dibutuhkan sedikit. Cukup var, string dan angka, list [], object {}, function, dan komentar //.
3. Hitung dengan fungsi API, bukan operator JavaScript. Menjumlah dua angka ditulis ee.Number(a).add(b). Kebiasaan ini mencegah timeout dan membuat kode efisien.
4. Tab Docs adalah daftar fungsi. Fungsi dikelompokkan per jenis objek dan berawalan ee. Contoh: ee.List.sequence(1980, 2020, 5).
5. Citra terdiri dari band. Setiap band adalah raster, yaitu grid piksel. Nilai tiap piksel disebut Digital Number (DN).
6. Map.addLayer butuh empat hal: data, parameter visualisasi (bands, min, max), nama layer, lalu opsional shown dan opacity.
7. Urutan band menentukan warna. Band pertama masuk kanal merah, kedua hijau, ketiga biru. Pada Landsat 5: SR_B3, SR_B2, SR_B1 menghasilkan warna asli; SR_B4, SR_B3, SR_B2 menghasilkan inframerah warna semu.
8. Layar memakai warna aditif. Merah + hijau = kuning, hijau + biru = sian, merah + biru = magenta, ketiganya = putih, tidak ada = hitam.
9. Komposit RGB bisa menunjukkan perubahan waktu. Tiga tahun lampu malam (2013, 2003, 1993) sebagai R, G, B: putih berarti terang di ketiga tahun, kuning terang sejak 2003, merah baru terang pada 2013.

Materi teori

Bab 1 — JavaScript dan API Earth Engine

Apa itu API Earth Engine

Google Earth Engine adalah platform berbasis cloud untuk analisis data ilmiah. Platform ini menyediakan dataset yang siap dipakai dan kumpulan server yang besar. Perhitungan besar berjalan cepat karena dibagi ke banyak server.

API (application programming interface) adalah cara berkomunikasi dengan server Earth Engine. Anda menyatakan perhitungan yang diinginkan, lalu menerima hasilnya. Pengguna tidak perlu mengatur bagaimana perhitungan dibagi ke banyak mesin dan bagaimana hasilnya digabung. Karena itu kodenya menjadi sederhana.

API ini tidak terikat pada satu bahasa. Google menyediakan pustaka resmi untuk JavaScript dan Python. Fungsi API-nya sama, yang berbeda hanya sintaks pemanggilannya.

Mengapa buku ini memakai JavaScript

• API JavaScript paling matang dan paling mudah untuk memulai.
• Code Editor berbasis web, jadi tidak ada yang perlu dipasang.
• Code Editor menampilkan hasil di peta, menyimpan skrip, membuka dokumentasi, dan mengelola task.
• Kode dapat dibagikan dengan satu klik, sehingga mudah direproduksi dan dikerjakan bersama.
• Ada pustaka antarmuka (UI) untuk membuat grafik dan aplikasi web.

Anda tidak perlu menjadi ahli JavaScript. Petunjuk dari buku: jika Anda mendapati diri menulis sesuatu yang rumit dalam JavaScript, kemungkinan besar hal itu lebih baik dikerjakan dengan fungsi Earth Engine.

Unsur JavaScript yang dipakai

Nama variabel dari beberapa kata ditulis dengan camel case, misalnya cityData. Fungsi dan parameter di API Earth Engine mengikuti aturan yang sama. Setiap pernyataan sebaiknya diakhiri titik koma.

Dasar API Earth Engine

Fungsi API berawalan ee dan dikelompokkan per jenis objek di tab Docs. Perhitungan dikerjakan dengan fungsi API. Untuk menjumlah a dan b, Anda tidak menulis a + b. Anda membuat objek angka Earth Engine lalu memanggil metodenya: ee.Number(a).add(b).

Cara kerja yang dianjurkan saat menghadapi tugas baru: buka tab Docs, cari modul objeknya (misalnya ee.List), lalu telusuri fungsi yang cocok. Membuat daftar tahun 1980 sampai 2020 dengan selang lima tahun selesai dengan satu fungsi, ee.List.sequence.

Bab 2 — Menjelajah citra

Citra, band, dan piksel

Sensor seperti Landsat 5 mengukur besar radiasi pada beberapa bagian spektrum elektromagnetik. Tiap bagian disimpan sebagai satu band. Pada citra contoh, tiga band pertama mengukur cahaya tampak (biru, hijau, merah) dan tiga berikutnya mengukur inframerah yang tidak terlihat mata.

Band adalah contoh model data raster: data geografis disimpan dalam grid dua dimensi berisi piksel. Nilai tiap piksel sering disebut Digital Number (DN). Nama band dan dimensinya terlihat di metadata saat citra dicetak ke Console. Rentang nilai dan bagian spektrum tiap band dicari di Earth Engine Data Catalog.

Parameter visualisasi

Untuk satu band, nilai min digambar hitam dan nilai max digambar putih. Nilai di antaranya dipetakan linear ke abu-abu. Nilai di bawah min tetap hitam, di atas max tetap putih. Layer ditumpuk: layer yang ditambahkan terakhir berada paling atas dan muncul paling atas di daftar Layers.

Tab Inspector

Klik satu lokasi dan Inspector melaporkan tiga hal: Point (koordinat, zoom, skala), Pixels (nilai piksel tiap band pada layer), dan Objects (metadata sumber data).

Komposit warna

Band inframerah dekat sudah ada sejak Landsat tahun 1970-an karena berguna membedakan kondisi lingkungan, misalnya hutan konifer dan gugur daun, serta kesehatan tanaman.

Sistem warna aditif

Semua yang tampil di layar memakai tiga kanal: merah, hijau, biru. Jika DN satu band lebih tinggi dari dua band lain, piksel berwarna sesuai kanal band itu. Jika dua band sama-sama tinggi, muncul warna gabungan: kuning (merah + hijau), sian (hijau + biru), atau magenta (merah + biru). Intensitas warna menunjukkan besar selisih DN.

Band tidak selalu spektral

Band dapat menyimpan atribut lokasi yang lebih abstrak. Contoh di buku adalah lampu malam global DMSP-OLS. Band stable_lights berisi rata-rata kecerahan lampu malam per piksel selama satu tahun kalender, dengan rentang 0–63. Sumber cahaya sesaat seperti petir dan kebakaran sudah dibuang.

Tiga tahun disusun menjadi satu citra tiga band dengan urutan 2013, 2003, 1993. Cara membacanya:

• Putih: terang di ketiga tahun, biasanya inti kota.
• Kuning: terang pada 2013 dan 2003, gelap pada 1993.
• Merah: baru terang pada 2013. Gradasi putih–kuning–merah di tepi kota menunjukkan perluasan kota.
• Biru: terang pada 1993 lalu meredup, misalnya ladang minyak yang ditinggalkan di Suriah.
• Hijau dan biru di laut: pergeseran lokasi armada penangkap cumi di Selat Korea.

Praktikum

Kerjakan di Code Editor. Kode di bawah berasal dari buku. Skrip pembanding buku ada di checkpoint F10a–F10b (Bab 1) dan F11a–F11c (Bab 2).

print('Hello World');

var city = 'San Francisco';
var population = 873965;
var cities = ['San Francisco', 'Los Angeles', 'New York', 'Atlanta'];
var cityData = {
  'city': 'San Francisco',
  'coordinates': [-122.4194, 37.7749],
  'population': 873965
};
print(city, population, cities, cityData);

var greet = function(name) {
  return 'Hello ' + name;
};
print(greet('World'));
print(greet('Readers'));

var a = 1;
var b = 2;
var result = ee.Number(a).add(b);
print(result);

var yearList = ee.List.sequence(1980, 2020, 5);
print(yearList);

var first_image = ee.Image(
  'LANDSAT/LT05/C02/T1_L2/LT05_118038_20000606');
print(first_image);

Map.addLayer(
  first_image,             // data
  {
    bands: ['SR_B1'],      // band
    min: 8000,             // rentang tampilan
    max: 17000
  },
  'Layer 1'                // nama layer
);

Map.addLayer(first_image,
  {bands: ['SR_B3', 'SR_B2', 'SR_B1'], min: 8000, max: 17000},
  'Natural Color');
Map.addLayer(first_image,
  {bands: ['SR_B4', 'SR_B3', 'SR_B2'], min: 8000, max: 17000},
  'False Color');
Map.addLayer(first_image,
  {bands: ['SR_B5', 'SR_B4', 'SR_B2'], min: 8000, max: 17000},
  'Short wave false color');

var lights93 = ee.Image('NOAA/DMSP-OLS/NIGHTTIME_LIGHTS/F101993');
var lights03 = ee.Image('NOAA/DMSP-OLS/NIGHTTIME_LIGHTS/F152003')
  .select('stable_lights').rename('2003');
var lights13 = ee.Image('NOAA/DMSP-OLS/NIGHTTIME_LIGHTS/F182013')
  .select('stable_lights').rename('2013');

var changeImage = lights13.addBands(lights03)
  .addBands(lights93.select('stable_lights').rename('1993'));
print('change image', changeImage);

Map.addLayer(changeImage, {min: 0, max: 63}, 'Change composite');

Kuis Pertemuan 1

Ringkasan 20/80

Bab 3 memperkenalkan cara data disusun di Earth Engine. Bab 4 memberi istilah untuk memilih dataset yang cocok. Tiga perintah saring dan tiga jenis resolusi adalah inti pertemuan ini.

1. ImageCollection adalah kumpulan citra yang terorganisasi. Tiap citra membawa informasi lokasi, tanggal, dan properti lain, sehingga koleksi bisa disaring.
2. Tiga perintah yang paling sering dipakai: filterDate(awal, akhir), filterBounds(geometri), dan first().
3. Jangan mencetak koleksi utuh. Console menolak mencetak lebih dari 5000 elemen. Pakai .size() untuk menghitung, dan saring dulu sebelum mencetak.
4. Raw berbeda dari surface reflectance. Koleksi surface reflectance sudah dikoreksi atmosfer. Nama band-nya juga berbeda (B4 menjadi SR_B4).
5. Data Catalog berisi lebih dari citra satelit. Ada komposit siap pakai (MODIS), data atmosfer (metana Sentinel-5P), iklim (ERA5), peta tutupan lahan (ESA WorldCover, Global Forest Change), penduduk, dan DEM.
6. Resolusi spasial adalah luas permukaan yang diwakili satu piksel: MODIS 500 m, Landsat 30 m, Sentinel-2 10 m, NAIP 0,5–2 m. Cek dengan .projection().nominalScale().
7. Resolusi temporal adalah selang kunjungan ulang: Landsat 16 hari, Sentinel-2 sekitar 5 hari.
8. Resolusi spektral adalah jumlah dan lebar band. Sensor multispektral punya sekitar 3–10 band, hiperspektral bisa ratusan (Hyperion pada EO-1).
9. Kualitas ada di dua tingkat. Per piksel lewat band QA (misalnya QA60 pada Sentinel-2), dan per citra lewat properti metadata (misalnya CLOUDY_PIXEL_PERCENTAGE).

Materi teori

Bab 3 — Ragam dataset raster

Koleksi citra

Satelit yang lama beroperasi menghasilkan ribuan sampai jutaan citra. Earth Engine menyusunnya dalam ImageCollection, tipe data khusus dengan operasinya sendiri. Koleksi juga bisa ditampilkan dengan Map.addLayer. Earth Engine menggambar citra satu di atas yang lain, dan karena koleksi tersusun menurut waktu, piksel paling baru yang terlihat.

Program Landsat (NASA dan USGS) mengirim citra sejak 1972 dan merupakan pengamatan permukaan Bumi dari satelit yang paling panjang tanpa putus. Koleksi Landsat 8 mentah berisi lebih dari satu juta citra dan terus bertambah. Bila ditampilkan utuh, terlihat banyak awan dan pola bergaris sesuai jalur perekaman (path dan row). Artinya data ini belum siap dianalisis.

Menyaring koleksi

Koreksi atmosfer dan surface reflectance

Atmosfer mengganggu pandangan satelit dengan dua cara: mengubah jumlah sinar matahari yang sampai ke Bumi, dan mengubah energi elektromagnetik dalam perjalanan dari permukaan ke sensor. Proses menguraikan efek ini disebut koreksi atmosfer. Hasilnya adalah koleksi surface reflectance, yaitu perkiraan rasio radiansi ke atas terhadap radiansi ke bawah di permukaan Bumi. Nilainya meniru apa yang dilihat sensor bila berada sedikit di atas tanah.

Jenis dataset yang ditinjau

Komposit siap pakai menggabungkan banyak citra dari suatu area dan periode menjadi satu layer. Proses ini memilih piksel terbaik lalu menyatukannya. Membuat komposit sendiri dibahas di Bab 15.

Bab 4 — Kosakata penginderaan jauh

Tidak semua dataset cocok untuk semua analisis. Resolusi memengaruhi kerincian hasil, akurasi, dan lama perhitungan. Buku mengutip studi yang membandingkan piksel 900 m² dan 1 m²: data yang lebih halus memberi klasifikasi penggunaan lahan yang lebih akurat, tetapi data yang lebih kasar lebih murah dan lebih cepat dianalisis.

Mencari informasi dataset

Ketik nama dataset di kotak pencarian Code Editor. Jendela yang muncul berisi deskripsi, daftar band, properti citra, ketentuan penggunaan, rentang tanggal, dan cuplikan kode untuk mengimpor. Tombol Import memasukkan dataset ke skrip, dan nama impornya bisa diganti.

Resolusi spasial

Resolusi spasial menyatakan luas permukaan Bumi yang dicakup satu piksel, biasanya disebut sebagai panjang sisi piksel. Landsat 30 m berarti tiap piksel mencakup 900 m². Istilah ini sering disamakan dengan scale.

Bentuk piksel di peta bisa terlihat seperti jajar genjang. Ini akibat proyeksi dataset dan proyeksi peta. Earth Engine memindahkan data antarsistem koordinat secara otomatis. nominalScale() bisa memberi angka sedikit di bawah 500 m untuk MODIS karena cara proyeksinya.

Resolusi temporal

Resolusi temporal adalah waktu kunjungan ulang, yaitu jumlah hari antara dua perekaman di lokasi yang sama. Landsat 5 dan sesudahnya merekam lokasi yang sama tiap 16 hari. Dua satelit Sentinel-2 berada pada orbit yang dikoordinasikan sehingga tiap lokasi dikunjungi sekitar tiap 5 hari. NAIP mengumpulkan data tiap negara bagian kira-kira tiga tahun sekali. Grafik ui.Chart.image.series memperlihatkan selang ini sebagai titik-titik pengamatan.

Resolusi spektral

Resolusi spektral adalah jumlah dan lebar band tempat sensor mengukur. Sensor multispektral umumnya punya 3–10 band, sensor hiperspektral bisa ratusan. Kedua istilah ini relatif dan tidak punya batas baku. Buku membandingkan MODIS dengan sensor Hyperion pada satelit EO-1 melalui grafik reflektansi per band.

Kualitas per piksel dan metadata

Tidak semua band berisi respons spektral. Sebagian berisi informasi kendali mutu. Band QA60 Sentinel-2 bernilai 1024 untuk awan tebal dan 2048 untuk awan sirus. Pengolahan nilai ini dibahas di Bab 15.

Metadata tingkat citra tersimpan sebagai properti. CLOUDY_PIXEL_PERCENTAGE adalah ringkasan keawanan seluruh citra, berbeda dari tanda awan per piksel. Properti diambil dengan get.

Praktikum

Tambahkan repositori kode buku lebih dulu dengan membuka https://code.earthengine.google.com/?accept_repo=projects/gee-edu/book. Checkpoint: F12a–F12g (Bab 3) dan F13a–F13e (Bab 4).

var landsat8 = ee.ImageCollection('LANDSAT/LC08/C02/T1');
print('Jumlah citra Landsat 8:', landsat8.size());
// print(landsat8);  // galat: Console tidak mencetak lebih dari 5000 elemen

var landsatWinter = landsat8.filterDate('2020-12-01', '2021-03-01');
var pointMN = ee.Geometry.Point([-93.79, 45.05]);
var landsatMN = landsatWinter.filterBounds(pointMN);
print('Jumlah citra musim dingin di Minneapolis:', landsatMN.size());

var landsatFirst = landsatMN.first();
Map.centerObject(landsatFirst, 7);
Map.addLayer(landsatFirst,
  {bands: ['B4', 'B3', 'B2'], min: 5000, max: 15000},
  'First Landsat 8');
Map.addLayer(pointMN, {}, 'Point MN');

var pointSF = ee.Geometry.Point([-122.44, 37.76]);
var landsat8SR = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2');
var landsat8SRimage = landsat8SR
  .filterDate('2014-03-18', '2014-03-19')
  .filterBounds(pointSF)
  .first();
print('Landsat 8 Surface Reflectance image', landsat8SRimage);
Map.centerObject(landsat8SRimage, 8);
Map.addLayer(landsat8SRimage,
  {bands: ['SR_B4', 'SR_B3', 'SR_B2'], min: 7000, max: 13000},
  'Landsat 8 SR');

// Tutupan lahan ESA WorldCover
var worldCover = ee.ImageCollection('ESA/WorldCover/v100').first();
Map.addLayer(worldCover, {bands: ['Map']}, 'WorldCover');

// Tutupan pohon tahun 2000 dan tahun hilangnya (Hansen)
var globalForest = ee.Image('UMD/hansen/global_forest_change_2020_v1_8');
Map.addLayer(globalForest,
  {bands: ['treecover2000'], min: 0, max: 100, palette: ['black', 'green']},
  'Hansen 2000 Tree Cover');
Map.addLayer(globalForest,
  {bands: ['lossyear'], min: 0, max: 20, palette: ['yellow', 'red']},
  '2000-2020 Year of Loss');

// Elevasi NASADEM
var nasaDEM = ee.Image('NASA/NASADEM_HGT/001');
Map.addLayer(nasaDEM, {bands: ['elevation'], min: 0, max: 3000}, 'NASA DEM');

var sfoPoint = ee.Geometry.Point(-122.3774, 37.6194);
Map.centerObject(sfoPoint, 16);

var modisImage = mod09.filterDate('2020-02-01', '2020-03-01').first();
var modisBands = ['sur_refl_b02', 'sur_refl_b01', 'sur_refl_b04'];
Map.addLayer(modisImage, {bands: modisBands, min: 0, max: 3000}, 'MODIS');

var modisScale = modisImage.select('sur_refl_b02')
  .projection().nominalScale();
print('MODIS NIR scale:', modisScale);

var chartStyle = {
  hAxis: {title: 'Date'},
  vAxis: {title: 'NIR Mean'},
  series: {0: {lineWidth: 3, pointSize: 6}}
};
var tmChart = ui.Chart.image.series({
  imageCollection: tm.select('B4').filterDate('1987-06-01', '1987-09-01'),
  region: sfoPoint
}).setSeriesNames(['NIR']).setOptions(chartStyle);
print('TM Chart', tmChart);

var modisBandNames = modisImage.bandNames();
print('MODIS bands:', modisBandNames, modisBandNames.length());

var msiImage = msi.filterBounds(Map.getCenter())
  .filterDate('2020-02-01', '2020-04-01').first();
Map.addLayer(msiImage, {bands: ['QA60'], min: 0, max: 2048}, 'QA60');

var msiCloudiness = msiImage.get('CLOUDY_PIXEL_PERCENTAGE');
print('MSI CLOUDY_PIXEL_PERCENTAGE:', msiCloudiness);

Kuis Pertemuan 2

Ringkasan 20/80

Pertemuan ini adalah alur kerja dasar pemetaan tutupan lahan: dari band ke indeks, dari indeks ke kelas, lalu mengukur seberapa benar petanya.

1. Indeks spektral merangkum beberapa band menjadi satu angka. Dasarnya: tiap tutupan lahan memantulkan cahaya secara berbeda pada tiap panjang gelombang.
2. NDVI = (NIR − merah) / (NIR + merah). Rentang −1 sampai 1. Vegetasi hijau lebat sekitar 0,8–0,9, tanpa daun hijau mendekati 0, air mendekati −1.
3. Satu fungsi untuk semua indeks bentuk ini: image.normalizedDifference(['B8', 'B4']).
4. Ambang mengubah nilai kontinu menjadi kategori. gt, gte, lt, lte, eq menghasilkan 1 bila benar dan 0 bila salah.
5. Tiga alat kategorisasi: where (ganti nilai bila syarat terpenuhi), updateMask (sembunyikan piksel dari tampilan dan analisis), remap (tukar nilai kelas).
6. Klasifikasi terbimbing punya empat langkah: ambil citra, kumpulkan data latih berlabel, latih pengklasifikasi, klasifikasikan citra.
7. Random Forest adalah banyak pohon keputusan. Kelas ditentukan dari seluruh pohon. Pilihan yang baik bila Anda tidak banyak tahu tentang data latih.
8. Klasifikasi tak terbimbing mengelompokkan dulu, memberi label kemudian. k-means membagi piksel menjadi k klaster berdasarkan kedekatan spektral.
9. Matriks konfusi adalah dasar uji akurasi. Akurasi keseluruhan, akurasi produsen (lawan dari galat omisi), akurasi pengguna (lawan dari galat komisi), dan kappa.

Materi teori

Bab 5 — Manipulasi citra

Dasar indeks spektral

Tumbuhan hijau sehat memantulkan banyak cahaya hijau dan menyerap biru dan merah. Di luar cahaya tampak, perbedaan pantulan antara tutupan hidup dan tak hidup lebih besar lagi. Tanah dan air sama-sama rendah pantulannya di sekitar 300 nm. Di atas 700 nm, tanah tinggi sedangkan air sangat rendah. Vegetasi memantulkan inframerah dekat dalam jumlah besar dibanding tutupan lain.

Indeks spektral menggabungkan beberapa band, sering hanya dengan pengurangan dan pembagian, menjadi satu nilai yang membantu membedakan tutupan lahan tertentu.

NDVI dan aritmetika band

Vegetasi memantulkan kuat pada NIR (sekitar 750–900 nm) dan lemah pada merah (sekitar 630–690 nm) karena klorofil menyerap cahaya merah. Dari sini lahir NDVI. Bentuk umum rumusnya disebut normalized difference: pembilang adalah selisih, penyebut menormalkan nilainya. Karena dinormalkan, NDVI memberi nilai yang hampir setara antarsensor.

Aritmetika band di Earth Engine memakai subtract, add, divide, multiply. Earth Engine membagi perhitungan ke banyak komputer, sehingga aritmetika band bisa dikerjakan pada skala planet dengan cepat.

Ambang, mask, dan remap

• Ambang. Operator Boolean menguji tiap piksel. seaNDVI.gt(0.5) memberi 1 untuk hutan dan 0 untuk bukan hutan.
• where. Mengganti nilai pada piksel yang memenuhi syarat. Dipakai untuk membuat lebih dari dua kelas. Syarat bisa dirangkai dengan and dan or.
• Mask. Menghilangkan area tertentu dari tampilan dan analisis. Pada mask, piksel yang ingin dipertahankan bernilai lebih dari 0; piksel bernilai 0 disembunyikan. mask() menampilkan mask yang ada, updateMask() menambah mask baru.
• remap. Menukar daftar nilai lama dengan daftar nilai baru, misalnya [0, 1, 2] menjadi [9, 11, 10].

Bab 6 — Klasifikasi

Pada klasifikasi, variabel sasaran bersifat kategorik. Pada regresi (Bab 8), sasarannya kontinu. Klasifikasi citra berusaha memasukkan semua piksel ke sejumlah kelas tutupan atau penggunaan lahan. Hasilnya peta tematik yang menyederhanakan citra asli.

Tutupan lahan adalah ciri fisik permukaan (hutan, air, permukaan kedap). Penggunaan lahan adalah cara manusia memakainya. Rumput adalah tutupan lahan; di padang penggembalaan ia penggunaan pertanian, di kota ia taman.

Klasifikasi terbimbing

1. Ambil satu citra yang bersih. Buku memakai Landsat 8 di Milan, diurutkan menurut CLOUD_COVER.
2. Kumpulkan data latih dengan Geometry Tools. Tiap kelas menjadi satu FeatureCollection dengan properti class: hutan 0, terbangun 1, air 2, herba 3.
3. Ambil nilai band di tiap titik dengan sampleRegions, lalu latih pengklasifikasi.
4. Terapkan ke citra dengan classify.

Kumpulkan titik di seluruh citra, tidak di satu tempat saja, dan ambil variasi dalam satu kelas (misalnya air sungai dengan warna berbeda, atap yang berbeda).

Warna kelas ditulis sebagai nilai heksadesimal enam digit. Tiap pasang digit menyatakan merah, hijau, dan biru. Hitungan basis 16 berjalan 0–9 lalu A–F.

Klasifikasi tak terbimbing

Algoritmanya adalah objek ee.Clusterer dan tidak memakai data berlabel. Alurnya: ambil sampel piksel acak dengan sample, buat dan latih clusterer, terapkan dengan cluster, lalu beri label pada klaster.

k-means menebar k titik benih secara acak di ruang spektral. Tiap piksel sampel masuk ke benih terdekat, lalu rata-rata spektral tiap kelompok (centroid) dihitung. Langkah ini diulang sampai centroid relatif stabil.

