Maaf, Kepada Hidrologist: Jangan Percaya Peta Global dari GIS Enthusiast

 Akhir Akhir ini aku menemukan banyak GIS Anthusiast yang kemudian mereka menerbitkan kode GEE (Google Earth Engine) untuk pembuatan Peta tata guna lahan baik skala global maupun skala regional seperti peta Tata guna lahan Nasional Indonesia. sebuah terobosan, namun maksud dan tujuan para GIS Anthusiast ini sangat berbeda dengan kebutuhan para Hidrologist dan Hidraulic engineer dalam pembuatan model. sehingga Peta global yang mereka buat tidak bisa kita gunakan.

ESRI Sentinel-2 Global LULC 10 m Resolution
Source: Esri | Sentinel-2 Land Cover Explorer (arcgis.com)

Pembuatan peta Tata Guna Lahan mempunyai banyak fungsi yang disesuaikan dengan kegunaannya. dari pengamatan perubahan tata guna lahan hingga berbagai analisa lainnya. untuk analisa hidrologi, penggunaan tata guna lahan atau tutupan lahan bisa digunakan sebagai dasar pembuatan basemap untuk model hidrologi. begitu pula dengan analisa hidrolika yang terkadang menggunakan input jenis tutupan lahan dalam penentuan basemap model hidrolika seperti penentuan nilai kekasaran manning dan lain sebagainya. sehingga dalam penggunaan model hidrologi dan hidrolika, peta Tata Guna Lahan atau tutupan lahan sudah umum digunakan sebagai basemap model.

Perkembangan zaman membawa kita selangkah lebih maju terkait pembuatan basemap ini dengan informasi geospasial. berbagai data satelit dengan rentang waktu yang berbeda bisa digunakan sebagai dasar pembuatan peta tata guna lahan dan cakupan yang luas hingga hampir seluruh belahan dunia menjadikan data satelit sebagai data yang sangat bernilai. keunggulan lainnya adalah data ini sangat mudah diakses dan akhir akhir ini semakin marak pula pengguna GIS yang kemudian menggunakan GEE (Google Earth Engine) sebagai dasar dalam pembuatan peta tutupan lahan. cakupannya yang luas dengan data global pun akhirnya menjadikan GEE senjata yang ampuh untuk membuat peta tata guna lahan dalam skala global.

Sayangnya, aku yang juga menggunakan GEE dan beberapa program lain untuk menunjang pembuatan basemap model tahu betul bahwa untuk analisa Hidrologi dan Analisa Hidrolika secara khusus aku sangat tidak merekomendasikan seluruh peta Tutupan Lahan global. alasan utamanya adalah tingkat ketelitian yang terlihat tinggi secara global, nyatanya sangat rendah untuk lokasi spesifik. aku jabarkan beberapa pada uraian berikut:

1. Ketersediaan Data Tutupan Lahan global

pada dasarnya ketersediaan tutupan lahan secara global cukup banyak tersedia. sering dengan bertambahnya pengguna GEE juga meningkatnya perkembangan data citra satelit mendukung untuk perkembangan data geospasial lebih maju lagi. selain itu, data tersebut juga mudah diakses sehingga banyak sekali yang memberikan data tutupan lahan dengan skala global dan mudah diakses. beberapa diantaranya dikelola dan diproduksi oleh lembaga dan instansi tertentu atau bahkan hasil penelitian beberapa peneliti maupun mahasiswa.

Bahkan jika kalian ingin, kalian juga bisa membuat sendiri dengan tahapan dan proses yang jauh lebih mudah daripada sebelumnya. beberapa proses yang bisa dilakukan seperti menggunakan machine learning, deep learning, maupun proses algoritma lainnya. beberapa paket program seperti ArcGIS, ILWIS, Google earth engine, dan lainnya menyediakan proses yang cukup membantu dan cukup mudah. Bahkan proses dengan menggunakan bahasa program juga bisa seperti phyton, R, dll juga bisa disesuaikan. artinya perkembangan untuk pembuatan tata guna lahan juga sudah sangat berkembang dan maju. sehingga cukup banyak sumber yang bisa kalian gunakan untuk mendapatkan data tutupan lahan secara global.

