Cara mudah membuat data Training di Google Earth Engine

Data training diperlukan sebagai sample atau referensi pada penggunaan google earth engine. Fungsinya sangat berguna sebagai data input sebagai proses analisis data pemetaan. Misalnya kita ingin menghitung berapa luas yang tertutup oleh tanaman kelapa sawit, maka kita memerlukan data training berupa kumpulan data titik titik sample dan polygon wilayah/area yang ditanami kelapa sawit. Proses selanjutnya google earth engine akan mencari luas lahan sesuai dengan data training yang kita input.

Langkah pembuatan data training

Pada tutorial kali ini, saya akan menuliskan cara membuat data training pada google earth langsung, bukan software yang lain. pertama, buka google earth engine. jika belum bisa, baca artikel dasar google earth engine.

how to create data training

langkah selanjutnya kita import gambar dari satelite, sebaiknya menggunakan gambar pada periode penelitian akan dilakukan. misalnya kita akan menghitung luas lahan kelapa sawit Bulan Agustus, maka kita mengambil gambar di bulan tersebut. Meskipun langkah ini tidak wajib, karena kumpulan data training nanti yang akan diambil adalah titik titik koordinatnya, tetapi akan membantu secara visual data sebenarnya yang ada dilapangan terhadap data training yang akan kita susun.

var countries = ee.FeatureCollection("USDOS/LSIB_SIMPLE/2017");
var indonesia = countries.filter(ee.Filter.eq('country_na', 'Indonesia'));
Map.centerObject(indonesia, 8);

function maskS2clouds(image){
    return image.updateMask(image.select('QA60').eq(0))}

var s1_collection = ee.ImageCollection("COPERNICUS/S2_SR");

var s1_composite_masked = s1_collection.filterBounds(indonesia) 
    .filterDate('2019-01-01','2019-12-31') 
    .map(maskS2clouds) 
    .median();

var vis = {'bands': ['B4', 'B3', 'B2'], 'min': 0, 'max': 1250};
Map.addLayer(s1_composite_masked, vis, 'Sentinel 2 2019 Masked');

kode diatas memanggil gambar dari sentinel 2 tahun 2019. namun gambarnya banyak yang tertutup awan, jadi saya buat custom dengan wilayah khusus di kota medan, sbb (terlebih dahulu saya import sebuah peta kecil dari gogle earth dengan variabel name=table):

var contoh = table ;
Map.centerObject(contoh, 13);
var vis = {'bands': ['B4', 'B3', 'B2'], 'min': 0, 'max': 1250};
Map.addLayer(contoh, vis);

selanjutnya kita zoom untuk mendapatkan wilayah yang akan menjadi data training. untuk sementara kita nonaktifkan layer 1 karena arsirannya membuat gambar kurang jelas.

saya akan membuat data training untuk kumpulan pohon kelapa yang ada pada gambar diatas. caranya adalah dengan membuat point dengan klik add a marker. perhatikan posisinya pada gambar di bawah ini:

kemudian kita klik geometry, dan klik tanda gear. kita ubah sesuai kebutuhan kita. jangan lupa menambahkan property sebagai bahan meta dari kumpulan point ini. untuk point pertama buat nilai propertynya nol.

jangan lupa mengubah import as geometry dengan featuterColection (sesuai gambar diatas). klik OK, dan kita klik objek di peta yang menandakan “class bernilai 0”. misal pada kali ini saya bermaksud menjadikan class = 0 adalah titik pohon kelapa. maka saya buatkan titik titik di peta tepat di pohon kelapa. perhatikan gambar:

perlu diperhatikan, pada bagian import, secara otomatis akan bertambah variabel yang bernama kelapa sesuai dengan layer yang kita buat. saya berhasil membuat 21 titik pada lokasi ini.

selanjutnya kita buat layer lain dengan nilai class=1, kita bisa beri nama menjadi layer sawah misalnya.

saya sudah memiliki data training yang terdiri dari data kelapa dan data sawah. saya menambahkna satu lagi dengan nama = forest. selanjutnya saya ingin menggabungkan data training tersbeut menjadi satu tentunya property didalamnya juga bergabung menjadi class=0 dan class=1.

caranya adalah dengan menggunakan script dibawah ini:

var training = forest.merge(kelapa)
                     .merge(sawah);
Export.table.toAsset({
  collection: training,
  description: 'datalatihan',
  assetId: 'datalatihan'
});

script ini menggabungkan 3 data training; forest, kelapa, dan sawah untuk diimport ke asset GEE dan bisa digunakan untuk input analisis yang lebih kompleks, dengan nama aset datalatihan. selanjutnya ikuti saja perintah yang ada pada GEE termasuk klik di tasks untuk menguploadnya ke aset GEE.

Terima kasih sudah berkunjung.

note: beda data training dan data validasi, data training berupa point/titik, sedangkan data validasi berupa polygon. caranya sama seperti artikel ini.

Similar Posts

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *