Anda di halaman 1dari 26

Finding the right pixel size$

Tomislav Hengl
Makalah ini membahas aturan empiris dan analitis untuk memilih resolusi grid yang sesuai untuk peta
keluaran dan berdasarkan pada

properti inheren dari data masukan. Pemilihan resolusi grid terkait dengan kartografi dan statistik

konsep: skala, kekuatan pemrosesan komputer, akurasi posisi, ukuran penggambaran, kepadatan
inspeksi, spasial

struktur autokorelasi dan kompleksitas medan. Ini selanjutnya terkait dengan konsep dari statistik
umum

dan teori informasi seperti konsep frekuensi Nyquist dari pemrosesan sinyal dan persamaan untuk
memperkirakan

fungsi kepadatan probabilitas. Pemilihan resolusi grid ditunjukkan dengan menggunakan empat set
data: (1) Data posisi GPS—

Resolusi grid terkait dengan luas lingkaran yang dijelaskan oleh radius error, (2) peta plot pertanian -
grid

Resolusi terkait dengan ukuran plot terkecil dan tersempit, (3) dataset titik dari pemetaan tanah -
resolusi grid

terkait dengan kerapatan inspeksi, variasi nugget dan kisaran autokorelasi spasial dan (4) peta kontur
yang digunakan untuk

produksi model elevasi digital — resolusi grid terkait dengan jarak antara garis kontur yaitu

kompleksitas medan. Disimpulkan bahwa tidak ada resolusi grid yang ideal, melainkan berbagai resolusi
yang sesuai. Satu

setidaknya harus mencoba untuk menghindari penggunaan resolusi yang tidak sesuai dengan skala
efektif atau properti yang melekat dari input

Himpunan data. Tiga resolusi grid standar untuk peta keluaran akhirnya direkomendasikan: (a) grid
terbaca yang paling kasar

resolusi — ini adalah resolusi terbesar yang harus kita gunakan untuk menghormati skala pekerjaan dan
properti set data;

(b) resolusi kisi terbaca terbaik — ini adalah resolusi kisi terkecil yang mewakili 95% objek spasial atau

topografi; dan (c) resolusi grid yang direkomendasikan — kompromi di antara keduanya. Prosedur
obyektif untuk menurunkan

Resolusi grid benar-benar optimal yang memaksimalkan kemampuan prediksi atau konten informasi
peta lebih jauh
dibahas. Metodologi ini sekarang dapat diintegrasikan dalam paket GIS untuk membantu pengguna yang
tidak berpengalaman memilih grid yang sesuai

resolusi tanpa melakukan preprocessing data yang ekstensif.

1. Perkenalan

Sel grid, yang dikenal sebagai piksel, adalah

entitas spasial fundamental dalam GIS berbasis raster

(Gatrell, 1991; DeMers, 2001). Meski ada

praktis tidak ada perbedaan antara piksel dan sel grid,

ilmuwan geoinformation suka menekankan hal itu

piksel adalah teknologi dan grid adalah model (De By 2001). Grid berarti properti ideal — ortogonal

matriks, resolusi tetap, yang dilakukan oleh gambar raster

belum tentu harus pas. Misalnya, antena

foto pertama harus di-ortho-rektifikasi dan kemudian

disampel ulang ke kisi biasa agar (kurang-lebih) pas

model grid (Rossiter dan Hengl, 2002).

Sel grid juga bisa terkait (tapi tidak boleh

bingung) dengan ukuran dukungan, yang biasanya a

luas atau volume tetap dari tanah yang sedang

sampel. Ukuran dukungan dapat ditingkatkan dengan menggunakan

sampel komposit atau dengan rata-rata titik-sampel

nilai-nilai yang dimiliki blok tanah yang sama. Di

geostatistik, satu juga dapat mengontrol ukuran dukungan

model keluaran dengan rata-rata beberapa prediksi

per blok tanah biasa, yang dikenal sebagai

'' Block kriging '' (Heuvelink dan Pebesma, 1999).

Artinya, kami dapat mengambil sampel di lokasi titik,

kemudian buat prediksi untuk balok 10 10 m. Itu

yang terakhir ini sering membingungkan pengguna GIS karena kami bisa

menghasilkan prediksi di lokasi titik biasa


(arahkan kriging) lalu tampilkan menggunakan raster

peta, tetapi kami juga dapat membuat prediksi untuk blok

mendaratkan (block kriging) dan menampilkannya menggunakan

model raster yang sama (Bishop et al., 2001). Ini

perbedaan sangat penting untuk validasi

dari model prediksi spasial karena bisa

menyebabkan kesalahpahaman yang serius — memvalidasi model titik (ukuran dukungan beberapa
sentimeter) pada 1 km

dukungan atau sebaliknya bisa sangat mengecewakan

(Stein et al., 2001).

Meskipun struktur raster memiliki sejumlah

kerugian serius seperti under- dan oversampling di berbagai bagian wilayah studi dan

persyaratan penyimpanan data yang besar, itu akan tetap menjadi

format paling populer untuk pemodelan spasial di

tahun-tahun mendatang (DeMers, 2001). Apa yang membuatnya

sangat menarik adalah sebagian besar teknis

karakteristik dikendalikan oleh satu ukuran:

resolusi grid, dinyatakan sebagai resolusi dasar dalam

meter. Pembesaran resolusi grid mengarah ke

agregasi atau peningkatan dan penurunan grid

resolusi mengarah pada disagregasi atau penurunan skala.

