Sedangkan faktor pertanian yang penting seperti panjang dan intensitas musim hujan dan kemarau serta variasi tahunan tidak
Ini adalah model elevasi digital untuk area tersebut. Rift Valley muncul dalam warna hitam dan biru gelap, dan diapit oleh ketinggian yang lebih tinggi yang ditampilkan dalam nuansa hijau.
92 Misalnya, TRANSFORM dapat digunakan untuk menghitung timbal balik (satu dibagi dengan nilai piksel) dari suatu gambar, atau untuk menerapkan transformasi logaritmik atau trigonometri.
ketersediaan kelembaban = rata-rata curah hujan tahunan / potensi penguapan A)
Latihan 2-6 Aljabar Peta
Aljabar Peta mengacu pada penggunaan gambar sebagai variabel dalam operasi aritmatika normal. Dengan GIS, kita dapat melakukan operasi aljabar penuh pada kumpulan gambar. Dalam kasus IDRISI, operasi matematika tersedia melalui tiga modul: OVERLAY, TRANSFORM, dan SCALAR (dan dengan ekstensi melalui Image Calculator, yang mencakup fungsionalitas dari ketiga modul ini). Sementara OVERLAY melakukan operasi matematis antara dua gambar, SCA LAR dan TRANSFORM bekerja pada satu gambar. SCALAR digunakan untuk secara matematis mengubah setiap piksel dalam gambar dengan konstanta. Misalnya, dengan SCALAR kita dapat mengubah peta relief dari meter menjadi kaki dengan mengalikan setiap piksel pada gambar dengan 3,28084. TRANSFORM digunakan untuk menerapkan transformasi matematis yang seragam ke setiap piksel dalam gambar.
Pendekatan yang diilustrasikan di sini adalah pendekatan yang sangat sederhana yang diadaptasi dari Peta Zona Agro-Klimatik Kenya 1:1.000.000 (1980, Survei Tanah Kenya, Kementerian Pertanian). Diakui bahwa aspek utama iklim yang mempengaruhi pertumbuhan tanaman adalah ketersediaan kelembaban dan suhu. Ketersediaan kelembaban adalah indeks keseimbangan antara presipitasi dan penguapan, dan dihitung dengan menggunakan persamaan berikut:
Tampilkan gambar NRELIEF dengan palet IDRISI Default Quantitative.50
Dalam latihan ini, kita akan membuat peta zona agroklimat untuk Distrik Nakuru di Kenya. Distrik Nakuru terletak di Great Rift Valley di Afrika Timur dan berisi beberapa danau yang menjadi rumah bagi kawanan besar flamingo merah muda.
Dalam Latihan 2-2 dan 2-4, kita menggunakan modul OVERLAY untuk melakukan operasi Boolean (atau logika). Namun, modul ini juga dapat digunakan sebagai operator aritmatika umum antar gambar. Ini kemudian mengarah ke serangkaian operasi penting lainnya dalam GIS yang disebut Aljabar Peta.
Peta zona agroklimat merupakan sarana dasar untuk menilai kesesuaian iklim wilayah geografis untuk berbagai alternatif pertanian. Gambar akhir kami akan menjadi satu di mana setiap piksel ditetapkan ke zona agroklimat yang tepat sesuai dengan kriteria yang disebutkan.
Ketiga modul ini memberi kita kemampuan pemodelan matematika. Dalam latihan ini, kita akan bekerja terutama dengan SCALAR, OVERLAY, dan Image Calculator. Kami juga akan menggunakan modul yang disebut REGRESS, yang mengevaluasi hubungan antara gambar atau data tabular untuk menghasilkan persamaan regresi. Operator matematika kemudian akan digunakan untuk mengevaluasi persamaan yang diturunkan. Mereka yang tidak terbiasa dengan pemodelan regresi didorong untuk menyelidiki lebih lanjut alat penting ini dengan membaca teks statistik. Kami juga akan menggunakan modul CROSSTAB, yang menghasilkan citra baru berdasarkan semua kombinasi nilai unik dari dua citra.
51
MapAlgebra
50. Untuk latihan ini, pastikan User Preferences Anda diatur ke nilai default dengan membuka File/User Preferences dan menekan tombol Revert to Defaults.
Klik OK untuk menyimpan pengaturan.
