BAB 5: Ajari Citra Mengenal Lahan: Klasifikasi Terbimbing

#Bagian A: QGIS

#Bagian A: Klasifikasi terbimbing di QGIS

Untuk klasifikasi, bab ini memakai skrip NumPy. Alasannya sudah dijelaskan di bab 4: pada pengujian, i.maxlik dari GRASS gagal membuka berkas tanda spektralnya.

#A1. Mengubah area latih menjadi raster

1. Tambahkan Citra_Lahan.tif dan Area_Latih.gpkg.
2. Buka Processing Toolbox ► Vector conversion ► Rasterize (vector to raster).
3. Isi: Input layer = Area_Latih, Field to use for a burn-in value = Kode, Output raster size units = Georeferenced units, Width/Horizontal resolution = 1, Height/Vertical resolution = 1. Pada Output extent, pilih Calculate from layer ► Citra_Lahan. Pada Assign a specified nodata value, isi 0. Pada Output data type, pilih Byte.
4. Simpan sebagai area_latih.tif, lalu Run.

Hasilnya: raster yang bernilai 1 sampai 4 di dalam poligon latih dan 0 di tempat lain. Skrip melakukan langkah ini sendiri.

#A2. Menjalankan skrip

1. Buka i2_05_terbimbing.py di Python Console (Show Editor). Ubah jalur di bagian atas, lalu Run.

Skrip pertama-tama mencetak tanda spektral. Hasil uji (864 piksel latih per kelas):

Perhatikan Kebun dan Sawah: rata-ratanya dekat. Di bab 4 itulah yang membuat keduanya menyatu.

#A3. Dua aturan penentu kelas

Skrip menghitung dua peta. Jarak minimum:

jarak = np.stack([((piksel - rata[k]) ** 2).sum(axis=1) for k in NAMA], axis=1)
jarak_min = jarak.argmin(axis=1) + 1

Kemiripan maksimum, yang memakai kovarians tiap kelas:

def skor(x, mu, c):
    d = x - mu
    return -0.5 * np.einsum("ij,jk,ik->i", d, np.linalg.inv(c), d) - 0.5 * np.log(np.linalg.det(c))

kemiripan = np.stack([skor(piksel, rata[k], kov[k]) for k in NAMA], axis=1)
maks_lik = kemiripan.argmax(axis=1) + 1

Skor tertinggi menang. Dua hal di sini diasumsikan: tiap kelas bersebaran seperti lonceng (normal), dan semua kelas sama mungkin muncul (peluang awal sama).

Hasil uji, jumlah piksel per kelas pada peta:

Sekarang keempat kelas ada. Kebun tidak lagi hilang.

1. Muat terbimbing_maks_lik.tif ke QGIS. Beri warna lewat Properties ► Symbology ► Paletted/Unique values, lalu Classify.

Perbedaan angka kedua aturan kecil. Mana yang benar-benar lebih akurat? Jangan menilainya dari mata. Bab 6 mengukurnya dengan titik uji yang tidak ikut dipakai untuk melatih.

#Bagian B: ArcGIS Pro

#Bagian B: ArcGIS Pro

Menurut dokumentasi Esri, ada dua jalur. [CEK]

• Spatial Analyst: buat berkas tanda spektral dari area latih dengan Create Signatures, lalu jalankan Maximum Likelihood Classification. [CEK]
• Image Analyst: Train Maximum Likelihood Classifier, lalu Classify Raster. Atau pakai Classification Wizard di tab Imagery, yang memandu pelatihan sampai hasil. [CEK]

Langkah ringkas:

1. Siapkan area latih (poligon dengan field kelas). Samakan sistem koordinat dengan citra. [CEK]
2. Buat tanda spektral dari area latih. [CEK]
3. Jalankan klasifikasi kemiripan maksimum. [CEK]
4. Aturan jarak minimum: padanan alat langsung tidak saya temukan pada pemeriksaan ini. [CEK]

#Bagian C: ArcMap 10.8

#Bagian C: ArcMap 10.8

Alat ada di Spatial Analyst Tools ► Multivariate: Create Signatures dan Maximum Likelihood Classification (nama diperiksa pada dokumentasi Esri). [CEK]

1. Siapkan area latih sebagai poligon dengan field kelas. [CEK]
2. Jalankan Create Signatures dengan raster masukan multiband dan sampel area latih. [CEK]
3. Jalankan Maximum Likelihood Classification dengan berkas tanda spektral tadi. [CEK]
4. ArcMap juga punya bilah Image Classification dengan Training Sample Manager untuk menggambar area latih. [CEK]