Saat kisi menjadi lebih kasar, informasi keseluruhan

konten di peta akan semakin berkurang dan

sebaliknya (McBratney, 1998; Kuo et al., 1999; Stein

et al., 2001). Dalam kartografi, resolusi grid yang lebih kasar dihubungkan dengan skala yang lebih kecil
dan lebih besar

wilayah studi, dan resolusi grid yang lebih halus dihubungkan

dengan skala yang lebih besar dan wilayah studi yang lebih kecil. Itu

definisi sebelumnya sering membingungkan non-kartografer


karena piksel yang lebih besar berarti skala yang lebih kecil

biasanya berarti area studi yang lebih luas (Gbr. 1). Catatan dalam

Gambar 1, bahwa agregasi dan disagregasi

dapat dilakukan sebelum atau sesudah geo-computation.

jika modelnya linier, kedua rute tersebut harus menghasilkan yang sama

hasil (Heuvelink dan Pebesma, 1999); jika tidak, disana

bisa menjadi perbedaan yang serius. Agregasi cukup

prosedur yang berguna untuk mengurangi variasi skala kecil

dan mendapatkan ide yang lebih baik tentang pola umum (Stein

et al., 2001). Sebaliknya, jika tujuan kita adalah mencari

ekstrem (titik panas), maka agregasi adalah sesuatu

kita harus menghindari.

Banyak peneliti menyelidiki efek grid

resolusi pada keakuratan model mereka. Aplikasinya mulai dari pemetaan sifat tanah (Florinsky dan
Kuryakova, 2000), pemodelan permukaan

limpasan (Kuo et al., 1999; Molnr dan Julien, 2000), laut

arus (Davies et al., 2000) atau pemodelan

data meteorologi (McQueen et al., 1995; Noda

dan Niino, 2003). Dalam kasus data medan,

agregasi resolusi grid akan sangat merusak akurasi parameter medan (Weihua dan

Montgomery, 1994; Dietrich et al., 1995; Thompson

et al., 2001). Wilson dkk. (2000) mendemonstrasikan

berdampak pada resolusi grid pada hidrologi

Analisis: karena resolusi grid meningkat dari 30 menjadi

200 m panjang jalur aliran dan daerah tangkapan tertentu

peta area berubah secara drastis. Resolusi grid

juga penting untuk akurasi simulasi

model seperti limpasan permukaan atau model erosi

(Sa'nchez Rojas, 2002). Kienzle (2004) memberikan a


tinjauan sistematis efek dari berbagai grid

resolusi tentang keandalan parameter medan

menyarankan resolusi jaringan yang lebih baik dari 5-20 m. Liang

dkk. (2004), di sisi lain, mengamati dampak

resolusi spasial yang berbeda pada permukaan pemodelan

limpasan dan menyimpulkan bahwa resolusi perlu dilakukan

meningkat hanya ke tingkat kritis setelah itu

model belum tentu berkinerja lebih baik. Weihua

dan Montgomery (1994) juga mendapat substansi

peningkatan dengan resolusi grid 10 m di atas 30 dan

90 m data, tetapi 2 atau 4 m data hanya memberikan marjinal

perbaikan. Florinsky dan Kuryakova (2000)

difokuskan secara khusus pada pentingnya grid

resolusi parameter medan pada efisiensi

prediksi spasial variabel tanah. Mereka merencanakan

koefisien korelasi versus resolusi grid yang berbeda dan mencari ukuran grid dengan yang paling kuat

efisiensi prediksi. Bishop dkk. (2001) menyarankan

penggunaan kriteria informasi Shannon untuk memilih

ukuran blok yang optimal untuk block kriging. Semua ini

Eksperimen dengan jelas membuktikan dua hal: (1) grid

resolusi memainkan peran penting untuk efisiensi

pemetaan dan (2) pemilihannya dapat dioptimalkan,

ke tingkat tertentu, untuk memenuhi kedua proses tersebut

kapabilitas dan representasi variabilitas spasial.

Meskipun banyak yang telah dipublikasikan tentang efeknya

resolusi grid pada akurasi spasial

pemodelan, pilihan resolusi grid jarang didasarkan

pada variabilitas spasial yang melekat dari data masukan

(Vieux dan Needham, 1993; Bishop et al., 2001). Di


Faktanya, di sebagian besar proyek GIS, resolusi grid dipilih

tanpa justifikasi ilmiah apapun. Di ESRI

paket ArcGIS, misalnya, keluaran default

ukuran sel disarankan oleh sistem menggunakan beberapa hal sepele

aturan: jika data titik sedang diinterpolasi

di Spatial Analyst, sistem akan mengambil waktu terpendek

sisi area studi dan membaginya dengan 250 untuk

memperkirakan ukuran sel (ESRI, 2002). Jelas sekali

aturan pragmatis tidak memiliki suara ilmiah

Latar Belakang.

Ini memotivasi saya untuk menghasilkan metodologis

panduan untuk memilih resolusi grid yang sesuai untuk keluaran

peta berdasarkan properti yang melekat pada input

data. Saya mencoba menghubungkan pilihan resolusi grid dengan

konsep kartografi dan statistik yang dapat diukur

seperti: skala, kekuatan pemrosesan, akurasi posisi, kepadatan inspeksi, struktur ketergantungan
spasial, dan kompleksitas medan. Saya akan dulu

merekomendasikan beberapa aturan umum untuk memilih

resolusi grid dan kemudian mendemonstrasikan caranya

pilih resolusi grid yang terbaca berdasarkan aslinya

kumpulan data.

2. Metode

2.1. Resolusi kisi dan konsep kartografi

Meskipun kita hidup di era digital dimana kita melakukannya

tidak harus bekerja dengan peta hard copy,

resolusi spasial dan luasnya masih kuat

terkait dengan konsep kartografi tradisional

(Quattrochi dan Goodchild, 1997; Goodchild,

2001). Misalnya, dalam kartografi tanah tradisional skala peta yang ada biasanya
dinilai dengan memperkirakan lokasi maksimum

akurasi (MLA) atau area ukuran rata-rata (ASA)

dari poligon di tanah (Rossiter, 2003).