51. Istilah potensi penguapan menunjukkan jumlah penguapan yang akan terjadi jika kadar air tidak terbatas. Penguapan yang sebenarnya mungkin kurang dari ini, karena mungkin ada periode kering di mana tidak ada uap air yang tersedia untuk menguap.
diperhitungkan dalam model ini, pendekatan yang lebih sederhana ini menyediakan alat dasar untuk tujuan perencanaan nasional.
aku aku aku)
citra curah hujan rata-rata tahunan bernama NRAIN;
ii)
Untuk Distrik Nakuru, area yang ditunjukkan pada gambar NRELIEF, tersedia tiga kumpulan data untuk membantu kami menghasilkan peta zona agroklimat:
Mari kita lihat bagaimana potongan-potongan ini masuk ke dalam model kartografi konseptual yang menggambarkan bagaimana kita akan menghasilkan peta zona agroklimat. Kami tahu produk akhir yang kami inginkan adalah peta zona agroklimat untuk kabupaten ini, dan kami tahu bahwa zona ini didasarkan pada zona ketersediaan suhu dan kelembaban yang ditentukan dalam Tabel 1. Oleh karena itu, kami perlu memiliki gambar yang mewakili zona suhu (yang akan kami sebut TEMPERZONES) dan zona ketersediaan kelembaban (ZONA LEMBAP). Kemudian kita perlu menggabungkannya sedemikian rupa sehingga setiap kombinasi unik dari TEMPERZONES dan MOIST ZONES memiliki nilai unik pada hasilnya, AGROZONES. Modul CROSSTAB digunakan untuk menghasilkan gambar keluaran di mana setiap kombinasi unik dari nilai masukan memiliki nilai keluaran yang unik.
Saya)
data suhu dan ketinggian tabular untuk sembilan stasiun cuaca.
Untuk menghasilkan gambar zona ketersediaan suhu dan kelembaban, kita perlu memiliki gambar ketersediaan suhu dan kelembaban yang
berkelanjutan. Kami akan menyebutnya SUHU dan MOISTAVAIL. Citra-citra ini akan direklasifikasi sesuai dengan rentang yang diberikan pada Tabel 1 untuk menghasilkan citra zona. Awal dari model kartografi adalah con-
Zona agroklimat didefinisikan sebagai kombinasi spesifik dari zona ketersediaan air dan zona suhu. Kisaran nilai untuk zona ini ditunjukkan pada Tabel 1.
Selain data ini, kami memiliki persamaan yang dipublikasikan yang menghubungkan potensi penguapan dengan ketinggian di Kenya.
model elevasi digital bernama NRELIEF;
6 5
3 4
2 7
8
4 7
2 6
1 5
3
<0,15 9
Suhu
<10
1 >0,80
Daerah
0,15 - 0,25 10 - 12
14 - 16
18 - 20
24 - 30
Ketersediaan Kelembaban
0,50 - 0,65 Kisaran
0,25 - 0,40
20 - 22 16 - 18 12 - 14
22 - 24 0,65 - 0,80
Tabel 1
Suhu Rentang (°C)
0,40 - 0,50 Zona ity
Ketersediaan Kelembaban
Hubungan Turunan
Gambar 1Stasiun cuaca elevasi dan
terstruktur pada Gambar 1. moistureavail
Sayangnya, baik citra suhu maupun citra ketersediaan kelembapan tidak ada dalam daftar data yang tersedia—kita perlu memperolehnya dari data lain.
data suhu
94
zona lembab
Satu-satunya informasi suhu yang kami miliki untuk area ini berasal dari sembilan stasiun cuaca. Kami juga memiliki informasi tentang ketinggian setiap stasiun cuaca. Di sebagian besar Afrika Timur, termasuk Kenya, suhu dan ketinggian berhubungan erat. Kita dapat mengevaluasi hubungan antara kedua variabel ini untuk sembilan titik data kita, dan jika kuat, kita dapat 52 menggunakan hubungan tersebut untuk mendapatkan citra suhu (TEMPERATURE) dari citra elevasi yang tersedia.
Gambar 2
Unsur-unsur yang diperlukan untuk menghasilkan TEMPERATUR telah ditambahkan ke bagian model kartografi pada Gambar 2.