Bab 7 — Uji akurasi

Setiap peta adalah model dan mengandung galat. Uji akurasi mengukur seberapa sesuai klasifikasi dengan data acuan yang dianggap benar. Uji yang lengkap mencakup rancangan sampel, rancangan respons, dan analisis. Bab ini berfokus pada analisis.

Matriks konfusi

Contoh buku: 1000 piksel, kelas hutan (positif) dan bukan hutan (negatif).

Akurasi produsen menjawab: dari piksel yang benar-benar hutan, berapa bagian yang terpetakan sebagai hutan. Akurasi pengguna menjawab: dari piksel yang di peta disebut hutan, berapa bagian yang memang hutan. Kappa berkisar −1 sampai 1; 0 berarti tidak lebih baik dari acak.

Latih–uji, jumlah pohon, dan autokorelasi spasial

• randomColumn() menambah kolom angka acak semu. Dengan seed yang sama urutannya selalu sama (bawaan 0), sehingga hasil dapat diulang.
• Sekitar 80% data untuk melatih dan 20% untuk menguji.
• Jumlah pohon bisa diuji dari 5 sampai 100 dan digrafikkan terhadap akurasi. Lebih banyak pohon tidak selalu lebih baik dan lebih lama dihitung.
• Sampel latih yang berdekatan dengan sampel uji bisa saling berkorelasi. Buku memakai spatial join untuk membuang titik latih yang berjarak kurang dari 1000 m dari titik uji.

Praktikum

Checkpoint buku: F20a–F20b (Bab 5), F21a–F21c (Bab 6), F22a–F22c (Bab 7).

var sfoPoint = ee.Geometry.Point(-122.3774, 37.6194);
var sfoImage = ee.ImageCollection('COPERNICUS/S2')
  .filterBounds(sfoPoint)
  .filterDate('2020-02-01', '2020-04-01')
  .first();
Map.centerObject(sfoImage, 11);

// Cara manual
var nir = sfoImage.select('B8');
var red = sfoImage.select('B4');
var ndvi = nir.subtract(red).divide(nir.add(red));
var vegPalette = ['red', 'white', 'green'];
Map.addLayer(ndvi, {min: -1, max: 1, palette: vegPalette}, 'NDVI Manual');

// Cara singkat
var ndviND = sfoImage.normalizedDifference(['B8', 'B4']);
Map.addLayer(ndviND, {min: -1, max: 1, palette: vegPalette}, 'NDVI normalizedDiff');

var ndwi = sfoImage.normalizedDifference(['B8', 'B11']);
Map.addLayer(ndwi, {min: -0.5, max: 1, palette: ['white', 'blue']}, 'NDWI');

var seaPoint = ee.Geometry.Point(-122.2040, 47.6221);
var seaImage = ee.ImageCollection('COPERNICUS/S2')
  .filterBounds(seaPoint)
  .filterDate('2020-08-15', '2020-10-01')
  .first();
var seaNDVI = seaImage.normalizedDifference(['B8', 'B4']);
Map.centerObject(seaPoint, 10);

// Ambang dua kelas
var seaVeg = seaNDVI.gt(0.5);
Map.addLayer(seaVeg, {min: 0, max: 1, palette: ['white', 'green']},
  'Non-forest vs. Forest');

// Tiga kelas dengan where
var seaWhere = ee.Image(1).clip(seaNDVI.geometry());
seaWhere = seaWhere.where(seaNDVI.lte(-0.1), 0);
seaWhere = seaWhere.where(seaNDVI.gte(0.5), 2);
Map.addLayer(seaWhere, {min: 0, max: 2, palette: ['blue', 'white', 'green']},
  'Water, Non-forest, Forest');

// Mask: sisakan hutan saja
var maskedVeg = seaVeg.updateMask(seaVeg.eq(1));
Map.addLayer(maskedVeg, {min: 0, max: 1, palette: ['green']}, 'Masked Forest Layer');

// Remap nilai kelas
var seaRemap = seaWhere.remap([0, 1, 2], [9, 11, 10]);
Map.addLayer(seaRemap, {min: 9, max: 11, palette: ['blue', 'green', 'white']},
  'Remapped Values');

var pt = ee.Geometry.Point([9.453, 45.424]);
var landsat = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
  .filterBounds(pt)
  .filterDate('2019-01-01', '2020-01-01')
  .sort('CLOUD_COVER')
  .first();
Map.centerObject(landsat, 8);
Map.addLayer(landsat,
  {bands: ['SR_B4', 'SR_B3', 'SR_B2'], min: 7000, max: 12000},
  'Landsat 8 image');

var trainingFeatures = ee.FeatureCollection([
  forest, developed, water, herbaceous
]).flatten();

var predictionBands = [
  'SR_B1', 'SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7', 'ST_B10'
];
var classifierTraining = landsat.select(predictionBands)
  .sampleRegions({
    collection: trainingFeatures,
    properties: ['class'],
    scale: 30
  });

var classificationVis = {
  min: 0, max: 3,
  palette: ['589400', 'ff0000', '1a11ff', 'd0741e']
};

// CART
var classifier = ee.Classifier.smileCart().train({
  features: classifierTraining,
  classProperty: 'class',
  inputProperties: predictionBands
});
Map.addLayer(landsat.select(predictionBands).classify(classifier),
  classificationVis, 'CART classified');

// Random Forest, 50 pohon
var RFclassifier = ee.Classifier.smileRandomForest(50).train({
  features: classifierTraining,
  classProperty: 'class',
  inputProperties: predictionBands
});
Map.addLayer(landsat.select(predictionBands).classify(RFclassifier),
  classificationVis, 'RF classified');

var training = landsat.sample({
  region: landsat.geometry(),
  scale: 30,
  numPixels: 1000,
  tileScale: 8
});
var clusterer = ee.Clusterer.wekaKMeans(4).train(training);
var Kclassified = landsat.cluster(clusterer);
Map.addLayer(Kclassified.randomVisualizer(), {},
  'K-means classified - random colors');

var data = ee.FeatureCollection('projects/gee-book/assets/F2-2/milan_data');
var predictionBands = [
  'SR_B1', 'SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7',
  'ST_B10', 'ndvi', 'ndwi'
];

var trainingTesting = data.randomColumn();
var trainingSet = trainingTesting.filter(ee.Filter.lessThan('random', 0.8));
var testingSet = trainingTesting
  .filter(ee.Filter.greaterThanOrEquals('random', 0.8));

var RFclassifier = ee.Classifier.smileRandomForest(50).train({
  features: trainingSet,
  classProperty: 'class',
  inputProperties: predictionBands
});

var confusionMatrix = testingSet.classify(RFclassifier)
  .errorMatrix({actual: 'class', predicted: 'classification'});

print('Confusion matrix:', confusionMatrix);
print('Overall Accuracy:', confusionMatrix.accuracy());
print('Producers Accuracy:', confusionMatrix.producersAccuracy());
print('Consumers Accuracy:', confusionMatrix.consumersAccuracy());
print('Kappa:', confusionMatrix.kappa());

var numTrees = ee.List.sequence(5, 100, 5);
var accuracies = numTrees.map(function(t) {
  var classifier = ee.Classifier.smileRandomForest(t).train({
    features: trainingSet,
    classProperty: 'class',
    inputProperties: predictionBands
  });
  return testingSet.classify(classifier)
    .errorMatrix('class', 'classification')
    .accuracy();
});
print(ui.Chart.array.values({
  array: ee.Array(accuracies),
  axis: 0,
  xLabels: numTrees
}).setOptions({
  hAxis: {title: 'Number of trees'},
  vAxis: {title: 'Accuracy'},
  title: 'Accuracy per number of trees'
}));

Kuis Pertemuan 3

Ringkasan 20/80

Empat bab ini menambah alat untuk satu citra. Bobotnya besar, jadi pegang dulu gagasan intinya. Rincian aljabar matriks dapat Anda buka lagi saat diperlukan.

1. Reducer merangkum banyak nilai menjadi sedikit. Median, rata-rata, dan regresi linear semuanya reducer. reduceRegion merangkum piksel dalam suatu area.
2. Regresi untuk variabel numerik, klasifikasi untuk kategorik. Regresi linear lewat reducer (linearFit, linearRegression); regresi nonlinear lewat pengklasifikasi dengan setOutputMode('REGRESSION').
3. RMSE mengukur kinerja regresi. Makin kecil makin baik.
4. expression membuat rumus panjang mudah dibaca. Rumus ditulis sebagai teks, lalu tiap nama dipetakan ke band.
5. Transformasi linear memeras informasi ke sedikit variabel. Tasseled cap (brightness, greenness, wetness), PCA (komponen tak berkorelasi, urut menurut varians), dan spectral unmixing (fraksi endmember per piksel).
6. Kernel menentukan ketetanggaan. Kernel penghalus disebut low-pass, kernel pendeteksi tepi disebut high-pass. Konvolusi linear memakai convolve; yang nonlinear memakai reduceNeighborhood.
7. Median meredam noise sambil menjaga tepi. Mode dipakai untuk citra kategorik.
8. Morfologi merapikan hasil klasifikasi. Dilasi (max) memperluas, erosi (min) menyusutkan. Opening = erosi lalu dilasi, menghapus petak kecil. Closing = dilasi lalu erosi, menutup lubang kecil.
9. Analisis berbasis objek punya dua langkah: segmentasi (SNIC) lalu klasifikasi objek. Hasilnya lebih sedikit noise, tetapi rincian bisa hilang.

Materi teori

Bab 8 — Regresi

Regresi dalam penginderaan jauh memakai konsep yang sama dengan bidang lain: mencari kekuatan dan bentuk hubungan antara variabel terikat dan satu atau lebih variabel bebas. Variabel bebas dapat berupa band, indeks, atau raster lain seperti tinggi pohon dan jenis tanah. Contoh di buku: biomassa gandum dari indeks vegetasi, kekayaan jenis burung dari lidar tajuk hutan, keragaman jenis pohon dari tasseled cap.

Langkah umum

1. Kumpulkan data variabel terikat yang sudah diketahui.
2. Tentukan variabel bebas.
3. Jalankan regresi untuk mendapat persamaan.
4. Opsional: pakai persamaan itu untuk memetakan variabel terikat di seluruh area.

Reducer

Reducer adalah istilah Earth Engine untuk teknik merangkum data menurut ruang, waktu, atau band. Reducer bisa bekerja per piksel atau dengan memperhitungkan sekitar piksel. Reducer berlaku untuk koleksi citra, citra, list, dan koleksi fitur. Contoh: 1000 pasang tinggi dan berat badan diringkas regresi linear menjadi dua angka, kemiringan dan titik potong.

Tiga pendekatan pada contoh tutupan pohon Turin

Variabel terikat: persen tutupan pohon MODIS MOD44B (250 m) tahun 2020. Variabel bebas: Landsat 8.

bestEffort: true dipakai agar reduceRegion tidak gagal dengan galat “Too many pixels in the region”. Pada contoh buku, hasil regresi linear memperlihatkan pola tinggi-rendah mengikuti arah lereng di pegunungan, tanda ada kelemahan model.

RMSE

RMSE adalah akar dari rata-rata kuadrat selisih nilai prediksi dan nilai sebenarnya. Buku mengambil 500 titik sampel dari citra gabungan (nilai sebenarnya dan tiga prediksi), menghitung selisih kuadrat tiap titik, merata-ratakannya dengan reduceColumns, lalu mengambil akarnya.

Bab 9 — Transformasi berbasis piksel

Expression

EVI dirancang untuk mengurangi kejenuhan NDVI di daerah berklorofil tinggi seperti hutan hujan. Untuk Sentinel-2: EVI = 2,5 × (B8 − B4) / (B8 + 6 × B4 − 7,5 × B2 + 1), dengan band dibagi 10.000 lebih dulu. Menulisnya dengan expression lebih ringkas dan lebih kecil peluang salahnya daripada merangkai add dan multiply. Buku juga memberi contoh Burned Area Index (BAI) pada kebakaran Rim Fire 2013.

Transformasi linear dengan aljabar matriks

Earth Engine memperlakukan piksel sebagai array nilai band. Baris matriks disebut axis 0 dan kolom axis 1.

Bab 10 — Transformasi berbasis ketetanggaan

Nilai piksel fokus dihitung dari piksel di sekitarnya. Ini mirip rata-rata bergerak, tetapi dalam dua dimensi. Ketetanggaan ditentukan oleh kernel: ukuran, bentuk, dan bobot tiap posisi.

Konvolusi linear (convolve)

• Penghalusan. Kernel persegi dengan bobot seragam berjumlah satu mengganti tiap piksel dengan rata-rata sekitarnya. Kernel Gaussian memberi bobot lebih besar di tengah.
• Deteksi tepi. Kernel Laplacian (ee.Kernel.laplacian8()) menonjolkan perubahan nilai yang tajam.
• Penajaman. Selisih dua Gaussian (difference of Gaussians) ditambahkan ke citra asli.

Dalam konteks ini kata “filter” berarti kernel, berbeda dari menyaring koleksi.

Konvolusi nonlinear (reduceNeighborhood)

• Median menghilangkan piksel bernilai ekstrem tanpa mencemari tetangganya dan menjaga tepi lebih baik daripada rata-rata.
• Mode mengambil nilai paling sering, cocok untuk citra kategorik.

Morfologi

Bentuk kernel memengaruhi bentuk petak hasilnya. Ada jalan pintas focalMax dan focalMin.

Tekstur

Simpangan baku ketetanggaan bernilai 0 pada area tanpa tekstur dan tinggi pada area bertekstur. Entropi mengukur ketidakteraturan dan memerlukan masukan bilangan bulat. glcmTexture menghitung banyak ukuran tekstur dari gray-level co-occurrence matrix. Geary’s C lokal mengukur autokorelasi spasial. Ukuran tekstur dapat menjadi masukan klasifikasi dan regresi.

Bab 11 — Analisis citra berbasis objek

Klasifikasi per piksel sering menghasilkan noise. Analisis berbasis objek bekerja dalam dua langkah: citra disegmentasi menjadi klaster piksel, lalu objek diklasifikasikan secara terbimbing atau tak terbimbing. Segmentasi memakai informasi tekstur, warna, bentuk, dan ukuran. Pendekatan ini berguna terutama untuk memetakan gangguan hutan.

SNIC

Simple Non-Iterative Clustering adalah algoritma segmentasi dari bawah ke atas yang berangkat dari benih. Benih disusun dalam grid, membentuk superpiksel persegi atau heksagonal. Batas superpiksel lalu digeser sampai berhenti di tepi yang ada pada citra, dan sebagian superpiksel digabung.

k-means tidak mengenal ruang fisik, sehingga piksel bersebelahan bisa masuk kelas berbeda. Setelah SNIC, semua piksel dalam satu segmen diberi nilai rata-rata band yang sama, sehingga k-means menempatkannya di kelas yang sama. Label kelas tak terbimbing tidak selalu sepadan dengan satu jenis tutupan lahan.

Praktikum

Checkpoint buku: F30a–F30c (Bab 8), F31a–F31d (Bab 9), F32a–F32d (Bab 10), F33a–F33d (Bab 11). Skrip Bab 11 panjang dan bernomor. Bukalah checkpoint F33a sebagai titik awal.

var mod44b = ee.ImageCollection('MODIS/006/MOD44B');
var percentTree2020 = mod44b
  .filterDate('2020-01-01', '2021-01-01')
  .first()
  .clip(Turin)
  .select('Percent_Tree_Cover');

var landsat8filtered = ee.ImageCollection('LANDSAT/LC08/C02/T1_RT')
  .filterBounds(Turin.centroid({'maxError': 1}))
  .filterDate('2020-04-01', '2020-4-30')
  .first();

var ndvi = landsat8filtered.normalizedDifference(['B5', 'B4']);
var trainingImage = ndvi.addBands(percentTree2020); // bebas dulu, terikat kemudian

var linearFit = trainingImage.reduceRegion({
  reducer: ee.Reducer.linearFit(),
  geometry: Turin,
  scale: 30,
  bestEffort: true
});
print('y-intercept:', linearFit.get('offset'));
print('Slope:', linearFit.get('scale'));

var predictedTree = ndvi.expression(
  'intercept + slope * ndvi', {
    'ndvi': ndvi.select('nd'),
    'intercept': ee.Number(linearFit.get('offset')),
    'slope': ee.Number(linearFit.get('scale'))
  });
Map.addLayer(predictedTree, {max: 100}, 'Predicted Percent Tree Cover');

var predictionBands = ['B1', 'B2', 'B3', 'B4', 'B5', 'B6', 'B7', 'B10', 'B11'];
var trainingImageCART = ee.Image(landsat8filtered.select(predictionBands))
  .addBands(percentTree2020);
var trainingData = trainingImageCART.sample({
  region: Turin, scale: 30, numPixels: 1500, seed: 5
});
var cartRegression = ee.Classifier.smileCart()
  .setOutputMode('REGRESSION')
  .train({
    features: trainingData,
    classProperty: 'Percent_Tree_Cover',
    inputProperties: predictionBands
  });
var cartRegressionImage = landsat8filtered.select(predictionBands)
  .classify(cartRegression, 'cartRegression');
Map.addLayer(cartRegressionImage, {min: 0, max: 100}, 'CART regression');

var sfoPoint = ee.Geometry.Point(-122.3774, 37.6194);
var sfoImage = ee.ImageCollection('COPERNICUS/S2')
  .filterBounds(sfoPoint)
  .filterDate('2020-02-01', '2020-04-01')
  .first();
Map.centerObject(sfoImage, 11);

var eviExpression = sfoImage.expression({
  expression: '2.5 * ((NIR - RED) / (NIR + 6 * RED - 7.5 * BLUE + 1))',
  map: {
    'NIR': sfoImage.select('B8').divide(10000),
    'RED': sfoImage.select('B4').divide(10000),
    'BLUE': sfoImage.select('B2').divide(10000)
  }
});
Map.addLayer(eviExpression,
  {min: -1, max: 1, palette: ['red', 'white', 'green']}, 'EVI Expression');

var point = ee.Geometry.Point([-118.7436019417829, 47.18135755009023]);
var imageL8 = ee.ImageCollection('LANDSAT/LC08/C02/T1_TOA')
  .filterBounds(point)
  .filterDate('2018-06-01', '2018-09-01')
  .sort('CLOUD_COVER')
  .first();
Map.centerObject(point, 12);

var hsv = imageL8.select(['B4', 'B3', 'B2']).rgbToHsv();
var rgb = ee.Image.cat([
  hsv.select('hue'),
  hsv.select('saturation'),
  imageL8.select(['B8'])   // band pankromatik menggantikan value
]).hsvToRgb();
Map.addLayer(imageL8, {bands: ['B4', 'B3', 'B2'], min: 0, max: 0.3}, 'L8 true color');
Map.addLayer(rgb, {max: 0.4}, 'Pan-sharpened');

var point = ee.Geometry.Point([-118.71845096212049, 47.15743083101999]);
var imageNAIP = ee.ImageCollection('USDA/NAIP/DOQQ')
  .filterBounds(point)
  .filter(ee.Filter.date('2017-01-01', '2018-12-31'))
  .first();
Map.centerObject(point, 17);
Map.addLayer(imageNAIP, {bands: ['R', 'G', 'B'], min: 0, max: 255}, 'true color');

var uniformKernel = ee.Kernel.square({radius: 2, units: 'meters'});
print('A uniform kernel:', ee.Kernel.square(2));

// Penghalusan dan deteksi tepi
Map.addLayer(imageNAIP.convolve(uniformKernel), {min: 0, max: 255}, 'smoothed image');
Map.addLayer(imageNAIP.convolve(ee.Kernel.laplacian8()), {min: 0, max: 255},
  'Laplacian convolution image');

// Median
var median = imageNAIP.reduceNeighborhood({
  reducer: ee.Reducer.median(), kernel: uniformKernel
});
Map.addLayer(median, {min: 0, max: 255}, 'Median Neighborhood Filter');

// Citra dua kelas, lalu opening
var veg = imageNAIP.select('N').gt(200);
var binaryVis = {min: 0, max: 1, palette: ['black', 'green']};
var min = veg.reduceNeighborhood({reducer: ee.Reducer.min(), kernel: uniformKernel});
var openedVeg = min.reduceNeighborhood({reducer: ee.Reducer.max(), kernel: uniformKernel});
Map.addLayer(veg, binaryVis, 'Vegetation categorical image');
Map.addLayer(openedVeg, binaryVis, 'Opened image');

// Inti fungsi segmentasi dari buku
var afn_SNIC = function(imageOriginal, SuperPixelSize, Compactness,
    Connectivity, NeighborhoodSize, SeedShape) {
  var theSeeds = ee.Algorithms.Image.Segmentation.seedGrid(
    SuperPixelSize, SeedShape);
  var snic2 = ee.Algorithms.Image.Segmentation.SNIC({
    image: imageOriginal,
    size: SuperPixelSize,
    compactness: Compactness,
    connectivity: Connectivity,
    neighborhoodSize: NeighborhoodSize,
    seeds: theSeeds
  });
  return snic2.addBands(theSeeds);
};

Kuis Pertemuan 4

Ringkasan 20/80

Mulai pertemuan ini objek kerja Anda adalah koleksi, tidak lagi satu citra. Pola filter, map, reduce dipakai di hampir semua bab berikutnya, jadi pertemuan ini layak dikuasai betul.

1. Tiga tahap berurutan. Filter memilih citra, map mengolah tiap citra, reduce merangkum hasilnya.
2. Urutan menentukan biaya. Saring dulu sebelum memetakan fungsi. Bila ada saringan spasial, paling efisien menjalankannya lebih dulu.
3. Saringan bisa dirangkai. filterBounds, filterDate, filterMetadata('CLOUD_COVER', 'less_than', 50).
4. .map(fungsi) menjalankan fungsi pada tiap citra. Fungsi menerima satu citra dan mengembalikan satu citra. Jumlah citra sebelum dan sesudah map sama.
5. Reducer bekerja per piksel menembus tumpukan citra. reduce(ee.Reducer.mean()), median(), count(), minMax().
6. Persentil rendah memberi komposit bersih. Awan bernilai pantul tinggi dan bayangan sangat rendah, sehingga persentil ke-30 sering hampir bebas awan.
7. Komposit bukan potret satu hari. Piksel bersebelahan bisa berasal dari tanggal berbeda.
8. Tanggal dikelola dengan ee.Date. fromYMD, advance(1, 'month'), millis(). Stempel waktu citra tersimpan di system:time_start.
9. Agregasi waktu = map atas daftar periode. Buat daftar bulan, saring koleksi per bulan, jumlahkan, lalu bungkus dengan ee.ImageCollection.fromImages.

Materi teori

Bab 12 — Filter, map, reduce

Kemampuan mengolah seluruh koleksi citra adalah pembeda Earth Engine dari pengolah citra di komputer meja. Untuk mencari perubahan atau memahami suatu area sepanjang waktu, alurnya tiga tahap.

Analogi membeli susu

Anda ingin tahu harga susu termurah di toko sekitar rumah. Dalam pseudokode buku:

AllStoresOnEarth.filterNearbyStores.filterStoresWithMilk
  .getMilkPricesFromEachStore.determineTheMinimumValue

• Filter: dari semua toko di Bumi, ambil yang dekat, lalu yang menjual susu.
• Map: telepon tiap toko untuk menanyakan harga. Satu tindakan sederhana diulang pada tiap anggota himpunan.
• Reduce: dari daftar harga, ambil nilai terkecil.

Bila urutannya diubah (menelepon semua toko bersusu di Bumi, baru kemudian menyaring yang dekat), jawabannya sama tetapi pekerjaannya jauh lebih besar. Pilihan dan urutan operasi menentukan apakah masalah bisa diselesaikan.

Filter

Saringan mengambil ImageCollection besar dan mengembalikan yang lebih kecil berdasarkan tanggal, lokasi, atau atribut citra. filterMetadata menyaring menurut properti, misalnya tutupan awan di bawah 50%. Saringan dapat dirangkai dalam satu pernyataan. Urutan apa pun memberi hasil yang sama, tetapi menyaring lokasi lebih dulu paling efisien.

Map

Kata “map” punya beberapa arti di Earth Engine. Sebagai kata benda: panel peta, dan objek Map dengan fungsi seperti Map.addLayer. Sebagai kata kerja, .map berarti menjalankan serangkaian tindakan berulang pada tiap anggota himpunan.

Fungsi yang dipetakan menerima satu ee.Image dan mengembalikan satu citra. Contoh buku: fungsi makeLandsat5EVI menghitung EVI untuk satu citra Landsat 5, lalu dipetakan ke seluruh koleksi tersaring. Fungsi ini hanya berlaku untuk Landsat 5 karena nomor band tiap sensor berbeda.

Reduce

Setelah map, tiap lokasi memiliki tumpukan nilai EVI. Tinggi tumpukan bisa 15 di satu tempat dan ribuan di tempat lain. Reducer merangkum tumpukan itu menjadi satu statistik per piksel. Reducer bisa mengembalikan lebih dari satu nilai: minMax menghasilkan dua band untuk tiap band masukan.

Bab 13 — Menjelajah koleksi citra

Melihat nilai sepanjang waktu

Bila koleksi tersaring ditambahkan ke peta, Inspector menampilkan nilai tiap band dari semua citra di titik yang diklik, dan opsi Series menampilkannya sebagai grafik waktu. Grafik yang sama dibuat lewat kode dengan ui.Chart.image.series. Di Lisbon tahun 2020 terdapat 16 citra Landsat 8.