Definisi kartografi ini juga dapat digunakan untuk

perkirakan resolusi grid yang sesuai untuk suatu hal

skala pemetaan. Sebagai aturan praktis, Rossiter

(2003) mengemukakan bahwa empat sel grid bisa

dianggap setara dengan minimum terbaca

delineation (MLD), yaitu luas wilayah terkecil

yang kami petakan. Menurut definisi Vink

(1975) MLD adalah 0:25 cm2 di peta, jadi

Resolusi grid yang sesuai dapat diperkirakan berdasarkan nomor skala (SN)

di mana p adalah ukuran grid (piksel) dan MLD adalah

area penggambaran minimum yang terbaca di tanah pada

m2. Artinya untuk skala 1:50 K, MLD adalah

6,25 ha dan resolusi grid yang sesuai adalah 125 m

tampaknya cukup kasar. Resolusi grid yang agak lebih besar dari 0,5 hingga 3 mm di peta juga telah

direkomendasikan oleh Valenzuela dan Baumgardner

(1990).

Resolusi grid juga dapat dikaitkan dengan

MLA, yang biasanya berkisar antara 0,25 mm hingga

maksimum 0,1 mm di peta (Vink, 1975). Ini

memberikan resolusi terbaca terkecil

Jadi untuk skala 1:50 K, kisi terkecil yang terbaca

resolusi adalah 12,5 m (5 m). Resolusi lebih baik dari

5 m benar-benar tidak masuk akal karena akan sulit

memvisualisasikan atau mencetaknya pada skala pekerjaan ini.

Gagasan berikut dalam mikroskop, dan Nyquist


konsep frekuensi dari pemrosesan sinyal (Shannon,

1949), yang menyatakan bahwa sinyal aslinya bisa

direkonstruksi jika frekuensi sampling dua kali

frekuensi asli, McBratney et al. (2003, Tabel 1),

disarankan bahwa setidaknya harus ada 2 x 2 piksel

untuk mewakili objek bulat terkecil yang menarik dan

setidaknya dua piksel untuk mewakili lebarnya

benda memanjang. Objek terkecil biasanya

ukuran 1 x 1 mm di peta, sehingga grid

resolusi dapat ditentukan dengan menggunakan p ¼ 0: 5 mm

aturan (Gbr. 2a). Yang pertama dapat digunakan sebagai aturan umum untuk menghubungkan skala
dengan grid

resolusi.

2.2. Resolusi grid dan kekuatan pemrosesan komputer

Resolusi grid juga dapat dikaitkan dengan ukurannya

area dan kekuatan pemrosesan komputer kita.

Meskipun kami mungkin bersikeras menggunakan jaringan terbaik

resolusi mungkin, waktu perhitungan akan meningkat

secara eksponensial (kubik) dengan jumlah total

piksel dalam peta (McBratney, 1998). Artinya itu

resolusi jaringan harus sesuai dengan kemampuan kami

komputer dan waktu yang diberikan untuk menyelesaikan proyek GIS.

Mengikuti hukum Moore yang populer, Lagacherie dan

McBratney (2005) membahas hubungan antara

resolusi grid dan kemampuan pemrosesan

PC desktop standar dan menemukan yang berikut ini

hubungan kasar antara log dengan ukuran gambar

dan tahun berjalan (Gbr. 3a):

dengan log10ðmÞ adalah logaritma dari ukuran gambar di


piksel dan Y adalah tahun saat ini. Menurut Ini

rumus, ukuran gambar standar pada tahun 2005 akan

menjadi sekitar 107 piksel, yang membuat gambar menjadi 3000 x

3000 piksel.

Resolusi grid juga dapat diperkirakan dengan

membagi luas wilayah studi dengan jumlah

piksel yang dapat ditangani komputer. Misalnya, jika file

luas wilayah sekitar 100 000 km2 dan komputer bisa

menangani 107 piksel, kami mungkin harus bekerja dengannya

resolusi 100 meter atau lebih. Berdasarkan ini

Prinsipnya, kita juga bisa mendapatkan global yang paling kasar

resolusi standar. Ini adalah resolusi gambar yang menutupi seluruh Globe. Permukaan

Bumi adalah sekitar 5:10 108 km2 (Yoder, 1995), yang mana

berarti resolusi standar global yang paling kasar

pada tahun 2005 berjarak sekitar 7 km. Jika Persamaan. (3) adalah

benar, resolusi standar global paling kasar di

tahun 2040 akan menjadi sekitar 25 m (Gbr. 3b). Pada waktu itu

komputer akan menjadi sangat kuat

mampu menangani gambar jutaan per juta piksel!

Ini tentu saja model yang agak sederhana dan nyata

angka-angka mungkin berbeda dari aplikasi ke aplikasi.

2.3. Resolusi kisi dan pemosisian GPS

Jika skala proyek tidak diketahui atau tidak standar, kita dapat menilai dengan menganalisis pemetaan

metodologi. Misalnya, pemilihan grid

resolusi dapat dikaitkan dengan posisi

akurasi metode penentuan posisi lapangan kami. Ini adalah

sangat penting untuk integrasi GPS dengan

gambar penginderaan jauh dan foto udara di mana kita

harus yakin bahwa pembacaan GPS kami (sebagian besar


mungkin) berada di dalam piksel yang tepat. Untuk memastikan ini,

pertama-tama kita perlu memperkirakan radius keyakinan dari

metode penentuan posisi menggunakan beberapa titik kontrol. Itu

radius kepercayaan adalah jari-jari lingkaran tempat kita

mengharapkan paling banyak ðP ¼ 95% Þ dari poin yang muncul

(Arnaud dan Flori, 1998). Biasanya dievaluasi

menggunakan vektor kesalahan ðrEÞ, yang merupakan perbedaan

antara GPS ðX yang diukur; Y GPSÞ dan benar

lokasi titik kontrol ðX T; Y TÞ:

