Markov-chain -- ABM

[dudung]

[10:44, 4/29/2022] SK21 Winda Wijayasari: Untuk topik saya secara umum mengenai Land use/ land cover change.

[10:46, 4/29/2022] SK21 Winda Wijayasari Inginnya pakai ABM, tetapi saya sedang nyari bahasannya bagaimana agar ini tidak terlihat mirip dengan LULC menggunakan markov chain, karena dari terakhir mengerjakan baru jadi matriks dan setelah baca malah terlihat seperti markov chain.

[10:55, 4/29/2022] Sparisoma Viridi: Tidak apa. Kerjakan dulu saja itu. Saya kemarin ada FGD dan hasil dari Markov chain, matriks probabilitas suatu titik (pixel) berubah modenya (hutan --> sawah) digunakan untuk ABM.

[10:55, 4/29/2022] Sparisoma Viridi: Jadi Markov chain akan digunakan untuk mendapatkan probabilitas berubahnya peruntukan suatu lahan. Lalu CA digunakan untuk membuat simulasinya.

[11:05, 4/29/2022] +62 811-2182-425: Jadi gapapa ya? Saya tadinya berpikir kalau markov chain kesebut saja, maka ABM nya bakal tertutup.

[11:05, 4/29/2022] +62 811-2182-425: Kalau bgitu nanti saya tulis saja dlu [11:07, 4/29/2022] Sparisoma Viridi: Tidak apa-apa. Jadi kita melihat MC --> ABM

Di bawah ini matriks probabiliti digunakan untuk bergerak url https://doi.org/10.1088/1757-899X/599/1/012008

Sekarang mirip, tetapi digunakan untuk berubah fasa, yang memang Markov chain (MC), akan tetapi digunakan pendekatan ABM (Agent-Based Model), bukan CA (Cellular Automata) di mana rumusan MCnya tidak eksplisit dalam ABM.

[windawijayasari]

Bimbingan tanggal 13 Juni 2022

bimbingan 12062022.pptx

Yang dilaporkan: Riset mengenai LULC menurut Peter H Verburg dalam "Beyond land cover change: towards a new generation of land use models" sudah saturated dalam artian telah bayak dimuat dan dilakukan oleh banyak orang. Publikasi mengenai LULC banyak dibahas dalam 1 decade terakhir. Dimana publikasinya dibagi dalam 3 tren:

1. Simple spatial model yang menggabungkan markov chain dan cellular automata
2. Improvisasi model dengan menambahkan konsep model lain atau mengubah eksisting modelnya.
3. Periode agent based model hingga muncul YAWN syndrom ("Yet another agent based model.. Whatever... Nevermind...)

Sehingga model LULC yang dibangun pada masa kini sebaiknya adalah model hybrid yang melakukan kolaborasi dengan metode lain. Hal yang terpikir bagaimana bila menambahkan populasi pada pembuatan model. Lalu pada ujungnya mungkin tidak berangkat ke ABM tetapi jadi ke machine learning.

Untuk pemodelan yang sudah dikerjakan: Yang sudah saya kerjakaan hingga saat ini adalah.

1. Mengklasifikasi daerah Citarik. Data yang dimiliki adalah data tahun 2001-2020.

2. Setelah itu, dihitung matriks peluang transisi dengan markov chain pada tahun 2001 dan 2020

   Developed Agriculture Forest Developed 1.000000000 0.0000000 0.0000000 Agriculture 0.032188841 0.8283262 0.1394850 Forest 0.008547009 0.1760684 0.8153846

3. Sebagai contoh, ini adalah raster 1, atau data tahun 2001

lalu dari gambar tersebut dapat digambarkan 1 809750_9235250 Forest
2 810250_9235250 Agriculture 3 810750_9235250 Agriculture 4 811250_9235250 Agriculture 5 809750_9234750 Agriculture 6 810250_9234750 Forest
7 810750_9234750 Agriculture 8 811250_9234750 Agriculture 9 811750_9234750 Forest
10 812250_9234750 Forest