Berapa banyak citra di tiap piksel

Reducer count menghitung jumlah pengamatan valid per piksel, bahkan untuk seluruh Bumi. Petanya berpola kotak-kotak karena jejak citra bertumpang tindih: ada sidelap antarjalur yang berdekatan dan sedikit tumpang tindih arah utara–selatan.

Mean, median, dan persentil

Citra mean dan median tampak mirip di kebanyakan tempat, tetapi nilainya berbeda. Persentil ke-n adalah nilai yang berada n% dari awal daftar nilai yang sudah diurutkan. Awan biasanya memantulkan lebih kuat dan bayangan awan atau bukit sangat rendah. Karena itu komposit persentil ke-30 terlihat jauh lebih bersih daripada komposit mean.

Reducer bekerja per piksel, sehingga piksel bersebelahan dapat diambil dari citra berbeda tanggal. Citra komposit tidak pernah ada pada satu hari tertentu. Persentil mana yang terbaik bergantung pada tujuan, dataset, dan lokasi. Gurun Sahara dan Kongo, misalnya, sangat berbeda frekuensi awannya.

Bab 14 — Agregasi citra untuk deret waktu

Selang pengamatan dataset beragam: Global Precipitation Measurement tiap tiga jam, CHIRPS harian dan lima harian, Landsat 8 tiap 16 hari, Sentinel-2 tiap lima hari. Banyak analisis butuh selang lain. Untuk anomali hujan, hujan bulanan dibandingkan dengan rata-rata bulanan jangka panjang. Untuk perubahan kota jangka panjang, komposit median tahunan mengurangi gangguan harian.

CHIRPS dan pentad

CHIRPS adalah dataset curah hujan global bergrid yang menggabungkan pengukuran satelit dengan data stasiun, tersedia sejak 1981. Satu pentad adalah kelompok lima hari. Ada enam pentad per bulan: lima pentad berisi tepat lima hari dan satu berisi sisa tiga sampai enam hari. Pentad dimulai lagi tiap awal bulan. Nilai piksel adalah total hujan (mm) selama pentad. Satu tahun berisi 72 citra.

Fungsi tanggal

Dua langkah agregasi

1. Tentukan tanggal awal dan akhir tiap selang (misalnya satu bulan).
2. Jumlahkan semua citra dalam selang itu dengan ee.Reducer.sum().

Buku membuat ee.List.sequence(1, 12), menulis fungsi yang menerima nomor bulan dan mengembalikan citra bulanan, lalu memetakan fungsi itu ke daftar. Hasil map atas list adalah list citra, yang diubah menjadi koleksi dengan ee.ImageCollection.fromImages. Stempel waktu harus dipasang sendiri pada citra hasil, agar bisa disaring dan digrafikkan.

Praktikum

Checkpoint buku: F40a–F40c (Bab 12), F41a–F41d (Bab 13), F42a–F42d (Bab 14).

var imgCol = ee.ImageCollection('LANDSAT/LT05/C02/T1_L2');
print('All images ever: ', imgCol.size());

var startDate = '2000-01-01';
var endDate = '2010-01-01';
var ShanghaiImage = ee.Image('LANDSAT/LT05/C02/T1_L2/LT05_118038_20000606');
Map.centerObject(ShanghaiImage, 9);

var efficientFilteredSet = imgCol.filterBounds(Map.getCenter())
  .filterDate(startDate, endDate)
  .filterMetadata('CLOUD_COVER', 'less_than', 50);
print('Efficient filtering:', efficientFilteredSet.size());

var makeLandsat5EVI = function(oneL5Image) {
  // Hanya untuk Landsat 5 (nomor band berbeda di sensor lain).
  var nirScaled = oneL5Image.select('SR_B4').divide(10000);
  var redScaled = oneL5Image.select('SR_B3').divide(10000);
  var blueScaled = oneL5Image.select('SR_B1').divide(10000);
  var numeratorEVI = (nirScaled.subtract(redScaled)).multiply(2.5);
  var denomClause1 = redScaled.multiply(6);
  var denomClause2 = blueScaled.multiply(7.5);
  var denominatorEVI = nirScaled.add(denomClause1)
    .subtract(denomClause2).add(1);
  var landsat5EVI = numeratorEVI.divide(denominatorEVI).rename('EVI');
  return (landsat5EVI);
};

var L5EVIimages = efficientFilteredSet.map(makeLandsat5EVI);
print('Jumlah citra setelah map:', L5EVIimages.size());

var eviVis = {min: -1, max: 2, palette: ['red', 'white', 'green']};
Map.addLayer(L5EVIimages.reduce(ee.Reducer.mean()), eviVis, 'Mean EVI');
Map.addLayer(L5EVIimages.reduce(ee.Reducer.median()), eviVis, 'Median EVI');

var lisbonPoint = ee.Geometry.Point(-9.179473, 38.763948);
Map.centerObject(lisbonPoint, 10);

var filteredIC = ee.ImageCollection('LANDSAT/LC08/C02/T1_TOA')
  .filterDate('2020-01-01', '2021-01-01')
  .filterBounds(lisbonPoint)
  .select(['B6', 'B5', 'B4']);
Map.addLayer(filteredIC, {}, 'TOA image collection');

print(ui.Chart.image.series({
  imageCollection: filteredIC,
  region: lisbonPoint,
  reducer: ee.Reducer.first(),
  scale: 10
}));

// Jumlah pengamatan Landsat 8 tahun 2020 di seluruh Bumi
var count = ee.ImageCollection('LANDSAT/LC08/C02/T1_TOA')
  .filterDate('2020-01-01', '2021-01-01')
  .select(['B6'])
  .count();
Map.addLayer(count, {min: 0, max: 50,
  palette: ['d7191c', 'fdae61', 'ffffbf', 'a6d96a', '1a9641']},
  'landsat 8 image count (2020)');

// Komposit mean dan beberapa persentil
Map.addLayer(filteredIC.reduce(ee.Reducer.mean()), {},
  'Mean values within image collection');
var percentiles = [0, 10, 20, 30, 40, 50, 60, 70, 80];
percentiles.map(function(p) {
  var image = filteredIC.reduce(ee.Reducer.percentile([p]));
  Map.addLayer(image, {min: 0.05, max: 0.35}, p + '%');
});

var chirps = ee.ImageCollection('UCSB-CHG/CHIRPS/PENTAD');
var year = 2019;
var startDate = ee.Date.fromYMD(year, 1, 1);
var endDate = startDate.advance(1, 'year');
var yearFiltered = chirps.filter(ee.Filter.date(startDate, endDate));
print(yearFiltered, 'Date-filtered CHIRPS images');
print('Start date as timestamp', startDate.millis());

var months = ee.List.sequence(1, 12);
var createMonthlyImage = function(beginningMonth) {
  var startDate = ee.Date.fromYMD(year, beginningMonth, 1);
  var endDate = startDate.advance(1, 'month');
  var monthFiltered = yearFiltered
    .filter(ee.Filter.date(startDate, endDate));
  var total = monthFiltered.reduce(ee.Reducer.sum());
  return total.set({
    'system:time_start': startDate.millis(),
    'system:time_end': endDate.millis(),
    'year': year,
    'month': beginningMonth
  });
};
var monthlyImages = months.map(createMonthlyImage);
var monthlyCollection = ee.ImageCollection.fromImages(monthlyImages);
print(monthlyCollection);

var point = ee.Geometry.Point(77.5946, 12.9716); // Bengaluru
var chart = ui.Chart.image.series({
  imageCollection: monthlyCollection,
  region: point,
  reducer: ee.Reducer.mean(),
  scale: 5566
}).setOptions({
  lineWidth: 1,
  pointSize: 3,
  title: 'Monthly Rainfall at Bengaluru',
  vAxis: {title: 'Rainfall (mm)'},
  hAxis: {title: 'Month', gridlines: {count: 12}}
});
print(chart);

Kuis Pertemuan 5

Ringkasan 20/80

Di wilayah tropis seperti Riau, awan adalah hambatan utama. Pertemuan ini berisi cara membuat citra bersih, lalu dua cara mencari perubahan: membandingkan dua tanggal, dan membaca lintasan tahunan tiap piksel.

1. Dua lapis penanganan awan. Pertama saring citra menurut properti CLOUD_COVER. Kedua, buang piksel berawan dengan mask dari band QA_PIXEL.
2. Mask awan Landsat membaca bit. Bit 1 dilated cloud, bit 2 cirrus, bit 3 cloud, bit 4 cloud shadow. Piksel dipertahankan bila semua bit itu 0.
3. Terapkan faktor skala Collection 2. Band optik dikali 0,0000275 lalu ditambah −0,2.
4. Celah data diisi dengan menambah citra. Perpanjang periode, atau gabungkan sensor lain (merge) setelah nama band disamakan.
5. Best-available-pixel (BAP) memilih pengamatan terbaik per piksel dengan skor: hari perekaman, tutupan awan scene, jarak ke awan dan bayangan, kabut, dan sensor.
6. Deteksi perubahan dua tanggal: pilih dua citra pada fenologi yang sama, hitung indeks, kurangi (sesudah − sebelum), lalu beri ambang.
7. NBR = (NIR − SWIR) / (NIR + SWIR). Nilainya tinggi pada vegetasi. Selisih negatif berarti vegetasi berkurang.
8. LandTrendr menyederhanakan deret tahunan menjadi segmen garis lurus. Satu nilai per tahun, lalu segmentasi temporal.
9. Dari segmen ke peta ada tiga langkah: pilih segmen yang diminati, saring yang tidak memenuhi kriteria, lalu ambil cirinya (tahun mulai, durasi, besar perubahan).

Materi teori

Bab 15 — Awan dan komposit citra

Tutupan awan adalah salah satu keterbatasan paling umum sensor optik, terutama di daerah tropis, kutub, pegunungan, dan lintang tinggi. Awan dan bayangannya menutup respons spektral permukaan dan menurunkan akurasi produk turunan. Komposit yang baik untuk suatu area harus mulus dan memiliki sesedikit mungkin celah data.

Saring citra, lalu mask piksel

Contoh buku adalah komposit Landsat 8 tahun 2019 untuk seluruh Kolombia. Komposit median dari semua citra masih penuh awan, terutama di pegunungan barat. Menyaring citra dengan CLOUD_COVER di bawah 50% memperbaikinya, tetapi menimbulkan celah karena jumlah citra berkurang. Ambang yang lebih ketat memberi citra lebih bersih dengan celah lebih banyak.

Mask piksel memakai band QA_PIXEL. Fungsi bitwiseAnd memeriksa lima bit pertama (fill, dilated cloud, cirrus, cloud, cloud shadow). Band QA_RADSAT dipakai untuk membuang piksel jenuh. Fungsi mask dipetakan ke koleksi sebelum reduksi median.

Mengurangi celah data

• Perpanjang periode. Komposit dua tahun punya lebih banyak pengamatan bersih.
• Tambah sensor. Landsat 7 dapat mengisi celah Landsat 8. Bit QA-nya sama sehingga fungsi mask yang sama berlaku. Nama band berbeda (merah, hijau, biru adalah B3, B2, B1 pada Landsat 7 dan B4, B3, B2 pada Landsat 8), jadi band diganti nama dulu sebelum merge.
• SLC-off. Sejak kegagalan scan line corrector pada 2003, citra Landsat 7 memiliki celah bergaris. Datanya tetap berguna dalam komposit.

Komposit best-available-pixel

Aplikasi GEE-BAP membuat komposit tahunan dengan memilih pengamatan optimal per piksel dari Landsat 5 TM, Landsat 7 ETM+, dan Landsat 8 OLI dalam rentang hari tertentu di sekitar tanggal sasaran. Tiap pengamatan diberi skor untuk:

1. hari perekaman dalam tahun (kedekatan dengan tanggal sasaran),
2. tutupan awan scene,
3. jarak ke awan dan bayangan awan,
4. keberadaan kabut (opasitas atmosfer),
5. sensor perekam, termasuk penalti untuk citra Landsat 7 SLC-off.

Hasilnya dapat diolah lanjut dengan penghilangan lonjakan (de-spiking) dan pengisian celah (infill). Parameter sebaiknya disetel menurut wilayah, karena pola musim awan berbeda antarwilayah. Mutu komposit bergantung pada mutu mask awan sumbernya.

Bab 16 — Deteksi perubahan

Deteksi perubahan menilai perubahan kondisi lanskap dari selisih citra berbeda waktu. Pertanyaan yang dijawab: apakah terjadi perubahan, berapa luasnya, apa sifatnya, dan bagaimana polanya. Dasarnya: sebagian besar perubahan di lanskap menghasilkan nilai spektral yang berbeda antara citra sebelum dan sesudah kejadian.

Alur kerja

1. Siapkan citra. Tiap piksel harus merekam jenis ukuran yang sama di lokasi yang sama. Registrasi dan koreksi radiometrik serta atmosfer sebagian besar sudah diterapkan pada data di Earth Engine. Pilih citra dengan sedikit awan dan fenologi yang sama (buku: Juni 2013 dan Juni 2020).
2. Periksa secara visual. Komposit warna semu SWIR2, NIR, merah: vegetasi tampak hijau, air hitam sampai biru tua, lahan terbakar atau terbuka cokelat.
3. Transformasi. Hitung indeks yang peka terhadap perubahan yang dicari. NDWI untuk perubahan muka air saat banjir, NBR untuk kebakaran, NDVI untuk vegetasi (cepat jenuh).
4. Selisih. Kurangi citra sebelum dari citra sesudah, piksel demi piksel.
5. Klasifikasi. Beri ambang pada selisih (buku: ±0,10), atau pakai pengklasifikasi terbimbing dengan data acuan.

NBR lebih tinggi bila ada vegetasi. Selisih negatif berarti NBR sebelum lebih tinggi daripada sesudah (vegetasi hilang); selisih positif berarti vegetasi bertambah.

Catatan mutu

Selisih dua citra menghindari galat berlipat yang terjadi bila dua peta klasifikasi dibandingkan (post-classification comparison), dan lebih peka terhadap perubahan halus. Peta perubahan tetap mengandung galat dari registrasi, kalibrasi, resolusi data, kerumitan lanskap, dan teknik klasifikasi. Laporkan galat omisi dan komisi (Bab 7). Pilihan kombinasi band, palet, dan ambang memengaruhi perubahan apa yang terlihat. Buku memakai palet batlow yang tetap terbaca oleh penyandang buta warna.

Bab 17 — Deret tahunan dengan LandTrendr

Bila indeks spektral dipilih sesuai jenis perubahan yang dicari, perubahan permukaan dapat disimpulkan dari perubahan nilai indeks. LandTrendr menerapkan segmentasi temporal: deret waktu banyak tahun diringkas menjadi rangkaian segmen garis lurus yang menggambarkan proses pada tiap piksel. Praktikumnya memakai antarmuka grafis (GUI).

Dua pertanyaan awal

1. Apakah perubahan yang diminati terlihat dalam rekaman pantulan spektral?
2. Adakah parameter fitting yang membuat algoritma menangkapnya?

Membaca grafik piksel

Sumbu x adalah tahun. Hanya satu pengamatan per tahun yang dipakai, dipilih dengan komposit medoid dari rentang tanggal. Sumbu y adalah nilai indeks, bawaan NBR, dikalikan 1000. Garis abu-abu adalah nilai asli, garis merah hasil segmentasi. Untuk NBR, nilai naik bila vegetasi bertambah dan turun bila berkurang. Penurunan tajam ditafsirkan sebagai gangguan dan kenaikan sesudahnya sebagai pemulihan.

Bila perubahan tidak tampak pada garis abu-abu, ganti indeks atau ganti rentang tanggal. Pilih rentang tanggal ketika keadaan vegetasi tidak banyak berubah dari awal sampai akhir rentang. Bila tetap tidak tampak, perubahan itu mungkin terlalu kecil dibanding piksel 30 m atau terlalu halus secara spektral.

Parameter fitting

Dari piksel ke peta

Pada contoh buku, NBR turun tajam pada segmen 2006–2007 dengan besar 1175 satuan NBR terskala dari rentang 2000. Durasinya satu tahun. Perubahan yang mendadak dan besar menunjukkan gangguan berat seperti tebangan atau kebakaran, diikuti pemulihan yang tidak mencapai tingkat semula.

Manfaat deret tahunan: melihat area tanpa awan dan noise harian, mengukur variasi antartahun, dan mengamati pemulihan lanskap yang kadang lambat.

Praktikum

Checkpoint buku: F43a–F43d (Bab 15), F44a–F44b (Bab 16), F45a (Bab 17, berisi petunjuk membuka GUI LandTrendr).

var country = ee.FeatureCollection('USDOS/LSIB_SIMPLE/2017')
  .filter(ee.Filter.equals('country_na', 'Colombia'));
Map.centerObject(country, 5);

var startDate = '2019-01-01';
var endDate = '2019-12-31';

function applyScaleFactors(image) {
  var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
  var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0);
  return image.addBands(opticalBands, null, true)
    .addBands(thermalBands, null, true);
}

function maskSrClouds(image) {
  // Bit 0 Fill, 1 Dilated Cloud, 2 Cirrus, 3 Cloud, 4 Cloud Shadow
  var qaMask = image.select('QA_PIXEL')
    .bitwiseAnd(parseInt('11111', 2)).eq(0);
  var saturationMask = image.select('QA_RADSAT').eq(0);
  return image.updateMask(qaMask).updateMask(saturationMask);
}

var landsat8FiltMasked = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
  .filterBounds(country)
  .filterDate(startDate, endDate)
  .filter(ee.Filter.lessThan('CLOUD_COVER', 50))
  .map(maskSrClouds)
  .map(applyScaleFactors);

var visParams = {bands: ['SR_B4', 'SR_B3', 'SR_B2'], min: 0, max: 0.2};
Map.addLayer(landsat8FiltMasked.median().clip(country), visParams,
  'L8 composite masked');

function applyScaleFactorsL7(image) {
  var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
  var thermalBand = image.select('ST_B6').multiply(0.00341802).add(149.0);
  return image.addBands(opticalBands, null, true)
    .addBands(thermalBand, null, true);
}
var landsat7FiltMasked = ee.ImageCollection('LANDSAT/LE07/C02/T1_L2')
  .filterBounds(country)
  .filterDate(startDate, endDate)
  .filter(ee.Filter.lessThan('CLOUD_COVER', 50))
  .map(maskSrClouds)
  .map(applyScaleFactorsL7);

// Samakan nama band L7 dengan L8
function rename(image) {
  return image.select(
    ['SR_B1', 'SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B7'],
    ['SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7']);
}
var landsat78 = landsat7FiltMasked.map(rename)
  .merge(landsat8FiltMasked.select(
    ['SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7']))
  .map(function(img) { return img.toFloat(); });

Map.addLayer(landsat78.median().clip(country), visParams,
  'L7 and L8 composite');

var landsat8 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
  .select(
    ['SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7'],
    ['blue', 'green', 'red', 'nir', 'swir1', 'swir2']);

var point = ee.Geometry.Point([-123.64, 42.96]);
Map.centerObject(point, 11);

var preImage = landsat8.filterBounds(point)
  .filterDate('2013-06-01', '2013-06-30')
  .sort('CLOUD_COVER', true).first();
var postImage = landsat8.filterBounds(point)
  .filterDate('2020-06-01', '2020-06-30')
  .sort('CLOUD_COVER', true).first();

var visParam = {'bands': ['swir2', 'nir', 'red'], 'min': 7750, 'max': 22200};
Map.addLayer(preImage, visParam, 'pre');
Map.addLayer(postImage, visParam, 'post');

var nbrPre = preImage.normalizedDifference(['nir', 'swir2']).rename('nbr_pre');
var nbrPost = postImage.normalizedDifference(['nir', 'swir2']).rename('nbr_post');
var diff = nbrPost.subtract(nbrPre).rename('change');

var palette = ['011959', '0E365E', '1D5561', '3E6C55', '687B3E',
  '9B882E', 'D59448', 'F9A380', 'FDB7BD', 'FACCFA'];
Map.addLayer(diff, {palette: palette, min: -0.2, max: 0.2}, 'change');

// Klasifikasi dengan ambang
var thresholdGain = 0.10;
var thresholdLoss = -0.10;
var diffClassified = ee.Image(0);
diffClassified = diffClassified.where(diff.lte(thresholdLoss), 2);
diffClassified = diffClassified.where(diff.gte(thresholdGain), 1);
Map.addLayer(diffClassified.selfMask(),
  {palette: 'fcffc8,2659eb,fa1373', min: 0, max: 2},
  'change classified by threshold');

Kuis Pertemuan 6

Ringkasan 20/80

Pertemuan terakhir sebelum ujian pertama. Empat bab ini memakai seluruh deret pengamatan tiap piksel. Banyak rincian array di dalamnya; yang perlu dikuasai dulu adalah gagasan di balik tiap metode.

1. Kurva dicocokkan sendiri-sendiri di tiap piksel. Hasil regresi adalah citra koefisien, bukan satu angka.
2. Tambahkan variabel bebas sebagai band. Band waktu t (tahun pecahan sejak 1970) dan band konstanta 1, lalu reduce(ee.Reducer.linearRegression(...)).
3. Detrending mengurangi tren linear dari tiap pengamatan agar deret lebih stasioner.
4. Model harmonik menangkap musim. Tambah band cos(2πt) dan sin(2πt). Dari koefisiennya dihitung amplitudo (besar ayunan) dan fase (waktu puncak).
5. CCDC mencocokkan model harmonik ke semua band dan mencari patahan. Bila residu pengamatan baru melampaui ambang beberapa kali berturut-turut, perubahan ditandai dan model baru dimulai.
6. Keluaran CCDC adalah array image. Band penting: tStart, tEnd, tBreak, changeProb, *_coefs, *_rmse, *_magnitude.
7. LandTrendr dan CCDC berbeda bahan. LandTrendr memakai komposit tahunan, lebih cepat dan mudah ditafsir. CCDC memakai semua pengamatan bersih, menangkap patahan dalam tahun dan pola musim, tetapi lebih berat.
8. BULC menggabungkan klasifikasi, bukan data sensor. Dengan logika Bayes, tiap klasifikasi baru (Event) memperbarui peluang kelas tiap piksel, sehingga noise sesaat tidak langsung mengubah peta.
9. Efek tunda diperiksa dengan join waktu. Autokorelasi (variabel dengan dirinya pada waktu lalu), korelasi silang (dengan variabel lain, misalnya hujan), dan model autoregresif.

Materi teori

Bab 18 — Mencocokkan fungsi pada deret waktu

Banyak gejala alam dan buatan berulang pada selang yang kurang lebih teratur, misalnya musim daun hutan gugur dan pola tumbuh tanaman. NDVI naik dan turun secara teratur, dan sering punya tren jangka panjang, misalnya naik perlahan saat area pulih dari gangguan.

Dua gagasan dasar

• Pencocokan kurva per piksel. Fungsi y = mx + b dicocokkan untuk setiap piksel. Tiap piksel bisa punya jumlah pengamatan dan tanggal yang berbeda, dan bisa ada data hilang akibat mask awan.
• Hasil berupa citra. Koefisien tiap piksel tersimpan sebagai array image, lalu diratakan menjadi band biasa dengan arrayProject dan arrayFlatten.

Tren linear

Model: p_t = β₀ + β₁t + e_t. Deret yang punya tren dan musim disebut tidak stasioner karena rata-rata dan variansnya berubah. Deret stasioner lebih mudah dimodelkan. Menghilangkan tren linear adalah langkah awal yang lugas: hitung β per piksel, lalu kurangkan nilai model dari tiap pengamatan.

Model harmonik

Model: p_t = β₀ + β₁t + β₂cos(2πωt) + β₃sin(2πωt) + e_t, dengan ω = 1 untuk satu siklus per tahun. Amplitudo A = √(β₂² + β₃²) dan fase φ = atan(β₃/β₂). Buku menampilkan fase sebagai hue, amplitudo sebagai saturation, dan rata-rata NDVI sebagai value, sehingga pola musim tiap ladang di California terlihat sebagai warna berbeda.

Bila ada lebih dari satu siklus setahun, misalnya lahan dengan dua kali tanam, tambahkan suku harmonik orde lebih tinggi. Kecocokan membaik, tetapi banyak koefisien orde tinggi mendekati nol.

Tugas sintesis bab ini memperlihatkan inti deteksi perubahan modern: dua model harmonik dicocokkan untuk titik dekat Manaus, satu sebelum dan satu sesudah gangguan pertengahan Desember 2014. Satu model untuk seluruh periode tidak akan cocok.

Bab 19 — CCDC

Continuous Change Detection and Classification adalah algoritma pemantauan perubahan lahan untuk deret waktu satelit, terutama Landsat. Bab ini membahas bagian deteksi perubahannya (CCD). Analisis deret waktu menggeser pendekatan dari membandingkan dua atau beberapa tanggal secara retrospektif ke pemantauan lanskap yang terus-menerus.

Cara kerja

1. Model regresi harmonik dicocokkan ke semua band spektral, mulai dari awal deret dan bergerak maju (pendekatan “online”).
2. Koefisien dipakai memprediksi pengamatan berikutnya.
3. Bila residu melampaui ambang statistik pada sejumlah pengamatan berturut-turut, perubahan ditandai.
4. Model baru dicocokkan setelah patahan, dan proses berlanjut sampai akhir deret.