Sebagai aturan praktis, seseorang harus memilih grid

resolusi sehingga luas lingkaran dijelaskan oleh

radius kesalahan sama atau lebih kecil dari luas piksel

(Gambar 4b):

dimana r ¯2

E adalah radius kesalahan rata-rata dan p adalah grid

resolusi. Resolusi kisi yang disarankan adalah

satu di mana sebagian besar poin (95%) akan jatuh

dalam piksel di mana rEðP¼95% Þ adalah radius kesalahan probabilitas 95%

atau radius keyakinan yang diturunkan dari kumulatif

distribusi vektor kesalahan dari satu set

pengukuran (Gbr. 4a). Garmin (www.garmin.

com), misalnya, mengklaim bahwa genggam mereka

penerima (ketersediaan selektif dimatikan) mencapai

kesalahan horizontal tidak lebih dari 15 m pada 95%

waktu. Ini kemudian akan kompatibel dengan grid

resolusi 27 m.

2.4. Resolusi grid dan sistem penginderaan jauh


Seperti GIS berbasis raster, kontrol resolusi grid

banyak aspek yang digunakan untuk sistem penginderaan jauh

pemetaan. Karakteristik objek bergantung pada skala dan jumlah total, luas, ukuran rata-rata atau

perimeter objek yang dipetakan akan berbeda untuk

resolusi grid yang berbeda (Lillesand dan Kiefer, 2000,

hlm. 598–603). Faktanya, seseorang tidak akan pernah bisa

benar-benar menentukan berapa banyak pulau atau danau di dunia dan apa garis kelilingnya. Meskipun

kami tidak dapat benar-benar mengubah resolusi grid

gambar penginderaan jauh, setidaknya kita harus yakin

bahwa gambar tersebut memadai untuk pemetaan kami

aplikasi. Kami dapat melakukannya dengan memeriksa ukuran file

objek spasial terkecil yang sedang dipetakan dan

kemudian pilih resolusi kisi yang sesuai, mis.

sistem pencitraan jarak jauh. Sekali lagi, harus ada di

setidaknya empat piksel untuk mewakili objek terkecil dan pada

setidaknya dua piksel untuk mewakili objek tersempit,

yang dapat diekspresikan secara matematis sebagai

dimana aMLD adalah area objek terkecil, wMLD

adalah lebar benda tersempit dan S adalah

indeks kompleksitas bentuk yang diturunkan sebagai keliling ke

rasio batas:

dengan P adalah keliling poligon, a adalah luasnya

poligon dan r adalah jari-jari lingkaran yang sama

luas permukaan (Hole, 1953). Nilai sembarang 3 adalah

digunakan untuk membedakan antara kompak dan sempit /

poligon panjang. Artinya kita bisa sample dulu

ukuran objek spasial (misalnya plot tanaman, badan air,


patch hutan, jalan) di sebagian wilayah studi dan

kemudian tentukan sensor yang sesuai. Untuk menjadi lebih

pasti, seseorang dapat memplot histogram dengan distribusi kumulatif dan mendapatkan area
probabilitas 5%, yaitu

Lebar probabilitas 5% dari objek referensi

(Garbrecht dan Martz, 1994). Misalnya, jika file

Tujuan proyek pemetaan kami adalah pertanian

plot, dan jika plot terkecil sekitar 1 ha, maka

Resolusi jaringan harus minimal 50 m, yang artinya

bahwa kami harus menggunakan Landsat atau citra serupa. Jika

plot terkecil berukuran sekitar 0,05 ha (sesuai dengan

skala 1: 5000), kita membutuhkan gambar dengan resolusi 10 m dan lebih halus.

Selain ukuran benda terkecil, salah juga

perlu mempertimbangkan seberapa kontras itu

objek yang menarik jika dibandingkan dengan lingkungannya. Kontras lokal antara objek yang
berdekatan bisa

dinilai dengan membandingkan reflektansi secara statistik

nilai antara objek target ðrTÞ dan objek sekitarnya ðrSÞ. Jelas, semakin tinggi perbedaannya,

semakin tidak ketat kita harus tentang grid

resolusi. Misalnya, perhatikan garis tengah

marka jalan ukuran 20 cm. Penanda seperti itu akan

terlihat bahkan pada QuickBird resolusi 60 cm

gambar karena kontras tinggi dengan objek sekitarnya. Dampak kontras lokal dalam kasus tersebut

agregasi diilustrasikan pada Gambar. 5b: jika

kontras cukup rendah, resampling akan benar-benar

kurangi titik atau objek garis sehingga tidak bisa

dibedakan dari sekitarnya.

2.5. Resolusi kisi dan sampel titik

Dalam banyak proyek pemetaan, peta dibuat dari


sampel titik dikumpulkan di lapangan dan kemudian digunakan untuk membuat prediksi. Agar konsisten,
setiap

proyek pemetaan harus memiliki kira-kira satu

kepadatan sampel yang sama per area, juga disebut

kepadatan inspeksi. Jelasnya, semakin padat titik pengamatan, semakin besar skala pemetaannya.
SEBUAH

aturan kartografi, digunakan misalnya dalam pemetaan tanah,

adalah setidaknya harus ada satu (idealnya empat)

observasi per 1 cm2 peta (Avery, 1987,

Tabel 1). Prinsip ini dapat digunakan untuk memperkirakan

skala efektif dari kumpulan data yang terdiri dari sampel

poin saja. Misalnya, 10 observasi per km2

sesuai dengan skala sekitar 1:50 K. Sama

prinsip dapat juga diungkapkan secara matematis

dimana A adalah permukaan daerah penelitian dalam m2 dan N.

adalah jumlah observasi. Ingat

dari Persamaan. (1) bahwa nomor skala dapat digunakan

perkirakan resolusi grid. Jika kita mengambil bilangan perantara 2,5 pengamatan per cm2 dan
menggabungkannya dengan p ¼ 0: 5 mm pada peta aturan praktis, dengan sedikit pengurangan,
akhirnya kita mendapatkan rumus sederhana

Jadi, misalnya, jika kita menangani 100 sampel dan luas area adalah 10 km2, resolusi grid yang
disarankan adalah 25 m (lihat juga Gambar 2b), yang juga dapat dinyatakan sebagai 160 piksel per
sampel titik.