Karena kita belum mengetahui sifat pasti dari hubungan yang akan diturunkan antara elevasi dan suhu, kita tidak dapat mengisi langkah- langkah untuk bagian tersebut. dari model. Untuk saat ini, kami akan menunjukkan bahwa mungkin ada lebih dari satu langkah yang terlibat dengan meninggalkan modul sebagai tidak diketahui (????).
Sekarang mari kita pikirkan tentang sisi ketersediaan kelembapan dari masalah tersebut. Dalam pendahuluan masalah, ketersediaan air didefinisikan sebagai rasio curah hujan dan potensi penguapan. Kami akan membutuhkan gambar masing-masing, kemudian, untuk menghasilkan MOISTAVAIL. Seperti yang dinyatakan di awal latihan ini, OVERLAY dapat digunakan untuk melakukan operasi matematika, seperti rasio yang diperlukan dalam contoh ini, antara dua gambar.
kelas ulang
Kami sudah memiliki citra curah hujan (NRAIN) di kumpulan data yang tersedia, tetapi kami tidak memiliki citra potensi evaporasi (EVAPO).
Namun, kami memiliki hubungan yang dipublikasikan antara ketinggian dan potensi penguapan. Karena kita sudah memiliki model elevasi, NRELIEF, kita dapat memperoleh gambar evaporasi potensial menggunakan hubungan yang dipublikasikan. Seperti sebelumnya, kita tidak akan mengetahui langkah pasti yang diperlukan untuk menghasilkan EVAPO sampai kita memeriksa persamaannya. Untuk saat ini, kami
akan menunjukkan bahwa mungkin ada lebih dari satu operasi yang diperlukan dengan menunjukkan simbol modul yang tidak dikenal di bagian tersebut.
bantuan
tab silang
agzones
zona temper
suhu
Latihan 2-6 Aljabar Peta
kelas ulang
suhu
????
52. Latihan tutorial selanjutnya tentang Geostatistik menyajikan metode lain untuk mengembangkan permukaan raster penuh dari data titik.
Gunakan Edit dari menu Entri Data, pertama untuk membuat file nilai ELEVASI, kemudian sekali lagi untuk membuat file nilai TEMPERATURE. Ingatlah bahwa setiap file harus memiliki dua kolom yang dipisahkan oleh satu atau beberapa spasi. Kolom kiri harus berisi nomor stasiun (1-9) sedangkan kolom kanan berisi data atribut. Ketika kamu
Hubungan
B)
model kartografi pada Gambar 3.
Gambar 3
nrain
Sekarang setelah analisis kami diatur dalam model kartografi konseptual, kami siap untuk mulai melakukan operasi dengan GIS. Langkah pertama kita adalah mendapatkan hubungan antara elevasi dan suhu menggunakan data stasiun cuaca, yang disajikan pada Tabel 2.
Elevasi Nomor Stasiun (ft) Rata-rata Suhu Tahunan. (°C)
hamparan
Kita dapat melihat sifat hubungan dari pandangan awal pada angka—semakin tinggi ketinggian stasiun, semakin rendah suhu rata-rata tahunannya. Namun, kami membutuhkan persamaan yang menjelaskan hubungan ini dengan lebih tepat. Prosedur statistik yang disebut analisis regresi akan menyediakan hal ini. Dalam IDRISI, analisis regresi dilakukan dengan modul REGRESS.
moistureavail
REGRESS menganalisis hubungan antara dua gambar atau dua file nilai atribut. Dalam kasus kami, kami memiliki data tabular dan darinya kami dapat membuat dua file nilai atribut menggunakan Edit. File nilai pertama akan mencantumkan stasiun dan elevasinya, sedangkan yang kedua akan mencantumkan stasiun dan suhu rata-rata tahunannya.
????
Diterbitkan
evapo bantuan
5
14.90 7342.00
6024.00
8 3
18.20 6
7001.00 8202.00
6001.00
16.30 13.70
16.80
9 6168.00
4
7
17.20 1
6352.00
Meja 2
7086.00
9199.00
15.70
12.40
16.30 2
Pemodel Makro) atau Kalkulator Gambar. Dalam hal ini, kita akan menggunakan Image Calculator untuk membuat SUHU.