… with 1,158 more rows

lalu dispread cell Forest Agriculture Developed

1 798750_9226750 Forest NA NA 2 798750_9227250 NA Agriculture NA 3 799250_9226250 NA Agriculture NA 4 799250_9226750 Forest NA NA 5 799250_9227250 NA Agriculture NA 6 799750_9226250 NA Agriculture NA 7 799750_9226750 NA Agriculture NA 8 799750_9227250 NA Agriculture NA 9 800250_9225750 NA Agriculture NA 10 800250_9226250 NA Agriculture NA # … with 1,158 more rows Dari matrix dapat kita peroleh summary summary(only_vals) Developed Agriculture Forest Min. :0.0000 Min. :0.000 Min. :0.0000 1st Qu.:0.0000 1st Qu.:0.000 1st Qu.:0.0000 Median :0.0000 Median :0.000 Median :1.0000 Mean :0.1002 Mean :0.399 Mean :0.5009 3rd Qu.:0.0000 3rd Qu.:1.000 3rd Qu.:1.0000 Max. :1.0000 Max. :1.000 Max. :1.0000 Selanjutnya menghitung matrix Th 2001 dikali matriks perluang transisi: asmat_t = as.matrix(only_vals) > > asmat_tplus1 = asmat_t %*% matrix_2001_2020 > > reclass_table_tplus1 = asmat_tplus1 %>% + as_tibble() %>% + print() # A tibble: 1,168 × 3 Developed Agriculture Forest 1 0.00855 0.176 0.815 2 0.0322 0.828 0.139 3 0.0322 0.828 0.139 4 0.00855 0.176 0.815 5 0.0322 0.828 0.139 6 0.0322 0.828 0.139 7 0.0322 0.828 0.139 8 0.0322 0.828 0.139 9 0.0322 0.828 0.139 10 0.0322 0.828 0.139 # … with 1,158 more rows Lalu selanjutnya lanjutkan reclassification reclass_table_tplus1$cell = reclass_table$cell > reclass_table_tplus1 %>%print() # A tibble: 1,168 × 4 Developed Agriculture Forest cell 1 0.00855 0.176 0.815 809750_9235250 2 0.0322 0.828 0.139 810250_9235250 3 0.0322 0.828 0.139 810750_9235250 4 0.00855 0.176 0.815 811250_9235250 5 0.0322 0.828 0.139 809750_9234750 6 0.0322 0.828 0.139 810250_9234750 7 0.0322 0.828 0.139 810750_9234750 8 0.0322 0.828 0.139 811250_9234750 9 0.0322 0.828 0.139 811750_9234750 10 0.0322 0.828 0.139 812250_9234750 # … with 1,158 more rows Sematkan lagi dengan klasifikasinya > gathered_tplus1 = reclass_table_tplus1 %>% + gather("val", "score", -cell) %>% + print() # A tibble: 3,504 × 3 cell val score 1 809750_9235250 Developed 0.00855 2 810250_9235250 Developed 0.0322 3 810750_9235250 Developed 0.0322 4 811250_9235250 Developed 0.00855 5 809750_9234750 Developed 0.0322 6 810250_9234750 Developed 0.0322 7 810750_9234750 Developed 0.0322 8 811250_9234750 Developed 0.0322 9 811750_9234750 Developed 0.0322 10 812250_9234750 Developed 0.0322 # … with 3,494 more rows Diperoleh hasil x y val 1 798750 9226750 Forest 2 798750 9227250 Agriculture 3 799250 9226250 Forest 4 799250 9226750 Agriculture 5 799250 9227250 Agriculture 6 799750 9226250 Forest 7 799750 9226750 Agriculture 8 799750 9227250 Agriculture 9 800250 9225750 Agriculture 10 800250 9226250 Forest # … with 1,158 more rows Yang menjadi concern hingga saat ini: -ABM sangat efektif untuk memodelkan fenomena dengan luas yang sempit karena karakternya yang memodelkan secara spesifik. Tetapi hal tersebut juga membuat model sulit untuk dibawa ke level yang lebih tinggi. - Sehingga rasanya akan menjadi lack of novelty karena jadi seperti hanya mengaplikasikan metode pada daerah Citarik. Dimana hal tersebut biasanya diaplikasikan dalam pembuatan TA mahasiswa S1. - Citarik ini adalah wilayah yang memiliki fungsi sebagai hutan konservasi untuk sungai Citarum. Perubahannya menjadi kota tidak dapat dihindarkan lagi mengingat sudah ada pembangunan jalan tol ke sana. - Terpikir lagi, bagaimana bila menghgitung presentase kawasan hijau minimal yang harus ada sehingga Citarik masih dapat berfungsi dengan baik sebagai kawasan konservasi. Tapi, Citarik hanya part of Upper Citarum, sehingga tidak mertepresentasikan secara keseluruhan. Like bisa jadi Citarik sangat kota dan daerah hulu lainnya yang dijadikan full hutan lindung. - Atau bila ingin menghitung luasan satandar hijau bisa juga melibatkan semua wilayah upper Citarum tapi itu akan menjadi cerita berbeda. **Arahan** 1. Lanjutkan saja tetap di LULC 2. coba dicek matriks transisi setiap tahun dan lalu bandingkan dengan data. Lalu hitug errornya. 3. Emphasize economy value dari eksistensi Citarik river. 4. Tolong presentasikan hasil dalam bentuk gambar dan animasi yang menarik 5. Kaitkan pula daerha luar dan bagaimana daerah yang muncul pembangunan itu di sana. Sebagai contoh daerah yang dari jalur Majalaya lebih cepat menuju perkotaan.