Di Earth Engine proses ini disebut segmentasi temporal. Tiap segmen adalah fungsi harmonik dengan intersep, kemiringan, dan tiga pasang suku sinus dan kosinus.

Menjalankan dan membaca hasil

Fungsinya ee.Algorithms.TemporalSegmentation.Ccdc. Masukannya koleksi dengan sesedikit mungkin noise. CCDC punya mask awan internal, tetapi data yang lebih bersih lebih baik. Buku memakai pustaka gee-ccdc-tools untuk mengambil Landsat 4, 5, 7, 8 yang sudah disaring. Karena berat, hasil untuk area contoh di Rondônia sudah diekspor sebagai aset.

Panjang array berbeda antarpiksel: hutan yang stabil punya satu segmen, piksel yang berubah punya lebih. Dari array ini dapat dibuat peta jumlah patahan, tanggal perubahan pertama dan terakhir, dan perubahan berbesaran terbesar. Koefisien pada tanggal tertentu dapat diambil sebagai citra “sintetis”, misalnya RGB dari intersep band merah, hijau, biru, dan dapat menjadi masukan klasifikasi.

Bab 20 — Fusi data: menggabungkan aliran klasifikasi

Noise klasifikasi hampir mustahil dihapus seluruhnya. Dengan konteks waktu, noise dapat dibedakan dari perubahan nyata. Bab ini membedakan dua hal: menggabungkan data sensor, dan menggabungkan klasifikasi yang dibuat dari berbagai sensor.

BULC

Bayesian Updating of Land Cover menerima tumpukan klasifikasi sementara yang disebut Event, karena tiap klasifikasi adalah bukti baru. Pada tiap langkah waktu, BULC menaksir kelas yang paling mungkin berdasarkan bukti sampai saat itu, dengan memakai matriks uji akurasi (Bab 7) untuk mengukur kesesuaian dua klasifikasi yang berurutan. Bila Event sepakat kuat, itu bukti kondisi sebenarnya. Bila tidak sepakat, daya Event untuk mengubah kelas dibatasi. BULC menyimpan peluang tiap kelas untuk tiap piksel.

Contoh: kawasan Sungai Roosevelt di Brasil. Deret asli memakai 10 sensor dan lebih dari 140 citra sejak Landsat 1 (1972) sampai 2016. Praktikum memperbaruinya dengan klasifikasi dari Sentinel-2, Landsat 7, Landsat 8, dan ASTER. Pada satu piksel, BULC mengganti taksiran dari Forest ke Active Agriculture setelah dua Event menyebut kelas itu, dan nilai keyakinannya turun lalu naik lagi seiring bukti bertambah.

Tiga leveler mengatur perilakunya: Initialization Leveler (seberapa percaya pada klasifikasi awal), Transition Leveler (meredam transisi sehingga BULC kurang reaktif terhadap bukti baru), dan Posterior Leveler (menjaga tiap kelas tetap berpeluang tidak nol).

BULC-D dan Dynamic World

BULC-D menaksir peluang perubahan yang berarti tanpa menentukan kelas awal dan akhir. Ia membentuk harapan nilai suatu indeks (contoh: NBR) dari periode acuan, lalu menilai tiga hipotesis: nilai turun berarti, naik berarti, atau tetap.

Dynamic World menerapkan jaringan saraf pada tiap citra Sentinel-2 baru dan menghasilkan klasifikasi tutupan lahan mendekati waktu nyata. Label piksel adalah kelas berpeluang tertinggi pada hari itu, sehingga dapat berubah-ubah. BULC dapat dipakai untuk meredam ketidakkonsistenan ini.

Bab 21 — Efek tunda dalam deret waktu

Kadang peristiwa pada satu waktu baru berpengaruh pada waktu kemudian. Kelapa butuh 18–24 bulan dari bunga sampai siap panen, sehingga hujan lebat saat pembungaan mengurangi panen berbulan-bulan sesudahnya.

Koleksi bertunda dibuat dengan ee.Join.saveAll dan ee.Filter.maxDifference pada system:time_start. Lag 17 hari dipilih karena selang Landsat 16 hari: join mendapat tepat satu citra sebelumnya. Band citra sekarang dan citra sebelumnya digabung, lalu direduksi dengan ee.Reducer.covariance() atau linearRegression.

Praktikum

Checkpoint buku: F46a–F46e (Bab 18), F47a–F47e (Bab 19), F48a–F48c dan A48d (Bab 20), F49a–F49d (Bab 21). Praktikum Bab 19 dan 20 sebagian besar memakai antarmuka grafis.

function maskScaleAndAddVariable(image) {
  var qaMask = image.select('QA_PIXEL')
    .bitwiseAnd(parseInt('11111', 2)).eq(0);
  var saturationMask = image.select('QA_RADSAT').eq(0);
  var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
  var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0);
  var img = image.addBands(opticalBands, null, true)
    .addBands(thermalBands, null, true)
    .updateMask(qaMask)
    .updateMask(saturationMask);
  var imgScaled = image.addBands(img, null, true);

  // Waktu dalam tahun pecahan sejak 1970
  var date = ee.Date(image.get('system:time_start'));
  var years = date.difference(ee.Date('1970-01-01'), 'year');
  return imgScaled
    .addBands(imgScaled.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI'))
    .addBands(ee.Image(years).rename('t'))
    .float()
    .addBands(ee.Image.constant(1));
}

var roi = ee.Geometry.Point([-121.059, 37.9242]);
var landsat8sr = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
  .filterBounds(roi)
  .filterDate('2013-01-01', '2018-01-01')
  .map(maskScaleAndAddVariable);
Map.centerObject(roi, 6);

print(ui.Chart.image.series(landsat8sr.select('NDVI'), roi)
  .setChartType('ScatterChart')
  .setOptions({
    title: 'Landsat 8 NDVI time series at ROI',
    trendlines: {0: {color: 'CC0000'}},
    lineWidth: 1,
    pointSize: 3
  }));

var independents = ee.List(['constant', 't']);
var dependent = ee.String('NDVI');

var trend = landsat8sr.select(independents.add(dependent))
  .reduce(ee.Reducer.linearRegression(independents.length(), 1));
var coefficients = trend.select('coefficients')
  .arrayProject([0])
  .arrayFlatten([independents]);

var detrended = landsat8sr.map(function(image) {
  return image.select(dependent).subtract(
      image.select(independents).multiply(coefficients).reduce('sum'))
    .rename(dependent)
    .copyProperties(image, ['system:time_start']);
});

// Harmonik
var harmonicIndependents = ee.List(['constant', 't', 'cos', 'sin']);
var harmonicLandsat = landsat8sr.map(function(image) {
  var timeRadians = image.select('t').multiply(2 * Math.PI);
  return image
    .addBands(timeRadians.cos().rename('cos'))
    .addBands(timeRadians.sin().rename('sin'));
});
var harmonicTrend = harmonicLandsat
  .select(harmonicIndependents.add(dependent))
  .reduce(ee.Reducer.linearRegression(harmonicIndependents.length(), 1));
var harmonicTrendCoefficients = harmonicTrend.select('coefficients')
  .arrayProject([0])
  .arrayFlatten([harmonicIndependents]);

var fittedHarmonic = harmonicLandsat.map(function(image) {
  return image.addBands(
    image.select(harmonicIndependents)
      .multiply(harmonicTrendCoefficients)
      .reduce('sum')
      .rename('fitted'));
});
print(ui.Chart.image.series(
  fittedHarmonic.select(['fitted', 'NDVI']), roi, ee.Reducer.mean(), 30)
  .setSeriesNames(['NDVI', 'fitted'])
  .setOptions({title: 'Harmonic model: original and fitted values',
    lineWidth: 1, pointSize: 3}));

var palettes = require('users/gena/packages:palettes');
var ccdResults = ee.Image(
  'projects/gee-book/assets/F4-7/Rondonia_example_small');
Map.centerObject(ccdResults, 10);
print(ccdResults);

var change = ccdResults.select('tBreak');
var changeProb = ccdResults.select('changeProb');
var start = 2000;
var end = 2021;
var mask = change.gt(start).and(change.lte(end)).and(changeProb.eq(1));

var numBreaks = mask.arrayReduce(ee.Reducer.sum(), [0]);
Map.addLayer(numBreaks, {min: 0, max: 5}, 'Number of breaks');

var dates = change.arrayMask(mask).arrayPad([1]);
var firstChange = dates.arraySlice(0, 0, 1)
  .arrayFlatten([['firstChange']])
  .selfMask();
Map.addLayer(firstChange,
  {palette: palettes.colorbrewer.YlOrRd[9], min: start, max: end},
  'First change');

var events = ee.ImageCollection('projects/gee-book/assets/F4-8/cleanEvents');
print(events, 'List of Events');
print('Number of events:', events.size());
print(ui.Thumbnail(events, {
  min: 0, max: 3,
  palette: ['black', 'green', 'blue', 'yellow'],
  framesPerSecond: 1,
  dimensions: 1000
}));

// Gabungkan tiap citra dengan citra sebelumnya dalam selang lagDays.
var lag = function(leftCollection, rightCollection, lagDays) {
  var filter = ee.Filter.and(
    ee.Filter.maxDifference({
      difference: 1000 * 60 * 60 * 24 * lagDays,
      leftField: 'system:time_start',
      rightField: 'system:time_start'
    }),
    ee.Filter.greaterThan({
      leftField: 'system:time_start',
      rightField: 'system:time_start'
    }));
  return ee.Join.saveAll({
    matchesKey: 'images',
    measureKey: 'delta_t',
    ordering: 'system:time_start',
    ascending: false
  }).apply({
    primary: leftCollection,
    secondary: rightCollection,
    condition: filter
  });
};

// 17 hari: tepat satu citra Landsat sebelumnya.
var lagged17 = lag(detrended, detrended, 17);

Kuis Pertemuan 7

Ringkasan 20/80

Bagian ini menghubungkan citra dengan data lapangan Anda: plot, transek, batas desa, garis pantai. Untuk riset mangrove berbasis plot, Bab 24 adalah bab yang paling langsung terpakai.

1. Dua struktur data. Raster adalah piksel; vektor adalah titik, garis, dan poligon beratribut. Di Earth Engine: Feature dan FeatureCollection.
2. Tiga sumber vektor: digambar dengan Geometry Tools, diambil dari Data Catalog, atau diunggah sebagai aset (shapefile, CSV).
3. FeatureCollection disaring seperti koleksi citra. Menurut lokasi (filterBounds) dan menurut atribut (ee.Filter.lt, gt, eq).
4. reduceRegions merangkum citra per poligon. Hasilnya FeatureCollection dengan kolom statistik baru, diekspor dengan Export.table.toDrive.
5. Raster ke vektor: reduceToVectors (poligon dari piksel bersambung bernilai sama), sample dan stratifiedSample (titik).
6. Vektor ke raster: reduceToImage untuk membuat mask atau citra ID; distance untuk zona jarak.
7. Luas dihitung dengan ee.Image.pixelArea(). Kalikan mask dengan luas piksel, jumlahkan, bagi 10.000 untuk hektare.
8. Statistik zonal untuk plot: beri buffer pada titik sesuai ukuran plot dan resolusi citra, lalu reduksi tiap citra per plot. Reducer berbobot menghitung piksel sebagian; yang tak berbobot hanya piksel yang pusatnya di dalam wilayah.
9. Join menghubungkan dua koleksi. Butuh filter (syarat) dan jenis join (simple, saveAll).

Materi teori

Bab 22 — Menjelajah vektor

Peta berguna untuk melihat pola, tetapi untuk menjawab pertanyaan sering dibutuhkan angka. Bab-bab sebelumnya memakai reducer untuk merangkum antarband atau antarcitra per piksel. Di sini reducer merangkum nilai di dalam batas spasial tertentu.

Membuat dan memuat fitur

• Geometry Tools. Buat titik dan poligon, lalu ganti nama impornya (buku: usf_point, usf_building, usf_campus).
• Data Catalog. Contoh: batas blok sensus TIGER (TIGER/2010/Blocks).
• Unggah aset. Shapefile terdiri dari beberapa berkas (.shp, .dbf, .shx, .prj). Unggah lewat tab Assets, lalu panggil dengan jalur asetnya.

Menyaring dan merangkum atribut

filterBounds menyaring fitur menurut lokasi fitur lain. filter(ee.Filter.lt('housing10', 250)) menyaring menurut nilai atribut. reduceColumns merangkum satu kolom atribut, misalnya rata-rata jumlah rumah. geometry().area() menghitung luas.

Mereduksi citra dengan geometri fitur

Contoh buku mencari blok paling hijau di sekitar kampus: buat citra NDVI dari Landsat 8 paling sedikit awan, potong dengan clip, lalu hitung rata-rata NDVI per blok dengan reduceRegions. Tabel diurutkan dengan sort('mean', false) dan diekspor ke Drive lewat tab Tasks.

Bab 23 — Konversi raster dan vektor

Raster menyimpan data secara efisien bila tiap piksel punya nilai numerik. Vektor lebih efektif mewakili bentuk geometris dengan area homogen yang berbagi atribut. Masing-masing cocok untuk operasi analisis yang berbeda.

Raster ke vektor

Vektor ke raster

• Mask. Beri properti protected: 1, lalu reduceToImage(['protected'], ee.Reducer.first()).unmask(). Mask dipakai untuk menampilkan deforestasi di dalam kawasan lindung saja.
• Citra ID. reduceToImage(['WDPAID'], ...) menyimpan ID kawasan di tiap piksel, berguna untuk operasi raster skala besar.
• Jarak. featureCollection.distance(maks) menghasilkan raster jarak. Dengan where dibuat zona 1, 3, dan 5 km untuk membandingkan deforestasi di sekitar batas kawasan.

Bab 24 — Statistik zonal

Menghitung statistik raster dalam wilayah tertentu disebut statistik zonal. Siapa pun yang bekerja dengan plot lapangan perlu merangkum NDVI, hujan, atau elevasi untuk tiap plot. Bab ini memberi dua fungsi siap pakai yang berlaku untuk Image maupun ImageCollection, dan lebih tahan terhadap galat “Computed value is too large” daripada satu panggilan reduceRegions pada koleksi fitur yang besar.

Hasilnya tabel dengan satu baris untuk tiap pasangan plot dan citra. Lima plot dan 40 citra MODIS menghasilkan 200 baris.

Tiga contoh

• Topografi. DEM MERIT 90 m, buffer lingkaran 45 m. Citra tunggal harus dibungkus menjadi ImageCollection dan diberi system:time_start.
• MODIS. Plot 100 × 100 m, buffer persegi 50 m, reducer median.
• Landsat. TM, ETM+, dan OLI digabung setelah mask awan dan penyamaan nama band; buffer persegi 15 m; reducer max. Baris tanpa piksel valid dibuang dengan ee.Filter.notNull.

Hal yang perlu diperhatikan

• Berbobot atau tidak. Reducer berbobot (bawaan untuk mean, median) menimbang piksel menurut bagian luasnya yang beririsan dengan wilayah. Reducer tak berbobot (min, max, atau .unweighted()) memakai semua piksel yang pusatnya di dalam wilayah dengan bobot sama.
• Properti hilang pada citra hasil hitung. Salin dengan copyProperties, terutama system:time_start.
• Statistik null muncul bila tidak ada piksel valid, misalnya titik di luar citra atau piksel ter-mask.
• Koleksi besar sebaiknya diekspor sebagai tugas batch ke aset atau Drive.

Bab 25 — Operasi vektor lanjut

Empat cara menampilkan vektor

Join antarkoleksi fitur

Join mencocokkan tiap item suatu koleksi dengan item koleksi lain berdasarkan syarat. Hasil serupa bisa dicapai dengan map dan filter, tetapi join lebih cepat dan lebih lentur. Dua hal yang ditentukan:

1. Filter: syaratnya, misalnya ee.Filter.withinDistance atau ee.Filter.intersects pada geometri (.geo).
2. Jenis join: ee.Join.simple() mengembalikan fitur koleksi pertama yang cocok; ee.Join.saveAll() menyimpan semua pasangan yang cocok sebagai properti.

Contoh buku: blok sensus yang berjarak 1 km dari jalan antarnegara bagian, dan jumlah pohon di tiap lingkungan San Francisco.

Bab 26 — GEEDiT

Tepi dan batas di permukaan Bumi, seperti garis pantai dan ujung gletser, menggambarkan perubahan lingkungan. Identifikasi otomatis tidak selalu berhasil atau bisa dipindahkan antarmusim dan lokasi. Dalam kasus itu digitasi manual adalah cara yang tepat. Hambatannya adalah mengunduh dan mengolah citra dalam jumlah besar.

Google Earth Engine Digitisation Tool (GEEDiT) memungkinkan digitasi garis atau poligon langsung dari arsip citra tanpa mengunduh dan tanpa menulis kode. Vektor yang diekspor dilampiri metadata baku dari citra sumber, sehingga tiap garis dapat dilacak ke citranya. Ini mendukung reproduksibilitas dan verifikasi.

• Pilihan citra: rentang tanggal (format YYYY-MM-DD), rentang bulan, batas tutupan awan, frekuensi tugas ekspor otomatis, dan satelit yang dipakai.
• Digitasi: klik untuk menambah titik, klik ganda untuk mengakhiri. Bawaan berupa garis, bisa diganti poligon. Vektor dapat disunting atau dihapus.
• Tanda mutu: terpengaruh awan atau bayangan, tepi dicek dengan citra lain, terpengaruh SLC-off, hanya sebagian tepi yang terdigitasi, serta kotak catatan.
• Penyesuaian: kombinasi band dan rentang nilai tampilan dapat diubah per citra atau lewat kode.

Praktikum

Checkpoint buku: F50a–F50e (Bab 22), F51a–F51e (Bab 23), F52a–F52c (Bab 24), F53a–F53b (Bab 25), F54a (Bab 26, tautan GEEDiT).

var tiger = ee.FeatureCollection('TIGER/2010/Blocks');
var sfNeighborhoods = ee.FeatureCollection(
  'projects/gee-book/assets/F5-0/SFneighborhoods');

var usfNeighborhood = sfNeighborhoods.filterBounds(usf_point);
var usfTiger = tiger.filterBounds(usfNeighborhood);

var housing10_g50_l250 = usfTiger
  .filter(ee.Filter.lt('housing10', 250))
  .filter(ee.Filter.gt('housing10', 50));
Map.addLayer(housing10_g50_l250, {'color': 'Magenta'}, 'housing');

var image = ee.Image(ee.ImageCollection('LANDSAT/LC08/C02/T1_TOA')
  .filterBounds(usf_point)
  .filterDate('2015-01-01', '2015-12-31')
  .sort('CLOUD_COVER')
  .first());
var nir = image.select('B5');
var red = image.select('B4');
var ndvi = nir.subtract(red).divide(nir.add(red)).rename('NDVI');

var ndviUSFblocks = ndvi.clip(housing10_g50_l250);
Map.addLayer(ndviUSFblocks,
  {min: -1, max: 1, palette: ['blue', 'white', 'green']}, 'NDVI image');
Map.centerObject(usf_point, 14);

var ndviPerBlock = ndviUSFblocks.reduceRegions({
  collection: housing10_g50_l250,
  reducer: ee.Reducer.mean(),
  scale: 30
});
print(ndviPerBlock.select(['blockid10', 'mean']).sort('mean', false).first());

Export.table.toDrive({
  collection: ndviPerBlock,
  description: 'NDVI_by_block_near_USF'
});

var gfc = ee.Image('UMD/hansen/global_forest_change_2020_v1_8');
var wdpa = ee.FeatureCollection('WCMC/WDPA/current/polygons');
var deforestation = gfc.select('lossyear');
var protectedArea = wdpa.filter(ee.Filter.equals('NAME', 'La Paya'));
Map.centerObject(protectedArea);

var deforestationVector = deforestation.reduceToVectors({
  scale: deforestation.projection().nominalScale(),
  geometry: protectedArea.geometry(),
  labelProperty: 'lossyear',
  maxPixels: 1e13
});
print('Number of change events:', deforestationVector.size());

// Luas tiap kejadian dalam hektare, lalu saring yang > 10 ha
deforestationVector = deforestationVector.map(function(feat) {
  return feat.set('area',
    feat.geometry().area({maxError: 10}).divide(10000));
});
var deforestationLarge = deforestationVector
  .filter(ee.Filter.gt('area', 10));

var outline = ee.Image().byte().paint({
  featureCollection: deforestationLarge,
  color: 'lossyear',
  width: 1
});
Map.addLayer(outline,
  {palette: ['yellow', 'orange', 'red'], min: 1, max: 20},
  'Deforestation (>10 ha)');

var wdpaProtected = wdpa.map(function(feat) {
  return feat.set('protected', 1);
});
var wdpaMask = wdpaProtected
  .reduceToImage(['protected'], ee.Reducer.first())
  .unmask();

var deforestationProtected = deforestation.where(wdpaMask.eq(0), 0);
deforestationProtected = deforestationProtected
  .updateMask(deforestationProtected.gt(0));
Map.setCenter(-75, 3, 6);
Map.addLayer(deforestationProtected,
  {min: 1, max: 20, palette: ['yellow', 'orange', 'red']},
  'Deforestation protected');

function bufferPoints(radius, bounds) {
  return function(pt) {
    pt = ee.Feature(pt);
    return bounds ? pt.buffer(radius).bounds() : pt.buffer(radius);
  };
}

var pts = ee.FeatureCollection([
  ee.Feature(ee.Geometry.Point([-118.6010, 37.0777]), {plot_id: 1}),
  ee.Feature(ee.Geometry.Point([-118.5896, 37.0778]), {plot_id: 2}),
  ee.Feature(ee.Geometry.Point([-118.5842, 37.0805]), {plot_id: 3}),
  ee.Feature(ee.Geometry.Point([-118.5994, 37.0936]), {plot_id: 4}),
  ee.Feature(ee.Geometry.Point([-118.5861, 37.0567]), {plot_id: 5})
]);

// Contoh 1: elevasi dan lereng, buffer lingkaran 45 m
var ptsTopo = pts.map(bufferPoints(45, false));
var elev = ee.Image('MERIT/DEM/v1_0_3');
var slope = ee.Terrain.slope(elev);
var topo = ee.Image.cat(elev, slope)
  .set('system:time_start', ee.Date('2000-01-01').millis());
var topoCol = ee.ImageCollection([topo]);

var params = {bands: [0, 1], bandsRename: ['elevation', 'slope']};
var ptsTopoStats = zonalStats(topoCol, ptsTopo, params);
print('Topo zonal stats table', ptsTopoStats);

// Contoh 2: MODIS, plot persegi 100 m, median
var ptsModis = pts.map(bufferPoints(50, true));
var modisCol = ee.ImageCollection('MODIS/006/MOD09A1')
  .filterDate('2015-01-01', '2020-01-01')
  .filter(ee.Filter.calendarRange(183, 245, 'DAY_OF_YEAR'));
var paramsModis = {
  reducer: ee.Reducer.median(),
  scale: 500,
  crs: 'EPSG:5070',
  bands: ['sur_refl_b01', 'sur_refl_b02', 'sur_refl_b06'],
  bandsRename: ['modis_red', 'modis_nir', 'modis_swir'],
  datetimeName: 'date',
  datetimeFormat: 'YYYY-MM-dd'
};
print(zonalStats(modisCol, ptsModis, paramsModis).limit(50));

var blocks = ee.FeatureCollection('TIGER/2010/Blocks');
var roads = ee.FeatureCollection('TIGER/2016/Roads');
var sfNeighborhoods = ee.FeatureCollection(
  'projects/gee-book/assets/F5-0/SFneighborhoods');
var geometry = sfNeighborhoods.geometry();
Map.centerObject(geometry);

// Kepadatan penduduk per blok, lalu paint
var sfBlocks = blocks.filter(ee.Filter.bounds(geometry))
  .map(function(f) {
    var area_sqmi = f.area().divide(2.59e6);
    var density = ee.Number(f.get('pop10')).divide(area_sqmi);
    return f.set({'area_sqmi': area_sqmi, 'pop_density': density});
  });
var sfBlocksPaint = ee.Image().int32().paint({
  featureCollection: sfBlocks,
  color: 'pop_density'
});
Map.addLayer(sfBlocksPaint.clip(geometry),
  {min: 0, max: 50000,
   palette: ['fee5d9', 'fcae91', 'fb6a4a', 'de2d26', 'a50f15']},
  'Population Density');

// Blok dalam jarak 1 km dari jalan antarnegara bagian
var interstateRoads = roads.filter(ee.Filter.bounds(geometry))
  .filter(ee.Filter.eq('rttyp', 'I'));
var joinFilter = ee.Filter.withinDistance({
  distance: 1000, leftField: '.geo', rightField: '.geo', maxError: 10
});
var closeBlocks = ee.Join.simple().apply({
  primary: sfBlocks, secondary: interstateRoads, condition: joinFilter
});
Map.addLayer(closeBlocks.draw({color: 'orange', strokeWidth: 1}).clip(geometry),
  {}, 'Blocks within 1km');

// Jumlah pohon per lingkungan dengan saveAll
var sfTrees = ee.FeatureCollection('projects/gee-book/assets/F5-3/SFTrees');
var intersectFilter = ee.Filter.intersects({
  leftField: '.geo', rightField: '.geo', maxError: 10
});
var joined = ee.Join.saveAll({matchesKey: 'trees'})
  .apply(sfNeighborhoods, sfTrees, intersectFilter);
var withCount = joined.map(function(f) {
  var totalTrees = ee.FeatureCollection(ee.List(f.get('trees'))).size();
  return f.set('total_trees', totalTrees);
});
print(withCount.first());

Kuis Pertemuan 9

Ringkasan 20/80

Bagian VI berisi keterampilan kerja: menyajikan hasil, bekerja bersama, menjalankan analisis besar tanpa galat, dan membagikannya. Bab 29 dan Bab 31 paling berguna bila Anda sudah bekerja dengan data nyata dan R.

