Judul : Erosion Prediction Model using Fractional Vegetation Cover

Nama Penulis : Nursida Arif, Projo Danoedoro, Hartono, Andrew Mulabbi

Tujuan : Paper tersebut meneliti sebuah permodelan untuk membuat model prediksi
erosi di DAS Serang, yang terletak di Kulon Progo, Daerah Istimewa Yogyakarta, Indonesia
dengan memanfaatkan data penginderaan jauh dan sistem informasi geografis

Model Data Yang Digunakan

Model data yang digunakan dalam paper berjudul Erosion Prediction Model using
Fractional Vegetation Coveradalah adalah tipe data raster. Data raster adalah data yang
menampilkan sisi ruang bumi dalam bentuk pixel (picture element) yang membentuk
grid/petak dan dihasilkan dari penginderaan jauh. Jenis data raster yang digunakan adalah
lereng diambil dari data Digital Elevation Model (DEM), dan Fractional Vegetation Cover
(FVC) dari citra SPOT 5. Digital elevation model (DEM) adalah susunan nilai elevasi dengan
jarak teratur yang direferensikan secara horizontal baik ke proyeksi Universal Transverse
Mercator (UTM) atau ke sistem koordinat geografis. DEM sering digunakan untuk merujuk
pada representasi digital dari permukaan topografi. Fractional Vegetation Cover (FVC)
didefinisikan sebagai persentase proyeksi dari total area studi yang bervegetasi (akar, batang
dan daun). FVC tidak hanya mencerminkan ukuran area fotosintesis tanaman dan kepadatan
pertumbuhan vegetasi tetapi juga mewakili tren pertumbuhan vegetasi sampai batas tertentu.
Metode penelitian pemodelan erosi menggunakan dua masukan model yaitu DEM dan
FVC dapat menjadi model alternatif dalam prediksi erosi. Data yang digunakan dalam
penelitian adalah SPOT 5 (Satelit Pour l’Observation de la Terre). Citra SPOT 5 memiliki
resolusi spasial 10 m mode multispektral. Elevasi digital model (DEM) diperoleh dari peta
topografi Indoensia skala 1: 25.000). Citra SPOT 5 merupakan contoh unsur spasial raster
karena foto digital seperti areal fotografi atau foto satelit merupakan bagian dari data
raster pada peta. Pemrosesan data dalam paper menggunakan metode koreksi radiometrik
dilakukan hingga tahap koreksi Top of Atmosphere (ToA) dan transformasi NDVI.
1. Kelemahan model data raster
a. Ukuran sel menentukan resolusi di mana data direpresentasikan .
b. Sangat sulit untuk merepresentasikan fitur linier secara memadai tergantung pada
resolusi sel. Karenanya, keterkaitan jaringan sulit untuk dibangun.
 c. Pemrosesan data atribut terkait mungkin merepotkan jika ada sejumlah besar data. Peta
raster secara inheren hanya mencerminkan satu atribut atau karakteristik untuk suatu
area.
d. Karena sebagian besar data masukan berbentuk vektor, data harus mengalami konversi
vektor ke raster. Selain persyaratan pemrosesan yang meningkat, hal ini dapat
menyebabkan masalah integritas data karena generalisasi dan pilihan ukuran sel yang
tidak sesuai.
e. Kebanyakan peta keluaran dari sistem sel grid tidak sesuai dengan kebutuhan kartografi
berkualitas tinggi.
f. Salah satu kelemahannya adalah terdapat trade-off antara ukuran kumpulan data raster
yang dihasilkan dan ketepatan fitur spasial yang dapat direpresentasikan.

2. Keuntungan model data raster

a. Struktur berbasis sel yang sama digunakan untuk mewakili semua tipe fitur, oleh
karena itu, semua jenis fitur dapat diperlakukan sama. Struktur seragam ini
memungkinkan Anda menggabungkan berbagai fitur geografis dalam satu operasi
pemrosesan geografis.
b. Lokasi geografis setiap sel diisyaratkan oleh posisinya dalam matriks sel. Dengan
demikian selain titik asal misalnya pojok kiri bawah tidak ada koordinat geografis
yang disimpan.
c. Karena sifat dari teknik penyimpanan data, analisis data biasanya mudah diprogram
dan cepat dilakukan. Data raster dapat diproses dengan sangat cepat untuk menjawab
pertanyaan yang melibatkan overlay, proximity, dan query boolean. Tidak diperlukan
kalkulasi untuk menentukan posisi relatif antar lapisan.
d. Sifat inheren peta raster, sangat cocok untuk pemodelan matematika dan analisis
kuantitatif.
e. Kompatibel dengan gambar penginderaan jauh dan semua gambar hasil pemindaian
data spasial.