BAB 6: Mesin yang Belajar: Hutan Acak pada Deret Waktu

#Bagian A: QGIS

#Bagian A: Hutan acak di QGIS

QGIS tidak memiliki alat Random Forest bawaan di Processing Toolbox. Ada tiga jalan.

• OTB (Orfeo Toolbox): seperti di M1 Bab 5. Dipasang terpisah.
• scikit-learn di Python QGIS: perlu dipasang ke Python QGIS. Di data latihan, skrip memakainya bila ada. [CEK: tidak terpasang di lingkungan uji]
• hutan_mini.py: hutan acak ringkas buatan penulis dengan NumPy saja. Tujuannya belajar dan menjalankan buku ini tanpa pemasangan tambahan. Ia meniru antarmuka scikit-learn: fit, predict, dan feature_importances_.

A.1 Membangun tumpukan fitur (Skrip 6.1)

# SKRIP 6.1 (cuplikan; berkas lengkap: skrip/6_1_fitur_deret.py)
ndvi = U.isi_waktu(U.nilai_ndvi(refl), baik, hari)      # NDVI tanpa lubang
fitur = {"ndvi_rata": ndvi.mean(0), "ndvi_min": ndvi.min(0), "ndvi_maks": ndvi.max(0),
         "ndvi_tren": tren_tahun(ndvi), "ndvi_turun_maks": np.diff(ndvi, axis=0).min(0),
         "nbr_rata": nbr.mean(0), "nbr_min": nbr.min(0), "swir1_rata": b11.mean(0)}   # dan seterusnya

Hasil: fitur_deret.tif dengan 12 band. Nama fitur disimpan sebagai nama band.

A.2 Mengambil nilai fitur pada titik latih

Buka Titik_Latih.gpkg: 200 titik, 25 per kelas, dengan field KELAS (1 sampai 8). Jalankan Sample raster values (Processing Toolbox ► Raster analysis) dengan fitur_deret.tif. Hasilnya field baru berisi nilai tiap fitur pada tiap titik.

A.3 Melatih dan menguji dulu (Skrip 6.2)

# SKRIP 6.2 (cuplikan; berkas lengkap: skrip/6_2_latih_klasifikasi.py)
try:
    from sklearn.ensemble import RandomForestClassifier
except ImportError:
    from hutan_mini import RandomForestClassifier
s = processing.run("native:rastersampling", {"INPUT": titik, "RASTERCOPY": fitur_tif, "COLUMN_PREFIX": "f",
                                             "OUTPUT": "TEMPORARY_OUTPUT"})["OUTPUT"]
model = RandomForestClassifier(n_estimators=200, random_state=1).fit(X, y)
peta = model.predict(st.reshape(nb, -1).T).reshape(H, W)

Antarmuka sama persis, sehingga baris import memilih alat yang tersedia.

Dua cara menguji, dua hasil sangat berbeda. Skrip 6.2 membagi titik latih menjadi empat lipatan, lalu melatih pada tiga lipatan dan menguji pada satu (uji silang). Ada dua cara membagi:

[terbukti: dihitung dari data sintetis; hutan_mini.py]

Mengapa bedanya begitu besar? Pada pembagian acak, tetangga yang mirip ikut ke kubu latih dan kubu uji, sehingga mesin tinggal "menyontek" tetangganya. Pada pembagian blok, uji dilakukan di tempat yang tidak pernah dilihat. Di area kecil ini, beberapa kelas hanya ada di satu kuadran, misalnya bekas bakar utama di Beta dan panen di Alpha, jadi saat satu kuadran disisihkan, mesin tidak pernah melihat kelas itu. Nilai 0,617 ini keras dan sebagian karena ukuran area. Intinya: uji acak cenderung terlalu optimis. Di pekerjaan nyata, wilayahnya luas dan tiap kelas tersebar di banyak tempat, sehingga uji blok memberi gambaran lebih jujur. Bab 7 memperdalam ini.

A.4 Peta hasil dan fitur terpenting

Model akhir dilatih pada seluruh 200 titik dan dipakai pada seluruh 1.600 piksel. Lima fitur terpenting: nbr_rata (0,13), ndvi_rata (0,12), ndvi_maks (0,12), swir1_rata (0,12), dan nbr_min (0,11). Nilainya hampir sama karena banyak fitur saling menggantikan.

Luas hasil peta lawan luas acuan:

A.5 Fitur apa yang diperlukan? Percobaan sederhana

Fitur menentukan hasil lebih daripada algoritmanya. Skrip 7.1 (Bab 7) melatih ulang hutan acak hanya dengan tujuh fitur NDVI, tanpa SWIR. Hasilnya: bekas bakar tercampur dengan hutan. Pelajaran: berikan mesin informasi yang memang membedakan kelas.

#Bagian B: ArcGIS Pro

#Bagian B: ArcGIS Pro

1. Fitur: bangun raster multiband dari fitur (seperti 6.1) atau pakai raster multidimensi.
2. Latih: Train Random Trees Classifier (Image Analyst Tools, perlu ekstensi Image Analyst atau Spatial Analyst). Masukan: raster dan training feature class dengan field classname dan classvalue. Parameter penting: Max Number of Trees, Max Tree Depth, dan Max Number of Samples Per Class (bawaan 1000). Hasilnya berkas .ecd, definisi classifier berformat JSON.
3. Terapkan: Classify Raster dengan berkas .ecd.
4. Dokumentasi Esri menyatakan semua yang di atas. Cocokkan dengan versi Anda. [CEK]

#Bagian C: ArcMap 10.8

#Bagian C: ArcMap 10.8

ArcMap tidak punya padanan untuk Random Trees yang saya temukan di dokumentasi. [CEK: periksa instalasi Anda]

1. Alternatif klasik: Create Signatures dari sampel latih, lalu Maximum Likelihood Classification. Dokumentasi ArcMap menyebut berkas signature berekstensi .gsg, dibuat dari Create Signature, Edit Signature, atau Iso Cluster, dan alat ini memerlukan lisensi Spatial Analyst.
2. Hutan acak dalam Python: lewat skrip di luar ArcMap, memakai Python 3 dan scikit-learn. [CEK]