1. Palet mengikuti jenis data. Sekuensial untuk nilai berurutan, divergen untuk nilai dengan titik nol bermakna (anomali), sirkular untuk nilai periodik, semantik untuk warna bermakna tetap. Palet seragam secara persepsi lebih jujur.
2. Palet untuk kelas harus berurutan. Bila kode kelas tidak berurutan, remap dulu ke indeks 0, 1, 2, …
3. Get Link adalah potret. Tautan menyimpan skrip pada saat itu dan tidak ikut berubah. Untuk kerja bersama yang berkelanjutan, bagikan repositori.
4. Aset harus dibagikan terpisah. Skrip yang memakai aset pribadi akan gagal di tangan orang lain bila asetnya tidak dibagikan.
5. require memuat modul. Fungsi yang akan dipakai ulang ditulis dengan exports.namaFungsi = ... dan dipanggil dari skrip lain.
6. Klien dan server berbeda. Semua fungsi ee.* berjalan di server. Objek ee di skrip hanya penanda; nilainya baru ada setelah dievaluasi server.
7. Empat cara memperbesar skala: praktik kode yang baik, memecah pekerjaan menurut waktu, memecah menurut ruang (tiling), dan alur bertahap dengan aset antara.
8. Ekspor untuk pekerjaan besar. Mode ekspor mendapat jatah memori dan waktu lebih besar daripada mode interaktif. tileScale membantu saat kehabisan memori.
9. Aplikasi dan bahasa lain. Pustaka ui membangun aplikasi dari Code Editor. Di Python ada geemap, di R ada rgee dengan sintaks ee$Image.

Materi teori

Bab 27 — Visualisasi raster lanjut

Visualisasi mengubah data menjadi tampilan. Untuk tahap penyebaran hasil, alurnya: tentukan pesan, cari inspirasi, pilih medium, pilih dataset, siapkan data, ubah data menjadi bentuk dan warna, lalu tambahkan anotasi dan interaktivitas.

Jenis colormap

Colormap seragam secara persepsi memetakan selang nilai yang sama ke selang warna yang sama di mata. Pustaka users/gena/packages:palettes menyediakan banyak palet siap pakai.

Remap sebelum memberi palet

Citra terklasifikasi seperti NLCD membawa metadata nama, nilai, dan warna kelas. Bila Anda memberi palet baru pada kode kelas yang tidak berurutan, Earth Engine meregangkan palet pada seluruh rentang nilai dan warnanya meleset. Solusinya: buat indeks berurutan dengan ee.List.sequence, remap nilai kelas ke indeks, lalu pakai palet.

Anotasi, animasi, dan medan

• Anotasi. Pustaka users/gena/packages:text menggambar teks sebagai citra, misalnya tanggal atau persen awan tiap citra. Skala teks mengikuti Map.getScale().
• Animasi. Tiga cara: GIF dengan getVideoThumbURL atau ui.Thumbnail; video dengan Export.video.toDrive; animasi interaktif dengan paket animation. Animasi membantu memahami dinamika sebelum merancang algoritma.
• Medan. Elevasi dalam abu-abu polos terlihat tidak alami. Hillshade, bayangan, dan palet topografi yang digabung lewat transformasi HSV memberi tampilan yang lebih mudah dibaca.

Bab 28 — Kolaborasi

Tiga peran repositori: Owner (membuat dan memiliki), Writer (melihat dan mengubah), Reader (hanya melihat; untuk mengubah, salin skrip ke repositori sendiri).

Bab 29 — Memperbesar skala

Cara kerja di balik layar

Earth Engine adalah sistem paralel dan terdistribusi. Pekerjaan dipecah ke banyak prosesor, hasilnya dikumpulkan, lalu dikembalikan. Operasi sisi klien berjalan di peramban (manipulasi string dan angka JavaScript). Operasi sisi server adalah semua fungsi ee.*. Skrip Anda adalah deskripsi perhitungan; mencetak objek ee memanggil getInfo untuk mengevaluasinya. Membawa objek server ke lingkungan lokal selalu punya biaya.

Praktik kode yang baik

1. Pakai operator sisi server.
2. Hindari melewati koleksi citra yang sama berkali-kali.
3. Hindari konversi yang tidak perlu.
4. Pakai skala dan jumlah sampel yang wajar untuk tujuan Anda.

reduceRegions lebih efisien daripada sampleRegions. Tab Profiler menunjukkan sumber daya tiap operasi; matikan saat produksi karena ia sendiri menambah beban.

Tiga strategi pemecahan

• Menurut waktu. Contoh: iklim harian GRIDMET untuk 293 county selama banyak tahun. Satu tahun cukup dengan operator biasa; untuk banyak tahun, perulangan for sisi klien membuat satu tugas ekspor per tahun.
• Menurut ruang. Contoh: komposit median Sentinel-2 bebas awan untuk negara bagian Washington. Wilayah dibagi dengan coveringGrid, tiap sel diekspor sebagai citra ke satu koleksi aset, lalu disatukan dengan mosaic. Mask awan Sentinel-2 memerlukan tiga koleksi (surface reflectance, Level-1C, dan cloud probability) sehingga berat.
• Alur bertahap. Tiap skrip menghasilkan aset antara yang menjadi masukan skrip berikutnya, misalnya komposit, lalu data iklim, lalu titik latih, lalu klasifikasi.

Untuk menjalankan banyak tugas sekaligus, API Python dapat lebih praktis.

Bab 30 — Antarmuka dan aplikasi

API antarmuka (ui) menyediakan widget sederhana (label, tombol, kotak centang, slider, kotak teks) dan widget kompleks (grafik, peta, panel). Aplikasi diterbitkan lewat tombol Apps di Code Editor: beri nama, pilih Google Cloud Project, dan tentukan lokasi kode. Siapa pun yang memiliki tautan dapat memakai aplikasi tanpa akun Earth Engine.

Contoh buku adalah peta panel terbelah untuk perubahan tutupan lahan NLCD (delapan epoch 2001–2019). Komponennya: dua ui.Map, ui.Select untuk memilih tahun, ui.SplitPanel dengan wipe: true, ui.Map.Linker agar kedua peta bergerak bersama, dan panel legenda.

API Python tidak punya pustaka antarmuka sendiri. Paket geemap dengan ipywidgets di Jupyter menggantikannya. Notebook dapat disajikan sebagai aplikasi dengan Voilà, lewat komputer lokal (ngrok) atau platform cloud.

Bab 31 — R dan Earth Engine

rgee adalah antarmuka tidak resmi Earth Engine untuk R. Ia memerlukan R versi 4.0 atau lebih baru dan lingkungan Python berisi NumPy dan earthengine-api. Sintaksnya memakai $: ee$Image, ee$ImageCollection, Map$addLayer.

• Inisialisasi. ee_Initialize(), atau ee_Initialize(drive = TRUE) untuk memakai Google Drive. rgee mendukung tiga API Google: Earth Engine, Drive, dan Cloud Storage, sehingga hasil ekspor dapat langsung diunduh ke R.
• Dari server ke lokal. ee_as_raster mengubah ee$Image menjadi objek raster lokal. Contoh buku: peta kepadatan penduduk Amerika Selatan tiga dimensi dengan rayshader.
• Peta interaktif. Map$addLayer bekerja seperti di Code Editor, dengan legenda dari Map$addLegend.
• Paket Python. Lewat reticulate, paket Python seperti ndvi2gif dipakai tanpa meninggalkan R.
• Modul JavaScript. rgeeExtra (berbasis ee_extra) menjalankan modul JavaScript, misalnya modul Landsat Land Surface Temperature, langsung dari R.

Praktikum

Checkpoint buku: F60a–F60j (Bab 27), F62a–F62e (Bab 29), F63a–F63d (Bab 30), F64a–F64g (Bab 31). Bab 28 dikerjakan berpasangan.

var era5 = ee.ImageCollection('ECMWF/ERA5_LAND/MONTHLY')
  .select('temperature_2m');
var palettes = require('users/gena/packages:palettes');

var balancePalette = palettes.cmocean.Balance[7];
var threeColorPalette = ['blue', 'white', 'red'];
palettes.showPalette('temperature anomaly', balancePalette);
palettes.showPalette('temperature anomaly', threeColorPalette);

var era5_1980 = era5.filterDate('1981-01-01', '1991-01-01').mean();
var era5_2010 = era5.filterDate('2011-01-01', '2020-01-01').mean();
var era5_diff = era5_2010.subtract(era5_1980);

Map.addLayer(era5_diff, {palette: threeColorPalette, min: -2, max: 2},
  'Blue White Red palette');
Map.addLayer(era5_diff, {palette: balancePalette, min: -2, max: 2},
  'Balance palette');

var nlcd = ee.ImageCollection('USGS/NLCD_RELEASES/2016_REL');
var nlcd2016 = nlcd.filter(ee.Filter.eq('system:index', '2016')).first();
var landcover = nlcd2016.select('landcover');
Map.addLayer(landcover, null, 'NLCD Landcover');

// Palet baru: tiga kelas kota dibuat merah tua ('ab0000').
var newPalette = ['466b9f', 'd1def8', 'dec5c5',
  'ab0000', 'ab0000', 'ab0000',
  'b3ac9f', '68ab5f', '1c5f2c',
  'b5c58f', 'af963c', 'ccb879',
  'dfdfc2', 'd1d182', 'a3cc51',
  '82ba9e', 'dcd939', 'ab6c28',
  'b8d9eb', '6c9fb8'
];

// Buat indeks berurutan untuk nilai kelas, lalu remap.
var values = ee.List(landcover.get('landcover_class_values'));
print('raw class values', values);
var maxIndex = values.size().subtract(1);
var indexes = ee.List.sequence(0, maxIndex);

var colorized = landcover.remap(values, indexes)
  .visualize({min: 0, max: maxIndex, palette: newPalette});
Map.addLayer(colorized, {}, 'NLCD Remapped Colors');

var text = require('users/gena/packages:text');
Map.setCenter(0, 0, 10);
Map.setOptions('HYBRID');
var pt = Map.getCenter();
var scale = Map.getScale();
var image = text.draw('Hello World!', pt, scale, {
  fontSize: 32,
  fontType: 'Consolas',
  textColor: 'black',
  outlineColor: 'white',
  outlineWidth: 1,
  outlineOpacity: 0.8
});
Map.addLayer(image);

var dem = ee.Image('USGS/SRTMGL1_003');
var palettes = require('users/gena/packages:palettes');
Map.addLayer(dem,
  {min: 0, max: 3000, palette: palettes.colorbrewer.Blues[9]},
  'colorbrewer Blues[9]');

// Modul sendiri: simpan fungsi di skrip 'cloudmasking' dengan
//   exports.maskL8sr = function(image) { ... };
// lalu panggil dari skrip lain:
var myCloudFunctions = require(
  'users/myusername/my-shared-repo:cloudmasking');
var collection = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
  .filterDate('2020-01-01', '2021-01-01')
  .map(myCloudFunctions.maskL8sr);

var startYear = 2020;
var endYear = 2020;
var imageCollectionName = 'IDAHO_EPSCOR/GRIDMET';
var bandsWanted = ['pr', 'tmmn', 'tmmx'];
var scale = 4000;

var uniqueID = 'GEOID';
var featColl = ee.FeatureCollection('TIGER/2018/Counties')
  .filter(ee.Filter.inList('STATEFP', ['17', '18', '19']))
  .select(uniqueID);

for (var i = startYear; i <= endYear; i++) {
  var imageCollection = ee.ImageCollection(imageCollectionName)
    .select(bandsWanted)
    .filterBounds(featColl)
    .filterDate(i + '-01-01', (i + 1) + '-01-01');

  var sampledFeatures = imageCollection.map(function(image) {
    return image.reduceRegions({
        collection: featColl,
        reducer: ee.Reducer.mean(),
        scale: scale
      }).filter(ee.Filter.notNull(bandsWanted))
      .map(function(f) {
        var dte = ee.Date(image.get('system:time_start')).format('YYYYMMdd');
        return f.set('date_ymd', dte);
      });
  }).flatten();

  Export.table.toDrive({
    collection: sampledFeatures,
    description: 'Gridmet_counties_IN_IL_IA_' + i,
    folder: 'GEE_scalingUp',
    fileFormat: 'CSV',
    selectors: [uniqueID].concat(['date_ymd'], bandsWanted)
  });
}

var getNLCD = function(year) {
  var dataset = ee.ImageCollection('USGS/NLCD_RELEASES/2019_REL/NLCD');
  var nlcd = dataset.filter(ee.Filter.eq('system:index', year)).first();
  return ui.Map.Layer(nlcd.select('landcover'), {}, year);
};
var images = {
  '2001': getNLCD('2001'), '2004': getNLCD('2004'),
  '2006': getNLCD('2006'), '2008': getNLCD('2008'),
  '2011': getNLCD('2011'), '2013': getNLCD('2013'),
  '2016': getNLCD('2016'), '2019': getNLCD('2019')
};

function addLayerSelector(mapToChange, defaultValue, position) {
  var label = ui.Label('Select a year:');
  function updateMap(selection) {
    mapToChange.layers().set(0, images[selection]);
  }
  var select = ui.Select({items: Object.keys(images), onChange: updateMap});
  select.setValue(Object.keys(images)[defaultValue], true);
  mapToChange.add(ui.Panel({
    widgets: [label, select],
    style: {position: position}
  }));
}

var leftMap = ui.Map();
leftMap.setControlVisibility(false);
addLayerSelector(leftMap, 0, 'top-left');
var rightMap = ui.Map();
addLayerSelector(rightMap, 7, 'top-right');

var splitPanel = ui.SplitPanel({
  firstPanel: leftMap,
  secondPanel: rightMap,
  wipe: true,
  style: {stretch: 'both'}
});
ui.root.widgets().reset([splitPanel]);
var linker = ui.Map.Linker([leftMap, rightMap]);
leftMap.setCenter(-100, 40, 4);

library(rgee)
library(cptcity)
ee_Initialize()

dem <- ee$Image$Dataset$CGIAR_SRTM90_V4
viz <- list(
  min = 600,
  max = 6000,
  palette = cpt(pal = "grass_elevation", rev = TRUE)
)
m1 <- Map$addLayer(dem, visParams = viz, name = "SRTM", shown = TRUE)
pal <- Map$addLegend(viz)
m1 + pal

# Geometri dan buffer
vector <- ee$Geometry$Point(-77.011, -11.98) %>%
  ee$Feature$buffer(50 * 1000)
Map$centerObject(vector)
Map$addLayer(vector)

Kuis Pertemuan 10

Ringkasan 20/80

Mulai pertemuan ini isi buku adalah studi kasus. Teknik dasarnya sudah Anda pelajari; yang baru adalah cara merangkainya untuk satu pertanyaan. Kerjakan dua bab secara penuh dan baca dua bab lainnya.

1. Alur umum bab penerapan sama: tentukan wilayah, ambil dan bersihkan citra, bangun fitur, klasifikasi atau hitung indeks, lalu rangkum per wilayah.
2. Informasi waktu membedakan jenis tanaman. Koefisien regresi harmonik orde dua tiap piksel dipakai sebagai fitur untuk Random Forest.
3. GCVI = (NIR / hijau) − 1. Indeks klorofil yang dipakai bersama NIR, SWIR1, dan SWIR2.
4. Label bisa diambil dari peta yang sudah ada. Cropland Data Layer (CDL) dipakai sebagai kelas: jagung, kedelai, lainnya.
5. Tiga klasifikasi kota siap pakai: MODIS Land Cover (global, 500 m), CORINE (Eropa), dan NLCD (Amerika Serikat). Luasnya dihitung dengan ee.Image.pixelArea().
6. Klasifikasi area terbangun sendiri diperlukan bila resolusi ruang atau waktu produk yang ada tidak cukup. Pengklasifikasi yang dilatih pada satu tahun dapat diterapkan ke komposit tahun lain.
7. Data infrastruktur umumnya vektor. Panjang jalan dihitung dengan length(); untuk skala besar, vektor dirasterkan dengan paint.
8. Sentinel-5P (TROPOMI) memantau polutan udara. Piksel dengan fraksi awan di atas 0,3 dibuang. Membandingkan bulan yang sama di dua tahun mengurangi pengaruh musim.
9. Paparan dihitung dengan bobot penduduk. Exp = Σ (P_i / P) × C_i. Rata-rata biasa bisa menyesatkan bila polusi tinggi berada di tempat yang jarang penduduk.

Materi teori

Bab 32 — Lingkungan pertanian

Sekitar lima miliar hektare, atau 38% daratan Bumi, dipakai untuk pertanian. Kira-kira sepertiganya untuk tanaman dan dua pertiganya untuk penggembalaan. Karena pertanian berlangsung di ruang terbuka, sensor satelit dapat merekam banyak ciri tanaman. Contoh buku: memetakan jagung dan kedelai di McLean County, Illinois, tahun 2020.

Alur kerja

1. Ambil citra. Landsat 7 dan 8 Level-2 digabung. Band diganti nama agar seragam. Mask dibuat dari bit QA_PIXEL; hanya piksel bertanda clear yang dipakai.
2. Tambah indeks. GCVI (Green Chlorophyll Vegetation Index).
3. Tambah basis harmonik. Band waktu t, lalu cos, sin, cos2, sin2, dan konstanta. Modelnya f(t) = a₁cos(2πωt) + b₁sin(2πωt) + a₂cos(4πωt) + b₂sin(4πωt) + c, dengan ω = 1.
4. Regresi per piksel. ee.Reducer.linearRegression untuk NIR, SWIR1, SWIR2, dan GCVI. Hasilnya 4 × 5 = 20 koefisien per piksel, diekspor sebagai aset.
5. Latih dan uji. CDL di-remap menjadi tiga kelas. Titik latih dan titik uji diambil acak dengan benih berbeda. Akurasi dihitung pada titik uji, lalu model diterapkan ke seluruh county.

Selain jenis tanaman, penginderaan jauh dipakai untuk hasil panen, batas petak, irigasi, pengolahan tanah, tanaman penutup, dan kelembapan tanah.

Bab 33 — Lingkungan perkotaan

Pada 1950 hanya 30% penduduk dunia tinggal di kota; pada 2050 diperkirakan 68%. Perpindahan ini mengurangi kemiskinan tetapi menimbulkan hilangnya habitat, pulau panas kota, banjir, dan emisi gas rumah kaca.

Tiga pendekatan dalam bab

• Animasi deret waktu. GIF Landsat memperlihatkan pertumbuhan bandara di barat laut Bengaluru, 2010–2020, dengan saringan awan CLOUD_COVER_LAND paling tinggi 3.
• Klasifikasi yang sudah ada. MODIS LC_Type1 kelas 13 (urban) di Accra tahun 2001 dan 2019; CORINE kelas sampai 133 di London; NLCD kelas 24 (developed, high intensity) di Chicago. Ketiganya berbeda cakupan, resolusi, dan frekuensi.
• Klasifikasi sendiri. Komposit median Landsat 7 tahun 2020 di Ahmedabad, India. Titik contoh terbangun (class 1) dan tidak terbangun (class 0) digambar, digabung dengan merge, lalu dipakai melatih Random Forest 20 pohon. Pengklasifikasi yang sama diterapkan pada komposit 2010, dan selisih kedua peta menunjukkan perluasan kota.

Luas kota hasil Landsat, Sentinel-2, dan MODIS akan berbeda karena resolusi spasial dan spektralnya berbeda.

Bab 34 — Lingkungan terbangun

Lingkungan terbangun mencakup rumah, gedung, jalan, ruang terbuka, dan infrastruktur. Dulu datanya dikelola di tingkat lokal; sepuluh tahun terakhir muncul dataset global yang konsisten. Contoh di Data Catalog: Global Power Plant Database, Open Buildings, Global Artificial Impervious Area, dan Global Flood Database. Awesome GEE Community Catalog menampung Global Roads Inventory Project (GRIP) dan Global Power System.

Tiga analisis

Vektor cocok untuk mewakili jembatan (titik), jalan (garis), dan gedung (poligon). Analisis skala benua sering lebih mudah setelah vektor dirasterkan.

Bab 35 — Polusi udara dan paparan penduduk

Polusi udara adalah faktor risiko kematian terbesar ketiga di dunia setelah tekanan darah tinggi dan merokok. Polutan utama bagi kesehatan: PM2.5, CO, O₃, NO₂, dan SO₂. Paparan PM2.5 dan O₃ diperkirakan menyebabkan sekitar 4,7 juta kematian berlebih per tahun.

Data dan pembersihan

Instrumen TROPOMI pada Sentinel-5P memantau beberapa polutan. Buku memakai produk NO₂ offline (COPERNICUS/S5P/OFFL/L3_NO2), band kolom troposfer. Piksel dengan cloud_fraction di atas 0,3 dibuang. Data tersedia sejak Juli 2018.

Membandingkan dua periode

Median NO₂ Maret 2020 (Hubei dalam lockdown) dibandingkan dengan Maret 2019 dalam peta panel terbelah. Cuaca sangat memengaruhi konsentrasi polutan. Membandingkan bulan yang sama di dua tahun mengendalikan pola musim sebagian, tidak seluruhnya.

Bobot penduduk

Bila NO₂ tinggi berada di daerah yang jarang penduduk, rata-rata semua piksel tidak mewakili paparan orang. Paparan tertimbang penduduk dihitung dengan Exp = Σ (P_i / P) × C_i, dengan C_i konsentrasi dan P_i penduduk di piksel i. Citra dengan cakupan piksel valid kurang dari ambang (buku: 25%) dibuang.

Deteksi satelit berguna untuk memantau kualitas udara, tetapi kesimpulan tentang risiko kesehatan tetap memerlukan pengukuran stasiun darat dan pemodelan atmosfer.

Praktikum

Checkpoint buku untuk bab penerapan berawalan A: A11a–A11d (Bab 32), A12a–A12h (Bab 33), A13a–A13f (Bab 34), A14a–A14c (Bab 35). Skripnya panjang; kode di bawah adalah bagian inti. Buka checkpoint untuk versi lengkap.