Y = 26,985 - 0,0016 X
Buka Kalkulator Gambar dari menu Analisis GIS/Operator Matematika. Kami akan membuat Ekspresi Matematika. Ketik SUHU sebagai nama gambar keluaran. Tab atau klik ke dalam Expression to process input box dan ketikkan persamaan seperti yang ditunjukkan di atas.
Saat Anda siap memasukkan nama file NRELIEF, Anda dapat mengklik tombol Sisipkan Gambar dan memilih file dari Daftar Pilih.
Memasukkan nama file dengan cara ini memastikan bahwa tanda kurung ditempatkan di sekitar nama file. Ketika seluruh persamaan sudah dimasukkan, tekan Save Expression dan beri nama TEMPER. (Kami menyimpan ekspresi jika kami perlu kembali ke langkah ini.
Jika kami melakukannya, cukup klik Buka Ekspresi dan jalankan persamaan tanpa harus memasukkannya lagi.)
Kemudian klik Ekspresi Proses.
simpan setiap file nilai, pilih Real sebagai Tipe Data.
Persamaannya adalah garis, Y = a + bX, di mana a adalah perpotongan sumbu Y dan b adalah kemiringannya. X adalah variabel bebas dan Y adalah variabel terikat.
Gambar yang dihasilkan akan terlihat sangat mirip dengan peta relief, kecuali nilainya terbalik—suhu tinggi ditemukan di Rift Valley, sedangkan suhu rendah ditemukan di ketinggian yang lebih tinggi.
Setelah Anda selesai membuat file nilai, jalankan REGRESS dari menu Analisis/Statistik GIS.
Akibatnya, persamaan ini mengatakan bahwa Anda dapat memprediksi suhu di setiap lokasi dalam wilayah ini jika Anda mengambil ketinggian dalam satuan kaki, mengalikannya dengan -0,0016, dan menambahkan hasilnya dengan 26,985. Inilah "model" kami:
e)
TEMPERATUR = 26.985-0.0016 * [NRELIEF]
Untuk memverifikasi ini, seret jendela SUHU sehingga Anda dapat melihatnya dan NRELIEF.
(Karena keluaran REGRESS adalah persamaan dan statistik daripada lapisan data, ini tidak dapat diimplementasikan dalam Pemodel Makro.) Tunjukkan bahwa ini adalah regresi antara file nilai. Anda harus menentukan nama file yang berisi variabel independen dan dependen. Variabel bebas akan diplot pada sumbu X dan variabel terikat pada sumbu Y. Persamaan linier yang diturunkan dari regresi akan memberikan Y sebagai fungsi dari X. Dengan kata lain, untuk nilai X yang diketahui, persamaan dapat digunakan untuk menghitung nilai Y. Nanti kita ingin menggunakan persamaan ini untuk mengembangkan persamaan gambar penuh nilai suhu dari gambar elevasi kami. Oleh karena itu kami ingin memberikan ELEVASI sebagai variabel bebas dan SUHU sebagai variabel terikat.
Anda sekarang dapat menutup tampilan REGRESS. Model ini dapat dievaluasi dengan SCALAR (di dalam atau di luar Tekan OK.
REGRESS akan memplot grafik hubungan dan persamaannya. Grafik memberi kita berbagai informasi.
D)
Latihan 2-6 Aljabar Peta
Pertama, ini menunjukkan data sampel sebagai sekumpulan simbol titik. Dengan membaca nilai X dan Y tiap titik, kita bisa melihat kombinasi elevasi dan temperatur di tiap stasiun. Garis tren regresi menunjukkan "paling cocok" dari hubungan linier dengan data di lokasi sampel tersebut. Semakin dekat poin ke garis tren, semakin kuat hubungannya. Koefisien korelasi ("r") di sebelah persamaan memberi tahu kita hal yang sama secara numerik.
Jika garis miring ke bawah dari kiri ke kanan, "r" akan memiliki nilai negatif yang menunjukkan hubungan "negatif" atau "terbalik". Inilah yang terjadi dengan data kami karena saat ketinggian meningkat, suhu menurun. Koefisien korelasi dapat bervariasi dari -1,0 (hubungan negatif kuat) hingga 0 (tidak ada hubungan) hingga +1,0 (hubungan positif kuat). Dalam hal ini, koefisien korelasinya adalah -0,9652, menunjukkan hubungan terbalik yang sangat kuat antara elevasi dan suhu untuk kesembilan lokasi tersebut.