2. Skala dan Akurasinya

Skala yang aku bahas adalah skala global yang artinya data yang digunakan sangat besar dan luas. dengan skala itu tentunya ada banyak effort yang perlu untuk dilakukan demi mendapatkan nilai akurasi yang baik. Umumnya, akurasi yang baik dilakukan dengan memvalidasi hasil tutupan lahan. aku jabarkan sedikit bagaimana proses ini dilakukan pada umumnya pada machine learning.

1. kita tentukan berdasarkan kondisi, band, dan data lain pada machine learning maupun deep learning. kondisi tersebut akan dibaca dan dipahami oleh machine learning maupun deep learning.
2. selanjutnya program akan membaca citra satelit dengan kriteria tertentu untuk jenis lahan tertentu sesuai dengan yang kita masukkan sebagai input pada machine learning maupun deep learning.
3. hasil akan ditunjukkan, nah selanjutnya adalah proses validasi. jika hasil menunjukkan sesuai, maka kita bisa melanjutkan namun jika hasil menunjukkan ketidaksesuaian, maka perlu untuk diulang.

Poin 3 menjelaskan bagaimana proses validasi sebenarnya dilakukan secara poin. misalkan pada suatu grid satelit menunjukkan bahwa suatu lokasi tersebut dibaca oleh program sebagai suatu lahan sawah. namun setelah dilakukan pengecekan atau vallidasi, ternyata lahan tersebut adalah padang rumput. sehingga prosesnya harus diulangi lagi.

banyak parameter dan faktor yang bisa menentukan perbedaannya seperti kondisi cuaca, tingkat akurasi machine learning atau deep learning, resolusi citra, dan lain sebagainya. namun pada akhirnya, bagaimana proses validasi dilakukan menjadi hal yang paling menentukan tingkat akurasinya. tentu saja proses validasi yang paling baik adalah dengan kunjungan langsung di lapangan, namun untuk skala global? hal ini sangat sulit untuk dilakukan. proses lain yang umum dilakukan adalah dengan membandingkan pada street view google, membandingkan dengan citra satelit pada google earth, atau membandingkan dengan citra satelit yang lainnya. pada skala global, membandingkan dengan citra satelit lainnya menjadi opsi yang seringkali digunakan karena prosesnya yang jauh lebih cepat dan mudah. 

pendekatan umum yang digunakan sebagai nilai akurasinya adalah overal accuracy dan kappa coefficient. 2 parameter ini menjadi parameter yang paling sering digunakan untuk pembuatan dan perhitungan akurasi walaupun masih tetap didalamnya ada pendekatan yang masih sangat subyektif. aku akan bahas di lain waktu.

aku masuk pada poin intinya, yang merupakan kelemahan terbesar dari peta secara global pada bagian selanjutnya:

3. Tidak Cocok untuk Analisa Hidrologi dan Hidrolika

ini adalah bagian yang penting karena peta secara global memiliki manfaat yang berbeda tujuan. umumnya memperhatikan perubahan tata guna lahan secara global, sehingga akurasi pada titik atau area spesifik tidak dibutuhkan nilai yang tinggi. 2 pendekatan umum yang digunakan sebagai penilaian akurasi umumnya menunjukkan nilai yang tinggi pada skala global, namun ketika kalian ambil sebagian dan drop lihat dalam skala regional yang lebih kecil, kebanyakan peta ini akan mengalami penurunan akurasi dengan nilai dan cara yang sama. agak susah membayangkan bukan? aku akan memberikan 1 contoh dari beberapa sumber terkenal.

ini adalah contoh Esri Sentinel 2 LULC dengan grid 10 m.

Esri sentinel 2 LULC mungkin menjadi salah satu favorit dalam analisa saat ini. aku pun menggunakan basemap ini sebagai analisa awal sebelum akhirnya menggunakan citra sentinel 2 ataupun landsat 8 dan 9 untuk analisa lebih lanjut. kalian akan melihat bahwa cukup detail dan hampir semua bagian terlihat. aku ambil dan zoom pada bagian utara Bali, bahkan bendungan Tamblang yang diresmikan tahun 2023 itu sudah muncul di dalamnya. artinya kompilasi data yang digunakan cukup detail.