// GCVI
function addVIs(img) {
  var gcvi = img.expression('(nir / green) - 1', {
    nir: img.select('NIR'),
    green: img.select('GREEN')
  }).select([0], ['GCVI']);
  return ee.Image.cat([img, gcvi]);
}

// Basis harmonik orde dua
function addTimeUnit(image, refdate) {
  var dyear = image.date().difference(refdate, 'year');
  var t = image.select(0).multiply(0).add(dyear).select([0], ['t']).float();
  return image.addBands(t);
}
function addHarmonics(image, omega, refdate) {
  image = addTimeUnit(image, refdate);
  var timeRadians = image.select('t').multiply(2 * Math.PI * omega);
  var timeRadians2 = image.select('t').multiply(4 * Math.PI * omega);
  return image
    .addBands(timeRadians.cos().rename('cos'))
    .addBands(timeRadians.sin().rename('sin'))
    .addBands(timeRadians2.cos().rename('cos2'))
    .addBands(timeRadians2.sin().rename('sin2'))
    .addBands(timeRadians.divide(timeRadians).rename('constant'));
}
var landsatPlus = landsat.map(function(image) {
  return addHarmonics(image, 1, '2020-01-01');
});

var rf = ee.Classifier.smileRandomForest({
  numberOfTrees: 50, minLeafPopulation: 10, seed: 0
});
var bands = harmonicsPlus.bandNames()
  .remove('cropland').remove('system:index');

// jagung = 1, kedelai = 2, lainnya = 0
var cornSoyOther = harmonicsPlus.select('cropland').eq(1)
  .add(harmonicsPlus.select('cropland').eq(5).multiply(2));
var dataset = ee.Image.cat([harmonicsPlus.select(bands), cornSoyOther]);

var train_points = dataset.sample(geometry, 30, null, null, 100, 0);
var model = rf.train(train_points, 'cropland', bands);

var test_points = dataset.sample(geometry, 30, null, null, 50, 1);
var testAccuracy = test_points.classify(model)
  .errorMatrix('cropland', 'classification');
print('Test overall accuracy: ', testAccuracy.accuracy());

Map.addLayer(harmonicsPlus.select(bands).classify(model),
  {min: 0, max: 2, palette: ['gray', 'yellow', 'green']},
  'Classifier prediction');

Map.setCenter(-0.2264, 5.5801, 10);   // Accra
var MODIS_lc = MODIS.select('LC_Type1');

var MODIS_2019 = MODIS_lc.filterDate(ee.Date('2019-01-01'));
var M_urb_2019 = MODIS_2019.mosaic().eq(13);
Map.addLayer(M_urb_2019.mask(M_urb_2019), {'palette': 'FF0000'},
  'MODIS Urban 2019');

var MODIS_2001 = MODIS_lc.filterDate(ee.Date('2001-01-01'));
var M_urb_2001 = MODIS_2001.mosaic().eq(13);
Map.addLayer(M_urb_2001.mask(M_urb_2001), {'palette': 'a5a5a5'},
  'MODIS Urban 2001');

var lc = nbu.merge(bu);
var bands = ['SR_B1', 'SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'ST_B6', 'SR_B7'];

var training = landsat7_2020.select(bands).sampleRegions({
  collection: lc, properties: ['class'], scale: 30
});
var classifier = ee.Classifier.smileRandomForest({numberOfTrees: 20})
  .train({features: training, classProperty: 'class', inputProperties: bands});

var classified20 = landsat7_2020.select(bands).classify(classifier);
Map.addLayer(classified20.mask(classified20),
  {palette: ['#ff4218'], opacity: 0.6}, 'built-up, 2020');

var landsat7_2010 = L7.filterDate('2010-01-01', '2010-12-31')
  .map(maskL457sr).median();
var classified10 = landsat7_2010.select(bands).classify(classifier);
var difference = classified20.subtract(classified10);
Map.addLayer(difference.mask(difference),
  {palette: ['#315dff'], opacity: 0.6}, 'difference');

var grip4_africa = ee.FeatureCollection(
  'projects/sat-io/open-datasets/GRIP4/Africa');
var countries = ee.FeatureCollection('USDOS/LSIB_SIMPLE/2017');
var Algeria = countries.filter(ee.Filter.inList('country_na', ['Algeria']));

var addLength = function(feature) {
  return feature.set({lengthKm: feature.length().divide(1000)});
};
var grip4_Algeria = grip4_africa.map(addLength).filterBounds(Algeria);
Map.addLayer(grip4_Algeria.style({color: 'green', width: 2.0}), {},
  'Algeria roads');
print('Length of all roads in Algeria', ee.Number(
  grip4_Algeria.reduceColumns(ee.Reducer.sum(), ['lengthKm']).get('sum')));

// Permukaan kedap yang bertambah 2000-2018 di dataran banjir
var impervious = ee.Image('Tsinghua/FROM-GLC/GAIA/v10');
var impervious2000 = impervious.gte(19);
var impervious2018 = impervious.gte(1);
var imperviousDiff = impervious2018.subtract(impervious2000);

var gfd = ee.ImageCollection('GLOBAL_FLOOD_DB/MODIS_EVENTS/V1');
var gfdFloodedSum = gfd.select('flooded').sum();
var gfdFloodedSumNoWater = gfdFloodedSum.updateMask(
  gfd.select('jrc_perm_water').sum().lt(1));

var imperviousDiffFloods = imperviousDiff
  .updateMask(gfdFloodedSumNoWater.gte(1));
Map.setCenter(-98.688, 39.134, 5);
Map.addLayer(imperviousDiffFloods.selfMask(),
  {min: 0, max: 1, palette: ['014352', 'FFBF00']},
  'Impervious change in floodplain');

var adminUnits = ee.FeatureCollection(
  'FAO/GAUL_SIMPLIFIED_500m/2015/level1');
var adminSelect = adminUnits.filterBounds(geometry);
Map.centerObject(adminSelect, 8);

function maskClouds(image) {
  var cf = image.select('cloud_fraction');
  var mask = cf.lte(0.3);
  return image.updateMask(mask).copyProperties(image);
}
var no2 = ee.ImageCollection('COPERNICUS/S5P/OFFL/L3_NO2')
  .filterBounds(adminSelect)
  .map(maskClouds)
  .select('tropospheric_NO2_column_number_density');

var no2Viz = {
  min: 0, max: 0.00015,
  palette: ['black', 'blue', 'purple', 'cyan', 'green', 'yellow', 'red']
};
var no2Lockdown = no2.filterDate('2020-03-01', '2020-04-01')
  .median().clipToCollection(adminSelect);
var no2Baseline = no2.filterDate('2019-03-01', '2019-04-01')
  .median().clipToCollection(adminSelect);
Map.addLayer(no2Baseline, no2Viz, 'Baseline 2019');
Map.addLayer(no2Lockdown, no2Viz, 'Lockdown 2020');

Kuis Pertemuan 11

Ringkasan 20/80

Empat studi kasus dengan empat jenis data: termal, gabungan produk iklim, data turunan tentang bangunan dan penduduk, dan radar. Bab 39 tentang SAR penting untuk wilayah berawan seperti Riau.

1. Pulau panas kota (UHI) adalah keadaan kota lebih hangat daripada sekitarnya. Dengan satelit yang diukur adalah suhu permukaan lahan (LST), sehingga disebut surface UHI (SUHI).
2. SUHI = rata-rata LST kota − rata-rata LST acuan desa. Acuan dibuat dengan buffer di luar batas kota atau dengan memilih piksel menurut tutupan lahan.
3. LST dari dua sumber: produk MODIS siap pakai (skala 0,02, Kelvin), atau dihitung dari band termal Landsat dengan emisivitas yang ditaksir dari NDVI.
4. Earth Engine sebagai penyedia data untuk analisis di luar. Hujan, LST, dan NDWI dirangkum per wilayah per hari, diekspor sebagai CSV kecil, dan dipakai model malaria di R.
5. Produk berbeda punya jeda data berbeda. Kode harus memeriksa tanggal terakhir yang tersedia. Komposit 8 harian diisi ke tiap hari dalam periodenya.
6. Permukiman pengungsi dipetakan dari perubahan NDVI. k-means pada NDVI, dibersihkan dengan dilasi dan erosi, lalu dijadikan poligon.
7. Taksiran penduduk dari satelit bisa sangat berbeda antarproduk. GHSL, HRSL, dan WorldPop dibandingkan dengan angka UNHCR.
8. SAR menembus awan. Sentinel-1 polarisasi ganda (VV dan VH) dipakai dalam skala daya (FLOAT), bukan dB, saat dihitung.
9. Peringatan perubahan harus disaring. Elevasi, lereng, mask hutan, mask air, dan luas petak minimum membuang peringatan palsu.

Materi teori

Bab 36 — Pulau panas kota

Urbanisasi mengganti lanskap alami dengan bangunan, jalan, dan lahan parkir. Sifat permukaan berubah: berapa radiasi yang dipantulkan dan diserap, dan bagaimana panas dilepas. Hilangnya vegetasi, misalnya, mengurangi pendinginan lewat penguapan. Perubahan iklim lokal yang paling banyak dikaji adalah urban heat island (UHI), dikenal sejak hampir 200 tahun lalu.

Secara tradisional UHI adalah selisih suhu udara stasiun cuaca di kota dan di desa. Masalahnya, suhu udara berbeda antarbagian kota. Band termal satelit memberi ukuran lain: suhu kulit radiometrik atau land surface temperature (LST), yang mencakup seluruh kota.

Dua cara mendapat LST

Piksel air dibuang dengan mask dari JRC Global Surface Water.

Acuan kota dan desa

• Buffer tetap. Batas kota diberi buffer (buku: 2000 m), lalu wilayah kota dikurangkan dengan difference.
• Buffer terstandar. Lebar buffer dicari sehingga luas acuan kira-kira sama dengan luas kota.
• Berbasis piksel. Piksel kota dan bukan kota dipilih menurut kelas tutupan lahan NLCD (kelas 23 dan 24 sebagai kota).

Pilihan produk LST dan cara menentukan acuan menghasilkan nilai SUHI yang berbeda. Bandingkan musim panas dan musim dingin, serta kedua metode acuan.

Bab 37 — Penerapan kesehatan

Penyakit tular vektor menyebabkan lebih dari 700.000 kematian per tahun, sekitar 400.000 karena malaria. Suhu, kelembapan, dan hujan memengaruhi siklus hidup nyamuk, parasit, dan penularan. Bab ini menyiapkan tiga variabel untuk sistem prakiraan malaria EPIDEMIA di wilayah Amhara, Etiopia, per woreda (distrik).

Pelajaran rancangan

• Pengguna meminta rentang tanggal mendekati waktu nyata, sedangkan tiap produk punya jeda berbeda. Kode mencari tanggal data terakhir dengan reduceColumns pada system:time_start agar tidak gagal.
• Untuk LST 8 harian, citra sebelum tanggal awal juga diambil agar hari-hari pertama terisi.
• Rangkuman per wilayah memakai reduceRegions dengan rata-rata, lalu flatten untuk diekspor.
• Unduhan berupa berkas teks kecil cocok untuk mitra yang tidak berlatar penginderaan jauh atau berinternet terbatas.
• Hasil analisis luar (prakiraan insidensi) dapat diunggah kembali sebagai aset dan dipetakan di Earth Engine.

Bab 38 — Penerapan kemanusiaan

Sedikitnya 26 juta pengungsi tinggal di lebih dari 100 negara. Penginderaan jauh membantu memahami permukiman, penduduk, dan perubahan tutupan lahan di sekitarnya. Contoh: Pagirinya Refugee Settlement di Uganda, yang didirikan pada 2016.

Empat langkah

1. Melihat perubahan. Komposit median Landsat 8 tahun 2015 (sebelum) dan 2017 (sesudah) dengan NDVI, NDBI, dan NBR. Selisih NDVI, histogram, dan video deret waktu memperlihatkan perubahan.
2. Mengenali fitur. Jejak bangunan Open Buildings (dari citra 0,5 m, dengan skor keyakinan). Titik sampel tutupan lahan dipakai untuk membandingkan nilai band dan indeks antarkelas dengan ui.Chart.image.byClass.
3. Menarik batas. k-means pada NDVI, dibersihkan dengan focal_max lalu focal_min, dijadikan poligon dengan reduceToVectors. Poligon yang irisannya terbesar dengan batas UNHCR dipilih sebagai batas permukiman.
4. Menaksir penduduk. Jumlah penduduk dari GHSL, HRSL, dan WorldPop di dalam batas dijumlahkan dengan reduceRegion pada skala asli masing-masing, lalu dibandingkan dengan angka UNHCR.

Batas UNHCR adalah batas perencanaan, yaitu lahan yang boleh dipakai pengungsi. Batas dari citra menunjukkan lahan yang benar-benar berubah. Buku mencatat ketidaksepakatan lebar dan ketidakakuratan yang jelas pada taksiran penduduk dari ketiga produk.

Bab 39 — Memantau tambang emas dengan SAR

Tambang emas, banyak di antaranya ilegal, telah menghilangkan sekitar 1000 km² hutan hujan di Madre de Dios, Peru. Wilayah ini sering berawan sehingga citra optik terbatas. Synthetic aperture radar (SAR) merekam tanpa bergantung pada awan dan cahaya.

Tiga tahap metode

1. Deret mosaik Sentinel-1. Data GRD polarisasi ganda (VV + VH) dari lintasan descending. Dipakai koleksi skala daya (COPERNICUS/S1_GRD_FLOAT), karena operasi matematika tidak semestinya dilakukan pada skala logaritmik (dB). Citra dengan sudut datang di luar 31–45 derajat dibuang. Citra bertanggal sama digabung dengan mosaic.
2. Deteksi perubahan. Uji statistik omnibus Q (Canty dkk. 2020) menguji kesamaan beberapa matriks kovarians sekaligus: hipotesis nol tidak ada perubahan. Hasilnya empat peta: cmap (selang perubahan terakhir), smap (selang perubahan signifikan pertama), fmap (frekuensi perubahan), dan bmap (selang tiap perubahan).
3. Penyaringan. Peringatan palsu muncul dari perubahan bentuk sungai dan air keruh. Disaring dengan: elevasi di bawah 1000 m, lereng di bawah 15, hutan menurut Hansen, bukan air menurut JRC Global Surface Water, dan luas petak minimum dengan connectedPixelCount.

Metode ini berhasil karena tambang aluvial mengubah lahan secara nyata, lewat penebangan dan penggunaan air, yang tercermin pada sinyal hambur balik radar.

Praktikum

Checkpoint buku: A15a–A15e (Bab 36), A16a–A16h (Bab 37), A17a–A17d (Bab 38), A18a–A18e (Bab 39).

var regionInt = ee.FeatureCollection(
  'projects/gee-book/assets/A1-5/TC_NewHaven').union(50);
Map.setCenter(-72.9, 41.3, 12);
Map.addLayer(regionInt, {}, 'New Haven boundary');

var sumFilter = ee.Filter.dayOfYear(152, 243);   // musim panas
var water = ee.Image('JRC/GSW1_0/GlobalSurfaceWater').select('occurrence');
var notWater = water.mask().not();

// MODIS
var lstMean = ee.ImageCollection('MODIS/006/MYD11A2')
  .select('LST_Day_1km')
  .filterDate('2014-01-01', '2019-01-01')
  .filter(sumFilter)
  .mean();
var lstFinal = lstMean.multiply(0.02);
var lstNewHaven = lstFinal.clip(regionInt).subtract(273.15)
  .updateMask(notWater);
Map.addLayer(lstNewHaven,
  {palette: ['blue', 'white', 'red'], min: 25, max: 38}, 'LST_MODIS');

// Landsat: suhu kecerahan B10, emisivitas dari NDVI
function cloudMask(cloudyScene) {
  var scored = ee.Algorithms.Landsat.simpleCloudScore(cloudyScene);
  var mask = scored.select(['cloud']).lte(10);
  return cloudyScene.updateMask(mask);
}
var image = ee.ImageCollection('LANDSAT/LC08/C02/T1_TOA')
  .filterBounds(regionInt)
  .filterDate('2014-01-01', '2019-01-01')
  .filter(sumFilter)
  .map(cloudMask)
  .median();
var thermal = image.select('B10').clip(regionInt).updateMask(notWater);

var ndvi = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
  .filterBounds(regionInt)
  .filterDate('2014-01-01', '2019-01-01')
  .filter(sumFilter)
  .median()
  .normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI')
  .clip(regionInt).updateMask(notWater);

var minMax = ndvi.reduceRegion({
  reducer: ee.Reducer.min().combine({
    reducer2: ee.Reducer.max(), sharedInputs: true}),
  geometry: regionInt, scale: 30, maxPixels: 1e9
});
var min = ee.Number(minMax.get('NDVI_min'));
var max = ee.Number(minMax.get('NDVI_max'));

var fv = ndvi.subtract(min).divide(max.subtract(min)).rename('FV');
var em = fv.multiply(0.004).add(0.986).rename('EMM').updateMask(notWater);

var lstLandsat = thermal.expression(
  '(Tb/(1 + (0.001145* (Tb / 1.438))*log(Ep)))-273.15', {
    'Tb': thermal.select('B10'),
    'Ep': em.select('EMM')
  }).updateMask(notWater);
Map.addLayer(lstLandsat,
  {min: 25, max: 35, palette: ['blue', 'white', 'red']}, 'LST_Landsat');

function bufferSubtract(feature) {
  return ee.Feature(feature.geometry()
    .buffer(2000)
    .difference(feature.geometry()));
}
var ruralRef = regionInt.map(bufferSubtract);
Map.addLayer(ruralRef, {color: 'green'}, 'Buffer_ref');

var urbanMean = lstNewHaven.reduceRegion({
  reducer: ee.Reducer.mean(), geometry: regionInt.geometry(), scale: 1000
});
var ruralMean = lstFinal.subtract(273.15).updateMask(notWater).reduceRegion({
  reducer: ee.Reducer.mean(), geometry: ruralRef.geometry(), scale: 1000
});
print('LST kota', urbanMean, 'LST acuan', ruralMean);

// 1. Mencari tanggal citra LST terakhir sebelum tanggal awal permintaan
var reqStartDate = ee.Date('2021-10-01');
var reqEndDate = ee.Date('2021-11-30');
var LSTTerra8 = ee.ImageCollection('MODIS/061/MOD11A2')
  .filterDate('2001-06-26', Date.now());
var priorLstImgCol = LSTTerra8.filterDate(
  LSTTerra8.first().date(), reqStartDate);
var LSTPrevMax = priorLstImgCol.reduceColumns({
  reducer: ee.Reducer.max(),
  selectors: ['system:time_start']
});
var LSTStartDate = ee.Date(LSTPrevMax.get('max'));
print('LSTStartDate', LSTStartDate);

// 2. Mask kualitas LST dari bit QC
function filterLstQa(image) {
  var daymask = image.select(['QC_Day']).rightShift(6).lte(2);
  var nightmask = image.select(['QC_Night']).rightShift(6).lte(2);
  var day = image.select('LST_Day_1km').updateMask(daymask);
  var night = image.select('LST_Night_1km').updateMask(nightmask);
  return day.addBands(night).copyProperties(image, ['system:time_start']);
}

// 3. Rangkuman per woreda untuk satu citra harian
var woredas = ee.FeatureCollection(
  'projects/gee-book/assets/A16/amhara_woreda_20170207');
function sumZonalPrecip(image) {
  var image2 = image.addBands([
    image.metadata('doy').int(),
    image.metadata('year').int()
  ]);
  return image2.select(['year', 'doy', 'totprec']).reduceRegions({
    collection: woredas,
    reducer: ee.Reducer.mean(),
    scale: 1000
  });
}

var samples = postMedian.select('NDVI').sample({
  scale: 30, numPixels: 500, geometries: true
});
var clusterer = ee.Clusterer.wekaKMeans({
  nClusters: 2, maxIterations: 5, seed: 21
}).train(samples);
var kmeansResult = postMedian.cluster(clusterer);
Map.addLayer(kmeansResult, {min: 0, max: 1}, 'K-means');

// Dilasi lalu erosi
var kernel = ee.Kernel.square({radius: 3});
var kMeansCleaned = kmeansResult
  .focal_max({kernel: kernel, iterations: 1})
  .focal_min({kernel: kernel, iterations: 1});

var kMeansCleanedPolygon = kMeansCleaned.reduceToVectors({
  scale: 30, eightConnected: true
});
var kMeansIntersect = kMeansCleanedPolygon.map(function(feat) {
  var boundaryIsect = pagirinya.intersection(feat, ee.ErrorMargin(1));
  return ee.Feature(feat).set({'isectArea': boundaryIsect.area()});
});
var kMeansBoundary = ee.Feature(
  kMeansIntersect.sort('isectArea', false).first());
Map.addLayer(kMeansBoundary, {}, 'K-Means Settlement Boundary');

var aoi = ee.FeatureCollection('projects/gee-book/assets/A1-8/mdd');
Map.centerObject(aoi, 9);

function maskAngle(image) {
  var angleMask = image.select('angle');
  return image.updateMask(angleMask.gte(31).and(angleMask.lte(45)));
}
function getCollection(dates, roi, orbitPass0) {
  var sarCollFloat = ee.ImageCollection('COPERNICUS/S1_GRD_FLOAT')
    .filterBounds(roi)
    .filterDate(dates[0], dates[1])
    .filter(ee.Filter.eq('orbitProperties_pass', orbitPass0));
  return sarCollFloat.map(maskAngle).select(['VV', 'VH']);
}

var listOfDates = ['2021-08-01', '2021-08-12'];
var orbitPass = 'DESCENDING';
var sarImageColl = getCollection(listOfDates, aoi, orbitPass)
  .mosaic()
  .clip(aoi);
print('SAR Image Mosaic', sarImageColl);

// Ubah ke dB hanya untuk tampilan
var sarImageScaled = sarImageColl.log10().multiply(10.0);
var sarVis = {
  bands: ['VV', 'VH', 'VV'],
  min: [-18, -23, 3],
  max: [-4, -11, 15]
};
Map.addLayer(sarImageScaled, sarVis, 'Sentinel-1 / SAR Mosaic');

// Menyaring peta perubahan (smap) yang sudah diekspor
var changeDetect = ee.Image('projects/gee-book/assets/A18/smap');
var srtm = ee.Image('USGS/SRTMGL1_003').clip(aoi);
var slope = ee.Terrain.slope(srtm);
var gfc = ee.Image('UMD/hansen/global_forest_change_2020_v1_8').clip(aoi);
var forest2020 = gfc.select('treecover2000').gt(0)
  .updateMask(gfc.select('loss').neq(1))
  .selfMask();
var waterJRC = ee.Image('JRC/GSW1_3/GlobalSurfaceWater').select('max_extent');

var alertsFiltered = changeDetect
  .updateMask(srtm.lt(1000))
  .updateMask(slope.lt(15))
  .updateMask(forest2020.eq(1))
  .updateMask(waterJRC.eq(0))
  .selfMask();

function filterMinPatchs(alerts0, minArea0, maxSize0) {
  var pixelCount = alerts0.gt(0).connectedPixelCount(maxSize0);
  var minPixelCount = ee.Image(minArea0).divide(ee.Image.pixelArea());
  return alerts0.updateMask(pixelCount.gte(minPixelCount));
}
var alertsFiltMinPatchs = filterMinPatchs(alertsFiltered, 10000, 200);
Map.addLayer(alertsFiltMinPatchs, {palette: 'red'}, 'Alerts filtered');

Kuis Pertemuan 12

Ringkasan 20/80

Enam bab, pertemuan terpanjang. Untuk riset pesisir, Bab 41 (habitat dasar perairan dan karbon biru) dan Bab 42 (air permukaan dan banjir) paling dekat. Kerjakan dua atau tiga bab secara penuh dan baca sisanya.

1. GRACE mengukur anomali simpanan air total (TWSa). Air tanah diperoleh sebagai sisa: GWa = TWSa − SWa − SMa − SWEa.
2. Beberapa koleksi digabung dengan ee.Join.inner pada system:time_start, lalu dihitung dengan expression.
3. Di perairan dangkal, kolom air harus dikoreksi. Urutannya: mask daratan, hilangkan kilau matahari (sunglint), lalu hitung Depth Invariant Index.
4. Habitat dasar diklasifikasi dengan data selam; kedalaman ditaksir dengan regresi. Buku memakai SVM untuk kelas dan Random Forest mode regresi untuk batimetri, dinilai dengan R² dan RMSE.
5. Metode Otsu mencari ambang dari histogram dengan memaksimalkan varians antarkelas. Ia mengandaikan dua kelas.
6. Ambang adaptif mengambil histogram hanya di sekitar tepi air, sehingga histogram lebih bimodal.
7. Banjir = air teramati − air permanen. Air permanen diambil dari JRC Global Surface Water.
8. Neraca air: P = Q + ET + ΔS. Dengan P dari CHIRPS dan ET dari MOD16, P − ET memberi Q + ΔS per piksel.
9. Band tanggal dalam komposit. Tambahkan hari ke berapa dalam tahun sebagai band, urutkan, lalu reduksi. Hasilnya peta “kapan” suatu keadaan pertama kali terjadi.

Materi teori

Bab 40 — Pemantauan air tanah dengan GRACE

Sejak 2002, GRACE dan penerusnya GRACE-FO melacak perubahan sumber daya air lewat perubahan gravitasi. GRACE mengukur anomali simpanan air total:

TWSa = CANa + SWa + SMa + SWEa + GWa (tajuk, air permukaan, lengas tanah, setara air salju, air tanah).

Data disajikan sebagai anomali karena gravitasi yang teramati juga mencakup permukaan Bumi seperti gunung. Anomali adalah selisih pengamatan satu bulan terhadap rata-rata banyak tahun, dalam satuan tebal air setara.

Alur untuk Central Valley, California

1. Wilayah. Tiga DAS dari Watershed Boundary Dataset (kode HUC 1802, 1803, 1804) digabung.
2. TWSa. Band lwe_thickness dari NASA/GRACE/MASS_GRIDS/MASCON_CRI, digrafikkan dan dihitung trennya per piksel dengan regresi linear.
3. SMa dan SWEa. Dari model permukaan lahan GLDAS (tiap tiga jam), sudah diolah menjadi anomali tahunan.
4. SWa. Dari pengamatan waduk di lapangan, karena air permukaan tidak diwakili model. Tabel diubah menjadi koleksi citra bernilai konstan, dari km³ ke cm dengan luas DAS.
5. Gabung dan hitung. Tiga kali ee.Join.inner, lalu GWa = TWSa − SWa − SMa − SWEa. Anomali tajuk diabaikan karena sangat kecil.

Hasilnya memperlihatkan penurunan air tanah selama periode kering 2006–2009 dan 2012–2016.

Bab 41 — Habitat dasar perairan dangkal

Padang lamun, dasar berpasir, dan terumbu karang menopang perikanan, melindungi pantai, dan menyimpan karbon biru. Band biru dan hijau menembus air jernih yang dangkal. Di darat yang penting adalah koreksi atmosfer dan topografi; di perairan dangkal yang penting adalah koreksi kolom air, karena kedalaman mengubah pantulan yang diterima sensor. Contoh buku memakai citra Planet beresolusi tinggi.

Prapengolahan

1. Skala. Nilai citra dibagi 10.000 untuk kembali ke nilai fisik.
2. Mask daratan. Klasifikasi Random Forest pada NDWI memisahkan darat dan air, agar pantulan darat yang tinggi tidak membiaskan klasifikasi air yang gelap.
3. Sunglint. Kilau terjadi ketika sudut matahari dan sensor membuat permukaan laut memantul seperti cermin. Poligon area berkilau dipakai untuk regresi linear tiap band tampak terhadap band inframerah dekat, lalu efeknya dikurangkan.
4. Depth Invariant Index (DIV). Citra proksi dari rasio pasangan band yang dilogaritmakan, untuk mengurangi pengaruh kedalaman (Lyzenga 1981). Koefisien diambil dari area berpasir pada berbagai kedalaman.