Resolusi kisi juga dapat dikaitkan dengan geometri

pola titik, yaitu jarak antara sampel

poin (Boots dan Getis, 1988). Mengikuti, lagi,

konsep frekuensi Nyquist (Shannon, 1949) the

resolusi jaringan harus paling banyak setengah dari rata-rata

jarak antara pasangan titik terdekat


dimana h ij adalah jarak rata-rata antara dua yang terdekat

pasangan titik juga disebut jarak terpendek rata-rata. Dalam

kasus sampel titik biasa, rumusnya menyederhanakan

untuk

atau 4 piksel per sampel titik. Perhatikan bahwa

perbedaan antara faktor-faktor dalam Persamaan. (10) dan

(12) cukup besar. Anda harus ingat itu

Persamaan. (12) hanya berlaku jika kita berurusan dengan

(secara spasial) sampel titik yang benar-benar biasa. Jika

sampel titik menunjukkan lebih acak atau berkelompok

distribusi poin, kita perlu sedikit

lebih ketat tentang resolusi grid. Jika kita

berurusan dengan sampel titik acak, lalu

jarak rata-rata antara pasangan titik terdekat adalah

kira-kira setengah jarak antara yang terdekat

pasangan titik dalam sampel titik biasa (Gbr. 6b). Ini karena random sampling memiliki probabilitas yang
sama

memproduksi benar-benar berkerumun dan sangat teratur

sampel (Gambar 6c). Lihat juga pelengkap

materi (http://hengl.pfos.hr/PIXEL/) untuk lebih lanjut

argumentasi. Faktor tersebut kemudian diubah menjadi

Kami bahkan bisa lebih ketat dan mencari kisi-kisi

resolusi di mana 495% pasangan titik terdekat melakukannya

tidak termasuk dalam piksel yang sama. Ini bisa dilakukan dengan menggunakan

beberapa algoritma analisis pola titik yang terkenal

seperti yang dijelaskan dalam Boots dan Getis (1988)


dan Rowlingson dan Diggle (1993). Pertama-tama kita perlu

dapatkan probabilitas untuk menemukan pasangan titik pertama

pada jarak yang berbeda dan untuk kumpulan data tertentu. Kita

kemudian dapat memilih jarak terkecil probabilitas 5%

(lihat Gambar 6c)

Selain itu, kami dapat memeriksa korelasi spasial

struktur kumpulan data titik dan gunakan ini

informasi untuk memilih resolusi grid. Di sini

Kuncinya adalah memperkirakan kisaran ketergantungan spasial.

Jelasnya, variabel yang secara spasial berkorelasi otomatis pada jarak yang lebih pendek akan
membutuhkan kisi yang lebih halus

resolusi dan sebaliknya. Pemilihan jarak grid

dapat dikaitkan dengan estimasi bin yang optimal

ukuran yang dapat memperkirakan kepadatan probabilitas

fungsi, digunakan misalnya dalam statistik untuk ditampilkan

histogram (Izenman, 1991). Ini memberi agak

rumus sederhana

Setelah kita menentukan range spasialnya

dependence (hR), kita perlu menghitung jumlahnya

pasangan titik (m) dalam rentang itu dan kemudian turunkan a

resolusi grid yang sesuai yang dapat digunakan untuk mewakili

struktur ketergantungan spasial.

Hal lain yang berguna untuk memperkirakan spasial

struktur ketergantungan adalah yang kita dapatkan perkiraannya

varian nugget, yaitu variasi yang terjadi

pada jarak nol. Ini adalah bagian dari variasi yang kami lakukan

biasanya ingin menghapus atau mengurangi, file


dapat dicapai dengan menggunakan misalnya block kriging

(Heuvelink dan Pebesma, 1999; Bishop et al., 2001).

Karena varian nugget mengacu pada skala mikro

variasi (pada kenyataannya, jarak yang sangat kecil), apa saja

ukuran blok dengan luas positif akan rata-rata keluar

variasi jarak pendek. Agar aman, kami bisa

menambah ukuran blok ðBÞ tergantung pada

jumlah variasi nugget. Blok yang memuaskan

ukuran dapat diperkirakan dengan membandingkan yang diturunkan

variasi estimasi dengan variasi asli dalam

data, yang disebut kesalahan estimasi ternormalisasi

dimana sE adalah kesalahan estimasi (presisi) dan sz adalah

variasi total dalam data spasial. Rasio ini

ekuivalen dengan koefisien determinasi berganda ÞR2Þ yang digunakan dalam analisis regresi untuk
menunjukkan caranya

banyak variasi telah dijelaskan oleh a

model. Jika sE% p40% ini berarti prediksi

model telah menjelaskan 85% atau lebih variasi

dalam data. Sebaliknya, saat sE% mendekati

100%, ini berarti model prediksi adalah

benar-benar lemah ðR2 '0Þ. Dalam prakteknya, kita bisa lari

prediksi block-kriging untuk berbagai ukuran blok

dan kemudian pilih ukuran blok yang file

kesalahan estimasi yang dinormalisasi cukup baik untuk

memetakan seluruh area (mis. sE% ¼ 40%). Demikian pula, tidak ada keuntungan dalam menggunakan
ukuran blok yang lebih besar jika ada

tidak ada variasi nugget atau jika sudah 95% variasi

dijelaskan oleh model prediksi ðsE% ¼ 23%;