96 Persamaan itu sendiri adalah ekspresi matematika dari garis. Dalam contoh ini, Anda seharusnya sampai (dengan pembulatan) pada persamaan berikut:
C)
53
53. Jika Anda mengevaluasi bagian model ini di Macro Modeler, Anda perlu menggunakan SCALAR dua kali, pertama mengalikan NRELIEF dengan -0,0016 untuk menghasilkan file keluaran, kemudian dengan hasil tersebut untuk menambahkan 26,985.
Buka RECLASS dari GIS Analysis/Database Query. Tidak perlu memasukkan nama file. Cukup masukkan nilai seperti yang ditunjukkan untuk zona kelembapan pada Tabel 1, lalu tekan Simpan sebagai file .RCL. Beri nama file MOISTZONES. Kemudian klik kanan untuk membuka parameter modul RECLASS pada model dan masukkan MOISTZONES sebagai file .rcl.
Kami sekarang memiliki kedua bagian yang diperlukan untuk menghasilkan peta ketersediaan kelembaban. Kita akan membuat model di Macro Modeler untuk sisa latihan ini. Buka Macro Modeler dan tempatkan gambar NRAIN dan EVAPO dan modul OVERLAY. Hubungkan kedua gambar ke modul, sambungkan NRAIN terlebih dahulu. Klik kanan pada modul OVERLAY dan pilih operasi Rasio (opsi nol). Tutup parameter modul lalu klik kanan pada gambar keluaran dan beri nama MOISTAVAIL. Simpan model sebagai Exer2-6 lalu jalankan.
Simpan dan jalankan model.
H)
Sekarang setelah kita memiliki peta suhu, kita perlu membuat peta kedua yang diperlukan untuk zonasi agroklimat—peta ketersediaan kelembapan. Sebagaimana dinyatakan di atas, ketersediaan air dapat didekati dengan membagi rata-rata curah hujan tahunan dengan rata-rata potensi penguapan tahunan.
Gambar yang dihasilkan memiliki nilai yang tidak memiliki satuan, karena kita membagi curah hujan dalam mm dengan potensi penguapan yang juga dalam mm. Saat hasilnya ditampilkan, periksa beberapa nilai menggunakan Mode Penyelidikan Kursor. Nilai-nilai dalam MOISTAVAIL menunjukkan keseimbangan antara curah hujan dan penguapan. Misalnya, jika sebuah sel memiliki nilai 1,0 pada hasilnya, ini menunjukkan bahwa ada keseimbangan yang tepat antara curah hujan dan penguapan.
Saya)
Kami sudah memiliki gambar curah hujan NRAIN, tetapi kami perlu membuat gambar penguapan. Hubungan antara elevasi dan potensi evaporasi diturunkan dan dipublikasikan oleh Woodhead (1968, Studies of Potential Evaporation in Kenya, EAAFRO, Nairobi) sebagai berikut:
G)
Ubah tampilan MOISTZONES untuk menggunakan palet IDRISI Default Quantitative dan autoscaling interval yang sama.
1
Berapa banyak zona ketersediaan kelembaban pada gambar? Mengapa ini berbeda dengan jumlah zona yang diberikan dalam tabel?
(Jika Anda kesulitan menjawab ini, Anda mungkin ingin memeriksa file dokumentasi MOISTAVAIL.) Eo (mm) = 2422 - 0,109 * elevasi (kaki)
Apa yang akan ditunjukkan oleh nilai yang lebih besar dari 1? Apa yang ditunjukkan oleh nilai yang kurang dari 1?
Oleh karena itu, kita dapat menggunakan gambar relief untuk mendapatkan rata-rata potensi evaporasi tahunan (Eo ).
F)
Pada titik ini, kami memiliki semua informasi yang kami butuhkan untuk membuat peta zona agroklimat (ACZONES) kami. Pemerintah Kenya menggunakan kelas spesifik suhu dan ketersediaan kelembaban yang tercantum dalam Tabel 1 untuk membentuk zona kesesuaian pertanian yang bervariasi. Oleh karena itu, langkah kami selanjutnya adalah membagi permukaan ketersediaan suhu dan kelembaban kami ke dalam kelas-kelas khusus ini. Kami kemudian akan menemukan berbagai kombinasi yang ada untuk Distrik Nakuru.