Klasifikasi dan batimetri

• Kelas. Dasar lunak (pasir), dasar berbatu, dan lamun posidonia. Data acuan berasal dari penyelaman ilmiah, dibagi 70% latih dan 30% validasi. Pengklasifikasi: ee.Classifier.libsvm (kernel RBF).
• Kedalaman. Data sonar dari kapal, Random Forest dengan setOutputMode('REGRESSION'). Akurasi dinilai dengan R² dan RMSE.
• Tampilan. Peta kelas memakai palet kategorik; peta kedalaman memakai palet sekuensial berwarna dingin.

Metode yang sama dapat diterapkan pada citra berbeda tanggal untuk menilai perubahan habitat, termasuk dengan arsip Landsat dan Sentinel-2.

Bab 42 — Pemetaan air permukaan

Banjir berdampak pada lebih banyak orang daripada bahaya lingkungan lain. Peta banjir sering harus tersedia beberapa jam setelah citra direkam, sehingga metodenya harus efisien. Pemberian ambang adalah cara yang efisien.

Metode Otsu

Otsu adalah metode ambang berbasis histogram yang memaksimalkan varians antarkelas dari dua kelas: latar depan dan latar belakang. Pada Sentinel-1, air tampak gelap karena hambur baliknya rendah, sehingga piksel di bawah ambang adalah air.

• Ambang global. Histogram dari seluruh citra. Bermasalah bila air hanya bagian kecil citra, karena histogram tidak bimodal.
• Ambang adaptif. Buat peta air awal dengan ambang kasar (buku: −16 dB), cari tepinya dengan Canny edge detector, buang tepi pendek, beri buffer, lalu ambil histogram hanya dari area buffer. Histogram ini memuat air dan bukan air dalam porsi seimbang.

Dari air permukaan ke banjir

Peta air permukaan mencakup air permanen dan musiman. Ada dua cara mendapat area banjir: membandingkan citra sebelum dan sesudah kejadian, atau membandingkan dengan air permanen historis. Buku memakai JRC Yearly History: piksel yang berkelas air permanen dalam lima tahun terakhir dianggap air permanen, dan sisanya adalah banjir.

Idealnya citra Sentinel-1 diproses lebih dulu untuk mengurangi efek medan dan speckle. Sebagian permukaan lain juga punya hambur balik rendah seperti air.

Bab 43 — Morfologi sungai

Bentuk sungai dilihat dari atas (planview geometry) memberi informasi tentang evolusi morfologi dan aliran air serta sedimen. Lebar sungai dan debit memenuhi hubungan pangkat, sehingga debit dapat dipantau dari lebar. Buku memakai fungsi dari RivWidthCloud.

Semua lapisan diproyeksikan ke UTM lokal dengan skala tetap karena bentuk dan keterhubungan berubah menurut tingkat zoom.

Bab 44 — Neraca air dan kekeringan

Neraca air adalah konsep kunci ketersediaan air dalam sistem hidrologi: P = Q + ET + ΔS, dengan P presipitasi, Q limpasan, ET evapotranspirasi, dan ΔS perubahan simpanan. Disusun ulang: P − ET = Q + ΔS.

• P. CHIRPS pentad dijumlahkan per bulan (resolusi sekitar 5 km). Pengukuran stasiun terbatas jumlahnya; satelit memberi cakupan ruang.
• ET. MODIS MOD16A2 (500 m), dikali faktor skala 0,1 dan dijumlahkan per bulan.
• Neraca. Perulangan bersarang atas tahun dan bulan dengan map menghasilkan citra P − ET tiap bulan untuk DAS Mekong Hilir.
• Indeks. EVI dari MOD13A1 dan Moisture Stress Index, MSI = SWIR / NIR, dari MOD09A1 setelah mask awan StateQA.
• Pembagian. Ditumpuk dengan peta tutupan lahan untuk melihat penggunaan air konsumtif tiap tutupan dan dampak kekeringan.

Bab 45 — Hari pertama tanpa salju

Waktu pencairan salju musiman menentukan aliran sungai dan imbuhan air tanah bagi sekitar seperenam penduduk dunia, dan panjang musim tumbuh di lintang tinggi.

Alur

1. Tentukan rentang tanggal dan hari awal pencarian.
2. Tambahkan band tanggal ke tiap citra tutupan salju MODIS (MOD10A1, band NDSI_Snow_Cover): calDoy, relDoy, millis, year.
3. Buat mask analisis: bukan air, dan piksel yang memang bersalju cukup lama tetapi tidak sepanjang tahun.
4. Untuk tiap tahun: urutkan citra menurut waktu, lalu reduce(ee.Reducer.min(5)). Reducer ini mengambil nilai salju terkecil beserta empat band lain dari citra yang sama. Karena sudah diurutkan, yang terambil adalah kejadian pertama.
5. Pertahankan piksel dengan salju 0.

Hasilnya dapat ditampilkan per tahun, dibandingkan antartahun dengan selisih, dicari trennya dengan ee.Reducer.linearFit(), dan digrafikkan untuk satu wilayah. Mengurutkan terbalik memberi hari pertama bersalju di musim gugur.

Praktikum

Checkpoint buku: A21a–A21f (Bab 40), A22a–A22e (Bab 41), A23a–A23c (Bab 42), A24a–A24f (Bab 43), A25a–A25d (Bab 44), A26a–A26b (Bab 45).

var basins = ee.FeatureCollection('USGS/WBD/2017/HUC04');
var basin = basins.filter(ee.Filter.inList('huc4', ['1802', '1803', '1804']));
Map.centerObject(basin, 6);
Map.addLayer(basin, {color: 'green'}, 'Central Valley Basins', true, 0.5);

var GRACE = ee.ImageCollection('NASA/GRACE/MASS_GRIDS/MASCON_CRI');
var basinTWSa = GRACE.select('lwe_thickness');

print(ui.Chart.image.series({
  imageCollection: basinTWSa.filter(
    ee.Filter.date('2003-01-01', '2016-12-31')),
  region: basin,
  reducer: ee.Reducer.mean()
}).setOptions({title: 'TWSa', vAxis: {title: 'cm'}}));

// Inti perhitungan setelah ketiga koleksi digabung dengan ee.Join.inner
var GWa = ee.ImageCollection(GRACE_res_GLDAS.map(function(img) {
  var date = ee.Date.fromYMD(img.get('year'), 1, 1);
  return img.expression('TWSa - SWa - SMa - SWEa', {
    'TWSa': img.select('TWSa'),
    'SMa': img.select('SMa'),
    'SWa': img.select('SWa'),
    'SWEa': img.select('SWEa')
  }).rename('GWa').copyProperties(img, ['system:time_start']);
}));

var planet = ee.Image('projects/gee-book/assets/A22/20200505_N2000')
  .divide(10000);
Map.centerObject(planet, 12);

// Mask daratan: Random Forest pada NDWI
function landmask(img) {
  var ndwi = img.normalizedDifference(['b2', 'b4']);
  var training = ndwi.sampleRegions(land.merge(water), ['class'], 3);
  var trained = ee.Classifier.smileRandomForest(10)
    .train(training, 'class');
  var classified = ndwi.classify(trained);
  var mask = classified.eq(1);
  return img.updateMask(mask);
}

// Kedalaman: Random Forest mode regresi dengan data sonar
var depth = ee.FeatureCollection(
  'projects/gee-book/assets/A22/DepthDataTill09072020_v2').randomColumn();
var depthT = depth.filter(ee.Filter.lte('random', 0.7));
var depthV = depth.filter(ee.Filter.gt('random', 0.7));

var point = ee.Geometry.Point(104.9632, 11.7686);
Map.centerObject(point, 11);
var s1Image = ee.ImageCollection('COPERNICUS/S1_GRD')
  .filterBounds(point)
  .filterDate('2019-10-05', '2019-10-06')
  .filter(ee.Filter.eq('orbitProperties_pass', 'ASCENDING'))
  .filter(ee.Filter.eq('instrumentMode', 'IW'))
  .first();
Map.addLayer(s1Image, {min: -25, max: 0, bands: 'VV'}, 'Sentinel-1 image');

var band = 'VV';
var histogramReducer = ee.Reducer.histogram(255, 0.1);
var globalHistogram = ee.Dictionary(
  s1Image.select(band).reduceRegion({
    reducer: histogramReducer,
    geometry: s1Image.geometry(),
    scale: 90,
    maxPixels: 1e10
  }).get(band));
// var globalThreshold = otsu(globalHistogram);
// var globalWater = s1Image.select(band).lt(globalThreshold);

// Banjir = air teramati yang bukan air permanen lima tahun terakhir
var jrc = ee.ImageCollection('JRC/GSW1_3/YearlyHistory')
  .filterDate('1985-01-01', s1Image.date())
  .limit(5, 'system:time_start', false);

var permanentWater = jrc.map(function(image) {
    return image.select('waterClass').eq(3);
  }).sum()
  .unmask(0)
  .gt(0)
  .updateMask(localWater.mask());

var floodImage = permanentWater.not().and(localWater);
Map.addLayer(permanentWater.selfMask(), {palette: 'royalblue'},
  'JRC permanent water');
Map.addLayer(floodImage.selfMask(), {palette: 'firebrick'}, 'Flood areas');

var jrcYearly = ee.ImageCollection('JRC/GSW1_3/YearlyHistory');
var watermask = jrcYearly.filter(ee.Filter.eq('year', 2000)).first()
  .gte(2).unmask(0)
  .clip(aoi);

// Closing untuk menutup lubang kecil
watermask = watermask.focal_max().focal_min();

// Pustaka RivWidthCloud
var riverFunctions = require(
  'users/eeProject/RivWidthCloudPaper:functions_river.js');
var clFunctions = require(
  'users/eeProject/RivWidthCloudPaper:functions_centerline_width.js');

var mekongBasin = ee.FeatureCollection(
  'projects/gee-book/assets/A2-5/lowerMekongBasin');
Map.centerObject(mekongBasin, 5);

var startYear = 2010;
var endYear = 2020;
var startDate = ee.Date.fromYMD(startYear, 1, 1);
var endDate = ee.Date.fromYMD(endYear + 1, 1, 1);
var years = ee.List.sequence(startYear, endYear);
var months = ee.List.sequence(1, 12);

var CHIRPS = ee.ImageCollection('UCSB-CHG/CHIRPS/PENTAD')
  .filterDate(startDate, endDate);
var mod16 = ee.ImageCollection('MODIS/006/MOD16A2').select('ET')
  .filterDate(startDate, endDate);

var waterBalance = ee.ImageCollection.fromImages(
  years.map(function(y) {
    return months.map(function(m) {
      var P = CHIRPS.filter(ee.Filter.calendarRange(y, y, 'year'))
        .filter(ee.Filter.calendarRange(m, m, 'month'))
        .sum();
      var ET = mod16.filter(ee.Filter.calendarRange(y, y, 'year'))
        .filter(ee.Filter.calendarRange(m, m, 'month'))
        .sum()
        .multiply(0.1);
      var wb = P.subtract(ET).rename('wb');
      return wb.set('year', y)
        .set('month', m)
        .set('system:time_start', ee.Date.fromYMD(y, m, 1));
    });
  }).flatten()
);

Map.addLayer(waterBalance.mean().clip(mekongBasin),
  {min: -50, max: 200,
   palette: 'red, orange, yellow, blue, darkblue, purple'},
  'water balance');

var noSnowImg = yearCol
  .map(addDateBands)        // tambah calDoy, relDoy, millis, year
  .sort('millis')           // urut waktu naik
  .reduce(ee.Reducer.min(5))  // salju terkecil + 4 band dari citra yang sama
  .rename(['snowCover', 'calDoy', 'relDoy', 'millis', 'year'])
  .updateMask(analysisMask)
  .set('year', year);

// Tren hari pertama tanpa salju per piksel
var slope = annualCol.sort('year').select(['year', 'calDoy'])
  .reduce(ee.Reducer.linearFit()).select('scale');

Kuis Pertemuan 13

Ringkasan 20/80

Pertemuan ini paling dekat dengan riset mangrove dan karbon biru. Bab 47 dan 48 layak dikerjakan penuh dan diterapkan ulang pada lokasi Anda. Bab 49 dan 50 memberi alat untuk gangguan hutan yang halus.

1. Dataset kebakaran berbeda sifat. MODIS aktif (harian, 1 km), MODIS area terbakar (bulanan, 500 m), dan GOES (tiap 10–30 menit, 2 km). Pilih menurut tujuan: deteksi cepat, luas akhir, atau perkembangan dalam sehari.
2. Mangrove dikenali dari kebasahan dan posisinya. Tumbuh di batas darat dan air, di elevasi rendah. Fusi optik (indeks vegetasi dan air) dan radar (mask air, tekstur tajuk) memanfaatkan kedua sifat itu.
3. Batasi area klasifikasi. Mask air otomatis, elevasi paling tinggi 40 m, dan buffer 1000 m di sekitar peta mangrove acuan.
4. Data latih dibuat otomatis dari peta lama. Erosi morfologi mengambil inti mangrove dan inti bukan mangrove, karena kehilangan mangrove biasanya terjadi di tepi.
5. Periksa pentingnya variabel dan terapkan satuan pemetaan minimum. classifier.explain() dan connectedPixelCount.
6. Dua cara deteksi perubahan. Peta-ke-peta: T2 − T1 memberi −1 (hilang), 0 (tetap), 1 (bertambah). Peta-ke-citra: anomali indeks terhadap rata-rata jangka panjang, lalu diberi ambang.
7. Sensor Landsat perlu diharmonisasi sebelum dibuat deret panjang, karena TM/ETM+ dan OLI berbeda terutama pada NIR dan SWIR.
8. NDFI menangkap degradasi hutan. Dihitung dari fraksi GV, NPV, Soil, dan Shade hasil unmixing. Hutan utuh mendekati 1.
9. Pemantauan mendekati waktu nyata membandingkan pengamatan baru dengan prediksi model harmonik. Perubahan ditandai bila ada cukup “strike” dalam jendela pemantauan.

Materi teori

Bab 46 — Pemantauan kebakaran aktif

Api adalah proses ekologi alami di wilayah rawan api dan juga alat pengelolaan lahan. Dampaknya makin ekstrem seiring perluasan permukiman, iklim yang makin sulit diduga, dan musim kebakaran yang memanjang. Contoh buku adalah Bobcat Fire di Los Angeles County, September 2020.

Karena struktur waktunya berbeda, rentang saringan dibedakan: dua minggu sejak tanggal mulai untuk kebakaran aktif, satu bulan untuk area terbakar. Buku menampilkan keempat sumber dalam empat peta yang terhubung, dan memakai dua aplikasi siap pakai untuk analisis lebih rinci.

Bab 47 — Mangrove

Hutan mangrove terdiri dari jenis yang beradaptasi dengan air asin di lintang tropis dan subtropis. Jasanya: menyimpan karbon biru, menstabilkan dan melindungi pantai dari badai, dan menjadi tempat asuhan ikan. Lebih dari 1,3 miliar orang tinggal di pesisir tropis dan bergantung pada mangrove serta ekosistem terkaitnya.

Mangrove relatif mudah dikenali pada citra karena tumbuh di lingkungan lembap di elevasi rendah sepanjang garis pantai, tidak bermusim, dan polanya kompak. Contoh buku adalah Sundarbans di perbatasan India dan Bangladesh, pada resolusi 10 m.

Data masukan

• Sentinel-1. Dua komposit “timescan” tahun 2020 (musim kering dan musim hujan) berisi statistik multitemporal (minimum, maksimum, simpangan baku) dari citra yang sudah difilter dan dikoreksi medan.
• Sentinel-2. Komposit median piksel bebas awan tahun 2020 dengan koreksi BRDF.
• Keduanya dibuat di platform SEPAL milik FAO dan diekspor ke Earth Engine.

Alur kerja

1. Tambah indeks. NDVI dan rasio SWIR1/NIR, lalu susun tumpukan data bersama band Sentinel-1.
2. Mask air otomatis. Canny edge detector dan ambang Otsu pada NDWI (hijau dan NIR), seperti di Bab 42. Air keruh bisa lolos dari mask, jadi periksa agar tidak terklasifikasi sebagai mangrove.
3. Mask elevasi. Buang area di atas 40 m dengan NASADEM.
4. Buffer. 1000 m di sekitar Global Mangrove Dataset tahun 2000 (LANDSAT/MANGROVE_FORESTS, Giri dkk. 2011), untuk menampung mangrove yang terlewat atau meluas.
5. Data latih otomatis. focal_min beberapa iterasi pada peta acuan menyisakan inti mangrove (kelas 1). Cara yang sama pada bukan mangrove menyisakan inti bukan mangrove (kelas 2).
6. Klasifikasi. stratifiedSample 2000 titik per kelas untuk latih dan 2000 untuk validasi (benih berbeda), Random Forest 50 pohon.
7. Evaluasi. Matriks resubstitusi, akurasi uji, dan grafik pentingnya variabel.
8. Pembersihan. Petak dengan kurang dari 25 piksel terhubung dibuang (satuan pemetaan minimum).

Bila mangrove berupa petak sangat kecil, radius kernel yang besar atau iterasi yang banyak akan menyisakan terlalu sedikit inti untuk disampel. Metode yang sama bisa dipakai pada tanggal lain untuk menilai pertambahan dan kehilangan.

Bab 48 — Mangrove II: pemetaan perubahan

Mangrove termasuk ekosistem paling produktif, tetapi banyak dikonversi. Gangguan oleh manusia adalah salah satu penyebab utama kehilangannya dalam beberapa dekade terakhir. Contoh: Guinea, Afrika Barat, 2000–2020.

Peta-ke-peta

Dua peta luasan (mangrove = 1, lainnya = 0 setelah unmask(0)) dikurangkan: T2 − T1.

Luas dihitung dengan ee.Image.pixelArea() dibagi 1.000.000 untuk km², lalu dijumlahkan dengan reduceRegion.

Peta-ke-citra dengan anomali

Tidak perlu mengklasifikasi citra kedua. Asumsinya, perubahan terjadi di dalam zona buffer (1000 m) dari luasan acuan.

1. Harmonisasi. Band OLI disesuaikan ke TM/ETM+ dengan kemiringan dan titik potong dari Roy dkk. (2016), sehingga Landsat 5, 7, dan 8 menjadi satu deret yang konsisten.
2. Acuan. Rata-rata NDVI 1984–1999.
3. Anomali. Tiap citra 2000–2020 dikurangi rata-rata acuan. Jumlah anomali dibagi jumlah citra memberi anomali rata-rata.
4. Ambang. Anomali ≤ −0,05 di dalam luasan mangrove dianggap kehilangan. Anomali ≥ 0,20 di zona buffer dianggap pertambahan.

Anomali mendekati nol berarti NDVI tetap seperti rata-rata jangka panjangnya. Analisis anomali juga dapat dipakai untuk tutupan lain, misalnya kehilangan hutan dan panen tanaman.

Bab 49 — Degradasi hutan dan deforestasi

Deforestasi menghilangkan seluruh tutupan hutan dan menggantinya dengan tutupan lain. Degradasi hutan adalah gangguan sementara atau tetap, sering akibat pembalakan, kebakaran, atau fragmentasi, yang tidak mengubah jenis tutupan seluruhnya. Belum ada definisi degradasi yang disepakati umum. Sinyalnya sering hilang dalam satu sampai dua tahun, sehingga lebih sulit dipetakan daripada deforestasi.

Spectral mixture analysis dan NDFI

Endmember umum (Souza dkk. 2005): green vegetation (GV), non-photosynthetic vegetation (NPV), Soil, dan Cloud. Fungsi unmix menghasilkan fraksi tiap endmember. Shade dihitung dari sisa jumlah fraksi.

NDFI = (GV_shade − (NPV + Soil)) / (GV_shade + NPV + Soil), dengan GV_shade adalah GV yang dinormalkan terhadap Shade. Hutan utuh bernilai tinggi, mendekati 1. Nilainya turun ketika NPV dan tanah terbuka bertambah.

Perubahan dua tanggal

Dua citra sebaiknya tidak lebih dari setahun terpisah karena tanda degradasi cepat hilang. Buku mengklasifikasi selisih NDFI dengan ambang dari histogram:

Hutan pada tanggal pertama ditentukan dengan NDFI di atas 0,60.

Deret waktu dengan CODED

Continuous Degradation Detection menggabungkan pemantauan kontinu ala CCDC dengan NDFI. Model regresi dicocokkan pada periode latih untuk mengetahui NDFI hutan yang sehat dan variasinya, lalu penyimpangan ditandai sebagai gangguan. Parameter seperti chiSquareProbability, minObservations, dan ambang besaran sangat memengaruhi peta hasil.

Bab 50 — Deforestasi dari banyak sensor

Menggabungkan sensor menambah kerapatan data sehingga perubahan terdeteksi lebih cepat. Algoritma Fusion Near Real-Time (FNRT) menggabungkan Landsat, Sentinel-2, dan Sentinel-1.

1. Prapengolahan. Data optik di-unmix dan dihitung NDFI. Mask hutan dari Hansen.
2. Model dasar. Untuk tiap sensor, model harmonik dicocokkan pada periode latih tiga tahun (2017–2019) dengan ee.Reducer.robustLinearRegression. Model dibuat terpisah karena sifat fisik optik dan radar berbeda.
3. Prediksi. Untuk tiap tanggal citra di periode pemantauan (2020), dibuat citra prediksi dari koefisien model.
4. Skor perubahan. Residu (prediksi − pengamatan) dibagi RMSE model, mirip z-score. Skor di atas ambang z disebut “strike”.
5. Fusi. Skor dari tiga sensor digabung dengan merge dan diurutkan menurut waktu.
6. Jendela pemantauan. Jendela bergerak berukuran m (bawaan 5). Perubahan ditandai bila ada sedikitnya n strike (buku: 4) di dalamnya, dan tanggalnya dicatat. Buku memakai z = 2.

Algoritma ini berat. Area yang terlalu luas menimbulkan galat batas memori, sehingga wilayah besar perlu dibagi menjadi beberapa tile.