R2 ¼ 0: 95Þ.
2.6. Resolusi kisi dan analisis medan

Masalah utama saat memilih resolusi grid

untuk analisis medan adalah bahwa mungkin ada yang signifikan

perbedaan antara elevasi permukaan pada a

grid yang lebih kasar versus topografi yang sebenarnya, artinya

bahwa beberapa puncak dan saluran mungkin menghilang dalam file

raster DEM. Secara umum, peningkatan detail di

DEM juga berarti medan yang lebih akurat

parameter. Peningkatan ini, bagaimanapun, tergantung pada

variabilitas umum lanskap. Misalnya, a

lanskap umumnya sederhana dan halus mungkin tidak

membutuhkan DEM resolusi yang baik. Terlebih lagi, jika file

resolusi jaringan terlalu halus mungkin memperkenalkan lokal

artefak atau memperlambat komputasi medan

parameter. Jelas, kita membutuhkan resolusi grid

yang secara optimal mencerminkan variabilitas ketinggian

permukaan dan mampu mewakili mayoritas

fitur geomorfik (Borkowski dan Meier, 1994;

Kienzle, 2004).

Resolusi grid yang sesuai dapat diturunkan untuk diberikan

ketinggian sampel (misalnya kontur) dan berdasarkan pada

kompleksitas medan (sampel). Bayangkan topografi satu dimensi dengan sejumlah infleksi

poin (Gbr. 7). Kami dapat menghubungkan kembali masalahnya

resolusi grid dengan Nyquist – Shannon

teorema sampling (Shannon, 1949; Tempfli, 1999).

Dalam contoh satu dimensi kami di atas, medan adalah

sinyal dan frekuensinya ditentukan oleh

kepadatan titik belok. Oleh karena itu, resolusi kisi harus setidaknya setengah dari jarak rata-rata
antara titik belok:

dengan l adalah panjang transek dan nðdzÞ adalah

jumlah titik belok yang diamati. Kita juga bisa

lebih ketat dan cari probabilitas 5%

jarak antara titik belok. Dalam

Contoh pada Gambar 7 ada 20 titik belok

dan jarak rata-rata antara keduanya adalah 0,8 m. Karenanya,

resolusi grid minimal 0,4 m direkomendasikan.

Distribusi jarak kumulatif antara

titik belok menunjukkan bahwa 5% ambang batas

jarak terkecil antara titik belok adalah

0,2 m. Oleh karena itu, resolusi grid minimal 0,4 m dan pada

paling direkomendasikan 0,2 m.

Dalam kasus 2D, resolusi grid yang sesuai bisa

diperkirakan dari total panjang kontur. Sini

kontur menyajikan perubahan yang dipetakan tetap

ketinggian. Kami sebenarnya tidak memiliki peta

titik belok, tetapi dapat memperkirakannya menggunakan

peta kontur. Resolusi grid yang cocok adalah

kemudian

dimana A adalah luas total wilayah studi dan P l adalah

total panjang kumulatif dari semua kontur digital.

Pendekatan yang lebih ketat adalah mengevaluasi kepadatan

garis kontur di suatu area dan mendapatkan 5%

probabilitas lebar terkecil dari kontur.

3. Studi kasus

3.1. Contoh 1: Penentuan posisi GPS


Dalam contoh ini, pertama-tama saya akan menunjukkan caranya

pilih resolusi grid berdasarkan evaluasi

metode penentuan posisi GPS. Dalam hal ini, 100

perbaikan posisi dicatat menggunakan single-fix

Metode penentuan posisi GPS (Arnaud dan Flori, 1998)

di titik kontrol dengan lokasi yang diketahui. Itu

fluktuasi pembacaan GPS dapat dilihat di

Gambar 8a. Kesalahannya berkisar antara 0,7 hingga 23,9 m,

kesalahan rata-rata adalah 8,5 m dengan distribusi standar

dari 5,2 m. Vektor kesalahan tampaknya mengikuti

distribusi log-normal (Gbr. 8b). Teoritis

distribusi log-normal memberikan probabilitas 95%

radius 19,1 m, sedangkan distribusi percobaan

menunjukkan nilai yang agak lebih tinggi (20,4). Persamaan. (6) memberi

kami resolusi jaringan yang cocok 34,4 m. Jika grid ini

resolusi dipilih, sebagian besar (95%) dari perbaikan GPS akan

termasuk dalam piksel yang tepat. Angka ini misalnya

sesuai dengan resolusi Landsat

perumpamaan. Metode pemosisian yang lebih akurat

akan diperlukan untuk menemukan titik dalam kisi yang lebih halus

resolusi. Misalnya, August et al. (1994)

menunjukkan bahwa menggunakan rata-rata beberapa GPS

perbaikan, radius 95% dari metode GPS standar bisa

dikurangi hingga 2,5 kali dengan rata-rata 300

ulangan. Jika kita ingin menggunakan posisi GPS

dengan resolusi grid sekitar 15 m, maka kami akan melakukannya

perlu menggunakan posisi GPS dengan rata-rata (5 menit

per poin). Akurasi posisi yang lebih tinggi (5-20 kali)

dapat dicapai dengan menggunakan koreksi diferensial,


yang dapat meningkatkan akurasi terbesar adalah 6,903 ha, ukuran poligon rata-rata

0,824 ha dengan standar deviasi 1,005 ha. Itu

poligon kemudian dipisahkan menjadi dua kelompok

sesuai dengan indeks kompleksitas bentuk. Di dalam

kasus hanya enam poligon diklasifikasikan untuk poligon sempit ðS43Þ. Untuk masing-masing ini, lebar
rata-rata

telah diperkirakan dengan melakukan pengukuran rutin

(10 per poligon). Histogram area yang kompak

poligon dan log-normal teoretis kumulatif

distribusinya dapat dilihat pada Gambar 9b.

