Deskripsi
Kelas ini merupakan lanjutan dari GEE Dasar, dimana kita akan belajar lebih jauh terkait analisis data spasial, klasifikasi citra satelit, dan perhitungan luasan dengan GEE. Kelas ini dibagi menjadi 2 bagian, meliputi:
Part 1: Pelatihan GEE Intermediate Part 1 ini dirancang untuk memperdalam pemahaman peserta mengenai analisis data spasial menggunakan Google Earth Engine (GEE). Modul ini terdiri dari lima bagian utama yang mencakup pembuatan Time-Series Chart, pengenalan machine learning, implementasi unsupervised learning menggunakan K-means clustering, sampling data untuk supervised learning, dan accuracy assessments.
📚 Materi Pelatihan:
Peserta akan belajar bagaimana membuat grafik time-series berbasis data MODIS untuk mengidentifikasi perubahan vegetasi melalui NDVI dan EVI. Selain itu, peserta juga akan dikenalkan dengan konsep machine learning, baik supervised maupun unsupervised, serta implementasinya di GEE. Peserta akan melakukan clustering data menggunakan K-means untuk mengidentifikasi pola dalam data spasial, mengambil data sample untuk supervised learning, serta mengukur akurasi hasil klasifikasi menggunakan matriks confusion.
Modul ini disertai dengan kode GEE yang lengkap dan mudah dipahami, serta panduan langkah demi langkah untuk setiap bagian materi.
Part 2: Pelatihan GEE Intermediate Part 2 dirancang untuk mengembangkan keterampilan analisis spasial menggunakan Google Earth Engine (GEE) dengan fokus pada optimisasi klasifikasi citra satelit dan perhitungan luasan. Peserta akan dipandu untuk melakukan klasifikasi supervised learning menggunakan Random Forest, meningkatkan hasil klasifikasi melalui penambahan spektral indeks, serta menghitung luasan area berdasarkan hasil klasifikasi. Selain itu, peserta juga akan belajar melakukan regresi linear sederhana untuk mengidentifikasi hubungan antar variabel citra satelit.
📚 Materi Pelatihan
- Supervised Learning Classification: Implementasi Random Forest pada citra Sentinel-2 untuk klasifikasi penutup lahan (water, vegetation, built-up, bare land)
- Optimisasi Klasifikasi: Penambahan spektral indeks NDVI, NDBI, dan MNDWI untuk meningkatkan akurasi klasifikasi.
- Perhitungan Luasan: Menghitung luasan kelas penutup lahan berdasarkan hasil klasifikasi.
- Export Hasil Klasifikasi: Mempersiapkan dan mengekspor hasil klasifikasi ke Google Drive.
- Bonus: Linear Fit Regression - Analisis hubungan NDVI dari Landsat-8 dengan Tree Cover Percentage MODIS.
✅ Output Pelatihan:
- Peta hasil klasifikasi menggunakan Random Forest.
- Peta hasil klasifikasi dengan spektral indeks tambahan.
- Laporan hasil perhitungan luasan untuk setiap kelas penutup lahan.
- Hasil regresi linear antara NDVI dan Tree Cover Percentage.
- File hasil klasifikasi dan perhitungan luasan yang diekspor ke Google Drive.
🎯 Target Peserta:
- Praktisi GIS dan Remote Sensing yang ingin memperdalam analisis klasifikasi citra satelit.
- Akademisi dan mahasiswa yang ingin mengembangkan penelitian berbasis analisis spasial.
- Pengguna GEE yang telah memahami dasar-dasar pengolahan data satelit.