[dudung]

Terima kasih updatenya, @windawijayasari.

[windawijayasari]

Bimbingan tanggal 20Juni 2022

Perubahan Lahan Citarik20juni.pptx

Laporan: -Menampilkan slide perubahan lahan dari tahun 2001-2020. -Memperjelas bahwa data dibuat menjadi matriks berukuran 1168x3. Dimana 1168 baris merupakan jumlah sel yang ada di dalam data. Tiga kolom menjelaskan mengenai data yang dikelompokkan ke dalam 3 kategori, yakni developed, agriculture dan forest. -Menampilkan rata-rata matriks peluang transisi dari 2001-2022.

Arahan:

• Cari tahu alasan mengapa terdapat perubahan lahan yang semula sudah kuning berubah kembali menjadi hijau padahal disekitarnya telah berubah menjadi kuning.
• Bahas mengenai proses klasifikasi. Mengapa menjadi 3. Apa landasannya dan mengikuti aturan apa.
• Pahami apa itu x y pada data? -Gali lagi apa yang dapat diceritakan dari matriks peluang transisi.
• Kirim excels berisi data X | Y| vals
• Konsul ke Pak Faizal mengenai batasan bahan apa sudah cukup sesuai dengan bidang kajian ini (LULC).
• -Segera buat draft paper.

Jawaban:

• https://www.esri.com/arcgis-blog/products/arcgis-pro/mapping/gcs_vs_pcs/#:~:text=What%20is%20the%20difference%20between,map%20or%20a%20computer%20screen. Untuk menentukan suatu objek yang berada di permukaan bumi, terdapat dua sistem yaitu Geographic coordinate systems (GCS) dan Projected coordinate sistem (PCS). Geographic memberitahu lokasi data di permukaan bumi. Projected mapping memberitahu data, bagaimana cara menggambar pada permukaan datar. Untuk GCS satuan unit yang digunakan adalah degree (karena dalam Laty-Long aka lintang-bujur), kalau projected menggunakan satuan unit dalam meters.

Koordinat X Y pada MODIS yang saya gunakan pada MODIS adalah projected coordinate systems. Bila nanti bapak cek file excel yang saya lampirkan, silahkan ambil 2-3 titik yang bersebelahan. Sebagai contoh adalah koordinate 798750, 9226750 dan 798750, 9227250

Berapakah jarak antara titik tersebut? Jawabannya adalah 500m (9227750-922670 = 500). DImana 500m x 500m adalah our cell size.

Maka, jika masing-masing sel memiliki koordinat X,Y, dimanakah koordinat tersebut berada relatif terhadap sel? Titik X,Y tersebut merupakan center (titik tengah) dari masing-masing sel.

Berikut saya lampirkan recap table untuk data dari tahun 2001-2020.

recap_table.csv

Bimbingan 2 dengan Pak Faizal: -Memahami posisi koordinate. -Buat table dengan menggunakan yang terdiri 4 kolom berisi XY| vals 2020| vals 2020'| cek match nya sama atau tidak. Lakukan dengan menggunakan R. -bahan diatas untuk menghitung error.

• Segera buat draft

[dudung]

Terima kasih atas resume diskusi kemarin dan datanya, @windawijayasari. Good work!