BAB 3: Membaca Irama Alam: Musim, Tren, dan Anomali

#Studi kasus: "Mana yang memang begitu, mana yang berubah?"

Kepala Seksi menunjuk grafik sawah di Beta yang naik turun. "Ini rusak?" Anda menggeleng. Sawah memang naik turun: tanam, tumbuh, panen. Sebaliknya, hutan seharusnya hampir datar. Bila hutan ikut naik turun, itu patut dicurigai. Untuk membedakan "irama biasa" dari "perubahan sungguhan", Anda perlu mengenal irama tiap tutupan lahan.

#Konsep: irama dalam tiga kalimat

Tiap tutupan lahan punya sidik jari musiman, seperti detak jantung orang berbeda-beda: hutan berdetak tenang, sawah berdetak cepat dan tinggi. Tren adalah arah umum jangka panjang, naik atau turun, setelah irama musiman diabaikan. Anomali adalah selisih pada satu tanggal dari kondisi "biasanya", dan itulah tanda awal bahwa sesuatu tidak beres.

Istilah baru bab ini:

• Fenologi: pola musiman kehidupan tumbuhan (tumbuh, puncak, layu).
• Amplitudo: selisih nilai tertinggi dan terendah dalam deret.
• Tren: kemiringan garis lurus terhadap waktu.
• Anomali: selisih nilai satu tanggal dari nilai "biasa" piksel itu.
• Metrik deret waktu: angka ringkas dari satu deret (rata-rata, amplitudo, tren, dan sebagainya).

#Peringatan tentang "biasa"

Data latihan hanya dua tahun. Untuk menyebut sesuatu "biasa", pemantauan sungguhan memerlukan banyak tahun, agar variasi antar-tahun (misalnya tahun kering) ikut terhitung. Di bab ini, "biasa" didefinisikan sederhana: rata-rata piksel itu sendiri sepanjang deret. Cukup untuk belajar, belum cukup untuk laporan resmi.

#Bagian A: QGIS

#Bagian A: Menghitung metrik deret waktu di QGIS

A.1 Metrik dengan alat bawaan

Alat Cell statistics bisa menghitung dari banyak layer: rata-rata, minimum, maksimum, simpangan baku, dan rentang (range). Ini cukup untuk amplitudo (statistik Range) dan ketidakstabilan (Standard deviation). Pada tumpukan satu berkas, pisahkan band ke layer terpisah lebih dulu, atau pakai berkas per tanggal dari Bab 2.

A.2 Tren dengan GRASS r.series

Untuk tren, alat r.series (Processing Toolbox ► GRASS ► Raster) punya metode slope: kemiringan garis lurus per piksel.

PYTHONSalin

# Tren per piksel dengan GRASS (perlu penyedia GRASS aktif di QGIS)
processing.run("grass:r.series", {"input": berkas_ndvi_bersih, "-n": False, "method": 13, "output": out})

method 13 adalah slope. Lampirkan semua berkas NDVI menurut urutan tanggal. Hasil uji (lewat qgis_process di QGIS 4.0.2): cocok dengan hitungan NumPy pada pengamatan bersih, selisih terbesar sekitar 5 kali sepuluh pangkat minus sembilan. [terbukti]

A.3 Seluruh metrik sekaligus (Skrip 3.1)

PYTHONSalin

# SKRIP 3.1 (cuplikan; berkas lengkap: skrip/3_1_metrik_deret.py)
x, gt, prj = U.baca_tif(os.path.join(U.HASIL, "NDVI_isi.tif"))   # 24 band tanpa lubang
rata, mini, maks = x.mean(0), x.min(0), x.max(0)
amplitudo = maks - mini
hc = hari - hari.mean()                                           # waktu dalam hari
kemiringan = (hc[:, None, None] * (x - rata)).sum(0) / (hc ** 2).sum()
tren_tahun = kemiringan * 365.0                                   # perubahan NDVI per tahun
puncak = hari[x.argmax(0)]                                        # hari saat NDVI tertinggi
anomali = x - rata[None]                                          # tiap tanggal dikurangi rata-rata piksel

Skrip ini menghasilkan metrik_ndvi.tif (7 band) dan anomali_ndvi.tif (24 band). Rata-rata per kelas acuan:

Kelas	NDVI rata-rata	Amplitudo	Tren per tahun
Hutan alam	0,86	0,10	-0,004
Hutan tanaman	0,77	0,10	-0,006
Pertanian	0,50	0,46	-0,027
Terbuka	0,11	0,06	-0,001
Deforestasi	0,64	0,59	-0,281
Terbakar	0,82	0,23	-0,022
Panen hutan tanaman	0,61	0,51	-0,200

[terbukti: dihitung dari data sintetis]

Cara membacanya: hutan alam dan hutan tanaman punya amplitudo kecil dan tren nyaris nol, itulah "tenang". Pertanian beramplitudo besar tetapi trennya kecil: bergelombang, namun tidak ke mana-mana. Deforestasi dan panen hutan tanaman menonjol dengan tren sangat negatif.

Perhatikan sisi lain: deforestasi dan panen hutan tanaman sama-sama bertren negatif besar. Metrik tren saja tidak bisa membedakan keduanya. Pembeda itu datang dari peta kawasan hutan tanaman (Bab 4).

A.4 Anomali sebagai alarm dini

Pada 16 September 2024, rata-rata anomali NDVI di bekas terbakar adalah -0,115, sedangkan di hutan stabil hanya -0,015. Anomali tanggal itu sudah menunjukkan petak mana yang aneh, bahkan sebelum Anda tahu penyebabnya. [terbukti: dihitung dari data sintetis]

Hasilnya: Anda punya sidik jari tiap piksel dan alarm anomali.

#Cek paham

1. Mengapa pertanian beramplitudo besar bukan tanda masalah?
2. Mengapa tren saja tidak cukup untuk menyimpulkan deforestasi?
3. Apa kelemahan "biasa" yang dihitung dari dua tahun data?

Jawaban:

1. Amplitudo besar adalah sidik jari musiman sawah (tanam sampai panen). Masalah baru muncul bila iramanya menyimpang dari yang biasa.
2. Panen hutan tanaman yang terencana juga bertren sangat negatif. Perlu data pendukung seperti peta kawasan hutan tanaman.
3. Variasi antar-tahun belum terwakili. Tahun yang kebetulan kering bisa terbaca sebagai anomali padahal normal.

#Kesalahan umum

• Menghitung tren memakai nomor urut, bukan hari. Kemiringannya menjadi miring sendiri bila selang tanggal tidak sama.
• Menghitung tren pada deret mentah berawan. Awan menjatuhkan nilai dan merusak kemiringan. Bersihkan atau tambal dulu.
• Menafsirkan anomali sebagai bukti. Anomali hanya alarm. Penyebabnya harus ditelusuri.
• Mencampur kelas bertren berbeda dalam satu rata-rata. Hitung per kelas.

#Ringkasan dan latihan

Ringkasan: hutan tenang, sawah bergelombang, dan lahan yang berubah bertren tajam. Metrik ringkas (rata-rata, amplitudo, tren) dan anomali mengubah deret panjang menjadi angka yang mudah dibandingkan.

Latihan:

1. Jalankan Skrip 3.1. Buka metrik_ndvi.tif dan beri simbologi band 4 (amplitudo). Petak mana yang paling berirama?
2. Ubah Skrip 3.1 agar menghitung tren pada deret mentah tanpa tambalan. Bandingkan hasilnya.
3. Hitung band hari_puncak untuk sawah di Alpha dan di Beta. Apakah puncaknya bersamaan?

#Tabel perbandingan: pola musim dan tren