Seperti persamaan sebelumnya, kita dapat mengevaluasi persamaan ini menggunakan SCALAR atau Image Calculator. Sekali lagi gunakan Image Calculator untuk membuat ekspresi matematis. Masukkan EVAPO sebagai nama file keluaran, lalu masukkan ekspresi berikut untuk diproses. (Ingat bahwa Anda dapat menekan tombol Sisipkan Gambar untuk memunculkan Daftar Pilih file daripada mengetikkan nama file secara langsung.)
Tempatkan modul RECLASS dalam model dan hubungkan gambar input MOISTAVAIL. Klik kanan pada gambar keluaran dan beri nama MOISTZONES. Klik kanan simbol RECLASS. Seperti yang kita lihat di latihan sebelumnya, RECLASS memerlukan file teks .rcl yang menentukan ambang klasifikasi ulang. Cara termudah untuk membuat file ini adalah dengan menggunakan dialog RECLASS utama. Tutup Parameter Modul.
Tekan Save Expression dan beri nama file MOIST. Kemudian tekan Ekspresi Proses.
2422 - (0,109*[NRELIEF])
2
Informasi yang kami miliki mengenai zona ini dipublikasikan untuk digunakan di semua wilayah Kenya. Namun, wilayah studi kami hanya sebagian kecil dari Kenya. Oleh karena itu tidak mengherankan jika beberapa zona tidak terwakili dalam hasil kami.
Gambar klasifikasi silang menunjukkan semua kombinasi ketersediaan kelembaban dan zona suhu di daerah penelitian. Perhatikan bahwa legenda untuk AGROZONES secara eksplisit menampilkan kombinasi ini dalam urutan yang sama dengan nama gambar input yang muncul di judul.
98 Sekarang kami memiliki gambar zona suhu dan zona ketersediaan kelembaban, kami dapat menggabungkannya untuk membuat zona agroklimat.
Setiap zona agroklimat yang dihasilkan harus merupakan hasil kombinasi unik dari zona suhu dan zona kelembaban.
Latihan 2-6 Aljabar Peta
Operasi yang menetapkan pengenal baru untuk setiap kombinasi kelas input yang berbeda dikenal sebagai klasifikasi silang. Di IDRISI, ini disediakan dengan modul CROSSTAB. Tempatkan modul CROSSTAB ke dalam model. Tautkan TEMPERZONES terlebih dahulu dan MOISTZONES kedua. Klik kanan pada gambar keluaran dan beri nama AGROZONES. Kemudian klik kanan pada CROSSTAB untuk membuka parameter modul. (Perhatikan bahwa modul CROSSTAB saat dijalankan dari dialog utama menawarkan beberapa opsi keluaran tambahan yang tidak tersedia saat digunakan dalam Pemodel Makro.)
Tempatkan elemen model RECLASS lainnya dan ganti nama file output TEMPERZONES. Tautkan SUHU sebagai file masukan dan klik kanan untuk membuka parameter modul. Masukkan file .rcl, TEMPERZONES, yang baru saja Anda buat.
Gambar 4 k)
Dalam latihan ini, kami menggunakan Image Calculator dan OVERLAY untuk melakukan berbagai operasi matematika dasar. Kami menggunakan gambar sebagai variabel dalam mengevaluasi persamaan, sehingga menghasilkan gambar baru. Pemodelan matematis semacam ini (juga disebut aljabar peta), bersama dengan kueri basis data, membentuk inti dari GIS. Kami juga diperkenalkan dengan modul CROSSTAB, yang membuat gambar baru berdasarkan kombinasi kelas dalam dua gambar masukan.
Selanjutnya kita akan mengikuti prosedur serupa untuk membuat peta zona suhu. Namun, sebelum melakukannya, periksa terlebih dahulu nilai minimum dan maksimum dalam SUHU untuk menghindari langkah klasifikasi ulang yang sia-sia. Sorot layer raster SUHU pada model, lalu klik ikon Deskripsikan pada bilah alat Pemodel Makro. Gunakan Periksa untuk nilai data minimum dan maksimum dalam SUHU. Kemudian gunakan kembali dialog RECLASS utama untuk membuat file .rcl bernama TEMPERZONES dengan rentang yang diberikan pada Tabel 1.