Praktikum

Checkpoint buku: A31a–A31d (Bab 46), A32a–A32c (Bab 47), A33a–A33b (Bab 48), A34a–A34e (Bab 49), A35a–A35g (Bab 50).

var lon = -117.868;
var lat = 34.241;
Map.setCenter(lon, lat, 9);

var startDateAF = ee.Date.fromYMD(2020, 9, 6);   // tanggal mulai Bobcat Fire
var endDateAF = startDateAF.advance(15, 'day');

var mod14a1Img = ee.ImageCollection('MODIS/006/MOD14A1')
  .filterDate(startDateAF, endDateAF);
var myd14a1Img = ee.ImageCollection('MODIS/006/MYD14A1')
  .filterDate(startDateAF, endDateAF);

var getFireMask = function(image) {
  return image.select('FireMask').gte(7);      // >= 7: api aktif
};
var getMaxFRP = function(image) {
  return image.select('MaxFRP').multiply(0.1); // MW
};

var mod14a1ImgMask = mod14a1Img.map(getFireMask).sum();
var myd14a1ImgMask = myd14a1Img.map(getFireMask).sum();
Map.addLayer(mod14a1ImgMask.selfMask(), {palette: 'orange'}, 'MOD14A1');
Map.addLayer(myd14a1ImgMask.selfMask(), {palette: 'red'}, 'MYD14A1');

var aoi = ee.Geometry.Polygon([
  [[88.3, 22.61], [90, 22.61], [90, 21.47], [88.3, 21.47]]
]);
var point = ee.Geometry.Point([89.2595, 21.7317]);
Map.centerObject(point, 13);

var wetS1 = ee.Image('projects/gee-book/assets/A32/wet_season_tscan_2020');
var dryS1 = ee.Image('projects/gee-book/assets/A32/dry_season_tscan_2020');
var S2 = ee.Image('projects/gee-book/assets/A32/Sundarbans_S2_2020');

Map.addLayer(dryS1,
  {bands: ['VV_min', 'VH_min', 'VVVH_ratio_min'], min: -36, max: 3},
  'S1 dry', false);
Map.addLayer(S2, {bands: ['swir1', 'nir', 'red'], min: 82, max: 3236},
  'S2 2020');

var NDVI = S2.normalizedDifference(['nir', 'red']).rename(['NDVI']);
var ratio_swir1_nir = S2.expression('swir1/(nir+0.1)', {
  'swir1': S2.select('swir1'),
  'nir': S2.select('nir')
}).rename('ratio_swir1_nir_wet');

var data_stack = S2.addBands(NDVI).addBands(ratio_swir1_nir)
  .addBands(dryS1).addBands(wetS1);
print(data_stack);

var bounds = ee.Geometry(Map.getBounds(true));
var ndwi_for_water = data_stack.normalizedDifference(['green', 'nir']);
var th = computeThresholdUsingOtsu(ndwi_for_water, 10, bounds,
  0.9, 1, -0.1, true);
var water_mask = ndwi_for_water.mask(ndwi_for_water.gt(th));

// Daratan = bukan air, dan elevasi paling tinggi 40 m
var land_mask = water_mask.unmask().eq(0);
var elev_thresh = 40;
var dem = ee.Image('NASA/NASADEM_HGT/001').select('elevation');
land_mask = land_mask.updateMask(dem.lte(elev_thresh));

// Buffer 1000 m di sekitar peta mangrove acuan tahun 2000
var mangrove_ref = ee.ImageCollection('LANDSAT/MANGROVE_FORESTS')
  .filterBounds(aoi).first().clip(aoi);
var buffer_dist = 1000;
var mang_buffer = mangrove_ref
  .focal_max(buffer_dist, 'square', 'meters')
  .rename('mangrove_buffer');

var area_to_classify = mang_buffer.updateMask(land_mask).selfMask();
var image_to_classify = data_stack.updateMask(area_to_classify);
Map.addLayer(image_to_classify,
  {bands: ['swir1', 'nir', 'red'], min: 82, max: 3236},
  'Masked Data Stack', false);

var ref_mangrove = mangrove_ref.unmask();
var notmang = ref_mangrove.eq(0);

// Inti mangrove = 1
var kernel = ee.Kernel.circle({radius: 3});
var mang_dilate = ref_mangrove.focal_min({kernel: kernel, iterations: 3});
mang_dilate = mang_dilate.updateMask(mang_dilate)
  .rename('auto_train').unmask();

// Inti bukan mangrove = 2
var notmang_dilate = notmang.focal_min({kernel: kernel, iterations: 2});
notmang_dilate = notmang_dilate.updateMask(notmang_dilate)
  .multiply(2).unmask().rename('auto_train');

var train_labels = notmang_dilate.add(mang_dilate).clip(aoi)
  .int8().updateMask(area_to_classify);

var trainingImage = image_to_classify.addBands(train_labels);
var numPoints = 2000;
var training = trainingImage.stratifiedSample({
  numPoints: 0, classBand: 'auto_train', region: aoi, scale: 100,
  classValues: [1, 2], classPoints: [numPoints, numPoints],
  seed: 0, dropNulls: true, tileScale: 16
});
var validation = trainingImage.stratifiedSample({
  numPoints: 0, classBand: 'auto_train', region: aoi, scale: 100,
  classValues: [1, 2], classPoints: [numPoints, numPoints],
  seed: 1, dropNulls: true, tileScale: 16
});

var classifier = ee.Classifier.smileRandomForest(50)
  .train(training, 'auto_train');
var classified = image_to_classify.classify(classifier);

print('Training overall accuracy: ',
  classifier.confusionMatrix().accuracy());
var testAccuracy = validation.classify(classifier)
  .errorMatrix('auto_train', 'classification');
print('Test accuracy: ', testAccuracy.accuracy());

// Pentingnya variabel
var variable_importance = ee.Feature(null,
  ee.Dictionary(classifier.explain()).get('importance'));
print(ui.Chart.feature.byProperty(variable_importance)
  .setChartType('ColumnChart')
  .setOptions({title: 'Random Forest Variable Importance',
    legend: {position: 'none'}}));

// Satuan pemetaan minimum: 25 piksel terhubung
var mang_only = classified.eq(1);
var mmu = 25;
var mang_mmu = classified
  .updateMask(mang_only.connectedPixelCount().gte(mmu)).toInt8();
Map.addLayer(mang_mmu, {min: 1, max: 2, palette: ['green', 'grey']},
  'Mangrove Map MMU');

var areaOfstudy = ee.FeatureCollection(
  'projects/gee-book/assets/A3-3/Border5km');
var mangrove2000 = ee.Image(
  'projects/gee-book/assets/A3-3/MangroveGuinea2000_v2');
var mangrove2020 = ee.Image(
  'projects/gee-book/assets/A3-3/MangroveGuinea2020_v2');
Map.setCenter(-13.6007, 9.6295, 10);   // Conakry, Guinea

var mang2020 = mangrove2020.unmask(0);
var mang2000 = mangrove2000.unmask(0);
var change = mang2020.subtract(mang2000).clip(areaOfstudy);
Map.addLayer(change, {min: -1, max: 1, palette: ['red', 'white', 'green']},
  'Changes 2000-2020');

var gain = change.eq(1);
var loss = change.eq(-1);
var gainArea = gain.multiply(ee.Image.pixelArea().divide(1000000));
var lossArea = loss.multiply(ee.Image.pixelArea().divide(1000000));
var statsgain = gainArea.reduceRegion({
  reducer: ee.Reducer.sum(), scale: 30, maxPixels: 1e14
});
var statsloss = lossArea.reduceRegion({
  reducer: ee.Reducer.sum(), scale: 30, maxPixels: 1e14
});
print('Gain (km2)', statsgain, 'Loss (km2)', statsloss);

var buffer = 1000;
var extentBuffer = mangrove2000.focal_max(buffer, 'circle', 'meters');

var index = 'NDVI';
var reference = collectionL5L7L8
  .filterDate('1984-01-01', '1999-12-31')
  .select(index);
var mean = reference.mean().mask(extentBuffer);

var anomalyfunction = function(image) {
  return image.subtract(mean)
    .set('system:time_start', image.get('system:time_start'));
};
var series = collectionL5L7L8
  .filterDate('2000-01-01', '2020-12-31')
  .map(anomalyfunction);

var seriesSum = series.select(index).sum().mask(extentBuffer);
var numImages = series.select(index).count().mask(extentBuffer);
var anomaly = seriesSum.divide(numImages);

var thresholdLoss = -0.05;
var lossfromndvi = anomaly.lte(thresholdLoss).selfMask()
  .updateMask(mangrove2000);
var thresholdGain = 0.20;
var gainfromndvi = anomaly.gte(thresholdGain).selfMask()
  .updateMask(extentBuffer);
Map.addLayer(lossfromndvi, {palette: ['orange']}, 'Loss from Anomaly 00-20');
Map.addLayer(gainfromndvi, {palette: ['blue']}, 'Gain from Anomaly 00-20');

var endmembers = [
  [0.0119, 0.0475, 0.0169, 0.625, 0.2399, 0.0675],  // GV
  [0.1514, 0.1597, 0.1421, 0.3053, 0.7707, 0.1975], // NPV
  [0.1799, 0.2479, 0.3158, 0.5437, 0.7707, 0.6646], // Soil
  [0.4031, 0.8714, 0.79, 0.8989, 0.7002, 0.6607]    // Cloud
];
var bands = ['SR_B1', 'SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B7'];
var image = ee.Image('LANDSAT/LT05/C02/T1_L2/LT05_226068_19840411')
  .multiply(0.0000275).add(-0.2)
  .select(bands);
Map.centerObject(image, 10);

var getSMAFractions = function(image, endmembers) {
  var unmixed = ee.Image(image)
    .select([0, 1, 2, 3, 4, 5])
    .unmix(endmembers)
    .max(0)
    .rename('GV', 'NPV', 'Soil', 'Cloud');
  return ee.Image(unmixed.copyProperties(image));
};
var sma = getSMAFractions(image, endmembers);
Map.addLayer(sma, {bands: ['NPV', 'GV', 'Soil'], min: 0, max: 0.45}, 'sma');

var Shade = sma.reduce(ee.Reducer.sum()).subtract(1.0).abs().rename('Shade');
var GVs = sma.select('GV').divide(Shade.subtract(1.0).abs()).rename('GVs');
sma = sma.addBands([Shade, GVs]);

var NDFI = sma.expression(
  '(GVs - (NPV + Soil)) / (GVs + NPV + Soil)', {
    'GVs': sma.select('GVs'),
    'NPV': sma.select('NPV'),
    'Soil': sma.select('Soil')
  }).rename('NDFI');
Map.addLayer(NDFI, {min: -1, max: 1, palette: ['red', 'yellow', 'green']},
  'NDFI');

// Parameter pemantauan dan penggabungan skor (inti Bab 50)
var nrtParam = {z: 2, m: 5, n: 4};

var fused = lstScores.merge(s2Scores).merge(s1Scores)
  .sort('system:time_start');
var alerts = monitorChange(fused, nrtParam).updateMask(forestMask);
print('alerts', alerts);

Kuis Pertemuan 14

Ringkasan 20/80

Pertemuan materi terakhir. Lima bab ini menunjukkan cara memakai Earth Engine untuk data lapangan sendiri dan untuk pertanyaan pengelolaan. Bab 51 dan 52 pendek dan langsung terpakai untuk rancangan sampling.

1. Earth Engine menambah nilai pada data titik Anda. Unggah titik, ambil nilai raster di tiap titik dengan sampleRegions, lalu ekspor CSV.
2. Koleksi harian bisa dijadikan satu citra banyak band dengan toBands(), sehingga satu kali sampling memberi nilai semua tanggal.
3. Titik sampel dibuat tanpa ke lapangan. ee.FeatureCollection.randomPoints di dalam area, lalu disaring menurut tutupan lahan, NDVI, dan elevasi yang mirip dengan lokasi acuan.
4. Data hadir dan tidak hadir didigitasi dari citra resolusi tinggi, digabung dengan merge, dan diekspor untuk melatih model.
5. Di lahan kering, hujan menutupi sinyal perubahan. Pengaruh hujan dibuang lebih dulu lewat regresi per piksel; yang dianalisis adalah residunya.
6. Klasifikasi berbasis lintasan. LandTrendr menandai tahun-tahun titik belok tiap piksel; k-means mengelompokkan piksel dengan pola titik belok yang mirip.
7. Luas terbakar per bulan dihitung dengan ee.Image.pixelArea() yang di-mask oleh band BurnDate, lalu reduceRegion dengan jumlah.
8. Dua variabel dalam satu grafik. Dua koleksi digabung dengan merge dan digambar dengan dua sumbu y.
9. Sen’s slope adalah penaksir tren monoton. ee.Reducer.sensSlope() pada NDVI maksimum musim kering tiap tahun, dinormalkan terhadap tahun pertama.

Materi teori

Bab 51 — Data GPS dan cuaca

Pilihan gerak satwa dipengaruhi kebutuhan dasar dan faktor yang berubah seperti cuaca. Tanpa pengamatan langsung, hubungan ini sulit dipahami. Bab ini memasangkan lokasi kalung GPS seekor puma (cougar F53, dari studi Mahoney dan Young 2017 di Utah, dibagikan lewat Movebank) dengan suhu harian Daymet.

• Daymet memberi taksiran tujuh parameter cuaca harian pada grid 1 km × 1 km untuk Amerika Utara.
• Mengunggah titik. Data CSV diubah menjadi shapefile dan diproyeksikan ke WGS 1984 (EPSG:4326), proyeksi yang dianjurkan untuk Earth Engine.
• Mengambil nilai. Koleksi Daymet disaring tanggal dan lokasi, diubah menjadi satu citra banyak band dengan toBands(), lalu sampleRegions pada titik.
• Mengekspor. Tabel ke Drive sebagai CSV; citra median juga bisa diekspor.

Cuaca hanya contoh. Titik Anda dapat dihubungkan dengan banyak dataset lain di katalog.

Bab 52 — Titik hadir dan tidak hadir

Pertanyaan contohnya: bagaimana pengaruh perumputan rusa dan sapi terhadap regenerasi aspen di Grand Mesa, Colorado. Di sana ada petak yang dipagari (exclosure). Bab ini menyiapkan lokasi sampling dan data latih tanpa menginjak lapangan.

Lokasi sampling yang sebanding

1. Tampilkan citra NAIP (1 m) tahun 2015 dan 2017 dalam warna asli dan warna semu.
2. Gambar poligon exclosure sebagai ee.Geometry.MultiPolygon.
3. Siapkan lapisan pembanding: elevasi (USGS NED), NDVI dari NAIP, dan tutupan lahan NLCD.
4. Buat 1000 titik acak dengan benih tetap, lalu ambil nilai ketiga lapisan dengan sampleRegions.
5. Saring: hanya kelas hutan gugur NLCD (nilai 41), dan NDVI serta elevasi dalam rentang ±10% dari rata-rata di dalam exclosure.

Bab ini juga melatih menulis fungsi sendiri: reduceRegionFunction untuk rata-rata dalam geometri, dan effectiveRange untuk rentang di sekitar suatu nilai. Saringan digabung dengan ee.Filter.and.

Data latih hadir dan tidak hadir

Peta tutupan lahan selalu memuat salah klasifikasi, dan kelas aspen tergabung dalam kelas yang lebih luas (“Deciduous forest”). Untuk membuat model sendiri, titik hadir dan tidak hadir didigitasi dari citra NAIP, diberi properti kelas, digabung, dan diekspor.

Bab 53 — Perubahan tutupan lahan di padang penggembalaan

Padang penggembalaan kering dan semi-kering mencakup sekitar 41% daratan, menghidupi 38% penduduk, dan menyediakan pakan bagi tiga perempat ternak dunia. Produk tutupan lahan baku kurang cocok di sini: kelas seperti padang rumput, sabana, dan lahan terbuka sulit dibedakan dan labelnya berubah-ubah antartahun tanpa perubahan nyata. Contoh: Naiman Banner, Mongolia Dalam, yang mengalami penggurunan lalu program pemulihan sejak 1990-an.

Pendekatan berbasis lintasan

1. Periksa produk yang ada. MODIS MCD12Q1 tahun 2001, 2009, 2016 dan ESA WorldCover 2020.
2. Buang pengaruh hujan. NDVI berkorelasi kuat dengan hujan, sehingga tahun basah bisa keliru dibaca sebagai perubahan. Regresi per piksel antara hujan tahun-air dan kehijauan maksimum menghasilkan residu kehijauan.
3. Segmentasi temporal. ee.Algorithms.TemporalSegmentation.LandTrendr dijalankan langsung dari kode pada residu 1985–2019. Dari array hasilnya diambil nilai terpasang dan baris “is vertex”.
4. Klasifikasi lintasan. Tumpukan penanda titik belok per tahun diambil sampelnya (5000 piksel) dan dikelompokkan dengan k-means menjadi 10 kelas.
5. Menafsirkan kelas. Median kehijauan tiap kelas digrafikkan sepanjang waktu dan dibandingkan dengan label MODIS di titik yang sama.

Jumlah klaster perlu dijelajahi. Sepuluh kelas bisa terlalu banyak atau terlalu sedikit, dan beberapa mungkin layak digabung.

Bab 54 — Konservasi I: area terbakar dan hujan

Api dan hujan memengaruhi ketersediaan pakan dan habitat. Pemantauannya membantu keputusan seperti pembakaran dini dan pemberian pakan tambahan. Contoh: Niassa Reserve, Mozambik utara, rumah bagi 40% gajah negara itu, dengan musim hujan dan kemarau yang tegas.

• Luas terbakar. MCD64A1, band BurnDate, 2010–2021. Fungsi addArea menghitung luas piksel terbakar (km²) tiap citra bulanan dan menambahkannya sebagai band.
• Hujan rata-rata wilayah. CHIRPS pentad dijumlahkan per bulan dengan perulangan bersarang atas tahun dan bulan. Total musim hujan dihitung untuk November sampai Mei.
• Grafik gabungan. Kedua koleksi digabung dengan merge. Grafik memakai dua sumbu y (targetAxisIndex 0 dan 1) dan interpolateNulls: true.
• Interaksi. Klik pada grafik (onClick) menampilkan peta area terbakar dan hujan untuk bulan itu.

Grafik gabungan memperlihatkan bagaimana hujan, atau ketiadaannya, memperparah kebakaran.

Bab 55 — Konservasi II: intensifikasi pertanian di sekitar kawasan lindung

Di wilayah tropis padat penduduk, kawasan lindung sering kecil dan berbatasan tajam dengan lahan produksi. Perubahan pertanian di sekitarnya berdampak pada satwa dan pada hubungan satwa dengan masyarakat. Di Dataran Gangga, irigasi air tanah mengubah pertanian tadah hujan menjadi tanam sepanjang tahun.

Metode

1. Data. NDVI MODIS Terra MOD13Q1 (komposit 16 hari, 250 m), 2000–2021.
2. Metrik tahunan. NDVI maksimum musim kering (90 hari sejak 1 Januari). Nilai maksimum paling kecil terpengaruh kejadian sesaat seperti kebakaran.
3. Tren. ee.Reducer.sensSlope() antara tahun dan NDVI maksimum. Kemiringan dibagi NDVI tahun pertama dan dikali 100, menjadi persen perubahan per tahun.
4. Zona. Buffer 5 km di luar tiap kawasan lindung (batas disederhanakan, lalu wilayah kawasan dikurangkan). Air permukaan dibuang dengan JRC.
5. Rangkuman. Median perubahan per buffer dengan reduceRegions, digrafikkan terhadap hujan tahunan (WorldClim bio12).

Hasil buku: 184 dari 186 buffer menunjukkan tren menghijau. Kawasan di zona semi-kering (hujan tahunan ≤ 1000 mm) menghijau paling kuat. Tingkat signifikansi tren tidak dihitung, dan dugaan dampaknya pada satwa memerlukan data survei lapangan.

Praktikum

Checkpoint buku: A36a–A36b (Bab 51), A37a–A37b (Bab 52), A38a–A38e (Bab 53), A39a–A39c (Bab 54), A310a–A310c (Bab 55).

var cougarF53 = ee.FeatureCollection(
  'projects/gee-book/assets/A3-6/cougarF53');
Map.centerObject(cougarF53, 10);
Map.addLayer(cougarF53, {}, 'cougar presence data');

var Daymet = ee.ImageCollection('NASA/ORNL/DAYMET_V4')
  .filterDate('2014-02-11', '2014-11-02')
  .filterBounds(geometry)
  .map(function(image) {
    return image.clip(geometry);
  });

var DaymetImage = Daymet.toBands();
print(DaymetImage, 'DaymetImage');

var samples = DaymetImage.sampleRegions({
  collection: cougarF53,
  properties: ['id'],
  scale: 1000
});
print(samples, 'samples');

Export.table.toDrive({
  collection: samples,
  description: 'cougarDaymetToDriveExample',
  fileFormat: 'csv'
});

var naip = ee.ImageCollection('USDA/NAIP/DOQQ')
  .filterBounds(roi)
  .filterDate('2015-01-01', '2017-12-31');
var naip2015 = naip.filterDate('2015-01-01', '2015-12-31');

var elev = ee.Image('USGS/NED').clip(roi);
var ndvi = naip2015.mosaic().clip(roi)
  .normalizedDifference(['N', 'R']).rename('ndvi');
var landcover = ee.Image('USGS/NLCD/NLCD2016')
  .select('landcover').clip(roi);

var points = ee.FeatureCollection.randomPoints({
  region: sampleArea, points: 1000, seed: 1234
});
var ndviElev = ndvi.addBands(elev).addBands(landcover);
var samples = ndviElev.sampleRegions({
  collection: points, scale: 30, geometries: true
});

// Fungsi bantu
var reduceRegionFunction = function(image, geom, pixelSize) {
  return image.reduceRegion({
    reducer: ee.Reducer.mean(),
    geometry: geom,
    scale: pixelSize,
    crs: 'EPSG:4326'
  });
};
var effectiveRange = function(dictionary, key, proportion) {
  var number = ee.Number(dictionary.get(key));
  var buffer = number.multiply(proportion);
  return [number.subtract(buffer), number.add(buffer)];
};

var ndviRange = effectiveRange(
  reduceRegionFunction(ndvi, exclosure, 1), 'ndvi', 0.1);
var elevRange = effectiveRange(
  reduceRegionFunction(elev, exclosure, 30), 'elevation', 0.1);

var combinedFilter = ee.Filter.and(
  ee.Filter.equals('landcover', 41),
  ee.Filter.greaterThan('ndvi', ndviRange[0]),
  ee.Filter.lessThan('ndvi', ndviRange[1]),
  ee.Filter.greaterThan('elevation', elevRange[0]),
  ee.Filter.lessThan('elevation', elevRange[1])
);
var aspenSites = samples.filter(combinedFilter);
print(aspenSites, 'Sites');
Map.addLayer(aspenSites, {color: 'yellow'}, 'Potential sites');

var aoi = ee.FeatureCollection('projects/gee-book/assets/A3-8/GEE_Ch_AOI');
Map.centerObject(aoi, 11);

var greennessColl = ee.ImageCollection(
  'projects/gee-book/assets/A38/GreennessCollection_aoi');
var precipColl = ee.ImageCollection(
  'projects/gee-book/assets/A3-8/PrecipCollection');

var runParams = {
  maxSegments: 6,
  spikeThreshold: 0.9,
  vertexCountOvershoot: 3,
  preventOneYearRecovery: true,
  recoveryThreshold: 0.25,
  pvalThreshold: 0.05,
  bestModelProportion: 0.75,
  minObservationsNeeded: 10
};
runParams.timeSeries = residualColl;
var lt = ee.Algorithms.TemporalSegmentation.LandTrendr(runParams);

var ltlt = lt.select('LandTrendr');
var fitted = ltlt.arraySlice(0, 2, 3);       // nilai terpasang
var vertexMask = ltlt.arraySlice(0, 3, 4);   // 1 bila tahun itu titik belok

var years = [];
for (var i = 1985; i <= 2019; ++i) years.push(i.toString());
var vertexStack = vertexMask.arrayFlatten([['bools'], years]).toFloat();

// Kelompokkan piksel menurut pola titik beloknya
var training = vertexStack.sample({region: aoi, scale: 60, numPixels: 5000});
var maxclus = 10;
var trained_clusterer = ee.Clusterer.wekaKMeans(maxclus).train(training);
var cluster_result = vertexStack.cluster(trained_clusterer);
Map.addLayer(cluster_result.randomVisualizer(), {}, maxclus + '_clusters');

var MODIS_BurnDate = ee.ImageCollection('MODIS/006/MCD64A1')
  .filter(ee.Filter.date('2010-01-01', '2021-12-31'))
  .select('BurnDate');

var addArea = function(img) {
  var area = ee.Image.pixelArea()
    .updateMask(img)       // hanya piksel terbakar
    .divide(1e6)           // m2 ke km2
    .clip(AOI)
    .reduceRegion({
      reducer: ee.Reducer.sum(),
      geometry: AOI,
      scale: 500,
      bestEffort: true
    }).getNumber('area');
  return img.addBands(ee.Image(area).rename('area'));
};
var burnedArea = MODIS_BurnDate.map(addArea).select('area');

var chirps = ee.ImageCollection('UCSB-CHG/CHIRPS/PENTAD');
var years = ee.List.sequence(2010, 2021);
var months = ee.List.sequence(1, 12);
var Pchirps = chirps.filterDate('2010-01-01', '2022-01-01')
  .filterBounds(AOI).select('precipitation');

var MonthlyRainfall = ee.ImageCollection.fromImages(
  years.map(function(y) {
    return months.map(function(m) {
      var w = Pchirps.filter(ee.Filter.calendarRange(y, y, 'year'))
        .filter(ee.Filter.calendarRange(m, m, 'month'))
        .sum();
      return w.set('year', y).set('month', m)
        .set('system:time_start', ee.Date.fromYMD(y, m, 1).millis());
    });
  }).flatten());

var bpMerged = burnedArea.merge(MonthlyRainfall);
print(ui.Chart.image.series({
  imageCollection: bpMerged,
  region: AOI,
  reducer: ee.Reducer.mean(),
  scale: 500,
  xProperty: 'system:time_start'
}).setSeriesNames(['Burned Area', 'Precipitation'])
  .setChartType('LineChart')
  .setOptions({
    title: 'Burned area and rainfall',
    interpolateNulls: true,
    series: {0: {targetAxisIndex: 0}, 1: {targetAxisIndex: 1}},
    vAxes: {0: {title: 'Burned area (km²)'}, 1: {title: 'Precipitation (mm)'}}
  }));

var modis_veg = ee.ImageCollection('MODIS/006/MOD13Q1');
var years = ee.List.sequence(2000, 2021);

var drySeasonNdviColl = modis_veg.select(['NDVI'])
  .filter(ee.Filter.calendarRange(1, 90, 'day_of_year'));

function annualDrySeasonMaximumNDVIAndTime(y) {
  var yDate = ee.Date.fromYMD(y, 1, 1);
  var yMaxNdvi = drySeasonNdviColl
    .filterDate(yDate, yDate.advance(1, 'year'))
    .max()
    .multiply(0.0001)
    .rename('max_dryseason_ndvi');
  var yTime = ee.Image.constant(y).int().rename('year');
  return ee.Image.cat([yMaxNdvi, yTime]).set('year', y);
}
var dryseason_coll = ee.ImageCollection.fromImages(
  years.map(annualDrySeasonMaximumNDVIAndTime));

// x dulu (tahun), lalu y (NDVI)
var ss = dryseason_coll.select(['year', 'max_dryseason_ndvi'])
  .reduce(ee.Reducer.sensSlope());
var surfaceWaterExtent = ee.Image('JRC/GSW1_3/GlobalSurfaceWater')
  .select('max_extent');
ss = ss.updateMask(surfaceWaterExtent.eq(0));

var baselineNdvi = dryseason_coll.select(['max_dryseason_ndvi'])
  .filter(ee.Filter.eq('year', years.getNumber(0))).first();
var stats = ss.select('slope').divide(baselineNdvi).multiply(100)
  .rename('vegchange');
Map.addLayer(stats,
  {min: -3, max: 3, palette: ['ff8202', 'ffffff', '356e02']},
  'Percent yearly change');

Kuis Pertemuan 15