Esri Sentinel-2 LULC Tahun 2023 (Bagian Utara Pulau Bali)

nah jika kalian perhatikan atau download data ini, maka kalian akan menemukan satu permasalahan yaitu ESRI Sentinel2 tidak menggunakan Cloud Masking sehingga grid yang mengandung Awan akan muncul didalamnya. masih di dalam Catchment Bendungan Tamblang, kalian akan melihat bagian ini:

Esri Sentinel-2 LULC Tahun 2023 (Bagian Utara Pulau Bali)

ada bagian yang terdeteksi sebagai Clouds atau awan. bahkan jika di trace back ke tahun sebelumnya, grid tersebut juga tertutup awan dan tahun sebelumnya sangat tidak konsisten. artinya selain ketidak konsistenan akibat adanya awan, terdapat pula ketidak konsistenan akibat mengkombinasi citra dalam 1 tahun penuh untuk dianalisa. terkadang area tersebut akan terlihat jelas pada musim kemarau namun pada musim hujan, mungkin akan lebih sering tertutup awan. pada kondisi tertutup awan inilah umumnya nilai dari Band citra tersebut akan berubah dan menyebabkan pembacaan yang salah pada machine learning maupun deep learning.

Dampaknya:

dari hasil diatas, jika kita menggunakan dataset ini dalam analisa hidrologi maupun hidrolika, maka LULC yang terbaca sebagai cloud akan memberikan masalah pada model kita. selain itu, umumnya area pada sekitar cloud akan terjadi ketidak konsistenan. maka hal ini akan menjadi sebuah kelemahan dalam model yang kita buat.

ini adalah Contoh Global Data dari sebuah Penelitian

GIS Enthusist dan mereka yang meneliti di bidang ini umumnya memproduksi berbagai jenis peta. beberapa peta tersebut merupakan peta global dan salah satunya yang sangat menarik adalah pembuatan peta global LULC untuk mengetahui perubahan lahan dari tahun ke tahun. kali ini aku menggunakan data dari sebuah penelitian yang bisa kita akses juga dan mereka telah mempublish land use land cover dengan cakupan global. disebut bahwa akurasinya bahkan mencapai 80% lebih yang artinya secara umum kita bisa terima dalam model hidrologi maupun hidrolika sebagai basemap. salah satu keunggulan lain yang tampak adalah jenis tutupan lahan yang dibuat juga lebih bervariasi sehingga memberikan nilai yang lebih detail apabila kita gunakan sebagai basemap dalam model

Berbagai jenis tipe tutupan Lahan yang Digunakan

semakin banyak tipe tutupan lahan yang dibuat, maka semakin sulit untuk melakukan validasi serta semakin sulit melakukan pengecekan akurasi. sehingga nilai 80% dengan jumlah dan luasan global sangat bisa diperdebatkan. lalu aku coba menggali lebih dalam, berbeda dengan metode pada ESRI Sentinel-2 yang tidak melakukan cloud masking, aku tidak menemukan layer cloud. sehingga sepertinya cloud masking digunakan dalam dataset ini. namun identifikasi global untuk cloud masking bisa menjadi masalah, masalah muncul sebagai berikut:

Tampilan LULC untuk Gunung Agung dan Gunung Batur

sama seperti sebelumnya, aku gunakan regional sebagai checkup karena umumnya analisa hidrologi dan hidrlika merupakan analisa regional. terlihat danau batur dapat tergambar dengan jelas sebagai water body berwarna biru. namun jika kalian zoom ini pada bagian gunung Agung. terdapat beberapa water body yang tampak disana. inilah masalah yang muncul.

cloud masking umumnya dapat menghilangkan awan namun pada skala global atau skala yang besar, ini bisa menjadi miss interpretasi, areal seperti puncak gunung yang seringkali tertutup awan menjadi areal yang rawan terjadi kesalahan miss interpretasi karena sebagian awan tersebut akan hilang dan muncul menjadi jenis tutupan lain. 

pada kasus global LULC tersebut, tutupan lahan awan seringkali salah interpretasi menjadi air.

Dampaknya:

menggunakan peta global tersebut, kita akan salah input menjadi badan air yang punya nilai yang jauh berbeda. sehingga penggunaan peta global walaupun terhitung secara global memilii akurasi yang cukup baik, namun ketika dibawa ke regional akan mengalami kendala dan penurunan nilai akurasi. 

Kesimpulan:

Analisa hidrologi dan hidrolika sekarang bisa menggunakan basemap LULC untuk pendekatan model. salah satunya adalah penentuan nilai Curve Number maupun penentuan nilai koefisien manning. sehingga penggunaan tutupan lahan atau LULC menjadi salah satu parameter yang penting. namun kesesuaian penggunaan peta global seringkali masih bermasalah ketika menggunakannya dalam skala regional dan modelling.