J)
Gambar 4 menunjukkan salah satu cara model dapat dibangun di Macro Modeler. (Model Anda harus memiliki elemen data dan perintah yang sama, tetapi dapat diatur secara berbeda.
Sebelumnya kami menggunakan OVERLAY untuk menggabungkan dua gambar. Mengingat kriteria gambar akhir, mengapa kita tidak dapat menggunakan OVERLAY untuk langkah terakhir ini?
3
Jawaban
Masalah Opsional
Metode lain adalah menggunakan Edit/ASSIGN atau RECLASS dengan peta zona, TEMPERZONES dan MOISTZONES, membuat gambar Boolean yang hanya mewakili zona yang sesuai untuk piretrum. Kedua gambar Boolean ini kemudian dapat dikalikan hasilnya.
Kami banyak menggunakan Macro Modeler dalam latihan ini. Namun, Anda mungkin menemukan saat Anda mempelajari sistem bahwa pengorganisasian menu utama akan membantu Anda memahami hubungan dan penggunaan umum untuk modul yang terdaftar menurut abjad di Modeler. Oleh karena itu, kami mendorong Anda untuk menjelajahi pengelompokan modul dalam menu juga. Selain itu, beberapa modul tidak dapat digunakan di Modeler (misalnya, REGRESS) dan lainnya (misalnya, CROSSTAB) memiliki kemampuan tambahan saat dijalankan dari menu.
dengan HAMPARAN
Latihan yang tersisa di bagian ini berkonsentrasi pada peran GIS dalam mendukung keputusan, khususnya mengenai pemetaan kesesuaian.
menghasilkan
Zona agroklimat yang baru saja kita gambarkan telah dipelajari oleh para ahli geografi untuk menentukan aktivitas pertanian yang optimal untuk setiap kombinasi. Misalnya, telah ditentukan bahwa area yang cocok untuk pertumbuhan piretrum, tanaman yang dibudidayakan untuk pengusir serangga, ditentukan oleh kombinasi zona suhu 6-8 dan zona ketersediaan air 1-3.
terakhir
1. Nilai dalam MOISTAVAIL adalah hasil pembagian NRAIN dengan EVAPO. Jika nilai lebih besar dari 1, nilai NRAIN lebih besar dari nilai EVAPO. Ini akan menunjukkan keseimbangan kelembaban yang positif. Jika nilainya kurang dari 1, nilai NRAIN lebih kecil dari nilai EVAPO. Ini akan menunjukkan keseimbangan kelembaban negatif.
ke
l) Buat peta yang menunjukkan daerah yang cocok untuk pertumbuhan piretrum.
2. Hanya ada 5 zona (1-5) pada gambar karena rentang nilainya hanya 0,36 - 1,02 di MOISTAVAIL.
Ada beberapa cara untuk membuat peta area yang cocok untuk piretrum. Jelaskan bagaimana Anda membuat peta Anda.
3. Kami tidak dapat menggunakan OVERLAY dalam situasi ini karena kami ingin setiap kombinasi unik zona memiliki nilai unik dalam gambar keluaran. Dengan OVERLAY, kombinasi zona suhu 2 dan zona kelembaban 4 akan memberikan hasil yang sama dengan zona kelembaban 2 dan zona suhu 4.
4. Lihat legenda AGROZONES dan tentukan kelas mana yang mewakili kombinasi zona yang diinginkan. Gunakan Edit untuk membuat file nilai guna menetapkan nilai zona asli tersebut ke nilai baru 1. Kemudian gunakan ASSIGN dengan AGROZONES sebagai file definisi fitur dan file nilai yang dibuat.
Ini melengkapi latihan alat GIS dari bagian Pengantar GIS dari Tutorial. Kueri basis data, operator jarak, operator konteks, dan operator matematika aljabar peta menyediakan alat yang akan Anda gunakan berulang kali dalam analisis Anda.
Kami tidak akan menggunakan gambar apa pun yang dibuat dalam latihan ini untuk latihan selanjutnya, jadi Anda dapat menghapus semuanya jika Anda mau, kecuali file data asli NRAIN dan NRELIEF.