Pemodelan Geostatistik untuk Kandungan Arsen di Air Bawah Tanah

Heloooooo semuanya, apa kabarnya 😀

Pada kesempatan kali ini saya mencoba untuk menulis aplikasi yang berkaitan dengan geostatistik, kebetulan pas jalan-jalan, nemu, ya udah, saya tulis disini, semoga bisa menjadi bahan pembelajaran kita, okey, mulai :beer:

Arsen merupakan salah bahan kimia beracun, sebagian besar terlarut dari tanah dan batu yang tererosi, konsentrasi normal di alam umumnya atau pada airt bawah tanah khususnya umumnya kecil sekali.

Data konsentrasi arsen pada air bawah tanah pada kesempatan kali ini diambil dari kota di luar negeri, konsentrasi rendah antara 0.01 – 0.02 mg/L, dan dari hasil survey terjadi kecenderungan kenaikan konsentrasi karena metode pertanian yang salah.

Dengan menggunakan tool ArcGIS Geostatistical Analyst, kita bisa melakukan prediksi model data yang ada. dalam kasus ini, metode geostatistik yang paling sesuai untuk data dengan variabilitas spasial di atas adalah Krigging, yang merupakan metode stochastic.

Perbandingan metode-metode yang dapat digunakan dapat ditemukan pada file PDF yang dapat di download disini : http://www.esri.com/library/whitepapers/pdfs/geostat.pdf

Buka Arcmap, pada menu klik Customize > Extensions… dan aktivasi pada ekstensi Geostatistical Analyst, kemudian tutup.

In the Geostatistical Analyst toolbar, click on “Launch Geostatistical Analyst Wizard” button. This will prompt the following window:

Pada toolbar Geostatistical Analyst, klik pada tombol “Launch Geostatistical Analyst Wizard”, sehingga akan muncul halaman berikut :

Pada kolom “Methods” isi dengan metode yang paling tepat, dalam hal ini adalah Krigging

PAda kolom “Source dataset” isikan dengan data spasial yang digunakan sebagai input pemodelan, dalam hal ini adalah data titik sampel arsen

Pada kolom “Data Field” pilih kolom yang ingin di analisa (atribut data) dalam hal ini adalah data konsentrasi arsen per liter

Klik “next” jika ada peringatan mengenai dua atau lebih titik sampel berada pada lokasi yang sama, pilih opsi “Mean”, kemudian muncul layar di bawah ini :

PAda kolom ” Kriging type“, pilihlah “Ordinary Krigging” dan pilih “Prediction” sebagai tipe output.

Pada kolom “Transformation“, pilih “Log”, karena ini penting untuk data yang nantinya akan dilakukan proses transformasi logaritmik

Pada “Order of trend removal, pilih “First”. Untuk mengetahui order keberapa yang paling baik digunakan untuk penghilangan trending, bisa dilihat pada link ini : http://webhelp.esri.com/arcgisdesktop/9.3/tutorials/geostat/Geostat_3_1.htm

Klik Next, window yang muncul akan memberikan petunjuk apakah data mempunyai anisotropik arah atau tidak. Jika data membentuk bulatan, maka tidak terdapat anisotropi di dalamnya, jika muncul seperti gambar di bawah, maka terdapat anisotropi yang harus dihilangkan.

Pada windws yang muncul kemudian, kita isi opsi sebagai berikut :

Model: 1. Type = “Spherical”.
Anisotrophy = “True”.
Show Search Direction = “True”.

Kemudian kita harus merubah sudut sampai garis biru yang muncul dari pusat peta Semivariogram cocok dengan arah dari sumbu utama dari elips sebagaimana terlihat pada gambar :

Klik Next, pada window selanjutnya, kita dapat merubah Maximum Neighbours ke 12 dan Minimum Neighbours ke 6. Semakin jauh lokasi sampel dengan lokasi prediksi, pengaruh mereka semakin kecil terhadap lokasi prediksi, Jadi untuk mempercepat perhitungan interpolasi, kita dapat mengabaikan titik sampel yang jauh.

klik Next , window untuk validasi silang akan muncul, Anda dapat melihat tabel yang menunjukkan model data prediksi yang dibandingkan dengan nilai hasil pengukuran dengan standar error yang ada.

Pada bagian bawah dari window tersebut akan terlihat error prediksi :

  • Root-Mean-Square: 7.356
  • Average Standard Error: 10,836.42
  • Mean Standardized: 0.002047
  • Root-Mean-Square Standardized: 0.0161

Klik “Finish”. sebuah report akan muncul, hasilnya dapat dilihat sebagai berikut :

Pada hasil akhir terlihat peningkatan konsentrasi dari timur ke barat, kita jutga bisa melakukan  perbaikan pada model prediksi, yaitu dengan mencari RMS yang terkecil. Untuk membandingkan kedua model, kita dapat mengklik kanan pada model di TOC dan pilih “Compare..”. Sebagai tambahan, kita dapat mengkalkulasi Peta Error Standart, yang menganalisa ketidakpastian dari prediksi kita. Semakin tinggi error standart, semakin tidak pasti prediksi kita.

Selamat mencoba :beer:

Sumber : Blog Watermap, thanx Sergio Perez for the awesome tutorial 😀

 

Tinggalkan Pesan