Saya selanjutnya menurunkan kumulatif terbalik 5%

nilai distribusi dengan asumsi distribusi log-normal. Saya mendapat 0,046 ha, yang berarti bahwa piksel

ukurannya harus sekitar 20 m. Kisi terbaca yang paling kasar

resolusi untuk kumpulan data ini ðP ¼ 50% Þ akan menjadi

70 m ðA ¼ 0: 5 haÞ. Jika resolusi lebih kasar dari 70 m

digunakan untuk memantau pertanian di area ini, lalu masuk

lebih dari 50% area akan ada kurang dari

empat piksel per poligon. Perhatikan bahwa dalam kasus ini kami

tidak menggunakan ukuran poligon terkecil sebenarnya tetapi a

angka yang agak lebih tinggi (0,046 ha) karena

nilai terkecil (0,005 ha) tidak representatif.

Pemeriksaan lebih lanjut dari lebar menunjukkan bahwa

lebar rata-rata poligon sempit sekitar 16 m,

yang memberikan resolusi grid yang lebih ketat

sekitar 8 m. Namun poligonnya sempit

menempati hanya 0,9% persen dari total wilayah studi,

jadi kita tidak harus seketat itu. Akhirnya, saya akan melakukannya

merekomendasikan citra satelit dalam kisaran 10

hingga 70 m dapat digunakan untuk memantau pertanian di sini


area belajar.

3.3. Contoh 3: interpolasi data titik

Dalam contoh ini, saya akan menggunakan data titik Wesepe

sebelumnya digunakan dalam berbagai aplikasi pemetaan tanah (De Gruijter et al., 1997). Dataset terdiri

dari 552 pengamatan profil tempat berbagai tanah

variabel telah dijelaskan. Variabel target

adalah nilai keanggotaan untuk meningkatkan jenis tanah bumi

menganalisis struktur ketergantungan spasial. Nilai

berkisar dari 0 hingga 1, dengan rata-rata 0,232 dan a

deviasi standar 0,322. Ukuran total file

luasnya adalah 12: 1 km2, yang memberikan kepadatan sampling sebesar

sekitar 45 pengamatan per km2, yang sesuai

dengan skala 1:25 K, yaitu resolusi grid 12 m

(Persamaan (10)). Jika kita memeriksa penyebaran poin,

kita melihat bahwa jarak rata-rata antara yang terdekat

pasangan titik sekitar 120 m, yang cukup dekat

pengambilan sampel titik biasa (untuk kumpulan data ini—

148 m). Distribusi kumulatif menunjukkan bahwa

95% titik berada pada jarak 5 meter atau lebih.

Ini berarti resolusi grid yang terbaca adalah

antara 5 dan 150 m (Persamaan (12)).

Pemasangan variogram secara otomatis menggunakan global

Model selanjutnya memberikan parameter nugget ðC0Þ dari

0,042, ambang ðC0 þ C1Þ 0,097 dan kisaran

parameter ðRÞ sebesar 175,2 m, yang berarti bahwa

variabel dikorelasikan hingga jarak sekitar

525 m ðhRÞ. Ada 11.807 pasangan poin di dalamnya

jangkauan, yang akhirnya berarti lag / grid yang optimal


ukurannya akan menjadi sekitar 23 m. Analisis pola

Kumpulan data titik selanjutnya menunjukkan bahwa ada yang jelas

keteraturan dalam geometri titik: sebagian besar

jarak dikelompokkan pada 180 m. Peta interpolasi akhir dalam resolusi 10 m dapat dilihat di

Gambar 10d. Jika kita menerapkan block-kriging, nugget

variasi, yang tampaknya signifikan dalam kasus ini

ðC0 ¼ 0: 042Þ, akan dihilangkan dan modelnya

akan menjelaskan 71% variasi pada ukuran dukungan

sebesar 10 m dan 78% pada ukuran penyangga 60 m. Catatan

bahwa meskipun semakin meningkatkan ukuran blok

akan menghasilkan normalisasi yang lebih baik

kesalahan estimasi, di sisi lain, kami akan melakukannya

kehilangan tingkat detail yang tidak perlu dengan meningkatkan

ukuran balok diatas 120 m karena lebih dari 50%

pasangan poin akan berada dalam blok yang sama. Juga

perhatikan bahwa kepadatan pengambilan sampel ini sesuai dengan

skala 1:25 K, yang berarti ukuran penyangga

tidak boleh melebihi 25 m (Gbr. 11).

3.4. Contoh 4: data kontur untuk pemodelan medan

Dalam studi kasus ini, saya akan mendemonstrasikan bagaimana sebuah grid

resolusi dapat dipilih dari peta kontur,

yaitu kumpulan data yang terdiri dari garis-garis yang didigitalisasi dari a

topo-peta. Area studi dijelaskan secara rinci di

Hengl dkk. (2004). Garis kontur diekstraksi dari peta topo 1:50 K (Gbr. 12a), dengan

interval kontur 10 m dan tambahan 5 m

kontur di area dengan relief rendah. Luas totalnya adalah

13:69 km2 dan ketinggian berkisar dari 80 hingga 240 m.

