by sanjiwana.arjasakusuma Comment Closed
  1. Salah satu concern terbesar dalam penggunaan data time series adalah temporal konsistensi, terutama konsistensi dalam nilai piksel NDVI yang rentan terhadap gangguan aerosol, atmosfer dan saturasi di dense canopy (LAI > 3). Sehingga pendekatan/data/metode lain diperlukan dalam analisa time series menggunakan data RS, #kulgram #bfast
  2. Analisa tentang konsistensi data time series dapat dilakukan salah satunya menggunakan Analisa breakpoint. Breakpoint disini adalah perubahan mendadak (naik atau turun) suatu nilai pada grafik time series (Lihat gambar) – atau umumnya sering juga disebut sebagai structural change, #kulgram #bfast

(Verbesselt et al. 2010)

  1. Secara logis, breakpoint pada NDVI dapat dikaitkan dengan perubahan cover pada vegetasi. Adanya deforestasi, forest fire, lulc dan juga planting time dapat membuat perubahan mendadak pada coverage vegetasi, #kulgram #bfast
  2. Contohnya di sini saya mendeteksi breakpoint dari avhrr gimms 1982 – 2015 di Borneo, bisa dilihat ada daerah yang terdeteksi sebagai breakpoint pada tahun 98 – 99 yang merupakan salah satu periode ENSO dengan magnitude besar yang memicu forest fire, #kulgram #bfast

breakpoint time dengan periode h = 0.15 * 408

breakpoint time dengan periode h = 0.25 * 408

  1. Selain LULC, Tian et al. (2015) menggunakan bfast (Verbesselt et al. 2010) sebagai tool untuk mendeteksi breakpoint pada data time series dan menganalisa temporal konsistensinya. Lalu apa kaitannya breakpoint dengan konsistensi data NDVI? #kulgram #bfast
  2. Beberapa data global NDVI seperti GIMMS, VIP, SPOT VGT, dibangun melalui kalibrasi beberapa misi AVHRR, begitu pula dengan data SPOT VGT. Sedangkan VIP dibangun dengan kalibrasi antara AVHRR dan MODIS. Pada waktu2 dimana data dibangun dari peralihan antar sensor dapat menyebabkan perbedaan mencolok yang dapat dideteksi sebagai breakpoint. #kulgram #bfast
  3. Bfast bekerja menggunakan beberapa formula yang bisa digunakan, salah satu formulanya adalah Moving Sums (MOSUM). Gampangnya, formula ini digunakan untuk mengetahui apakah koefisien-Beta pada Ordinary Least Square Regression pada periode tertentu (h) sama dengan koefisien-Beta pada periode selanjutnya (h+1),  #kulgram #bfast
  4. Nilai h ini menjadi variable penting karena kalau h terlalu besar maka breakpoint yang ada menjadi tidak terdeteksi, contoh kasus : https://stackoverflow.com/questions/29972479/trying-to-identify-breakpoints-in-landsat-imagery-why-does-bfast-miss-obvious, rule of thumb dalam menentukan h adalah h = n/4, #kulgram #bfast
  5. Kelemahan utama dalam bfast adalah sensitivitasnya terhadap periode h, sehingga mengubah nilai h dapat memberikan hasil yang cukup berbeda (lihat gambar breakpoint dengan h yang berbeda), #kulgram #bfast
  6. Aplikasi bfast mempunyai banyak fungsi. Fungsi lainnya yang cukup menarik adalah untuk mengukur magnitude breakpoint, lalu mengukur slope trend sebelum dan setelah breakpoint pada function bfast01 (Lihat gambar), #kulgram #bfast

 

slope pada segment 1 pada analysis bfast01

slope pada segment 2 pada analysis bfast02

  1. Pertanyaan yang muncul pada aplikasi ini adalah, bagaimana bfast membedakan seasonal (phenological) changes dengan abrupt changes? #kulgram #bfast
  2. Bfast bekerja dengan metode decomposition, dalam hal ini grafik time series didecompose menjadi 3 component : 1.) seasonal yang bisa disetting menjadi “none”, “dummy”, “harmonic”, 2.) trend, dan 3.) residual (lihat gambar pertama). Komponen seasonal digunakan untuk mengukur apabila abrupt change terdeteksi pada kurva seasonal maka OLS-MOSUM dilakukan pada nilai residu.
  3. Selain bfast, ada package greenbrown (Forkel et al. 2013) yang juga bisa digunakan untuk aplikasi sejenis. Greenbrown – http://greenbrown.r-forge.r-project.org/. #kulgram #bfast

Yang tertarik mencoba, saya sediakan bahan (script dan data) di https://drive.google.com/open?id=1W-m51MjksL548VghmihIvr0dioETxAgI , silahkan install R dan Rstudio sebelumnya :

Pustaka :

Verbesselt, Jan, Rob Hyndman, Glenn Newnham, and Darius Culvenor. 2010. “Detecting Trend and Seasonal Changes in Satellite Image Time Series.” Remote Sensing of Environment 114(1): 106–15. http://dx.doi.org/10.1016/j.rse.2009.08.014.

Forkel, Matthias et al. 2013. “Trend Change Detection in NDVI Time Series: Effects of Inter-Annual Variability and Methodology.” Remote Sensing 5(5): 2113–44.

Tian, Feng et al. 2015. “Evaluating Temporal Consistency of Long-Term Global NDVI Datasets for Trend Analysis.” Remote Sensing of Environment. http://www.sciencedirect.com/science/article/pii/S0034425715001285 (April 27, 2015).