Ada total 127,6 km garis kontur

Berarti jarak rata-rata antara file


konturnya 107 m. Resolusi grid seharusnya

setidaknya 53,5 m untuk menampilkan sebagian besar peta

perubahan lega. Saya kemudian menurunkan jarak dari

peta kontur menggunakan grid 5 m dan ditampilkan

histogram jarak (Gbr. 12b) untuk diturunkan

jarak probabilitas 5%. Benar-benar terpendek

jarak antar kontur adalah 7 m, dan 5%

jarak probabilitas adalah 12,0 m. Akhirnya saya bisa

menyimpulkan bahwa resolusi terbaca untuk data ini

set berada dalam kisaran 12,0–53,5 m. Resolusi yang lebih baik

dari 12 m tidak diperlukan untuk kompleksitas yang diberikan

medan.

Perhatikan bahwa pemilihan yang paling cocok

Resolusi grid berdasarkan peta kontur adalah skala

tergantung. Untuk garis kontur digitalisasi dari

1: 5 K peta topo (Gbr. 12c), jarak rata-rata

antara garis adalah 26,6 m dan probabilitas 5%

jarak 1,6 m. Artinya, pada skala 1: 5 K, maka

resolusi yang direkomendasikan adalah antara 1.6 dan

13,3 m.

4. Diskusi dan kesimpulan

Ada tiga konsep penting yang dibawa

dalam tulisan ini yang perlu lebih ditekankan.

Pertama, prinsip dari statistik umum dan

teori informasi, seperti frekuensi Nyquist

konsep dari pemrosesan sinyal dan persamaan ke

memperkirakan fungsi kepadatan probabilitas, bisa

terkait erat dengan pemilihan resolusi grid.

Kedua, ada tiga resolusi grid standar


yang dapat diturunkan untuk setiap data masukan:

Resolusi kisi terbaca paling kasar — ini adalah yang terbesar

resolusi yang harus kita gunakan diberikan secara spesifik

skala, akurasi posisi, ukuran objek atau / dan

kompleksitas medan. Menggunakan resolusi paling kasar

dari resolusi terbaca paling kasar berarti kita

tidak menghargai skala pekerjaan, akurasi posisi, kepadatan inspeksi, ukuran

objek yang sedang dipetakan atau kompleksitas

medan.

Resolusi kisi terbaca terbaik — ini yang terkecil

resolusi grid yang mewakili paling banyak (95%)

objek spasial atau topografi. Ini yang terbaik

resolusi bermakna yang sesuai dengan

konsep akurasi lokasi maksimum.

Resolusi lebih baik daripada resolusi terbaca terbaik

mungkin hanya membuang-buang memori.

Resolusi kisi yang disarankan — ini adalah resolusi yang mengorbankan, biasanya ditetapkan sebagai
perantara

nomor antara resolusi paling kasar dan terbaik.

Ketiga, pilihan resolusi grid perlu dilakukan

dianggap dalam kaitannya dengan sejumlah yang melekat

properti dari kumpulan data atau area studi. Parameter dan persamaan ringkasan untuk mendapatkan
yang paling kasar

dan resolusi grid terbaik yang dibahas dalam makalah ini

diberikan pada Tabel 1. Rumus ini sekarang bisa

terintegrasi dalam paket GIS untuk membantu surveyor yang tidak berpengalaman mendapatkan peta
grid tanpa melakukan

pemrosesan awal data yang ekstensif. Kalkulator sederhana

dapat ditemukan melalui situs web yang tercantum di awal

kertas.
Dari semua pendekatan statistik yang dibahas sampai

menentukan ukuran piksel optimal yang sebenarnya, dua tampaknya

menjadi yang paling menjanjikan. Yang pertama adalah memilih ukuran piksel

yang menghasilkan sifat prediksi terbaik. Sebagai contoh,

jika kita ingin menggunakan parameter medan untuk memprediksi tanah

properti di seluruh area studi, kami dapat menguji medan

parameter yang diturunkan pada berbagai resolusi dan kemudian

pilih salah satu yang menawarkan korelasi tertinggi

koefisien dengan variabel target (Florinsky dan

Kuryakova, 2000). Masalah dari pendekatan ini adalah bahwa pengujian semua dapat memakan waktu
cukup lama

kombinasi yang mungkin dari resolusi grid yang berbeda.

Selain itu, daya prediksi versus grid

grafik resolusi mungkin memberikan sekumpulan puncak yang berbeda

untuk variabel target yang berbeda, jadi kami tidak bisa

pilih satu resolusi kisi 'optimal'. Akhirnya, ini

resolusi grid kemudian hanya berlaku untuk wilayah studi ini

dan dampaknya mungkin berbeda di luar area.

Pendekatan analitik kedua untuk memilih file

resolusi adalah untuk mendapatkan konten informasi untuk

nilai ukuran blok yang berbeda dan kemudian pilih satu

yang menawarkan jumlah informasi terkaya per

unit area (Bishop et al., 2001). Dalam hal ini, hanya a

kombinasi tunggal dari model prediksi dan

ukuran blok harus menghasilkan informasi tertinggi

kandungan. Prinsip seperti itu masih perlu disempurnakan dan

diuji dalam berbagai studi kasus untuk melihat apakah mereka benar-benar memimpin

ke resolusi grid yang optimal dengan konten informasi maksimum untuk tingkat detail tertentu.

Pemilihan ukuran piksel yang tepat akan tetap menjadi


masalah yang terkait dengan jenis aplikasi dan proyek

tujuan. Selain itu, resolusi grid standar

(20–200 m dalam banyak kasus) tempat kami bekerja

hari ini, akan segera bergeser ke arah yang lebih halus dan lebih halus, yang

berarti kita perlu mempertimbangkan resolusi jaringan dalam

konteks waktu juga. Tidak ada ukuran piksel ideal yang mutlak,

itu untuk meyakinkan. Setidaknya seseorang harus mencoba menghindar

menggunakan resolusi yang tidak sesuai dengan

properti inheren dari set data masukan.